实战 | 基于TOPSIS算法的商业银行收单商户综合评价模型研究

文 / 安徽省农村信用社联合社电子银行部 包西林 李松珀

随着非现金支付业务的飞速增长，传统意义上的线下收单市场也随之发生了演变。一是服务的商户主体客群不断下沉，从传统的企业、事业单位，扩大覆盖了包括小微、个体工商户在内的各类型商户，带动市场规模飞速增长；二是参与市场竞争的主体不断向多元化发展，商业银行已经不再是唯一的支付收单机构，以微信、支付宝等为代表的第三方支付机构，收钱吧、拉卡拉等为代表的第三方持牌收单机构，持续改变着市场的竞争模式，对收单商户潜在价值的挖掘和使用力度，也远超过商业银行。

在这个大背景下，商业银行为了能够在快速增长的市场规模中守住固有阵地、抢占新的市场，最直接、有效的竞争方式就是进行收单手续费减免，但在面对三方、四方模式同时竞争的压力下，手续费减免也随之给商业银行带来极大的运营压力。以笔者工作所在的A银行为例，所发展的120万各类收单商户中，对超过80%的商户执行了收单手续费贴补策略，平均每月需贴补收单手续费近8000万元，正常可以作为银行中收收入的手续费金额仅为贴补金额的10%左右。因此，如何精准有效评价收单商户的质量，并以此为行内关联业务发展提供支撑，成为商业银行在发展线下收单业务过程中亟待解决的问题。

现阶段，国内外学者或相关从业人员对于如何从商业银行的角度来评价收单商户质量的理论研究较少。而在实际的商业银行业务应用中，对于商户质量评价多是从经验的角度出发，总结出两种评价办法：一是基于利润的商户评价方法；二是基于本行业务专家经验值的评价方法。两种方法虽然在行业体系内有很好的解释性，但缺乏一定的科学性，评价方法相对单一，且无法实现标准化互通，商户价值核算结果的准确性有待商榷。基于此，本文尝试采用3C－TOPSIS模型，以笔者所在的A银行近年来发展的线下收单商户为研究对象，评价其对银行所带来的价值，以寻求一个更加科学、准确的收单商户评价体系，为未来商业银行调整收单业务发展策略提供思路。

A银行收单业务发展现状

A银行是省内金融机构收单业务发展规模最大的商业银行，自2014年发展以来，先后推出了间联POS收单、聚合收款码、行业聚合收款、线上缴费等多个收单产品，支持银行卡、微信、支付宝、银联云闪付及本行手机银行等多个支付渠道。截至2022年末，全省共发展线下收单商户超120万户，月活跃商户占比超过50%，年日均交易笔数近700万笔、交易金额超12亿元，是微信、支付宝、银联在该省的重要收单间联合作机构。

庞大的业务规模背后，也面临着较大的市场竞争压力。随着支付收单业务监管政策的不断调整，各家金融机构也开始将营销目标转向收单市场，原属于A银行的市场份额开始不断被蚕食分割。为稳定市场，A银行对所发展的收单商户采取了手续费补贴、赠送硬件设备等方式，忽略了对商户价值体系的建设，造成“业务发展盲目补贴、运营成本连年增长”的发展现状，对综合效益的诉求亟待提升。

模型研究

1.TOPSIS基本原

理TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）算法，又称优劣解距离法，是一种常用的综合评价方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距，在评价决策问题中得到了广泛运用，但未发现其在收单商户综合评价方面的相关研究。

TOPSIS算法是通过将待评对象与最优解、最劣解的距离来进行排序，若待评对象离最优解最近又离最劣解最远，测评结果为最优，得分最高，否则不为最优。

2.3C-TOPSIS研究

对于银行来说，优质的商户业务不仅能为银行吸收大量的存款及中间业务收入，还能通过提供后续的融资、贷款等衍生业务获取利润，通过TOPSIS算法分析商户价值可以更好地确定商户的优劣程度，而用于衡量商户价值的各类指标体系便是构造3C-TOPSIS商户评价模型的前提条件。

在确保评价结果可解释性的同时，本文以真实收单商户数据为基础，通过细分商户评价指标，将评价指标归纳总结为直接效益DB（Direct Benefit）、间接收益IB（Indirect Benefit）及业务质量BQ（Business Quality）等3类，并基于TOPSIS算法，构建出本文研究的商户评价模型3C-TOPSIS（3 Categories-TOPSIS），综合测算商户价值。

（1）指标引入。商业银行开展收单业务的最终目标是获取商户的综合价值，这其中包含了交易规模、活期存款、手续费收入、关联业务交叉营销等多项综合考虑的维度。基于此，本文通过分析A银行收单业务历史数据分布情况，以及对行内多个业务专家的调研结果，对指标进行分类设计，设定直接效益DB、业务质量BQ、间接收益IB为商户价值的3C评价指标，并根据3C评价指标，共计确定了9个子评价指标。最终确定满足可解释性、可用性的商户评价指标体系，如表1所示。

表1 A银行收单商户评价指标

（2）归类建模。根据3C指标体系分层次进行TOPSIS算法实现，量化商户综合得分SC（Score），进而评测商户价值，汇总计算公式如下：

SC=DB分值+IB分值+BQ分值

其中，DB、IB及BQ分值均通过TOPSIS进行计算，DB分值为主要评测指标，按百分制进行评测，范围为[0,100]，IB分值和BQ分值为调节类评测指标，按十进制进行评测，分值范围为[-5,5]。

综上公式可知，3C-TOPSIS归类建模用于计算得出DB、IB及BQ等类别的分项分值，经汇总得出商户综合得分SC，建模过程如下。

第一，正向化构建数据矩阵。如共有m个待评价的商户，在某一类别中，存在n个评价指标（正向化处理），即构建出m×n阶数据矩阵。

第二，标准化处理数据矩阵。指标之间的数据量纲存在明显差异，大数据值对结果有直接影响，为了消除数据量纲的影响，对数据矩阵做标准化处理。

第三，按列选取数据优劣解。经标准化处理后，选取每一列指标中的最大值和最小值，组成最优解和最劣解。

第四，逐行计算商户评价分。逐行计算待评数据与最优解和最劣解的欧氏距离值。

在实际情况中，指标的重要性不同，对于最终评价的影响程度不同，故在求最优、最劣距离时，引入权重，得到更加真实合理的评价值，加权后与最优解、最劣解距离值分别为

则：

根据上述公式很明显0

+越小，说明越接近评价价值的最大值，即越接近于1，就说明这个更优，根据s从大到小的顺序，即可评价各商户价值。

量化得出评价分值，即百分制结果为s×100，十分制结果为（s×10-5）。

第五，公式求解商户综合分值。根据商户综合得分计算公式，计算得出商户综合价值SC。

模型核验

1.数据来源

鉴于模型研究对数据完整性、可得性及代表性的需要，本文从A银行的收单商户中，随机选取了48014户线下收单商户2022年上半年的实际经营数据作为研究对象，数据涵盖存贷款、中收、交易规模等9个维度指标，真实全面地验证3C-TOPSIS模型对收单商户评价的有效性。

2.数据建模

以上述选取的收单商户数据为例，对3C-TOPSIS模型进行核验分析，经数据清洗，通过限定最值解（即最优解及最劣解）、剔除异常值及线性回归等方式，降低波动数据在数据集中的影响，部分商户指标数据如表2所示。

表2 商户指标数据样式图

根据对收单商户数据深入分析，并结合业务实际，在3C-TOPSIS分类建模过程中，通过调优最值解及调节权重的方式，调整优化建模函数，科学评定商户综合价值，具体调整如下。

首先，DB建模调优。从实际业务出发，为减少部分商户异常数据情况，对于收单商户，月日均存款余额在达全量数据均值的2倍份额时，资金归行率达100%，即为最优解。

其次，IB建模调优。因本文所分析的收单商户数据，中间业务收入（手续费）以补贴为主，且贷款商户占比极少，作为调节性指标，贷款利息收入及中间业务收入负值取0后，指标数值达全量数据均值的2倍份额时，即为最优解。

最后，BQ建模调优。作为调节性指标，为降低业务质量类中交易类指标受极少数商户交易数据影响，对交易总金额、成功交易总笔数、成功交易客户数按达全量数据均值的2倍份额时作为最优解处理，并根据专家经验法，调节交易总金额、成功交易总笔数等2个重点指标权重为0.35。

3.数据分析

依据3C-TOPSIS模型体系，建模验证本文所选取的收单商户数据，经数据跑批验证，获取商户综合评价得分样例。为更好地对商户综合评价得分进行使用，笔者根据得分结果，按照从低到高的顺序进行五星评级，每20分为一级。结果如表3所示。

表3 商户综合评价得分星级分析结果

结合数据可以看出，A银行所发展的收单商户中，商户价值呈现出较为明显的“二八定律”分布趋势。即较低价值的一星级和二星级商户合计占据了总量的82.39%，商户交易活跃程度、资金归行率都处于极低的水平。较为优质的三星级、四星级商户规模占总量的14.72%，非常优质的五星级商户仅占总量的2.89%。这也与A银行在日常业务管理过程中以经验总结所得的实际结果相匹配。

结论和建议

本文通过引入TOPSIS算法，对指标对象分成三类进行经验调优后，构建出3C-TOPSIS商户综合评价模型，根据直接效益DB类指标测算商户关键性得分，以间接收益IB类指标及业务质量BQ类指标调节得出综合得分，并完成了对研究数据的结果核验，进一步确保了商户综合评价得分的可解释性，弥补了基于利润和基于专家经验值的商户评价方法在科学性、准确性方面的不足。

本文所构建的模型能够较为全面地对收单商户的价值进行体现，所关联的商户交易活跃程度，以及资金归行率也都可以直观地为商业银行调整收单商户管理策略提供依据。在未来的收单业务发展过程当中，A银行应当更加注重组合服务能力的建设，从而满足不同类型、不同层次商户的多样化金融诉求。具体建议如下。

一是考虑对分析结果中被评定为低价值的一星级和二星级商户采取提高手续费率的策略，同时通过营销理财、通知存款等负债类业务，引导商户增加存款，提升资金归行率。此策略可能短期内会造成存量商户的流失，但从长远来看，能够帮助A银行在清理低价值商户的同时，还能够把这类商户从原本的运营成本源，转变为长期的业务利润点。二是对较为优质的三星级、四星级商户考虑采取手续费保本或适量补贴的策略，实现商户的稳定留存。同时针对交易活跃程度较好，但资金归行率较低的商户，结合商户类型进行经营贷款、消费信贷、信用卡等资产类业务的营销，实现挖掘这部分商户的潜在盈利能力的目标。三是针对头部的优质商户，要结合商户及银行的实际情况，做好个性化的金融服务方案的组合营销。但同时也需要注意对成本支出做好控制，不要盲目地进行其他费用的补贴（如硬件设备补贴、场景方案出资代建等）,从而实现对这类收单商户的良性运营。

鉴于支付收单市场多元化发展的趋势，结合实际业务发展情况，同时提出两点监管方面的政策建议予以参考：一是建议仿照银行卡业务，从政策层面实现收单支付业务的手续费统一，降低平台企业的服务费率，从而更好地支持实体经济的发展。二是建议监管部门加强对支付收单市场的规范建设，在加强对商业银行监管的同时，也提升对第三方、第四方参与者合规经营约束力度，避免造成“补贴价格战”“违规发展商户”等市场乱象。

本文对补充商业银行线下收单商户的评价体系有一定参考。但在研究过程当中，并未考虑商户类型、地域分布、硬件设备投入成本、人力资源投入成本等因素对商户质量的影响。在今后的研究中，可将指标项向这几个方向进行拓展，优化评价方法，对商业银行的线下收单商户质量进行更为科学合理的评价。

（此文刊发于《金融电子化》2023年12月下半月刊）