樊子琦 楊青青

【摘要】互聯(lián)網(wǎng)時(shí)代背景下，P2P網(wǎng)貸、消費(fèi)金融、共享經(jīng)濟(jì)等業(yè)務(wù)在我國蓬勃發(fā)展，個(gè)人征信業(yè)務(wù)需求快速增長，對(duì)以中國人民銀行為代表的公共征信機(jī)構(gòu)提出了挑戰(zhàn)，依托大數(shù)據(jù)技術(shù)的民營征信機(jī)構(gòu)應(yīng)運(yùn)而生。但目前我國的民營征信機(jī)構(gòu)信用評(píng)估模式在數(shù)據(jù)采集、建模分析和產(chǎn)品應(yīng)用上還存在問題，文章通過借鑒美國信用評(píng)估公司ZestFinance的成功經(jīng)驗(yàn)，對(duì)我國征信機(jī)構(gòu)如何有效利用大數(shù)據(jù)技術(shù)改進(jìn)個(gè)人征信信用評(píng)估模式提出建議。

【關(guān)鍵詞】大數(shù)據(jù) 個(gè)人征信 民營征信機(jī)構(gòu)

根據(jù)中國人民銀行征信中心2015年發(fā)布的《征信系統(tǒng)建設(shè)運(yùn)行報(bào)告》中顯示，截至2014年央行征信體系還是以商業(yè)銀行的金融信貸信息為主，占比達(dá)到70%以上，對(duì)于網(wǎng)絡(luò)數(shù)據(jù)挖掘不足，新興互聯(lián)網(wǎng)金融機(jī)構(gòu)如P2P網(wǎng)絡(luò)平臺(tái)以及大部分消費(fèi)金融機(jī)構(gòu)則尚未接入央行征信系統(tǒng)。隨著互聯(lián)網(wǎng)金融平臺(tái)的活躍，更多的非傳統(tǒng)信用數(shù)據(jù)需要納入征信體系，為了促進(jìn)互聯(lián)網(wǎng)金融穩(wěn)定發(fā)展，對(duì)個(gè)人征信業(yè)務(wù)提出了更高的要求。

2015年，人民銀行批準(zhǔn)了芝麻信用、騰訊征信、深圳前海征信、鵬元征信、中誠信征信、中智誠征信、考拉征信、北京華道征信8家民營征信機(jī)構(gòu)進(jìn)入個(gè)人征信行業(yè)。這些新興征信機(jī)構(gòu)通過收集分析客戶的線上線下信貸數(shù)據(jù)和網(wǎng)絡(luò)行為軌跡數(shù)據(jù)，引入數(shù)據(jù)挖掘技術(shù)和數(shù)學(xué)模型實(shí)行多維度信用等級(jí)評(píng)估，節(jié)約傳統(tǒng)征信的人力成本、時(shí)間成本，兼顧長尾市場，為個(gè)人征信市場注入了新活力。但同時(shí)民營征信機(jī)構(gòu)的發(fā)展面臨著來自各種挑戰(zhàn)。

一、我國民營征信機(jī)構(gòu)現(xiàn)狀

（一）征信數(shù)據(jù)來源割裂，信用評(píng)級(jí)片面化

目前我國征信數(shù)據(jù)主要來自線下的金融征信體系、行政管理征信體系和商業(yè)征信體系以及線上的互聯(lián)網(wǎng)金融、社交體系。其中線下數(shù)據(jù)主要是以央行征信系統(tǒng)的信貸數(shù)據(jù)、工商、司法以及行業(yè)協(xié)會(huì)數(shù)據(jù)為主，線上則是基于電子支付、P2P網(wǎng)貸、社交網(wǎng)絡(luò)等互聯(lián)網(wǎng)平臺(tái)的大量非結(jié)構(gòu)化數(shù)據(jù)，兩者之間存在較強(qiáng)的割裂，傳統(tǒng)金融機(jī)構(gòu)的信貸數(shù)據(jù)難以與民營征信機(jī)構(gòu)共享。

以芝麻信用和騰訊信用為例，從下表中可以看出芝麻信用數(shù)據(jù)來源主要來自阿里巴巴旗下電商的網(wǎng)絡(luò)金融數(shù)據(jù)，其中來自淘寶和支付寶的數(shù)據(jù)占比高達(dá)40%；而騰訊信用則借助自身強(qiáng)大的社交網(wǎng)絡(luò)優(yōu)勢，數(shù)據(jù)主要來自旗下微信、QQ等社交平臺(tái)。首先雙方的數(shù)據(jù)少有重合，多是依托自身平臺(tái)，忽略其他互聯(lián)網(wǎng)公司的用戶數(shù)據(jù)，使評(píng)級(jí)結(jié)果缺乏普適性；其次，雙方對(duì)于履約能力即用戶信用狀況的數(shù)據(jù)僅依賴于與自身建立合作關(guān)系的公共機(jī)構(gòu)，這就意味著這些民營征信機(jī)構(gòu)在進(jìn)行信用評(píng)估時(shí)究竟能夠獲得多少線下信貸數(shù)據(jù)，還是個(gè)未知數(shù)。以上兩點(diǎn)決定了目前我國民營征信機(jī)構(gòu)在信用評(píng)級(jí)上仍然存在片面性。

（二）征信模型不成熟，信用評(píng)估缺乏可靠性

征信模型算法是大數(shù)據(jù)征信中的核心環(huán)節(jié)，我國民營征信機(jī)構(gòu)發(fā)展尚未成熟，較美國等成熟征信體系相比還存在一定的差距。芝麻信用所采用的評(píng)估模型與美國個(gè)人消費(fèi)信用評(píng)估公司開發(fā)的FICO信用評(píng)級(jí)法大致相同，但通過對(duì)比我們可以看出相比于FICO主要還是依賴于傳統(tǒng)信貸數(shù)據(jù)，而芝麻信用引入了大量與用戶信用狀況關(guān)系較弱的社交、行為偏好數(shù)據(jù)。引入多維度評(píng)估固然可以更精確地刻畫用戶信用狀況，但如何通過這些弱相關(guān)性的海量互聯(lián)網(wǎng)數(shù)據(jù)挖掘出有價(jià)值的消費(fèi)者信用信息，對(duì)征信模型的設(shè)計(jì)提出了挑戰(zhàn)。

同時(shí)我們注意到，我國民營征信機(jī)構(gòu)大多將個(gè)人的資產(chǎn)信息（如騰訊信用考察資產(chǎn)構(gòu)成）和好友信用狀況（如芝麻信用考察支付寶好友信息）納入評(píng)估范疇，而FICO評(píng)分則主要關(guān)注用戶信貸狀況，不包含資產(chǎn)情況等個(gè)人敏感信息。國內(nèi)做法難免加劇貧富人群信用差異，違背了互聯(lián)網(wǎng)征信服務(wù)長尾用戶的初衷，使結(jié)果產(chǎn)生偏差。綜上看來，征信模型的不成熟會(huì)使評(píng)分結(jié)果缺乏可靠性。

（三）依托互聯(lián)網(wǎng)金融集團(tuán)，征信產(chǎn)品缺乏獨(dú)立性

目前我國批準(zhǔn)進(jìn)入個(gè)人征信行業(yè)試點(diǎn)的八家征信機(jī)構(gòu)大都屬于阿里巴巴、騰訊等大型金融集團(tuán)，而這些集團(tuán)同時(shí)控股小額貸款公司、民營銀行等金融機(jī)構(gòu)，與征信機(jī)構(gòu)存在高度關(guān)聯(lián)性，征信產(chǎn)品能否對(duì)市場上所有金融產(chǎn)品采用相同標(biāo)準(zhǔn)成為評(píng)價(jià)民營征信機(jī)構(gòu)獨(dú)立性的重要因素。大多數(shù)征信產(chǎn)品主要依托集團(tuán)所屬平臺(tái)數(shù)據(jù)進(jìn)行評(píng)估，評(píng)估出的結(jié)果又服務(wù)于集團(tuán)內(nèi)各子公司的業(yè)務(wù)，這就使得民營征信機(jī)構(gòu)的信用評(píng)級(jí)缺乏第三方獨(dú)立性，要想真正應(yīng)用到全市場金融業(yè)務(wù)上，還需要對(duì)公司主體獨(dú)立性、關(guān)聯(lián)交易管控、數(shù)據(jù)獨(dú)立性等方面進(jìn)行管控。

二、借鑒Zestfinance的成功模式

ZestFinance是美國一家新興的互聯(lián)網(wǎng)金融公司，提出了“Machine learning is the future of finance”的理念，ZestFinance的核心競爭力在于數(shù)據(jù)挖掘能力和模型開發(fā)能力。其大數(shù)據(jù)征信理念已被世界多家互聯(lián)網(wǎng)金融公司認(rèn)可，也與百度、京東等國內(nèi)互聯(lián)網(wǎng)金融公司建立合作，共同開拓國內(nèi)征信市場。

（一）數(shù)據(jù)來源豐富，以信貸信息為主要數(shù)據(jù)源

ZestFinance的數(shù)據(jù)來源主要為第三方數(shù)據(jù)、用戶提交的數(shù)據(jù)以及互聯(lián)網(wǎng)數(shù)據(jù)。其中用戶信貸信息、信用卡信息等結(jié)構(gòu)化數(shù)據(jù)主要來自所購買或交換的第三方如銀行、工商部門等公共機(jī)構(gòu)，同時(shí)ZestFinance鼓勵(lì)用戶上傳電話賬單等來證明自己信用水平，有效彌補(bǔ)公共信息不足。互聯(lián)網(wǎng)則提供了社交數(shù)據(jù)、網(wǎng)絡(luò)行為、IP地址等非結(jié)構(gòu)化數(shù)據(jù)。

值得注意的是ZestFinance在引入大量非結(jié)構(gòu)化數(shù)據(jù)深度挖掘用戶信用的同時(shí)，其進(jìn)行信用評(píng)估依然以傳統(tǒng)信貸信息為主要數(shù)據(jù)源，占比達(dá)到30%。因?yàn)槭紫然ヂ?lián)網(wǎng)數(shù)據(jù)中尤其是社交數(shù)據(jù)多為文本和圖像類數(shù)據(jù)，類型復(fù)雜，處理起來難度較大；其次，例如IP地址、社交網(wǎng)絡(luò)行為等數(shù)據(jù)與用戶信用相關(guān)性較弱，對(duì)模型的擬合程度要求也更大，過多依賴互聯(lián)網(wǎng)數(shù)據(jù)可能會(huì)使信用評(píng)級(jí)的可靠性降低。

（二）強(qiáng)大的機(jī)器學(xué)習(xí)模型，不斷優(yōu)化調(diào)整模型

傳統(tǒng)征信主要采用邏輯回歸和決策樹方法，但這兩種方法各自存在不足。邏輯回歸法變量數(shù)量有限，只能處理10-15個(gè)變量，要求所有變量必須存在且正確，而決策樹方法則需要將所有申請(qǐng)人清晰劃分為不同類別，操作難度較大。而新興的機(jī)器學(xué)習(xí)技術(shù)能夠克服傳統(tǒng)回歸方法的弊端，結(jié)合預(yù)測算法，不斷優(yōu)化調(diào)整模型，構(gòu)建信用評(píng)估體系，這也是ZestFinance的核心競爭力所在。

ZestFinance開發(fā)了專門用于信用評(píng)估的ZAML平臺(tái)，ZAML平臺(tái)提供了可解釋的機(jī)器學(xué)習(xí)模型，處理變量可以多達(dá)幾千個(gè)。能夠在10秒之內(nèi)處理海量數(shù)據(jù)并提供信用評(píng)級(jí)，該平臺(tái)主要由數(shù)據(jù)同化（data assimilation）、模型工具（modeling tools）和模型可解釋性（model explainability）三部分組成。借助機(jī)器學(xué)習(xí)，把人類思考?xì)w納經(jīng)驗(yàn)的過程轉(zhuǎn)化為計(jì)算機(jī)對(duì)數(shù)據(jù)的處理計(jì)算得出模型，ZestFinance的評(píng)分模型得以快速更新，由最初的信貸審批評(píng)分模型已經(jīng)發(fā)展出八類不同的信用評(píng)估模型，覆蓋教育、法律、消費(fèi)等各個(gè)方面。

（三）征信產(chǎn)品應(yīng)用渠道廣泛，評(píng)級(jí)結(jié)果有效獨(dú)立

ZestFinance通過大數(shù)據(jù)分析，突破傳統(tǒng)征信限制，自2009年起，已為超過300，000，000人提供了信用評(píng)級(jí)服務(wù)，其中多為傳統(tǒng)信用評(píng)級(jí)所沒有覆蓋的人群，填補(bǔ)了傳統(tǒng)征信的空白。ZestFinance 提供的信用評(píng)級(jí)不僅可以應(yīng)用于自身旗下的ZestCash貸款平臺(tái)，為用戶發(fā)放貸款，也逐漸被一些傳統(tǒng)金融機(jī)構(gòu)認(rèn)可，使這些機(jī)構(gòu)可以參考ZestFinance評(píng)分系統(tǒng)為用戶提供金融服務(wù)。ZestFinance非但沒有因?yàn)榉?wù)“高風(fēng)險(xiǎn)”客戶而遭受風(fēng)險(xiǎn)損失，反而通過大數(shù)據(jù)技術(shù)的精準(zhǔn)評(píng)估在實(shí)踐中實(shí)現(xiàn)了33%的信貸損失的下降。

三、我國民營征信機(jī)構(gòu)信用評(píng)估體系改進(jìn)措施

針對(duì)我國現(xiàn)試點(diǎn)的八家民營征信機(jī)構(gòu)所存在的問題，通過借鑒美國大數(shù)據(jù)征信機(jī)構(gòu)ZestFinance成功的經(jīng)驗(yàn)，現(xiàn)提出以下三點(diǎn)改進(jìn)的建議

（一）促進(jìn)各大平臺(tái)信息共享，整合數(shù)據(jù)源

首先，對(duì)于結(jié)構(gòu)化數(shù)據(jù)，各大民營征信機(jī)構(gòu)要加強(qiáng)金融信用信息基礎(chǔ)數(shù)據(jù)庫建設(shè)，在保證信息安全的前提下，與傳統(tǒng)征信機(jī)構(gòu)如人民銀行征信系統(tǒng)實(shí)現(xiàn)信息共享，盡可能獲取用戶信用高度相關(guān)的信貸數(shù)據(jù)；其次，對(duì)于社交信息、網(wǎng)絡(luò)行為非結(jié)構(gòu)化數(shù)據(jù)，各大民營征信機(jī)構(gòu)不僅要依托自身互聯(lián)網(wǎng)平臺(tái)資源，也要與其他平臺(tái)開展合作進(jìn)行信息采集，獲取更全面更客觀的數(shù)據(jù)。通過整合線上線下的數(shù)據(jù)源，兼顧頭部和長尾數(shù)據(jù)，提升信用產(chǎn)品的質(zhì)量。

2018年2月，中國人民銀行批準(zhǔn)百行征信有限公司成為首家獲得個(gè)人征信業(yè)務(wù)牌照的機(jī)構(gòu)，由8家民營征信公司分別持股。百行征信集合國內(nèi)互聯(lián)網(wǎng)企業(yè)巨頭如阿里、騰訊的網(wǎng)絡(luò)平臺(tái)的數(shù)據(jù)，同時(shí)立足于央行征信系統(tǒng)的用戶信貸數(shù)據(jù)，實(shí)現(xiàn)了數(shù)據(jù)源的整合，具有巨大的發(fā)展?jié)摿Α?/p>

（二）加強(qiáng)國際合作，改進(jìn)信用評(píng)估模型

中國應(yīng)用大數(shù)據(jù)征信尚處于起步階段，國內(nèi)目前缺乏相關(guān)專業(yè)人才，其數(shù)據(jù)挖掘能力、機(jī)器學(xué)習(xí)技術(shù)以及在模型的設(shè)計(jì)方面與歐美發(fā)達(dá)國家相比具有一定的差距。而同時(shí)互聯(lián)網(wǎng)金融在中國的飛速發(fā)展，又帶來了豐富的網(wǎng)絡(luò)數(shù)據(jù)資源，因此中國的民營征信機(jī)構(gòu)可以利用自身豐富的數(shù)據(jù)優(yōu)勢，與國外大數(shù)據(jù)征信企業(yè)開展合作，依托其先進(jìn)的機(jī)器學(xué)習(xí)征信技術(shù)，不斷改進(jìn)信用評(píng)估模型，提高評(píng)分可靠性。

目前，京東、百度均已與美國互聯(lián)網(wǎng)金融公司ZestFinance建立合作關(guān)系。百度作為中國最大的搜索引擎，而京東擁有以京東金融為代表的消費(fèi)金融體系，二者均掌握豐富的中國客戶互聯(lián)網(wǎng)數(shù)據(jù)，與ZestFinance強(qiáng)強(qiáng)聯(lián)手，對(duì)其以后開展個(gè)人征信業(yè)務(wù)，降低信用風(fēng)險(xiǎn)具有重要意義。

（三）企業(yè)內(nèi)部加強(qiáng)監(jiān)管，保證第三方征信獨(dú)立性

目前我國民營征信機(jī)構(gòu)缺乏獨(dú)立性主要表現(xiàn)在與母公司旗下其他信貸類業(yè)務(wù)存在利益沖突，同時(shí)擔(dān)任裁判和運(yùn)動(dòng)員的角色難以保證評(píng)級(jí)結(jié)果的公正性。因此要求開展個(gè)人征信服務(wù)的互聯(lián)網(wǎng)企業(yè)加強(qiáng)內(nèi)部監(jiān)管，從公司治理角度規(guī)范公司運(yùn)營，使征信機(jī)構(gòu)與其他業(yè)務(wù)機(jī)構(gòu)獨(dú)立開來，避免征信產(chǎn)品與其他如小額借貸、消費(fèi)金融等業(yè)務(wù)掛鉤?？梢砸氇?dú)立董事監(jiān)督公司運(yùn)營，多方面保證第三方征信的獨(dú)立性。

參考文獻(xiàn)

[1]王希軍，李士濤.互聯(lián)網(wǎng)金融推動(dòng)征信業(yè)發(fā)展[A].互聯(lián)網(wǎng)金融發(fā)展與監(jiān)管，2013.

[2]劉新海，丁偉.大數(shù)據(jù)征信應(yīng)用與啟示—以美國互聯(lián)網(wǎng)金融公司ZestFinance為例[J].清華金融評(píng)論，2014.

[3]李辰.我國大數(shù)據(jù)征信發(fā)展的現(xiàn)狀、困境和經(jīng)驗(yàn)借鑒[J].征信，2016.

[4]劉新海，丁偉.美國ZestFinance公司大數(shù)據(jù)征信實(shí)踐[J].征信，2015.

[5]吳晶妹.未來中國征信：三大數(shù)據(jù)體系[J]征信2013.

[6]Jay Budzik.Explainable machine learning in credit.

[7]ZestFinance Seeks Growth in ‘Huge Chinese Market auto fianance news.