大數(shù)據(jù)背景下信用評分業(yè)務(wù)的合規(guī)應(yīng)用研究

孫偉力 王萌

一、信用評分與大數(shù)據(jù)征信

信用評分業(yè)務(wù)作為最早開發(fā)的金融風(fēng)險管理工具，是征信機(jī)構(gòu)在利用大量歷史數(shù)據(jù)建立評分模型的基礎(chǔ)上，充分運用預(yù)測模型進(jìn)行自動、批量的運算，實現(xiàn)對信用風(fēng)險自動化評估的業(yè)務(wù)形式。最早的信用評分系統(tǒng)可以追溯到1801年的英國，經(jīng)過200多年的發(fā)展，西方發(fā)達(dá)國家的信用評分業(yè)務(wù)已經(jīng)相當(dāng)成熟，并充分應(yīng)用于信用評估領(lǐng)域。信用評分可以減少對信用報告不必要的使用，而且相比于信用報告，能夠在更注重隱私保護(hù)的前提下，對信息主體做出客觀的信用評價。

（一）信用評分的規(guī)范應(yīng)用需集中在金融領(lǐng)域

與信用登記、信用調(diào)查等其他征信業(yè)務(wù)不同，信用評分業(yè)務(wù)的產(chǎn)生與發(fā)展天然就是建立在大型數(shù)據(jù)庫和模型構(gòu)建技術(shù)這兩個必要的應(yīng)用基礎(chǔ)之上的。自20世紀(jì)30年代以來，美國國內(nèi)上千家征信機(jī)構(gòu)經(jīng)過不斷地并購細(xì)分，逐漸發(fā)展為目前的益博睿（Experian）、環(huán)聯(lián)（Transunion）、艾奎法克斯（Equifax）三大征信公司，也是目前全美最大的3家個人征信數(shù)據(jù)庫，覆蓋了超過85%的美國公民。在此基礎(chǔ)上，費埃哲公司（Fair Isaac Corporation）利用模型分析技術(shù)建立了經(jīng)典的FICO評分系統(tǒng)，信用評分業(yè)務(wù)得到充分發(fā)展。近年來，征信的信用信息共享功能日益為社會各界所重視，“信用評分”逐漸由金融領(lǐng)域擴(kuò)大運用到民事、公共治理甚至行政司法領(lǐng)域，人們對各自領(lǐng)域所謂的“信用信息”進(jìn)行評分，這一定程度上豐富了“信用評分”這一業(yè)務(wù)形式的應(yīng)用場景，推動了社會信用體系建設(shè)的進(jìn)步。但是從本質(zhì)上講，此類“信用分”并不屬于征信意義上的信用評分，雖然在大數(shù)據(jù)背景下，傳統(tǒng)信用評分模型逐漸向大數(shù)據(jù)方向轉(zhuǎn)變，但其出發(fā)點依然是輔助進(jìn)行信貸決策的信用風(fēng)險評估工具，大數(shù)據(jù)下的信用評分仍然應(yīng)該是傳統(tǒng)信用評分業(yè)務(wù)的延伸，其規(guī)范應(yīng)用也應(yīng)該集中在金融活動和信貸交易領(lǐng)域。2021年1月11日，中國人民銀行公布的《征信業(yè)務(wù)管理辦法（征求意見稿）》，也明確指出信用信息指的是為經(jīng)濟(jì)金融活動提供服務(wù)，用于判斷個人和企業(yè)信用狀況的各類信息。因此，本文所有對信用評分的討論均建立在這一原則基礎(chǔ)上。

（二）信用評分是大數(shù)據(jù)征信的重要業(yè)務(wù)形式

大數(shù)據(jù)時代，隨著數(shù)據(jù)挖掘和統(tǒng)計建模技術(shù)的不斷升級，可用于評估人們信用的信息越來越多，“大數(shù)據(jù)征信”被反復(fù)提及，但業(yè)內(nèi)人士卻始終對此存在分歧，有人認(rèn)為大數(shù)據(jù)征信是傳統(tǒng)征信的重要補(bǔ)充，也有學(xué)者認(rèn)為所謂“大數(shù)據(jù)征信”的概念帶有“征信泛化”的傾向。實質(zhì)上，分歧的焦點在于對“信用信息”概念的模糊認(rèn)知，征信活動開展的基礎(chǔ)是信用信息，而大數(shù)據(jù)指的則是無法在一定時間范圍內(nèi)通過常規(guī)手段進(jìn)行采集、整理的數(shù)據(jù)集合，包括大量的半結(jié)構(gòu)和非結(jié)構(gòu)化數(shù)據(jù)，尤其是互聯(lián)網(wǎng)時代，非結(jié)構(gòu)化數(shù)據(jù)越來越成為大數(shù)據(jù)的主要構(gòu)成部分，因而信用信息天然屬于大數(shù)據(jù)，但并非所有的大數(shù)據(jù)都屬于信用信息。大數(shù)據(jù)征信的實質(zhì)就是利用先進(jìn)的數(shù)據(jù)挖掘技術(shù)，低成本、高效率地獲取更多的信用信息，其采集范圍延伸至傳統(tǒng)征信無法覆蓋的領(lǐng)域，內(nèi)容囊括了被傳統(tǒng)征信排除在外的半結(jié)構(gòu)甚至非結(jié)構(gòu)化數(shù)據(jù)，在此基礎(chǔ)上建立的評分模型也更重視信息的實時性和動態(tài)性，可以更好地緩解信貸交易雙方之間的信息不對稱。而且從普惠金融的角度考慮，在合規(guī)前提下充分挖掘可用于評估信用風(fēng)險的各類數(shù)據(jù)，有利于提高信貸可獲得性。

二、我國信用評分業(yè)務(wù)的發(fā)展現(xiàn)狀

（一）傳統(tǒng)的信用評分業(yè)務(wù)

1. 征信中心個人信用報告數(shù)字解讀。我國目前已經(jīng)建成了世界上最大的全國金融信用信息基礎(chǔ)數(shù)據(jù)庫，接入機(jī)構(gòu)不僅包括傳統(tǒng)商業(yè)銀行，還包括網(wǎng)絡(luò)小貸公司、消費金融公司、融資租賃公司等，具備開展個人信用評分業(yè)務(wù)必要的數(shù)據(jù)基礎(chǔ)。在此基礎(chǔ)上，中國人民銀行征信中心推出了個人信用報告數(shù)字解讀（以下簡稱數(shù)字解讀），用于預(yù)測放貸機(jī)構(gòu)個人客戶在未來一段時間內(nèi)發(fā)生信貸違約的可能性。數(shù)字解讀具備傳統(tǒng)信用評分典型的“5C”特征，預(yù)測變量覆蓋還款歷史、當(dāng)前負(fù)債、信貸申請、信貸組合以及信用歷史長度五個主要范疇，取值的范圍為0—1000，并創(chuàng)新性顯示相對位置排名，因為具有通用性、科學(xué)性和穩(wěn)定性的特點，目前廣泛應(yīng)用于貸前、貸中和貸后管理的各個環(huán)節(jié)。

2. 傳統(tǒng)授信審批中的量化風(fēng)險指標(biāo)。我們對主要傳統(tǒng)銀行業(yè)機(jī)構(gòu)的授信審批進(jìn)行了調(diào)研，結(jié)果顯示，傳統(tǒng)銀行業(yè)機(jī)構(gòu)在個人信貸業(yè)務(wù)審批實踐中主要參考信用歷史指標(biāo)（未結(jié)清貸款余額、貸款和信用卡還款記錄等）和財務(wù)狀況指標(biāo)（抵質(zhì)押率、收入償債比等），小部分銀行會考慮借款人的道德誠信、人生閱歷，但這一環(huán)節(jié)通常采取人工介入的方式進(jìn)行評價，并沒有相應(yīng)的量化指標(biāo)。另外，部分銀行專門針對普惠性小微企業(yè)制定了評分模型，模型維度同樣以財務(wù)指標(biāo)為主，包括償債能力、盈利能力等幾個方面（見表1）。

可以看出，無論是個人貸款還是小微企業(yè)授信，傳統(tǒng)銀行業(yè)機(jī)構(gòu)在信貸審批過程中更多依賴傳統(tǒng)渠道積累的關(guān)聯(lián)度高、易獲取的基礎(chǔ)信貸數(shù)據(jù)，其建立的信用評分模型也側(cè)重于精準(zhǔn)剔除高風(fēng)險的客戶群體，但一定程度上也將部分缺乏足夠信用歷史的優(yōu)質(zhì)個人和初創(chuàng)企業(yè)客戶排除在信貸體系之外。

（二）互聯(lián)網(wǎng)信用評分模型

1. 互聯(lián)網(wǎng)金融的發(fā)展需要互聯(lián)網(wǎng)信用評分。我國的征信體系以公共征信系統(tǒng)為主，互聯(lián)網(wǎng)金融公司和金融科技企業(yè)在獲取銀行核心信貸數(shù)據(jù)方面受到嚴(yán)格監(jiān)管，這主要是因為互聯(lián)網(wǎng)金融作為創(chuàng)新性業(yè)態(tài)，風(fēng)險隱患較多，而且我國的征信法規(guī)一向更側(cè)重于保護(hù)信息主體的合法權(quán)益。這就導(dǎo)致一些有意向開展信用評分業(yè)務(wù)，但無法低成本獲取全面銀行業(yè)信貸數(shù)據(jù)的互聯(lián)網(wǎng)金融公司，轉(zhuǎn)而依托其他數(shù)據(jù)源，研發(fā)新的大數(shù)據(jù)信用評分模型。然而，就數(shù)據(jù)來源而言，互聯(lián)網(wǎng)信用評分模型同樣存在明顯的局限性：相較于核心銀行業(yè)信貸數(shù)據(jù)，行為偏好、消費習(xí)慣類數(shù)據(jù)與信用風(fēng)險的相關(guān)性終究是太弱，不符合征信數(shù)據(jù)通用、成熟、穩(wěn)定和信用相關(guān)性強(qiáng)的特點，而且不可避免地會存在“刷單”等模型套利行為，不適合用于大額的信貸審批，

2. 互聯(lián)網(wǎng)信用評分具備典型的大數(shù)據(jù)特征。互聯(lián)網(wǎng)信用評分的數(shù)據(jù)來源包含大量生活類信息，數(shù)據(jù)維度中加入消費者行為偏好、人脈關(guān)系等各種動態(tài)信息，更看重信息的時效性，可以最大程度上識別信息主體的信用風(fēng)險，尤其是在缺乏信用歷史的年輕客戶群體風(fēng)險識別方面，有其獨特的借鑒意義。本文隨機(jī)選取了500名20—30歲之間的年輕客戶進(jìn)行調(diào)研，結(jié)果顯示：超過99%的年輕人有網(wǎng)絡(luò)消費行為，其中使用過花唄的比例達(dá)到了91.78%，有22.97%的年輕人出現(xiàn)過分期還花唄的情況，另外還有6.08%的年輕人使用過借唄等網(wǎng)貸產(chǎn)品。與之相對比，僅有10.81%的年輕人表示自己在傳統(tǒng)銀行業(yè)金融機(jī)構(gòu)開立過信用賬戶，但對未來有可能的貸款需求，95.89%的年輕人表示會優(yōu)先選擇傳統(tǒng)銀行業(yè)金融機(jī)構(gòu)，剔除未來的房貸因素，仍然有超過半數(shù)的年輕人維持原來的觀點。但當(dāng)因缺乏足夠信用歷史被銀行拒貸時，近七成（69.18%）的年輕人表示會首選正規(guī)的網(wǎng)貸平臺，而在“網(wǎng)貸平臺意向影響因素”一項，受訪群體不選擇網(wǎng)貸平臺的原因也集中在“無法區(qū)分正規(guī)平臺、擔(dān)心遇到詐騙、擔(dān)心泄露個人信息”3項（見圖1）。

從這個結(jié)果可以看出：第一，相當(dāng)一部分優(yōu)質(zhì)的年輕客戶群體，在傳統(tǒng)銀行業(yè)機(jī)構(gòu)缺乏足夠的信用歷史，但互聯(lián)網(wǎng)信用消費行為卻很普遍，在傳統(tǒng)征信領(lǐng)域之外積累了大量的信用數(shù)據(jù)。第二，年輕群體對互聯(lián)網(wǎng)金融的接受程度更高，未來也更容易接受網(wǎng)絡(luò)借貸和信用消費行為，之所以將傳統(tǒng)銀行業(yè)機(jī)構(gòu)列為優(yōu)先選項，更多是出于對當(dāng)下的風(fēng)險認(rèn)知，未來隨著監(jiān)管體系愈加完善，互聯(lián)網(wǎng)信用評分的應(yīng)用場景也會更為廣闊。

三、未來信用評分業(yè)務(wù)的發(fā)展方向

傳統(tǒng)信用評分與大數(shù)據(jù)信用評分側(cè)重點不同，同樣也都存在一定的局限性，二者結(jié)合能夠最大限度地服務(wù)于信貸決策。然而，目前國內(nèi)并沒有出現(xiàn)可廣泛應(yīng)用于不同決策場景的大數(shù)據(jù)信用評分，這是由多方面原因造成的：一是因為我國征信行業(yè)起步較晚，大數(shù)據(jù)征信亦方興未艾，目前尚沒有經(jīng)過市場論證的大數(shù)據(jù)信用評分模型。二是因為不同機(jī)構(gòu)的信用風(fēng)險管理水平參差不齊，而且在信貸審批實踐中，時常介入人工干預(yù)，“數(shù)據(jù)驅(qū)動型”的量化信用風(fēng)險分析占比相對偏低。三是我國的信用管理領(lǐng)域一直以傳統(tǒng)征信為主，信息使用者主要是傳統(tǒng)持牌銀行業(yè)機(jī)構(gòu)，對廣泛開展信用評分的互聯(lián)網(wǎng)金融領(lǐng)域暫時還沒有實現(xiàn)全面覆蓋。

2020年，艾奎法克斯（Equifax）與科爾曼·帕克斯公司（Coleman Parkes）合作，對零售銀行、金融公司以及債務(wù)處置等信用管理部門的業(yè)內(nèi)專家進(jìn)行了一次深入調(diào)研：超過1/3（36%）的受訪者表示希望通過更先進(jìn)的數(shù)據(jù)分析技術(shù)支持更加準(zhǔn)確的信貸決策;還有近1/3（32%）的專家表示，希望在進(jìn)行信貸決策時能夠?qū)崟r獲取交易活動信息，31%的受訪者希望獲取上下文交互信息來強(qiáng)化傳統(tǒng)的信貸分析模型。另外，調(diào)研過程中還發(fā)現(xiàn)，大部分信用管理專家（74%）認(rèn)為強(qiáng)化數(shù)據(jù)挖掘和分析技術(shù)會大幅推動信用管理產(chǎn)品創(chuàng)新。換句話說：未來信用管理行業(yè)的發(fā)展勢必要融合“大數(shù)據(jù)思維”，信用評分作為與大數(shù)據(jù)技術(shù)聯(lián)系最為緊密的征信業(yè)務(wù)形式，未來也不能僅僅停留在對信用報告進(jìn)行數(shù)字化解讀的初級階段。

四、發(fā)展大數(shù)據(jù)信用評分的政策建議

（一）支持全鏈條模式的獨立風(fēng)控模型機(jī)構(gòu)

在當(dāng)前數(shù)據(jù)維度劇增的情況下，F(xiàn)ICO評分那樣的傳統(tǒng)“5C”模型無法滿足各類群體的風(fēng)控要求，需要的是能夠編輯處理大數(shù)據(jù)的新型信用評分模型。但傳統(tǒng)銀行業(yè)機(jī)構(gòu)目前更多地是依托信貸歷史數(shù)據(jù)自建風(fēng)控模型，而金融科技公司受業(yè)態(tài)限制無法有效獲得核心信貸數(shù)據(jù)，因此，需要加大對全鏈條模式的獨立風(fēng)控模型機(jī)構(gòu)的支持，增加大數(shù)據(jù)信用評分在傳統(tǒng)信貸領(lǐng)域的應(yīng)用，打通信用數(shù)據(jù)、模型技術(shù)和信息使用者之間的“次元壁”。

（二）參考大數(shù)據(jù)網(wǎng)絡(luò)征信模式開展信用評分

未來信用評分業(yè)務(wù)應(yīng)該充分借鑒先進(jìn)的大數(shù)據(jù)網(wǎng)絡(luò)征信模式，推動人工智能和機(jī)器學(xué)習(xí)、移動/5G和區(qū)塊鏈技術(shù)與信用管理的專業(yè)整合，利用大數(shù)據(jù)技術(shù)充分挖掘、分析實時交易活動、信息交互等高相關(guān)性的半結(jié)構(gòu)和非結(jié)構(gòu)化數(shù)據(jù)，不斷改進(jìn)決策過程、升級決策模型，最終落腳于為資金供給方提供更精準(zhǔn)的信貸決策、為企業(yè)和個人提供定制化的征信服務(wù)。

（三）依法采集互聯(lián)網(wǎng)領(lǐng)域可用的信用信息

互聯(lián)網(wǎng)擁有更為廣泛的用戶群體，包含各類電商平臺和第三方數(shù)據(jù)公司。電商平臺積累的消費數(shù)據(jù)有利于全面評估個人的信用意識，而第三方數(shù)據(jù)公司提供的特定領(lǐng)域數(shù)據(jù)可以幫助判斷企業(yè)或個人的履約風(fēng)險，此類數(shù)據(jù)可以有效增加模型精度，因此應(yīng)該重視對此類數(shù)據(jù)的采集。

（四）聯(lián)合政府職能部門推動公共信息共享

無論是對傳統(tǒng)銀行業(yè)機(jī)構(gòu)還是互聯(lián)網(wǎng)金融機(jī)構(gòu)來說，社保信息、司法、工商、稅務(wù)等公共事業(yè)信息對提升風(fēng)控模型精準(zhǔn)度都有著極大的幫助，因此，要想借助大數(shù)據(jù)技術(shù)構(gòu)建一個全面的信用評分模型，必定要聯(lián)合政府職能部門實現(xiàn)此類數(shù)據(jù)的互聯(lián)互通。

（五）加強(qiáng)對信息主體合法權(quán)益的保護(hù)力度

《征信業(yè)務(wù)管理辦法（征求意見稿）》明確強(qiáng)調(diào)要加強(qiáng)個人和企業(yè)信息主體權(quán)益保護(hù)，保障信息安全。大數(shù)據(jù)信用評分模型涉及傳統(tǒng)征信信息以外其他信息的數(shù)據(jù)采集和存儲，比如采集支付寶、花唄等消費記錄判斷信息主體的收入水平等，因此，信息采集前獲得信息主體授權(quán)以及數(shù)據(jù)處理過程中做好隱私信息的保護(hù)是開展評分業(yè)務(wù)的必要前提。

五、結(jié)語

大數(shù)據(jù)信用評分是未來信用評分發(fā)展的重要方向，但這是建立在模型數(shù)據(jù)充足以及模型精度經(jīng)過反復(fù)論證的前提下，雖然以“芝麻信用分”為代表的互聯(lián)網(wǎng)信用評分目前覆蓋了購物、出行、通信等多個領(lǐng)域，但是當(dāng)下我們最應(yīng)該做的是融合多渠道信用信息構(gòu)建大數(shù)據(jù)評分模型，并且回到信貸決策場景中進(jìn)行充分的市場論證。

（責(zé)任編輯? ? 劉西順;校對? ?WY，XS）