基于大數據的互聯網融資平臺信用評級

肖肖 駱建文

摘要：互聯網融資平臺利用大數據技術進行信用評級，提供融資服務已成為互聯網金融的重要形式。文章首先分析了這一形式在技術上和規模經濟上的優勢所在，然后介紹了互聯網融資平臺信用評級的模式以及實施路徑，最后對互聯網融資平臺在進行大數據信用評級時的風險管理提出了建議。

關鍵詞：大數據;互聯網金融;信用評級;風險管理

一、 引言

長期以來，信用評級的做法是從宏觀經濟環境、行業發展趨勢、企業管理層基本素質、企業財務指標、企業組織結構、企業銷售業績、特殊事件風險等角度收集信息，對被評級客體能否到期償還進行定量分析與定性分析。所以，信用評級是一個綜合考慮宏微觀因素，對資金需求方的客觀還款能力和主觀還款意愿進行評估的系統性工作。但是，囿于數據的收集和數據的分析技術，傳統信用評級方式存在如下缺陷：（1）評級是以企業的往期財務信息和其他運營信息為基礎，不能提供這些數據的企業，特別是小微企業，就無法獲得信用評級或只能獲得極低的信用級別，募集資金因此也受到限制，使得授信活動無法實現普惠性。（2）對企業管理者主觀因素的分析尚停留在表面，因償還意愿導致違約產生的原因還需深入挖掘。（3）使用的信息為靜態、過期數據，缺乏動態、即時性數據，存在時滯性，缺乏前瞻性。因此，傳統的信用評級是一種靜態的、滯后的、局部的評級方法，以這種方式進行信用評級，會產生資金分配的不平衡性，使得信用等級高的主體越發容易獲得資金，信用等級低的主體越不容易獲得資金，即所謂的馬太效應。為了克服傳統信用評級存在的這些局限性，業界和理論界圍繞信用數據的收集和分析進行不斷的理論開拓和應用創新。

進入21世紀以來，快速發展的信息處理技術和IT硬件技術，推動著人類依托互聯網進行信息交流，資源分配，生產安排和資金融通等經濟活動，形成所謂的互聯網經濟和互聯網金融。在互聯網經濟發展的過程中，人們通過網絡積累了海量數據。因此，對數據的理解、獲取、存儲和使用等方面都得到了極大地拓展，開始進入大數據時代。

大數據是指信息量大到無法在一定時間內用常規軟件工具對其內容進行抓取和處理的數據集合，它具有“4V”的特征，即多樣化（Variety）、大量化（Volume）、快速化（Velocity）和價值化（Value）。其中，多樣化是指大數據類型十分豐富，需要用多種分類方法才能描述。比如在信用評級領域，信用大數據按內容劃分，可分為運營大數據、交易大數據和交互大數據。按組織形式劃分，可分為結構化數據、半結構化數據與非結構化數據。按時序性劃分，可分為靜態的離散型數據（點數據）與動態的連續型數據（流數據）。大量化是指大數據的數據量驚人。比如，Facebook每天產生300TB數據，淘寶每天產生30TB的數據。因此，大數據企業總是存在數據快速增長與數據存儲擴容相對緩慢的矛盾。快速化是指由于大數據包含的數據量無比巨大，因此處理信息的速度需要十分迅速，才能實現大數據的可適用性。為達到這一目標，云計算和數據挖掘技術被廣泛使用在大數據處理上。價值化是指大數據能提供足夠的信息去發現研究對象的內在規律，即所謂的知識發現（KDD，Knowledge Discovery in Database）。由于信用大數據來源豐富多樣，屬性信息極為復雜，數據量十分龐大，數據價值密度低，為實現這一屬性必須利用機器學習進行數據挖掘，獲得有用的知識。

大數據和大數據處理方法的出現對信用評級乃至整個金融行業都產生了深遠的影響，圍繞大數據技術重新構造信用評級行業成為理論和實務熱點。在理論研究上，孫中東（2013）提出應用大數據技術，銀行的信用評級體系可以進一步完善、創新。蔚趙春等（2013）從挑戰和機遇兩個方面分析大數據給商業銀行帶來的影響。趙付玲等（2013）則圍繞大數據背景下商業銀行的信息化建設展開討論。王偉等（2014）認為可以用大數據思維強化小微企業信貸風險管理。在實際操作中，信用評級的方法和業務模式都發生了顯著和深刻的變化，建立網上融資平臺，使用大數據收集和處理技術進行信用評級日益成為互聯網金融的基本業務模式，對傳統金融業務模式形成了強烈沖擊。

在大數據下，互聯網融資平臺進行信用評級較傳統信用評級具有哪些優勢？如何通過互聯網平臺進行大數據信用評級？大數據評級過程中又有哪些問題需要考慮？本文圍繞以上幾個展開闡述，以期對大數據下互聯網融資平臺的信用評級做出一個較為全面的把握。

二、 基于大數據的互聯網融資平臺優勢分析

1. 互聯網融資平臺的技術優勢。首先，傳統信用評級使用的數據，主要是來自于企業在各類生產運營活動結束后匯總、記錄的運營數據，這些數據多以文件或電子文檔的形式存在。比如從企業財務報表可以獲得財務數據，從季報、年報等可以獲得銷售數據，從倉庫臺賬可以獲得存貨數據等。而利用大數據技術，則不局限于生產運營結束后，從運營前的準備過程、運營中的操作過程都可以收集到數據進行信用分析，數據的形式從文本擴展到音頻、圖片、視頻等多媒體形式，收集的范圍也從企業文件擴展到各種存儲媒質、互聯網網頁上、電商網站的后臺數據庫中，甚至社交軟件的聊天記錄里，從運營大數據擴展到交易大數據、交互大數據，因此包含的內容也更加豐富，不僅包含傳統評級必需的“硬信息”，也包含豐富的“軟信息”，從而形成實現對企業的全面、實時、動態性信用評級的基礎。

其次，在獲取到這些信息后，需要在云計算下利用大數據機器學習技術進行數據挖掘和知識發現，這需要有軟件和硬件良好的結合與支持。互聯網平臺能夠為云計算和大數據機器學習提供這種對接通道。

由此可見，利用人力資源進行信用評級的傳統做法在信用大數據下就不再適用，而必須在一個組織規范的互聯網平臺上才能進行，因此通過互聯網平臺進行信用評級是技術上的必然要求。

2. 互聯網融資平臺的規模經濟優勢。進一步，通過互聯網平臺進行信用評級，較之傳統信用評級方式能實現規模經濟優勢。

由于傳統的信用評級方式需要貸前調查，貸中跟蹤，貸后審計，存在較高的成本，如果融資額度不夠大，會使貸款利潤較低。而互聯網平臺在設計、運營和管理等方面的投入具有固定成本的性質，總成本不隨評級企業的數目變化而發生顯著變化，單個企業分攤的成本卻越來越小，從而實現信用評級的規模效應。

此外，通過互聯網技術能對企業進行實時監測，一旦企業出現危險的信號和行為，會即時預警，提升信用評級的預判性，能夠增加信用評級的深度。同時，將經營成熟的互聯網融資平臺的數據庫在監管機構的管理下實現聯網，進而建立起面向全社會的信用體系，能夠增加信用評級的廣度。由于依托互聯網融資平臺進行大數據信用評級，可以實現傳統信用評級下不能或不愿提供的融資業務，從而使其成為互聯網金融的基本運作方式。

三、 基于大數據建立互聯網融資平臺的信用評級模式

1. 互聯網融資平臺的運作模式。對于互聯網融資平臺的運作模式，從不同的角度可以進行不同的劃分。比如，從運營形態上，可以分為：（1）電商平臺模式，如阿里小貸、京東京寶貝;（2）網上超市模式，如陸金所、各家商業銀行的網上銀行;（3）P2P模式，如人人貸、拍拍貸;（4）眾籌模式，如眾籌之家。從資金的來源上，可以分為：（1）平臺提供資金，如阿里小貸、京寶貝;（2）平臺擔保，銀行提供資金，如京東的供應鏈金融;（3）平臺利用吸收的資金提供貸款，如各家商業銀行的網上銀行;（4）平臺做信用評級，撮合投資者和資金需求方進行融資交易，如各家P2P。

盡管這些互聯網融資平臺的運作方式不同，但都需要對客戶的融資需求進行信用評級，因此是否具有成熟可靠的信用評級技術，有效控制信用風險，成為互聯網融資平臺的核心競爭力。

2. 互聯網融資平臺信用評級的模式。當前互聯網融資平臺的信用評級模式按評級信息的來源劃分，主要可以分為三種模式：

（1）基于運營大數據的信用評級。該模式多用于各商業銀行的網上銀行，以及P2P網貸平臺、眾籌平臺上，其中尤以P2P最為活躍，面對的客戶為個人及小微企業這一類低信用水平群體，融資金額從幾千元到上百萬，很大程度上彌補了信息不對稱情況下傳統金融機構不愿意對該類群體提供融資服務的空白，因此處于快速發展階段。

（2）基于交易大數據的信用評級。該模式多用于成熟的電商平臺提供的融資服務中，如阿里小貸、京東的京寶貝等。這一類融資平臺最近幾年隨電商市場的發展也保持著良好的發展態勢，市場份額上升的很快。

（3）基于交互大數據的信用評級。該模式目前多用于一些提供個人貸款服務的互聯網平臺上，知名的企業有ZestFinance和WeCash閃銀。這類融資平臺目前還處于萌芽階段，但可預見，未來基于交互大數據的信用評級會逐漸成為信用評級的主要方式信貸，會逐漸從個人及小微企業貸款發展到對大企業貸款。

由于不同信用信息的來源、屬性不同，導致各類融資平臺評級時在指標設計、數據收集、數據分析、數據運用過程中采取的方法都不盡相同。但信用評級的基本流程是相同的，只是在一些步驟的實施過程中，受信息屬性的決定而使用不同的評級技術。

四、 基于大數據互聯網融資平臺信用評級的實施策略

1. 信用評級的流程設計。大數據信用評級的流程可以用圖1表示。

由圖1可見，實施大數據評級，第一步是對待評項目的理解。首先要掌握項目運營方式、客戶特點、市場狀況、風險構成等項目內容;其次根據對項目內容的理解設計項目計劃，包括安排項目可行的技術路線，制定項目的進度等;再次，待項目計劃安排好之后就要確定大數據的來源，因為大數據來源雖然眾多，但會受到各種限制，如有的可能過于昂貴，有的則不開放，必須選擇那些技術上與經濟上均可行的作為數據源。因此，需要基于對項目的理解做好這些在項目正式實施前的準備事項。

第二步是準備數據。所做工作是：根據數據的來源，確定數據的類型，采取可行的數據收集技術，獲取大數據;很多數據存在不完整、重復、錯誤等缺陷，要對數據進行預處理;預處理后的數據如果屬于非結構化或半結構化數據，需要進行格式化，轉化為結構型數據，為實施下一步驟做好準備。

第三步就是進行機器學習。首先是選擇合理的數據挖掘技術對數據進行分析，從中尋找關聯關系，其次是解讀和評估數據挖掘的結果，找到最合理或最有說服力的，實現知識發現;最后就是根據知識發現的內容，建立適用的信用評級模型。

第四步就是實施評級。根據知識發現的模型，開展對被評級對象的信用評級，生成評級報告，并對結論進行分析，幫助客戶理解評級結果。最后對整個項目的運行做全面總結。

在以上各個步驟中，技術上的重點和難點在于數據準備過程中的大數據轉化與機器學習過程中的大數據挖掘。大數據轉化的困難在于需要把各種各樣的非結構化半結構化數據轉化為可以被機器處理和學習的結構化數據，大數據挖掘則在于需要對數據進行理解，選擇最合適的數據挖掘技術實現知識發現。

2. 信用評級的實施路徑。信用評級的實施路徑可以分為內容計算和流計算。首先是內容計算。內容計算多采取主動方式獲取數據，方法是設置好信用信息發布源和信息采集時間段，針對信息源的原始信息格式，設計支持多協議的上站機，每隔一段時間對特定的信息發布源進行查詢，遇到新內容則馬上采集過來，再用于下一步的數據轉化和挖掘。

其次是流計算。流計算多采取被動方式，一般用于處理融資平臺上的流數據，具體做法是，后臺流程設計中在不同的數據流入環節設置不同類型的數據接入接口，及對接的流計算平臺，流計算平臺負責設置相應的處理規則，根據預設規則將流入的各類數據轉化成可以直接分析的結構化數據，從而實現實時的業務分析與判斷。

五、 基于大數據互聯網融資平臺信用評級風險管理策略

互聯網融資平臺在進行信用評級及提供資金時，處于風險管理重心的是對信息技術風險的控制。由于大數據自身的“4V”特性，且數據中包含的又是大量的用戶隱私信息，這使得信息技術風險主要產生在兩方面：一方面是大數據存儲的安全性風險，另一方面是大數據的收集和使用過程中對公民隱私權的侵犯風險，因此如何確保大數據的存儲安全及在使用時的隱私保護是一個挑戰，前者涉及到技術安全層面，后者涉及到制度安全層面。

在技術安全策略層面，可以采取的措施有：首先，應依托大數據加密技術對使用的數據實施加密管理，制定出完整的加密保護方案，包括數據密級的設定、加密技術的選擇、對密碼安全性的攻擊測試等;其次，嚴格網關管理，可以對不同類型的用戶制定不同的權限級別，嚴格控制訪問權限;最后，建立面向全平臺的數據實時監測引擎，第一時間對各類非法操作發出警告。

在制度安全策略方面，在當前尚無明確立法規范的環境下，要積極進行宣傳和游說，獲得政府主管部門和社會輿論的重視和支持，爭取早日出臺規范的數據獲取及共享標準，互聯網融資平臺的設計、管理和風控標準，從而把可能出現的信息技術風險限制在可控范圍內。

六、 結論和展望

互聯網融資平臺利用大數據技術進行信用評級，提供融資服務，與金融機構傳統的信用評級和融資服務相比，具有兩個方面的優勢：一方面，利用大數據技術進行信用評級能克服傳統評級方法靜態性、滯后性、局部性的缺點，為更多的社會成員提供融資服務，克服資金配置不平衡產生的馬太效應，體現技術上的優勢;另一方面，利用互聯網平臺進行大數據信用評級和融資服務，較傳統金融機構能產生更大的規模經濟效益，增加信用評級的深度和廣度。因此，基于大數據的互聯網平臺融資已成為互聯網金融的重要形式。今后除了要在理論上和實際操作中進一步發展和創新信用大數據挖掘技術和評級技術，也需要對信用大數據產業早日形成立法監管和行業技術規范，確保受信主體在獲得融資服務的同時自身權益不受侵害，促進本產業持續健康發展和全面信用型社會的建設。

參考文獻：

1. 何非，何克清.大數據及其科學問題與方法的探討.武漢大學學報，2014，（1）：1-12.

2.劉智慧，張泉靈.大數據技術研究綜述.浙江大學學報，2014，（6）：957-972.

3. K.Kambatla， G.Kollias， V.Kumar， et al.Trends in big data analytics.Journal of parallel and distributed computing，2014，74（7）：2561-2573.

4. 孫中東.大數據技術應用與銀行信用評級體系創新之探.金融電子化，2013，（11）：40-41.

5.蔚趙春，凌鴻.商業銀行大數據應用的理論、實踐與影響.上海金融，2013，（9）：28-32.

6.趙付玲，安鋒，張曉鋒.大數據時代商業銀行信息化問題淺析.金融理論與實踐，2013，（10）：56-60.

7. 孟小峰，慈祥.大數據管理：概念、技術與挑戰.計算機研究與發展，2013，（1）：146-169.

8. 王偉，宋西圣.中小企業信用增級與信貸風險防范.金融發展研究，2014，（4）：83-84.

基金項目：上海哲學社會科學規劃課題（項目號：2012BGL011）;上海市金融信息技術研究重點實驗室開放課題資助項目;國家自然科學基金資助項目（項目號：71372107）。

作者簡介：駱建文（1966-），男，漢族，浙江省杭州市人，上海交通大學安泰經濟與管理學院教授、博士生導師，研究方向為供應鏈金融、采購與供應管理;肖肖（1982-），女，漢族，湖北省黃岡市人，上海交通大學安泰經濟與管理學院博士生，研究方向為供應鏈金融。

收稿日期：2014-11-10。