互聯網金融信用風險分析與大數據征信體系構建

趙海蕾 鄧鳴茂 汪桂霞

摘 要：互聯網金融中的信用風險一方面表現為更為微型的客戶對象導致的信用風險，一方面表現為互聯網金融平臺導致的信用風險。互聯網金融中的信用風險產生原因包括缺乏完善的征信體系、缺乏嚴格的信息披露機制、缺乏全面的風險控制手段以及缺乏明確的法規監管。傳統中央銀行為主導的線下征信體系覆蓋率低、成本高并且相對封閉，大數據征信依托多樣化、高頻率和高體量的非結構化數據，通過搜集和處理能夠反映主題行為習慣的全方位、多維度信息，構建反映其性格特征、身份特質、履約能力等多維度的定量模型，利用各種算法推斷其信用特征，并獲得量化信用評估結果。大數據征信體系發展需要鼓勵建立行業協會、規范產品標準和重視數據隱私保護。

關鍵詞：互聯網；金融信用；風險征信體系

1 互聯網金融中信用風險的表現

互聯網金融是以互聯網為資源，大數據、云計算為基礎，采用新金融模式運作的一種新興行業。根據國際電信聯盟（ITU）2014年11月24日發布的《2014年測量信息社會報告》，2014年全球網民共30億，占居民總數的40.4%。中國作為最大的發展中國家擁有世界1/5的網民。根據中國互聯網絡信息中心（CNNIC）發布的第35次《中國互聯網絡發展狀況統計報告》，截至 2014 年 12 月，中國有6.49 億網民，12億手機用戶中有5.57 億手機網民。3.04億用戶使用網上支付，網民中使用網上支付的比例為46.9%；手機支付用戶規模為2.17億，網民中手機支付的使用比例為39.0%。購買過互聯網理財產品的網民規模達到7849萬，在網民中使用率為12.1%。

謝平和鄒傳偉將互聯網金融定義為以互聯網為代表的現代信息科技，特別是移動支付、社交網絡、搜索引擎和云計算與金融相結合的，既不同于商業銀行間接融資、也不同于資本市場直接融資的第三種金融融資模式。2014年謝平、鄒傳偉和劉海二撰寫的《互聯網金融手冊》中，互聯網金融被定義為一個譜系概念，涵蓋因為互聯網技術和互聯網精神的影響，從傳統銀行、證券、保險、交易所等金融中介和市場，到瓦爾拉斯一般均衡對應的無金融中介或市場情形之間的所有金融交易和組織形式。李耀東和李鈞則認為，互聯網金融并不簡單是具有互聯網技術的金融，而應該是基于互聯網思想的金融，即服務長尾市場、普惠和去中心化的金融。主要特點為服務于長尾市場；具有海量用戶；關注個性化需求；重視創新；正視風險；重視用戶體驗；重視開放性；重視社會化營銷。

所謂信用風險即客戶未能按期還本付息，或者說債務違約導致的風險?；ヂ摼W金融中，信用風險主要表現為兩種類型：互聯網金融中客戶特征導致的信用風險，以及互聯網金融平臺特征導致的信用風險。

1.1 互聯網金融的用戶特征導致的信用風險

一方面，互聯網金融服務的客戶對象往往是傳統銀行信用體系未能覆蓋的群體，對這些群體的信用風險的度量往往需要更為專業的手段。以P2P網貸平臺的鼻祖，成立于2005年3月英國的Zopa（Zone of Possible Agreement）為例，他們發現存在著“自由組織者”的群體，即自雇、從事項目的或者自由職業的非“全職”就業者，如顧問和企業主等，他們的收入和生活方式很不規律，盡管具有信用能力，卻由于不符合傳統金融信用要求中穩定收入證明等要求，無法得到傳統金融機構充足的信貸服務。Zopa的團隊估計在英國約6000萬總人口中有600萬的“自由組織者”，并且預測在未來的10到15年，選擇這種生活方式的人會越來越多，傳統金融機構只重視客戶生活和收入的穩定性而忽視了這一趨勢。針對這一目標群體提供互聯網金融服務，Zopa發展迅速，從誕生時只有300個用戶，幾個月內用戶量就超過了25000人，2012年注冊用戶超過90萬，2014年末累計發放貸款超過7億英鎊（約10.55億美元），一舉成為英國最大的P2P網貸平臺之一。

另一方面，國內互聯網金融的借貸主體是資金規模小、很難在統金融機構獲得貸款的小微企業以及工薪階層甚至學生群體等。從銀行服務的企業客戶來看，銀行對公司貸款中80%左右的貸款投放給大型國有企業和中型企業，貸款額度一般在500 萬以上，小企業貸款和個人消費經營貸款僅占20%左右，額度一般也在50 萬以上，平均200-300萬左右。而互聯網金融主要服務小微企業，貸款金額遠遠不能達到銀行的貸款金額標準。以阿里小微信貸為例，截至2013年二季度末，阿里小微信貸累計發放貸款超過1000億元，戶均貸款僅僅4萬元。阿里小貸最大的特點是“金額小，期限短，隨借隨還”。訂單貸款作為淘寶、天貓賣家使用最頻繁的信貸產品，要求支付萬分之五的日利率。2012年，所有客戶年均使用30次訂單貸款，平均每筆貸款周期為4天，全年實際融資成本為6%。阿里小貸單筆貸款的操作成本極低，僅為2.3元，與銀行2000元左右的單筆信貸操作成本形成巨大對比。

互聯網金融服務的個人客戶也同樣具有資金規模較小的特征。以螞蟻金服的個人客戶為例，由于螞蟻金服的大部分個人客戶都開設余額寶賬戶，所以旗下各種產品的用戶基本都是余額寶的一個子集。根據天弘基金的年報數據，截至2014年底余額寶開戶數1.84億戶，戶均賬戶余額3，133.47元。而截止2014年12月，工商銀行開戶數4.65億，招商銀行開戶數5600萬，北京銀行開戶數1137萬；工商銀行、招商銀行和北京銀行的個人存款總額分別為71，886.07億元、10，930.27億元和1，851.29億元，可以算得戶均存款余額分別為15，459.37元、19，518.34元和16，282.23元，銀行體系內客戶平均存款余額為余額寶客戶平均余額的5倍。這一方面反映了傳統銀行業依然是個人存款的主要方式，另一方面也反映了互聯網金融面對的客戶群體總體來說金額較低，風險更大。

1.2 互聯網金融的平臺特征導致的信用風險

根據網貸之家的數據，截止2015年5月底，正常運營的P2P平臺有1946家，累計問題平臺數量661家，占全部平臺總數的四分之一。P2P網貸行業貸款余額達1932.14億元，歷史累計成交量已突破6000億元。（表1）

從網貸平臺的市場份額來看，各網貸平臺競爭激烈，彼此差異不大，排名前十的網貸平臺貸款余額合計僅占市場總份額的1/3左右，這與國外成熟市場形成鮮明對比。以英國P2P平臺為例，排名居前的ZOPA、RateSetter、Funding Circle、MarketInvoice這四家P2P平臺的市場份額就占行業份額的70%左右。美國P2P行業基本為Lending Club和Prosper兩家平臺所壟斷，合計占有96%的市場份額。

不僅網貸平臺尚處于群雄爭霸，一片混戰之中。網貸平臺良莠不齊，問題平臺頻頻出現。根據網貸之家的數據，截止2015年6月，已經320家網貸平臺跑路，336家網貸平臺出現提現困難，73家網貸平臺停業，另外7家網貸平臺由刑偵介入。

除了網貸平臺自身惡意欺詐投資者出現信用風險之外，網站自身由于技術問題也會發生信用風險?；ヂ摼W金融依托計算機、互聯網、各類移動終端、數據庫以及各類軟件系統而運行，互聯網的開放性使得互聯網金融高度暴露在系統性故障以及網絡黑客、計算機病毒、惡意代碼等的攻擊之下。利用系統漏洞和平臺設計缺陷，黑客可以通過侵入核心信息系統來獲取客戶信息乃至盜用客戶資金；而計算機病毒、惡意代碼等的擴散，也可能引發系統性崩潰。傳統金融中只會導致局部損失的技術風險在互聯網金融中會威力倍增，一旦發生安全事故，極容易引發聲譽風險和擠兌等連鎖反應，甚至可能由于信任危機和流動性風險，導致風險從互聯網金融向傳統金融擴散。由于中國互聯網金融普遍未能掌握具有自主知識產權的芯片制造和操作系統開發技術，因此對于引進的國外技術是否存在后門、漏洞等情況并不了解，只有通過增強相關軟硬件設備的自主研發設計以及制造水平，才有可能解除對國外技術的依賴。通過建立行業內的溝通和協調機制，制定具有國際領先性的行業技術標準，有助于預防選擇性技術風險的一再重演；從長遠來看，還應積極參與制定國際新型金融技術標準，因為只有擁有制定標準的發言權，才能在未來國際金融業務中掌握主動權。

2 互聯網金融信用風險的成因

2.1 缺乏完善的征信體系

由于中國人民銀行對股份制商業銀行和地方銀行的強勢控制，2004年成立的中國人民銀行征信中心的個人征信數據庫建設工作采取自上而下的模式，經過10年時間實現了8億人口的覆蓋，但是截止到2013年底，央行銀行個人征信系統中有信貸記錄的自然人僅為3.2億，占13.5億人口中的23.7%。央行征信數據搜集的信息維度比較少，主要包括個人基本信息（身份證號），以及所持有的信用卡、銀行卡消費、取現、轉賬等記錄等。僅僅依靠這些信息無法全面反映一個人的信用狀況，遠遠未能滿足借貸市場的需求，很多沒有信用卡或從未跟銀行發生借貸關系的人群很難獲得信貸服務。而在美國，征信體系的覆蓋率已經達到了85%。

中國互聯網金融行業面臨的數據不充分、信息不真實挑戰，使得人力采集數據仍然是主要方法之一，國內大多數P2P公司都主要是線下模式，千人員工以上的P2P平臺不在少數，有些知名平臺員工總數甚至超過了萬人。對于用戶信用審核的風控偏重于銀行卡交易等流水的審核，國內整個P2P行業中信審人員所占比重非常大，使得國內P2P平臺的成本控制很困難，線下銷售和進行盡職調查的成本（包括對應的人員工資）要占到整體成本一半以上。預先批準、自動決策、風險定價等定量技術在中國尚屬稀缺，由此導致的客戶獲取成本居高不下。美國信貸業的獲客成本約為200-300美元（購買一條征信數據、加一個信封郵票、加人工處理費大約每個邀請函成本1-2美元，除以低于1%的響應率），而中國信貸業面臨的線下獲客成本高達上千美元，這是導致借款人融資成本高、風險質量低的主要原因。

P2P借貸高度依賴線下團隊進行征信，這一現狀存在嚴重的弊端。

第一，線下征信屬于勞動密集型工作，對人力、物力投入需求極高，提高了整體信貸成本，造成不經濟性。對于額度較小的信用借款來說，其高昂的征信和審貸成本給借貸雙方造成巨大壓力，迫使借貸平臺更傾向單筆金額高的借款，長此以往，P2P借貸的普惠價值和補充作用將被逐漸損蝕。

第二，線下征信具有較強的主觀性，不利于形成標準化的征信技術。不同平臺的征信流程、資料搜集重點不盡相同；即使在同一平臺，采用了標準化的線上評估方式，不同信貸員、審貸員的風格、特點也導致信貸報告千差萬別。這種差異導致征信標準的割裂，不利于信用資源的互通互享。

第三，線下征信的高成本阻礙了征信數據的共享。由于各個平臺花費了大量人力、物力進行線下征信，這些征信數據被視為核心資源乃至核心競爭力，與其他平臺、征信組織的共享意愿大大減弱，導致重復征信和征信資源的浪費。

第四，線下征信的高昂邊際成本還妨礙了行業的高質量擴張。盡管近幾年的國內P2P借貸行業發展迅猛，但主要依靠人力、資金等非技術要素的投入增加來支撐，這使得P2P借貸日益成為勞動密集型、資金密集型行業，體現的是粗放式增長，未能發揮其技術創新優勢，常常招致批評。

缺乏社會化征信體系，還導致另一弊端。國內大多數P2P平臺申請借款人的數據由用戶自行提交，在真實度上會大打折扣，存在很大的漏洞和風險；而國外的做法則多是通過大數據的采集和購買第三方數據等方式獲取，能夠保證信用資料的客觀性和真實性，以及效率。

2.2 缺乏嚴格的信息披露機制

目前普遍的情況是：P2P網貸平臺、專業放貸人賬戶、信用評估機構、投資者（理財）服務機構、借款人服務機構都屬于同一控制人，具有極高關聯性。債權的評級方和出售方具有極高關聯性，投資人服務機構和借款人服務機構具有極高關聯性，負責為資金交易和信息交易提供服務的機構也具有極高關聯性。這些具有極高關聯性的企業缺乏相互之間信息披露的監督動力，很難保持其公正性、獨立性和客觀性。在客戶篩選、信用評估、貸款發放、資金結算、債權轉讓、逾期貸款追討等關鍵環節的操作都依托關聯性極強的機構完成；即使在真實債權信息的前提下，缺乏第三方監督和嚴格的信息披露，由高關聯性引發的種種道德風險，如虛假增信等的可能性普遍存在。

而且，國內P2P平臺的出借人和借款人之間信息是不完全透明的。雖然國內眾多P2P平臺都在強調信息透明、充分披露，但是能夠做到這一點的寥寥無幾。絕大部分平臺出于不同的目的，針對每筆交易的信息披露都十分有限，有些甚至連借款人的基本信息都寫得十分模糊。但是國外P2P平臺會讓所有的借款客戶知曉出借人是誰，其經營理念是，平臺需要讓出借人充分知道借款人情況，信息越清晰、越透明，違約率越低。目前國內P2P行業從來未曾公開過任何形式的資產質量報告，即使有壞賬率也都是自己報的，缺乏公信力。在貸后催收部分，國外更多采取外包催收，運用多種信息科技手段，黑名單共享；而國內主要做法還是雇傭大量催收人員，黑名單也完全不共享。

2.3 缺乏全面的風險控制體系

目前，國內P2P平臺普遍采用資金托管和第三方擔保作為風險控制的主要措施。所謂資金托管，就是資金流運行在第三方托管公司，不通過P2P平臺的銀行賬戶。在實際操作中，貸款人和借款人分別通過第三方支付開通自己的賬戶，貸款人可以實時了解信貸資金的準確去向；平臺也在第三方支付開通商戶賬號，但僅限于進行資金解凍和退款這兩種操作，沒有轉賬與提現操作的權限。如果貸款招標順利完成，資金會從貸款人賬戶進入借款人賬戶；如果貸款招標失敗，資金會被退回貸款人賬戶。理論上來說，開通了第三方資金托管的平臺無法直接接觸投資人的資金，可以避免平臺因為經營不善挪用交易資金而給交易雙方帶來風險。正因如此，目前許多P2P網貸平臺將第三方資金托管作為標配，將其奉若提升信譽的“法寶”，投資者對此也頗為認可。據網貸平臺賬戶最大的資金托管機構匯付天下發布的《匯付天下P2P行業發展報告》，近八成投資人重視平臺是否有第三方托管。

除了第三方托管之外，第三方擔保也是P2P平臺采取的主要風控措施。在《融資性擔保公司暫行管理辦法》中規定，擔保公司的杠桿不得超過10倍。但P2P平臺的擔保公司凈資產一般只有百萬甚至數十萬，而平臺上卻可能有上千萬的貸款余額，這就大大超過10倍杠桿的要求。其后果是一旦P2P借貸平臺出現10%的壞賬風險，在10倍杠桿下就超過了擔保公司的支付能力，P2P平臺就只能破產了。

2.4 缺乏明確的金融監管機制

我國整體法制建設處于逐步完善和健全的過程中，關于互聯網金融方面的法律法規更是寥寥無幾。除中國人民銀行發布的《網上銀行業務管理暫行辦法》、銀行業監督管理委員會發布了一些管理規定與操作指引外，《商業銀行法》、《中國人民銀行法》中僅僅針對互聯網金融業務進行了少量規定。2014年8月上海公布了《關于促進本市互聯網金融產業健康發展的若干意見》，成為全國首個省級地方政府促進互聯網金融的發展意見。

目前中國的金融監管實行分業監管模式，但在實踐中越來越多的金融機構持有多種金融業務的牌照進行混業經營，互聯網金融的興起對于分業監管還是混業監管提出新的挑戰。從經營模式來看，網絡金融超市屬于典型的混業經營模式，金融機構不僅在網站上推出投資儲蓄、貸款、證券、保險、基金、外匯、結算、托管、理財等一站式金融服務，設立網上商城為廣大企業和個人提供專業化的電子商務和金融支持服務，并且加強與電子商務平臺之間的合作，遠遠超越了在傳統金融運行模式下所能經營的業務品種和模式。相對于傳統金融，互聯網金融剛剛興起，既沒有明確的法律依據，也缺乏有效的外部監管，平臺發起人還往往缺乏金融背景和經驗，因此互聯網金融的發展將對監管法規、監管能力等方面提出全新的挑戰。

P2P網絡借貸在國外經過將近十年的發展，已經比較成熟，監管法規體系也比較完善。美國將P2P網絡借貸納入民間借貸的范疇，在《消費者信用保護法》和《誠實信貸法》等有關法律的監管下運行。而我國的P2P網絡借貸由于還沒有規定明確的監管部門，P2P網絡借貸大多由缺乏金融監管經驗的工商部門負責監管，極大增加了平臺發生信用風險的可能性。因而需要及時完善相關法律法規，理清監管職責，加強督管力度，以防止平臺信用風險的發生。

3 我國互聯網金融大數據征信體系的構建

大數據的介入，正改變著征信行業。大數據征信依托多樣化、高頻率和高體量的非結構化數據，通過搜集和處理能夠反映主題行為習慣的全方位、多維度信息，構建反映其性格特征、身份特質、履約能力等多維度的定量模型，利用各種算法推斷其信用特征，并獲得量化信用評估結果。大數據征信使用的數據包括傳統的銀行業信貸記錄、消費記錄、身份數據、社交數據、經營數據，以及日常活動和偏好數據、特定場景下的行為特征數據等。大數據不僅為征信業發展提供了廣泛的數據信息來源，同時也改變了征信產品的生產流程，成為了我國征信業發展的重要助力。

目前，可以用來支持互聯網征信模型的大數據具有六大來源。

第一是電商大數據，比如阿里巴巴提供的芝麻信用分。阿里旗下的支付寶實名用戶超過了3億，日數據處理量在30PB以上，相當于5000個國家圖書館的數據總量，涵蓋支付、投資、消費、社交、公益、交通等多種消費場景，芝麻信用采用國際上通行的信用評分方法，最低350分最高950分，這與美國FICO分（300至850）相似，分數越高代表信用程度越好，違約可能性越低。芝麻信用的評分模型主要包括信用歷史、行為偏好、履約能力、身份特質、人脈關系五個維度。人們在日常生活中點點滴滴的行為，通過長期積累，這些行為軌跡和細節，可以全面判斷其信用狀況。

第二是信用卡類大數據，根據信用卡申請年份、授信額度、消費金額、消費次數、消費種類、消費場所、卡片等級、還款記錄等作為信用評級的參考數據。代表性企業是成立于2005年的“我愛卡”，依據自身積累的數據利用FICO信用評分模型來發放互聯網金融小額信貸。

第三是社交網站大數據，代表性企業為騰訊公司，騰訊擁有最多的社交用戶，包涵最復雜的人際社交關系，旗下QQ的月活躍用戶8億多，微信用戶接近5億。騰訊征信的評分模型主要包括四大因子：安全指數（是否實名認證、是否開通數字證書、過去一段時間更換手機號碼的次數等）；消費指數（過去一段時間內騰訊業務、游戲、生活服務類消費次數等）；財富指數（財付通賬戶余額、理財通財富、QQ號價值等）；社交指數（QQ登陸場所、微信有紅包及資金往來的好友占比）。騰訊征信采用七級信用評級法，分別用不同的星級代表信用等級。五星代表較高的信用評級，六至七星代表特高信用評級。

第四是小額貸款類大數據，包括信貸額度、違約記錄等。由于單一企業信貸數據的量級較低、地域性較強，業內共享數據的模式正被逐步認可。

第五是第三方支付大數據，根據用戶消費數據進行信用分析，支付方向、月支付額度、消費品牌都可以作為信用評級數據。比如考拉信用評分主要依托拉卡拉的支付數據，利用FICO評分法、回歸、分類、Web挖掘和神經網絡技術，主要按照五個維度：履約能力、身份屬性、信用記錄、社交關系和交易行為進行信用評估。

第六是生活服務類網站大數據，包括水、電、煤氣、物業費交納等，能夠客觀真實地反映個人基本生活信息。比如持有華道征信15%股份的新奧資本，是新奧集團旗下從事股權投資和投資管理的平臺公司，旗下新奧能源是國內規模最大的清潔能源分銷商之一，掌握大量居民燃氣數據。華道征信的數據主要包括五個方面：信貸數據、公安司法數據、運營商數據、公共事業數據、網絡痕跡數據。

2015年1月5日，央行頒布《關于做好個人征信業務準備工作的通知》，要求芝麻信用管理有限公司、騰訊征信有限公司、深圳前海征信中心股份有限公司、鵬元征信有限公司、中誠信征信有限公司、中智誠征信有限公司、拉卡拉信用管理有限公司以及北京華道征信有限公司八家機構做好個人征信業務的準備工作，準備時間為六個月。（表2）

根據即將獲得征信牌照的八家征信機構的產品特點可以看出，目前各征信機構數據來源、統計口徑、評分模型、評分標準等各方面都存在巨大差異。建立征信行業協會，加強數據共享，重視數據隱私，建立征信產品規范，統一行業標準，將是中國互聯網金融中大數據背景下征信體系建設的重點。

參考文獻：

[1]國際電信聯盟.Measuring the Information Society Report 2014[R].ITU，http：//www.itu.int/en/ITU-D/Statistics/Documents/publications/mis2014/MIS2014_without_Annex_4.pdf，2014-11-24.

[2]中國互聯網絡信息中心.中國互聯網絡發展狀況統計報告[R]，CNNIC，http：//www.cnnic.cn/hlwfzyj/hlwxzbg/201502/P020150203551802054676.pdf，2015-02-03.

[3]謝平，鄒傳偉.互聯網金融模式研究[J].金融研究.2012（12）：11-22.

[4]謝平，鄒傳偉，劉海二.互聯網金融手冊[M].北京：中國人民大學出版社，2014.

[5]李耀東，李鈞.互聯網金融：框架與實踐[M].北京：電子工業出版社，2014.

[6]芮曉武，劉烈宏.中國互聯網金融發展報告（2014）[M].北京：社會科學文獻出版社，2014.

[7]劉琪.第三方資金托管成P2P標配真假托管難辨[N].證券日報， 2015（06）13.

[8]趙海蕾，鄧鳴茂，汪桂霞.互聯網金融中的大數據征信體系構建[J].經濟視角，2015（04）：18-21+65.