淺析金融科技背景下我國征信體系建設進展

摘要：在金融科技快速發展的背景下，區塊鏈、云計算、大數據、人工智能等技術的快速迭代為征信業發展帶來了無限的可能性，我國征信體系建設步伐越來越快。本文針對當前金融科技在我國征信體系建設中的應用情況及不足之處，借鑒歐美國家的先進經驗，提出了加強法制建設、完善監管體系、提升信用評估模型以及構建大數據征信平臺等多種應對措施。

關鍵詞：金融科技：征信數據：監管體系

一、引言

隨著金融科技的快速發展，金融業迎來了巨大的變革。征信業通過有效運用互聯網、大數據、區塊鏈等技術，全面、及時、精準地對各類市場經濟主體的信用活動進行記錄，有助于準確評估交易對手的信用風險，減少違約事件，降低交易成本，提升資源配置效率。因此，在建立健全法律法規、強化頂層設計的前提下，征信新業態開始重視金融科技手段，這對于我國普惠金融的發展大有裨益，有助于我國社會信用體系建設邁上新臺階。

二、我國征信體系發展現狀

征信是指對企業、事業單位等組織（以下統稱“企業”）的信用信息和個人的信用信息進行采集、整理、保存、加工，并向信息使用者提供的活動。征信通過記錄經濟主體及時、準確、完整的信用活動，使信息的實時共享變成可能，提高了識別個體風險的能力，有效解決了借貸雙方之問信息的不對稱性，極大地提高了交易效率。

與發達國家相比，我國信用體系建設起步較晚，數據主要產生于金融系統的信貸交易。經過十多年的發展，逐步形成公共征信和社會征信相互補充的信用體系。所謂公共征信，主要是指國家信用信息基礎數據庫收錄的信息。截至當前，該數據庫已收錄了超過2600萬戶的企業、其他法人組織的信用信息以及近10億自然人的信用信息，信用信息數據來源于眾多的傳統金融機構，基本覆蓋了國內傳統信貸市場，共同構成我國信用體系的根基。所謂社會征信，指的是成立于2018年5月的百行征信，發起單位包括中國互聯網金融協會和8家市場化機構，該機構已成為我國唯一一家經人民銀行批準，允許從事個人征信業務的機構，目前已對接了超過600家機構的信用信息，并推出了個人信用報告等三種征信服務產品，是補充和完善人民銀行征信系統的重要組成部分。

三、金融科技開啟征信發展新格局

（一）金融科技助力征信業發展的現實案例

金融科技在征信領域的普及應用，正深刻地影響著個人信用數據內涵、外延及處理流程，解決傳統征信模型中預測變量較少、計算機運算能力較弱等問題，不斷優化、修正現有模型，從而有力推動征信產品的創新發展，擴大征信服務的覆蓋面，提高征信產品的預測準確性。金融科技已經與信用社會建設成為共同體，成為促進信用社會建設的強大動力。

1. SoFi（ Social Finance，lnc.）

長期以來，FICO信用評分體系在美國信用評級市場的主導地位不可撼動，它是在Equifax、Experian、TransUnion這三大美國傳統征信機構的數據基礎上開發的標準化評分體系，主要根據被評估對象的信貸記錄、信用賬戶數量、賬戶使用年限、總負債水平等因素得出對應的信用評分。在美國，使用FICO作為信貸決策主要依據的信貸機構超過92%。

SoFi（ Social Finance，Ine.）是一家創立于2011年的網貸公司。創立之初，SoFi便深入研究了美國學生貸款的違約情況，發現全美排名前200位的高校學生的平均違約率只有不到1.6%，遠低于整體平均違約率，于是便把目標客戶群定位在全美排名前200位高校的熱門專業學生，他們認為這個群體是未來各行業精英的起源。收入高但并不富裕的“HENRYs”（High Earners，Not Rich Yet）。雖然FICO信用評分是主流信貸市場的主要參照依據，但由于其征信數據主要來源于信貸記錄，對于信用歷史較短或無借貸記錄的人群，傳統的FICO評分可能無法準確刻面被評估對象的信用狀況。

SoFi借助互聯網、大數據等金融科技手段，大大拓展了傳統信用評分的覆蓋面，并通過綜合分析借款學生在校學習情況、未來發展前景等非傳統評估維度來做出信貸決策，征信預測模型的預測準確度大大提高。此外，SoFi根據個體信用情況提供差別化利率，以社交網絡為基礎，通過借貸雙方的特定社會關系形成信用基礎，降低違約率。

2.ZestFinance

ZestFinanee是一家為FICO評分低于500分的人群提供貸款服務的互聯網金融公司。在美國，FICO評分低于500分的人群占比不到5%，但信貸違約率超過90%。如前文所述，傳統信用評分模型主要參照被評估對象的信貸記錄、信用賬戶數量、賬戶使用年限、總負債水平等因素，僅包含幾十個由歷史信用信息組成的變量，往往難以準確評估借款人的還款能力及還款意愿，且借款人能通過“操縱”其中幾個變量來提高自身信用評分。

ZestFinance利用大數據技術及強大的模型開發能力，整合包括被評估對象的工作及收入狀況、房租繳納記錄、社交網絡信息等大量分散在不同信貸機構的局部數據信息，形成全局信息，利用超過7萬個變量分析被評估對象的行為，力求反映FICO評分極低人群的真實信用狀況，挖掘了傳統金融機構未觸及人群的需求，推動了普惠金融的發展。

3.芝麻信用

芝麻信用是螞蟻金服旗下提供征信服務的子公司。目前，大家熟知的淘寶、天貓以及支付寶等平臺，占據了我國網購及第三方支付的半邊江山，用戶在這些平臺上產生了大量交易數據，這些數據均被上傳到其征信平臺，作為信用評分的依據。

得益于大數據、云計算等金融技術的發展，阿里巴巴旗下電商平臺長期以來形成的大量、真實的交易數據為芝麻信用進行信用評分提供了可靠依據，且該信用評分已被廣泛應用于阿里巴巴旗下平臺的眾多場景，如免押金租房、免押金租車、酒店后付款等。這是對我國以政府為主導的征信體系的重要補充，對完善我國個人征信體系起到了積極作用。

（二）征信業發展面臨的機遇

金融科技的助力為征信業發展帶來的益處主要體現在以下幾個方面。第一，金融科技的發展擴大了征信業的市場空問。新興金融業態如P2P、互聯網保險等的產生，促使社會對全面、準確的信用評價的需求愈加強烈，從而催生出更多征信相關的產品。第二，金融科技的引入可以吸收更具多樣性的行為數據。過去，征信數據的收集效率比較有限。隨著互聯網和大數據的普及，依托大數據及云計算技術優勢，大量數據碎片問的關聯性得以被挖掘，信用風險評估的數據維度越來越廣，從而推動數據統計模型不斷迭代優化，得以更科學地反映用戶的信用狀況。第三，金融科技技術的引入使信用評估結果更為準確。例如，大數據征信模型吸收了海量數據，結合多種信用模型進行多角度分析，使得評估結果更加全面、準確，大大提高了模型的評估性能。第四，金融科技帶來了更具及時的評判標準。南于缺乏實效性數據的輸入，傳統風控模型反映的往往是滯后數據的結果，這直接導致結構性風險的增大。通過引入大數據的數據采集、云計算等技術，實時的風險管理視圖得以被建立。

四、我國征信業發展的現存問題

（一）信息安全存在風險隱患

目前，大數據、區塊鏈、云計算以及人工智能等技術在征信領域的應用實踐越來越多，由于網絡環境本身的虛擬性、快捷性，征信信息的安全保護問題就顯得更為突出。隨著金融科技領域的信息泄露事件頻頻被曝光，個人信息安全與征信數據應用之問的矛盾日益尖銳。在征信數據應用的開發與使用過程中，其中包含的隱私數據的收集無處不在，且難以有效地監管這些收集行為的告知義務是否履行：對個人而言，其隱私數據在互聯網的提交過程中呈現失控狀態，在這種情況下，無論是個人還是數據的使用者都難以控制隱私數據的應用情境。同時，引入云計算技術對大數據進行多維度驗證分析可能會暴露更多個人隱私問題，在信息的采集、保存和使用上都存在著很大的泄露風險。通過互聯網獲取信息更為容易，犯罪成本更低，征信信息被販賣的風險也會加大。此外，當前信息主體的風險意識普遍較弱，信息主體在互聯網上錄入個人信息時具有隨意性，從而加劇了信息安全風險。

（二）現有法律制度及監管機制無法適應新形勢下的征信體系

雖然我國已經制定《征信業管理條例》（以下簡稱《條例》）來規范征信行業的發展，但該條例的效力層級較低，制度較為分散，不成體系，且規則不夠完善。而且《條例》出臺于2013年，是基于傳統征信行業而制定的，當時金融科技這一概念尚未被明確。因此，在互聯網快速發展的背景下，很可能出現《條例》無法適應金融科技時代征信業發展的情況。例如，《條例》明確規定了中國人民銀行通過現場檢查對征信行業進行監管的權利，但大數據征信“虛擬化的信息搜索和整合以及數據庫的生成”這一基本特點決定了傳統的檢查手段無法滿足對大數據征信的有效監管。此外，作為我國最主要的征信監管機構，人民銀行不僅是征信行業的監管者，也是金融信用信息基礎數據庫的建設者和維護者。在整個監管體系中，缺乏不從事征信市場業務的獨立第三方監管機構。行業內還未成立征信業相關的組織或協會，不利于行業機構規范經營理念的形成。

（三）數據的準確性及模型的確立有待檢驗

在我國利用大數據等金融科技手段從事征信業務的機構中，大多呈現出一種“自給自足”的狀態，即依靠內部生態系統來進行數據的采集，這會導致信用評價不準確的情況發生，如本集團產品的忠實用戶容易獲得高評分，而一般用戶評分往往較低。即使收集征信數據的機構能有意識地做到客觀公正，“信息孤島”的存在仍將在很大程度上影響信用評價的準確性。目前，用戶的征信信息大多分散在各自獨立的數據庫中，各家機構采集的數據僅限于內部生態系統。而且，以社保信息、公積金信息、水電氣繳費信息等為代表的政府公共信息仍未完全實現互聯共享。因此，僅僅依靠各個獨立的征信機構內部數據難以支撐新時代征信業的全面發展。除此之外，傳統征信數據模型在確定之前已發展了近百年，且目前仍在不斷完善中，金融科技時代征信數據模型的確立及實踐效果勢必要經過長時問的檢驗。

五、國外征信體系建設的經驗總結

（一）個人權益保護

在歐盟出臺的《數據保護法》里明確規定，沒有征得本人同意的情況下，禁止披露涉及民族問題、種族問題、宗教信仰等方面的敏感話題。對于信息的采集時信息主體的知情權，國家各有特點。其中，德國的相關法律中規定，收集個人信息時，要經過信息主體的同意后給予書面授權，并向信息主體解釋清楚信息的用途之后，才能進行信息采集。而美國則采用了“選退”模式，也就是說信息主體可以拒絕征信機構采集個人信息的行為。如果遇到信息主體的身份信息泄露，他們有權在征信報告中免費設置預警，也可以申請安全凍結信用申請。同時，美國信用報告可以對個人的負面、正面情況進行全面展示，這有利于征信機構全面了解信息主體的綜合情況。

（二）法律法規建設

自20世紀60年代起，美國就開始制定信用相關的法律，目前共出臺了17部涉及個人征信的法律。在第1部個人征信行業法規《城市信貸法》以及第2部最具代表性的《公平信用報告法》出臺后，義相繼頒布了15部法律。這17部法律涵蓋信息的收集、公布、使用和信息準確性的保證等多個方面，各部法律互為補充，共同促進征信行業的規范發展。除美國外，歐盟國家在數據立法方面亦處于超前地位。1978年，法國出臺《信息技術與自由法案》，規定信息收集的授權、目的、用途必須被公開，不得影響信息主體的私生活;1981年，歐盟發布《個人自動文檔保護公約》，規定了敏感數據、個人知情權及跨國數據傳輸等內容：1984年，英國出臺《數據保護法》，明確規定信息泄露的信息主體享有賠償權;2012年，歐盟出臺《歐盟數據保護條例》，該條例涵蓋數據安全處理、數據外泄及響應措施、數據主體授權等多個方面，是歐盟數據保護法律制度的核心。

（三）信用評估模型

依托互聯網金融和大數據技術，大數據征信在國外市場上的創新應用也在不斷增加。國外三大征信機構（ Ex-perian、Eauifax、Dun&Bradstreet）和FICO都展開了利用大數據技術來完善傳統信用評估體系的前瞻性研究探索，如Experian開始關注社交網絡數據對信用評分的影響、FICO開始在線評估的信息一廠-具和基于互聯網的信用評估系統項目研究。最具領先地位的是美國互聯網金融公司Zest-Finance，它作為大數據征信的先行者，除了將傳統征信體系中的決策變量，還將社交網絡、互聯網行為等能夠影響用戶信用的其他因素也運用到信息主體的評估坐標中，通過大數據挖掘和模式開發，評估出信息主體的真實信用狀態。ZestFinance可以處理超過3500個數據項，提取近7萬個變量，利用身份驗證模型、欺詐模型、預付能力模型、還款能力模型等十幾個模型同時進行分析，使得評價結果更加全面準確、評估性能大大提高。繼ZestFinance之后，國外越來越多的征信公司如德國的Krediteeh、美國的Kahbage均采用上述基于大數據技術的信用風險評估框架。

（四）數據維度

歐美國家在信用模型上的創新除了納入傳統的金融信貸信息外，還使用大量的網絡數據，包括消費及財務數據、智能手機記錄數據、日常活動數據、社交媒體緩存數據等等，通過多維度的征信數據對個人征信進行更為全面的評估。例如，美國公司TransUnion采用傳統信用數據、替代信用數據（租賃及公共設施支付信息等）、公共記錄和專有數據庫（醫療資格及房租交付信息等）相結合的多維數據：ZestFinance更是遵循“一切皆為信用”的基本原則，從還款能力和還款意愿兩個方面切入，將一切可利用的數據運用到信用評估中，內容涵蓋個人收入、稅務信息、搬家情況、網絡點擊記錄甚至書寫習慣等信息。

六、我國個人征信體系建設的措施

（一）完善征信法律法規，構建新型征信業務規則

針對我國征信法律體系中的空白領域和模糊地帶，完善現行征信法律法規，將金融科技時代的征信業務納入現行征信法律法規體系之中，明確這一領域的數據采集、數據質量、數據處理、數據使用等相關規則，尤其是對征信數據的采集范圍、使用原則和信息安全等問題，應做出明確的法律安排。法律體系的建立不是一蹴而就的過程，應根據金融科技背景下的征信業務在開展中面臨的挑戰和個體的訴求不斷地對法律法規進行補充修改，最終構建成全面合理的征信管理體系。

（二）打破“信息孤島”壁壘，構建大數據征信平臺

首先，通過健全信息公開制度，政府信用信息的共享程度不斷提高。整合各類政府部門的信息資源，構建完善的社會信息平臺，有利于信息資本向資源資本的轉化。其次，通過完善立法框架和體制，為實現共享大數據提供了制度保障，有利于數據資源的共享和接入。雖然，當前我國已經建立了信息共享的交換機制，但依然存在“信息孤島”，數據壁壘阻礙了信息的共享程度。這就要求加快征信標準和格式的統一，破除數據資源的壁壘，推動數據問的深度融合。再次，要建立行業協會組織，提供行業數據信息的透明度，打破資源壁壘，推動征信機構之間的協調、溝通與發展，使得數據信息得到最大限度的聚合，進而實現真正的“大數據效應”。

（三）提高數據質量，提升信用評估模型的準確性

征信數據維度的擴充，勢必會導致數據錯誤、數據遺漏、數據丟失等現象的加劇。這就需要結合交叉驗證、數據清洗等多重技術，有效識別用戶身份，抓取遺漏的數據，從而確保數據的真實、完整、有效。與此同時，應在吸收、借鑒國外創新模型的基礎上，不斷完善現有信用評估模型，發掘數據與信用風險問的關聯性。通過綜合分析用戶屬性、商品信息、過往交易記錄及評價信息等，預測用戶的違約率和逾期率，提升信用評估模型的準確性和有效性。最后，還應逐步擴大信用評估模型的適用群體范圍，避免對同集團下活躍度不夠的用戶信用評價不公的問題。

（四）順應金融科技發展趨勢，健全征信監管體系

我們要積極探索金融科技背景下征信行業的監管措施。首先，將機構監管與行為監管相結合。對于掌握海量數據的企業，應在監管業務主體和業務本身的基礎上，重點監督其信息來源、采集范圍、業務流程及使用行為等多個方面。其次，將分類監管與動態監管相結合。針對不同種類和規模的征信機構，嚴格實施市場準入、非現場檢查及現場檢查相結合的監管流程：此外，針對以大數據、云計算為特點的征信業務，加快建立事前、事中、事后全面監督體系。

參考文獻：

[1]朱煥啟.金融科技在市場化個人征信領域的應用前瞻[J].金融電子化，2018（12）：41-44.

[2]呂娜.關于互聯網金融個人征信的幾點思考——以芝麻信用為例[J].時代金融，2017（11）：66-69.

[3]舒南，陳燕，路昊天.互聯網金融模式下征信存在的問題及策略研究[J].中國管理信息化，2018（ 14）：103 -105.

[4]崔立群.基于互聯網金融平臺的大數據征信應用研究[J].時代金融，2018（4）：21-23.

作者簡介：

劉茜，廈門國際金融技術有限公司，上海。