共享金融模式下信用數據共享的演化博弈分析

張 新，張玉明，孫永坤

(1.齊魯工業大學(山東省科學院) 金融學院，山東 濟南 250100；2.山東大學 管理學院，山東 濟南 250100；3.山東大學 經濟學院，山東 濟南 250100)

一、引 言

隨著共享經濟的迅猛發展，共享金融已成為主流金融模式之一。共享金融主要借助互聯網等技術手段，實現資金供給者與需求者的直接對接，通過降低融資中的信息不對稱以及交易成本等途徑，降低社會融資成本，使金融資源得到優化配置，為破解小微企業融資難、融資貴等世界性難題帶來了福音[1-2]。相較于傳統的融資模式，共享金融天然存在對信用數據共享的內在需求。目前，我國的信用評價體系并不完善，信用共享機制還在摸索之中。現有征信體系的主干是中國人民銀行征信系統，其信息來源主要是商業銀行等金融機構。截至2014年央行征信系統已涵蓋了8.5億人的信息，但是其中真正有信用記錄的只有3億多人，大部分人并沒有借貸記錄，難以評定其信用等級(1)P2P網貸平臺的對象主要是個人和小微企業，這些客戶在央行的征信系統里幾乎沒有信用記錄，信息不對稱問題嚴重。。現有的征信體系也沒有將廣大消費群體的日常生活、網絡消費、社交往來及收入信息等數據包括在內，這顯然無法構建能夠滿足共享金融發展所需的信用數據體系。

在我國，互聯網經濟蓬勃發展，形成了一批像百度、阿里、騰訊這樣的互聯網巨頭，他們分別掌握著中國的信息型數據、交易型數據和關系型數據。發展至今，這些企業都有各自信用數據的采集和處理方式，他們在發展信用數據共享體系方面具有特殊的地位與優勢。央行曾經對這些互聯網企業寄予厚望，并于2015年“欽點”8家征信機構開展個人征信業務，希望其能順應潮流、以開放的心態參與到全民信用數據共享體系的建設中，但是結果不盡如人意。8家征信機構各自為營、互不共享，導致“數據孤島”的局面無法破解，而“數據孤島”所帶來的弊端是顯而易見的。首先，我國的信用體系建設缺乏統籌規劃和頂層設計，諸如阿里、騰訊等大型互聯網企業各自建立和完善其信用評價體系，這必然存在著重復建設、資源浪費的問題。其次，由于不同征信機構和企業所收錄的信用數據單一(如阿里主要是電商數據，騰訊主要是社交數據)，又缺乏信用數據的有效關聯和共享，這些局部的信息無法整合為全面的個人信用評價，很難幫助信用信息的使用者做出更加正確的決策。因此，研究信用數據共享難題的形成機理，對破解“數據孤島”困境、完善信用數據共享體系、促進共享金融的蓬勃發展具有重要意義。

二、文獻綜述

共享金融是近年來學術界關注的焦點，學者們對于共享金融的發展模式與積極作用等進行了較為深入的研究，并對共享金融所具有的風險及其產生的原因展開了積極探討。謝平和鄒傳偉(2012)提出了互聯網金融模式的概念，并將其視為除商業銀行間接融資模式以及資本市場(股票市場和債券市場)直接融資模式外的第三種融資模式，認為互聯網金融模式可以有效降低融資中的交易成本，提高金融資源配置效率，產生巨大的社會效益[3]。曹鳳岐(2015)指出以P2P網絡借貸、股權眾籌等為代表的共享金融模式是一種具有革命性的新型融資模式，極具創新性，共享金融將會顛覆傳統融資模式，推動金融市場的快速發展[4]。此外，楊濤和姚余棟(2015)認為中國融資體系存在“錯配現象”，融資難、融資貴的問題長期困擾著中小企業，共享金融改變了金融供給曲線以往的“臂彎”狀態，使中小企業融資狀況得到了改善[5]。

雖然共享金融會產生諸多積極影響，但是隨著其快速發展，它帶來的風險也逐步暴露。Lin等(2013)指出受制于信用體系及法律法規不健全等原因，P2P網絡貸款等共享金融模式面臨著較嚴重的信息不對稱問題[6]。俞林等(2015)研究發現，由于缺乏統一的信用評價體系等原因，共享金融行業面臨著違約風險、欺詐風險、政策風險以及操作風險等[7]。鄭聯盛(2014)指出互聯網金融的本質是金融，也存在爆發金融風險的可能性，互聯網金融在資金流向、信用評價等方面存在嚴重的信息不對稱風險，由于我國缺乏完善的信用體系，導致互聯網金融業務信用風險較高，例如，P2P網絡貸款平臺跑路就是典型的信用風險[8]。

由于以上問題的存在，學者們已開始圍繞著如何解決共享金融風險、完善征信體系方面進行了研究，并對信用數據共享進行了初步探討。鄭志來(2016)研究了互聯網金融降低小微企業融資成本的實現路徑，發現為更好解決小微企業融資難題，需要從政府引導、加強監管以及完善征信體系三方面進行努力[9]。盧馨和李慧敏(2015)考慮了我國P2P網絡借貸面臨的各種風險，認為防范P2P網絡借貸風險，應從政府、網絡借貸平臺以及借貸雙方多重視角來進行改進，如：擴大征信范圍、完善全國征信系統建設等[10]。牛強和胡藝(2015)指出互聯網金融是重大的制度創新，為促進互聯網金融健康有序的發展，需要建立征信體系和信息共享系統[11]。馮文芳(2016)研究了共享金融背景下小微企業大數據征信存在的問題，指出通過建立信用數據共享機制可以消除征信市場的“數據孤島”、降低借貸雙方的信息不對稱，對小微企業融資起到積極的支持作用[12]。楊克泉和黃國平(2016)認為傳統征信管理體制和相關法律法規已無法滿足互聯網金融發展的需要，當前我國互聯網金融存在數據共享、標準化建設等行業運行機制和監管方面的缺失，需要強化信用文化、完善征信體系、改善金融生態環境[13]。張正等(2017)以阿里金融為例，從云創新的視角考慮了互聯網金融生態系統的構建。強調互聯網金融應從電商、金融、泛娛樂等多業務領域積累數據資源，以此形成多維度的征信生態系統[14]。

通過梳理以上文獻可知，共享金融的發展離不開完善的征信體系，信用數據共享對于完善征信體系具有重要作用，然而在信用數據共享研究方面，現有研究主要圍繞信用數據共享的作用、意義、實現路徑等方面進行研究，雖取得了一些不錯的成果，但遺憾的是，這些研究并沒有對征信過程中“數據孤島”的形成機理進行深入分析，對于建立信用數據共享體系的建議更多地停留在定性分析層面，缺少對影響信用數據共享因素作用機理的深入剖析。為此，本文采用演化博弈及仿真分析的方法，從動態視角深入分析了“數據孤島”的形成機理，并對破解信用數據共享中的“囚徒困境”、建立全國信用數據共享體系提出具體建議，豐富了已有的研究成果。

三、信用數據共享演化博弈模型設定

互聯網征信機構已成為我國征信體系的重要組成部分，在完善現有征信體系方面扮演著重要角色。由于征信機構之間存在競爭關系，并且受征信數據規模、數據異質性、自身共享意愿以及雙邊道德風險等因素的影響，目前這些機構并沒有形成完善的信用數據共享體系。這些因素是如何影響信用數據共享過程，為什么信用數據共享難題會長期存在？圍繞這個問題，以下將通過模型構建及分析進行系統性地探索和研究。

(一)基本假設

假設一：有兩類互聯網征信機構A和B，且它們之間存在博弈關系。每家機構都有兩種可選擇的策略，即“合作共享”和“不合作共享”。博弈雙方均為有限理性，可以通過不斷地學習和模仿群體中的優勢策略來獲得自身最優的演化穩定策略。

假設二：互聯網征信機構A和B各自的信用數據規模分別為NA和NB，且每擁有一單位數據能產生一單位利潤，失去一單位數據損失一單位利潤，因此在博弈初始時A和B的利潤分別為NA和NB。

假設三：機構A和B的數據來源不完全相同(例如：有的來源是電商平臺，有的來源于社交軟件)，存在異質性，其中a(a>0)代表A對B的數據異質性；b(b>0)代表B對A的數據異質性。a越大，表明數據異質性和互補性越高，為對方征信機構所帶來的收益越高，反之則表明數據異質性和互補性越小，所帶來的收益也就越低。

假設四：機構A和B中，當一方合作共享而一方不合作共享情形時，共享自身數據的規模會受自身共享意愿的影響，其中γ(0<γ<1)代表A的共享意愿；β(0<β<1)代表B的共享意愿。共享意愿越趨近于1，愿意共享的數據規模就越多，對方所獲收益也就越多，反之則越少。同時，合作共享作為一個雙邊契約，本文借鑒了Reid(1977)對雙邊道德風險的定義[15]，假設此時會產生一個雙邊道德風險，并且遵守約定的一方會因為對方違約而產生道德風險損失，與之相對違約方會因此獲得額外收益。這里假定，ΔNA為A的道德風險損失，ΔNB為B的道德風險損失。

假設五：由于博弈雙方均為有限理性，因此假設在A群體中選擇合作共享的比例為x，選擇不合作共享的比例為1-x；在B群體中選擇合作共享的比例為y，選擇不合作共享比例為1-y。

根據上文，歸納整理本文模型中用到的符號，結果如表1所示：

表1 主要符號說明

(二)演化博弈模型構建

由上文假設可知，當博弈雙方都選擇合作共享時，雙方的聯系和溝通是雙向的，數據信息與對方完全對接，達到客戶信用數據完全共享的效果。此時A的收益為NA+bNB，B的收益為NB+aNA。其中bNB表示機構B共享的全部數據為機構A帶來的收益，aNA表示機構A共享的全部數據為機構B帶來的收益。

當A合作共享而B不合作共享時，雙方的聯系和溝通是單向的，A共享自己全部數據，B根據自己的共享意愿只共享部分數據βNB，此時A的收益為NA+b·βNB-ΔNA，B的收益為NB+a(NA+ΔNA)，其中ΔNA為A的道德風險損失，aΔNA為B所獲得道德風險收益。

同理，在B合作共享而A不合作共享時，雙方的聯系和溝通是單向的，B共享自己全部數據，A只共享自己部分數據γNA。此時，B的收益為NB+a·γNA-ΔNB，A的收益為NA+b(NB+ΔNB)，其中ΔNB為B的道德風險損失，bΔNB為A所獲得的道德風險收益。

當博弈雙方都選擇不合作共享時，雙方的聯系和溝通被切斷，此時雙方信息和數據不會與彼此對接，數據無法共享。此時，A的收益為NA，B的收益為NB。

由以上分析可以得到A與B的博弈支付矩陣，如表2所示：

表2 互聯網征信機構之間演化博弈支付矩陣

四、信用數據共享的演化博弈模型求解及分析

根據支付矩陣，A選擇“合作共享”和“不合作共享”的收益FA1、FA2和平均收益EFA分別為：

FA1=y(NA+bNB)+(1-y)(NA+bβNB-ΔNA)

FA2=y(NA+bNB+bΔNB)+(1-y)NA

EFA=xFA1+(1-x)FA2

B選擇“合作共享”和“不合作共享”收益FB1、FB2和平均收益EFB分別為：

FB1=x(NB+aNA)+(1-x)(NB+aγNA-ΔNB)

FB2=x(NB+aNA+aΔNA)+(1-x)NB

EFB=yFB1+(1-y)FB2

由此可得博弈雙方的復制動態方程為：

命題1：當-bΔNB

證明：當-bΔNB

表3 情形(1)下系統各均衡點穩定性判定結果

根據表3中各均衡點穩定性判定結果，其演化軌跡(相位圖)如圖1所示：

該命題表明，當博弈雙方因對方部分共享數據所獲收益小于其帶來的道德風險損失時，博弈結果最終會向著雙方都選擇不合作共享策略的方向演化，這是信用數據共享一直無法實現的原因之一。由于缺少政府的參與，征信機構之間的合作存在道德風險損失，雙方都有通過假意合作(只共享自己部分的數據)來獲取對方全部數據的沖動。在道德風險損失較大的情況下不管雙方共享意愿是否強烈、數據規模是否龐大、數據類型是否互補，此時博弈雙方都將會陷入“囚徒困境”選擇不合作共享策略。

命題2：當bβNB-ΔNA<-bΔNB，aγNA-ΔNB<-aΔNA時，博弈雙方經過長期演化的結果是雙方都選擇合作共享策略。

證明：當bβNB-ΔNA<-bΔNB，aγNA-ΔNB<-aΔNA時，根據微分方程穩定性原理以及演化博弈穩定策略判定條件得到各均衡點的穩定性判定結果，如表4所示：

表4 情形(2)下系統各均衡點穩定性判定結果

根據表4中各均衡點穩定性判定結果，其演化軌跡如圖2所示：

該命題表明，當博弈雙方因對方部分共享數據所獲收益大于其帶來的道德風險損失時，博弈結果最終會向著雙方都選擇合作共享策略的方向演化，此時對于任何一個征信機構來說只要共享信用數據，所獲得的收益都較高，因此均會選擇信用數據共享策略。

命題3：當bβNB-ΔNA>0且aγNA-ΔNB>0時，即由道德風險帶來的損失小于由對方部分共享帶來的收益，“囚徒困境”被打破，經過長期演化，博弈雙方最終可能達到四種不同的結果：(合作共享，合作共享)，(合作共享，不合作共享)，(不合作共享，合作共享)，(不合作共享，不合作共享)。

該命題表明，當bβNB-ΔNA>0且aγNA-ΔNB>0時，即由道德風險帶來的損失小于由對方共享帶來的收益，博弈雙方長期博弈演化會有四種可能的結果，且每種結果的出現主要與博弈雙方在博弈開始時所在的位置有關。當初始狀態位于S1區域，系統將向B(0，1)點收斂，即：博弈雙方經過長時間的模仿、學習和博弈的結果是A選擇不共享，B選擇共享；當初始狀態落在S2區域，系統將向A(0，0)點收斂，即博弈雙方都選擇不共享；當初始狀態位于S3區域，系統將向C(1，1)收斂，即博弈雙方都選擇共享；初始狀態位于S4區域，系統將向D(1，0)收斂，即機構A選擇共享，而機構B選擇不共享。

由以上分析可知，盡管雙方都選擇數據共享是博弈的帕累托最優結果，但是由于上述四個策略組合均是穩定的，最終演化結果發生的概率由以上四個區域面積的大小決定。根據雙方的演化博弈相位圖可知：雙方最終都選擇合作共享策略的概率主要取決于S3面積的大小，S3面積越大，雙方選擇共享策略的概率也就越大。S3面積表達式如式(3)所示：

從式(3)可以看出，S3的面積主要取決于Xe和Ye的取值大小，而Xe和Ye取值大小又由對方的共享意愿γ、β，數據規模NA、NB，數據異質性a、b，以及道德風險損失ΔNA、ΔNB共同決定。

為了更直觀地反應共享意愿對S3的影響，用MATLAB進行仿真分析，如圖4所示：

從圖4可以看出，S3的面積與共享意愿γ、β呈正向變化，隨著共享意愿γ、β的增大而增大；但是只要γ和β值有一個趨近于0，S3的面積就會大大降低，這與命題3相符。

該命題表明：在由道德風險帶來的損失小于由對方部分共享帶來的收益前提下，此時最終達成信用數據共享的概率會隨著雙方共享意愿的增加而增加，但是只要有一方的共享意愿較低，雙方最終達成信用數據共享的概率就會隨之變小。這與實際相符，共享意愿代表了個人主觀態度，隨著共享經濟的崛起，共享思維對傳統商業思維形成顛覆，此時如果合作雙方能以更開放的心態參與信用數據共享體系的建立，無疑會提高雙方最終達成共享的概率；反之，若有一方共享意愿不高，即使另一方有意共享自己的全部數據，最終能達成信用數據共享的概率也會較小，信用數據共享體系也無法建立。信用數據共享體系的建立是雙方共同努力的結果，搭便車的短視行徑將導致信用數據共享無法達成。

為了更直觀地反應數據規模對S3的影響，用MATLAB進行仿真分析，如圖5所示：

從圖5可以看出，S3的面積與數據規模NA、NB呈正向變化，隨著數據規模NA、NB的增大而增大；但是只要NA和NB值有一個過小時，S3的面積就會大大降低，這與命題4相符。

該命題表明：在由道德風險帶來的損失小于由部分共享帶來的收益前提下，此時最終達成信用數據共享的概率會隨著雙方數據規模的增加而增加，數據規模的提升會提高最終達成信用數據共享的概率；但是，如果有一方的數據規模較小，最終達成信用數據共享的概率就會隨之變小。此命題與實際相符，互聯網時代下，數據資源是一項重要的商業資源，其規模大小直接決定了互聯網企業競爭力的大小，在這種背景下若合作方數據規模較大，對于雙方來說，選擇信用數據共享可以快速增大企業數據規模、完善自身信用體系，這無疑會提高彼此間的合作意愿，有了這種內在驅動，雙方很容易達成信用數據共享。例如，阿里金融最終能與中國建設銀行達成合作協議、共享信用數據，一個很重要的原因就是考慮到彼此數據規模較大。反之，若合作雙方有一方數據規模較小，最終達成信用數據共享的概率就會較小，例如，現階段我國有接近3 000家P2P網絡貸款平臺，雖然有信用數據共享的強烈需求，但由于其數據規模較小，規模較大的征信機構不愿與其進行合作，同時它們彼此間的合作共享數據獲得的收益有限，因此合作概率較低，最終無法達成信用數據共享。

為了更直觀地反應數據異質性對S3的影響，用MATLAB進行仿真分析，如圖6所示：

從圖6可以看出，S3的面積與數據異質性a、b呈正向變化，隨著數據異質性a、b的增大而增大；但是只要a和b的值有一個過小時，S3的面積就會大大降低，這與命題5相符。

該命題表明：在由道德風險帶來的損失小于由對方部分共享帶來的收益前提下，此時最終達成信用數據共享的概率會隨著雙方數據異質性的增加而增加，數據異質性的提升會提高信用數據共享最終達成的概率。反之，如果有一方的數據異質性較低，最終達成信用數據共享的概率就會較小。該命題與實際相符，相較于數據類型單一的信用評價體系，數據類型全面的多維度信用評價體系更準確，當兩家征信機構數據異質性較高時，彼此之間可以通過數據共享形成互補，甚至可以利用不同類型的數據建立起多維度的信用評價體系，此時最終達成信用數據共享的概率就較大。若雙方數據類型同質化嚴重，數據不具有互補性，通過數據共享無法獲得較大的邊際利潤，雙方最終達成信用數據共享的概率就會較小。這也是大量P2P網絡貸款無法達成信用數據共享的另一重要原因，即數據類型同質化嚴重、競爭激烈，數據共享帶來的雙邊道德風險較高、增益性較低。

同樣，為了更直觀地反應道德風險成本對S3的影響，用MATLAB進行仿真分析，如圖7所示：

從圖7可以看出，S3的面積與道德風險損失ΔNA、ΔNB呈負相關關系，隨著道德風險損失ΔNA、ΔNB的增大而減小，這與命題6相符。

該命題表明：當道德風險帶來的損失小于由共享帶來的收益時，達成信用數據共享的概率會隨著道德風險損失的增大而變小，道德風險損失越高，最終達成信用數據共享的概率就越低。進一步分析可知，只要信用數據共享過程存在道德風險損失(這往往是現實常態)，雙方就有不合作共享的可能。并且一旦道德風險損失大于共享帶來的收益時，信用數據共享過程就會陷入“囚徒困境”。

五、結 語

本文通過構建演化博弈模型與數理分析，研究了共享意愿、數據規模、數據異質性和道德風險損失四個因素對信用數據共享的作用機理。從本質上講，信用數據共享是一個雙邊契約，會存在雙邊道德風險，當道德風險損失較大時，合作雙方彼此信任較低，信用數據共享將陷入“囚徒困境”，“數據孤島”由此形成；只有在道德風險較低、合作雙方可以彼此信任時，信用數據共享過程才有可能達成，此時信用數據共享實現的概率會受雙方共享意愿、數據規模、數據異質性以及道德風險損失等因素的影響，但是只要有一方的共享意愿不足、數據規模較小或數據同質化嚴重，信用數據共享實現的概率就會大大降低。

由以上結論可知，正是由于信用數據共享過程中存在道德風險，并且受共享意愿、數據異質性和數據規模等因素的影響，互聯網征信機構間難以形成數據共享，大規模的信用數據被少數互聯網寡頭壟斷，由此可見，政府強有力的積極介入尤為重要。因此，在完善信用數據共享體系過程中，政府應發揮政策引導作用，協調各方利益關系，以增強征信機構和互聯網企業的共享意愿，并對數據共享過程中的違約行為進行約束和管制；同時，鼓勵各征信機構和互聯網企業發揮自身特點和優勢，做好各自的信用數據業務，避免數據同質化和重復性建設。除以之外，政府還應廣泛采集其他征信機構和互聯網企業的信息數據，完善全國征信系統建設，并適當地將其掌握的大量個人信用數據向互聯網金融機構開放，降低不良貸款率，減少信息不對稱，促進行業的健康發展。