大數據背景下信用評分業務的合規應用研究

孫偉力 王萌

一、信用評分與大數據征信

信用評分業務作為最早開發的金融風險管理工具，是征信機構在利用大量歷史數據建立評分模型的基礎上，充分運用預測模型進行自動、批量的運算，實現對信用風險自動化評估的業務形式。最早的信用評分系統可以追溯到1801年的英國，經過200多年的發展，西方發達國家的信用評分業務已經相當成熟，并充分應用于信用評估領域。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）信用評分的規范應用需集中在金融領域

與信用登記、信用調查等其他征信業務不同，信用評分業務的產生與發展天然就是建立在大型數據庫和模型構建技術這兩個必要的應用基礎之上的。自20世紀30年代以來，美國國內上千家征信機構經過不斷地并購細分，逐漸發展為目前的益博睿（Experian）、環聯（Transunion）、艾奎法克斯（Equifax）三大征信公司，也是目前全美最大的3家個人征信數據庫，覆蓋了超過85%的美國公民。在此基礎上，費埃哲公司（Fair Isaac Corporation）利用模型分析技術建立了經典的FICO評分系統，信用評分業務得到充分發展。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”逐漸由金融領域擴大運用到民事、公共治理甚至行政司法領域，人們對各自領域所謂的“信用信息”進行評分，這一定程度上豐富了“信用評分”這一業務形式的應用場景，推動了社會信用體系建設的進步。但是從本質上講，此類“信用分”并不屬于征信意義上的信用評分，雖然在大數據背景下，傳統信用評分模型逐漸向大數據方向轉變，但其出發點依然是輔助進行信貸決策的信用風險評估工具，大數據下的信用評分仍然應該是傳統信用評分業務的延伸，其規范應用也應該集中在金融活動和信貸交易領域。2021年1月11日，中國人民銀行公布的《征信業務管理辦法（征求意見稿）》，也明確指出信用信息指的是為經濟金融活動提供服務，用于判斷個人和企業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上。

（二）信用評分是大數據征信的重要業務形式

大數據時代，隨著數據挖掘和統計建模技術的不斷升級，可用于評估人們信用的信息越來越多，“大數據征信”被反復提及，但業內人士卻始終對此存在分歧，有人認為大數據征信是傳統征信的重要補充，也有學者認為所謂“大數據征信”的概念帶有“征信泛化”的傾向。實質上，分歧的焦點在于對“信用信息”概念的模糊認知，征信活動開展的基礎是信用信息，而大數據指的則是無法在一定時間范圍內通過常規手段進行采集、整理的數據集合，包括大量的半結構和非結構化數據，尤其是互聯網時代，非結構化數據越來越成為大數據的主要構成部分，因而信用信息天然屬于大數據，但并非所有的大數據都屬于信用信息。大數據征信的實質就是利用先進的數據挖掘技術，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征信無法覆蓋的領域，內容囊括了被傳統征信排除在外的半結構甚至非結構化數據，在此基礎上建立的評分模型也更重視信息的實時性和動態性，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，在合規前提下充分挖掘可用于評估信用風險的各類數據，有利于提高信貸可獲得性。

二、我國信用評分業務的發展現狀

（一）傳統的信用評分業務

1. 征信中心個人信用報告數字解讀。我國目前已經建成了世界上最大的全國金融信用信息基礎數據庫，接入機構不僅包括傳統商業銀行，還包括網絡小貸公司、消費金融公司、融資租賃公司等，具備開展個人信用評分業務必要的數據基礎。在此基礎上，中國人民銀行征信中心推出了個人信用報告數字解讀（以下簡稱數字解讀），用于預測放貸機構個人客戶在未來一段時間內發生信貸違約的可能性。數字解讀具備傳統信用評分典型的“5C”特征，預測變量覆蓋還款歷史、當前負債、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，并創新性顯示相對位置排名，因為具有通用性、科學性和穩定性的特點，目前廣泛應用于貸前、貸中和貸后管理的各個環節。

2. 傳統授信審批中的量化風險指標。我們對主要傳統銀行業機構的授信審批進行了調研，結果顯示，傳統銀行業機構在個人信貸業務審批實踐中主要參考信用歷史指標（未結清貸款余額、貸款和信用卡還款記錄等）和財務狀況指標（抵質押率、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，但這一環節通常采取人工介入的方式進行評價，并沒有相應的量化指標。另外，部分銀行專門針對普惠性小微企業制定了評分模型，模型維度同樣以財務指標為主，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授信，傳統銀行業機構在信貸審批過程中更多依賴傳統渠道積累的關聯度高、易獲取的基礎信貸數據，其建立的信用評分模型也側重于精準剔除高風險的客戶群體，但一定程度上也將部分缺乏足夠信用歷史的優質個人和初創企業客戶排除在信貸體系之外。

（二）互聯網信用評分模型

1. 互聯網金融的發展需要互聯網信用評分。我國的征信體系以公共征信系統為主，互聯網金融公司和金融科技企業在獲取銀行核心信貸數據方面受到嚴格監管，這主要是因為互聯網金融作為創新性業態，風險隱患較多，而且我國的征信法規一向更側重于保護信息主體的合法權益。這就導致一些有意向開展信用評分業務，但無法低成本獲取全面銀行業信貸數據的互聯網金融公司，轉而依托其他數據源，研發新的大數據信用評分模型。然而，就數據來源而言，互聯網信用評分模型同樣存在明顯的局限性：相較于核心銀行業信貸數據，行為偏好、消費習慣類數據與信用風險的相關性終究是太弱，不符合征信數據通用、成熟、穩定和信用相關性強的特點，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. 互聯網信用評分具備典型的大數據特征。互聯網信用評分的數據來源包含大量生活類信息，數據維度中加入消費者行為偏好、人脈關系等各種動態信息，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險，尤其是在缺乏信用歷史的年輕客戶群體風險識別方面，有其獨特的借鑒意義。本文隨機選取了500名20—30歲之間的年輕客戶進行調研，結果顯示：超過99%的年輕人有網絡消費行為，其中使用過花唄的比例達到了91.78%，有22.97%的年輕人出現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貸產品。與之相對比，僅有10.81%的年輕人表示自己在傳統銀行業金融機構開立過信用賬戶，但對未來有可能的貸款需求，95.89%的年輕人表示會優先選擇傳統銀行業金融機構，剔除未來的房貸因素，仍然有超過半數的年輕人維持原來的觀點。但當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的網貸平臺，而在“網貸平臺意向影響因素”一項，受訪群體不選擇網貸平臺的原因也集中在“無法區分正規平臺、擔心遇到詐騙、擔心泄露個人信息”3項（見圖1）。

從這個結果可以看出：第一，相當一部分優質的年輕客戶群體，在傳統銀行業機構缺乏足夠的信用歷史，但互聯網信用消費行為卻很普遍，在傳統征信領域之外積累了大量的信用數據。第二，年輕群體對互聯網金融的接受程度更高，未來也更容易接受網絡借貸和信用消費行為，之所以將傳統銀行業機構列為優先選項，更多是出于對當下的風險認知，未來隨著監管體系愈加完善，互聯網信用評分的應用場景也會更為廣闊。

三、未來信用評分業務的發展方向

傳統信用評分與大數據信用評分側重點不同，同樣也都存在一定的局限性，二者結合能夠最大限度地服務于信貸決策。然而，目前國內并沒有出現可廣泛應用于不同決策場景的大數據信用評分，這是由多方面原因造成的：一是因為我國征信行業起步較晚，大數據征信亦方興未艾，目前尚沒有經過市場論證的大數據信用評分模型。二是因為不同機構的信用風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，“數據驅動型”的量化信用風險分析占比相對偏低。三是我國的信用管理領域一直以傳統征信為主，信息使用者主要是傳統持牌銀行業機構，對廣泛開展信用評分的互聯網金融領域暫時還沒有實現全面覆蓋。

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、金融公司以及債務處置等信用管理部門的業內專家進行了一次深入調研：超過1/3（36%）的受訪者表示希望通過更先進的數據分析技術支持更加準確的信貸決策;還有近1/3（32%）的專家表示，希望在進行信貸決策時能夠實時獲取交易活動信息，31%的受訪者希望獲取上下文交互信息來強化傳統的信貸分析模型。另外，調研過程中還發現，大部分信用管理專家（74%）認為強化數據挖掘和分析技術會大幅推動信用管理產品創新。換句話說：未來信用管理行業的發展勢必要融合“大數據思維”，信用評分作為與大數據技術聯系最為緊密的征信業務形式，未來也不能僅僅停留在對信用報告進行數字化解讀的初級階段。

四、發展大數據信用評分的政策建議

（一）支持全鏈條模式的獨立風控模型機構

在當前數據維度劇增的情況下，FICO評分那樣的傳統“5C”模型無法滿足各類群體的風控要求，需要的是能夠編輯處理大數據的新型信用評分模型。但傳統銀行業機構目前更多地是依托信貸歷史數據自建風控模型，而金融科技公司受業態限制無法有效獲得核心信貸數據，因此，需要加大對全鏈條模式的獨立風控模型機構的支持，增加大數據信用評分在傳統信貸領域的應用，打通信用數據、模型技術和信息使用者之間的“次元壁”。

（二）參考大數據網絡征信模式開展信用評分

未來信用評分業務應該充分借鑒先進的大數據網絡征信模式，推動人工智能和機器學習、移動/5G和區塊鏈技術與信用管理的專業整合，利用大數據技術充分挖掘、分析實時交易活動、信息交互等高相關性的半結構和非結構化數據，不斷改進決策過程、升級決策模型，最終落腳于為資金供給方提供更精準的信貸決策、為企業和個人提供定制化的征信服務。

（三）依法采集互聯網領域可用的信用信息

互聯網擁有更為廣泛的用戶群體，包含各類電商平臺和第三方數據公司。電商平臺積累的消費數據有利于全面評估個人的信用意識，而第三方數據公司提供的特定領域數據可以幫助判斷企業或個人的履約風險，此類數據可以有效增加模型精度，因此應該重視對此類數據的采集。

（四）聯合政府職能部門推動公共信息共享

無論是對傳統銀行業機構還是互聯網金融機構來說，社保信息、司法、工商、稅務等公共事業信息對提升風控模型精準度都有著極大的幫助，因此，要想借助大數據技術構建一個全面的信用評分模型，必定要聯合政府職能部門實現此類數據的互聯互通。

（五）加強對信息主體合法權益的保護力度

《征信業務管理辦法（征求意見稿）》明確強調要加強個人和企業信息主體權益保護，保障信息安全。大數據信用評分模型涉及傳統征信信息以外其他信息的數據采集和存儲，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以及數據處理過程中做好隱私信息的保護是開展評分業務的必要前提。

五、結語

大數據信用評分是未來信用評分發展的重要方向，但這是建立在模型數據充足以及模型精度經過反復論證的前提下，雖然以“芝麻信用分”為代表的互聯網信用評分目前覆蓋了購物、出行、通信等多個領域，但是當下我們最應該做的是融合多渠道信用信息構建大數據評分模型，并且回到信貸決策場景中進行充分的市場論證。

（責任編輯? ? 劉西順;校對? ?WY，XS）