互联网金融信用风险分析与大数据征信体系构建

赵海蕾 邓鸣茂 汪桂霞

摘 要：互联网金融中的信用风险一方面表现为更为微型的客户对象导致的信用风险，一方面表现为互联网金融平台导致的信用风险。互联网金融中的信用风险产生原因包括缺乏完善的征信体系、缺乏严格的信息披露机制、缺乏全面的风险控制手段以及缺乏明确的法规监管。传统中央银行为主导的线下征信体系覆盖率低、成本高并且相对封闭，大数据征信依托多样化、高频率和高体量的非结构化数据，通过搜集和处理能够反映主题行为习惯的全方位、多维度信息，构建反映其性格特征、身份特质、履约能力等多维度的定量模型，利用各种算法推断其信用特征，并获得量化信用评估结果。大数据征信体系发展需要鼓励建立行业协会、规范产品标准和重视数据隐私保护。

关键词：互联网；金融信用；风险征信体系

1 互联网金融中信用风险的表现

互联网金融是以互联网为资源，大数据、云计算为基础，采用新金融模式运作的一种新兴行业。根据国际电信联盟（ITU）2014年11月24日发布的《2014年测量信息社会报告》，2014年全球网民共30亿，占居民总数的40.4%。中国作为最大的发展中国家拥有世界1/5的网民。根据中国互联网络信息中心（CNNIC）发布的第35次《中国互联网络发展状况统计报告》，截至 2014 年 12 月，中国有6.49 亿网民，12亿手机用户中有5.57 亿手机网民。3.04亿用户使用网上支付，网民中使用网上支付的比例为46.9%；手机支付用户规模为2.17亿，网民中手机支付的使用比例为39.0%。购买过互联网理财产品的网民规模达到7849万，在网民中使用率为12.1%。

谢平和邹传伟将互联网金融定义为以互联网为代表的现代信息科技，特别是移动支付、社交网络、搜索引擎和云计算与金融相结合的，既不同于商业银行间接融资、也不同于资本市场直接融资的第三种金融融资模式。2014年谢平、邹传伟和刘海二撰写的《互联网金融手册》中，互联网金融被定义为一个谱系概念，涵盖因为互联网技术和互联网精神的影响，从传统银行、证券、保险、交易所等金融中介和市场，到瓦尔拉斯一般均衡对应的无金融中介或市场情形之间的所有金融交易和组织形式。李耀东和李钧则认为，互联网金融并不简单是具有互联网技术的金融，而应该是基于互联网思想的金融，即服务长尾市场、普惠和去中心化的金融。主要特点为服务于长尾市场；具有海量用户；关注个性化需求；重视创新；正视风险；重视用户体验；重视开放性；重视社会化营销。

所谓信用风险即客户未能按期还本付息，或者说债务违约导致的风险。互联网金融中，信用风险主要表现为两种类型：互联网金融中客户特征导致的信用风险，以及互联网金融平台特征导致的信用风险。

1.1 互联网金融的用户特征导致的信用风险

一方面，互联网金融服务的客户对象往往是传统银行信用体系未能覆盖的群体，对这些群体的信用风险的度量往往需要更为专业的手段。以P2P网贷平台的鼻祖，成立于2005年3月英国的Zopa（Zone of Possible Agreement）为例，他们发现存在着“自由组织者”的群体，即自雇、从事项目的或者自由职业的非“全职”就业者，如顾问和企业主等，他们的收入和生活方式很不规律，尽管具有信用能力，却由于不符合传统金融信用要求中稳定收入证明等要求，无法得到传统金融机构充足的信贷服务。Zopa的团队估计在英国约6000万总人口中有600万的“自由组织者”，并且预测在未来的10到15年，选择这种生活方式的人会越来越多，传统金融机构只重视客户生活和收入的稳定性而忽视了这一趋势。针对这一目标群体提供互联网金融服务，Zopa发展迅速，从诞生时只有300个用户，几个月内用户量就超过了25000人，2012年注册用户超过90万，2014年末累计发放贷款超过7亿英镑（约10.55亿美元），一举成为英国最大的P2P网贷平台之一。

另一方面，国内互联网金融的借贷主体是资金规模小、很难在统金融机构获得贷款的小微企业以及工薪阶层甚至学生群体等。从银行服务的企业客户来看，银行对公司贷款中80%左右的贷款投放给大型国有企业和中型企业，贷款额度一般在500 万以上，小企业贷款和个人消费经营贷款仅占20%左右，额度一般也在50 万以上，平均200-300万左右。而互联网金融主要服务小微企业，贷款金额远远不能达到银行的贷款金额标准。以阿里小微信贷为例，截至2013年二季度末，阿里小微信贷累计发放贷款超过1000亿元，户均贷款仅仅4万元。阿里小贷最大的特点是“金额小，期限短，随借随还”。订单贷款作为淘宝、天猫卖家使用最频繁的信贷产品，要求支付万分之五的日利率。2012年，所有客户年均使用30次订单贷款，平均每笔贷款周期为4天，全年实际融资成本为6%。阿里小贷单笔贷款的操作成本极低，仅为2.3元，与银行2000元左右的单笔信贷操作成本形成巨大对比。

互联网金融服务的个人客户也同样具有资金规模较小的特征。以蚂蚁金服的个人客户为例，由于蚂蚁金服的大部分个人客户都开设余额宝账户，所以旗下各种产品的用户基本都是余额宝的一个子集。根据天弘基金的年报数据，截至2014年底余额宝开户数1.84亿户，户均账户余额3，133.47元。而截止2014年12月，工商银行开户数4.65亿，招商银行开户数5600万，北京银行开户数1137万；工商银行、招商银行和北京银行的个人存款总额分别为71，886.07亿元、10，930.27亿元和1，851.29亿元，可以算得户均存款余额分别为15，459.37元、19，518.34元和16，282.23元，银行体系内客户平均存款余额为余额宝客户平均余额的5倍。这一方面反映了传统银行业依然是个人存款的主要方式，另一方面也反映了互联网金融面对的客户群体总体来说金额较低，风险更大。

1.2 互联网金融的平台特征导致的信用风险

根据网贷之家的数据，截止2015年5月底，正常运营的P2P平台有1946家，累计问题平台数量661家，占全部平台总数的四分之一。P2P网贷行业贷款余额达1932.14亿元，历史累计成交量已突破6000亿元。（表1）

从网贷平台的市场份额来看，各网贷平台竞争激烈，彼此差异不大，排名前十的网贷平台贷款余额合计仅占市场总份额的1/3左右，这与国外成熟市场形成鲜明对比。以英国P2P平台为例，排名居前的ZOPA、RateSetter、Funding Circle、MarketInvoice这四家P2P平台的市场份额就占行业份额的70%左右。美国P2P行业基本为Lending Club和Prosper两家平台所垄断，合计占有96%的市场份额。

不仅网贷平台尚处于群雄争霸，一片混战之中。网贷平台良莠不齐，问题平台频频出现。根据网贷之家的数据，截止2015年6月，已经320家网贷平台跑路，336家网贷平台出现提现困难，73家网贷平台停业，另外7家网贷平台由刑侦介入。

除了网贷平台自身恶意欺诈投资者出现信用风险之外，网站自身由于技术问题也会发生信用风险。互联网金融依托计算机、互联网、各类移动终端、数据库以及各类软件系统而运行，互联网的开放性使得互联网金融高度暴露在系统性故障以及网络黑客、计算机病毒、恶意代码等的攻击之下。利用系统漏洞和平台设计缺陷，黑客可以通过侵入核心信息系统来获取客户信息乃至盗用客户资金；而计算机病毒、恶意代码等的扩散，也可能引发系统性崩溃。传统金融中只会导致局部损失的技术风险在互联网金融中会威力倍增，一旦发生安全事故，极容易引发声誉风险和挤兑等连锁反应，甚至可能由于信任危机和流动性风险，导致风险从互联网金融向传统金融扩散。由于中国互联网金融普遍未能掌握具有自主知识产权的芯片制造和操作系统开发技术，因此对于引进的国外技术是否存在后门、漏洞等情况并不了解，只有通过增强相关软硬件设备的自主研发设计以及制造水平，才有可能解除对国外技术的依赖。通过建立行业内的沟通和协调机制，制定具有国际领先性的行业技术标准，有助于预防选择性技术风险的一再重演；从长远来看，还应积极参与制定国际新型金融技术标准，因为只有拥有制定标准的发言权，才能在未来国际金融业务中掌握主动权。

2 互联网金融信用风险的成因

2.1 缺乏完善的征信体系

由于中国人民银行对股份制商业银行和地方银行的强势控制，2004年成立的中国人民银行征信中心的个人征信数据库建设工作采取自上而下的模式，经过10年时间实现了8亿人口的覆盖，但是截止到2013年底，央行银行个人征信系统中有信贷记录的自然人仅为3.2亿，占13.5亿人口中的23.7%。央行征信数据搜集的信息维度比较少，主要包括个人基本信息（身份证号），以及所持有的信用卡、银行卡消费、取现、转账等记录等。仅仅依靠这些信息无法全面反映一个人的信用状况，远远未能满足借贷市场的需求，很多没有信用卡或从未跟银行发生借贷关系的人群很难获得信贷服务。而在美国，征信体系的覆盖率已经达到了85%。

中国互联网金融行业面临的数据不充分、信息不真实挑战，使得人力采集数据仍然是主要方法之一，国内大多数P2P公司都主要是线下模式，千人员工以上的P2P平台不在少数，有些知名平台员工总数甚至超过了万人。对于用户信用审核的风控偏重于银行卡交易等流水的审核，国内整个P2P行业中信审人员所占比重非常大，使得国内P2P平台的成本控制很困难，线下销售和进行尽职调查的成本（包括对应的人员工资）要占到整体成本一半以上。预先批准、自动决策、风险定价等定量技术在中国尚属稀缺，由此导致的客户获取成本居高不下。美国信贷业的获客成本约为200-300美元（购买一条征信数据、加一个信封邮票、加人工处理费大约每个邀请函成本1-2美元，除以低于1%的响应率），而中国信贷业面临的线下获客成本高达上千美元，这是导致借款人融资成本高、风险质量低的主要原因。

P2P借贷高度依赖线下团队进行征信，这一现状存在严重的弊端。

第一，线下征信属于劳动密集型工作，对人力、物力投入需求极高，提高了整体信贷成本，造成不经济性。对于额度较小的信用借款来说，其高昂的征信和审贷成本给借贷双方造成巨大压力，迫使借贷平台更倾向单笔金额高的借款，长此以往，P2P借贷的普惠价值和补充作用将被逐渐损蚀。

第二，线下征信具有较强的主观性，不利于形成标准化的征信技术。不同平台的征信流程、资料搜集重点不尽相同；即使在同一平台，采用了标准化的线上评估方式，不同信贷员、审贷员的风格、特点也导致信贷报告千差万别。这种差异导致征信标准的割裂，不利于信用资源的互通互享。

第三，线下征信的高成本阻碍了征信数据的共享。由于各个平台花费了大量人力、物力进行线下征信，这些征信数据被视为核心资源乃至核心竞争力，与其他平台、征信组织的共享意愿大大减弱，导致重复征信和征信资源的浪费。

第四，线下征信的高昂边际成本还妨碍了行业的高质量扩张。尽管近几年的国内P2P借贷行业发展迅猛，但主要依靠人力、资金等非技术要素的投入增加来支撑，这使得P2P借贷日益成为劳动密集型、资金密集型行业，体现的是粗放式增长，未能发挥其技术创新优势，常常招致批评。

缺乏社会化征信体系，还导致另一弊端。国内大多数P2P平台申请借款人的数据由用户自行提交，在真实度上会大打折扣，存在很大的漏洞和风险；而国外的做法则多是通过大数据的采集和购买第三方数据等方式获取，能够保证信用资料的客观性和真实性，以及效率。

2.2 缺乏严格的信息披露机制

目前普遍的情况是：P2P网贷平台、专业放贷人账户、信用评估机构、投资者（理财）服务机构、借款人服务机构都属于同一控制人，具有极高关联性。债权的评级方和出售方具有极高关联性，投资人服务机构和借款人服务机构具有极高关联性，负责为资金交易和信息交易提供服务的机构也具有极高关联性。这些具有极高关联性的企业缺乏相互之间信息披露的监督动力，很难保持其公正性、独立性和客观性。在客户筛选、信用评估、贷款发放、资金结算、债权转让、逾期贷款追讨等关键环节的操作都依托关联性极强的机构完成；即使在真实债权信息的前提下，缺乏第三方监督和严格的信息披露，由高关联性引发的种种道德风险，如虚假增信等的可能性普遍存在。

而且，国内P2P平台的出借人和借款人之间信息是不完全透明的。虽然国内众多P2P平台都在强调信息透明、充分披露，但是能够做到这一点的寥寥无几。绝大部分平台出于不同的目的，针对每笔交易的信息披露都十分有限，有些甚至连借款人的基本信息都写得十分模糊。但是国外P2P平台会让所有的借款客户知晓出借人是谁，其经营理念是，平台需要让出借人充分知道借款人情况，信息越清晰、越透明，违约率越低。目前国内P2P行业从来未曾公开过任何形式的资产质量报告，即使有坏账率也都是自己报的，缺乏公信力。在贷后催收部分，国外更多采取外包催收，运用多种信息科技手段，黑名单共享；而国内主要做法还是雇佣大量催收人员，黑名单也完全不共享。

2.3 缺乏全面的风险控制体系

目前，国内P2P平台普遍采用资金托管和第三方担保作为风险控制的主要措施。所谓资金托管，就是资金流运行在第三方托管公司，不通过P2P平台的银行账户。在实际操作中，贷款人和借款人分别通过第三方支付开通自己的账户，贷款人可以实时了解信贷资金的准确去向；平台也在第三方支付开通商户账号，但仅限于进行资金解冻和退款这两种操作，没有转账与提现操作的权限。如果贷款招标顺利完成，资金会从贷款人账户进入借款人账户；如果贷款招标失败，资金会被退回贷款人账户。理论上来说，开通了第三方资金托管的平台无法直接接触投资人的资金，可以避免平台因为经营不善挪用交易资金而给交易双方带来风险。正因如此，目前许多P2P网贷平台将第三方资金托管作为标配，将其奉若提升信誉的“法宝”，投资者对此也颇为认可。据网贷平台账户最大的资金托管机构汇付天下发布的《汇付天下P2P行业发展报告》，近八成投资人重视平台是否有第三方托管。

除了第三方托管之外，第三方担保也是P2P平台采取的主要风控措施。在《融资性担保公司暂行管理办法》中规定，担保公司的杠杆不得超过10倍。但P2P平台的担保公司净资产一般只有百万甚至数十万，而平台上却可能有上千万的贷款余额，这就大大超过10倍杠杆的要求。其后果是一旦P2P借贷平台出现10%的坏账风险，在10倍杠杆下就超过了担保公司的支付能力，P2P平台就只能破产了。

2.4 缺乏明确的金融监管机制

我国整体法制建设处于逐步完善和健全的过程中，关于互联网金融方面的法律法规更是寥寥无几。除中国人民银行发布的《网上银行业务管理暂行办法》、银行业监督管理委员会发布了一些管理规定与操作指引外，《商业银行法》、《中国人民银行法》中仅仅针对互联网金融业务进行了少量规定。2014年8月上海公布了《关于促进本市互联网金融产业健康发展的若干意见》，成为全国首个省级地方政府促进互联网金融的发展意见。

目前中国的金融监管实行分业监管模式，但在实践中越来越多的金融机构持有多种金融业务的牌照进行混业经营，互联网金融的兴起对于分业监管还是混业监管提出新的挑战。从经营模式来看，网络金融超市属于典型的混业经营模式，金融机构不仅在网站上推出投资储蓄、贷款、证券、保险、基金、外汇、结算、托管、理财等一站式金融服务，设立网上商城为广大企业和个人提供专业化的电子商务和金融支持服务，并且加强与电子商务平台之间的合作，远远超越了在传统金融运行模式下所能经营的业务品种和模式。相对于传统金融，互联网金融刚刚兴起，既没有明确的法律依据，也缺乏有效的外部监管，平台发起人还往往缺乏金融背景和经验，因此互联网金融的发展将对监管法规、监管能力等方面提出全新的挑战。

P2P网络借贷在国外经过将近十年的发展，已经比较成熟，监管法规体系也比较完善。美国将P2P网络借贷纳入民间借贷的范畴，在《消费者信用保护法》和《诚实信贷法》等有关法律的监管下运行。而我国的P2P网络借贷由于还没有规定明确的监管部门，P2P网络借贷大多由缺乏金融监管经验的工商部门负责监管，极大增加了平台发生信用风险的可能性。因而需要及时完善相关法律法规，理清监管职责，加强督管力度，以防止平台信用风险的发生。

3 我国互联网金融大数据征信体系的构建

大数据的介入，正改变着征信行业。大数据征信依托多样化、高频率和高体量的非结构化数据，通过搜集和处理能够反映主题行为习惯的全方位、多维度信息，构建反映其性格特征、身份特质、履约能力等多维度的定量模型，利用各种算法推断其信用特征，并获得量化信用评估结果。大数据征信使用的数据包括传统的银行业信贷记录、消费记录、身份数据、社交数据、经营数据，以及日常活动和偏好数据、特定场景下的行为特征数据等。大数据不仅为征信业发展提供了广泛的数据信息来源，同时也改变了征信产品的生产流程，成为了我国征信业发展的重要助力。

目前，可以用来支持互联网征信模型的大数据具有六大来源。

第一是电商大数据，比如阿里巴巴提供的芝麻信用分。阿里旗下的支付宝实名用户超过了3亿，日数据处理量在30PB以上，相当于5000个国家图书馆的数据总量，涵盖支付、投资、消费、社交、公益、交通等多种消费场景，芝麻信用采用国际上通行的信用评分方法，最低350分最高950分，这与美国FICO分（300至850）相似，分数越高代表信用程度越好，违约可能性越低。芝麻信用的评分模型主要包括信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度。人们在日常生活中点点滴滴的行为，通过长期积累，这些行为轨迹和细节，可以全面判断其信用状况。

第二是信用卡类大数据，根据信用卡申请年份、授信额度、消费金额、消费次数、消费种类、消费场所、卡片等级、还款记录等作为信用评级的参考数据。代表性企业是成立于2005年的“我爱卡”，依据自身积累的数据利用FICO信用评分模型来发放互联网金融小额信贷。

第三是社交网站大数据，代表性企业为腾讯公司，腾讯拥有最多的社交用户，包涵最复杂的人际社交关系，旗下QQ的月活跃用户8亿多，微信用户接近5亿。腾讯征信的评分模型主要包括四大因子：安全指数（是否实名认证、是否开通数字证书、过去一段时间更换手机号码的次数等）；消费指数（过去一段时间内腾讯业务、游戏、生活服务类消费次数等）；财富指数（财付通账户余额、理财通财富、QQ号价值等）；社交指数（QQ登陆场所、微信有红包及资金往来的好友占比）。腾讯征信采用七级信用评级法，分别用不同的星级代表信用等级。五星代表较高的信用评级，六至七星代表特高信用评级。

第四是小额贷款类大数据，包括信贷额度、违约记录等。由于单一企业信贷数据的量级较低、地域性较强，业内共享数据的模式正被逐步认可。

第五是第三方支付大数据，根据用户消费数据进行信用分析，支付方向、月支付额度、消费品牌都可以作为信用评级数据。比如考拉信用评分主要依托拉卡拉的支付数据，利用FICO评分法、回归、分类、Web挖掘和神经网络技术，主要按照五个维度：履约能力、身份属性、信用记录、社交关系和交易行为进行信用评估。

第六是生活服务类网站大数据，包括水、电、煤气、物业费交纳等，能够客观真实地反映个人基本生活信息。比如持有华道征信15%股份的新奥资本，是新奥集团旗下从事股权投资和投资管理的平台公司，旗下新奥能源是国内规模最大的清洁能源分销商之一，掌握大量居民燃气数据。华道征信的数据主要包括五个方面：信贷数据、公安司法数据、运营商数据、公共事业数据、网络痕迹数据。

2015年1月5日，央行颁布《关于做好个人征信业务准备工作的通知》，要求芝麻信用管理有限公司、腾讯征信有限公司、深圳前海征信中心股份有限公司、鹏元征信有限公司、中诚信征信有限公司、中智诚征信有限公司、拉卡拉信用管理有限公司以及北京华道征信有限公司八家机构做好个人征信业务的准备工作，准备时间为六个月。（表2）

根据即将获得征信牌照的八家征信机构的产品特点可以看出，目前各征信机构数据来源、统计口径、评分模型、评分标准等各方面都存在巨大差异。建立征信行业协会，加强数据共享，重视数据隐私，建立征信产品规范，统一行业标准，将是中国互联网金融中大数据背景下征信体系建设的重点。

参考文献：

[1]国际电信联盟.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]中国互联网络信息中心.中国互联网络发展状况统计报告[R]，CNNIC，http：//www.cnnic.cn/hlwfzyj/hlwxzbg/201502/P020150203551802054676.pdf，2015-02-03.

[3]谢平，邹传伟.互联网金融模式研究[J].金融研究.2012（12）：11-22.

[4]谢平，邹传伟，刘海二.互联网金融手册[M].北京：中国人民大学出版社，2014.

[5]李耀东，李钧.互联网金融：框架与实践[M].北京：电子工业出版社，2014.

[6]芮晓武，刘烈宏.中国互联网金融发展报告（2014）[M].北京：社会科学文献出版社，2014.

[7]刘琪.第三方资金托管成P2P标配真假托管难辨[N].证券日报， 2015（06）13.

[8]赵海蕾，邓鸣茂，汪桂霞.互联网金融中的大数据征信体系构建[J].经济视角，2015（04）：18-21+65.