中国互联网银行消费贷信用风险管理研究

摘要：随着人群代际的变迁、消费观念的转变、居民收入的持续增长、消费金融产品的不断丰富，消费信贷的渗透正在加速实现。互联网银行依托电商平台或互联网公司的大数据背景，依靠精准的客户定位、小额灵活的经营方式获得了爆发式增长，然而，随着授信人群的逐步扩大，行业风险也逐渐暴露。本文通过研究规模最大的消费贷产品“微粒贷”，为全行业的信用风险管理所借鉴。

关键词：互联网银行；信用风险管理；消费贷；微粒贷

随着经济结构转型升级，银行业进入调整转型期，互联网金融加速渗透信贷市场，既给传统金融业带来了挑战，也为其践行普惠金融提供了思路与方法。互联网银行因其高效便捷、创新普惠及社交和消费类大数据等优势，专注长尾市场金融服务，弥补了传统金融机构的不足，构成错位竞争。互联网银行在携手传统银行共同发展的同时，也在倒逼传统银行进行科技创新，推动银行业向更高层次完善并发展。

消费贷是指为个人和家庭提供以消费为目的的无抵押、无担保的小额贷款，金额一般在30万以下，信贷期限在1至20个月。典型的消费贷产品如前海微众银行“微粒贷”、网商银行个人贷款，四川新网银行“好人贷”、苏宁银行 “升级贷”等。作为第一家践行普惠金融的互联网银行，微众银行自开业以来倚靠互联网、大数据、人工智能等在信用风险管理方面卓有成就，与此同时，拳头产品“微粒贷”也开始暴露出相应问题，案例具有一定的代表性和前瞻性，本文将深入探索“微粒贷”卓有成效的风控方法供其他相继成立的互联网银行借鉴，同时，挖掘其尚存的不足之处，最后，上升到全行业层次提出些许建议。

一、关于“微粒贷”

“微粒贷”定位于長尾用户，是微众银行基于社交大数据风控的自助小额、循环使用类贷款，依托互联网平台提供与传统银行错位的差异化金融服务。其利用股东背后庞大的大数据资源、以及高流量的微信、QQ等获客渠道来充当传统银行和用户之间的中介，一方连接长尾用户，另一方连接金融机构，完成资金的输送和创新科技的共享，从而赚取利差。“微粒贷”额度为500—30万，5秒出额度，借钱最快1分钟到账，提前还款无罚金，提供7×24小时服务。自2015年5月，“微粒贷”上线以来，放款总量几乎呈指数级增长。

二、“微粒贷”信用风险管控措施

由于互联网金融虚拟性的特点，交易双方只是通过网络发生联系，增大了交易双方在身份确认、信用评价方面的信息不对称。因此，对于一款互联网信贷产品来说，风控是首要的核心的能力。在信用风险的管控方面，微众银行的微粒贷有以下独到之处。

第一，将声纹识别、人脸识别等生物识别技术运用于实际业务场景，实现“传统银行风控”与“互联网风控”相结合。“人脸核身”技术，是基于C端用户环境、业务场景、用户行为的多维核身风控模型，识别并采集多因子（人脸、唇动、声音），通过逐步添加的“在线视频补充核身”和“异步审核”流程建立高准确度的闭环“远程人脸核身”服务，差错率低于人工识别差错率8‰。“微粒贷”利用生物识别技术进行视频身份验证运用可自动化实现客户身份识别和反欺诈，降低风险。

第二，“白名单”邀请制。白名单是“微粒贷”风控的第一环，结合了传统信用评级方式和AI风控体系。“白名单”邀请制在贷前进行反欺诈识别，即时预测风险、实时调整风控模型，扭转“微粒贷”被动风控的局面，有效降低了小额贷款服务中的信用风险和欺诈风险。虽然白名单未像蚂蚁借呗直接标出硬条件（芝麻信用分600以上），但“微粒贷”采用了央行个人征信数据和腾讯信用评分两种数据，其中，腾讯信用评分来自于腾讯的用户互联网行为数据，包括在线使用、财产、消费支付、理财行为等。

第三，用户画像。信用风险的识别运用了社交大数据与央行征信的数据，在腾讯征信的大数据模型中提取233500个数据项，云计算进行分析归档后利用10个预测分析模型，从基本社会特征、交易网、社交圈、行为特征、人行征信5个维度对客户综合评级，以快速识别信用风险，得到最终的消费者信用评分，从而真实地了解客户的过去，分析未来。

第四，“微粒贷”以大数据为核心，构建风险规则，创建新型风控体系，引入决策树、随机森林、神经网络等机器学习方法，建成包括征信、互联网、反欺诈等七大类风险模型，以及信用风险策略、反欺诈、拨备、征信、风险参数等五大工具箱；将人行征信和公安等传统数据，与互联网和行为等新型数据相结合，更全面地评估信用风险；引入第三方电子存证管理、机器人客服和机器人催收、数据访问安全体系，控制全流程线上操作的潜在风险，有效地发挥了风险防控作用。

三、“微粒贷”信用风险管理存在的问题

（1）目标客户下沉加剧信用风险

“微粒贷”目标客户群体包括自由职业者、工薪阶层、进城务工人员及普罗大众，近65%的客户为25-35岁，近71%的用户为蓝领服务业、制造业等，70%的提款客户是大专以下学历，“微粒贷”目标客户下沉到三、四线，甚至农村市场，客户越是下沉，征信数据越缺乏，客户资信情况越弱，微粒贷所面临的信用风险越高。

（2）大数据风控需长时间实践检验

截至2017年年末，微众银行拨备覆盖率912.74%、资本充足率16.74%和不良贷款率0.64%，具有较高资产质量，远高于同业水平和一般标准。微众银行如此优秀的数据不可否认受益于大数据风控，但由于目前业务只开展了3年，部分潜在的不良贷款还未体现。随着用户基数增大，微众银行的不良贷款率由2015年0.12%，到2016年0.32%，2017年0.64%，其资产质量有逐年下滑的趋势。

（3）缺乏贷后资金用途追踪

微粒贷依托网络平台进行用户资料审核，完成用户开户操作，并进行信贷发放，但并未对用户的贷款资金用途进行明确的规定限制，同时缺乏相应的机构人员对贷后的资金流向进行追踪。微粒贷贷款审批过程中虽然都有电话核实的步骤，但是具体贷款资金用途并没有严格限制与监控，所以在客户后续贷款资金使用的风险上，大数据风控则爱莫能助。

（4）社交大数据金融属性较低

腾讯为微众银行天然带来良好的群众基础，为其开展个人金融业务带来显著优势。但社交数据本身而言金融属性较低，面对庞大的数据库存提取征信信息具备复杂性和困难度。微众银行目前正在完善数据转化平台，但依据社交大数据建立起的征信体系是否可信可靠，使用社交数据确定个人征信信息的效率究竟多高，这是微众银行在进行风控过程中需要考虑的问题。

四、对互联网银行的一般建议

本文由典型个例的信用风险管理上升到全行业的风险启示，对于互联网银行提出以下建议。

第一，扩充信用数据获取途径，持续积累央行、公安、学历和法院四大征信数据，实现与核心数据源直连，以降低信用风险，弥补央行征信不完善带来的影响。还可选择与“信联”合作，打破现金类贷款“弱风控、高不良、高利率”的恶性循环，减少信息孤岛构成的平台间“共债”发生，降低放贷成本。另外，应积极与合作银行及第三方电商平台实现客户信息共享，充分利用对方的客户资源，拓宽信用数据来源，而非仅仅充当连接者。

第二，利用股东的大数据优势，将电商平台积累的金融属性较高的消费数据、信贷数据、社交数据库进行转化，获取目标群体的信息，创造高质量内部“白名单”列表，控制贷前信用风险。

第三，吸纳金融创新、金融工程领域人才，尝试创建新型风控体系，引入决策树、随机森林、神经网络等机器学习方法，建立健全风险模型、信用风险策略、反欺诈、拨备、征信、风险参数等工具。同时，建立全链条线上风控模型，将其应用于信贷产品的贷前、贷中、贷后全周期以及交易支付等领域，实现全流程的信用风险管理。力求授信，借款、还款过程全交由机器完成，无人工干预。利用大数据、AI等技术，创造一种高固定成本、低变动成本的结构模式，得以实现快速复制和规模效应，降低操作风险、信用风险等。

参考文献：

[1] 罗玉輝，侯亚景.我国互联网银行发展战略及政策监管——基于微众银行和网商银行的案例分析[J].现代经济探讨，2016（07）：42-46.

[2] 陆岷峰，虞鹏飞.互联网金融背景下商业银行“大数据”战略研究——基于互联网金融在商业银行转型升级中的运用[J].经济与管理，2015，29（03）：31-38.

[3] 庞淑娟.大数据在银行信用风险管理中的应用[J].征信，2015，33（03）：12-15.

[4] 张智，傅晓军，王腾飞.对征信中心个人信用评分产品开发的思考[J].征信，2012，30（03）：25-28.

[5] 中国金融四十人论坛互联网银行课题组，张晓朴，姚勇.互联网银行风险管理：基于传统银行的比较研究[J].新金融评论，2017（02）：95-118.

作者简介：

林烨晗，女，1994年3月23日出生—，四川成都人，汉族，硕士，研究方向：风险管理，工作单位：四川天府金融租赁有限公司，邮政编码：610011。