浅析金融科技背景下我国征信体系建设进展

摘要：在金融科技快速发展的背景下，区块链、云计算、大数据、人工智能等技术的快速迭代为征信业发展带来了无限的可能性，我国征信体系建设步伐越来越快。本文针对当前金融科技在我国征信体系建设中的应用情况及不足之处，借鉴欧美国家的先进经验，提出了加强法制建设、完善监管体系、提升信用评估模型以及构建大数据征信平台等多种应对措施。

关键词：金融科技：征信数据：监管体系

一、引言

随着金融科技的快速发展，金融业迎来了巨大的变革。征信业通过有效运用互联网、大数据、区块链等技术，全面、及时、精准地对各类市场经济主体的信用活动进行记录，有助于准确评估交易对手的信用风险，减少违约事件，降低交易成本，提升资源配置效率。因此，在建立健全法律法规、强化顶层设计的前提下，征信新业态开始重视金融科技手段，这对于我国普惠金融的发展大有裨益，有助于我国社会信用体系建设迈上新台阶。

二、我国征信体系发展现状

征信是指对企业、事业单位等组织（以下统称“企业”）的信用信息和个人的信用信息进行采集、整理、保存、加工，并向信息使用者提供的活动。征信通过记录经济主体及时、准确、完整的信用活动，使信息的实时共享变成可能，提高了识别个体风险的能力，有效解决了借贷双方之问信息的不对称性，极大地提高了交易效率。

与发达国家相比，我国信用体系建设起步较晚，数据主要产生于金融系统的信贷交易。经过十多年的发展，逐步形成公共征信和社会征信相互补充的信用体系。所谓公共征信，主要是指国家信用信息基础数据库收录的信息。截至当前，该数据库已收录了超过2600万户的企业、其他法人组织的信用信息以及近10亿自然人的信用信息，信用信息数据来源于众多的传统金融机构，基本覆盖了国内传统信贷市场，共同构成我国信用体系的根基。所谓社会征信，指的是成立于2018年5月的百行征信，发起单位包括中国互联网金融协会和8家市场化机构，该机构已成为我国唯一一家经人民银行批准，允许从事个人征信业务的机构，目前已对接了超过600家机构的信用信息，并推出了个人信用报告等三种征信服务产品，是补充和完善人民银行征信系统的重要组成部分。

三、金融科技开启征信发展新格局

（一）金融科技助力征信业发展的现实案例

金融科技在征信领域的普及应用，正深刻地影响着个人信用数据内涵、外延及处理流程，解决传统征信模型中预测变量较少、计算机运算能力较弱等问题，不断优化、修正现有模型，从而有力推动征信产品的创新发展，扩大征信服务的覆盖面，提高征信产品的预测准确性。金融科技已经与信用社会建设成为共同体，成为促进信用社会建设的强大动力。

1. SoFi（ Social Finance，lnc.）

长期以来，FICO信用评分体系在美国信用评级市场的主导地位不可撼动，它是在Equifax、Experian、TransUnion这三大美国传统征信机构的数据基础上开发的标准化评分体系，主要根据被评估对象的信贷记录、信用账户数量、账户使用年限、总负债水平等因素得出对应的信用评分。在美国，使用FICO作为信贷决策主要依据的信贷机构超过92%。

SoFi（ Social Finance，Ine.）是一家创立于2011年的网贷公司。创立之初，SoFi便深入研究了美国学生贷款的违约情况，发现全美排名前200位的高校学生的平均违约率只有不到1.6%，远低于整体平均违约率，于是便把目标客户群定位在全美排名前200位高校的热门专业学生，他们认为这个群体是未来各行业精英的起源。收入高但并不富裕的“HENRYs”（High Earners，Not Rich Yet）。虽然FICO信用评分是主流信贷市场的主要参照依据，但由于其征信数据主要来源于信贷记录，对于信用历史较短或无借贷记录的人群，传统的FICO评分可能无法准确刻面被评估对象的信用状况。

SoFi借助互联网、大数据等金融科技手段，大大拓展了传统信用评分的覆盖面，并通过综合分析借款学生在校学习情况、未来发展前景等非传统评估维度来做出信贷决策，征信预测模型的预测准确度大大提高。此外，SoFi根据个体信用情况提供差别化利率，以社交网络为基础，通过借贷双方的特定社会关系形成信用基础，降低违约率。

2.ZestFinance

ZestFinanee是一家为FICO评分低于500分的人群提供贷款服务的互联网金融公司。在美国，FICO评分低于500分的人群占比不到5%，但信贷违约率超过90%。如前文所述，传统信用评分模型主要参照被评估对象的信贷记录、信用账户数量、账户使用年限、总负债水平等因素，仅包含几十个由历史信用信息组成的变量，往往难以准确评估借款人的还款能力及还款意愿，且借款人能通过“操纵”其中几个变量来提高自身信用评分。

ZestFinance利用大數据技术及强大的模型开发能力，整合包括被评估对象的工作及收入状况、房租缴纳记录、社交网络信息等大量分散在不同信贷机构的局部数据信息，形成全局信息，利用超过7万个变量分析被评估对象的行为，力求反映FICO评分极低人群的真实信用状况，挖掘了传统金融机构未触及人群的需求，推动了普惠金融的发展。

3.芝麻信用

芝麻信用是蚂蚁金服旗下提供征信服务的子公司。目前，大家熟知的淘宝、天猫以及支付宝等平台，占据了我国网购及第三方支付的半边江山，用户在这些平台上产生了大量交易数据，这些数据均被上传到其征信平台，作为信用评分的依据。

得益于大数据、云计算等金融技术的发展，阿里巴巴旗下电商平台长期以来形成的大量、真实的交易数据为芝麻信用进行信用评分提供了可靠依据，且该信用评分已被广泛应用于阿里巴巴旗下平台的众多场景，如免押金租房、免押金租车、酒店后付款等。这是对我国以政府为主导的征信体系的重要补充，对完善我国个人征信体系起到了积极作用。

（二）征信业发展面临的机遇

金融科技的助力为征信业发展带来的益处主要体现在以下几个方面。第一，金融科技的发展扩大了征信业的市场空问。新兴金融业态如P2P、互联网保险等的产生，促使社会对全面、准确的信用评价的需求愈加强烈，从而催生出更多征信相关的产品。第二，金融科技的引入可以吸收更具多样性的行为数据。过去，征信数据的收集效率比较有限。随着互联网和大数据的普及，依托大数据及云计算技术优势，大量数据碎片问的关联性得以被挖掘，信用风险评估的数据维度越来越广，从而推动数据统计模型不断迭代优化，得以更科学地反映用户的信用状况。第三，金融科技技术的引入使信用评估结果更为准确。例如，大数据征信模型吸收了海量数据，结合多种信用模型进行多角度分析，使得评估结果更加全面、准确，大大提高了模型的评估性能。第四，金融科技带来了更具及时的评判标准。南于缺乏实效性数据的输入，传统风控模型反映的往往是滞后数据的结果，这直接导致结构性风险的增大。通过引入大数据的数据采集、云计算等技术，实时的风险管理视图得以被建立。

四、我国征信业发展的现存问题

（一）信息安全存在风险隐患

目前，大数据、区块链、云计算以及人工智能等技术在征信领域的應用实践越来越多，由于网络环境本身的虚拟性、快捷性，征信信息的安全保护问题就显得更为突出。随着金融科技领域的信息泄露事件频频被曝光，个人信息安全与征信数据应用之问的矛盾日益尖锐。在征信数据应用的开发与使用过程中，其中包含的隐私数据的收集无处不在，且难以有效地监管这些收集行为的告知义务是否履行：对个人而言，其隐私数据在互联网的提交过程中呈现失控状态，在这种情况下，无论是个人还是数据的使用者都难以控制隐私数据的应用情境。同时，引入云计算技术对大数据进行多维度验证分析可能会暴露更多个人隐私问题，在信息的采集、保存和使用上都存在着很大的泄露风险。通过互联网获取信息更为容易，犯罪成本更低，征信信息被贩卖的风险也会加大。此外，当前信息主体的风险意识普遍较弱，信息主体在互联网上录入个人信息时具有随意性，从而加剧了信息安全风险。

（二）现有法律制度及监管机制无法适应新形势下的征信体系

虽然我国已经制定《征信业管理条例》（以下简称《条例》）来规范征信行业的发展，但该条例的效力层级较低，制度较为分散，不成体系，且规则不够完善。而且《条例》出台于2013年，是基于传统征信行业而制定的，当时金融科技这一概念尚未被明确。因此，在互联网快速发展的背景下，很可能出现《条例》无法适应金融科技时代征信业发展的情况。例如，《条例》明确规定了中国人民银行通过现场检查对征信行业进行监管的权利，但大数据征信“虚拟化的信息搜索和整合以及数据库的生成”这一基本特点决定了传统的检查手段无法满足对大数据征信的有效监管。此外，作为我国最主要的征信监管机构，人民银行不仅是征信行业的监管者，也是金融信用信息基础数据库的建设者和维护者。在整个监管体系中，缺乏不从事征信市场业务的独立第三方监管机构。行业内还未成立征信业相关的组织或协会，不利于行业机构规范经营理念的形成。

（三）数据的准确性及模型的确立有待检验

在我国利用大数据等金融科技手段从事征信业务的机构中，大多呈现出一种“自给自足”的状态，即依靠内部生态系统来进行数据的采集，这会导致信用评价不准确的情况发生，如本集团产品的忠实用户容易获得高评分，而一般用户评分往往较低。即使收集征信数据的机构能有意识地做到客观公正，“信息孤岛”的存在仍将在很大程度上影响信用评价的准确性。目前，用户的征信信息大多分散在各自独立的数据库中，各家机构采集的数据仅限于内部生态系统。而且，以社保信息、公积金信息、水电气缴费信息等为代表的政府公共信息仍未完全实现互联共享。因此，仅仅依靠各个独立的征信机构内部数据难以支撑新时代征信业的全面发展。除此之外，传统征信数据模型在确定之前已发展了近百年，且目前仍在不断完善中，金融科技时代征信数据模型的确立及实践效果势必要经过长时问的检验。

五、国外征信体系建设的经验总结

（一）个人权益保护

在欧盟出台的《数据保护法》里明确规定，没有征得本人同意的情况下，禁止披露涉及民族问题、种族问题、宗教信仰等方面的敏感话题。对于信息的采集时信息主体的知情权，国家各有特点。其中，德国的相关法律中规定，收集个人信息时，要经过信息主体的同意后给予书面授权，并向信息主体解释清楚信息的用途之后，才能进行信息采集。而美国则采用了“选退”模式，也就是说信息主体可以拒绝征信机构采集个人信息的行为。如果遇到信息主体的身份信息泄露，他们有权在征信报告中免费设置预警，也可以申请安全冻结信用申请。同时，美国信用报告可以对个人的负面、正面情况进行全面展示，这有利于征信机构全面了解信息主体的综合情况。

（二）法律法规建设

自20世纪60年代起，美国就开始制定信用相关的法律，目前共出台了17部涉及个人征信的法律。在第1部个人征信行业法规《城市信贷法》以及第2部最具代表性的《公平信用报告法》出台后，义相继颁布了15部法律。这17部法律涵盖信息的收集、公布、使用和信息准确性的保证等多个方面，各部法律互为补充，共同促进征信行业的规范发展。除美国外，欧盟国家在数据立法方面亦处于超前地位。1978年，法国出台《信息技术与自由法案》，规定信息收集的授权、目的、用途必须被公开，不得影响信息主体的私生活;1981年，欧盟发布《个人自动文档保护公约》，规定了敏感数据、个人知情权及跨国数据传输等内容：1984年，英国出台《数据保护法》，明确规定信息泄露的信息主体享有赔偿权;2012年，欧盟出台《欧盟数据保护条例》，该条例涵盖数据安全处理、数据外泄及响应措施、数据主体授权等多个方面，是欧盟数据保护法律制度的核心。

（三）信用评估模型

依托互联网金融和大数据技术，大数据征信在国外市场上的创新应用也在不断增加。国外三大征信机构（ Ex-perian、Eauifax、Dun&Bradstreet）和FICO都展开了利用大数据技术来完善传统信用评估体系的前瞻性研究探索，如Experian开始关注社交网络数据对信用评分的影响、FICO开始在线评估的信息一厂-具和基于互联网的信用评估系统项目研究。最具领先地位的是美国互联网金融公司Zest-Finance，它作为大数据征信的先行者，除了将传统征信体系中的决策变量，还将社交网络、互联网行为等能够影响用户信用的其他因素也运用到信息主体的评估坐标中，通过大数据挖掘和模式开发，评估出信息主体的真实信用状态。ZestFinance可以处理超过3500个数据项，提取近7万个变量，利用身份验证模型、欺诈模型、预付能力模型、还款能力模型等十几个模型同时进行分析，使得评价结果更加全面准确、评估性能大大提高。继ZestFinance之后，国外越来越多的征信公司如德国的Krediteeh、美国的Kahbage均采用上述基于大数据技术的信用风险评估框架。

（四）数据维度

欧美国家在信用模型上的創新除了纳入传统的金融信贷信息外，还使用大量的网络数据，包括消费及财务数据、智能手机记录数据、日常活动数据、社交媒体缓存数据等等，通过多维度的征信数据对个人征信进行更为全面的评估。例如，美国公司TransUnion采用传统信用数据、替代信用数据（租赁及公共设施支付信息等）、公共记录和专有数据库（医疗资格及房租交付信息等）相结合的多维数据：ZestFinance更是遵循“一切皆为信用”的基本原则，从还款能力和还款意愿两个方面切入，将一切可利用的数据运用到信用评估中，内容涵盖个人收入、税务信息、搬家情况、网络点击记录甚至书写习惯等信息。

六、我国个人征信体系建设的措施

（一）完善征信法律法规，构建新型征信业务规则

针对我国征信法律体系中的空白领域和模糊地带，完善现行征信法律法规，将金融科技时代的征信业务纳入现行征信法律法规体系之中，明确这一领域的数据采集、数据质量、数据处理、数据使用等相关规则，尤其是对征信数据的采集范围、使用原则和信息安全等问题，应做出明确的法律安排。法律体系的建立不是一蹴而就的过程，应根据金融科技背景下的征信业务在开展中面临的挑战和个体的诉求不断地对法律法规进行补充修改，最终构建成全面合理的征信管理体系。

（二）打破“信息孤岛”壁垒，构建大数据征信平台

首先，通过健全信息公开制度，政府信用信息的共享程度不断提高。整合各类政府部门的信息资源，构建完善的社会信息平台，有利于信息资本向资源资本的转化。其次，通过完善立法框架和体制，为实现共享大数据提供了制度保障，有利于数据资源的共享和接入。虽然，当前我国已经建立了信息共享的交换机制，但依然存在“信息孤岛”，数据壁垒阻碍了信息的共享程度。这就要求加快征信标准和格式的统一，破除数据资源的壁垒，推动数据问的深度融合。再次，要建立行业协会组织，提供行业数据信息的透明度，打破资源壁垒，推动征信机构之间的协调、沟通与发展，使得数据信息得到最大限度的聚合，进而实现真正的“大数据效应”。

（三）提高数据质量，提升信用评估模型的准确性

征信数据维度的扩充，势必会导致数据错误、数据遗漏、数据丢失等现象的加剧。这就需要结合交叉验证、数据清洗等多重技术，有效识别用户身份，抓取遗漏的数据，从而确保数据的真实、完整、有效。与此同时，应在吸收、借鉴国外创新模型的基础上，不断完善现有信用评估模型，发掘数据与信用风险问的关联性。通过综合分析用户属性、商品信息、过往交易记录及评价信息等，预测用户的违约率和逾期率，提升信用评估模型的准确性和有效性。最后，还应逐步扩大信用评估模型的适用群体范围，避免对同集团下活跃度不够的用户信用评价不公的问题。

（四）顺应金融科技发展趋势，健全征信监管体系

我们要积极探索金融科技背景下征信行业的监管措施。首先，将机构监管与行为监管相结合。对于掌握海量数据的企业，应在监管业务主体和业务本身的基础上，重点监督其信息来源、采集范围、业务流程及使用行为等多个方面。其次，将分类监管与动态监管相结合。针对不同种类和规模的征信机构，严格实施市场准入、非现场检查及现场检查相结合的监管流程：此外，针对以大数据、云计算为特点的征信业务，加快建立事前、事中、事后全面监督体系。

参考文献：

[1]朱焕启.金融科技在市场化个人征信领域的应用前瞻[J].金融电子化，2018（12）：41-44.

[2]吕娜.关于互联网金融个人征信的几点思考——以芝麻信用为例[J].时代金融，2017（11）：66-69.

[3]舒南，陈燕，路昊天.互联网金融模式下征信存在的问题及策略研究[J].中国管理信息化，2018（ 14）：103 -105.

[4]崔立群.基于互联网金融平台的大数据征信应用研究[J].时代金融，2018（4）：21-23.

作者简介：

刘茜，厦门国际金融技术有限公司，上海。