征信类数字金融服务模式的美国经验及启示

摘   要：征信是市场经济的重要基础设施，数字经济的发展催生了征信类数字金融服务。目前美国征信类数字金融服务蓬勃发展，形成了典型的征信类数字化金融服务模式。我国征信类数字金融服务模式主要是互联网模式，与美国征信类数字金融服务有明显差异。本分析了美国征信类数字化金融服务模式的典型案例，探讨了我国征信类数字化金融服务发展中存在的问题，并就推动我国征信类数字金融服务业的健康发展提出针对性的政策建议。

关键词：征信;互联网;数字金融;经验启示

DOI：10.3969/j.issn.1003-9031.2020.09.008

中图分类号：F832.3 文献标识码：A           文章编号：1003-9031（2020）09-0067-06

一、引言

征信通常是指通过第三方依法合规采集、整理、加工、提供企业和个人的信用信息，并评价其资信状况，以满足其他社会主体在信用交易中对信用信息的查询需要的专业活动。征信属于信用信息服务，是提高信用水平的手段与工具。征信体系建设可以帮助债权人了解债务人的经营水平、还款能力，防范经济交往中的信用风险，缓解授信方与受信方之间的信息不对称，特别是可以有效降低放贷组织的信贷风险。近年来，我国政府高度重视征信体系建设，大力鼓励运用互联网、大数据、人工智能开展征信业务创新，着力提升我国小微企业和个人金融服务质量和水平，数字类征信的发展可以有效弥补传统征信的不足，广泛应用于小微企业信贷和个人消费金融行业。

中美两国征信类数字金融服务模式存在较为明显的特征差異。当前，美国征信类数字金融服务蓬勃发展，形成了征信典型模式，基于全面准确的信用信息而开发的信用报告、信用评分等征信服务和产品能够有效揭示信用主体信用状况、解决小微企业、个人与放贷机构之间的信息不对称问题，从而提升信用主体融资的可获得性和便利程度。而我国征信数字金融服务主要是互联网模式，积极运用金融科技手段，依托互联网构建金融服务平台探索解决信息主体与金融机构之间的信息不对称问题。如江苏省苏州市采用“政府+市场”双轮驱动的地方征信体系发展模式，构建地方性的大数据征信金融服务平台，获得人民银行批准设立全国首个“小微企业数字征信实验区”，积极探索征信服务中小微企业融资的新模式。互联网金融科技公司积极进行创新，陆续推出多样化的征信类数字化金融产品，不断满足市场主体的融资需求。

二、美国征信类数字金融服务模式的典型案例分析

目前，美国的数字金融服务模式主要包括征信服务与信贷服务两大类，数字化金融服务机构主要是提供专业化、特色化的金融服务产品，比较成功的金融服务公司有Credit Karma（科瑞得卡玛）公司和ZestFinance（泽思金融）公司。

（一）Credit Karma公司

与国内大型平台垄断格局不同，Credit Karma公司成立于2008年，是最早的互联网金融公司之一。Credit Karma公司的核心理念是为用户提供免费信用报告及免费信用评分。

1.定位准确，提供个性化征信服务。Credit Karma公司主要提供包括简化版的信用报告、信用评价、信用画像、信用监督和信贷产品推荐在内的五类免费征信产品。其中，前四类产品就可以满足客户的常规征信需求，第五类产品主要是满足客户潜在的信贷需求。Credit Karma公司建立了自己的移动应用和管理平台，为客户提供高附加值的征信服务。移动应用软件可以方便用户实时查询自己的信用状况，管理平台有助于用户了解自身财务汇总情况及各项财务对自身信用的影响程度。Credit Karma公司的盈利模式为基于用户信用状况及金融产品可得性，为用户提供金融机构的产品广告，并收取广告费用。

2.合作共赢，探索开放式发展模式。在大数据征信过程中，Credit Karma公司主要通过多方合作来实现数据拓展及技术提升。一方面，Credit Karma公司积极与传统信用行业巨头Equifax（艾克飞）和TransUnion（环联）合作，吸收互联网巨头谷歌的投资。另一方面，加强与商业银行的合作，搭建信用卡推荐、搜索和管理平台。目前， Credit Karma公司的数据主要来源于传统征信机构及平台用户，提供的个人信用报告及信用评分则直接来自于Equifax（艾克飞）和TransUnion（环联）。未来，Credit Karma公司有可能进一步加强数据与技术融合，依靠数据挖掘及算法分析提供个性化推荐服务，并推出自主开发的大数据信用评分产品。

（二）ZestFinance公司

ZestFinance公司成立于2009年，是当前最为热门的大数据征信公司。其研发团队由数学家及计算机科学家组成。成立之初，ZestFinance公司主要通过ZestCash平台提供个人信用评估服务发展放贷服务。在大数据征信理念上，ZestFinance公司坚持“一切数据皆信用”“数据缺失即是信息”，致力于为美国三大个人征信机构无法覆盖的人群提供服务。这些人群一般没有信贷记录或信用记录不好（美国个人消费信用评估公司评分通常低于500，大约占全美人数的15%）。在大数据评分思想上，与传统评分模型依赖“强相关”数据不同，ZestFinance公司更加注重利用“弱相关”数据反映用户还款能力及还款意愿。

ZestFinance公司的最大创新在于运用“大数据+机器学习”方法构建新的评分体系。在变量选取上，ZestFinance公司基于第三方数据、用户自身数据以及互联网数据（传统信贷数据占比仅40%左右），提取多达70000个原始变量。在评分方法上，与传统线性回归不同，ZestFinance公司采用机器学习算法。通过机器学习，ZestFinance公司不仅能够获得准确评分，降低信贷坏账率，并能实现在控制坏账率的同时，提高信贷通过率，从而增加信贷业务的整体利润。在模型的使用中，ZestFinance公司不取决于单个模型的结果，而是通过原始数据提取、数据转换、元变量生成、模块创建、分数合成等步骤，基于数十个模型得出最终评分。与此同时，ZestFinance公司还通过挖掘相关规则来防范欺诈风险。事实上，无论是数据还是模型，ZestFinance公司均会进行不定期更新，以应对外界环境变化，并确保评分效果始终保持稳定。据其官网信息显示，相比于传统信贷，ZestFinance公司的处理效率提升近90%，风险控制性能提升近40%。

三、我国征信类数字金融发展中存在问题

（一）我国征信类数据的累积存在明显的短板

征信数据的累积是开展数字金融的基础，而我国征信类数据累积与国外成熟国家相比还有明显差异。从历史发展看，我国的个人征信体系建设不足20年，而美国个人征信巨头Experian（益百利）的起源则可追溯至200多年前。我国最早的消费信贷，是由国外引入的信用卡，发卡主体是商业银行，拥有一定财富的信用卡持有人是人民银行个人征信系统最早覆盖的群体。与之不同的是，美国最早的消费信贷，是为促销商品而催生的“赊销模式”，从业主体是大型商场。从被采集信息群体看，我国最早反映个人信用状况的数据来自于金融机构，这也是人民银行个人征信系统以金融类数据为主的原因。由于人民银行个人信贷信息系统主要是为银行收集数据，而国内银行长期“偏好”高收入群体，因此，人民银行个人信贷信息系统仅能覆盖有限群体。美国最早反映个人信用状况的数据来自于实体商户，消费数据是反映个人信用状况的原始信息，多样的消费者类型使得美国个人征信机构覆盖范围广泛。从信息采集模式来看，我国采取政府主导模式，人民银行的个人信用信息系统从银行和其他公共部门收集数据。美国采用市场主导模式，即市场规模较大的个人征信机构通过并购，整合数据，技术和信息服务公司形成目前三大个体信贷机构的格局。美国的市场主导模式相比我国的政府主导模式，征信服务模式更加灵活高效，更有利于数据整合和服务产品创新。

（二）我国征信类数据存在严重的孤岛问题

我国信用信息的渗透率低，数据存在严重的孤岛问题，造成我国征信类数字金融形成垄断发展格局。一是消费文化差异使得国内外的信贷主体类型相差较大。我国消费文化尚未形成，储蓄观念深入人心，以信用卡为主要载体的消费金融业务覆盖面有限。人民银行的个人信贷系统覆盖的人口不到全国总人口的30%。因此，长期禁锢大众消费文化是造成国内信用数据孤岛的深层原因，在20世纪初，美国已经形成了“大众消费”文化，各界对提高生活质量有共同的目标追求;从而有力推动美国消费信贷市场的繁荣和发展，扩大个人征信机构的覆盖范围。目前，美国三大个人信用机构的个人信用记录已超过90%的总人口。二是国内互联网巨头对“替代数据”的垄断加剧了数据孤岛问题。当前，我国绝大多数人都没有信用记录，当人民银行的个人信用报告系统无法改善这种状况时，互联网巨头如阿里、腾讯、百度和京东已成为为没有信用记录的人服务的“主角”。从盈利的角度来看，数据是核心竞争力，在当事人不愿意分享自己的数据的情况下，孤岛问题更加严重。在美国，信用记录缺失者的信用报告中主要采用“替代数据”，如电信计费数据、租赁数据、电子商务消费数据、教育数据、社会数据、手机通信数据、心理行为数据等“替代数据”，但仅是三大个人信用机构的一个补充。

（三）我国征信类数据发展环境存在一些制约因素

由于信用信息系统建设涉及到公民的个人隐私等，需要以法律来保障对个人信息的采集、加工和使用制定出明确的标准，但我国在这方面相关法律还处于空白。在数据不能共享的情况下，征信信息应用范围较为有限，只能在特定场景为特定人群服务。如果个别征信机构无法打通数据孤岛的限制，那么大数据征信效应将无法发挥。

（四）我国征信类数字金融模式存在技术瓶颈

除了京东金融服务公司对外披露其评分模型之外，其他互联网金融公司都没有对外说明其具体的评分方法。美国最大的三家征信机构掌握着90%人口的信用数据，这些数据与个人信用状况之间存在着“强烈的相关性”，逻辑回归模型方法在识别这种关系方面“很擅长”，因此，高质量的征信数据是应用逻辑回归模型分析法的前提。而ZestFinance公司由于使用大量与个人信用状况不一定“密切相关”的“替代数据”为信用记录缺失的人打分，逻辑回归模型可能无法取得良好的得分结果，使用机器学习算法效果更好。一方面，人民银行个人信用体系个人信用数据不完整，数据规范性不高，我国的征信数据质量与发达国家相比普遍偏低。另一方面，互联网金融公司拥有的大量“替代数据”与个人信用的关系有天然的联系，并不是简单的逻辑回归关系，而我国大多数机器学习算法仍使用逻辑回归模型方法。除京东金融服务公司对外披露其评分模型之外，其他互联网金融公司都没有对外说明其具体的评分方法。探索应用基于“替代数据”的机器学习算法，将是我国未来征信类数字金融发展的优先方向。

四、政策建议

信用是市场经济的基础，数字金融的健康发展离不开信用体系的支持，为此，我国应积极创造条件加快征信类金融服务体系建设。

（一）完善征信法制体系，强化征信监管

目前我国在信息采集、信息流动、信息报告及信息保护方面的法律基础薄弱，信息数据立法体系还不完善。建议有关部门加快推进信息数据立法工作，注重数据收集质量，保障数据安全，建立健全征信市场准入和退出机制，建立起国家法律、部门规章、规范性文件共同组成的多层次法规保障体系，对信息界定、采集、流动及公布等方面进行法规明确，筑牢信息保护的法律基石，为我国信用数字金融行业健康规范发展创造良好条件。

（二）建立科学的信用数据标准，扩大信用数据采集范围

当前，民间征信机构快速增加，民营信用机构的信用信息不仅包括个人基本信息、社会信息、贷款信息、信用卡信息、金融领域以外的信用信息等基础金融数据，还包括司法数据、行政数据、电子商务数据等其他信息，用户信息复杂多样，建议有关部门应制定统一的数据规范，充分利用互联网和移动终端平台，在商业银行等持牌金融机构传统数据源的基础上，规范收集各类数据，并应充分利用大数据、区块链等先进技术，努力建设多样化的征信市场竞争格局，有效扩大征信服务范围。

（三）加大技术创新力度，构建数据共享模型

数据化时代，要深化数据化技术在征信行业的创新导向作用，生产满足时代需求的数据化征信产品。以前，征信机構挖掘企业和个人信息经常遇到阻力，数据挖掘的数量规模较小，数据分析能力不足。随着信息技术的发展，征信行业从工业化时代过渡到电子化时代，再发展到大数据时代，征信数据挖掘分析能力空前提高，从而能更加科学地反映用户的征信状况。数据化与征信的融合不仅引发了新一轮征信技术的创新与变革，更给整个征信行业带来了无限的想象与发展空间。数据化技术融入征信系统建设，采用分布式系统架构，搭建虚拟化平台，提升了数据库的扩展性和可用性，降低了架构的复杂度，在数据技术创新的驱动下，构建了实时数据共享模型，从而实现了征信机构之间的数据共享。

（四）完善数据管理体系建设，提升信用信息数据质量

数据是征信行业的生命线，也是其业务发展的根基。在信息爆炸的时代，虽然信息量较大，但存在數据错报、漏报、未及时更新等信息质量低、虚假、无效的情况。因此，我们必须提高信息质量，保持良好的责任心，加强对数据的识别和响应能力，强化数据管理能力建设，增强信用信息的含金量。同时，利用一些技术手段对海量数据进行分析处理，将大量不相关的数据转化为有用的信息，从而形成有效决策。随着数据丰富完善，必将吸引更多征信机构加入征信市场，进而形成良性互动的发展局面。

（五）构建统一征信平台，实现征信数据共享

统一征信共享平台，是一个开放的平台，平台的底层使用开源的技术，而所有的技术包括程序的代码，除部分专利保护之外，平台的参与者可以完整获取，且使用者权利和义务对等。构建统一征信共享平台，需要建立统一的身份识别和数据认证的标准，对征信从业者进行精确识别，建立统一的数据认证标准，以实现跨平台、跨机构的数据和信息共享。同时，政府需要发挥主导作用，明确信用数据共享的条件和要求，提高数据共享的激励约束机制。

（责任编辑：王艳）

参考文献：

[1]何飞.国内外数字金融模式研究[J].农村金融研究，2019（6）：23-29.

[2]王便芳，周燕.从数字到数据：征信系统数据化转型研究[J].征信，2019（8）：21-25.

[3]何宏庆.数字金融：经济高质量发展的重要驱动[J].西安财经学院学报，2019（4）：45-51.

[4]何宏庆.数字金融的发展困境与创新进路[J].甘肃社会科学，2019（1）：166-177.

[5]单建军.数字货币发展现状与监管研究[J].海南金融，2019（10）：77-81.

[6]林汉川，张万军，杨柳.基于大数据的个人信用风险评估关键技术研究[J].管理现代化，2016（2）：95-97.

[7]冯科，何理.互联网消费金融的创新[J].中国金融，2016（11）：32-34.

[8]刘新海，丁伟.美国ZestFinance公司大数据征信实践[J].征信，2015（8）：27-32.

[9]单建军.金融科技发展及潜在的金融稳定影响分析[J].金融科技时代，2019（10）：63-67.

[10]张吉光.美国个人征信体系的发展与启示[J].经济纵横，2003（4）：35-39.