电力大数据用于企业征信的适用性探讨和商业模式分析

田英杰，赵莹莹，苏 运，徐蓓芸

(1.国网上海市电力公司电力科学研究院，上海 200437；2.华东电力试验研究院有限公司，上海 200437；3.星环信息科技(上海)股份有限公司，上海 200233)

数据已成为国家战略性资源，并作为新型生产要素写入中央关于要素市场化配置的文件中。2020年《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》发布，明确把数据作为新型生产要素与土地、劳动力、资本、技术等传统要素并列，并提出提升社会数据资源价值，培育数字经济新产业、新业态和新模式，规范数据开发利用场景的要求。中国人民银行印发的金融科技发展规划(2019—2021年)提出：在切实保障个人隐私、商业秘密与敏感数据前提下，强化金融与司法、社保、工商、税务、海关、电力、电信等行业的数据资源融合应用，建立健全数据融合应用机制，实现数据资源有效整合与深度利用。随着“数字电网”建设和数字化转型工作的全面推进，全面推进数据资产快速流通，规范数据资产开放共享交易行为，进一步释放电力数据作为新型生产要素的价值迫在眉睫。

企业征信作为社会信用体系的基础，是国民生活和商业经济的发展基石。随着新的金融、政府侧的数据公开和大数据应用趋势，电力大数据在企业征信领域的应用具有探索的意义和价值。从电力数据的特点和应用价值看，企业用电数据作为反映企业生产经营状况的时序变量，具有时效性强、连续性好、覆盖面广等显著特征，能够很好地预测宏观经济走势、行业发展趋势及用户需求变化，蕴含着巨大的政用、商用及民用价值，可以用于公司政府侧散、乱、污监测预警，电量监控，中小企业用电情况精确统计，扶贫成效分析等场景。金融机构、金融监管机构通过企业用电情况、缴费信用情况等方面精准洞察企业真实生产情况，靶向性识别空壳企业等场景。电力征信信息可服务于其他授信市场，促进各类征信平台进一步完善征信信息，并为市场参与各方提供决策依据，解决政府、企业自身及其他企业业务痛点，进一步加强防范信用风险，提高社会信用意识。

1 国内企业征信行业现状

我国最早引进征信系统的是银行、金融等商业机构，从信贷征信起步，逐步扩展至政府及社会信用、市场主体之间的商业信用等领域。目前国内征信市场主要由国资背景的征信公司、互联网巨头为背景的大数据征信公司、传统征信公司和外资背景征信公司构成的第三方征信机构组成。政府征信机构主要有央行征信系统，征信的使用对象主要为金融机构。

以互联网为背景的大数据征信公司分别基于海量数据开发了自有征信产品线。阿里巴巴的芝麻信用主要面向个人征信，通过个人消费、出行、租房、公共事业等数据进行行为分析、用户征信画像并生成信用评分。腾讯主要在人脸识别、反欺诈和信用评分等三个方面开发产品，其优势在于连接没有信贷及征信记录的用户和有记录的用户，建立起征信记录；对商业银行、金融机构等用户，通过交叉对比腾讯的信用记录有助于判断用户的风险或价值。第三方的征信机构也各有侧重，有专注个人征信的考拉征信、华道征信，也有专门为企业机构提供征信服务的前海征信、中智诚征信等。各家征信机构在自有数据上已形成了各自差异化优势，产品包括营销、信用和预警等不同方向，覆盖贷前、贷中到贷后整个产业链，在场景上，大多数征信机构还是集中于金融领域，部分机构已经开始积极拓展金融以外的信用应用场景。

国内征信体系目前尚不完善，征信产品主要是基于数据开发的应用，由于在征信产业链所处的位置不同和侧重的征信方向不同，各个征信机构的商业模式均有差异。大数据征信的全产业链包括数据集成、数据建模、数据产品方案三个关键环节，如图1所示。

图1 国内大数据企业征信机构的业务模式

各家机构分散在链路的不同环节并直接面向企业用户，导致了目前产业体系完整度欠缺，数据服务的链条有一定的脱节，企业征信在数据上存在以下问题。

(1)信用信息来源匮乏，数据连贯性不好。企业征信数据的主要来源为工商法务数据，数据收集不全面，并且通常收集的是企业历史数据，存在数据缺失问题。对反映企业信用风险有一定的滞后性，部分数据的获取渠道不具有权威性，数据存在真实性问题。与央行征信中心的数据相比，外部征信机构还存在信贷数据缺乏、数据准确性和稳定性不足、覆盖面不够广泛等问题；除自有数据以外，从外部获取的数据大多具有同质化问题。

(2)信用标准参差不齐。企业数据涵盖范围广，各个地区、各个行业都有各自不同的数据体系标准和不同的衡量维度，造成当前企业征信数据差异较大，数据难以整合，不具有通用性。由于各家机构的征信类产品侧重点不同，造成对同样的征信内容、同一家企业的信用评分也各不相同，评价的准确性和客观性有所欠缺。

(3)征信数据孤岛化。由于缺乏完善的数据共享机制，企业信用信息分散在各行业，不同系统之间的协调也有一定的难度，信息融合较为困难，单一的工商司法数据无法提供完整的企业信用画像。同时，随着新商业形态的涌现，征信需求的多样化，对信用信息的实时性和征信服务的高频性提出了新的挑战。有效地结合企业经营行为、能耗等维度的数据才能打破企业征信数据孤岛化，实现实时的企业征信管理。

2 电力数据的特点和适用性分析

电力数据主要包括营销数据、配电数据和设备数据，涵盖了电网调度运行、故障抢修、用电信息、营销管理等不同业务方向。从数据结构上可以分为结构化标准数据和异构数据。相较于其他行业数据，电力大数据具有一定行业独特性。

(1)用电数据的高时序性。电力数据采集频率较高、时序性强，并且历史数据相对完整，在短时间切片的范围内能构建高质量的数据，对于刻画用户用电状况具有一定的全面性。电力数据一般根据采集频率有96点数据和24点数据，96点数据即每15 min采集1个数据点，用户每天的96点数据即构成一天的负荷曲线。

(2)初始数据分级标准化。不同于其他数据源的信息采集标准分散，电力数据的采集分类标准统一。譬如电力数据对于用电类型分为居民、非居民用户，高压、低压用户，客户所属行业可以按照11种行业分类，包含工业、建筑、公共设施等，其中11种行业又有几百种细分分类。对企业用户高度细化的初始数据分类相较于其他数据源具有绝对的优势。

(3)用户基数巨大。电力数据几乎涵盖所有的行业和场景，传统的用户征信数据具有局限性，用户覆盖度远远不及电力用户覆盖度，电力数据在用户数量方面具有绝对的优势。

(4)用户行为连续。用户用电贯穿了生产、生活，用电数据能客观真实地反映经济情况和生产经营状况，可以实时了解用户用电行为，传统的信用信息数据具有滞后性且数据有碎片性不连贯。

(5)用户行为全面。基于用户用电量、用电时段等数据和用电曲线特征等信息，可以进行时间、空间不同维度的对比，全面了解用户行为。而传统的征信由于本身数据的局限性不具备多维度对比的条件。

电力大数据覆盖的企业用户基数巨大，并且拥有的企业信息相对完整，包含行业类型、用电、缴费、用电故障、服务投诉等不同方面。同时，电力大数据包含大量企业历史数据，对用户用电行为的记录，相比于其他行业数据具有较高的连贯性，能够很好地预测宏观经济走势、行业发展趋势及用户需求变化。通过与其他信用建设相关的数据信息融合，有助于解决目前企业征信信息孤岛化的问题。

3 电力征信业务商业模式分析

要实现数据增值变现的落地应用，需要结合电力数据的特点对电力征信业务的商业模式进行分析，参考主流市场相似数据源的典型业务，对电力征信业务的产品和服务模式、商业服务对象和盈利模式以及可能的产品形态进行了简要分析。

3.1 产品和服务模式

(1)数据贩卖模式。数据贩卖模式的核心价值在于探索数据的可用性，通过结合外部多源数据开发运营来提升行业自身的数据运营能力。例如中国电信与中国联通分别与咨询服务公司进行数据贩卖合作。中国电信通过与尼尔森进行合作，通过对电信数据的研究进行消费者跟踪研究；中国联通则通过与艾媒咨询合作“一起沃北极星”大数据平台给予开发者决策支持服务。数据贩卖模式对数据的质量要求较高，同时具有一定的局限性，合作前需要有严谨的模式研究以及清晰的价值分成划分，否则数据供应商只会成为养分供给者而丢失了最关键的数据价值并造成营收的损失。电力大数据的数据质量较高且数据规模巨大，通过再次加工，进一步提升数据质量后，在一定程度上可以采用数据贩卖的模式。

(2)专业化运营模式。专业化运营模式的核心价值在于通过内部数据的专业化运营、探索驱动外部市场的可能性。例如中国联通联合西班牙电信共同成立了一家新兴的大数据经营公司—智慧足迹数据科技有限公司，通过学习借鉴西班牙电信的大数据信息和分析打包业务经验，提升数据相关的本地化运营能力。中国电信推出了基于自身大数据创新的业务产品，针对风险防控、精准营销、区域洞察、咨询报告等4个方面进行业务运营探索。专业化运营的商业模式的难点在于组织内部的协同问题，在专业化运营的同时需要保障内部组织目标及外部商业模式的协调。

(3)数据生态模式。数据生态模式重点是开展多行业合作，打通数据与多生态数据融合，其核心在于通过引入外部生态提升数据运营，探索数据应用维度。例如上海联通通过与太平洋保险、海通证券等外部机构合作，融合电信大数据进行用户征信消费等方面进行探索。中国移动则联合医疗健康行业进行多生态的数据探索。数据生态模式的难点在于如何在保障数据的安全性下打造数据生态。由于数据生态需要融合多产业、多维度的数据以建立生态化跨维度合作，电力大数据需要在保障数据安全的前提下进行丰富的跨行业探索，譬如与金融行业、制造业、工商法机构的联合探索以构建数据生态新价值。

(4)数据服务产品化模式。数据服务产品化的核心在于对自有数据的创新开发。例如电信运营商曾构建平台以手机位置数据等面向旅游行业客户提供服务。数据服务产品化的难点在于保证数据产品创新的独特性，当前市场上的数据探索创新丰富多样，如何保持数据产品的独特性值得进一步探索。

3.2 商业服务对象

在电力大数据面向企业征信的场景下，除传统的金融机构：银行、保险、证券、信托外，政府监管部门和征信部门等也是未来电力数据服务的重要客户。“克强指数”通过对于耗电量、铁路货运量和贷款发放量3个指标作为经济状况的考察，是对电力数据面向政府部门形成有效价值的最好证明。同时，在国家大数据政策鼓励创新、积极探索新兴商业模式的背景下，除通信、电力数据外，水、气、物流等行业的数据创新应用也呈现萌芽的趋势，数据间的互联互通与融合，也会形成数据提供者之间良好的交易生态。

3.3 盈利模式

盈利模式定义了数据增值变现落地中的收支来源和收支方式。

(1)收支来源。在支出环节，需要投入的核心环节主要在数据产品的内部开发与外部运营上。内部开发侧重在数据的挖掘、服务模型的构建以及相应的服务平台的系统构建成本。外部运营上，为了数据增值变现的落地应用，对于已经形成的数据服务产品，需要结合当前的市场环境投入相应的运营成本，以保证产品在市场中的有效投放和长期稳定的运营。

(2)收费模式。数据服务在当前市场主流的收费方式以按量收费为主。例如中国人民银行个人征信查询服务，面向银行按使用量进行收费。电力数据服务在收费模式上，可结合互联网业务的形态，采用更灵活的模式。订阅付费模式采用了固定的收费方式，在此模式下并不对数据服务的使用量加以限制，该模式下更有利于增强服务使用者的粘性，提升数据服务的应用覆盖面，但面向业务量较大的场景中，该模式对于运营成本也提出了更高的要求。同时，因数据服务使用者的角色和业务规模不同，可以采用阶梯式收费的方式。随着电力数据服务的推行和普及，对于服务的调用量也会逐渐呈现上升趋势，阶梯式收费的方式在一定程度上弥补了高频使用者在订阅模式下付费少的不足，也更加灵活。数据付费的收费模式也并非一成不变，随着数据服务面向的企业和行业增加，更多元灵活的付费模式可以满足不同客户对于服务调用的付费需求。

3.4 典型产品

结合电力数据自身的特点和数据服务产品化的商业模式，本文初步设计了3类可以针对不同应用场景和价值目标的标签类数据服务产品。

3.4.1 用电量评级服务

根据企业名称，提供企业行业分类等基础信息及其用电信息，如月度、季度等周期性的用电量，该用电量在所处行业用电规模的等级等。通过企业在同类行业中的用电规模定位，快速得到企业在行业内生产经营规模，同时可以比较分析同行业内用电异常客户，将用电量规模显著低于行业内正常水平的客户作为高度异常客户筛选出，可以用于发现空壳企业等风险实体。

3.4.2 用电异常捕捉

根据企业名称，查询企业用电数据信息，并进行横向(同类型企业)以及纵向(不同年度)比较，分析企业运行情况，包括对企业在正常运营阶段出现用电量异常的情况进行筛查、根据企业同期与近期不同时间维度下的用电量波动情况，识别异常客户等。

(1)年度同期电量对比。从企业长期的用电情况分析，一般企业在不同年度的同期用电量具有相似性和周期性。基于企业所在用电规模和用电评级，若企业在当期用电量显著低于上一年同期水平，同时与同评级客户的用电量存在明显差异，则需要作为高度异常客户监测并同步调整企业评级情况。

(2)年度近期电量对比。从短期的用电情况分析，认为企业在没有季节性或周期性因素的影响下，企业的用电量一般近似平稳。如遇显著的季节性或周期性影响，用电量的浮动区间也具备一定的规律性，对企业当期用电量低于近期该评级下企业的最低水平，则需要作为存在潜在经营性风险的企业持续监测，并结合企业实际经营情况更新企业的评级。

(3)所在群体比较分析。在一定时间周期内，根据企业的用电情况，结合其所在客群、行业、区域用电情况，分析企业用电量波动情况。认为企业应当与其所在客群、行业、区域的用电变化保持部分一致(用电量、变化趋势等)，如存在用电量水平或变化情况异于其所在群体的用电情况，则需要将该企业作为潜在风险客户持续监测，同时结合实际情况调整企业评级情况。

3.4.3 企业生产行为分析

(1)企业生产行为分析。通过对用电数据的进一步加工，从用电量的角度得到企业“生产波动性”、“产能月环比”、“产能季同比”等标签，刻画企业客户的生产情况，描述企业的生产行为。

(2)行业景气分析。通过“行业名称”或“行业编号”，构建“某行业某月用电量情况”、“某行业某月新装机户变化”等描述行业经济情况的标签，刻画行业经济景气情况。

(3)区域景气标签。通过用电数据信息构建“某区域某月用电量情况”、“某区域某月新装机户变化”等标签，描述区域经济景气情况。

4 结语

在征信业务领域，相较于其他行业数据，电力大数据征信具有一定的适用性，电力用户稳定性高，采集的电力数据较为完整、数据覆盖范围广、时效性高、连续性好，能够对当前征信市场信用数据进行补充，实现对信用主体的多维度信用刻画。对于电力数据用于企业征信业务领域的商业模式，还需要综合考虑不同征信主体：政府、金融机构和企业的征信需求。针对不同客户和应用场景，研究电力数据如何对这些征信需求进行支撑，探索最合适的商业模式，在保证技术有效性的同时，又要符合国家相关法规、法律政策和技术发展趋势。

目前无论是中国人民银行的金融科技发展规划还是国务院2020年体制机制的意见，都为电力数据资产化和多源数据的融合提供了政策和方向性指导和支持。有助于电网企业开拓征信领域数据业务，通过深入挖掘数据资源的价值和潜力，推动企业加快数字化转型、发展数字经济，以数字化改造提升传统业务、促进产业升级。