基于大數據的個人信用評分發展新趨勢

韓茜 任麗蓉 劉道瞳 千夢強 楊天尊 郭凱

摘 要：隨著互聯網的快速發展，國內征信市場涌現出若干互聯網征信公司，他們利用大數據等技術創建的個人信用評分與傳統個人信用評分相比，在數據維度、獲取方式、數據量級、數據時效性和應用場景等方面具有一定優勢。

關鍵詞：大數據；個人信用評分

中圖分類號：F832.4 文獻標識碼：A 文章編號：1671-0037（2018）2-83-3

Abstract： With the rapid development of Internet， the domestic credit market emerged several Internet credit reporting companies， they used big data and other technologies to create personal credit score， which compared with the traditional personal credit score，has certain advantages in data dimension， data access， data scale， timeliness and application scenario and so on.

key words： big data； personal credit score

大數據征信的實質是利用互聯網獲取信用信息，它不僅能夠收集傳統征信所能收集到的信息，還能捕獲傳統征信未能覆蓋的信用信息。此外，利用互聯網技術能夠對不同應用場景的大量信息進行實時獲取并歸類，以最低的成本和最高的效率獲得最有價值的個人信用信息。大數據征信不再局限于征信機構提供的個人基本信息，而是把信用主體在互聯網上的行為習慣、消費偏好以及社交關系等多方面的瀏覽軌跡轉化為有利于評估信息主體信用風險的可靠數據信息，在一定程度上將信用風險降到最低。同時大數據征信相對于傳統征信還有一個突出的特征，即大數據征信下的個人信用評分模型更看重信用主體信用信息的實時性、動態性、共享性，因為它是基于信用主體的日常行為軌跡來研究的，一定程度上能夠較為精確地評估其履約能力、違約系數。隨著科學技術的發展，征信體系的建設也應與時俱進，充分利用好大數據使其發揮最大的作用。

1 個人信用評分

如今互聯網金融蓬勃發展，人們對于風險建模的技術和應用不斷升級，使傳統信用評分模型向大數據方向轉變，但是從本質上來講，大數據下的信用評分模型仍是傳統信用評分模型的拓展。

1.1 時代背景

21世紀，人類社會高速發展，尤其是互聯網應用的日益頻繁，信息流通和信息交流密切，人類進入了大數據時代。2012年以來，大數據被越來越多的人所提及。哈佛大學社會學教授加里·金說：“這是一場革命，龐大的數據資源使得各個領域開始了量化進程，無論學術界、商界還是政府，所有領域都將開始這種進程[1]?！?/p>

隨著大數據時代的到來和近幾年的發展，可用于評估人們信用的數據越來越豐富，金融機構了解客戶的數據更加全面和多元化。

1.2 理論研究

信用評分模型運用先進的數據挖掘技術和統計分析方法，通過對消費者的個人信息和消費歷史記錄等數據進行綜合分析，構建模型以對消費者未來信用表現加以預測，并依據信用評分對消費信貸管理做出決策[2]。而信用評分則是根據消費者的信用歷史資料，利用一定的信用評分模型，得到不同等級的信用分數。

無論是傳統信用評分模型還是大數據下的信用評分模型，其本質沒有變化，目標也沒有變化，都是為了將風險控制在一定范圍內，從而讓經濟平穩運行。信用評分模型的基本原理是確定影響違約概率的因素，然后給予權重，計算其信用分數。

1.3 經典模型

國際上最具代表性的信用評分系統是FICO（費埃哲評分系統），它是由Fair Isaac公司推出的一套評分系統，它以“5C”分析法為理論基礎，而國內的芝麻信用在這方面與其類似。因此，以FICO和芝麻信用為例，對比分析傳統個人信用評分模型與大數據背景下的個人信用評分模型數據維度的差異。

FICO評分系統信用分數區間是300～850分。若借款人信用分數低于620分，貸款方可要求借款人增加擔保，或拒絕貸款；若借款人信用分數介于620～680，貸款方可進一步調查核實，采用其他信用分析方法個案分析；若借款人信用分數高于680分，貸款方可認為該借款人信用非常好，予其貸款。由此，信用分數越高，貸款方所面臨信用風險越小。圖1是FICO評分系統主要考慮的5個維度。信用評分是不帶個人主觀偏見的，把種族、性別、宗教等因素排除在外，使FICO評分更具客觀公正性[3]。FICO評分主要用于貸款方快速、客觀地度量客戶的信用風險，縮短授信過程。

芝麻信用的信用評分區間是350～950分。若用戶的信用分數介于350～550，則用戶信用極差；若用戶的信用分數介于550～600，則用戶信用中等；若用戶的信用分數介于600～650，則用戶信用良好；若用戶的信用分數介于650～700，則用戶信用優秀；若用戶的信用分數介于700～950，則用戶信用極好。分值越高代表信用越好，相應違約率相對較低，較高的芝麻分可以幫助用戶獲得更高效、更優質的服務。與FICO評分系統相似，芝麻信用以“5C”分析法為理論基礎，其五維數據主要有信用歷史、行為偏好、履約能力、身份特質、人脈關系[4]。由于數據來源的不同，芝麻信用收集的數據不僅涉及個體的信用歷史情況，還包含了個體的生活方面，而FICO評分系統收集的數據更偏向于金融性，數據維度太單一，不能完整體現個人的信用情況，在大數據時代，個人信用評分收集數據趨向多維化。

2 個人信用評分發展趨勢

2.1 征信數據維度

傳統的個人信用評分模型一般依托“5C”分析法的“品德”“能力”“資產”“抵押擔?！薄敖洕鸂顩r”這五方面[5]，收集消費者的基本信息、償債情況、歷史支付記錄、業務往來等結構化信息，數據維度相當有限，加上受數據時效性等因素的影響，并不能完全體現個人的信用情況。截至2017年5月底，中國人民銀行征信中心收錄了9.26億自然人的信用信息，但是由于其采用傳統的信用評分模型，過于依賴有限的數據維度，致使只有4億左右的人擁有信貸記錄，這樣就無法評價其余5億自然人的信用情況。隨著互聯網的快速發展，基于大數據背景下的互聯網征信公司不斷誕生，其中有8家獲得個人征信牌照，主要有芝麻信用、騰訊征信、鵬元征信等機構。這些公司利用云計算技術，對其平臺上收集的用戶的多維度大數據進行分析，以大規模維度的個人信用信息降低信用風險評估的不準確性，加上數據時效性強，可以較為完整地體現個人的信用情況。

2.2 獲取方式、量級及時效性

大數據下的信用評分模型通過一切可行的渠道獲取所需數據，在數據獲取方式上比傳統信用評分模型的維度更廣。傳統信用評分模型所使用的數據主要來自銀行和少數征信機構，而大數據下的征信不僅要用到來自銀行征信機構的數據，還有政府相關部門（包括公安部門、稅務部門、房屋登記部門等）和第三方機構（包括公共事業單位如醫療機構等、專門從事征信系統建設的公司如京東金融等、社交類公司如騰訊等）。

傳統信用評分模型的數據來源少，并且調查維度較為局限，數據量級常以TB為單位，而大數據下信用評分模型由于有互聯網和大數據技術作為支撐，各大互聯網公司在不同的緯度參與征信系統建設，并且加大了數據挖掘的深度，所以大數據征信所處理的數據量也極大幅度地增長，數據量級已超過PB水平。在互聯網尚未普及的年代，傳統信用評分模型通常需要采用隨機抽樣的方式，建立各種模型來預測信用風險，系統誤差和抽樣誤差勢必會影響建模結果的精準性。在信息技術發達的今天，云計算技術能輕松分析大量的數據，我們可以直接對總體數據進行分析。大數據思維的特點之一在于“樣本=總體”，搜集的征信數據越多，越容易發現一些細節信息和異常情況，對信用風險的預測就越準確[6]。

傳統征信和大數據征信對數據源時效性的要求也不一樣。大數據征信中數據信息有相當一部分是由征信公司提供（如支付寶的個人交易信息），這些數據具有隨著時間變化實時更新的特征，所以數據具有很強的時效性。而傳統信用評分模型的時效性較差，由于其獲得的是消費者的歷史數據，再加上獲取數據途徑少，導致其信息更新周期更長，且具有嚴重的滯后性。

2.3 應用場景

大數據與傳統信用評分也有良好的交互性和融合性，使其發生了翻天覆地的變化。大數據信用評分的數據信息主要來源于互聯網，而傳統信用評分是對信用報告的數字解讀。因此，采用數據挖掘等技術構建大數據背景下的個人信用評分模型具有更高的價值性和準確性，如芝麻信用分受到了更多的認可和青睞。中國科學院院士、西安交通大學教授徐宗本曾提出關于大數據產業的兩種模式，分別是全鏈條模式和節點聚焦模式，它們也適用于大數據征信。不論是對于擁有雄厚實力采用全鏈條模式的大公司，還是專注于某一方面使用節點聚焦模式的小公司，這都是大數據背景下個人信用評分模型發展的機遇。

全鏈條模式下的大公司有著得天獨厚的優勢，在數據的收集、數據的存儲、技術的支持和數據的分析等方面可以無縫銜接自成一套體系。專注于其中某一項的小公司也可以將本公司的產品做好做精，然后出售給其他公司和機構，快速實現變現和贏利。這不僅降低了信用評分的成本，而且大大提高了信用評分的質量，同時促進了這個產業的發展，為構建更為合理有效的個人信用評分模型起到了重要的作用，解決了傳統征信下評分模型局限性的問題（如數據的來源方式、數據的不共享、數據的安全性和覆蓋人群等各種因素，限制了征信的業務范圍[7]，導致不能準確地對企業和個人進行良好的信用定位以及分析解讀出的信用評分不準確，從而帶來一系列的負面影響）。

大數據背景下數據的爆發性增長，容易引起量變產生質變的反應，使數據的價值倍增，通過多維角度對數據分析得出的信用報告將更為合理、準確、有效。構建的個人信用評分模型也更為完善準確，可以應用于生活的各個方面，當然，最終的應用落腳點是企業和個人。通過對數據的分析，不僅可以得出當前該企業或個人的信用系數，而且更注重綜合多方情況預測出將來的變化，給出一個讓人信服的信用評分報告，減少各方不必要的損失。以最傳統的借貸為例，在大數據下每個人都無所遁形，在互聯網公司或其他機構存在的信貸記錄都一目了然。個人信用評分模型可以給出直觀的信用評分數據，為今后的借貸等活動提供更全面的參考。

當然，個人信用評分模型數據的來源和應用不僅是借貸，應用對象也不僅是只擁有借貸記錄的人群，它的應用場景十分豐富多元，且直觀準確，涉及日常生活的方方面面。不僅在金融領域發揮著重要作用，還在租房租車、酒店住宿、簽證和保險等各個生活場景都有著廣泛應用，并且對政府政策制定和公共服務水平的提升等都有著重要的促進作用[8]。每個城市的發展情況不一樣，借助個人信用評分模型，可以為人們的衣食住行提供更好的保障，同時在此過程中利用互聯網獲取最為詳盡的信息以便充實信用評分模型。

3 結語

建立基于大數據的個人征信已是大勢所趨，大數據征信并非替代傳統征信，而是兩者相輔相成。大數據征信的引入能夠彌補傳統征信過程中存在的一些不足：一是通過利用獲得的大數據保證了信息來源的及時性、全面性和可靠性；二是大數據征信對信息具有更高的保密性；三是大數據征信能夠在很大程度上解決當前構建個人信用評分模型所面臨的信息不對稱造成的信用風險問題。盡管大數據可以從數據維度、覆蓋廣度和應用場景等方面更精確地進行信用風險評估，但當覆蓋范圍超過一定限度時將會出現信用主體間信息匹配度低等一系列問題出現，因此，在利用大數據征信的同時也不能忽視傳統征信的作用。通過對比分析得出結論，將二者相結合能夠最大限度地促進新時代個人信用評分模型建設的發展。

參考文獻：

[1] 佚名.帶您了解大數據[J].統計與經濟，2014（4）：61.

[2] 陳建.信用評分模型技術與應用[M].北京：中國財政經濟出版社，2007.

[3] 姜琳.美國FICO評分系統述評[M].研究與討論，2006：81-84.

[4] 張琪，張鑫.我國個人征信體系市場化研究：以芝麻信用分為例[M].政策與商法研究，2015（16）：173-175.

[5] Nir Kshetri.Big Datas Role in Expanding Access to Financial Services in China[J].International Journal of Information Management，2016（36）：297-308.

[6] 王波，陳標，魏宇航.電信大數據在征信領域的應用研究[J].移動通信，2016（8）：80-83.

[7] 盧芮欣.大數據時代中國征信的機遇與挑戰[J].金融理論與實踐，2015（2）：103-107.

[8] 馬小林.征信[J].金融理論與實踐，2017（8）：41-43.