大數(shù)據(jù)資信評估拓展了信用信息的內(nèi)涵，豐富了信用信息的內(nèi)容，提高了資信評估的決策質(zhì)量，降低了傳統(tǒng)資信評估的數(shù)據(jù)門檻，彌補了傳統(tǒng)資信評估市場的不足。大數(shù)據(jù)資信評估市場空間巨大，最終會占據(jù)主導地位，但會加劇該市場的壟斷性。本文主要結(jié)合企業(yè)信用評級和個人信用評分探討大數(shù)據(jù)對傳統(tǒng)資信評估的影響，這對于推進中國評級市場和征信市場的跨越式發(fā)展，完善社會信用體系具有非常重要的理論意義與實踐意義。

1830年，英國倫敦第一家現(xiàn)代征信機構(gòu)的出現(xiàn)標志著資信評估行業(yè)的誕生。到20世紀初，資信評估行業(yè)逐漸形成了信用評級和征信兩大相對獨立的分支。前者主要服務(wù)于資本市場，如美國的標普、中國的大公國際等公司;后者主要服務(wù)于借貸市場，如美國的FICO公司、中國的中國人民銀行征信中心等機構(gòu)。從1830年到21世紀初，資信評估行業(yè)基本上可以劃分為20世紀中期之前的前電子化資信評估和之后的電子化資信評估兩個階段。為便于對比分析，接下來本文將電子化資信評估定義為傳統(tǒng)資信評估，將目前依托大數(shù)據(jù)的資信評估簡稱為大數(shù)據(jù)資信評估，如Zest Finance、Kreditech、Wecash閃銀等公司均是采用大數(shù)據(jù)資信評估。資信評估對于揭示經(jīng)濟金融市場中的信用風險，提高資源配置和金融市場效率具有十分重要的意義。

大數(shù)據(jù)是信息時代發(fā)展到數(shù)字化階段的結(jié)果與體現(xiàn)，盡管對于大數(shù)據(jù)以及大數(shù)據(jù)時代的定義還存在一些爭議，但是大數(shù)據(jù)對人類社會、經(jīng)濟、思想、文化等領(lǐng)域的影響與沖擊則是有目共睹，并且這種影響日益深刻與廣泛[1]。大數(shù)據(jù)時代的一個突出特征就是信息量及增長速度的飛速提高，同時信息傳輸方式越來越便捷。而揭示信用風險的資信評估正是以信用信息為加工和分析的載體，當前大數(shù)據(jù)對傳統(tǒng)資信評估尤其是在企業(yè)信用評級和個人信用評分方面產(chǎn)生了巨大的沖擊。

一、拓展了傳統(tǒng)資信評估的信用信息基礎(chǔ)

(一)拓展了信用信息的內(nèi)涵

信用信息指反映或描述信用主體信用狀況的相關(guān)數(shù)據(jù)和資料等，主要包括政府信用信息、企業(yè)信用信息和個人信用信息。在傳統(tǒng)資信評估中，企業(yè)信用信息主要指資產(chǎn)負債信息、經(jīng)營信息等，個人信用信息主要指銀行記錄以及負債等信息(見表1)[2]。無論企業(yè)還是個人，財務(wù)信息都在傳統(tǒng)資信評估中居于核心地位。而大數(shù)據(jù)資信評估中，信用主體的任何信息都是信用信息，如客戶屬性、網(wǎng)上交易記錄、網(wǎng)上信用評價、網(wǎng)上交易習慣、社交網(wǎng)絡(luò)信息以及財務(wù)信息等。信用信息的范圍和類型沒有邊界，財務(wù)信息不再是最主要的部分，只是信用信息的一部分，甚至是很小的一部分。以Zest Finance為例，傳統(tǒng)信用數(shù)據(jù)最多占30%～40%。相反，許多傳統(tǒng)資信評估排除在外的信息，反而成為重要的信用信息，如拼寫習慣、設(shè)備終端品牌，填寫問卷的時間、瀏覽網(wǎng)絡(luò)的時段、輸入差錯頻率、手機的使用情況和位置數(shù)據(jù)等。信用信息內(nèi)涵的無限制拓展全方位改變了傳統(tǒng)資信評估的運行模式，這也是大數(shù)據(jù)資信評估不同于傳統(tǒng)資信評估的最基本前提。

表1:FICO公司個人信用評分參考的主要因素及比重

資料來源：根據(jù)FICO公司網(wǎng)站信息等整理。

(二)拓展了資信評估信用信息的內(nèi)容

1.拓展了信用信息的來源

傳統(tǒng)資信評估的信用信息來源主要是以銀行為主的金融機構(gòu)，如私營商業(yè)銀行、上市商業(yè)銀行、開發(fā)銀行、信用合作社、財務(wù)公司、信用卡發(fā)卡公司、貸款公司等，另外也有部分公用事業(yè)單位。因此，其信用信息主要是金融交易記錄信息，這一點在中國人民銀行征信報告中體現(xiàn)得也非常明顯。而大數(shù)據(jù)資信評估的信息來源比較廣泛，除了通過征信機構(gòu)獲得傳統(tǒng)資信評估信息以外，主要借助現(xiàn)代通信技術(shù)，從社交網(wǎng)絡(luò)、電商網(wǎng)絡(luò)、移動終端等獲得各種信用信息[3]，并且這些網(wǎng)絡(luò)來源的信息量非常大。

2.擴展了資信評估的參考變量

美國FICO信用評分指標不超過50個，一般包含15～20個變量，當前中國人民銀行的個人信用報告也包含20個左右的變量。而美國的Zest Finance公司進行信用評估時，采集貸款人1萬多條信息，最后遴選出7000條指標變量;德國的Kreditech，采集15000多個數(shù)據(jù)點;中國的Wecash閃銀軟件，采集用戶的6000個數(shù)據(jù)點。

3.增加了信用信息的數(shù)據(jù)類型

根據(jù)存儲特征，可以將數(shù)據(jù)分為結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)。結(jié)構(gòu)化數(shù)據(jù)具有一定的邏輯結(jié)構(gòu)和物理結(jié)構(gòu)，一般存儲在數(shù)據(jù)庫中，大多存儲在關(guān)系數(shù)據(jù)庫中。結(jié)構(gòu)化以外的數(shù)據(jù)即為非結(jié)構(gòu)化數(shù)據(jù)，大多以文本的形式存在，不能存儲到數(shù)據(jù)庫中，而非結(jié)構(gòu)化數(shù)據(jù)中，有一部分又具有一定的邏輯結(jié)構(gòu)和物理結(jié)構(gòu)，如HTML、XML中的一些數(shù)據(jù)，即屬于半結(jié)構(gòu)化數(shù)據(jù)。傳統(tǒng)信用信息對應(yīng)的數(shù)據(jù)基本是結(jié)構(gòu)化數(shù)據(jù)，可以用二維表描述，而大數(shù)據(jù)時代的信用信息大多是非結(jié)構(gòu)化數(shù)據(jù)，難以用傳統(tǒng)的數(shù)據(jù)庫儲存[4]，這就使得大數(shù)據(jù)資信評估的數(shù)據(jù)分析手段與傳統(tǒng)資信評估區(qū)別較大(見表2)。

表2:傳統(tǒng)資信評估與大數(shù)據(jù)資信評估在信用信息上的比較

資料來源：根據(jù)Zest Finance公司網(wǎng)站等資料整理。

二、優(yōu)化了資信評估的決策過程

(一)數(shù)據(jù)分析從邏輯回歸到機器學習

無論企業(yè)信用評級還是個人信用評分，傳統(tǒng)資信評估的技術(shù)手段側(cè)重于對抽樣的計量回歸分析，尤其是正態(tài)分布假設(shè)下的線性回歸，因為傳統(tǒng)信用數(shù)據(jù)多是橫截面數(shù)據(jù)、時間序列數(shù)據(jù)和面板數(shù)據(jù)等結(jié)構(gòu)化數(shù)據(jù)。而大數(shù)據(jù)資信評估所面對的信息量非常大，并且大多是非結(jié)構(gòu)化數(shù)據(jù)，這就決定了其資信評估的技術(shù)手段側(cè)重于機器學習，以全樣本為對象進行如因素分析、判別分析、分群分析、決策樹、類神經(jīng)網(wǎng)絡(luò)以及規(guī)則歸納等。而且大數(shù)據(jù)資信評估對計算機的運算能力要求和依賴程度非常高，如在Zest Finance公司，Hilbert模型中有7000多條變量，75%依靠計算機處理，只有25%依靠人工干預(yù)。另外，數(shù)據(jù)分析的目的也更加體現(xiàn)實用性、可操作性。傳統(tǒng)資信評估的計量分析側(cè)重于假設(shè)檢驗，包括參數(shù)檢驗，而大數(shù)據(jù)資信評估數(shù)據(jù)分析的目的以預(yù)測為主，包括具體數(shù)值的預(yù)測和場景預(yù)測。[4]

(二)提高了資信評估的決策效率

上述數(shù)據(jù)分析技術(shù)手段變革的結(jié)果之一，是資信評估的時間成本大大降低。以Wecash閃銀為例，5000元人民幣以內(nèi)的微授信在借款人登錄和提交資料以后，10分鐘內(nèi)可以完成授信決策，借款人可以即刻提現(xiàn);50萬元以內(nèi)大額授信需2～3個工作日可以提現(xiàn)。而Zest Finance對借款人的上萬條數(shù)據(jù)分析在5秒鐘內(nèi)全部完成。Kreditech從各種公開來源的信息判斷借貸者欺詐、欠賬與及時還款的可能性只需35秒，15分鐘之內(nèi)完成貸款發(fā)放。而在傳統(tǒng)資信評估最頂尖的FICO評分中，完成抵押貸款的審批需要0.5個至2個工作日，汽車貸款在1小時左右，小額消費信貸需要15分鐘。其決策時長遠遠高于大數(shù)據(jù)資信評估。

大數(shù)據(jù)資信評估的另一個優(yōu)勢就是申請人可以隨時借助互聯(lián)網(wǎng)終端進行申請信貸，不受時間與設(shè)備的限制，而傳統(tǒng)資信評估需要一些現(xiàn)場操作，并主要局限在工作日和工作時段(見表3)。

表3:大數(shù)據(jù)資信評估的決策時間

資料來源：根據(jù)上述公司網(wǎng)站等來源信息整理。

三、引起了資信評估行業(yè)的深刻變革

(一)突破了傳統(tǒng)資信評估的數(shù)據(jù)門檻

進入傳統(tǒng)資信評估行業(yè)的數(shù)據(jù)門檻體現(xiàn)在兩方面：一是數(shù)據(jù)庫規(guī)模要足夠的大。這是由信用信息的成本收益特征決定的。比如益佰利公司擁有全球4億家企業(yè)和1.3億家庭及個人的信用信息，環(huán)聯(lián)公司擁有2.2億個消費者的信用信息，鄧白氏公司擁有全球2億多家企業(yè)的信用信息[5]。二是數(shù)據(jù)分析模型的準確性高，能經(jīng)受住市場的檢驗。傳統(tǒng)資信評估不僅在橫向上需要有足夠大的數(shù)據(jù)庫規(guī)模支撐開發(fā)資信評估模型，而且在縱向上需要數(shù)據(jù)庫有足夠長的時間跨度以檢驗校正資信評估模型，以建立一個較高違約預(yù)測準確度并且比較穩(wěn)定的資信評估模型。所以，盡管一些發(fā)展中國家建立公共征信機構(gòu)，依托行政力量可以在較短的時間內(nèi)建立龐大的信用數(shù)據(jù)庫，但是很難在短時間內(nèi)開發(fā)出能經(jīng)受市場檢驗的資信評估模型。如果資信評估模型的準確度不高，則無法建立良好的市場聲譽，沒有良好的市場聲譽，資信評估機構(gòu)也就沒有市場。

大數(shù)據(jù)資信評估分別借助網(wǎng)絡(luò)平臺、機器學習突破了上述兩大限制。第一，借助網(wǎng)絡(luò)平臺，大規(guī)模獲取客戶信用信息，短時間內(nèi)建立一個龐大的數(shù)據(jù)庫規(guī)模。以Zest Finance為例，通過第三方組織、訪問互聯(lián)網(wǎng)系統(tǒng)，如個人社交賬戶等可以從多領(lǐng)域、多機構(gòu)獲取和整合個人信用信息，再加上客戶提交的數(shù)據(jù)，大數(shù)據(jù)資信評估公司可以在非常短的時間內(nèi)建立一個非常完整的而且極其詳細的個人信用資料庫(見表4)。Zest Finance公司從2012年至今至少積累了10億條個人信用信息，速度非?？?、規(guī)模非常大。第二，通過機器學習、數(shù)據(jù)挖掘建立了比較準確的信用評估模型，大大加快了市場聲譽積累的時間過程。如Zest Finance比傳統(tǒng)評分方法的違約率下降了40%。又如中國的金電聯(lián)行2007年成立，截至2014年第一季度，通過大數(shù)據(jù)資信評估，已累計為1000多家企業(yè)提供超過40億元的信用融資，最高授信達6800萬元，截至目前未發(fā)生一筆不良貸款。正是由于其準確的違約預(yù)測，大數(shù)據(jù)資信評估公司市場發(fā)展非常迅速。

表4:Zest Finance的數(shù)據(jù)獲取渠道

資料來源：根據(jù)Zest Finance網(wǎng)站等信息整理。

(二)彌補了傳統(tǒng)資信評估市場的不足

在服務(wù)的客戶群體上，大數(shù)據(jù)資信評估主要針對信用不良以及缺乏信用記錄的群體。由于傳統(tǒng)資信評估主要依托財務(wù)信息，尤其是銀行信貸信息，所以其主要客戶是擁有銀行信貸記錄并且信用良好的群體。以美國為例，評分高于650分的群體在向大銀行融資時主要借助傳統(tǒng)資信評估，而低信用評分的群體由于很難從大銀行機構(gòu)融資，因此也很少應(yīng)用傳統(tǒng)資信評估。但大數(shù)據(jù)資信評估主要針對低評分群體。如Zest Finance主要針對的是FICO評分低于500分的群體，Avant Credit主要針對FICO評分低于600分的群體。盡管一些大數(shù)據(jù)資信評估公司定位為任何人提供服務(wù)，但是目前主要的服務(wù)群體仍然集中在信用記錄缺乏乃至不良的群體。

在服務(wù)的金融市場上，大數(shù)據(jù)資信評估主要針對的是小額信貸，并且期限較短。傳統(tǒng)資信評估大多集中在額度較大、期限較長的信貸市場，如汽車貸款、住房貸款參考FICO評分定價后，可以發(fā)放高達上百萬元長達數(shù)十年的信貸。而大數(shù)據(jù)資信評估主要針對小額度、短期信貸。如Wecash閃銀分別發(fā)放6000元以內(nèi)微授信和6000～500000元的大額授信兩個檔次2～18期的貸款，Avant Credit發(fā)放100～1000美元，1～4年期的貸款(見表5)。

表5:大數(shù)據(jù)資信評估的服務(wù)特征

資料來源：根據(jù)上述公司的網(wǎng)站等信息整理。

注：以上數(shù)據(jù)均截至2014年12月。

(三)延長了傳統(tǒng)資信評估行業(yè)的產(chǎn)業(yè)鏈

大數(shù)據(jù)資信評估與互聯(lián)網(wǎng)金融合二為一，信息征集、資信評估、銀行信貸三者合一。傳統(tǒng)資信評估公司的信息征集、信用評級、信貸融資業(yè)務(wù)通常分別由不同的公司獨立經(jīng)營，如在美國，300多家小征信公司以及三大征信公司從事個人信用信息征集，F(xiàn)ICO公司從事個人信用評分業(yè)務(wù)，銀行利用FICO評分從事信貸融資業(yè)務(wù)。而從事大數(shù)據(jù)資信評估的公司，集信息征集、數(shù)據(jù)分析、資信評估、信貸融資于一體，大大延長了傳統(tǒng)資信評估的產(chǎn)業(yè)鏈條，改變了傳統(tǒng)資信評估行業(yè)的產(chǎn)業(yè)形態(tài)。甚至部分大數(shù)據(jù)資信評估公司，在發(fā)展戰(zhàn)略上以替代銀行為目標，如Kreditech在2014年已經(jīng)開始發(fā)行信用卡。

四、大數(shù)據(jù)資信評估的評價

(一)市場空間巨大

目前，德國73%的人群享受不到銀行服務(wù)，美國有4400萬人沒有銀行信用記錄，全球有25億成年人沒有得到過正規(guī)金融服務(wù)，有40億人沒有信息記錄和信用評分[6]。這些人群都是大數(shù)據(jù)資信評估的首要目標市場。如果這些人群沒有登錄互聯(lián)網(wǎng)，這些人群只能是潛在的市場。所幸的是，全球網(wǎng)民數(shù)量快速增加。根據(jù)市場研究公司eMarkete的研究，2015年全球網(wǎng)民逼近30億，2018年將達到36億，占全球人口的50%。從某種程度上說，網(wǎng)民有多少，大數(shù)據(jù)的市場規(guī)模就有多大。依據(jù)當前的貸款利率，大數(shù)據(jù)資信評估公司擁有非常豐厚的利潤收入，Avant Credit信用貸款的年化利率高達397%，遠遠高于正規(guī)金融的貸款利率水平。

(二)將逐漸替代傳統(tǒng)資信評估的主導地位

大數(shù)據(jù)資信評估以彌補傳統(tǒng)資信不足為切入點進入市場，在最近3～7年，如上文所述，大數(shù)據(jù)資信評估將與傳統(tǒng)資信評估并行不悖，相互補充。但是，著眼未來，大數(shù)據(jù)資信評估將替代傳統(tǒng)資信評估的市場主導地位。原因如下：第一，從大數(shù)據(jù)資信評估公司成立2年來的融資速度與規(guī)?？?，傳統(tǒng)資信評估市場將很快被大數(shù)據(jù)資信評估占領(lǐng)。中國的Wecash在2014年8月獲得IDG資本4000萬元人民幣的融資[7];截至2014年12月，美國的Zest Finance公司，已經(jīng)獲得3輪、累計1.12億美元的融資，業(yè)務(wù)范圍橫跨美英兩國[8];截至2014年6月，德國的Kreditech公司已經(jīng)獲得2輪、累計1500萬美元的融資，還在波蘭、西班牙、捷克及俄羅斯等8個國家開展業(yè)務(wù)(見表6)。第二，從業(yè)務(wù)范圍看，大數(shù)據(jù)資信評估提供的服務(wù)產(chǎn)品逐漸覆蓋傳統(tǒng)資信評估。如德國的Kreditech公司目標客戶定位為所有群體，并且其融資產(chǎn)品已從小額貸款、分期付款擴展到虛擬信用卡、一般信用卡。傳統(tǒng)資信評估的市場在未來10年左右將被大數(shù)據(jù)資信評估占領(lǐng)。

(三)資信評估市場將更加壟斷

大數(shù)據(jù)資信評估雖然打破了傳統(tǒng)資信評估的數(shù)據(jù)門檻，但是其技術(shù)進入門檻更高。由于其依托機器學習、數(shù)據(jù)挖掘處理數(shù)據(jù)，使得其對計算機載體及后臺人力資源有更高的要求，也需要巨額的資本投資。大數(shù)據(jù)資信評估與融資市場結(jié)合在一起，融資市場的進入門檻將會提高大數(shù)據(jù)資信評估的行業(yè)進入難度。因此，資信評估行業(yè)的進入門檻將會更高。較高的市場進入門檻會導致資信評估市場更加壟斷，而不是提高競爭。Kreditech公司成立2年就已經(jīng)擴展到8個國家，并且還在不斷地擴張市場。可見，大數(shù)據(jù)資信評估公司具有非常強的市場擴展傾向，必然導致更高程度的壟斷。

表6:部分大數(shù)據(jù)資信評估公司的融資概況

資料來源：根據(jù)互聯(lián)網(wǎng)等來源信息整理。

(四)帶來了理論與實踐上的挑戰(zhàn)

第一，在理論上，信息不對稱理論面臨挑戰(zhàn)。以往的經(jīng)典經(jīng)濟學理論中，信貸市場中的借款方是代理方，擁有私人信息優(yōu)勢，而貸款方是委托方，處于信息劣勢，面臨借款人的道德風險和逆向選擇。但是在大數(shù)據(jù)資信評估中，不但借貸雙方的信息不對稱問題幾乎消除，甚至委托方與代理方的地位發(fā)生逆轉(zhuǎn)。在大數(shù)據(jù)背景下，借款方的許多私人信息，如上網(wǎng)行為信息，可能借款方都沒有注意到，但是已經(jīng)為貸款方所收集和掌握，并加以分析。在這一過程中，似乎借款方成為委托方，貸款方成為代理方。經(jīng)典的信息不對稱理論如何解釋這一現(xiàn)象，如何提出相應(yīng)的規(guī)制對策是一個十分重要的理論問題。第二，在實踐上，金融監(jiān)管機制應(yīng)如何調(diào)整。大數(shù)據(jù)資信評估首先與普惠金融結(jié)合，繼而沖擊商業(yè)銀行系統(tǒng)乃至整個金融系統(tǒng)，這將對傳統(tǒng)貨幣政策工具的傳導機制產(chǎn)生影響。作為金融監(jiān)管當局該如何調(diào)整金融監(jiān)管機制是一個非常具有挑戰(zhàn)性的問題，尤其是在大數(shù)據(jù)資信評估迅速發(fā)展的背景下。

來源：199IT