理论前沿 |

面向国内新金融消费者的信用评分模型研究

发布日期:2019-08-27 作者:企业信用评级网
刘新海:北京大学金融智能研究中心副研究员,对称咨询信用评分研究团队联合创始人。

  本文简版发表在《中国银行业》杂志2019年第9期,对称咨询信用评分团队是由信用风险专家刘新海博士牵头的,由国内北京大学、中国人民大学等学术及业界多名专家(包括多位统计学年轻教授和海归博士)组成的信用风险评分专业研发团队,致力于推动行业的健康快速发展。

    ---------------------------------------------------------------

引言:

信用评分是利用数学模型将相关数据转化成某个数值来指导信贷决策【1】。信用评分是统计学和机器学习在金融和银行业中最成功的应用之一。信用评分提高了信息传达效率,量化结果可以取代征信报告中描述性和高度主观的语言,使信贷审批人员能够更容易比较潜在借款人[ 2 ]。信用评分在消费信贷过去60年的显著增长中发挥了关键作用。如果没有准确和自动化的风险分析工具,放贷机构不可能以目前的方式(大规模自动化)发放消费信贷。最初,信用评分只跟贷前申请有关,进入21世纪后,信用评分更多地用统计模型来管理信用,包括对风险、业务响应、收入和客户保留四个方面的衡量,应用场景有市场营销、申请审批、账户管理和催收回收等(整个信用风险管理周期)。

信用评分的广泛应用曾经极大地推动了上个世纪美国消费金融的繁荣发展。虽然国内信贷市场起步较晚,信用评分也在国内逐步地应用,促进了信贷市场的健康发展。在当今数字经济时代,国内新金融的快速发展也给信用评分的研发带来了很多挑战。同时信用评分也是帮助消费者管理自己的金融的重要手段,信用评分也越来越引起消费者的注意。

本文首先介绍国内目前的信用评分的现状和存在的问题进行介绍;其次分析消费信贷在数字经济的场景下的特点,及其对未来信用评分的研发带来挑战;最后对于面向新金融的信用评分的研发提出相关建议。

1.国内信用评分现状:起步晚,提升空间很大
信用评分的分类有很多种,按照开发信用评分的机构不同,主要可以分为两种:第一种是通用评分,由个人征信机构开发的信用评分,基础通用的国外常用的是费埃哲(FICO)信用评分模型[1],全国第一个个人征信试点机构上海资信有限公司(央行征信中心控股的)在2002年即推出了第一个通用信用评分【3】。

第二种是特定专用信用评分,由信贷机构开发的信用评分,面向特定的机构信贷场景,这个模型可以是信贷机构自己开发,或者是数据分析公司开发.例如中国工商银行开发的CIIS个人信用评分(2004年9月上线)。

其中征信机构开发的通用信用评分是基础的、通用的,而且性能稳定,可以认为是信贷市场风险量化的基础设施。征信机构的通用信用评分不仅可以单独使用,例如一些没有能力开发信用评分的机构可以直接用于信贷审批,而且还可以是信贷机构开发信用评分的一个重要的组成部分(或称之为输入变量)。本文也从征信机构和信贷机构两个的角度来阐述国内信用评分现状。

2.我国信用评分起步晚有较大提升空间
国内信用评分的应用是随着信贷市场的发展推动的,上世纪末国内市场经济的确立推动了消费金融的快速发展,信用卡、房贷、车贷和消费信贷服务靠人工审贷,主观经验决策效率低下而且风险隐患大,完全不能满足实际需要,都急需信用评分辅助信贷解决,于是国外信用评分咨询机构和大量的海归人士将信用评分首先引入到信贷机构。

国内上万家信贷机构的风险管理水平参差不齐,对大型商业银行,信用评分的研发开展的比较早,通过自主研发构建信用评分模型,应用效果较好;中小股份制银行首先引进先进的个人信用评分模型和技术,然后消化吸收,建立自己的信用评分团队。众多的城市商业银行多是模拟商业银行成熟的个人信用评分模型并依据自身客户的试点进行改善。部分农商行和村镇银行因为个人信贷业务起步比较,信用评分业务往往采用外包的方式。很多商业银行还对央行征信报告的数据进行解析和加工,整合行内数据,开发信用评分。

小贷公司和P2P网贷的信用评分水平会因为平台的规模和运营能力而差异很大,但是很多无法获得央行征信系统的数据支持(没有接入或者是覆盖人群缺失),常常和一些金融科技公司和大数据公司合作开发基于替代数据的信用评分,某种程度上也推动过去几年金融科技公司和大数据公司的飞速发展。

总的来说,信贷机构由于业务的迫切性,对于信用评分的应用投入较大,但是的确差别比较大,而且应用的深入程度还不够,目前主要用于信贷审批。



                    图1 不同信贷机构的信用评分需求程度

3.央行征信的信用评分
央行征信中心自2006年成立以来,运行个人和企业征信系统,发挥了真正征信机构的作用,维护信贷市场良性发展。曾经开发出多个版本的个人信用评分,其中最后一个版本费埃哲(FICO)公司合作开发。为了避免体制上的麻烦,央行的个人信用评分对外不宣称个人信用评分,而是另有其名:“个人信用报告的数字解读”,数字解读2015年1月试用,截止2016年底,“数字解读”在全国105家金融机构验证试用,有查询权限的53家,有查询行为的48家,个人征信报告系统中含“数字解读”的信用报告累计查询量约5.4亿笔[4]。由于央行个人征信系统的“大样本、跨周期、全覆盖”特点,信用评分的质量和性能可以得到保证。根据目前多家信贷机构反馈的结果,应用效果良好。

但是作为非市场化机构,确切来说政府部门,央行征信中心的对外谨慎推出信用评分,目前没有对全部接入的信贷机构开放,也没有对互联网金融机构开放,更没有对消费者开放。

4.其它的信用评分
由于过去几年新金融对个人信用评分刚需以及互联网大数据技术的进步,很多民间征信公司和金融科技公司都推出了个人信用评分,其中最具有代表性的是芝麻评分。芝麻信用评分是蚂蚁金服集团在2015年1月筹备个人征信业务期间,整合本身的金融生态环境中的数据和外部合作机构的数据开发的一个评分产品,曾经有消费信贷平台使用,例如趣店,之后由于征信监管的原因,芝麻信用评分不能被用于外部金融信贷机构。芝麻信用评分从数据到评分模型和传统的征信机构信用评分或特定信贷机构的信用评分差别都比较大。

发改委系统推出社会信用评分[2],一些城市也在实施。社会信用评分和信贷领域的信用评分,从评分目标和评分流程差异很大,本文不做赘述,之后专门撰文分析。

5.国内信用评分存在的问题
信用评分对于个人征信以及消费信贷的重要性不言而喻,由于征信体系的顶层架构设计,信贷市场的发展阶段以及大数据新兴信息技术的冲击,因此存在以下问题:

(1)国内的传统信贷领域,应用深度不够,研究缺乏。目前国内的个人征信机构开始了信用评分的研发,许多商业银行和信贷机构已研究开发了内部的信用评分模型,相比国外的成熟应用,我国还处于起步阶段,评分类型单一、缺乏深入地应用,例如国内的信用评分主要应用于信贷审批阶段,对于贷中的行为评分,贷后的催收评分,应用不足,而且对于国外最新的信用评分热点--偿债能力评分(Affordability Score)还没有涉及。即使个人征信机构推出的基础信用评分产品往往也有几十个到数百个。

(2)信用评分概念混乱。信用评分在西方发达国家是一个没有太大歧义的技术名词,但在中国却出现很多的演绎。一般而言,面向社会公众开放的是征信机构开发的通用信用评分(例如美国的FICO信用评分),是大家谈论的信用评分,约定俗成,而且具有很强的公信力。而在国内由于央行征信系统的信用评分目前还没有开放,各种各样的信用评分就出现了,概念上也出现了混乱,例如金融科技公司推出了芝麻信用评分,政府机构推出了社会信用评分,而且用途也不够清晰,似乎包打一切。其实信用评分中的具体分类较多,会随着数据源和用途的不同而不同,很难有一个信用评分可以涵盖整个信贷风险决策领域。同时信用评分的研发和应用需要监管,保护消费者的隐私,维护公平和争议。

(3)信用评分市场供需不平衡,有市无价。尽管信用评分对于信贷机构的风控有着至关重要的作用,但是国内信用评分的研发还属于“有市无价”的阶段,即信贷市场上虽然存在需求,由于国内对分析模型的价值判断以及知识产权保护等问题,并非能够买上很好的价钱。往往一个重要的信用评分模型开发,几个月的工期,一个专业的评分团队,信贷机构仅提供几十万元的项目费用。另外以全球知名的信用评分公司FICO进入中国多年,前几年才开始盈利。主要的原因与国内风控意识以及风险管理发展阶段有关,需要逐步改进,才能充分认识风险分析的价值。

(4)消费者对于信用评分的关注与日俱增。信用评分不仅仅可以帮助信贷机构度量风险水平,进行信贷不同阶段的管理,同时也是消费者管理自己金融状况的好的工具。消费者对于了解自己的信用评分也有强烈的需求。芝麻信用的商业化进展就吸引了很多消费者的兴趣。近期,一些打着改善消费者信用状况的“信用修复”的骗局非常流行[ 3 ],也与此有关。当前最有价值的央行征信的个人信用评分还没有公开,消费者的信用评分服务需求短时间内无法得到满足。

6.数字经济时代消费信贷新特点给信用评分带来新挑战
 国内随着数字经济的到来,近年来消费金融发展非常快,如下图所示,从2014年到2017年底,消费信贷的增速都在35%以上。仅以2017年底中国居民部门消费信贷[ 4 ]规模达到9.5万亿[ 5 ]。消费金融的核心竞争力之一是风控,而且信用评分作为量化风险分析工具,是风控的重中之重。国内消费金融不仅规模扩大,而且业务中也呈现出了很多新的特点,给风控和信用评分带来了挑战。

   



               图2 2007-2017 中国居民消费信贷规模及增速[5]

7.互联网的规模化和虚拟化效应
2017年末,银行信用卡信贷规模占消费金融市场半壁江山,互联网消费金融占比约23%。根据央行公布的《中国支付体系发展报告》,截至2017年末,银行信用卡应偿信贷余额5.56万亿,占消费金融58%的市场份额;而根据国家金融与发展实验室和艾瑞咨询的数据综合分析,互联网消费金融2017年的市场模约2.2万亿,占比23%;持牌消费金融公司市场规模仅1100亿,占比甚微;其他类型的消费金融平台如线下小贷、汽车贷、P2P、租赁等占比约18%[5]。



图3  2017年消费金融市场格局(单位:万亿)

从上面分析可以看出,消费金融呈现互联化的特点,目前互联网消费金融占比超过了1/4,互联网平台带来了消费金融扩张的规模相应,方便触达消费者,而且也有利于数据收集。但是线上互联网平台也放大了信用风险的范围,由于技术的复杂化、模式的多元化、主体的分散化使得风险变得复杂,风险管理难度加大;同时互联网平台也带来了由于网络虚拟化所产生的欺诈风险,很多互联网金融平台在防范欺诈风险方面的成本占比在收入的10%以上。针对互联网信贷平台的信用评分往往需要把这种欺诈风险和信用风险考虑在内。

8.消费信贷呈现额度小、周期短、频率高、分散化的特点
随着消费信贷的发展,从P2P,网络小贷到现金贷,目前越来越呈现额度小(从几千到数百),周期短(最短为7天)、频率高(很多都是循环借贷)等特点。在互联网金融监管趋严之前,这些小额信贷的利率也非常高,风控普遍薄弱,利用高利率来覆盖高收益,甚至很多现金贷平台只管理欺诈风险,不做信用风险评估,业界称之为“裸奔”,居然也能够获得暴利。随着消费信贷监管政策的陆续出台,这种风控“裸奔”模式难以继续,需要开发适应小额、短期、循环贷的信用评分模型。

9.“次级”贷款的兴起
目前国内消费金融的一个热点就是面向传统银行等信贷机构不愿意涉及的消费人群,这里按照国外的说法就是“次级”贷人群。目前的新兴的消费金融平台,作为传统信贷市场的补充,主要服务于这些次级贷人群。

国内央行征信系统(中国人民银行征信中心)主要服务于传统信贷机构,覆盖的人群主要是持牌信贷机构的消费者。根据中国人民银行征信中心官方报道,截止2019年4月底,征信系统收录自然人为9.93亿、有信用报告的为5.4亿人,估计能够进行个人信用评分的有4亿人(需要有两年信贷记录的积累)。根据中国统计局[5],截止2017年,中国的人口是13.90亿,这意味着将近9亿个人消费者没有包含传统的信贷信用记录的信用报告,也没有信用评分;约10亿人由于传统信贷信用记录不足或缺失,没有信用评分。

针对大部分次贷人群的征信问题,目前在央行的推动下,成立的百行征信就是解决这些“次级”贷款人群的征信问题,搜集网络小贷的消费者信贷数据,进行整合加工,提供征信服务。因此针对次贷人群,利用大数据或者是替代数据对大量的传统征信缺失的消费者进行信用评估,在信贷数据积累初期也是一种现实的选择。

10.出现了金融科技信贷和大科技信贷[ 6 ][ 7 ]
    全球范围内容出现了金融科技信贷(Fintech Credit)即利用电子平台发放贷款,例如P2P网贷,大型互联网平台的科技公司(Big Tech)放贷款,大型的数据源公司放贷款,以及为数众多提供风控服务的金融科技公司。同时,全球范围内也出现了大科技(Big Tech)公司金融,直接面向C端用户提供搜索引擎、社交网络、电子商务,或数据存储和处理等IT平台,为其它公司提供基础设施服务的全球性大型技术公司,2017年以来,这些大科技公司陆续提供支付、信贷、保险和资管等金融服务,利用其平台架构和跨行业特点,提高金融服务的速度和效率。由于这些大科技公司掌握消费者大数据资源,形成金融生态环境,还能对信贷消费者形成金融闭环约束。蚂蚁花呗和微粒贷是目前具有代表性的大科技信贷(Big Tech Credit)。蚂蚁花呗是阿里巴巴集团旗下金融平台蚂蚁金服的重要产品,背靠阿里电商平台开展消费金融业务,是目前互联网领域规模最大、最具影响力的消费金融平台。根据公开的数字,仅在2014-2017年,花呗总资产扩张130倍,主营业务收入增长698倍[5]。

    这些金融科技信贷,特别是大科技信贷,其信用评分模型有别于传统信贷的信用评分模型,在实现金融普惠的同时,也面临着巨大的监管和网络信息安全的挑战。

11.如何建立面向新金融消费者的信用评分
国内消费金融发展迅猛,数字经济时代又提供了更多数据和分析技术,如何建立面向未来新金融的信用评分,对于未来消费金融的健康发展至关重要。本文根据国内的实际情况提出一些相关建议如下:

(一)、系统地理解信用评分
图4展示了一个信用评分具体工程化的全流程,包括从确定商业目标到信用评分跟踪维护等九个模块,此外信用评分还要嵌套到整个信贷风控体系中才能够发挥作用,而国内目前业界关注的数据采集和预测建模部分仅仅占整个信用评分过程的一小部分。所以从观念上要从系统的角度来理解信用评分。

对于信用评分性能的衡量也不能简简单单地用一些指标,例如很多信贷机构迷信KS值来衡量信用评分的性能[6],但是并非KS值越大信用评分性能就越好,这要视具体情况而定。曾经有信贷机构的信用评分的KS值小于0.2,但是风控运行良好。

人工智能和机器学习技术近年来在金融领域得到越来越多的应用,但是和信用评分的融合目前还在进行中,国内的某些互联网公司直接就利用深度神经网络来取代传统的逻辑回归,虽然某些指标表现不错,但是最终由于无法在实际中应用而放弃,因为信用评分的应用不仅仅要看预测的效果,还要综合考虑,例如信用评分模型的稳定性和可解释性。

 




 

图4 信用评分的基本流程

同时信用评分的建模和应用是一个比较繁琐的工作,需要充分的人力和时间的投入。一般对于比较熟练的信用评分团队,对于信用评分项目也需要几个月的时间来完成。

(二)、充分利用央行征信的数据
    央行个人征信系统的个人信用评分虽然没有对很多金融信贷机构开放,但是信用报告数据目前对很多收到监管的信贷机构进行开放,例如,对于上千家规模比较大的小贷公司也进行开放。个人征信报告的数据质量好、稳定、是信贷机构开发信用评分的非常好的输入。

   目前小贷公司业务的主要客户人群还是人行征信人群,即5.4亿具有人行征信报告的消费者。例如对于比较大的新金融平台(除了蚂蚁金服、腾讯和京东本身的金融生态体系形成闭环),其信贷客户消费者90%都在央行征信系统中有个人信用报告,这也是目前消费金融所说的“白户”。充分利用央行征信数据开发信用评分,或者直接利用央行征信系统的信用评分是新金融机构开展风控的首选。

由于央行信用评分是国内信贷市场量化风控的基础设施,所以央行征信系统需要进一步开放个人信用评分。国外一些发达的征信机构开发的信用评分往往有上百种之多,所以国内央行可以开发更多的基础性信用评分,助力新金融的健康和快速发展,例如可以开发更多的针对不同信贷产品的行业评分,并给出不同区域的风控特征。此外央行的信用评分还可以帮助央行进行宏观经济分析和金融市场监管。

(三)、符合新金融发展的信用指标体系
信用评分模型依据于消费者信用模型。消费者信用模型通过不同层级的指标体系来体系。例如消费者的信用模型可以通过还款意愿和还款能力来体现,或者通过5C1S(消费者的信用品质,Character;消费者的偿债能力,Capability; 消费者的财务状况,Capital;消费者的抵押物,Collateral; 消费者的生活状况,Condition;消费者的经济稳定性,Stability )基本模型[1], 这些可以视为是第一层信用指标体系,逐层向下类推最终可以形成数千个消费者的信用指标。这些信用指标也称为信贷特征变量,国外三大征信机构和FICO公司的一个核心的专业资源就是包含数千项的信用指标体系。这些信用指标通过风控经验和统计分析而得来的,耗时多年积累而得,也是这些征信机构对外销售给信贷机构的重要征信产品。

在建立了多层次的信用指标体系的基础上,授信机构利用信货特征变量可以开发各种不同预测目标的模型,这些模型针对授信机构内部特定的信货组合、特定信货产品、特定客户类型开发,同时具有个人征信数据的广度和这些客户本身在特定信货产品上所有行为刻画的深度。信货特征变量可以使授信机构在了解消费者信用行为全貌的情况下,作出正确的商业决策,确定正确的授信、销售、产品定价、额度调整、风险控制、追账等策略【8】。

   在信用评分过程中,信用指标体系灵活可配置,确定风险目标,利用机器学习或统计学的方法,可以很快选择合适的模型变量大大缩短了开发流程,所以一个完善信用指标体系对于开展信用评分工作是关键,可以提高信用评分的准确性,稳定性和开发效率。

虽然国内征信机构和信用评分公司对于消费者构建了相对完备的信用指标体系,但是对于国内的消费者,需要进行本土化的指标体系构建,符合国内消费者行为模式的特点和信贷的特点,以及符合互联网金融场景的需要,例如信贷的小额、短期、高频和分散的特点。

国内的新金融信贷业务也大量地尝试一些替代数据(或者称为大数据)进行信用评分,例如电信数据、租房数据、公共事业数据等,基于这些替代数据的信用指标体系的构建不仅是开发信用评分的必要条件,也是一个全新充满挑战的工作,需要大量的研发和技术人员的投入。

信用指标体系的构建和机器学习中的特征工程密切联系,可以利用先进的分析技术来提高信用指标体系构建的效率。

(四)、探索创新的信用评分模式
    已经有60多年历史的信用评分主要基于经验主义,根据消费者的过去信贷历史判断其未来的信贷还款状况,其缺陷也越来越明显,如果消费者没有过去的信用历史,例如刚毕业的大学生和青年农民工;或者是消费者有很强的经济实力,但是没有银行信贷记录,就很难对这些消费者进行信用风险评估。因此需要探索创新的信用评分模式,可以从两个角度入手:

 信用信息和信用风险评估方法。

从信用信息角度,替代数据是目前信用评分研究的热点,作为传统信贷数据的有力补充。信用相关的信息可以分为三个层次:信贷类信用信息;非信贷类信用信息和非信贷非信用信息。传统的信用评分模型主要利用的是和信贷违约直接相关的信贷类信用信息。全球大概有30亿消费者没有传统的信贷数据,国内外征信机构和金融科技公司为了解决这个重要的普惠金融问题,大量利用一些非信贷类信用信息和非信贷类信用信息开发信用评分,例如美国FICO公司和两个征信机构合作,利用电信数据和公共事业缴费数据开发一种新的信用评分成为FICO XD, 可以帮助没有信贷记录的消费者享受金融服务【2】。国内目前大概有9亿的消费者(或者是一半具有经济能力的成年人)没有传统信贷数据,但是有着丰富的互联网经济数据,包含了非信贷信用信息和非信贷类信用信息,和信用相关,同时能够体现经济活力,

从信用风险评估方法的角度出发,一些金融科技公司也做出很多启发式的尝试,颇有借鉴意义。例如一家诞生于美国哈佛大学肯尼迪学院,但是总部在秘鲁的名为企业金融实验室(EFL)的公司采用了心理测量学的方法对消费者进行信用风险评估,通过和银行以及征信机构合作还是取得了不错的效果【2】,目前业务已经开展了十年,拓展到亚洲和非洲等新兴市场,截止2017年服务了90万消费者和小微企业主,放款达到15亿美元。而且还不断出现优化消费者体验的其它基于心理测量的创新性公司的出现。目前国内还没有成型的基于心理测量的信用评分公司出现。

值得指出的是,这些创新的信用评分模式目前的性能还没有超越传统的信用评分模型,还只能作为传统信用评分模式的有效补充。

(五)、个人隐私保护的挑战
在美国,由于信用评分也影响到消费者的权益,曾有人提议把费埃哲公司列为监管的征信机构,但是由于费埃哲公司并不是征信机构,而只是利用征信数据进行风险决策建模的数据挖掘公司,所以美国消费者金融保护局(CFPB)最终决定不将费埃哲列入监管范围。

随着欧盟《通用数据保护条例》(General Data Protection Regulation,GDPR)于2018年5月25日正式生效,全球个人信息保护加强,中国也不例外,陆续出台了《网络安全法》,《最高人民法院、最高人民检察院关于办理侵犯公民个人信息刑事案件适用法律若干问题的解释》和《信息安全技术个人信息安全规范》等一系列法规,个人信用评分的研发和应用也面临个人信息保护的挑战,从2017年至今,很多个人数据公司以及开展信用评分业务的公司陆续受到国内执法部门的调查。

搜集消费者诸如种族、宗教、性别等特征变量行为是违法的(种族、宗教和性别)。一些信贷特征变量,虽然没有法律明文禁止搜集这些信息,但是由于在文化上难以接受,实践中也没有使用。例如健康状况、不良记录或驾驶违规都能较好地预测违约风险的增加,但放贷机构担心社会认可的问题,一般不录用。在大数据时代,由于数据泛滥,可选择的数据维度比较多,一些机构在开发和应用信用评分时存在侵犯个人隐私的情况,。

国内的个人信息保护法还没有出台,《征信业管理条例》中也未对个人信用评分有所规定,国内开展个人信用评分的研发和应用,需要充分考虑个人信息保护并保证评分结果的公平和正义,需要满足合规性,同时在评估有效性和个人信息保护之间寻求平衡。

12.对百行征信未来信用评分的建议
   百行征信作为国内获得第一张个人征信牌照的消费者征信机构,未来首要的征信服务对象是面向特定的次贷人群。从个人征信的角度来说,信用报告和信用评分都是重要的个人征信产品,信用报告是征信机构的最初产品也是核心产品,在上个世纪八十年代,信用评分成为征信机构的增值产品。近年来随着数字经济的趋势越来越明显,信用评分的需求比信用报告多的征信服务需求,也是全球性的趋势,如图4的网络计量显示自2015年网络用户对信用评分的需求更多。这说明在数字经济时代,信用评分的需求也已经变得越来越重要了。信用评分也将是百行征信未来重要的征信产品。

同时上述消费信贷新特点,例如互联网的规模化和虚拟化效应,消费信贷的额度小、周期短、频率高的特点,还有次级贷人群的征信数据缺失等都是百行征信未来开发信用评分等征信产品中所遇到的挑战。面对这种挑战,百行征信利用市场化机制和创新机制,挖掘新金融机构的需求,充分了解次贷人群,加大研发力度,重视信用评分的深入应用和与时俱进。

值得强调的是,对于个人征信机构而言,个人信用报告是最基础的产品,所有的征信产品都源自于个人信用报告。所以才起步的百行征信需要在信用报告方面下足功夫,搜集数据,把好数据质量关。

   



图5 全球信用报告和信用评分的比较

(数据来源于Google Trends,红色是信用报告的网络搜索,蓝色是信用评分的网络搜索)



结语
在西方发达国家,信用评分技术是信用风险管理的有效工具,也逐渐成为消费者征信机构的重要增值产品,广泛应用于中小企业贷款、个人贷款、信用卡和保险业务等,是个人经济、金融生活不可分割的一部分。在我国,随着个人信贷和信用卡业务的发展,信用评分也开始用于商业银行的贷款决策、贷款定价和贷后管理等方面。

   信用评分的研发在国内起步比较晚,在数字经济的场景下,随着新金融的飞速发展,需求比较迫切,未来的研发也会有很大的空间,需要进一步的创新和监管政策开放来促进信用评分在新金融中的深入应用。

信用评分具有一定的专业性,所以也需要学术界的参与,需要产学研的对接,国家科技部也于2018年发布了“现代服务业共性关键技术研发及应用示范”重点专项《大数据征信及智能评估技术》[7],该项目扶持资金为2105万元,为期三年,多所大学和科研机构参与,未来也希望这种产学研结合能够结出硕果。

参考资料
【1】  雷蒙。安德森著,李志勇译,《信用评分工具》,中国金融出版社,2017年8月。

【2】  刘新海,《征信与大数据》,中信出版社,2016年11月。

【3】  武安华,商业银行个人信用评分研究,中国金融出版社,2015年12月。

【4】  万存知,《征信业探索与发展》,中国金融出版社,2018年1月。

【5】  恒大研究院,《中国消费金融玩家:谁将勇立潮头?》,恒大研究院研究报告,2018-07-10.

【6】CGFS&FSB, FinTechcredit:Market structure, business models and financial stability implications,22 May 2017.

【7】 BigTech and the changingstructure of financial intermediation,BIS Working PapersNo 779,2019-04.

【8】  王征宇等著,美国个人征信局及其服务,中国方正出版社,2003年01月
主管单位: 国家市场监督管理总局
中国人民银行征信管理中心
河南省企业信用评审委员会办公室
河南省信用建设促进会
政策指导: 国家发展和改革委员会、中国人民银行
主办单位:河南誉泰企业信用评估有限公司 技术支持:0371-65052606 15139951819
邮政编码:471000 统一投诉邮箱:yutaicredit@163.com
Copyright © 2018 - 2019 河南誉泰企业信用评估有限公司 All Rights Reserved