如何建構健全的信用評估體系

信用，就是因為履行諾言而取得的信任，是指依附在人與人之間、機關之間、商品交易之間的一種互相信任的生産關系和社會關系。因為信用的存在，雙方得以自覺、自願地反複交往，消費者甚至願意付出更多的錢來延續這種關系。

信用調查，是指信用機構接受委托後，按照委托事項與目的對相關組織和個人的信用資訊進行征集、分類、分析的工作。信用調查是信用評級的基礎，信用評級是信用調查的進一步延伸。

我國的信用調查體系尚不完善，目前比較成熟的是美國的信用評估體系。美國傳統的信用評估體系主要通過五大因素評估信用值，即付款曆史（Payment History）、未嘗債務（Outstanding Debt）、信貸時長（Credit History Length）、争取新信貸（Pursuit of New Credit）和信貸組合（Credit Mix）。

其中，付款曆史占比35%，包括各種信用賬戶的還款記錄；公開記錄及支票存款記錄，即破産記錄、喪失抵押品贖回權記錄、法律訴訟事件、留置權記錄及判決；逾期償還的具體情況，如果曾發生違約，則會對個人今後借款能力産生重大影響。

未嘗債務占比30%，即當下總共欠了多少錢。對于貸款方來講，少量債務并不意味着客戶的信用風險高，但是，如果客戶有限的還款能力用盡，則說明他存在很高的信用風險。

信貸時長占比15%，如果甲在10年前就有了一張信用卡，而乙今年才申請信用卡，雖然無法判斷誰的還款能力更強，但是至少在時間上判斷，甲有更多的信用資料。

争取新信貸占比10%。在現實生活中，人們總是傾向于申請更多的信用賬戶。據調查，在很短時間内開立多個信用賬戶的客戶具有更高的信用風險，尤其是那些信用曆史較短的人。

信貸組合比重占10%，它分析了客戶的信用卡賬戶、零售賬戶、分期付款賬戶、金融公司賬戶和抵押貸款賬戶的混合使用情況。具體包括：持有的信用賬戶類型和每種類型的信用賬戶數。

美國的信用評分體系綜合使用以上的因素進行評估，其中應用最廣泛的是由Fair Isaac公司推出的FICO信用評分模型。全球三大商業個人征信公司益百利（Experian）、艾克發（Equifax）和環聯（Trans Union）都是以FICO評分為基礎提供個人征信報告的。盡管FICO評分體系占據了全球近三分之二的商業征信市場，但是傳統的信用評估體系仍然存在一些明顯的不足，主要展現在以下三個方面：

第一，傳統的信用評估服務無法覆寫全體人群，特别是弱勢群體。根據FICO的标準，如果人們未能如期還款，或者缺乏借貸經曆，他們就會自動被視為風險人士，他們的貸款也就會被罰以更高的利率。另外，他們的貸款申請很可能被拒，無論是否事出有因。即使在金融體系發達的美國，仍有15%的人群因為信貸記錄不完整而無法獲得正常的金融服務，或者需要更大的代價才能獲得金融服務。

第二，傳統信用評估模型中的資訊次元較為單一。FICO評分模型的基本思想是将借款人信用曆史資料與資料庫中全體借款人的信用習慣進行比較，以檢查借款人是否符合經常違約、随意透支甚至申請破産的各種陷入财務困境的發展趨勢。是以，随着信貸業務的進一步開展，FICO信用評分也因其标準單一、門檻嚴苛、評估片面而飽受诟病。

第三，由于傳統信用評估模型在時間上比較滞後，是以其在預測絕對風險方面也表現得差強人意。尤其是2008年金融危機前後，FICO分數在美國人口中的分布基本沒有發生變化，這與危機爆發後出現了大量壞賬的現實嚴重不符。

由于傳統信用評分的種種弊端，在網際網路時代，我們需要探索信用評估的新思路，即基于大資料的信用評估體系。美國ZestFinance公司是新型征信公司的代表，其基本理念是認為一切資料都與信用有關，在能夠擷取的資料中盡可能挖掘信用資訊，從大資料采集和大資料分析兩個層面精煉信用資訊。在大資料的背景下，可以暫時不考慮資料背後的原因，而是看重資料之間的關聯。同時，資料的來源也很重要，即使是錯誤資訊也是有用的。

在利用大資料模組化階段，首先要考慮多種原始資料變量，理清變量之間的關系，将其轉換為有用的格式，再将轉換變量合并至元變量中，形成使用者畫像；接着，将元變量輸入不同子產品，令每一子產品代表一種技能，每一子產品貢獻一定分數比例，最終合成信用評分。

與傳統信用評分體系相比，這種基于大資料的信用評分模型大大提高了信用評分的覆寫率，同時将原有的結構化資料擴充至大量的非結構化資料，增加了資料資訊的次元，另外，信貸資料在原始資料中所占比例顯著下降，除了信貸資料，還包括網絡資料、社交資料等，除了貸款記錄、餘額等資訊，可用變量擴充至IP/郵箱、網絡行為等。最為關鍵的是，新的信用評分模型采用機器學習方法進行模組化分析，變量個數從傳統的10~30個增加至成千上萬個，大大提高了對大資料的分析能力。

盡管新型信用評估體系還不夠成熟，真實效果尚難總體評價，不過，這對我國的征信體系建設卻有一定的參考和借鑒意義。

首先，普惠金融需要挖掘更多征信空白的人的信用資訊。目前，我國真正發揮作用的征信體系是央行的征信系統，所覆寫的人群隻有3.2億，僅占我國人口的23.7%。數量龐大的沒有被征信覆寫的人群同樣需要金融服務，是以對信用資訊具有巨大的需求。

其次，海量的網際網路資訊将成為征信體系的新參考。我國擁有全世界最多的網際網路人群，他們産生的海量網際網路資料資源如果能夠被征信體系建設最大程度地加以利用，将成為我國建構征信體系最重要的資料支撐，通過分析網際網路上使用者的基本資訊、交易行為資訊和金融或經濟關聯資訊，可以挖掘使用者的潛在信用資訊。

再次，以大資料、人工智能為代表的新興技術為征信體系建設帶來了新的思路，原來龐雜無章的資料經過清洗、整合、挖掘、分析，可以轉換為信用資料，在一定程度上提升信用評估效率和準确率。

相關文章

貸前調查必須采集的十大客戶資訊

風控體系的一般架構

什麼是信貸風險控制？

基于個人信用評分的模組化分析和授信決策