大数据技术在P2P网贷平台征信系统的应用研究

来源:用户上传      作者:

　　[摘 要]随着P2P网贷发展的加快，征信问题成为我国P2P行业发展的瓶颈。而大数据征信技术可以突破这一瓶颈。国内外都有应用成功的案例，如美国金融科技公司ZestFinance利用大数据对用户进行信用风险评估，挖掘了FICO评分没有覆盖的借贷用户群体;我国阿里集团下的蚂蚁小贷依托阿里集团的背景也在互联网金融大数据征信领域取得了一席之地。通过对国内外多家成功应用大数据征信技术的P2P网贷平台进行分析，提出基于大数据征信技术的P2P网贷平台的信用风险管理建议。
　　[关键词]P2P网络借贷;信用风险;征信;大数据
　　[中图分类号] F832.4                [文献标识码] A                 [文章編号] 2095-3283（2020）05-0075-04
　　Abstract： With the rapid development of P2P network loan， more and more problems are exposed. Many provinces have directly issued the one size fits all policy of banning P2P network loan business， but P2P itself is a financial means for the benefit of the country and the people. Only because of the imperfect credit system， the imperfect laws and regulations， and the lack of corresponding regulations， can various violations occur， so the credit problem has become our country the bottleneck of P2P industry development in China. Big data credit technology can break through this bottleneck problem. There are successful cases at home and abroad. For example， ZestFinance， an American financial technology company， uses big data to assess the credit risk of users and excavates the loan user groups that are not covered by FICO score. Ant loan under Alibaba Group in China relies on the background of Alibaba group and also in the field of Internet financial big data credit A place has been made. Therefore， based on the analysis of several P2P network loan platforms that have successfully applied big data credit technology at home and abroad， this paper puts forward suggestions on credit risk management of P2P network loan platform based on big data credit technology.
　　Key Word： P2P Network Lending; Credit Risk; Credit Investigation; Big Data
　　一、引言
　　P2P（Peer to Peer lending）网络借贷平台，是指借贷方（法人、自然人、其他组织）在运营平台发布借贷信息，投资人根据信息投资的一种商业模式（Borrower，2012）。P2P网贷平台的出现，不仅促进了我国实体经济的发展，丰富了投融资手段，在解决我国民生问题上也起到了积极的作用，但其存在的风险也日渐凸显，平台失联、暂停运营、借贷人跑路事件频频发生。截至2019年9月，我国共有6615家P2P网贷平台，其中转型的网贷平台3152家，问题平台2861家，还在正常运营的网贷平台仅剩602家（网贷天眼）。我国大多数P2P网贷平台出现问题、亏损、倒闭的一个重要原因就是忽视了对信用风险的管控，从而导致经营不善（张巧良，2015）。
　　康峰（2019）指出可以将我国P2P网贷平台存在的风险划分为五个方面：市场风险、操作与技术风险、信用风险、流动性风险、法律与监管风险。目前，信用风险在互联网金融行业普遍存在，P2P市场信用风险表现为借贷人逾期还款等。我国P2P网贷平台可以考虑运用大数据征信运作方式并且结合具体情况对信用风险进行管控，本着“一切数据皆信用”的观点，通过大数据技术，结合个人在网络上的购物、聊天记录、上网行为等信息，建立网贷平台征信系统，这对平台、投资人、贷款人以及监管部门都具有十分重要参考意义。
　　二、P2P网贷信用风险研究
　　（一）国内P2P网贷信用风险研究
　　我国学者对于P2P网贷平台的风险研究主要集中在：相关法律法规、监管情况、P2P平台自身风险管理、市场风险、用户的信用风险、技术风险等领域。研究结果显示，信用是借贷成功与否的核心要素，但我国的征信系统还不完善、覆盖不全面，P2P借贷平台利用这些数据可能会增加平台的信用风险，会使投资人处于信息不对称的劣势位置，从而造成财产损失。可以通过大数据技术在事前对借贷人信用进行评估，从而减少投资人损失，大数据征信会大大降低贷款违约率。我国的P2P网贷市场发展的空间巨大，可以采用与第三方征信平台外包方式。政府管理部门，应建立健全法律法规，为互联网金融行业甚至P2P借贷平台提供保障。 　　（二）国外P2P网贷信用风险研究
　　国外学者主要从四个方面研究P2P网贷平台风险：贷款人信息、抵押担保、征信体制和风险控制。在借贷人信息方面，P2P网贷平台将借贷人的个人信息透明，从而可以确保投资人和借贷人双方之间信息的对称，投资人才能作出正确的选择。Klafft（2008）利用Logistic分析法进行抽样分析，发现在抽样的十七万件P2P借款事例中：借款人收入、信用记录以及担保借款额都与违约风险呈显著相关，所以应该对借贷人的信用等信息详细审核清楚，正如Freedman（2008）认为网络借贷平台可以利用征信帮助投资人评估在借贷时的道德风险与逆向选择问题，所以对于P2P网贷平台来说对信用进行监管是必不可少的。
　　三、国外P2P网贷平台征信系统运行现状
　　（一）傳统模式
　　纯信用中介形式的P2P网贷平台，其运营模式的核心是让第三方网络银行加入到整个借贷运营环节之中。先由贷款人登记个人贷款信息，再与WebBank签订借贷信息合同，WebBank将此次借贷的所有权出售给P2P网贷平台，平台作为中介将所有权票据再出售给投资人，投资人最后持有，在这个过程中，看似P2P网贷平台的风险被转移到WebBank，其实WebBank也是一家已经保有联邦存款保险的银行，将WebBank所承担的风险又分摊到了保险公司上，这个模式避免了现金滞留在借贷平台本身，将资金转移到第三方银行平台，转移了P2P网贷平台因市场风险而面对的资金链断裂等风险（刘玲，2018）。纯中介的网贷平台主要采用了FICO评分为网贷平台对用户信用评估的影响因素，将FICO评分作为主要判断借贷人可借贷金额、借贷利率等指标。FICO是美国当下主流的个人信用评分标准，被用来做借贷人是否可以申请借款的有效审核工具，不仅被美国各大银行采用，还被美国三大征信局所采纳接受，美国的各类P2P借贷平台可以通过向该机构提交申请，就可以调查所有借贷人的各种信用信息。这种评估方式所采用的评估标准相对于大数据征信来说所收集的数据较少，主要涉及历史消费记录、历史借贷信息、购买物品等。Prosper与LendingClub平台所应用的就是这种征信方式，根据借贷人的FICO评分采用相应的借贷方式，该种征信方式的好处是数据获取方便、覆盖人群广泛。
　　（二）大数据模式
　　ZestFinance网贷平台是美国最新兴的一个平台，因为FICO评分覆盖了美国85%以上的客户，典型的如Prosper与LendingClub，而还有15%处于没有评分状态，这就使这部分人群无法借贷或是不利于借贷，针对这一情况，ZestFinance发现了商机，利用自主研发的大数据算法，为剩下15%没有被FICO评分的对象进行借贷服务。平台创建信用评分模型再利用收集到的数据代入，计算出用户的信用分数进行借贷，并且还应用机器学习预测未来借贷人借贷数据。机器学习是指从输入的数据中自主获取数据间相关规律，再通过获取的规律来预测未知的数据的算法。
　　ZestFinance网贷平台挖掘数据的深度也强于其他平台，不仅采用在以往征信体系中常用的决策变量，如FICO的五个基本影响因素，包括未还款金额、付款记录、新信贷申请、信贷期限、信贷组合等，但弥补FICO评分模型信息获取单一、不具备时间的同步性的缺点，ZestFinancc还会收集音像、图片、视频等非结构化的数据信息，如客户的Facebook等社交网络信息、会员信息等，将信息进而转向结构化数据再进行评分。其信息覆盖也十分广泛，比如借贷人是否缴纳房租，登入时的IP地址，书写行为习惯，使用的浏览器版本，输入时用的拼写习惯，网络交易资料等。并且ZestFinance的信用评估模型，每一季度都会进行更新，确保模型的信用评估准确度。传统的FICO等其它征信公司的评分数据模型，仅收入三十至几百条数据项，而ZestFinance会收集几万条数据项，去评判一个人的真实信用如何，即使是看似毫无关联的数据信息，都有可能帮助ZestFinance更有效地评断个人信用。
　　大数据征信相对比传统的FICO征信来说具有两点优势，一是数据收集齐备，对没有FICO评分的用户进行了形象刻画，避免了市场空白。二是通过机器学习，自主研发数据模型，更加有效地审核了借贷人的信用信息，降低了违约率。
　　（三）国外P2P网贷平台大数据征信的启示
　　1.加强平台数据共享
　　ZestFinance利用大数据征信平台成功的基础就是美国信息的开放，不仅如此，ZestFinance也与Facebook、Twitter等社交平台进行信息共享而获得更多数据源来进行更精准的信用评分。在美国传统的FICO评分中，收集了大量民众信用信息，其中包括银行卡使用记录、银行存取款记录、水电缴费情况等信息，但ZestFinance还收集了几十万类不同的数据项目，借此构建了较为全面的用户信用信息系统。
　　我国的P2P网贷平台也应学会自行建立征信系统，学习数据共享技术，进而不断扩大征信系统中原数据来源，建立更加可靠的P2P平台征信体系，进而覆盖更多的互联网金融平台，覆盖更全面的客户群，而不是处于一个“信息孤岛”的状态。
　　2.提高数据分析能力
　　ZestFinance平台的理念是“相信一切数据皆信用”，这就是它在P2P网贷平台征信成功的关键：拥有强大的数据分析和处理能力。自2007年我国首家P2P网贷平台拍拍贷上线以来，我国P2P网贷平台通过自身的信息库以及第三方平台的数据库积累了大量有关客户消费、支付、信用等信息数据，但我国P2P网贷平台缺乏数据处理与分析的能力，暂时还不能深度挖掘来自这些信息背后或者更深层次的内容。ZestFinance公司所开发的集成的机器学习模型极大促进了平台清洗数据与数据分析能力，我国的P2P网贷平台应加强数据模型建设，强化数据清晰、筛选技术，提高非结构数据处理能力。 　　3.明确服务对象
　　ZestFinance明确自身服务的征信对象为FICO评分在500分以下的低信用评分客户，针对该客户群体内部不同的信用类型再进一步开发细化信用评估模型，比如还款能力模型、预付能力模型等，不断深入发掘信用信息，扩大公司的客户范围，从而不断提高自身的盈利水平，增强公司的竞争力。所以精准定位和深入分类研究是ZestFinance领先于其他互联网征信机构的关键，我国网贷平台也可以参考此类运行模式，明确平台主要服务对象，做到市场精细化，从而扩大客户范围。
　　四、国内以蚂蚁小贷为代表的P2P网贷平台征信系统运行现状
　　（一）蚂蚁小贷
　　蚂蚁小贷是由阿里巴巴集团成立的，主要针对阿里巴巴、淘宝、天猫平台上的卖家进行资金周转、投融资服务而发展的互联网金融产品。其对信用的审核依据就是企业在阿里巴巴平台、天猫平台、淘宝和支付宝上的信用记录，从而对企业信用积分进行核算，信用记录主要包括：店铺收益、实体情况、用户评价、发货速度等，其优势为审核速度快、贷款下放快、无需线下审核、资金通过支付宝进账。相对于传统的借贷模式，蚂蚁小贷凭借自身所属公司阿里巴巴集团就已经获得了巨大的优势。首先，传统的信贷公司收集数据难，收集到的数据真假难辨，借款人很容易隐藏或造假信息，形成投资人与借贷人信息不对称的现象。其次，阿里集团下的淘宝、天猫与阿里巴巴会为蚂蚁小贷创造大规模的订单需求，相较于其他平台，蚂蚁小贷自然拥有大量用户群体，并且蚂蚁小贷也将大数据技术实施到了P2P借贷的贷前、贷中与发放阶段。
　　贷前申请阶段，用户在线申请贷款之后，蚂蚁小贷的调查团队会开始查明该用户在阿里系产品中所有的交易信息、信用信息、商品库存、资金流动以及客户评价等，根据这些数据判定用户的信用等级，再根据大数据库内的数据判断用户的偿还能力以及未来可能会流入的资金额，对未来期限内会有高收益额商家积极鼓励其在平台贷款，对于未来可能资金收入额较低的商家，会采取低强度营销这一方式。再将此次运行的操作和结果记录到系统中，对系统进行完善。预测淘宝卖家从借贷开始到未来实际运作以及运作成效的曲线，需要192个数据模型，与我国传统的纯信用抵押信贷相比，蚂蚁小贷在模型数量与模型因子方面的领先使其具有独特优势。
　　贷中与发放阶段，平台会对企业如何运行资金、企业获得贷款后的仓储、与企业联系的上下游企业、企业的客户等用大数据进行评估，完善企业这一次的贷款信息记录，查看企业在获得贷款后与贷款前的营业数据是否有所改善，以为下一次是否贷款做好准备信息。
　　蚂蚁小贷运用大数据技术对平台进行运营，也基于自身母公司的商业基础，成本包括给予借款人利息，平台人工成本费管理费等，成本率预计在6%—7%，并且蚂蚁小贷的信贷还款率远远高于其它平台，达到99%。总之蚂蚁小贷在大数据方面的应用管理给我国其他的P2P网贷平台提供了参考。
　　（二）国内网贷平台大数据征信启示
　　1.保证海量丰富的数据
　　蚂蚁小贷成功借鉴了美国ZestFinance利用大数据技术在P2P网贷平台征信方面的成功经验，认识到大数据征信技术在互联网金融平台尤其是借贷平台的重要之处，只有充分收集用户的数据，并且作出相对成熟的征信模型，才会对用户信用评判进行合理诠释。阿里集团凭借自身各大购物、民生平台积攒了一手用户数据信息，这是美国ZestFinance公司所缺少的，而且数据也更加精准，只要合理运用收集到的数据，蚂蚁小贷就可以对客户的信用进行评判，并在借贷前期、中期、后期及时给予预警信号。
　　2.建立大数据基础处理设施
　　2009年阿里集团开发了云计算系统，阿里将精力投入到云计算系统的设计与开发，其宗旨是创造全球领先的云计算平台，成为全球最先进的可以同时进行数据收集、分析以及处理于一体的服务企业。该系统不仅可以提供大规模的分布式数据处理为日后其他企业、平台的大数据的计算功能、处理功能以及存储功能提供最佳的解决方法，这套云计算系统也为阿里集团进军大数据领域助力。目前阿里云计算已经建立了金融云计算和电商云计算等不同的云计算服务平台，如我们熟知的支付宝和余额宝的数据也均被收入在阿里云计算服务中。
　　3.利用大数据降低征信成本
　　纯中介P2P网贷平台的征信系统数据信息大多来自平台与各大第三方征信公司，属于二手数据，数据获得可能会耗费财力且数据信息不一定准确，美国的ZestFinance搜集的大数据信息大多来源于线上，获得方式比较便捷，耗费的人力物力资源等成本较低。阿里巴巴与之类似，但是其数据都是凭借本集团内自有数据，可以通过蚂蚁小贷等平台内部数据库获得，一手数据无需消耗额外的人力、财力。贷款的全部操作都在线上进行，不需要耗费投资人与借贷人的时间成本，借贷完成后平台也只需要关注系统中的数据进行分析即可，如若出现了逾期和违约的情况，也无需上门讨债，只需将用户的芝麻信用积分下降，必要时冻结支付宝限制用户网购即可，这些都可以在线上完成，帮助平台降低运行管理成本。
　　四、小结
　　仅对P2P网贷平台进行征信系统的管理是远远不够的，还要进行其他方面的风险控制，如市场风险、技术风险等。本文仅从大数据征信方面去解决P2P网贷平台的信用风险问题，可以从更广泛的视角解决P2P平台其他方面的风险。
　　[参考文献]
　　[1]Freedman S，G.Jin.Learning by doing with asymmetric information： exidence from Prosper. com [R].NBER Working Paper，2011（5）：13-17.
　　[2]Michael Klafft.Online Peer-to-Peer Lending：A Lender's Perspective.Proceedings of the International Conference on E -Learning， E-Business[J].Enterprise and Information Systems，and E-Government， 2008：371-375.
　　[3]劉玲.大数据在P2P网贷平台征信中的应用研究[D].广东财经大学，2018.
　　[4]张巧良.P2P网贷平台风险评价指标研究——基于层次分析法[J].南京审计学院学报，2015（6）.
　　[5]康峰.P2P网贷行业风险防范指标体系的构建与评价研究[J].西部金融，2019（4）：48-55.
　　[6]李延东.大数据对解决小微企业融资难的启示——以ZestFinance公司为例[J].甘肃金融，2016（5）：28-30.
　　[7]闫娇娇.基于大数据的互联网金融征信体系研究[D].天津大学文，2016.
　　（责任编辑：张彤彤 梁宏伟）
转载注明来源:https://www.xzbu.com/3/view-15238274.htm