【財新網(wǎng)】（專欄作家 劉新海 特約作者 駱?biāo)救冢?/span>
一、引言
債權(quán)人與債務(wù)人的信用關(guān)系是現(xiàn)代經(jīng)濟(jì)的核心要素，社會每一個個體及企業(yè)的經(jīng)濟(jì)活動都是在信用關(guān)系基礎(chǔ)上進(jìn)行的，錯綜復(fù)雜的社會信用關(guān)系構(gòu)成了社會的經(jīng)濟(jì)基礎(chǔ)。因此，只有在一整套嚴(yán)格的信用管理體系基礎(chǔ)上建立穩(wěn)定可靠的信用關(guān)系，現(xiàn)代市場經(jīng)濟(jì)才可能持續(xù)存在發(fā)展，而征信制度正是信用交易的重要支撐。
信用風(fēng)險及其相關(guān)的投資風(fēng)險是現(xiàn)代經(jīng)濟(jì)社會潛在的巨大風(fēng)險。2008年，由美國次級住房信貸的信用風(fēng)險引發(fā)了金融市場信用衍生產(chǎn)品的投資風(fēng)險，造成了席卷全球的金融危機(jī)，對全球的經(jīng)濟(jì)發(fā)展造成重大沖擊。直至今日，很多國家仍深陷由金融危機(jī)引發(fā)的債務(wù)危機(jī)中，社會經(jīng)濟(jì)發(fā)展停滯甚至衰退，社會陷入持續(xù)的動蕩。因此，研究和發(fā)展征信制度，進(jìn)而有效控制信用風(fēng)險，對一個國家經(jīng)濟(jì)的持續(xù)穩(wěn)定發(fā)展具有重要的現(xiàn)實意義。
征信，本質(zhì)上是信用信息服務(wù)。為了滿足從事信用活動的機(jī)構(gòu)和個人在信用交易中對信用信息的需要，專業(yè)化的征信機(jī)構(gòu)，依法采集、調(diào)查、保存、整理、提供企業(yè)和個人的信用信息。征信數(shù)據(jù)是征信機(jī)構(gòu)在征信過程中得到的數(shù)據(jù)，它包含企業(yè)征信數(shù)據(jù)和個人（消費者）征信數(shù)據(jù)。
我國征信數(shù)據(jù)系統(tǒng)的建設(shè)是最近15年才開始的，雖然起步晚，但取得了重大進(jìn)展。人民銀行于1998年開始籌建銀行信貸登記咨詢系統(tǒng)，2002年初步建成了地市，省市和全國三級數(shù)據(jù)庫體系從商業(yè)銀行采集的企業(yè)的基本信息。2006年實現(xiàn)全國金融機(jī)構(gòu)連網(wǎng)查詢，數(shù)據(jù)涵蓋個人賬戶開立信息，銀行信貸信息，信用卡及公積金繳存信息等。這些基礎(chǔ)數(shù)據(jù)的建立，為金融機(jī)構(gòu)控制信用風(fēng)險提供了堅實的數(shù)據(jù)基礎(chǔ)。
美國是世界上信用交易額最高的國家，也是信用管理行業(yè)高度發(fā)達(dá)的國家，在征信制度體系及應(yīng)用方面有許多值得借鑒的經(jīng)驗。本文主要介紹了美國企業(yè)和個人的征信數(shù)據(jù)，并著重討論了個人征信數(shù)據(jù)在金融風(fēng)險建模及保險定價業(yè)中的應(yīng)用，旨為我國的征信數(shù)據(jù)在實踐中的應(yīng)用提供參考和建議。
二、文獻(xiàn)綜述
在國內(nèi)，薄曉光（2004）研究了美國的信用報告制度，討論了信用報告的主要內(nèi)容和如何解讀信用報告，也介紹了美國的信用報告公平法案，對國內(nèi)的信用報告制度提出了建議。段金鎖（2009）指出征信體系在金融企業(yè)信用風(fēng)險控制中的重要作用，金融業(yè)需要認(rèn)清風(fēng)險管理與征信管理的協(xié)調(diào)發(fā)展關(guān)系，明確信用風(fēng)險管理在風(fēng)險管理中的核心地位。鄭秀君和魏文靜（2011）比較了發(fā)達(dá)國家的企業(yè)信用報告，主要包括美國、日本和德國三個國家的信用報告，指出了異同點，由此針對我國的特殊環(huán)境，提出了我國企業(yè)信用報告的建議，如統(tǒng)一標(biāo)準(zhǔn)、明確范圍、引入評級機(jī)制、建立信息共享和培養(yǎng)專業(yè)人員等。針對中小企業(yè)，趙紹光（2005）以各財務(wù)指標(biāo)為切入點，分析了中小企業(yè)信用評估的要素，
提出了建立中小企業(yè)信用評估指標(biāo)體系的指導(dǎo)原則，
在此基礎(chǔ)上構(gòu)建了中小企業(yè)信用評估指標(biāo)體系。樊錳（2010）等從中小企業(yè)信用評級方法的比較和選擇入手，以AHP分析法為核心，構(gòu)建多級模糊綜合評價模型，以期對中小企業(yè)信用狀況做出客觀公正的評價。盡管對征信體系的重要作用國內(nèi)已有統(tǒng)一認(rèn)識，但由于我國的征信制度起步晚，征信體系還在完善過程中，本文通過對美國具體征信數(shù)據(jù)的研究介紹，希望能對中國征信數(shù)據(jù)的進(jìn)一步完善提供參考。
國外學(xué)者對征信數(shù)據(jù)在金融業(yè)的應(yīng)用已有廣泛的研究。Barakova et
al.（2003）將信用分?jǐn)?shù)用于抵押市場的經(jīng)驗檢驗?zāi)Ｐ椭?，認(rèn)為信用質(zhì)量與房貸質(zhì)量有極大的相關(guān)性，可以利用信用分?jǐn)?shù)來預(yù)測房貸質(zhì)量。Chosisengphet和Elul
（2006）特別提出征信數(shù)據(jù)在建立和檢驗抵押貸款風(fēng)險模型中的重要作用，強(qiáng)調(diào)了模型的一個重要特點，即信用分?jǐn)?shù)可以推斷出申請者的貸款風(fēng)險。Arya
et
al.（2011）對信用分?jǐn)?shù)進(jìn)行了深度分析，著重討論了導(dǎo)致不良信用分?jǐn)?shù)的原因，認(rèn)為沖動性、時間的優(yōu)先選擇、可賴性等行為要素與信用分?jǐn)?shù)相關(guān)程度非常大。Smith（2011）通過研究公司債券和證券風(fēng)險定價模型，提出信用分?jǐn)?shù)的級別是抵押貸款違約率的先導(dǎo)信號，征信數(shù)據(jù)隨著時間在更新，我們可以充分利用更新的信用數(shù)據(jù)定期檢查貸款質(zhì)量，防范信用風(fēng)險。這些研究充分展示了征信數(shù)據(jù)在國外金融風(fēng)險管理中的重要作用，而本文則更側(cè)重研究如何將征信數(shù)據(jù)和金融企業(yè)的客戶行為數(shù)據(jù)相結(jié)合，建立更加有效的信用風(fēng)險模型。
除了在金融領(lǐng)域，征信數(shù)據(jù)在保險領(lǐng)域也被廣泛應(yīng)用。在國外，大量的研究實踐經(jīng)驗顯示，客戶的信用和保險損失之間存在著明顯的相關(guān)性。例如，Monaghan（2000）通過多元統(tǒng)計分析發(fā)現(xiàn)個人信用變量和傳統(tǒng)廣義線性模型（GLM）中的分類變量不相關(guān)，且能解釋部分汽車保險損失的方差中不能被傳統(tǒng)分類變量解釋的部分，也即說明了信用變量是汽車定價模型中的重要解釋變量。行業(yè)協(xié)會和政府機(jī)構(gòu)也對此現(xiàn)象引起了高度重視。2002年，美國精算學(xué)院研究了信用歷史在個人保險中的應(yīng)用，討論了信用記錄對保險損失表現(xiàn)的影響，征信數(shù)據(jù)在個人汽車保險中的信用評級、保險承銷中的應(yīng)用等。2009年，美國財產(chǎn)意外保險業(yè)協(xié)會進(jìn)一步就基于征信數(shù)據(jù)的保險評級的預(yù)測能力及其對保險定價的影響和可行性進(jìn)行了研究。2011年，愛荷華州發(fā)表了《愛荷華州保險信用評級的使用》，該書介紹了保險評級的背景，保險評級的法律，保險評級在愛荷華州的應(yīng)用及其研究結(jié)果等。國外這些經(jīng)驗顯示，可以利用征信數(shù)據(jù)對投?？蛻暨M(jìn)行信用等級分類，對可能產(chǎn)生更大保險損失的客戶收取較高的保費，而對低風(fēng)險的客戶收取較低的保費，因此，客戶征信數(shù)據(jù)的使用，可以讓保險公司提供一個更公平的定價。本文從實踐工作經(jīng)驗出發(fā)，闡述了如何將征信數(shù)據(jù)和傳統(tǒng)的保險定價變量相結(jié)合生成保險的信用評級，闡明了如何將這些評級應(yīng)用到保險定價中。
三、征信數(shù)據(jù)的介紹
在國外，社會信用體系大多采用以民營商業(yè)征信服務(wù)公司為特征的完全市場化運作模式，其征信服務(wù)機(jī)構(gòu)都是獨立于政府之外的民營征信機(jī)構(gòu)，征信數(shù)據(jù)主要由這些專業(yè)的征信服務(wù)公司提供。例如，美國有三家從事征信業(yè)務(wù)的公司，
即Equifax，
Trans-union和Experian，這三家公司既提供個人信用數(shù)據(jù)也提供中小企業(yè)的信用數(shù)據(jù)，為個人消費貸款和中小企業(yè)信貸的發(fā)展提供了有力的支撐。征信公司收集各家銀行、金融公司的客戶信用行為數(shù)據(jù)，將其整合加工成專業(yè)的信用數(shù)據(jù)，并依靠自身的專業(yè)數(shù)據(jù)分析能力，生成信用評級，賣給銀行和金融公司。美國的銀行和消費信貸企業(yè)和保險公司也大量使用這三家公司的信用數(shù)據(jù)和信用評分進(jìn)行無擔(dān)保的信貸業(yè)務(wù)。根據(jù)公司規(guī)模的不同，或直接使用這些公司的信用評分進(jìn)行信貸決策，或購買這些公司的信用數(shù)據(jù)并結(jié)合本公司擁有的數(shù)據(jù)進(jìn)行信用風(fēng)險評級建模。
下面以美國的征信數(shù)據(jù)為例，分別討論個人和企業(yè)的征信數(shù)據(jù)。征信公司的征信涉及面廣，征信數(shù)據(jù)變量非常之多，例如，Equifax的征信數(shù)據(jù)就有數(shù)百個變量。為了對征信數(shù)據(jù)有個全面的認(rèn)識，本文對征信數(shù)據(jù)分別就個人征信和企業(yè)征信進(jìn)行了分類解釋和說明。
（一）個人征信數(shù)據(jù)
個人征信數(shù)據(jù)主要包括信用范圍、信用歷史、信用違約、信用查詢、信用狀態(tài)、信用分?jǐn)?shù)，除了這些，還包括個人信息、法律信息和其他交易信息等。將征信分類總結(jié)為下表，并對每類數(shù)據(jù)給出了具體的例子。
（二）企業(yè)征信數(shù)據(jù)
類似于個人征信數(shù)據(jù)，將企業(yè)征信數(shù)據(jù)分為企業(yè)基本信息、信用信息、賬戶信息、財務(wù)信息和法律信息，其中信用信息又包括信用歷史、信用額度、信用違約、信用查詢和信用評級分?jǐn)?shù)。參照Equifax的征信數(shù)據(jù)，下表給出了每類征信數(shù)據(jù)的例子。
本文并未列出所有征信數(shù)據(jù)，只是舉例說明各個類別的信用。但幾乎所有征信數(shù)據(jù)都可以概括為以上幾個方面的內(nèi)容，根據(jù)這些信用信息的分類，可以很清晰地看出個人或企業(yè)信用主體在每個方面的信用狀況，進(jìn)而了解其總體信用情況，也可以讓公司更方便地利用這些征信數(shù)據(jù)。
值得注意的是在評價企業(yè)的信用時，除了使用信用分?jǐn)?shù)，還考慮法院判決和追債記錄等，而個人的信用評價多數(shù)情況下可使用FICO信用評分。下面給出Equifax商業(yè)征信報告中的好壞標(biāo)準(zhǔn)的例子，以√為優(yōu)，當(dāng)企業(yè)的信用信息滿足以下標(biāo)準(zhǔn)時，這個企業(yè)有好的信用表現(xiàn)：a）
信用評分在75-100分之間，b）沒有破產(chǎn)和稅收留置記錄，c）只有少于1個的付款拖欠記錄。
四、征信數(shù)據(jù)的應(yīng)用
征信數(shù)據(jù)不僅影響了個人的日常生活，例如就業(yè)和貸款，也對企業(yè)日常的經(jīng)營活動產(chǎn)生了深遠(yuǎn)影響。尤其是金融保險業(yè)，大量使用征信數(shù)據(jù)進(jìn)行風(fēng)險監(jiān)控，信貸決策和定價等進(jìn)行經(jīng)營決策。下面就以金融保險行業(yè)為例，具體闡述征信數(shù)據(jù)在信用風(fēng)險模型，信貸資產(chǎn)評估和保險定價中的應(yīng)用。
（一）征信數(shù)據(jù)在金融領(lǐng)域的應(yīng)用
1.信用風(fēng)險模型中的應(yīng)用
信用風(fēng)險模型用于反映信用和貸款的質(zhì)量，金融企業(yè)用它來預(yù)測客戶的違約概率以及發(fā)生違約時的貸款損失率，銀行可以根據(jù)模型的預(yù)測值相應(yīng)地調(diào)整客戶的信用額度和貸款利率，以減少未來的違約風(fēng)險。征信數(shù)據(jù)在建立信用風(fēng)險模型時起到了重要的作用，它是由征信公司根據(jù)各家銀行、金融公司提供的行為數(shù)據(jù)整合而成的，具有綜合性、完整性、準(zhǔn)確性等優(yōu)點，以此建立的信用風(fēng)險模型可以更準(zhǔn)確地反映客戶的整體風(fēng)險狀況，繼而準(zhǔn)確預(yù)測未來的違約率和違約損失，為銀行和金融公司決策提供依據(jù)。
以一個典型的消費信貸金融公司為例，它存儲了客戶的信用行為數(shù)據(jù)，包括每月的還款記錄，賬戶余額，撇帳和違約記錄等。我們可以基于這些行為數(shù)據(jù)預(yù)測信用風(fēng)險，但是由于這些信息只包含客戶部分的信用行為，因此這樣的模型預(yù)測通常效果不理想，而通過購買征信數(shù)據(jù)，將客戶的征信數(shù)據(jù)和行為數(shù)據(jù)相結(jié)合可以達(dá)到更好的預(yù)測效果。具體的建模過程可由下至上，從賬戶級到客戶級逐步進(jìn)行，如圖1所示。圖中的Equifax，
Trans-union和Experian代表從三家征信公司買到的征信數(shù)據(jù)。具體建模步驟如下：
（1）對賬戶進(jìn)行細(xì)分，產(chǎn)生細(xì)分的組（Segment），根據(jù)銀行自己掌握的客戶歷史行為數(shù)據(jù)將賬戶按風(fēng)險分為不同的細(xì)分組（Segment）；
（2）對每個賬戶組，建立賬戶級風(fēng)險模型，也就是信用評分卡。模型的變量應(yīng)包括賬戶額度、支付記錄、信用分?jǐn)?shù)、賬戶結(jié)余等行為數(shù)據(jù)，以此建立模型預(yù)測未來某個時期內(nèi)的違約率。例如，可用邏輯回歸模型預(yù)測到未來18個月內(nèi)賬戶違約概率；
（3）把賬戶級風(fēng)險模型的預(yù)測值按客戶統(tǒng)計，生成以行為數(shù)據(jù)為基礎(chǔ)的客戶級風(fēng)險模型，即將步驟2中對每個賬戶的預(yù)測值按客戶整合起來，對客戶建立風(fēng)險模型，從而預(yù)測此客戶在未來某個時期內(nèi)的違約率，注意如果有一個賬戶違約即視為該客戶違約；
（4）針對購買的每個征信公司的數(shù)據(jù)進(jìn)行客戶級風(fēng)險建模。征信公司收集的信用數(shù)據(jù)全面且完整，但每個征信公司收集的數(shù)據(jù)又不盡相同，因此需要對每個公司的征信數(shù)據(jù)進(jìn)行風(fēng)險建模，充分利用信息的價值；
（5）將客戶級的風(fēng)險模型匯總生成最終風(fēng)險模型。即將步驟3中的客戶風(fēng)險模型和步驟4中根據(jù)征信數(shù)據(jù)建立的模型預(yù)測值整合起來，建立一個總模型，以此來形成最終的客戶級累積風(fēng)險模型。
這樣的風(fēng)險模型架構(gòu)不僅可以使得風(fēng)險模型更完整、更準(zhǔn)確，而且各個征信公司之間的模型也相互獨立，假如銀行因為財力緊張，只能購買其中一家或兩家公司的數(shù)據(jù)，只需要將其他公司的模型剔除，不需要重新建模，這樣既方便又可以節(jié)省成本。
2.回顧評分（Retro scoring）中的應(yīng)用
建立風(fēng)險模型最終的目的就是預(yù)測和決策，通過模型來預(yù)測客戶在未來的違約概率和發(fā)生違約時帶來的損失率，繼而決定是否調(diào)整信用額度和貸款利率等。除了額度和利率，信貸企業(yè)也面對大量的日常經(jīng)營決策，在進(jìn)行信用決策的過程中，需要對信貸資產(chǎn)未來若干年的收益和損失進(jìn)行預(yù)測。下面舉例說明上述風(fēng)險模型如何用于信貸決策以及如何購買征信數(shù)據(jù)進(jìn)行回顧評分。如圖2所示，t=0表示當(dāng)前決策點，需要預(yù)測賬戶未來三年的損益，決策者需要使用已建立的累積風(fēng)險模型來進(jìn)行賬戶細(xì)分從而做出精細(xì)的管理決策。常規(guī)的信用評分模型（例如FICO信用評分）一般是根據(jù)在t=-18即18個月前抽樣的數(shù)據(jù)建立的，由于回顧評分要預(yù)測未來三年的數(shù)據(jù)，就需要追溯到t=-36，即36個月前，對歷史數(shù)據(jù)抽樣并進(jìn)行價值評估。
但在進(jìn)行三年歷史數(shù)據(jù)抽樣時，在t=-36時點還沒有該累積風(fēng)險模型，也就沒有相關(guān)的信用風(fēng)險預(yù)測值。為了在將來應(yīng)用建立的累計風(fēng)險模型輔助決策，需要對t=-36時的樣本采購模型使用的征信數(shù)據(jù)，產(chǎn)生累積風(fēng)險預(yù)測分?jǐn)?shù)，用于接下來的信用決策。這個過程就是回顧評分（Retro
scoring）。此時，已經(jīng)擁有存儲的客戶歷史行為數(shù)據(jù)，需要從征信公司添加征信數(shù)據(jù)，再對三年歷史樣本進(jìn)行累積風(fēng)險評分，以評分結(jié)果用于最終的價值評估建模和決策。
實踐中的具體操作步驟如下：
（1）賬戶抽樣；
（2）匯總以下信息：
A.賬戶行為數(shù)據(jù)（如賬戶額度、余額、支付記錄等）
B.客戶身份信息；
（3）將收集的信息交給征信公司，征信公司添加上征信數(shù)據(jù)；
（4）征信公司將身份信息去掉，保護(hù)信息安全，公司得到?jīng)]有身份信息的樣本；
（5）公司利用從征信公司得到的數(shù)據(jù)進(jìn)行風(fēng)險評分，然后進(jìn)行價值評估建模，從而做出最終決策。
3.市場拓展中的應(yīng)用
金融公司在進(jìn)行市場拓展獲取新客戶時，也需要用到征信數(shù)據(jù)建立相關(guān)的市場反饋（Response）模型，有針對性的尋找目標(biāo)客戶群，提高市場活動效率。
具體操作步驟：
（1）購買目標(biāo)市場潛在客戶的信用信息，即向征信公司購買征信數(shù)據(jù)。
（2）利用歷史市場活動數(shù)據(jù)（包括征信數(shù)據(jù)、市場反饋數(shù)據(jù)）建立客戶回饋模型和信用風(fēng)險模型（只包括客戶的征信數(shù)據(jù)）。
（3）利用客戶回饋模型對潛在客戶進(jìn)行評分，得到客戶回饋的概率。
（4）依據(jù)客戶回饋模型和信用風(fēng)險模型對目標(biāo)客戶群進(jìn)行細(xì)分，從而決定目標(biāo)客戶群，即違約風(fēng)險小且回饋可能性大的客戶群。
這樣有針對性地選擇目標(biāo)客戶群，減少盲目性，提高了市場拓展成功的概率，還可以有效控制新客戶的違約風(fēng)險。
4.催收過程中的應(yīng)用
客戶違約后，進(jìn)入討債環(huán)節(jié)，金融公司會專門成立討債部門，或者外包給專業(yè)討債公司。在討債過程中，公司依然會根據(jù)征信數(shù)據(jù)建立模型，反映討債成功的概率和可能追回的金額，進(jìn)而將違約客戶進(jìn)行細(xì)分。金融公司依據(jù)討債成功的概率高低和追回金額大小依次進(jìn)行討債，這樣大大提高了成功率。
（二）征信數(shù)據(jù)在保險領(lǐng)域的應(yīng)用：基于保險損失的信用評級
保險公司在確定保費時會對投?？蛻暨M(jìn)行風(fēng)險評級，產(chǎn)生最終的分類評級定價系統(tǒng)（Classification Rating
System），以進(jìn)行公平的保險定價。如文獻(xiàn)綜述所述，保險損失與征信數(shù)據(jù)有極大的相關(guān)性，通常信用歷史較好的客戶保險風(fēng)險也較低，因此，保險公司在開發(fā)保險產(chǎn)品時，會購買征信數(shù)據(jù)，開發(fā)保險信用評級模型，將其加入最終的保險定價模型。投?？蛻粼谕侗r，保險公司實時采購客戶的征信數(shù)據(jù)，制定出公平的保險價格。
征信數(shù)據(jù)在保險評級中的應(yīng)用步驟如下：
（1）變量選擇，即征信數(shù)據(jù)的字段選擇。對保險定價來說，并不是所有的征信數(shù)據(jù)字段都有用，因此需要先進(jìn)行變量選擇。以保險損失為因變量Y，征信數(shù)據(jù)字段為自變量X，建立回歸模型，選出顯著變量，剔除那些對因變量貢獻(xiàn)小或與其他自變量相關(guān)性較大的自變量；
（2）將每個選出的顯著變量進(jìn)行分段，如對信用歷史進(jìn)行時間分段，對信用查詢次數(shù)進(jìn)行次數(shù)分段，對信用額度進(jìn)行金額分段等；
（3）將分段后的變量與其他保險自變量（如年
齡、性別、婚姻狀況等）一起做回歸模型，通常多為廣義線性模型，如log=+，其中表示征信數(shù)據(jù)變量，表示其他保險變量，和均為向量；
（4）產(chǎn)生信用分?jǐn)?shù)，利用對客戶風(fēng)險進(jìn)行評分，對評分結(jié)果進(jìn)行分段，生成最終的保險信用評級，此處，注意每個評級要有足夠的投保（Car Years）；
（5）將保險評級變量和其他變量一起做廣義線性回歸，生成最終的分類評級定價系統(tǒng)。
以個人信用歷史為例，圖3直觀地表示出征信數(shù)據(jù)與保險定價之間的關(guān)系。
在圖3中，保險費率（relativity）隨著個人信用歷史的增長而減小，因此，信用歷史越久，保險費率會越低。
五.結(jié)論
美國在經(jīng)過百余年的發(fā)展后形成了比較完整和成熟的信用體系。本文在對美國征信數(shù)據(jù)進(jìn)行分類的基礎(chǔ)上，討論了其在金融風(fēng)險管理和保險定價中的應(yīng)用，展示了征信數(shù)據(jù)在實踐中的重要價值和意義，對國內(nèi)的金融行業(yè)中風(fēng)險評估有著很好的借鑒意義。
（原文載于《征信》2016年第11期，合作者駱?biāo)救跒樯虾Ｘ斀?jīng)大學(xué)統(tǒng)計與管理學(xué)院副教授，此外，曹晨舟和馬燕杰對本文也有貢獻(xiàn)）
粵公網(wǎng)安備 44010602001644號