国内外数字金融模式研究

当前，国内外数字金融蓬勃发展，形成了多样化的典型模式，但也存在较为明显的特征差异。梳理国内外数字金融模式及典型案例，对于促进中国数字金融健康发展具有重要意义。

国内数字金融模式
（一）银行类数字金融模式的典型案例——工商银行
作为国有银行之首的工商银行，在近几年的数字金融发展大潮中，以大平台思维全面布局线上业务，成为金融机构发展数字金融的典范。2015年3月，工行对外发布e-ICBC战略，提出“三大平台、三大产品线”布局规划。同年9月，工行提出e-ICBC战略2.0版，即基于“三平台、一中心”，构建涵盖在线金融服务、电子商务以及社交生活的数字金融整体架构。2017年1月5日，工行正式对外发布个人信用消费贷品牌“融e借”。2017年11月，工行上线运行智能投顾品牌“AI投”。至此，工行的数字金融布局规划几乎全部实现。
具体而言，e-ICBC战略中的“三大平台”是指“融e购”“融e联”“融e行”。“融e购”是工行自建的电商平台，“融e联”是工行便于用户、企业及内部人员沟通而搭建的即时通讯平台，“融e行”是工行整合原有手机银行和网上银行业务而推出的“直销银行”。e-ICBC战略的“三大产品线”是指融资、支付及投资理财，“一中心”则是工行成立的网络融资中心。在工行各类数字金融产品中，“融e借”值得关注。“融e借”充分利用工行前期大数据累积，借助大数据技术为用户提供“线上线下”双渠道申请、“白名单”自动授信、在线自动还款的全流程信贷服务。得益于数据源拓展及大数据技术应用，“融e借”在同类产品中不仅授信额度高，而且价格优势显著。
（二）电商类数字金融模式的典型案例——阿里金融
2004年，为解决在线交易中买卖双方的“信任问题”，阿里巴巴成立了支付宝公司。支付宝的诞生不仅使淘宝平台销量大增，而且为阿里金融生态圈的布局奠定了基础。2007年，阿里与国有银行合作，向淘宝商户开放小额信贷申请服务。2011年，支付宝获得人行颁发的国内首张《支付业务许可证》。与此同时，阿里开始独立开展小贷业务。2013年6月，阿里推出互联网货币基金“余额宝”引爆市场。2014年，在支付宝业务基础上，蚂蚁金融服务集团（简称“蚂蚁金服”）正式成立。当前，蚂蚁金服已提供支付、小贷、征信、理财等多类金融服务。
在蚂蚁金服的诸多数字金融产品中，“芝麻信用”“蚂蚁花呗”及“蚂蚁借呗”具有代表性。“芝麻信用分”是芝麻信用对外推出的评分产品，目前已经被应用于衣、食、住、行多个场景。其中，基于芝麻信用分开展消费金融业务是最直接的应用方向，蚂蚁花呗和蚂蚁借呗正是蚂蚁金服为大众设计的互联网消费金融产品。根据个人芝麻信用分，蚂蚁花呗能够为用户提供500元～50000元不等的消费贷款，以便其在淘宝平台购物时使用。与蚂蚁花呗不同，蚂蚁借呗能够为用户提供现金消费贷款，即消费场景不再局限于指定线上平台，也可以是任意线下商户。根据数据统计，蚂蚁花呗和蚂蚁借呗的主要使用人群为80、90后，尤其受低收入人群青睐。
（三）运营商数字模式的典型案例——电信金融
相比于银行及电商数据，运营商数据实时性高且可扩展性强，通过手机号可以实现多个平台的信息汇总。当前，在三大运营商中，中国电信在数字金融发展上初具规模。2011年3月，中国电信成立天翼电子商务有限公司，并创立第三方支付品牌“翼支付”。翼支付的应用范围涉及购物、生活、金融等多个领域，其中，金融板块是中国电信战略发展的重点。在翼支付基础上形成的甜橙金融，已经成为中国电信进行数字金融布局的重要抓手。甜橙金融主要开展支付、征信、消费金融、财富管理、供应链金融以及信息技术六大核心业务。
“甜橙信用”“橙分期”“甜橙白条”是中国电信开展数字金融的典型代表。甜橙信用是天翼征信有限公司向个人及企业提供的征信服务，“甜橙分”是甜橙信用为用户打造的个人信用评分产品。甜橙信用基于运营商数据，同时整合银行、商户等合作伙伴数据，从历史信用、行为偏好、偿还能力、账户等级以及社交关系五大维度，利用大数据及云计算技术对用户信用进行量化并得出甜橙分。自2015年11月起，甜橙分对公众全面开放，即使用户没有电信手机号，同样可以查看自己的甜橙分。依靠甜橙分，甜橙金融开发了橙分期和甜橙白条这两种消费金融产品。其中，橙分期主要供用户分期购机使用，甜橙白条为用户提供“先消费、后付款”服务，使用甜橙白条的用户还可享受42天还款免息及“懒人还款”服务。
（四）社交类数字金融模式的典型案例——腾讯金融
虽然相比于前三种模式，社交数字金融模式起步较晚，但由于互联网巨头腾讯的存在，社交模式的发展前景值得期待。与阿里的发展战略类似，腾讯同样借助大平台优势布局数字金融。早在2005年，腾讯便推出在线支付平台财付通。以财付通为底层架构，腾讯相继推出“QQ钱包”和“微信支付”，分别为移动QQ用户和微信用户提供便捷支付服务。与此同时，“微信红包”和“QQ红包”的成功，为“社交+支付”的布局进一步奠定基石。在支付业务进入成熟期后，腾讯又推出互联网理财平台“理财通”。当前，理财通已经包含货币基金、定期理财、保险理财、证券理财、指数基金、运动理财等多种产品。
一方面，依靠QQ和微信两大社交平台，腾讯累积了海量社交数据。另一方面，依靠QQ钱包、微信支付以及理财通，腾讯获得了大量支付与理财数据。基于此，腾讯开展数字金融的核心产品是“腾讯信用”和“微粒贷”。其中，腾讯信用主要采用机器学习算法，对与用户消费、财富、安全、守约以及社交维度相关的大数据进行分析，并以定性或定量形式呈现评分结果。微粒贷是腾讯微众银行面向手机QQ用户和微信用户推出的互联网信贷产品，其特征包括无需抵押担保、最快1分钟放款以及提前还款无手续费等。当然，以腾讯征信为代表的社交模式，虽然已经具备数据基础及技术支撑，但依然面临诸多挑战。
（五）搜索类数字金融模式的典型案例——百度金融
相比于四大主要模式分别拥有的金融数据、消费数据、通信数据以及社交数据，搜索平台数据似乎与数字金融的关联度最小。然而，百度的实践或将开启数字金融的第五种模式。事实上，与阿里、腾讯类似，百度进军数字金融，也是依靠平台长期累积的流量。2013年10月28日，“百度理财”上线，为用户提供活期理财、定期理财、基金理财等产品。2014年4月15日，“百度钱包”品牌发布，为用户提供超级转账、付款缴费等支付服务，满足用户与百度海量商户及产品的直连需求。除了提供二维码支付外，百度钱包还提供HCENFC云支付以及声纹支付等高科技验证支付方式。
2015年12月14日，百度宣布组建百度金融服务事业群组（FSG），即百度金融。除支付业务、企业贷款业务、理财业务、保险业务外，百度金融通过“百度有钱花”“百度信用分”以及“百信银行”大力开展数字金融实践。其中，“百度有钱花”是百度面向大众推出的消费金融产品，主要包括分期产品及现金贷，涉及教育、家装、租房、医美等领域。百度信用分是百度计划推出的个人信用评分产品。百信银行是百度与中信银行合作成立的以独立法人运作的直销银行。当前，百度在超大规模数据挖掘、规模化机器学习以及海量场景合作等方面优势显著，预计未来百度在数字金融领域将有更大突破。

国外数字金融模式
目前，国外的数字金融模式主要包括征信服务与借贷服务这两大类。与国内大型平台垄断格局不同，国外的数字金融机构更偏向于提供专业化、特色化产品服务。
（一）征信服务类数字金融模式的典型案例
1.Credit Karma
成立于2008年的Credit Karma，是最早的Fintech公司之一。Credit Karma的核心理念是为用户提供免费信用报告及免费信用评分。Credit Karma主要提供包括精简信用报告、信用评分、信用分析、信用监测以及信贷产品推荐在内的五种免费征信产品。其中，前四种产品主要满足用户刚性征信需求，第五种产品则满足用户潜在信贷需求。为了给用户提供高附加值金融服务，Credit Karma自建移动APP及Insight平台。前者主要便于用户实时查询自身信用状况，后者便于用户了解自身财务汇总情况及各项财务对自身信用的影响程度。Credit Karma的盈利模式为：基于用户信用状况及金融产品可得性，为用户提供金融机构的产品广告，并收取广告费用。
在大数据征信过程中，Credit Karma主要通过多方合作，来实现数据拓展及技术提升。一方面，Credit Karma积极与传统征信业巨头TransUnion及Equifax合作，同时吸纳互联网巨头Google的投资。另一方面，Credit Karma加强与传统银行合作，共同打造信用卡推荐、搜索及管理平台。当前，Credit Karma的数据主要来源于传统征信机构及平台用户，提供的个人信用报告及信用评分则直接来自于TransUnion及Equifax。未来，Credit Karma有可能进一步加强数据与技术融合，依靠数据挖掘及算法分析提供个性化推荐服务，并推出自主开发的大数据信用评分产品。
2.ZestFinance
成立于2009年的ZestFinance，是当前最为热门的大数据征信公司。ZestFinance的研发团队由数学家及计算机科学家组成。成立之初，ZestFinance主要通过ZestCash平台提供放贷服务，后专注于提供个人信用评估服务。在大数据征信理念上，ZestFinance坚持“一切数据皆信用”“数据缺失即是信息”，致力于为美国三大个人征信机构无法覆盖的人群提供服务。这些人群一般没有信贷记录或信用记录不好（FICO分通常低于500，大约占全美人数的15%）。在大数据评分思想上，与传统评分模型依赖“强相关”数据不同，ZestFinance更加注重利用“弱相关”数据反映用户还款能力及还款意愿。
ZestFinance的最大创新在于运用“ 大数据+机器学习”方法构建新的评分体系。在变量选取上，ZestFinance基于第三方数据、用户自身数据以及互联网数据（传统信贷数据占比仅40%左右），提取多达70000个原始变量。在评分方法上，与传统线性回归不同，ZestFinance采用机器学习算法。通过机器学习，ZestFinance不仅能够获得准确评分，降低信贷坏账率，而且能够实现在控制坏账率的情况下，提升授信通过率，以此增加信贷业务总体盈利。在模型使用上，ZestFinance并不依赖单个模型的结果，而是经过原始数据提取、数据转换、元变量生成、模块创建、分数合成等步骤，基于数十个模型得出最终评分。与此同时，ZestFinance还通过挖掘相关规则来防范欺诈风险。事实上，无论是数据还是模型，ZestFinance均会进行不定期更新，以应对外界环境变化，并确保评分效果始终保持稳定。据其官网信息显示，相比于传统信贷，ZestFinance的处理效率提升近90%，风控性能提升近40%。
（二）借贷服务类数字金融模式的典型案例
1.Kreditech
成立于2012年的Kreditech公司，是德国有名的Fintech公司。尽管Kreditech只拥有300人左右的团队，但其业务范围已经涉及俄罗斯、西班牙、墨西哥、波兰、捷克、澳大利亚、秘鲁等多个国家。
一方面，针对特定借款人，Kreditech采集约两万个动态数据点，运用算法对借款人行为进行匹配分析。在此过程中，Kreditech尤其注重分析申请人的社交及消费数据。通常，Kreditech会要求访问申请人的Facebook或Tweet主页，以分析其朋友圈状况、个人社交动态、甚至好友信息等。与此同时，Kreditech也会要求访问申请人的eBay或Amazon主页，以了解其电商消费习惯、移动手机使用情况以及个人位置信息等重要数据。除此以外，Kreditech还会对申请人使用的浏览器、操作系统、输入出错率、取消键使用频次以及填写问卷所用时长等看似“无关紧要”的行为进行分析。Kreditech的实践表明，大数据技术与社交数据的结合，确实能够降低信贷违约率。
另一方面，Kreditech通过科技手段，来提升服务效率。Kreditech拥有包括Kredito24、K24、Flexinero以及Zaimo等在内的多个网络借贷平台，提供24小时不间断贷款申请服务。与此同时，Kreditech基于大数据分析，采取纯线上贷款审批操作，提供包括小额分期贷款、个人财富管理、电子钱包、透支及支付等服务。据统计，Kreditech的单笔最高贷款金额为500欧元，平均审核时间为35秒，平均到账时间为15分钟。目前，Kreditech已为200万人提供信用评分，累计发放贷款50万笔。
2.Affirm
成立于2013年的Affirm，是由PayPal的联合创始人Max Levchin创立的一家消费金融公司。Affirm主要为电商和教育这两类场景开发消费金融产品，将消费金融与移动支付相结合，为年轻群体提供代替信用卡的在线支付服务。针对电商消费场景，Affirm设计了“Buy with Affirm”的产品，并通过与Cross River Bank及在线支付公司Stripe合作，实现包括放贷、支付及还款在内的无缝对接。截至2016年5月，与Affirm开展分期付款合作的零售商超过700家。在合作过程中，一方面，Affirm通过JS代码编写的APIs来与商家实现快速、安全对接；另一方面，Affirm承诺自行承担贷款违约风险，以此维护双方合作的持续性。
Affirm最大的创新在于综合FICO评分及社交媒体档案记录（例如借款人的Facebook账号信息）开展个人信用评分。在此意义上，即使借款人（例如大学生、刚毕业的人群）没有银行借贷记录，其同样能够获得便利的信贷服务。在评分方法上，Affirm将传统与非传统方法相结合，提升借款利率设定的合理度。在授信流程上，Affirm会要求借款人在线填写姓名、电话号码、出生日期以及社会保险号后四位，在通过短信确认借款人身份后，即可进行放贷决策，整个过程仅需几分钟时间，信贷效率极高。与此同时，不同于信用卡的“一次授信循环放贷”模式，Affirm借助大数据评分系统，每次独立审核借款申请以确保授信准确。除此以外，Affirm还会定期将用户的逾期信息发送给征信巨头Experian，以此来惩戒借款人的违约行为。
3.Upstart
上线于2014年的Upstart，是美国一家专门针对年轻群体的P2P（Peer-to-Peer）信贷机构。Upstart将服务人群定位为20世纪80年代后期及90年代初期出生的年轻群体。这类群体的平均年收入为10万元左右，平均FICO分为691，几乎都拥有大学学位。Upstart为这类群体提供的贷款额度一般在35000美元以下，贷款利率为6% ～17.5%，收取1% ～6%的中介服务费。
在考虑传统FICO分的同时，Upstart注重考察借款人的受教育信息，尤其是将GPA作为衡量申请人信用状况的重要标准。Upstart认为对高GPA的年轻群体而言，其通常拥有较高素质，高素质则能够为其带来高收入。与此同时，高素质意味着良好的还款意愿，未来的高收入则是还款能力的重要体现。因此，即便这类群体当下的FICO分不高，Upstart仍然愿意为其提供信贷服务。基于大数据评分思想，Upstart充分利用智能管理及分析技术构建评分模型，主要包含传统信用数据、GPA、教育背景、SAT考试得分、受教育年限以及工作经历等。通过对不同维度进行挖掘，Upstart制定了比FICO更好的信用评级方法。具体包括AAA、AA、A、B、C、D、E七个等级，不同等级对应的贷款额度及利率各不相同，构成差异化信贷模式。
4.VisualDNA
成立于英国的VisualDNA公司，通过心理测试获得反映用户心理行为的数据，并据此分析得出个人信用评分。VisualDNA拥有先进的行为学分析方法，通过设计一系列问题，来考察与用户心理行为相关的属性。这些属性包括坦率程度、责任心、外向性、情绪稳定性、亲和力以及认知偏差等。例如，衡量借款人在恶劣处境中的逻辑思考能力，可以帮助贷款机构评估借款人在不利情境下的还款意愿。在对用户进行问卷调查的同时，VisualDNA还会申请访问用户的Cookie数据，从而通过交叉验证不同行为数据来提升分析结果的准确率。除此以外，VisualDNA采用图片形式设计问卷选项，以激发被问用户的潜意识，同时增强人机互动的趣味性。
当前，VisualDNA已经在俄罗斯、墨西哥、马来西亚、南非、土耳其以及波兰等多个国家试点及运营，在信用卡及个人贷款领域取得了较好的应用效果。在业务规模不变的情况下，利用VisualDNA可以使违约率降低23%。与此同时，在控制违约率的情况下，VisualDNA可以为信贷记录缺失用户服务且总体贷款通过率可提升近50%。

国内外数字金融模式比较
对比国内外数字金融模式及典型案例，可以得出以下结论：
第一，无论是国外还是国内，开展数字金融的前提均是征信数据累积，国内外征信数据累积过程存在明显差异。
以中国和美国为例，中国的个人征信体系建设不足20年，而美国个人征信巨头Experian的起源则可追溯至200多年前。中国最早的消费信贷，是由国外引入的信用卡，发卡主体是商业银行。拥有一定财富的信用卡持有人，是央行个人征信系统最早覆盖的群体。与之不同的是，美国最早的消费信贷，是为促销商品而催生的“赊销模式”，从业主体是大型商场。Experian的前身GUS就是英国有名的日用百货商店。
中国最早反映个人信用状况的数据来自于金融机构，这也是央行个人征信系统以金融类数据为主的原因。由于央行个人征信系统主要面向银行采集数据，而国内银行长期“偏好”中高收入人群，故央行个人征信系统仅能覆盖有限群体。相比而言，美国最早反映个人信用状况的数据来自于实体商户，消费数据是反映个人信用状况的原始信息，多样的消费者类型使得美国个人征信机构覆盖范围广泛。
除此以外，在数据累积过程中，中国采取政府主导模式，即由央行个人征信系统向银行及其他公共部门采集数据。美国则采取市场主导模式，即拥有较大市场的个人征信机构通过兼并收购，整合数据、技术及信息服务类公司，形成当前三大个人征信机构鼎立的格局。与政府主导模式相比，市场主导模式更加灵活、效率更高，更有利于数据规整。
第二，与国外征信数据交互贯通相比，国内征信数据存在严重的孤岛问题，导致国内数字金融形成垄断发展格局。
一方面，消费文化差异使得国内外的信贷主体类型相差较大。以美国和中国为例，早在20世纪初，美国便已形成“大众消费”文化，各阶层都以提升生活品质为目的。这不仅促进了美国消费信贷市场的繁荣发展，而且扩大了个人征信机构的覆盖范围。当前，美国三大个人征信机构拥有全美90%以上人群的信贷记录。相比而言，中国的消费文化并未形成，储蓄观念在人们心中根深蒂固，以信用卡为主要载体的消费金融业务覆盖范围有限。央行个人征信系统覆盖的信贷人群不足国内总人口的30%。因此，大众消费文化的长期禁锢，是国内征信数据出现孤岛的深层次原因。
另一方面，国内互联网巨头对“替代数据”的垄断，使得数据孤岛问题更为凸显。由美国的个人征信经验可知，在对信贷记录缺失人群进行征信时，通常会采用诸如电信账单数据、租房数据、电商消费数据、教育数据、社交数据、手机通信数据、心理行为数据等“替代数据”。事实上，国内数字金融的电商模式、运营商模式、社交模式正是通过“替代数据”提供征信服务。由于美国个人征信体系足够发达，故基于“替代数据”的征信模式仅被视作三大个人征信机构的补充。与之不同，国内绝大部分人都缺乏信贷记录。当央行个人征信系统无法改善这一局面时，以阿里、腾讯、百度、京东等为代表的互联网巨头，成为服务无信贷记录人群的“主角”。从盈利角度来看，数据是核心竞争力，在各方都不愿分享自身数据的情况下，孤岛问题愈发严重。
除此以外，法律法规不健全、技术方法不成熟以及专业人才短缺等因素，都使得孤岛问题成为国内数字金融开展的最大阻碍。以电商模式为例，通常只有淘宝及支付宝用户才拥有芝麻信用分，只有京东商城用户才能够查询小白信用分。由此可见，在数据不共享的情况下，当前各类模式的应用范围较为有限，只能在特定场景为特定人群服务。同时，即使不同模式能够为同类人服务，孤岛问题也可能造成严重的“同人不同分”现象。例如，对比收入稳定且房贷车贷还款正常的中年人与刚毕业且没有信贷记录的大学生，在银行模式下，前者的信用分显然好于后者。然而，在电商模式下，后者的信用评分却可能高于前者，这是因为后者网购频繁，而前者网购很少。因此，如果个人征信试点机构不能积极打破数据孤岛，则大数据征信效果将大打折扣。
第三，在数字金融模型设计上，国外已经运用机器学习算法对大数据进行处理及建模，国内大多仍采用逻辑回归方法。
虽然国内多家平台宣称采用大数据征信，但即使是几类主要模式的从业机构，其在相关技术应用上依然处于探索阶段。就信用评分方法而言，除京东金融对外介绍了评分模型外，其他从业机构并未对外介绍具体方法。事实上，根据从业机构的评分产品推测，绝大多数都采用逻辑回归方法。
在此，根据国外实践经验，对逻辑回归方法的适用性作简要评述：概括来说，在选择个人信用评分方法时，应当充分考虑数据类型。例如，由于美国三大个人征信机构拥有90%人群的信贷数据，这些数据与个人信用状况存在“强相关”关系，而逻辑回归方法“擅长”识别这一关系，故FICO评分所依据的打分变量通常基于逻辑回归得出。相比而言，由于ZestFinance必须通过海量“替代数据”对信贷记录缺失人群进行评分，而这些“替代数据”与个人信用状况并不一定存在“强相关”关系，故逻辑回归方法未必能获得好的评分效果。事实上，ZestFinance的实践经验表明，使用机器学习算法的效果更好。由此可见，高质量的征信数据是逻辑回归方法的应用前提。
然而，与发达国家征信现状相比，中国的征信数据质量并不高。一方面，央行个人征信系统拥有的个人信贷数据不完整，数据缺失现象严重。另一方面，电商、运营商、社交平台等拥有的大量“替代数据”与个人信用的关系较复杂，并非简单的线性关系。由此可见，在中国现有环境下，基于“替代数据”探索应用机器学习算法，是数字金融建模的重要方向。

总结与展望
总结来看，相比于国外，国内的数字金融模式更为丰富，银行、电商、运营商、社交等几类主流模式的市场占有率较高、覆盖面较广、影响力较大。但与此同时，由于各类模式均存在明显的“单打独斗”特征，相互之间缺乏有效的数据共享，使得各自均无法建立更大的生态圈。展望未来，一方面，各类模式可以依托有效的数据共享机制，加强数据信息共享，共建数字金融生态圈。另一方面，各类模式需要进一步探索构建“大数据+机器学习”模型，着力提升授信服务效率与风险防控效果。

主要参考文献：
[1]冯科，何理.互联网消费金融的创新[J].中国金融，2016(11)：32-34.
[2]刘新海，丁伟.美国ZestFinance公司大数据征信实践[J].征信，2015(8)：27-32.
[3]张吉光.美国个人征信体系的发展与启示[J].经济纵横，2003(4)：35-39.
[4]林汉川，张万军，杨柳.基于大数据的个人信用风险评估关键技术研究[J].管理现代化，2016(2)：95-97.

作者单位：交通银行金融研究中心

本刊已完成采编系统建设，投稿请登录http://NCJR.cbpt.cnki.net，注册后从“作者投稿系统”进行投稿。