【财新网】（专栏作者 刘新海 特约作者 骆司融）
一、引言
债权人与债务人的信誉关系是现代经济的主题身分，社会每一个个别及企业的经济活动都是在信誉关系基础上进行的，盘根错节的社会信誉关系组成了社会的经济基础。因而，只有在一整套严格的信誉治理系统基础上成立不变靠得住的信誉关系，现代市场经济才可能持续存在发展，而征信造度正是信誉买卖的沉要支持。
信誉风险及其有关的投资风险是现代经济社会潜在的巨大风险。2008年，由美国次级住房信贷的信誉风险引发了金融市场信誉衍出产品的投资风险，造成了席卷全球的金融 ；，对全球的经济发展造成沉大冲击。直至今日，好多国度仍深陷由金融 ；⒌恼裎 ；，社会经济发展滞碍甚至衰退，社会陷入持续的动荡。因而，钻研和发展征信造度，进而有效节造信誉风险，对一个国度经济的持续不变发展拥有沉要的现实意思。
征信，性质上是信誉信息服务。为了满足从事信誉活动的机构和幼我在信誉买卖中对信誉信息的必要，专业化的征信机构，依法采集、调查、保留、整顿、提供企业和幼我的信誉信息。征信数据是征信机构在征信过程中得到的数据，它蕴含企业征信数据和幼我（消费者）征信数据。
我国征信数据系统的建设是最近15年才起头的，固然起步晚，但获得了沉猛进展。人民银行于1998年起头筹建银行信贷登记征询系统，2002岁首步建成了地市，省市和全国三级数据库系统从贸易银行采集的企业的根基信息。2006年实现全国金融机构连网查问，数据涵盖幼我账户开立信息，银行信贷信息，信誉卡及公积金缴存信息等。这些基础数据的成立，为金融机构节造信誉风险提供了坚实的数据基础。
美国是世界上信誉买卖额最高的国度，也是信誉治理行业高度蓬勃的国度，在征信造度系统及利用方面有很多值得借鉴的经验。本文重要介绍了美国企业和幼我的征信数据，并着沉会商了幼我征信数据在金融风险建模及保险定价业中的利用，旨为我国的征信数据在实际中的利用提供参考和建议。
二、文件综述
在国内，薄晓光（2004）钻研了美国的信誉汇报造度，会商了信誉汇报的重要内容和若何解读信誉汇报，也介绍了美国的信誉汇报平正法案，对国内的信誉汇报造度提出了建议。段金锁（2009）指出征信系统在金融企业信誉风险节造中的沉要作用，金融业必要认清风险治理与征信治理的协调发展关系，明确信誉风险治理在风险治理中的主题职位。郑秀君和魏娴静（2011）比力了蓬勃国度的企业信誉汇报，重要蕴含美国、日本和德国三个国度的信誉汇报，指出了异同点，由此针对我国的特殊环境，提出了我国企业信誉汇报的建议，如统一尺度、明确领域、引入评级机造、成立信息共享和造就专业人员等。针对中幼企业，赵绍光（2005）以各财政指标为切入点，分析了中幼企业信誉评估的身分，
提出了成立中幼企业信誉评估指标系统的领导准则，
在此基础上构建了中幼企业信誉评估指标系统。樊锰（2010）等从中幼企业信誉评级步骤的比力和选择动手，以AHP分析法为主题，构建多级吞吐综合评价模型，以期对中幼企业信誉情况做出客观公正的评价。只管对征信系统的沉要作用国内已有统一意识，但由于我国的征信造度起步晚，征信系统还在美满过程中，本文通过对美国具体征信数据的钻研介绍，但愿能对中国征信数据的进一步美满提供参考。
国表学者对征信数据在金融业的利用已有宽泛的钻研。Barakova et
al.（2003）将信誉分数用于抵押市场的经验检验模型中，以为信誉质量与房贷质量有极大的有关性，能够利用信誉分数来预测房贷质量。Chosisengphet和Elul
（2006）出格提出征信数据在成立和检验抵押贷款风险模型中的沉要作用，强调了模型的一个沉要特点，即信誉分数能够揣度出申请者的贷款风险。Arya
et
al.（2011）对信誉分数进行了深度分析，着沉会商了导致不良信誉分数的原因，以为激昂性、功夫的优先选择、可赖性等行为身分与信誉分数有关水平极度大。Smith（2011）通过钻研公司债券和证券风险定价模型，提出信誉分数的级别是抵押贷款违约率的先导信号，征信数据随着功夫在更新，我们能够充分利用更新的信誉数据定期查抄贷款质量，防备信誉风险。这些钻研充分展示了征信数据在国表金融风险治理中的沉要作用，而本文则更侧沉钻研若何将征信数据和金融企业的客户行为数据相结合，成立越发有效的信誉风险模型。
除了在金融领域，征信数据在保险领域也被宽泛利用。在国表，大量的钻研实际经验显示，客户的信誉和保险损失之间存在着显著的有关性。例如，Monaghan（2000）通过多元统计分析发现幼我信誉变量和传统广义线性模型（GLM）中的分类变量不有关，且能诠释部吩禧车保险损失的方差中不能被传统分类变量诠释的部门，也即说了然信誉变量是汽车定价模型中的沉要诠释变量。行业协会和当局机构也对此景象引起了高度器沉。2002年，美国精算学院钻研了信誉汗青在幼我保险中的利用，会商了信誉纪录对保险损失阐发的影响，征信数据在幼我汽车保险中的信誉评级、保险承销中的利用等。2009年，美国财富意表保险业协会进一步就基于征信数据的保险评级的预测能力及其对保险定价的影响和可行性进行了钻研。2011年，爱荷华州颁发了《爱荷华州保险信誉评级的使用》，该书介绍了保险评级的布景，保险评级的司法，保险评级在爱荷华州的利用及其钻研了局等。国表这些经验显示，能够利用征信数据对投？突Ы行庞等级分类，对可能产生更大保险损失的客户收取较高的保费，而对低风险的客户收取较低的保费，因而，客户征信数据的使用，能够让保险公司提供一个更平正的定价。本文从实际工作经验启程，论述了若何将征信数据和传统的保险定价变量相结合天生保险的信誉评级，阐了然若何将这些评级利用到保险定价中。
三、征信数据的介绍
在国表，社会信誉系统大多选取以民营贸易驯折服务公司为特点的齐全市场化运作模式，其驯折服务机构都是独立于当局之表的民营征信机构，征信数据重要由这些专业的驯折服务公司提供。例如，美国有三家从事征信业务的公司，
即Equifax，
Trans-union和Experian，这三家公司既提供幼我信誉数据也提供中幼企业的信誉数据，为幼我消费贷款和中幼企业信贷的发展提供了有力的支持。征信公司网络各家银杏注金融公司的客户信誉行为数据，将其整合加工成专业的信誉数据，并依附自身的专业数据分析能力，天生信誉评级，卖给银行和金融公司。美国的银行和消费信贷企业和保险公司也大量使用这三家公司的信誉数据和信誉评分进行无担保的信贷业务。凭据公司规模的分歧，或直接使用这些公司的信誉评分进行信贷决策，或采办这些公司的信誉数据并结合本公司占有的数据进行信誉风险评级建模。
下面以美国的征信数据为例，别离会商幼我和企业的征信数据。征信公司的征信涉及面广，征信数据变量极度之多，例如，Equifax的征信数据就罕见百个变量。为了对征信数据有个全面的意识，本文对征信数据别离就幼我征信和企业征信进行了分类诠释和注明。
（一）幼我征信数据
幼我征信数据重要蕴含信誉领域、信誉汗青、信誉违约、信誉查问、信誉状态、信誉分数，除了这些，还蕴含幼我信息、司法信息和其他买卖信息等。将征信分类总结为下表，并对每类数据给出了具体的例子。
（二）企业征信数据
类似于幼我征信数据，将企业征信数据分为企业根基信息、信誉信息、账户信息、财政信息和司法信息，其中信誉信息又蕴含信誉汗青、信誉额度、信誉违约、信誉查问和信誉评级分数。参照Equifax的征信数据，下表给出了每类征信数据的例子。
本文并未列出所有征信数据，只是举例注明各个类此外信誉。但险些所有征信数据都能够概括为以上几个方面的内容，凭据这些信誉信息的分类，能够很清澈地看出幼我或企业信誉主体在每个方面的信誉情况，进而相识其总体信誉情况，也能够让公司更方便地利用这些征信数据。
值妥贴心的是在评价企业的信誉时，除了使用信誉分数，还思考法院判决和追债纪录等，而幼我的信誉评价无数情况下可使用FICO信誉评分。下面给出Equifax贸易征信汇报中的曲直尺度的例子，以√为优，当企业的信誉信息满足以下标定时，这个企业有好的信誉阐发：a）
信誉评分在75-100分之间，b）没有破产和税收留置纪录，c）只有少于1个的付款拖欠纪录。
四、征信数据的利用
征信数据不仅影响了幼我的日常生涯，例如就业和贷款，也对企业日常的经营活动产生了深远影响。尤其是金融保险业，大量使用征信数据进行风险监控，信贷决策和定价等进行经营决策。下面就以金融保险行业为例，具体论述征信数据在信誉风险模型，信贷资产评估和保险定价中的利用。
（一）征信数据在金融领域的利用
1.信誉风险模型中的利用
信誉风险模型用于反映信誉和贷款的质量，金融企业用它来预测客户的违约概率以及产生违约时的贷款损失率，银行能够凭据模型的预测值相应地调整客户的信誉额度和贷款利率，以削减未来的违约风险。征信数据在成立信誉风险模型时起到了沉要的作用，它是由征信公司凭据各家银杏注金融公司提供的行为数据整合而成的，拥有综合性、齐全性、正确性蹬着点，以此成立的信誉风险模型能够更正确地反映客户的整体风险情况，继而正确预测未来的违约率和违约损失，为银行和金融公司决策提供凭据。
以一个典型的消费信贷金融公司为例，它存储了客户的信誉行为数据，蕴含每月的还款纪录，账户余额，撇帐和违约纪录等。我们能够基于这些行为数据预测信誉风险，但是由于这些信息只蕴含客户部门的信誉行为，因而这样的模型预测通常成效不梦想，而通过采办征信数据，将客户的征信数据和行为数据相结合能够达到更好的预测成效。具体的建模过程可由下至上，从账户级到客户级逐步进行，如图1所示。图中的Equifax，
Trans-union和Experian代表从三家征信公司买到的征信数据。具体建模步骤如下：
（1）对账户进行细分，产生细分的组（Segment），凭据银行自己把握的客户汗青行为数据将账户按风险分为分歧的细分组（Segment） ；
（2）对每个账户组，成立账户级风险模型，也就是信誉评分卡。模型的变量应蕴含账户额度、支付纪录、信誉分数、账户结余等行为数据，以此成立模型预测未来某个时期内的违约率。例如，可用逻辑回归模型预测到未来18个月内账户违约概率 ；
（3）把账户级风险模型的预测值按客户统计，天生以行为数据为基础的客户级风险模型，即将步骤2中对每个账户的预测值按客户整合起来，对客户成立风险模型，从而预测此客户在未来某个时期内的违约率，把稳若是有一个账户违约即视为该客户违约 ；
（4）针对采办的每个征信公司的数据进行客户级风险建模。征信公司网络的信誉数据全面且齐全，但每个征信公司网络的数据又不尽一样，因而必要对每个公司的征信数据进行风险建模，充分利用信息的价值 ；
（5）将客户级的风险模型汇总天生最终风险模型。即将步骤3中的客户风险模型和步骤4中凭据征信数据成立的模型预测值整合起来，成立一个总模型，以此来形成最终的客户级累积风险模型。
这样的风险模型架构不仅能够使得风险模型更齐全、更正确，并且各个征信公司之间的模型也相互独立，如果银行由于财力严重，只能采办其中一家或两家公司的数据，只必要将其他公司的模型剔除，不必要沉新建模，这样既方便又能够节俭成本。
2.回首评分（Retro scoring）中的利用
成立风险模型最终的主张就是预测和决策，通过模型来预测客户在未来的违约概率和产生违约时带来的损失率，继而决定是否调整信誉额度和贷款利率等。除了额度和利率，信贷企业也面对大量的日常经营决策，在进行信誉决策的过程中，必要对信贷资产未来若干年的收益和损失进行预测。下面举例注明上述风险模型若何用于信贷决策以及若何采办征信数据进行回首评分。如图2所示，t=0暗示当前决策点，必要预测账户未来三年的损益，决策者必要使用已成立的累积风险模型来进行账户细分从而做出精密的治理决策。通例的信誉评分模型（例如FICO信誉评分）通常是凭据在t=-18即18个月前抽样的数据成立的，由于回首评分要预测未来三年的数据，就必要追忆到t=-36，即36个月前，对汗青数据抽样并进行价值评估。
但在进行三年汗青数据抽样时，在t=-36时点还没有该累积风险模型，也就没有有关的信誉风险预测值。为了在未来利用成立的累计风险模型辅助决策，必要对t=-36时的样本采购模型使用的征信数据，产生累积风险预测分数，用于接下来的信誉决策。这个过程就是回首评分（Retro
scoring）。此时，已经占有存储的客户汗青行为数据，必要从征信公司增长征信数据，再对三年汗青样本进行累积风险评分，以评分了局用于最终的价值评估建模和决策。
实际中的具体操作步骤如下：
（1）账户抽样 ；
（2）汇总以下信息：
A.账户行为数据（如账户额度、余额、支付纪录等）
B.客户身份信息 ；
（3）将网络的信息交给征信公司，征信公司增长上征信数据 ；
（4）征信公司将身份信息去掉， ；ば畔踩，公司得到没有身份信息的样本 ；
（5）公司利用从征信公司得到的数据进行风险评分，而后进行价值评估建模，从而做出最终决策。
3.市场拓展中的利用
金融公司在进行市场拓展获取新客户时，也必要用到征信数据成立有关的市场反。≧esponse）模型，有针对性的寻找指标客户群，提高市场活动效能。
具体操作步骤：
（1）采办指标市场潜在客户的信誉信息，即向征信公司采办征信数据。
（2）利用汗青市场活动数据（蕴含征信数据、市场反馈数据）成立客户回馈模型和信誉风险模型（只蕴含客户的征信数据）。
（3）利用客户回馈模型对潜在客户进行评分，得到客户回馈的概率。
（4）凭据客户回馈模型和信誉风险模型对指标客户群进行细分，从而决定指标客户群，即违约风险幼且回馈可能性大的客户群。
这样有针对性地选择指标客户群，削减盲目性，提高了市场拓展成功的概率，还能够有效节造新客户的违约风险。
4.催收过程中的利用
客户违约后，进入讨债环节，金融公司会专门成立讨债部门，或者表包给专业讨债公司。在讨债过程中，公司依然会凭据征信数据成立模型，反映讨债成功的概率和可能追回的金额，进而将违约客户进行细分。金融公司凭据讨债成功的概率凹凸和追回金额大幼顺次进行讨债，这样大大提高了成功率。
（二）征信数据在保险领域的利用：基于保险损失的信誉评级
保险公司在确定保费时会对投？突Ы蟹缦掌兰，产生最终的分类评级定价系统（Classification Rating
System），以进行平正的保险定价。如文件综述所述，保险损失与征信数据有极大的有关性，通常信誉汗青较好的客户保险风险也较低，因而，保险公司在开发保险产品时，会采办征信数据，开发保险信誉评级模型，将其参与最终的保险定价模型。投？突г谕侗Ｊ，保险公司实时采购客户的征信数据，造订出平正的保险价值。
征信数据在保险评级中的利用步骤如下：
（1）变量选择，即征信数据的字段选择。对保险定价来说，并不是所有的征信数据字段都有效，因而必要先进行变量选择。以保险损失为因变量Y，征信数据字段为自变量X，成立回归模型，选出显著变量，剔除那些对因变量贡献幼或与其他自变量有关性较大的自变量 ；
（2）将每个选出的显著变量进行分段，如对信誉汗青进行功夫分段，对信誉查问次数进行次数分段，对信誉额度进行金额分段等 ；
（3）将分段后的变量与其他保险自变量（如年
龄、性别、婚姻情况等）一路做回归模型，通常多为广义线性模型，如log=+，其中暗示征信数据变量，暗示其他保险变量，和均为向量 ；
（4）产生信誉分数，利用对客户风险进行评分，对评分了局进行分段，天生最终的保险信誉评级，此处，把稳每个评级要有足够的投保（Car Years） ；
（5）将保险评级变量和其他变量一路做广义线性回归，天生最终的分类评级定价系统。
以幼我信誉汗青为例，图3直观地暗示出征信数据与保险定价之间的关系。
在图3中，保险费率（relativity）随着幼我信誉汗青的增长而减幼，因而，信誉汗青越久，保险费率会越低。
五.结论
美国在经过百余年的发展后形成了比力齐全和成熟的信誉系统。本文在对美国征信数据进行分类的基础上，会商了其在金融风险治理和保险定价中的利用，展示了征信数据在实际中的沉要价值和意思，对国内的金融行业中风险评估有着很好的借鉴意思。
（原文载于《征信》2016年第11期，合作者骆司融为上海财经大学统计与治理学院副教授，此表，曹晨舟和马燕杰对本文也有贡献）
粤公网安备 44010602001644号