专注金融科技与创新

专注金融科技与创新
国内资讯

征信体系发展简述及特点

本文共6016字,预计阅读时间30

信用(credit)伴随着人类社会的发展而发展。信用关系是双方(个人或团体)的利益互动,表现为在当前一方出于信任基础上为另一方提供资源,并在未来一定期限内取得资源回报的行为。虽然美国仅有两百多年的历史,但美国作为世界上最为发达的经济体之一和文化上包容的国家,其征信体系的发展也最为完善,值得我国借鉴。

在理想的商业环境中,借贷成本是与借贷者的违约风险相关。信用越好的借贷者为同等借款额所付成本(也即利息)也应该越少;信用越差者所付成本应该越高。但在现实中并不完全是这样。其根本原因是信用的特点。信用虽然是基于信任,但具有借贷双方信息不对称性。实践中和理论上都已证明,由于借贷双方信息不对等,信用市场上存在贷款前逆向选择问题,即在市场借贷成本高时,优质借款者不愿意借款,因而退出市场,留下的非优质借款者具有高违约风险,以及贷款后道德风险,即借款者获款后降低违约防范的努力而造成违约风险的增加。因此,风险管理必然是信用体系中的重要环节。贷款者可以通过自己收集借款者资料、进行贷后监督来降低风险,但时间长、成本高。在实践中,贷款者逐渐发现信息共享对判断借款者风险有很大帮助。这是征信所(creditbureau)产生的原因,是征信体系发展的基础。

通过信息共享建立的信用体系对借贷双方及社会整体都有利。它不但促使信用不好的借款者努力改善信用记录,为放贷者提供了风险审核判断的工具,也有利于贷款者增加放款数量,满足社会上的资金需求。

世界征信体系模式大体分为两类:

一是市场化自愿的私有信用信息交换或合作(private credit information exchanges or cooperatives)形式,主要由成员(银行、非银行金融公司、信贷协会、零售商等)自愿向征信所汇报借款者信用数据。由征信所负责收集公共信用记录(如纳税、法庭诉讼)、处理、汇总和分享借款者信用活动;或者由行业协会为会员建立非营利信息平台,通过内部的信息共享达到对借款者信用的交流。这种模式完全独立于政府,采用市场化的经营形式。美国采用征信所模式,但即便在美国,协会会员信息模式也存在。

二是政府主导强制的公共信用登记(public credit register)形式,主要通过政府法规强制银行、非银行金融公司、贸易债权人、信用服务公司等机构向中央银行或政府指定部门或机构汇报其债务人的信用数据,并通过立法来保证数据真实性。德法等欧洲国家以及印度采用此模式。

美国商业征信的发展史

美国信用体系包括个人和商业信用体系。在早期,征信所的形成或为私有机构、或为商家之间的合作组织,其主要目的是用以交换用户的信用信息,而信息主要也是以黑名单为主。地方商家一般只对不在黑名单上的客户提供信用服务。在第一次世界大战后,经济的增长、人口流动的加快促使征信所得到快速发展。信用报告开始增加更多的个人信息以满足商家授信判断的需要。

美国商业征信市场目前主要被邓白氏(Dun&Bradstreet)垄断。邓白氏成立于1933年,是由R.G.Dun&Co(1841年成立于纽约)和J.M.Bradstreet&Co(1849年成立于辛辛那提)合并而成。到2012年底,邓白氏的全球信用数据已经覆盖200多个国家的2.2亿家公司。

多年来的实践和改善使得邓白氏的报告已经成为商业信用批准的必备部分。债权人和金融机构会依赖于邓白氏的信用报告来评估借款者的信用度。对于借贷信用额度不到10万美元的,债权人可能完全依赖于邓白氏提供的还款历史,而不是进行成本更高和周期更长的借款人财务分析、贷款还款调查。对信用评审自动化的贷款公司而言,利用邓白氏的报告更为重要。不少软件公司,如Oracle、SAP,都已将邓白氏的数据整合到自己的系统中。在互联网时代,这些自动化程序可以在瞬间对借款者作出放贷审核判断。

邓白氏收集的商业信息主要有公司规模、历史、法律诉讼、财务信息等。一些信息是从公司公开呈报(publicfiling)上收集到的,比如公司法律诉讼。另一些信息则是邓白氏自己的通讯员通过访问公司高管而收集的。邓白氏收集的最重要信息是商业还款历史。邓白氏通过综合与一家公司有贸易往来的提供商提交的定期应收账款记录来合成这家公司的还款历史。在美国,多数企业应收账款已经占总资产的20%到60%之间(Edmonds,1998)。因此,邓白氏的数据对贷款者有重要的作用。

邓白氏商业信息报告包括以下主要内容:基本信息、风险分析、付款信息、公司历史营运状况、公司结构、财务分析及往来银行,以及公共记录。

邓白氏报告中最重要的信息是对企业的金融压力分类、信用分类和PAYDEX得分。金融压力分类度量了公司在今后12个月里破产或重组的可能性。该指标有5个类别。信用分类度量了公司在今后12个月里90天或更多天的违约可能性。该指标也分为5类别。PAYDEX则是度量公司在最近3个月和12个月里对供应商还款的指标。一些学者对PAYDEX进行了研究,发现该指标具有良好的预测性(图1)。

图1零售商在不同PAYDEX数值下的破产比例

11 第1张

来源:Kallberg,Udell,2003

美国个人征信与三大征信所

美国个人征信所的成立要晚于商业征信所,但机构的操作模式是相同的。即便到今天,美国仍然有上千所遍布全美的地方征信机构。这些机构大都与三大征信所(Equifax、Experian和TransUnion)有隶属或合同关系。而三大征信所又是征信所联盟公司(ACB)的成员。ACB成立于1906年,目前有500多名成员。ACB代表征信行业处理与政府和媒体的关系。

三大征信所由于信用信息来源不同,其所产生的信用报告也有不同。三大征信所中每一家都有大约2.5亿美国居住者的信用报告,基本覆盖美国全部成年人口。

Equifax

Equifax是三大征信所历史中最悠久的。1899年,Woolford兄弟两人在亚特兰大成立了零售信用公司。他们与当地的百货商店开始合作,主要是跟踪消费者信用度以便商家决定是否给消费者授以信用。20世纪70年代早期公司对多家征信所进行了并购,但联邦贸易委员会认为并购降低了市场竞争而予以反对。但经过努力,这些并购最终得以通过。1979年,公司改名为Equifax,该名字源于“公平事实信息”(equitablefactualinformation)。在70年代和80年代,三大征信所在全美范围内推动地方征信所的合并。到1987年,Equifax属下的地方征信所已超过300个。Equifax已覆盖了全美。

Experian

Experian是三大征信所中最年轻的。它源自1980年成立于英格兰若丁汉的CCNSystems,主要从事信用审核服务。1996年,CCNSystems收购了美国TRW信息服务公司,开始涉入美国消费者信用领域。Experian的公司总部在都柏林,所以它实际上不是美国公司。

TransUnion

TransUnion是三大征信所中唯一的未上市公司,也是三大征信所中规模最小的。它的起源比较独特。UnionTankCarCo.(UTC)是一家创建于1866年的铁路油箱租赁公司,它在1968年成立了TransUnion作为UTC的母公司。TransUnion随后开始了消费者征信业务,并开始对地方征信所的并购。TransUnion在技术上有一系列革新,是第一个利用光盘替代磁带的征信所,也是第一个利用线上信息存储和数据读取处理系统的征信所。1981年Marmon集团收购了TransUnion。1988年,TransUnion覆盖了全美的征信市场。股神巴菲特的公司BerkshireHathaway于2008年收购了Marmon集团的60%股权。2010年私募基金MadisonDearbornPartners(MDP)收购了TransUnion的51%的股份。MDP还拥有PayPal和NuveenInvestments。

FICO评分体系

说到美国三大征信所,就不能不说说FICO,FICO在美国征信体系中起到非常重要的作用,是信用评分的先驱。三大征信所拥有的是数据,而FICO拥有的是对原始数据的深度分析技术。在个人信用评估方面,FICO利用个人信用历史资料和其他借款人信用行为相比较,得出个人违约概率。随着电脑的应用,FICO的推广使得信用审核自动化,加快了个人和商业信用的普及。

Fair,IsaacandCo.(2009年时改为FICO)成立于1956年,是由费尔(WilliamFair)和埃萨克(EarlIsaac)创建的。1972年,美国国税局开始应用FICO的数据分析软件来判断偷税漏税者并取得很好的效果。再加上信用卡的使用和计算机技术的逐渐推广,FICO的业务开始得到突破。1975年公司为富国银行建立了第一个根据消费者行为的信用风险评分系统。公司在1987年上市,并在1989年通过Equifax推出FICO信用风险评分。在此之前,个人信用的审核还主要是面谈形式。在FICO推出信用风险评分后,个人信用审核开始自动化和高效化。1991年三大征信局都开始采用FICO风险评分技术。1995年美国房利美和房地美开始推荐FICO在按揭贷款评估中的应用,这对FICO的业务具有极其重要的意义。1995年FICO还推出了小企业评分系统。FICO目前业务已经远远超出了消费者的信用评分。它的其他业务包括决策管理、债务管理、数据分析咨询、中小企业评分系统等。

Vantage信用评分

FICO是分析技术提供商,它对三大征信所和其它客户使用其评分模型产品收取特许使用费,而其本身并没有消费者信用数据。因此三大征信所一直有动力自发研究评分模型来取代FICO评分体系。2006年三大征信所推出了它们联合研发的信用评分体系Vantage。事实上,这也不是第一次三大征信所挑战FICO的评分体系,但从未成功过。直到今天,Vantage的市场份额仍可忽略不计。

案例分析

由于美国成熟的信用体系,消费者信用评分已被用于从信用申请、申请核查、风险控制到债务追索等各个方面。而大数据的挖掘又为信用评分提供了基础。

下面的案例来自于美国斯坦福大学的利兰·安纳夫(LiranEinav)等对一家专门为低收入高风险客户提供汽车贷款的公司的研究。由于这家公司的客户违约性高而回收残值低,因此商业利润的高低完全取决于对客户风险的认知。研究中使用的数据显示,这家公司的客户的平均家庭年收入为二万八千美元,仅列于当年全国水平的倒数33%位,其中三分之一的贷款申请者无银行账户,86%是租房户。而且超过一半的申请者在贷款前6个月至少有25%的债务逾期。如果没有对数据的挖掘,仅根据这些条件来看,这些客户的违约风险极高,得到信用贷款的可能性极小。传统的针对风险的信用贷方法是增加首付。但是,研究发现,对于每一百美元的首付费用的增加,申请贷款的可能性就降低2%—3%。而且逆向选择问题将使得车贷申请者的资质更次。

图2显示了一个二维变量,客户购车时拥有的现金量和还款期间现金增量的关系分析。两个椭圆是高、低风险客户的在两个变量上的等密度分布曲线。安纳夫通过数据挖掘的方法,使得首付对一些借款者降低,而对另一些借款者增加,一些风险小的客户可以得到更高的贷款,其结果是总体违约率的下降。

图2现金量和还款期间现金增量的关系来源:Einav,Liran

22 第2张

注:Distributionofhigh-risktypes是高风险类型分布。

Distributionoflow-risktypes是低风险类型分布。

Downpaymentrequirement是首付要求。

PurchasethresholdforHtypes是高风险类型的购买临界点。

PurchasethresholdforLtypes是低风险类型的购买临界点。

Repaymentthreshold是还款临界点。

图3显示了在基于数据处理后,不同风险客户群在首付额调整后,为公司带来的商业利润也较平均值有较大提高(对于低风险客户,利润期望从平均值190美元增至500美元)。

图3首付额调整后的商业利润变化

33 第3张

来源:Einav,Liran

互联网和大数据的冲击

互联网的发展对征信行业有一系列冲击,包括信用记录的收集、整理,消费者信用的计算、法律条款的修订等。最近,中国国内在强调大数据在金融方面的应用,美国Zestfinance是常被提到的一家公司。Zestfinance成立于2009年,从事消费者信用审核。其创立人来自谷歌和传统金融公司CapitalOne。与FICO不同,Zestfinance主要侧重于缺乏信用历史的消费者。在技术上,Zestfinace与FICO不同之处在于它利用了上千个来源于不同地方的与信用相关的数据变量,从个人财务状况到对社交网站的使用量,对个人违约风险做出评估。

公平地说,Zestfinance利用的上千个信用变量的原因是所评估的消费者缺乏信用历史资料。Zestfinance不但覆盖面窄,而且还没有被任何主要银行所接受。传统公司FICO的地位还没有被撼动。但是,Zestfiance开启了一扇大门,不但将一些表面上与个人信用无关的信息与信用相联系,更重要的是将金融普惠之门向更多人打开。

Zestfinance也是在大数据和互联网时代向传统金融挑战的一个代表。其投资者之一是大名鼎鼎的彼得·泰尔(PeterThiel),泰尔也是在线支付Paypal的创始者之一。投资者对征信体系的重要性以及大数据互联网应用的广泛性吸引了大量投资正向这个领域涌入。不过美国现有对消费者保护的法规也使得这些新兴公司的发展既面临着监管制约,又对监管提出挑战。比如,商业机构不得因为性别而在信用的授予上对消费者歧视。但是即便没有这个信息,通过大数据的分析仍可以并且很容易地得出结论。那么在监管上应该如何调整呢?

互联网的产生、电商的普及以及日益频繁的跨国贸易流动对征信报告也产生了重大影响。商业和个人征信对征信收集内容、范围、速度要求越来越高。此外,消费者信用造假和身份盗用也变得普遍。如何防范消费者成为受害者,通过消费模式辨别身份盗用也成为日益重要的工作。

不论变化如何,借贷双方信息不对称的特点是永远存在的。新技术的产生会解决或缓解旧的信息不对称问题,但新技术又会引起新的信息不对称的因素。人类社会就如此在曲折中延伸。

用微信扫描可以分享至好友和朋友圈

扫描二维码或搜索微信号“iweiyangx”
关注未央网官方微信公众号,获取互联网金融领域前沿资讯。

发表评论

发表评论

您的评论提交后会进行审核,审核通过的留言会展示在下方留言区域,请耐心等待。

评论

您的个人信息不会被公开,请放心填写! 标记为的是必填项

取消

见证互金十年的从业者们

冬木 17小时前

爬虫服务全面暂停,金融机构如何应对?

温泉 18小时前

[未央研究]本周互联网金融回顾 | 2019年第42周

未央研究 1天前

对助贷行为的监管更待何时?

李庚南 2天前

大数据应用的是与非:理解“替代数据”的必要性

松子同学 10-16

版权所有 © 清华大学五道口金融学院互联网金融实验室 | 京ICP备17044750号-1