中國互聯網銀行消費貸信用風險管理研究

摘要：隨著人群代際的變遷、消費觀念的轉變、居民收入的持續增長、消費金融產品的不斷豐富，消費信貸的滲透正在加速實現。互聯網銀行依托電商平臺或互聯網公司的大數據背景，依靠精準的客戶定位、小額靈活的經營方式獲得了爆發式增長，然而，隨著授信人群的逐步擴大，行業風險也逐漸暴露。本文通過研究規模最大的消費貸產品“微粒貸”，為全行業的信用風險管理所借鑒。

關鍵詞：互聯網銀行；信用風險管理；消費貸；微粒貸

隨著經濟結構轉型升級，銀行業進入調整轉型期，互聯網金融加速滲透信貸市場，既給傳統金融業帶來了挑戰，也為其踐行普惠金融提供了思路與方法。互聯網銀行因其高效便捷、創新普惠及社交和消費類大數據等優勢，專注長尾市場金融服務，彌補了傳統金融機構的不足，構成錯位競爭。互聯網銀行在攜手傳統銀行共同發展的同時，也在倒逼傳統銀行進行科技創新，推動銀行業向更高層次完善并發展。

消費貸是指為個人和家庭提供以消費為目的的無抵押、無擔保的小額貸款，金額一般在30萬以下，信貸期限在1至20個月。典型的消費貸產品如前海微眾銀行“微粒貸”、網商銀行個人貸款，四川新網銀行“好人貸”、蘇寧銀行 “升級貸”等。作為第一家踐行普惠金融的互聯網銀行，微眾銀行自開業以來倚靠互聯網、大數據、人工智能等在信用風險管理方面卓有成就，與此同時，拳頭產品“微粒貸”也開始暴露出相應問題，案例具有一定的代表性和前瞻性，本文將深入探索“微粒貸”卓有成效的風控方法供其他相繼成立的互聯網銀行借鑒，同時，挖掘其尚存的不足之處，最后，上升到全行業層次提出些許建議。

一、關于“微粒貸”

“微粒貸”定位于長尾用戶，是微眾銀行基于社交大數據風控的自助小額、循環使用類貸款，依托互聯網平臺提供與傳統銀行錯位的差異化金融服務。其利用股東背后龐大的大數據資源、以及高流量的微信、QQ等獲客渠道來充當傳統銀行和用戶之間的中介，一方連接長尾用戶，另一方連接金融機構，完成資金的輸送和創新科技的共享，從而賺取利差。“微粒貸”額度為500—30萬，5秒出額度，借錢最快1分鐘到賬，提前還款無罰金，提供7×24小時服務。自2015年5月，“微粒貸”上線以來，放款總量幾乎呈指數級增長。

二、“微粒貸”信用風險管控措施

由于互聯網金融虛擬性的特點，交易雙方只是通過網絡發生聯系，增大了交易雙方在身份確認、信用評價方面的信息不對稱。因此，對于一款互聯網信貸產品來說，風控是首要的核心的能力。在信用風險的管控方面，微眾銀行的微粒貸有以下獨到之處。

第一，將聲紋識別、人臉識別等生物識別技術運用于實際業務場景，實現“傳統銀行風控”與“互聯網風控”相結合。“人臉核身”技術，是基于C端用戶環境、業務場景、用戶行為的多維核身風控模型，識別并采集多因子（人臉、唇動、聲音），通過逐步添加的“在線視頻補充核身”和“異步審核”流程建立高準確度的閉環“遠程人臉核身”服務，差錯率低于人工識別差錯率8‰。“微粒貸”利用生物識別技術進行視頻身份驗證運用可自動化實現客戶身份識別和反欺詐，降低風險。

第二，“白名單”邀請制。白名單是“微粒貸”風控的第一環，結合了傳統信用評級方式和AI風控體系。“白名單”邀請制在貸前進行反欺詐識別，即時預測風險、實時調整風控模型，扭轉“微粒貸”被動風控的局面，有效降低了小額貸款服務中的信用風險和欺詐風險。雖然白名單未像螞蟻借唄直接標出硬條件（芝麻信用分600以上），但“微粒貸”采用了央行個人征信數據和騰訊信用評分兩種數據，其中，騰訊信用評分來自于騰訊的用戶互聯網行為數據，包括在線使用、財產、消費支付、理財行為等。

第三，用戶畫像。信用風險的識別運用了社交大數據與央行征信的數據，在騰訊征信的大數據模型中提取233500個數據項，云計算進行分析歸檔后利用10個預測分析模型，從基本社會特征、交易網、社交圈、行為特征、人行征信5個維度對客戶綜合評級，以快速識別信用風險，得到最終的消費者信用評分，從而真實地了解客戶的過去，分析未來。

第四，“微粒貸”以大數據為核心，構建風險規則，創建新型風控體系，引入決策樹、隨機森林、神經網絡等機器學習方法，建成包括征信、互聯網、反欺詐等七大類風險模型，以及信用風險策略、反欺詐、撥備、征信、風險參數等五大工具箱；將人行征信和公安等傳統數據，與互聯網和行為等新型數據相結合，更全面地評估信用風險；引入第三方電子存證管理、機器人客服和機器人催收、數據訪問安全體系，控制全流程線上操作的潛在風險，有效地發揮了風險防控作用。

三、“微粒貸”信用風險管理存在的問題

（1）目標客戶下沉加劇信用風險

“微粒貸”目標客戶群體包括自由職業者、工薪階層、進城務工人員及普羅大眾，近65%的客戶為25-35歲，近71%的用戶為藍領服務業、制造業等，70%的提款客戶是大專以下學歷，“微粒貸”目標客戶下沉到三、四線，甚至農村市場，客戶越是下沉，征信數據越缺乏，客戶資信情況越弱，微粒貸所面臨的信用風險越高。

（2）大數據風控需長時間實踐檢驗

截至2017年年末，微眾銀行撥備覆蓋率912.74%、資本充足率16.74%和不良貸款率0.64%，具有較高資產質量，遠高于同業水平和一般標準。微眾銀行如此優秀的數據不可否認受益于大數據風控，但由于目前業務只開展了3年，部分潛在的不良貸款還未體現。隨著用戶基數增大，微眾銀行的不良貸款率由2015年0.12%，到2016年0.32%，2017年0.64%，其資產質量有逐年下滑的趨勢。

（3）缺乏貸后資金用途追蹤

微粒貸依托網絡平臺進行用戶資料審核，完成用戶開戶操作，并進行信貸發放，但并未對用戶的貸款資金用途進行明確的規定限制，同時缺乏相應的機構人員對貸后的資金流向進行追蹤。微粒貸貸款審批過程中雖然都有電話核實的步驟，但是具體貸款資金用途并沒有嚴格限制與監控，所以在客戶后續貸款資金使用的風險上，大數據風控則愛莫能助。

（4）社交大數據金融屬性較低

騰訊為微眾銀行天然帶來良好的群眾基礎，為其開展個人金融業務帶來顯著優勢。但社交數據本身而言金融屬性較低，面對龐大的數據庫存提取征信信息具備復雜性和困難度。微眾銀行目前正在完善數據轉化平臺，但依據社交大數據建立起的征信體系是否可信可靠，使用社交數據確定個人征信信息的效率究竟多高，這是微眾銀行在進行風控過程中需要考慮的問題。

四、對互聯網銀行的一般建議

本文由典型個例的信用風險管理上升到全行業的風險啟示，對于互聯網銀行提出以下建議。

第一，擴充信用數據獲取途徑，持續積累央行、公安、學歷和法院四大征信數據，實現與核心數據源直連，以降低信用風險，彌補央行征信不完善帶來的影響。還可選擇與“信聯”合作，打破現金類貸款“弱風控、高不良、高利率”的惡性循環，減少信息孤島構成的平臺間“共債”發生，降低放貸成本。另外，應積極與合作銀行及第三方電商平臺實現客戶信息共享，充分利用對方的客戶資源，拓寬信用數據來源，而非僅僅充當連接者。

第二，利用股東的大數據優勢，將電商平臺積累的金融屬性較高的消費數據、信貸數據、社交數據庫進行轉化，獲取目標群體的信息，創造高質量內部“白名單”列表，控制貸前信用風險。

第三，吸納金融創新、金融工程領域人才，嘗試創建新型風控體系，引入決策樹、隨機森林、神經網絡等機器學習方法，建立健全風險模型、信用風險策略、反欺詐、撥備、征信、風險參數等工具。同時，建立全鏈條線上風控模型，將其應用于信貸產品的貸前、貸中、貸后全周期以及交易支付等領域，實現全流程的信用風險管理。力求授信，借款、還款過程全交由機器完成，無人工干預。利用大數據、AI等技術，創造一種高固定成本、低變動成本的結構模式，得以實現快速復制和規模效應，降低操作風險、信用風險等。

參考文獻：

[1] 羅玉輝，侯亞景.我國互聯網銀行發展戰略及政策監管——基于微眾銀行和網商銀行的案例分析[J].現代經濟探討，2016（07）：42-46.

[2] 陸岷峰，虞鵬飛.互聯網金融背景下商業銀行“大數據”戰略研究——基于互聯網金融在商業銀行轉型升級中的運用[J].經濟與管理，2015，29（03）：31-38.

[3] 龐淑娟.大數據在銀行信用風險管理中的應用[J].征信，2015，33（03）：12-15.

[4] 張智，傅曉軍，王騰飛.對征信中心個人信用評分產品開發的思考[J].征信，2012，30（03）：25-28.

[5] 中國金融四十人論壇互聯網銀行課題組，張曉樸，姚勇.互聯網銀行風險管理：基于傳統銀行的比較研究[J].新金融評論，2017（02）：95-118.

作者簡介：

林燁晗，女，1994年3月23日出生—，四川成都人，漢族，碩士，研究方向：風險管理，工作單位：四川天府金融租賃有限公司，郵政編碼：610011。