大數據時代債務催收行業智能化發展及其監管機制革新
——對美國《公平債務催收作業法》的借鑒與超越

蔣都都 李華圓

（湘潭大學信用風險管理學院，湖南 湘潭 411105）

當前，我國銀行卡信貸規模持續擴大，但與此同時，信用卡逾期半年未償信貸總額仍然較高①。不良資產規模的激增催生了專業的第三方催收機構，第三方催收機構若依法作業，將在化解不良資產累積風險等諸多方面發揮積極作用（段明，2021）[1]。然而，由于我國法律對催收機構的設立存在諸多限制（陸丹，2020）[2]，統一的法律規范也付之闕如，債務催收行業長期游走在法律的邊緣地帶，不僅無法發揮債權保護、信用修復的社會功能，反而成為影響社會穩定的一大隱患。在此背景下，隨著大數據技術的發展，債務催收行業逐漸進入了智能化發展階段，這對債務催收行業的監管提出了新的要求，不僅需要審視現有監管的不足，更需要以預判性的眼光進行制度建設。

美國的《公平債務催收作業法》（Fair Debt Collection Practices Act，FDCPA）頒布生效已有四十余年，其間歷經數次修改而不斷完善成熟，為世界范圍內的債務催收立法樹立了標桿。基于保護債務人合法權益和維護債務催收行業秩序的共同立法初衷，未來我國制定《債務催收行業管理條例》或《債務催收行業管理法》時可以考慮以其為藍本，在借鑒美國立法經驗的基礎之上進行批判性革新，以服務我國的債務催收行業監管。

一、債務催收行業的智能化發展及其可能引發的負面效應

（一）債務催收行業的智能化發展趨勢

傳統債務催收建立在與債務人一對一的人際互動基礎之上，具有勞動密集型特征，因而催收成本較高，同時，由于逾期償還債務的普遍化，傳統債務催收方法的有效性正在慢慢減弱（Burton，2020）[3]。然而，隨著大數據時代的到來，區塊鏈的引入、算法決策的使用以及人工智能控制軟件的發明，推動債務催收行業向著智能化催收不斷發展、轉型。當前，債務催收行業正在不斷利用其他學科（如心理學、計量經濟學等）和試驗（主要是指分析債務人行為）助力催收方法轉型。具體而言，債務催收行業致力于將數據收集解釋、標準化運作、算法評分、債務人概況分析等方法應用于債務催收流程，以求利用科技發展和創新實現催收債務的最大回報。計量經濟學與新技術的運用使得催收人可以遠程控制、同時處理更多的賬戶，的確實現了用較少的資源最大限度地提高債務回收率的目標。早在20世紀60年代初，美國的債務催收機構就開始使用復雜的自動化流程來協助與債務人溝通，這種自動化操作幫助債務催收機構自動準備催收通知、管理后續行動以及將通知轉發至其他催收機構以尋求催收過程中的幫助（C?t?lin-Gabriel等，2020）[4]。近年來，隨著移動通信的出現和廣泛普及、普遍計算和統計建模技術的使用、算法支撐下的信用評分和編碼軟件的擴展以及數據收集手段的更新，債務催收行業在現代化轉型的基礎上獲得了長足的發展。

（二）債務催收智能化發展可能引發的負面社會效應

誠然，智能化催收的發展有利于推動行業發展轉型，但技術手段的介入所帶來的負面影響也不容小覷。新技術的應用使得催收人能夠更加輕易地規避現有法律的監管，利用法律漏洞，從而對債務人合法權益造成侵害，其中尤以債務人面臨的信息或隱私的泄露和濫用風險為甚。智能化的催收系統對債務人個人信息的自動化檢索，將使得債務人隱私面臨極大的泄露風險，也為濫用債務人個人信息的行為大開方便之門。催收者以催收之目的收集債務人信息本無可厚非，但當催收者以虛假借口收集債務人數據，甚至借助技術優勢誤導、誘使債務人分享與債務清償無關的個人信息時，就構成了對債務人權利的侵犯。同時，智能化催收系統的引入提高了侵權時責任方確定的復雜程度，增加了債務人的維權難度。

與債務催收行業蓬勃發展的態勢相比，對債務催收的監管相對滯后，許多法益沖突在現有的法律框架下都沒能得到很好的解決。催收手段的邊界不明使得心存僥幸的催收者利用技術優勢和法律的不確定性大膽從事灰色催收活動，危及債務人的正當權利，對既有權利救濟途徑形成沖擊。此外，法律上的空白和行為中的灰色地帶將誘使催收機構陷入“競次”的泥淖，在擠占合法催收者市場的同時，影響整個市場的競爭性。

二、美國智能債務催收體系的形成及催收行業監管的滯后性

美國的債務催收機構很早就開始運用自動化流程輔助催收。近年來，隨著技術的發展，各項與債務催收有關的專利發明不斷涌現，最終推動了美國智能債務催收體系的形成。

（一）美國智能債務催收體系的形成

美國的多項專利均試圖全部或部分創建一個智能的債務催收體系。其中一項專利申請提出了一個自動化系統，用于評估單個債務人的賬戶，并根據已知變量之間的已知關系預測每個賬戶可能收回的金額②。預測模型利用賬戶拖欠債務的歷史數據、催收者使用的催收方法及成功率，通過不斷監控和更新債務人的行為數據，將其與信用評分、歷史信息等其他數據進行交叉引用，從而生成一個付款預測評分，用于預測債務人最終付款的可能性，據此來確定將要處理的催收業務的優先級。換言之，該模型旨在通過對債務進行優先排序，并優先向那些以行為表明他們最有可能付款的債務人進行催收來提高整體收款率。另一項專利申請則設想了一個生成債務催收優先級的系統，對債務催收者追債的順序和力度設定優先級，以實現收益最大化③。該系統從債權人處接收與債務相關的信息，包括債務逾期天數、債務價值、債務人未償債務余額、債務人信用評分等，并將其與預存信息進行比較，然后根據預存信息生成的優先級值和用戶輸入的篩選條件對拖欠債務的賬戶進行排序。

（二）美國債務催收行業監管的滯后性

盡管美國有著較為成熟的債務催收監管法律體系，但由于債務催收行業的智能化發展，其監管法制建設不可避免地存在疏漏之處。

1.債務催收行業規范的適用范圍存在漏洞。美國一項有關債務催收的專利申請設想了一個基于網絡可直接為債權人收回債務的系統④，該系統將幾乎能夠檢索和利用網絡上任何能夠查詢到的有關債務人的信息，包括但不限于債務人的實際地址、電話號碼、工作單位等，從而使債務人的隱私面臨重大風險。支撐系統的算法將決定債務的分類和收回債務的策略，并最終處理收到的部分或全部債務還款。該算法還將在考慮債務年限、債務人年齡、可用通信手段、債務金額、產生債務的服務或產品類型、有關債務人行為的歷史數據以及任何以上標準的組合之后，對如何在催收過程中聯絡債務人進行分類，生成收款分數，最終自行選擇收回債務的最佳方法。自動化催收系統廣泛地檢索債務人個人信息的行為，將使得債務人無所遁形，無疑為潛在的濫用個人信息的行為大開方便之門，揭示了大數據時代債務人的易受侵害性。而由于系統是直接提供給債權人的，那么，即使系統的使用違反《公平債務催收作業法》，債權人也不會面臨該法規的制裁。如果債務人訴諸侵權訴訟，也會由于系統用戶并未人為參與決策及收款過程，而很難確定責任方究竟是債權人、編碼者、開發者抑或是人工智能本身。當前數字智能化的擴張增加了債務人權利保護的不確定性，即關于什么行為是合理的以及法律應當如何適用的問題仍然值得探討。

2.現有監管規范的合法性標準難以應對智能化催收。一項美國的專利申請設想了一個網絡系統，該系統依賴于預先確定的標準化模板和人工智能進行決策，通過預測模型、數學評分等數字化工具確定債務優先級和最可能支付的債務人，以最大限度地提高催收效率；同時，還將以網頁的形式自動創建債務人畫像，使得同一債務人的數個債權人能夠實現數據共享，方便整合債務人信息⑤。這一系統的運行依賴于債務人對其在線聲譽的關注，促使他們在網上查詢信息并開始自行與催收人進行溝通，但這其實容易對債務人造成不當誤導⑥，誘導他們分享更多的私人信息：系統將通知債務人其未償債務，允許其在系統提供的論壇上對此提出異議，同時，系統中的所有注冊用戶都將能看到爭議各方交換的信息，并將投票表決哪種立場更為可信。由此可見，這一系統的運行將形成巨大的數據池，方便債權人、債務人雙方進行與催收有關的溝通，為催收提供便利，但也容易誘發個人信息安全問題。債務催收者廣泛利用大數據攫取、分析債務人信息的行為，有侵害債務人隱私之嫌，收集、處理、使用數據或將給相關債務人帶來巨大的信息泄露和濫用風險，關于系統內算法的內容以及相關變量是如何被使用的亦并非完全透明，系統的運行也將面臨是否將在實際上產生對弱勢債務人準歧視的詰問，但以上系統運行并沒有明顯違反《公平債務催收作業法》之處，現有監管規范并不能予以很好的規制。

在全面智能化債務催收帶來的利益和風險并存的情況下，上述發明以及其他類似發明如果能夠得到實現，那么如何充分保障債務人合法權利就顯得尤為重要。許多用于催收的技術使得債務催收行業處于合法性和道德性的邊緣地帶，債務催收者可能利用技術創新產生的法律漏洞規避舊的、靜態的法律規范。但應當承認，催收者自然有權在催收的過程中使用所有可用的技術，但不應當以不公平的、欺騙性的方式使用。由是觀之，債務催收行業存在的問題不在于使用技術或是收集數據，而是其使用、收集的方法和目的是否合法、正當；監管部門所面臨的挑戰也并不在于取締催收過程中智能化手段的使用，而是如何在大數據時代信息泛濫的情況下保護弱勢群體權利不受侵害。

三、大數據時代我國債務催收的監管路徑

債權人之合法債權無疑應受保護，對債務催收進行監管不是允許債務人逃避債務，而是保護債務人合法權利，這種監管不會給信譽良好、從事合法正當催收業務的債務催收者帶來任何不必要的負擔。我國《債務催收行業管理條例》或《債務催收行業管理法》的制定，應當在汲取《公平債務催收作業法》成功經驗的基礎上，結合我國國情進行批判性革新，前瞻性地為債務催收劃定行為框架，彰顯大數據、區塊鏈時代的需求，更好地規制催收機構利用技術手段規避法律的行為。

（一）借鑒：基于美國經驗的我國催收行業監管制度架構

我國制定《債務催收行業管理條例》或《債務催收行業管理法》時，可以借鑒《公平債務催收作業法》的基本規范格局，在明確催收者必要權利與法定義務的同時，賦予債務人異議權、損害賠償權等權利，并從正反兩個方面為債務催收制定操作規則。一方面，對催收過程中的位置信息獲取、債務確認以及與催收有關的聯系等適法行為⑦予以明確的規定；另一方面，明確禁止對債務人的騷擾或虐待，禁止虛假性、欺騙性或誤導性陳述以及其他不公平、不合理的催收手段⑧。

誠然，債權的及時、有效救濟對于保持金融行業平穩發展、維護社會整體穩定具有重要意義，但債務人不應當因為負債而被減損人格，債權人及其輔助人也并不因此而天然擁有私自獲取、處理和使用債務人個人信息和以實現債權為由侵犯債務人人身權的權利。我國《民法典》第111條、《個人信息保護法》第2條都明確了個人信息受法律保護，突出強調個人信息安全（江必新和何東寧，2017）[5]。尤其是《個人信息保護法》對第三方催收機構的合法運營具有重要意義：“告知—同意”原則使得對債務人個人信息處理的主動權掌握在了債務人手中；對敏感個人信息的強調無疑也加強了對債務人特定個人信息的保護力度，加重了催收機構的責任。理論上，公民的個人信息是一項基本權益，任何組織和個人都必須加以尊重，不得侵犯。即使有正當理由，也應當依法獲取。換言之，獲取人必須具有法定的資質、基于法定的理由、通過法定的程序，才能取得，更為重要的是，要保證被獲取之公民個人信息的安全，且依照法律規定或事先約定的目的、用途和范圍來使用（金澤剛和王振華，2019）[6]。從嚴保護是我國基本法律對待公民個人信息的核心思想，如果允許債權人及其輔助人在債權救濟的場合私自獲取債務人未經公開的個人信息且加以濫用的話，無疑是給這一基本原則設置例外，是對法律精神的一種背反。如前所述，在債務催收過程中利用智能設備整合數據進行債務優先級的排序無可厚非，但法律應當為這種整合劃定邊界。對于依法已經公開的信息，當然可以為債務催收之目的收集利用；對于財產信息等涉及債務人隱私的信息，催收人可以為催收之目的進行收集，但應當嚴格限制其使用范圍（只能用于債務催收），且不得向外披露；而對于與債權債務沒有直接關系的生物信息等信息，催收人不能獲取利用。如果催收者在催收過程中違法獲取、披露、使用債務人個人信息，則應當承擔刪除、更正、匿名化處理等恢復原狀、消除影響等補償性民事責任，造成損害的，還應當承擔賠償責任；此外，除了民事責任的承擔，監管機構還可以針對債務催收機構的違法催收行為作出行政制裁，并可依據《個人信息保護法》的規定，對直接負責的主管人員和其他直接責任人員處以罰款；構成犯罪的，可以考慮以侵犯公民個人信息罪追究其刑事責任。

（二）超越：適應智能化債務催收的監管革新

成文于四十多年前的《公平債務催收作業法》因時代局限性未將智能化催收納入規制的范圍，從而在應對智能化催收的過程中顯得有些力不從心。在智能化催收興起的背景下，我國的債務催收行業監管可以在吸收美國經驗的基礎上，進行批判性革新，將技術的進步和人工智能在債務催收中的應用納入考量的范圍。

1.擴大債務催收行業規范的適用范圍。美國《公平債務催收作業法》并不規范債權人的催收行為，而是僅以債之法律關系以外的第三方作為規制對象。這一適用范圍的局限性使得該法對上述提及的直接提供給債權人用于催收的智能系統的規制效果大打折扣。《公平債務催收作業法》之所以將適用范圍圈定在第三方債務催收之中，一方面，是為了減少立法爭議，確保國會通過相關立法；另一方面，當時的立法者普遍認為，原始債權人與債務人之間往往存在基礎交易關系，一般不會直接采取不當債務催收行為，更何況作為債權人之絕大多數的金融機構已經受到了較為嚴格的行為監管，因而沒有將原始債權人也納入規制范圍之中。

在債務催收行業智能化發展背景下，我國制定《債務催收行業管理條例》或《債務催收行業管理法》時，可以考慮擴大其適用范圍，將債權人也納入規制，從而應對債權人的不當催收行為。這一點在美國的債務催收監管實踐中也有跡可循，美國至少二十個州的債務催收立法采取了較《公平債務催收作業法》更為嚴格的規定，將債權人作為規范對象（閆海和鞠陽，2017）[7]。反對觀點或許會主張，債權人的不當催收行為有《侵權責任法》加以規制，沒有必要將催收行業的監管拓展至債權人。實則不然，債權人是催收法律關系的緣起者，債務催收的監管規則豈有繞過債權人而僅規制受其委托的第三人之理？況且，《侵權責任法》的單一民事責任不足以對抗債權人因急于收回債務而無所顧忌的心理，只有通過債務催收監管引入行政責任，方能夠實現對債權人的威懾。更何況，債權人借助技術手段直接廣泛檢索和利用債務人信息的行為對債務人個人信息安全的威脅并不亞于第三方債務催收機構，受其委托而從事催收的第三方因不當行為要面臨民事、行政雙重責任，而債權人之不當催收行為僅需承擔單一的民事責任，也不符合實質正義的要求。此外，針對債權人在利用自動催收系統進行催收的過程中侵犯債務人權益的責任界定問題，本文認為應當分情況具體探討：如果債權人明知系統的使用將造成侵權的后果而仍然使用，自當承擔責任；而如果債權人對侵權的結果并不明知，則不承擔損害賠償責任，但仍應就行為所造成的債務人個人信息的泄露承擔賠禮道歉、恢復原狀、消除影響等責任。

2.推動債務催收者進行自我規制。債務催收者的自我規制是債務催收行業法治化、規范化發展的內在動力。事實上，債務催收行業的本質在于保護債權人的合法債權以及幫助失信的債務人挽回信用（譚曼和段明，2019）[8]，因而其實際上肩負了一定的社會使命。根據斯賓塞·奧蒂的關系管理理論，人們期望并且應當有權從他人處得到個性化的考慮和公平的對待，而不應當被另一互動主體不當地強加意志、進行控制（Harrington，2018）[9]。而目前的債務催收者只著眼于催收量，只追求盡可能多地收款，不顧債務人的狀況如何。但實際上，催收者應當保持與債務人的良好關系，主動肩負起信用修復的社會責任，根據自身經驗以及其對債務人還款能力的評估，為不同債務人“量身定做”催收方案。

催收方案的制定應當秉持公平理念，不能倚仗技術優勢侵奪債務人的合法權益。催收者應當根據不同債務人的賬齡長短、接觸難易度、債權人自身催收的時間等（Kriebel和Yam，2020）[10]判斷可能的債務回收率，從而科學地確定債務優先級。在這一過程中，為債務人預留一些回旋的余地能使其保有支付能力，有助于在法律的框架內最高效地收回欠款。誠然，債權人有權得到全部到期債務的清償，債務人在法律上其實并沒有要求分期付款的權利。然而，就債務催收實踐而言，暫時的部分還款是比較務實的方案，或可令債務人償還欠款的動機更強（Beck等，2017）[11]，方便催收者收回欠款。因此，擬定債務還款計劃時需要兼顧雙方意愿，才能保證計劃的順利執行。我國債務催收行業或可借鑒比利時的經驗，引入債務調解（Storms和 Verschraegen，2018）[12]，由債務催收者在債權人與債務人之間進行斡旋，在促使債務人償還債務的同時，保證債務人的基本生活水平，為債務人提供喘息空間、消除壓力，并盡量幫助債務人減少額外費用，這或可緩解債務人因與債權人達成和解而可能加劇的財務困境（Cheng等，2020）[13]。一般而言，多數催收人只會在債務人嚴格遵循還款計劃的情況下才會同意執行還款計劃，任何付款的突然無理由中斷，都將會導致還款計劃的失效，催收者可以在合法的范圍內采取行動。因此，還款計劃實際上提供了一個較為穩定的時間軸，表明哪些債務將得到償還，這種穩定性也使得債務人能夠把控自己的處境，將或有事項和未來付款的不確定性降到最低。此外，人工智能的普遍運用將有助于催收者對各債務人承諾付款的時間進行密切跟蹤，進而對還款計劃的偏差作出迅速的反應，以便收緊還款時間，督促債務人還款。

3.建立債務催收行業分級分類監管。第三方催收機構與債務人不存在業務關系，僅為委托人利益行事，較少關注在債務人中的持續聲譽，因而更可能濫用催收行為（Lee和Thue，2017）[14]。加之債務催收行業的激勵措施主要與催收量掛鉤，而與催收的規范程度沒有太大關聯（孫天琦，2013）[15]，債務催收者在催收過程中就唯催收率至上，極少顧及債務人權益的保護，暴力催債行為層出不窮。因此，為了從制度上矯正債務催收行業的不良競爭，確保那些沒有從事非法或不道德行為的催收者不會在競爭中處于不利地位或受到不道德行為的不利影響，就必須要扭轉債務催收行業唯催收率至上的現狀，在債務催收行業明確監管機構，實行分級分類監管，引導債務催收機構合規運行。

監管機構應當積極履行監管職責，定期對各催收機構進行評級，并將催收行為的合法性納入評級考核之中，與催收率共同構成評級指標，且應當對綜合評級的結果進行公示，但不得單獨公開各催收機構的催收率，避免債權人為簡單提高催收效果而選擇那些綜合評級不高而催收率奇高的風險性催收機構，從而引導催收行業合規發展。具體而言，監管機構應當通過日常監管、風險排查等方式，根據其所掌握的各催收機構經營范圍、內控機制、風險狀況等方面的情況，對各催收機構的合規運營情況及主要經營管理指標作出評價判斷，進行監管評級，同時根據評級結果對各催收機構進行分類并實施差異化監管。此外，監管機構應當開通受理債務人投訴的渠道，根據投訴對特定催收機構進行針對性檢查，并將投訴率也納入對催收機構的評級指標之中。

監管機構應當將監管評級結果作為衡量催收機構合規情況及合理配置監管資源的依據，并根據評級結果實施分類監管，精準有效采取差異化監管措施。評級結果為優秀的，以非現場監管為主，定期監測各項監管指標，給予適量的監管關注，除有舉報、投訴等情形外，原則上不安排現場檢查；評級結果為良好的，給予一定的監管關注，根據需要開展監管談話，指出存在的風險環節，督促其進行規范整改，重點關注評級中得分較低的評價要點對應的有關情況；評級結果為中等的，給予監管關注，加強現場監管和非現場監管，有針對性地開展監管談話、警示、風險提示，并結合評級結果，根據風險情況合理安排現場檢查；評級結果為較差的，給予特別的監管關注，采用大數據實時監控等多種監管手段，及時了解該催收機構最新的催收進展及采取的風險控制措施，并進行動態監測和風險排查，同時結合評級結果，根據合規情況合理安排現場檢查，依據現場檢查結果確定進一步監管措施；如果評級結果為差，除采取上述措施外，還應當對該催收機構評級期間的不當行為進行全行業通報。此外，評級結果還可以作為公共服務機構在向催收機構提供信息的過程中實施差異化服務的依據。當評級結果為優秀、良好的催收機構申請獲取與催收有關的信息時，有關機構可以放寬審核標準、削減程序，使之更易獲得用于催收的債務人相關信息；而若某催收機構在監管評級中表現較差，有關機構則可收緊信息獲取申請的程序，甚至可以不予提供相關信息。

4.針對互聯網新型債務催收模式的監管制度設計。隨著互聯網、信息技術的廣泛普及，一些借助互聯網而搭建起來的較為松散的催收平臺逐漸興起。其中最為典型的就是借貸寶推出的“人人催”，這是一個采用互聯網眾包模式的催收平臺，具有催收能力和催收意愿的個人都可以成為合作催收員，在借貸寶平臺上搶接逾期債務單進行催收，從而獲得酬金，其催收網絡覆蓋全國并施行屬地化管理（丁騁騁，2019）[16]。這種基于互聯網運作的催收平臺是對傳統債務催收模式的顛覆，將實施催收行為的主體擴張至不特定的人群，對債務催收監管提出了新的挑戰。

對于此類依托互聯網運作的新型債務催收模式，首先，應當明確劃定催收人員的準入門檻，建立健全債務催收職業資格考試制度，要求催收人員必須在通過考試后持證上崗，杜絕催收人員范圍的無限制擴張。同時，利用大數據歸集催收人員的從業行為數據，據此劃分職業資格等級，賦予較高資格等級的從業者以執業的便利和較高的社會地位，激勵債務催收從業者不斷提高催收行為的規范性。其次，監管機構應當加強大數據平臺的整體聯動，利用大數據技術建立債務催收業態監測分析平臺，對處于地下或半地下狀態的第三方催收機構加強輿情監控，并利用區塊鏈技術的難以篡改性在系統中將催收者的行為添加到鏈中，提供一個透明且不可更改的點對點式的記錄，為后續實施具體監管和懲戒留存依據。同時，區塊鏈技術具有去中心化、加密共享等特性，或將有效解決數據流通和共享過程中的數據安全問題，保護債務人的信息安全。最后，對于部分催收機構以技術創新之名，通過爬蟲、黑客等技術非法獲取債務人信息并濫用或泄露的，應當由監管機構予以取締，責令停止侵權并進行處罰，對債務人造成損失的，還應當承擔賠償責任。

四、結語

在大數據的時代背景下，債務催收行業正面臨轉型的重要節點，行業監管格局若仍停滯不前，將不能適應時代發展的需要，難以肩負起維護社會穩定的重任。債務催收機構采用新技術輔助催收無可厚非，但隨之而來的法律風險應當受到重視。催收者使用其所掌握的技術誠然沒有制度上的障礙，但當智能化手段的運用實質上構成對債務人權利的侵犯時，便屬于濫用行為，應當受到法律的規制。因此，我國在制定《債務催收行業管理條例》或《債務催收行業管理法》時，既要借鑒美國《公平債務催收作業法》的已有經驗，更要根據我國債務催收的具體情況出臺更契合當下智能化催收趨勢的合理措施。在收緊債務催收行業的監管缺口、引導第三方催收機構合法運營的同時，還要完善社會信用體系建設，將信用約束作為債務催收的驅動內核，督促債務人積極履行給付義務（王懷勇和劉帆，2019）[17]。

注：

①中國人民銀行網站：2021年支付體系運行總體情況，http：//www.gov.cn/xinwen/2022-04/03/content_568331 9.htm，2022-05-19.

②Mia Shao，Scott Zoldi，Gordon Cameron，Ron Martin，Radu Drossu，Jenny Zhang，and Daniel Shoham，Enancing Delinquent Debt Collection Using Statistical Models of Debt Historical Information and Account Events：US，US7536348 B2.

③Burl Shannon Hinkle and Jeffrey L.Grubb，Method and System for Prioritizing Debt Collection：US，US7254558 B2.

④Volker Neuwirth，Automated First Party Debt Collection System（2014）.

⑤ Zhengping Zhang，System and Method for Debt Collection（2016）.

⑥FDCPA § 807，15 U.S.C.§ 1692e（2012）.False or misleading representations.

⑦FDCPA §804，§805，§809，§811.

⑧FDCPA §806，§807，§808，§812.