信用，就是因为履行诺言而取得的信任，是指依附在人与人之间、单位之间、商品交易之间的一种相互信任的生产关系和社会关系。因为信用的存在，双方得以自觉、自愿地反复交往，消费者甚至愿意付出更多的钱来延续这种关系。
信用调查，是指信用机构接受委托后，按照委托事项与目的对相关组织和个人的信用信息进行征集、分类、分析的工作。信用调查是信用评级的基础，信用评级是信用调查的进一步延伸。
我国的信用调查体系尚不完善，目前比较成熟的是美国的信用评估体系。美国传统的信用评估体系主要通过五大因素评估信用值，即付款历史（Payment History）、未尝债务（Outstanding Debt）、信贷时长（Credit History Length）、争取新信贷（Pursuit of New Credit）和信贷组合（Credit Mix）。
其中，付款历史占比35%，包括各种信用账户的还款记录；公开记录及支票存款记录，即破产记录、丧失抵押品赎回权记录、法律诉讼事件、留置权记录及判决；逾期偿还的具体情况，如果曾发生违约，则会对个人今后借款能力产生重大影响。
未尝债务占比30%，即当下总共欠了多少钱。对于贷款方来讲，少量债务并不意味着客户的信用风险高，但是，如果客户有限的还款能力用尽，则说明他存在很高的信用风险。
信贷时长占比15%，如果甲在10年前就有了一张信用卡，而乙今年才申请信用卡，虽然无法判断谁的还款能力更强，但是至少在时间上判断，甲有更多的信用数据。
争取新信贷占比10%。在现实生活中，人们总是倾向于申请更多的信用账户。据调查，在很短时间内开立多个信用账户的客户具有更高的信用风险，尤其是那些信用历史较短的人。
信贷组合比重占10%，它分析了客户的信用卡账户、零售账户、分期付款账户、金融公司账户和抵押贷款账户的混合使用情况。具体包括：持有的信用账户类型和每种类型的信用账户数。
美国的信用评分体系综合使用以上的因素进行评估，其中应用最广泛的是由Fair Isaac公司推出的FICO信用评分模型。全球三大商业个人征信公司益百利（Experian）、艾克发（Equifax）和环联（Trans Union）都是以FICO评分为基础提供个人征信报告的。尽管FICO评分体系占据了全球近三分之二的商业征信市场，但是传统的信用评估体系仍然存在一些明显的不足，主要体现在以下三个方面：
第一，传统的信用评估服务无法覆盖全体人群，特别是弱势群体。根据FICO的标准，如果人们未能如期还款，或者缺乏借贷经历，他们就会自动被视为风险人士，他们的贷款也就会被罚以更高的利率。另外，他们的贷款申请很可能被拒，无论是否事出有因。即使在金融体系发达的美国，仍有15%的人群因为信贷记录不完整而无法获得常规的金融服务，或者需要更大的代价才能获得金融服务。
第二，传统信用评估模型中的信息维度较为单一。FICO评分模型的基本思想是将借款人信用历史资料与数据库中全体借款人的信用习惯进行比较，以检查借款人是否符合经常违约、随意透支甚至申请破产的各种陷入财务困境的发展趋势。因此，随着信贷业务的进一步开展，FICO信用评分也因其标准单一、门槛严苛、评估片面而饱受诟病。
第三，由于传统信用评估模型在时间上比较滞后，因此其在预测绝对风险方面也表现得差强人意。尤其是2008年金融危机前后，FICO分数在美国人口中的分布基本没有发生变化，这与危机爆发后出现了大量坏账的现实严重不符。
由于传统信用评分的种种弊端，在互联网时代，我们需要探索信用评估的新思路，即基于大数据的信用评估体系。美国ZestFinance公司是新型征信公司的代表，其基本理念是认为一切数据都与信用有关，在能够获取的数据中尽可能挖掘信用信息，从大数据采集和大数据分析两个层面精炼信用信息。在大数据的背景下，可以暂时不考虑数据背后的原因，而是看重数据之间的关联。同时，数据的来源也很重要，即使是错误信息也是有用的。
在利用大数据建模阶段，首先要考虑多种原始数据变量，理清变量之间的关系，将其转换为有用的格式，再将转换变量合并至元变量中，形成用户画像；接着，将元变量输入不同模块，令每一模块代表一种技能，每一模块贡献一定分数比例，最终合成信用评分。
与传统信用评分体系相比，这种基于大数据的信用评分模型大大提高了信用评分的覆盖率，同时将原有的结构化数据扩展至大量的非结构化数据，增加了数据信息的维度，另外，信贷数据在原始数据中所占比例显著下降，除了信贷数据，还包括网络数据、社交数据等，除了贷款记录、余额等信息，可用变量扩展至IP/邮箱、网络行为等。最为关键的是，新的信用评分模型采用机器学习方法进行建模分析，变量个数从传统的10~30个增加至成千上万个，大大提高了对大数据的分析能力。
尽管新型信用评估体系还不够成熟，真实效果尚难总体评价，不过，这对我国的征信体系建设却有一定的参考和借鉴意义。
首先，普惠金融需要挖掘更多征信空白的人的信用信息。目前，我国真正发挥作用的征信体系是央行的征信系统，所覆盖的人群只有3.2亿，仅占我国人口的23.7%。数量庞大的没有被征信覆盖的人群同样需要金融服务，因此对信用信息具有巨大的需求。
其次，海量的互联网信息将成为征信体系的新参考。我国拥有全世界最多的互联网人群，他们产生的海量互联网数据资源如果能够被征信体系建设最大程度地加以利用，将成为我国构建征信体系最重要的数据支撑，通过分析互联网上用户的基本信息、交易行为信息和金融或经济关联信息，可以挖掘用户的潜在信用信息。
再次，以大数据、人工智能为代表的新兴技术为征信体系建设带来了新的思路，原来庞杂无章的数据经过清洗、整合、挖掘、分析，可以转换为信用数据，在一定程度上提升信用评估效率和准确率。
相关文章
