以大数据为代表的IT新技术的应用，给征信建设带来了新的思路。大数据征信即运用大数据技术重新设计征信评价模型和计算方法，通过多维度的信用信息分析、整合和挖掘，对包括财务数据在内的结构化数据和地址信息、行为数据、社会关系等非结构化数据进行采集和分析，最终形成对个人、企业、社会团体的信用评价。与传统征信相比，大数据征信将注意力从数据的精确性转移到数据的相关性上来，它以全样本分析法替代随机抽样法，其真正价值在于数据的产品化，通过“加工”实现数据的“增值”。在大数据时代，大数据征信为小微企业融资提供了切实可行的解决途径。

一、大数据背景下信用资本在小微企业融资中的作用

传统企业信用评级模式主要以财务数据为核心，依靠担保和抵押、第三方担保等形式来防范信贷风险。小微企业往往没有实质性的抵押物和规范的财务报表，降低了很多银行的贷款积极性，而贷后的跟踪评级难，更使银行在面对小微企业信贷时望而却步。在大数据时代下，企业的信用不仅存在于抵押质押物和担保物之中，更多地体现在企业的每一份订单、货单、税单、工资表、社保表、水电缴费记录等各项明细数据中，甚至存在于地址信息、行为数据、社会关系等非结构化数据中。这些海量数据借助大数据分析技术，可以成为评价小微企业信用状况以及预测信贷风险的客观依据。在大数据背景下，信用不仅表现为物质资本，更体现为虚拟资本，即信用主体自身拥有或者社会赋予的人文资本。大数据背景下，信用资本在小微企业融资中的作用主要表现在以下两个方面：

第一，信用资本是小微企业获得信任的资格与手段。首先，信用资本是一种资格。拥有信用资本与拥有物质资本一样，均能获得社会认可，达成信用交易。正因为信用资本具有资格功能，社会就会对信用资本进行评价，并以信用资本的高低为标准确定信用资质。其次，信用资本是一种手段，为小微企业参与社会资源配置提供了有效途径。在传统征信模式下，企业拥有土地、厂房、设备、资金等物质资本，才能获得银行提供的金融服务。在大数据时代下，企业凭借自身积累的信用资本，也可以实现资金融通和价值增值。因此，小微企业可以通过大数据评级获得信用资本，进而获得银行贷款。

第二，信用资本是小微企业获得社会资源配置的依据之一。信用资本作为一种手段使各类企业都能公平参与社会资源配置。信用可以与其他有形物质资产一样，作为一种财富象征，在市场上获得参与交易的机会。在大数据时代下，信用资本是社会资源配置的新依据与新方式。大数据征信技术能够针对小微企业的行业特征和业务模式，通过多维度的信用信息考察，包括但不仅限于现金流等财务数据，还包括地址信息、行为数据、社会关系等半结构化、非结构化数据，构建征信评价体系，创造了完全不同于传统征信的评价方式，从而能有效地解决小微企业信用评审的问题。大数据征信的发展促进了小微企业融资的思路和途径。

二、大数据征信在小微企业融资中的应用路径

大数据征信的基本理念是认为一切数据都和信用有关，“一切数据皆信用”。基本思路是运用先进机器学习的预测模型和集成学习的策略,在能够获取的数据中尽可能地挖掘信用信息。大数据征信主要从大数据采集和大数据分析两个层面为小微企业提供信用评价，进而为符合信用标准的小微企业提供融资服务。

第一阶段：大数据采集。大数据征信的数据来源非常多元化，因此，大数据采集也呈多元化。首先大数据征信最基础的数据来源于第三方合作伙伴提供的数据，既包括银行和信用卡等传统结构化数据，也包括搬家次数、法律记录等非结构化数据；其次是用户授权的数据，如电话账单、水电煤气账单、调查问卷记录等；最后是来自互联网上的公开数据，如IP地址、用户搜索行为、社交网络数据，这些数据可以反映出借贷人的性格和行为特征，有利于从深层次挖掘用户的信用状况，评估其信贷风险。大数据征信专家经研究发现，半结构化数据和非结构化数据是客观世界的传感器，体现了借贷人真实的社会关系。只有充分考察借贷人借款行为背后的线索及线索间的联系,才能从深层次挖掘用户的信用状况并提供有效的数据分析服务，降低信贷风险。大数据征信公司充分利用创新、多元的大数据源，以从多方面甄别申请人特质，形成较为完整的申请人画像，从而完成大数据采集。

第二阶段：大数据分析。大数据分析就是将借贷人的海量非结构化数据和半结构化明细数据进行采集，然后运用先进机器学习的预测模型和集成学习的策略，对数据进行统一的标准化整合。第一步，将来源于第三方和借贷者的海量原始数据输入系统。第二步，寻找数据间的相关性并对数据进行转换。第三步，在相关性的基础上将变量重新整合成较大的测量指标，每一种测量指标反映借贷人的某种特征，如诈骗概率、信用风险和偿还能力等。第四步，将这些变量输入到不同的数据分析模型中去。最后，将每一个模型输出的结果按照原先设定的百分比进行计算加总，形成最终的信用分数。总之，大数据分析阶段就是对海量原始数据进行分布式大数据自动挖掘，将数据库中的原始数据经过数学建模，提取特征变量，形成不同的特征值，然后放到不同的特征数据分库中，按照相应的百分比计算出最终的信用分数。由于搜集了成千上万种原始数据，统计结果更趋近于真实值。由于数据的整个采集、加工、分析过程全都通过计算模型及数据分析自动完成，并且实现了对数据库进行实时、动态的风险跟踪和管理，避免人为因素的干扰，因此能够有效防范道德风险，有效解决了小微企业融资难的缺信息、缺信用问题。

三、大数据征信在我国小微企业融资中的具体应用——以拍拍贷公司为例

拍拍贷公司于2007年8月在上海正式成立，是国内首家纯信用无担保的P2P网络信贷公司，也是国内第一家由工商部门特批获得“金融信息服务”资质从而得到政府认可的互联网金融平台。2012年完成A轮融资一年半后获得B轮融资，2015年4月又获得第三轮1亿美元的融资。拍拍贷致力于搭建一个安全、高效、诚信、透明的互联网金融平台，规范个人借贷行为，改善借款人状态，同时拓宽借出者的投资渠道。

拍拍贷作为P2P网络信贷公司，其优势有二：一是拍拍贷拥有行业内最大的用户数据。虽然拍拍贷每年的借贷总额不是最多的，但是拍拍贷网站上的贷款人是最活跃的。对于互联网金融公司而言，用户数量的多少是衡量公司发展前景的重要因素。二是拍拍贷仅仅只是一个提供给大家的借贷平台，使得在公正和独立性上超过了一些传统金融机构。

拍拍贷运用大数据征信技术对借贷人进行信用评估的模型见图1(图表根据何大勇BCG报告整理而得）。

从图1可以看出，在大数据采集阶段，拍拍贷基于借款人身份、财务数据和互联网行为数据搭建信贷评估模型。与传统银行采用70~80个数据维度相比，拍拍贷采用2000多个数据维度，平均使用400个数据维度来评价1位借款人；既沿用了传统银行征信体系的决策指标，又纳入了海量互联网行为数据。多维度的大数据征信信息可以对借款人从不同角度精确描述和进一步深入量化其信用风险。

在大数据分析阶段,拍拍贷构建了全面的差异化模型假设。首先，在采集数据的基础上总结规律，并进行总结归纳，进而形成假设模型。拍拍贷运用先进机器学习的预测模型和集成学习的策略，在海量数据中挖掘出18个信用评估子模型，其中1位借款人匹配1个子模型。其次，构建了三个完备的全自动风险控制系统，即反欺诈系统、信用评级系统和风险定价系统。信用等级是拍拍贷信用评价系统评出的，它将在一定程度上影响到借贷人的借款成功率、最高借款额度等。通常来说，借贷人的信用等级越高，其违约率越低，贷款成功率越高。拍拍贷信用等级由认证分数转化而来，认证等级由高到低分为：A、B、C、D、E、HR。最后，根据以上三个风险控制系统来决定是否放贷、放贷金额和放贷利率。

责任编辑 刘黎静