什么是征信

征信的起源

征信最早是英文“Credit Checking、Credit Investigation”的中译文，是我国海外华人业界习惯的译法，出处应该是来自《左传•昭公八年》：“君子之言，信而有征，故怨远于其身”。

第二次世界大战之后，特别是20世纪60年代以后，随着经济的快速发展，人员的流动和交易范围的扩大，以及IT技术的进步和普及应用，使得信息共享的方式、范围、速度都产生了飞跃式的发展，上报式征信方式，即由数据源机构主动向征信机构报送信用信息的方式成为了主流，因此国际上“Credit Checking、Credit Investigation”已经很少出现了，取而代之更多出现的是“Credit Reporting”，世界银行现在词汇对照表中对应的中译文为“征信，或称信用报告”。

征信的定义

我国2013年3月15日起实施的《征信业管理条例》对征信没有进行定义，但界定了征信业务，即“本条例所称征信业务，是指对企业、事业单位等组织（以下统称企业）的信用信息和个人的信用信息进行采集、整理、保存、加工，并向信息使用者提供的活动”。《现代征信学》对征信的定义是，“征信是指专业化的机构，依法采集、整理、保存、加工自然人、法人及其他组织的信用信息，并向在经济活动中有合法需求的信息使用者提供信用信息服务，帮助市场主体管理和控制信用风险的活动”。

从征信活动的起源和发展历史可以看出，征信是源于人们对信用信息共享的内生需求，有助于改善信用交易中的信息不对称、信息失灵问题，有效地管理和控制风险，这也是征信产生和发展的核心机理。具备独立第三方地位的征信机构专业化地开展信用信息共享服务活动，具有规模经济性特征，成本最优，效率更高，而且一方对信息的使用并不减少其他方对该信息的使用价值，这也就是征信活动兴起的经济学原因。

全面征信与片面征信

从全球范围内征信系统的建设和发展来看，按照所征集的信息内容可以分为两大类。一类是全面征信（Comprehensive Reporting）或完整性征信（Full-file Reporting），另一类是片面征信（Segmented Reporting）。全面征信是就是全面收集消费者个人在社会各个领域的信用信息记录，既包括正面信息，也包括负面信息。片面征信则是仅在某一个领域开展的信息共享，比如金融领域片面征信（Restricted to Financial Sectors Only），仅在金融机构间开展信息共享，基本上不采集非金融信用信息；或者是在一个或多个领域仅进行负面信息的共享，即负面征信（Negative-Only），比如有些个人征信系统只采集和共享个人的破产历史记录、借款申请历史记录、拖欠款等违约交易行为等。

国际金融公司、美国政策与经济研究会（PERC）等一些国际组织和研究机构的研究人员对全面征信和片面征信进行了多项实证比较研究，研究结论认为全面征信具有显著的优越性，主要体现在：一是全面征信能够更为明显地帮助金融机构提升信贷审批通过率，有利于扩大借贷业务规模；二是全面征信对于降低逾期违约率有明显作用，有利于帮助金融机构改善信贷资产质量，提高风险控制能力；三是全面征信有利于金融机构更为精准地度量借款客户的信用风险，提升风险定价能力，形成相对分散、均衡的信贷利率分布，从而有力地促进金融普惠的发展。

由此，当今一些国际金融组织、征信行业协会组织都在大力倡导全面征信理念，一些国家也开始重视并逐步向全面征信方向发展，比如澳大利亚，对本国的征信法规制度进行了调整，自2014年3月开始由负面征信转向全面征信。

大数据征信

随着互联网、信息技术的发展及其与经济社会的交汇融合，带来了数据的迅猛增长。1980年出版的《第三次浪潮》就曾预言大数据将成“第三次浪潮”。2013年维克托•迈尔•舍恩伯格和肯尼斯•库克耶合著的《大数据时代》引发了全球对大数据的普遍关注，“数据即资源”的大数据时代来临了。随着互联网金融迅猛发展，风险控制与大数据相结合来优化风险管理体系成为了新的发展趋势，大数据征信的概念也应运而生。

当前对于大数据的概念和界定还比较模糊，因而对于大数据征信的概念也有很多争论，有人甚至认为大数据征信的概念根本不成立。从实践应用来看，国内外一些企业将大量非传统征信数据，比如互联网交易数据、公共事业缴费账单、电话使用记录、社交数据、航空旅行记录、日常所在位置、网页浏览记录、使用网络终端的类型和IP地址、敲击键盘的习惯、填写表格时使用大小写的习惯等等，通过机器学习等先进技术进行大数据挖掘，形成“信用画像”，用于欺诈风险和信用风险的分析与预测。由于大多数数据是人们使用互联网所留下的数据，因而也被广泛称为互联网征信。

巴曙松等（2016）认为，大数据风控发展迅速，但有效性不佳，主要原因是交易数据、社交数据的真实性不足，网络社交等互联网行为与信用表现的相关性不确定。FICO的陈建（2015）认为，以芝麻信用、腾讯征信等为代表的利用互联网交易数据、社交数据所建立的信用评分模型，缺少信用评估所必需的信贷表现数据或风险表现数据。刘新海（2015）认为，目前已经应用的大数据信用评估技术只是对特定的人群和特定的服务有效，更宽泛的推广还有待深入地研究。美国的大数据征信公司Zest-Finance建立的风险预测模型主要使用的是结构化大数据，对于文本数据、社交网络数据等复杂类型的大数据使用比较少，主要原因是这些数据与信用表现的相关性太弱。全球知名的互联网P2P公司Lending-Club曾与脸谱（Facebook）合作，希望基于社交网络数据开展信贷审批，实践表明效果不佳。但是，许多大数据机构的应用实践也例证，大数据在反欺诈、贷后风险监测与预警、账款催收管理等方面具有良好的应用效果。比如，利用指纹、虹膜、声波、人脸识别等一系列生物识别技术对个人用户注册信息及网络行为的交叉比对和综合分析，对于身份确认和防范身份欺诈起到了良好的效果。