丁曉萍

摘要：隨著消費觀念的轉變，汽車融資租賃模式已經逐漸被汽車市場中相對成熟的用戶所認可，同時成為了低線城市擴大汽車銷量的主要方式之一。以毛豆新車、彈個車為代表的行業(yè)領軍者已經形成了比較系統(tǒng)的業(yè)務流程和模式，但與此同時也對信用風險控制提出了新的挑戰(zhàn)。本文主要介紹了大數據和云計算概述、互聯(lián)網汽車融資租賃的信用風險分析，接著重點基于大數據和云計算的互聯(lián)網汽車融資租賃的信用風險控制思路。

關鍵詞：互聯(lián)網汽車融資租賃;大數據;云計算;風險控制

中圖分類號：F830.571? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）14-0187-03

0? 引言

近幾年，互聯(lián)網和電商的發(fā)展浪潮也逐漸滲透到了汽車行業(yè)，迎合了部分勇于嘗試新事物的消費者的需求。與此同時，隨著80后、90后逐漸成為購車群體的主力軍，他們不再強調汽車的所有權而是更看重汽車的使用權，消費觀念的轉變加上多樣化金融方案的推出，使得互聯(lián)網汽車融資租賃業(yè)務成為汽車消費市場的新型模式，但其中也伴隨著風控模式的轉變。

1? 金融風控新技術——大數據和云計算

目前汽車融資租賃業(yè)務主要有三大參與者：主機廠、經銷商、互聯(lián)網玩家，這其中由于互聯(lián)網浪潮的快速推進和消費者消費習慣的培養(yǎng)，互聯(lián)網玩家是最近兩年發(fā)展最快的汽車融資租賃業(yè)務形式。憑借互聯(lián)網基因，互聯(lián)網汽車融資租賃業(yè)務具有天然的科技和場景優(yōu)勢，因此新型的金融科技可以廣泛應用于互聯(lián)網汽車融資租賃的獲客業(yè)務和后續(xù)的風控流程中。目前在金融風控方面也出現了很多新型的技術手段，包括大數據、云計算、OCR、電子簽章、人臉識別、區(qū)塊鏈、人工智能等等，其中以大數據和云計算在互聯(lián)網汽車融資租賃信用風險控制中的運用最為突出。

大數據技術是指對海量、多維度、不同價值度的數據進行分析的技術。大數據在互聯(lián)網汽車融資租賃方面的重要應用之一就是進行信用評估。由于目前我國央行的征信系統(tǒng)所覆蓋的信息和人群都不夠全面，所以可以通過搜集來自運營商、地理位置、多頭借貸、關系網絡和互聯(lián)網行為數據等多維度數據，更精準地實現對承租人的信用評級。運用大數據技術可以很好地解決傳統(tǒng)風控中量化風控能力不足、沒有充分利用線上形式實現數據的沉淀和流轉、風控系統(tǒng)功能滯后、反欺詐能力弱等風控痛點。

云計算是一種基于互聯(lián)網的計算方式，能夠向計算機及其它設備提供軟硬件資源和信息應用資源，通過共享使各行業(yè)實現市場規(guī)?；；ヂ?lián)網汽車融資租賃相較于傳統(tǒng)融資租賃業(yè)務最大的一個轉變就是大部分業(yè)務流程都從線下轉移到了線上，云計算在互聯(lián)網汽車融資租賃業(yè)務中的應用主要就體現在實現租賃業(yè)務線上化和數據化，促進風控智能化升級。

2? 互聯(lián)網汽車融資租賃的信用風險分析

汽車融資租賃業(yè)務改變了傳統(tǒng)以所有權為主導的消費信貸購車模式，其低門檻、低首付、靈活度高的業(yè)務特點吸引了很多消費者的注意。同時隨著一二線城市的汽車市場逐漸飽和，低線城市和農村地區(qū)的消費需求正在快速釋放，汽車融資租賃業(yè)務模式剛好滿足了這些地區(qū)年輕消費群體的購車需求。據《2020中國汽車金融報告》統(tǒng)計，中國汽車融資租賃未來市場份額將大幅增加（如圖1）。

據艾瑞咨詢《2019年中國汽車融資租賃行業(yè)研究報告》中的預測數據顯示，我國汽車融資租賃市場規(guī)模，在2021年將會達到3897億元。其中互聯(lián)網汽車融資租賃公司成長速度尤為顯著，具體如表1。從福建本土來看，已經出現了像喜相逢這樣的在國內領先的汽車融資租賃服務商，2016-2018年，利潤分別達到了6150萬、6082萬和5994萬。在互聯(lián)網汽車融資租賃業(yè)務快速發(fā)展的同時，我們要注意到，汽車融資租賃業(yè)務面對的群體是經過銀行和汽車金融公司篩選之后的次級信用群體，及央行征信系統(tǒng)沒有覆蓋到的信用白戶，這為互聯(lián)網汽車融資租賃業(yè)務的開展埋下了巨大的信用風險隱患。

互聯(lián)網汽車融資租賃平臺在業(yè)務開展過程中面臨的信用風險是來自車輛租賃的單個承租方的風險，主要是指承租方的還款意愿和還款能力，具體表現為承租方租賃車輛后，主觀惡意或由于客觀因素造成無法按時或者全額支付租金，使出租方無法按照約定收回車輛成本以及相應利息收入。信用風險的成因可以從出租方和承租方兩個方面來看，一方面跟承租方自身的信用有關，比如承租方信用意識差或者多頭負債;另一方面跟出租方在授信時的判斷有關，目前大多數汽車融資租賃企業(yè)在對承租方進行信用審核時，一般還是憑借傳統(tǒng)資料，如承租方的銀行流水、相關證件和證照、人行的個人信用數據等，評價結果不夠客觀。信用查詢系統(tǒng)主要依據央行的征信系統(tǒng)，據央行征信中心統(tǒng)計，截至2019年底，征信系統(tǒng)收錄10.2億自然人的相關信息，那就意味著有將近4億人的信用信息還未被征信系統(tǒng)收錄，而這部分人恰恰和互聯(lián)網融資租賃的客戶群體有較高的重合度。另外，獨立第三方征信機構發(fā)展緩慢，這些從客觀上決定了信用風險的增加。同時，鑒于目前貸后催收業(yè)務在開展時會受到諸如法律合規(guī)性等因素的制約，這無形中增加了貸后催收的難度和追回損失的不確定性。因此，建立以大數據和云計算為基礎的貸前信用評估模型顯得尤為重要。

3? 互聯(lián)網汽車融資租賃業(yè)務風險控制的難點

3.1 互聯(lián)網汽車融資租賃相對于傳統(tǒng)融資租賃業(yè)務的變化

互聯(lián)網汽車融資租賃業(yè)務雖然和傳統(tǒng)融資租賃業(yè)務的本質是一樣的，但是由于互聯(lián)網基因的加入，使得業(yè)務形式發(fā)生了一些變化：首先，從獲客方式上來看，當下消費者消費行為更多發(fā)生在線上，互聯(lián)網融資租賃的獲客方式也更多轉移到了線上;其次，在風險控制方面，傳統(tǒng)的風控方式更多依賴紙質材料導致風險較大，隨著數據線上化，風控也更多依賴線上技術手段;再次，車輛在交易過程中業(yè)務更多地實現線上化;最后，互聯(lián)網汽車融資租賃業(yè)務的金融場景也實現了線上化。

3.2 互聯(lián)網汽車融資租賃業(yè)務的風控難點

汽車融資租賃業(yè)務具有小額分散、每筆業(yè)務之間違約相關性弱、整體資產質量受部分主體違約影響較小的特點，互聯(lián)網汽車融資租賃業(yè)務又更加依賴信息化和數字化，線上化操作風險隱蔽性強，線上線下整合難，增加了風險識別和管理的難度;基于此，對于互聯(lián)網汽車融資租賃業(yè)務來說，在交易場景、融資租賃公司的主體風險和基礎資產方面進行有效管理就顯得尤為重要，這就意味著需要保證數據的真實完整性、風控模型的有效性、穩(wěn)定性和可靠性，同時對融資租賃的產品設計、風控模型的搭建和運營管理的科技化要求也就更高。

在互聯(lián)網汽車融資租賃業(yè)務中，要想實現有效信用風險管理，需要分析交易場景中必要的數據和信息，利用交易過程中采集的數據和通過第三方渠道獲取的數據對核心交易流程、風控標準和風控措施進行持續(xù)驗證。從承租者這個角度來看，風控主要是數據質量和模型建立兩個角度，從根本上來說，模型建立不是難點，關鍵的是收集的數據質量，比如可以從哪些網站收集到數據，這些數據是否與官方相關部門連接等，數據沉淀量怎么樣，需要收集更多維度的數據保證風險管理模型的效果。數據系統(tǒng)的完善需要在平常的業(yè)務開展過程中不斷地積累和保存數據，經過風控模型開展信用風險控制的過程中會實現數據沉淀，這些沉淀后的數據經過數據清洗參考價值就會越來越高，逐漸實現由數據收集過渡到數據驅動。這里主要是個人數據，涉及到個人隱私安全的問題，因此需要盡快完善個人征信制度。

4? 基于大數據和云計算的互聯(lián)網汽車融資租賃的信用風險控制思路

在基于大數據和云計算進行互聯(lián)網汽車融資租賃的信用風險控制時，需要先建立出租方自身的數據系統(tǒng)、然后搭建風險評估模型、信用評價體系和風險定價系統(tǒng)，搜集出租方自身系統(tǒng)內外部用戶的大量數據，進行相應分析，這樣才能發(fā)揮云數據系統(tǒng)和評估定價模型在互聯(lián)網汽車融資租賃業(yè)務風險控制環(huán)節(jié)的最大效應，從而實現真正以數據為驅動，提高風險控制流程的效率。

4.1 信用評估評分模型的篩選

具體來說，評分模型可以細分為準入模型和審批模型。在傳統(tǒng)的信貸業(yè)務中，對個人客戶信用風險的判斷主要是通過信用模型的評估對客戶的信用等級進行評定，確定客戶是屬于優(yōu)質客戶、風險客戶還是不良客戶。信用評估主要側重兩個方面的內容，一是客戶的還款意愿，二是客戶的還款能力，傳統(tǒng)的做法是建立如評分卡技術的信用評估模型，通過計算得出客戶的信用分，根據得分情況進行分級判斷。

常見的個人信用評估模型分為統(tǒng)計類和非統(tǒng)計類。邏輯回歸模型樣本數據線性與非線性皆可使用，但存在評價指標界限，不適用于高維數據的缺點;BP神經網絡模型數據處理運算快，有較強的容錯能力，但數據需要量大。汽車融資租賃業(yè)務個人客戶信用數據類型多且復雜，在后期優(yōu)化信用數據引入大量數據后要求模型具備處理高維數據的能力，且涉及信用分類問題，因此非統(tǒng)計類的BP神經網絡模型更為適用。

4.2 模型指標的選定

當前，互聯(lián)網汽車融資租賃公司的主要客戶群體是次級消費群體。如果租賃公司依然關注客戶的央行征信、客戶的負債比和流動現金比例，就很難開展業(yè)務，租賃公司更應該關注用戶的行為習慣，或者說是用戶的大數據分析。

4.2.1 準入條件

在準入門檻方面，我們可以從以下基本信息來進行篩選：消費者的年齡、行業(yè)、地區(qū)、駕駛證違章、出行信息、其他負面信息，對于沒有達到指定條件的不予通過。在信息真實性的驗證方面，可以借助一些科技化的手段和設備來輔助完成身份校驗，比如可以通過后臺集中化視頻電審的方式進行交叉驗證，對于消費者提供的個人工作單位、聯(lián)系電話、生活行為等數據進行驗證，降低欺詐風險。

4.2.2 關鍵指標

對于汽車融資租賃的客戶來說，重點應該放在客戶的消費行為習慣、社交信息和互聯(lián)網信用信息等方面上來。

在用戶的消費行為習慣方面：在互聯(lián)網大環(huán)境下，我們更應該關注消費者的消費信息和社交信息，關注他社交和電商平臺上留下的痕跡，這些屬于系統(tǒng)外部數據，可以通過與第三方達成合作來獲得數據并進行相應分析。比如喜相逢融資租賃有限公司通過消費者的手機號，經過天貓等第三方數據分析后發(fā)現，雖然有一些逾期行為和其他問題，但是通過分析客戶的瀏覽網站時長和主要通話對象的身份，就大概可以判斷消費者的社交范圍;同時也可以與物流公司合作，查詢以該手機號碼為收件人的相關購物記錄，大致就可以判斷出這個消費者的群體類別、以及他的社交習慣和收支情況等。之前喜相逢風控部門就發(fā)現這樣的一個案例，一個30歲左右的男性消費者打算在該公司通過融資租賃的方式購買一臺30萬以上的奔馳C級車，但是通過相關系統(tǒng)數據分析后發(fā)現，這名客戶的上網時間不長，手機號對應的收貨地址經常進行更換，消費水平長期低于兩百元，沒有購買一些貴重物品，從而推斷該客戶的工作可能不夠穩(wěn)定，進而懷疑客戶的還款能力。將這類型信息進行歸納分類并加以分析后一般能夠獲得一些比較有價值的線索。

在取得客戶授權的時候，還可以對他互聯(lián)網上的多頭借貸進行查詢，引入外部黑灰名單、網貸共債逾期等，比如說螞蟻花唄、京東白條等相關互聯(lián)網上的多頭借貸。通過查詢這些信息，并給客戶的工作單位和朋友進行電話調研，大概就可以得到客戶的一個基本畫像，確定這個客戶大致的還款能力區(qū)間，了解這臺車的承租人的消費習慣和社交群體。

4.3 大數據風控模型邏輯分析

在大數據和云計算的技術支持下，完成互聯(lián)網汽車融資租賃業(yè)務的風控模型大致分為以下幾個步驟：

①數據分層：對搜集的系統(tǒng)內外部數據進行分層處理，從橫向上，按照行業(yè)形態(tài)、業(yè)務模式等做好場景分類;從縱向上，按照數據的有效性和重要性進行分層設計。

②特征工程：是通過機器歸納的方法，針對不同的源數據以及分層特點，提取特征的過程，這個過程可以通過行業(yè)專家進行分析提煉也可以通過機器算法進行輔助。

③智能建模：在特征提取完成之后對特征的組合權重通過數學算法進行模擬演算，形成具有針對性的場景模型。

④演算修正：信用準入和評估模型根據各自應用場景，通過不斷輸入增量數據和模型微調，進行重新演算和修正優(yōu)化。

⑤數據回歸：模型修正優(yōu)化后對存量數據進行回歸計算，并重新對風險進行預測，將預測結果反饋給運營和管理部門，這將使業(yè)務流程、營銷策略、管理模式得到進一步的修復和優(yōu)化。

4.4 模型的使用

模型搭建好之后，接下來要考慮的是模型運用的問題，可以在實際操作中利用表格的方式實現數據的整理和轉化，將每個信用評分區(qū)間的壞賬率和預測正負樣本分隔程度的指標KS值列出來，然后劃分閾值，作為后續(xù)業(yè)務風險的審批依據。

識別完欺詐風險和信用風險，與后續(xù)資產質量直接掛鉤的就是互聯(lián)網汽車融資租賃企業(yè)如何進行產品設計，即放款額度和價格，所以額度定價模型也是非常重要的一環(huán)。通常會把信用評分結果和個人還款能力的評估做一個交叉，對客戶進行風險細分，還款能力強同時信用風險低，代表客戶資質好，就可以相應地提高客戶地額度空間;信用風險高同時還款能力弱，代表客戶資質差，就可以相應的提高客戶的首付比，降低放款額度空間，提高客戶的違約成本，實現更好的風控效果，如圖2所示。

5? 總結

在實際業(yè)務操作過程中，互聯(lián)網汽車融資租賃企業(yè)有時為了增加業(yè)務量，會降低準入門檻，這無形中也增加了信用風險，所以開展業(yè)務量的規(guī)模和資產不良率是成正比的。由于每一家企業(yè)的風險偏好不一樣，因此可以在業(yè)務開展過程中找到最適合自己企業(yè)的業(yè)務量水平和能接受的不良率水平。

參考文獻：

[1]劉志惠，黃志剛，謝合亮.大數據風控有效嗎？——基于統(tǒng)計評分卡與機器學習模型的對比分析[J].統(tǒng)計與信息論壇，2019.

[2]左晨.汽車融資租賃的大數據風控應用淺議[J].產業(yè)研究，2020.

[3]劉占輝.大數據智能如何助力汽車金融風控[C].SP閃光輝之反欺詐分享會，2018.

[4]2019年中國汽車融資租賃行業(yè)研究報告.

[5]安福緒.大數據背景下消費信貸風險因素分析[D].2015.

[6]王嘉儀.大數據在互聯(lián)網金融風控中的應用探討[J].信息系統(tǒng)工程，2018（07）.

[7]彭小輝.大數據在互聯(lián)網金融風控中的應用研究[J].中外企業(yè)家，2020（08）.

[8]肖劍秋.中國互聯(lián)網背景下的汽車融資租賃分析———以車好多集團為例[J].市場周刊，2019（03）.

[9]彭湖.大數據風控的現狀及優(yōu)化對策[J].商展經濟，2020（04）.

[10]羅蘭貝格.2020中國汽車金融報告.