由新华社瞭望智库、新华社《财经国家周刊》共同主办的“2017中国新金融高峰论坛”于12月9日在北京举行。主题为“回归本源，优化结构，强化监管，市场导向”，中国人民银行征信中心副研究员刘新海出席并演讲。
刘新海建议把电信、移动、连通三大运营商的数据整合起来，做一个征信机构，作为三大运营商的内部信用风险服务机构。另外传统金融机构可以互联互通，而且不仅仅服务于金融，还可以服务日益活跃的互联网经营场景。
以下为发言实录:
刘新海:各位嘉宾，下午好!非常高兴来做这样一个发言。我本身就是做金融大数据的分析，还有前沿行业的一些研究。我的演讲主题是“大数据助力普惠金融”。
首先我们看一下普惠金融的挑战。普惠金融从对象来说主要分为消费者和小微企业，国内消费者金融情况是什么样?我们国内有9亿消费者是跟传统银行打过交道的，包括支付、存取款，有4亿人获得过信贷服务。小微企业信贷来看，国内有6千万左右的小微企业，其中12%的小微企业获得过传统金融服务，还有8%获得了新金融机构，比如说P2P、小微企业、保险等非银行金融机构的服务，剩下80%的小微企业，还有我们将近10亿的消费者，他们往往想获得这种信贷或者金融服务就要付出很高的利率、很高的代价。什么原因呢?因为往往很多金融服务，特别是以信贷为主的金融服务，要提供给消费者或者提供给小微企业信贷服务的时候需要他的信用记录，传统的历史的信贷记录，这些消费者往往没有，这样就产生金融悖论，类似于鸡生蛋、蛋生鸡，就是小微企业没有信用记录金融企业不给他贷款，小微企业就更没有信用记录，恶性循环。现在我们进入了大数据时代，大数据技术可以来帮助解决这个问题。
首先看一下我们大的思路，进行信用评估的基本思路是什么?传统的消费者信用风险评估主要从两个维度进行:存款能力、还款意愿。主要是以与消费者信贷直接相关的一些数据为基础，比如报告查询、查询数、信贷历史、违约数等为依据。大数据时代的时候，可以运用大数据的相关性，如果没有直接相关的信贷数据，我们可以找和信用相关的一些数据，比如说交税情况、收入情况、社保公积金情况，还有一些互联网行为的情况，我们可以多找一些，把消费者的信用信息积累起来，进行信用评估。
我们国内互联网经济、互联网金融是非常活跃的，出现了大量的和信用相关的数据。这不仅体现了消费者的金融活力、经济活力，还可以从中找到一些信用信息。我这上面列了一些我们主要的信用相关数据:人民银行的征信系统是最直接的，还有三大运营商，还有蚂蚁金服的支付宝，还有腾讯的微信，还有京东的一些数据。其中三大运营商的数据，这里列出了注册用户和活跃用户，还有微信，它的活跃用户是超过我们央行征信系统的活跃用户的，而且这些数据容易获得，大数据技术可以采集这种海量的数据，从海量数据中沙里淘金，可以挖掘出我们消费者的信用。因为这些信息往往还是包含着信用信息在里面的，比如说信用购买场景、一些支付的信息、一些经济的活跃性。
全球最好的信用评估公司曾经开发了一个产品，就是利用支付数据，还有电信数据、公共事业交付的数据，开发了一个信用评分，这个信用评分就面向普惠金融人群、消费者有征信记录的人，先给他一个信用评分，先让他获得小额的贷款、小额的信用卡，然后像在金融服务中架了一个桥梁，这样他就可以有信用积累，等信用积累有了一定的程度就回归到传统的信用评估、信用服务。
国内随着互联网金融的发展，目前在替代数据、大数据应用情况也是非常好的，在实际中获得很大的成功，但是整体来说这些替代数据、大数据还是比较分散的。比如电信数据，电信数据分三类大运营商，电信和联通是集中的数据，中国移动的数据则分布在全国。这样的话如果想发挥大数据作用实现普惠金融，我认为监管层面、国家层面可能要做一些基础设施建设。
我曾经提过一个政策的建议就是，把三大运营商的数据整合起来，我们做一个征信机构，作为三大运营商的内部信用风险服务机构。另外传统金融机构可以互联互通，而且不仅仅服务于金融，还可以服务日益活跃的互联网经营场景，这样是有参考模型的，美国是有类似的垂直的征信机构存在的。我是认为在目前这种大力发展普惠金融的情况下，把基础设施建好是非常有意义的事情。
下面再看两个实际的案例，这个案例是我们国内很多互联网金融公司采取的一种建模的方法，首先利用大数据来给消费者画像，画像之后进行评估，有很多第三方数据、供应商，比如说电信数据、法律的数据、求职的数据、用户提交的数据，还有互联网的数据、交互的数据，把这些数据进行整合、挖掘、分析。
最后介绍一个非常前沿的、通过信用评估实现普惠金融的案例——哈佛大学肯尼迪学院的一个教授和博士开了一个公司，已经开了10年，初衷是帮助小微企业主实现普惠金融，因为这个问题是全球性的问题，后来也拓宽到消费者。这种方法原型是不需要数据的，就是心理测量，给问卷，提供心理测量。心理测量是一个非常专业的、在实际商业应用中也比较成功的方法，比如测谎、高管的审查等等。这个模型已经在拉美十几个国家在用，也服务了上百万的人口，当然原型是不依赖数据的，如果和刚才的替代数据结合，效果会更好一些。
