近年来，为了满足新时代人们对社会、生活以及经济发展的要求，传统的金融模式已经逐渐向数字金融模式转变，并迅速渗透到经济社会的各个领域中。数字金融是指互联网、信息技术与传统金融产品和服务形式相融合的新一代金融服务，主要利用数字技术使资金融通、支付以及投资理财更加快速便捷，用数字系统改造金融业[1]。根据中国人民银行2020年3月17日公开的《2019年支付体系运行总体情况》，我国2019年银行处理移动支付1014.31亿笔，共347.11万亿元，与2013年相比，分别平均增长了79.73%和66.86%。由此可见，在传统金融服务供给短缺、信息技术快速发展以及监管环境相对宽松等背景下我国数字金融行业得到高速发展。虽然我国数字金融的整体规模扩张速度较快，但由于我国数字金融信用风险监管机制尚未健全，数字金融相关的产品与服务的信用违约情况时有出现，数字金融的潜在风险不断增加，其中信用风险已被认为是数字金融市场面临的主要金融风险之一。截至2019年年底，发生提现障碍、停止运营、公司跑路以及延期兑付等问题的服务平台已有2923家[2]。因为没有完善的追偿机制，投资者很难追索所投资金或者因为追偿成本过高而无法追偿，导致借款者、平台出现故意违约的情况，信用风险进一步提高。金融与信息技术相结合使得信用风险传播更快、影响更广、更加复杂，因此高效发展数字金融的同时也要更加严格把控信用风险[3]。通过评估数字金融的信用风险，构建公平公正、透明度高的信用风险管控体系，是维持数字金融可持续繁荣的一个重要环节。
一、文献综述
在过去的十几年里，数字金融技术逐渐渗透到经济社会的各个部门，其对金融系统乃至宏观经济产生了不可忽视的作用。国内外学者逐渐将研究视野转向数字金融领域(Amelia，2016[4];Greg、Gregor 和 Tomasz，2018[5];李文红和蒋则沈，2017[6]等)。 Classers等(2002)发现数字金融极大地影响了金融服务行业的结构和竞争模式，并将对现有企业产生重大影响，需要从安全与稳健、竞争政策、投资者和消费者保护、全球公共政策四个角度进行改革，以降低风险并获得收益[7]。Lee(2015)以瑞士金融科技市场上的五个公司为例，分析激发金融与科技相结合的诱因，探索数字金融如何影响金融服务、产品和业务，发现数字金融通过大数据、云计算等技术拓展了获取数据的途径与规模，并提高了现有金融服务的灵活性和效率[8]。Lee和Yong(2017)指出金融科技生态系统的五个要素及其在生态系统中的地位与作用，他们提出金融科技主要应用于支付、财富管理、众筹、贷款、资本市场和保险六种业务模式，然后使用实物期权方法来评估金融科技项目，最后指出金融科技领域存在的六大问题[9]。Bernardo(2017)探索了金融科技的发展历程、地位和主要创新成果，通过分析成功金融科技公司的发展历程，发现金融科技公司应该构建创新、有效、高效、经济和前瞻性的框架来应对未来挑战[10]。
随着数字金融研究的发展，信用风险分析也逐渐进入研究者的视野，信用风险的研究也为数字金融的快速发展提供了必要的支持(龚丹丹和张颖， 2016[15];Jarrod 和 Potter，2018[16];Rosh 和 Scheele， 2018[17];陈志明和陈丹彤，2019[18]等)。Ajay 和 Marko(2015)指出由于缺乏对借款人信用水平的专业分析，P2P贷款具有很高的投资失败风险，信息不对称、贷款无抵押品以及缺乏严格的规章制度也增加了P2P贷款的信用风险，他们建议运用一种基于人工神经网络的信用评分模型，把贷款申请分成违约和非违约两种情况，有效地筛选默认应用程序[19]。 Kumar等(2016)指出与银行贷款相比，P2P网贷可以让出资人拥有可观的资金回报，但也会存在贷款本金和利息无法收回的风险，他们以“Lending Club”公司为例具体分析了P2P网贷系统中所涉及的信用风险，并运用计算机算法和预处理技术分析引发信用风险的关键因素，识别出潜在的违约风险[20]。另外，姜志旺(2017)从P2P网贷的运作模式入手，解释贷款中借款者信用风险的主要来源，用 BP 神经网络模型建立P2P网贷借款者信用风险评估量化体系，预测评估网贷借款者的信用水平，降低P2P网贷潜在风险[21]。王正位等(2020)进一步总结了第三方支付信用风险的形成原因、类型和特点，分析了第三方支付在沉淀资金、网络安全和监管等方面出现信用风险的可能性，然后以9家第三方支付机构为例，运用模糊综合评价法评估信用风险，发现平台内部管控可直接影响信用风险[22]。方国斌等(2020)对比互联网金融市场上信用风险的量化评估方法，考虑我国P2P贷款市场现状，选择衡量企业违约概率的KMV模型来度量我国P2P平台的信用风险，并结合行业内与行业间的比较分析，证明了KMV模型可以准确地评估互联网金融的信用风险[23]。
二、数字金融信用风险的理论基础
(一)数字金融 1.数字金融的概念数字金融是传统金融部门和信息技术企业运用数字技术进行融资、支付和投资的一种创新金融模式。数字金融发展至今，其相关业务一般可分成五类(如表1所示)。数字金融的含义和“互联网金融” 以及“金融科技”存在相同之处和差异之处。从相似的地方来看，三者都彰显了金融与科技的结合，采用各种新技术挖掘与创造新的金融产品和服务。从差异的地方来看，互联网金融的含义通常指商业银行等机构的“金融+互联网”模式或者互联网公司的“互联网+金融”模式，而金融科技则比较看重科技对金融业态的作用。相比较而言，数字金融这个概念更加中性，涵盖面也更广泛。
2.数字金融与传统金融的比较数字金融与传统金融的相同之处在于：第一，构成要素相同。数字金融的出现只是改变了金融行业的效率与行为，并没有改变金融的本质，金融的基本要素仍包括金融制度、货币、金融中介、金融市场和工具。第二，核心功能相同。金融行为产生之后，不管是传统金融还是数字金融，在经济中的核心功能都是配置市场资源，调节宏观经济和提升经济效率。数字金融与传统金融的不同之处在于：第一，商业银行的地位不同。在传统业态中，商业银行作为投融资行为的主要参与方，在金融交易中扮演重要角色，而在数字金融中，由于金融工具的创新和广泛使用，货币供给和需求双方可以越过商业银行直接实现资金流动。第二，金融工具不同。传统金融一般利用的金融工具主要是交易系统、信贷系统和清算系统等，而数字金融主要使用大数据、云计算、区块链和人工智能等新技术，并将新技术应用于目前投融资业务、保险、支付和清算等方面。
(二)信用风险 1.信用风险的概念一般认为，信用风险是银行贷款业务或投资债券业务中产生的一种风险，即为借款者违约的风险，指在交易活动中，交易对方不愿意或者无法全部履行交易合同的内容和义务，进而导致金融资产的所有者发生资产损失的不确定性。在一个金融活动中，交易双方在履行合同的过程中都有可能发生违约行为，引发信用风险。2.数字金融信用风险形成的原因(1)我国数字金融信用体系不完善。在传统金融形式下，交易双方可以通过面对面的交流方式来实现对对方的信用评估，并且我国的传统金融信用体系已经较为完善。但对于数字金融，交易双方之间的信用无法得到有效评估，无法实现线下“面对面”的信息收集，放贷者无法或者很难评价网络上申请借款以及其他形式的数字金融业务用户的个人信用状况，加之数字金融信用体系不完善，也加速了我国数字金融的快速发展引发的信用风险积累。(2)我国金融市场信息不对称。针对市场经济提出的信息不对称理论同样可以应用于数字金融。信息不对称能够解释和评估数字金融系统中出现的信用风险，对于金融机构来说，客户的诚信度以及资金的具体用途很难准确把握，从而出现信息不对称问题。信息不对称问题具有普遍性，既存在于金融机构和交易参与者之间，也存在于金融机构和数字金融监管部门之间。数字金融具有明显的虚拟性，其依靠数字信息平台开展相关的数字金融交易更加剧了这种信息不对称问题。此外，数字金融时代的产品和服务出现复杂趋势，产品和服务的嵌套对数字金融监管是一种挑战，能否及时收集、获取、识别和分析信息和数据，严重影响了风险监管的及时性、有效性和准确性。
三、数字金融信用风险评估方法及模型
结合数字金融信用风险的新特征和主要来源，本文主要研究五种常用的信用风险评估方法和模型：信用评分法、CART结构分析法、Credit Metrics模型、KMV模型和Credit Risk+模型。
(一)信用评分法信用评分法的核心在于利用公司的财务数据来反映其信用情况，即收集、分析和计量公司重要的财务数据，计算公司的偿债能力以及推导公司破产的可能性。比较流行的计算方法是 Z 计分评估法，针对上市公司、非上市公司、非制造企业分别有 Z1、Z2、Z3三种评估方法，Z计分模型是西方国家信用风险量化分析评估的主要模型之一。不过这种模型也存在重大缺陷，即该模型预测信用风险的准确率会随着选取财务数据的时间跨度增大而下降。有数据表明，如果选取三年以上的主要财务数据进行信用风险评估，该模型准确率会低于百分之五十。
(二)CART结构分析法 CART结构分析法的核心是以企业财务比率作为数据支撑，构造二元分类树模型来对信用风险进行评估。CART结构分析法是由学者在1984年引入到信用风险评估中的，一般是通过了解借款人的资金使用状况，推测借款者违约的可能性。 CART结构分析法所得出的计算结果有较高的准确性，其数据覆盖范围很广，包括了借款人的资金流动性、盈利情况以及负债情况等。但是，CART结构分析法具有较大的主观性，没有根据各项财务数据的重要性划分相应的权重，从主观上判断信用风险会使最终的量化分析结果出现重大误差。
(三)Credit Metrics模型 Credit Metrics 模型即信用量化模型，主要用于量化分析和信用风险管理。Credit Metrics方法的核心思路是评价公司间信用状况变化的相关关系、计算金融资产的在险价值，即VaR(Value at Risk)，以此来估计贷款违约发生时金融机构应存储的风险资本金的数量。该模型在风险管理的发展中起到重要作用，包括商业银行在内的许多金融机构都将其应用到信用风险的分析和评估中。结合我国的信用评级体系现状，该模型在中国的应用并不顺利。Credit Metrics模型需要收集借款人的信用评级信息，这些信息可以由商业银行等金融机构自身的信用评级体系得到，也可以从标准普尔等信用评级企业得到。目前，我国金融机构的信用评级体系还有待完善，缺少专门的、较为客观的信用评级企业，难以得到客观准确的借款者信用评级信息，无法用概率表示借款者的信用评级等级，也无法进行相应风险的量化分析。
四、数字金融信用风险防范与监管
(一)完善法律法规建立健全完善的法律法规体系，有利于形成数字金融的制度保障机制，从而有效规范数字金融的运行、降低数字金融的信用风险。近年来，我国出台了一系列关于数字金融的监管政策，一定程度上为数字金融稳定发展提供了一个良好的市场环境。但相关法律法规体系仍不够完善、监管范围不够全面，如加密资产、移动支付、非银行支付基础设施接入、机器人咨询服务、自动交易等缺乏监管。监管部门应针对消费者权益、数字金融产品和服务、市场准入与退出、风险保证金等方面制定相应的规章制度，保障市场参与者的合法权益，树立社会公众对数字金融的信心。除此之外，各监管部门还应明确数字金融监管的职责分配，加强各部门之间的协调合作，增强部门的监管能力，优化监管部门的结构，逐步建立起政府监管、市场引导、企业和金融机构共同参与的数字金融市场。
(二)建立信用风险评估体系数字金融信用风险防控的核心是提升信用风险量化的深度和广度。首先，要加快转变信用风险管理理念。在数字化时代，不能用传统的信用风险管理理念，不能仅仅通过统计数据进行风险分析，还需要运用定性与定量相结合的方法分析数据，提高辨别数字金融信用风险的能力，进一步防范和管理信用风险。其次，应强化监管科技在数字金融中的实践应用。数字金融在技术编程和结构化处理后会使得数字金融信用风险更加复杂和隐蔽，严重影响风险监管的及时性和准确性。在传统金融风险管理技术下，简单的金融机构报告和监管部门检查都不能及时发现问题。因此，应利用大数据、云计算等技术对数字金融信用风险防范手段进行创新，更好地监管金融市场各参与主体的交易行为，及时掌握数字金融的动态，实现风险预警，提升防范与化解风险的能力。
(三)健全个人征信体系构建个人征信体系可以减少金融活动中的信息不对称，使信息传播更加高效、可靠。美国三大征信公司的数据结构不仅包含传统意义上的信用报告，还覆盖了信用主体偿还能力的数据、市场统计数据、人口普查数据以及互联网数据。中国的征信数据结构不够完整，尤其中小企业的数据在央行征信体系中相对占比不大，且央行征信系统的开放程度相对较低。因此，应采取措施支持国家数据现代化，尽快建立完整的征信数据结构，逐渐提高央行征信系统的开放程度。此外，也要在信贷数据的基础上，利用大数据分析、风险剖析、建立模型以及人工智能算法等方法科学地评估个人信用，降低数字金融信用风险。在此基础上，监管部门要完善信息披露机制，确保在数字金融交易中信息和数据对所有参与者做到公开和透明，保证交易双方信息对称。
参考文献：
[1]Thomas Puschmann. Fintech[J]. Business & Information Systems Engineering,2017(1):69-76.
[2]一点财经. 又一千亿级P2P平台破产：31万人欠款未兑付[EB/OL](. 2020-10-24)[2020-11-15]. http://www.yidian⁃ zixun.com/article/0RYW69Vj?appid=s3rd_op398.
[3]Chiu C. Y., Kim A. Modelling Credit Risk in the Jump Threshold Framework[J]. Applied Mathematical Finance, 2018(1):1-23.
《信用风险防范视角下的数字金融探析》来源：《征信》，作者：田晓丽1 ，任爱华2 ，刘 洁2