信用算力：2018年中國零售金融信用體系報告（42頁）.pdf

1、上海交通大學中國普 惠金融創新中心 中國零售金融信用體系報告 2018  序言 黨中央、國務院對發展普惠金融的高度重視，為金融機構發展零售金融 提供了極大的支持。2018年6月，央行、銀保監會等五部門聯合印發關于 進一步深化小微企業金融服務的意見，提出引導金融機構聚焦單戶授信 500萬元及以下小微企業信貸投放；同年9月，國務院發布完善促進消費體 制機制實施方案（2018-2020年），提出建立健全消費領域信用體系，加 快消費信貸管理模式和產品創新，不斷提升消費金融服務質效。 近年來銀行零售金融業務占總業務比重不斷攀升，互聯網消費金融等新 金融發展迅猛，普惠金融發展已取得一定的成效，但

2、同時也面臨著信用信息 不對稱、不良資產率攀升等問題，零售金融信用體系建設顯得至關重要。 2018中國零售金融信用體系報告系統闡述了我國零售金融信用體系 建設的環境、產業鏈及參與方格局、信用數據采集、保護、流通與共享，并 深入分析了黑名單用戶畫像，幫助金融機構深入認識零售金融用戶，通過服 務機構案例分享科技在零售金融信用體系建設中的應用，對中國零售金融信 用體系建設有很好的借鑒參考意義。 上海交通大學中國普惠金融創新中心 2019年1月 .  分析定義及分析范疇 零售金融是指面向個人客戶提供的金融產 品和服務，包括儲蓄存款、個人貸款、信 用卡及借記卡、支付結算、基金、保險等。 本報告分

3、析聚焦包括個人消費貸款、個人 經營貸款等在內的零售貸款服務。 .  4 目錄/Contents 信用體系建設環境 02 03 04 05 01 06 產業鏈及參與方格局 數據采集、保護、流通與共享 黑名單用戶畫像 信用服務機構案例 信用體系建設展望  信用體系建設環境 01  6 發改委 關于充分發揮信用服務機構作用加快 推進社會信用體系建設的通知 發改委、央行 關于對失信主體加強信用 監管的通知 政策：金融領域是社會信用體系建設的重要組成部分 資料來源：相關部門官網、信用算力研究院整理 金融相關信用體系 建設政策 2014-06-27 2018-08-02 20

4、18-02-022016-01-15 2016-12-30 國務院 社會信用體系建設規劃綱要 （2014-2020年） 國務院 關于印發推進普惠金融發展規劃 （2016-2020年）的通知 國務院 關于加強個人誠信體系建設的指導意見  鼓勵信用服務機構拓展市場化、社會化信 用聯合獎懲，探索在商貿、金融、租賃、 旅游、環保等領域形成聯合獎懲機制的市 場化應用。  建立健全普惠金融信用信息體系，將企業主個人 、農戶家庭等納入征信系統，依法采集戶籍所在 地、違法犯罪記錄、工商登記、稅收登記、出入 境、扶貧人口、農業土地、居住狀況等政務信息 ，推動政務信息與金融信息互聯互通。 &n

5、bsp;以食品藥品、安全生產、金融服務等16個 領域為重點，以公務員、金融從業人員等 14個職業人群為主要對象，建立和完善個 人信用記錄形成機制。金融信用信息基礎 數據庫和個人征信機構要大力開展重點領 域個人征信信息的歸集與服務。  依法依規將失信信息與行業協會商會、 信用服務機構、金融機構、新聞媒體等 充分共享，推動市場性、行業性、社會 性懲戒措施落實落地，加快構建“一處 失信、處處受限”的信用懲戒大格局。  加大對金融欺詐、惡意逃廢銀行債務、內幕交易 、制售假保單、騙保騙賠、披露虛假信息、非法 集資、逃套騙匯等金融失信行為的懲戒力度，規 范金融市場秩序。加強金融信用信息

6、基礎設施建 設，進一步擴大信用記錄的覆蓋面，強化金融業 對守信者的激勵作用和對失信者的約束作用。  7 經濟：國民短期消費貸款需求增長迅猛，消費信貸占消費支 出比直逼美國 注：美元對人民幣匯率為當期最后一個月的匯率 資料來源：國家統計局、Choice數據、前瞻研究院、信用算力研究院 18.09 25.81 12.98 34.47 0 10 20 30 0 5 10 15 20 25 30 35 40 45 50 55 2010 5.5% 19431949 26.5% 3.6% 2008200920112012201320142015 29.4% 23.2% 2018上 半年 2016

7、2017 28.1% +165.6% 消費信貸-美國消費信貸/消費支出-美國 住戶消費性貸款-中國消費信貸/消費支出-中國 美國 2018年上半年，消費信貸占 消費支出比約為28.1%，消 費信貸規模約25.81億元。 中國 2018年上半年，消費信貸占 消費支出比約為23.2%，保 持持續增長；住戶消費性貸 款規模達34.47億元。 萬億元%  8 6家銀行發放個人貸款金額（百億元）6家銀行個人貸款發放量占總貸款發放量比(%) 經濟：零售貸款放款量快速增長；各銀行零售貸款占比不斷 攀升，頭部銀行占比在35%以上 資料來源：上市公司公告、信用算力研究院 201220132014201

8、5 2,240.38 2018上 半年 2016 1,240.79 1,085.16 2,095.47 1,445.72 1,772.13 2017 904.89 +16.3% 33.6 38.5 36.1 35.636.6 39.4 38.4 36.1 36.4 43.4 47.2 50.1 48.2 27.5 34.1 26.5 29.0 30.6 34.4 27.5 27.8 29.7 32.1 34.7 35.6 30.4 33.1 36.9 40.3 41.3 38.6 2013 29.6 26.0 2012 26.9 28.6 36.0 28.728.7 2014 30.3 201

9、52016 37.3 2017 36.5 37.8 2018上半年 民生 招行 中行 工行 農行 建行 民生 招行 中行 農行 工行 建行  9 0% 1% 2% 3% 4% 5% 6% 住房類 經營類 信用卡消費類 農戶類 0% 1% 2% 3% 4% 5% 住房類 助業類 信用卡類消費類 其他 2018-06201720162015201420132012 經濟：銀行間零售金融產品不良貸款類差異較大；小微經營 貸款及消費類/信用卡貸款不良率最高 資料來源：上市公司公告、信用算力研究院 0% 1% 1% 2% 2% 住房類 小微企業 信用卡類 其他 農業銀行招商銀行建設銀行 &nb

10、sp;10 金融科技：科技為信用數據采集、存儲、信用分析及信用產 品的應用帶來新契機 大數據 人工智能 云計算 區塊鏈 大數據的應用包括數據采集、數 據存儲、數據挖掘等環節，主要 價值體現在豐富了信用數據維度、 提升數據使用價值和提高數據挖 掘效率。 云計算主要幫助數據采集方、信 用服務機構等部署基于云端的數 據存儲、大數據分析等，幫助機 構降低對基礎設施的需求，同時 提升數據傳輸與存儲效率，實現 數據的實時采集和分析，降低信 用流通的時間成本。 區塊鏈主要價值體現在打破數據孤 島，實現數據可用不可見；信用主 體上鏈，實時記錄所有交易環節， 提升貿易往來透明度和誠信建設。 人工智能主要應用在身

11、份認證、用 戶畫像、反欺詐等方面。目前人臉 識別、聲紋識別、指紋識別等技術 已被廣泛應用于金融賬戶開戶、業 務辦理等場景；機器學習、自然語 言處理等技術也不斷提升信用分析 模型的能力。  產業鏈及參與方格局 02  12 產業鏈及參與方圖譜 資料來源：信用算力研究院 消費金融公司 互聯網金融 數 據 使 用 方 商業銀行 公共部門 其他數據 數 據 生 產 方 數據收集數據處理 信用科技公司征信機構 公共征信機構 信用產品應用 征信服務機構 信用分 信用報告 用戶畫像 解決方案 產品與服務 信 用 產 品 銀行科技子公司 民營科技公司 底層架構服務  13 主要機

12、構數據歸集現狀：央行征信為主，上海資信、百行 征信及協會數據共享平臺為輔 2006年3月，中國人民銀行設立中國人 民銀行征信中心負責金融信用信息基 礎數據庫的建設、運行和維護。 截至2018年8月底，接入各類法 人放貸機構3900多家，涵蓋商業 銀行、農村信用社、信托公司、 財務公司、汽車金融公司、小額 貸款公司等。 截至2018年8月底： 已為9.7億自然人建立信用檔案；累計收錄信貸信息33億多條、公共 信息65億多條； 日均查詢個人信用報告477萬余次。 由中國人民銀行征信中心委托建設， 主要收集全國的網絡借貸、小額貸款、 消費金融、融資租賃等互聯網金融及 非銀金融信用信息，向合作機構提供

13、 個人征信共享服務，并幫助網貸機構 接入央行征信系統。 截至2018年12月31日，累計簽約 接入機構1286家。 截至2018年12月31日： 累計收錄自然人7000萬，其中借款人數量2866萬，借款申請人數量 6209萬，借貸金額12233億元，借貸筆數18915萬，借貸申請筆數 25402萬； 累計成功入庫記錄27.2億條，其中失信被執行人信息81.9萬條，逾期 180天以上信息1070萬條（逾期金額1148億元）。 首家持牌個人征信機構，主要采集個 人和企業的借貸及其擔保信息、個人 負債相關信息等，為依法開展放貸業 務的市場主體和其他主體提供征信服 務。 截至2018年9月底，已與24

14、1家機 構簽署了信用信息共享合作協議， 涵蓋網絡小額貸款公司、消費金 融公司、汽車金融公司、融資租 賃公司、民營銀行等。 2016年9月9日開通，主要接入從事網 絡借貸信息中介、網絡小貸、消費金 融、小額貸款、賒銷等個人負債業務 的從業機構，為其提供提供信用信息 的報送及查詢服務，為監管部門提供 行業統計監測信息以及其他相關信息 服務。 截至2018年3月，正式接入螞蟻 金服、京東金融、國美、蘇寧、 唯品會、百度金融、宜人貸、陸 金所、網信、拍拍貸等100余家 從業機構。 截至2018年3月： 累計收錄自然人借款客戶4000多萬個，借款賬戶累計9000多萬個， 入庫記錄3.6億多條。 金融信用

15、信息基礎數據庫 網絡金融征信系統(NFCS) 信用信息共享平臺 數據量背景介紹接入機構情況 資料來源：央行征信中心、上海資信、百行征信、中國互聯網金融協會、信用中國、信用算力研究院  14 運營商信 用分 信用查詢：信用中國開放渠道，商戶分、銀行信用分出現 信用中國：國家公共信用信息中心主辦，國家發改委、央行指導的信用宣傳、信息發布窗口。 資料來源：信用中國、機構官網、信用算力研究院 個人信用關聯信息查詢渠道 央行征信 信息查詢 地方 信用分 信用服務 機構信用 分 部分小微商戶分、銀行信用分產品 芝麻信用-企業芝麻分 分值范圍：1000-2000分 評估維度：經營行為、履約歷史、關

16、聯關系、基本信息、 法定代表人/經營者 信用服務：免押租設備/空間、網商貸、信用貸款、商旅 賒銷、產品折扣等 考拉征信-考拉商戶分 分值范圍：300-850分 評估維度：企業屬性、信用記錄、成長能力、經營穩定、 履約能力 信用服務：可直接向拉卡拉小額貸款公司或其他合作伙伴 申請信用貸款，無需任何抵押 建行-龍信商 分值范圍：50-200分 評估維度：身份信息、資產狀況、交易行為、履約情況等 維度 冰鑒科技-小微企業主個人信用評估 分值范圍：300-850分 數據維度：行內自有數據維度（基本信息、賬戶信息、流 水信息等維度）、冰鑒數據維度補充（設備風 險、借貸黑名單/多頭借貸等維度）  

17、;15 個人信用評估產品：天龍信用分 - 分值范圍：300-1000分 - 評估維度：身份特質、消費能力、社 交關系、信用歷史、行為偏好 關聯征信服務機構：甜橙信用 - 甜橙欺詐盾：以運營商數據為主，整 合互聯網、金融等多維度數據， 綜合評估身份冒用、資料造假、 營銷套利等欺詐風險 - 行業關注黑名單：綜合運營商、金融、 互聯網等行業黑名單數據，提供 失信記錄單點查詢能力 - 甜橙畫像：從基礎屬性、通信特征、 行為偏好等維度全面刻畫評估主 體特征 運營商：基于通信數據推出信用分、金融反欺詐等產品 資料來源：運營商官網/app、信用算力研究院 中 國 移 動 個人信用評估產品：和信用分 - 分值

18、范圍：350-750分 - 評估維度：用戶身份特征、消費潛 力、人脈關系、信用歷史、行 為偏好 - 金融應用：信用購機（根據用戶信 用評估結果提供相應額度的分 期購機解決方案） 關聯征信服務機構：試金石信用 - 信用流量分發中心：信用購機、話 費分期、信用卡申請、保險申請 - 金融反欺詐：基于通信、社交、位 置三大維度數據，提供身份特征 反欺詐、行為特征反欺詐等服務 - 信用評級：依據通信數據，結合金融 借貸信息，通過信用、身份、通 信、社交、信息五個維度綜合評 估，分值范圍3001000分 中 國 電 信 中 國 聯 通 個人信用評估產品：沃信用分 - 分值范圍：200-1000分 - 評估

19、維度：在網時長、使用多少、按 時履約、及時繳費等方面 - 金融應用：話費白條（最長40天免 息）、分期購機、借現金（日息 0.03%起）  16 信用科技機構產品與服務：從精準營銷、技術服務切入 資料來源：機構官網、信用算力研究院 服務機構類型服務/產品說明 中誠信 征信 萬象信用 基于“多渠道采集、多元化服務”理念，提供實時在線的大數據征信產品服務 服務客群：銀行、保險、互聯網金融、供應鏈金融、消費金融及消費、生活等多種商業場景。 產品/服務：信用報告、信用評分、風險監控、用戶畫像、電商認證、小微金融貸前調查、信用管理咨詢、社會信用體系建設 萬象智慧 強化知識圖譜、機器學習、人工智

20、能、區塊鏈等技術對信用風險管理的平臺工具屬性 服務內容：個體信用風險管理（ARMS-萬象風云）、資產信用風險管理（AXIS-萬象資鑒）、關聯風險挖掘（AIRE-萬象智聯）、智能建模分析 （AIMS-萬象智模）、自動決策引擎（AIDE-萬象智策） 友盟+ 核心產品 U-App移動應用數據服務 統計和分析流量來源、內容使用、用戶屬性和 行為數據，利用數據進行產品、運營、推廣策 略的決策 Adplus營銷數據服務 以消費者為中心，面向品牌/App廣告主、淘寶/ 天貓商家的全媒體全鏈路營銷服務系統 Oplus新零售數據服務 通過智能感知技術，提供客流統計分析服務， 打通線上線下數據體系，提供多樣化解決

21、方案 互聯網金融風控 解決方案 服務類型：精準營銷、貸前識別、貸中監控、貸后管理的全鏈路方案 核心功能：人群圈選、人群放大、機器學習、App興趣分布、關系網絡、地理位置特征 電話邦 邦秒配 通過電話邦的電話號碼庫，為銀行互聯網金融、消費金融平臺、小貸企業提供電話號碼數據查詢服務 目前電話邦號碼庫數據總量約12億；收錄6500萬企業的8500萬個電話號碼，覆蓋1239個行業 邦秒爬為銀行、互聯網金融等企業，提供定制化數據采集爬取服務 百融金服 大數據風控 反欺詐 驗證服務、特殊名單（照妖鏡）、信貸意向、反 欺詐評分、團伙欺詐排查、設備反欺詐（諦聽） 信用評估 個人資質、信用評分、信審機器人、額度

22、 模型、行為評分 資產管理 催收評分、語音催收、催收機器人、不良資產 評估、號碼信息核查 行業解決方案 為不同場景提供完整的大數據解決方案，最大化整個客戶生命周期價值，助力客戶風險控制、精準營銷 服務客群：銀行、消費金融、汽車金融、小微金融、保險等 應用場景：營銷獲客、貸前準入（欺詐風險識別、信用風險評估）、貸中監控（實時預警、貸中行為評分）、貸后管理（智能催收工具、逾期客戶畫 像）、云風控等  數據采集、保護、流 通與共享 03  18 征信機構數據采集路徑  公共數據歸集： 通過政府及公共事業單位、組織等歸集信用主體在戶籍所 在地、違法犯罪記錄、工商登記、稅收

23、登記、出入境、扶 貧人口、農業土地、居住狀況、公益等數據。 數據采集：數據價值激發服務機構存儲信用數據的動力 服務 商家 運營商 用戶主 動上傳  享受商家產品與服務時提交的與需求服務/產品相關的信息（如真實姓名、性別、出 生日期、身份證號、身份證照片、常用地址、銀行卡、頭像、電話號碼、郵箱等）。  微信、微博等社交平臺上公開披露的個人生活狀態。  設備信息：用戶使用網站/app提供的產品與服務時的設備信息（如設備名稱、設備 型號、操作系統版本、唯一設備標識符、應用程序版本、設備設置、語言設置、分 辨率等軟硬件特征）、設備所在位置相關信息（如IP地址、GPS位置等

24、）。  服務日志信息：通過互聯網或客戶端提供的產品或服務時，運營方自動收集用戶對 服務及產品的詳細使用情況（如搜索查詢內容、IP地址、瀏覽器類型、電信運營商、 使用的語言、訪問日期和時間、防偽的網頁記錄等）。  用戶電信服務套餐、通訊錄、通話記錄、常用聯系人、位置、話費詳單等。 公共 部門  司法部門：失信黑名單/失信被執行人信息、涉訴信息等。  行政機關：警察局刑事處罰記錄、欠稅記錄、交通違章、破產等信息。  公共服務部門：如高鐵、航司等出行數據；水、電、煤、電視繳費數據等。 金融服 務機構  賬戶類型、信用額度或貸款額、賬戶余額、

25、賬戶還款歷史（包括賬戶開通和關閉日 期、還款日期、是否處于逾期狀態等）、共債信息、支付數據等。 其他  在租房、線下購物、社會生活、求職工作等場景中的信用信息。 數據采集方及主要數據類型  數據源機構上報： 征信機構通過自動接入的方式，將數據源機構組織起來， 約定好上報信息的內容、格式等，數據源機構定期報送信 用信息。如央行征信機構接入商業銀行等金融機構，及P2P 網絡借貸平臺，定期整合信用主體金融領域的信用數據。  提供服務取得： 向用戶提供產品/服務，收集用戶注冊時提交的個人隱私信 息、使用產品/服務的行為數據、支付信息、社會交往、地 址等數據。 互聯網服務商

26、使用的技術包括Cookie、網絡Beacon、網站信 標、像素標簽、Etag等： Cookie：在用戶計算機或移動設備上存儲包含標識符、 站點名稱及一些號碼和字符的Cookie，以存儲用戶在 該互聯網平臺上的行為軌跡數據。  調查取得： 通過主動的人工現場調查、向數據源信息系統進行在線查 詢等方式獲取信用信息。如銀行類金融機構通過面見、實 地走訪等方式綜合了解借款人的詳細信息。  19 數據保護：尚無規范文件，明確了采集原則、收集禁區、公 民個人信息的刪除權和更正權及信息侵權追責制度 資料來源：發文機關官網、信用算力研究院整理 時間發文機關文件內容 2018-05-03央行

27、 關于進一步加強征信信息安全 管理的通知 進一步加強金融信用信息基礎數據庫運行機構和接入機構征信信息安全管理。 2016-11-07國務院中華人民共和國網絡安全法 對網絡運營者手機用戶信息應當遵守的原則、收集的禁區、公民個人信息的刪除權和更正權制度、監 測預警和應急處置、法律責任等做了規定。 2015-08-31國務院 關于印發促進大數據發展行動 綱要的通知 明確數據采集、傳輸、存儲、適用、開放等各環節保障網絡安全的范圍邊界、責任主體和具體要求， 切實加強對涉及國家利益、公共安全、商業秘密、個人隱私、軍工科研生產等信息的保護。 2014-11-17央行征信機構信息安全規范 從系統接入、系統注銷

28、、用戶管理、信息采集和處理、信息加工、信息保存、信息查詢、異議處理、 信息跨境流動、研究分析和安全檢查與評估等維度對信息安全做了規范。 2014-06-27國務院 社會信用體系建設規劃綱要 （2014-2020年） 建立信用信息分類管理制度，結合保護個人隱私和商業秘密，依法推進信用信息在采集、共享、使用、 公開等環節的分類管理；加大對販賣個人隱私和商業秘密行為的查處力度。建立信用信息侵權責任追 究機制，對信用服務機構泄露國家秘密、商業秘密和侵犯個人隱私等違法行為予以嚴厲處罰。 2013-07-16工信部 電信和互聯網用戶個人信息保 護規定 電信業務經營者、互聯網信息服務提供者應當制定用戶個人信

29、息收集、使用規則并在經營或服務場所、 網站予以公布；收集、使用用戶個人信息的應明確告知用戶收集、使用信息的目的、方式和范圍，查 詢、更正信息的渠道及拒絕提供信息的后果等；相關服務方應當對用戶數據進行保密并采取措施防止 用戶個人信息泄露、損毀、篡改或丟失。 2013-01-21國務院征信業管理條例 對企業和個人信用信息的采集、央行征信系統信息的采集行為進行了規范，包括信息主體對信息采集 的知情權、授權，禁止采集數據，不良信息保存期限，相關異議和投訴、監督管理和法律責任等。 2012-12-28全國人大常委會關于加強網絡信息保護的決定 明確提出國家保護能夠識別個人身份和涉及隱私的電子信息；網絡服務

30、提供者和其他企業事業單位在 業務活動中收集、使用公民個人電子信息，應當遵循合法、政黨、必要的原則，明示收集、使用信息 的目的、方式和范圍，并經被收集者同意，不得違反法律、法規的規定和雙方的約定收集、使用信息。 2009-02-28全國人大常委會 中華人民共和國刑法修正案將非法提供、獲取個人信息定為犯罪，并率先對個人信息的販賣等行為采取嚴厲刑事制裁措施。  20 數據保護：以歐盟通用數據保護條例（GDPR）為例 資料來源：網絡公開資料整理 三大主體  個人/數據主體（Individual）、數據持有方（Data Controller） （能單獨或聯合決定個人數據的處理目的和方

31、式的自然人、法人、 公共機構、行政機關或其他非法人組織）、數據處理方（Data  Processor）為數據持有方處理個人數據的自然人、法人、公共機 構、行政機關或其他非法人組織。 個人信息定義  指任何指向一個已識別或可識別的自然人的信息。包括姓名、身 份證號、定位數據、在線身份識別這類標識、或是通過參照針對 該自然人一個或多個如物理、生理、遺傳、心理、經濟、文化或 社會身份的要素。 禁采數據  體現種族或民族出身、政治觀點、宗教或哲學信仰、工會成員的 個人數據，以及唯一識別自然人為目的的基因數據、生物特征數 據、健康、自然人的性生活或性取向等數據。 歐盟通用數

32、據保護條例（GDPR）于2016年4月通過，2018年5月25日起正式實施，對所有收集、處理、儲存、管理歐盟公民個人數據的企業進行規范。 個人/數據主體權利：  數據收集方的身份信息及聯系方式、適用法律、數據采集方式及用途目 的等信息；數據訪問權；糾正權；刪除權；限制處理權；數據可移植性 權利；拒絕權和自主決定權；自主化的個人決策及分析等。 數據持有方義務：  采取適當的技術和組織措施保護用戶數據并確保能夠證明；在處理數據 盡可能減少數據使用量或避免技術人員直接接觸數據；合規前提下明確 其與數據傳輸方的權責；保存所有數據處理記錄（包括授權數據處理方 處理的）；確保用戶數據的

33、安全性；若個人數據泄漏應通知數據主體。 數據處理方義務：  必須經數據持有方書面授權方可處理數據，且必須按照數據持有方的書 面指示操作；保存所有數據處理的記錄（包括處理目的等）；確保數據 安全性；若數據泄漏應通知數據主體。  21 數據流通與共享：失信數據共享為主，政府數據逐步開放 資料來源：中國地方政府數據開放報告（2018）、信用算力研究院 自2012年上海推出全國第一個政府數據開放平臺后，截至2018年4月，全國共有8個省級行政區、7個副省級城市和31個地市上線數據開 放平臺。貴陽、上海、青島、哈爾濱、東莞等地政府數據平臺在數據集總量和開放數據容量兩方面都居全國前列。

34、從數據類型看，目 前社會民生和經貿工商兩類數據最豐富，而信用服務、社保就業等數據相對偏少。 1,422 1,122 1,050 896 852 825 730 714 707 武漢 貴陽 青島 上海 濟南 哈爾濱 深圳 北京 無錫 東莞 2,219 各地平臺上的數據集總量Top10 3,027 2,610 1,086 986 809 貴州 廣東 5,086 8,854廣州 佛山 貴陽 惠州 青島 8,486 5,014 東莞 哈爾濱 上海 8,107 各地平臺上的開放數據容量Top10（單位：萬） 1,521 1,260 1,042 1,006 938 701 692 664 504 488

35、473 195 資源環境 機構團體 農業農村 社會民生 經貿工商 教育科技 文化休閑 衛生健康 公共安全 交通出行 財稅金融 城建住房 社保就業 信用服務 3,061 2,310 各類型包含數據集個數  22 數據流通與共享：數據加密/脫敏技術實現數據可用不可見 資料來源：中國信通院云計算與大數據研究所、信用算力研究院 原理概述  對原始數據進行 加密，使得加密 數據和原始數據 進行相同處理時， 結果相同。  證明者向驗證者 證明一個聲明的 有效性，而不會 泄露除了有效性 之外的任何信息。  允許群體中的任 意成員以匿名方 式代表整個群體 對消息進行簽名

36、， 并可公開驗證。  簡化的群簽名， 環簽名中只有環 成員沒有管理者， 不需要環成員間 的合作。  通過添加噪音來 達到隱私保護效 果。  通過處理標識數 據，保留特征數 據的方法。 技術特點  證明者無需任何 事件相關數據， 就能向驗證者證 明事件的真實可 靠。  能為簽名者提供 較好的匿名性， 同時在必要時又 通過可信管理方 追溯簽署者身份。  不需要分配指定 的密鑰，無法撤 銷簽名者的匿名 性。  具有嚴謹的統計 學模型，能夠提 供可量化的隱私 保證。  實現相同數據標 識在不同方不同 結果的不可逆轉 換及轉

37、換后的第 三方關聯性匹配。 技術成熟度  全同態加密理論 上可行，商用化 程度還需提高。  通用場景的零知 識證明理論較為 成熟，性能優化 后逐漸商用。  廣泛應用在網絡 安全中，需要提 高計算效率。  實際應用還較少。 已經得到成熟應 用，單復雜性需 提高。  已在線上身份識 別中廣泛應用。  可在不解密的情 況下對密文進行 計算和分析。 同態加密零知識證明群簽名環簽名差分隱私數據標識技術  23 數據流通與共享：安全多方計算和區塊鏈等技術已被運用 于數據安全流通領域 安全多方計算通過獨特的分布式計算技術和密碼技術，使得各

38、參與方在無需對外提供原始數據的前提下實現對與其數據有關的函數的 計算。區塊鏈技術主要應用于數據確權、交易流程追溯等，構建可信數據交易環境。 資料來源：螞蟻金融官網、信用算力研究院 金融企業 螞蟻摩斯安全節點 黑名單共享多頭貸款 多頭逾期多頭查詢 金融企業 螞蟻摩斯安全節點 黑名單共享多頭貸款 多頭逾期多頭查詢 金融企業 螞蟻摩斯安全節點 黑名單共享多頭貸款 多頭逾期多頭查詢 螞蟻區塊BaaS平臺 數據指紋上鏈 查詢請求上鏈 數據指紋上鏈 查詢請求上鏈 數據指紋上鏈 查詢請求上鏈 摩斯安全計算網絡 螞蟻金融聯合風控方案 安全發布  提供參與安全計算的各方進行數據共創階段 前期的數據碰撞

39、和安全預處理能力，支持多 種數據安全求交、脫敏及匿名化操作。 核心功能 安全模型  安全計算的多方進行分布式模型/策略的訓練、 部署、維護和優化，支持數據源模型變量及 數據需求方模型/策略及計算結果的雙向加密。 安全統計  提供參與安全計算的各方進行分布式安全查 詢/統計的能力，可實現原始數據不暴露、數 據來源不暴露的情況下獲取匯總統計結果。 安全查詢  保護數據查詢和搜索條件，避免查詢和搜索 請求造成的數據泄露。  24 涉金融領域黑名單：已發布十批黑名單，其中793名自然人 因融資借款原因被列入黑名單 資料來源：信用中國、信用算力研究院 56 55

40、57 64 72 70 75 71 68 73 132 獅子座 處女座 金牛座 射手座 雙魚座 天蝎座 白羊座 天秤座 雙子座 水瓶座 摩羯座 10 9 8 1騙取貸款罪 信用卡詐騙罪 騙取貸款、 票據承兌、 金融票證罪 貸款詐騙罪 信用證詐騙罪 票據詐騙罪 高利轉貸罪 583 136 46 男, 602 女, 191 省份甘肅新疆陜西河北北京寧夏黑龍江福建青海河南內蒙古江蘇山東山西 人數12575615345424039383131262323 占比15.76% 9.46% 7.69% 6.68% 5.67% 5.30%5.04%4.92% 4.79% 3.91%3.91%3.28% 2.9

41、0% 2.90% 省份遼寧吉林四川天津廣東上海浙江湖北廣西安徽江西湖南貴州海南 人數22221614141298654432 占比2.77%2.77% 2.02% 1.77% 1.77% 1.51%1.13%1.01% 0.76% 0.63%0.50%0.50% 0.38% 0.25% 性別分布地區分布 入黑名單原因分布星座分布 2017年8月17日起，發改委通過信用中國披露涉金融領域黑名單，截至2019年1月2日，已發布十批名單，涉及自然人2269人（不包含黑 名單企業的企業法人），其中因融資、借款原因被列入黑名單的自然人共793名，占比34.95%。  黑名單用戶畫像 04 &n

42、bsp;26 黑名單用戶畫像分析背景及數據說明 2016年5月30日，國務院印發關于建立完善守信聯合激勵 和失信聯合懲戒制度加快推進社會誠信建設的指導意見 （國發201633號），提出引導商業銀行、證券期貨經 營機構、保險公司等金融機構按照風險定價原則，對嚴重 失信主體提高貸款利率和財產保險費率，或者限制向其提 供貸款、保薦、承銷、保險等服務。截至2018年12月底， 各部門共簽署43個聯合獎懲合作備忘錄。 2018年6月，國家公共信用信息中心發布首期失信黑名單月 度分析報告，對全國信用信息共享平臺歸集的失信黑名單 信息進行分析披露。 目前越來越多的金融服務機構開始披露失信黑名單，通過 全社會

43、力量對失信人進行聯合懲戒，同時也幫助降低行業 違約風險。 基于信用算力研究院數據庫積累的互聯網用戶在線借還款 數據，對黑名單用戶進行用戶畫像分析，以期幫助各零售金融 服務機構進一步了解黑名單用戶屬性及行為特點。 分析方法：將黑名單用戶組及未逾期用戶組進行對比分析，進一步突 出黑名單用戶特點。 黑名單用戶：逾期90天以上的借款用戶； 未逾期用戶：借貸歷史中無逾期記錄的借款用戶。 分析背景數據說明  27 性別：男女比約3/1，男性借款人逾期幾率高于女性 資料來源：信用算力研究院 77.28% 74.54% 22.72% 25.46% 女 男 未逾期黑名單 73.93% 71.68% 2

44、6.07% 28.32% 女 黑名單未逾期 男 借款人數占比借款金額占比  28 上海 北京 浙江 天津 江蘇 廣東 福建 遼寧 吉林 黑龍江 山東 內蒙古 重慶 湖北 安徽 湖南 河北 陜西 四川 河南 海南 江西 山西 廣西 寧夏 青海 云南 貴州 新疆 甘肅 西藏 18% 19% 20% 21% 22% 23% 24% 25% 26% 100001500020000250003000035000400004500050000 地區：集群分布，中西部省份逾期幾率往往高于東部省份 資料來源：國家統計局、信用算力研究院 入催率 2018Q3全國人均可支配收入：21035元 氣泡大小代

45、表借款人數多少 A 2018Q3人均可支配收入：元 B C D E 北京、上海兩大高度城 市化地區，人均可支配 收入遠超其他省份；借 款人數較少，占比4.86%， 入催率相對較低。 浙江、廣東等東部省份， 人均可支配收入居全國 前列；借款人群的主要 來源，占比35.65%，入 催率處于中等偏下水平。 東北三省， 人均可支配 收入處于中 等水平；借 款人數較少， 占比5.56%， 入催率為全 國最低。 西部省份為主，人均可支配收入低；各省分借款 人數較少，受限于收入水平，入催率居全國最高。 中西部省份為主，人均可支配收入 處中等水平；借款人群的主要來源， 約占34.62%，入催率處中等水平。 &

46、nbsp;29 0.0 0.6 1.2 1.8 2.4 3.0 3.6 4.2 4.8 5.4 6.0 0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10% 黑名單未逾期未逾期/黑名單 年齡狀況：以2030歲為主，年齡越小逾期幾率越高 年齡 資料來源：信用算力研究院 未逾期借款人數/ 黑名單借款人數 借款人數占比  30 受教育程度：學歷低群體逾期幾率高于學歷高群體 由于受教育程度與個人收入呈正相關，低學歷借款人在收入方面相對較低，即還款能力較低，從而逾期幾率相對更高。 資料來源：信用算力研究院 23.38 10.27% 高中初中以下中專初中大專 2.76% 研究生本科

47、 2.06% 15.97% 13.09% 18.83% 18.25% 26.81% 27.69% 31.84% 5.69% 1.51% 0.85% 黑名單未逾期 借款人數占比  31 還款能力：73.6%黑名單借款人收入在8000元以內，整體收 入水平較未逾期借款人低 資料來源：信用算力研究院 收入水平 29.1% 23.7% 41.8% 40.8% 20.0% 23.4% 6.4% 9.6%未逾期 2.8% 5000-8000 2.6% 黑名單 12000以上3000-50008000-120001500-3000  32 活躍時間：集中在917點，每天4點借款人數最少，

48、7點開始 進入借款高峰期 資料來源：信用算力研究院 0% 1% 2% 3% 4% 5% 6% 7% 8% 01234567891011121314151617181920212223  33 12345678910111213及以上 146.68 14.00 6.16 3.94 3.18 3.23 1.73 1.19 0.57 0.43 0.21 0.13 0.35  20.00 3.86 2.48 1.92 1.53 1.32 1.18 0.73 0.37 0.18 0.17 0.08 0.11  30.00 0.00 0.48 0.59 0.52 0.49 0

49、.44 0.27 0.19 0.11 0.05 0.01 0.05  40.00 0.00 0.00 0.04 0.23 0.23 0.11 0.10 0.07 0.05 0.04 0.02 0.02  50.00 0.00 0.00 0.00 0.04 0.05 0.09 0.03 0.02 0.01 0.01 0.02 0.02  60.00 0.00 0.00 0.00 0.00 0.00 0.01 0.01 0.01 0.03 0.00 0.02 0.00  70.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.0

50、0 0.00 0.01 0.00 0.00  0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.00  用戶行為：初次貸款用戶逾期比例最高，隨著貸款申請次數 增加逾期次數開始減少 資料來源：信用算力研究院 網絡貸款申請次數（次） 逾 期 次 數 次 主要是因為初次貸款用戶對還款流程相對陌生，且逾期降低用戶貸款通過率，使其難以獲得持續的貸款服務。 不同網絡貸款次數黑名單用于逾期次數分布 (   ) 8 及 以 上  信用服務機構案例 05  35 蘇寧區塊鏈黑名單共享平臺：

51、助力欺詐風險的聯防聯控 2018年2月28日，蘇寧金融上線區塊鏈黑名單共享平臺系統，采用超級賬本fabric聯盟技術，將金融機構的黑名單數據 加密存儲在區塊鏈上，金融機構可通過獨立部署節點接入聯盟鏈，開展區塊鏈黑名單數據上傳和查詢等業務。截至 2018年12月，該系統已具備550萬條黑名單數據，7家金融機構接入。 黑名單共享的參與方組成區塊鏈聯盟，黑名單信息僅在聯盟內部共享， 解決信息公開的范圍問題。 區塊鏈聯盟內部，參與方獨立部署節點接入區塊鏈網絡，將相關黑名單信息在本地 保存，同時通過智能合約與網絡內其他節點共享，解決信息孤島問題。 參與方分享黑名單數據時，采用一次一密的加密技術，實現匿名且安全的數據共享模式，保護用 戶的隱私和商業機密，解決信息共享的安全與隱私問題。 黑名單數據共享范圍 黑名單數據共享機制 黑名單數據保護 資料來源：蘇寧金融、信用算力研究院  36 騰訊：云知識圖譜風控系統提供全量數據治理、知識融合、 知識存儲、知識計算和知識應用等技術和產品 資料來源：騰訊云、信用