基于大數(shù)據(jù)和云計(jì)算的互聯(lián)網(wǎng)汽車融資租賃信用風(fēng)險(xiǎn)控制

丁曉萍

摘要：隨著消費(fèi)觀念的轉(zhuǎn)變，汽車融資租賃模式已經(jīng)逐漸被汽車市場(chǎng)中相對(duì)成熟的用戶所認(rèn)可，同時(shí)成為了低線城市擴(kuò)大汽車銷量的主要方式之一。以毛豆新車、彈個(gè)車為代表的行業(yè)領(lǐng)軍者已經(jīng)形成了比較系統(tǒng)的業(yè)務(wù)流程和模式，但與此同時(shí)也對(duì)信用風(fēng)險(xiǎn)控制提出了新的挑戰(zhàn)。本文主要介紹了大數(shù)據(jù)和云計(jì)算概述、互聯(lián)網(wǎng)汽車融資租賃的信用風(fēng)險(xiǎn)分析，接著重點(diǎn)基于大數(shù)據(jù)和云計(jì)算的互聯(lián)網(wǎng)汽車融資租賃的信用風(fēng)險(xiǎn)控制思路。

關(guān)鍵詞：互聯(lián)網(wǎng)汽車融資租賃;大數(shù)據(jù);云計(jì)算;風(fēng)險(xiǎn)控制

中圖分類號(hào)：F830.571? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-957X（2021）14-0187-03

0? 引言

近幾年，互聯(lián)網(wǎng)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(fèi)者的需求。與此同時(shí)，隨著80后、90后逐漸成為購(gòu)車群體的主力軍，他們不再?gòu)?qiáng)調(diào)汽車的所有權(quán)而是更看重汽車的使用權(quán)，消費(fèi)觀念的轉(zhuǎn)變加上多樣化金融方案的推出，使得互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)成為汽車消費(fèi)市場(chǎng)的新型模式，但其中也伴隨著風(fēng)控模式的轉(zhuǎn)變。

1? 金融風(fēng)控新技術(shù)——大數(shù)據(jù)和云計(jì)算

目前汽車融資租賃業(yè)務(wù)主要有三大參與者：主機(jī)廠、經(jīng)銷商、互聯(lián)網(wǎng)玩家，這其中由于互聯(lián)網(wǎng)浪潮的快速推進(jìn)和消費(fèi)者消費(fèi)習(xí)慣的培養(yǎng)，互聯(lián)網(wǎng)玩家是最近兩年發(fā)展最快的汽車融資租賃業(yè)務(wù)形式。憑借互聯(lián)網(wǎng)基因，互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)具有天然的科技和場(chǎng)景優(yōu)勢(shì)，因此新型的金融科技可以廣泛應(yīng)用于互聯(lián)網(wǎng)汽車融資租賃的獲客業(yè)務(wù)和后續(xù)的風(fēng)控流程中。目前在金融風(fēng)控方面也出現(xiàn)了很多新型的技術(shù)手段，包括大數(shù)據(jù)、云計(jì)算、OCR、電子簽章、人臉識(shí)別、區(qū)塊鏈、人工智能等等，其中以大數(shù)據(jù)和云計(jì)算在互聯(lián)網(wǎng)汽車融資租賃信用風(fēng)險(xiǎn)控制中的運(yùn)用最為突出。

大數(shù)據(jù)技術(shù)是指對(duì)海量、多維度、不同價(jià)值度的數(shù)據(jù)進(jìn)行分析的技術(shù)。大數(shù)據(jù)在互聯(lián)網(wǎng)汽車融資租賃方面的重要應(yīng)用之一就是進(jìn)行信用評(píng)估。由于目前我國(guó)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(guò)搜集來(lái)自運(yùn)營(yíng)商、地理位置、多頭借貸、關(guān)系網(wǎng)絡(luò)和互聯(lián)網(wǎng)行為數(shù)據(jù)等多維度數(shù)據(jù)，更精準(zhǔn)地實(shí)現(xiàn)對(duì)承租人的信用評(píng)級(jí)。運(yùn)用大數(shù)據(jù)技術(shù)可以很好地解決傳統(tǒng)風(fēng)控中量化風(fēng)控能力不足、沒(méi)有充分利用線上形式實(shí)現(xiàn)數(shù)據(jù)的沉淀和流轉(zhuǎn)、風(fēng)控系統(tǒng)功能滯后、反欺詐能力弱等風(fēng)控痛點(diǎn)。

云計(jì)算是一種基于互聯(lián)網(wǎng)的計(jì)算方式，能夠向計(jì)算機(jī)及其它設(shè)備提供軟硬件資源和信息應(yīng)用資源，通過(guò)共享使各行業(yè)實(shí)現(xiàn)市場(chǎng)規(guī)?；；ヂ?lián)網(wǎng)汽車融資租賃相較于傳統(tǒng)融資租賃業(yè)務(wù)最大的一個(gè)轉(zhuǎn)變就是大部分業(yè)務(wù)流程都從線下轉(zhuǎn)移到了線上，云計(jì)算在互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)中的應(yīng)用主要就體現(xiàn)在實(shí)現(xiàn)租賃業(yè)務(wù)線上化和數(shù)據(jù)化，促進(jìn)風(fēng)控智能化升級(jí)。

2? 互聯(lián)網(wǎng)汽車融資租賃的信用風(fēng)險(xiǎn)分析

汽車融資租賃業(yè)務(wù)改變了傳統(tǒng)以所有權(quán)為主導(dǎo)的消費(fèi)信貸購(gòu)車模式，其低門檻、低首付、靈活度高的業(yè)務(wù)特點(diǎn)吸引了很多消費(fèi)者的注意。同時(shí)隨著一二線城市的汽車市場(chǎng)逐漸飽和，低線城市和農(nóng)村地區(qū)的消費(fèi)需求正在快速釋放，汽車融資租賃業(yè)務(wù)模式剛好滿足了這些地區(qū)年輕消費(fèi)群體的購(gòu)車需求。據(jù)《2020中國(guó)汽車金融報(bào)告》統(tǒng)計(jì)，中國(guó)汽車融資租賃未來(lái)市場(chǎng)份額將大幅增加（如圖1）。

據(jù)艾瑞咨詢《2019年中國(guó)汽車融資租賃行業(yè)研究報(bào)告》中的預(yù)測(cè)數(shù)據(jù)顯示，我國(guó)汽車融資租賃市場(chǎng)規(guī)模，在2021年將會(huì)達(dá)到3897億元。其中互聯(lián)網(wǎng)汽車融資租賃公司成長(zhǎng)速度尤為顯著，具體如表1。從福建本土來(lái)看，已經(jīng)出現(xiàn)了像喜相逢這樣的在國(guó)內(nèi)領(lǐng)先的汽車融資租賃服務(wù)商，2016-2018年，利潤(rùn)分別達(dá)到了6150萬(wàn)、6082萬(wàn)和5994萬(wàn)。在互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)快速發(fā)展的同時(shí)，我們要注意到，汽車融資租賃業(yè)務(wù)面對(duì)的群體是經(jīng)過(guò)銀行和汽車金融公司篩選之后的次級(jí)信用群體，及央行征信系統(tǒng)沒(méi)有覆蓋到的信用白戶，這為互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)的開展埋下了巨大的信用風(fēng)險(xiǎn)隱患。

互聯(lián)網(wǎng)汽車融資租賃平臺(tái)在業(yè)務(wù)開展過(guò)程中面臨的信用風(fēng)險(xiǎn)是來(lái)自車輛租賃的單個(gè)承租方的風(fēng)險(xiǎn)，主要是指承租方的還款意愿和還款能力，具體表現(xiàn)為承租方租賃車輛后，主觀惡意或由于客觀因素造成無(wú)法按時(shí)或者全額支付租金，使出租方無(wú)法按照約定收回車輛成本以及相應(yīng)利息收入。信用風(fēng)險(xiǎn)的成因可以從出租方和承租方兩個(gè)方面來(lái)看，一方面跟承租方自身的信用有關(guān)，比如承租方信用意識(shí)差或者多頭負(fù)債;另一方面跟出租方在授信時(shí)的判斷有關(guān)，目前大多數(shù)汽車融資租賃企業(yè)在對(duì)承租方進(jìn)行信用審核時(shí)，一般還是憑借傳統(tǒng)資料，如承租方的銀行流水、相關(guān)證件和證照、人行的個(gè)人信用數(shù)據(jù)等，評(píng)價(jià)結(jié)果不夠客觀。信用查詢系統(tǒng)主要依據(jù)央行的征信系統(tǒng)，據(jù)央行征信中心統(tǒng)計(jì)，截至2019年底，征信系統(tǒng)收錄10.2億自然人的相關(guān)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(wǎng)融資租賃的客戶群體有較高的重合度。另外，獨(dú)立第三方征信機(jī)構(gòu)發(fā)展緩慢，這些從客觀上決定了信用風(fēng)險(xiǎn)的增加。同時(shí)，鑒于目前貸后催收業(yè)務(wù)在開展時(shí)會(huì)受到諸如法律合規(guī)性等因素的制約，這無(wú)形中增加了貸后催收的難度和追回?fù)p失的不確定性。因此，建立以大數(shù)據(jù)和云計(jì)算為基礎(chǔ)的貸前信用評(píng)估模型顯得尤為重要。

3? 互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)風(fēng)險(xiǎn)控制的難點(diǎn)

3.1 互聯(lián)網(wǎng)汽車融資租賃相對(duì)于傳統(tǒng)融資租賃業(yè)務(wù)的變化

互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)雖然和傳統(tǒng)融資租賃業(yè)務(wù)的本質(zhì)是一樣的，但是由于互聯(lián)網(wǎng)基因的加入，使得業(yè)務(wù)形式發(fā)生了一些變化：首先，從獲客方式上來(lái)看，當(dāng)下消費(fèi)者消費(fèi)行為更多發(fā)生在線上，互聯(lián)網(wǎng)融資租賃的獲客方式也更多轉(zhuǎn)移到了線上;其次，在風(fēng)險(xiǎn)控制方面，傳統(tǒng)的風(fēng)控方式更多依賴紙質(zhì)材料導(dǎo)致風(fēng)險(xiǎn)較大，隨著數(shù)據(jù)線上化，風(fēng)控也更多依賴線上技術(shù)手段;再次，車輛在交易過(guò)程中業(yè)務(wù)更多地實(shí)現(xiàn)線上化;最后，互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)的金融場(chǎng)景也實(shí)現(xiàn)了線上化。

3.2 互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)的風(fēng)控難點(diǎn)

汽車融資租賃業(yè)務(wù)具有小額分散、每筆業(yè)務(wù)之間違約相關(guān)性弱、整體資產(chǎn)質(zhì)量受部分主體違約影響較小的特點(diǎn)，互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)又更加依賴信息化和數(shù)字化，線上化操作風(fēng)險(xiǎn)隱蔽性強(qiáng)，線上線下整合難，增加了風(fēng)險(xiǎn)識(shí)別和管理的難度;基于此，對(duì)于互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)來(lái)說(shuō)，在交易場(chǎng)景、融資租賃公司的主體風(fēng)險(xiǎn)和基礎(chǔ)資產(chǎn)方面進(jìn)行有效管理就顯得尤為重要，這就意味著需要保證數(shù)據(jù)的真實(shí)完整性、風(fēng)控模型的有效性、穩(wěn)定性和可靠性，同時(shí)對(duì)融資租賃的產(chǎn)品設(shè)計(jì)、風(fēng)控模型的搭建和運(yùn)營(yíng)管理的科技化要求也就更高。

在互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)中，要想實(shí)現(xiàn)有效信用風(fēng)險(xiǎn)管理，需要分析交易場(chǎng)景中必要的數(shù)據(jù)和信息，利用交易過(guò)程中采集的數(shù)據(jù)和通過(guò)第三方渠道獲取的數(shù)據(jù)對(duì)核心交易流程、風(fēng)控標(biāo)準(zhǔn)和風(fēng)控措施進(jìn)行持續(xù)驗(yàn)證。從承租者這個(gè)角度來(lái)看，風(fēng)控主要是數(shù)據(jù)質(zhì)量和模型建立兩個(gè)角度，從根本上來(lái)說(shuō)，模型建立不是難點(diǎn)，關(guān)鍵的是收集的數(shù)據(jù)質(zhì)量，比如可以從哪些網(wǎng)站收集到數(shù)據(jù)，這些數(shù)據(jù)是否與官方相關(guān)部門連接等，數(shù)據(jù)沉淀量怎么樣，需要收集更多維度的數(shù)據(jù)保證風(fēng)險(xiǎn)管理模型的效果。數(shù)據(jù)系統(tǒng)的完善需要在平常的業(yè)務(wù)開展過(guò)程中不斷地積累和保存數(shù)據(jù)，經(jīng)過(guò)風(fēng)控模型開展信用風(fēng)險(xiǎn)控制的過(guò)程中會(huì)實(shí)現(xiàn)數(shù)據(jù)沉淀，這些沉淀后的數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)清洗參考價(jià)值就會(huì)越來(lái)越高，逐漸實(shí)現(xiàn)由數(shù)據(jù)收集過(guò)渡到數(shù)據(jù)驅(qū)動(dòng)。這里主要是個(gè)人數(shù)據(jù)，涉及到個(gè)人隱私安全的問(wèn)題，因此需要盡快完善個(gè)人征信制度。

4? 基于大數(shù)據(jù)和云計(jì)算的互聯(lián)網(wǎng)汽車融資租賃的信用風(fēng)險(xiǎn)控制思路

在基于大數(shù)據(jù)和云計(jì)算進(jìn)行互聯(lián)網(wǎng)汽車融資租賃的信用風(fēng)險(xiǎn)控制時(shí)，需要先建立出租方自身的數(shù)據(jù)系統(tǒng)、然后搭建風(fēng)險(xiǎn)評(píng)估模型、信用評(píng)價(jià)體系和風(fēng)險(xiǎn)定價(jià)系統(tǒng)，搜集出租方自身系統(tǒng)內(nèi)外部用戶的大量數(shù)據(jù)，進(jìn)行相應(yīng)分析，這樣才能發(fā)揮云數(shù)據(jù)系統(tǒng)和評(píng)估定價(jià)模型在互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)風(fēng)險(xiǎn)控制環(huán)節(jié)的最大效應(yīng)，從而實(shí)現(xiàn)真正以數(shù)據(jù)為驅(qū)動(dòng)，提高風(fēng)險(xiǎn)控制流程的效率。

4.1 信用評(píng)估評(píng)分模型的篩選

具體來(lái)說(shuō)，評(píng)分模型可以細(xì)分為準(zhǔn)入模型和審批模型。在傳統(tǒng)的信貸業(yè)務(wù)中，對(duì)個(gè)人客戶信用風(fēng)險(xiǎn)的判斷主要是通過(guò)信用模型的評(píng)估對(duì)客戶的信用等級(jí)進(jìn)行評(píng)定，確定客戶是屬于優(yōu)質(zhì)客戶、風(fēng)險(xiǎn)客戶還是不良客戶。信用評(píng)估主要側(cè)重兩個(gè)方面的內(nèi)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(píng)分卡技術(shù)的信用評(píng)估模型，通過(guò)計(jì)算得出客戶的信用分，根據(jù)得分情況進(jìn)行分級(jí)判斷。

常見(jiàn)的個(gè)人信用評(píng)估模型分為統(tǒng)計(jì)類和非統(tǒng)計(jì)類。邏輯回歸模型樣本數(shù)據(jù)線性與非線性皆可使用，但存在評(píng)價(jià)指標(biāo)界限，不適用于高維數(shù)據(jù)的缺點(diǎn);BP神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)處理運(yùn)算快，有較強(qiáng)的容錯(cuò)能力，但數(shù)據(jù)需要量大。汽車融資租賃業(yè)務(wù)個(gè)人客戶信用數(shù)據(jù)類型多且復(fù)雜，在后期優(yōu)化信用數(shù)據(jù)引入大量數(shù)據(jù)后要求模型具備處理高維數(shù)據(jù)的能力，且涉及信用分類問(wèn)題，因此非統(tǒng)計(jì)類的BP神經(jīng)網(wǎng)絡(luò)模型更為適用。

4.2 模型指標(biāo)的選定

當(dāng)前，互聯(lián)網(wǎng)汽車融資租賃公司的主要客戶群體是次級(jí)消費(fèi)群體。如果租賃公司依然關(guān)注客戶的央行征信、客戶的負(fù)債比和流動(dòng)現(xiàn)金比例，就很難開展業(yè)務(wù)，租賃公司更應(yīng)該關(guān)注用戶的行為習(xí)慣，或者說(shuō)是用戶的大數(shù)據(jù)分析。

4.2.1 準(zhǔn)入條件

在準(zhǔn)入門檻方面，我們可以從以下基本信息來(lái)進(jìn)行篩選：消費(fèi)者的年齡、行業(yè)、地區(qū)、駕駛證違章、出行信息、其他負(fù)面信息，對(duì)于沒(méi)有達(dá)到指定條件的不予通過(guò)。在信息真實(shí)性的驗(yàn)證方面，可以借助一些科技化的手段和設(shè)備來(lái)輔助完成身份校驗(yàn)，比如可以通過(guò)后臺(tái)集中化視頻電審的方式進(jìn)行交叉驗(yàn)證，對(duì)于消費(fèi)者提供的個(gè)人工作單位、聯(lián)系電話、生活行為等數(shù)據(jù)進(jìn)行驗(yàn)證，降低欺詐風(fēng)險(xiǎn)。

4.2.2 關(guān)鍵指標(biāo)

對(duì)于汽車融資租賃的客戶來(lái)說(shuō)，重點(diǎn)應(yīng)該放在客戶的消費(fèi)行為習(xí)慣、社交信息和互聯(lián)網(wǎng)信用信息等方面上來(lái)。

在用戶的消費(fèi)行為習(xí)慣方面：在互聯(lián)網(wǎng)大環(huán)境下，我們更應(yīng)該關(guān)注消費(fèi)者的消費(fèi)信息和社交信息，關(guān)注他社交和電商平臺(tái)上留下的痕跡，這些屬于系統(tǒng)外部數(shù)據(jù)，可以通過(guò)與第三方達(dá)成合作來(lái)獲得數(shù)據(jù)并進(jìn)行相應(yīng)分析。比如喜相逢融資租賃有限公司通過(guò)消費(fèi)者的手機(jī)號(hào)，經(jīng)過(guò)天貓等第三方數(shù)據(jù)分析后發(fā)現(xiàn)，雖然有一些逾期行為和其他問(wèn)題，但是通過(guò)分析客戶的瀏覽網(wǎng)站時(shí)長(zhǎng)和主要通話對(duì)象的身份，就大概可以判斷消費(fèi)者的社交范圍;同時(shí)也可以與物流公司合作，查詢以該手機(jī)號(hào)碼為收件人的相關(guān)購(gòu)物記錄，大致就可以判斷出這個(gè)消費(fèi)者的群體類別、以及他的社交習(xí)慣和收支情況等。之前喜相逢風(fēng)控部門就發(fā)現(xiàn)這樣的一個(gè)案例，一個(gè)30歲左右的男性消費(fèi)者打算在該公司通過(guò)融資租賃的方式購(gòu)買一臺(tái)30萬(wàn)以上的奔馳C級(jí)車，但是通過(guò)相關(guān)系統(tǒng)數(shù)據(jù)分析后發(fā)現(xiàn)，這名客戶的上網(wǎng)時(shí)間不長(zhǎng)，手機(jī)號(hào)對(duì)應(yīng)的收貨地址經(jīng)常進(jìn)行更換，消費(fèi)水平長(zhǎng)期低于兩百元，沒(méi)有購(gòu)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(jìn)而懷疑客戶的還款能力。將這類型信息進(jìn)行歸納分類并加以分析后一般能夠獲得一些比較有價(jià)值的線索。

在取得客戶授權(quán)的時(shí)候，還可以對(duì)他互聯(lián)網(wǎng)上的多頭借貸進(jìn)行查詢，引入外部黑灰名單、網(wǎng)貸共債逾期等，比如說(shuō)螞蟻花唄、京東白條等相關(guān)互聯(lián)網(wǎng)上的多頭借貸。通過(guò)查詢這些信息，并給客戶的工作單位和朋友進(jìn)行電話調(diào)研，大概就可以得到客戶的一個(gè)基本畫像，確定這個(gè)客戶大致的還款能力區(qū)間，了解這臺(tái)車的承租人的消費(fèi)習(xí)慣和社交群體。

4.3 大數(shù)據(jù)風(fēng)控模型邏輯分析

在大數(shù)據(jù)和云計(jì)算的技術(shù)支持下，完成互聯(lián)網(wǎng)汽車融資租賃業(yè)務(wù)的風(fēng)控模型大致分為以下幾個(gè)步驟：

①數(shù)據(jù)分層：對(duì)搜集的系統(tǒng)內(nèi)外部數(shù)據(jù)進(jìn)行分層處理，從橫向上，按照行業(yè)形態(tài)、業(yè)務(wù)模式等做好場(chǎng)景分類;從縱向上，按照數(shù)據(jù)的有效性和重要性進(jìn)行分層設(shè)計(jì)。

②特征工程：是通過(guò)機(jī)器歸納的方法，針對(duì)不同的源數(shù)據(jù)以及分層特點(diǎn)，提取特征的過(guò)程，這個(gè)過(guò)程可以通過(guò)行業(yè)專家進(jìn)行分析提煉也可以通過(guò)機(jī)器算法進(jìn)行輔助。

③智能建模：在特征提取完成之后對(duì)特征的組合權(quán)重通過(guò)數(shù)學(xué)算法進(jìn)行模擬演算，形成具有針對(duì)性的場(chǎng)景模型。

④演算修正：信用準(zhǔn)入和評(píng)估模型根據(jù)各自應(yīng)用場(chǎng)景，通過(guò)不斷輸入增量數(shù)據(jù)和模型微調(diào)，進(jìn)行重新演算和修正優(yōu)化。

⑤數(shù)據(jù)回歸：模型修正優(yōu)化后對(duì)存量數(shù)據(jù)進(jìn)行回歸計(jì)算，并重新對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果反饋給運(yùn)營(yíng)和管理部門，這將使業(yè)務(wù)流程、營(yíng)銷策略、管理模式得到進(jìn)一步的修復(fù)和優(yōu)化。

4.4 模型的使用

模型搭建好之后，接下來(lái)要考慮的是模型運(yùn)用的問(wèn)題，可以在實(shí)際操作中利用表格的方式實(shí)現(xiàn)數(shù)據(jù)的整理和轉(zhuǎn)化，將每個(gè)信用評(píng)分區(qū)間的壞賬率和預(yù)測(cè)正負(fù)樣本分隔程度的指標(biāo)KS值列出來(lái)，然后劃分閾值，作為后續(xù)業(yè)務(wù)風(fēng)險(xiǎn)的審批依據(jù)。

識(shí)別完欺詐風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，與后續(xù)資產(chǎn)質(zhì)量直接掛鉤的就是互聯(lián)網(wǎng)汽車融資租賃企業(yè)如何進(jìn)行產(chǎn)品設(shè)計(jì)，即放款額度和價(jià)格，所以額度定價(jià)模型也是非常重要的一環(huán)。通常會(huì)把信用評(píng)分結(jié)果和個(gè)人還款能力的評(píng)估做一個(gè)交叉，對(duì)客戶進(jìn)行風(fēng)險(xiǎn)細(xì)分，還款能力強(qiáng)同時(shí)信用風(fēng)險(xiǎn)低，代表客戶資質(zhì)好，就可以相應(yīng)地提高客戶地額度空間;信用風(fēng)險(xiǎn)高同時(shí)還款能力弱，代表客戶資質(zhì)差，就可以相應(yīng)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(shí)現(xiàn)更好的風(fēng)控效果，如圖2所示。

5? 總結(jié)

在實(shí)際業(yè)務(wù)操作過(guò)程中，互聯(lián)網(wǎng)汽車融資租賃企業(yè)有時(shí)為了增加業(yè)務(wù)量，會(huì)降低準(zhǔn)入門檻，這無(wú)形中也增加了信用風(fēng)險(xiǎn)，所以開展業(yè)務(wù)量的規(guī)模和資產(chǎn)不良率是成正比的。由于每一家企業(yè)的風(fēng)險(xiǎn)偏好不一樣，因此可以在業(yè)務(wù)開展過(guò)程中找到最適合自己企業(yè)的業(yè)務(wù)量水平和能接受的不良率水平。

參考文獻(xiàn)：

[1]劉志惠，黃志剛，謝合亮.大數(shù)據(jù)風(fēng)控有效嗎？——基于統(tǒng)計(jì)評(píng)分卡與機(jī)器學(xué)習(xí)模型的對(duì)比分析[J].統(tǒng)計(jì)與信息論壇，2019.

[2]左晨.汽車融資租賃的大數(shù)據(jù)風(fēng)控應(yīng)用淺議[J].產(chǎn)業(yè)研究，2020.

[3]劉占輝.大數(shù)據(jù)智能如何助力汽車金融風(fēng)控[C].SP閃光輝之反欺詐分享會(huì)，2018.

[4]2019年中國(guó)汽車融資租賃行業(yè)研究報(bào)告.

[5]安福緒.大數(shù)據(jù)背景下消費(fèi)信貸風(fēng)險(xiǎn)因素分析[D].2015.

[6]王嘉儀.大數(shù)據(jù)在互聯(lián)網(wǎng)金融風(fēng)控中的應(yīng)用探討[J].信息系統(tǒng)工程，2018（07）.

[7]彭小輝.大數(shù)據(jù)在互聯(lián)網(wǎng)金融風(fēng)控中的應(yīng)用研究[J].中外企業(yè)家，2020（08）.

[8]肖劍秋.中國(guó)互聯(lián)網(wǎng)背景下的汽車融資租賃分析———以車好多集團(tuán)為例[J].市場(chǎng)周刊，2019（03）.

[9]彭湖.大數(shù)據(jù)風(fēng)控的現(xiàn)狀及優(yōu)化對(duì)策[J].商展經(jīng)濟(jì)，2020（04）.

[10]羅蘭貝格.2020中國(guó)汽車金融報(bào)告.