大数据在国家助学贷款贷后风控中的应用

施维

近些年来，国家助学贷款管理环节中，因为数据缺乏全面的维度，监管期间仍旧以后验策略和人工审核为主，导致在贷后风险管理期间取得的成绩不高。随着大数据技术的不断创新发展，国家助学贷款贷后正朝向跨事件自动决策、整合多维度数据、模型预测风险的管理模式递进。

大数据在国家助学贷款贷后风控中应用的意义

一、提高风险控制系统的自动化管理能力

在国家助学贷款贷后管理环节中应用大数据技术，可构建成熟且全面的大数据风险控制体系，提高风险控制决策的自动化能力。在整个风险管理体系中，所有的节点都对应人工审核，加大跨事件的自动化管理力度。在国家助学贷款准入阶段，大数据技术可及时发现存在的风险，并分析行为存在的问题，一直持续到授信完成。利用风险递减的方式或者大数据系统化管理的方式管控所有节点，可梯度化调用学生信息，达到自动决策的目标。

二、构建多元风险控制模型辅助信息验证

通过算法模型对整个过程展开全面分析，并科学验证分析结果，提高风险判定结果的科学性与准确性。国家助学贷款相关单位大量分析学生的信息，综合多项数据信息综合评价学生行为，强调模型或者贷款决策客观性和准确度。利用大数据技术和算法建立风险决策过程构建模型，可大幅度降低在国家助学贷款中人工因素的干扰，确保审批和风险控制全过程统一、高效、快速。另外，利用大数据技术验证学生提交的国家助学贷款信息，借助大数据风险控制模型交叉对比和验证学生的手机、身份、地址等多维信息，综合教育机构、公安机关、运营商等官方机构提供的信息，剔除异常人群。

三、补充三方数据加大风险控制力度

国家助学贷款责任结构采用合法的途径获取学生授权信息，补充外部数据，二次验证学生资质，借助大数据技术深度了解学生家庭情况，获得相对完善的学生画像并授信。与模型进行结合，再次评估客户信用，得到信用评价结果。在结束国家助学贷款以后，要对贷后的风险做出全面的控制，从多头申请、地址异动、进阶黑名单、高风险行为、刑事监控等角度出发，动态性监督控制全部节点。

信贷风险中的主要问题

国家助学贷款贷后风险控制，最为关键的是从全量申请的样本用户中快速且准确地定位预期客户，可见国家助学贷款贷后风险控制最为核心的内容是对用户的还款能力和还款意愿做出准确的评价。在国家助学贷款风险控制环节中，常见的问题集中体现在四个方面：

第一，非本人申请国家助学贷款。在国家助学贷款申请批准后发现客户使用虚假信息，将会造成损失。申请人在申请国家助学贷款期间，冒用他人信息进行申请，这种问题在国家助学贷款期间经历过一段野蛮增长的时段，相关金融机构没有全面认识黑产业，造成不法分子利用他人的身份信息欺诈，一些风险管控能力很强大的金融机构也报道过此类事件。

第二，伪造资料申请国家助学贷款。申请人在申请国家助学贷款的时候，为了降低申请难度，或者贷后恶意逾期避免催收，在提供资料的时候伪造地址、联系人等基础信息。

第三，中介团伙恶意帮助客户申请国家助学贷款。很多客户为提高国家助学贷款申请便宜度，在网络上寻找大量的中介，以期采用多种不同类型的策略提高申请成功率，降低国家助学贷款公平性。

第四，还款能力不足问题。申请客户存在比较高的负债收入，自身收入不够稳定，并且有大量的外部债务，这种问题的出现会降低客户还款能力，增加风险。

大数据在国家助学贷款贷后风控中的应用措施

一、非本人申请的人脸识别

当前在生活的方方面面中已经应用人脸识别技术，比如高铁站、刷脸支付、公安的天网系统等，在金融服务领域中，贷款申请、信用卡办理等也普遍使用人脸识别，利用大数据技术可以将客户与公安系统中的身份进行比对分析，判断两个主体的相似度，规避非本人申请的问题。与人类对他人进行识别相类似，在判断熟悉的人时，可以从他的面部特征角度出发，与自己脑海中存储的他人特征进行比对，虽然有判断失误的时候，但是成功的概率很高。同样情况下，基于大数据技术的人脸识别在设计与开发的时候，是依靠一套深度学习算法展开的，将人类思考的方式进行转化，得到一套模型算法。在进行人脸识别的时候，引入的特征概念如下：

假设系统在对人脸进行识别和对比的时候，这五个特征可以判断出一个人，那么当所有都符合数据库内的数据以后，则表明接受验证的人符合系統内的结果。在表1中的特征通过多样化组合，可以得到32张不同类型的人脸。但是，32张不同类型的人脸是不能满足所有人使用的，所以在大数据技术的支撑下，将人脸的特征再次进行拓展，例如将脸形、眼间距、嘴唇厚度等加入其中，甚至再次细分每个肤色的深浅，经过扩充，可无限拓展人脸特征空间，提高人脸识别效率和准确度。

在国家助学贷款贷后风险管理期间利用大数据技术比对人脸，可快速从数据内调取客户信息，判断客户是否符合要求。同时，在处理的环节中，要保证不会在国家助学贷款贷后风险管理中出现伪造人脸的现象，面对这种问题，还需要采取四种措施展开系统化处理：第一，工程角度。设计与开发质量模型，评价系统监测到的人脸的质量，若是检测到的人脸质量比较差，那么则提醒验证失败。第二，应用角度。对人脸识别的场景做好严格的控制，要求用户在光线良好的环境下正对摄像头，避免在采集的时候出现质量较差的图片。第三，精准识别活体。利用3D建模软件按照识别的客户脸部信息构建模型，形成真实的头像，通过大数据技术的不断学习，提高对客户信息的识别准确度。第四，算法角度。增强人脸识别模型的应用性能，将多种质量、多种类型的脸部识别数据加入数据库内进行数据训练，提高模型抗干扰能力。

二、资料审核与判断

大数据技术是构建关系图谱底层的关键技术，以庞大的用户数据作为基础，抽取多种数据源的信息并存储在数据库内。国家助学贷款贷后管理审核期间应用大数据，可识别伪造的资料、分析团伙诈骗、管理失去联系的客户。

（一）识别伪造的客户资料信息

国家助学贷款贷后管理，最为关键的便是管理客户信息准确性。对客户的信息进行验证，可以对客户贷款行为是否存在欺诈做出准确的判断。利用关系图谱展开交叉试验，虽然不能确保准确性达到100%，但是在人工审核期间，可提供重要的依据。降低人工审核的错误发生率。欺诈客户在填写资料的时候，通常会使用虚假的信息，这就会产生风险点。利用大数据技术将关系图谱直观地呈现出来，快速发现客户信息的矛盾点，认定客户存在欺诈行为。

（二）分析团伙诈骗行为

在国家助学贷款贷后管理期间，存在团伙欺诈行为，严重造成财产损失，但是想要在复杂的数据关系中发现团伙作案问题，面临着较高难度。以大数据技术作为基础，可对多层级数据分析形成直观分析，形成一度关联、二度关联、三度关联，甚至形成多维关联。在团伙欺诈行为中，若是使用虚假信息进行授信，会在同一片区域或者使用相同的无线网。利用SLPA、LPA、LOUVAIN等社区算法和标签传播算法，可在最短时间内准确地发现作案团伙。

（三）管理失去联系的客户

国家助学贷款以后失去联系的客户，也是贷后风险管理面临的最大难点，利用大数据技术寻找失联客户的潜在关系人，提高催收成功率。

三、信用数据和评分

利用大数据技术可解决国家助学贷款征信数据缺失的白户问题，这种看起来没有联系到信贷记录的数据信息，可以在一定程度上对用户的借款和还款提供帮助。

第一，All data is credit data。大数据技术可以为国家助学贷款申请的庞大用户群体做出信息规整，包含申请用户的学历证、身份证等各种类型的电子信息。第三方权威机构可以对教育部学历中心、居民身份证查询中心的数据信息进行查询。在一定情况下，还可以对微博等社交数据、电商交易信息、搜索引擎数据等海量互联网碎片数据进行调取。

第二，大数据技术的便捷性和高效性可缩短时间、降低成本，积累大量的数据用户，为构建分析模型提供充足的样本。

正是在大数据技术的影响和推动下，极具中国特色的征信体系诞生，为国家助学贷款贷后管理提供支持，完善风险控制。评分卡的出现，也提高了风险管控效率和质量。评分卡的应用，完全依靠一套大数据基础上的机器学习算法，如何利用大数据技术深度挖掘客户的信用评分，还需要借助机器学习技术。机器学习技术是当前应用最为广泛、取得效果最为凸显的方法，综合大数据技术和机器学习技术，可快速训练模型，按照用户的表现为用户设置标签。以用户的数据信息作为依据，通过多种类型的算法评价用户的得分情况，按照不同维度评价指标查看过關模型，利用构建完成的模型对未来的数据信息表现情况做出预测。

当前在网贷体系、信用卡体系中都选择使用类似的评分卡，行业不同、场景不同，所使用的评分卡也存在一定的差异。在国家助学贷款风险管理控制环节中，基本是量化用户风险，综合大数据和机器学习技术优化传统的风险管理方案，拓展数据管控维度，提高风险量化能力。

本文简单分析国家助学贷款风险管理环节中大数据技术的应用情况，根据信贷风险管控场景，思考大数据技术的应用价值和应用路径，在以后的管理和控制环节中，要面向国家助学贷款风险控制主体目标，思考大数据创新应用路径，提高业务效率，降低业务成本。［基金项目：广西教育科学“十四五”规划2022年度学生资助专项课题《利益相关者视角下广西职业院校国家助学贷款贷后风险管理研究》（编号：2022ZJY2638）研究成果。作者单位：广西金融职业技术学院（广西银行学校）］