团尚科技：如何分清楚现金贷和消费信贷

目前业界和学界在讨论现金贷时，还没有统一的定义和分类，所以对问题的讨论以及应对建议常常不在一个层面上。这是在讨论现金贷时的一个核心问题。

 

首先，现金贷是消费信贷的一个分支，但现金贷的问题并不是整个消费信贷行业的问题。

 

根据期限，国内的消费信贷大概可以分为几个层次。首先有抵押时间为中长期的，包括房贷和车贷，一般把其划入消费信贷的第一和第二个层次。在美国还有一个比较特殊的贷款类别是学生贷款，一般中长期，但是没有抵押。最后一个层次就是期限较短的信用类贷款，称为狭义消费贷；这一类别贷款主要包含三个细分的类别，分别是有明确购物用途的购物分期贷款，没有明确资金用途但利率较低期限较短的纯信用现金贷款，还有就是超短期高利率的现金贷款。

 

购物分期在银行信用卡、消费金融公司非常普遍，现在也包括一些电商平台推出的分期产品。信用类现金贷款也是狭义消费信贷中的一类常见形态，传统银行、消费金融公司以及科技金融公司很多都提供这种期限不超过一年，随借随还的信用借贷产品，其利率也比较低，用于临时资金周转。

 

发端自美国的日薪贷（payday loan），超短期高利率现金贷款是狭义消费贷的第三种模式。这是近两年间在国内崛起的产品形态，主要由纯网络借贷服务商提供，具有期限短（不超过1个月）、综合利率高（普遍超过36%）、金额小（一般不超过5000元）等特点。由于均为信用类贷款，传统银行、持牌的消费金融公司、电商、支付等互联网公司的信用类现金贷款产品也经常被拿来与各类现金贷产品相提并论。但实际上，目前社会讨论的种种现金贷的问题主要集中在超短高利率现金贷款，也就是我们一般意义上称之的“现金贷”。

 

关注现金贷的原因有四：一是利率明显高出我国民间借贷合法利率范围。市场上现金贷产品普遍超过36%的信贷红线，综合年化利率超过100%的屡见不鲜。二是风控能力存疑，多头借贷问题突出。很多现金贷平台没有专业风控能力，也不设风控部门，依靠高利率覆盖坏账，实际上在裸奔。三是某些平台催债手段恶劣。比如被曝出“裸条”、逼迫借贷人在声色场所“坐台”还债、电话骚扰借贷者亲朋好友以及暴力催收等事件，造成恶劣的社会影响。四是部分恶意借贷。一些现金贷平台诱骗涉世未深、无充足经济来源的学生、刚从业者借贷消费，导致不明真相的借款人深陷现金贷泥潭。

 

对这些问题进行规范监管正当其时，也非常有必要。但是现金贷平台问题和风险并不代表整个狭义消费信贷行业出了问题，都需要共同吃药。

 

其次，狭义消费信贷中的信用类消费信贷和通常意义的“现金贷”存在巨大差别，有本质不同。

 

狭义消费信贷中的信用类消费信贷基本都是传统商业银行、大型支付、有场景的互联网平台发放的，一般与场景密切联系，而这些机构也在多年的尝试中探索出了比较成熟的基于场景的大数据风控能力。这一类产品和现金贷可从几个方面做区分：

 

1） 不同消费信贷产品的利率水平相差极大。从图一可以看出，利率分布从5%到400%以上，不同产品之间有本质区别。这个区别的背后，实际上是风控能力的区别，进而导致受众人群和利率水平的区别。

 

2） 服务的客户群有较大差别。信用类现金贷款产品一般都是服务于有稳定工作的白领、蓝领还有一些有信息的个体工商户；而现金贷更多还是为低龄、工作不稳定的群体提供的临时性生活借贷需求。如果我们把中国的网络人群按照风险分成五个等级（图二），可以看到风险最低的等级大部分人都有信用卡，而风险最高的等级只有10%的人有信用卡。因为没有更便宜的借款来源，有些是被迫高利贷举债，有些是不具备风险和还款意识，甚至多头借贷的人群，这也是风险聚集最高的等级。 

 

3） 风控能力有重大差异。信用类贷款机构，不管是银行还是大型科技金融机构，都有相对完善的风控措施，或者有基于消费、借贷等场景的大数据风控能力，对客户风险管理比较到位。反之，很多现金贷平台大多刚刚成立，独立风控能力较弱。这些差别清晰地表现在不同类型机构的违约率上。在狭义消费贷领域，不同机构的风控能力有本质不同，违约率从不到1%到50%以上。 
 

4） 催收手段有重大差异，信用类现金贷款机构催收相对规范。不管是银行、消费金融公司还是大型科技金融机构，一般都重视自身品牌，以及业务合规性，而且受到严格监管，注重保护用户隐私，既不需要也没必要采用暴力催收手段。

 

所以，无论从覆盖对象、风控能力、利率水平、催收手段看，现金贷和商业模式相对成熟、可持续的信用类现金贷有本质区别，不应混为一谈。现在社会关心的各种现金贷问题，实际上只是狭义消费贷中风险人群较多、风控能力较弱、利率较高的一种。背后的核心症结，是放贷机构缺乏消费场景或者大数据风控能力。毋庸置疑，在从事现金贷的机构中，也不乏具备核心竞争力、操作规范、为用户提供了救急之需的机构，但是行业整体缺乏可持续的竞争力，操作不规范，导致风险聚集，是一个突出现象。

 

 

消费信贷还有巨大发展空间

 

讲清楚现金贷和大部分消费信贷的关键区别后，我们再来看看消费信贷的现状和发展前景。

 

截至2016年底，中国总杠杆率达到257%，其中居民部门、政府部门与非金融企业部门的杠杆率分别为44%、46%与166%，中国居民部门杠杆率显著低于非金融企业杠杆率。中国居民杠杆率低于世界平均水平，不仅低于美日等发达国家，也低于马来西亚、泰国等发展中国家。所以中国居民杠杆率并不高，高的是企业杠杆率。

 

 

2016年底，中国人均广义消费贷为2601美元，美国为1.13万美元，是中国的4.34倍。狭义消费贷渗透率仍很低，2016年，中国狭义消费贷占消费支出的比例是20%，美国大约30%的水平，而韩国更高超过40%。所以，中国消费信贷发展并不充分，随着消费观念的改变，居民收入增长，消费信贷还有很大的发展空间。

 

我们应该怎么理解狭义消费信贷的整体风险？首先从服务体量看，在狭义消费信贷中，传统金融机构仍是主力军，占据绝对优势。中国2016年狭义消费贷余额约7万亿元，其中银行占比超过82%，而百度、蚂蚁金服、腾讯和京东等几家互联网企业合计占比不到4%，现金贷的余额更少。所以，现金贷在狭义消费贷中不是主流。从投资者看，狭义消费贷的投资者绝大部分是机构投资者，投资者适当性问题较小。

 

从人均还贷压力看，除房贷外，中国城镇居民平均需要1.5个月的可支配收入偿还短期消费贷款，美国则平均需要3.5个月。1991至2007年，美国狭义消费贷违约率在3%-5%之间，次贷危机期间最高至6.8%，到2011年至今回归低于3%。相比之下，美国房贷违约率起伏较大，1991至2007年一般是低于2%，但在金融危机期间最高增长至11%以上，房贷表现出来的波动性高于狭义消费贷。

 

狭义消费信贷的违约率在金融危机期间上升不如房贷，而且较快回落，因为前者金额小，又和生活相关，用户会优先选择偿还。也因为如此，不同于房贷ABS，在美国金融危机期间，其消费者信贷ABS兑付率高达99.9%，而欧洲没有一单消费者信贷ABS违约。

 

 

消费信贷是否可以有效防范多头借贷的风险？ 

 

从前面的分析可以看出，通常所说的现金贷只占消费信贷的很小部分，而且聚集在放贷机构风险甄别能力较弱，用户风险较高的人群中。一个合理的担忧是，即便大部分消费信贷的风控水平较好，风险较高的人群可以通过多头借贷的方式传导风险。也就是说，多头借贷可能绑架风控较好的消费信贷。那么多头借贷的风险到底有多大呢？

 

根据百融金服2017年7月份发布的数据，约56.5%的客户申请现金贷次数大于2次；申请多次借款的客户中，在多家机构申请借款的人数占比达49.4%。乍一看，这是一个惊人的数字。但是根据国家互联网金融安全技术专家委员会截至2017年11月19日的数据，有2693家现金贷平台，通过抽样分析，预计有200万人存在多头借贷的情况。也就是说，百融金服描述的，恰恰是风险较高的现金贷人群的情况。

 

现金贷的风险，包括多头借贷风险，实际上已经明显爆发。如图3所示，同样是短期信用借贷，违约率从不到1%到50%的跨度。到现在为止，现金贷的高风险，并没有通过多头借贷的方式影响到风控较好的企业。其中的原因，一个是受众人群不同，交集很小，另外一个关键是，有消费场景有大数据的企业，可以有针对性地缓解多头借贷风险。

 

以蚂蚁金服的借呗为例。从覆盖比例看，根据五档风险等级，风险程度最低的人群，信用卡覆盖比例是62%，而借呗的覆盖比例则更高；风险程度最高的人群，信用卡覆盖比例只有10%，借呗的覆盖比例达到14%。从金额看，风险程度最高人群的信贷金额远远不到风险程度最低人群金额的10%。所以从覆盖人群到金额，信贷随着风险程度的不同而相应调整。

 

在此基础之上，借呗开发了专门的多头借贷模型。这个模型有三个特点。首先借呗是基于消费场景衍生出来的产品，通过对具体消费场景的洞察积累风控能力。其次，借呗通过多维度的大数据判断多头借贷的风险，包括客群特征、行为数据、贷款中介共享数据、征信平台数据、位置特征、设备数据、地域数据、社会关系数据等。最后，人工智能可以深度学习多维度数据，产生对多头意向、多头申请、和借贷的判断，通过限额或者清退的方式，有效控制多头借贷风险。

 

多头借贷模型还可以和其他风控模型有效结合，提升风控能力。举例而言，在多头借贷风险最高的人群中，47%也是有高信用风险的用户，66%属于在各种场景中有高套现风险的客户群，79%是男性用户，30%小于23岁。可以看到，把多头借贷风险模型和信用风险模型、套现风险模型和一些用户特征结合，可以比较清晰地刻画出多头借贷风险画像，实现风险甄别。其结果，是较低的违约率。值得强调的是，这个违约率是动态的，是在观察到多头借贷人群的动态变化中及时调整风控模型后的违约率。

 

其他违约率很低的机构，无论是银行、消费金融公司还是基于场景的互联网企业，核心能力有异，但风控原理必然类似。