陈道富等 金融科技公司介入信贷领域的特点、问题与对策

　　凭借获客、风控等优势，以及依托平台展现出的资源整合能力，金融科技公司普遍介入信贷领域，这使得信贷业务各环节细分和再组织，加深了信贷业务的市场化程度，信贷服务模式、风险特征、风控逻辑、风控方式以及核心竞争力也都发生重大改变。对于金融科技公司介入信贷领域的认知和评价，应从时代变迁的角度来看。金融科技公司主要服务于尾部客户，解决了市场的痛点，满足了普惠金融的需求，是一种“无中生有”的创新。未来，数据、渠道可能成为核心竞争力，金融科技公司、金融机构甚至金融业的地位，都是动态变化的历史过程。对金融科技公司的监管要针对行业变化和风险特点，平衡技术、金融和社会伦理之间的不同诉求，确保金融科技公司系统性风险防控和数字产业的健康发展，注重监管的效率性和适宜性。

　　金融科技公司积累了丰富的场景支付及用户画像数据，使其拥有获客、自动化、风控等独特优势，并通过服务金融机构，不断拓展应用场景，积累新用户，丰富数据生态圈，实现新的闭环。

　　金融科技公司介入信贷领域，大多是基于大数据，通过更精准地核验信息真伪、描摹用户画像，从而以更低成本服务原先平均违约率较高的客户，即服务对象以被银行等传统持牌金融机构忽视、放弃的尾部客户为主，挖掘并激发市场需求，开拓新蓝海。

　　在信贷业务中，金融科技公司和金融机构根据各自优势，分工合作，客观上将信贷业务进行了环节拆分，使得信贷流程不再自始至终集中于单个金融机构，环节更加细化并实现跨行业分工（服务外包）。金融科技公司通常也遵循互联网公司的“轻资产”策略，即使介入了对资本金要求较高的信贷领域，也往往通过整合外部资源，采取联合和助贷模式，由合作金融机构全部或大部分出资放贷，充当信贷业务的获客渠道、发挥“补充征信”作用、提供第三方风控服务等多重角色，并对外转移不具有比较优势的资产，管理庞大的资产规模。

　　具体而言，联合和助贷把信贷流程拆分成获取资金、寻找客户、建立风控模型、授信评估、风险定价、发放以及贷后管理7个环节。金融科技公司完成获客、风控模型、信评、定价和贷后5个环节，可以称为节点型信贷业务。获取资金和发放涉及资产负债表，由合作银行完成。金融科技公司还创新服务模式，将自身角色平台化，以信贷资产转让、资产证券化等表外方式，实现规模化经营。

　　金融科技公司提供的信贷产品主要集中于个人消费信贷和中小微企业的流动性两个领域。金融科技公司通过处理所积累的行为、主观推断等另类数据，能开展“反欺诈”分析，帮助判断个人和企业的短期、小额还款意愿和能力，从而能支撑消费性、流动性的小额、信用类信贷产品。但判断企业中长期还款意愿和能力时，需要依靠基础性信用数据，包括结构性的定量数据，也包括对未来经济走势、企业家精神、企业团队等的主观判断。分析另类数据只能提供有限的决策参考，以另类数据为主要支撑的金融科技公司在获得更广谱数据之前很难胜任。此外，金融科技公司的模型往往需要依靠机器学习，需要大量基于实践的反馈性数据。中长期固定资产投资的反馈周期很长，难以让模型迅速完成迭代。换句话说，在当前的数据、技术条件和客户特性情况下，金融科技企业还不具有对企业中长期固定资产投资风险判断的优势。

　　我国小微企业、中低端收入人群的金融服务一直没有得到有效满足。随着信息技术的进步和移动设备的普及，在包容性监管环境下，金融科技公司为实现客户价值闭环、提升客户服务体验，把服务环节的外部交易成本内部化；为能充分利用富余资源，实现“范围经济”，主要通过第三方支付开始逐步参与这部分尾部客户的金融服务提供，达到“蓝海”竞争的效果。

　　经过近些年的发展，金融科技公司在满足普惠金融需求、探索供应链金融方面取得较大成就，极大地降低了尾部客户的触达、营运和风险管理成本，创设出大量具有商业可行性的普惠金融模式。与此同时，金融科技公司致力于对缺乏信用记录的“白户”进行信用培育，为征信的普及贡献力量。金融科技的发展还在金融行业形成“鲶鱼”效应，推升了金融行业的数字化转型和客户服务水平。

　　金融科技公司是在传统金融机构缺乏动力的空白地带发展起来的，解决了市场痛点，并非单纯的“监管套利”。真正的创新往往是“无中生有”，在缺乏认知、缺乏法制的环境下，事实上由开拓者“说了算”。创新可能成功，也可能失败，需要创造性并承担风险。创新若成功，特别是开拓新市场产生新价值的创新，会获得巨大的收益。如批发市场与零售市场之间存在巨大的价差，如果能发现小额、分散的信贷风险与传统信贷不同，就有可能获得巨大收益。发展的结果可能“合意”，也可能并“不合意”，甚至会逐步触碰到传统机构的业务范围，监管部门保留了规制的权利。如果监管部门修改监管规则，“不合规”行为就需要在一定期限内整改。这是市场发展、监管完善的迭代过程。监管宜遵循“法不溯往”原则，只要没有违反当时规定，就应视为合法，所获收益，应视为创新收益，类似于创业回报和专利保护。

　　基于传统信贷业务分析，金融科技公司介入信贷领域，是将传统的信贷业务环节细分，即不再由银行等传统金融机构从头到尾包干，金融科技公司以技术服务商等不同角色，介入信贷中除信贷风险决策和资金供给外的获客、导流和技术操作等非金融核心环节。这是不影响金融实质的分工细化、专业化和社会化的过程，可看作是对传统金融业务的补充，类似于服务外包。但从数据和技术的视角，或者说从以数据和互联网技术为中心的视角看，数据的获取、加工等环节主要发生在金融科技公司，金融机构只是其中的“变现”环节。未来，数据、渠道可能成为核心竞争力，资金供给和金融风险管理反而可能只是“内容”。在这种视角下，传统的合作银行可能出现对金融科技公司过度依赖，包括对其客户资源、大数据和模型的过度依赖，而沦为平台上的一个“应用型”企业。

　　因此，从不同视角分析，会得出金融科技公司纳入传统金融机构业务链条和传统金融机构纳入金融科技公司业务链条两个结论。实际上，不同时代有不同的稀缺资源，有不同的相对重要性，从不同稀缺性视角观察会得出不同判断。金融行业的相对重要性，传统金融机构在金融行业的核心地位，都是动态变化的。在这时代变迁的关口，更应该保留发展的多种可能，允许相对地位的变化。

　　当前，传统金融机构拥有主流客户和高价值的数据，而金融科技公司受各种约束，优势主要集中在尾部客户和替代性数据，成为主流金融体系的有益补充。但这并不是终点。金融科技公司的场景还在拓展，服务的客群还在延伸，特别是金融科技公司开始开拓代发工资、税款缴纳等场景，传统金融机构服务的客群和数据，正逐步被金融科技公司所触达和掌握。金融科技公司还积极介入供应链金融，开始与企业、产业的数字化改造相融合。总之，数字化正逐步嵌入日常生产、生活和政府管理中，基于数据的金融服务也将“日用而不知”。可见，金融科技公司在数据方面，尤其是动态的行为数据方面将越来越有竞争优势。从发展的角度看，金融科技公司更有可能成为“中心”，传统金融机构“被”融入到金融科技平台和链条。当然，转型过程需要妥善管理，防范风险，但以金融科技公司（包括传统金融机构快速转型为金融科技公司）为核心的趋势可能无法逆转。因此，金融科技公司要保持开拓精神，传统金融机构也需要加快转型，重新定位并培育新的核心竞争力。

　　金融科技公司风险的特殊性来源于其业务逻辑、服务客群、服务手段等的独特性。金融科技公司主要利用信息技术，基于大数据开展业务，而数据市场具有显著的规模经济和范围经济特征。金融科技公司目前服务的客群多为传统金融机构的“尾部客群”，数量众多、小额分散，风险特征不同，不敏感但在极端环境下“羊群效应”更显著，更具社会性和伦理性。金融科技公司推动传统金融业务的环节细分，只是参与搭建平台、场景开拓、技术服务等自身具有比较优势的环节，具有强烈的“技术驱动”特征，基于剔除“坏人”的大数法则和分享思维，重在“反欺诈”。

　　金融科技公司处在具有自然垄断特征的数据和金融行业，“数据孤岛”又加剧了局部垄断力量。在市场发展初期，存在一些滥用垄断力量以抑制市场竞争、损害消费者的行为，需辩证看待，合理应对。

　　随着近年来的发展，特别是细分市场集中度的提升，金融科技公司出现一些具有垄断特征的力量和行为。

　　一是市场力量更加不均衡。主要表现为金融科技公司集中度较高，金融科技公司与消费者、投资者、合作伙伴间的力量对比更不对等。个别金融科技公司搭建的平台规模已相当庞大，市场集中度较高，在细分市场具有“系统重要性”。平台生态中不同主体的力量并不均衡，金融科技公司拥有较强的市场力量。金融科技公司既是技术基础，也是主要的获客场景（渠道），充当了市场的组织者，有时又参与具体的经营活动，存在一定的利益冲突。

　　二是存在交叉补贴和内部不合理转移定价问题。金融科技公司通过财务补贴、不对称的风险承担和内部不合理的成本定价，实现跨界交叉补贴。如余额宝可以提供当天提款的货币市场产品，集团实际上提供了流动性风险补贴。又如互联网“鸡毛出在猪身上”的商业模式被复制到金融领域，受益者与缴费者并不完全对应，大量产品和服务是免费的，通过允许信息收集、广告推广等获得收益。此外，数据市场由于发展不成熟，权属不清，缺乏外部市场，核算和定价缺乏依据，部分金融科技公司内部不核算数据使用和技术服务成本，只对外部使用主体收取费用。金融科技公司（集团）形成了成本黑箱，内外部数据和服务的不同收费标准，可能产生不公平竞争。

　　三是存在差别定价现象。金融科技平台拥有大量行为数据，通过对客户的不断细分和信息挖掘，借助算法和定价策略，实现“差别定价”。如不同还款概率、不同场景下的不同用户费率；又如推荐排序，对不同的金融机构推送不同的客户信息，不同的投资者推送不同的金融产品等。差别定价可产生类似经济学上的完全价格歧视，产生与完全竞争市场类似的资源配置效果。好处是可以给投资者和合作方更好的体验、获得更好的服务，是有价值增值的，甚至可以挖掘新需求、创造新价值。争议是定制营销和差别定价。前者有“信息茧房”和“诱导消费者过度信贷”的担忧，后者有垄断的担忧和利益配置合理性的争议。生产者和消费者获得“贴心”服务的同时，越来越多的生产者和消费者剩余被归结到平台。这是否合理，是有争议的。

　　四是反竞争的收购行为。技术是金融科技公司的核心竞争力之一。为了保持领先的技术水平，金融科技公司会加大科研投入和技术开发，也会加大对外投资并购。这是良性的技术发展过程，但并不能排除部分金融科技公司恶意收购新兴技术公司，抑制市场竞争和其他方向的技术进步的可能性。

　　金融科技公司是数字经济时代衍生的市场主体，在模糊的空白地带开拓，同时承担秩序的设计和维护、基础设施的提供，以及个人产品和服务的供给等角色。这三类角色是一个时代必不可少的，但同时由同一个主体提供，则存在利益冲突和垄断倾向。再加上数字经济所具有的规模经济、范围经济特征，算法具有的不透明性，合适的技术和市场规则未演化成熟，加剧了可能的垄断力量和行为。这是一个开拓、成长和规范交替的过程。

　　一是金融科技公司所处行业具有显著的规模经济和范围经济特征，更容易产生自然垄断。金融行业具有外部性，且规模经济显著。数据资产初始投入巨大，但边际成本低甚至接近零，共享收益显著，具有明显的先发优势。

　　二是信息共享和信息孤岛并存加剧了局部垄断力量。数据源控制主体和金融科技公司往往鼓励并强化部门内、生态内的信息共享，对能获得收益（数据变现）的数据共享保持相当程度的开放性。但不同部门或金融科技企业之间尚未建立顺畅的数据共享机制，数据以黑箱的方式成为核心竞争力，相互之间是信息孤岛。全行业的基础设施被信息孤岛划分到不同部门和金融科技公司，强化了局部垄断力量。局部垄断的背后是数据治理机制的缺失和基础设施、个别产品的混同，这是行业发展过程中的现象。

　　三是“算法共谋”和“算法歧视”等问题。现有的反竞争规制一般是应对“明示共谋”，即通过明确的书面、口头协议维持的反竞争行为；但市场上也存在“默示共谋”，即在没有明确协议的情况下，通过相互事实承认的依存关系维持的反竞争行为，这主要发生在市场参与者较少的透明市场中。数字空间内的行为是算法驱动的，算法即行为，但算法不透明也不易理解。因而，金融科技公司既可能在算法设计时“明示共谋”，也可能由于算法设计理念、算法偏差等导致事实上抑制市场竞争的“默示共谋”。为此，需要对算法设计的公平性、独立性和可解释性提出要求，并通过市场结果判断是否存在抑制竞争的算法。

　　（1）数字时代的社会焦虑、基础设施建设与垄断。数字经济冲击了工业时代，生活在其中并习惯工业思维的人往往处于迷茫和焦虑之中。金融科技公司是数字经济的先行者，带有数字时代的一些特征，因此对金融科技公司垄断的担忧，染上了浓厚的时代变革时期的焦虑情绪。支撑数字时代的基础设施不太可能一开始完全由政府提供，市场在提供个别产品时，也不得不同时补足“基础设施”的欠缺。在新技术范式被广泛普及之前，基础设施和个别产品是杂糅在一起的。在技术范式尚未稳定的初期，存在多种技术路径和市场开发渠道，消费者需求也不稳定，不同技术路径和市场定位的公司之间存在跨界和隔代竞争。但随着技术范式逐步稳定，技术路径具有自我强化特性，新的时代因此展开，具有高初始投入低边际成本的技术被广泛应用于新的基础设施，基于此基础设施的新生态快速发展。因此，从某种意义上来看，自然垄断是新技术范式扩散的基石，破坏了旧的技术范式。基础设施的相对稳定性和技术发展空间的开放性（不唯一）是需要随着时代展开动态平衡的。在美国反垄断法律体系中，立法原则亦主张通过市场竞争，以及技术创新来打破垄断。在长周期的监管过程中，科技巨头亦变得更加开放、积极创新，并相应带动科技产业整体的快速发展。

　　（2）反垄断不宜基于能力，而应着眼于行为。反垄断并不是禁止垄断地位。科技行业特别是互联网行业天生具有显著的规模效应和先发优势，一些科技企业由于技术先进、管理效率高以及用户体验好等原因，迅速获得垄断地位。科技反垄断不宜抑制效率提升，法律不宜惩罚竞争中的优胜者。当且仅当垄断抑制合理竞争、损害消费者和相关方利益时才需要政府规制。科技反垄断的对象宜局限于滥用垄断地位的行为，如销售、畸高定价、限制竞争者等，以及出于抑制竞争目的而采取不正当方式获取/ 维持垄断地位的情形，如恶意并购等。

　　（3）差别定价需区分价值提升与不公平交易。金融科技公司往往以平台公司方式存在，具有导流、配对撮合等职能。金融科技公司是网络的关键节点之一，拥有较强的市场力量，特别是面对分散的弱势群体时更是如此。为提高客户体验（效用增加）或降低供应商（合作银行等）的匹配成本，平台类金融科技公司往往通过算法实现差异性对待。这种差异化是否就构成需要政府规制的垄断行为？当面对消费者时，如果平台公司基于消费者偏好差异化服务，提升了消费者效用，差异化营销和销售是基于平台公司能力，消费者或生产者剩余在信息充分披露的情况下自愿转移，则并不宜认定为抑制了竞争，损害了消费者权益。当面对合作伙伴时也类似，特别是当平台公司的管理能力和风险评估技术高于合作伙伴，可以在满足合作伙伴技术性要求下精准匹配，获得额外收益，这部分收益应属于技术进步，是“共赢”的，也不宜判定为滥用市场力量的垄断行为。只有当金融科技公司因是平台公司拥有信息优势，单纯“损人利己”的利益再分配时，才是滥用市场力量。

　　（4）完善数据治理和数据产业链的社会化是科技反垄断的根本。数据及其特性是金融科技公司垄断力量的根源。当前，数据只有在变现环节才能获得社会价值，数据的收集、整理、加工、共享等环节缺乏获得利益分配的社会机制。数据黑箱和数据孤岛导致数据领域的规模经济和范围经济在局部显化。因此，打开数据黑箱，推动数据产业链社会化，便利数据价值向产业链上游市场化传递，是管理数据领域的垄断力量、抑制可能被滥用的根本之路。

　　系统性风险是指不能通过分散投资予以消除的风险。引发系统性风险的因素是所有产品、市场都共有的因素，与宏观政策、制度和人性特征等有关，是偏性长期积累的结果，主要在顶层设计中平衡。金融科技公司在金融领域服务的对象主要是尾部客群，以金额计算总体市场份额并不高，但以用户数计算的市场份额较高，在细分领域占比较高，具有系统重要性，如在第三方支付行业、个人住房抵押以外的消费信贷和小微企业等领域。当前金融科技公司主要发挥填补空白、分层竞争的补充性角色，金融科技公司服务的客群数量庞大，且绝大部分属于社会的“弱势群体”，单体金额较小，期限较短，惰性和“信仰”特征较明显，平时不敏感，但极端情况下“羊群特征”更为明显，特别是年轻人的网络表达更容易迅速传播，处理不好容易引发重大社会问题。金融科技公司主要通过环节细分后部分介入金融业务，改变了传统金融机构、业务的形态，传统的风险管理、宏观调控受到了挑战。

　　为了充分展示金融科技公司的系统性风险特征，本文将传统银行和金融科技公司的系统性风险进行对比分析。银行信用风险的损失分布普遍具有偏峰厚尾特征。如图1所示，风险曲线可以大致分为三个部分。其中最左边的第一个部分代表损失发生的概率最大，属于预期损失，银行可以通过风险收益配比原则，内化于信贷产品的利率中。中间的第二部分代表损失发生的概率较小，属于非预期损失，由银行计提拨备承担和资本金覆盖。最右边的第三部分则是在极小概率情况下发生的极端损失，超出银行个体的承受范围，就需要由社会资本（包括银行的相关利益主体，如债权人，主要是存款人，以及社会公共资金，如央行再、存款保险等）承担。出现极端损失，意味着银行需债务重组或破产在清算，风险外溢使得金融稳定受到冲击，属系统性风险（见图1 阴影部分）。在我国现有金融体制下，银行系统性风险概率极小，阴影面积很小。

　　金融科技公司从事信贷业务后，其信用风险曲线与传统银行有三点不同（见图2）。（1）风险非正态分布，存在肥尾问题。金融科技公司服务大量的尾部客户，利用数据和模型寻找原来高风险客户群体中的低风险部分。这类客户群处于风险概率分布的尾部，与假设的正态分布偏差较大。曲线上表现为损失分布曲线的峰值较传统银行明显偏右，曲线）风险变化的非线性特征明显。数据和技术极大可能地挖掘了现有行为背后的价值和确定性，甚至通过迭代等方式强化低风险部分，进一步降低风险。但是当服务群体扩张，或者环境发生变化时，金融风险变化具有非线性特征。具体而言，在可靠的群体范围内，在正常环境下，这些数据和模型确实找出了低风险部分，因而可以以较低的成本提供服务。但这部分群体毕竟是弱势群体，较为脆弱。因此，当金融科技公司在商业利益推动下过度拓宽服务对象边界，金融科技公司拥有的边界客户的信息数量和质量可能会非线性下降，风险评估的准确性和可靠性可能大幅下降。当经济环境发生非预期变化，尾部客户群体风险承担能力较弱，缺乏独立的风险判断能力，羊群效应和社会风险会凸显。（3）风险承担的转嫁与错位。金融科技公司介入信贷市场的细分环节，信贷关系从点状转变为网状，风险的实际承担将更加复杂。由于市场相对力量的不同，对真实风险的感知和管理能力不同，以及社会稳定等因素考虑和金融科技公司可能的资本金不足导致风险过早外溢等，最终的风险承担主体与合同设计的，或者理论假设的并不完全相同，更有可能转移到获得网保护的银行类金融机构，或其他最不具有风险判断和评估能力的弱势群体并最终转嫁给公共资金，即由社会全体承担。

　　金融科技公司因服务对象涉及不特定的大量自然人，处理海量行为数据，触碰到人的隐私和安全，引发许多与人相关的社会伦理争议。其中既有诱导过度放贷等问题，涉及人的自我约束和外部约束边界，尤其是对特定人群如青年人，又有金融科技公司的数据收集和处理涉及人的隐私保护问题，更有以算法驱动行为导致的算法歧视等问题。此外，数据时代本身还冲击人类对自身的认识，产生新的伦理问题。在大数据时代，由于数据量的爆炸式增长导致判断和选择的难度陡增，越来越依赖于数据和算法，个人能力不断被算法所替代，传统的工作岗位流失，衍生出“数据”“算法权利”等新的社会伦理问题。

　　我国金融科技公司目前服务的主要是自然人、小小微企业等传统金融服务没有很好触达的群体。与生产性受生产状况较强约束不同，消费性虽然名义上受未来收入约束，但更受消费者的消费推动，部分消费信贷需求与意外冲击有关，如疾病、自然灾害和社会仪式等。人类历史上对利息、高利贷的道德指责，与此密切相关。消费信贷能在消费者生命周期中平滑现金流，但也背上了沉重的道德负担。消费者或小小微企业（大量属于个体工商户）只能基于过去积累的现金流消费、投资生产，还是可以与大企业、有专业和风险承担能力的富裕阶层一样，借助社会杠杆实现自我梦想？考虑到这些主体缺乏足够的风险承担能力、专业判断能力，甚至必要的自我约束能力，不太适宜以独立经济主体参与金融活动，可能需要社会施加额外的约束。这时，普惠、良好的用户体验与诱导、给不具备能力的群体提供工具等就交织在一起，形成社会伦理上的困境。

　　此外，国内金融科技公司实践也引发了一些社会问题，如校园贷、现金贷。以普惠金融为名，未对客户进行充分评估，向实际收入低、还款能力弱却又偏好通过借贷实现超前消费的群体提供借贷，侵蚀了适度负债、合理消费的金融价值观，导致过度负债消费。特别是36%以上的高额利率给不具有负担能力的群体施加了巨大的压力，加上不规范甚至恶劣的催债行为，加剧了社会矛盾。

　　金融科技公司是基于海量用户的另类数据，通过大数据算法深度计算分析消费者的行为习惯、性格爱好、经济条件等，实现对消费者的精准画像，进而匹配符合其最大偏好和意愿的金融产品，达到“千人千面”的个体化服务。这满足了用户更深层次的金融需求，但同时也形成一种新型权力形态：算法权力，即金融科技公司运用大数据算法引导甚至是操纵用户的需求与痛点。典型的如大数据杀熟。又如，限制用户对信息的自由选择，将用户置于算法建立起来的泡沫之中，只能接触到自己喜欢或认同的内容，造成用户的自我封闭和偏见，影响用户的思维模式并可能扭曲用户的认知，不利于用户的长远发展。

　　金融科技公司的行为主要通过算法实现，人文社会中所关注的歧视（性别、年龄、种族、宗教、残疾等）问题可能被无觉知或有意识地嵌入算法程序之中。算法本质上是以数学方式或者计算机代码表达的意见，用非人格的技术性手段承载了人文社会的价值观，设计者和开发者的偏见可能会被嵌入算法系统。再考虑到数据的准确性和有偏性，机器具有自我学习、自我适应的能力，人类社会基于信息、认知的“反身性”特性等，更容易强化隐藏于数据、算法中的偏见，激化社会伦理上的矛盾，典型的如信息茧房、算法偏见等。

　　个人隐私保护既是社会伦理问题，也是大数据治理的重点。金融层面上需要接纳现行社会的人文价值观，在日常业务和行为中确保符合这些价值观。特别是金融科技公司在信息收集、处理和流通过程中都可能涉及个人隐私保护问题，需要高度重视。很多AI系统，包括深度学习，都是大数据学习，需要大量的数据来训练学习算法。一方面，在深度学习过程中使用的敏感数据可能泄漏，会对个人隐私产生影响，所以国外的AI研究人员已经在提倡如何在深度学习过程中保护个人隐私；另一方面，数据不断频繁流动，成为新的流通物，可能削弱个人对其个人数据的控制和管理。

　　数据治理是指在数据的收集、清洗汇总、加工处理、共享及使用过程中涉及的各类主体的权责利界定以及相互合作制衡机制。数据是现实世界中人与物及其行为在数字空间映射的结果。数据空间的权责利，从人的视角看，实际上是现实世界权责利的映射。但由于人类社会对大量权责利“日用而不知”，数据空间需将其清晰化。加上数字空间的行为通过算法实现，相对不透明、不易理解，且数据处理也衍生出大量新的权责利，如数据除需确权才能合理分配收益的共同原则外，还存在数据的权属与发掘追踪相联系，其价值也在共享开放中动态变化等，需重新界定。因而，数据权属和治理就有其特殊性。

　　实际上，数字时代就是数据从单点、黑箱向多层次、多类别、多环节、各方共同合作的方向转变，利益从终端变现环节向产业链各个环节，通过市场化方式合理配置的过程。这是“无中生有”的创造、迭代和认知、规制的过程。因而模糊和不清晰的混沌状态是常态，不宜因不清晰而贻误市场开拓和探索。

　　数据权属分为抽象意义上的人格权益归属和经济学意义上的财产权益归属两个层次。数据的人格权益归属已有较多共识，如数据主体对数据具有广泛的控制权，包括知情权、访问权、更正权、被遗忘权、处理限制权、可携带权和反对权。数据的财产权益归属问题，目前学术界和实务界争议较多，尚没有形成统一认知，甚至存在大量技术性问题。

　　人类历史上资产所有权的初始配置是基于暴力和武断的，而后通过市场交易，遵循帕累托改进方式交换所有权，最终实现相对有效的配置。数据要素作为一个新的生产要素，其初始产权的界定引发较大的争议。考虑到数据空间交易费用接近于零，具备条件通过交易的再配置功能，达到相对较优的所有者结构。因而，初始产权的配置，更多的是社会伦理学意义上的争论。市场配置后（均衡状态）的所有权，特别是收益权，呈现与要素对最终价值边际贡献相等的状态。因此，现倾向于直接根据要素（参与主体）对最终价值的边际贡献界定收益权。数据的价值，主要是借助特定算法和模型，最终通过出售内嵌数据的产品和服务（所谓的变现环节）实现。即数据最终的价值来源于对人类的有用性。因此，数据收益权的分配（权属）也是对数据最终能实现价值的分配。

　　与一般商品和服务的价值主张相比，数据要素的收益权主张有两个方面的特殊性。一是信息主体是否拥有价值主张的权利。一般商品和服务，属于无生命或者非人的客观存在，这些商品和服务本身不会对自身创造的人类价值有价值主张的问题。但数据生成的主体涉及自然人，就存在是否有价值主张的问题。从数据价值角度，大数据的价值来源于大量个体数据的汇总，且挖掘出这些数据背后的行为特征。类似于“干中学”和“社会科学研究”，是在“现场”“度挖掘”后才呈现出价值，是“无中生有”的过程。因此，既要承认数据产权特别是收益权的“共有”，又要给数据价值的挖掘和呈现保留足够的空间，否则所谓的价值只是“水中月”。二是数据产业链的参与主体是否以及如何参与最终实现的价值分配。类似工业生产，最终价值的实现应是消费环节，但生产链上的所有环节和厂商都参与最终价值的分配。数据价值在当前市场环境下的实现，主要集中在数据最终使用的载体——服务和产品，但应通过一定的方式，分配到数据产业链的各个环节。

　　近些年一些主要由外国科技公司提供服务的国家提出了“数字税”的概念，对因收集本国数据而产生的收益，由国家征收数字税，以平衡境内外收益的分配。总之，数据主体、数据收集加工处理者（包括数据收集者、控制者、处理者、存储托管者等）和数据使用者三方共同完成最终数据价值的实现，理论上应按边际贡献对最终收益有权利主张。

　　财产权意义上的数据权属是具体的。在动态展开的世界中，表现为数据链上的数据种类更加丰富，参与主体不断增多，分工细化、环节分离，形成分层、分类和分环节现象。数据权属的界定，要适应这种丰富和展开的特性，不宜限制市场多元演进空间，且要随着安全和隐私技术的变化动态调整。或者说数据权属的界定需要在微观上平衡安全、隐私和收益，在宏观上平衡社会可接受度、社会发展和经济效率。

　　在目前的技术能力下形成的共识包括：（1）数据主体对原始数据拥有人格权益，严格物理分离的去标识化数据和匿名化数据的处置权归属数据控制者，可委托第三方加工处理。（2）数据主体对衍生数据不直接拥有处置权，但收益权的归属需进一步凝聚共识。（3）个人数据的管理与数据的存储、处理相分离，并通过网络汇集（虚拟）等方法统一管理个人隐私数据，如韩国由政府搭建统一平台，汇集个人信用数据并由个人自我实施授权、删除等管理的“MY DATA”，欧盟提出的由信托机构统一管理的个人“数据信托”等。（4）数据应按照充分告知、充分授权，“最小、必要”等原则收集，按照“可用不可见”方式脱敏、安全使用，按照有限、合法目的方式使用。

　　大数据的核心价值在于连接与共享，无法连接的单体数据不具有大数据集合的群体价值，是数字时代最重要的“免费午餐”。良好的数据共享要求数据权属清晰明确，数据标准可连接的信息技术和合理的利益分配机制，能确保数据安全和隐私保护。正是由于数据确权、良好数据安全和隐私保护的信息技术、合理的利益分配机制尚不成熟，为保证安全和利益，数据被内部化于公司或集团内，数据加工处理等环节无法进一步细化和社会化（外部分工），严重影响了数据的社会化共享。

　　国际上提出三种可能的数据共享方式。一是建立数据经纪市场，由中立的“数据经纪人”汇总来自各种来源的互补性数据，以创建更有价值的数据集，然后将“合成”数据集提供给第三方。二是直接要求大型科技公司在保证隐私的基础上及时公开共享数据。三是由监管机构建立公共综合数据集，将数据打包成符合隐私要求的公品。我国数据共享正通过以下四个渠道进行探索。一是以征信体系为核心的信用信息共享，典型接入征信中心模式和百行征信模式，近期又扩大信用信息的概念内涵和外延，强化对征信业务和机构的管理。征信系统是金融体系在数据治理方面的先行先试，在征信数据收集、收费、数据使用等方面的管理做了尝试。二是各地方政府主导的以政务数据为主的数据共享，如“信易贷”模式，分级分类开放的上海市公共数据开放平台，北京金融公共数据专区、广东中小企业数据库等。三是数据交易所模式，典型如贵州数据交易所。四是金融科技公司通过市场化方式探索的数据共享方式，目前主要有三种模式：数据专区、多方安全计算与区块链技术。这三种模式都可以在技术上实现数据的共享，但相关的利益共享机制还需要进一步探索。如UCLPUD安全屋模式，推出安全管理、区块链及多方安全计算的安全屋平台，确保数据在安全的前提下流通共享；浪潮云的“数据铁笼”，按照“非授权不可用”“可用不可见”和“数据不出笼”等原则实现数据共享；上海通过区块链技术实现银行反洗钱数据的共享。

　　总之，数据共享在技术上主要基于隐私计算、数据标准衔接和数据安全等。或者说数据共享的技术本质上是在确保数据安全、可连接的基础上的隐私计算，形成的共识包括数据去标识化和匿名化（可用不可见）、数据不出域（存储和处理分离，减少数据传输过程和减少数据控制主体）、非授权不可用（有限目的使用）等。

　　为了与利益共享相衔接，结合数据特征，需在技术上实现动态、可信任地记录数据行为，以及将数据行为和最终的数据价值合理联系的利益分配机制。这就涉及数据价值的内部核算和外部定价问题。

　　数据价值的内部核算和外部定价是打开数据生产链条黑箱、形成数据产业的内部分工和社会合作竞争的关键。内部合理核算是市场主体独立参与市场竞争的前提。无论是全资子公司、还是合资公司，参与市场竞争都需要以相对稳定、有约束的合理核算为基础，否则就容易构成随意的内部转移定价，存在隐性的交叉补贴隐患，构成不公平竞争。

　　数据属于非竞争性、非排他性的准公共品，宜按照边际成本加总定价才能使社会福利最大化。但以下四种因素，使数据价值的核算和定价遇到困难。（1）较难区分数据的质量。关键信息和非关键信息的价值差异巨大，但数据“查验即使用”的特性，使得数据质量较难区分。或者需要独立第三方进行区分（一定程度的标准化），或者需要提供可信的事后区分技术。（2）数据价值的事后开发。单个数据可能并不具有价值，只有总体数据经过合适挖掘和开发才具有价值，且价值有无和价值的大小事前很难确定，特别对于创造性工作，如发现或细分新的需求、创意等。价值是事后依状态而定的，只有极少部分传统业务对特定数据已形成较为明确的价值判定。（3）数据价值大小还取决于开放度和共享程度，存在很多的不确定性。（4）信息收集成本非货币标价，即所谓的PIK（Pay-In-Kind）。数据收集机构往往以免费提供某种服务为代价，换取一定的数据收集，类似于物物交换。

　　“通证”可能是实现数据共享的非货币化利益合理分配的可选方式。我国曾出现的“链圈”和“币圈”的结合，提供了激励相容的类似“众筹”的数据共享机制。这就是所谓的“通证”，即基于区块链技术的新组织方式，依托众筹形态的权益凭证及其分配机制。具体而言，就是通过区块链技术可回溯不可篡改地记录各参与方的活动，并可根据实现的收益实施评估和分配贡献。不同的公司可以提出自己不同的分配方案，进行市场竞争即可。

　　金融科技并没有改变金融本质，金融监管的基本理念和逻辑也没有变化。金融仍是人和人之间基于信任的资源跨时空配置，是人类的合作机制之一，金融监管仍需要着力于资本、行为以及投资者、消费者保护等方面。此外，金融科技公司的监管还需关注并应对以下三个方面的变化。一是金融分工细分，联系网络化。二是服务了新客户群，形成了新的业务模式和组织方式，市场力量对比发生变化。三是数据驱动，需要在金融监管之外强化数据治理的规制。

　　金融将物理世界映射到金融空间，金融科技将传统的金融空间进一步映射到数字空间，金融的呈现形态和技术实现方式出现了变化。因而，需要找到数字空间的“对应物”，根据相同的监管理念和逻辑，采用科技方式监管。具体而言，现实世界的自然人，法律意义上的法人转变为数据空间中的节点——“人工智能人”，行为则对应于算法，与客户、合作伙伴的触达则从物理网点转为网页、APP和API等，基础设施等转为物联网、区块链、数据治理等。监管可以在区块链上设置特殊节点，通过算法监测和管理。

　　金融分工细化和网络化后，不再是传统的以单一机构为核心、全面承担金融链条上的全部风险。金融监管既可以通过合并报表、表外回表内、“穿透”等技术，回到传统的机构为主的监管，也可以创新监管方式，深入领悟监管精神，把握监管原则，根据金融形态变化再创造监管技术。

　　金融监管本质上就是要保证每个参与主体权责利对等，尽可能地将外部性内部化。或者说，就是要确保合适的人（股东、高管、营销和专业人员）和机构（资本金、专业和诚信、机构整体的资质、牌照管理）针对合适的客户（合格投资者：专业知识、风险承受能力和民事能力）以合适的形式（行为监管：关联交易、垄断行为、信息披露）提供合适的产品和服务（在合适的人群之间，在信息必要披露和市场力量相对均衡的环境下，公开公平公正开展合法活动，即保证参与方有足够的信息知情、专业能力和风险承担，相信市场能形成有效率的交易和价格）。可将这种监管精神分解到每个环节，保证在每个节点和行为都遵循这些监管理念。节点（机构）的边界，是除政府和法律调整的责任外，为且只为自己的行为承担全部后果的行为主体集合。

　　无论是基于映射的金融监管，还是基于网络化分工细化的金融监管，都是在原有金融范式下的金融监管。金融的数字化，不仅是传统金融关系和业务的数字化，而且是金融范式的转变。因此，需要将金融科技监管纳入数字时代的数据治理范畴，推动基于数字时代的金融管理。这既包括数据治理的一般性要求，也包括货币、金融在数字空间的独有形态和组织方式。货币（信任）和金融越来越“内生”，内嵌于生产生活中，“日用而不知”处于“隐”的状态，数字货币和数字资产具有自我演化特性，通过迭代自我成长。在自组织的数字金融生态中，货币调控和金融监管的必要性将逐步降低。金融管理与引导数字经济发展相融合，需为多样化的数字经济主体、模式留下足够的发展空间，更需践行“监管沙盒”所隐含的现实实验和开放成长理念。

　　金融科技公司的监管应平衡技术、金融和社会伦理之间的不同诉求，平衡金融科技公司的系统性风险防控和数字产业的健康发展，注重监管的效率和适宜性。具体而言，金融科技公司的监管宜遵循以下原则。

　　实现金融业务监管按整体和按环节分解无差异，由金融系统和非金融系统开展的监管无差异，即仅仅通过环节的细分，不同类型机构的合作不会带来监管红利，监管也不会阻碍分工细化和机构间合作。这并不要求一步到位。实际上只要市场存在套利机制即可，即监管要保留足够谦卑，认识到市场结果不合意既可能是市场主体的违法违规所致，也可能是监管政策不合理所致。如果是后者，应存在机制及时调整监管政策。此外，监管对技术保持中性，对不同技术路径不宜有价值判断，保持开放态度，重点放在技术使用上。

　　金融科技只是对金融形式的改造，而不涉及范式变革。为此，金融监管要顺应数字化转型大趋势，承认行业的深层次重构带来的中心和主体变迁，不拘泥于监管形式和现有做法，把握金融监管的精神实质，在技术和组织、流程重构后的新空间中再创造性运用。当然，需要平衡“破”和“立”的度和速度，控制转型风险，达到鼓励创新、控制风险、维护安全的目的。

　　金融监管是应对市场失灵，要重视监管效率，平衡好监管的收益与成本，不宜过度介入金融市场和机构的日常运营，不宜给市场带来过大成本。金融科技公司的监管依旧要秉持最小干预原则，避免对市场的过度扭曲。以损失效率、付出极高成本来维护金融稳定既不利于金融发展，也不利于金融体系的竞争力。监管的组织，包括人员编制和科技手段应用，宜与金融科技特点相适应，保证可行且有效。

　　技术是中性的，能提升效率，但技术的使用应该向善，社会形成共识的伦理道德观需要通过一定方式嵌入金融科技公司的业务、程序和监管之中。应防范金融科技公司借着“普惠金融”的旗号，过度触及没有风险评判能力、不能承担风险的服务群体，演变为诱导消费和过度信贷。需强化金融科技公司的反竞争策略、歧视性定价等反垄断审查，加大算法透明度要求，防止算法歧视，保护个人隐私。

　　金融科技公司介入金融领域后，金融链条上不同环节承担的风险性质不同。有些是部分出资，承担金融风险；有些只是管理和操作成本，承担经营风险；有些只负责技术系统的开发和运营，承担技术风险。金融中的尾部风险损失需要通过适度资本金吸收，但技术风险（信息技术和模型风险）、市场的商业风险（表现为经营或交易失败）需应有另外不同的管理机制。技术风险中的模型风险也要进一步区分：一是技术设计不当等设计开发的纯技术风险，二是使用者决策采纳并使用该模型所需要承担因模型不当引发的风险。前者为技术风险，应由技术提供方负责并承担，后者宜由决策者负责并承担，金融领域转变为金融风险。

　　金融科技公司是通过新一代的信息技术，将数据、技术和金融连结起来，并形成新的金融服务、组织和模式。科技公司和金融机构的监管文化和逻辑存在根本性差异，前者强调“法无禁止即可为”，后者需要“持牌经营”，强调“法有规定才可为”。因此，对金融科技公司性质的界定就显得尤为重要。

　　需要严格界定金融科技公司的“金融”属性，从监管的角度，是因为金融行为（属性）可能存在外部性和系统性风险，可能破坏市场力量均衡、损害消费者或投资者的利益。金融科技公司从事活动的风险种类较为复杂，涉及金融风险、技术风险和商业风险。金融科技公司介入的金融领域，往往只是某项金融业务多个环节中的一个或多个。金融业务边界不断模糊、缺乏所谓的“本源”业务，已使传统从本源业务认定“金融”属性的方法不再适用，需回到相对稳定的金融功能，重新梳理金融的本质特征，根据新业务、新模式、新流程再认定。

　　系统通过节点分散并承担最终风险。为了保证系统的稳健，需要保证每个节点微观和宏观上的审慎。这需要对承担风险节点的资本金、内部机制以及专业能力提出必要的要求。金融科技公司参与金融业务的某些细分环节，仅需对承担最终风险的环节施加与其实际风险承担相一致的资本等审慎管理要求。具体包括：需具备足够的专业能力、设计并运行良好的机制以及充足的资本金，并通过牌照或资质等方式加以确认。

　　金融科技公司的行为绝大部分是通过算法实现的。为此，除利用传统的会计、审计、律师等中介组织外，还需要以算法为基础强化行为监管。行为监管可主要在三个环节开展：客户触达和服务、与合作伙伴的交易、产品和服务的设计和提供。可将金融监管要求、社会伦理和反垄断审查等都嵌入行为监控中。一是将算法监管纳入平台监管中，在算法模型中构建监管要求、道德伦理和反垄断等方面的检测机制。二是构建算法审计。在算法开发阶段“融入”可审计性。三是提高算法透明度，要求企业数据决策系统可追溯与可复盘，建立分级的监管体系。对于适合公开的，要求其公开源代码或核心算法；对于涉及商业机密等因素不适合公开的，可规定其委托第三方专业机构出具审查报告或提供自我审查报告。

　　（1）分类多级牌照和资质管理。金融是具有强烈外部性和高度专业化的行业，仍需坚持“持牌经营”和资质管理。但金融科技的发展已将原有业务环节细化、分工社会化，单一综合牌照容易束缚分工合作的自然演化，为了给数字金融保留足够的空间和灵活性，可采取分类多级牌照和资质管理方式，按金融科技公司的实际开展业务类型颁发相应的业务准入牌照，涉及专业职能和面对公众的岗位时，需严格资质管理。

　　（3）调整监管组织和人员设置，进一步完善“监管沙盒”机制，解决监管滞后性。为了与金融机构数字化转型，特别是金融科技公司的发展相适应，可考虑在监管机构内部设立高级别的首席科技官或者首席数据官及配套支持部门。为提高监管的前瞻性、有效性，我国还可考虑尽快建立区域性创新中心，加大“监管沙盒”试点推广力度，提高试点的效率和适应性，更好监测参与试点的金融科技产品的风险规模及可行性。

　　数据在使用中实现价值，金融是数据价值变现的最重要领域之一。其中征信又是辅助金融活动的重要基础设施。因而通过在大数据背景下探索征信体系的建设，将为我国数据共享和治理提供宝贵的经验。

　　首先，合理平衡数据隐私保护和数据价值挖掘。在数字经济时代下，合理保护用户隐私，发展数据产业链，充分挖掘数据价值，是国家的核心竞争力。隐私保护的法律设计是影响数字经济发展的关键。美国是数字经济的领先者，这与美国现在实行的《加州消费者隐私法案》（CCPA），和计划实行的《加州隐私权法案》（CPRA）有关，因其隐私保护标准相对宽松，给数字技术留下了相当大的发展空间。欧洲没有真正意义上的互联网大数据公司，与欧洲较严格的隐私保护有关。欧洲通用数据保规（GDPR）对于欧盟用户进行严格的数据权益保护，在一定程度上是限制中国和美国等互联网创新公司。在数字经济时代下的国家层面竞争，就是要建立一套更合理有效的激励约束机制和基础设施，实现数据收集、加工处理、共享使用的数据产业链的社会化分工合作。

　　个人隐私保护可从以下三个方面的组合实现。一是法律保障。通过界定个人信息主体的权属和相关人员的行为空间来保护个人隐私。二是技术实现。通过数据处理、计算方法和管理技术等确保个人隐私。三是利益平衡。通过市场交易，承担一定的隐私泄漏风险以获得更好的服务或收益。

　　其次，分级分类牌照，推动市场分层竞争。从个人信用数据收集、信用信息的挖掘，再到提供信用产品和服务，是一个产业链。随着社会分工的发展，链条中的环节将不断细化，并由不同机构专业化实现。征信业务和征信机构是有明确定义的个人信用信息收集、处理和使用，绝大部分国家都对其施加较为严格的规定。为了保护消费者权益，需要实施必要的牌照管理。但为了给市场分工留下空间，促进数据产业的健康发展，有必要根据使用信用数据与最终金融决策的相关性不同，根据参与产业链分工的职能不同，实施分级分类牌照管理，最终形成以中国人民银行征信中心为国家个人征信工作的基础设施，几家有限竞争的全牌照征信机构，数量较多的市场化的替代数据征信机构，其他与全牌照征信机构合作的信息处理机构的多层次竞争的市场格局。

　　最后，重点管理数据收集、发布和使用环节。个人信用数据的管理，应主要基于消费者权益保护和推动市场健康发展。从数据是现实世界映射的角度，关键是管理好数据与现实世界的连接渠道，包括收集（数据形成时的连接）和应用场景（数据最终使用时的连接）两个维度。个人信用数据在金融决策，如信贷、保险等，以及部分重大经济事项，如招聘等，对个人的生活具有重大影响。这部分决策所依据的个人信用数据应具有高度相关性和准确性，需严格限定其依据的信用数据来源。个人信用数据的发布也会对个人生活带来影响，需要有资质的专业人士确保报告的准确和可信。因此，从数据治理的角度，征信行业宜从数据的收集、使用（变现）和发布三个环节重点管理，为中间的数据加工、共享环节，为不会对个人生活产生重大影响的其他使用场景，在保证数据安全和隐私保护基础下的市场化运作留出足够空间。