汪小亚：AI赋能新就业群体专属普惠金融创新

转载于：中国金融 ｜ 作者：汪小亚｜责任编辑：侯皓议

导读：唯有技术创新与制度变革协同推进，庞大的新就业群体才能真正从金融服务的“盲区”走向“主场”

作者｜汪小亚「清华大学中国农村研究院学术委员会委员，西南财经大学博士生导师」

文章｜《中国金融》2026年第16期

平台经济的指数级增长催生了以算法为管理核心、以任务为基本单元的数字零工经济。以外卖骑手、网约车司机、快递员等为代表的新就业形态劳动者，已从边缘补充力量演化为城市社会经济运行不可或缺的“基础设施性劳动力”。然而，平台用工关系大多处于“不完全劳动关系”的模糊地带，从业者在劳动过程中受到平台算法的实质性管理，但其与平台之间在法律上难以被认定为标准劳动关系，因而缺乏标准劳动关系所赋予的各类权益与保障。因此，新就业形态劳动者的金融服务困境随之而来——无稳定收入证明、无连续社保记录、无合格抵押物，这也将新就业群体排除在标准化信贷与保险产品之外，仅借用通用的普惠金融做法难以解决现实问题。因此，如何为新就业群体提供专属普惠金融服务，如何利用人工智能（AI）技术为新就业群体提供专属普惠金融服务，已成为时代命题。

新就业群体金融服务的三大错位

一是信贷需求与信用评估的错位。在需求端，新就业群体收入呈现“碎片化”特征，常为“日结”或“按单结算”，不稳定且波动大；资金用途呈现“应急性”特征，主要用于应急周转而非大额投资，超过70%的新市民将消费贷款用于应急周转，资金需求呈现“小额、高频、分散”的特点。在供给端，银行放贷需要“抵押物、稳定工资流水、连续社保公积金缴存记录、在职证明”等标准化材料，“缺数据、难评估”的困境直接导致新就业群体信贷申请被拒。

二是现金流结构与还款模式的错位。传统信贷产品以“按月等额本息”为基本模板，假设借款人具有稳定、可预期的月度现金流。然而，新就业群体的收入呈现“峰谷交替”特征，旺季与淡季、雨天与晴天、工作日与节假日的收入差距可达一倍以上，传统月供模式与其“日结周清”的收入模式存在根本性冲突。在收入波谷期，即便有还款意愿，也可能因现金流枯竭而被迫违约；在收入波峰期，又无法提前灵活还款以节省利息支出。与此同时，抵押物缺失进一步加剧了这一矛盾。大多数新就业群体是农村户籍进城务工人员，名下无房无车，传统抵押担保路径走不通，人力资本与行为数据又无法被识别为合格担保形式，金融机构只能以极高风险溢价或直接拒贷来回应。

三是服务触达与数据识别能力的错位。其一，开户门槛高。新就业群体没有固定单位或本地社保，难以提供开户所需的证明材料。其二，账户功能受限。收入“小额、高频”与银行风控系统认定的“可疑交易”特征高度吻合，导致账户频繁被冻结或交易额度受限。其三，服务时间不匹配。日均工作10～14个小时，线下网点营业时间与其工作时间高度重叠，线上操作流程仍偏复杂。其四，数据维度逆转。传统金融依赖的社保、公积金等信号缺失，而平台行为数据（接单记录、配送轨迹、用户评分等）虽具有更强的信用预测力，却被排斥在现有征信体系之外，形成“信息越丰富、评估越空白”的尴尬局面。

现有普惠金融的适应性局限

中国普惠金融经过十余年发展，已在覆盖广度上取得显著成就。然而，这一体系难以有效服务新就业群体，原因并非“量”的不足，而是“质”的不适应：运行逻辑与新就业群体的劳动形态之间存在根本性错配。

传统普惠金融沿袭的三条路径：微型信贷、联保贷款和简易账户，共享一个共同前提：借贷双方需要共享一个可验证、可追溯、相对稳定的社会与经济身份框架。微型信贷要求借款人提供经营活动稳定性证明（如营业执照、固定摊位），但新就业者的经济活动没有固定经营场所，收入凭证分散于平台APP中；联保贷款依赖社区成员间的相互监督，但骑手、司机穿梭于城市，缺乏传统社区所必需的聚集性与日常互动密度；简易账户虽降低了开户门槛，但在缺乏稳定流水证明时，账户功能往往被限制为“只存不贷”，无法成为信贷服务的入口。因此，仅靠降低门槛、简化证明、延长周期等边际改进手段无法触及根本。新就业群体需要的不是一般普惠金融的简单延伸，而是一个能够识别其碎片化劳动形态、适配其收入节律、认可其行为数据信用价值的专属普惠金融服务体系。

从“通用产品”到“专属产品”的转向，核心突破在于将信用评估的锚点从“借款人能提供什么证明材料”转向“借款人在平台上做了什么”，以行为数据替代收入证明、以实时经营记录替代历史征信、以场景识别替代抵押担保。这一转向为专属普惠金融的技术深化奠定了基础。但要从“专属产品”走向“可持续的专属普惠金融服务体系”仍面临以下三个问题。一是数据获取与风控能力不足，“管得住”的基础尚不牢固。头部平台掌握着从业者的接单记录、配送轨迹、用户评价等核心行为数据，但出于商业竞争与隐私合规考量，数据开放意愿有限；《中华人民共和国个人信息保护法》对数据使用的严格限定，也使银行在获取和利用这些数据时面临合规成本。与此同时，新就业群体几乎无信贷违约记录等“历史锚点”可供建模，银行难以精准评估风险溢价。在当前探索中，要么因数据不足而无法授信（牺牲可得性），要么因评估失准而面临风险（牺牲可控性）。二是商业可持续性面临考验，“做得久”的动力尚不充足。新就业群体单笔贷款金额小、利润微薄，而传统尽调、审批的人力成本却居高不下。加之收入波动大、违约风险较高，一旦坏账率上升，微薄的利润将被迅速侵蚀。这种“单笔利润薄、单户成本高、风险波动大”的结构性矛盾，使得不少金融机构在“政治账”和“经济账”之间左右为难。三是外部欺诈风险加剧，“防得住”的底线面临威胁。新就业群体长期在线上完成交易，收入依赖平台结算，反诈意识相对薄弱，使其成为非法金融活动的重点目标。购车租车类套路贷以“零首付、低月供”为诱饵，刻意隐瞒高额担保费、服务费，实际年化利率严重超标；平台捆绑金融营销通过弹窗强制推送消费贷产品，默认勾选分期、自动扣款，刻意模糊息费披露；个人信息被诱导出借、出租，沦为洗钱和诈骗的工具；虚假代理维权与非法集资谎称可代办“征信修复”，或以普惠金融名义非法吸储。这些外部风险不仅损害从业者个体利益，一旦形成规模性违约或群体性事件，也会反向传导至金融机构，造成系统性坏账和声誉风险。这三个问题表明，在缺乏传统信用评估依据的前提下，如何做到“看得清、信得过、管得住”，正是AI技术能够发力的方向。

AI破局：专属普惠金融在数据、信用与定价上的三重突破

AI技术之所以能够成为破解新就业群体金融服务困境的关键变量，源于其在数据融合、信用评价、风险定价等多个层面所带来的根本性转变。

• 数据端：AI提升个人行为数据价值化

传统信贷定价的核心瓶颈在于“数据匮乏”，不是没有数据，而是传统定价模型无法识别新就业群体在平台生态中留下的行为数据。接单频次、配送时效、用户评分、收入流水这些高度结构化的行为数据封闭于平台企业的商业系统内部，形成“局部透明、整体黑箱”的信息结构。AI技术从两个维度突破了这一瓶颈。一是将“行为轨迹”转化为“信用信号”。AI技术可将原本游离于征信体系之外的“替代性数据”转化为可量化的信用信号。例如，上海华瑞银行接入“全国道路货运车辆公共监管与服务平台”，与中通快递、京东等合作，直接从平台获取车辆运行轨迹、运单量、结算记录、在途时长等真实经营数据构建动态信用模型。货车司机的信用评估不再依赖其是否有房有车，而是基于其真实的营运行为——每天跑了多少公里、接了多少单、结算是否及时。数据从“借款人自己说的”变成“平台实时记录的”，真实性、时效性和颗粒度均发生质的飞跃。二是将“数据孤岛”融合为“信用图谱”。新就业群体的信用信息散落于各平台，孤立存在时难以产生价值，AI技术可将分散的数据打通，构建立体“信用图谱”。通过持续追踪骑手的接单稳定性、配送准时率等行为数据，AI可生成实时更新的信用评分，使金融服务精准匹配个体实时需求，创新出“随借随还、按日计息”的信贷模式。网商银行的实践表明，AI大模型可使小微信用画像效率提升10倍，配合“百灵”智能风控系统可实现“秒批秒贷”。

• 信用评价端：AI提升个人信用数字化

传统信用评价以不动产、工资流水、历史征信记录为锚点，本质是“物化的信用”和“事后验证”。新就业群体恰恰缺少这些历史数据，被系统性地判定为“不可评估”。AI技术从两个维度重构了信用评价的逻辑。一是AI驱动信用评价从“静态抵押”到“动态信用”。AI技术从看似零散的海量数据中提炼出可靠的信用信号，将经营流水、物流信息、进销存记录、水电费缴纳、履约历史等多维度非结构化的数据加以融合，转变为可量化的信用特征。例如，针对新就业群体，金融机构可以接入其接单记录、收入流水、履约情况等核心数据，这意味着，一个外卖骑手即使没有房产和过往贷款记录，但如果每天稳定的接单量、良好的履约评分和持续的收入流水构成了可信的“数字信用”，其同样可以获得合理的信贷服务。二是AI驱动信用评价从“事后验证”到“事前预测”。传统信用评价的核心锚点是“历史资产”如不动产、过往贷款记录、稳定的工资收入等。这一逻辑本质上是一种事后验证机制。而AI技术通过对多模态、高频、异构数据的实时学习与预测，能够构建事前预测型信用评价机制。例如，外卖骑手即使没有任何历史信贷记录，但其每日稳定的接单量、持续提升的准时率、良好的用户评价，均可转化为可量化的“数字行为信用”，预测其未来的还款能力与意愿。

• 风险定价端：AI提升个人信用定价精准化

如果说信用评价端解决的是“信得过”的问题，风险定价端解决的则是“值多少”的问题。AI从多个维度推动了风险定价的精准化。一是从“孤立评估”到“生态定价”。新就业群体嵌入在特定产业链与平台生态之中。AI技术能够识别这一“生态位”，并将其转化为信用定价的依据。例如，网商银行“大雁系统”可通过AI大模型精准识别企业与链主企业关系等关键信息。一个为某品牌提供配送服务的骑手，其信用不仅取决于个人接单记录，还取决于所服务品牌的信用状况与产业链地位——“信用溢出效应”使原本孤立的个体劳动者能够借力产业链信用获得更优融资条件。二是从“静态利率”到“活利率”。传统信贷利率在贷款发放时锁定，假设借款人风险水平在贷款期间不发生显著变化。但对于收入波动剧烈的新就业群体来说，这一假设几乎从未成立。AI技术使信贷风险定价从“静态”走向“动态”：精准识别用户的信贷诉求与经营状况，智能化判断风险水平，自动匹配贷款产品与额度。三是从“群体均值”到“个体动态”。传统保险精算依据年龄、职业、地域等静态特征进行群体分层定价，在风险高度情境化的新就业群体面前存在双重缺陷：低风险者被过度收费，高风险者被不足收费，最终催生逆向选择。AI将风险定价单位从“群体层”收缩至“个体—事件层”。以骑手按单保险为例，定价模型可纳入配送路线历史事故率、实时天气、时段、个体疲劳指数（通过深度学习对过去72小时“工作—休息”节律进行模式识别）等数百个动态变量。平安产险广东分公司按天投保模式累计服务外卖骑手2.37亿人次，提供保障超235亿元，累计赔款6.27亿元。

政策建议：为AI破局构建制度保障

AI技术在数据、信用、定价三个层面的突破，为专属普惠金融发展提供了技术可能。但技术能否转化为现实效能，还需要配套的政策环境与制度安排。当前，AI在金融领域的应用仍处于“机构自发探索、政策滞后跟进”的状态，一些问题急需回应解决。

• 明确AI能力建设的优先方向：基础设施优先还是机构能力优先

从新就业群体的服务需求来看，仅靠金融机构各自为战难以形成规模效应。目前，网商银行、平安产险等头部机构已经具备了较为成熟的AI风控能力，但广大中小金融机构在数据基础、技术积累和人才储备方面差距明显。如果每个机构都从头搭建AI系统，既是重复投入，也难以形成统一的服务标准。建议将能力建设分为两个层次推进：一方面，在宏观层面优先推动公共性金融基础设施建设，包括统一的行业数据接口标准、可共享的算法公平性检测平台、面向新就业群体的数字信用档案体系；另一方面，在微观层面鼓励中小金融机构与专业金融科技公司合作共建，以“能力输出”而非“各自开发”的方式降低技术门槛。目前，部分金融科技公司已制定成熟的小微金融AI风控解决方案，可通过技术输出的方式赋能中小金融机构，使其在不承担高昂研发成本的前提下，具备服务新就业群体的基本能力。

• 防范“数据鸿沟”与“算法歧视”风险

AI赋能的深层风险在于它可能不是消弭差距，而是固化甚至放大差距。一是在“数据鸿沟”方面，头部平台掌握最丰富、最完整的从业者行为数据，其合作的金融机构在模型训练上具有先天优势；而中小金融机构获取数据的渠道有限，模型精度和覆盖面均处于劣势。如果这一趋势持续，专属普惠金融的服务格局可能出现“强者愈强、弱者愈弱”的马太效应，广大中小金融机构被进一步边缘化，其服务的新就业群体也难以获得与头部平台用户同等质量的金融服务。二是在“算法歧视”方面，AI模型的“科学性”可能掩盖社会偏见的再生产。若训练数据本身隐含了对特定群体的系统性低估，模型输出将固化和放大而非消解这些偏见。针对上述风险，建议从三个层面建立防控机制：算法层，引入公平性检测机制，定期评估模型在不同户籍、性别、年龄群体间的拒绝率与定价差异，防止系统性歧视；制度层，探索建立行业级的算法审计制度，对关键风控模型进行第三方独立评估，确保模型的公平性指标在可接受范围内；救济层，保留人工审核渠道，赋予用户对算法决策的知情权与异议权，确保关键决策留有救济通道。

• 推动制度协同与监管框架适配

现行监管框架对AI在金融领域的应用尚未形成系统性的制度回应，尤其是在专属普惠金融这一新兴领域，以下三个方面的制度缺口亟待弥合。一是数据治理框架的标准化。不同平台的数据字段定义、接口规范、更新频率互不兼容，金融机构逐一对接成本高企。建议由监管部门牵头，联合行业协会和头部平台企业，制定行业级“新就业群体数据共享标准”，在用户授权前提下统一数据字段与传输协议，降低制度性交易成本。同时，探索隐私计算技术的应用，实现“数据可用不可见”，兼顾数据价值挖掘与个人信息保护。二是差异化监管指标的探索。针对新就业群体服务的坏账率容忍度、定价区间、赔付率等关键监管指标尚未明确，建议参考普惠金融领域的差异化监管经验，设立专属普惠金融的专项监管指标，在一定容错空间内允许创新试点，同时探索“专属普惠金融专项风险准备金”制度，由政府与金融机构按比例共担超额损失，平衡普惠性与商业可持续性。三是消费者权益保护机制的完善。AI算法决策的复杂性使消费者难以理解金融服务的获取或拒绝原因。建议在制度层面推动“算法可解释性”要求，金融机构有义务以通俗语言向用户说明影响其金融服务的核心变量及其权重，并建立便捷的异议申诉与人工复核通道。

• 构建多方协同的服务体系

专属普惠金融的可持续推进，不能仅靠金融机构一方的努力，需要形成多方协同的服务格局。建议从以下三个方向发力。一是推动平台企业有序开放数据接口。在用户授权和隐私保护的前提下，明确平台企业向金融机构提供脱敏行为数据的合规路径和标准，避免因商业竞争和合规顾虑导致“数据孤岛”持续固化。二是加强新就业群体的金融素养教育。针对新就业群体的金融脆弱性特征，将金融知识普及纳入行业培训体系，帮助从业者识别套路贷、非法集资等常见陷阱，提升其风险识别能力和理性借贷意识。三是完善跨部门协同监管机制。金融监管、人社、公安等部门应建立信息共享与联合执法机制，共同打击针对新就业群体的非法金融活动，形成“技术防控+制度约束+执法震慑”的立体防线。

总之，AI为专属普惠金融“破局”提供了技术杠杆，但撬动杠杆的力量来自制度。唯有技术创新与制度变革协同推进，庞大的新就业群体才能真正从金融服务的“盲区”走向“主场”。

THE END

转载声明：本微信公众号刊登的文章仅代表作者本人观点，不代表中国普惠金融研究院及本微信公众号观点