源点credit | 中国的社会信用体系与公众舆论

源点注：本文是德国学者柯珍雅（Genia Kostka）新近发表的一篇研究报告，在所有我们能获得的外部世界对中国社会信用体系的研究文献中，这篇报告非常特别。它基于难能可贵的样本调查，呈现了中国人自己对社会信用体系的看法，研究结果迥异于外媒常见的加在中国社会信用体系上的偏见，有助于廓清英文世界因缺乏了解而产生的迷雾。

尽管只有2000多个样本，德国人非常严谨地分析了各种变量对社会信用体系认同的影响。国内是否有过这样认真研究普通民众对社会信用体系的看法？也许有，我们视野局限，没有看到过。我们感到，只有充分体察各阶层、各主体在社会信用体系中的真实而各异的看法，求同存异，凝聚共识，才能行稳致远吧。

源点SCSs翻译组3名成员合作翻译了这篇报告，时间仓促，能力有天花板，请专家原谅指正。为了便于网络阅读，我们删去了原文中的脚注和参考文献。

尊重原作者版权，这里标原创只是方便看到转载情况。

SCSs翻译组成员：彭晓瑜 董振磊 李鹏辉

摘要

目前，中国正在实施各种企业主导和地方政府主导的社会信用体系，以规范和引导个人、企业、社会组织和政府机构的行为。之前的研究发现，这些社会信用体系被政府作为“监视设施”，用于社会管理。本文侧重于一个不同的视角：公众对社会信用体系的看法。根据一次跨区域调查研究发现，受访群体对社会信用体系表现出了令人惊讶的高度认同。有趣的是，具有更大社会优势的民众（富裕的、受过良好教育的和城市的居民）和老年人，表现出最高度的社会信用体系认同。虽然人们可能认为这些知识丰富的公民最关注社会信用体系对个人隐私的影响，但他们似乎拥护社会信用体系。因为他们不是用隐私侵犯的视角，而是用一种社会效益框架，即社会信用体系能够促进社会和经济中的诚信交易这一点，来解读社会信用体系。

关键词：社会信用体系，评级体系，公众舆论，声誉体系，社会管理，中国

JEL分类号：P00，O38，O33，O53，O18，H79，H10，H81

1. 引言

近年来，中国在政府治理过程中充分运用大数据技术，并取得了快速的进步。例如，中国已开始利用大数据改善环境治理，包括建立智能环境预警和监测系统，以及国家污染大数据平台。除了利用大数据进行更有效的政策制定和执行外，社会控制和管理当中也越来越多地使用尖端技术来解决社会问题，预防社会不稳定因素。新出现的社会信用体系（Social Credit System）是一项有可能从根本上改变国家对社会和经济治理方式的新变革。在这一体系下，个人、企业、社会组织和政府机构基于其“可信度”被评估。正如之前有些评论者所指出的，这不是一个简单的统一体系，因为它包括了地方政府和商业公司运作的不同方案。这些不同的社会信用体系方案的共通之处在于，通过实施奖惩制度，指导境内的个人、企业及其他组织的行为。然而，政府和企业的社会信用体系试点在目标和方法上有显著的区别。政府主导的社会信用体系试点是强制性的，（即目标包括所有当地的公民、社会组织、政府机构和关键领域的企业），以及通过发布红黑名单 （即发布奖惩名单，特别是守信或失信行为），来改进执法和监管实践，并被用作社会管理机制。相比之下，商业领域的社会信用体系试点是自愿的，公民可以自愿选择加入并发挥像“忠诚计划”的作用，私营科技公司借此评估消费者的金融信誉，促进商业平台的应用，并拉动消费。

尽管媒体对不同类型的社会信用体系进行了广泛的讨论，并且该领域的学术研究发展速度很快，但中国公民对此的真正看法，目前还鲜为人知。首先，本研究评估了中国公民对社会信用体系的认同度，并确定了影响观点差异的原因。这一分析是基于2018年2~4月间对全国各地2209名受访者进行的在线调查，并以年龄、性别和地区为加权因素。这个调查以年龄（年龄最大组的性别代表除外）、性别和区域（中部、西部、东部）为基础，对中国14~65 岁的上网人群进行了调研，具有一定的代表性。此外，在2018年的3月和7月，我们还对北京、上海地区的社会信用体系用户进行了15次半结构化访谈。这有助于我们更好地理解分析中未发现的公民对社会信用体系高度认可的原因。撰写本文有以下两个目的： （1）记录公民对不同社会信用体系类型的认同/不认同的总体水平；（2）找出影响公民对社会信用体系认同度的潜在因素。

本文在很多方面对现有研究有所贡献。首先，以往的研究主要认为社会信用体系只是中国共产党进行社会管理和控制的新策略，或关注特定地区的试验和试点，以及私营科技公司和政府之间的复杂关系。数量虽少，但日渐增多的研究调查了中国公民对社会信用体系的态度，并关注与商业社会信用体系有关的用户偏好和隐私问题。然而，到目前为止，研究成果都是基于非常有限的数据 （即对社会信用体系用户进行的访谈或媒体分析），因此，在与社会信用体系有关的社会舆论方面，人们很难提出更高的要求。本次调研中适用了独特的调查数据源，有助于我们理解不同公民群体对社会信用体系认同度差异的原因。该分析研究了潜在影响公民对社会信用体系看法的因素，包括公民社会人口背景和信仰所起到的作用、社会信用体系的特殊特征，以及公民对于社会信用体系的优缺点和功能的看法。

2. 文献综述

2.1国家规划和地方政府的社会信用体系试点

在国家层面，许多雄心勃勃的规划勾勒出了建立一个全国范围社会信用体系的具体计划，包括建立统一的社会信用体系所需的数据共享平台。规划中的国家社会信用体系将评估中国公民、企业和其他组织的信誉，以及他们是否遵守法律和政府的意识形态框架。“社会信用体系”的概念早在1991年就作为“解决商业和金融领域问题”的战略而出现。2007年，国务院发布了《国务院办公厅关于社会信用体系建设的若干意见》，随后18个中央政府部门启动了社会信用体系建设。在接下来的几年里，少数地方政府就开展了当地的社会信用体系试点，但直到2014年国务院发布《国务院关于印发社会信用体系建设规划纲要（2014—2020年）的通知》（以下简称《规划纲要》），并绘制了直至2020年的具体实施策略，才在国家层面上开始重视社会信用体系建设。

在2014年发布了《规划纲要》后，许多地方政府纷纷作出回应，在本地开展了社会信用体系试点。截止到 2018年7月，已有40多个省、市政府在本地建立了社会信用体系试点。这些试点都强调通过激励公民、企业、社会组织和政府机构，在食品安全和环境保护等关键执法领域遵守法律和规章制度，从而引导其行为符合道德和法律。针对那些实施失信或违法行为的个人和组织，政府发布了黑名单，对其实施诸如限制乘坐高铁、限制得到金融服务的机会等惩罚措施；而对于守信的个人和组织，政府发布了红名单，并给予税收减免、优先获得政府服务等奖励。在社会信用体系试点下，针对守信和失信行为，地方政府发布了越来越多的关于实施跨部门联合奖惩的协议。2017年12月，国家发改委和中国人民银行也选定了 “信用示范城市”，包括荣成、威海、宿迁、杭州、温州和厦门等。这些城市之所以入选，主要是因为它们在本地的社会信用体系试点中已经开展了广泛的应用，包括在关键领域建立红黑名单，建立信用信息共享平台，并与其他国家级或省级社会信用体系平台的数据进行互联互通。

研究人员认为，除了在中国社会和经济活动中引导更多的守法和道德行为之外，中国还将社会信用体系视为保持“威权韧性”的强有力的工具。Hoffman坚信社会信用体系是中国共产党更广泛的计划的组成部分，通过利用新技术来实现其社会管理策略的自动化，以便通过 “反馈回路”——个塑造、管理和回应的周期——来管理社会。这种强化机制结合了正反举措，促使全体公民不断进行自我监测，并调整自身行为。这不禁让人想起了福柯的政治理论；如果这项努力取得成功，共产党将拥有一种平息异议的强有力的手段，这一措施相对成本较低，而且不需要国家使用强制手段。

2.2商业化的社会信用体系试点

目前，商业公司开发的社会信用体系应用范围越来越广。2015年1月，中国人民银行批准了8家民营企业开展社会信用试点。最常见的商业化的社会信用体系是芝麻信用和腾讯信用，芝麻信用由蚂蚁金融服务集团开发，隶属于阿里巴巴；腾讯信用由腾讯控股有限公司开发。商业化的社会信用体系基于自愿原则，用户可以自愿选择加入。随着体系的发展，商业化的社会信用体系的功能不断拓展。截至2018年写作之时，商业化的社会信用体系为用户提供了广泛的好处，包括获得个人信用贷款的资格，更容易获得共享经济服务（如租用自行车或汽车），快速申请签证，在医院优先治疗和免费体检。虽然这些服务中有许多是针对使用移动支付服务进行日常交易的年轻一代数字群体，但在北京的访谈结果显示，有吸引力的金融服务尤其会鼓励老年人积极参与。芝麻信用评分每月更新一次，并根据五个因素来进行计算和加权：信用历史，用户行为（如购买行为、捐赠行为），履约能力和稳定的个人资产，个人信息（如提供可靠的个人信息）和人脉关系（如社交网络的质量）。用户并不了解用于创建分数的算法，因此无法分析和理解信用分的产生过程与依据。

监管者（央行和发改委）与阿里巴巴和腾讯等技术公司之间的关系一直很紧张。2017年，北京拒绝将最初授予8家民营企业的临时许可转化为正式许可，因为担心这些公司是否有能力确定完整、独立的信用评分，并解决潜在的利益冲突。2018年，中国人民银行发布了提供“个人信用服务”的唯一官方许可证：百行征信，其有效期仅为三年。百行征信由中国互联网金融协会和8家商业信贷服务公司（包括芝麻信用和腾讯信用）共同持股，其中，中国互联网金融协会占比36%，其余8家商业信贷服务公司每家占比8%。这意味着，唯一的“信联”成立后，将会作为加快建立统一的国家级社会信用体系的手段。由于中国互联网金融协会受央行的行政领导，因此，央行仍然保持了对这些公司及其社会信用体系的控制。

2.3公众对社会信用体系的认同度

尽管这些举措十分新颖，许多试点覆盖范围已经非常广泛，彻底融入了中国公民的日常生活，但学术研究很难跟上时代快速发展的步伐，很少有关于公民对社会信用体系的实际看法的研究与分析。有少量研究关注了中国公民对隐私权重要性和社会信用体系的看法，表明个人特征和信仰、社会信用体系的特殊特征以及感知到的社会信用体系的诸多功能，可以潜在地影响他们的看法。第一组研究指出社会人口因素在解释社会舆论差异方面的重要性。首先，中国公民对隐私保护的态度受到年龄的影响，因为 “30-50岁的受访者对企业收集的包含经济活动的数据戒备心最强…这一年龄段的人群积累了一定数量的储蓄，因而非常重视隐私保护”。该研究还表明，受过高等教育的受访者也更关心数据隐私保护。考虑到这些发现，人们会认为，年纪较大、受过高等教育的受访者对社会信用体系的质疑更多。同样，最近潘和徐在对公众偏好进行大规模在线调查后发现，在发展水平较高的省份，年轻、富有和受过良好教育的城市精英对民主制度和自由主义观点有着更强烈的偏好。因此，人们可能会认为，在中国，越倾向自由主义的公民，对社会信用体系的认同度越低。

文献还表明，对于谁来建设社会信用体系以及如何建设社会信用体系，中国公民的观点产生了分歧。王和于发现，对于公民来说，什么样的机构处理个人数据显得至关重要，因为他们对中央或地方政府的信任度高于企业。这一发现反映在Ohlberg等人对消费者如何看待政府和商业化社会信用体系的研究中。该研究表明，媒体舆论中的批评围绕着商业公司获取了过多的个人数据，而对政府却没有类似的指责。Ahmed对芝麻信用用户偏好的深入研究表明，接入到芝麻信用的第三方应用程序越来越多，导致中国公民开始质疑其透明度和现有的数据共享实践。Ahmed研究了公民的相应对策，发现一些用户避免将线上和线下的信息混在一起，例如不在支付宝上添加真正的朋友。

图1总结了一个概念框架，来理解中国公民对社会信用体系认同度的差异。影响公民对社会信用体系认同度的潜在因素可以划分为三类：第一类是指个人特征和信仰，包括社会人口因素、上网习惯、政治态度和信仰。第二类是指社会信用体系的特定特征，如分数的高低（报告的分数以及与亲朋好友相比的感知的分数）、计算分数的透明度、接收到的关于社会信用体系的信息、加入社会信用体系的方法（自愿与自动）。第三类包括感受到的好处和坏处，以及对社会信用体系的不同功能的感知（即：改善问责制、促使公民遵守规章制度和提高生活质量）

3.研究方法

3.1主要数据来源和问卷设计

2018年2-4月，我们与总部位于柏林的一家调查公司合作，在全国范围内开展了一项在线调查。该公司与中国多家运营网站和应用的公司合作。调查在网上通过桌面和移动应用程序进行，参与者来自一个拥有超过35万名中国用户的用户群，他们使用超过4万个不同的应用程序和移动网站。这些应用程序和移动网站包括不同类型的游戏、应用程序和网站，比如Design Home（一款模拟家居装饰的应用程序）、TVSmile（一款关于知识竞赛和获取奖品的应用程序）、Coin Dozer（一款游戏类应用程序）和Line（一款拥有2.2亿活跃用户的短信应用程序）。

该调查被展示在促销页面、应用程序和网站的页面上，提示用户可以采取行动进而获得奖励的清单。用户可以获得小额的金钱或非金钱奖励，包括获取优质内容（如新闻文章）、虚拟奖励（如游戏中获得额外生命）、礼品卡、优惠券、慈善捐款和PayPal现金。这项调查由用户自愿加入，即在线用户被邀请参加调研，但他们不知道调研的主题。而转化率（即调查开始后完成调研的人数比例）为64%。如果被调查者在很短的时间内用直线式的方式回答问卷（即几个答案连续相同）或答案前后矛盾，则问卷被视为无效。在排除无效问卷后，我们得到了2209名公民的样本。

取样过程反映了中国与年龄、性别和地区相关的互联网人口分布状况。根据美国人口普查局国际数据库（2016）、皮尤全球态度调研（2015）和Statista （2016）的最新统计数据，制定了基于年龄（14-65岁）、性别和地区的配额。根据皮尤全球态度调研的数据，我们调整了人群的互联网普及率，并根据Statista（2016）为三个地区（东、西、中部）制定了配额。为了获得具有代表性的普查结果，收集的数据以年龄、性别和地区为权重，最大权重值为2.0。在此过程中，很难得到来自西部地区的老年人的响应，而这类人群的权重为2.0。考虑到基于权重分布的设计效果的估计，预计总体误差为2.22%。附录中的表A1详细地描述了我们的抽样方法。

问卷由六个部分组成，包括人口统计、上网习惯、社会信用体系（参与者、获得分数、接受的奖惩、确认的功能），以及与个人关系、在线隐私和政治态度有关的问题。这些问题包括混合型问题：评分等级问题（类似于“李克特量表”和语义差异）、多项选择题（二分法问题，以及“选择一个”和“选择所有适用”）和开放式问题。调查对象可以选择不同的商业化的社会信用体系试点（如芝麻信用、腾讯信用）和地方政府的试点得出相应的信用报告。此处，我们针对某些问题组合设计了分支逻辑。

附录中的表A2和A3概述了受访者的主要特征（非加权和加权结果）和汇总数据。根据加权数据，39%的受访者为女性，61%为男性；55%的受访者年龄在14-30岁之间，42%的受访者年龄在31-50岁之间，3%的受访者年龄在51岁及以上。20%的受访者来自中国西部，35%来自中部，45%来自东部。绝大多数受访者（84%）居住在城市，而不是农村地区，这与城市地区的互联网普及率较高有关，而受访者正是通过线上的网站和手机应用被招聘的。31%的受访者表示他们的月净收入低于1000元，46%的受访者表示其月净收入在1000元—4000元之间，14%的受访者表示其月收入在4000元以上，另外有9%的受访者不愿透露自己的收入。1%的受访者没有接受过正规教育，14%的受访者接受过高中或初中教育，14%的受访者完成了高中或同等教育，71%的受访者完成了大学学位或同等教育。68%的参与者有工作，7%的人没有工作，12%的人正在学校、大学或职业学校接受教育，7%的人为个体经营者，还有6%的人在另一个类别（例如退休或残疾人）。

3.2数据分析

调研结果是通过多元线性回归方法分析的。这种分析方法有助于我们确定导致公民认可社会信用体系的因素，以及这些因素的影响有多大。该研究的因变量是对社会信用体系的认同度。由于该变量是绝对的，我们选择了有序逻辑回归。我们问的问题是：“你对社会信用体系的认同程度如何?”然后让受访者从以下选项选择他们的答案：1 =非常反对，2 =有点反对，3 =一般，既不赞同也不反对，4 =有点赞同，或5 =非常赞同。

自变量分为三类：个人特征和信仰，社会信用体系的特殊特征，以及社会信用体系的感知功能。第一类，个人特征和信仰。具体来说，包括年龄，每月家庭净收入（分为三级：1 =低于1000元，2 = 1000 —4000元，3 =超过4000元人民币），性别（0 =女性，1 =男性），受教育程度（1 =未受过教育，2 =受过低等教育，3 =受过中等教育，4 =受过高等教育），居住在城市或农村（0 =居住在农村，1 =居住在城市）和地区（东部、中部、西部—通过受访者选择的居住省份来判断）。我们还调查了受访者的上网行为，既与他们花费在智能手机上的时间有关（1 =我没有智能手机，2 =不到1小时，3 = 1 —2小时，4 = 3 —4个小时，5 = 4— 5小时，6 =超过5小时），也和他们在网上发布信息的频率（1 =从来没有，2 = 3 =每月几次，4 =每周至少一次，5 =每天至少一次，6 =每天多次）有关。我们还加入了一个变量，以衡量政治态度是否会影响受访者对社会信用体系的认同度：受访者被提问是否是中共党员，以及是否对政府治理国家的方式有信心（1 =完全没有信心，4 =完全有信心）。

第二类，社会信用体系的特征。因素包括报告的分数高低（不同试点的分数不同：芝麻信用用户的信用分是350-950分，腾讯信用用户的信用分是从0-850分），与其他亲朋好友相比的感知分数（1 =更低，5 =更高）。社会信用体系的其他特性包括对计算分数的方法的了解程度（1 =我不明白它是如何计算的，2 =我知道一点，3 =我了解很多），受访者对社会信用体系的了解程度这一需变量（0 =我还没有收到关于社会信用体系的任何信息，1 = 我收到了很多关于社会信用体系的信息），以及关于受访者是否积极参与社会信用体系，或者信息是否是自动集成（针对“选择所有答案”的问题，提问他们“为什么要使用社会信用体系?”，回答是“它被自动集成到我使用的移动支付应用程序中”：0 =不是，1 =是）。此外，我们询问了受访者是否认为其自身分数被公平计算（1=计算非常不公平，2=计算非常公平）。

第三类是对社会信用体系不同感知功能的判断与衡量。为了评估感知到的社会信用体系相关损益，受访者可以从“选择所有应用”的列表中选择（获得信贷没有/有任何困难，贷款利率低/高，存款利率高/低，申请签证顺利/困难，快速登记/限制乘坐公共交通工具或者购买机票，在线约会的积极/消极影响）。我们使用虚拟变量来表示受访者是否感知到了各自分数带来的好处和坏处（0 =否，1 =是）。此外，受访者被问及他们认为社会信用体系的功能是什么，在同意程度上，1 =“强烈反对”，5 =“强烈同意”，受访者被问及社会信用体系是否使得个人、公司的行为更诚实，并对他们的行为负责，以及当社会信用体系提高了他们的生活质量时是否介意其个人信息被收集。此外，还包括社会信用体系是否有助于促使公司遵守规章制度 （1 =不太有用，4 =非常有用）。

表1总结了所选自变量的假设和预期结果。

4.结果与讨论

我们分析的第一个结论是，商业化的社会信用体系在我们的受访者群体中覆盖率之广令人惊讶。正如图2所示，80%的受访者正在使用至少一种商业化的社会信用体系，只有7%的人意识到自己是地方政府运营的社会信用体系试点的一部分。42个地方政府开展了社会信用体系试点，而43%的受访者居住地位于这些城市；其中，只有11%的人意识到自己是当地社会信用体系试点的一员。这表明，政府运营的社会信用体系在范围和进展方面并没有典型例子所描述的那么优秀。在商业化的社会信用体系中，芝麻信用是最受欢迎的系统，有58%的受访者表示使用了其产品；其次，有31%的受访者表示使用了腾讯信用的产品，还有19%的受访者同时使用这两种产品。16%的受访者不参加任何与社会信用体系有关的事情。8%的受访者表示不知道自己是否参加过社会信用体系。

表2：不同的社会信用体系类型的使用情况（样本人数：2209人）

注：受访者可以参与多种类型的商业化社会信用体系以及政府社会信用体系

4.1社会信用体系认同分析

总体而言，受访者表示对社会信用体系的高度认同，80％的受访者要么赞同或非常赞同社会信用体系。只有19％的受访者对社会信用体系持中立的态度（既不反对也不赞同），而只有1％的受访者表示强烈反对和有点反对。在某种程度上，我们发现的，对社会信用体系的高认同度，与几乎不存在反对者的现象，可能反映了我们是在威权环境中进行调查的性质 – 尽管我们明确告知受访者，数据是匿名的且仅用于研究目的，一些更谨慎的受访者可能会因为担心表示不赞成导致政府的报复，而虚伪地表达了他们的真实看法。

然而，我们相信这种影响是微小的，因为有近一半的受访者（49％）表示非常赞同社会信用体系，表明公众的整体性认同是非常高的。我们对不同年龄的公民的半结构化访谈进一步证实了这种高认同度。也就是说，大量持中立态度的受访者（既不反对也不赞同）可能表明存在一群“怀疑者” – 5人中就有1人 – 他还不相信社会信用体系。

表2总结了我们的受访者群体中，不同群体之间的认同水平的差异。有趣的是，地方政府社会信用体系试点城市的受访者中，对社会信用体系的认同度最高，其中64％的受访者非常赞同社会信用体系（第1类）。相比之下，参与商业社会信用体系试点的受访者中对社会信用体系的认同率相对低一些，55％的受访者非常赞同社会信用体系。这种差异可以用之前的研究观点来解释，即公众认为政府是一个更值得信赖的个人数据处理者，并且更愿意参与政府社会信用体系试点而不是商业化的社会信用体系试点。

4.2社会-人口因素双变量分析

社会信用体系的认同度因年龄、收入、性别、教育水平和地区而异，如图4中的各个图形所示。51-65岁年龄组的认同度最高，56％的受访者非常赞同社会信用体系。收入较高的受访者的社会信用体系认同度也较高。男性和女性受访者的态度相似，男性受访者略微积极。受教育程度最高的受访者群体中的认同度最高，而受教育程度较低的受访者群体中的认同度最低。城市居民的认同度高于农村居民（82％和68％）。各地区之间的批准没有显着差异：西部地区的受访者态度略微积极（82％赞同或非常赞同），其次是华东地区（81％）和中部地区（79％）。总体而言，其中一些调查结果令人惊讶，因为Pan和Xu（2018）目前的研究表明，在中国，年轻，受过良好教育的沿海城市居民倾向于自由主义观点，并且人们期望自由主义者会更加怀疑社会信用体系。虽然我们发现较年轻的受访者确实不如年长的受访者那样认同社会信用体系，但有些出乎意料的是，受过良好教育且更富裕的受访者更强烈地认同社会信用体系。讨论部分将详细阐释这些差异，论证中国城市居民是用一个从社会信用体系中获得更广泛的利益的框架来看待社会信用体系的。

图4：社会信用体系认同度结构：不同年龄、收入、性别、教育水平、城乡和区域(加权值，总人数=2209)

注：教育水平分类如下：无=没有受过正规教育；低=高中肄业或初中毕业；中等=高中毕业或同等学历；高=完成大学学位或同等学历。

“怀疑者”，即那些非常反对、有点反对和既不反对也不赞同的20％的受访者，其特征可归纳如下：他们是年轻人，收入很低，更大可能是女性，受教育程度为零或很低，更有可能生活在农村地区（表3）。

4.3认同社会信用体系的决定因素

为了度量不同的自变量的解释力，我们在表4中建立了几种逻辑回归模型进行分析。首先，我们分析了社会人口统计特征和上网习惯（模型1和模型2）的影响。然后，我们依次将政治态度（模型3），社会信用评分的高低（模型4），社会信用体系的特征，包括社会信用体系信息的获得性、参与社会信用体系的模式和社会信用体系的公平性（模型5），因社会信用体系而获益或受损的影响（模型6），以及公众感知到社会信用体系的作用（模型7）等因素加入模型进行分析。16

注：*** p <0.01（极其显著），** p <0.05（显著），* p <0.1（一般性显著）；

因变量是“社会信用体系认同度”（1 =非常反对，2 =有点反对，3 =一般，既不反对也不赞同，4 =有点赞同，5 =非常赞同）；不带括号的数字是指有序逻辑回归系数；括号中的数字是各个回归系数的标准误。

我们对社会人口统计学的回归结果有些惊讶（表4，模型1）。年龄，收入，性别，教育（低教育除外）和（城市或农村）地点变量统计上显著且具有正面影响。换句话说，认同社会信用体系的受访者往往年龄较大，收入较高，男性，教育水平高，并且居住在城市地区。在这些重要的社会人口因素中，教育水平的影响最大，其次是收入和居住地（城市/农村地区）。我们进一步发现地区（东部、中部、西部）没有统计上的显著影响，这意味着在我们的样本中没有影响个体对社会信用体系的意见的区域效应。换句话说，此分析不支持以下假设：假设1（年轻公民的社会信用体系认同度更高），假设2（收入低的公民对社会信用体系的认同度更高），假设4（受教育程度较低的公民对社会信用体系的认同度更高）和假设6 （东部地区对社会信用体系的认同度更高）。该研究结果仅支持假设3（男性公民对社会信用体系的认同度更高）和假设5（城市地区居民对社会信用体系的认同度更高）。

我们发现在智能手机上花费的时间没有显著性的负面影响（不能确认假设7），以及社交媒体在线发布频率的具有较低但显著性的正面影响（确认假设8）。 是否为中国共产党员和对政府的信心的影响较小（分别为0.314和0.589），但具有统计显著性（确认假设9和10）。模型4发现受访者信用评分分数本身与其对社会信用体系的认同度没有统计上的显著影响（不能确认假设11）。但是，如果用户认为他们的分数略高于他们的亲朋好友，那么有序逻辑回归的系数估计值很大且显著性很高，证实了假设12。此外，调查结果显示是否有关如何计算社会信用评分分数的知识是影响社会信用体系认同度的重要因子（确认假设13），而收到社会信用体系相关信息对社会信用体系认同度没有显著性的影响（不能确认假设14）。主动参与社会信用体系而不是被自动整合到社会信用体系中，与社会信用体系认同度负相关，但相关系数并不显著（不能确认假设15）。 社会信用体系认同度的一个非常有力的预测指标是个人社会信用评分的公平性——这里，有序逻辑回归的系数估计值为1.241，且具有非常高的显著性（确认假设16）。

我们的分析进一步表明，在社会信用体系中获得实际利益的受访者的社会信用体系认同度更高，其有序逻辑回归的系数估计值为0.811（确认假设17）。我们发现在社会信用体系中利益受损，有着统计上不显著的负面影响（例如，获得信贷困难，公共交通限制或共享经济服务受限），因而不能确认假设18。三个对社会信用体系功能作用的感知因素都具有非常大且统计上显著的影响： “社会信用体系是使个人和公司更加诚实和对其行为负责的有用工具”的有序逻辑回归系数0.775，（确认假设19），“社会信用体系对确保公司遵纪守法很有用”的有序逻辑回归系数是1.732，（确认假设20）， “社会信用体系有助于改善生活质量”的 有序逻辑回归系数是0.766（确认假设21）。

4.4讨论

总的来说，最有趣的结果可能是关于个人特征和信仰的意外发现。根据Pan和Xu（2018）的研究成果，我们本来预计，由于担心侵犯隐私权和政治自由，年轻、富裕、受过良好教育的受访者不太可能支持社会信用体系- 毕竟，保证个人利益不被政府侵犯是可以回溯到约翰·洛克的自由主义思想的支柱。虽然我们样本中的年轻受访者似乎对社会信用体系相对而言更加慎重，但年龄较大的“社会精英们”（受过良好教育和富裕的人）对社会信用体系的态度无比积极。

调查结果还表明，农村地区的居民对社会信用体系认同度相对较低。一个可能的解释是，农村地区的受访者对社会信用体系不太了解，因而更加怀疑它。43％的农村地区受访者表示不知道他们的社会信用评分是如何计算的，而城市地区只有36％的受访者是这样的情况。另一个也许更令人信服的解释可能是，农村地区的受访者可能无法平等获得社会信用体系所能提供的福利和服务， 87％的农村居民和88％的城市居民因参与商业化的社会信用体系而获得了某种类型的福利或便利。但是，表5显示城市的受访者获得了比农村受访者更加广泛的福利。例如，城市中37％的商业化社会信用体系用户获得了无障碍信贷，而农村居民的这一比例仅为31％。由于共享经济服务和与旅行相关的守信激励措施可能与农村居民的相关性较低，因此社会信用体系的守信激励机制具有强烈的偏向城市居民的倾向。例如，免押金租赁自行车或汽车的福利可能不太适用于人口密度较低的农村地区；在城市地区，40％的用户回答了此类福利，而在农村地区则下跌到了32％。此外，14％的城市居民获得了快速签证，而仅有11％的农村居民是这样，可能是由于城市居民出国旅游的频率高于农村居民。

据报道，29％的农村地区受访者因参与社会信用体系而受到某种形式的不利影响，而城市受访者中受到不利影响的人数较少（25％）。例如，5％的农村受访者表示由于社会信用评分较低而难以获得信贷，而城市地区仅有2％的受访者表示难以获得信贷。一些受访者还认为，由于农村居民与城市居民相比，缺少好的应用场景来享受社会信用体系带来的便利，因此商业化社会信用体系中存在对农村居民的偏见；最重要的是，因为农村居民受到收入和其他因素的影响，很难提高他们的信用评分分数（访谈4，2018年6月）。

关于社会信用体系认同度的特定特征（因素类别2）的分析结果也很有趣。受访者实际信用评分得分高低并不是社会信用体系认同度的重要影响因素，重要的是受访者是否认为他们的分数略高于其亲朋好友（占所有受访者的60％）。此外，社会信用评分的公平性在公众对社会信用体系的认同中起着重要作用。在采访中，人们一再提出对评分方法不公平的担忧：从信用修复的困难到评分结果过于同质化（访谈8，2018年6月；访谈9，2018年7月）。例如，一位受访者指出，“个人困难，疾病导致的高额债务以及其他家庭原因都可能导致社会信用评分低，人们不应该根据他们的低信用分来判断某人，这样很不公平”（访谈 8，2018年6月）。其他人则担心社会信用评分系统可能并不应用于所有人，因为“处于有权势的人可能会逃避相关惩罚，这是不公平的”（访谈10，2018年7月）。

最后，关于人们感知到的社会信用体系的功能和作用（因素类别3），调查结果表明，人们认为社会信用体系不是“监视”的工具，而是改善“生活质量”和弥补“制度和监管空白”的工具，因为他们认为社会信用体系能够规范和引导社会成员更加诚信和遵守法律法规。社会信用体系是被视为一种技术进步，也被理解为一种改善生活质量的手段。通过社会信用体系得到的各种好处在人们看来非常便利和诱人。例如，一位受访者报告说“有时支付宝里没钱了，可以用基于芝麻信用的花呗或借呗订外卖”。这很方便，可以提高生活质量。’（采访5，2018年6月）。

我们发现，受访者将社会信用体系与“提升诚信意识改善失信问责机制”以及“促进遵纪守法”相关联，这表明社会信用体系也被视为提升社会诚信意识和信用水平、弥补制度性空白和监管空白的有力工具。一个这样的制度性空白是欠发达的金融信用评级体系，这使得普通民众很难获得贷款（访谈2，2018年3月；庞，2017）。芝麻信用等商业化信用体系被认为是有价值的，因为它们以更加诱人的利率提供自己的贷款（译注：蚂蚁借呗）和存款（译注：余额宝）等银行服务。此外，社会信用体系也可以解决从食品安全、不符合环保政策到不断涌现的互联网诈骗等领域的监管执法问题。例如，在频繁发生食品安全丑闻的情况下，政府社会信用体系试点用“诚信上海App”为公众提供更多的食品经营单位的“可靠”信息，帮助公众验证餐馆是否“值得信赖”和遵守食品安全法规。

总体而言，人们对社会信用体系在解决监管执法难问题方面的作用感知与他们“缺乏社会信任感”密切相关。在我们的调查中，76％的受访者表示他们认为中国人与人之间存在互不信任的问题。一位受访者还强调，有必要“为中国社会制定个人社会行为指南和规范。它可以提高社会运行的效率’（访谈9，2018年7月）。另一位受访者解释说：“社会信用体系可以通过反馈机制在社会中建立信任。信用不良的人更低的可能找到工作，日后难以获得更多的融资支持。这种惩戒机制以负向反馈让行为不端的人约束自己的行为。逐渐地，社会信用体系将建立起对社会的信任感’（访谈5，2018年6月）。另一位受访者指出：“比如，共享自行车的例子。如果有人在使用后没有锁好自行车，则会影响她或他的信用。支付宝能从生活中的不同方面收集诸如此类的非常细节的信息，并将其纳入信用评分的计算。通过这种详细的计算，社会信用体系可以追踪个人的行为并建立起对社会的信任感（访谈10，2018年6月）。

与此同时，受访者也担心他们的个人信息被不合理地使用，特别担心那些商业化的社会信用体系运营者。绝大多数（88％）受访者表示他们至少有一次因隐私问题决定不使用某网站，超过50％的受访者表示他们修改过“隐私设置”。调查结果还显示，77％的受访者认为中央政府处理个人信息最负责任。相比之下，受访者对其他机构的信任程度比较低，信任程度分别为省级政府（48％），市政府（42％），国有企业（24％），外国公司（13％）和私营公司（8％）。鉴于这些信念，以下结果并不意外：59％的受访者表示社会信用体系应仅由中央政府管理，而只有17％的受访者赞成政府与私营公司共同管理社会信用体系。有趣的是，只有1％的人表示不应该进行有计划的全国性社会信用体系建设。

我们的研究结果似乎也反映了中国的威权政治环境，我们也是在这样的环境中进行调查。受访者可能并不太担心社会信用体系的数据用于监视和社会控制，因为许多人认为中国国家安全机构早已能够获取任何此类数据（例如，访谈6，2018年6月；访谈7，2018年6月；访谈8 ，2018年6月）。一位受访者总结了这一观点如下：共产党早已掌握所有数据。例如，在小学注册时，人们必须提供详细的家庭信息。所以我认为没有任何必要担心党通过社会信用体系获取数据，因为所有数据都无一例外被党掌握了（访谈7，2018年6月）。另一位受访者指出，“归集个人数据取决于党的意图和治理方式。如果有充分理由使用个人数据，我认为这是可以接受的”（采访8，2018年6月）。

总结

尽管之前的研究指出，中国新兴的社会信用体系是作为一种“国家监管基础设施”和社会管理工具被设计出来的（Hoffman，2017；梁，2018），但本文发现，这些其实并不是目前中国用户们认为的社会信用体系的首要用途。根据一项代表中国互联网大众的全国调查，社会信用体系在中国已经被广泛使用，超过80%的受访者正在使用商业化的社会信用体系服务，还有7%的受访者直接参与了地方政府主导的社会信用体系建设工作。调查与访谈的综合结果显示，受访群体对社会信用体系的认可度非常高。有趣的是，支持社会信用体系的人年龄更大，收入更高，男性更多，受教育程度也更高，而且大部分生活在城市地区。

乍一看，富人和受教育程度较高的公民去支持可能会影响公民的经济、政治与社会自由和机会的政府/私营社会信用系统建设，这似乎有悖常理。对于出现这个高认可度的现象，一种可能的直接解释是，更富有的高学历城市市民是认同技术实效的，对技术变革也更持有开放态度（即社会信用体系被人们视为技术进步）。本文提出了两个不同的论点：首先，富有的高学历城市市民，可以从社会信用体系获得更广泛的利益，所以作为这种声誉制度的主要受益者，这类人群会是最认可社会信用体系的。第二，富有的高学历城市市民更愿意将社会信用体系的功能解释为对个人社会行为的规范而不是侵犯数据隐私。调查结果表明，公民们不认为社会信用体系是一种监视手段，而是一种提高生活质量、缩小（政府和企业/市民间）体制和监管差距的工具，从而引导人们更加注重诚实守法的社会行为。在中国，有大量的公民还没能使用信用卡，部分原因是传统的银行机构没有足够的能力去评估公民的金融信誉。于是在这样的背景下，人们都把社会信用体系看作是一种有用的（第二好的）替代方案（来开展信用交易）。

附录

表1： 样本的代表性统计

表2：受访人的人口类型与回复

备注：

*以年龄，性别，地区进行加权

a受访者可进行多选，百分比仅表示受访者做出该选择的相对数量，尽管他们可能宣乐另一个选项。因此，该题统计的百分比之和大于100。

d当受访者是芝麻信用分使用者时才会被提问

d当受访者是腾讯征信分使用者时才会被提问

d当受访者是芝麻信用分/腾讯征信分使用者时才会被提问

d当受访者参与了政府主导的社会信用体系项目时才会被提问

表3：数据小结a

备注：

a以年龄、地区和性别进行加权。下述变量是进行过分类的：受教育程度（1=无，2=低，3=中，4=高），地区（0=农村，1=市区），性别（1=男，0=女），收入区间（1=少于1000，2=1000-4000，3=4000以上），智能手机使用时长（1=少于1小时，2=1-2小时，3=2-3小时，4=3-4小时，5=4-5小时，6=5小时以上），线上发帖频率（1=从不，2=很少，3=一个月几次，4=每周至少一次，5=每天至少一次，6=一天几次），芝麻信用分（1=350-450，2=451-550，3=551-650，4=651-750，5=751-850，6=851-950），腾讯征信分（1=0–100，2=101–200，3=201–300，4=301–400，5=401–500，6=501–600，7=601–700，8=701–800，9=801–850），与亲朋比较信用分（1=低很多，2=稍低一点，3=差不多，4=稍高一点，5=高很多），与其他人比较地区政府试点信用分（1=更低，2=差不多，3=更高），信用分的认可度（1=不知道怎么计算的，2=稍微了解一点点，3=比较清楚），如何看待信用分的公平性（1=非常不公平，2=比较不公平，3=比较公平，4=非常公平），社会信用体系帮助人们更遵守规章（1=完全没有用处，2=没太大用处，3=比较有用，4=非常有用），社会信用体系的认可度（1=强烈不赞同，2=稍微不赞同，3=中立，4=稍微赞同，5=强烈赞同），政府信任度（1=不信任，2=不太信任，3=比较信任，4=完全信任）；此外，社会信用体系增加了社会义务，社会信用体系提高了生活质量两个表述的分类变量为（1=非常不同意，2=比较不同意，3=中立，4=比较同意，5=非常同意）。

b组内变量是根据每月家庭净收入进行划分的，1=200以下，2=200-300，3=300-400，4=400-500，5=500-750，6=750-1000，7=1000-1500，8=1500-2000，9=2000-3000，10=3000-4000，11=4000以上。

c“不知道”和“不作回答”被定义为数据缺失

d虚变量（0=否，1=是）

e新变量。源自窜变量即受访者可以进行多选时产生。

表4：多重共线性检验

回归模型是用以下每个预测变量作为响应变量的。容忍度（1-R2）和方差膨胀因子VIF（1/公差）也作了相应计算。结果显示，所有预测变量的VIF均是在可接受范围。

感谢源点信用及各位译者的专注与付出！