从这里开始，问题就变得难以解决了。

首先估计个体租客的租赁稳定性就非常困难。估计方法无非是利用用户画像方式等大数据。这里先不说数据伦理问题和安全性问题，仅仅就数据本身来谈。

熟悉或者了解机器学习的朋友很清楚一个概念，就是监督学习。打个比方，我先告诉计算机哪张图片里的动物是猫，哪张是狗，反复多次训练之后，我希望机器自己学会比较精确地辨认猫和狗，即拿一张新的猫的照片给计算机，它不会把它识别成狗。把这个例子里的猫和狗替换成容易退租或者逾期和不相对稳定的优质客户，就能理解金融科技企业的大数据风控在干什么。

如果我们理解了上一个例子，那一个爱思考的读者也许就会问，要是我拿出一张大象的照片呢？很显然如果计算机没见过大象，或者专业点说，假如机器的训练数据集中不包含大象的图片，那计算机是没有能力识别出大象的。

好，回到现实问题，长租公司能做的极限，也就是通过对用户一系列消费行为和个人信息的分析给用户打个分。然而长租公司要面对的这些年轻租客本身就是初入社会，并没有多少个人信用记录和收入记录，从一般金融风控的角度来讲，其数据充分性可以说是最差的。

而且由于年轻租客之前往往没有租赁行为发生，或者只有很短的租房记录，甚至由于我们大多数租房合同都没有经过备案，因此巧妇难为无米之炊，不论采用什么机器学习方法，都不可能用监督学习的方法直接估计他们未来的租赁行为。

此外，对于风险的分析除了个人行为，还要考虑到集体行为的因素。

假设某大型互联网企业附近有个优质小区，某长租公司抢占了这个小区内的大多数出租房源，于是该公司在该小区内获得的客户非常有可能都是这家互联网公司的员工；而如果这家企业经营不善，就很可能导致这批客户出现集体退租甚至租金违约的情况。显然以上提到的个人模型是不能用来预测这种集体情况的。这就是个人行为的集体性风险。

所以从宏观来说，长租公司不仅需要估计个人风险，也有必要估计集体在宏观经济下的风险。

而众所周知，中国经济在过去40年间一直在高速成长，现在我们几乎想不起来中国上次发生大规模金融海啸或者经济危机是什么时候的事情了。得益于我们独特的市场环境和有力政策，1998年亚洲金融危机和2008年美国次贷危机对我们社会的影响都被控制得很小。但反过来说，我国的金融科技企业也就无从获得一个完整经济周期的数据。

大家都知道金融企业的风控最主要的目的，就是为了防范类似2008年美国金融危机这种黑天鹅事件。现在危机时的数据并不存在，甚至经济衰退期的数据也都没有，即使机器学习模型再强大，也无法去估计一个它没有看见过的场景，无法告诉管理者一个金融机构必须维持多少资本充足率，才能在那种情况下保护客户和消费者的利益、维持企业正常运转。甚至可以说，在仅有繁荣期数据的背景下，机器学习模型训练得越好，反而对最坏情况的估计的偏差越大。

果不其然，这次谁都没有预料到的疫情给长租公寓带来了暴击，甚至可以说是压死骆驼的最后一个……金字塔。

所以很显然，这类ABS产品并不适合作为长租公司主要融资手段。即使在ABS已经相对成熟的欧美金融市场里，这种缺乏抵押资产，仅仅依赖二房东差价现金流的ABS产品也几乎难觅踪迹。

而对于中国尚不成熟的金融市场环境，监管更应该对复杂得不必要的金融产品投入到一个不适合的领域有更大警惕性。而且监管机构也应该更多从技术角度审视其在风险管理上的可行性，然后再考虑是否发放牌照。

从最近的事态发展来看，监管上的问题还有另一个层面。

既然蛋壳的经营是全国性的，暴雷带来的问题也是全国性的，那对其监管和处置也应该是协调一致的。然而，我们依然看到每个地方主管部门依旧在各自安排地方性的对策，而且每个地方的对策也各有不同。

网传各地对于蛋壳暴雷的措施（图/“财经十一人”）

我想在这里呼吁政府改变过去的管理思维。既然企业的经营是跨省跨地域的、既然资本的流动是跨省甚至跨国的，那么我们的监管也不应该被省份的边界分割，从而被不法之徒钻了空子。

此外，从目前网上暴露出来的照片来看，房东和租客围绕收房的博弈已经上升到比较激烈的程度了，破坏门锁、破坏电路，甚至入室破坏房间内部设施的行为其实已经构成了不法侵害的嫌疑。

被破坏的门锁和砸烂的卫生间（图/中国青年报）

面对这种程度的矛盾，显然靠住建部的几个接待点和街道协调已经不足以保护各方的利益了。司法系统应该对这类事件中反映出来的租客利益得不到应有保障的问题，尽快采取有力有效的补救措施，让人民百姓能够安居乐业。