導(dǎo)語：大數(shù)據(jù)下個人信用評價研究綜述一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：由于大數(shù)據(jù)的興起，使得我國對個人信用的評價方式發(fā)生了改變，龐大的數(shù)據(jù)來源為征信指標(biāo)選擇、數(shù)據(jù)收集方式、分析模型的構(gòu)建提供了更多的選擇。本文主要從征信的指標(biāo)設(shè)計、數(shù)據(jù)來源、征信數(shù)據(jù)分析模型等方面展開論述，僅供參考。

關(guān)鍵詞：征信；指標(biāo)體系；評分模型

個人信用評價是體現(xiàn)自然人信用水平的判斷方式，通過信用評價得出自然人的信用水平，以方便金融機(jī)構(gòu)為自然人提供對等的服務(wù)。個人信用的功能是以自然人的信譽(yù)為保證，個人用協(xié)議的方式做出償還承諾，征得出資方的信任，在未支付完賬單的情況下提前消費(fèi)，得到商品、服務(wù)或資金，個人信用是社會信用體系中的重要一環(huán)。征信是在合法前提下獲取并處理企業(yè)和個人的信用信息，形成具有公信力的信用報告，確定被評價企業(yè)或個人的可授信額度，為消費(fèi)提供信用額度參考。大數(shù)據(jù)征信日益受到業(yè)界和學(xué)者的關(guān)注。大數(shù)據(jù)可以從多角度、多維度挖掘數(shù)據(jù)。將大量的碎片信息整合為可用信息。如阿里芝麻信用從個人生活情況、消費(fèi)情況、資金往來等角度構(gòu)建指標(biāo)體系對用戶數(shù)據(jù)進(jìn)行分析，進(jìn)而提供與其信用相符的金融服務(wù)。

1個人信用指標(biāo)體系構(gòu)建

信息的采集與指標(biāo)體系構(gòu)建息息相關(guān)，任何指標(biāo)都有其作用，組合分析就能獲得人們的信用水平。海外第一個構(gòu)建指標(biāo)體系的DavidDurand（1941）提出，個人地產(chǎn)、個人資產(chǎn)、年齡、性別、居住的穩(wěn)定性、職業(yè)、職業(yè)的穩(wěn)定性、行業(yè)、個人有人身保險九個因素，我國指標(biāo)體系建設(shè)相對較晚。1.1國有銀行指標(biāo)體系我國最早提出指標(biāo)體系建設(shè)的是黃大玉。（2000），認(rèn)為要根據(jù)國情建立適當(dāng)?shù)男庞迷u估辦法，以個人收入、資產(chǎn)、借貸歷史為依據(jù)用以信用評判[1]。戴志敏、姜宇霏(2003)從用戶的信貸情況提出思路，信貸次數(shù)與金額是不斷變化的，銀行也應(yīng)建立動態(tài)評價，根據(jù)客戶的信貸記錄變化來調(diào)整信貸額度[2]。國有銀行基本上是以最直觀的用戶個人基本信息、工作信息、經(jīng)濟(jì)來源、信貸記錄等作為評價指標(biāo)，如表1所示。直至互聯(lián)網(wǎng)時代的到來不僅能將個人信用信息匯集起來，還能采集各種各樣的數(shù)據(jù)，構(gòu)建多樣化指標(biāo)體系，為征信帶來更多可能。1.2互聯(lián)網(wǎng)金融企業(yè)指標(biāo)體系。互聯(lián)網(wǎng)時代為征信帶來了更多的可能，國家征信系統(tǒng)或商業(yè)銀行難以采集人們?nèi)粘Ｉ钪械慕鹑谛袨椋沁@些看似不重要的行為更能反應(yīng)出個人的信用情況。但信息采集渠道的合作是遠(yuǎn)遠(yuǎn)不夠的，采集信用信息的角度不同，信用評價方向也會略有側(cè)重，可以達(dá)到優(yōu)勢互補(bǔ)的效果，更全面的反應(yīng)出個人信用水平。大數(shù)據(jù)幾乎覆蓋了我們的生活，從生活服務(wù)類平臺采集到水、電、煤氣等公共資源繳費(fèi)信息，也從互聯(lián)網(wǎng)企業(yè)平臺采集個人行為信息，主要有社交信息、電商、互聯(lián)網(wǎng)金融信息等。大數(shù)據(jù)的廣闊覆蓋與深度挖掘領(lǐng)域提升了信用評價水平，為指標(biāo)體系的選擇提供了很大的空間[3]。葉文輝（2015）以阿里集團(tuán)旗下的芝麻信用為例，它是以收集人們在淘寶、支付寶等相關(guān)APP的金融數(shù)據(jù)為主，來對用戶進(jìn)行信用評分[4]。除此之外還可以通過收集人們的社交數(shù)據(jù)，生活繳費(fèi)數(shù)據(jù)等來評判人們的信用水平。表2為阿里巴巴芝麻信用的指標(biāo)。1.3以阿里巴巴（表2）與國有銀行（表1）為例分析指標(biāo)之間的關(guān)系。截至2019年6月，央行征信系統(tǒng)已覆蓋9.9億自然人，但約有4億人未與銀行產(chǎn)生業(yè)務(wù)聯(lián)系，為獲取他們的信用記錄，占總?cè)丝诘谋壤?8%。國有銀行評價指標(biāo)的優(yōu)點(diǎn)在于更能直觀的反應(yīng)出個人信用水平，了解授信人的個人信息、償還能力、家庭情況、是否有不良記錄等，而且個人信息安全性較高，但其不足之處在于覆蓋人群相對較窄。阿里巴巴的芝麻信用優(yōu)點(diǎn)覆蓋人群較廣，以互聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)從支付寶、淘寶等平臺收集個人金融業(yè)務(wù)信息、社交信息、生活信息等，可供分析指標(biāo)多，收集成本低。但隨著信息科技對生活的覆蓋越發(fā)廣泛，它存在的問題也不容忽視，大范圍收集個人信息是否侵犯隱私，個人信息是否安全，不可出現(xiàn)類似Facebook信息外泄事件，以及人們使用支付寶、淘寶等平臺所涉及金額較小，所得評價結(jié)果是否具有說服力等問題。

2大數(shù)據(jù)時代下征信信息采集

信息的采集是征信系統(tǒng)的關(guān)鍵。在李壽林（2007）的研究中發(fā)現(xiàn)，我國征信發(fā)展初期，個人征信數(shù)據(jù)庫采集工作存在多個個難點(diǎn)。涉及部門多，實(shí)施推進(jìn)難。資料不統(tǒng)一，信息共享難[5]。當(dāng)前的政策環(huán)境下能彌補(bǔ)這些困難，沈燕（2007）認(rèn)為我們可以借鑒國外經(jīng)驗，美英是市場主導(dǎo)型模式，政府發(fā)揮監(jiān)管立法的作用，私營征信機(jī)構(gòu)收集、加工個人和企業(yè)的信用信息?；蚪梃b歐洲國家政府主導(dǎo)型模式，央行與企業(yè)聯(lián)合收集用戶的信用信息。當(dāng)下各大金融機(jī)構(gòu)的數(shù)據(jù)來源方向主要是：電商平臺、銀聯(lián)業(yè)務(wù)、社交平臺、第三方支付企業(yè)、生活服務(wù)平臺。據(jù)央行征信中心公告，信用信息不僅收集于各類國有金融企業(yè)、公積金中心、養(yǎng)老保險機(jī)構(gòu)、公安系統(tǒng)等提供的個人信息以及個人名下的資產(chǎn)，還來源與客戶群體眾多的民營企業(yè)，作為私營機(jī)構(gòu)的數(shù)據(jù)來源相對廣泛些，與水電燃?xì)?、電信、?lián)通等公共事業(yè)單位的合作可以采集到人們的日常生活繳費(fèi)，與社交網(wǎng)購企業(yè)的合作可以獲得人們的電商數(shù)據(jù)、社交數(shù)據(jù)、網(wǎng)貸情況等，數(shù)據(jù)來源廣泛對于指標(biāo)選取有幫助。

3信用分析模型

3.1傳統(tǒng)信用分析模型。當(dāng)下的信用分析模型百花齊放，各具特色。根據(jù)不同的數(shù)據(jù)類型采用不同的方法。傳統(tǒng)評分模型多以統(tǒng)計方法為主，AHP法、線性回歸、邏輯回歸、分類樹[6]。AHP法直觀的呈現(xiàn)出變量關(guān)系，方便理解；線性回歸法更能直觀的反應(yīng)出信用的好或壞；在銀行信貸評價中，由于邏輯回歸預(yù)測精度較高而運(yùn)用較多；分類樹的核心內(nèi)容是將評價主體按評價規(guī)則分類，最后以集合多數(shù)原則確定信用水平。這類模型多采用的大都是結(jié)構(gòu)化的數(shù)據(jù)，在數(shù)據(jù)預(yù)處理的過程中強(qiáng)調(diào)仔細(xì)地數(shù)據(jù)清洗以提升數(shù)據(jù)質(zhì)量。3.2大數(shù)據(jù)技術(shù)分析模型。大數(shù)據(jù)征信的分析模型其作用是數(shù)據(jù)規(guī)模上彌補(bǔ)精確性不足。評分方式多以人工智能和機(jī)器學(xué)習(xí)為主，個人信用評分實(shí)質(zhì)是分類問題，根據(jù)消費(fèi)者的信貸消費(fèi)記錄以及償債能力構(gòu)建分類模型，再根據(jù)該模型分析出消費(fèi)者的信用水平，依據(jù)這一水平為其提供相應(yīng)的信用服務(wù)[7]。人工神經(jīng)網(wǎng)絡(luò)是模擬大腦處理信息的智能化分析技術(shù)，可進(jìn)行聯(lián)想、綜合、推理，處理條件復(fù)雜、數(shù)據(jù)模糊的樣本。在個人信用評價中，由于各類數(shù)據(jù)結(jié)構(gòu)復(fù)雜，理論基礎(chǔ)匱乏，這類方法在信用評分中比較流行，依據(jù)實(shí)際的風(fēng)險類別，建立信用模型算出信用評分。隨機(jī)森林即是多個決策樹模型的分類，其輸出的類別由決策樹輸出的類別的眾數(shù)而定，最后對分類結(jié)果進(jìn)行匯總。決策樹是依靠樣本屬性進(jìn)行分類。其構(gòu)建過程不長，精確度較高。支持向量機(jī)的目標(biāo)是為了縮小分類誤差，利用非線性映射將樣本映射到高維空間，進(jìn)而通過二次優(yōu)化約束問題，尋找最優(yōu)分類面，從而使數(shù)據(jù)與最優(yōu)分類面的距離最大化。數(shù)據(jù)的類型不同，使用的模型也不同，各大征信機(jī)構(gòu)在模型算法上有很多成果，如螞蟻金服采用深度學(xué)習(xí)算法對征信數(shù)據(jù)進(jìn)行分析。總體來看支持向量機(jī)的精度相對較高些。

4結(jié)語

信用環(huán)境是國家金融發(fā)展的保障，目前我國的政府主導(dǎo)型模式已有成果，以央行征信系統(tǒng)為主導(dǎo)，聯(lián)合私營征信金融機(jī)構(gòu)收集企業(yè)和個人信用信息，當(dāng)下央行征信系統(tǒng)出具的信用報告已然成為人們的第二張“身份證”。對我國而言，互聯(lián)網(wǎng)個人征信也是近幾年才逐漸建立起來。但我國信息化的飛速發(fā)展使得完善信用評價體系刻不容緩。從未成年人到中老年人，都在學(xué)習(xí)使用微信支付、淘寶購物等；信用卡、螞蟻花唄、房屋借貸、助學(xué)貸款，各種各樣的借貸行為我們提供了便利，同時也提醒著我們，需要盡快建立健全的信用體系，要提高科技創(chuàng)新，完善核心模型的構(gòu)建，能精準(zhǔn)的評析個人信用。

參考文獻(xiàn)：

[1]黃大玉，王玉東.論建立中國的個人信用制度[J].城市金融論壇，2000(3)：27-31.

[2]戴志敏，姜宇霏.關(guān)于我國銀行個人信用評估模型的設(shè)計[J].企業(yè)經(jīng)濟(jì)，2003(4)：148-149.

[3]陳志.我國大數(shù)據(jù)征信發(fā)展現(xiàn)狀及對征信監(jiān)管體系的影響[J].征信，2016，34(8)：47-50.

[4]葉文輝.大數(shù)據(jù)征信機(jī)構(gòu)的運(yùn)作模式及監(jiān)管對策：以阿里巴巴芝麻信用為例[J].新金融，2015(7)：60-63.

[5]李壽林.個人征信數(shù)據(jù)庫采集工作存在“四難”[J].青海金融，2007(7)：60-61.

[6]楊力，汪克亮，王建民.信用評分主要模型方法比較研究[J].經(jīng)濟(jì)管理，2008(6)：37-42.

[7]姜明輝，許佩，任瀟，等.個人信用評分模型的發(fā)展及優(yōu)化算法分析[J].哈爾濱工業(yè)大學(xué)學(xué)報，2015，47(5)：40-45.

作者:胡景淇 趙麗 單位:貴州財經(jīng)大學(xué)