汪晶瑤

（云南大學(xué)，云南 昆明 650500）

信用評(píng)估對(duì)于整個(gè)社會(huì)經(jīng)濟(jì)發(fā)展至關(guān)重要，使用定量的方法支持定性的決策是現(xiàn)階段、也是未來(lái)評(píng)估模型發(fā)展方向。大多參考文獻(xiàn)僅根據(jù)信用評(píng)估數(shù)據(jù)某一方面特點(diǎn)建模，得出的結(jié)論運(yùn)用面較為狹窄，無(wú)法整個(gè)體系看待信用評(píng)估方法的優(yōu)缺點(diǎn)和其他使用方向。本文旨在沿著信用評(píng)估方法發(fā)展歷程，從專家評(píng)分法到數(shù)理方法、人工智能方法，比較分析各種方法的適用條件、方向、方法精確度、穩(wěn)健度及經(jīng)濟(jì)含義解釋能力為、建模的效率等。

一、古典信用評(píng)估方法

古典信用評(píng)估方法中最經(jīng)典的方法是專家評(píng)分法。專家評(píng)分法是通過(guò)結(jié)構(gòu)化的方法模擬經(jīng)驗(yàn)豐富的專家來(lái)確定信用決策的分析過(guò)程。它的最大特點(diǎn)是將信用評(píng)估的決策權(quán)交由評(píng)估機(jī)構(gòu)中的經(jīng)過(guò)長(zhǎng)期訓(xùn)練、具有豐富經(jīng)驗(yàn)的信貸管理人員所掌握。專家評(píng)分法的優(yōu)點(diǎn)突出表現(xiàn)在，沒有必要用定量評(píng)估的情況下，可以很靈活、簡(jiǎn)便地操作，得出相應(yīng)的定性結(jié)論。但是，由于專家評(píng)分法中所有相關(guān)因素的權(quán)重確定均帶有一定的主觀臆斷，使得信用評(píng)估效率低下，所耗費(fèi)的成本高昂。在信用評(píng)估機(jī)構(gòu)內(nèi)部，需要依賴有經(jīng)驗(yàn)的專家評(píng)定，使得人為因素所帶來(lái)的誤差偏大。為了讓信用評(píng)估所得到的結(jié)果具備推廣型、可移植性，下面將在信用評(píng)估中引入數(shù)理方法。

二、信用評(píng)估中的數(shù)理方法

信用評(píng)估最初的分析方法并未將數(shù)理統(tǒng)計(jì)知識(shí)引入，僅是基于規(guī)則的分析方法，主要依靠?jī)?nèi)部和外部的信用經(jīng)驗(yàn)，建立一個(gè)公式或一套規(guī)則，來(lái)評(píng)價(jià)客戶信用值。但當(dāng)數(shù)學(xué)統(tǒng)計(jì)理論知識(shí)逐漸完善，數(shù)量化的分析方法被大量運(yùn)用到信用評(píng)估中去，為評(píng)估決策者提供準(zhǔn)確的數(shù)據(jù)信息。下面將探討幾種在信用評(píng)估中常見的數(shù)理方法。

（一）判別分析法

信用評(píng)估中最初收集來(lái)的原始數(shù)據(jù)，龐大而繁雜，需要對(duì)其按照某種屬性進(jìn)行分類，判別分析法即是用于解決這種分類問(wèn)題的方法。將定義在已選變量的集合上的隨機(jī)觀測(cè)樣本，建立判別函數(shù)進(jìn)行分類，即是根據(jù)已知類別的若干樣本，從中總結(jié)出來(lái)分類的規(guī)律性，建立判別公式。

（二）數(shù)學(xué)規(guī)劃法

數(shù)學(xué)規(guī)劃法是一種在線性、非線性等式或不等式的約束條件下，求解線性、非線性目標(biāo)函數(shù)的最大值或最小值的方法。其中目標(biāo)函數(shù)是決策者要求達(dá)到目標(biāo)的數(shù)學(xué)表達(dá)式，用一個(gè)極大或極小值表示。約束條件是指實(shí)現(xiàn)目標(biāo)的限制影響因素，用一組等式或不等式來(lái)表示。有了約束條件和目標(biāo)函數(shù)后，求出最優(yōu)解，則可找到影響因素的權(quán)重系數(shù)。

（三）回歸分析法

回歸分析法是確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法，在計(jì)量經(jīng)濟(jì)學(xué)中廣泛運(yùn)用。對(duì)于多個(gè)自變量而言，很難定性說(shuō)明之間相互關(guān)系和對(duì)因變量的解釋程度，通過(guò)回歸分析，得出回歸方程、顯著性水平、相關(guān)性矩陣，即可用數(shù)字量化方法解釋。按照自變量與因變量之間關(guān)系劃分，回歸分析法分為線性回歸分析和非線性回歸分析?？梢愿鶕?jù)樣本數(shù)字特征，以及求解復(fù)雜程度考慮是否采取線性或非線性方法。

（四）主成分分析法

主成分分析法，是一種將多個(gè)變量通過(guò)線性變換以選出其中較少的重要變量的多元統(tǒng)計(jì)分析方法。其實(shí)質(zhì)內(nèi)容就是，設(shè)法把原來(lái)變量經(jīng)過(guò)重新組合，成為一組新的互相無(wú)關(guān)的綜合變量，同時(shí)根據(jù)實(shí)際從原先變量中取出幾個(gè)較少的綜合變量盡可能多地反映原來(lái)變量的信息。數(shù)學(xué)上這也是一種處理降維的方法。

（五）層次分析法

層次分析法將一些復(fù)雜的問(wèn)題分解成遞階層次結(jié)構(gòu)，構(gòu)造判斷矩陣，通過(guò)分析影響這個(gè)問(wèn)題的各因素之間的相互關(guān)系以及對(duì)問(wèn)題影響程度的大小來(lái)確定層次中各因素對(duì)上一層次因素的重要性和權(quán)重，并最終確定各因素對(duì)總目標(biāo)的權(quán)重。

（六）數(shù)理方法總結(jié)

數(shù)理方法運(yùn)用到信用評(píng)估中，最大的優(yōu)點(diǎn)是將繁雜毫無(wú)規(guī)律的定性變量變成確定的定量結(jié)果，為信用評(píng)估提供大量的數(shù)理依據(jù)。判別分析法和數(shù)學(xué)規(guī)劃法的核心思想都是設(shè)定已知界定目標(biāo)，按照目標(biāo)的辦法，將原始數(shù)據(jù)劃分成不同類別。方法原理簡(jiǎn)單易懂，并且操作步驟明確。回歸分析法可以很明確地得出信用評(píng)估中各種變量與目標(biāo)變量之間的影響關(guān)系，以及各變量間的數(shù)理相關(guān)性，初步估計(jì)變量的線性及非線性數(shù)量關(guān)系，確定因素間相關(guān)性，用于對(duì)數(shù)據(jù)有初步量化認(rèn)識(shí)。主成分分析法是用較少的主成分來(lái)表示原始數(shù)據(jù)中盡可能多的信息，將篩選出來(lái)的因素帶入層次分析法中，通過(guò)初步的數(shù)據(jù)處理后以確定各個(gè)因素應(yīng)配以的權(quán)重系數(shù)，分級(jí)排列、層層遞推。層次分析法所得出的最終信用評(píng)估具體得分，可以用于縱向及橫向的評(píng)比，應(yīng)用廣泛，可操作性、可移植性強(qiáng)。數(shù)理方法不能對(duì)錯(cuò)誤的輸入數(shù)據(jù)具備相容性，無(wú)法自我學(xué)習(xí)調(diào)整。當(dāng)數(shù)理模型內(nèi)存在自相關(guān)問(wèn)題時(shí)，不易顯示出來(lái)，而這通常會(huì)導(dǎo)致評(píng)估結(jié)果誤差極大。但隨著科學(xué)進(jìn)步、計(jì)算機(jī)科技發(fā)展，信用評(píng)估方法逐步引入計(jì)算機(jī)人工智能方法，通過(guò)計(jì)算機(jī)編程可以處理大量復(fù)雜數(shù)據(jù)，并且模型的計(jì)算方法可以微調(diào)改進(jìn)，用計(jì)算機(jī)不斷調(diào)試，使得最終誤差降到最低。下面將探討信用評(píng)估中的人工智能方法。

三、信用評(píng)估中的人工智能方法

信用評(píng)估中引入人工智能方法，可以彌補(bǔ)數(shù)理方法在處理大量自相關(guān)的數(shù)據(jù)時(shí)的缺陷，并通過(guò)自我學(xué)習(xí)調(diào)整，改進(jìn)數(shù)值直到誤差降到最低。下面討論神經(jīng)網(wǎng)絡(luò)模型和遺傳算子法兩種人工智能方法。

（一）神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型可以處理連續(xù)性和類別性的預(yù)測(cè)變量，使用范圍較廣，模型能夠有效地捕捉數(shù)據(jù)中非線性、非可加性的數(shù)量關(guān)系，如果用數(shù)理模型處理會(huì)相當(dāng)復(fù)雜，運(yùn)算效率低下。神經(jīng)網(wǎng)絡(luò)模型也存在一些缺點(diǎn)，如建立模型時(shí)需要不斷調(diào)試、改進(jìn)、更新，成本過(guò)高。神經(jīng)元的主體部分基本上是個(gè)黑箱方案，難以得到直觀解釋，中間步驟處于封閉狀態(tài)，不利于樣本數(shù)據(jù)的微調(diào)控制，從而不具備充分的抗震蕩性和穩(wěn)定性。

（二）遺傳算子法

遺傳算子法使用范圍較廣，可以用來(lái)解決多樣的問(wèn)題，在解決高維度目標(biāo)函數(shù)上具備優(yōu)勢(shì)。但是遺傳算子運(yùn)用在信用評(píng)估中，在選取優(yōu)良樣本進(jìn)行繁衍時(shí)，一定要倍加用心，否則可能引起持續(xù)的衰敗。遺傳算子法的計(jì)算量龐大，對(duì)計(jì)算機(jī)要求較高，而在最終得出的方案不一定是全局最優(yōu)解，多是停留在局部最優(yōu)的方案中。

（三）人工智能方法總結(jié)

人工智能方法的應(yīng)用可以節(jié)省時(shí)間，提高運(yùn)算效率，在考慮數(shù)據(jù)的非線性、非可加性時(shí)能夠很好處理。人工智能方法的應(yīng)用基礎(chǔ)仍舊是數(shù)理方法，但在處理大量數(shù)據(jù)，并且數(shù)據(jù)相關(guān)性復(fù)雜，要多重層疊計(jì)算時(shí)，綜合神經(jīng)網(wǎng)絡(luò)算法和遺傳算子法等人工智能算法，會(huì)達(dá)到更加效果。人工智能方法相對(duì)于數(shù)理方法來(lái)說(shuō)，最大的優(yōu)點(diǎn)在于它處理非線性樣本數(shù)據(jù)群組的自我學(xué)習(xí)功能強(qiáng)大。通過(guò)計(jì)算機(jī)的不斷調(diào)試，算法可以整理出使得誤差范圍最小、與目標(biāo)值最接近的模式函數(shù)。從大量的樣本數(shù)據(jù)中找出復(fù)雜的變量關(guān)系，不僅僅是單純線性或非線性函數(shù)可以表示的數(shù)量關(guān)系，這也是數(shù)理方法無(wú)法做到的地方。而且，數(shù)理方法大多數(shù)分析的是靜態(tài)模型，很難建立依據(jù)樣本變化的動(dòng)態(tài)調(diào)整模式，人工智能方法通過(guò)多變量復(fù)雜預(yù)測(cè)模型的構(gòu)建，能夠做到不斷調(diào)試、不斷改進(jìn)。

四、信用評(píng)估方法比較

各種信用評(píng)估方法無(wú)法總體上來(lái)評(píng)價(jià)各種方法的優(yōu)劣，主要從經(jīng)濟(jì)解釋力度、適用條件以及精確度和效率，這三個(gè)方面來(lái)分析比較上面的信用評(píng)估方法。

從經(jīng)濟(jì)解釋力度來(lái)說(shuō)，上述各種模型的力度不一，需要比較敘述。判別分析法得出的距離方程表示樣本到兩類總體的馬氏距離，參數(shù)的意義是數(shù)理上的，沒有經(jīng)濟(jì)意義。邏輯回歸模型中，可以首先由逐步回歸法選擇出對(duì)因變量影響顯著的變量。邏輯回歸系數(shù)可以被解釋為對(duì)應(yīng)自變量一個(gè)單位的變化所導(dǎo)致的因變量的變化，這里的因變量不是常規(guī)變量，而是事件發(fā)生于不發(fā)生頻數(shù)之間比的對(duì)數(shù)。在對(duì)變量選擇方面，數(shù)學(xué)規(guī)劃法和邏輯回歸模型略有差別，但數(shù)學(xué)規(guī)劃法運(yùn)用簡(jiǎn)化指標(biāo)得出最初結(jié)果的能力更優(yōu)。

從適用條件來(lái)說(shuō)，以上模型都可以用于處理連續(xù)變量和離散變量或其線性組合的問(wèn)題，但應(yīng)用各個(gè)模型的理論前提不盡相同。線性判別分析模型要求每一類的總體均值有顯著差異，總體服從正態(tài)分布，且類間協(xié)方差矩陣相等。與判別分析模型相比，邏輯回歸模型要求因變量為二分變量，自變量和因變量之間的關(guān)系為非線性的。不要求同分布假設(shè)，自變量之間也不必符合多元正態(tài)分布。神經(jīng)網(wǎng)絡(luò)均為非參數(shù)識(shí)別方法，對(duì)數(shù)據(jù)分布沒有特別的要求，避免了傳統(tǒng)技術(shù)對(duì)模型設(shè)定的困難。判別分析、邏輯回歸法需要每個(gè)樣本維數(shù)相同，無(wú)缺漏數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)法和遺傳算子法能夠處理有噪聲或不完全的數(shù)據(jù)，具有泛化功能和很強(qiáng)的容錯(cuò)能力，加上其對(duì)數(shù)據(jù)分布要求不嚴(yán)格，因此，神經(jīng)網(wǎng)絡(luò)法和遺傳算子法的適用性更為廣泛。對(duì)于人工智能法中的BP 神經(jīng)網(wǎng)絡(luò)法和遺傳算子法來(lái)說(shuō)，它們相當(dāng)于是“黑箱”技術(shù)，根據(jù)樣本不斷調(diào)整模型，提高預(yù)測(cè)準(zhǔn)確率，一般用缺乏解釋力，并且無(wú)法檢驗(yàn)單個(gè)變量的重要性。在各種模型需要對(duì)指標(biāo)變量進(jìn)行簡(jiǎn)化時(shí)，則需要結(jié)合主成分分析方法來(lái)進(jìn)行變量選擇。

從精確度和效率的角度來(lái)比較分析這幾種模型?？梢园l(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型等非線性方法由于存在過(guò)度擬合問(wèn)題。判別分析法、邏輯回歸和數(shù)學(xué)規(guī)劃法的運(yùn)算時(shí)間相差不多，均在較短的時(shí)間完成計(jì)算過(guò)程。神經(jīng)網(wǎng)絡(luò)需要計(jì)算誤差值并將其反傳到隱含層，調(diào)整各神經(jīng)元的連接權(quán)值和閾值，直到誤差在規(guī)定的范圍內(nèi)，因此訓(xùn)練次數(shù)多，計(jì)算量大，運(yùn)算效率相對(duì)最低。邏輯回歸模型對(duì)于確認(rèn)樣本進(jìn)行預(yù)測(cè)時(shí)，誤判率與訓(xùn)練樣本最為接近，沒有明顯幅度的下降，在穩(wěn)健性方面優(yōu)于其他模型，有更強(qiáng)的擴(kuò)展性和推廣能力。

對(duì)于上面所分析的定量信用評(píng)估模型，需要注意的是，在實(shí)際評(píng)估操作中，不能完全忽視定性分析的必要性。信貸管理人員需要進(jìn)一步提高自己的評(píng)估分析水平，定期更新專業(yè)知識(shí)學(xué)習(xí)和對(duì)前期信貸關(guān)系做出總結(jié)，盡量減少遭受損失的可能性。

五、信用評(píng)估方法展望

無(wú)論哪一種信用評(píng)估方法都不可能應(yīng)用在所有數(shù)據(jù)的處理中，每個(gè)方法都有其適用條件及適用范圍。信用評(píng)估最初采集來(lái)的數(shù)據(jù)類型主要是連續(xù)型變量、類別型變量、區(qū)間變量等。后面兩種變量通常需要采取數(shù)據(jù)轉(zhuǎn)換的方式變成連續(xù)型再使用各種方法帶入模型中。每種模型都具有其客觀性和科學(xué)性，但數(shù)據(jù)采集工作卻存在一定的主觀模糊性。這就需要將模糊數(shù)學(xué)的知識(shí)內(nèi)容引入到數(shù)理統(tǒng)計(jì)方法和人工智能中去。設(shè)計(jì)出統(tǒng)一模式、步驟的信用評(píng)估模型變得極為重要。

[1] 李敏. 建立我國(guó)個(gè)人信用體系的研究[D].煙臺(tái)：中國(guó)海洋大學(xué)，2006.

[2] 陳建. 信用評(píng)分模型技術(shù)與應(yīng)用[M].北京：中國(guó)財(cái)經(jīng)出版社,2005.

[3] 彭江. 基于模糊AHP 的個(gè)人信用評(píng)分模型研究[D].長(zhǎng)沙：湖南大學(xué)，2009.

[4] 石慶焱,靳云匯. 個(gè)人信用評(píng)分的主要模型與方法綜述[J].統(tǒng)計(jì)研究，2003，20（08）.

[5] 鄒琳. 我國(guó)中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)方法研究[D].天津：天津財(cái)經(jīng)大學(xué)，2009（07）.

[6] 王憲全. 信用風(fēng)險(xiǎn)測(cè)量指標(biāo)體系研究[J].商業(yè)研究，2007（07）.

[7] 孟慶福. 信用風(fēng)險(xiǎn)管理[M].北京：經(jīng)濟(jì)科學(xué)出版社,2006.

[8] 汪冬華. 信用風(fēng)險(xiǎn)度量的理論模型及應(yīng)用[M].上海：上海財(cái)經(jīng)大學(xué)出版社,2007.