林 燕 馬海峰 上海師范大學(xué)商學(xué)院

本文為教育部人文社會(huì)科學(xué)研究項(xiàng)目“審慎監(jiān)管視角下問題保險(xiǎn)公司的救助決策分析：理論與實(shí)證”（17YJA790061）的部分成果。

保險(xiǎn)公司評(píng)級(jí)方法經(jīng)歷了從傳統(tǒng)統(tǒng)計(jì)方法到現(xiàn)代評(píng)級(jí)方法、再到人工智能方法的演變過程，其內(nèi)在邏輯是從參數(shù)模型逐步發(fā)展到非參數(shù)模型、自我學(xué)習(xí)訓(xùn)練型模型，具體方法包括指標(biāo)法、回歸模型、現(xiàn)代評(píng)級(jí)模型、人工智能模型等。評(píng)級(jí)方法的核心內(nèi)容是指標(biāo)體系，而回歸模型能夠產(chǎn)生穩(wěn)定可靠的評(píng)級(jí)結(jié)果，基于互聯(lián)網(wǎng)的大數(shù)據(jù)、云計(jì)算等技術(shù)則會(huì)給評(píng)級(jí)活動(dòng)帶來顛覆性變革。人工智能模型和區(qū)塊鏈技術(shù)的應(yīng)用前景也都很值得期待，但目前還未能取得實(shí)質(zhì)性進(jìn)展；不同模型的混合使用將是評(píng)級(jí)方法的發(fā)展趨勢(shì)。

一、引言

公正科學(xué)的評(píng)級(jí)制度和評(píng)級(jí)結(jié)果有利于降低交易成本、信息成本和監(jiān)管成本，因此被監(jiān)管機(jī)構(gòu)和市場(chǎng)參與者所重視。保險(xiǎn)評(píng)級(jí)主要包括對(duì)保險(xiǎn)公司的評(píng)級(jí)和對(duì)其發(fā)行產(chǎn)品（主要是債項(xiàng)）的評(píng)級(jí)，前者又可分為信用評(píng)級(jí)、償付能力評(píng)級(jí)、財(cái)務(wù)能力評(píng)級(jí)等。這些分類雖在目標(biāo)定位上有所不同，但從評(píng)級(jí)過程和結(jié)果來看，本質(zhì)上卻是類同的。因此，本文以保險(xiǎn)公司評(píng)級(jí)方法作為研究對(duì)象，同時(shí)也會(huì)借鑒其他金融業(yè)的評(píng)級(jí)方法。

評(píng)級(jí)方法經(jīng)歷了從簡單到復(fù)雜、從傳統(tǒng)統(tǒng)計(jì)方法到現(xiàn)代評(píng)級(jí)方法、再到人工智能方法的演變過程。其內(nèi)在邏輯是從參數(shù)模型逐步發(fā)展到非參數(shù)模型、再到自我學(xué)習(xí)訓(xùn)練型模型，而對(duì)樣本數(shù)據(jù)的要求則是從嚴(yán)格到逐漸放松的過程。公司評(píng)級(jí)類的文獻(xiàn)最早始于1908年Rosendale應(yīng)用流動(dòng)比率去評(píng)估信用價(jià)值；1966年Beaver用單指標(biāo)方法，后改進(jìn)為多指標(biāo)法去評(píng)價(jià)公司財(cái)務(wù)能力狀況。隨著對(duì)樣本數(shù)據(jù)統(tǒng)計(jì)假設(shè)的逐步放開，上世紀(jì)80年代以Logistic和Probit為代表的回歸模型成為主流方法。在修正回歸模型的基礎(chǔ)上，基于信息和計(jì)算機(jī)科學(xué)的現(xiàn)代模型開始得到大量應(yīng)用，例如層次分析方法、網(wǎng)絡(luò)分析法、決策樹方法等。目前，互聯(lián)網(wǎng)創(chuàng)新方興未艾，大數(shù)據(jù)和云計(jì)算等技術(shù)將促使人工智能技術(shù)應(yīng)用于評(píng)級(jí)研究，例如神經(jīng)網(wǎng)絡(luò)模型、粗糙集理論等。

二、基于指標(biāo)的評(píng)級(jí)方法

指標(biāo)法是依據(jù)一個(gè)或者多個(gè)指標(biāo)所生成的指數(shù)，對(duì)公司的財(cái)務(wù)能力或者償付能力等進(jìn)行評(píng)級(jí)、評(píng)價(jià)，可分為單指標(biāo)法和多指標(biāo)法，其重點(diǎn)在于指標(biāo)的選擇和權(quán)重賦值，指標(biāo)選擇的方法包括專家經(jīng)驗(yàn)法、統(tǒng)計(jì)方法等。

（一）單指標(biāo)法

文獻(xiàn)中最早開始使用單指標(biāo)法可追溯至1908年，Rosendale利用流動(dòng)比率（current ratio）去評(píng)估公司的信用價(jià)值。Beaver（1966）是財(cái)務(wù)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)評(píng)價(jià)領(lǐng)域的開創(chuàng)者，他把單一指標(biāo)法發(fā)展至多指標(biāo)法，認(rèn)為現(xiàn)金流與債務(wù)總額的比率能很好地預(yù)測(cè)五年之內(nèi)財(cái)務(wù)危機(jī)發(fā)生的概率。國內(nèi)單指標(biāo)法的相關(guān)研究有不同選擇，如候旭華（1999）采用凈資產(chǎn)利潤率，何玉梅等（2011）使用總資產(chǎn)凈利潤率等。

單指標(biāo)法雖然簡單實(shí)用、操作性強(qiáng)，但是僅靠一個(gè)指標(biāo)對(duì)公司評(píng)級(jí)評(píng)價(jià)，未免有所片面不夠公允，多指標(biāo)法可從多個(gè)維度去衡量評(píng)價(jià)公司，評(píng)級(jí)結(jié)果更加科學(xué)穩(wěn)健。因此，多指標(biāo)法很快得到廣泛應(yīng)用，根據(jù)指標(biāo)選擇方法的不同可分為專家經(jīng)驗(yàn)法和統(tǒng)計(jì)方法。

（二）多指標(biāo)法——專家經(jīng)驗(yàn)法

多指標(biāo)的選擇方法之一是依靠專家經(jīng)驗(yàn)，具體包括Z值、ZETA模型、駱駝（CAMELS）模型等。該領(lǐng)域的奠基者Altman（1968）基于五個(gè)指標(biāo)構(gòu)建著名的Z值模型，指標(biāo)包括運(yùn)營資本與總資產(chǎn)的比率、未分配利潤與總資產(chǎn)的比率、毛收入與總資產(chǎn)的比率、股權(quán)市場(chǎng)價(jià)值與總債務(wù)賬面價(jià)值的比率、銷售額與總資產(chǎn)的比率。后來，又加進(jìn)10年期的營收穩(wěn)定性和流動(dòng)性比率，基于七個(gè)指標(biāo)建立了ZETA模型。此后，Benjamin et al.（1986）、Kwan et al.（1986）、Kumar et al.（2015）等都利用不同參數(shù)指標(biāo)構(gòu)建Z值模型。Gasbarro et al.（2002）利用駱駝評(píng)級(jí)指標(biāo)對(duì)商業(yè)銀行的財(cái)務(wù)能力狀況進(jìn)行分析，發(fā)現(xiàn)只有營業(yè)收入指標(biāo)能夠較好地預(yù)警財(cái)務(wù)能力危機(jī)。國內(nèi)也有類似的研究，如張玲等（2008）構(gòu)建財(cái)務(wù)預(yù)警Z值模型，賈曼莉（2015）、龍貞杰等（2017）在駱駝評(píng)級(jí)模型基礎(chǔ)上構(gòu)建信用評(píng)價(jià)指標(biāo)體系。

（三）多指標(biāo)法——統(tǒng)計(jì)方法

多指標(biāo)篩選的統(tǒng)計(jì)方法包括多元判別法（MDA）、聚類分析法、主成分分析法、因子分析法等。

判別分析法系按照一定的準(zhǔn)則，建立一個(gè)或多個(gè)判別函數(shù)，利用大量數(shù)據(jù)資料確定判別函數(shù)中的待定系數(shù)，并計(jì)算判別指標(biāo)。Benjamin et al.（1986）、Kwan et al.（1986）、何玉梅等（2011）都利用多元判別法（MDA）進(jìn)行評(píng)級(jí)相關(guān)的研究。有些學(xué)者混合兩種模型，如呂長江等（2006）、張勇（2014）使用MDA和Logistic模型等進(jìn)行比較分析，取得更優(yōu)的效果。

聚類分析是將一組研究對(duì)象分為相對(duì)同質(zhì)群組的統(tǒng)計(jì)技術(shù)。主成分分析和因子分析本質(zhì)上是類同的，區(qū)別在于前者是通過坐標(biāo)變換提取主成分，將主成分表示為原始觀察變量的線性組合；而后者是通過構(gòu)造因子模型，將原始觀察變量分解為因子的線性組合。Jensen（1971）、Gupta et al.（1972）基于聚類分析方法進(jìn)行評(píng)級(jí)分析。國內(nèi)的李心愉等（2011）、《中國保險(xiǎn)公司信用評(píng)價(jià)體系研究》課題組（2014）、曹敏杰等（2008）、張晶（2011）、譚中明（2012）、龐如超（2012）等利用因子分析法進(jìn)行公司評(píng)級(jí)相關(guān)研究。有些學(xué)者混合使用兩種模型進(jìn)行研究，如肖北溟（2004）通過因子分析和聚類分析等方法構(gòu)建內(nèi)部信用評(píng)級(jí)模型，寇業(yè)富等（2013）運(yùn)用聚類分析和主成分分析方法對(duì)財(cái)產(chǎn)保險(xiǎn)公司競(jìng)爭(zhēng)力進(jìn)行評(píng)價(jià)分級(jí)。

由于簡單易操作、高效實(shí)用性等優(yōu)點(diǎn)，指標(biāo)法至今依然是很多評(píng)級(jí)機(jī)構(gòu)的主要方法。目前，大多數(shù)的評(píng)級(jí)方法都是基于不同的指標(biāo)體系展開分析，如何利用先進(jìn)的方法（例如大數(shù)據(jù)、深度學(xué)習(xí)等技術(shù)），甄選出高效、科學(xué)的指標(biāo)體系，并構(gòu)建評(píng)級(jí)指數(shù)函數(shù)，將成為指標(biāo)法的發(fā)展方向。

三、基于回歸模型的評(píng)級(jí)方法

回歸模型基于回歸技術(shù)原理，通過選擇對(duì)評(píng)級(jí)結(jié)果有顯著影響的因素指標(biāo)，然后利用指標(biāo)體系建立指數(shù)，不同的指數(shù)值成為分級(jí)評(píng)價(jià)的閾值。主要包括Logit和Probit模型、Ordered Logit和Ordered Probit模型等。其中，Logit和Probit等模型輸出二元分類結(jié)果，Ordered Logit和Ordered Probit模型可以直接輸出多元的分級(jí)結(jié)果。

1980年，此領(lǐng)域的奠基者Ohlson選擇Logit模型，以規(guī)模、總負(fù)債與總資產(chǎn)比率、經(jīng)營業(yè)績、流動(dòng)性等指標(biāo)預(yù)測(cè)公司的破產(chǎn)概率，并構(gòu)建了著名的O指數(shù)（O-Score），通過O指數(shù)指標(biāo)對(duì)財(cái)務(wù)能力進(jìn)行評(píng)級(jí)。另有Steven et al.（1999）的 Ordered Probit模型、Bert Kramer（1996）的 Ordered Logit模型、Jennifer et al.（2005）的 Ordered Probit模型等其他研究。國內(nèi)研究有劉暢等（2012）的Logistic模型、許亦平（2007）的 Ordered Probit模型、林江鵬（2016）的有序回歸模型、錢水土等（2016）的Logit模型等。

回歸模型既可以通過篩選指標(biāo)來構(gòu)建評(píng)級(jí)的指數(shù)（如Logit和Probit模型），也可以直接輸出評(píng)級(jí)結(jié)果（如Ordered Logit和Ordered Probit），模型的回歸系數(shù)具有實(shí)際經(jīng)濟(jì)價(jià)值和解釋意義，定性指標(biāo)和定量指標(biāo)都可以進(jìn)行分析，評(píng)級(jí)結(jié)果的穩(wěn)定性和可靠性是回歸模型的特征。

四、現(xiàn)代評(píng)級(jí)模型

現(xiàn)代評(píng)級(jí)模型大多借助計(jì)算機(jī)超強(qiáng)的運(yùn)算能力，對(duì)樣本進(jìn)行分類、分級(jí)評(píng)價(jià)，且大多屬于非參數(shù)模型，主要包括KMV模型、層次分析法、網(wǎng)絡(luò)分析法、決策樹方法等。

KMV模型的基本思想是把公司權(quán)益和負(fù)債看作期權(quán)，而把公司資本作為標(biāo)的資產(chǎn)，違約概率則是與債務(wù)總額和公司資產(chǎn)結(jié)構(gòu)相關(guān)的內(nèi)生變量。張澤京等（2007）、周沅帆（2009）、張寶（2011）、凌江懷等（2013）、謝遠(yuǎn)濤等（2018）運(yùn)用KMV模型對(duì)信用風(fēng)險(xiǎn)進(jìn)行評(píng)級(jí)和度量等的相關(guān)研究。

層次分析法（AHP）是將要決策的問題及其有關(guān)因素分解成目標(biāo)、準(zhǔn)則、方案等層次，同一層次中的元素必須是獨(dú)立的，不能互相影響或依賴，進(jìn)而進(jìn)行定性和定量分析的決策方法。網(wǎng)絡(luò)分析法在對(duì)其改進(jìn)的基礎(chǔ)上，考慮了不同的層次和同層次元素之間的相互依存關(guān)系，這樣元素間的關(guān)系實(shí)際上形成了網(wǎng)絡(luò)結(jié)構(gòu)。孫文等（2012）、鈕中陽等（2018）利用層次分析法構(gòu)建風(fēng)險(xiǎn)評(píng)價(jià)體系。方芳等（2005）、梁偉等（2007）、湯凌霄等（2012）基于網(wǎng)絡(luò)分析法對(duì)操作風(fēng)險(xiǎn)進(jìn)行評(píng)級(jí)等相關(guān)研究。

決策樹方法是一種非參數(shù)統(tǒng)計(jì)方法，由Makowski（1985）率先將其引入信用評(píng)估領(lǐng)域。其基本思想是根據(jù)樣本集決策屬性的信息增益比率來創(chuàng)建決策樹節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)循環(huán)生成新的子節(jié)點(diǎn)，并根據(jù)一定的原則和剪枝方法進(jìn)行簡化，最終生成決策樹，生成的葉子即屬于同一類別的子集。其優(yōu)點(diǎn)是可以輸入數(shù)值型和非數(shù)值型變量，缺點(diǎn)是只能輸出二元的評(píng)級(jí)結(jié)果。Angelis et al.（1994）應(yīng)用決策樹模型去評(píng)估保險(xiǎn)公司的償付能力。龐素琳（2009）基于決策樹模型建立信用評(píng)級(jí)模型。辛金國等（2012）、楊勝剛等（2013）、王磊等（2014）基于決策樹和神經(jīng)網(wǎng)絡(luò)進(jìn)行績效和信用風(fēng)險(xiǎn)評(píng)估等相關(guān)分析。

現(xiàn)代評(píng)級(jí)模型需要借助計(jì)算機(jī)超強(qiáng)的運(yùn)算能力，具體運(yùn)算方法各有不同。KMV模型通過計(jì)算公司的債務(wù)和資本市場(chǎng)的信息，以違約概率等作為評(píng)級(jí)的主要依據(jù)；層次分析方法和網(wǎng)絡(luò)分析法是經(jīng)過計(jì)算與反饋過程，設(shè)定公司評(píng)級(jí)指標(biāo)的體系和權(quán)重；決策樹方法是通過計(jì)算信息增益比率等來創(chuàng)建節(jié)點(diǎn)和分支，最終形成評(píng)價(jià)的決策樹。

五、基于人工智能的評(píng)級(jí)方法

人工智能是指機(jī)器能夠像人類的行為一樣運(yùn)行，能夠模擬自然界的某種（如大腦、遺傳進(jìn)化等）生物機(jī)理（Turban，1990）。人工智能評(píng)級(jí)方法主要包括人工神經(jīng)網(wǎng)絡(luò)模型、遺傳算法、粗糙集理論、支持向量機(jī)、專家系統(tǒng)等。

人工神經(jīng)網(wǎng)絡(luò)（ANNs，Artificial Neural Networks）模型，也稱神經(jīng)網(wǎng)絡(luò)模型，模型通過模擬大腦的某些機(jī)理與機(jī)制，尤其是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理。劉洪等（2004）、任飛等（2007）、張維功等（2009）、劉洪渭等（2009）、鄧慶彪等（2011）基于神經(jīng)網(wǎng)絡(luò)模型等對(duì)財(cái)務(wù)風(fēng)險(xiǎn)等進(jìn)行預(yù)警研究。龐建敏（2006）基于神經(jīng)網(wǎng)絡(luò)進(jìn)行信用風(fēng)險(xiǎn)度量。楊勝剛等（2013）利用決策樹和神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建信用評(píng)估組合模型。

遺傳算法（Genetic Algorithm）是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法，其缺點(diǎn)是無法處理定性指標(biāo)變量。葉中行等（2006）構(gòu)建遺傳算法和分類樹相結(jié)合的信用評(píng)估方法，實(shí)證結(jié)果表明比單獨(dú)使用其中一種方法的準(zhǔn)確率高。蔣艷霞等（2010）利用遺傳算法分析企業(yè)財(cái)務(wù)能力的影響因素。李竹梅等（2013）基于遺傳算法和最小二乘向量機(jī)對(duì)財(cái)務(wù)能力風(fēng)險(xiǎn)進(jìn)行預(yù)警分析。

粗糙集理論（Rough Set Theory）基于機(jī)器學(xué)習(xí)和計(jì)算的智能技術(shù)，從給定問題的描述集合出發(fā)，對(duì)不完整、不精確數(shù)據(jù)進(jìn)行分析處理，其主要思想就是在保持分類能力不變的前提下，通過知識(shí)約簡，導(dǎo)出問題的決策或分類規(guī)則。其優(yōu)點(diǎn)是能處理離散指標(biāo)，缺點(diǎn)是不能處理連續(xù)變量指標(biāo)。薛鋒等（2008）建立粗糙集與遺傳算法相結(jié)合的財(cái)務(wù)能力預(yù)警模型?？浩降龋?008）基于擴(kuò)展粗糙集理論對(duì)信用風(fēng)險(xiǎn)進(jìn)行等級(jí)評(píng)價(jià)。賈海濤等（2009）應(yīng)用粗糙集理論評(píng)價(jià)商業(yè)銀行經(jīng)營績效和能力。鮑新中（2012）混合粗糙集理論和其他模型綜合評(píng)價(jià)財(cái)務(wù)能力風(fēng)險(xiǎn)。

支 持 向 量 機(jī)（SVM，SupportVector Machine）的基本思想是在機(jī)器學(xué)習(xí)訓(xùn)練的基礎(chǔ)上，最大化分類之間的距離邊際，其優(yōu)點(diǎn)是能夠處理小樣本、非線性、離散變量數(shù)據(jù)，缺點(diǎn)是對(duì)大量數(shù)據(jù)樣本的運(yùn)算過于復(fù)雜。楊毓等（2006）、蔣艷霞等（2009）、吳冬梅等（2010）、丁德臣（2011）基于支持向量機(jī)和其他模型預(yù)測(cè)企業(yè)破產(chǎn)、財(cái)務(wù)能力等風(fēng)險(xiǎn)。韓璐等（2017）、張夢(mèng)男（2017）利用支持向量機(jī)進(jìn)行信用評(píng)分研究。

綜上，人工智能評(píng)級(jí)模型的優(yōu)點(diǎn)在于并行分布式處理、非線性處理、自學(xué)習(xí)能力等，對(duì)數(shù)據(jù)要求并不嚴(yán)格，可以是定性或者定量指標(biāo)；缺點(diǎn)在于運(yùn)算過程類似于“黑箱理論”，得出的參數(shù)無實(shí)際解釋意義。因?yàn)樾枰獙?duì)樣本進(jìn)行學(xué)習(xí)訓(xùn)練，大量樣本數(shù)據(jù)是實(shí)證的前提。人工智能模型發(fā)展的新趨勢(shì)是不同模型的混合交叉使用，其評(píng)級(jí)結(jié)果往往優(yōu)于單一模型。Holsapplea et al.（1997）使用多專家系統(tǒng)用于信用評(píng)級(jí)，評(píng)價(jià)結(jié)果優(yōu)于單個(gè)專家系統(tǒng)模型。Pendharkar（2009）遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，能夠在企業(yè)財(cái)務(wù)破產(chǎn)預(yù)警分析中取得理想效果。郭英見等（2009）基于BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等理論構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型。Arash Bahrammirzaee（2010）、Bahrammirzaee et al.（2011）混合使用神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)進(jìn)行信用評(píng)分、信用評(píng)級(jí)等分析，混合模型能夠獲得更優(yōu)效果。

六、存在的問題及未來展望

（一）存在的問題

保險(xiǎn)評(píng)級(jí)的重要意義還未能得到業(yè)界的充分認(rèn)識(shí)，相關(guān)研究的數(shù)量和質(zhì)量還有待提高。雖然監(jiān)管機(jī)構(gòu)和商業(yè)評(píng)級(jí)公司會(huì)定期發(fā)布保險(xiǎn)公司的信用評(píng)級(jí)和償付能力評(píng)級(jí)的相關(guān)信息，但是關(guān)于評(píng)級(jí)方法和評(píng)級(jí)模型方面的研究相對(duì)于銀行等行業(yè)還是較少。

回歸模型等傳統(tǒng)評(píng)級(jí)方法的精確度不夠高，還有提高創(chuàng)新的空間。在評(píng)級(jí)指標(biāo)的選擇上，對(duì)社會(huì)經(jīng)濟(jì)等外部因素考慮得較少?，F(xiàn)有評(píng)級(jí)技術(shù)多考慮公司自身財(cái)務(wù)指標(biāo)等因素，對(duì)外生變量的研究還不夠充分。實(shí)際上，評(píng)級(jí)結(jié)果深受經(jīng)濟(jì)周期等宏觀經(jīng)濟(jì)因素的影響，例如利率和投資收益率都隨經(jīng)濟(jì)周期而波動(dòng)，不利的外因常常導(dǎo)致保險(xiǎn)公司發(fā)生償付能力或者信用危機(jī)等。

現(xiàn)有評(píng)級(jí)結(jié)果還有待進(jìn)一步改進(jìn)。一方面，由于歷史積累等原因，發(fā)生償付能力危機(jī)、信用違約等的樣本公司數(shù)量較少，可靠的公司內(nèi)部數(shù)據(jù)獲取難度較大，這些數(shù)據(jù)可得性方面的先天性缺陷會(huì)影響到評(píng)級(jí)結(jié)果的準(zhǔn)確性和科學(xué)性。另一方面，評(píng)級(jí)方法在簡單和復(fù)雜兩個(gè)極端游走，簡單的評(píng)級(jí)方法易于得出結(jié)論，但是其科學(xué)性和精確度還不足，例如指標(biāo)法的指標(biāo)選擇和權(quán)重賦值還有改進(jìn)的空間；復(fù)雜類模型由于自身模型的抽象性和復(fù)雜性，模擬實(shí)證過程往往脫離了行業(yè)的實(shí)際情況，模型參數(shù)缺乏經(jīng)濟(jì)解釋意義，方法和結(jié)果同時(shí)都令人信服的并不多見。

（二）未來展望

由于簡單高效和操作性強(qiáng)等特征，指標(biāo)法在評(píng)級(jí)活動(dòng)中始終占據(jù)著重要地位，如何充分利用先進(jìn)技術(shù)去優(yōu)選指標(biāo)和權(quán)重賦值是未來發(fā)展的重點(diǎn)方向，尤其是改進(jìn)基于指標(biāo)的評(píng)分函數(shù)，以期得到更優(yōu)的評(píng)級(jí)結(jié)果。

混合模型是評(píng)級(jí)理論研究和實(shí)踐操作的發(fā)展趨勢(shì)。如指標(biāo)法與回歸模型的混合、回歸模型與現(xiàn)代評(píng)級(jí)模型的結(jié)合、回歸模型與人工智能模型的混合、不同人工智能模型之間的混合等，都取得了比單一模型更優(yōu)的評(píng)級(jí)結(jié)果。

大數(shù)據(jù)、云計(jì)算等技術(shù)將會(huì)給評(píng)級(jí)活動(dòng)帶來很大的變化，甚至是顛覆性變革。實(shí)時(shí)的投訴、投保數(shù)據(jù)可以通過互聯(lián)網(wǎng)技術(shù)及時(shí)收集與反饋，為評(píng)級(jí)結(jié)果實(shí)時(shí)更新提供了可能性。

深度學(xué)習(xí)能力基礎(chǔ)上的評(píng)級(jí)模型，尤其是人工智能模型的深層次應(yīng)用前景很值得期待。但是，由于樣本數(shù)據(jù)的不充足等原因，可能制約此類模型的訓(xùn)練學(xué)習(xí)程度，再加上自身模型的不穩(wěn)定特性，能夠應(yīng)用人工智能技術(shù)對(duì)保險(xiǎn)公司評(píng)級(jí)并得到可靠結(jié)果的還較少。

區(qū)塊鏈技術(shù)具有去中心化、交易可追溯、共識(shí)算法、智能合約等特征，建立信用評(píng)價(jià)體系具有天然優(yōu)勢(shì)（陳向陽等，2018）。某種意義上說，區(qū)塊鏈技術(shù)本身就是一種信用評(píng)價(jià)方法，其應(yīng)用前景值得期待，只是目前還未能在評(píng)級(jí)活動(dòng)中取得實(shí)質(zhì)性進(jìn)展。