蔡皎潔 劉姣華

(1 湖北工程學(xué)院經(jīng)濟與管理學(xué)院,湖北 孝感 432000；2 湖北小微企業(yè)發(fā)展研究中心 湖北 孝感 432000)

習(xí)近平總書記在2017年“一帶一路”論壇開幕式和第五次全國金融工作會議上進(jìn)一步強調(diào)金融科技創(chuàng)新及發(fā)展數(shù)字普惠金融的重要性。有效實施數(shù)字普惠金融減貧，關(guān)鍵是要精準(zhǔn)定位扶貧對象的金融需求心理，做好金融服務(wù)與需求內(nèi)容的精準(zhǔn)匹配。傳統(tǒng)的因果分析路徑由于指標(biāo)的設(shè)定過于陳舊、繁雜且主觀化，使多數(shù)研究成果過于泛化、無創(chuàng)新性。隨著數(shù)據(jù)挖掘、深度學(xué)習(xí)等技術(shù)的發(fā)展，大數(shù)據(jù)分析成為全新的數(shù)據(jù)分析視角和途徑，通過無監(jiān)督學(xué)習(xí)發(fā)現(xiàn)海量、多結(jié)構(gòu)化數(shù)據(jù)中潛在的知識規(guī)則，利用大數(shù)據(jù)分析可有效獲取未知的指標(biāo)及其相關(guān)關(guān)系，為實證分析提供科學(xué)依據(jù)，提高因果關(guān)系分析的質(zhì)量。因此，綜合大、小數(shù)據(jù)分析的優(yōu)劣勢，通過融合分析的方法，有效獲取數(shù)字普惠金融減貧供給與需求的精準(zhǔn)匹配規(guī)則，在研究方法和研究內(nèi)容上具有一定的創(chuàng)新性。

1 文獻(xiàn)回顧

1.1 大數(shù)據(jù)與小數(shù)據(jù)內(nèi)涵與分析價值

目前國內(nèi)外對小數(shù)據(jù)的定義并沒有統(tǒng)一的標(biāo)準(zhǔn)，綜合文獻(xiàn)有兩種觀點：一是認(rèn)為小數(shù)據(jù)就是樣本數(shù)據(jù)，即通過傳統(tǒng)調(diào)查的方式所獲取的數(shù)據(jù)；另一種觀點認(rèn)為小數(shù)據(jù)是針對個體的個性化信息數(shù)據(jù)[1]。本文對小數(shù)據(jù)的定義為樣本數(shù)據(jù)，基于理論指導(dǎo)主觀設(shè)計的數(shù)據(jù)。

大數(shù)據(jù)挖掘與小數(shù)據(jù)分析在應(yīng)用價值上各有所側(cè)重。Graham等[2]、Richard[3]認(rèn)為大數(shù)據(jù)挖掘的價值在于可以發(fā)現(xiàn)傳統(tǒng)統(tǒng)計手段無法精確預(yù)測的大數(shù)據(jù)中所隱藏的現(xiàn)象間相關(guān)關(guān)系，但是卻難以說明這些現(xiàn)象間具體的因果關(guān)系。秦蕭等提出大數(shù)據(jù)分析重相關(guān)關(guān)系、輕因果關(guān)系的研究范式，使得傳統(tǒng)計量統(tǒng)計和質(zhì)性研究方法受到忽視[4]。但李金昌提出小數(shù)據(jù)分析是在大數(shù)據(jù)環(huán)境下對特定問題提供個性化服務(wù)或?qū)で笠蚬P(guān)系的依據(jù)[1]。國內(nèi)外多數(shù)學(xué)者反復(fù)強調(diào)大數(shù)據(jù)挖掘與小數(shù)據(jù)分析兩者的關(guān)系是相輔相成、相互補充，且相互驗證及佐證。

1.2 基于小數(shù)據(jù)的數(shù)字普惠金融減貧研究不足

目前最權(quán)威、使用最為廣泛的普惠金融評價指標(biāo)體系是全球金融普惠指數(shù)(GFCI)體系，該指標(biāo)體系包含7個維度及47個核心指標(biāo)，由世界銀行于2012年經(jīng)由全球性金融需求調(diào)查提出[5]。Sarma從金融機構(gòu)滲透度、金融服務(wù)可獲得性和使用情況3個方面構(gòu)建普惠金融發(fā)展指數(shù)(IFI)，成為后期研究的基礎(chǔ)[6]。Gupte等加入普惠金融產(chǎn)品與服務(wù)使用情況和易用性2個維度[7]。Chakravarty和Pal又加入了包容性維度[8]。Rahman增加了金融服務(wù)的使用效率和滿意度等維度[9]。上述指標(biāo)體系的構(gòu)建基于問卷調(diào)查及專家經(jīng)驗法，并使用線性功效函數(shù)法和指數(shù)功效函數(shù)法對普惠金融指標(biāo)數(shù)據(jù)進(jìn)行無量綱化。Sama[10]、焦瑾璞等[11]采用的是線性功效函數(shù)法計算普惠金融指標(biāo)。伍旭川等分析了線性功效函數(shù)的缺陷，采用指數(shù)型功效函數(shù)來計算指標(biāo)[12]。北京大學(xué)互聯(lián)網(wǎng)金融研究中心針對數(shù)字金融迅速擴張的特點，采用對數(shù)型功效函數(shù)法來處理指標(biāo)數(shù)據(jù)。

縱觀國內(nèi)外對數(shù)字普惠金融減貧的定量化研究，循環(huán)采用陳舊評價指標(biāo)，研究結(jié)果未免雷同。隨著金融科技的發(fā)展，數(shù)字普惠金融減貧的研究思路也需要與時俱進(jìn)，利用大數(shù)據(jù)挖掘，不斷精確化實證分析的過程和結(jié)論。

2 融合大、小數(shù)據(jù)的數(shù)字普惠金融減貧可計算策略框架

基于信息科技發(fā)展的數(shù)字普惠金融減貧具備大數(shù)據(jù)發(fā)掘的優(yōu)勢，從海量數(shù)據(jù)中可預(yù)測數(shù)字普惠金融減貧實施過程中事務(wù)或事物之間的關(guān)聯(lián)關(guān)系，透過現(xiàn)象看本質(zhì)。進(jìn)一步分析關(guān)聯(lián)關(guān)系現(xiàn)象背后隱藏的因果關(guān)系，需要樣本小數(shù)據(jù)的參與，改進(jìn)以往僅采用小數(shù)據(jù)的實證分析中指標(biāo)陳舊、粒度過大、不夠全面等不足，提升數(shù)字普惠金融減貧策略的質(zhì)量。融合大、小數(shù)據(jù)分析的數(shù)字普惠金融減貧策略框架見圖1。

圖1 融合大、小數(shù)據(jù)的數(shù)字普惠金融減貧可計算策略框架

2.1 框架需解決的核心問題

核心問題可歸結(jié)為以下要點：在一定的閾值R(R=滿意度/風(fēng)險度)范圍內(nèi)，尋找最優(yōu)T(T=<需求，供給>)值，T值的計算是復(fù)雜統(tǒng)計指標(biāo)分析過程，既包括因果關(guān)系分析，又包含其他復(fù)雜相關(guān)關(guān)系分析。通過大、小數(shù)據(jù)分析的融合，實現(xiàn)數(shù)字普惠金融減貧需求與供給之間的精準(zhǔn)匹配，才能有效達(dá)到精準(zhǔn)扶貧的目標(biāo)。

2.2 數(shù)字普惠金融減貧需求分析

首先，利用大數(shù)據(jù)挖掘影響因素指標(biāo)及之間的相關(guān)關(guān)系?；谏疃葘W(xué)習(xí)方法，實現(xiàn)影響因素指標(biāo)的量化，建立卷積神經(jīng)網(wǎng)絡(luò)(CNN)分類預(yù)測模型，對貧困戶金融需求數(shù)據(jù)實現(xiàn)深度挖掘和分析。其次，在相關(guān)關(guān)系分析結(jié)果的基礎(chǔ)上，進(jìn)一步利用實證分析獲取影響因素指標(biāo)間的因果關(guān)系，其中不同概念粒度間的相關(guān)關(guān)系，可為因果關(guān)系分析提供理論假設(shè)的素材，避免以往的重復(fù)性及陳舊度。

2.3 數(shù)字普惠金融減貧供給分析

首先，利用大數(shù)據(jù)挖掘方法，獲取數(shù)字普惠金融減貧供給統(tǒng)計指標(biāo)的影響因素指標(biāo)及之間的相關(guān)關(guān)系，具體根據(jù)數(shù)據(jù)量的大小、結(jié)構(gòu)分布、向量稀疏性等來選擇數(shù)據(jù)挖掘算法；其次，在相關(guān)關(guān)系挖掘結(jié)果的基礎(chǔ)上，設(shè)立假設(shè)論證，實現(xiàn)影響因素指標(biāo)間因果關(guān)系分析。

2.4 貧困戶金融需求與數(shù)字普惠金融減貧供給匹配計算

參考數(shù)字普惠金融減貧產(chǎn)品與服務(wù)全局概念本體，對所獲取的貧困戶金融需求概念集和數(shù)字普惠金融減貧供給概念集，再次挖掘和集成，形成匹配概念視圖，圖中節(jié)點及節(jié)點關(guān)系賦值滿意度和風(fēng)險度，利用挖掘和集成結(jié)果，及相關(guān)語義相似度計算方法，參考專家建議，進(jìn)行滿意度和風(fēng)險度計算。

最優(yōu)T值，是滿足概念節(jié)點及節(jié)點間關(guān)系滿意度高而風(fēng)險度低的連續(xù)路徑均值。對匹配后的概念樹實現(xiàn)遍歷，通過深度優(yōu)先遍歷算法，發(fā)現(xiàn)滿足R值的節(jié)點范圍，T值為范圍內(nèi)節(jié)點間的路徑最短，該路徑即為給出具體策略建議的可計算路徑。

3 融合大、小數(shù)據(jù)的數(shù)字普惠金融減貧需求與供給匹配流程

3.1 數(shù)字普惠金融減貧數(shù)據(jù)收集與處理

通過爬蟲和調(diào)查問卷相結(jié)合的方式，從貧困戶實地走訪、數(shù)字普惠金融減貧機構(gòu)網(wǎng)站、相關(guān)社交平臺等多個渠道收集數(shù)據(jù)，通過SPSS軟件統(tǒng)計分析，了解貧困戶對數(shù)字普惠金融減貧需求用途、特征、數(shù)字普惠金融減貧獲取度等需求與供給指標(biāo)的統(tǒng)計現(xiàn)狀。

根據(jù)所收集數(shù)據(jù)中包含的對象、事物及事件進(jìn)行數(shù)據(jù)分類、集成和歸一，構(gòu)建數(shù)據(jù)倉庫，實現(xiàn)數(shù)據(jù)標(biāo)簽化管理。如某地區(qū)貧困戶金融需求為數(shù)據(jù)管理標(biāo)簽，即包含該地區(qū)貧困戶群體金融需求數(shù)據(jù)，也包括貧困戶個人金融需求數(shù)據(jù)，在數(shù)據(jù)標(biāo)簽化管理過程中，即要構(gòu)建群體特征數(shù)據(jù)庫，也要構(gòu)建個體特征數(shù)據(jù)庫，綜合利用文本切分詞、降維及矢量計算、二維表逆向工程等多種方法，對多元化的數(shù)據(jù)進(jìn)行集成管理。

3.2 數(shù)字普惠金融減貧需求與供給語義關(guān)聯(lián)分析

通過大數(shù)據(jù)挖掘和小數(shù)據(jù)實證分析兩個過程反復(fù)迭代,結(jié)果相互補充，不斷完善數(shù)字普惠金融減貧需求與供給概念匹配集合，反復(fù)優(yōu)化T(T=<需求，供給>)值，獲取最優(yōu)數(shù)字普惠金融減貧路徑。

3.2.1 數(shù)字普惠金融減貧需求與供給相關(guān)關(guān)系分析

預(yù)測與挖掘粗粒度需求與供給概念對集合(X,Y)。

預(yù)測與挖掘需求概念集X、供給概念集Y的子集及其層次分類關(guān)系X和Y，并分別構(gòu)建需求和供給概念本體。

在初始本體概念樹的基礎(chǔ)上，預(yù)測和挖掘需求與供給概念體系中不同層次、不同粒度之間的分類與非分類層次關(guān)系，最終獲取需求與供給概念對集合<(x1,y1),(x2,y2),……,(xn,yn),a>,其中a值取自(X,Y)之間關(guān)系的動態(tài)值大小。

3.2.2 數(shù)字普惠金融減貧需求與供給因果關(guān)系分析

從上述大數(shù)據(jù)預(yù)測數(shù)字普惠金融減貧需求與供給概念對集合<(x1,y1),(x2,y2),……,(xn,yn),a>中，結(jié)合專家意見，取a值在一定閾值范圍內(nèi)的概念對(xi,y(i|t)),其中i，t∈(1,2,……,n),且(xi,yi)屬于同一概念粒度層，或(xi,yt)屬于不同概念粒度層。

參照需求概念集X本體樹、供給概念集Y本體樹，基于概念對(xi,y(i|t))給出的假設(shè)，設(shè)置自變量、因變量和中間變量，自變量的選取來自概念集X本體樹，且利用語義相似度計算方法，選取若干個與變量xi最遠(yuǎn)、最近、或遠(yuǎn)近混合的變量為自變量；因變量為y(i|t)或在供給概念集Y本體樹中與其語義相似度相關(guān)的變量；中間變量為X∩Y，且分別與xi或y(i|t)語義相似度最小的變量。

3.3 數(shù)字普惠金融減貧需求與供給概念語義集成

參照領(lǐng)域本體,通過不斷修正及完善數(shù)字普惠金融減貧需求與供給概念對集合<(x1,y1),(x2,y2),……,(xn,yn),a>中的概念對及相關(guān)權(quán)值，構(gòu)建完整的數(shù)字普惠金融減貧需求與供給概念圖，計算T值，獲取滿足R值的最短路徑，即為提出數(shù)字普惠金融減貧的概念決策路徑。

4 實驗設(shè)計與結(jié)果分析

通過問卷調(diào)查走訪典型用戶30家，收集有效問卷200份；通過爬蟲采集銀行網(wǎng)站信息、產(chǎn)品軟件APP評論數(shù)據(jù)、相關(guān)新聞頁面以及調(diào)研相關(guān)用戶Web使用數(shù)據(jù)等，共4 300篇文檔數(shù)據(jù)，使用中國科學(xué)院計算技術(shù)研究所ICTCLAS的切分詞處理。生成詞頻矩陣。使用Word2vec中的Skip-gram模型進(jìn)行詞矩陣訓(xùn)練，然后利用TextRank構(gòu)建概念相關(guān)圖，其計算如公式(1)所示。

(1)

其中，R(wi)是詞wi的權(quán)重，O(wj)是詞wj的出度，e(wj,wi)為wj→wi邊的權(quán)值，V為詞匯節(jié)點集合，r∈[0,1]為平滑因子，通常取值0.85。TextRank算法通過相鄰節(jié)點間的迭代計算來更新邊值權(quán)重。通過迭代挖掘，形成的部分概念相關(guān)關(guān)系如圖2。

圖2 基于TextRank生成的部分概念相關(guān)關(guān)系圖

從圖2中提取滿足閾值(由專家判定)的概念對，專家設(shè)定閾值為a=0.2，構(gòu)建實證分析中的自變量與因變量指標(biāo)，如表1所示。

表1 數(shù)字普惠金融減貧變量指標(biāo)集(X,Y)

參照變量指標(biāo)集(X,Y)設(shè)計問卷，分別對問卷進(jìn)行信效度和擬合度分析Cronbach′s>0.7、KMO>0.7。問卷具有較高信度和結(jié)構(gòu)效度。可見，概念相關(guān)關(guān)系圖為實證分析提供良好的假設(shè)依據(jù)，且粒度層次小，更具有實證分析價值。對變量指標(biāo)進(jìn)行結(jié)構(gòu)方程分析(SEM)及標(biāo)準(zhǔn)化估計，獲取其因果關(guān)系如圖3所示。

圖3 基于SEM的變量間因果關(guān)系圖

參考領(lǐng)域本體及《知網(wǎng)》詞語相似度計算方法，將圖3與圖2進(jìn)行語義集成，實現(xiàn)T值計算。經(jīng)過集成，設(shè)R=[0.5，1]，計算節(jié)點間最短相似路徑。計算結(jié)果如圖3所示。

排名靠前的主題概念及權(quán)重是：網(wǎng)絡(luò)貸款(8.17)、貸款利率(8.13)、貸款周期(7.56)、審批手續(xù)(7.43)、小額貸款(7.24)、在線供應(yīng)鏈金融(6.87)等，其T值集合有：

可見，數(shù)字普惠金融減貧需求主題概念集中的網(wǎng)絡(luò)貸款，與其屬性概念如貸款利率、貸款周期等有著緊密關(guān)系。

實驗結(jié)果要比傳統(tǒng)實證分析中單一的因果關(guān)系圖，更接近實際值。其檢測結(jié)果如圖4所示。

圖4 融合大小數(shù)據(jù)分析與僅基于小數(shù)據(jù)分析的MAP對比圖

MAP是能夠融合P值(準(zhǔn)確率)和R值(召回率)的一個全面評價指標(biāo)，曲線向上突出，證明與實際數(shù)據(jù)擬合程度較好。由圖可見，虛線效果較優(yōu)，證明本文所提的研究框架與方法有效，并且分析性能有所提高。

5 結(jié)論與展望

本文從大數(shù)據(jù)分析和小數(shù)據(jù)分析各自的優(yōu)缺點出發(fā)，提出融合大、小數(shù)據(jù)分析的數(shù)字普惠金融減貧可計算研究框架和具體研究方法，并針對性地進(jìn)行實驗設(shè)計。實驗結(jié)果表明，對比僅基于小數(shù)據(jù)的因果關(guān)系分析，融合大數(shù)據(jù)的相關(guān)關(guān)系發(fā)現(xiàn)，可提升小數(shù)據(jù)因果關(guān)系分析中指標(biāo)的細(xì)化、全面性和創(chuàng)新性。后期，還要進(jìn)一步優(yōu)化相關(guān)算法及大、小數(shù)據(jù)集成的方案。