□文/李憶萍

（西安財(cái)經(jīng)大學(xué)統(tǒng)計(jì)學(xué)院 陜西·西安）

［提要］ 信用環(huán)境是一種普通的經(jīng)濟(jì)關(guān)系，一個(gè)城市信用環(huán)境較好，經(jīng)濟(jì)也將快速發(fā)展，足以看出城市信用環(huán)境的重要性。本文采用統(tǒng)計(jì)學(xué)中的預(yù)測(cè)分析方法對(duì)城市信用環(huán)境狀況進(jìn)行預(yù)測(cè)，對(duì)后期的信用環(huán)境改善起到指導(dǎo)性的作用。

引言

我國信用評(píng)級(jí)行業(yè)是在改革開放和市場(chǎng)化進(jìn)程的背景下產(chǎn)生的，我國信用管理第一部制度產(chǎn)生于2005年。隨著信用制度和體系的逐漸完善，個(gè)人信用記錄作為進(jìn)行貸款業(yè)務(wù)的衡量標(biāo)準(zhǔn)，中國人民銀行建立了信用信息記錄，并實(shí)現(xiàn)了信息共享、全國聯(lián)網(wǎng)，許多省市建立了地方信用監(jiān)督平臺(tái)，開展信用服務(wù)和監(jiān)督工作，為我國經(jīng)濟(jì)發(fā)展和良好信用環(huán)境提供保證。

隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，交易方式發(fā)生了翻天覆地的變化，從現(xiàn)金支付到線上支付。近年來，“貸款買車”“貸款買房”“螞蟻花唄”“分期付款”等字眼到處可見，這就對(duì)信用評(píng)價(jià)有了更高的要求，若大量的銀行貸款逾期無法收回，將會(huì)給金融系統(tǒng)帶來嚴(yán)重的風(fēng)險(xiǎn)，對(duì)社會(huì)經(jīng)濟(jì)生活造成嚴(yán)重危害。信用秩序混亂將會(huì)阻礙經(jīng)濟(jì)的發(fā)展，所以良好的信用環(huán)境對(duì)推動(dòng)一個(gè)國家經(jīng)濟(jì)發(fā)展至關(guān)重要，構(gòu)建一個(gè)誠信、友好、和諧、健康的信用環(huán)境是時(shí)代所需要的。

一、文獻(xiàn)匯總

劉昕雨、彭含月、郭永娜對(duì)十堰市鄖西縣店子鎮(zhèn)北山溝村的金融精準(zhǔn)扶貧信用環(huán)境進(jìn)行分析與研究，采用調(diào)查問卷方式了解精準(zhǔn)扶貧的信用狀況，再基于聯(lián)機(jī)分析處理和SPSS卡方檢驗(yàn)的信用環(huán)境評(píng)價(jià)，分析當(dāng)前存在的問題，并提出優(yōu)化信用環(huán)境的對(duì)策。葉陳毅、陳依萍等以國家政策和大數(shù)據(jù)為背景探討構(gòu)建京津冀信用環(huán)境評(píng)價(jià)指標(biāo)，根據(jù)實(shí)地調(diào)研選擇指標(biāo)，從區(qū)域經(jīng)濟(jì)、金融體系、文化教育、信息技術(shù)、行政管理五個(gè)方面進(jìn)行指標(biāo)構(gòu)建，利用因子分析法得到了三個(gè)主成分，分別為經(jīng)濟(jì)行政因子、信息教育因子、經(jīng)濟(jì)金融因子，進(jìn)而進(jìn)行了信用評(píng)價(jià)并提出合適的建議。解恒鑫首先針對(duì)山東省數(shù)據(jù)建立了評(píng)價(jià)體系，再分別采用層次法和因子分析法進(jìn)行信用狀況排序和關(guān)鍵因素提取，得出一個(gè)地區(qū)的信用環(huán)境狀況與經(jīng)濟(jì)發(fā)展、社會(huì)環(huán)境、人文素養(yǎng)、地理位置有著密切的關(guān)系，再根據(jù)分析結(jié)果對(duì)構(gòu)建良好信用環(huán)境提出建議。

在閱讀大量關(guān)于信用環(huán)境方面的文獻(xiàn)后，發(fā)現(xiàn)信用環(huán)境對(duì)于經(jīng)濟(jì)發(fā)展起著至關(guān)重要的作用，國家必須重視起來。在信用環(huán)境應(yīng)用的大量文獻(xiàn)中，大多數(shù)研究人員利用因子分析來研究某一指標(biāo)對(duì)信用評(píng)價(jià)的作用，再根據(jù)這些指標(biāo)對(duì)城市信用環(huán)境提出合理的建議。但是，本文強(qiáng)調(diào)分類預(yù)測(cè)的重要性，如果提前預(yù)測(cè)將會(huì)發(fā)生的事情并進(jìn)行改善，那么事情的結(jié)果就會(huì)不一樣。

二、構(gòu)建信用環(huán)境評(píng)價(jià)體系

（一）數(shù)據(jù)來源。本文選擇訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分別為中國31個(gè)?。▍^(qū)、市）2017年數(shù)據(jù)和2018年11個(gè)省市數(shù)據(jù)，數(shù)據(jù)來源于中國統(tǒng)計(jì)局官網(wǎng)以及各省的統(tǒng)計(jì)官網(wǎng)對(duì)應(yīng)年份的統(tǒng)計(jì)年鑒。

（二）信用環(huán)境評(píng)價(jià)體系分解分析。（表1）本文從政治、經(jīng)濟(jì)、金融、文化、個(gè)人、企業(yè)這六個(gè)維度進(jìn)行體系構(gòu)建，共選擇23個(gè)三級(jí)指標(biāo)，評(píng)價(jià)體系分解如下：

表1 指標(biāo)體系匯總表

1、經(jīng)濟(jì)指標(biāo)。評(píng)價(jià)一個(gè)地區(qū)的經(jīng)濟(jì)狀況和綜合實(shí)力都需要一定的經(jīng)濟(jì)指標(biāo)。區(qū)域GDP是衡量城市經(jīng)濟(jì)狀況的必要指標(biāo)，所以選擇區(qū)域GDP、人均地區(qū)生產(chǎn)總值；同時(shí)，還選取固定資產(chǎn)投資、社會(huì)消費(fèi)品零售額、進(jìn)出口總額指標(biāo)，并分別計(jì)算與GDP的比值。

2、金融指標(biāo)。金融借貸作為信用評(píng)價(jià)的重要方面，金融又是推動(dòng)經(jīng)濟(jì)發(fā)展的核心產(chǎn)業(yè)，它的規(guī)模和結(jié)構(gòu)可以反映出經(jīng)濟(jì)運(yùn)行的狀況。因此，分別選取金融機(jī)構(gòu)各項(xiàng)貸款總額與存款的比值、短期貸款總額、中長期貸款總額、金融業(yè)增加值這四個(gè)指標(biāo)。

3、政府指標(biāo)。政治信用對(duì)社會(huì)信用影響程度較大，它將直接影響公共服務(wù)的質(zhì)量。政府指標(biāo)選擇地方財(cái)政收入、地方財(cái)政支出、固定資產(chǎn)投資國家預(yù)算內(nèi)資金，分別計(jì)算收入與支出占GDP比重。

4、文化指標(biāo)。文化是衡量國家軟實(shí)力的指標(biāo)，地區(qū)人民的文化程度越高，信用評(píng)價(jià)也會(huì)越高，所以本文選取教育和信息兩個(gè)方面進(jìn)行指標(biāo)構(gòu)建，選取的指標(biāo)有：普通高等學(xué)校在校學(xué)生數(shù)、國家財(cái)政性教育經(jīng)費(fèi)占地方財(cái)政支出比重、年末互聯(lián)網(wǎng)寬帶接入用戶、移動(dòng)電話年末用戶和信息傳輸、計(jì)算機(jī)服務(wù)和軟件業(yè)固定資產(chǎn)投資。

5、個(gè)人指標(biāo)。每個(gè)公民都應(yīng)該為構(gòu)建良好信用環(huán)境共同努力。我國經(jīng)濟(jì)具有顯著的城鄉(xiāng)二元特點(diǎn)，應(yīng)立足于農(nóng)村和城鎮(zhèn)兩個(gè)方面考慮指標(biāo)。選取的指標(biāo)有：農(nóng)村個(gè)人消費(fèi)支出占人均可支配收入比重、城鎮(zhèn)個(gè)人消費(fèi)支出占人均可支配收入比重和居民消費(fèi)水平。

6、企業(yè)指標(biāo)。國家的經(jīng)濟(jì)發(fā)展離不開企業(yè)，并且企業(yè)的信用直接影響城市信用，因此它是構(gòu)建信用環(huán)境評(píng)價(jià)的重要部分。企業(yè)真實(shí)的信用狀況可以通過信用評(píng)價(jià)的高低直接反映，為決策部門提供可靠的依據(jù)。則選取的指標(biāo)為：工業(yè)增加值、規(guī)模以上工業(yè)企業(yè)資產(chǎn)總額和工業(yè)負(fù)債總額以及規(guī)模以上工業(yè)企業(yè)單位數(shù)。

三、原理綜述

（一）K均值聚類法。K均值聚類法是一特殊的非譜系過程，又稱為“快速聚類法”。這種聚類方法的思想是把每個(gè)樣品聚集到最近均值類中。實(shí)際上是一種人為指定凝聚點(diǎn)，采取就近原則來進(jìn)行分類。此方法的特點(diǎn)是通過K的數(shù)值來將數(shù)據(jù)進(jìn)行快速分類。

此過程由三步組成：將樣品粗略的分成K類；逐個(gè)分派樣品到最近均值的類中，這里采用歐式距離來計(jì)算，并且要不斷計(jì)算接受和失去樣品類的均值；一直重復(fù)，直到無元素改變。

算法的決策：給定一個(gè)n個(gè)m維的數(shù)據(jù)集X和要分的類別數(shù)K選取距離作為相似度指標(biāo)，聚類目標(biāo)是使得各類的聚類平方和最小，即：

最小化，在迭代時(shí)，聚類中心盡可能不改變。

（二）K近鄰算法。K近鄰算法是常見的分類算法之一，K近鄰法的輸入為特征向量，輸出為類別，它是當(dāng)給定一個(gè)訓(xùn)練數(shù)據(jù)，對(duì)新的輸入數(shù)據(jù)，在訓(xùn)練數(shù)據(jù)中找到與輸入的最近的K個(gè)數(shù)據(jù)，這K個(gè)實(shí)例屬于某一類，則就把該輸入數(shù)據(jù)分為這個(gè)類。模型最基本的三個(gè)要素為：距離度量、K值選擇和決策規(guī)則。

特征空間中的距離就是來反映其接近程度，一般使用的距離為歐式距離。K值的選擇會(huì)對(duì)K近鄰的分析結(jié)果產(chǎn)生很大的影響，K值的減少容易出現(xiàn)過擬合現(xiàn)象。在應(yīng)用中，K值取比較小的數(shù)值，通常采用交叉驗(yàn)證法來選取最優(yōu)的K值。

K近鄰分析的分類決策規(guī)則往往采用多數(shù)表決，多數(shù)表決規(guī)則如下：

分類函數(shù)為：

則誤分類的概率是：

誤分類率是：

要使誤分類率最小，就要使式子中最后一部分最大，所以表決規(guī)則就是風(fēng)險(xiǎn)最小化。

四、實(shí)證分析過程

（一）K均值聚類在模型中的應(yīng)用。本文在使用K-means聚類時(shí)，使K=3進(jìn)行數(shù)據(jù)分類。將采用SPSS軟件進(jìn)行分析。聚類分析方法在模型中應(yīng)用是將31?。▍^(qū)、市）的數(shù)據(jù)進(jìn)行信用好壞分類，為下文K近鄰算法打基礎(chǔ)。在SPSS中運(yùn)算輸出結(jié)果，如表2所示。（表2）

表2 聚類成員一覽表

由分析結(jié)果可以得出：第一類的省市有4個(gè)（江蘇省、浙江省、山東省、廣東省）；第二類有4個(gè)省市（天津市、上海市、北京市、福建省）；第三類有23個(gè)。

由表3中可以看出，CEI排名前十位的為：煙臺(tái)市、金華市、惠州市、佛山市、宿遷市、溫州市、廊坊市、珠海市、日照市、蘇州市，他們分別屬于山東省、浙江省、廣東省、江蘇省、河北省。這個(gè)數(shù)據(jù)是全國各城市的排名，比全省市較為精細(xì)，但可以看出聚類結(jié)果與此結(jié)果較為吻合。因此，第一、第二、第三類分別為信用較好、一般、不好的省市。（表3）

表3 2017年度中國地級(jí)城市商業(yè)信用環(huán)境指數(shù)排名一覽表

（二）K近鄰算法在模型中的應(yīng)用。本文選取2018年11個(gè)省市（包括北京市、天津市、河北省、山西省、內(nèi)蒙古自治區(qū)、遼寧省、吉林省、黑龍江省、上海市、江蘇省、浙江?。┑臄?shù)據(jù)作為測(cè)試數(shù)據(jù)，而訓(xùn)練數(shù)據(jù)為聚類分析的數(shù)據(jù)，利用聚類分析的結(jié)果，將測(cè)試數(shù)據(jù)分為三類，確定其標(biāo)簽分別為1、2、3（1為信用環(huán)境較好、2為信用環(huán)境一般、3為信用環(huán)境不好），再用K近鄰算法進(jìn)行分類預(yù)測(cè)，得出11個(gè)省市的信用環(huán)境狀況。

本文采用Python軟件進(jìn)行分析，分析步驟如下：

1、輸入與準(zhǔn)備階段。首先導(dǎo)入Numpy數(shù)學(xué)運(yùn)算庫和Pandas數(shù)據(jù)分析包，Pandas里面容納了大量庫以及數(shù)據(jù)模型，它可以提供處理數(shù)據(jù)的函數(shù)與方法。其次使用Python中機(jī)器學(xué)習(xí)庫sklearn，sklearn自帶數(shù)據(jù)集，通常是選擇相應(yīng)的機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，本文選取的是KNeighborsClassifier。最后進(jìn)行了數(shù)據(jù)的加載。代碼如圖1所示。（圖1）

圖1 數(shù)據(jù)運(yùn)算準(zhǔn)備代碼

2、模型建立。首先定義數(shù)據(jù)集的特征以及對(duì)應(yīng)的標(biāo)簽；然后將數(shù)據(jù)集分成兩部分，分別為訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)；最后引進(jìn)訓(xùn)練方法，再對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行擬合。Python代碼實(shí)現(xiàn)如圖2所示。（圖2）

圖2 模型構(gòu)建代碼

由圖2可以看出，模型擬合的準(zhǔn)確率為62.5%，這個(gè)數(shù)值較低，因此需要進(jìn)行模型優(yōu)化。

3、模型優(yōu)化。此處利用網(wǎng)絡(luò)搜索與交叉驗(yàn)證的方法進(jìn)行模型優(yōu)化。網(wǎng)絡(luò)搜索法是搜尋網(wǎng)格中的每一對(duì)超參數(shù)，然后對(duì)其進(jìn)行評(píng)估，得到評(píng)估指標(biāo)，進(jìn)行對(duì)比后得到最優(yōu)超參數(shù)對(duì)，選出來進(jìn)行模型訓(xùn)練。對(duì)于每一對(duì)參數(shù)對(duì)進(jìn)行評(píng)估時(shí)使用交叉驗(yàn)證方法。其中，參數(shù)與特征相關(guān)，超參數(shù)是對(duì)模型的整體規(guī)劃有意義的指標(biāo)。模型優(yōu)化代碼如圖3所示。（圖3）

由圖3代碼可以看出：分析過程是將最近鄰算法、KDtree的二叉樹樹形結(jié)構(gòu)、balltree的球形樹結(jié)構(gòu)和暴力破解（brute-force）算法組合建立參數(shù)，再進(jìn)行交叉驗(yàn)證五次，得到最佳模型。模型優(yōu)化后的準(zhǔn)確率為91.3%，證明模型良好，可以進(jìn)行分類預(yù)測(cè)。

圖3 模型優(yōu)化代碼

4、模型預(yù)測(cè)。直接采用上面的最佳模型進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果直接導(dǎo)出Excel形式。代碼如圖4所示。（圖4）

圖4 模型預(yù)測(cè)代碼

運(yùn)用最佳模型進(jìn)行分類預(yù)測(cè)，最后得到的分類結(jié)果如表4所示。（表4）

表4 分類預(yù)測(cè)結(jié)果一覽表

由表4可以看出，在預(yù)測(cè)的省市中，信用較好的省市有3個(gè)，為河北省、江蘇省、浙江省。然而，在2018年國家信息中心中經(jīng)網(wǎng)發(fā)布的全國城市信用狀況監(jiān)測(cè)數(shù)據(jù)顯示，5個(gè)省位位列第一梯度，分別為江蘇省、浙江省、廣東省、山東省、湖北省。由此數(shù)據(jù)可以看出，K近鄰分析方法分類預(yù)測(cè)結(jié)果較好。

五、結(jié)果及建議

（一）采用K均值聚類分析方法，將K設(shè)置成3對(duì)2017年全國31個(gè)?。▍^(qū)、市）根據(jù)信用環(huán)境評(píng)價(jià)進(jìn)行聚類，分類結(jié)果為江蘇省、山東省、廣東省、浙江省為信用環(huán)境較好城市。

（二）使用2018年11個(gè)省市的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，再利用31個(gè)省（區(qū)、市）的數(shù)據(jù)作為K近鄰分析方法中的訓(xùn)練數(shù)據(jù)，根據(jù)模型進(jìn)行分類預(yù)測(cè)，得出：河北省、江蘇省、浙江省為信用較好的城市。

（三）采用此方法可以提前進(jìn)行分類預(yù)測(cè)，得出城市的信用環(huán)境狀況，就此可以采取一系列的措施進(jìn)行改善，以達(dá)到構(gòu)建和諧信用環(huán)境的目的。

應(yīng)進(jìn)一步發(fā)揮信用環(huán)境狀況較好城市的引領(lǐng)作用。等級(jí)落后的城市應(yīng)積極向其他城市學(xué)習(xí)，制定適合自己城市信用發(fā)展的政策，而等級(jí)制度較好的城市，要起到帶頭模范作用，主動(dòng)利用自身信用體系建設(shè)經(jīng)驗(yàn)幫助其他城市，并積極主張建立一體化的信用體系；提倡預(yù)測(cè)信用環(huán)境，可以從各個(gè)方面對(duì)信用環(huán)境進(jìn)行改善，確保經(jīng)濟(jì)穩(wěn)步發(fā)展。建立健全數(shù)據(jù)開放共享機(jī)制。數(shù)據(jù)共享有助于學(xué)者進(jìn)行信用環(huán)境評(píng)價(jià)的研究，對(duì)信用環(huán)境的評(píng)價(jià)提供科學(xué)理論的支撐。同時(shí)，數(shù)據(jù)的公開透明對(duì)信用環(huán)境具有一定的監(jiān)督作用。