信用評估的常用方法淺析

汪晶瑤

（云南大學(xué)，云南 昆明 650500）

信用評估對于整個社會經(jīng)濟發(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、也是未來評估模型發(fā)展方向。大多參考文獻(xiàn)僅根據(jù)信用評估數(shù)據(jù)某一方面特點建模，得出的結(jié)論運用面較為狹窄，無法整個體系看待信用評估方法的優(yōu)缺點和其他使用方向。本文旨在沿著信用評估方法發(fā)展歷程，從專家評分法到數(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)濟含義解釋能力為、建模的效率等。

一、古典信用評估方法

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

二、信用評估中的數(shù)理方法

信用評估最初的分析方法并未將數(shù)理統(tǒng)計知識引入，僅是基于規(guī)則的分析方法，主要依靠內(nèi)部和外部的信用經(jīng)驗，建立一個公式或一套規(guī)則，來評價客戶信用值。但當(dāng)數(shù)學(xué)統(tǒng)計理論知識逐漸完善，數(shù)量化的分析方法被大量運用到信用評估中去，為評估決策者提供準(zhǔn)確的數(shù)據(jù)信息。下面將探討幾種在信用評估中常見的數(shù)理方法。

（一）判別分析法

信用評估中最初收集來的原始數(shù)據(jù)，龐大而繁雜，需要對其按照某種屬性進(jìn)行分類，判別分析法即是用于解決這種分類問題的方法。將定義在已選變量的集合上的隨機觀測樣本，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，用一個極大或極小值表示。約束條件是指實現(xiàn)目標(biāo)的限制影響因素，用一組等式或不等式來表示。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)計分析方法，在計量經(jīng)濟學(xué)中廣泛運用。對于多個自變量而言，很難定性說明之間相互關(guān)系和對因變量的解釋程度，通過回歸分析，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。可以根據(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，是一種將多個變量通過線性變換以選出其中較少的重要變量的多元統(tǒng)計分析方法。其實質(zhì)內(nèi)容就是，設(shè)法把原來變量經(jīng)過重新組合，成為一組新的互相無關(guān)的綜合變量，同時根據(jù)實際從原先變量中取出幾個較少的綜合變量盡可能多地反映原來變量的信息。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)雜的問題分解成遞階層次結(jié)構(gòu)，構(gòu)造判斷矩陣，通過分析影響這個問題的各因素之間的相互關(guān)系以及對問題影響程度的大小來確定層次中各因素對上一層次因素的重要性和權(quán)重，并最終確定各因素對總目標(biāo)的權(quán)重。

（六）數(shù)理方法總結(jié)

數(shù)理方法運用到信用評估中，最大的優(yōu)點是將繁雜毫無規(guī)律的定性變量變成確定的定量結(jié)果，為信用評估提供大量的數(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，用于對數(shù)據(jù)有初步量化認(rèn)識。主成分分析法是用較少的主成分來表示原始數(shù)據(jù)中盡可能多的信息，將篩選出來的因素帶入層次分析法中，通過初步的數(shù)據(jù)處理后以確定各個因素應(yīng)配以的權(quán)重系數(shù)，分級排列、層層遞推。層次分析法所得出的最終信用評估具體得分，可以用于縱向及橫向的評比，應(yīng)用廣泛，可操作性、可移植性強。數(shù)理方法不能對錯誤的輸入數(shù)據(jù)具備相容性，無法自我學(xué)習(xí)調(diào)整。當(dāng)數(shù)理模型內(nèi)存在自相關(guān)問題時，不易顯示出來，而這通常會導(dǎo)致評估結(jié)果誤差極大。但隨著科學(xué)進(jìn)步、計算機科技發(fā)展，信用評估方法逐步引入計算機人工智能方法，通過計算機編程可以處理大量復(fù)雜數(shù)據(jù)，并且模型的計算方法可以微調(diào)改進(jìn)，用計算機不斷調(diào)試，使得最終誤差降到最低。下面將探討信用評估中的人工智能方法。

三、信用評估中的人工智能方法

信用評估中引入人工智能方法，可以彌補數(shù)理方法在處理大量自相關(guān)的數(shù)據(jù)時的缺陷，并通過自我學(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)理模型處理會相當(dāng)復(fù)雜，運算效率低下。神經(jīng)網(wǎng)絡(luò)模型也存在一些缺點，如建立模型時需要不斷調(diào)試、改進(jìn)、更新，成本過高。神經(jīng)元的主體部分基本上是個黑箱方案，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，可以用來解決多樣的問題，在解決高維度目標(biāo)函數(shù)上具備優(yōu)勢。但是遺傳算子運用在信用評估中，在選取優(yōu)良樣本進(jìn)行繁衍時，一定要倍加用心，否則可能引起持續(xù)的衰敗。遺傳算子法的計算量龐大，對計算機要求較高，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)省時間，提高運算效率，在考慮數(shù)據(jù)的非線性、非可加性時能夠很好處理。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，要多重層疊計算時，綜合神經(jīng)網(wǎng)絡(luò)算法和遺傳算子法等人工智能算法，會達(dá)到更加效果。人工智能方法相對于數(shù)理方法來說，最大的優(yōu)點在于它處理非線性樣本數(shù)據(jù)群組的自我學(xué)習(xí)功能強大。通過計算機的不斷調(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)樣本變化的動態(tài)調(diào)整模式，人工智能方法通過多變量復(fù)雜預(yù)測模型的構(gòu)建，能夠做到不斷調(diào)試、不斷改進(jìn)。

四、信用評估方法比較

各種信用評估方法無法總體上來評價各種方法的優(yōu)劣，主要從經(jīng)濟解釋力度、適用條件以及精確度和效率，這三個方面來分析比較上面的信用評估方法。

從經(jīng)濟解釋力度來說，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)濟意義。邏輯回歸模型中，可以首先由逐步回歸法選擇出對因變量影響顯著的變量。邏輯回歸系數(shù)可以被解釋為對應(yīng)自變量一個單位的變化所導(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)之間比的對數(shù)。在對變量選擇方面，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)劃法運用簡化指標(biāo)得出最初結(jié)果的能力更優(yōu)。

從適用條件來說，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題，但應(yīng)用各個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)識別方法，對數(shù)據(jù)分布沒有特別的要求，避免了傳統(tǒng)技術(shù)對模型設(shè)定的困難。判別分析、邏輯回歸法需要每個樣本維數(shù)相同，無缺漏數(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的容錯能力，加上其對數(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。對于人工智能法中的BP 神經(jīng)網(wǎng)絡(luò)法和遺傳算子法來說，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)測準(zhǔn)確率，一般用缺乏解釋力，并且無法檢驗單個變量的重要性。在各種模型需要對指標(biāo)變量進(jìn)行簡化時，則需要結(jié)合主成分分析方法來進(jìn)行變量選擇。

從精確度和效率的角度來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度擬合問題。判別分析法、邏輯回歸和數(shù)學(xué)規(guī)劃法的運算時間相差不多，均在較短的時間完成計算過程。神經(jīng)網(wǎng)絡(luò)需要計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，計算量大，運算效率相對最低。邏輯回歸模型對于確認(rèn)樣本進(jìn)行預(yù)測時，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，有更強的擴展性和推廣能力。

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

五、信用評估方法展望

無論哪一種信用評估方法都不可能應(yīng)用在所有數(shù)據(jù)的處理中，每個方法都有其適用條件及適用范圍。信用評估最初采集來的數(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)的知識內(nèi)容引入到數(shù)理統(tǒng)計方法和人工智能中去。設(shè)計出統(tǒng)一模式、步驟的信用評估模型變得極為重要。

[1] 李敏. 建立我國個人信用體系的研究[D].煙臺：中國海洋大學(xué)，2006.

[2] 陳建. 信用評分模型技術(shù)與應(yīng)用[M].北京：中國財經(jīng)出版社,2005.

[3] 彭江. 基于模糊AHP 的個人信用評分模型研究[D].長沙：湖南大學(xué)，2009.

[4] 石慶焱,靳云匯. 個人信用評分的主要模型與方法綜述[J].統(tǒng)計研究，2003，20（08）.

[5] 鄒琳. 我國中小企業(yè)信用風(fēng)險評價方法研究[D].天津：天津財經(jīng)大學(xué)，2009（07）.

[6] 王憲全. 信用風(fēng)險測量指標(biāo)體系研究[J].商業(yè)研究，2007（07）.

[7] 孟慶福. 信用風(fēng)險管理[M].北京：經(jīng)濟科學(xué)出版社,2006.

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