改進SMOTE方法基于XGBoost的信用評分模型

◆張杏枝

改進SMOTE方法基于XGBoost的信用評分模型

◆張杏枝

（重慶交通職業(yè)學院（江津）大數(shù)據(jù)學院 重慶 402247）

針對信用數(shù)據(jù)中的高維稀疏特征與樣本不平衡問題易導致模型分類性能欠佳，提出一種新穎的框架來構(gòu)建信用評分模型。首先，通過計算特征相似度解決高維稀疏特征；其次針對樣本不平衡問題提出基于特征聚類改進的SMOTE方法（FC-SMOTE），以平衡數(shù)據(jù)集進而提高模型分類性能；最后，采用XGBoost作為基分類器構(gòu)建信用評分模型。選擇網(wǎng)上公開的真實信用數(shù)據(jù)及UCI數(shù)據(jù)庫中的信用數(shù)據(jù)進行實驗，和傳統(tǒng)過采樣方法SMOTE、Borderline SMOTE、ADASYN進行對比，實驗結(jié)果表明，提出的FC-SMOTE方法使基于XGBoost構(gòu)建的信用評分模型具有更高預(yù)測精度。

信用評分；特征相似度；特征聚類；不平衡數(shù)據(jù)；SMOTE；XGBoost

1 引言

信用卡支付在世界范圍內(nèi)越來越普遍，信用卡評分機構(gòu)往往利用直觀經(jīng)驗來評估申請人的信用狀況，這導致出現(xiàn)許多誤判情況，最終每年給信用機構(gòu)帶來巨大損失。因此，信用評分模型已被信用機構(gòu)廣泛用于確定信用申請人屬于好還是壞的申請人，并給出違約概率的估計。信用評分模型可降低信用分析成本，提高信用機構(gòu)信用決策能力，減少信用機構(gòu)的損失。

一些統(tǒng)計技術(shù)已被廣泛用于信用評分模型，如線性判別分析[1-2]，logistic回歸分析[3]。然而，基于傳統(tǒng)統(tǒng)計技術(shù)的信用評分模型一般是根據(jù)申請人的申請和征信機構(gòu)的數(shù)據(jù)來評估申請人的違約概率，然后通過設(shè)置違約概率的閾值，拒絕低于貸款申請水平的信貸申請人。在信貸行業(yè)快速發(fā)展的今天，傳統(tǒng)統(tǒng)計技術(shù)在信用評分模型中沒有得到很好的應(yīng)用，因此信貸行業(yè)正在積極開發(fā)更準確的信用評分模型。

根據(jù)以往研究，人工智能（Artificial Intelligence，AI）技術(shù)在處理信用評分問題上優(yōu)于傳統(tǒng)統(tǒng)計技術(shù)，如人工神經(jīng)網(wǎng)絡(luò)[4]、決策樹（DT）[5]、支持向量機（SVM）[6]等。與統(tǒng)計技術(shù)相比，AI技術(shù)無需假設(shè)一定的數(shù)據(jù)分布，它是從訓練樣本數(shù)據(jù)中自動選擇的，所以在面對大量信用評分數(shù)據(jù)時，根據(jù)信貸行業(yè)不同的信用數(shù)據(jù)集，AI技術(shù)都是有效的。

雖然AI技術(shù)優(yōu)于統(tǒng)計技術(shù)，但信用評分數(shù)據(jù)中具有大量高稀疏、冗余特征與數(shù)據(jù)不平衡問題，導致許多信用評分模型具有高度的復雜性及預(yù)測精度過低，容易出現(xiàn)更多的誤判概率，即將壞的信用申請人認定為好的申請人或?qū)⒑玫纳暾埲苏J定為壞的申請人，這一誤判將會給信用機構(gòu)帶來巨大損失。因此，為提高預(yù)測精度，減少信貸人員的負荷計算，便于銀行快速決策，信貸行業(yè)迫切需要一種有效的方法去解決高稀疏、冗余特征與數(shù)據(jù)樣本不平衡之間的問題。

高稀疏、冗余特征主要通過特征選擇方法解決問題，特征選擇的主要目的是從問題域中確定最小和最優(yōu)的特征子集，同時保持適當?shù)母邷蚀_度表示原始特征。文獻[7]提出基于卡方的特征選擇并將其應(yīng)用到七個不同分類器中，最后將七個分類器聚合進行研究；文獻[8]中為計算特征之間的相關(guān)性，提出核矩陣即核彈性網(wǎng)絡(luò)進行計算；文獻[9]提出使用加權(quán)L1范數(shù)的特征組去解決高維信用數(shù)據(jù)，但由于該方法沒有考慮特征穩(wěn)定性與模型之間的關(guān)系，導致模型預(yù)測精度過低。

不平衡數(shù)據(jù)集是數(shù)據(jù)集中存在某些類樣本數(shù)量遠遠高于其他類，反之則樣本數(shù)量低于其他類，通常把樣本數(shù)量較多類化為多數(shù)類，樣本數(shù)量較少類化為少數(shù)類[10]。在類不平衡數(shù)據(jù)集的分類問題中，由于少數(shù)類樣本具有更高的誤分代價，因此對于其他類別樣本而言，少數(shù)類樣本顯得更加重要[11]。不平衡數(shù)據(jù)樣本分布不平衡，導致一些傳統(tǒng)分類算法的分類性能不佳。針對數(shù)據(jù)不平衡問題，目前一方面主要采用欠采樣、過采樣兩種方法進行解決，另一方面主要對現(xiàn)有機器學習算法進行改進以此來解決數(shù)據(jù)不平衡問題。文獻[12]對多數(shù)類樣本進行隨機欠采樣，進而提出自適應(yīng)增強（Adaptive Boosting，AdaBoost）方法，但由于隨機欠采樣具有不穩(wěn)定性，導致獲取的最終樣本不具有代表性；文獻[13]為解決過采樣方法易出現(xiàn)過擬合的問題，提出通過計算每個少數(shù)類樣本的權(quán)重取合成新的樣本，但由于該方法需要使用到大量參數(shù)，導致其實用性受到限制；文獻[14]對傳統(tǒng)SMOTE算法進行改進，提出ADASYN算法去生成新樣本，新樣本的生成主要通過樣本的學習難易程度去合成具有不同數(shù)量的新樣本；文獻[15]提出Borderline-SMOTE算法對位于邊界的少數(shù)類樣本進行過采樣。

針對上述研究發(fā)現(xiàn)，相關(guān)文獻對于高稀疏、冗余特征與不平衡數(shù)據(jù)之間沒有進行深入研究，因此基于此，提出一種利用特征聚類改進SMOTE過采樣算法（FC-SMOTE）并基于XGBoost分類器構(gòu)建信用評分模型。首先對真實信用數(shù)據(jù)進行預(yù)處理；其次提出聚類計算信用特征之間的相似度進而解決高稀疏、冗余特征問題；接著針對傳統(tǒng)SMOTE容易出現(xiàn)過擬合問題，提出基于特征聚類的SMOTE（FC-SMOTE）對傳統(tǒng)SMOTE進行改進，以此更好解決過采樣出現(xiàn)過擬合問題及更好解決高稀疏特征與不平衡數(shù)據(jù)之間的問題；最后基于XGBoost分類器構(gòu)建信用評分模型對信貸申請人的信用狀況評估。實驗結(jié)果表明，利用所提方法構(gòu)建的信用評分模型具有更高效的預(yù)測精度。

2 相關(guān)知識

2.1 SMOTE算法

SMOTE算法，即合成少數(shù)過采樣技術(shù)，該算法是Chawla等[16]為解決數(shù)據(jù)不平衡問題在2002年提出的，它是對傳統(tǒng)隨機過采樣算法的改進，主要思想是對少數(shù)類樣本進行分析，通過“插值”為少數(shù)類樣本合成新的樣本，并添加到數(shù)據(jù)集中，進而平衡原始數(shù)據(jù)集中的不平衡類別分布問題。具體算法如下[17]：

輸入：少數(shù)類樣本1，近鄰數(shù)，采樣倍數(shù)為

2.2 XGBoost算法

XGBoost（Extreme Gradient Boosting）是一種基于Boosting的極限梯度提升算法，即一種提升數(shù)模型[18-19]，將許多樹模型集成形成一個強大的分類器，所用到的基礎(chǔ)樹模型為CART回歸樹。

（1）模型表示為

（2）目標函數(shù)和損失函數(shù)優(yōu)化

（3）最優(yōu)值

XGBoost算法在分類方面具有非常優(yōu)異的表現(xiàn)，在分類性能上具有較高精度。因此，將采用其作為信用評分模型構(gòu)建的基分類器，將XGBoost算法應(yīng)用到信用評分預(yù)測中。

3 模型建立

針對相關(guān)方法對高稀疏、冗余特征與不平衡數(shù)據(jù)之間沒有進行深入研究的情況，本文提出FC-SMOTE過采樣方法，采用XGBoost作為基分類器構(gòu)建信用評分模型，模型框架如圖1所示。后續(xù)內(nèi)容將對模型流程步驟進行詳細描述。

3.1 數(shù)據(jù)預(yù)處理

由于信貸數(shù)據(jù)來源較廣，導致征信機構(gòu)獲取的信用數(shù)據(jù)中常存在大量缺失、冗余數(shù)據(jù)。因此為減少信用數(shù)據(jù)中噪聲數(shù)據(jù)對評分模型最終預(yù)測精度造成損失，在建立評分模型之前需對原始信用數(shù)據(jù)進行預(yù)處理，本文采樣現(xiàn)有數(shù)據(jù)預(yù)處理方法中的Min-Max標準化方法，通過對原始信用數(shù)據(jù)進行線性變換，使其結(jié)果值處于[0，1]之間，該標準化公式為：

3.2 基于特征聚類改進的SMOTE過采樣算法—FC-SMOTE

3.2.1 特征相似性計算消除噪聲特征

對數(shù)據(jù)進行預(yù)處理后，需要對信貸申請人的信用特征進行重要度計算，一方面可以減少后續(xù)評分模型的輸入，因為在重要度計算過程中，可根據(jù)每個特征值大小將一些無用特征剔除；另一方面可以加快模型的訓練速度，進而降低模型時間復雜度。通過公式（8）、（9）計算兩個變量之間的相關(guān)性，根據(jù)相關(guān)性值的大小剔除部分冗余、高稀疏特征。

3.2.2 特征聚類改進的SMOTE方法—FC-SMOTE

通過3.2.1節(jié)消除部分冗余特征后，為了挑選出最佳特征子集及解決樣本的不平衡分布，提出基于特征聚類改進的SMOTE過采樣方法-FC-SMOTE，其具體過程描述如下：

（1）采樣3.2.1處理后生成的新訓練集對信用特征進行聚類，即特征聚類（采樣傳統(tǒng)K-means方法）；

其中1表示簇元素內(nèi)特征類間相關(guān)性，2表示類內(nèi)相關(guān)性。

（3）產(chǎn)生最佳特征簇的過程中，通過簇數(shù)中的特征個數(shù)為其分配不同權(quán)重，以此對少數(shù)特征簇樣本進行過采樣，保持少數(shù)類樣本的平衡，權(quán)重分配計算如下：

（4）根據(jù)公式（13）的權(quán)重大小對少數(shù)類樣本進行采樣，選擇樣本與所屬類簇簇心之間進行線性插值，進而得到簇中合成樣本集2。將L2加入新合成少數(shù)類數(shù)據(jù)集1；

（5）輸出合成樣本集1。

3.2.3 改進SMOTE基于XGBoost的信用評分模型

數(shù)據(jù)集經(jīng)過3.2.1和3.2.2處理后，將得到一個相對“干凈“且平衡的數(shù)據(jù)集，最后對處理后的數(shù)據(jù)集使用XGBoost分類器構(gòu)建信用評分模型。具體的流程如表1所示。

表1 改進SMOTE基于XGBoost的信用評分模型算法流程

輸入：平衡后的信用數(shù)據(jù)集輸出：預(yù)測精度Accuracy，F(xiàn)1-Score 過程：（1）通過公式（7）對原始數(shù)據(jù)預(yù)處理，將原始數(shù)據(jù)按照7/3劃分為訓練集L和測試集T；（2）針對訓練集L利用公式（8）、（9）消除冗余特征；（3）利用公式（10）、（11）、（12）、（13）對訓練集L重新采樣，得到新的訓練樣本L1；（4）對于L1，將其劃分為訓練集與驗證集，多次抽取小樣本，分別為，最終合成新訓練樣本；（5）將訓練集通過XGBoost分類器進行訓練；（6）將驗證集代入XGBoost模型進行驗證；（7）end for

4 實驗及分析

4.1 實驗環(huán)境及實驗數(shù)據(jù)

實驗環(huán)境：Intel Core i3-3110M CPU 2.40GHz，8G內(nèi)存的普通PC機，基于PyCharm 2020平臺，采用python語言進行實驗。

實驗數(shù)據(jù)：本文采用的實驗數(shù)據(jù)集來自于UCI數(shù)據(jù)庫中的German、Australian信用數(shù)據(jù)集及網(wǎng)上公開的Europe信貸客戶數(shù)據(jù)集（France、German和Spain），為保證信貸客戶的安全及保持數(shù)據(jù)的機密性，分別對以上三個數(shù)據(jù)集中的某些特征名稱和值進行了加密，將其更改為無意義的數(shù)據(jù)符號，上述數(shù)據(jù)集基本信息歸納整理如表2。

圖1 改進SMOTE基于XGBoost的信用評分模型框架

表2 實驗數(shù)據(jù)集描述

國家樣本大小類別特征信用良好信用不良不平衡率 German10002207003002.33 Australian6902143073830.82 Europe10000212203779633.91

4.2 實驗評價指標

本實驗采用的信用評分數(shù)據(jù)是一個經(jīng)典二分類問題，因此選取混淆矩陣中相應(yīng)指標值進行評估，包括精確率Precision、召回率Recall、F1分數(shù)（F1-Score）和準確率Accuracy。其中，對信用評分中的混淆矩陣各個指標具體描述為：設(shè)Y=1表示“好”顧客，Y=0表示“壞”顧客，則混淆矩陣如表3所示。

表3 混淆矩陣

混淆矩陣真實 Y=0，好顧客Y=0，好顧客 預(yù)測Y=0，好顧客TPFP Y=0，好顧客FNTN

其中，TP（Ture Positive）預(yù)測信用屬于“好”顧客，而實際信用也屬于“好”顧客；

FP（False Negative）實際信用屬于“壞”顧客，而預(yù)測信用屬于“好”顧客；

FN（False Positive）實際信用屬于“好”顧客，而預(yù)測信用屬于“壞”顧客；

TN（Ture Negative）預(yù)測信用屬于“壞”顧客，而實際信用也屬“壞”顧客；

4.3 實驗結(jié)果及分析

4.3.1 特征相似度消除噪聲特征

圖2展示了利用公式（8）、（9）計算出的特征與類標簽之間的相似度值，通過相似度值的大小可將值較低的冗余特征剔除，以減少噪聲特征對后續(xù)模型的訓練時間。

4.3.2 FC-SMOTE方法驗證

為驗證FC-SMOTE過采樣方法對改善數(shù)據(jù)平衡的效果，將其與采用傳統(tǒng)SMOTE、Borderline SMOTE、ADASYN過采樣方法對數(shù)據(jù)進行抽樣后的少數(shù)類樣本占比進行對比，實驗結(jié)果如圖3所示。

由圖3可看出，通過采用FC-SMOTE過采樣方法對少數(shù)類樣本進行采樣處理后，其占比明顯得到提升，進而使數(shù)據(jù)樣本得到平衡。

同時，表4、5展示的是基于3.2.1節(jié)對消除噪聲特征進行剔除后，針對新生成的數(shù)據(jù)集，對少數(shù)類樣本進行抽樣過程中，挑選出的最佳子集。

圖2 特征相似度

圖3 數(shù)據(jù)過采樣處理對比

表4 German信用數(shù)據(jù)最佳特征子集生成過程

聚類個數(shù)聚類編號特征特征合并比率合并后比率 K=214，5，7，8，10，11，14，15，17，18 5.4 21，2，3，6，12，201.5 K=314，8，10，11，15，16，17 4.0 21 32，3，5，7，12，12，14，2015.05.5 K=415，7，12，14，2 4 21 34，8，10，11，15，17，18 3 47，8，2，3，6111.5 K=512，3，6111.5 24，8，10，11，17，18 2.5 35，7，12，14，2 2.5 41 515，1 1.8

表5 Australian信用數(shù)據(jù)最佳特征子集生成過程

聚類個數(shù)聚類編號特征特征合并比率合并后比率 K=212，3，4，6，7，11，12，13 4.5 23，5，8，9，101.5 K=312，3，4，6，11，12，13 4.0 28 35，7，9，1081.52 K=412，3，4，6，12，131，1134 25，7，9，1081.52 38 411 0.5 K=512，3，461.62 25，9，10811.5 38 46，7 0.5 511，12，1370.61.1

根據(jù)表4、5可得出，對于German信用數(shù)據(jù)集來說，最優(yōu)特征子集為{1，2，3，6，7，8，12，20}，Australian信用數(shù)據(jù)集最優(yōu)特征子集為{3，5，8，9，10，11，12，13}，由于Europe數(shù)據(jù)集的特殊性，最終選定是特征子集為{3，4，5，6，7，8，9，10，11，12}。

4.3.3 模型有效性驗證

為驗證FC-SMOTE過采樣方法基于XGBoost算法構(gòu)的建信用評分模型最終性能，將提出的FC-SMOTE方法與傳統(tǒng)過采樣方法SMOTE、Borderline SMOTE、ADASYN在基分類器XGBoost上進行實驗對比，分別用準確率Accuracy、F1分數(shù)（F1-Score）進行判定，實驗結(jié)果如表6、7所示。

表6 四種算法在三個信用數(shù)據(jù)集上的F1-Score值

算法GermanAustralianEurope SMOTE-XGBoost72.9178.6269.41 ADASYN-XGBoost74.1183.6371.85 Borderline SMOTE-XGBoost79.3786.9076.52 FC-SMOTE-XGBoost84.2188.9378.98

表7 四種算法在三個信用數(shù)據(jù)集上的Accuracy值

算法GermanAustralianEurope SMOTE-XGBoost69.7283.1265.06 ADASYN-XGBoost72.4182.7770.66 Borderline SMOTE-XGBoost75.2880.8171.52 FC-SMOTE-XGBoost79.1289.3277.84

由表6、7可知，German、Europe信用數(shù)據(jù)集相對于Australian信用數(shù)據(jù)來說，數(shù)據(jù)不平衡分布較明顯，導致在F1-Score、Accuracy得分都低于Australian信用數(shù)據(jù)集的得分；但相比而言，三個信用數(shù)據(jù)采用FC-SMOTE過采樣方法基于XGBoost算法構(gòu)建的信用評分模型的最終F1-Score、Accuracy比采用傳統(tǒng)過采樣方法SMOTE、Borderline SMOTE、ADASYN三種方法分值得到明顯提升，其中對于German數(shù)據(jù)集，其Accuracy相比基于Borderline SMOTE-XGBoost構(gòu)建的評分模型的預(yù)測精度提升了4.84%；Australian數(shù)據(jù)集，其Accuracy相比基于SMOTE-XGBoost構(gòu)建的評分模型的預(yù)測精度提升了6.2%；Europe數(shù)據(jù)集，其Accuracy相比基于Borderline SMOTE-XGBoost構(gòu)建的評分模型的預(yù)測精度提升了6.32%，對于信貸機構(gòu)來說，信貸模型預(yù)測精度提升1%將會為其減少巨大損失，因此，根據(jù)上述結(jié)果顯示，利用FC-SMOTE方法去構(gòu)建信用評分模型對模型的預(yù)測精度提升有較好的效果。

5 結(jié)束語

在信用數(shù)據(jù)方面，由于存在大量噪聲特征、數(shù)據(jù)嚴重不平衡分布問題，使得研究人員在現(xiàn)有信用評分模型的基礎(chǔ)上，不斷提出新型信用評分模型，并不斷研究在構(gòu)建評分模型時，如何更好地處理好噪聲特征與不平衡數(shù)據(jù)之間的關(guān)系。因此，為構(gòu)建更有效的信用評分模型，本文提出了改進SMOTE的基于XGBoost的信用評分模型，在此過程中，不僅充分考慮了消費特征之間的相似性，還對傳統(tǒng)的過采樣方法進行了改進，更好地解決了信用特征與數(shù)據(jù)不平衡分布的問題。實驗表明，所提出的方法構(gòu)建的信用評分模型有很好的預(yù)測性能。但由于采用的信用數(shù)據(jù)量不是很大，而且特征數(shù)也比較少，所以對于數(shù)據(jù)量龐大和特征數(shù)量多的信用數(shù)據(jù)，可能會導致所提出方法構(gòu)建的模型計算時間過長，因此，在今后的工作中，將嘗試采用集合分類器去構(gòu)建更穩(wěn)定的信用評分模型。

[1]A.K. Reichert，C.C. Cho，G.M. Wagner，An examination of the conceptual issues involved in developing credit-scoring models，Journal of Business and Economic Statistics 1（2）（1983）101-114.

[2]G. Karels，A. Prakash，Multivariate normality and forecasting of business bankruptcy，Journal of Business Finance Accounting 14（4）（1987）573-593.

[3]Bravo，C.，Maldonado，S.，Weber，R.，2013. Granting and managing loans for microentrepreneurs：new developments and practical experiences. Eur. J. Oper. Res. 227（2），358e366.

[4]Angelini E，di Tollo G，& Roli，A. A neural network approach for credit risk evaluation. Q. Rev. Econ. Financ. 48， 733-755（2008）.

[5]Wen F and Yang X. Skewness of return distribution and coefficient of risk premium. J. Syst. Sci. Complex，2009；22：360-71.

[6]Kim G，Wu CH，Lim S and Kim J. Modified matrix splitting method for the support vector machine and its application to the credit classification of companies in Korea. Expert Syst. Appl，2012；39：8824-34.

[7]Shashi Dahiya，S.S Handa and N.P Singh. Credit scoring ensemble of various classifiers on reduced feature set. Industrija， vol.43，No.4，2015.

[8]B. Vinzamuri and C. K. Reddy. Cox regression with correlation based regularization for electronic health records. Proceedings of the IEEE International Conference on Data Mining （ICDM），757-767，2013.

[9]Bhanukiran Vinzamuri，Karthik K. Padthe，and Chandan K. Reddy. Feature Grouping using Weighted L1 Norm for High-Dimensional Data. 2016 IEEE 16th International Conference on Data Mining，1233-1238，2016.

[10]莫贊，蓋彥蓉，樊冠龍.基于GAN-AdaBoost-DT不平衡分類算法的信用卡欺詐分類[J].計算機應(yīng)用，2019，39（2）618-622.

[11]Bahnsen A C，Aouada D，Stojanovic A，et al. Feature engineering strategies for credit card fraud detection[J]. Expert Systems with Applications An International Journal，2016，51（C）： 134-142.

[12]SEIFFERT C，KHOSHGOFTAAR T M，van HULSE J，et al. RUSBoost：a hybrid approach to alleviating class imbalance [J]. IEEE Transactions on Systems，Man，and Cybernetics-Part A：Systems and Humans，2010，40（1）：185-197.

[13]ZHU T，LIN Y，LIU Y．Synth eticminority over sampling technique for multi class imbalance eproblems [J]．Pattern Recognigtion，2017：327G340.

[4]He，H.，Bai，Y.，Garcia，E.A.，et al.（2008）ADASYN：Adaptive Synthetic Sampling Approach for Imbalanced Learning. IEEE International Joint Conference on Neural Networks，1322-1328.

[15]Han，H.，Wang，W.-Y.and Mao，B.-H.（2005） Borderline-SMOTE：A New Over-Sampling Method in Imbalanced Data Sets Learning. Advances in Intelligent Computing. Springer，Berlin，Heidelberg. https://doi.org/10. 1007/11538059_91.

[16]Chawla，N.V.，Bowyer，K.W.，Hall，L.O.，et al.SMOTE：Synthetic Minority Over-Sampling Technique.Journal ofArtificial Intelligence Research，16，321-357. https://doi.org/10.1613/jair.953.

[17]許芷慧，楊立洪. 改進SMOTE算法在Logistic回歸信用評分模型中的應(yīng)用[J].數(shù)據(jù)挖掘，2021，11（2），50-58.

[18]KARAMSHUK D，NOULAS A，SCELLATO S. Geo-Spotting： Mining online location-based services for optimal retail store placement[C]// Proceeding of the 19th ACMSIGKDD International Conference on Knowledge Discovery and Data Mining，2013：793-801.

[19]CHEN T Y，CHEN L C，CHEN Y M. Mining location based service data for feature construction in retail store recommendation[C]// Industrial Conference on Data Mining.Springer，2017：68-77.

[20]劉斌，陳凱. 基于SMOTE和XGBoost的貸款風險預(yù)測方法[J]. 計算機與現(xiàn)代化，2020.