本文已發表：
https://www.hanspub.org/journal/PaperInformation.aspx?paperID=31973
下載完整版PDF。
Model Framework and Design Implementation of intelligent Credit Evaluation System
Shiying Lu1, feng Liu2, xuanxuan Du3
Changsha university of science and technology. Hunan, China
Email: [email protected]
Abstract:
Credit evaluation is becoming the basis of loans of various financial institutions, and Internet credit investigation is a great revolution and challenge to the traditional credit investigation. With the enormous development of the Internet of things, big data and cloud computing, the collection of user behavior data of the Internet has the great advantages of extensive data volume, numerous sources and real-time update, which can reflect the characteristics and changes of personal credit investigation more comprehensively, timely and accurately. Based on the analysis of Internet user behavior, this paper establishes the model framework of intelligent credit evaluation system by using AHP-fuzzy comprehensive evaluation.
Keywords:
Intelligent Credit Evaluation System; Fuzzy comprehensive evaluation; Credit scoring model; AHP- fuzzy comprehensive evaluation
智能化信用評價體系模型框架與設計實現
陸詩穎1 劉峯2 杜璇璇3
長沙理工大學，湖南，中國
Email: [email protected]
摘要：
信用評分日益成爲各金融機構貸款的依據，互聯網徵信則是對傳統徵信的巨大變革與挑戰。由於物聯網、大數據以及雲計算的進步，採集互聯網的用戶行爲數據，其數據量廣泛，來源衆多以及實時更新的優勢可以更加全面、及時、準確的反映個人徵信的特徵及其變化。本文基於分析互聯網的用戶行爲，利用AHP-模糊綜合評價，建立了智能化信用評價體系模型框架。
關鍵詞: 智能化信用評價體系；模糊綜合評價；信用評分模型；AHP-模糊綜合評價
正文
一、國內個人徵信模型發展現狀
國內首個徵信機構爲上世紀30年代的中華徵信所，其現代意義上的個人徵信從1998年萌芽啓動至今只有不到20年的時間。2015年1月5日，央行發佈《關於做好個人徵信業務準備工作的通知》一文中同意八家社會機構爲個人徵信業務試點機構。[5]2016年7月17日朗迪金融科技峯會在上海舉行，會上指出，世界前五大互聯網金融機構中螞蟻金服以市值600億美元排名第一。2018年2月22日，央行公佈百行徵信有限公司的個人徵信業務申請已獲央行許可。[1]隨着央行頒發首張個人徵信牌照，個人徵信業務也被各金融機構逐漸重視並迅猛發展。但由於發展時間較短，個人徵信產業發展還較爲混亂，更缺少針對於大學生的徵信業務，以至於大學生難以在各金融機構中貸款，只能選擇校園貸等不正規不合法的貸款軟件或機構，從而造成許多貸款糾紛與問題。
二、互聯網信息下徵信數據的特點
（一）八家徵信機構的數據來源（見表1）
（二）徵信數據的特點
從以上八個機構的數據來源中可以看出，人們的網絡行爲多樣，也因此提供了海量的相關信息，這些信息不僅能反映出用戶的特質還能對用戶的行爲作出預測，因此分析用戶的互聯網行爲能夠幫助評估個人信用更加的公正。八個機構的分析數據普遍信息量大且參數衆多，而且用戶行爲數據呈碎片化且實時動態變化。
網絡行爲信息是結構化的，但諸如音樂、圖片等多媒體信息，尚未實現結構化，因爲互聯網行爲產生的信息大多都是文本信息。雖然八大機構可以根據海量互聯網數據進行行爲分析，但是由於目前各徵信機構尚未取得央行徵信系統的准入接口，不能獲取各級部門產生的如稅務、工商等基本數據，同時，各徵信機構之間互不相通，分割了市場的信息鏈。[4]
（三）大數據+人工智能+徵信
大數據徵信相關產品的設計，多從“橫向”、“縱向”兩個維度進行擴展。在橫向擴展中，用戶覆蓋面廣，其數據維度能夠有效轉化爲結構化，同時對數據進行標籤化、提升穩定性與時效性的設計，從而從多角度衡量用戶行爲，進行用戶徵信分析。而在縱向擴展中，選取大數據模型導入歷史交易記錄，分析用戶的歷史交易行爲特徵。“大數據+徵信”通過引入更多維度的數據，從而打破了各平臺與徵信機構數據互相隔離的現象，化解“數據孤島”難題，爲充分發揮大數據平臺彈性計算的優勢，實現數據共享的構想。[6]
“人工智能+徵信”則擴展了金融創新與轉型升級的應用空間。人工智能一方面可以通過金融前端爲客戶輸送更精準實時便捷的服務，另一方面，在後端的信息安全、資產管理、資產評估以及反欺詐方面也持續發揮着重大作用。
因此，持續推進智能化的信用評價體系，進一步探索大數據處理與人工智能技術在徵信方面的應用，將會使得徵信數據成爲各平臺機構的核心競爭力。
三、基於互聯網行爲的大學生信用評價模型
（一）基於5C模型的網絡行爲識別
無論是社會行爲還是網絡行爲，其都是在動機下產生的，只有當人們產生某種需求時，纔會產生相應的動機。因此基於5C模型，我們將大學生的互聯網行爲進行歸類。（如表2）
徵信系統的組成部分：
（1）收集信息。包括靜態信息與動態信息。靜態信息如個人認證，學歷認證等基本資料，而動態信息如網絡購物、資產信息。這些信息都是即時更新的，隨着行爲的發生不斷變化。
（2）處理信息。將收集來的信息轉化爲評估指標，在評估細則中獲得其相應的分數，得到個人信用水平。
（3）使用信息。將所有收集處理的信息彙總，得到最終的個人信用分，將這些分數作爲評估大學生信用的參考依據
（二）應用AHP-模糊綜合評價方法評估
（1）運用層次分析法確定指標權重
決策層與決策對象分爲最高層、中間層和最低層。在確定各層次各因素之間的權重時，兩兩相互比較，對此時採用相對尺度，以儘可能減少性質不同的諸因素相互比較的困難，從而提高準確度。如對某一準則，對其下的各方案進行兩兩對比，並按其重要性程度評定等級。即
對應於判斷矩陣最大特徵根的特徵向量，經歸一化後記爲W（即層次單排序），而確認W時，則需要進行一致性檢驗。其中，n階一致陣的唯一非零特徵根爲n；n 階正互反陣A的最大特徵根,當且僅當時，A爲一致矩陣。由於連續的依賴於,則比n大的越多，A的不一致性越嚴重，一致性指標用CI計算，CI越小，說明一致性越大。用 -n 數值的大小來衡量A 的不一致程度。定義一致性指標爲：CI=, CI=0，則說明有完全的一致性；CI 接近於0，有滿意的一致性；CI 越大，不一致越嚴重。爲衡量CI 的大小，引入隨機一致性指標RI=。一般情況下，矩陣階數越大，則出現一致性隨機偏離的可能性也越大。
以其中B1-C權重處理爲例，採用幾何中心平均值來處理多位專家的數據，平均後的部分數據不符合判斷矩陣的數據規則，則處理爲最爲接近的符合要求的數值，具體結果如下所示：（見表3）
表3 B1-C判斷矩陣
綜上其具體確定的評估模型指標體系如下圖所示：（見表4）
表4 評估模型
（2）運用模糊綜合評價對其進行定性定量指標的評定
確定定性指標時，將每種評定分爲A-E五類，A類表示該項因素有助於用戶履行信用責任，能夠顯著證明用戶具有良好信用，B類爲該項因素有助於用戶履行信用責任，能夠證明用戶具有良好信用，C類是該項因素對於用戶履行信用責任沒有明顯作用，D項表明該項因素不利於用戶履行信用責任，證明用戶存在信用風險,E項則爲該項因素明顯不利於用戶履行信用責任，顯著證明用戶存在信用風險
在定量指標中，由前面所寫基於5c模型的分類下的各個評定信息，根據劃分相應的區間給出相應分數，如一大學生績點爲3.7，屬於80-90分區間，則將給予26-39區間中的分數，依此類推，最終得到最後個人評定總分。
（3）小結
使用AHP模糊綜合評價的方法進行基於互聯網用戶行爲的大學生信用評價是可行的，利用AHP兩兩比較出其因素的重要性，得到各層次因素的權重；利用模糊綜合評價分析大量模糊性用戶互聯網行爲，最大限度降低了主觀因素帶來的負面影響，比普通的評價體系更爲科學。
四、總結
網絡用戶行爲與其他社會行爲一樣，都能夠反映出用戶的個人信息需求，當前的互聯網技術及其應用形成了一個豐富的大數據環境，而這些數據足以支持個人徵信體系數據的需求。採用AHP模糊綜合評價法可以使構建的模型進行計算並得出評估結果，以相應指標爲基礎，藉助1-9比例標度法以及專家分析獲得判斷矩陣，求得權重，再根據模糊綜合評價做出多層級模糊綜合評價。
運用數據可視化技術，透過大數據的視角，將用戶由孤立的個體整合爲由交易、投機關係組成的神經元信息網絡圖譜，於每一個網絡節點中可以繼續向下透視分解，從而實現智能化信用評價體系的構建。
互聯網徵信當下還處於起步階段，只能藉助以往的理論以及模型技術來發展自身，然而網絡行爲與社會行爲仍然存在差異，這些差異將會影響評估結果的有效性，因此，必須加強對這一問題的持續研究。
參考文獻
[1] 李翠.基於大數據的徵信評價體系研究[J].廣西政法管理幹部學院學報,2018,v.33;No.148,124-127.
[2] 餘麗霞;鄭潔.大數據背景下我國互聯網徵信問題研究——以芝麻信用爲例[J].金融發展研究,2017,No.429,48-54.
[3] 韓茜;任麗蓉;劉道瞳;千夢強;楊天尊;郭凱.基於大數據的個人信用評分發展新趨勢[J].創新科技,2018,v.18;No.216,85-87.
[4] 彭昳偲.基於互聯網用戶行爲的個人徵信體系的建立及應用研究[C].北京郵電大學,2017.
[5] 張曉冉.國內個人信用評分機制的規範研究[J].徵信,2019,v.37;No.245,55-61.
[6] 胡浩青.“大數據+人工智能”打開中小銀行轉型發展新局面[J].中國金融電腦,2017,No.334,33-38.