信用評估的常用方法淺析

【摘要】現代經濟的基石是信用經濟，信用評估對于整個社會經濟發展至關重要。探討研究歷史發展進程中的各種信用評估方法促使我們在處理相關數據時更加謹慎，以降低信用風險。本文分析了古典信用評估方法，和包括判別分析法、回歸分析法、數學規劃法、主成分分析法和層次分析法在內的五種數理方法，以及人工智能方法中的神經網絡法和遺傳算子法。文中通過探討各種方法的原理、性質，得出每種方法的應用范圍及模型特點。最后，進一步比較分析了各種信用評估方法的適用條件、方法精確度及經濟含義解釋能力、建模效率等。

【關鍵詞】信用評估 專家評分法 數理方法 人工智能法

信用評估對于整個社會經濟發展至關重要，使用定量的方法支持定性的決策是現階段、也是未來評估模型發展方向。大多參考文獻僅根據信用評估數據某一方面特點建模，得出的結論運用面較為狹窄，無法整個體系看待信用評估方法的優缺點和其他使用方向。本文旨在沿著信用評估方法發展歷程，從專家評分法到數理方法、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、穩健度及經濟含義解釋能力為、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典的方法是專家評分法。專家評分法是通過結構化的方法模擬經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交由評估機構中的經過長期訓練、具有豐富經驗的信貸管理人員所掌握。專家評分法的優點突出表現在，沒有必要用定量評估的情況下，可以很靈活、簡便地操作，得出相應的定性結論。但是，由于專家評分法中所有相關因素的權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。在信用評估機構內部，需要依賴有經驗的專家評定，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果具備推廣型、可移植性，下面將在信用評估中引入數理方法。

二、信用評估中的數理方法

信用評估最初的分析方法并未將數理統計知識引入，僅是基于規則的分析方法，主要依靠內部和外部的信用經驗，建立一個公式或一套規則，來評價客戶信用值。但當數學統計理論知識逐漸完善，數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確的數據信息。下面將探討幾種在信用評估中常見的數理方法。

（一）判別分析法

信用評估中最初收集來的原始數據，龐大而繁雜，需要對其按照某種屬性進行分類，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，建立判別函數進行分類，即是根據已知類別的若干樣本，從中總結出來分類的規律性，建立判別公式。

（二）數學規劃法

數學規劃法是一種在線性、非線性等式或不等式的約束條件下，求解線性、非線性目標函數的最大值或最小值的方法。其中目標函數是決策者要求達到目標的數學表達式，用一個極大或極小值表示。約束條件是指實現目標的限制影響因素，用一組等式或不等式來表示。有了約束條件和目標函數后，求出最優解，則可找到影響因素的權重系數。

（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系的一種統計分析方法，在計量經濟學中廣泛運用。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、相關性矩陣，即可用數字量化方法解釋。按照自變量與因變量之間關系劃分，回歸分析法分為線性回歸分析和非線性回歸分析。可以根據樣本數字特征，以及求解復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計分析方法。其實質內容就是，設法把原來變量經過重新組合，成為一組新的互相無關的綜合變量，同時根據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。數學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雜的問題分解成遞階層次結構，構造判斷矩陣，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重，并最終確定各因素對總目標的權重。

（六）數理方法總結

數理方法運用到信用評估中，最大的優點是將繁雜毫無規律的定性變量變成確定的定量結果，為信用評估提供大量的數理依據。判別分析法和數學規劃法的核心思想都是設定已知界定目標，按照目標的辦法，將原始數據劃分成不同類別。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變量之間的影響關系，以及各變量間的數理相關性，初步估計變量的線性及非線性數量關系，確定因素間相關性，用于對數據有初步量化認識。主成分分析法是用較少的主成分來表示原始數據中盡可能多的信息，將篩選出來的因素帶入層次分析法中，通過初步的數據處理后以確定各個因素應配以的權重系數，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，應用廣泛，可操作性、可移植性強。數理方法不能對錯誤的輸入數據具備相容性，無法自我學習調整。當數理模型內存在自相關問題時，不易顯示出來，而這通常會導致評估結果誤差極大。但隨著科學進步、計算機科技發展，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雜數據，并且模型的計算方法可以微調改進，用計算機不斷調試，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，可以彌補數理方法在處理大量自相關的數據時的缺陷，并通過自我學習調整，改進數值直到誤差降到最低。下面討論神經網絡模型和遺傳算子法兩種人工智能方法。

（一）神經網絡模型

神經網絡模型可以處理連續性和類別性的預測變量，使用范圍較廣，模型能夠有效地捕捉數據中非線性、非可加性的數量關系，如果用數理模型處理會相當復雜，運算效率低下。神經網絡模型也存在一些缺點，如建立模型時需要不斷調試、改進、更新，成本過高。神經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，不利于樣本數據的微調控制，從而不具備充分的抗震蕩性和穩定性。

（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，在解決高維度目標函數上具備優勢。但是遺傳算子運用在信用評估中，在選取優良樣本進行繁衍時，一定要倍加用心，否則可能引起持續的衰敗。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解，多是停留在局部最優的方案中。

（三）人工智能方法總結

人工智能方法的應用可以節省時間，提高運算效率，在考慮數據的非線性、非可加性時能夠很好處理。人工智能方法的應用基礎仍舊是數理方法，但在處理大量數據，并且數據相關性復雜，要多重層疊計算時，綜合神經網絡算法和遺傳算子法等人工智能算法，會達到更加效果。人工智能方法相對于數理方法來說，最大的優點在于它處理非線性樣本數據群組的自我學習功能強大。通過計算機的不斷調試，算法可以整理出使得誤差范圍最小、與目標值最接近的模式函數。從大量的樣本數據中找出復雜的變量關系，不僅僅是單純線性或非線性函數可以表示的數量關系，這也是數理方法無法做到的地方。而且，數理方法大多數分析的是靜態模型，很難建立依據樣本變化的動態調整模式，人工智能方法通過多變量復雜預測模型的構建，能夠做到不斷調試、不斷改進。

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劣，主要從經濟解釋力度、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，參數的意義是數理上的，沒有經濟意義。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。邏輯回歸系數可以被解釋為對應自變量一個單位的變化所導致的因變量的變化，這里的因變量不是常規變量，而是事件發生于不發生頻數之間比的對數。在對變量選擇方面，數學規劃法和邏輯回歸模型略有差別，但數學規劃法運用簡化指標得出最初結果的能力更優。

從適用條件來說，以上模型都可以用于處理連續變量和離散變量或其線性組合的問題，但應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，總體服從正態分布，且類間協方差矩陣相等。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系為非線性的。不要求同分布假設，自變量之間也不必符合多元正態分布。神經網絡均為非參數識別方法，對數據分布沒有特別的要求，避免了傳統技術對模型設定的困難。判別分析、邏輯回歸法需要每個樣本維數相同，無缺漏數據。神經網絡法和遺傳算子法能夠處理有噪聲或不完全的數據，具有泛化功能和很強的容錯能力，加上其對數據分布要求不嚴格，因此，神經網絡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神經網絡法和遺傳算子法來說，它們相當于是“黑箱”技術，根據樣本不斷調整模型，提高預測準確率，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變量進行簡化時，則需要結合主成分分析方法來進行變量選擇。

從精確度和效率的角度來比較分析這幾種模型。可以發現神經網絡模型等非線性方法由于存在過度擬合問題。判別分析法、邏輯回歸和數學規劃法的運算時間相差不多，均在較短的時間完成計算過程。神經網絡需要計算誤差值并將其反傳到隱含層，調整各神經元的連接權值和閾值，直到誤差在規定的范圍內，因此訓練次數多，計算量大，運算效率相對最低。邏輯回歸模型對于確認樣本進行預測時，誤判率與訓練樣本最為接近，沒有明顯幅度的下降，在穩健性方面優于其他模型，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一步提高自己的評估分析水平，定期更新專業知識學習和對前期信貸關系做出總結，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用在所有數據的處理中，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據類型主要是連續型變量、類別型變量、區間變量等。后面兩種變量通常需要采取數據轉換的方式變成連續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性，但數據采集工作卻存在一定的主觀模糊性。這就需要將模糊數學的知識內容引入到數理統計方法和人工智能中去。設計出統一模式、步驟的信用評估模型變得極為重要。

參考文獻

[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，2006.

[2] 陳建. 信用評分模型技術與應用[M].北京：中國財經出版社，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，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].統計研究，2003，20（08）.

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

[6] 王憲全. 信用風險測量指標體系研究[J].商業研究，2007（07）.

[7] 孟慶福. 信用風險管理[M].北京：經濟科學出版社，2006.

[8] 汪冬華. 信用風險度量的理論模型及應用[M].上海：上海財經大學出版社，2007.

作者簡介：汪晶瑤（1988-），女，安徽人，云南大學碩士研究生，世界經濟專業，主要從事OFDI，經濟增長理論研究。

（編輯：陳岑）