個人信用行為評估方法再思考

個人信用行為評估方法再思考

陳昊潔，姜明輝

(哈爾濱工業大學 管理學院，哈爾濱 150001)

[摘要]近年來，我國個人信用貸款日益增多，信貸業務逐年增加，這不僅豐富了金融機構的衍生業務，也促進了我國地方經濟的蓬勃發展。目前，個人信貸業務已經成為了我國經濟穩定發展的重要組成部分，但是，隨著個人信貸業務的增加，金融機構尤其是商業銀行的信用風險也大大提高。有效的信用評估方法能降低金融機構面臨的信用風險，減少個人信用誤判所帶來的經濟損失。因此，選擇有效的、穩定的、精確的個人信用評估方法成為了學術界研究的熱點之一，也是我國穩定經濟金融發展的重要手段。對個人信用評估方法的再思考是對個人信用行為的評價、分析的思考和討論。對個人信用評估方法的優化討論將進一步提高評估過程的精確性和穩定性，使其更好地成為穩定我國經濟發展的重要工具之一。

[關鍵詞]個人信用；個人信用評估；評分方法優化

[中圖分類號]F832.4[文獻標志碼]A

[收稿日期]2015-10-15

[基金項目]深圳市哲學社會科學“十二五”規劃項目(125C011)

[作者簡介]姜安(1963-)，男，吉林長春人，教授，博士研究生導師，博士,從事國際關系研究。

隨著經濟的快速發展，消費信貸在社會經濟生活中變得越來越普遍。金融機構陸續推出各種消費信貸業務以推動企業、地方經濟的發展。我國金融機構特別是商業銀行的個人消費貸款數據超過了企業貸款數量，個人消費能力的增強促進了個人信用貸款活動的日益增多，我國金融機構的相關信用產業也隨之發展，其戰略發展對象逐步由企業業務轉向個人業務。但是，信用業務的增多無形之中增加了信用風險的產生，我國個人信用征信系統建立時間較晚，不完善的個人征信體系，使得金融機構在判定個人信用時，出現了信息不完全、不對稱的情況，進一步增加了信用風險的產生。為了穩定經濟的快速發展，保持地區經濟的穩定性，個人信用行為評估、個人信用評估方法的概念被提了出來。在對個人信用行為評估(方法)的研究中，人們發現，信用評估具有客觀性、一致性、準確度高的特點，這不僅可以對信用風險發生的概率進行判定，還可以對信用行為穩定性進行度量，成為評判個人信用行為的有效工具。個人信用行為評估方法在規避信用風險方面發揮了不可替代的作用，為授信機構制訂法規政策提供了客觀依據。

隨著評估方法的不斷發展和優化，如何通過某種或某幾種評估方法判定個人信用行為的穩定性和實效性變得尤為重要。無論是理論研究還是現實應用，需要我們挖掘出一個有效的風險識別方法去評測與預防風險的發生，降低風險產生的成本，保障信貸市場、金融市場的正常運行，這樣的研究既具有理論意義，更具有現實意義。

一、個人信用行為評估的理解

(一)何為個人信用

隨著經濟社會的發展，信用經濟時代從傳統的貨幣經濟時期發展而來。人們更多的使用信用結算方式進行日常消費活動，這使得信用規模逐漸增大，整個社會的信用化程度逐步加深。信用的本意源自人們相互之間的信任，而現在對信用含義的理解多是出于經濟學的范疇。在金融領域的信用指的是在某種借貸關系中，人們的支付行為是以“承諾”的方式進行經濟活動，而不用馬上支付現金。《中國大百科全書》將“信用”視為一種借貸活動，這種價值運動是具有特殊性的，是以償還為條件進行的。可以說，人們社會生活和經濟生活都與“信用”息息相關。小到個人信用，大到企業信用、社會信用，信用發生的個體終究要歸于個人。個人失信的發生，在整個社會機制中往往會引起集體失信，以致整個社會的契約準則、法律法規、道德約束失去效力，嚴重阻礙經濟社會的發展。因此，個人信用資源的開發和評測能夠有效維持整個社會的穩定和諧發展。

個人信用在這里可以理解為在某種契約信任基礎上，對個人信用程度作出綜合評估，對其償付意愿以及償付能力進行綜合考量，經過評估的個人可以不用馬上付現即可得到商品或者服務。為了對個人的信用能力、信用行為作出評估，需要收集大量的個人信息，包括個人特征(性別、年齡)，個人背景情況(婚姻狀況、家庭月收入、個人所處行業信息)等。個人信用行為可以理解為主要的個人消費信用行為，即個人在正常的經濟活動中，通過信用抵押的方式，在短期或者中期內，無需付現的進行商品或者服務的消費行為，消費借貸再融資也可被視為個人信用行為。而我們常提到的企業信用，則是對企業性質的個人化，人格化，企業信用行為則是個人信用以企業行為的方式的集中表現。所以，綜上，個人信用行為可以看作是社會經濟活動的基礎。

(二)個人信用行為評估的作用

對個人信用行為的評估不僅僅是要判別出最有可能違約的個人，更應該是評測出最有信用忠誠度的個人客戶，以維持該金融機構擁有最優質的個人信用資源。信用評分既能夠提高商業銀行與消費者之間交易的客觀性，又能提高商業銀行的風險管理及控制能力。

授信機構往往將申請信用貸款的個人分為三大類，一類是對新的申請人進行信用等級劃分。即對申請者設定一個門檻數值，當申請人的條件達到或超過此數值時候，則可以發放貸款。此時，信用評估可被視為信用評分方法幫助授信機構進行信貸決策。第二種是對已申請人的信用行為進行評測管理，例如，申請人是否滿足信用等級提高要求，如果申請人逾期還款應該有怎樣的措施，等等。通過申請人的信用行為是否違約，違約概率等信息制訂相關信用政策，調整信用貸款規則。此時，信用評估可以視為行為評分。第三種是評測申請者給授信機構帶來的利潤，金融機構通過發放信用貸款給自身帶來利潤成本，此時，信用評估可被視作利潤評分，但是由于利潤在計算上存在一定的復雜性，泛化能力較差，目前仍然是未來主要的研究方向之一。因此，本文針對第一種和第二種個人信用行為評估進行研究。

(三)個人信用行為評估方法的機制

判定個人信用行為情況，首先分析申請者即評估樣本。在以往的研究中，個人信用客戶往往被歸為兩大類，一類是違約客戶，一類是非違約客戶。在理想狀態下，違約客戶和非違約客戶在信用評分概率分布上都滿足類正太分布的特點，兩個概率分布曲線也是沒有交集的，但是現實生活中，兩個概率分布是有交集的，這個交集區域就是我們要重點研究的樣本數據。我們在兩個曲線的重疊處設定一個臨界值，將高于臨界值的客戶判定為非違約客戶，將低于臨界值的客戶視為潛在違約客戶，因此，可以通過個人信用評分來判定該客戶的違約可能性。當信用評估預測結果正確的時候，表明原來高于臨界值的客戶沒有違約，或者原來低于臨界值的客戶違約了，此時，個人信用行為評估沒有出現錯誤，否則，即可判定評估出現了誤差。一種情況是原本沒有違約的客戶(其評分結果高于臨界值)違約了，則出現了納偽的誤判，在個人信用評估中叫做第二類錯誤，這個誤判率也是衡量個人信用行為穩定性的重要考量指標；另一種情況是原本違約的客戶(其評分結果低于臨界值)沒有違約，則出現了棄真的誤判，在個人信用評估中叫做第一類錯誤，這個誤判率會給授信機構帶來利潤上的損失，但是由于這個利潤損失計算的非泛化性，在進行信用行為評估的過程中，人們往往將第二類錯誤作為分析個人信用的重要考量因素。根據以上四種評估結果，授信結構制訂相關的政策規則。因此，個人信用評估問題通常被歸結為模式識別中的分類問題，在經濟學領域和統計數理分析中，個人信用行為評估可以被視為統計中的分類問題。

對于授信機構，他們需要建立一個或者多個個人信用行為評估模型，或者建立一個個人信用行為評估系統，對申請人進行判定，特別是處于有違約可能性的個人，按照違約率的閾值，進行幾乎連續性的細分，最終得以判定其違約概率和此人信用行為的穩定性。

二、個人信用行為評估方法的發展

對于個人信用行為評估方法的認識和研究，隨著信用經濟的出現而發展起來。1936年，費舍爾首次提出使用數理統計的方法進行人口問題的分類評測。隨后，大衛·杜蘭德將統計學方法作為信用評估方法應用到了信用評估上，用于授信機構判定貸款發放情況。自此，人們開始進行個人信用行為評估方法的研究和優化分析[1]。自1960年信用卡開始發放，銀行機構開始大量使用個人信用評估方法評測信用卡申請人的信用程度，借以制訂發放信用卡規章。在此階段，人們對個人信用評估方法的有效性進行了討論和改進。直至1975年《平等貸款機會法案》的提出和通過，信用評估的概念正式被廣泛接受，并應用到判定消費者信用行為方面[2]。到了80年代，信用評估方法在信用卡評級上得到了有效使用，金融機構開始嘗試將這種方法應用到個人貸款方面、家庭貸款和中小型公司貸款方面。此時，沿用到現在的主流方法邏輯回歸，判別分析方法開始被廣泛應用。從此，各種不同的評分方法被人們挖掘出來，從單一的評分方法的嘗試性使用，到單一方法的優化研究，再到組合單一模型的集成方法的提出，人們通過不斷優化個人信用評估方法，對個人信用行為用更加準確、穩定的測評技術、更具有實效性的數理模型進行評價研究。時至今日，越來越多的研究從控制違約率的角度轉為穩定信用行為的研究。金融機構嘗試將利潤因素加入到信用評估中去，這也是現在更多的學者需要探索研究的一個方向。這樣的研究，保證了對個人信用行為評估的理論和現實意義。

(一)個人信用行為評估方法的基礎研究

個人信用評估方法的發展初期，授信機構對申請者的信用行為的評判主要使用專家分析法，這一系列方法是一種基于經驗的方法體系，往往存在著隨意性強、主觀影響力大、訓練成本高的特點。為了解決專家分析法的缺點，人們開始大量使用數理模型即個人信用評分模型進行個人信用行為的判定。通過對申請貸款的個人的主客觀環境、自身特征、經濟承諾能力等因素進行判定和評價。個人信用評估模型的提出促進了消費信貸的發展，既是當時經濟社會發展的產物，也是推動經濟快速發展的有力工具。這時的主流評分方法是邏輯回歸和判別分析方法。通過對個人信用行為的深入研究，個人信用評估方法的挖掘從統計學方法、非參數方法到人工智能方法逐步演進。

在個人信用評分方法的研究中，統計學方法一直占有重要的位置。統計方法中的判別分析，適用于分類問題的研究，也適用于個人信用評估的評測。判別分析方法的優勢在于，該方法有理論基礎支撐，從統計數理分析角度可以將個人信用行為評估問題進行說明。同時，在適用性方面，姜明輝等人還利用該方法進行了實證研究，得出了很好的評判結果。目前，使用最為廣泛的費埃哲公司(FICO)使用的個人信用行為評估方法也是基于此法。[3]統計學中的經典方法之一的回歸分析方法是另外一個被廣泛使用的方法。回歸分析方法的魯棒性沒有判別分析方法好，但是此法相較判別分析，沒有那么多的嚴苛限制條件，適用性更強。[4]

90年代，非參數方法被嘗試性的使用到個人信用行為評估中。最近鄰方法的優勢和局限性在進行個人信用評分中被挖掘出來，該方法不用提前訓練、學習模型，能更好的解決人口漂移問題。[5]決策樹方法通過將客戶細分，建立子類客戶進行分析，能夠直接體現數據指標的特征，具有直觀性、解釋能力強的特點，但與此同時，該方法在處理連續性變量時能力較弱，而且評分精度與其他方法相較有待提高。[6]貝葉斯網絡方法有很強的理論支撐，將指標綜合聯系更為清晰簡潔且有理論依據，不僅對個人信用評估的結果具有解釋能力，對屬性內分析和評估過程分析也有很好的評測能力，能夠解釋指標與最終判定類別的關系，因此，其在個人信用評估中具有很好的適用性，被用于大量的理論和實證研究。[7]

隨著計算機技術的飛速發展，人工智能方法被應用到個人信用行為評估中，并取得了突飛猛進的發展。80年代，人工智能的主要分支——神經網絡成為個人信用評估方法的主要研究對象之一。人工神經網絡具有穩健性強、自學習的特點，在循環迭代過程中，能夠比較直觀的展現評估結果。神經網絡的優勢在于分類效果好，但是難以解釋細化分類的過程，因此，在實踐中不能很好的發現個人信用評分低的原因。個人信用評估作為有監督的二分類問題，支持向量機對其有很好的適用性，支持向量機在訓練個人信用評估的樣本數據時，能夠在有限的樣本信息中實現模型復雜性與學習性能的折衷，具有良好的推廣能力，兼有良好的全局收斂性。支持向量機的分類效果經過與多個方法比較確實具有優勢，但該方法受限于樣本數據量，樣本數據過多時，評估結果穩定性差，因此在使用的時候具有一定的限制條件。

(二)個人信用行為的評分工具的優化過程

在對個人信用評估評分方法的研究中，單一的信用評分方法的利弊逐漸顯現出來。有的方法受到理想化的假設條件的限制；有的方法只能對結果輸出，無法對評估過程細化作出解釋；有的方法對大樣本數據分析缺乏穩定性，等等。這些問題進而引發學者們的思考，如何使用多種方法、多種工具處理同一問題，將不同的單一模型方法放在較高級的組織下工作，發現并利用各自優點，以避免每種方法所具有的局限性。因此，集成學習方法的概念被提了出來。貝茨和格蘭杰將集成思想介紹給大家，隨后，克萊門[8]試著將這種方法在不同的領域進行嘗試，發現實驗效果較好。因此，在個人信用評估的研究中，人們開始嘗試使用集成學習方法。集成學習方法在個人信用評估過程中是將單一評分方法視為基分類器，根據某種既定規則，對其賦予權重，進行方法集成，用于解決個人信用行為評估問題。集成學習方法的關鍵之處便在于集成規則權重賦值的制訂，這也是學者在基于集成方法進行個人信用評估研究中需要重點探討的問題。在大量的實證研究結果中可以得出，集成方法在解決個人信用行為評估問題中，得到的分類結果和穩定性、適用性比單一評分方法更具有優勢。[9]可以說，集成學習方法在解決個人信用行為評估問題上可以被視為對單一評分方法的優化演化。

在使用集成學習方法進行個人信用評估的研究中，人們又發現當選擇大量的單一評分方法作為基分類器的時候，在訓練樣本的過程中會出現訓練時間過長的問題，同時，評估結果隨著基分類器的不斷增加出現準確率降低的情況，評估過程的穩定性也出現下滑的趨勢。針對個人信用評估集成方法冗長、復雜性增大、模型解釋度不高、噪音影響大的問題，“選擇性集成”方法被提出并加以使用[9]。選擇性集成既是將差異性大、準確率高的弱學習算法進行選擇性的組合集成，該方法被證明具有更好的分類性能。選擇性集成方法的三個發展方向，優化法、分簇法和排序法被證實在解決分類問題上優化了直接集成方法。[10]理論分析和實驗結果表明，選擇性集成能夠提高最終的泛化能力，得到更好的預測效果。[11]雖然選擇性集成方法在個人信用評分中有很好的評估效果，但是該方法的局限特點仍然需要人們引起重視并加以解決。簡單來講，選擇性集成方法其實是在集成學習方法的過程中增加了一個優化的手段或者過程。因此，使用該方法需要消耗更多的時間成本，增加了授信機構的時間成本開銷，同時，該方法對差異性有很強的依賴，在進行方法差異化處理的過程中消耗了空間和時間成本。因此在使用這個評估方法的時候需要格外注意以上問題。但是，選擇性集成方法在個人信用行為評估中展現的優勢，使其成為個人信用評估方法應用的未來研究方向之一。

三、發展個人信用行為評估方法的啟示

個人信用評估研究發展至今，對于個人信用行為評估方法的研究仍然需要多維度、體系化的研究和發掘。一是對個人信用評估方法的多角度深入優化；二是對于評估過程的階段性優化；三是對于方法結果的綜合性分析，等等。

第一，對于個人信用評估方法的多角度深入優化主要包括兩個方面內容。一方面是對個人信用行為評估單一方法的優化，在符合方法假設條件的基礎上，通過權重系數的調整、演算規則的改變，增強方法的適用性和對數據樣本的可分析性。另一方面，從個人信用評估方法的集成角度出發，將差異化、異構化程序加入到集成學習、選擇性集成學習的過程中，通過方法的融合、組合、集成等多種方式，減少單一評分方法的劣勢，增強方法之間的互補特征，增強該評估方法的可檢驗性和重復實用性。

第二，是對評估過程的階段性優化。在評估過程中，將不同的方法應用到各個步驟中進行階段性分析。在樣本處理時，從樣本數據的結構、配比、容量等方面進行優化，減少樣本偏差，增強樣本對假設條件的滿足程度和樣本可適用性；對指標分析的過程中，通過有偏和無偏的監督進行屬性約減，再對指標屬性的權重進行量化分析，減小指標屬性對評估結果的制約影響；在進行評分方法時，可基于上述對樣本、指標等方面的優化進行下一階段的分析，形成階段性的優化過程；還可增加評估模型的比較評價步驟，將個人信用評估問題系統化研究。

第三，是對方法結果的綜合性分析。在以往的研究中，個人信用評估方法的度量是使用評分模型的評分精度和錯分率的大小進行分析的，評分精度代表了方法的分類精確程度，錯分率反映的是方法的穩定性，在方法的適用性上可以嘗試加入第三變量，例如，加入差異性度量以增強方法的泛化能力；在經濟學應用方面，加入錯分成本增強評估的實用性，以期得到綜合性、體系化的分析結果。

值得思考的是，個人信用行為評估是一個體系過程，人們對于評估方法的模擬優化進行了大量的研究，同時，也應該對整個評估體系中的其他因素，進行系統化的考量和優化。例如，如何動態化的進行樣本數據的處理、如何減少評測過程中的時間成本、怎樣將個人信用行為利潤化、如何更有效的綜合評測個人信用評估方法的有效性等方面的研究仍有待挖掘和開發。還需要關注的是，由于我國個人信用評估體系建立較晚，個人信用評估模型的建立通常要從國內經濟因素、社會因素等基礎性研究出發，沒有這些基礎理論及研究成果支撐，模型測評結果是否符合國內的實際情況就會受到一定程度的質疑。國內目前已有相關研究回歸到這些基礎性的、更為細致的研究，預計未來隨著我國個人信用體系及數據庫的進一步完善，個人信用評估的研究將能夠有效為商業銀行規避風險服務。毋庸置疑，我國經濟社會的發展離不開穩定的金融環境，信用市場的蓬勃發展更離不開有力的技術支持，因此，研究我國個人信用行為評估、個人信用行為評估方法能為我國金融市場、社會經濟提供體系化的技術保障，為金融環境的穩健發展提供支持。

[參考文獻]

[1]Hand D J. Discrimination and classification, screening model using categorical data[M].Chichester:Management Wiley,1981.

[2]Thomas L C. A Survey of Credit and Behavioral Scoring: Forecasting Financial Risk of Lending to Consumers[J].International Journal of Forecasting，2000, 16 (2): 149-172.

[3]白云峰,畢強.美國個人信用評分體系研究及啟示[J].現代管理科學,2010，(12): 31-32.

[4]Lee T S, Chiu C C, Chou Y C， et al. Mining the Customer Credit Using Classification and Regression Tree and Multivariate Adaptive Regression Spins [J]. Computational Statistics & Data Analysis, 2006, 50(4): 1113-1130.

[5]Lomax S， Vadera S. A Survey of Cost-sensitive Decision Tree Induction Algorithms[J].ACM Computing Surveys (CSUR), 2013, 45(2): 16.

[6]Stegaroiu C E， Stegaroiu V. The Algorithm for the Development of Global Financial Crises[J].African Journal of Business Management, 2010, 4(19): 4183-4190.

[7]Baesens B. Bench Marking State-of-the-art Classification Algorithms for Credit Scoring[J].Journal of the Operational Research Society, 2003, 54(6): 627-635.

[8]Clemen R T. Combining Forecasts: A Review and Annotated Bibliography[J].International Journal of Forecasting, 1989, 5(4): 559-583.

[9]Kim H C, Pang S, Je H-M, et al. Constructing Support Vector Machine Ensemble[J].Pattern Recognition, 2003, 36(12): 2757-2767.

[10]Zhou Z H, Wu J， Tang W. Ensembling Neural Networks: Many Could Be Better than All[J].Artificial Intelligence, 2002, 137(1): 239-263.

[11]張春霞,張講社. 選擇性集成學習算法綜述[J].計算機學報,2011, 34(8): 1399-1410.

〔責任編輯：王宏宇馬琳〕

社會學研究