大數據能改進網貸的信用評估嗎？
——基于層次分析的模糊綜合評價

王保乾 王 婷

（河海大學，江蘇 南京 211100）

大數據能改進網貸的信用評估嗎？
——基于層次分析的模糊綜合評價

王保乾 王 婷

（河海大學，江蘇 南京 211100）

本文基于大數據信息設計評價指標體系，在專家的討論意見與案例研究的基礎上，采用層次分析法和模糊數學評價模型確定貸款企業信用等級。實證研究表明，利用大數據指標能夠顯著提高網絡貸款企業信用評級的效率與可靠性。

大數據；信用評級；網絡貸款；AHP；模糊綜合評價法

一、研究綜述

信用評級就是信用評估機構根據科學的指標體系，對各類經濟組織和金融工具的資信狀況進行客觀公正的評估，并確定它的資信等級的一種評價活動。商業銀行傳統的信用評級主要采用5C或5P要素分析法。5C指借款人品德、經營能力、資本、資產抵押和經濟環境；5P指個人因素、資金用途因素、還款財源因素、債權保障因素和企業前景因素。這些評價模型主要以歷史財務數據為基礎，信用評級滯后、片面。

隨著21世紀互聯網金融的發展，社交網絡、電子商務、第三方支付、搜索引擎的廣泛使用積累了海量數據。這些數據種類繁多、結構復雜、數據量龐大、發展迅速、價值密度低，對這些海量數據進行存儲、過濾、篩選，通過數據挖掘技術，大數據能帶來巨大的經濟效益。

大數據對信用評級產生了很大的影響，利用大數據進行信用評級不僅可以豐富評價指標體系，還可以降低評級成本，提高評級效率。實踐上，2011年，IBM公司利用大數據開發出超級計算機“沃森”（Watson），幫助銀行進行信用評級分析，收集和處理客戶資料，得出客戶信用風險等級。在國內，阿里巴巴和騰訊也通過各自的電商和社交網絡積累了大量的數據。理論研究上，澤克豪澤（Zeckhauser，2004）通過實證的方法對eBay的定量數據進行分析，對網上信用評價系統的有效性給予肯定的證明。孫中東（2013）提出應用大數據技術，銀行的信用評級體系可以進一步完善、創新。丁振輝（2014）認為對大數據進行有效利用，將對商業銀行的業務模式和經營管理產生巨大的正能量，特別是在小微企業信用評級領域能發揮巨大的作用。本文的創新之處在于利用大數據的特點設計評價指標，結合評價模型，對貸款企業進行信用評級研究。

二、利用大數據進行信用評級的優勢分析

大數據的出現為信用評級提供了更精確的風險評估依據。電商平臺、互聯網公司、銀行紛紛利用自身積累的數據提供融資貸款及信用評級服務。

（一）豐富評級指標體系

大數據提供了更豐富的客戶信息，傳統的信息以紙質和電子文檔為基礎，大數據形式不僅包括文檔文件，還包括視頻、后臺數據庫、網頁等，能夠更加全面地反映客戶狀況。

（二）提高評級結果的深度和廣度

通過數據篩選和數據挖掘技術，提煉出有效信息，增加評級結果的客觀性。同時，互聯網融資平臺與監管機構合作，能夠建立廣泛的信用評級體系。

（三）克服傳統信用評級的時滯性

大數據的特點就是具有時效性，通過互聯網對企業進行實時監測，能及時發現企業數據的變化情況，評級機構可以及時獲取到最新的數據，降低信息不對稱風險。

（四）提高評級效率，降低評級成本

傳統的信用評級需要進行人工貸款資格審查等一系列手續，效率低下，成本高昂。互聯網大數據出現后，搜集獲取企業信息簡單方便，成本相對較低，而且數據真實性高。

（五）降低了中小企業貸款難的問題

傳統的信用評級主要針對大型企業，中小企業數據不完整，針對小企業的評級不完善。利用大數據，評級機構可以獲取中小企業相對零散的信息，經過加工，挖掘出有價值的評級資料，為中小企業貸款提供更有力的保障。

三、網絡貸款信用評級的指標選擇

（一）運用大數據篩選評價指標的方法和原則

大數據包含的信息種類多、類型復雜，甚至包括一些不良信息和無價值信息，要想分析海量數據的價值，數據過濾與篩選必不可少。數據篩選的目的就是為最終數據挖掘做準備，從中分析出有價值的信息。數據篩選一般經過數據抽取、數據清理、數據加載三個部分。數據抽取的主要任務就是把不同數據源中的數據按照數據倉庫中的數據格式轉入到數據倉庫中，主要任務是統一數據格式。數據清理是數據的預處理階段，主要任務是格式標準化，異常數據清除，錯誤糾正以及重復數據清除，從而為數據挖掘做準備。數據加載就是將已處理完的數據加載到數據庫中，以便查詢使用。

在目前通用的企業信用評估指標體系的基礎上，引入大數據思維模式，結合網絡企業自身特點，進一步完善網絡貸款企業信用評級體系。

1.定性分析與定量分析相結合，適當提高定性分析比重。定量分析以具體數據為主，較為客觀，定性分析主觀性稍強，但是針對性更強，二者相輔相成。

2.動態評級指標與靜態評級指標相結合。本文選取了財務狀況等動態指標，還引入靜態信用評級指標，如企業工商注冊信息、產品證書等反映企業已經積累的信用等級。

3.根據網絡企業自身的特點設計評價指標。網絡企業大都是中小微企業，融資難一直是中小微企業存在的問題。本文選取的客戶狀況、信用水平能為評級機構提供貸款參考標準，解決以往中小企業評級數據不充分的問題。

4.大數據的多樣性和可獲取性。大數據包含豐富的信息，不僅包含傳統信用評級所需的“硬信息”，也包含豐富的“軟信息”。本文選擇了傳統評級如財務狀況、企業素質等“硬信息”，還選擇了客戶狀況、信用水平等“軟信息”，從而更全面地反映企業信用等級。這些數據都可以從文件、互聯網、電商網站的后臺數據庫中獲取。

（二）評級指標的選擇

在充分考慮大數據信息的基礎上，篩選出財務狀況、企業素質、客戶狀況、技術創新、信用水平作為一級評級指標。

1.財務指標：通過企業財務報表的分析，了解借款企業的財務狀況、盈利能力和現金流量情況，從而衡量企業的信用狀況。

（1）盈利能力：是指企業獲取利潤的能力，表現為一定時期內企業收益數額的多少及其水平的高低。本文選取反映盈利能力的指標包括主營業務利潤率、總資產利潤率、資本金利潤率和成本費用利潤率。

（2）經營能力：指企業的經營運行能力，即企業運用各項資產以賺取利潤的能力。包括存貨周轉率、應收賬款周轉率、總資產周轉率和固定資產周轉率。

（3）償債能力：指企業用其資產償還長期債務與短期債務的能力。企業償債能力是反映企業財務狀況和經營能力的重要標志。包括資產負債率、流動比率、現金比率和速動比率。

（4）成長速度：成長速度包括營業周轉率、營業利潤周轉率、總資產周轉率和資本保值增長率。

2.企業素質：企業素質指的是企業各要素的質量及其相互結合的本質特征，它是決定企業生產經營活動所必須具備基本要素的有機結合所產生的整體功能，包括管理者素質和員工素質，它代表了企業的軟實力。網絡企業因其不穩定性，對企業素質特別是管理者素質提出了更高的要求。管理者素質包括管理者風險偏好、領導素質與能力、管理層團隊建設，員工素質包括年齡結構、文化技術狀況。

3.客戶狀況：分為客戶基礎和客戶滿意度。客戶狀況從側面反映企業的受眾水平和信用水平。衡量客戶基礎的子指標包括點擊率、頁面訪問量、瀏覽人數。客戶滿意度是客戶期望值和客戶體驗的匹配程度。近年來，客戶滿意度受到越來越多的重視，反映客戶滿意度的指標有好評率、投訴率、商品滿意度、企業等級。

4.技術創新：揭示企業未來成長能力，包括研發素質和研發水平。研發素質有研發人員比重、研發人員水平。研發水平包括研發投入、研發成果。

5.信用水平：直接反映企業的信用狀況，包括企業基本情況和誠信狀況。企業基本情況包括企業產品證書、企業文化、工商注冊。誠信狀況可以反映企業的信譽，具體指標包括銀行歷史信用、逃稅賴賬行為、或有負債。

四、評價指標權重的確定

層次分析法（AHP）不但充分利用了專家的意見，還通過利用數據工具和專業的分析軟件，將定量分析和定性分析相結合，非常適用于難以完全定量分析的問題。企業信用評級必須考慮企業財務等定量數據，同時企業的基本素質等定性指標也不可忽視，因此本文采用層次分析法確定評價指標權重。

層次分析法將復雜問題分解為目標、準則、方案等若干層次的系統，在每一個層次，按照一定準則對該層元素進行逐隊比較，并按標度定量化，形成判斷矩陣。通過計算判斷矩陣的最大特征值以及相對應的正交化特征向量，得出該元素對該準則的權重。具體步驟如下：

（一）建立指標層次結構

將決策的目標、中間層要素和決策對象按相互關系分為最高層、中間層和最底層。

（二）構造判斷矩陣

本文采用薩提（T.L.Saaty）教授提出的1—9標度法，見表1。

表1：判斷矩陣標度

（三）計算層次因素權重

判斷矩陣的最大特征值所對應的特征向量即為本層次指標相對于上一次層次指標所對應的權重。

（四）矩陣一致性檢驗

由于判斷矩陣是人為賦予的，帶有一定的主觀性，需要一致性檢驗評價判斷矩陣的可靠性。其方法如下：

公式（1）中，λmax為判斷矩陣的最大特征值，n為判斷矩陣的階數。

公式（2）中，RI是平均隨機一致性指標。當一致性比率CR≤0.1時，認為判斷矩陣的一致性可以接受，當CR＞0.1時，認為判斷矩陣應做適當修正。

根據層次分析法Yaahp軟件，結合判斷矩陣，得出各層次指標權重，結果如表2。

表2：指標權重表

表3：信用等級參考標準

判斷矩陣的一致性比例為：0.0241，所有判斷矩陣的CR＜0.1，一致性檢驗通過。

五、企業信用評級模型

在一級指標中，設置了5個評價因素，即財務狀況、企業素質、客戶狀況、技術創新和信用狀況。二級指標中有12個評價因素。此外，還有48個三級指標。

按照國際慣例，采用三等九級（從AAA到C），建立評價集V={AAA，AA，A，BBB，BB，B，CCC，CC，C}。根據表2各層次指標權重，建立各個層次指標的權重向量。

通過確定各個指標的隸屬度，確定隸屬度向量，建立判斷矩陣。由于評價指標分為定量指標和定性指標兩種，定性指標采用專家評判法確定隸屬度。根據評語集V={AAA，AA，A，BBB，BB，B，CCC，CC，C}，統計專家將評價因素Cij被劃分為各個等級的頻率，得出隸屬度向量。定量指標可以通過隸屬函數進行計算。當評價指標值與信用高低正相關時，隸屬函數為：

當評級指標值與信用高低負相關，隸屬函數為：

公式（3）、（4）中，x表示指標值，xi表示比x值低一等級的標準值，xi+1表示比x高一等級的標準值。例如，主營業務利潤率的值為24.22，AA的參考值xi+1為25，A的參考值xi為20.8，得出其隸屬度為：（24.22-20.8）/（25-20.8）=0.81。財務指標參照《企業績效評標準值2014》。

綜合評價值P=WR=（P1，P2，…，P9）

本文將評分標準分為9個等級，引進分數集F= （F1，F2，…，F9）T=（9，8，…，1）T，其中，Fj表示第j級評價等級分數。因此綜合評價等級值為Z=PF。信用等級參考標準見表3。

六、實證分析

本文選取在深圳交易所中小板上市的浙江某網絡股份有限公司作為分析對象，該公司是主要從事互聯網信息、電子商務的高新企業。根據其2014年企業年度報表，提取并計算得到分析數據。

根據隸屬關系，確定評價矩陣R。對于非財務指標，根據10位專家的實踐和經驗，采用專家打分法。財務指標則由上文隸屬函數求得。定性指標隸屬度見表4。

一級模糊綜合評價：

盈利能力指標對應矩陣

盈利能力指標對應權重：

則盈利能力指標綜合評價向量：

表4：定性指標專家打分表

表5：各指標隸屬度

一級指標綜合評價向量見表6。

二級模糊綜合評價：

財務狀況指標對應矩陣

財務狀況指標對應權重：

則盈利能力指標綜合評價向量：

二級指標綜合評價向量見表7。

三級模糊綜合評價：

企業信用評價矩陣

企業信用對應權重向量

企業信用綜合評價向量為

綜合評價分數：Z=P*F=（0.4378，0.2589，0.1274，0.0288，0.0095，0.0345，0.0185，0.0057，0.079）·（9，8，7，6，5，4，3，2，1）T=7.4071。參照企業信用參考標準，可知該企業的信用等級為A級。根據案例分析結果，得出該企業為三級信用企業，資產質量和資信較好，效益較好，但不穩定，企業經營和發展易受不確定因素影響。根據上述結論，筆者建議貸款給該企業，同時要求該企業關注自身的成長能力。

七、結論

本文分析了大數據在網絡貸款信用評級中的運用，結合大數據特點設計評級指標，運用層次分析法確定權重，采用三級模糊綜合評價對企業進行信用評級，并分析了網絡貸款的風險。本文評級指標設計突出了網絡企業自身特點，評價結果更加全面和清晰，并具有較強的可操作性。為了減少網絡貸款不可預見的風險，需要采取一些針對性的措施，如維護信息安全，避免信息泄露；出臺法律明確網絡貸款的地位；加強監管等。目前我國大數據在網絡貸款信用評級領域還未得到全面應用，一方面是大數據本身研究不夠充分，大數據的快速增長與數據存儲技術的矛盾仍沒有得到有效解決；數據篩選需要根據不同的需求及實際情況選擇篩選算法，篩選困難、耗費時間長。另一方面就是大數據帶來的信用風險也沒有解決，特別是數據安全和隱私保護等問題。因此，利用大數據進行信用評級還需要更深入的探討。

[1]石新武.資信評估的理論和方法[M].北京：經濟管理出版社，2002，11.

[2]肖肖，駱建文.基于大數據的互聯網融資平臺信用評級[J].現代管理科，2015，（1）.

[3]劉新海.大數據挖掘助力未來金融服務業[J].金融市場研究，2014，（2）.

[4]王奔.中小企業互聯網貸款信用評價模型研究[D].對外經濟貿易大學，2014，（5）.

[5]孫中東.大數據技術應用與銀行信用評級體系創新之探[J].金融電子化，2013，（11）.

[6]丁振輝.大數據背景下小微企業信用評級研究[J].征信，2014，（9）.

[7]王可昕.我國網絡貸款理財分析及風險研究[J].科研交流，2014，（2）.

[8]溫紅鈺.網絡貸款信用風險研究[D].中共中央黨校，2014，（6）.

[9]余浩.基于大數據的數據存儲及數據篩選問題研究[D].黑龍江大學，2015，（5）.

[10]王海飛.基于Hadoop云的數據庫營銷海量數據處理與挖掘的研究[D].浙江理工大學，2013，（3）.

[11]李浦生.網絡微小企業貸款信用評價體系研究[D].浙江大學，2011，（2）.

[12]郭冬冬.基于模糊綜合評價方法的中小企業信用評級研究[D].暨南大學，2009，（6）.

Can the Big Data Improve the Credit Evaluation of Network Credit?——A Fuzzy Comprehensive Evaluation Based on Hierarchical Analysis

Wang Baoqian Wang Ting
（HohaiI University，Jiangsu Nanjing 211100）

Using the designed index system of big data information，and based on the experts discussion，opinions and case study，the paper uses a layered analysis method and fuzzy math evaluation model to determine the credit rating of the loan enterprises.The Empirical research shows that using big data indicators can significantly improve the efficiency and reliability of credit rating of enterprises using network loans.

big data，credit evaluation，network credit，AHP，fuzzy comprehensive evaluation method

表6：一級指標綜合評價向量

表7：二級指標綜合評價向量

F830.56

A

1674-2265（2016）02-0037-06

（責任編輯 王 馨；校對 RR，GX）

2016-1-15

王保乾，男，河海大學教授，經濟學博士，研究方向為金融投資、區域經濟學；王婷，女，河海大學商學院，研究方向為金融投資。