个人信用行为评估方法再思考

个人信用行为评估方法再思考

陈昊洁，姜明辉

(哈尔滨工业大学 管理学院，哈尔滨 150001)

[摘要]近年来，我国个人信用贷款日益增多，信贷业务逐年增加，这不仅丰富了金融机构的衍生业务，也促进了我国地方经济的蓬勃发展。目前，个人信贷业务已经成为了我国经济稳定发展的重要组成部分，但是，随着个人信贷业务的增加，金融机构尤其是商业银行的信用风险也大大提高。有效的信用评估方法能降低金融机构面临的信用风险，减少个人信用误判所带来的经济损失。因此，选择有效的、稳定的、精确的个人信用评估方法成为了学术界研究的热点之一，也是我国稳定经济金融发展的重要手段。对个人信用评估方法的再思考是对个人信用行为的评价、分析的思考和讨论。对个人信用评估方法的优化讨论将进一步提高评估过程的精确性和稳定性，使其更好地成为稳定我国经济发展的重要工具之一。

[关键词]个人信用；个人信用评估；评分方法优化

[中图分类号]F832.4[文献标志码]A

[收稿日期]2015-10-15

[基金项目]深圳市哲学社会科学“十二五”规划项目(125C011)

[作者简介]姜安(1963-)，男，吉林长春人，教授，博士研究生导师，博士,从事国际关系研究。

随着经济的快速发展，消费信贷在社会经济生活中变得越来越普遍。金融机构陆续推出各种消费信贷业务以推动企业、地方经济的发展。我国金融机构特别是商业银行的个人消费贷款数据超过了企业贷款数量，个人消费能力的增强促进了个人信用贷款活动的日益增多，我国金融机构的相关信用产业也随之发展，其战略发展对象逐步由企业业务转向个人业务。但是，信用业务的增多无形之中增加了信用风险的产生，我国个人信用征信系统建立时间较晚，不完善的个人征信体系，使得金融机构在判定个人信用时，出现了信息不完全、不对称的情况，进一步增加了信用风险的产生。为了稳定经济的快速发展，保持地区经济的稳定性，个人信用行为评估、个人信用评估方法的概念被提了出来。在对个人信用行为评估(方法)的研究中，人们发现，信用评估具有客观性、一致性、准确度高的特点，这不仅可以对信用风险发生的概率进行判定，还可以对信用行为稳定性进行度量，成为评判个人信用行为的有效工具。个人信用行为评估方法在规避信用风险方面发挥了不可替代的作用，为授信机构制订法规政策提供了客观依据。

随着评估方法的不断发展和优化，如何通过某种或某几种评估方法判定个人信用行为的稳定性和实效性变得尤为重要。无论是理论研究还是现实应用，需要我们挖掘出一个有效的风险识别方法去评测与预防风险的发生，降低风险产生的成本，保障信贷市场、金融市场的正常运行，这样的研究既具有理论意义，更具有现实意义。

一、个人信用行为评估的理解

(一)何为个人信用

随着经济社会的发展，信用经济时代从传统的货币经济时期发展而来。人们更多的使用信用结算方式进行日常消费活动，这使得信用规模逐渐增大，整个社会的信用化程度逐步加深。信用的本意源自人们相互之间的信任，而现在对信用含义的理解多是出于经济学的范畴。在金融领域的信用指的是在某种借贷关系中，人们的支付行为是以“承诺”的方式进行经济活动，而不用马上支付现金。《中国大百科全书》将“信用”视为一种借贷活动，这种价值运动是具有特殊性的，是以偿还为条件进行的。可以说，人们社会生活和经济生活都与“信用”息息相关。小到个人信用，大到企业信用、社会信用，信用发生的个体终究要归于个人。个人失信的发生，在整个社会机制中往往会引起集体失信，以致整个社会的契约准则、法律法规、道德约束失去效力，严重阻碍经济社会的发展。因此，个人信用资源的开发和评测能够有效维持整个社会的稳定和谐发展。

个人信用在这里可以理解为在某种契约信任基础上，对个人信用程度作出综合评估，对其偿付意愿以及偿付能力进行综合考量，经过评估的个人可以不用马上付现即可得到商品或者服务。为了对个人的信用能力、信用行为作出评估，需要收集大量的个人信息，包括个人特征(性别、年龄)，个人背景情况(婚姻状况、家庭月收入、个人所处行业信息)等。个人信用行为可以理解为主要的个人消费信用行为，即个人在正常的经济活动中，通过信用抵押的方式，在短期或者中期内，无需付现的进行商品或者服务的消费行为，消费借贷再融资也可被视为个人信用行为。而我们常提到的企业信用，则是对企业性质的个人化，人格化，企业信用行为则是个人信用以企业行为的方式的集中表现。所以，综上，个人信用行为可以看作是社会经济活动的基础。

(二)个人信用行为评估的作用

对个人信用行为的评估不仅仅是要判别出最有可能违约的个人，更应该是评测出最有信用忠诚度的个人客户，以维持该金融机构拥有最优质的个人信用资源。信用评分既能够提高商业银行与消费者之间交易的客观性，又能提高商业银行的风险管理及控制能力。

授信机构往往将申请信用贷款的个人分为三大类，一类是对新的申请人进行信用等级划分。即对申请者设定一个门槛数值，当申请人的条件达到或超过此数值时候，则可以发放贷款。此时，信用评估可被视为信用评分方法帮助授信机构进行信贷决策。第二种是对已申请人的信用行为进行评测管理，例如，申请人是否满足信用等级提高要求，如果申请人逾期还款应该有怎样的措施，等等。通过申请人的信用行为是否违约，违约概率等信息制订相关信用政策，调整信用贷款规则。此时，信用评估可以视为行为评分。第三种是评测申请者给授信机构带来的利润，金融机构通过发放信用贷款给自身带来利润成本，此时，信用评估可被视作利润评分，但是由于利润在计算上存在一定的复杂性，泛化能力较差，目前仍然是未来主要的研究方向之一。因此，本文针对第一种和第二种个人信用行为评估进行研究。

(三)个人信用行为评估方法的机制

判定个人信用行为情况，首先分析申请者即评估样本。在以往的研究中，个人信用客户往往被归为两大类，一类是违约客户，一类是非违约客户。在理想状态下，违约客户和非违约客户在信用评分概率分布上都满足类正太分布的特点，两个概率分布曲线也是没有交集的，但是现实生活中，两个概率分布是有交集的，这个交集区域就是我们要重点研究的样本数据。我们在两个曲线的重叠处设定一个临界值，将高于临界值的客户判定为非违约客户，将低于临界值的客户视为潜在违约客户，因此，可以通过个人信用评分来判定该客户的违约可能性。当信用评估预测结果正确的时候，表明原来高于临界值的客户没有违约，或者原来低于临界值的客户违约了，此时，个人信用行为评估没有出现错误，否则，即可判定评估出现了误差。一种情况是原本没有违约的客户(其评分结果高于临界值)违约了，则出现了纳伪的误判，在个人信用评估中叫做第二类错误，这个误判率也是衡量个人信用行为稳定性的重要考量指标；另一种情况是原本违约的客户(其评分结果低于临界值)没有违约，则出现了弃真的误判，在个人信用评估中叫做第一类错误，这个误判率会给授信机构带来利润上的损失，但是由于这个利润损失计算的非泛化性，在进行信用行为评估的过程中，人们往往将第二类错误作为分析个人信用的重要考量因素。根据以上四种评估结果，授信结构制订相关的政策规则。因此，个人信用评估问题通常被归结为模式识别中的分类问题，在经济学领域和统计数理分析中，个人信用行为评估可以被视为统计中的分类问题。

对于授信机构，他们需要建立一个或者多个个人信用行为评估模型，或者建立一个个人信用行为评估系统，对申请人进行判定，特别是处于有违约可能性的个人，按照违约率的阈值，进行几乎连续性的细分，最终得以判定其违约概率和此人信用行为的稳定性。

二、个人信用行为评估方法的发展

对于个人信用行为评估方法的认识和研究，随着信用经济的出现而发展起来。1936年，费舍尔首次提出使用数理统计的方法进行人口问题的分类评测。随后，大卫·杜兰德将统计学方法作为信用评估方法应用到了信用评估上，用于授信机构判定贷款发放情况。自此，人们开始进行个人信用行为评估方法的研究和优化分析[1]。自1960年信用卡开始发放，银行机构开始大量使用个人信用评估方法评测信用卡申请人的信用程度，借以制订发放信用卡规章。在此阶段，人们对个人信用评估方法的有效性进行了讨论和改进。直至1975年《平等贷款机会法案》的提出和通过，信用评估的概念正式被广泛接受，并应用到判定消费者信用行为方面[2]。到了80年代，信用评估方法在信用卡评级上得到了有效使用，金融机构开始尝试将这种方法应用到个人贷款方面、家庭贷款和中小型公司贷款方面。此时，沿用到现在的主流方法逻辑回归，判别分析方法开始被广泛应用。从此，各种不同的评分方法被人们挖掘出来，从单一的评分方法的尝试性使用，到单一方法的优化研究，再到组合单一模型的集成方法的提出，人们通过不断优化个人信用评估方法，对个人信用行为用更加准确、稳定的测评技术、更具有实效性的数理模型进行评价研究。时至今日，越来越多的研究从控制违约率的角度转为稳定信用行为的研究。金融机构尝试将利润因素加入到信用评估中去，这也是现在更多的学者需要探索研究的一个方向。这样的研究，保证了对个人信用行为评估的理论和现实意义。

(一)个人信用行为评估方法的基础研究

个人信用评估方法的发展初期，授信机构对申请者的信用行为的评判主要使用专家分析法，这一系列方法是一种基于经验的方法体系，往往存在着随意性强、主观影响力大、训练成本高的特点。为了解决专家分析法的缺点，人们开始大量使用数理模型即个人信用评分模型进行个人信用行为的判定。通过对申请贷款的个人的主客观环境、自身特征、经济承诺能力等因素进行判定和评价。个人信用评估模型的提出促进了消费信贷的发展，既是当时经济社会发展的产物，也是推动经济快速发展的有力工具。这时的主流评分方法是逻辑回归和判别分析方法。通过对个人信用行为的深入研究，个人信用评估方法的挖掘从统计学方法、非参数方法到人工智能方法逐步演进。

在个人信用评分方法的研究中，统计学方法一直占有重要的位置。统计方法中的判别分析，适用于分类问题的研究，也适用于个人信用评估的评测。判别分析方法的优势在于，该方法有理论基础支撑，从统计数理分析角度可以将个人信用行为评估问题进行说明。同时，在适用性方面，姜明辉等人还利用该方法进行了实证研究，得出了很好的评判结果。目前，使用最为广泛的费埃哲公司(FICO)使用的个人信用行为评估方法也是基于此法。[3]统计学中的经典方法之一的回归分析方法是另外一个被广泛使用的方法。回归分析方法的鲁棒性没有判别分析方法好，但是此法相较判别分析，没有那么多的严苛限制条件，适用性更强。[4]

90年代，非参数方法被尝试性的使用到个人信用行为评估中。最近邻方法的优势和局限性在进行个人信用评分中被挖掘出来，该方法不用提前训练、学习模型，能更好的解决人口漂移问题。[5]决策树方法通过将客户细分，建立子类客户进行分析，能够直接体现数据指标的特征，具有直观性、解释能力强的特点，但与此同时，该方法在处理连续性变量时能力较弱，而且评分精度与其他方法相较有待提高。[6]贝叶斯网络方法有很强的理论支撑，将指标综合联系更为清晰简洁且有理论依据，不仅对个人信用评估的结果具有解释能力，对属性内分析和评估过程分析也有很好的评测能力，能够解释指标与最终判定类别的关系，因此，其在个人信用评估中具有很好的适用性，被用于大量的理论和实证研究。[7]

随着计算机技术的飞速发展，人工智能方法被应用到个人信用行为评估中，并取得了突飞猛进的发展。80年代，人工智能的主要分支——神经网络成为个人信用评估方法的主要研究对象之一。人工神经网络具有稳健性强、自学习的特点，在循环迭代过程中，能够比较直观的展现评估结果。神经网络的优势在于分类效果好，但是难以解释细化分类的过程，因此，在实践中不能很好的发现个人信用评分低的原因。个人信用评估作为有监督的二分类问题，支持向量机对其有很好的适用性，支持向量机在训练个人信用评估的样本数据时，能够在有限的样本信息中实现模型复杂性与学习性能的折衷，具有良好的推广能力，兼有良好的全局收敛性。支持向量机的分类效果经过与多个方法比较确实具有优势，但该方法受限于样本数据量，样本数据过多时，评估结果稳定性差，因此在使用的时候具有一定的限制条件。

(二)个人信用行为的评分工具的优化过程

在对个人信用评估评分方法的研究中，单一的信用评分方法的利弊逐渐显现出来。有的方法受到理想化的假设条件的限制；有的方法只能对结果输出，无法对评估过程细化作出解释；有的方法对大样本数据分析缺乏稳定性，等等。这些问题进而引发学者们的思考，如何使用多种方法、多种工具处理同一问题，将不同的单一模型方法放在较高级的组织下工作，发现并利用各自优点，以避免每种方法所具有的局限性。因此，集成学习方法的概念被提了出来。贝茨和格兰杰将集成思想介绍给大家，随后，克莱门[8]试着将这种方法在不同的领域进行尝试，发现实验效果较好。因此，在个人信用评估的研究中，人们开始尝试使用集成学习方法。集成学习方法在个人信用评估过程中是将单一评分方法视为基分类器，根据某种既定规则，对其赋予权重，进行方法集成，用于解决个人信用行为评估问题。集成学习方法的关键之处便在于集成规则权重赋值的制订，这也是学者在基于集成方法进行个人信用评估研究中需要重点探讨的问题。在大量的实证研究结果中可以得出，集成方法在解决个人信用行为评估问题中，得到的分类结果和稳定性、适用性比单一评分方法更具有优势。[9]可以说，集成学习方法在解决个人信用行为评估问题上可以被视为对单一评分方法的优化演化。

在使用集成学习方法进行个人信用评估的研究中，人们又发现当选择大量的单一评分方法作为基分类器的时候，在训练样本的过程中会出现训练时间过长的问题，同时，评估结果随着基分类器的不断增加出现准确率降低的情况，评估过程的稳定性也出现下滑的趋势。针对个人信用评估集成方法冗长、复杂性增大、模型解释度不高、噪音影响大的问题，“选择性集成”方法被提出并加以使用[9]。选择性集成既是将差异性大、准确率高的弱学习算法进行选择性的组合集成，该方法被证明具有更好的分类性能。选择性集成方法的三个发展方向，优化法、分簇法和排序法被证实在解决分类问题上优化了直接集成方法。[10]理论分析和实验结果表明，选择性集成能够提高最终的泛化能力，得到更好的预测效果。[11]虽然选择性集成方法在个人信用评分中有很好的评估效果，但是该方法的局限特点仍然需要人们引起重视并加以解决。简单来讲，选择性集成方法其实是在集成学习方法的过程中增加了一个优化的手段或者过程。因此，使用该方法需要消耗更多的时间成本，增加了授信机构的时间成本开销，同时，该方法对差异性有很强的依赖，在进行方法差异化处理的过程中消耗了空间和时间成本。因此在使用这个评估方法的时候需要格外注意以上问题。但是，选择性集成方法在个人信用行为评估中展现的优势，使其成为个人信用评估方法应用的未来研究方向之一。

三、发展个人信用行为评估方法的启示

个人信用评估研究发展至今，对于个人信用行为评估方法的研究仍然需要多维度、体系化的研究和发掘。一是对个人信用评估方法的多角度深入优化；二是对于评估过程的阶段性优化；三是对于方法结果的综合性分析，等等。

第一，对于个人信用评估方法的多角度深入优化主要包括两个方面内容。一方面是对个人信用行为评估单一方法的优化，在符合方法假设条件的基础上，通过权重系数的调整、演算规则的改变，增强方法的适用性和对数据样本的可分析性。另一方面，从个人信用评估方法的集成角度出发，将差异化、异构化程序加入到集成学习、选择性集成学习的过程中，通过方法的融合、组合、集成等多种方式，减少单一评分方法的劣势，增强方法之间的互补特征，增强该评估方法的可检验性和重复实用性。

第二，是对评估过程的阶段性优化。在评估过程中，将不同的方法应用到各个步骤中进行阶段性分析。在样本处理时，从样本数据的结构、配比、容量等方面进行优化，减少样本偏差，增强样本对假设条件的满足程度和样本可适用性；对指标分析的过程中，通过有偏和无偏的监督进行属性约减，再对指标属性的权重进行量化分析，减小指标属性对评估结果的制约影响；在进行评分方法时，可基于上述对样本、指标等方面的优化进行下一阶段的分析，形成阶段性的优化过程；还可增加评估模型的比较评价步骤，将个人信用评估问题系统化研究。

第三，是对方法结果的综合性分析。在以往的研究中，个人信用评估方法的度量是使用评分模型的评分精度和错分率的大小进行分析的，评分精度代表了方法的分类精确程度，错分率反映的是方法的稳定性，在方法的适用性上可以尝试加入第三变量，例如，加入差异性度量以增强方法的泛化能力；在经济学应用方面，加入错分成本增强评估的实用性，以期得到综合性、体系化的分析结果。

值得思考的是，个人信用行为评估是一个体系过程，人们对于评估方法的模拟优化进行了大量的研究，同时，也应该对整个评估体系中的其他因素，进行系统化的考量和优化。例如，如何动态化的进行样本数据的处理、如何减少评测过程中的时间成本、怎样将个人信用行为利润化、如何更有效的综合评测个人信用评估方法的有效性等方面的研究仍有待挖掘和开发。还需要关注的是，由于我国个人信用评估体系建立较晚，个人信用评估模型的建立通常要从国内经济因素、社会因素等基础性研究出发，没有这些基础理论及研究成果支撑，模型测评结果是否符合国内的实际情况就会受到一定程度的质疑。国内目前已有相关研究回归到这些基础性的、更为细致的研究，预计未来随着我国个人信用体系及数据库的进一步完善，个人信用评估的研究将能够有效为商业银行规避风险服务。毋庸置疑，我国经济社会的发展离不开稳定的金融环境，信用市场的蓬勃发展更离不开有力的技术支持，因此，研究我国个人信用行为评估、个人信用行为评估方法能为我国金融市场、社会经济提供体系化的技术保障，为金融环境的稳健发展提供支持。

[参考文献]

[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,毕强.美国个人信用评分体系研究及启示[J].现代管理科学,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]张春霞,张讲社. 选择性集成学习算法综述[J].计算机学报,2011, 34(8): 1399-1410.

〔责任编辑：王宏宇马琳〕

社会学研究