基于模糊层次分析法的大学生“校园贷”个人信用评估

余思敏 陈文慧 贺杰 张子豪 李军成

摘 要：为了帮助商业银行评估大学生借贷“校园贷”应满足的条件，基于模糊层次分析法建立了大学生“校园贷”个人信用评估模型。首先合理的选取大学生“校园贷”个人信用评估指标，然后通过模糊层次分析法对大学生的个人信用进行综合评估。实例结果表明所提出的方法是合理有效的，从而为商业银行及各大正规网络贷款平台开展“校园贷”业务提供了一定的决策依据。

关键词：大学生；校园贷；模糊层次分析法；个人信用评估

中图分类号：F724.6 文献标志码：A 文章编号：2095-2945（2018）34-0033-04

Abstract： In order to help commercial banks to evaluate the conditions that college students should meet in campus loans， a personal credit evaluation model of college students' loans on campus was established based on fuzzy analytic hierarchy process （FAHP）. First of all， reasonable selection of college students "campus loan" personal credit evaluation indicators， and then through the fuzzy analytic hierarchy process on college students' personal credit comprehensive evaluation. The results show that the proposed method is reasonable and effective， which provides some decision-making basis for commercial banks and major formal online loan platform to carry out the "campus loan" business.

Keywords： college students； campus loan； fuzzy analytic hierarchy process； personal credit evaluation

“校園贷”本是针对大学生而推出的借贷方式，帮助大学生解决燃眉之急、顺利完成学业、实现创业等。但近年来，各大媒体纷纷曝光“校园贷”背后的黑色手段，揭露这些平台借着“免息”、“低息”的名义，实则为变相高利贷的现象。虽然目前政府提出了网络贷款机构一律不能向大学生发放贷款的政策，但是借贷现象依旧存在。针对这种现象，商业银行已经开始推出“校园贷”小范围试水，对于大学生而言由商业银行推出的 “校园贷”利息低、保障性高、更具有安全性；然而对于商业银行而言自身利益的保障也就成为一个急需解决的问题。

近年来，“校园贷”问题备受社会的关注，国内也有了很多学者针对这个问题进行了探究，都希望能够建立一个贴切实际的大学生“校园贷”个人信用综合评估模型以及为其提出相关建议。例如，卢艺方等[1]将河南的四所高校以及两所高中作为研究对象，对“校园贷”当前情况进行调查研究并对金融、法制监管提出建议；徐睿阳[2]对互联网下京东白条个人征信系统进行了分析，并做出了进一步的改进；林庆峰[3]对我国当前的社会信用体系与国外的进行了理论上的分析，并提出应如何完善个人征信系统；等等。虽然已有部分学者对大学生“校园贷”个人信用评估问题进行了探讨，但鲜有文献从定量的角度去分析解决这个问题。

事实上，虽然目前部分商业银行已推出大学生“校园贷”业务，但大都还处于试水阶段，并未大面积的覆盖校园的现象。从定量的角度为商业银行及各大正规网络贷款平台创建更加符合当前大学生现状的个人信用评估模型，不仅可以减少大学生网上非法贷款的现象，还可以确保银行的利益以防银行亏损，从而均衡双方的利益。对于大学生而言，个人信用影响因素大多数为定性因素，很难得到定量数据，而层次分析法可以将复杂的问题分为几个小部分，再将这些小部分组织成一个层次结构，利用专家意见，利用评估尺度对每一个部分的相对重要性进行权重数值评估，而后建立成对比较的判断矩阵，并求出特征向量及特征值，以该特征向量代表每一层级中各部分的权重，能为决策者提供充分的决策资讯并得到有关决策的评选条件或标准、权重和分析，从而减少决策错误的风险性。为了解决大学生贷款与商业银行利益保证两方面的问题，使得“校园贷”能够同时保障双方的利益，本文针对大学生“校园贷”中的个人信用评估问题，利用模糊层次分析法[4]进行研究，定量得到对于大学生信用而言一级、二级指标所对应的权重，以及得到大学生个人信用评分的计算方法。

1 大学生“校园贷”个人信用评估方法

1.1 指标的选取

个人信用评估是对个人信用信息的定量描述。目前，“5C”要素在国际上对个人信用评估的影响因素和指标的分析中使用的最为广泛。它主要衡量个人在从品质、偿付能力、资金、抵押和条件方面的个人信用状况。与国内有些不同，中国人民银行指出我国将评判个人信用的信息指标体系划分成以下几大类：基本信息、信用交易信息、公共信息、特别信息和其他等。由此看出，虽然不同的国家、机构设计的个人信用的具体指标有所差异，但传统的个人信用评估指标体系一般都包括个人基本信息、资产状况、历史信用状况以及个人预期收入等几个方面[5]。而针对大学生而言，需要选取符合大学生实际情况的个人信用信息指标。为此，本文中针对当代大学生的基本情况选择了学生基本信息、消费行为、道德水平、所处环境、在校情况作为“5C”要素的一级指标Ci以及15个二级指标Pij[6]，具体指标及解析如表1所示。

1.2 判断矩阵的构造

在确定各层次要素之间的权重时，假设只从定性的角度去分析，将使得数据不够客观，于是Saaty等人进行数次实验，比较人们在不同的标度下判断结果的准确度，最终发现使用1～9标度得到的结果最准确。所以在本文中将使用1～9标度的方法根据Ci之间、Pij之间的重要性为其打分得到判断矩阵[7]。

其中各个指标分值的确定需要考虑该类指标对于大学生个人征信的重要性，例如在5个一级指标Ci中，大学生的每月生活费、收入（勤工俭学、奖学金等）以及月消费金额对大学生信用的影响很大，所以在构造判断矩阵时应该给予较大的分值，5个一级指标所得判断矩阵如表2所示。

得到Pij判断矩阵的方法与Ci相同，只需要比较属于同级指标下的二级指标之间的相对重要性即可得到相应的结果，如表3所示。

1.3 指标权重的计算与一致性检验

（1）指标权重的计算

本文采用特征根法求解指标权重，利用AW=maxW公式求出判断矩阵A的最大特征根？姿max，以及最大特征根？姿max对应的特征向量W，并将特征向量经过标准化处理作为各指标的权重向量[8]。

（2）一致性检验

求解随机一致性比率CR（CR=CI/RI），然而RI的取值通常会由于指标总数n的变化而改变。如果 CR<0.1，那么之前所得到的判断矩阵是一致的，也就是说此时所构造的判断矩阵可以被接受，所得结果可以作为最终的权重，反之则需要适当的调整打分。

1.4 模糊集评价论域的设定

为各个二级指标设定一个评价论域V=（v1，v2，…，vn），n=1，2，3…，而v1，v2，…，vn则表示评价或评语等级。本文将信用评价论域设定为V={很好，好，中，差，很差}，它们表示的含义分别为个人信用状况非常好、好、一般、差、很差。

1.5 模糊集隶属度的构造

由于专家评审打分法对于实际问题的研究有较好的实用性、效用性。所以针对本文所确定的二级指标，得到相应的信用评分结果，作为每个有序对指定的隶属度，具体的评分结果见表4。

可以从表4获得关于二级指标与信用评价打分关系的15*5阶模糊关系矩阵（模糊关系隶属度函数）R，再根据一级指标Ci可将 R分成5个模糊关系矩阵Ri（i=1，2，3，4，5）。

1.6 模糊矩阵的合成

2 大学生信用评估实例

2.1 设置问卷获取数据

本文为验证上文所建立的模型是否适用于评估当代大学生的个人信用情况，特设制了一份调查问卷，并随机找了10位大学生进行填写，从而确保数据的真实合理性，现将所得的结果利用之前所建立的模型进行评估。调查问卷所设置的选项如表5所示，每个选项对应不同的分值，根据大学生选择的选项对其进行评分，如表5所示。

将十位大学生所填的信息对应上表的分值进行打分统计，所得结果如表6所示。

2.2 指标权重的求解

在已知判断矩阵的条件下，利用MATLAB计算求得Ci、Pij所对应的判断矩阵的特征根，并进行标准化处理，就可以得到各指标的权重，将Ci所对应的权重？棕A与Pij所对应的权重？棕■相乘可以得到最终的总权重并对其进行排序，所得结果如表7所示。

从表7的结果可以看出，针对大学生的个人征信系统一级指标中学生在校情况可作为最重要的借贷指标，其次是学生的消费行为。其中学生每个月生活費、收入情况、月消费金额可作为首要考虑的因素。商业银行推出的“校园贷”在考虑是否应该借给大学生时可以针对以上得到的权重去综合的考虑大学生的个人征信条件，再选择是否接受大学生提出的贷款申请。

2.3 评判系数的求解

Z=（0.3536 0.2062 0.1528 0.1437 0.1437）

2.4 评判结果的求解

根据所获得的信息评分表，将各个Pij的评分与其相应的权重相乘得到Ci的评分，所得结果存入10*5的矩阵Eval当中。

将所得的Eval与结果一级指标评判系数矩阵Z相乘，即可得到每位大学生的最终得分Score为：

Score=（4.1760，4.2078，3.5597，3.1390，3.0032，3.9453，3.4571，2.8651，2.9882，3.6867）

由于每一项指标的最高为5分，所以信用评价论域V={很好，好，中，差，很差}所对应的区间分别为[5，4）、[4，3）、[3，2）、[2，1）、[1，0]。从所得的结果可以分析出第一、二位大学生个人信用很好可以放心借贷给他；第三、四、五、六、七、十位大学生的个人信用中等可以选择借贷给他们；第八、九位大学生的个人信用差不适合借贷给他们。利用所得的结果再去分析他们所对应的原因，可以发现某些大学生虽然收入较多，例如第九位大学生，但是其他方面的因素较差，导致最终的个人信用一般，不值得借贷给他；而有些大学生的收入较少，例如第三位大学生，但是其他方面较为优异，使得其最终的个人信用较好，说明了不在单一的根据某一两个因素去判断个人信用，且所得到的结论与事实基本吻合。

3 结束语

本文所建立的大学生“校园贷”个人信用评估模型，只需要通过为大学生各项指标评分的方式，便可以通过模型计算得到大学生个人信用的情况。相对而言这种方式更加的方便快捷，并且可以通过定量分析的方式考虑是否应该借贷给大学生，为商业银行及各大平台提供了一定的参考价值。

然而，尽管本文使用模糊层次分析法得到Ci以及pij所对应的权重，较好的弥补了AHP在主观性方面存在的不足，但是利用模糊层次分析法所得到的结果仍然存在一定的主观性，不够客观，所以在接下去的研究内容中用什么方法可以更客观、科学的评估个人信用也将是下一步研究工作的目标。

参考文献：

[1]卢艺方，段昕昕.“校园贷”现状调查及金融、法制监管建议——以河南四所高校和两所高中为例[J].时代金融，2016，32：238-239.

[2]徐睿阳.互联网金融下京东白条个人征信模式改进探究[D].北京交通大学，2017.

[3]林庆峰.如何完善我国个人信用制度的思考[D].福州大学，2014.

[4]肖振泉.基于模糊层次分析法的职业院校学生成绩评估模型[J].轻工科技，2018，6：161-162.

[5]陈美丽，傅魁.第三方支付背景下消费者个人信用评估模型构建[J].财会月刊，2018，1：79-85.

[6]俞立超，倪双博，陈素莹，等.大学生助学贷款风险信用评估模型研究[J].大学教育，2018，1：192-195.

[7]陈国华，韦程东，蒋建初，等.数学模型与数学建模方法[M].天津：南开大学出版社，2012.

[8]宋琳.基于模糊层次分析法的P2P网贷行业风险评估研究[J].东岳论丛，2017，38（10）：96-101.