信用评分日益成为各金融机构贷款的依据,互联网征信则是对传统征信的巨大变革与挑战。由于物联网、大数据以及云计算的进步,采集互联网的用户行为数据,其数据量广泛,来源众多以及实时更新的优势可以更加全面、及时、准确的反映个人征信的特征及其变化。本文基于分析互联网的用户行为,利用AHP-模糊综合评价,建立了智能化信用评价体系模型框架。 Credit evaluation is becoming the basis of loans of various financial institutions, and Internet credit investigation is a great revolution and challenge to the traditional credit investigation. With the enormous development of the Internet of things, big data and cloud computing, the collection of user behavior data of the Internet has the great advantages of extensive data volume, numerous sources and real-time update, which can reflect the characteristics and changes of personal credit investigation more comprehensively, timely and accurately. Based on the analysis of Internet user behavior, this paper establishes the model framework of intelligent credit evaluation system by using AHP-fuzzy comprehensive evaluation.
陆诗颖1*,刘峰2*#,杜璇璇3
1长沙理工大学,湖南 长沙
2南京信息工程大学,江苏 南京
3上海大学管理学院,上海
收稿日期:2019年8月3日;录用日期:2019年8月23日;发布日期:2019年8月30日
信用评分日益成为各金融机构贷款的依据,互联网征信则是对传统征信的巨大变革与挑战。由于物联网、大数据以及云计算的进步,采集互联网的用户行为数据,其数据量广泛,来源众多以及实时更新的优势可以更加全面、及时、准确的反映个人征信的特征及其变化。本文基于分析互联网的用户行为,利用AHP-模糊综合评价,建立了智能化信用评价体系模型框架。
关键词 :智能化信用评价体系,模糊综合评价,信用评分模型,AHP-模糊综合评价
Copyright © 2019 by author(s) and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/
国内首个征信机构为上世纪30年代的中华征信所,其现代意义上的个人征信从1998年萌芽启动至今只有不到20年的时间。2015年1月5日,央行发布《关于做好个人征信业务准备工作的通知》一文中同意八家社会机构为个人征信业务试点机构 [
征信机构 | 数据来源 |
---|---|
芝麻信用 | 阿里巴巴的电商交易数据和蚂蚁金服的互联网金融数据,并与公安网等公共机构以及合作伙伴建立数据合作 [ |
腾讯征信 | 以社交信息资料为主、消费、信用卡建立的信用数据库 |
前海征信 | 基于亿级数据体量、丰厚金融风控经验的多维立体纳米评分模型 |
鹏元征信 | 多家银行、金融数据,人均收入等综资料 |
中诚信征信 | 独立的民间征信数据库和先进的电子商务平台 |
中智诚征信 | P2P网贷和互联网金融机构专门研发的反欺诈云平台 |
拉卡拉信用 | 基于拉卡拉的互联网金融数据,并与公安网等公共机构以及合作伙伴建立数据合作 |
华道征信 | 行业风险数据、三大电信商数据、公安数据 |
表1. 八家征信机构的数据来源
从以上八个机构的数据来源中可以看出,人们的网络行为多样,也因此提供了海量的相关信息,这些信息不仅能反映出用户的特质还能对用户的行为作出预测,因此分析用户的互联网行为能够帮助评估个人信用更加的公正。八个机构的分析数据普遍信息量大且参数众多,而且用户行为数据呈碎片化且实时动态变化。
网络行为信息是结构化的,但诸如音乐、图片等多媒体信息,尚未实现结构化,因为互联网行为产生的信息大多都是文本信息。虽然八大机构可以根据海量互联网数据进行行为分析,但是由于目前各征信机构尚未取得央行征信系统的准入接口,不能获取各级部门产生的如税务、工商等基本数据,同时,各征信机构之间互不相通,分割了市场的信息链 [
大数据征信相关产品的设计,多从“横向”、“纵向”两个维度进行扩展。在横向扩展中,用户覆盖面广,其数据维度能够有效转化为结构化,同时对数据进行标签化、提升稳定性与时效性的设计,从而从多角度衡量用户行为,进行用户征信分析 [
“人工智能 + 征信”则扩展了金融创新与转型升级的应用空间。人工智能一方面可以通过金融前端为客户输送更精准实时便捷的服务,另一方面,在后端的信息安全、资产管理、资产评估以及反欺诈方面也持续发挥着重大作用。
因此,持续推进智能化的信用评价体系,进一步探索大数据处理与人工智能技术在征信方面的应用,将会使得征信数据成为各平台机构的核心竞争力 [
无论是社会行为还是网络行为,其都是在动机下产生的,只有当人们产生某种需求时,才会产生相应的动机。因此基于5C模型,我们将大学生的互联网行为进行归类(如表2)。
维度 | 对应行为 |
---|---|
品质 | 网上支付、网上黑名单、信用卡违约记录、网络信用违约记录、互联网理财、社交黑名单、消费退货 |
能力 | 绩点、实习、比赛、学历、网上支付、网上购物、网上外卖、生活缴费按时、酒店预定入住、 |
资产 | 流动性资产、不动产、非理财保险 |
社交 | 社交范围、社交影响力 |
条件 | 学业成绩稳定性、网络负债额度变化、花呗支付额度变化 |
表2. 基于5C模型的网络识别
征信系统的组成部分:
1) 收集信息。包括静态信息与动态信息。静态信息如个人认证,学历认证等基本资料,而动态信息如网络购物、资产信息。这些信息都是即时更新的,随着行为的发生不断变化。
2) 处理信息。将收集来的信息转化为评估指标,在评估细则中获得其相应的分数,得到个人信用水平。
3) 使用信息。将所有收集处理的信息汇总,得到最终的个人信用分,将这些分数作为评估大学生信用的参考依据。
决策层与决策对象分为最高层、中间层和最低层。在确定各层次各因素之间的权重时,两两相互比较,对此时采用相对尺度,以尽可能减少性质不同的诸因素相互比较的困难,从而提高准确度。如对某
一准则,对其下的各方案进行两两对比,并按其重要性程度评定等级。即 a i j = 1 a j i 。
对应于判断矩阵最大特征根 λ max 的特征向量,经归一化后记为W (即层次单排序),而确认W时,则需要进行一致性检验。其中,n阶一致阵的唯一非零特征根为n;n阶正互反阵A的最大特征根 λ ≥ n ,当且仅当 λ = n 时,A为一致矩阵。由于 连续的依赖于aji,则 λ 比n大的越多,A的不一致性越严重,一致性指标用CI计算,CI越小,说明一致性越大。用 λ − n 数值的大小来衡量A的不一致程度。定义一
致性指标为: C I = λ − n n − 1 ,CI = 0,则说明有完全的一致性;CI接近于0,有满意的一致性;CI越大,不一致越严重。为衡量CI的大小,引入随机一致性指标 R I = C I 1 + C I 2 + ⋯ + C I n n 。一般情况下,矩阵阶数
越大,则出现一致性随机偏离的可能性也越大 [
以其中B1-C权重处理为例,采用几何中心平均值来处理多位专家的数据,平均后的部分数据不符合判断矩阵的数据规则,则处理为最为接近的符合要求的数值,具体结果如下所示:(见表3)
B1 | C1 | C2 | C3 | C4 |
---|---|---|---|---|
C1 | 1 | 1/2 | 2 | 3 |
C2 | 2 | 1 | 4 | 3 |
C3 | 1/2 | 1/4 | 1 | 1 |
C4 | 1/3 | 1/3 | 1 | 1 |
表3. B1-C判断矩阵
综上其具体确定的评估模型指标体系如下所示:(见表4)
个人征信模型评分T1 | 人脉关系β1 | T 2 = μ T 1 μ = α 1 β 1 + ( 1 − α 2 β 2 + β 3 ) + ( 1 − α 3 β 4 ) |
---|---|---|
偿还历史β2 | ||
消费偏好β3 | ||
基本信息β4 | ||
个人征信模型评分T2 | 行业数据α1 | |
消费能力α2 | ||
个人认证α3 | ||
总得分T | T = μ ( 1 N T 1 + N − 1 N T 2 ) (注:N为AHP2准则层的数量) |
表4. 评估模型
确定定性指标时,将每种评定分为A~E五类,A类表示该项因素有助于用户履行信用责任,能够显著证明用户具有良好信用,B类为该项因素有助于用户履行信用责任,能够证明用户具有良好信用,C类是该项因素对于用户履行信用责任没有明显作用,D项表明该项因素不利于用户履行信用责任,证明用户存在信用风险,E项则为该项因素明显不利于用户履行信用责任,显著证明用户存在信用风险。
在定量指标中,由前面所写基于5c模型的分类下的各个评定信息,根据划分相应的区间给出相应分数,如一大学生绩点为3.7,属于80~90分区间,则将给予26~39区间中的分数,依此类推,最终得到最后个人评定总分。
使用AHP模糊综合评价的方法进行基于互联网用户行为的大学生信用评价是可行的,利用AHP两两比较出其因素的重要性,得到各层次因素的权重;利用模糊综合评价分析大量模糊性用户互联网行为,最大限度降低了主观因素带来的负面影响,比普通的评价体系更为科学。
网络用户行为与其他社会行为一样,都能够反映出用户的个人信息需求,当前的互联网技术及其应用形成了一个丰富的大数据环境,而这些数据足以支持个人征信体系数据的需求。采用AHP模糊综合评价法可以使构建的模型进行计算并得出评估结果,以相应指标为基础,借助1~9比例标度法以及专家分析获得判断矩阵,求得权重,再根据模糊综合评价做出多层级模糊综合评价。
运用数据可视化技术,透过大数据的视角,将用户由孤立的个体整合为由交易、投机关系组成的神经元信息网络图谱,于每一个网络节点中可以继续向下透视分解,从而实现智能化信用评价体系的构建。
互联网征信当下还处于起步阶段,只能借助以往的理论以及模型技术来发展自身,然而网络行为与社会行为仍然存在差异,这些差异将会影响评估结果的有效性,因此,必须加强对这一问题的持续研究。
陆诗颖,刘 峰,杜璇璇. 智能化信用评价体系模型框架与设计实现Model Framework and Design Implementation of Intelligent Credit Evaluation System[J]. 金融, 2019, 09(05): 461-465. https://doi.org/10.12677/FIN.2019.95053