个人信用评分体系比较研究及其当代价值
余炫朴， 李志强， 段 梅
(江西财经大学 统计学院，江西 南昌 330013)
摘要： 随着互联网技术的快速发展，运用大数据技术于个人信用行业是必然趋势。基于大数据技术构建的个人信用评分体系常用于互联网金融机构。大数据技术的评分体系有着处理速度快、评分指标数量庞大、评分方法更新周期短、适应性强等特点。尽管大数据构架下的个人信用评分体系有着诸多优势，但传统构架下的个人信用评分体系却掌握着关键的客户历史信用数据。打破数据壁垒，加强技术创新，将传统的个人信用评分体系与大数据技术相互融合，有助于完善我国个人信用评分体系与防控金融风险。
关键词： 大数据；个人信用评分；互联网金融；比较研究
随着金融数据愈加全面，信用评分将成为科学研判金融风险的有效方法之一。个人信用评分是围绕着数据展开的，这些数据包括金融数据及生活中衍生出的大数据。近年来，互联网发展迅速，许多学者对大数据技术在信用评分中的运用研究感兴趣。《经济学人》对大数据在金融风险管理中成功应用的情况进行了统计调查，结果表明，在防范信用卡欺诈及贷款逾期方面大数据的作用尤为突出。本文对传统构架下的个人信用评分体系和大数据构架下的个人信用评分体系进行了比较研究，主要从二者的评分指标、评分方法、局限与前景四个方面进行论述，旨在为我国个人信用评分体系的改进与完善抛砖引玉。
一、现阶段个人信用评分体系
由于金融机构服务群体及构架不同，个人信用评分体系主要存在于传统构架下与大数据构架下。传统构架下的个人信用评分体系常被用于拥有大量客户金融信息的机构。而互联网金融机构及新兴的信用评分机构偏向于使用大数据构架下的个人信用评分体系。托马斯认为：“信用评分是指帮助贷款机构发放消费信贷的一整套决策模型及支持技术。”[1](p2-8)因此，不同贷款机构的个人评分体系在评分过程中使用的评分指标与方法都不尽相同。吴晶妹在其建立的吴氏三维信用论中表述，信用包含诚信度、合规度与践约度三个维度。[2](p37-40)笔者以为，无论是传统构架，还是大数据构架，个人信用评分体系都是从偿还个人贷款的能力以及个人还款的意愿这两个基本面进行考量。
曾经陷入舆论风口浪尖，经历过雾霾事件的伦敦，通过政策、品牌活动等各种宣传手段，支持文化创意产业的发展，不仅重塑了城市形象，还成为引领世界创意潮流的创意中心，被称作“国际设计之都”
(一)传统构架下个人信用评分体系
传统构架下的个人信用评分体系是以已发生的个人金融活动信息作为数据主要来源。这类个人信用评分体系以FICO评分为代表。FICO公司成立于1956年，其评分体系的权威性体现在：公司为美国三大征信局提供个人信用评分服务；为100%美国前100金融机构提供金融服务；与三分之二的全球前100银行有密切的金融业务往来；700余家保险公司是FICO的资深客户等方面。FICO个人信用评分体系首先从信用偿还历史、信用账户数量、使用信用的年限、正在使用的信用类型和新开立的信用账户五个维度采集数据，然后代入评分模型进行评分，评分结果范围在300分至850分之间，得分越高，表明客户的信用风险越低。我国传统构架下的个人信用评分体系大多存在于我国各大商业银行中，其主要数据依托于各商业银行内客户金融活动信息及中国人民银行征信中心提供的征信报告。在个人信用评分过程中，无论是FICO公司还是我国商业银行，客户均有可能为了提高自身的个人信用评分而对相关材料进行虚报或仿造，如果是这样，就大大增加了各金融机构的信用风险。
(二)大数据构架下个人信用评分体系
大数据构架下的个人信用评分体系是指以互联网中产生的非结构化和结构化数据作为主要来源，首先利用大数据技术将其处理为相关结构化数据，然后代入个人信用评价模型从而得出最终的个人信用评分。事实上，在大数据构架下的个人信用评分体系中，消费者的其他信息和行为与消费者的信用状况可能发生关联，尽管这种关联比信贷记录弱。“其他信息和行为”包括客户的身份、人脉、网络交易记录和行为偏好等。这类个人信用评分体系以Zest Finance公司的评分体系为代表。Zest Finance公司成立于2009年，该公司的优势体现在以下几个方面：评分模型中算法更新速度快；参考的数据变量达上万条；接入金融机构等第三方数据；数据处理速度极快等。我国大数据构架下的个人信用评分体系主要存在于互联网金融机构中，如芝麻信用、腾讯征信、闪银和京东金融等。目前，我国大数据架构下的个人信用评分体系数据采集几乎全部来自互联网，这些评分体系多数未能像Zest Finance公司一样接入多家第三方金融机构的数据，致使最终评分的准确性未能达到国外顶级水准。
二、评分指标比较研究
(一)传统构架下个人信用评分指标
现阶段，互联网技术迅速发展，在发展过程中产生了海量结构化与非结构化的数据。为了高效、准确地处理这些海量数据，国内外学者们开始将目光转向使用大数据方法优化个人信用评分体系。在这些大数据技术中，人工神经网络、支持向量机与K近邻判别分析被诸多国内外学者证明分类性能优秀。混合模型更是现阶段国内外学者对个人信用评分方法研究的重点领域。
据调查显示，43%的学生每天的英语课外阅读时间不足10分钟。高中生对英语阅读缺乏兴趣，其阅读来源多为课本和习题，如完形填空、阅读理解等，多出于应试目的，很少迎合学生自身的兴趣。
2.支持向量机
表 1建行个人信用卡信用评分指标
(二)大数据构架下个人信用评分指标
如上所述，在大数据构架下的个人信用评分体系中，客户的所有数据均与其信用状况相关，尽管一些数据与信用呈弱相关性。因此，这类个人信用评分体系评分指标的构成十分丰富，指标数量也极其庞大。构架一套大数据视阈下的个人信用评价体系必须“遵循严谨的建构思路、架设合理的评价指标”。[4]国外大数据构架下的个人信用评分体系以Zest Finance为例，其数据来源不仅包含了传统信用评价中的结构数据，还导入了大量的非结构数据，如客户的房屋缴纳记录、网络购买行为、社交记录等。庞大的数据来源致使Zest Finance的评价指标繁多，数量多达七万多个。国内大数据构架下的个人信用评分体系以芝麻信用为例，其评分指标分为五类：基本信息类指标、消费偏好类指标、支付和资金类指标、人脉关系类指标和黑名单信息类指标。每种类别下面都包含了数量繁多的次级评分指标。从表2我们可以明显看出，大数据构架下的个人信用评分体系在评分指标数量、特征、数据类型与数据来源等方面覆盖面更广，并且更加多元化，但评分指标数量的多少并不是决定个人信用评分体系优劣的单一因素。
表 2不同构架下评分指标对比
三、评分方法的比较
(一)传统构架下个人信用评分常用方法
在进行个人信用评价的过程中，学者们过去通常采用传统的统计学方法。其中，线性判别分析、逻辑回归分析、多元自适应回归样条、决策树、贝叶斯模型、马尔可夫模型等多种统计方法被国内外学者进行组合后形成新的组合预测模型。在上述方法中，线性判别分析及逻辑回归分析最为常见。Iain Brown，Christophe Mues(2012)通过实验证明，线性判别分析及逻辑回归分析与更复杂的技术相比较是具有竞争力的，即使在样本变得更加不平衡的情况下，这种竞争力并未衰退。[5]
其中，假设有一个二值变量y ，y =0表示“好”客户，y =1表示“坏”客户。其中，β 0，…β n ，是需要估计的模型参数，P =p (y =1)表示事件发生的概率，1-P =1-p (y =1)=p (y =0)表示事件不发生的概率，
是发生概率与不发生概率的比值，称之为相对风险。Logistic回归分析也将线性回归分析得出的较大的数值压缩到0与1之间。而在个人信用评分的应用中，p =p (y =1)是最终需要计算的概率。[10](p251-266)
线性判别分析是一种较早用于个人信用风险评估的统计学方法，它是通过将高维数据投影到一条直线上，使多维空间中样本的特征降为一维特征。LDA的任务就是确定最佳的高维数据投影方向，使得同类样本的投影点尽可能地接近，异类样本的投影点尽可能地远离。在对新的样本进行分类时，将这些数据投影在之前确定的直线上，根据投影点的位置来判断新样本的类别。[6]
线性判别分析函数如下：
y (x )=c 1x 1+c 2x 2+…+c p x p =c ′x
其中，在样本集中，每个样本都具有p 个指标。x p 代表了客户的p 种特征变量，C p 代表了p 种变量的判别系数。线性判别分析的本质是分类方法，国内外许多学者在线性判别分析的基础上进行优化与结合。王晓慧通过实验证明，混合判别分析(HDA)在性能上优于线性判别分析与主成分分析(PCA)。[7]向晖，杨胜刚将支持向量机与线性判别分析结合起来构建了SVM-LDA组合模型，经过试验证明，该模型提高了信用预测的精度及稳健性。[8]
寻找不一样的“草本”。百雀羚确立了品牌属性即“本草护肤品”后，百雀羚接下来做的是在品牌属性的基础上进行演绎，重点是进行品牌定位以区隔佰草集、相宜本草等同属性品牌。佰草集的“自然、平衡”理念和相宜本草的“内在力外在美”理念，从严格意义上来说，是一个比较宽泛的诉求，难以形成强有力的定位。在品牌定位上百雀羚比佰草集和相宜本草更聚焦，“天然不刺激”的“温和护肤”诉求更清晰更直白，更容易被消费者理解。如果说佰草集和相宜本草耍的是品牌太极，百雀羚耍的则是品牌截拳道，更具有实战意义。
2.逻辑回归分析
由于高压开关柜通常工作于发电厂、变电站或工厂车间等不同场所,因此放电声事件检测的效果受环境影响较大。为此,本文设计实验来验证所提特征的鲁棒性。测试数据为原始数据叠加不同信噪比(0 dB、5 dB、10 dB、15 dB、20 dB、25 dB、30 dB)的噪声。噪声来自于标准噪声库NoiseX-92,主要类型包括白噪声、粉红噪声和工厂噪声。
4.混合模型
逻辑回归的概率函数表达如下：
1.线性判别分析
(二)大数据构架下个人信用评分方法
如上文所述，不同的金融机构其个人信用评分体系所采用的方法不尽相同，由于篇幅所限，下文所述将以国内外具有权威性与代表性的个人信用评分体系为例。在评分指标选择上，国外传统构架下的个人信用评分体系以FICO为例，采用的是五维评分指标。这五个维度及权重分别为信用偿还历史(35%)、信用账户数(30%)、使用信用的年限(15%)、正在使用的信用类型(10%)和新开立的信用账户(10%)。总体来说，FICO个人信用评分体系主要是输入客户的历史信用信息，经过自主研发的评分模型分析后对客户未来的信用状况得出不同的期望。
20世纪80年代以来，长江流域社会经济快速发展，受流域人类活动的叠加累积影响，长江水生态总体呈退化趋势。
1.人工神经网络
生物神经网络中的信息是在不同层级的神经元之间进行传导的。而人工神经网络是一种通过模仿生物神经网络传导特征进行分布式信息处理的算法数学模型。杨胜刚等认为人工神经网络在个人信用评价中的基本原理是：“对线性组合后的特征变量进行非线性变换，然后再利用循环线性组合、非线性变换的方法充分逼近任意复杂的非线性关系。”[11]人工神经网络按照拓扑结构分类分为前向网络和反馈网络。其中常用于个人信用评价的人工神经网络方法是误差反向传播算法，简称 BP 网络算法。BP神经网络算法也是前向网络中最为常见的一种。BP神经网络模型的拓扑结构包括输入层(input)、隐含层(hide layer)和输出层(output layer)。基于BP神经网络个人信用评价的具体算法过程大致可分为六个阶段(如图1所示)。
图 1 BP神经网络算法过程
神经网络在个人信用评分及其他行业被国内外学者证明优于早先的判别器。Fanning，Cogger and Srivastava(1995)使用神经网络建立了一种管理欺诈判别器，实验表明，神经网络判别函数优于早期基于逻辑回归分析的判别函数。[12]
相较于国外对个人信用评分研究，我国起步略晚。效仿国际前沿评分指标选择方式，我国传统构架下的个人信用评分体系也采用了五维指标法(以中国建设银行为例)。不同于FICO公司，建行个人信用评价分为个人消费贷款信用评定及个人信用卡信用评分两大类。前者是建设银行信贷部门通过对客户资格、能力、收入、工作环境和与银行的关系五个维度进行信用评定，最终结果以等级的形式呈现，从高至低依次分为：AAA、AA、A、BBB、BB、B、C。[3](p129-140)信用等级决定了建行最终是否为客户发放贷款及贷款额度。个人信用卡信用评分则由建设银行信用卡中心负责，其评分指标由3项一级指标与14项二级指标构成(见表1)。
支持向量机(SVM)是一种基于统计学理论的分类模型，其核心思想是：“把原数据空间通过非线性变化，变化到某一高维的特征空间，然后在这个高维空间中求取一个最大分类间隔超平面。”[13]支持向量机的优点在于：当原始线性样本不可分的时候，将该类样本映射到高维空间时，利用核函数的展开定理可以在一定程度上避免“维数灾难”。SVM中常用的四种核函数是线性核、多项式核、径向基核函数和高斯核。
(2) ∀x,R, ∀a,L, σxK R/σσy⟹σaxK R/σσay, τaL*L /ττb⟹τaxL*L /ττbx,则(σ,τ)称为S上的好同余对。在此情况下,定义S上的关系ρ(σ,τ)为
相较于传统的统计学方法及模型，人工智能算法在大数据时代下处理海量数据样本具有一定的优势。但是在实际研究过程中，各类人工智能算法都有着自己独特的优劣性和环境适应性，国内外学者在个人信用评分领域里不断地尝试构建新的混合模型，提升预测及评分的准确率。通过对比试验，肖智和李文娟基于粗糙集与BP神经网络算法而构建的RS-ANN模型有效地避免了神经网络信用评分模型中训练时间长及其网络结构复杂的缺陷。[16]杨胜刚等将决策树方法与BP神经网络相结合构成了一个新的组合模型，同时将其运用于个人信用评分中，实验证明，该组合模型比单一的BP神经网络的测试正确率高出近3%。[11]戴德宝等在SVM方法的基础上，结合K-means聚类方法提出了新的个人信用评价组合模型，实验证明，该模型不仅能够实现对个人信用状况的二分类，还能提升二分类的精度，从而实现对个人信用风险进行等级划分。[17]在个人信用评价混合模型的构建过程中，我们将其分为三个阶段：特征选择、模型参数的确定和模型参数的分类。特征选择限制了输入特征的数量，提高了预测和评价精度，降低了计算复杂度。由于具有更好的抗变换性和解释能力，统计方法经常被用于特征选择。研究人员查阅、分析、对比了大量的相关文献，结果表明，人工神经网络和SVM是最有效的两种分类器，因此，它们都适用于分类阶段。此外，遗传算法和粒子群优化算法常用于模型参数的优化。[18]
3.K近邻判别分析
K近邻判别分析是一种常见的非参数判别方法。简单地说，K近邻判别分析是通过测量不同特征值之间的距离来进行分类的。其工作原理是：存在一个训练样本集，并且样本集中每个数据都存在标签，输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，最后提取样本集中最近邻的分类标签。在K近邻判别分析中，K值的选择会对最后的输出分类结果产生较大的影响。较小的K值容易发生过拟合；较大的K值虽然可以减少学习的估计误差，但是学习的近似误差增大，致使预测发生错误。因此，对于最优K值的选择，通常先选择一个较小的K值，然后再进行交叉验证。当训练实例数趋向于无穷K=1 时，则误差率不会超过二倍的贝叶斯误差率，如果K也趋近于无穷，则误差率趋近于贝叶斯误差率。姜明辉等将一个小样本集数据代入基于K近邻判别分析的个人信用评分模型进行了验证，实验结果表明，该方法可以用于个人信用评分，但在应用中应注意分类风险及维数祸根问题。[15]
Design of Improved ADRC for Drum Water Level Regulation of Ship Boiler
Logistic回归分析通常用于处理因变量是分类变量的回归问题。逻辑回归也是一种常用于二分类问题的统计学方法。在一些个人信用评分模型中，因变量是二值变量，故可视作为“好”客户与“坏”客户。[9]
在应用大数据构架下的个人信用评分体系时，不仅需要考虑评分结果的准确性，同时也需要考虑其计算速度、成本、简易程度等其他性能因素。陆爱国等借鉴SMO算法思想提出了一个基于三变量的改进的支持向量机算法，实验结果表明，该算法既提高了分类精准程度也节省了计算代价。[14]
四、个人信用评分体系的局限
(一)传统构架下个人信用评分体系的局限性
传统构架下与大数据构架下的个人信用评分体系在评分指标与评分方法上存在着很大的差异，这种差异性致使各自在实际应用中的局限性也不同。传统构架下的个人信用评分体系常用于商业银行及金融活动频繁的机构，它注重客户过去产生的相关金融活动数据，忽视了客户生活中产生的数据，如客户贷款后资金流动去向、信用卡消费去向、社交数据及网络购买行为。这些数据在一定程度上体现了消费者的信用状况，不应当被忽视。对于未发生金融行为的新客户，传统构架下的个人信用评分体系的局限性尤为突出。若按照FICO五维评分指标进行数据搜集，这类新客户几乎无法提供相关信用数据。我国商业银行信用卡中心面对这类客户往往需要其提供更多的资金支撑材料，从而为客户进行个人信用评分来确定其可支配的信用额度。资金支撑材料多数属于证明材料，这样一来，部分客户会为获得更高的个人信用评分提交造假材料。这类事件发生的可能性为商业银行带来了一定的信用风险。
精心打造以在职党支部书记、在职党员、离退休党支部、离退休党员为主要框架的网络党员管理服务队伍，在职党员在党支部的领导下分片包干，参与离退休党支部工作，了解老党员、老同志信息，掌握他们的思想动态，引导他们开展互帮互助，重点关注鳏寡孤独群体，成立“邻里守望”、“低龄帮高龄”等志愿组织，及时发现问题，帮助老同志提升退休生活品质。
(二)大数据构架下个人信用评分体系的局限性
大数据构架下的个人信用评分体系的评分指标数据多数来源于互联网。“基于互联网+、大数据与云计算等技术，人们将以更为动态与精准的方式运营生产与管理生活，进而实现‘智慧’状态。”[19]不同于传统构架下的个人信用评分体系的评分指标数据的收集，互联网中产生的各类相关数据是通过大数据技术抓取、过滤筛选后收集起来的。收集的互联网数据具有较强的真实性与实时性。对于缺乏信用历史的这类客户，大数据构架下的个人信用评分体系有着得天独厚的优势，当然也存在着局限性：因未接入可靠银行等权威金融机构的数据，故所得出的个人信用评分结果无法支撑涉及借贷金额较大的个人信用服务。因此，现阶段大数据架构下的个人信用评分体系常用于互联网金融机构的P2P业务。两种构架下的个人信用评分体系由于各自的特点，适用于不同领域的个人信用服务。
(三)个人信用评分体系的前景
Brigit Helms认为，普惠金融体系是唯一能够帮助贫困及低收入人群的唯一途径，并且应采取多样化的渠道进行。[20](p16)大数据构架下的个人信用评分体系对于新进入个人信用服务的客户具有较强的接纳能力。此类构架下的个人信用评分体系能够为使用互联网的贫困及低收入人群提供基础的个人信用服务，是构建普惠金融体系的途径之一。然而，传统构架下的个人信用评分体系在缺少历史信用数据时，需要大数据构架下的个人信用评分体系进行补充。张晶认为，传统的信用评分模型过分依赖于客户的历史金融信息，而在传统数据缺失的情况下大数据技术能够保障信用评分继续进行。[21]笔者认为，将传统构架下与大数据构架下的个人信用评分体系相融合，可为个人信用行业健康发展及金融风险控制提供巨大的帮助。在中国，百行征信的出现为不同架构下的个人信用评分体系的融合提供了可能性。百行征信的建立将打破数据不互通的壁垒，其“共商、共建、共享、共赢”的理念也为研究信用评价的学者们带来新的机遇，同时为大数据技术在个人信用评价中的研究奠定了坚实的基础。
水表和人们的生活密切相关，常见水表是由壳体、套筒、内芯三个部分组成。在日常使用中，水表的计量性能和安装环境、使用条件、管网水质等密切相关。以下结合实践，探讨了计量准确度的影响因素和改进对策。
五、结语
不同的视角其评价体系是不同的，如基于财务管理视角，人们通常分析其商业的“盈利指数、偿债指数、发展指数和营运指数”，[22]为了检验商业银行杠杆率对其信用风险的影响，人们采用“动态面板模型的两阶段系统GMM估计方法”，[23]而笔者研究的则是个人评分体系。传统构架下的个人信用评分体系重视客户的历史金融信息，其评价指标较为固定，评价方法多采用线性判别与逻辑回归。随着互联网技术的快速发展，互联网中产生了与个人信用评分相关的海量异构、多样化及交叉互补的数据。这些数据包含用户的身份特征、人脉关系、信用记录以及行为偏好等。因此，更多的金融机构及国内外学者开始深入研究大数据技术在个人信用评分中的应用。大数据构架下的个人信用评分体系可以在缺乏客户历史金融信息的情况下，依托互联网产生的数据进行信用评分。它的评价指标数量远远大于传统构架下的个人信用评分体系，评分方法多采用人工智能技术。不过两者的局限性也较为明显。传统的体系对新的数据处理能力较差，大数据构架下的体系往往缺乏重要的历史数据。因此，两者相互融合、相互补充，既能满足我国防范系统性金融风险，加快推进金融业综合统计与保障社会经济稳定发展的要求，也能在实现普惠金融系统的道路上更进一步。百行征信的成立为实现两种构架下的个人信用评分体系相互融合奠定了坚实的基础。
参考文献：
[1]〔美〕托马斯.信用评分及其应用[M].王晓蕾译.北京：中国金融出版社，2005.
[2]吴晶妹，薛 凡.吴氏三维信用理论在科技信用评价中的应用[J].科学管理研究，2016，(3)：37-40.
[3]武安华.商业银行个人信用评分研究[M].北京：中国金融出版社，2015.
[4]梁成艾，陈 剑.武陵山区农村劳动力就业能力提升评价指标体系研究[J].江西师范大学学报(哲学社会科学版)，2018，(2)：93.
[5]Iain Brown，Christophe Mues.An Experimental Comparison of Classification Algorithms for Imbalanced Credit Scoring Data Sets[J].Expert Systems With Applications ，2012，(39)：3446-3453.
[6]徐少锋.FISHER判别分析在个人信用评估中的应用[J].统计与决策，2006，(2)：133-135.
[7]王晓慧.线性判别分析与主成分分析及其相关研究评述[J].中山大学研究生学刊(自然科学、医学版)，2007，(4)：50-61.
[8]向 晖，杨胜刚.消费者信用评估的SVM-LDA组合模型[J].消费经济，2010，(1)：54-56.
[9]胡 滨.逻辑回归在个人信用评估模型上的运用[J].信息与电脑(理论版)，2011，(3)：118-119.
[10]Hosmer，D.W.& Stanley L.Applied Logistic Regression (2nd ed .)[M].Chichester，New York：Wiley，2000.
[11]杨胜刚，朱 琦，成 程.个人信用评估组合模型的构建——基于决策树—神经网络的研究[J].金融论坛，2013，(2)：57-61+67.
[12]Fanning，K.，Cogger，K.O.& Srivastava，R.Detection of Management Fraud：A Neural Network Approach[J].Intelligent Systems in Accounting Finance and Management ，1995，(4)：113-126.
[13]杨春霞，王 妍，朱鹏渭.基于改进果蝇算法优化SVM的个人信用风险评估[J].金融理论与实践，2017，(5)：46-51.
[14]陆爱国，王 珏，刘红卫.基于改进的SVM学习算法及其在信用评分中的应用[J].系统工程理论与实践，2012，(3)：515-521.
[15]姜明辉，王雅林，赵 欣，黄伟平.k-近邻判别分析法在个人信用评估中的应用[J].数量经济技术经济研究，2004，(2)：143-147.
[16]肖 智，李文娟.RS-ANN在消费信贷个人信用评估中的实证研究[J].软科学，2011，(4)：141-144.
[17]戴德宝，倪立平，薛 铭.基于k-means和SVM的银行个人信用评估应用[J].江苏科技大学学报(自然科学版)，2017，(6)：836-842.
[18]Xiao-Lin Li，Yu Zhong.An Overview of Personal Credit Scoring：Techniques and Future Work[J].International Journal of Intelligence Science ，2012，(2)：181-189.
[19]刘国城，杨丽丽.大数据下“互联网+智慧教育”安全审计模式研究[J].东北师大学报(哲学社会科学版)，2018，(5)：111.
[20]Brigit Helms.Access for All ：Building Inclusive Financial Systems [M].World Bank Publications，2006.
[21]张 晶.大数据时代个人信用评分的新趋势[J].征信，2017，(12)：7-12.
[22]朱兆珍，毛宪钧，张家婷.商业模式评价指标体系及指数构建——基于财务管理视角[J].东南大学学报(哲学社会科学版)，2018，(2)：70-80.
[23]马 斌，范 瑞.杠杆率监管对我国上市商业银行信用风险的影响——基于动态面板模的系统GMM估计[J].经济问题，2019，(1)：41-47.
A Comparative Study of Personal Credit Scoring Systems and Its Contemporary Value
YU Xuanpu， LI Zhiqiang， DUAN Mei
(School of Statistics，Jiangxi University of Finance and Economics，Nanchang，Jiangxi 330013，China)
Abstract ：With the rapid development of internet technology，the application of big data technology in personal credit industry is an inevitable trend.Personal credit scoring systems based on big data technology are often used in internet financial companies.Compared with traditional personal credit scoring systems，it is found that the scoring system based on big data technology has the characteristics of fast processing speed，large number of scoring indicators，short update cycle of scoring methods and strong adaptability.Although the personal credit scoring system under the big data framework has many advantages，the personal credit scoring system under the traditional framework grasps the key customer historical credit data.Breaking the data barrier，strengthening technological innovation and integrating the traditional personal credit scoring system with big data technology will help improve our personal credit scoring systems and control financial risks.
Key words ：big data；personal credit scoring；internet finance；comparative study
中图分类号： F222.1
文献标识码： A
文章编号： 1000-579(2019)04-0138-07
收稿日期： 2019-02-26
基金项目： 2016年国家自然科学基金委员会资助项目“复杂性视角下民生系统的综合评价研究——以江西为例”(编号：71663024)；教育部人文社会科学研究青年基金项目“经济政策不确定性、时变的菲利普斯曲线与货币政策有效性”(编号：17YJC790028)；软科学研究计划一般项目“江西省高校协同创新机制及项目绩效评价研究”(编号：20161BBA10071)
作者简介：
余炫朴(1991-)，男，江西南昌人，江西财经大学统计学院博士研究生。研究方向为应用统计学。
李志强(1965-)，男，江西南昌人，江西财经大学统计学院教授、博士生导师。研究方向为应用统计学。
段 梅(1988-)，女，江苏淮安人，经济学博士，江西财经大学金融学院讲师。研究方向为公司金融。
(责任编辑：余小江)
标签：大数据论文; 个人信用评分论文; 互联网金融论文; 比较研究论文; 江西财经大学统计学院论文;