時 晨

(1.西安交通大學(xué) 經(jīng)濟與金融學(xué)院，陜西 西安 710061；2.陜西金融控股集團，陜西 西安 710077)

一、引 言

為抓住互聯(lián)網(wǎng)金融發(fā)展機遇和廣闊的市場空間，陜西省于2015年啟動了“秦云工程—金融云”平臺(以下簡稱金融云平臺)的建設(shè)，依托大數(shù)據(jù)、云計算、區(qū)塊鏈技術(shù)等技術(shù)，構(gòu)建涵蓋中小金融機構(gòu)數(shù)據(jù)中心云托管、小額抵押貸款風險監(jiān)管平臺、互聯(lián)網(wǎng)金融普查、區(qū)域跨金融實體的整體信用風險聯(lián)動偵測等互聯(lián)網(wǎng)金融生態(tài)圈，力爭實現(xiàn)金融的互聯(lián)網(wǎng)與互聯(lián)網(wǎng)金融化的交互發(fā)展，并不斷地拓寬金融服務(wù)的覆蓋深度和廣度。整體來看，金融云平臺以信用為核心，以技術(shù)為手段，通過整合各方資源稟賦，特別是數(shù)據(jù)信息，并充分發(fā)揮各類場景應(yīng)用的特點，為企業(yè)提供更加豐富、便捷的普惠金融服務(wù)，有效地實現(xiàn)了金融要素與互聯(lián)網(wǎng)的融合，構(gòu)建了金融業(yè)發(fā)展的新通道，形成了新的金融業(yè)生態(tài)。以金融云平臺等為代表的互聯(lián)網(wǎng)金融新業(yè)態(tài)最大的特點是賦予了普惠金融新的生命力和發(fā)展空間，提升了金融服務(wù)長尾效應(yīng)的廣度和深度。要實現(xiàn)金融普惠服務(wù)的關(guān)鍵必須是對各類客戶，特別是中小企業(yè)的信用進行有效的評價，方能為創(chuàng)新和發(fā)展互聯(lián)網(wǎng)金融，擴展其服務(wù)內(nèi)涵提供基礎(chǔ)保證。因此，金融云平臺在發(fā)展過程中須以信用評價為核心，通過有效的評價體系和方法降低信息不對稱，減少逆向選擇和道德風險，方可實現(xiàn)普惠金融的目的。從普惠金融的角度來看，依據(jù)中小企業(yè)客戶的信用數(shù)據(jù)，準確評價信用存量和信用結(jié)構(gòu)，可以有效確定金融服務(wù)的廣度和深度，三者之間存在遞進關(guān)系。但是，目前由于信用評價體系和方法都在探索之中，在一定程度上造成了信息價值的殘缺性，使得信用數(shù)據(jù)、信用存量(價值)、金融服務(wù)三者之間出現(xiàn)斷裂，很難普惠金融服務(wù)得到有效提升。

金融云平臺要兌現(xiàn)普惠金融的目的是必需基于自身網(wǎng)絡(luò)化連續(xù)運營需求和中小企業(yè)客戶，特別是在互聯(lián)網(wǎng)時代下的信用信息數(shù)據(jù)生成處理特點，不斷革新方法，對多元化的信息流和數(shù)據(jù)流進行分析，消除信息孤島，構(gòu)建一套行之有效的信用評價體系，實現(xiàn)信用歸集整合，并以直觀化的信用評價指數(shù)呈現(xiàn)，使得中小企業(yè)客戶的真實信用狀況能夠?qū)崿F(xiàn)更加精確的刻畫和評價，進而為其提供相應(yīng)的金融服務(wù)。為此，本文將結(jié)合互聯(lián)網(wǎng)金融發(fā)展的特點和趨勢，圍繞互聯(lián)網(wǎng)信用的核心功能，對目前信用評價的研究現(xiàn)狀進行客觀評述，分析目前常見的互聯(lián)網(wǎng)信用評價方法和體系的優(yōu)劣勢，提出基于數(shù)據(jù)可用性的BP神經(jīng)網(wǎng)絡(luò)信用評價模型方法。具體來說，就是結(jié)合金融云平臺的發(fā)展實際，建立了相應(yīng)的信用評價指標體系，通過主成分分析法、變異系數(shù)法進行各自篩選，以其交集指標形成數(shù)據(jù)可用性條件下的指標體系，運用BP神經(jīng)網(wǎng)絡(luò)信用評價模型對金融云平臺部分數(shù)據(jù)進行經(jīng)驗分析。

二、 文獻回顧

關(guān)于信用評價本質(zhì)上是一個模式識別問題，即確定被評測的企業(yè)或者個人的履約程度和履約意愿，其以降低信息不對稱和交易成本為初衷，評判信用風險和相應(yīng)信用價值增值服務(wù)的大小。目前，常見的信用評價方法眾多，有以統(tǒng)計學(xué)為主的評價方法，如K-近鄰判別分析法、貝葉斯概率方法、層次分析法、Logistic回歸等，還有以人工智能方法為主的評價方法，如支持向量機評價法、遺傳算法等。Durand[1]最早將K-近鄰判別分析方法運用到信貸評價之中，奠定了信用評價從定性向定量轉(zhuǎn)化的基礎(chǔ)。姜明輝等[2]建立了基于K-近鄰判別分析法的信用評價模型，完善了商業(yè)銀行信用評價體系，并以小樣本數(shù)據(jù)進行實證研究，得出該方法具有可靠性和適用性的結(jié)論。Henley和Hand[3]運用K-近鄰判別分析法，對消費信貸的風險評價開展了研究，得出了較為可靠的結(jié)果。丁東洋等[4]從模型構(gòu)建、估計方法及模型綜合運用等多個方面系統(tǒng)地分析了貝葉斯方法在信用風險度量中的應(yīng)用。依米提[5]利用累計Logistic回歸法對部分上市公司的信用評級進行了研究，結(jié)果表明，該模型能夠較為客觀準確地對信用等級進行評價，實現(xiàn)了評價動態(tài)和靜態(tài)的有效融合。王俊峰和吳海洋[6]引入基于TOPSIS法的評價方法構(gòu)建了14項信用評價體系，同時運用拉格朗日模型對指標權(quán)重進行求解，通過B2C部分數(shù)據(jù)驗證了該方法的科學(xué)性和有效性。蔣翠清等[7]結(jié)合目前網(wǎng)絡(luò)信貸發(fā)展的最新趨勢，提出了改進的Adaboost信用評價方法，解決了分類精度和誤分代價等問題，提升了信用評價結(jié)果的有效性。張娟和張貝貝[8]結(jié)合信用評價過程中的變量維數(shù)較多及分布不均勻等現(xiàn)實問題，引入了半?yún)?shù)廣義可加模型進行系統(tǒng)分析，同時運用Group Lasso方法來進行變量選擇和估計，通過研究得出，該方法在信用整體識別預(yù)測能力及解釋性方面均有很大的適用性。李毅等[9]通過構(gòu)建決策樹、支持向量機及隨機森林模型，對互聯(lián)網(wǎng)個人信用進行了實證研究，結(jié)果表明，對于互聯(lián)網(wǎng)大數(shù)據(jù)背景下的信用評價具有較好的操作性和可行性。

整體來看，上述提及的信用評價方法都具有一定的預(yù)測能力，但或多或少都存在一定程度的缺陷，并無法與互聯(lián)網(wǎng)金融發(fā)展的實際狀況實現(xiàn)有效匹配。第一，上述方法涉及指標維度眾多，輸入數(shù)據(jù)的位數(shù)過高等，直接導(dǎo)致計算工作量大幅增加，使得相應(yīng)的評價速度變得緩慢，評價結(jié)果主觀隨意性較大[10]。第二，部分方法如貝葉斯概率方法等存在分類風險和維數(shù)禍根的問題，特別是在高維空間中仍顯得非常稀疏，離散度高，絕大多數(shù)點附近根本沒有樣本點，這使得利用空間中每一附近的樣本點來構(gòu)造估計的近鄰法很難使用，因而其適用性不高[11]。第三，許多指標體系在權(quán)重確定時主觀隨意性大，有可能出現(xiàn)超模糊現(xiàn)象，最終會使得評價結(jié)果的可信度有所降低，加之在互聯(lián)網(wǎng)金融背景下，上述研究對中小企業(yè)客戶的互聯(lián)網(wǎng)行為數(shù)據(jù)考慮有所欠缺，使得實用性大幅降低。而目前的研究則更應(yīng)將中小企業(yè)在現(xiàn)實社會和網(wǎng)絡(luò)上所留存的場景信息痕跡有效刻畫和收集，以大數(shù)據(jù)為支撐，打通信息孤島，形成信息集合，輸出信用動態(tài)性評級結(jié)果，并據(jù)此提供個性化和差異化的金融服務(wù)，最終實現(xiàn)信用產(chǎn)生價值的閉環(huán)生態(tài)價值鏈[12]，同時考慮到神經(jīng)網(wǎng)絡(luò)方法能夠有效實現(xiàn)從信用數(shù)據(jù)輸入到信用結(jié)果輸出的映射功能，以及較好的自學(xué)習、推廣和概括能力等特點，這為本文構(gòu)建新的信用評價方法提供了更多的空間。因此，本文將在前人研究的基礎(chǔ)上，依托金融云平臺，對現(xiàn)有的評價方法進行重構(gòu)、融合，將在信用指標數(shù)據(jù)二次篩選的基礎(chǔ)上，發(fā)揮人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，對海量龐雜的信用數(shù)據(jù)進行模擬，實現(xiàn)有效的識別和預(yù)測，對相應(yīng)的企業(yè)進行刻畫，反應(yīng)其真實的實時信用存量(價值)，進而為后續(xù)金融增值服務(wù)和風險防范提供支撐。

三、互聯(lián)網(wǎng)金融云平臺中小企業(yè)客戶信用評價模型構(gòu)建

(一)評價指標體系的構(gòu)建

目前，互聯(lián)網(wǎng)金融企業(yè)信用評價指標體系的選擇尚未有統(tǒng)一的標準，各種體系根據(jù)其評價的目的均有一定的偏好性和相對的適應(yīng)性。比如Tan和Sutherland[13]通過構(gòu)建信用傾向、人機信用、互聯(lián)網(wǎng)環(huán)境維度等來研究信用問題。美國FICO評分系統(tǒng)主要用于個人消費信貸評價，其包含了信用償還歷史、信用賬戶數(shù)、使用信用的年限、正在使用的信用類型和新開立的信用賬戶等五大指標體系，并在各指標體系下包含多個維度的二級指標。加拿大政府推廣的電子商務(wù)個人交易者的評價計劃，構(gòu)建了包括個人資產(chǎn)、網(wǎng)絡(luò)交易、貸款情況等數(shù)十個指標項的評分體系。作為互聯(lián)網(wǎng)信用評價的實踐者，阿里巴巴構(gòu)建了基于自身業(yè)務(wù)的信用評價維度，包括交易行為、退款行為、維權(quán)行為、評價行為、賬戶數(shù)量、物流信息、會員信息和信用記錄等八個維度，較為全面地刻畫了賣家在網(wǎng)絡(luò)上的信用行為和軌跡，但是，由于其具有生態(tài)的封閉性，加之與傳統(tǒng)征信的共享機制欠缺，使得信用結(jié)果的認可度和應(yīng)用廣度不足?？傮w來看，現(xiàn)有的信用評價指標體系雖都以信用評價為基礎(chǔ)，但是都存在模式單一、數(shù)據(jù)離散、共享機制欠缺以及指標評價體系不夠完善等問題，直接導(dǎo)致了信用結(jié)果的失真、成本較高以及各方信息嚴重不對稱，在一定程度上很難反映企業(yè)的信用真實軌跡。參照國內(nèi)外互聯(lián)網(wǎng)企業(yè)信用評價的研究成果和應(yīng)用實踐，按照全面性、可行性、系統(tǒng)性、完整性和可得性等原則，在綜合了現(xiàn)行各類評價指標體系優(yōu)點的基礎(chǔ)上，結(jié)合全國信用評級協(xié)會制定的信用評級指標體系，充分發(fā)揮金融云平臺作為政府工程的優(yōu)勢，在數(shù)據(jù)共享的基礎(chǔ)上，構(gòu)建了金融云平臺企業(yè)信用評價綜合指標體系，如表1所示。

表1 金融云平臺企業(yè)信用評價綜合指標體系

(二)信用指標有效性篩選

在進行BP神經(jīng)網(wǎng)絡(luò)信用評價模型構(gòu)建之前，必須解決數(shù)據(jù)可用性的問題，大數(shù)據(jù)環(huán)境下企業(yè)數(shù)據(jù)的價值密度、價值數(shù)據(jù)的可提取性、已提取價值數(shù)據(jù)的可用性，成為金融云平臺數(shù)據(jù)整合、分析、探索和挖掘的重要內(nèi)容。大數(shù)據(jù)可用性必須要挖掘其生產(chǎn)要素性、數(shù)據(jù)恒溫性、價值潛在性三個主要屬性，并在此基礎(chǔ)上形成動態(tài)的數(shù)據(jù)篩選模式。為此，本文首先要解決實現(xiàn)數(shù)據(jù)的可用性和指標的初步選擇。目前，關(guān)于數(shù)據(jù)可用性篩選的方法前人已經(jīng)做了大量的研究工作，并取得了值得借鑒的成果和應(yīng)用效果。比如周曉彧[14]通過主成分分析法對其構(gòu)建的中小企業(yè)的信用風險評級體系進行了初步篩選，然后運用Logit模型對相關(guān)企業(yè)進行了信用評價。周立斌等[15]通過實例分析了R聚類方法、變異系數(shù)方法在指標篩選的差異性和可行性，指出兩種方法在指標可用性方面都具有高度的擬合度。整體來看，為確保數(shù)據(jù)的可用性，其篩選的方法較多，每個方法的目的都是剔除一些相關(guān)性不大的指標，但是，由于每種方法均有一定的局限性，因此，為了更好地實現(xiàn)數(shù)據(jù)的可用性和指標篩選，筆者將運用上述的主成分分析法、變異系數(shù)法、R聚類法等實現(xiàn)數(shù)據(jù)可用性的方法，對指標體系進行篩選，根據(jù)各自方法最后形成新的指標體系I1和I2，然后尋求I1與I2的共性交集指標，即Inew=I1∩I2,最終形成數(shù)據(jù)可用性下的新的信用評價指標體系，這也是我們對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化改進的創(chuàng)新點之一。指標篩選計算步驟如下：

步驟一：主成分分析法的指標篩選

步驟二：基于變異系數(shù)方法的指標篩選

步驟三：通過兩種方法對數(shù)據(jù)可用性進行處理，然后構(gòu)建指標體系的交集Inew=I1∩I2，Inew即為在數(shù)據(jù)可用條件下的新指標體系。

(三) BP神經(jīng)網(wǎng)絡(luò)信用評價模型的構(gòu)建

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)也稱方向傳播算法，最早是由Rttmelhart和McCelland于1086年提出的，經(jīng)過多年的發(fā)展，其已經(jīng)成為當前最為流行和實用的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)能夠?qū)W習和儲存大量的輸入與輸出映射關(guān)系，并且無需構(gòu)建或者揭示映射關(guān)系之間的數(shù)學(xué)邏輯，這非常適用于信用評價海量指標和數(shù)據(jù)的有效化處理，通過BP神經(jīng)網(wǎng)絡(luò)的仿真模擬運算系統(tǒng)的自主學(xué)習，可以很好地實現(xiàn)數(shù)據(jù)的預(yù)測。BP神經(jīng)網(wǎng)絡(luò)包含輸入層、輸出層、隱含層等三層結(jié)構(gòu)，通過處理輸入與輸出變量之間的海量數(shù)據(jù)，最終擬合構(gòu)建起最為貼近實際的非線性模式，實現(xiàn)結(jié)果的有效輸出。其本質(zhì)是一種誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，它運用梯度下降法，不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，通過反復(fù)的訓(xùn)練，確定最小誤差所對應(yīng)的網(wǎng)絡(luò)參數(shù)。實際上BP神經(jīng)網(wǎng)絡(luò)已經(jīng)應(yīng)用到諸多領(lǐng)域，主要是因為它具有很強的信息處理能力、自適應(yīng)能力、自學(xué)習能力和非線性處理能力。這些特點能夠有效解決互聯(lián)網(wǎng)信用評價過程中所面臨的紛雜海量數(shù)據(jù)，實現(xiàn)數(shù)據(jù)的有效集合和重構(gòu)?？梢哉f在信用評價指標的權(quán)重及內(nèi)在關(guān)系不夠明晰的前提下，發(fā)揮BP神經(jīng)網(wǎng)絡(luò)依舊能夠自主學(xué)習和模擬訓(xùn)練的優(yōu)勢，通過對指標體系的有效篩選，可以實現(xiàn)對信用的動態(tài)化評價。

BP神經(jīng)網(wǎng)絡(luò)信用評價模型的構(gòu)建過程如下：

假定輸入向量Inew={X1,X2,…，Xn}T，隱含層向量用Y來表示，即Y={Y1,Y2,…，Yn}。，輸出層變量用Z表示，即Z=Zn。輸入層與隱含層、隱含層與輸出層的連接權(quán)值矩陣分別為V和W 。其中V={V1,V2,…，Vm}， W={W1,W2，…，Wm}。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的算法，我們可以得出隱含層與輸出層的公式：

由于筆者進行企業(yè)的信用評價，其輸出節(jié)點只有一個，即企業(yè)的信用評價值。因此，我們對輸出層的值Z采用區(qū)間法，設(shè)定綜合評價等級，即當Z∈[0.8,1]時，該企業(yè)的信用等級為A級，表示信用狀況優(yōu)秀，當Z∈[0.6,0.8]時，該企業(yè)信用等級為B級，表示信用狀況為良好，當Z∈[0.4,0.6]時，該企業(yè)信用等級為C級，表示信用狀況為一般，當Z∈[0.2,0.4]時，該企業(yè)信用等級為D級，表示信用狀況為較差，當Z∈[0.0,0.2]時，該企業(yè)信用等級為E級，表示信用狀況為非常差。

通過上述的方法和思路，我們就可以評判一個互聯(lián)網(wǎng)企業(yè)的真實信用水平，并依據(jù)結(jié)果為其提供相應(yīng)的金融服務(wù)，這即構(gòu)成了BP神經(jīng)網(wǎng)絡(luò)的信用評價模型。

四、經(jīng)驗研究

根據(jù)數(shù)據(jù)可獲得性，本文在金融云平臺中隨機抽取10家企業(yè)為研究樣本，對其信用評價指標體系中的數(shù)據(jù)進行有效地收集、分析、整理，按照所構(gòu)建的優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，進行了經(jīng)驗研究。

筆者通過對數(shù)據(jù)進行標準化處理后，按照主成分分析法，得到相應(yīng)的數(shù)據(jù)如表2所示。

表2 主成分分析法結(jié)果

筆者得到其累計貢獻率≥85%的指標體系為：

I1=(X8,X19,X4，X7,X6,X14,X10,X17,X15)

(1)

該指標的集合就是我們選擇的主要評價指標為I1所構(gòu)成的評價指標體系。

通過變異系數(shù)法，筆者得出的各指標變異系數(shù)和權(quán)重如表3所示。

表3 變異系數(shù)和權(quán)重的計算結(jié)果

刪除變異系數(shù)和權(quán)重較小的指標得到：

I2=(X19，X4，X8，X7，X6，X11，X13，X17)

(2)

根據(jù)I1和I2確定的指標體系，在數(shù)據(jù)可用性的基礎(chǔ)上，剔除一些不重合的指標，可以得到一個新的指標體系Inew，該指標體系即為后續(xù)運用BP神經(jīng)網(wǎng)絡(luò)進行企業(yè)信用評價的指標體系。

Inew=I1∩I2=(X19，X4，X8，X7，X6，X17)

(3)

利用新的指標體系，運用BP神經(jīng)網(wǎng)絡(luò)信用評價模型對相關(guān)企業(yè)進行信用評價。筆者使用MATLAB軟件的神經(jīng)網(wǎng)絡(luò)工具箱來實現(xiàn)，其中前8個樣本企業(yè)數(shù)據(jù)作為訓(xùn)練樣本，最后兩個樣本企業(yè)作為檢驗樣本，設(shè)置學(xué)習速率為0.0100，進行1 000次的學(xué)習次數(shù)，誤差精度為0.0500。在MATLAB中進行仿真模擬，相應(yīng)的結(jié)果如表4所示。

表4 BP神經(jīng)網(wǎng)絡(luò)信用評價結(jié)果

由表4可以看到，我們運用BP神經(jīng)網(wǎng)絡(luò)模型所得到的評價結(jié)果與期望值之間的誤差很小，除了企業(yè)9以外，期望值與模型輸出的結(jié)果基本相吻合，且誤差均在0.0500的誤差精度范圍內(nèi)，可以看到預(yù)測結(jié)果相對合理，說明了模型具有一定的實用性，其擬合度較好。從圖1我們可以清晰看到誤差的變化過程，在該組樣本中，整個預(yù)測的最大誤差為6.76%，最小誤差為0.21%，假設(shè)我們設(shè)定評價結(jié)果以絕對誤差小于3%為一個可接受的范圍，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的精準度為60%，而假設(shè)以絕對誤差小于5%為可接受的范圍，那么我們設(shè)定的模型準確率高達90%。通過上述的結(jié)果可以看到，筆者建立的優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型準確率較高，能夠?qū)鹑谠破脚_中的中小企業(yè)的信用狀況進行科學(xué)評判，進而能夠為風險防范和金融服務(wù)增值提供相應(yīng)的支撐。

圖1 信用評價結(jié)果誤差分析表

以上是小樣本的評價，為了驗證優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性，筆者再次隨機選取了金融云平臺中的600家企業(yè)樣本，其中500家作為訓(xùn)練樣本，100家作為檢驗樣本，依據(jù)原先已經(jīng)評定的信用等級和相關(guān)指標數(shù)據(jù)，按照上述方法進行訓(xùn)練得出其對應(yīng)的評價結(jié)果，經(jīng)統(tǒng)計，誤差最大的為11.29%，最小的為0.07%，在600家企業(yè)中，有526家企業(yè)期望值與模型評價結(jié)果基本相吻合，且誤差均在0.0500的誤差精度范圍內(nèi)。若以誤差絕對值在3%以內(nèi)為可接受的范圍，該模型的信用評價準確率在64.91%，若以誤差絕對值在5%以內(nèi)為可接受的范圍，該模型的信用評價準確率在87.77%，若以誤差絕對值在10%以內(nèi)為可接受的范圍，該模型的信用評價準確率在95.38%，這說明，筆者構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型在大樣本和小樣本下實現(xiàn)互聯(lián)網(wǎng)企業(yè)的信用評價是有效的、可行的。

五、結(jié) 語

本文聚焦于互聯(lián)網(wǎng)金融云平臺企業(yè)客戶信用評價研究。筆者在充分研究互聯(lián)網(wǎng)金融云平臺中小企業(yè)客戶信用評價需求及相關(guān)網(wǎng)絡(luò)數(shù)據(jù)信息可用性的基礎(chǔ)上，以“秦云工程—金融云”為目標平臺樣本，創(chuàng)造性提出了針對數(shù)據(jù)及其指標可用性的預(yù)處理，形成動態(tài)的降維信用評價體系，進而基于優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)法創(chuàng)構(gòu)了互聯(lián)網(wǎng)金融云平臺中小企業(yè)客戶信用評價模型及相關(guān)算法，并經(jīng)過經(jīng)驗數(shù)據(jù)驗證了該模型算法在訓(xùn)練速度上的優(yōu)越性，實現(xiàn)了信用結(jié)果的有效評價。

筆者研究認為，在互聯(lián)網(wǎng)金融云平臺中小企業(yè)客戶信用評價中，應(yīng)重點把握以下三點：

首先，充分認識金融云平臺客戶信用評價需求特征，有針對性設(shè)計有效的網(wǎng)絡(luò)化信用指標體系。由于“秦云工程—金融云”平臺主要是為了滿足中小企業(yè)的金融需求，提升金融普惠服務(wù)的目的，因而在信用評價過程中，必須注重中小企業(yè)客戶的特征，重點關(guān)注企業(yè)特征、業(yè)務(wù)特點、發(fā)展?jié)摿?、資金狀況等能夠真實反映其信用水平的動態(tài)指標體系，同時應(yīng)緊密結(jié)合互聯(lián)網(wǎng)發(fā)展趨勢，對于其在互聯(lián)網(wǎng)等平臺上的信息狀況進行有效刻畫，全面地收集其真實的信用數(shù)據(jù)和信用結(jié)構(gòu)，并有效地確定其信用存量，進而提供符合其信用存量的金融服務(wù)。

其次，加強信息共享，數(shù)據(jù)整合。目前，中小企業(yè)的信用行為和數(shù)據(jù)涉及方方面面，由于信息的離散和割裂，使得有效的信用評價很難實現(xiàn)。因此，在金融云平臺中，要實現(xiàn)以信用為核心的普惠金融服務(wù)，必須積極發(fā)揮行業(yè)、政府、市場的力量和作用，加強能夠體現(xiàn)中小企業(yè)發(fā)展現(xiàn)狀的重點領(lǐng)域信用記錄，完善信用信息和數(shù)據(jù)的記錄以及整合和應(yīng)用，加快信用的交換與共享，方能實現(xiàn)有效的信用評價。

最后，建立信用分類管理機制，持續(xù)改進信用評價方法。金融云平臺作為信用評價和金融服務(wù)機構(gòu)應(yīng)分類中小企業(yè)信用信息的屬性，在保護中小企業(yè)商業(yè)秘密的前提下，實現(xiàn)信用評價過程中各環(huán)節(jié)的分類管理，提升信用結(jié)果的公信力，擴大信用結(jié)果的應(yīng)用范圍。同時，應(yīng)持續(xù)改進信用評價方法，形成面向不同對象的動態(tài)評價體系和方法，并不斷豐富金融服務(wù)產(chǎn)品的種類，滿足中小企業(yè)客戶多層次、多樣化和專業(yè)化的金融服務(wù)需求。

參考文獻：

[1] Durand,D.Risk Elements in Consumer Installment Financing[M]. New York: National Bureau of Economic Research, 1941.189-201．

[2] 姜明輝，王雅林，趙欣，等.K-近鄰判別分析法在個人信用評估中的應(yīng)用[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2004, (2): 143-147.

[3] Henley,W.E.,Hand, D.J.A k-Nearest-Neighbor Classific Ation for Assessing Consumer Credit Nisk[J].The Statistician，1996，45(1)：77-95.

[4] 丁東洋，周麗莉，劉樂平.貝葉斯方法在信用風險度量中的應(yīng)用綜述研究[J].數(shù)理統(tǒng)計與管理，2013, (2):42-56.

[5] 外力·依米提.基于累積Logistic回歸的西部上市企業(yè)信用評級模型[J].統(tǒng)計與決策，2015, (3):185-188.

[6] 王俊峰，吳海洋.基于改進的TOPSIS法的B2C企業(yè)信用評價[J].軟科學(xué),2014, (6):21-24.

[7] 蔣翠清，梁坤，丁勇，等. 基于改進Adaboost的信用評價方法[J].運籌與管理,2017，(2) :135-139.

[8] 張娟，張貝貝.基于Group-LASSO方法的廣義半?yún)?shù)可加信用評分模型應(yīng)用研究[J].數(shù)理統(tǒng)計與管理, 2016，(3) :517-524.

[9] 李毅，姜天英，劉亞茹.基于不平衡樣本的互聯(lián)網(wǎng)個人信用評估研究[J].統(tǒng)計與信息論壇, 2017,(2) :84-90.

[10] Kim，D.，Benbasat，L.Trust-Related Argument in Internet Stores：A Framework for Evaluation[J]．Journal of Electronic Commerce Research，2003，4(2)：49-64．

[11] Desai,V.S.，Crook,J.N.，Overstreet，G.A.A Comparison of Neural Networks and Linear Scoring Models in the Credit Union Environment[J].European Journal of Operational Research, 1996,95(1):24-37.

[12] 北京大學(xué)中國信用研究中心課題組.互聯(lián)網(wǎng)信用生態(tài)體系及其價值度量[R].電子商務(wù)研究中心訊，2016.10.

[13] Tan，F(xiàn).B.，Sutherland，P. Online Consumer Trust: A Multi-Dimensional Model[J].Journal of Electronic Commerce in Organizations(JECO) ，2004，(2) : 20-39．

[14] 周曉彧.中小企業(yè)商業(yè)銀行信用風險評級體系研究[J].東南大學(xué)學(xué)報(哲學(xué)社會科學(xué)版),2014，(1):33-36.

[15] 周立斌，李剛，遲國泰.基于R聚類—變異系數(shù)分析的人的全面發(fā)展評價指標體系構(gòu)建[J].系統(tǒng)工程,2010，(12):56-63.