【文章內(nèi)容簡介】 入使用。通過輸人想要評價的申請人的相關(guān)變量的信息后計算該申請人的違約概率，通過結(jié)果即可預(yù)測該申請人的信用狀況。 線性規(guī)劃法是解決多變量最優(yōu)決策的方法，首現(xiàn)建立一個線性目標(biāo)函數(shù)，并將相關(guān)變量形成約束條件，最終解出目標(biāo)函數(shù)各參數(shù)的具體值即可解決目標(biāo)最優(yōu)化問題。 使用分類樹法進(jìn)行個人信用評分，就是把樣本的各個屬性一層一層的分類，如下圖所示。對每一個特征參數(shù)使用兩個分類選項進(jìn)行分類，使具有兩類不同性質(zhì)的樣本盡可能的貼近違約及不違約的可能性。不斷的重復(fù)這個過程后即可根據(jù)各個特征參數(shù)對樣本進(jìn)行分類。 整體樣本 男 女 本科以下 本科及以上 30歲及以上 30 歲以下 5. 層次分析法 層次分析法 (Analytic Hierarchy Process,簡稱 AHP)是美國運籌學(xué)家、匹茲堡大學(xué) T. L. Saaty 教授在 20 世紀(jì) 70 年代初期提出的， AHP 是對定性問題進(jìn)行定量分析的一種簡便、靈活而又實用的多準(zhǔn)則決策方法。它的特點是把復(fù)雜問題中的各種因素通過劃分為相互聯(lián)系的有序?qū)哟?，使之條理化，根據(jù)對一定客觀現(xiàn)實的主觀判斷結(jié)構(gòu)（主要是兩兩比較）把專家意見和分析者的客觀判斷結(jié)果直接而有效地結(jié)合起來，將一層次元素兩兩比較的重要性進(jìn)行定量描述。而后，利用數(shù)學(xué)方法計算反映每一層次元素的相對重要性次序的權(quán)值，通過所有層次之間的總排序計算所有元素的相對權(quán)重 并進(jìn)行排序。該方法自 1982 年被介紹到我國以來，以其定性分析與定量分析相結(jié)合地處理各種決策因素的特點，以及其系統(tǒng)靈活簡潔的優(yōu)點，迅速地在我國社會經(jīng)濟(jì)各個領(lǐng)域內(nèi)，如能源系統(tǒng)分析、城市規(guī)劃、經(jīng)濟(jì)管理、科研評價等，得到了廣泛的重視和應(yīng)用。 神經(jīng)網(wǎng)絡(luò)算法是用大量簡單節(jié)點相連接，通過對人腦運作模式的模仿進(jìn)行數(shù)據(jù)處理的一種算法。 其中 BP 神經(jīng)網(wǎng)絡(luò)算法在信用評估領(lǐng)域的應(yīng)用較為廣泛，故本文只簡單介紹 BP 神經(jīng)網(wǎng)絡(luò)算法。 BP神經(jīng)網(wǎng)絡(luò)一般 含有 輸入層（ input）、隱層 (hidden layer)和輸出層 (output layer)。 申請人的個人信用資料經(jīng)過輸入層輸入系統(tǒng)后傳輸?shù)诫[含層。經(jīng)過計算后再傳輸?shù)捷敵鰧印?如果輸出層的輸出結(jié)果與期望結(jié)果之差大于誤差上限，則誤差會傳回隱層，然后輸出到輸入層，誤差被分配到所有單元，然后調(diào)整各單元的權(quán)值，直到誤差減小到最小。 遺傳算法（ Geic Algorithm）是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺 傳學(xué)機(jī)理的生物進(jìn)化過程的計算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法。 遺傳算法對最優(yōu)解的搜索過程中不需要梯度信息或其他輔助知識，它只受影響搜索方向的目標(biāo)函數(shù) 和相應(yīng)的適應(yīng)度函數(shù)制約。這種方法在解決復(fù)雜問題時是一種一般化的方法，故而在個人信用評分領(lǐng)域被廣泛利用。 （四） 建模方法應(yīng)用效果分析 個人信用評分是根據(jù)現(xiàn)有的樣本建立模型，用此模型判斷新樣本的信用水平，因此評分模型的實用性，預(yù)測精度以及穩(wěn)定性都很重要。 在不同的實際運用條件下，能夠得到的數(shù)據(jù)類型，分布以及精度差別很大。因此不存在一種評分模型可以適用于所有情況，如下表所示，如果現(xiàn)實條件不滿足使用模型的先決條件，那建立起的模型就只是沒有科學(xué)依據(jù)的空談。 研究方法 運用條件 判別分析法 收集大量歷史數(shù)據(jù) ，樣本滿足類間協(xié)方差矩陣相等或正態(tài)分布條件 Logistic 回歸 因變量為一分變量 ，樣本點不存在完全分離 數(shù)學(xué)規(guī)劃法 樣本數(shù)據(jù)過多 ，約束條件過多時 ，模型的建立十分復(fù)雜 分類樹法 分類選項設(shè)定的準(zhǔn)確度對預(yù)測精度有較大影響 BP 神經(jīng)網(wǎng)絡(luò) 無堅實的理論基礎(chǔ) ，建立模型需要不斷調(diào)試 、改進(jìn) 、更新 ，成本過高 遺傳算法 選取優(yōu)良樣本進(jìn)行繁衍 ，否則可能引起持續(xù)的衰敗 表 建模方法比較 不同預(yù)測方法的預(yù)測精度存在較大的差別，為了找出精度較高的預(yù)測方法，國外很多學(xué)者進(jìn)行了測試，但是介于實際應(yīng)用情況的巨大差別，每個專家對各方法的精度評價并不相同，目前尚沒有統(tǒng)一的結(jié)論，現(xiàn)截取一部分專家的結(jié)論制成下表。 Srinivasan Boyle（ 1992） Henley Yobas（ 1997） Desai（ 1997） （ 1987） （ 1995） 線性規(guī)劃 1 1 0 0 1 線性回歸 0 0 0 4 1 判別分析 0 0 0 0 1 Logistic 回歸 2 0 1 0 1 分類樹法 3 1 1 2 2 神經(jīng)網(wǎng)絡(luò) 0 0 0 1 2 遺傳算法 0 0 0 3 2 數(shù)值 14 表示該模型的預(yù)測精度，數(shù)值越大精度越高， 0表示該專家的研究結(jié)果中并沒有比較此方法 表 不同建模方法預(yù)測精度比較 （五） 模糊 AHP法極其可行性分析 1. AHP 法與模糊 AHP 法 AHP 法的基本思想是將復(fù)雜問題層次化，它的特點是定性與定量的分析相結(jié)合。通過兩兩比較的方式確定層次中諸因素的相對重要性，然后綜合人的判斷以確定決策諸因素相對重要性的總排序。由于決策者的能力所限，很難對 n個目標(biāo)的重要性做出正確的判斷，但僅僅對兩個元素進(jìn)行優(yōu)劣比較，是完全可能的。 AHP 法的計算步驟如下： ，構(gòu)建遞階層次模型。遞階層次結(jié)構(gòu)包括目標(biāo)層、準(zhǔn)則層、指標(biāo)層，甚至子指標(biāo)層等。 。賦值方法如下表 標(biāo)度 aij 定義 1 i 因素與 j 因素相同重要 3 i 因素比 j 因素略重要 5 i 因素比 j 因素較重要 7 i 因素比 j 因素非常重要 9 i 因素比 j 因素絕對重要 2， 4， 6， 8 為以上兩判斷的中間狀態(tài) 倒數(shù) j 因素與 i 因素相比的重要程度 表 AHP 判斷矩陣賦值方法 3．層次單排序。計算各指標(biāo)相對與之關(guān)聯(lián)的上層指標(biāo)的排序權(quán)值。 4．一致性檢驗。通過計算一致性指標(biāo) CI，一致性比例 CR 判斷一致性 5．層次總排序 層次分析法結(jié)合了定性指標(biāo)和定量指標(biāo)，具有較強(qiáng)的實用型與科學(xué)性，但是它依然存在一些問題。比如構(gòu)造一致性判斷矩陣的計算過程復(fù)雜，如果一致性檢驗不通過就需要再次調(diào)整判斷矩陣，這個過程可能要重復(fù)多次直到滿足一致性要求。因此，本文引入模糊理論中模糊一致矩陣的概念，使用模糊一致矩陣的性質(zhì)檢驗判斷矩陣的一致性。 若存在矩陣 C=（ cij） n*n滿足 0≤ cij≤ 1（ i=1， 2?? n； j=1， 2?? n），則 C是模糊矩陣 若模糊矩陣 C=（ cij） n*n滿足 cij+cji=1（ i=1， 2?? n； j=1， 2?? n），則該矩陣為模糊互補(bǔ)矩陣 若模糊互補(bǔ)矩陣 C=（ cij） n*n滿足任意 i， j， k 存在 cij=cikcij+，則該矩陣為模糊一致矩陣 AHP 法的計算方法 ，構(gòu)建遞階層次模型。遞階層次結(jié)構(gòu)包括目標(biāo)層、準(zhǔn)則層、指標(biāo)層，甚至子指標(biāo)層等。 2. 別構(gòu)造各單層的模糊判斷矩陣。賦值方法如下表 標(biāo)度 aij 定義 i 因素與 j 因素相同重要 i 因素比 j 因素略重要 i 因素比 j 因素較重要 i 因素比 j 因素非常重要 i 因素比 j 因素絕對重要 ， ， ， cij=1cji 表 模糊 AHP 判斷矩陣賦值方法 。如果有部分模糊判斷矩陣不滿足一致性檢驗 ，那么根據(jù)模糊一致矩陣的性質(zhì) ，對判斷矩陣進(jìn)行一致性檢驗和調(diào)整。 具體方法如下 （ 1）確定判斷準(zhǔn)確性較高且重要性分值精確的元素 i，得出的重要性分值分別為