基于多源數據融合的個人貸款風險評價模型構建與應用

摘要：本研究聚焦小額貸款公司，在多源數據融合的前沿視角下，深度挖掘公司現有可獲取信息的價值，突破了單一數據源和主觀判斷的局限，創新性地運用數據融合概念和層次分析法，對各類數據進行系統的分類分層處理，提升了評分模型的科學性和準確性。緊密圍繞小額貸款公司獨特的業務特征，從數據級、特征級和決策級3個關鍵層面，篩選出一套實用的評價指標，并對指標權重、評價內容、評價標準和信息來源進行細致梳理與明確界定。通過該模型，小額貸款公司能夠更有效地降低信貸風險，做出更為科學合理的決策。經實證分析驗證，該模型切實可行，為小額貸款行業的風險評估提供了全新的思路和方法。

關鍵詞：小貸公司；多源數據融合；層次分析法；個貸風險評價

中圖分類號：F23 """"""文獻標識碼：A""""" doi：10.19311/j.cnki.16723198.2025.18.055

1 緒論

1.1 研究意義與目的

在促內需、消費升級的大背景下，我國個人信用業務規模擴張，互聯網信貸金融、銀行個貸上線，在線支付等業務的迅猛發展，同時也潛藏著巨大風險。信貸途徑日益增多、放貸速度不斷加快以及信貸金額逐步提升，導致信用違約現象愈發頻繁，其中“多頭借貸”引發的高違約率問題尤為突出[1]。

對于地方小額貸款公司而言，獲取個人客戶信息的渠道較為單一，客戶群體構成復雜，在信息不對稱的情況下，面臨著更為嚴峻的風險挑戰。如何在擴大信貸規模的基礎上，有效降低個人貸款風險，減少貸款損失，已成為小額貸款公司重點關注的工作內容。

目前，我國尚未建立起官方全覆蓋的個人信用評級體系。在個人信用市場不斷發展的形勢下，現有的個人信貸數據分析主要集中在算法的提升與比較上，較少以數據融合為背景進行融合的探索嘗試。基于此，本文從多源數據融合的視角出發，嘗試在多層面探尋合適融合方式，為應用于個貸風險評價領域的融合模型提供參考。

1.2 研究內容

本研究主要基于現有可獲得的信息來源，如天眼查、中國執行信息網、個人征信報告、個人近半年資金流水以及實地考察面談所掌握的材料信息等，聚焦個人貸款風險評價領域，以預測和信用風險分析為側重點，結合當地小額貸款公司的實際情況，運用數據融合和層次分析法，通過調查問卷、人工智能等手段篩選評價指標，并確定數據級指標的權重、評價內容和評價標準，通過收集用戶的相關背景信息并分析后，得出用戶的風險評級，進而確定是否為其提供貸款以及貸款的具體額度、期限和利率，形成一套實用的個人貸款風險評價指標模型，為貸前調查評價、貸時審查決策提供有力依據，并為貸后檢查提供參考。

2 評價模型的相關理論

2.1 多源數據融合

多源數據融合是指將不同來源、不同展現形式的數據整合為一個數據集，并使其形成統一格式，以滿足實際應用需求的一種方式[2]。在個人信用評價中，數據融合可分為數據級融合、特征級融合和決策級融合。數據級融合是對原始數據的低級融合；特征級融合是將已抽取的特征進行整合；決策級融合則是利用特征級融合結果或子決策生成最高級決策。

2.2 層次分析法

層次分析法是一種將定性與定量相結合的多準則決策方法。該方法先對指標體系進行分類，選取合適的專家，采用九級尺度法比較每一層級指標的兩兩重要性程度，然后對判斷矩陣進行分層判定，計算特征值與特征向量，從而得出各指標相對重要度的權重。運用層次分析法能夠對新評價指標的權重進行度量與評分，直觀反映指標的重要性[3]。

3 個人貸款風險評價的現狀

3.1 傳統風險評估的局限性

傳統的風險評估主要依賴具有工作經驗的從業者或信貸專家，依據借款人的歷史行為信息和面談等因素影響，進行主觀判斷。這種判斷方式受個人認知和情緒影響較大，不同專家對同一借款人的評判可能存在較大分歧，難以客觀、統一地評價借款人信息，進而影響貸款決策的規范化和標準化。

3.2 地方小貸公司的困境

地方小額貸款公司受規模和技術手段限制，信用風險評價主要依靠人工進行。在信息收集過程中，存在調查內容不完整、資料來源單一、對收集材料挖掘和分析不充分、交叉驗證不到位等問題，且缺乏定量評價指標和量化分析，導致所獲取的信息可能存在失真或不完整的情況，增加信貸風險。

3.3 現有信用評價體系的不足

多數互聯網商業公司和銀行的信用評價體系大多基于FICO模型。FICO模型適用于處理變量較少的分類問題，但在互聯網時代，個人信用數據存在大量缺失等情況，單一模型難以對數據進行良好的擬合和泛化[4]。因此，對多個數據源或多個決策模型進行融合，已成為數據融合領域的重要研究方向。

4 建立個人貸款風險評價模型分析體系

4.1 設計原則

遵循可獲取性原則和有效性原則。在選取指標時，確保指標具有有效性，且相關數據易于獲取。

4.2 評價模型框架

本評價模型分為3個層級：決策層為1個項指標F分值合計數，F標準分值設為100分；特征層包含6項指標，分別為征信記錄信息、財務資產信息、司法行政信息、現場訪察信息、個人工作社交信息、擔保人（物）信息；數據層設置有44項指標。數據層指標的最終賦權分值由各自判斷矩陣形成的權重向量乘以所在上層特征層指標的權重確定。以數據層指標為特征變量，詳細列明各指標權重、評分內容、評分標準、信息來源、調查或測算結果、注釋等，模型如下表11個人貸款風險評價模型所示：

4.3 指標選擇的處理和指標重要性確定

在多源數據融合理論的指導下，結合工作實踐以及可用信息來源的特點，構建個人信用評價指標體系。在特征層的6個維度下挑選指標，具體步驟如下：首先，主要通過訪談法、豆包和DeepSeek等人工智能在線檢索、專業文獻檢索等方式，預選60個指標；其次，在公司范圍和集團內發放問卷調查，調查表分為3類：貸審委員填報A卷、業務和風控部門填報B卷，其他人員填報C卷。問卷內容包括全指標重要性大小排序以及判斷矩陣下6個維度范圍內指標兩兩的重要性判斷；最后，根據調查結果，選擇44個指標作為特征變量，調查結果采用加權平均數確定判斷矩陣結構相對重要性值，A卷、B卷和C卷的比重分別為50%、30%和20%。

這樣，結合小額貸款企業自身的制度約束、風險容忍度、風險偏好，綜合考量指標的相對重要性并進行動態優化，建立7個成對判斷矩陣，包括特征層的1個判斷矩陣和數據層下的6個判斷矩陣。

4.4 評價內容

通過明確數據層各變量指標的含義、范圍和計算公式來確定評價內容，同時列出計算公式、明確取值范圍、簡化內容并說明指標的正負相關性等。如借款用途指標內容是臨時性需求、補充性需求，是否用于核心主業，短貸長用的可能性，挪作他用如用于股東分紅、金融資產等投資可能性；如資產負債率=（負債總額/資產總額）*100%；如司法風險情況指標包含近3年內，有無民事判決、強制執行作為被執行人和失信人、股權凍結、司法拍賣、限消令；借款人合作歷史指標反映與小貸公司合作中，還本付息是否準時、主動還款還是被動還款；如產權清晰度指標內容是抵（質）押物的權屬，是否已辦證、在建工程進度和清晰度等

4.5 評分標準

評分標準涵蓋定性分析、定量分析、區間值以及有無得分設計等多種方式：一是結合當地小額貸款企業的歷史數據和現行制度相關規定，設定上下區間數值，下限值為0，上限分值根據實際情況確定；例如在逾期率方面，要求逾期次數符合“連三累六”規定；二是引入自由裁量權，允許在標準區間范圍內自行打分，保留一位小數；三是為彌補評價指標的不全面問題，通過評分標準加以體現，例如在查詢次數指標評價標準中，以申請借款次數為條件之一賦予得分值。四是定性評分標準采用五級分類，如面談態度及配合度指標評分標準：分五級進行定量評分標準定性分析。很好得2.5分，較好得2分，一般得1.5分，較差得1分，差得0：五是定量評分標準常常設定3個區間范圍，如抵（質）押比率為Y評價標準：當Y＞100%時，F=0分，Y＜40%時，F=2分；100%≤Y＜40%時，F在1～2分范圍內判斷賦分。六是在上限控制下，采用有一項得分的累計加分制；如司法風險情況指標，無時得4分，若每出現1項扣0.5分，下限為0分；若因借貸關系成為被告的得0分。

4.6 指標權重的確定

根據層次分析法，完成以下步驟確定指標權重[3]：

（1）建立單層指標判定矩陣：以數據層的征信記錄信息的判斷矩陣為例，進行后續計算。

（2）計算權向量并做判斷矩陣一致性檢驗：

第1步：根據公式Mi=∏j=1n aij （i=1，2，…），計算判斷矩陣每一行的乘積Mi

第2步：根據公式Wi=nMi （i=1，2，…，n），計算Mi的n次方根Wi

第3步：根據公式對W=（Wk1，Wk2，Wk3，Wk4，Wk5，Wk6，Wk7，Wk8）進行歸一化處理，得到判斷矩陣特征向量Wk，進而計算出λmax=9.402。

第4步：根據公式CI=（λmax-n）/（n-1）和CR=CI/RI進行判斷矩陣一致性檢驗。當N=8，RI=1.41，則CI=（9.402-8）/（8-1）=0.025，一致性檢驗結果為CR=CI/RI=0.025/1.41=0.018lt;0.1，順利通過一致性檢驗，權重向量Wk1（0.235，0.205，0.153，0.140，0.103，0.068，0.054，0.042）是可以接受的。

第5步：確定各單項指標的分值F：依據判斷矩陣可計算出數據層指標所屬范圍內權重向量，最后，用各自權重向量乘以所屬特征層指標的權重，就能確定每個指標的最后權重分值F。

（3）指標組合總體上的一致性檢驗：對數據層44項指標排序進行總體一致性檢驗，結果為CR=WCI/WRI=0.202/8.120=0.025lt;0.1，通過一致性檢驗公式，權重向量Wki可接受，說明權重結果均有效

（4）其他指標權重向量和分值的計算。按照上述操作步驟，最后，將推算的各級指標賦權分值應用于個人貸款風險評價模型（見表1）。

5 評價模型的應用

5.1 數據主要來源和方式

圍繞評價模式的數據層指標要求和公司制度要求收集材料，采取實地考察和非現場調查相結合、線上與線下相結合的方式。通過實地調研、走訪面談、現場核查、電話查詢、網上查詢等多種方式收集客戶資料。例如，征信記錄信息主要來源于個人征信報告、支付寶或微信APP；財務資產信息來源于半年資金交易流水、單位證明、個稅申報表、證書、評估報告、征信報告等；司法行政信息來源于征信報告、執行網、文書網、天眼查、生產經營場所、申請書、面談、歷史還本付清情況等；個人工作社交信息來源于天眼查、相關證書、證明、行業評價、社保等相關APP等；擔保人（物）信息來源于征信報告、天眼查、借款申請書、資金流水第三方評估、登記系統、證書、工程結算單等。

5.2 分析評價

按照評價模型的評價內容，對線上線下收集的資料整理分析、在評分標準下，對數據層的每個指標進行判斷和打分，得出評分結果。最終計算匯總得到決策層的總分值F，在評價標準內，通過F值確定授信借款人的借款額、年利率和期限。

5.3 綜合評價F值結果的運用

綜合評價F值越大，表明個人的狀況越好，貸款風險越小。若評分較高，借款人可獲得較高的借款額度、較低的利息及較長的貸款期限。

6 應用實例研究

基于個人貸款風險評價模型，結合實際工作，對借款人進行風險評估并決策。以個體老板陳某為例，陳某經營某超市，申請40萬元的經營周轉資金。

6.1 計算匯總得分值F

按模型對該借款人綜合評價，綜合得分F值為74.8分，其中：征信記錄信息得分為23分，占該項滿分的86.5%；財務資產信息得分為19分，占該項滿分的69%；司法行政信息得分為11分，占該項滿分的100%；現場訪察信息得分為11分，占該項滿分的73.3%；個人工作社交信息得分為6.8分，占該項滿分的61.8%；擔保人（物）信息得分為5分，占該項滿分的47%。

6.2 綜合評價及建議

借款人的綜合得分F值為74.8分，屬于中等偏上水平，征信記錄和司法行政信息得分率分別為86.5%和100%；信用級別較好，財務資產信息得分率69%，還款能力中等，擔保人（物）信息得分率47%，較低因沒有抵質物擔保；按F值評價標準，該借款人為B類客戶。根據公司的風險偏好及貸款政策，考慮到首次合作，只是保證人提供擔保，沒有抵質物擔保，為將可能出現的風險降到最低，貸款審查委員會審議確定，授信貸款額度為30萬元，年利率12.4%，貸款期限為1年。

7 優化建議及前景展望

本文以多數據融合為基礎，構建了綜合的個人貸款風險評價模型。通過考察借款人的品質品德等要素，建立量化的評價指標體系，有效提升了貸前調查評價的科學性與準確性，有助于降低信貸風險，改善貸款質量，提高資本運作效率。

然而，在實際應用過程中，評分卡模型仍存在一些問題，如非財務信息難以量化、評分標準不夠嚴謹、存在一定主觀性等，需要根據實際業務特點不斷優化。未來可引入大數據、人工智能等技術，提升模型的智能化水平，建立客戶信用檔案，以更好地適應貸款風險管理的需求。

在貸時審查中，貸審委員可運用此評價模型進行審查；在貸后檢查中，以評價模型指標為基礎，定期回訪收集新信息，與基期數據進行比對分析，有效預警并監測風險，以此驗證貸前調查評價系統的有效性。

主要參考文獻

[1]高翔，王勇.數據融合技術綜述[J].計算機自動測量與控制，2002，（11）：706709.

[2]方匡南，趙夢巒.基于多源數據融合的個人信用評分研究[J].統計研究，2018，35（12）：92101.

[3]鄭秀君.小微企業貸款信用評級指標體系實證研究[J].征信，2014，32（06）：4248.

[4]姜琳.美國FICO評分系統述評[J].商業研究，2006，（20）：8184.