傳統(tǒng)的個(gè)人信用評(píng)分，主要是針對(duì)商業(yè)銀行個(gè)人信貸客戶(hù)的違約風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)。近年來(lái)我國(guó)互聯(lián)網(wǎng)金融的發(fā)展催生出各種信用產(chǎn)品，基于互聯(lián)網(wǎng)的個(gè)人信用評(píng)分成為了新的熱點(diǎn)。更重要的是，隨著人們社會(huì)生活方式的日益多樣化，除金融業(yè)務(wù)以外的各類(lèi)經(jīng)濟(jì)行為也帶來(lái)了新的信用問(wèn)題，這就使個(gè)人信用逐漸向社會(huì)信用發(fā)展，社會(huì)信用評(píng)分的重要性日漸凸顯。因此，個(gè)人信用評(píng)分方法的科學(xué)性、可操作性及其評(píng)分結(jié)果在社會(huì)治理中的運(yùn)用日益廣泛。本文通過(guò)對(duì)個(gè)人信用評(píng)分方法的發(fā)展及未來(lái)趨勢(shì)的分析，以闡述個(gè)人信用評(píng)價(jià)對(duì)社會(huì)治理的作用。
一、個(gè)人信用評(píng)分模型的發(fā)展
個(gè)人信用評(píng)分模型實(shí)質(zhì)是基于客觀的數(shù)學(xué)模型，根據(jù)已掌握的客戶(hù)相關(guān)信息對(duì)其將來(lái)可能的信用情況進(jìn)行判斷。隨著國(guó)內(nèi)外對(duì)信用評(píng)分研究的不斷深入，個(gè)人信用評(píng)分模型經(jīng)歷了由統(tǒng)計(jì)學(xué)方法到非參數(shù)方法、運(yùn)籌學(xué)方法再到人工智能方法的演變，同時(shí)由單一模型到組合模型逐漸演進(jìn)。由此形成了種類(lèi)繁多的評(píng)分方法并構(gòu)成了一個(gè)相對(duì)完整的體系。
（一）統(tǒng)計(jì)學(xué)方法
判別分析（Discriminant Analysis，DA）源于Fisher對(duì)三種鳶尾屬植物的分類(lèi)實(shí)驗(yàn)并被DavidDurand首次用來(lái)區(qū)分信用客戶(hù)的好壞。判別分析是基于某些分類(lèi)方法來(lái)使同類(lèi)之間距離最小，異類(lèi)之間距離最大，通過(guò)建立一個(gè)或多個(gè)判別方程，來(lái)判斷某一變量的類(lèi)別歸屬。當(dāng)變量服從多元橢球面分布（多元正態(tài)分布是其特例）時(shí)，線(xiàn)性判別無(wú)疑是最優(yōu)的選擇（忽略樣本抽樣偏差）。BillFair和Earl Isaac于1956年采用判別分析法建立了著名的FICO（Fair Isaac Corporation）信用評(píng)分系統(tǒng)，由此帶來(lái)了判別分析作為經(jīng)典方法在個(gè)人信用評(píng)分領(lǐng)域的廣泛運(yùn)用。近年來(lái)，HsiangChen于2010年將最新的判別分析方法——SNDA、STDA、SDA、Sparse DA、FDA、MDA分別應(yīng)用于個(gè)人信用評(píng)分，以總精確度及錯(cuò)分率為判別指標(biāo)，指出SNDA、STDA和SDA在個(gè)人信用評(píng)分領(lǐng)域表現(xiàn)良好。
回歸分析法（Regression Analysis，RA）是起源于Francis Galton遺傳學(xué)研究的經(jīng)典統(tǒng)計(jì)學(xué)方法之一。是在大量已知數(shù)據(jù)的基礎(chǔ)上，來(lái)探究一種變量（自變量）對(duì)另外一種變量（因變量）的影響，并建立描述二者間相關(guān)關(guān)系的回歸方程，根據(jù)已知的自變量的值對(duì)因變量的值進(jìn)行預(yù)測(cè)。在回歸分析法中，應(yīng)用較為廣泛的有Logistic回歸分析、Probit回歸分析及多元線(xiàn)性回歸。與判別分析相比，回歸分析的魯棒性較低，但回歸分析對(duì)數(shù)據(jù)分布的要求相對(duì)寬松，而且能夠提供客戶(hù)的違約概率，因此獲得了大多數(shù)學(xué)者和銀行業(yè)的青睞。目前為止，Logistic回歸已經(jīng)成為最常用的統(tǒng)計(jì)方法之一。Srinivasan和Kim得出了Logistic回歸在分類(lèi)效果上要優(yōu)于判別分析的結(jié)論。
（二）非參數(shù)方法
最近鄰法（Nearest Neighbors, NNs）是由Fix和Hodges于1952年提出的用于分類(lèi)問(wèn)題的標(biāo)準(zhǔn)非參數(shù)方法，并由紐約銀行最早應(yīng)用于信用評(píng)分領(lǐng)域。其中最常用的是由Hart和Cover于1968年提出的KNN模型，因其能夠很好的解決概率密度函數(shù)的分類(lèi)和估計(jì)問(wèn)題，在個(gè)人信用評(píng)分研究中取得了較好的效果。KNN模型通過(guò)計(jì)算尋找與待判樣本點(diǎn)距離最近的k個(gè)信用樣本，再根據(jù)k個(gè)樣本的表現(xiàn)，以投票的方式確定待判樣本的信用情況。由于最近鄰法不用提前學(xué)習(xí)和訓(xùn)練模型，允許動(dòng)態(tài)地更改客戶(hù)信息，從而能很好地解決人口漂移問(wèn)題，而較近的應(yīng)用研究中則關(guān)注了“維數(shù)禍根”（Curseof Dimensionality）問(wèn)題，指出最近鄰法在應(yīng)用于高維數(shù)據(jù)時(shí)，即使樣本量很大，散落在高維空間內(nèi)的樣本點(diǎn)仍十分稀疏，難以找到相鄰的樣本。研究進(jìn)一步指出，可以通過(guò)非線(xiàn)性的數(shù)據(jù)投影法來(lái)降低數(shù)據(jù)維度或者使用基于排序的最近鄰法來(lái)解決這一問(wèn)題。
決策樹(shù)法（Decision Tree， DT）由Breiman和Friedman于1973年提出，用以解決一般的分類(lèi)問(wèn)題，隨后該方法被引入信用評(píng)分領(lǐng)域。決策樹(shù)法以違約的可能上同質(zhì)性更強(qiáng)為劃分標(biāo)準(zhǔn)，將信用申請(qǐng)者劃分為兩個(gè)子類(lèi)，每個(gè)子類(lèi)再次劃分為同質(zhì)性更強(qiáng)的子類(lèi)，整個(gè)遞歸過(guò)程直到子類(lèi)達(dá)到預(yù)設(shè)的終止條件為止。決策樹(shù)算法支持多個(gè)參數(shù)，會(huì)對(duì)所生成的挖掘模型的性能和準(zhǔn)確性產(chǎn)生影響。Porter首次將決策樹(shù)用于個(gè)人信用評(píng)估方法中?？紤]到樣本屬性中包括了數(shù)值型數(shù)據(jù)及非數(shù)值型數(shù)據(jù)，近年來(lái)有學(xué)者將Boosting算法技術(shù)嵌入決策樹(shù)中，該嘗試取得了更好的判別效果。
數(shù)據(jù)包絡(luò)分析法（Data Envelopment Analysis,DEA）是在相對(duì)效率評(píng)價(jià)基礎(chǔ)上發(fā)展的系統(tǒng)分析方法。它是以相對(duì)效率概念為基礎(chǔ)，根據(jù)多指標(biāo)投入和多指標(biāo)產(chǎn)出對(duì)相同類(lèi)型的單位進(jìn)行相對(duì)有效性或效益評(píng)價(jià)的一種新方法。將數(shù)據(jù)包絡(luò)分析法應(yīng)用于個(gè)人信用評(píng)估，可將個(gè)人的特征向量視為投入指標(biāo)，個(gè)人的信用情況視為產(chǎn)出指標(biāo)進(jìn)行分類(lèi)。數(shù)據(jù)包絡(luò)分析法的優(yōu)點(diǎn)在于能夠有效避免主觀因素，減少誤差，且建立模型前無(wú)須對(duì)數(shù)據(jù)進(jìn)行無(wú)量綱化處理，與個(gè)人信用指標(biāo)的特征一致。Cheng于2007年將DEA模型應(yīng)用于私人融資計(jì)劃中借款人的信用評(píng)分，指出DEA有著能夠自動(dòng)生成相對(duì)權(quán)重等優(yōu)點(diǎn)。
（三）運(yùn)籌學(xué)方法
在個(gè)人信用評(píng)分中應(yīng)用的運(yùn)籌學(xué)方法主要是線(xiàn)性規(guī)劃法（（Linear Programming， LP）。Mangasarian于1965年將線(xiàn)性規(guī)劃方法應(yīng)用于分類(lèi)問(wèn)題。1981年，F(xiàn)reed闡明了線(xiàn)性規(guī)劃在判別及分類(lèi)上的應(yīng)用之后，該方法才引起了更多的關(guān)注。線(xiàn)性規(guī)劃模型通過(guò)找到一組權(quán)重值，在給定的臨界值的條件下，使得所有“好客戶(hù)”的得分都在該臨界值之上，而所有“壞客戶(hù)”的得分都在這個(gè)臨界值之下從而實(shí)現(xiàn)個(gè)人信用樣本的分類(lèi)。
（四）人工智能方法
專(zhuān)家系統(tǒng)（Expert System），作為人工智能方法應(yīng)用于個(gè)人信用評(píng)分的成功嘗試，其核心為通過(guò)一個(gè)包含某特定領(lǐng)域知識(shí)的數(shù)據(jù)庫(kù)和對(duì)信息進(jìn)行遞推的規(guī)則，分析新情況并給出專(zhuān)家級(jí)的解決方案。Talebzadeh，Mandutianu和Winner于1995年介紹了CLUES專(zhuān)家系統(tǒng)的構(gòu)建，該系統(tǒng)可以決策是否批準(zhǔn)住房抵押貸款申請(qǐng)，后被美全國(guó)金融公司采用。
神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANNs）作為對(duì)變量進(jìn)行線(xiàn)性組合和非線(xiàn)性變化，然后循環(huán)修正的一種方法，能夠模擬人類(lèi)大腦的決策過(guò)程，利用神經(jīng)元相互觸發(fā)，建立一種學(xué)習(xí)機(jī)制。Wolpert于1992年在信用風(fēng)險(xiǎn)評(píng)測(cè)中引入神經(jīng)網(wǎng)絡(luò)的方法，2000年Moody's公司公布了一套上市公司的信用風(fēng)險(xiǎn)評(píng)估模型，這套模型的主要方法為神經(jīng)網(wǎng)絡(luò)。至此，研究者和實(shí)踐者開(kāi)始廣泛關(guān)注神經(jīng)網(wǎng)絡(luò)這一方法，很多學(xué)術(shù)期刊將傳統(tǒng)的參數(shù)和非參數(shù)方法和五種不同的神經(jīng)網(wǎng)絡(luò)算法（包括混合專(zhuān)家系統(tǒng)、失真適應(yīng)響應(yīng)和多層感知器等）進(jìn)行了比較分析，其結(jié)果是神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性較好。
支持向量機(jī)（Support Vector Machine, SVM）于1995年由Corinna Cortes和Vapnik提出，其核心是通過(guò)某種事先選擇的非線(xiàn)性映射將輸入向量映射到一個(gè)高維特征空間，在此空間中根據(jù)區(qū)域中的樣本計(jì)算該區(qū)域的決策曲面，由此確定該區(qū)域中未知樣本的類(lèi)別。
SVM的出現(xiàn)解決了以往學(xué)習(xí)方法中存在的小樣本、非線(xiàn)性、過(guò)學(xué)習(xí)、高維數(shù)、局部極小等實(shí)際問(wèn)題，在個(gè)人信用評(píng)分中，支持向量機(jī)方法評(píng)分精度較高，預(yù)測(cè)能力強(qiáng)，且受變量限制少，具有很強(qiáng)的泛化能力，因此支持向量機(jī)不僅在手寫(xiě)數(shù)字識(shí)別、文本分類(lèi)、語(yǔ)音辨識(shí)等問(wèn)題上得到了廣泛應(yīng)用，在個(gè)人信用評(píng)分領(lǐng)域也成為了研究的熱點(diǎn)。Huang于2009年指出SVM算法能夠更好地捕捉變量間的非線(xiàn)性關(guān)系，并在SVM的基礎(chǔ)上提出了混合支持向量機(jī)算法，通過(guò)實(shí)證驗(yàn)證了混合支持向量機(jī)算法有著更高的精確度，并有效降低了第二誤判率。
（五）組合評(píng)分方法
上述的單一信用評(píng)分方法各有優(yōu)勢(shì)，由此引發(fā)了對(duì)組合方法的嘗試。Bates和Granger于1969年開(kāi)始系統(tǒng)地對(duì)組合方法進(jìn)行研究。Clemen于1989年總結(jié)了不同領(lǐng)域的大量相關(guān)研究，得出組合模型能夠取得更高預(yù)測(cè)精度的結(jié)論，這也成為了組合預(yù)測(cè)研究的一個(gè)里程碑。組合方法主要分為線(xiàn)性組合和非線(xiàn)性組合。其中權(quán)重的確定是問(wèn)題的關(guān)鍵，權(quán)重的確定可分為固定權(quán)重和可變權(quán)重。到目前為止，比較常用的方法有簡(jiǎn)單平均法、勝出法、最優(yōu)法和回歸法。
近年來(lái)國(guó)內(nèi)在個(gè)人信用評(píng)分組合方法的研究上也取得了不少成果。既發(fā)揮了這些具有代表性的單一模型優(yōu)勢(shì)，同時(shí)減少了由于權(quán)重確定產(chǎn)生的誤差。
二、個(gè)人信用評(píng)分模型應(yīng)用中的問(wèn)題及發(fā)展趨勢(shì)
（一）信用樣本有效性及完整性問(wèn)題
樣本有效性是評(píng)分模型在我國(guó)信用數(shù)據(jù)中進(jìn)行應(yīng)用面對(duì)的首要問(wèn)題。由于我國(guó)消費(fèi)信用貸款業(yè)務(wù)發(fā)展較晚，信用體系尚未完善，現(xiàn)有的信用數(shù)據(jù)相當(dāng)有限，且由于信用信息的提交仍不規(guī)范，灰色收入等紕漏的存在，造成信用樣本數(shù)據(jù)的權(quán)威性和有效性面臨挑戰(zhàn)。
在信用樣本的完整性上，已有的個(gè)人信用評(píng)分模型都面對(duì)著一個(gè)不可忽視的數(shù)據(jù)問(wèn)題——樣本偏差（Biased Sample）。樣本偏差來(lái)自于非隨機(jī)性的樣本獲取過(guò)程，表現(xiàn)為樣本和總體分布的非一致性，其本質(zhì)是一種樣本選擇問(wèn)題（SampleSelection）。在個(gè)人信用評(píng)分上，樣本偏差表現(xiàn)為拒絕推論（Reject Inference）。拒絕推論就是指在個(gè)人信用評(píng)分的過(guò)程中，評(píng)估模型是建立在已接受的信用樣本之上的，而缺少那些申請(qǐng)被拒絕的樣本（拒絕樣本）的相應(yīng)數(shù)據(jù)。這就導(dǎo)致了信用評(píng)分模型所用數(shù)據(jù)不是隨機(jī)樣本，不能代表整個(gè)申請(qǐng)者的“入門(mén)總體”（Through-the-doorPopulation），從而導(dǎo)致評(píng)估的偏差。
樣本有效性和完整性對(duì)個(gè)人評(píng)分精度有重要影響，因此個(gè)人信用樣本及樣本結(jié)構(gòu)的優(yōu)化是未來(lái)發(fā)展的重要方向。一方面，需要在現(xiàn)有的樣本下對(duì)結(jié)構(gòu)進(jìn)行優(yōu)化；另一方面，要考慮如何擴(kuò)大樣本的規(guī)模，使樣本更接近總體。這事實(shí)上對(duì)評(píng)分模型的處理能力提出了新的要求，既要保證模型具有對(duì)大樣本數(shù)據(jù)的處理能力，同時(shí)又要保證模型的運(yùn)算速度。
（二）信用指標(biāo)體系合理性問(wèn)題
信用評(píng)分指標(biāo)體系的確定是個(gè)人信用評(píng)分的第一步，對(duì)整個(gè)信用評(píng)分的精確性及信用風(fēng)險(xiǎn)的有效識(shí)別至關(guān)重要。但我國(guó)尚未建立有效的、權(quán)威的指標(biāo)體系。而我國(guó)的文化習(xí)慣和道德標(biāo)準(zhǔn)與國(guó)外相差較大，國(guó)內(nèi)不同地區(qū)間經(jīng)濟(jì)發(fā)展水平、人口結(jié)構(gòu)和生活方式，各民族間文化及道德標(biāo)準(zhǔn)也有著較大差異，這就導(dǎo)致同一指標(biāo)在不同的實(shí)際應(yīng)用中顯著性有著較大的變化，因此針對(duì)不同的數(shù)據(jù)樣本，對(duì)指標(biāo)體系中的特征變量及變量的權(quán)重有所調(diào)整，充分適應(yīng)實(shí)際業(yè)務(wù)需求十分必要。
從目前來(lái)看，信用指標(biāo)體系中的人口統(tǒng)計(jì)變量較多，而信用記錄的變量較少，因此解決這一問(wèn)題的關(guān)鍵是增加信用記錄的相關(guān)變量。顯然，由于商業(yè)銀行的信用記錄就是單純的個(gè)人信貸還款記錄，因此需要從商業(yè)銀行系統(tǒng)以外尋求信用記錄的來(lái)源。一方面，隨著互聯(lián)網(wǎng)的不斷發(fā)展和人們基于網(wǎng)絡(luò)的經(jīng)濟(jì)、社會(huì)行為的不斷豐富，相關(guān)信用記錄種類(lèi)的數(shù)據(jù)也在不斷豐富。
比如各類(lèi)交易軟件的廣泛使用，由此形成的契約關(guān)系下當(dāng)事雙方行為構(gòu)成的履約和違約，是非常重要的信用記錄。與此同時(shí)，在社交網(wǎng)絡(luò)中的個(gè)體行為也是對(duì)個(gè)人信用很重要的衡量尺度。另一方面，隨著公共信息的不斷完善和政府相關(guān)部門(mén)間的信息融合，包括個(gè)人婚姻、生育、交通、納稅和社保等表征個(gè)人信用的信息不斷完善，這為從社會(huì)信用記錄角度去充實(shí)相關(guān)變量和指標(biāo)提供了重要支持。
與此同時(shí)，上述來(lái)源的信息還可以用來(lái)充實(shí)和補(bǔ)充個(gè)人統(tǒng)計(jì)變量。因此，個(gè)人信用指標(biāo)體系包括了三個(gè)組成部分，即個(gè)人統(tǒng)計(jì)變量、包括銀行信貸和網(wǎng)絡(luò)交易行為的信用記錄、社會(huì)信用信息，三個(gè)方面的指標(biāo)使信用評(píng)價(jià)更具完整性，而且可以相互印證，進(jìn)一步提高信用數(shù)據(jù)的質(zhì)量。
（三）模型選擇及適用性問(wèn)題
目前，無(wú)論是學(xué)術(shù)研究還是商業(yè)銀行的實(shí)踐都致力于提高個(gè)人信用評(píng)分模型的精確性、穩(wěn)定性及解釋性，以便有效地進(jìn)行風(fēng)險(xiǎn)識(shí)別并降低信用風(fēng)險(xiǎn)。但已有的模型各具優(yōu)缺點(diǎn)。
結(jié)合互聯(lián)網(wǎng)和社會(huì)信用體系建設(shè)的發(fā)展，面對(duì)大數(shù)據(jù)下的評(píng)分模型的選擇既是對(duì)原有方法的繼承，同時(shí)又面臨新的突破，尤其是隨著算法的不斷完善和處理數(shù)據(jù)能力的提高，各種模型的集成和融合將成為未來(lái)發(fā)展方向。
一方面，由于信用樣本的增加，與待評(píng)分樣本相近樣本的數(shù)量增加，這就為尋找與之更為匹配的樣本集提供了條件，由此可以解決過(guò)去一直困擾信用評(píng)分的人口漂移問(wèn)題。例如，可以考慮運(yùn)用案例推理的方法，通過(guò)聚類(lèi)建立與待評(píng)分樣本相近的樣本集，通過(guò)對(duì)這一特定的樣本集的訓(xùn)練獲得更為精準(zhǔn)的模型用來(lái)進(jìn)行預(yù)測(cè)。另一方面，由于人工智能方法的發(fā)展，可以充分運(yùn)用機(jī)器學(xué)習(xí)的優(yōu)勢(shì)將不同的模型進(jìn)行集成，通過(guò)集成算法來(lái)選擇評(píng)分精度更高的模型并規(guī)避單一模型的缺陷。
很重要的一點(diǎn)在于，當(dāng)個(gè)人信用評(píng)分的范圍擴(kuò)大到商業(yè)銀行以外的網(wǎng)絡(luò)信用、社會(huì)信用之后，評(píng)分的目的也就不僅僅限于對(duì)違約概率的預(yù)測(cè)。例如，網(wǎng)絡(luò)評(píng)分除對(duì)違約進(jìn)行預(yù)測(cè)外，會(huì)更注重于個(gè)體的商業(yè)價(jià)值尤其是潛在價(jià)值，而社會(huì)信用評(píng)分則會(huì)側(cè)重考慮個(gè)體行為對(duì)社會(huì)積極或消極的影響。而社會(huì)信用評(píng)分的發(fā)展會(huì)衍生出不同的評(píng)分使用者，他們各自的訴求也有所不同。例如，招聘單位會(huì)看重評(píng)分中的個(gè)人素質(zhì)和品德等因素，甚至?xí)P(guān)注其社會(huì)資源和人脈，網(wǎng)絡(luò)監(jiān)管部門(mén)則更重視其在上網(wǎng)過(guò)程中的不良行為；各類(lèi)金融產(chǎn)品的提供者則在判斷違約概率的同時(shí)關(guān)注其償還能力。
三、個(gè)人信用評(píng)分方法的發(fā)展對(duì)社會(huì)治理的作用
（一）提高社會(huì)治理的針對(duì)性
隨著個(gè)人信用評(píng)分方法的不斷優(yōu)化，更多的商業(yè)銀行個(gè)人信用評(píng)分模型被應(yīng)用到社會(huì)信用評(píng)分中，這些成熟的方法結(jié)合社會(huì)信用相關(guān)數(shù)據(jù)資源的不斷豐富，能夠更加有效地識(shí)別影響社會(huì)信用的主要因素，從而有利于推進(jìn)社會(huì)信用體系建設(shè)，提高我國(guó)社會(huì)信用水平。
如何有效地識(shí)別影響我國(guó)社會(huì)信用的主要因素，建立具有我國(guó)特色的社會(huì)信用評(píng)分指標(biāo)體系，是我國(guó)在開(kāi)展社會(huì)信用體系建設(shè)中存在的主要問(wèn)題。
隨著個(gè)人信用評(píng)分方法的發(fā)展，包括統(tǒng)計(jì)方法、人工智能方法等越來(lái)越多有效的數(shù)據(jù)挖掘方法應(yīng)用到信用評(píng)分領(lǐng)域并得到完善，如模糊集算法、粒子群優(yōu)化算法、粗糙集算法等。能夠有效地挖掘影響信用的主要因素，從而更好地指導(dǎo)我國(guó)開(kāi)展有針對(duì)性的社會(huì)信用體系建設(shè)，同時(shí)也能夠輸出社會(huì)信用建設(shè)中的薄弱因素，使社會(huì)治理的目標(biāo)更加明確，更具有針對(duì)性。
（二）提高社會(huì)治理的有效性
個(gè)人信用評(píng)分精度不斷提高，可以以違約概率作為輸出變量用以區(qū)分信用度的高低，也可以表示為一個(gè)評(píng)分值。這就使評(píng)分方法在社會(huì)信用評(píng)分中具有很好的適用性?？梢砸罁?jù)社會(huì)信用評(píng)分的特點(diǎn)和要求，將各類(lèi)被證明有效的方法進(jìn)行篩選、修正、組合和優(yōu)化，應(yīng)用于個(gè)人的社會(huì)信用評(píng)分，并可以向政府信用、行業(yè)信用、企業(yè)信用進(jìn)行擴(kuò)展，從而使評(píng)分更加科學(xué)準(zhǔn)確，同時(shí)提高評(píng)分方法對(duì)不同類(lèi)別人群的適用性和針對(duì)性，這將極大地加強(qiáng)社會(huì)治理的有效性。
優(yōu)化的個(gè)人信用評(píng)分方法可以通過(guò)制定統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)個(gè)人的信用狀況進(jìn)行準(zhǔn)確評(píng)價(jià)，從而通過(guò)采取有效的社會(huì)治理措施并形成社會(huì)氛圍，提高對(duì)個(gè)人行為的約束力，并對(duì)失信者進(jìn)行有效治理，從而構(gòu)建“鼓勵(lì)守信、懲戒失信”的社會(huì)治理機(jī)制，進(jìn)而有效地提升社會(huì)治理效率。
一方面，在諸如市場(chǎng)準(zhǔn)入、資質(zhì)認(rèn)定、行政審批、政策扶持等領(lǐng)域，通過(guò)實(shí)行信用分類(lèi)管理，并在依法行政的前提下采取優(yōu)先辦理、簡(jiǎn)化程序等激勵(lì)措施，在社會(huì)治理領(lǐng)域強(qiáng)化正向激勵(lì)機(jī)制。另一方面，使對(duì)失信行為的治理能夠有據(jù)可依，例如建立黑名單制度和警告制度，同時(shí)通過(guò)信用評(píng)分的比較使不同個(gè)體在面對(duì)金融、就業(yè)、社保等業(yè)務(wù)和社會(huì)資源分配過(guò)程中，享受到守信帶來(lái)的利益。
（三）推動(dòng)社會(huì)治理的發(fā)展與創(chuàng)新
大數(shù)據(jù)不僅是一場(chǎng)技術(shù)變革，在本質(zhì)上也是一場(chǎng)社會(huì)變革，這種社會(huì)變革伴隨并呼喚著社會(huì)治理體制和社會(huì)治理方式的創(chuàng)新。個(gè)人信用評(píng)分方法在發(fā)展的過(guò)程中與大數(shù)據(jù)技術(shù)不斷地融合發(fā)展，多種數(shù)據(jù)挖掘算法被應(yīng)用到個(gè)人信用評(píng)分中。
通過(guò)各地圍繞智慧城市的信用信息管理平臺(tái)建設(shè)，可以實(shí)現(xiàn)個(gè)人信用數(shù)據(jù)和信用評(píng)分等與數(shù)字城市“一級(jí)平臺(tái)”的互聯(lián)互通，同時(shí)通過(guò)數(shù)據(jù)挖掘和深度分析達(dá)到各系統(tǒng)之間的功能協(xié)同和聯(lián)動(dòng)，對(duì)于防范來(lái)自特定個(gè)體的安全隱患、開(kāi)展實(shí)時(shí)監(jiān)督預(yù)警和社會(huì)治理提供支持。
個(gè)人信用評(píng)分方法的發(fā)展，還能夠促進(jìn)社會(huì)治理的信息體系建設(shè)，為社會(huì)治理模式提供科學(xué)技術(shù)手段支撐，極大豐富社會(huì)治理模式的內(nèi)涵和外延，有利于促進(jìn)新興的生產(chǎn)力和生產(chǎn)關(guān)系的和諧。個(gè)人信用評(píng)分中的識(shí)別技術(shù)、智能信息技術(shù)、云計(jì)算技術(shù)等都將應(yīng)用于社會(huì)治理，以更加精細(xì)和主動(dòng)的方式實(shí)現(xiàn)社會(huì)治理，使得社會(huì)治理的各個(gè)子系統(tǒng)之間更加融合，有利于社會(huì)的長(zhǎng)期和諧發(fā)展，有利于社會(huì)治理體系的不斷完善，有利于推動(dòng)社會(huì)治理的發(fā)展與創(chuàng)新。
免費(fèi)咨詢(xún)電話(huà)：010-56272258 ??13341123110 
