2019 年第 4 期 征 信 No.

4 2019
总第 243 期 CREDIT REFERENCE Serial NO.243

【理论研究】

国内城市个人信用评分指标体系和
应用场景研究
朱 浩 1，黄险峰 2，陈彦舟 1
（1.佛山宏观经济研究智库，广东 佛山 528000；2.辽宁大学 经济学院，
辽宁 沈阳 110031）

摘 要：通过采用合理有效的评分指标对个人信用进行量化评分，可以获得个人的社会信用水平，评判个人信用风
险，这将有利于节约市场参与者的交易成本，提高市场资源配置的效率。目前国内已有江苏苏州的桂花分、江苏宿
迁的西楚分、福建福州的茉莉分、福建厦门的白鹭分等个人信用分落地应用，而部分城市暂未建立个人信用评分制
度。根据国家、省、市关于社会信用体系建设和个人诚信建设的政策文件和系列工作部署，为进一步加强国内部分
城市个人诚信体系建设，实施信用惠民工程， 需要对适合各城市情况的个人信用评分机制展开深入研究。
关键词：个人信用；评分；指标体系；应用场景
中图分类号：F832.4 文献标识码： A 文章编号：1674-747X（2019）04 - 0009 - 07

一、国内外个人信用分理论研究
（一）国内研究动态
我国在个人征信体系建设方面与发达国家相
比起步较晚、基础薄弱，但近年来发展节奏明显加
快。经过多年的探索，目前我国已初步建立了以中
国人民银行个人征信系统为基础、其他市场化运作
商业机构作为支撑的个人征信体系。国内学者在
个人信用方面的研究主要集中在互联网金融背景
下个人征信模式创新和个人信用评估方法两个方
面，具体的研究脉络梳理如下。
在互联网金融背景下个人征信模式创新研究
方面，宋世伦、刘岩松（2012）认为，基于最新的图像
识别、人工智能等互联网技术可以使用于个人信用
建设的数据来源更加丰富，数据采集成本更加低
廉，个人征信机构能够提供的个人征信产品和服务
更加多元化［1］。袁新峰（2014）认为，建立征信系统
的互联网金融子系统的重点是加强互联网征信的
隐私保护以及开展互联网金融模式下的信用评分
业务。同时，互联网金融背景下大数据在个人征信
体系中将发挥重要作用［2］。冯文芳、李春梅（2015）
认为，基于大数据基础个人征信方法能够收集和处
理非结构化数据，这些数据来源广泛，有助于提供
更为全面和精确的个人信用评价，可靠性和实用性
更强［3］。卢芮欣（2015）认为大数据可以有效扩大征
信的覆盖范围，拓展信用信息的来源，为信用数据
安全存储和全面共享奠定基础，
有效拓展信用数据的
挖掘深度［4］。
在个人信用评估方法研究方面，陈哲赟（2012）
主张在个人信用评估中使用统计方法，并重点阐述
了如何运用 Logistic 回归分析方法对个人征信进行评
估［5］。李太勇等（2013）引入了基于稀疏贝叶斯理论
的新型个人信用评估模型，并且通过实证表明该方
法效果显著，可以获得较高的辨识度［6］。在非统计
学方法研究上，杜婷（2012）将粗糙集相关理论与支
持向量机理论相结合进行预测，把粗糙集支持向量

收稿日期：2019 - 01 - 17
作者简介：朱浩（1991—），男，湖南汨罗人，硕士，主要研究方向为宏观经济运行；黄险峰（1964—），男，四川南江人，教授，
博士，主要研究方向为西方经济学；陈彦舟（1993—），女，浙江绍兴人，硕士，
主要研究方向为金融管理。
·9·
【理论研究】 朱 浩，黄险峰，陈彦舟
机方法应用在个人信用评估的研究中［7］。刘艳芳
（2015）通过研究分类器选择方法，提出了一种基于
该方法的最优基分类器子集搜索算法和选择标
准，并在此理论基础上创建了新的个人信用评估
模型 。与此同时，一些学者也探索了信用评估方
［8］
法中的组合方法。姜明辉等人（2014）设计出了基于
Logistic 回归-BP 神经网络的权重调整算法和基于距
离的投票算法，对以 CBR（案例推理）方法建立的
个人信用评分模型进行优化，设计出精确性和准
确性都有所提高的基于优化 CBR 的个人信用评分
模型 ［9］
。冯金龙（2016）通过采用 Logistic 回 归 、支
持向量机和人工神经网络三种单一模型，创建新
的组合式个人信用评估模型——Logit-GA-BP 组
合 模 型 ，并 且 运 用 该 模 型 进 行 实 证 分 析 ，结 果 表
明可以对目标群体的违约风险进行有效的预警
提示 ［10］
。 系列非统计方法以及组合方法的概念也逐渐引用到
（二）国外研究动态
经过 100 多年的发展，国外发达国家已经形成
了相对完善的信用体系——信用法律体系、监管体
系、征信体系等，建立了丰富的数据源和完整的体系
结构。在此基础上，国外学者对个人信用评估机制
进行了广泛深入的研究，特别是对个人信用分的研
究取得了众多突破。
在互联网金融方面，Freedman S.等（2008）指出
互联网金融的发展使征信数据来源更广泛，比如一
些 P2P 网络平台揭露的借款人的“软信息”有利于补
充个人征信的“硬信息” 。Crosman P.（2012）通过
［11］
实证研究，认为随着机器学习和有关互联网技术的
发展，基于个人线上线下有关数据可以对个人的信
用状况进行有效评估，并将随着个人征信技术的不
断进步，可用于个人信用评估的指标也会越来越多，
从而有助于得到更加精确的个人画像［12］。Hoofnagle
C. J.（2013）则指出，由于个人信用评价指标较为单
一，加之缺乏有效的数据整合能力，美国部分网民
仍无法享受征信带来的便利［13］。
国外学者在个人信用评分理论研究方面将重点
放在数理模型技术方法分析上，通过设置多重变量，
研究各种因素对评估质量和制度环境的影响，并着
重分析如何将统计学方法运用在个人信用评估上。
Wiginton J. C.（1980）首次将 Logistic 回归方法引入
到了个人信用评分领域 。Anderson J. A.（1981）则
[14]
· 10 ·
国内城市个人信用评分指标体系和应用场景研究
分析研究了与 Logistic 回归相似的 Probit 回归模型的
效果，并与判别分析方法进行对比，得到 Probit 方法
判 别 性 能 更 好 的 结 论 [15]。 Rosenberg E. 和 Gleit
（1994）两位学者通过对个人征信评估中使用判别分
析方法进行实例验证，得出了分析方法的可行性[16]。
随着研究的深入，个人信用评分技术领域逐渐出现
了 决 策 树 、贝 叶 斯 等 非 参 数 的 统 计 方 法 。 Kim
Larsen（2005）通过分析运用广义朴素贝叶斯分类理
论，填补了该方法在个人信用评估领域中的空白。
Zhang Defu 等（2010）提出了 Vertical Bagging 决策树
模型，并运用 UCI 数据库中数据对该模型进行验证，
结果表明该模型是一种可行的征信评估模型 [17]。
Ling-Jing Kao（2012）提出将分类回归与贝叶斯线性
回归相结合方法对个人信用进行预测[18]。随着互联
网信息技术的进一步发展，支持向量机、神经网络等
信用评分领域。Sun J.和 Li H.（2008）通过使用加权
投票法对多种个人信用评分模型进行了组合，
得出组
合模型在预测稳健性和精度方面都较高的结论 [19]。
Alexis Marcano（2011）提出将神经网络相关方法运
用到信用评估研究领域，建立了一种可塑性人工神
经网络模型，然后利用相关数据进行了实证研究[20]。
Finlay S.（2011）通过构建多种 Bagging 和 Boosting 组
合模型，在与单一模型的对比后发现组合模型在信
用评分领域具有很好的效果 [21]。Paulius Danenas 等
学者（2011）采用了特征选择以及支持向量机的相
关理论，对个人信用进行建模，经过验证得到了良好
的结果[22]。Amir Arzy Soltan（2012）则通过对伊朗和
澳大利亚两国信用数据运用决策树和人工神经网
络组合的信用评估方法，成功验证了该组合方法的
可行性[23]。
二、国内主要个人信用分指标设计比较分析
目前，我国国内已有 5 个典型城市以及阿里巴
巴为代表的互联网公司开展个人信用分评定及应用
工作（如表 1 所示）。这些城市通常会根据自身发展
特点、发展阶段以及软硬件条件对个人信用分进行
分门别类的设计。根据个人信用分评分体系的不
同，目前国内主要城市信用分大致分为两类：一类是
FICO 评分系统（美国费埃哲公司开发的个人信用评
分系统），
另一类是更为复杂的多维体系。
【理论研究】 朱 浩，黄险峰，陈彦舟 国内城市个人信用评分指标体系和应用场景研究

表 1 国内主要个人信用分对比
城市或机
信用分名称 推出时间 指标设计 信用等级划分
构名称
基础信息、守信正向、失信违约、信用
厦门 白鹭分 2018.07.05 修复、用信行为 5 大维度，涉及 57 个 不良、一般、良好、优秀、极好 5 个等级
大类指标、750 多项数据要素
基于基础信息、稳定信息、品德信息、
资产信息、其他信息,归集出个人评
其中基础条件和品德行为附加分各为 100
苏州 桂花分 2016.11.24 分体系 5 大维度,再根据户籍、年龄、
满分 200 分
分，
婚姻状况、文化程度、社保缴纳情况
等 22 大类 243 个评分指标项
4 个级别 8 个等次评价体系，即 AAA（1250
自然人基本信息、社会管理信用信 分及以上）、AA（1100~1249 分）、A+（1040~
宿迁 西楚分 2018.03.23 息、商务信用信息、司法信用信息、荣 1099 分）、A（1000~1039 分）、A-（960~999
誉信息等维度，设置 69 个指标项 分）、B（850~959 分）、C（600~849 分）、D（599
分及以下）
采取“基础信用+附加信用+年度信用”的评
分模式，分为信用极差（0~349 分）、信用较
个人能力、职业、公共信用、金融信
福州 茉莉分 2018.06.03 差（350~549 分）、信用一般（550~649 分）、
用、行政信用、司法信用 6 大维度
信用良好（650~749 分）、信用优秀（750~849
分）、信用极好（850~1000 分）6 个等级
分为信用待完善（150~500 分）、信用良好
市民卡·惠民汇信 社会关系、公益服务、遵纪守法、用信
杭州 2017.08.23 （500~550 分）、信用优秀（550~700 分）、信
分(简称“惠信分”) 活动、公共缴费、职业违规 6 大维度
用极好（700~950 分）4 个等级
依据用户在互联网上的各类消费及 分为信用等级较差（350~550 分）、信用等级
行为数据，区分信用历史、行为偏好、 中等（550~600 分）、信用等级良好（600~650
蚂蚁金服 芝麻信用分 2015.01.28
履约能力、身份特质、人脉关系 5 大 分）、信用等级优秀（650~700 分）、信用等级
维度 极好（700~950 分）5 个等级

（一）采用传统 FICO 评分系统的个人信用分 节的不足，打通了“数据—模型—场景”。

目前，国内采用 FICO 评分系统设定个人信用分 （3）蚂蚁金服的
“芝麻信用分”
。阿里巴巴集团旗
的城市和机构有厦门、苏州以及蚂蚁金服。具体的 下产品 采用了较为成熟的 FICO 评分体
“芝麻信用分”
指标设计如下。 信用历史等 5 个方
系。该信用分从自然人履约能力、
（1）厦门“白鹭分”。厦门市民个人信用“白鹭 面进行综合评定，
依所处分数区可以分为5个等级，
即
分”是以行政管理过程中以及市民城市生活中产生 极好（700~950 分）、
优秀（650~700 分）、
良好（600~650
的个人信用数据为依据，通过搭建信用修复、基础信 分）、
中等（550~600分）、
较差（350~550分）。
息等 5 个指标，对市民进行精准用户画像，区分市民 （二）采用多维评分系统的个人信用分
信用等级，以此划分为不良、一般、良好、优秀、极好 目前，
国内通过设计多维指标体系进行个人信用
等 5 个等级。该城市信用分还预留了部分权重指 分评定的城市有宿迁、
福州和杭州。采用多维指标体
标，未来将按照平等互换原则与民间征信体系对接， 系进行个人信用分评定可以增加测评的完整性和准
逐步将其打造成为一个集公共信用评定、民间信用 确度，
确保衡量结果客观，
缺点在于增加了研发难度。
评价于一体的国内城市个人信用综合评定体系。 （1）宿迁“西楚分”。该个人信用分指标数据来
（2）苏州“桂花分”。该信用分通过区分市民基 源于本市公共信息平台归集的个人信用数据，
并通过
础、稳定、品德、资产以及其他信息，从中抽取 5 个评 划分社会管理信用信息、商务信用信息等多维度，总
定维度，再根据市民的文化程度、年龄、户籍等搭建 共设置 69 个指标项综合计算得出结果。目前，
“西楚
22 大类总计 243 个指标项，综合评定市民的信用等 分”采取千分制评价方法，根据用户信用评分段进行
级。另外，苏州市还注重与具有线上大数据优势的 A、
B、C、
D 等 4 个级别以及 AAA、
AA、
A+等 8 个等级评
互联网企业合作，共同开展个人信用服务。比如，通 定，
并且计算采用直接降级法和指标加减法。
过与互联网巨头阿里巴巴集团合作，融合引进旗下 （2）福州“茉莉分”。福州市“茉莉分”指标数据
产品——“芝麻信用分”，填补了其在互联网征信环 来自于本市公共信息平台采集的个人信用数据，通
· 11 ·
【理论研究】 朱 浩，黄险峰，陈彦舟 国内城市个人信用评分指标体系和应用场景研究

过科学搭建评价模型，区分个人能力、职业、公共信 缴费、职业违规等 6 大维度，采用科学的方法和模型

用、金融信用、行政信用、司法信用等 6 大维度，通过
大数据分析计算得出。该个人信用分目前采用“年
度信用+附加信用+基础信用”模式，其中基础信用
和附加信用各为 500 分。另外，根据分值，依次设置
了信用极好、信用优秀、信用良好、信用一般、信用较
差、信用极差等 6 个评价等级。
（3）杭州“惠信分”。
“惠信分”是杭州市民卡有限
公司以城市生活信用数据和政务信用数据为依据，
通过社会关系、公益服务、遵纪守法、用信活动、公共
整理、分析得出的综合评估结果。根据计算得出分
值，设置了信用待完善、信用良好、信用优秀、信用极
好等 4 个评价等级。
三、国内个人信用分应用场景比较分析
个人信用分的核心在于应用场景。目前，国内
典型城市开发的个人信用分在应用场景方面主要为
旅游、教育、医疗、金融、行政服务等领域。具体的国
内主要个人信用分的应用场景如表 2 所示。

表2 国内主要个人信用分应用场景对比

城市或机构
信用分名称 应用场景
名称
共享自行车免押租用、无人便利店先买后付、市政图书馆免押租阅、延期付房租、鼓浪屿渡轮
厦门 白鹭分
免排队服务等市民生活场景，职称及等级评定申请、个人行政审批容缺受理等政务服务场景
公共自行车租借时间延长、图书馆借阅书籍量增多以及市民园林卡、休闲卡优惠等福利。未
苏州 桂花分
来还将扩展到公共交通、市容市政、教育、公共事业、卫生医疗、人才引进、商务合作等领域
提供养老服务和充值城市公交卡等 6 个应用场景六折价格优惠，另提供包括住院押金在内两
宿迁 西楚分
个场景的免减优惠
福州 茉莉分 旅游、医疗、教育、金融、文化娱乐、公共交通、行政服务等 7 大应用场景
逐步在社会保障、公共交通、医疗健康、公共服务、普惠金融等领域创新信用便利服务，计划推
杭州 惠信分
出信用借阅、信用课堂、信用享、信用企业等百姓用信服务
除衣食住行以外，芝麻信用分还覆盖了信用贷款、消费分期、数码租赁回收、婚恋交友、分类信
蚂蚁金服 芝麻信用分
息、学生服务、公共事业等服务

（一）典型城市个人信用分应用场景发展现状
（1）基本涵盖民生各个方面，极大便利群众日常
生活。国内典型城市个人信用分通过与各行政服务
中心的对接，可以为具有良好信用等级的居民提供
各项信用便民应用。应用场景包括像日常所需的共
享自行车免押使用、热门景点免排队信用购票以及
市政服务等。通过个人信用分可以省去很多冗杂审
核操作，极大地便利了民众日常生活。
（2）应用场景边界不断拓宽，逐步引进新的技术
元素。国内典型城市个人信用分在设立初期，应用
场景存在较为单一、流程操作较为复杂等问题，各城
市通过不断丰富信用数据外延来加以解决。与此同
时，国内不少城市个人信用分为第三方征信机构提
供了部分接口，未来可以根据需要进行对接，逐步搭
建起集公共信用评定、民间信用评价于一体的国内
城市个人信用综合评定体系。部分城市在与诸如阿
里巴巴等高新技术企业进行合作过程中，通过“干中
学”不断深化理解企业在信用评分领域先进的风控、
AI（人工智能）技术，以地方个人信用分为依托，不断
· 12 ·
丰富与拓展应用场景。
（3）应用场景逐渐丰富，新兴领域成为重点。近
年来，伴随人工智能、大数据等技术的兴起，个人征
信的应用场景日益增多，共享经济等新兴业态也不
断催生新的征信需求。国内开展个人信用分试点的
城市在设计应用场景时就充分考虑到了诸如“信用
租车”等模式，用户只需达到一定的信用级别，即可
免除押金直接使用相关产品，极大便利了市民日常
生活。随着“互联网+”时代的来临，一方面将促使典
型城市信用分评价体系进行革新，增加更多的用户
信息接触点；另一方面将促使典型城市个人信用分
应用场景逐渐丰富，线上运营能力不断提升，未来将
会有更多依托个人信用分的线上应用场景，进一步
便利城市居民的日常生活。
（二）城市个人信用分应用场景存在局限
（1）受客观条件限制，场景线上推广能力相对有
限。随着移动互联网时代的到来，市民对于去中心
化的服务需求与日俱增，为了更好地满足用户的家
政、出行等日常生活场景需求，众多公司机构都改进
【理论研究】
了相关服务模式。如表 3 所示的“芝麻信用分”应用
场景，几乎囊括了借物、出行、住宿以及其他新兴领
域。但国内许多城市推出的个人信用分在应用场景
方面由于缺乏足够的渠道资源去推广产品，在获客
成本、
线上推广方面与一些互联网平台征信产品存在
较大的差距。简言之，基于“互联网+”的服务可以实
现机构与消费者之间的信息对称，
而国内很多的城市
信用分由于互联网技术水平较低、
专业运营人员缺乏
等问题，
导致其应用场景运营推广受到限制。
表 3 “芝麻信用分”
主要新兴应用场景
生活
具体内容
场景
租数码：内啥、探物、海鸟窝、人人租机、一拍即合、蜜
宝、兰拓、魔借、租葛亮
租手机：机蜜、趣先享、享换机、乐租、估吗租机等
租图书：满熊绘本阅读、嘉图借书
租服饰配饰：衣二三、女神派、美丽租、享饰等
借物
租玩具：玩多多、玩具超人、摩玩、61toy 等
租电用设备：亿家净水、淘租公、绿悦出品
租艺术品：艺来二趣
租充电宝：街电、来电、怪兽充电等
租雨伞：JJ 伞、魔力伞、澄伞、漂流伞等
骑行：ofo 小黄车、永安行、优拜单车
出行 租车：神州租车、一嗨租车、大方租车、租租车等
信用 ETC：先同行后付款
住酒店民宿：未来酒店、途家、小猪短租、蚂蚁短租、
住宿 住百家等
租房：蘑菇租房、相寓、公寓家、春眠等
鲜花：花点时间（先享后付）
其他
旅游：星雅假日（先享后付）
（2）数据来源相对不足，限制城市个人信用分评
价客观性。目前，国内主要城市个人信用分采取的
基础数据库均来自于市级机关行政管理部门，以及
与市民生活息息相关的企事业单位，部分城市公共
信用信息平台委托第三方信息技术服务机构进行研
发，这些数据平台通常都比较缺乏刻画居民日常生
活信息（电商、社交）的数据。而国内像以阿里巴巴、
腾讯为代表的电商、社交互联网巨头自身具备一套
征信体系，其数据来源主要是通过对用户在其平台
上每时每刻留下的数据痕迹进行跟踪产生，这种数
据可以更好地刻画个人信用，因此具有很高的应用
价值。但总体而言，数据来源还不够丰富，一定程度
上制约城市个人信用分的指标维度设计，制约个人
信用分评价的准确性和客观性。
朱 浩，黄险峰，陈彦舟 国内城市个人信用评分指标体系和应用场景研究
四、国内城市个人信用分指标体系和应用场景
设计建议
（一）国内城市个人信用分指标体系设计建议
（1）建立健全个人信用分指标体系法律依据。
从我国目前的信用制度建设实践来看，部分行政法
规和部门规章已基本囊括信用制度体系，且呈现逐
步推进状态。如表 4 所列出的我国有关信用的行政
法规和部门规章，可以看出近几年来我国正在加快
建立健全信用法律法规体系，但在具体的城市个人
信用分建设指导性意见和实施方案方面还存在较大
的空白。下一步，随着各领域信用工作向纵深推进，
有必要补充和完善与信息社会、数字社会发展相适
应的社会信用制度。
表 4 我国有关信用的行政法规和部门规章
序号 内容
2012 年 4 月，国家质检总局印发《关于进一步加快质
1
量诚信体系建设的指导意见》
2 2013 年 1 月，
国务院发布《征信业管理条例》
2013 年 5 月，国家发展改革委、中国人民银行、中央
3 编办印发《关于在行政管理事项中使用信用记录和
信用报告的若干意见》
2013 年 11 月，中国人民银行发布《征信机构管理
4
办法》
2014 年 6 月，国务院发布《社会信用体系建设规划纲
5
要（2014—2020 年）》
2015 年 1 月，中国人民银行发布《关于做好个人征信
6
业务准备工作的通知》
2016 年 7 月，国家发展改革委等 29 部门联合印发
7 《关于对纳税信用 A 级纳税人实施联合激励措施的
合作备忘录》
2017 年 11 月，国家发展改革委和中国人民银行联合
8 印发《关于加强和规范守信联合激励和失信联合惩
戒对象名单管理工作的指导意见》
（2）主动对接互联网企业，搭建国内城市三维个
人信用分体系。根据相关理论与实践研究，国内城
市在个人信用分指标体系的设计上可以参考“三维
度信用论”
［24］
。该理论认为个人信用是三维的：一维
是诚信度，二维是合规度，三维是践约度。根据“三
维度信用论”的观点，国内城市在个人信用分的设计
方面应与掌握相关线上数据来源和技术优势的互联
网企业进行合作，对接互联网企业的数据接口，对国
内城市个人信用分指标体系各二级指标进行综合评
定，以此来完善对个人信用的多维度测评。具体的
个人信用分指标体系设计如表 5 所示。
· 13 ·
【理论研究】 朱 浩，黄险峰，陈彦舟 国内城市个人信用评分指标体系和应用场景研究

表5 个人信用分指标体系设计［25］ （2）把握进度，完善工作进度台账制度。各城市
三维信用 一级指标 二级指标 主管部门在推进个人信用分应用场景开发工作过程
职业、学历 中，应该注重工作进度，注意把控力度，对于工作最
工作年限、收入情况
新进展建立台账制度，逐级汇报进展情况。针对工
身份特质 资产情况
贷款情况 作中出现的新问题应该及时进行调整，及时化解矛
透支金额 盾。通过建立工作进度台账制度，各部门应及时对
账号等级
新情况进行反馈，以便找到问题的症结，促进城市个
诚信度 社交网络 获得“达人”
或勋章称号情况
用户创造内容 人信用分应用场景开发工作稳步推进。
好友评分 （3）加强监管，防范“过度场景化”风险。从记忆
好友数量 角度来讲，
“场景”比“无场景”更容易让人记忆，但这
社交关联用户 粉丝数量
不并意味着个人信用分都是有场景的，相反，
“无场
所属群的用户情况
所建群的评分情况 景”征信在实操中体量更大。因此，信用分应用场景
公共费用缴费情况 的丰富化需要各城市主管部门审慎择取。另外，由
违法违规情况
行为轨迹 于国内各城市在个人征信方面才刚起步，城市居民
执照吊销情况
实名认证情况
对于个人信用的理解还停留在“靠谱”
“说话算数”的
合规度 被黑名单次数 层面，而对于征信所需的大数据、模块、应用及展示
被屏蔽次数 知之甚少。民众个人信用意识的觉醒需要启发，应
社交网络 言论被删次数
用场景开发必须充分考虑民众的接受能力，
“过度场
被举报次数
举报事件严重程度 景化”将会导致国内城市个人信用分在推广应用时
恶意退换货次数 受到较大阻力，不利于基层机构工作的开展。因此，
成功交易比例 未来国内各城市相关职能部门应当加大对个人信用
重复购买次数
分应用场景开发过程和执行效果的监管，定期开展
用户评论内容
产品好评率 个人信用分应用场景的调研回访工作，研究信用评
电子商务
服务态度好评率 分的运作机理，防范“过度场景化”带来的风险。
纠纷占交易量的比例
（4）统筹兼顾，加强部门之间的协作。个人信用
践约度 保证金总数
违约次数 分应用场景设计开发一般会涉及不同部门之间的沟
违约严重程度 通协调，通常情况下，各部门负责人之间沟通协调存
信用等级 在着沟通不及时、信息反馈慢的问题。为此，未来各
抵押担保情况
地方政府可以考虑组建社会信用体系建设工作领导
金融账户 违约天数
违约次数 小组办公室，定期开展工作进度汇报，及时对应用场
违约本金 景设计开发过程中出现的数据衔接、业务流程统一
（二）国内城市个人信用分应用场景设计建议 等问题进行磋商。这样可以最大限度地减少跨部门
（1）因地制宜，创造具有城市特色的应用场景。 沟通存在的问题，降低部门沟通成本，持续培育和激
相比较于国内开展个人信用分评定城市，国内其他 发新兴的应用场景。
城市在个人信用分应用场景设计方面，应当因地制 （5）保持开放，探索引进民间资本。政府部门在
宜、不断丰富，可以加大在图书借阅、公交出行、医疗 个人信用分场景开发中存在着专业知识欠缺、用户
优惠等多个领域应用。另外，部分城市作为国家级 痛点把握不准等问题。为了更好地便利广大城市居
历史文化名城，应当在促进居民旅游消费便利化方 民的日常信用生活，国内各城市在相关线上线下场
面进行试点。例如，对于达到一定信用级别的居民 景开发过程中应保持开放思维，允许民间资本以技
可提供免排队信用购票服务，对于基本医疗服务未 术、资金、管理等形式参与相关场景开发。在场景后
来可以根据城市发展情况进行预约免排队试点。 期运营过程中，应积极鼓励民间资本参与，并针对运
· 14 ·
【理论研究】 朱 浩，黄险峰，陈彦舟 国内城市个人信用评分指标体系和应用场景研究

营过程中出现的问题进行广泛的用户调研。针对实 Journal of Financial and Quantitative Analysis,1980(3):

757-771.
施过程中出现的具体技术问题，可以通过邀请具有 ［15］Anderson J. A. Probit and Logistic Discriminant Functions
相当技术实力的知名企业、公司参与解决。 ［J］.Communication in Statistics- Theory and Methods,
1981（7）：641-657.
［16］Rosenberg E., Gleit A. Quantitative Methods in Credit
参考文献： Management：a Survey［J］.Ops.Res, 1994（42）： 10-21.
［1］宋世伦，刘岩松.关于电子商务信用体系建设的思考［J］. ［17］Zhang Defu, Zhou Xiyue, Leung Stephen C. H, Zheng
征信，2012（1）：54-56. Jiemin. Vertical Bagging Decision Tress Model for Credit
［2］袁新峰.关于当前互联网金融征信发展的思考［J］.征信， Scoring［J］. Expert Systems with Applications, 2010（12）：
2014（1）：39-42. 21.
［3］冯文芳，李春梅.互联网+时代大数据征信体系建设探讨 ［18］Ling- Jing Kao, Chih- Chou Chiu, Fon- Yun Chiu. A
［J］.征信， 2015（10）：36-37. Bayesian Latent Variable Model with Classification and
［4］卢芮欣.大数据时代中国征信的机遇与挑战［J］.金融理论 Regression Tree Approach for Behavior and Credit Scoring
与实践，2015（2）：103-104. ［J］.Knowledge-based Systems, 2012（2）：4-6.
［5］陈哲赟.统计方法在个人信用评估体系上的应用［D］.上 ［19］Sun J., Li H. Listed Companies’Financial Distress
海：华东师范大学， 2012：12-14. Prediction Based on Weighted Majority Voting Combination
［6］李太勇，王会军，吴江，张智林，唐常杰.基于稀疏贝叶斯学 of Multiple Classifiers［J］. Expert Systems with Applications,
习 的 个 人 信 用 评 估［J］. 计 算 机 应 用 ，2013（11）：3095- 2008（3）：818-827.
3096. ［20］Alexis Marcano, Marin D. E. Artificial Metaplasticity
［7］杜婷.基于粗糙集支持向量机的个人信用评估模型［J］.统 Neural Network Applied to Credit Scoring［J］. International
计与决策， 2012（1）：94-95. Journal of Neural Systems, 2011（4）：50-52.
［8］刘艳芳.基于分类器选择的个人信用评估组合模型研究 ［21］ Finlay S. Multiple Classifier Architectures and Their
［D］.哈尔滨： 哈尔滨工业大学， 2015：22-28. Application to Credit Risk Assessment［J］. European Journal
［9］姜明辉，许佩，韩旖桐，覃志.基于优化 CBR 的个人信用评 of Operational Research,2011（2）：368-378.
分研究［J］.中国软科学，2014（12）：150-152. ［22］Paulius Danenas, Gintautas Garsva, Saulius Gudas. Credit
［10］冯金龙.商业银行个人信用评估模型研究［D］.杨凌：西北 Risk Evaluation Model Development Using Support Vector
农林科技大学，2016：34-35. Based Classifiers［J］. Procedia Computer Science, 2011
［11］Freendman S，Jin G. Z. Dynamic Learning and Selection： （4）：8-10.
the Early Years［D］. Maryland：University of Maryland， ［23］Amir Arzy Soltan, Mohammad. A Hybrid Model Using
2008：67. Decision Tree and Neural Network for Credit Scoring
［12］Crosman P. Zest. Finance Aims to Fix Underbanked Problem［J］. Management Science Letters, 2012（5）：10-12.
Underwriting［J］. American Banker，2012（177）：7. ［24］吴晶妹.从信用的内涵与构成看大数据征信［J］.首都师
［13］Hoofnagle C. J. How the Fair Credit Reporting Act 范大学学报， 2015（6）：66-69.
Regulates Big Data ［J］. Social Science Electronic ［25］董媛香，程鑫.大数据背景下个人信用评价体系构建［J］.
Publishing， 2013（10）：18-24. 现代工业经济和信息化， 2017（5）：107.
［14］Wiginton J. C. A Note on the Comparison of Logit and （责任编辑：
冯长甫）
Discriminant Models of Consumer Credit Behavior［J］.

Study on Personal Credit Scoring Index System and the Application Scenario
in Domestic Cities
Zhu Hao1, Huang Xianfeng2, Chen Yanzhou1
（1.Think Tank for the Study of the Macro-economy of Foshan, Foshan 528000, Guangdong, China;
2. School of Economics, Liaoning University, Shenyang 110031, Liaoning, China）
Abstract: Personal social credit level can be worked out and personal credit risk be evaluated by scoring
personal credit on quantitative basis based on proper and effective scoring index, which helps to lower the
transaction cost of market participants and elevate the efficiency of allocation of market resources. Currently,
some personal credit scores, such as Guihua Score in Suzhou and Xichu Score in Suqian (both in Jiangxi
Province), Moli Score in Fuzhou and Bailu Score in Xiamen (both in Fujian Province) have been into application.
However, a great many cities have not established the system of personal credit scoring. According to policy
documents and serial work arrangements at the state, provincial, and municipal levels on social credit system
construction and personal integrity construction, deep studies on personal credit scoring mechanisms compatible
with the circumstances of different cities should be conducted in order to further strengthen the personal integrity
construction of some domestic cities and carry out the credit projects benefiting the people.
Key words: personal credit; scoring; index system; application scenario

· 15 ·