面向不确定性多源异构数据融合分类方法的小微企业信用评级研究

In view of the unique characteristics of small and micro enterprises, the traditional credit rating model of large and medium enterprises based on financial structured data is not suitable for small and micro enterprises. This project aims at the characteristics of uncertain and heterogeneous data. Because the soft set theory has no limit to the type of objects and the basic data can be different types in the data processing, this project selects the soft set as the core theory. The project firstly analyzes the sources of uncertain and heterogeneous credit data of small and micro enterprises, and proposes soft recognition and soft presentation methods according to the characteristics of different data types. Secondly, on this basis, combined with the theory of soft mapping and soft dependence, this project studies the parameter dependence, conditional dependency and decision rules of different types of soft sets under complete information and incomplete information. So the parameter reduction for multi-type data fusion is realized. Finally, multi-type credit data are brought into the framework of soft set for relationship analysis and integration through soft relationship and soft transformation. After that, we propose a multi-source heterogeneous data fusion classification under complete information and incomplete information and its application to the credit rating of small and micro enterprises, the use of empirical research and effect evaluation, verify the validity and application of rating methods. Research achievements will enrich the credit rating in the context of big data, and can also provide reference for the multi-source data fusion classification

鉴于小微企业的独特特征，传统以财务结构化数据为主的大中型企业信用评级模型不适合小微企业。本项目针对不确定性多源异构数据特征，选择具有对分析对象取值类型没有限制，在数据处理中，基础数据可以为不同类型数据特征的软集合为理论基础。项目首先分析小微企业不确定性异构信用数据的来源，针对不同数据类型的特征提出软识别和软表示方法；然后在此基础上，结合软映射、软依赖等理论，研究在完备信息与不完备信息下，不同类型软集合的参数依赖度、条件依赖度及决策规则的获取，实现多种类型数据融合的参数约减方法；最后通过软关系、软转化将多种数据类型的信用数据纳入到软集合的框架下进行关系分析、整合集成，提出完备信息和不完备信息下不确定性多源异构数据融合分类方法并应用于小微企业信用评级中，运用实证分析和效果评价方法，验证评级方法的有效性。研究成果丰富了大数据环境下信用评级方法，也可为多源数据融合分类方法提供借鉴。

由于小微企业有效评价信息匮乏，传统以财务数据为主的大中型企业信用评价模型不适合小微企业。鉴于小微企业群体的独特特征，建立大数据环境下新型小微企业信用评价模型，将是破解小微企业信用融资难题的有效方式。本项目针对其中所面临的关键问题展开研究。首先，针对小微企业信用数据来源多样化且数据类型复杂多样，本项目提出了区间中智软集合、广义模糊软集合和三角模糊软集合等软表示方法，并构建了各软集之间的比较法则以及得分函数与偏差函数，有效丰富了多源异构数据的处理方法，同时也拓展了软集合理论研究内容。其次，深入研究不同数据信息源之间的关系，将Bonferroni算子扩展到广义模糊软集中，提出了GFSSBW算子、GFSSWBM算子、幂集成算子和直觉模糊语言加权平均算子等对多源异构数据进行融合。最后，针对大数据环境下数据的不完备性与不一致性，本项目系统地研究了模糊不一致、不完备信息的度量方法，如距离、相似度、信息熵、相容度等信息度量方法。同时考虑数据的实效性，分别构建了基于动态区间值中智软集合的多级动态信用评价方法和基于直觉模糊语言信息下三维动态评价方法并将其运用到小微企业信用评价中。通过以上研究达到了从多角度丰富了大数据环境下信用评级方法，该成果有利于缓解小微企业融资难问题，降低金融运行风险。