论文部分内容阅读
摘要：快速构建各种与异质小微企业群体金融需求相适应的信用评估模型，是当前信贷机构亟需解决的关键问题，其中评估指标的确权比较棘手。鉴此，基于三标度、多专家、独立判断、多数为主兼顾少数等策略思想的3-SEIJ的確权方法，采用标度映射、判断矩阵一致性调整，以及融合计算三个关键技术，以解决实践中专家判断意见难以清晰表达，需要反复判断，以及意见分歧难以综合的问题。结果表明：在没有牺牲评估准确性能的前提下，本文方法简化了确权操作而提升了效率，适合如信贷业务初期等数据欠缺情境下的信用评估模型的开发。
关键词：信用评估;决策支持系统;群决策;小微企业
中图分类号：F830. 52
文献标识码： A
文章编号：1003-7217（2019） 03-0039-07
一、引言
信贷支持是小微企业获得蓬勃发展的一个关键要素，开发相适应的信用评估模型以辅助贷款决策成为各类信贷机构的迫切需求。信用评估模型大致可以分为定性、定量以及定性与定量相结合三种类型。定性模型依赖信贷专家的经验，通过对可能影响企业违约概率的相关因素加以主观判断，评定信用等级。如5C法，5P法、LAPP法等，这些方法能够充分利用专家经验，灵活性高，但缺乏客观数据支撑而使得评估结果过于主观，且评级效率低、成本高并难获得一致结果。20世纪60年代前后，随着统计方法的不断推广，信用评估领域逐渐引入了基于统计分析模型的定量方法，主要有回归分析、判别分析、Logistic模型、Probit模型等[1，2]。近些年，随着人工智能和数据挖掘技术的发展，人工神经网络、支持向量机，决策树、遗传算法等方法被广泛应用于信用评估模型[3-7]，这些方法虽然客观，但需要大量历史数据的支持。而定性分析与定量分析相结合的信用评估方法则是指同时利用专家判断和数理模型来进行等级评定，典型的如层次分析法（AHP）[8]。这类方法能够将信贷专家经验和数理方法充分结合，不仅可保留专家意见，解决在历史数据缺乏情况下无法通过统计或数据挖掘模型进行信用评价的问题，而且弱化了主观因素，提高了企业信用评价的规范性和科学性。不管哪类方法，评估模型中的指标权重都是其中的一个关键要素。本文针对信贷机构在小微企业信用评估模型开发中权重难以确定的现实问题，提出一种可有效降低其难度的策略，并给出其关键实现技术，为信贷业务初期缺乏客观数据情形下的信贷模型快速开发提供支持。
二、小微企业信贷评估需求特性与现有建模方法
（一）信贷评估需求特性
1.小微企业信贷需求“短、小、频、急”。小微企业规模小、运作方式灵活、资金流动性大。因其规模小决定了其一次性贷款数目不会太大，否则会增加其运营成本和降低贷款利用率，造成资源浪费。同时，小微企业的经营周期一般都比较短，对资金流动性的要求非常高。正因为如此，小微企业对资金的需求往往呈现短、小、频、急的特性，从而要求信贷机构的评估决策必须快速、高效，尽可能地降低决策时间和成本。
2.小微企业财务数据不完整。许多小微企业组织结构并不完整，管理能力薄弱，且其财务制度一般不健全，财务管理较混乱。
3.小微企业群体的异质性。小微企业数量多、情况复杂，行业分布广，其经营特性、融资需求、地域和文化特性等导致其风险特性具有明显的异质性。
（二）现有确权策略的局限
信用评估的本质是在信息不对称的环境下，利用所获得的有限信息，对企业未来偿债能力和还款意愿进行推断。不论采用定性、定量还是定性与定量结合的方法构建信用评估模型，本质上都是要解决三个方面的问题，即指标体系、指标取值和指标权重。
在小微企业的信用评估方法中，数据挖掘的方法和定性定量相结合的方法是目前最为常见的两类建模方法。前者主要见于那些掌握着大量客户信息资源的互联网企业，即便如此，它们一般也只能应用于其系统内的客户，对系统外的客户因为缺乏数据它们仍然难以客观评价。而后者则在那些没有充分掌握数据或者暂时没有能力利用其所掌握数据的信贷机构中应用得非常普遍。特别是对新开发的客户群体，在业务开展初期信贷机构没有该类客户的任何数据，从而不可能利用客观数据建模。在无数据的情形下，确权的方式主要有两种：一是直接主观赋权;二是采用层次分析（AHP）法或其它模糊判别法，基于专家判断意见来间接计算权重。直接赋权法高度依赖专家的主观判断，虽然简单快速，但误判风险较大。层次分析法更易较准确地获得指标权重，是较普遍的确权方法。然而该方法实践中存在几个典型问题：通常采用九标度法构建判断矩阵。九标度的具体取值方法如表1所示。如此多的标度，以及“稍微、明显、强烈、极端”等术语概念模糊，专家很难做到清晰、一致地给出判断结果。从而使得判断矩阵难以通过一致性检验，而需要重新判断，效率低下。且若由一个专家判断，会使模型误判风险较高。而由多名专家参与判断，则易意见分歧，甚至部分专家不参与表态，集体决策流于形式。
三、确权策略与方法
（一）策略思想
针对上述问题，本文提出如下确权策略和方法，即基于三标度和专家独立判断的赋权方法（Weigh-tlng based on 3-Scales and Expert IndependentJudgment），简称3-SEIJ确权法。该方法的确权策略思想主要包括以下几个要点：
1.基于三标度进行判断。AHP法中需要专家对不同指标项进行两两比较，以获得定量化表述的指标项间相对重要性。自Saaty提出九标度法以来[9]，相继有多种标度方式被提出。尽管有学者通过实验证明了九标度法相对于其它标度在权重精细描述方面的优势[10]，但在实际应用时却避免不了元素多样性导致标度难度增加、同层次多对象难以比较判断等问题。而低维标度可使专家们更容易地给出成对比较矩阵。本方法采用三标度法，即专家们比较a、b两项指标时，只需要进行a比b重要、a与b一样重要、a没有b重要三种判断。这可大大降低比较的难度，使得专家本人以及专家之间更容易达成一致结果。 2.强调多个专家参与，目的是控制单专家赋权所带来的误判风险，同时也是为了弥补三标度所带来的权重不精细问题。
3.强调独立判别，即各个专家各自独立进行判别。这可避免部分专家在集体判别时，丧失独立判别的能力和机会，以充分发挥其经验智慧，也避免了判断矩阵难以通过一致性检验的问题。
4.注重多数意见，但也适当兼顾少数意见，使确权结果更稳妥，降低误判风险。
5.判别前充分讨论和学习，通过思维发散，加强专家对问题的全面理解和沟通，确保各专家独立判断的质量。
6.考虑专家之间经验能力的差异，以及专家评判时的态度差异。即根据专家所给多个判断矩阵结果的整体一致性来衡量专家参与判别的态度。越好的态度，其一致性更好，其权重理应更大。
（二）操作方法与过程
基于上述策略思想，3-SEIJ确权法的具体操作过程可用如图1所示的模型表示，该过程分为人工处理阶段和计算机处理阶段。
第1步：在指标体系确定之后，专家集体进行学习和讨论，深入理解各指标含义、判别目标、判别方法等，加强对问题的全面认识和深刻理解。
第2步：各个专家独立判别。即采用三标度法对指标相对重要性进行独立判别，同时也对其它专家的经验能力进行独立打分。三标度判别矩阵构造方法为：将下一层的n个指标相对于其上一层的各目标进行重要性的两两比较，其所得到判断矩阵C形式如下：
第3步：将独立判别结果提交给计算机，由计算机进行后续处理。也包括三个步骤，在专家提交判断数据之后自动计算完成，描述如下：（1）标度映射操作。即，将三标度判别矩阵映射成九标度判别矩阵。由于直接基于三标度矩阵无法按Saaty的经典AHP法计算权重以及进行一致性检验，故需要进行标度映射。（2）一致性调整计算。考虑到专家判断时仍难免有轻微误差，本步骤对判断矩阵轻微不一致所带来的问题提供自动解决机制，避免将判别结果返回专家重新判别所带来的繁琐。（3）专家意见的融合计算。根据前述各个专家的互评结果以及处理后的判断矩阵进行融合，计算得到最终的指标权重。
（三）关键技术实现
3-SEIJ确权法中，后续计算处理过程中的标度映射、一致性调整以及融合计算是支持上述策略实现的关键技术，下面对其实现方法进行说明。
1.标度映射技术。三标度方法虽降低了专家判别难度，但也一定程度会影响权重分配的细腻度。且无法计算出权重和进行一致性检验。因其取值是0，1，2三个值，不是正互反矩阵。借鉴已有研究[11-13]，采用3～9标度映射技术，将获得的三标度比较矩阵转换为九标度矩阵。将三标度矩阵取值范围映射到九标度类似的范围，并確保矩阵正互反性，计算步骤如下：（1）根据三标度法，获得式（1）所示的三标度判断矩阵。（2）根据得到的cij计算各指标重要性排序指数，算式为：
2.判断矩阵一致性调整技术。判断矩阵是由专家们对各层次指标的相对重要性进行两两比较判断获得的。由于专家对问题认知的多样性以及问题本身的复杂性，即使采用三标度，仍有可能会产生判断结果不一致。借鉴已有研究，调整判断矩阵的一致性如下[14-17]：
（1）设判断矩阵A=（aij）n×n是前述步骤中已恢复的九标度判断矩阵，它已经是正互反矩阵。
3.专家意见融合技术。3-SEIJ方法采取以多数意见为主，但也适当尊重少数派意见的策略思路进行意见综合，同时也注重专家间的互评，给予专家群体认为最有经验判别能力的专家更大的权重。具体实现由下述三个环节组成：
（1）专家聚类。
（2）引入互评确定专家自身权重。
（3）计算专家判断矩阵的可信度权值。
四、应用案例
下面以某金融机构针对某产品经销商客户群体所开发的一个信贷评估模型演算3-SEIJ确权方法的计算过程。建立了该类经销商信用评分指标体系，包含A，B，C三层，其中A层为顶节点（一个），B层五个维度（即五个节点），C层1 8个风险评估指标，即（18个节点）。
限于篇幅，这里只展示案例中A-B层间指标权重的计算过程，其它计算过程类似，不赘述。另外，不失一般性，为描述方便和节省篇幅起见，这里假设只有三名专家参与模型构建。
1.由三名风控专家采用三标度法独立判别得到矩阵如下：
2.根据标度映射技术步骤，通过变换，将获得的三标度比较矩阵转换为九标度的判断矩阵如下：
3.判断矩阵一致性调整。按照前述判断矩阵调整技术以判断矩阵为例：
由此，计算得到三位专家调整后判断矩阵以及相应的指示权重向量：
4.融合计算权重。采用专家意见融合技术综合上述三位专家的决策意见，主要步骤如下：
在应用3-SEIJ方法之前，先用普通AHP法进行确权。首先，由各专家独立判别，填写判别矩阵问卷，然后，在一天后回收问卷，并输入计算机，多次检测通不过，被多次打回重填;数天后，总算都通过，对判别矩阵进行综合，发现仍无法通过检验;于是，召集大家一起对判断矩阵进行反复检验、讨论、修改和再检验。花费了整整一天时间，最终得到通过检验的判断矩阵。由于篇幅限制，在此不一一展示。期间不断有专家抱怨，甚至后来干脆交给一位专家负责调整。按照一般AHP权重计算方式，得到的信用评分模型为：
提出3-SEIJ法后，召集专家用新方法重新判断。按照三标度法进行两两比较，专家很容易对指标的重要程度进行判别，且各专家独立进行评分互不干扰。不到两小时，专家便很有信心地完成问卷，其表现非常轻松。输入计算机后，很快得到了信用分。此外，按照余弦相似度计算公式计算指标向量的相似性程度，得到相似度为0.928，表明两者十分接近。
五、结论
迅速发展的小微企业信贷市场对信贷机构的信用评估技术提出了新的挑战。虽然是大数据时代，仍然有大量小微企业缺乏信用数据或者数据不可以用，这样基于统计模型和数据挖掘方法的建模技术无法应用到许多客户群体的信贷评估模型的开发中。而以风控人员主观经验判断为基础的信用评估模型构建方式，在效率和成本上又难以满足小微企业的异质性与动态需求。在评估模型构建中，确权问题至关重要，但也最为棘手。本文针对目前定性定量结合方法中存在的典型问题，提出了3 - SEIJ的指标确权方法。其贡献与优势在于：（1）采用三标度法，可以降低判断难度，并通过引入标度映射技术来解决权重计算问题，并强调多专家群体参与判别，确保权重的细腻与误判风险控制。（2）引入一致性调整技术，对一些小的不一致性，可利用算法进行调整，减少专家反复判断的麻烦，提高决策效率。（3）给出了专家意见融合技术，采取以多数意见为主，但也适当尊重少数派意见的思路，并充分考虑了专家之间彼此经验能力的差异，以及专家的态度影响，融合得到最终指标权重。 文方法虽然增强了判别后的计算处理复杂度，但降低了专家人工判断的难度。企业实际应用表明，在并没有牺牲模型准确性的情况下，本方法与现有AHP赋权方法相比确权效率明显提升。基于此，信贷机构可针对各类异质的小微企业群体，比较便捷地、个性化地构建出与其匹配的信用评估模型，这对信贷产品推出初期而又没有足够数据情形下的信用评估模型的快速开发尤为合适。
参考文献：
[1] Wiginton J C. A note on the comparison of logit and discrimi-nant models of consumer credit behaviour[J]. Financial Quan-titative Anal，1980 （15） ： 757-770.
[2] Altman E I. Financial ratios， discriminant analysis and theprediction of corporate bankruptcy[J]. Journal of Finance，1968， 23（4）：589-609.
[3] 肖斌卿，杨旸，李心丹，等.基于模糊神经网络的小微企业信用評级研究[J].管理科学学报，2016 ，19 （11）：114-126.
[4] Chen W， Ma C，Ma L.Mining the customer credit using hy-brid support vector machine technique[J]. Expert Systemswith Applications， 2009， 36（4）：7611-7616.
[5] 庞素琳，巩吉璋.C5.O分类算法及在银行个人信用评级中的应用[J].系统工程理论与实践，2009， 29（12）：94-104.
[6] 许艳秋，潘美芹.层次分析法和支持向量机在个人信用评估中的应用[J].中国管理科学，2016（24）：106 -112..
[7] 衣柏衡，朱建军，李杰.基于改进SMOTE的小额贷款公司客户信用风险非均衡SVM分类[J].中国管理科学，2016， 24（3）：24-30.
[8] Gu W， Basu M，Chao Z，et al.A unified framework for creditevaluation for internet finance companies： multi-criteria analy-sis through AHP and DEA[J]. International Journal of Infor-mation Technology&.Decision Making， 2017， 16 （3）：597 -624.
[9] Saaty T L. The analytic hierarchy process[M]. New York：McGraw- Hill，lnternational， 19 80.
[10] Harker P T， Vargas L G. The theory of ratio scale estima-tion： saaty's analytic hierarchy process[J]. Management Sci-ence， 1988（ 33）：1383 -1403.
[11] 左军.层次分析法中判断矩阵的间接给出法[J].系统工程，1988（6）：58-65.
[12] 卢宗华.层次分析法中判断矩阵构造方法的改进[J].系统工程，1990（1）：43-44.
[13] 徐泽水.层次分析法中构造判断矩阵的新方法[J].系统工程，1997（增刊）：204-206.
[14] 李梅霞.AHP中判断矩阵一致性改进的一种新方法[J].系统工程理论与实践，2000，20（2）：122-125.
[15] 王中胜，李敏强，寇纪淞.层次分析法判断矩阵不一致性的形成机理和一种修正方法[J].系统工程理论与实践，1995，15（9）：36-43.
[16] 朱建军，刘士新，王梦光.一种新的改进不一致判断矩阵的方法[J].系统工程理论与实践，2003，23（11）：95-98.
[17] 华中生，吴云燕，徐晓燕.一种AHP判断矩阵一致性调整的新方法[J].系统工程与电子技术，2003，25（1）：38-40.
[18] 吴云燕，华中生，查勇.AHP中群决策权重的确定与判断矩阵的合并[J].运筹与管理，2003，12（4）：16 - 21.
[19] 胡毓达，田川.求解群体多指标决策问题的偏爱度法[J].系统工程理论与实践，1996，16（3）：52- 56.
[20] Ramanathan R， Ganesh L S. Group preference aggregationmethods employed in AHP： an evaluation and an intrinsicprocess for deriving members' weightages[J]. European Jour-nal of Operational Research， 1994， 79（2）：249 265.
关键词：信用评估;决策支持系统;群决策;小微企业
中图分类号：F830. 52
文献标识码： A
文章编号：1003-7217（2019） 03-0039-07
一、引言
信贷支持是小微企业获得蓬勃发展的一个关键要素，开发相适应的信用评估模型以辅助贷款决策成为各类信贷机构的迫切需求。信用评估模型大致可以分为定性、定量以及定性与定量相结合三种类型。定性模型依赖信贷专家的经验，通过对可能影响企业违约概率的相关因素加以主观判断，评定信用等级。如5C法，5P法、LAPP法等，这些方法能够充分利用专家经验，灵活性高，但缺乏客观数据支撑而使得评估结果过于主观，且评级效率低、成本高并难获得一致结果。20世纪60年代前后，随着统计方法的不断推广，信用评估领域逐渐引入了基于统计分析模型的定量方法，主要有回归分析、判别分析、Logistic模型、Probit模型等[1，2]。近些年，随着人工智能和数据挖掘技术的发展，人工神经网络、支持向量机，决策树、遗传算法等方法被广泛应用于信用评估模型[3-7]，这些方法虽然客观，但需要大量历史数据的支持。而定性分析与定量分析相结合的信用评估方法则是指同时利用专家判断和数理模型来进行等级评定，典型的如层次分析法（AHP）[8]。这类方法能够将信贷专家经验和数理方法充分结合，不仅可保留专家意见，解决在历史数据缺乏情况下无法通过统计或数据挖掘模型进行信用评价的问题，而且弱化了主观因素，提高了企业信用评价的规范性和科学性。不管哪类方法，评估模型中的指标权重都是其中的一个关键要素。本文针对信贷机构在小微企业信用评估模型开发中权重难以确定的现实问题，提出一种可有效降低其难度的策略，并给出其关键实现技术，为信贷业务初期缺乏客观数据情形下的信贷模型快速开发提供支持。
二、小微企业信贷评估需求特性与现有建模方法
（一）信贷评估需求特性
1.小微企业信贷需求“短、小、频、急”。小微企业规模小、运作方式灵活、资金流动性大。因其规模小决定了其一次性贷款数目不会太大，否则会增加其运营成本和降低贷款利用率，造成资源浪费。同时，小微企业的经营周期一般都比较短，对资金流动性的要求非常高。正因为如此，小微企业对资金的需求往往呈现短、小、频、急的特性，从而要求信贷机构的评估决策必须快速、高效，尽可能地降低决策时间和成本。
2.小微企业财务数据不完整。许多小微企业组织结构并不完整，管理能力薄弱，且其财务制度一般不健全，财务管理较混乱。
3.小微企业群体的异质性。小微企业数量多、情况复杂，行业分布广，其经营特性、融资需求、地域和文化特性等导致其风险特性具有明显的异质性。
（二）现有确权策略的局限
信用评估的本质是在信息不对称的环境下，利用所获得的有限信息，对企业未来偿债能力和还款意愿进行推断。不论采用定性、定量还是定性与定量结合的方法构建信用评估模型，本质上都是要解决三个方面的问题，即指标体系、指标取值和指标权重。
在小微企业的信用评估方法中，数据挖掘的方法和定性定量相结合的方法是目前最为常见的两类建模方法。前者主要见于那些掌握着大量客户信息资源的互联网企业，即便如此，它们一般也只能应用于其系统内的客户，对系统外的客户因为缺乏数据它们仍然难以客观评价。而后者则在那些没有充分掌握数据或者暂时没有能力利用其所掌握数据的信贷机构中应用得非常普遍。特别是对新开发的客户群体，在业务开展初期信贷机构没有该类客户的任何数据，从而不可能利用客观数据建模。在无数据的情形下，确权的方式主要有两种：一是直接主观赋权;二是采用层次分析（AHP）法或其它模糊判别法，基于专家判断意见来间接计算权重。直接赋权法高度依赖专家的主观判断，虽然简单快速，但误判风险较大。层次分析法更易较准确地获得指标权重，是较普遍的确权方法。然而该方法实践中存在几个典型问题：通常采用九标度法构建判断矩阵。九标度的具体取值方法如表1所示。如此多的标度，以及“稍微、明显、强烈、极端”等术语概念模糊，专家很难做到清晰、一致地给出判断结果。从而使得判断矩阵难以通过一致性检验，而需要重新判断，效率低下。且若由一个专家判断，会使模型误判风险较高。而由多名专家参与判断，则易意见分歧，甚至部分专家不参与表态，集体决策流于形式。
三、确权策略与方法
（一）策略思想
针对上述问题，本文提出如下确权策略和方法，即基于三标度和专家独立判断的赋权方法（Weigh-tlng based on 3-Scales and Expert IndependentJudgment），简称3-SEIJ确权法。该方法的确权策略思想主要包括以下几个要点：
1.基于三标度进行判断。AHP法中需要专家对不同指标项进行两两比较，以获得定量化表述的指标项间相对重要性。自Saaty提出九标度法以来[9]，相继有多种标度方式被提出。尽管有学者通过实验证明了九标度法相对于其它标度在权重精细描述方面的优势[10]，但在实际应用时却避免不了元素多样性导致标度难度增加、同层次多对象难以比较判断等问题。而低维标度可使专家们更容易地给出成对比较矩阵。本方法采用三标度法，即专家们比较a、b两项指标时，只需要进行a比b重要、a与b一样重要、a没有b重要三种判断。这可大大降低比较的难度，使得专家本人以及专家之间更容易达成一致结果。 2.强调多个专家参与，目的是控制单专家赋权所带来的误判风险，同时也是为了弥补三标度所带来的权重不精细问题。
3.强调独立判别，即各个专家各自独立进行判别。这可避免部分专家在集体判别时，丧失独立判别的能力和机会，以充分发挥其经验智慧，也避免了判断矩阵难以通过一致性检验的问题。
4.注重多数意见，但也适当兼顾少数意见，使确权结果更稳妥，降低误判风险。
5.判别前充分讨论和学习，通过思维发散，加强专家对问题的全面理解和沟通，确保各专家独立判断的质量。
6.考虑专家之间经验能力的差异，以及专家评判时的态度差异。即根据专家所给多个判断矩阵结果的整体一致性来衡量专家参与判别的态度。越好的态度，其一致性更好，其权重理应更大。
（二）操作方法与过程
基于上述策略思想，3-SEIJ确权法的具体操作过程可用如图1所示的模型表示，该过程分为人工处理阶段和计算机处理阶段。
第1步：在指标体系确定之后，专家集体进行学习和讨论，深入理解各指标含义、判别目标、判别方法等，加强对问题的全面认识和深刻理解。
第2步：各个专家独立判别。即采用三标度法对指标相对重要性进行独立判别，同时也对其它专家的经验能力进行独立打分。三标度判别矩阵构造方法为：将下一层的n个指标相对于其上一层的各目标进行重要性的两两比较，其所得到判断矩阵C形式如下：
第3步：将独立判别结果提交给计算机，由计算机进行后续处理。也包括三个步骤，在专家提交判断数据之后自动计算完成，描述如下：（1）标度映射操作。即，将三标度判别矩阵映射成九标度判别矩阵。由于直接基于三标度矩阵无法按Saaty的经典AHP法计算权重以及进行一致性检验，故需要进行标度映射。（2）一致性调整计算。考虑到专家判断时仍难免有轻微误差，本步骤对判断矩阵轻微不一致所带来的问题提供自动解决机制，避免将判别结果返回专家重新判别所带来的繁琐。（3）专家意见的融合计算。根据前述各个专家的互评结果以及处理后的判断矩阵进行融合，计算得到最终的指标权重。
（三）关键技术实现
3-SEIJ确权法中，后续计算处理过程中的标度映射、一致性调整以及融合计算是支持上述策略实现的关键技术，下面对其实现方法进行说明。
1.标度映射技术。三标度方法虽降低了专家判别难度，但也一定程度会影响权重分配的细腻度。且无法计算出权重和进行一致性检验。因其取值是0，1，2三个值，不是正互反矩阵。借鉴已有研究[11-13]，采用3～9标度映射技术，将获得的三标度比较矩阵转换为九标度矩阵。将三标度矩阵取值范围映射到九标度类似的范围，并確保矩阵正互反性，计算步骤如下：（1）根据三标度法，获得式（1）所示的三标度判断矩阵。（2）根据得到的cij计算各指标重要性排序指数，算式为：
2.判断矩阵一致性调整技术。判断矩阵是由专家们对各层次指标的相对重要性进行两两比较判断获得的。由于专家对问题认知的多样性以及问题本身的复杂性，即使采用三标度，仍有可能会产生判断结果不一致。借鉴已有研究，调整判断矩阵的一致性如下[14-17]：
（1）设判断矩阵A=（aij）n×n是前述步骤中已恢复的九标度判断矩阵，它已经是正互反矩阵。
3.专家意见融合技术。3-SEIJ方法采取以多数意见为主，但也适当尊重少数派意见的策略思路进行意见综合，同时也注重专家间的互评，给予专家群体认为最有经验判别能力的专家更大的权重。具体实现由下述三个环节组成：
（1）专家聚类。
（2）引入互评确定专家自身权重。
（3）计算专家判断矩阵的可信度权值。
四、应用案例
下面以某金融机构针对某产品经销商客户群体所开发的一个信贷评估模型演算3-SEIJ确权方法的计算过程。建立了该类经销商信用评分指标体系，包含A，B，C三层，其中A层为顶节点（一个），B层五个维度（即五个节点），C层1 8个风险评估指标，即（18个节点）。
限于篇幅，这里只展示案例中A-B层间指标权重的计算过程，其它计算过程类似，不赘述。另外，不失一般性，为描述方便和节省篇幅起见，这里假设只有三名专家参与模型构建。
1.由三名风控专家采用三标度法独立判别得到矩阵如下：
2.根据标度映射技术步骤，通过变换，将获得的三标度比较矩阵转换为九标度的判断矩阵如下：
3.判断矩阵一致性调整。按照前述判断矩阵调整技术以判断矩阵为例：
由此，计算得到三位专家调整后判断矩阵以及相应的指示权重向量：
4.融合计算权重。采用专家意见融合技术综合上述三位专家的决策意见，主要步骤如下：
在应用3-SEIJ方法之前，先用普通AHP法进行确权。首先，由各专家独立判别，填写判别矩阵问卷，然后，在一天后回收问卷，并输入计算机，多次检测通不过，被多次打回重填;数天后，总算都通过，对判别矩阵进行综合，发现仍无法通过检验;于是，召集大家一起对判断矩阵进行反复检验、讨论、修改和再检验。花费了整整一天时间，最终得到通过检验的判断矩阵。由于篇幅限制，在此不一一展示。期间不断有专家抱怨，甚至后来干脆交给一位专家负责调整。按照一般AHP权重计算方式，得到的信用评分模型为：
提出3-SEIJ法后，召集专家用新方法重新判断。按照三标度法进行两两比较，专家很容易对指标的重要程度进行判别，且各专家独立进行评分互不干扰。不到两小时，专家便很有信心地完成问卷，其表现非常轻松。输入计算机后，很快得到了信用分。此外，按照余弦相似度计算公式计算指标向量的相似性程度，得到相似度为0.928，表明两者十分接近。
五、结论
迅速发展的小微企业信贷市场对信贷机构的信用评估技术提出了新的挑战。虽然是大数据时代，仍然有大量小微企业缺乏信用数据或者数据不可以用，这样基于统计模型和数据挖掘方法的建模技术无法应用到许多客户群体的信贷评估模型的开发中。而以风控人员主观经验判断为基础的信用评估模型构建方式，在效率和成本上又难以满足小微企业的异质性与动态需求。在评估模型构建中，确权问题至关重要，但也最为棘手。本文针对目前定性定量结合方法中存在的典型问题，提出了3 - SEIJ的指标确权方法。其贡献与优势在于：（1）采用三标度法，可以降低判断难度，并通过引入标度映射技术来解决权重计算问题，并强调多专家群体参与判别，确保权重的细腻与误判风险控制。（2）引入一致性调整技术，对一些小的不一致性，可利用算法进行调整，减少专家反复判断的麻烦，提高决策效率。（3）给出了专家意见融合技术，采取以多数意见为主，但也适当尊重少数派意见的思路，并充分考虑了专家之间彼此经验能力的差异，以及专家的态度影响，融合得到最终指标权重。 文方法虽然增强了判别后的计算处理复杂度，但降低了专家人工判断的难度。企业实际应用表明，在并没有牺牲模型准确性的情况下，本方法与现有AHP赋权方法相比确权效率明显提升。基于此，信贷机构可针对各类异质的小微企业群体，比较便捷地、个性化地构建出与其匹配的信用评估模型，这对信贷产品推出初期而又没有足够数据情形下的信用评估模型的快速开发尤为合适。
参考文献：
[1] Wiginton J C. A note on the comparison of logit and discrimi-nant models of consumer credit behaviour[J]. Financial Quan-titative Anal，1980 （15） ： 757-770.
[2] Altman E I. Financial ratios， discriminant analysis and theprediction of corporate bankruptcy[J]. Journal of Finance，1968， 23（4）：589-609.
[3] 肖斌卿，杨旸，李心丹，等.基于模糊神经网络的小微企业信用評级研究[J].管理科学学报，2016 ，19 （11）：114-126.
[4] Chen W， Ma C，Ma L.Mining the customer credit using hy-brid support vector machine technique[J]. Expert Systemswith Applications， 2009， 36（4）：7611-7616.
[5] 庞素琳，巩吉璋.C5.O分类算法及在银行个人信用评级中的应用[J].系统工程理论与实践，2009， 29（12）：94-104.
[6] 许艳秋，潘美芹.层次分析法和支持向量机在个人信用评估中的应用[J].中国管理科学，2016（24）：106 -112..
[7] 衣柏衡，朱建军，李杰.基于改进SMOTE的小额贷款公司客户信用风险非均衡SVM分类[J].中国管理科学，2016， 24（3）：24-30.
[8] Gu W， Basu M，Chao Z，et al.A unified framework for creditevaluation for internet finance companies： multi-criteria analy-sis through AHP and DEA[J]. International Journal of Infor-mation Technology&.Decision Making， 2017， 16 （3）：597 -624.
[9] Saaty T L. The analytic hierarchy process[M]. New York：McGraw- Hill，lnternational， 19 80.
[10] Harker P T， Vargas L G. The theory of ratio scale estima-tion： saaty's analytic hierarchy process[J]. Management Sci-ence， 1988（ 33）：1383 -1403.
[11] 左军.层次分析法中判断矩阵的间接给出法[J].系统工程，1988（6）：58-65.
[12] 卢宗华.层次分析法中判断矩阵构造方法的改进[J].系统工程，1990（1）：43-44.
[13] 徐泽水.层次分析法中构造判断矩阵的新方法[J].系统工程，1997（增刊）：204-206.
[14] 李梅霞.AHP中判断矩阵一致性改进的一种新方法[J].系统工程理论与实践，2000，20（2）：122-125.
[15] 王中胜，李敏强，寇纪淞.层次分析法判断矩阵不一致性的形成机理和一种修正方法[J].系统工程理论与实践，1995，15（9）：36-43.
[16] 朱建军，刘士新，王梦光.一种新的改进不一致判断矩阵的方法[J].系统工程理论与实践，2003，23（11）：95-98.
[17] 华中生，吴云燕，徐晓燕.一种AHP判断矩阵一致性调整的新方法[J].系统工程与电子技术，2003，25（1）：38-40.
[18] 吴云燕，华中生，查勇.AHP中群决策权重的确定与判断矩阵的合并[J].运筹与管理，2003，12（4）：16 - 21.
[19] 胡毓达，田川.求解群体多指标决策问题的偏爱度法[J].系统工程理论与实践，1996，16（3）：52- 56.
[20] Ramanathan R， Ganesh L S. Group preference aggregationmethods employed in AHP： an evaluation and an intrinsicprocess for deriving members' weightages[J]. European Jour-nal of Operational Research， 1994， 79（2）：249 265.