中国科学院行为科学重点实验室知识库

是否给一家企业贷款是银行要做的一项重要决策。企业在申请贷款过程中提供的信息或线索是判断其是否能正常还贷的基础。但银行职员们能合理利用这些线索,做出准确的决定吗?如果不能的话,有何方法可以帮助他们?在本研究中,我们收集了411个在某银行成功获得贷款的企业的数据,包括每个企业的信用等级、职工人数、担保方式等17条线索及其最终的还贷情况(正常或不良)。此后,我们邀请了19名从事银行信贷业务的资深职员,让他们根据每个企业的线索,在不知道该企业还贷结果的情况下,决定是否给其发放贷款。每个受邀请对象需要对20个随机选取的企业进行决策,我们共收集到376个有效决策。结果发现,这些职员的整体决策准确率为53.0%,略高于随机猜测水平。这表明,即使是一线的工作人员,他们对企业是否能够正常还贷的判断力还存在很大不足。以往的研究发现,在是与否的二元决策中,一个名为"快速简洁树"(Fast-and-frugal Trees, FFT)的启发式往往可以帮助人们做出快速且准确的决策。在一个二元决策中,如果共有m个线索可以利用,那么FFT是一种具有m+1个决策出口,其中前m-1个线索只有一个出口,第m个线索具有两个出口的决策树。每个FFT都可以用几个顺序执行的、简单的"If-then"法则来描述。我们对现有的样本进行大量建模和测试,发现一个仅利用17条线索中4条线索(征信报告、存贷比、担保方式和与银行合作关系)的FFT的决策效果最佳。而且,与8种常用的机器学习算法相比,该FFT在学习样本较小的情况下可以达到与最好的算法相同的准确率;随着学习样本的增加,最好的算法的准确率会比该FFT更好,但两者之间的差距并不大。我们将该FFT应用到银行职员所完成的376个决策中时,结果得到的准确率为82.2%,远高于职员们的准确率。与机器学习算法相比,FFT具有结构简单,过程透明,执行灵活等优点,且在信息不足的"小数据"任务中的准确率尤为出色。本研究验证了FFT可在放贷决策中大幅度提升职员的决策准确率,是一个值得大力推广的决策辅助工具。