基于Python的數(shù)據(jù)挖掘技術(shù)在創(chuàng)業(yè)擔(dān)保貸款中的應(yīng)用

高鍵, 季禹伶

（1.內(nèi)蒙古科技大學(xué)信息工程學(xué)院，內(nèi)蒙古包頭，014010；2.河南大學(xué)經(jīng)濟(jì)學(xué)院，河南開封，475000）

0 引言

創(chuàng)業(yè)擔(dān)保貸款是由國家人社部、財(cái)政部、人民銀行出臺(tái)的一項(xiàng)普惠性的貸款政策，主要面向城鎮(zhèn)失業(yè)人員、高校畢業(yè)生、返鄉(xiāng)創(chuàng)業(yè)的農(nóng)牧民等在金融信貸方面的弱勢群體，為其提供5到20萬的信貸支持，并給予一定數(shù)額的貼息補(bǔ)助。2019年全國創(chuàng)業(yè)擔(dān)保貸款約發(fā)放1000億元，為創(chuàng)業(yè)者補(bǔ)貼利息約67.5億元。

隨著大數(shù)據(jù)技術(shù)的蓬勃發(fā)展，挖掘龐大數(shù)據(jù)體量背后的潛在價(jià)值成為大數(shù)據(jù)領(lǐng)域研究的熱點(diǎn)。通過數(shù)據(jù)挖掘技術(shù)，可以實(shí)現(xiàn)預(yù)測研究主體的趨勢和行為、變量關(guān)聯(lián)分析、目標(biāo)聚類分析、偏差檢測等功能。本文以包頭市為例，將數(shù)據(jù)挖掘技術(shù)應(yīng)用到創(chuàng)業(yè)擔(dān)保貸款這項(xiàng)惠民政策中，通過構(gòu)建創(chuàng)業(yè)者創(chuàng)業(yè)能力評估模型，可以根據(jù)創(chuàng)業(yè)者的實(shí)際情況，合理測算出創(chuàng)業(yè)者的實(shí)際用款需求，實(shí)現(xiàn)國家財(cái)政資金合理分配的目的。

1 設(shè)計(jì)過程

本文基于Python語言實(shí)現(xiàn)，通過matplotlib實(shí)現(xiàn)對數(shù)據(jù)的可視化，pandas實(shí)現(xiàn)對樣本數(shù)據(jù)的分析和處理，sklearn機(jī)器學(xué)習(xí)庫實(shí)現(xiàn)數(shù)據(jù)從預(yù)處理到模型訓(xùn)練的各個(gè)步驟。具體的設(shè)計(jì)流程圖如圖1所示。

圖1 基于Python的數(shù)據(jù)挖掘技術(shù)在創(chuàng)業(yè)擔(dān)保貸款中的應(yīng)用設(shè)計(jì)流程圖

■1.1 數(shù)據(jù)采集

數(shù)據(jù)采集是進(jìn)行數(shù)據(jù)分析的第一步，采集的數(shù)據(jù)主要分為歷史數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù)?；A(chǔ)的歷史樣本數(shù)據(jù)集主要來自于業(yè)務(wù)系統(tǒng)，包括創(chuàng)業(yè)擔(dān)保貸款本身的信息管理系統(tǒng)、社會(huì)保險(xiǎn)信息管理系統(tǒng)以及工商部門的企業(yè)信用公示系統(tǒng)。創(chuàng)業(yè)擔(dān)保貸款本身的信息管理系統(tǒng)提供了創(chuàng)業(yè)者申請創(chuàng)業(yè)擔(dān)保貸款的歷史數(shù)據(jù)，包含申貸次數(shù)，申貸金額、經(jīng)營情況等信息。社會(huì)保險(xiǎn)信息管理系統(tǒng)獲取了創(chuàng)業(yè)者的社會(huì)保險(xiǎn)信息，包含就業(yè)失業(yè)狀態(tài)，就業(yè)困難人員認(rèn)定以及零就業(yè)家庭認(rèn)定等信息。工商部門的企業(yè)信用公示系統(tǒng)主要獲取創(chuàng)業(yè)者的企業(yè)信息，包含企業(yè)的營業(yè)執(zhí)照、經(jīng)營項(xiàng)目等信息。因創(chuàng)業(yè)擔(dān)保貸款的用款周期為兩年，創(chuàng)業(yè)者在按時(shí)還款后，仍然可以繼續(xù)申請，為避免這些再次申請的數(shù)據(jù)對模型構(gòu)建產(chǎn)生影響，選取的樣本數(shù)據(jù)為近兩年的貸款數(shù)據(jù)。實(shí)時(shí)樣本數(shù)據(jù)由各個(gè)部門的工作人員實(shí)時(shí)向業(yè)務(wù)系統(tǒng)導(dǎo)入。

■1.2 數(shù)據(jù)存儲(chǔ)

數(shù)據(jù)存儲(chǔ)的目的在于將采集到的樣本數(shù)據(jù)持久化，以便后續(xù)的分析與處理。因樣本數(shù)據(jù)取自不同的業(yè)務(wù)系統(tǒng)，所以通過Python的requests庫分別向各個(gè)業(yè)務(wù)系統(tǒng)發(fā)送http請求獲取需要的數(shù)據(jù)，并對獲取到的數(shù)據(jù)進(jìn)行整合，最后存儲(chǔ)到Mysql數(shù)據(jù)庫中。

■1.3 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是指對樣本數(shù)據(jù)進(jìn)一步加工，得到一組仍包含原始信息且適合進(jìn)行建模的數(shù)據(jù)集。包含數(shù)據(jù)清洗、數(shù)據(jù)規(guī)范化與特征降維等步驟。數(shù)據(jù)清洗是對采集而來并存儲(chǔ)到數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行校驗(yàn)與糾正的過程，包括對缺失值、異常值、重復(fù)值等數(shù)據(jù)的處理。采集的數(shù)據(jù)主要來自業(yè)務(wù)系統(tǒng)，在業(yè)務(wù)系統(tǒng)中，已對數(shù)據(jù)的輸入進(jìn)行了校驗(yàn)，因此不存在異常值與重復(fù)值，所以主要是對缺失值進(jìn)行處理。

對缺失值的處理用到了刪除存在缺失值的記錄以及插補(bǔ)的方法。例如在對申請創(chuàng)業(yè)擔(dān)保貸款的人員身份進(jìn)行可視化分析時(shí)，通過pandas讀取樣本數(shù)據(jù)集后，調(diào)用groupby函數(shù)對人員身份信息進(jìn)行分組統(tǒng)計(jì)，結(jié)果如表1所示。

表1 不同身份人員申請創(chuàng)業(yè)擔(dān)保貸款數(shù)量統(tǒng)計(jì)表

其中，“其他”類人員屬于缺失值，并且占比相對較高，將會(huì)對其他數(shù)據(jù)的建模造成較大擾動(dòng)，所以該類缺失值采取刪除記錄的處理方式。在對創(chuàng)業(yè)者創(chuàng)業(yè)潛力分析時(shí)，企業(yè)聘用的員工數(shù)量是分析創(chuàng)業(yè)潛力的重要指標(biāo)，由人為因素導(dǎo)致的某些企業(yè)該項(xiàng)數(shù)據(jù)特征的缺失，采用插值法對缺失的數(shù)據(jù)進(jìn)行填充。在具體的操作中，對貸款次數(shù)記錄小于2的記錄進(jìn)行刪除，貸款次數(shù)記錄不小于2的記錄可通過查詢聘用員工數(shù)量的歷史數(shù)據(jù)然后利用拉格朗日插值公式計(jì)算本次申請貸款時(shí)缺失的聘用員工數(shù)量近似值。

■1.4 構(gòu)建模型

得到了可以建模的數(shù)據(jù)后，可以根據(jù)挖掘目標(biāo)與數(shù)據(jù)形式建立分類與預(yù)測、關(guān)聯(lián)規(guī)則、聚類分析等模型?；赑ython語言的sklearn機(jī)器學(xué)習(xí)工具包，涵蓋了所有機(jī)器學(xué)習(xí)算法，并且提供了簡單高效的數(shù)據(jù)挖掘和數(shù)據(jù)分析工具。本文利用sklearn對建模過程中的參數(shù)進(jìn)行了調(diào)試和優(yōu)化，最后建立了創(chuàng)業(yè)者創(chuàng)業(yè)能力的聚類模型。

2 系統(tǒng)設(shè)計(jì)與應(yīng)用

■2.1 挖掘潛在的申請群體

創(chuàng)業(yè)擔(dān)保貸款申請的前提條件一般要求創(chuàng)業(yè)者持有工商營業(yè)執(zhí)照，通過對包頭市各個(gè)旗縣區(qū)申請創(chuàng)業(yè)擔(dān)保貸款人數(shù)與整理的工商戶數(shù)據(jù)進(jìn)行貢獻(xiàn)度分析，并利用matplotlib將分析結(jié)果數(shù)據(jù)可視化，得出的結(jié)論如圖2所示。

圖2 包頭市各旗縣區(qū)工商戶數(shù)量與已申請創(chuàng)業(yè)擔(dān)保貸款人員占比情況

從圖2中可以看到，距離市中心較遠(yuǎn)的“外五區(qū)”申請創(chuàng)業(yè)擔(dān)保貸款的人員占當(dāng)?shù)毓ど虘魯?shù)量的比重明顯比繁華的“市五區(qū)”較高，一般是因?yàn)椤巴馕鍏^(qū)”地大人稀，人口密度低但聚集較為集中，所以宣傳效果較好，而“市五區(qū)”人口密度高，人口聚集地較多且不集中，因此導(dǎo)致政策覆蓋面不夠廣泛。所以主管部門可以進(jìn)一步加大在“市五區(qū)”內(nèi)的宣傳力度，擴(kuò)大政策覆蓋的廣度與深度。

■2.2 創(chuàng)業(yè)者創(chuàng)業(yè)能力分析

在創(chuàng)業(yè)擔(dān)保貸款的實(shí)際工作中，創(chuàng)業(yè)者的實(shí)際用款額度由審批單位根據(jù)創(chuàng)業(yè)者的經(jīng)營狀態(tài)認(rèn)定，這種認(rèn)定往往是帶有經(jīng)驗(yàn)性的主觀認(rèn)定，存在一定的弊端。通過對創(chuàng)業(yè)者經(jīng)營情況的一些具體數(shù)據(jù)進(jìn)行量化，構(gòu)建創(chuàng)業(yè)者創(chuàng)業(yè)能力的聚類模型，可以將創(chuàng)業(yè)者按創(chuàng)業(yè)能力分類，進(jìn)而為其匹配相應(yīng)的貸款額度。

從Mysql數(shù)據(jù)庫中獲取到關(guān)于創(chuàng)業(yè)者的基本信息，導(dǎo)入pandas進(jìn)行分析，取前5行數(shù)據(jù)，創(chuàng)業(yè)者數(shù)據(jù)的一些特征及數(shù)據(jù)如表2所示。

表2 創(chuàng)業(yè)者信息前5行數(shù)據(jù)預(yù)覽

不同特征的數(shù)據(jù)之間差距較大且單位不一致，需要對數(shù)據(jù)進(jìn)行規(guī)范化處理，消除量綱間的差距。通過對一些主要特征的數(shù)據(jù)繪制正態(tài)分布函數(shù)圖，可以發(fā)現(xiàn)這些特征近似符合正態(tài)分布，因此采用z-score標(biāo)準(zhǔn)化對數(shù)據(jù)進(jìn)行去量綱化操作。之后對數(shù)據(jù)進(jìn)行特征降維，去除例如姓名、學(xué)歷等一些無關(guān)的特征，通過方差分析法，發(fā)現(xiàn)貸款次數(shù)的方差較小，不足以區(qū)分每個(gè)樣本在該特征上的不同，因此去除該特征。最后確定年齡、員工人數(shù)、創(chuàng)業(yè)年限、年利潤、企業(yè)占地面積5個(gè)特征的數(shù)據(jù)進(jìn)行模型訓(xùn)練。

采用K-Means算法對創(chuàng)業(yè)者的特征數(shù)據(jù)進(jìn)行聚類分析，通過對不同簇?cái)?shù)k下的聚類結(jié)果進(jìn)行對比，當(dāng)k取5時(shí)，聚類效果較好。因此設(shè)定n_clusters的值為5對數(shù)據(jù)進(jìn)行聚類。通過繪制雷達(dá)圖對聚類結(jié)果進(jìn)行分析，如圖3所示。

圖3 基于聚類結(jié)果的創(chuàng)業(yè)者創(chuàng)業(yè)能力雷達(dá)圖

從圖3中可以看到，不同群體在各個(gè)特征之間的表現(xiàn)存在較大的差異，例如L5群體在年利潤特征上表現(xiàn)突出，通過結(jié)合業(yè)務(wù)情景，該類創(chuàng)業(yè)者往往能創(chuàng)造較高的經(jīng)濟(jì)價(jià)值，可以認(rèn)定為具有極強(qiáng)創(chuàng)業(yè)能力的創(chuàng)業(yè)者，可以繼續(xù)給予較高額度的創(chuàng)業(yè)擔(dān)保貸款支持。L1群體雖然在年利潤特征上表現(xiàn)不足，但在員工人數(shù)特征上表現(xiàn)突出，表明該類創(chuàng)業(yè)者當(dāng)前給社會(huì)帶來較多的就業(yè)崗位，在原有貸款額度的基礎(chǔ)上，可以給予重點(diǎn)扶持。

3 結(jié)束語

目前大多數(shù)的政府機(jī)構(gòu)基于業(yè)務(wù)流程的控制開發(fā)了數(shù)據(jù)信息管理系統(tǒng)，但挖掘數(shù)據(jù)背后的潛藏價(jià)值，使其更好的應(yīng)用于管理與服務(wù)中，仍是需要解決的問題。本文在已有業(yè)務(wù)數(shù)據(jù)的基礎(chǔ)上，利用數(shù)據(jù)挖掘技術(shù)，對創(chuàng)業(yè)擔(dān)保貸款的業(yè)務(wù)數(shù)據(jù)進(jìn)行了分析與挖掘，構(gòu)建了創(chuàng)業(yè)者創(chuàng)業(yè)能力分析模型，實(shí)現(xiàn)了對創(chuàng)業(yè)者創(chuàng)業(yè)能力的準(zhǔn)確評估，為政策決策提供了有效的數(shù)據(jù)支撐。