摘 要：目前，对微观信用评价理论和方法的研究基本上是针对条件、关系等因素在相对确定的状态下进行的，主要通过运用运筹学、回归分析、管理科学与数量经济学建立研究理论和方法，如博弈理论、数据包络理论以及区块链理论。在大数据环境中，微观信用的影响因素一般情况下是动态的，客观上动态的、非确定性、小概率、非正负相关的逻辑关系不明显，而随机性因素会对信用问题造成巨大影响。文章在国内外最新研究的基础上，指出在大数据环境下微观信用机制的研究方法和方向，并提出了研究路径。
关键词：大数据;小额信贷;评价;趋势
中图分类号：F208
文献标识码：A
文章编号：1673-8268（2019）01-0102-08
国家科技部和自然科学基金委一直高度关注大数据的研究和发展，同时也高度关注对大数据相关理论和方法的研究和应用。微观信用问题是大数据环境下取得可靠和可信数据的基础，大数据环境下对微观信用机制和方法的研究是一个全新的领域，微观信用的机制和方法问题不仅在传统的金融领域有广泛应用，而且已经延伸到社会经济、科学研究等领域。
在这个研究中，我们将金融领域作为主要的微观信用理论研究的出发点，因为金融领域的两个核心问题——信用和风险——是互为前提、密不可分的。我们的研究从大数据环境和金融角度入手，进行微观信用机制和方法的探讨，初步梳理了现有的微观信用机制、方法理论的贡献以及由于理论和研究方法的进步迫切需要做进一步研究的问题。
互联网的普及、信息理论和技术的广泛应用、人工智能的飞速发展，使宏观信用或者微观信用的研究领域从金融、经济层面提升到科学研究的方法层面。基于金融领域的微观信用的机制也变得更加复杂，因此从金融的微观信用机制研究入手，面对大数据时代信息和信息技术出现的新特征和新问题，提取核心理论和方法形成新的科学研究方法并进一步加以运用，是未来研究亟待解决的课题。
一、微观信用机制和研究方法发展述评
信用，辞海的解释：信任使用;遵守诺言，实践成约，取得别人的信任;以偿还为条件的价值运动的特殊形式。社会学的解释是信任、资信、诚信，经济学和金融学中是以偿还和付息为基本特征的借贷行为。宏观信用主要是指对总体或全部集合的评价和价值判断，而微观信用就独立个体或部分集合作出的评价和价值判断。
一直以来，人们对信用机制和评价的研究围绕经济领域展开，特别是微观信用的评价机制主要围绕金融领域展开。目前学术界或实业界对微观信用机制和理论的研究主要针对条件、关系因素以及在相对确定状态下的环境进行，大多是通过运筹学、回归分析、管理科学与数量经济学建立的研究模型和方法，应用的理论包括博弈理论、数据包络理论[1]1-25以及区块链理论，且这些模型和方法仍在不断发展和完善中。
目前，国际和国内的研究者在微观信用评价和效益理论方面的研究总结起来主要在以下几个方面：
第一，控制论、系统论和博弈论的完善和发展。将微观信用机制和研究方法从经验判断提高到以量化指标体系建立和能实现逻辑判断的科学理论研究的高度。控制论、系统论和博弈论是信息理论研究的重要基石，也是科学管理、工程系统与物理过程评价和效益理论的基础。
美国著名数学家、信息论的先驱维纳[2]在其1948年出版的《控制论》一书中明确提出建立主体与客体之间形成的具有自主学习系统的对话关系。维纳的控制论更强调系统的行为能力和系统的目的性。过去对微观信用机制和理论的研究主要针对条件、关系因素，在相对确定状态下的环境进行，大多通过运筹学、回归分析、管理科学与数量经济学建立研究模型。维纳的这一思想让研究成果出现了质的飞跃，从纯粹的客体研究进入到主体和客体互动关系的研究，特别是对微观信用研究的效益评价理论做出了更加理性和全面的科学梳理。
梳理控制论的核心思想，从维纳提出的“行为”到“反馈”维纳在控制论中的表述为：“行为”即系统在外界环境作用（输入）下所作出的反应（输出），任何系统要保持或达到一定目标，就必须采取一定的行为，输入和输出就是系统的行为。“反馈”即系统输出信息返回输入端，经处理，再对系统输出施加影响的过程。控制论的研究表明，无论是自动机器，还是神经系统、生命系统，以至经济系统、社会系统，撇开各自的质态特点，都可以看作是一个自动控制系统。在这类系统中有专门的调节装置来控制系统的运转，维持自身的稳定和系统的目的功能。控制机构发出指令，作为控制信息传递到系统的各个部分（即控制对象）中去，由它们按指令执行之后再把执行的情况作为反馈信息输送回来，并作为决定下一步调整控制的依据。整个控制过程就是一个信息流通的过程，控制就是通过信息的传输、变换、加工、处理来实现的。，整个理论的构想是人与客观外界的一个交互过程，而这个客观外物被赋予了自主学习等功能。在深入学习和研究中认识到，对于微观可信度的建立和认识是最基础的，因此当控制论发展到一定阶段，在理论上可以用于对微观信用评价体系的建立和认知。即，基于控制论的思想衍生出涵盖各学科的评价、效益理论和方法，而管理工程正是取其思想建立了宏观和微观信用机制和方法。
系统论在20世纪40年代由美籍奥地利理论生物学家冯·贝塔朗菲首先提出[3]，经过同时代许多科学家的研究、发展而形成，包括贝塔朗菲提出的一般系统论，维纳提出的控制论，香农提出的信息论，普里高津提出的耗散结构理论，哈肯提出的协同理论，等等，也包括在科学及工程领域得到广泛应用的系统分析技术。
按照系统论的观点，科学界已经从不同角度对系统进行了分类。系统论不仅作为一般的世界观和方法论充实和发展了当代哲学，而且对管理学以至整个科学技术的发展都有直接而巨大的贡献[3]。
系统论对管理学的发展起了重要的助推作用，提供了解决复杂问题的分析工具，促成了管理新模式的出现。系统管理原理奠定了管理学作为科學学科的地位[4]。美国管理学家斯科特等在《组织理论——理性、自然与开放系统的视角》一书中说：“现代组织理论的与众不同的特质是它的概念分析基础，即研究组织的唯一有意义的方法是把组织当作系统来研究。”[5]卡斯特和罗森茨韦克在《组织与管理——系统方法与权变方法》中提出：“系统理论为研究社会组织及其管理提供了新的规范，系统方法有助于分析和综合复杂、动态的环境，它不仅研究系统及其超系统之间的相互作用，分系统之间的相互关系，而且还提出了协同的方法。从上述描述中，我们可以看到控制论到系统论的清晰发展和继承的关系。这种概念体系使我们能够研究一个完全处于外界环境系统制约中的个人、组织、社会等复杂系统。”[6]1984年，诺贝尔奖得主盖尔曼等科学家成立圣菲研究所，专门研究复杂性问题大数据技术和人类探索复杂性的努力有密切关系，20世纪70年代，新三论（耗散结构论、协同论、突变论）的兴起对几百年来贯穿科学技术研究的还原论发起了挑战。1984年，盖尔曼等诺贝尔奖得主成立以研究复杂性为主的圣菲研究所，提出超越还原论的口号，在科技界掀起了一场科学运动。虽然雷声很大，但30年来并未取得预期的效果，其原因之一是当时还没有出现解决复杂性的技术。，他们研究的方向就是大数据环境下的一些基本原理，从科学研究的出发点来探讨数据来源的可靠性和关联性问题。这类问题对于微观信用评价理论和方法具有启示和借鉴作用。而这种价值的基础就是建立了复杂信息系统的分析方法，这对于微观信用机制的研究、分析各种关系因素、建立更加透明的数学分析模型具有开创性的意义，对信用评价体系和今天的各个金融机构使用的微观信用评价、效益理论和方法的建立起到了奠基作用。
从博弈论的角度看，博弈的参与方总是寻找对自己最优的策略并由此形成一个均衡状态。北京大学张维迎在论述博弈论时，做了一个简单的描述，他在《博弈论与信息经济学》[7]一书中分析：在一个信息传递方便、市场监督机制健全的良好信用环境中，如果某家企业某次不讲信用并因此获得额外利益，但很快被别的企业知悉并在其后的经济交易中拒绝对它提供信用帮助，那么这家企业就会处于孤立状态，从而付出巨大的代价。因此，在信息传递机制和信用监督机制都很健全的社会环境中，企业不讲信用不是其最优策略;恰恰相反，其最优策略是讲信用，并防范交易对手不讲信用。但是，在一个信用环境不好、市场机制不健全的社会，如果某家企业某次不讲信用并因此获得额外利益，但其他企业却无法及时知悉并在其后的经济交易中仍对它提供信用帮助，那么这家企业就会因此而继续获益。于是，在信用监督机制不健全的社会环境中，该企业的最优策略就是不讲信用。当其他企业发现不讲信用的企业短期内可以获得额外收益，而自己因为讲信用却遭受利益损失时，这些企业的最优经济策略也会选择不讲信用。如果不讲信用被大多数企业作为最优策略，那么企业之间的信任随之降低，信用环境就会恶化。从长期来看，不讲信用的企业是没有市场的。
博弈论研究结果表明，如果博弈的参与方只进行短期博弈而缺乏长期博弈，那么这个参与方就会失信。只有加大对失信参与方的惩戒，提高失信的成本，使参与方进行短期博弈的失信成本远远大于其因此博取的收益，才可能使参与方进行长期博弈，减少参与方的失信行为。为此，学者们在博弈论的基础上研究出了一系列数学模型，使微观信用机制和方法在竞争状态下的合作与协同理论得到了完善。但是必须指出，无论是控制论还是系统论，或者在这些理论研究的过程中，对两个或多个目标系统之间关系研究而出现的博弈论，对于信息的信用体系和评价都没有深入，都是将信息假定在一个真实的条件下的。这就是我们看到的，信息的微观信用不一定是完全真实的，或者说百分之一百可信的。
2000年以前，中国科学院和北京大学、西安交通大学在这个方向上的研究比较具有代表性，它们在不同的理论方向上都有突破和发展，为我国航空、航天和核反应等工程领域的过程管理提供了支撑和帮助。这些研究成果更多地反映在客观过程中对事件的评价、控制和效益分析上，偏重于工程系统的微观信用评价和效益体系。在这个阶段，我国对于经济领域和社会领域的微观信用机制和方法的研究还比较薄弱。
第二，2000年以后，国内理论界明确提出了评价和效益理论，其理论研究主要是对基于数据包络理论的发展、补充、完善、简化和应用。国内以中国人民大学的研究成果为代表，各研究机构和大学相关学科在这个领域的研究发展很迅速。数据包络分析（data envelopment analysis，DEA）由著名的运筹学家Charnes和Cooper等人于20世纪70年代末提出，主要思想是通过数学规划计算比较各评价机构之间的相对效率。简单地说，就是把待决策单元与参考决策单元进行比较得到相对效率，是对决策单元进行相对评价时最常用的方法之一，是运筹学、管理科学和数理经济学交叉研究的一个新的领域。中国人民大学魏权龄教授最早在国内介绍和研究数据包络分析理论[1]3，并率先出版了研究著作《数据包络分析》，介绍和发展了数据包络分析方法、模型和理论，形成了中国人民大学的研究团队。
数据包络理论来源于控制论和系统论，是对信息论中博弈理论的深入，从控制论和系统论的宏观信用评价和效益理论走向微观，为经济领域从宏观研究走向微观量化研究建立了理论基础。在控制论和系统论的基础上，数据包络理论开创和发展了当代数量经济学，使宏观的经济学研究走向量化研究，形成微观经济学。数据包络理论建立的数学模型基本上都是在相对有限条件和输入/输出较为确定的状态下进行的。其缺陷在于对数据集合來源有明确指向，现有的各种评价方法强调的是已有数据集的分析和评价，对客体数据集合无论采取何种数学建模的方式，都是基于数学模型的优化或简化，也就是说，其区别就是计算方法的复杂或简单，没有对信息来源的主动选择权。
第三，2015年以后，微观信用机制和方法的研究理论开始进入到微观层面的数据比对、区块链、大型关联数据库建立理论的研究和应用中。这些理论和方法基本上都建立在大数据环境下，将数据集中于不同的信用层面，采取纵向集群，是对技术层面对底层最基本问题同构性的进一步认识，其试图在信息的底层解决应用层面的动态和不确定性问题，是目前研究微观信用问题的一个重要方向。因此，让动态、不确定性和即时数据更新与分析进入到微观信用评价理论和方法中是完善效益评价以及预测理论和方法的重要一环。特别是大数据环境下，微观信用研究理论和方法也从抽样转变为需要全部数据样本，由关注精确度转变为关注效率，由关注因果关系转变为关注相关性，从不能预测转变为可以预测，从人的思考和运算到人工智能的高级阶段即机器学习等等，人们观察和思考问题的角度都已经发生了根本性的变化，学者们聚焦这些研究理论和方法在微观应用领域的具体分析上，并在此基础上提炼具有普遍性的原理和方法。
目前，学术界对静态信息的处理理论和方法的研究已经日臻完善，综合运用了控制论、系统论或博弈论、运筹学，以及纯粹的数学分析方法如回归分析以及线性规划理论等，但是这些理论和方法在动态信息采集和整理上仍有缺陷。随着人类对大数据理论和技术认识的深入，我们必须面对突变信息对微观信用的直接影响问题，其对全球经济、政治和社会发展的影响占有很强的权重。
二、大数据环境下微观信用机制和方法研究的现实意义
集成电路、计算机与通信技术的发展增强了人类研究和处理复杂问题的能力。复杂性科学是大数据技术的科学基础，大数据方法可以看作复杂性科学的技术实现，为还原论与整体论的辩证统一提供了技术实现途径。
大数据标志着人类在寻求量化和认识世界的道路上前进了一大步，过去不可计量、存储、分析和共享的很多东西都被数据化了，拥有大量的不那么精确的数据为我们理解世界打开了一扇新的大门[8]。大数据能提高生产效率和销售效率，原因是大数据能够让我们知道市场的需要以及人的消费需要。大数据让企业的决策更科学，由关注精确度转变为关注效率。
确定与不确定交织在一起，过去那种一元思维结果已被二元思维结果取代。过去寻求精确度，现在寻求高效率;过去寻求因果性，现在寻求相关性;过去寻找确定性，现在寻找概率性，对不精确的数据结果已能容忍。只要大数据分析指出可能性，就会有相应的结果，从而为企业快速决策、快速动作、创占先机提供了可能。大数据思维一个最突出的特点，就是从传统的因果思维转向相关思维。传统的因果思维一定要找到一个原因，推出一个结果来，而大数据思维却没有必要找到原因，不需要通过经典的科学手段去证明这个事件和那个事件之间有一个必然。
人工智能已转变为研究机器学习。大数据分析要求机器具有分析能力，机器即时学习变得更为重要。机器学习是指计算机利用经验改善自身性能的行为，它主要研究如何使用计算机模拟和实现人类获取知识（学习）的过程，创新、重构已有的知识，从而提升自身处理问题的能力，其最终目的是从数据中获取知识。
另一方面，大数据思维提出了对底层非结构性数据和可视化状态下的微观信用的数据集的采集和建立问题。我们将研究方向放在如何在大数据环境中即非线性或者非结构性数据条件下建立微观信用的状态模式和数学模型。偶发性、小概率、非关联性和随机性事件因素等多维信息和数据流的大量出现，对微观信用产生了显性和潜在影响，归根到底，这也是大数据理论发展中的基础问题。
李国杰院士认为，对于大数据环境研究“需要建立多模态关联关系下的数据分布理论和模型，理清数据复杂度和计算复杂度之间的内在联系，奠定大数据计算的理论基础”引自李国杰《对大数据的再认识》一文。2015年6月 1日，中国工程院院士、中国计算机学会大数据专家委员会主任李国杰在中国人民大学2015年中央和国家机关司局级干部选学“大数据与中国特色信息化道路”专题班的开班仪式上作了题为《对大数据的再认识》的报告。。同时还提到“大数据技术还不成熟，面对海量、异构、动态变化的数据，传统的数据处理和分析技术难以应对，现有的数据处理系统实现大数据应用的效率较低，成本和能耗较大，而且难以扩展。这些挑战大多来自数据本身的复杂性、计算的复杂性和信息系统的复杂性”[9]。将李国杰的研究延伸开来，可以进一步认识复杂系统处于动态、非确定性、小概率、非正负相关、无逻辑关系和随机性的环境这一现象，研究微观信用系列的具体理论和方法问题。这些问题不仅是大数据环境中出现的基础性前沿问题，而且是复杂系统和复杂系统性问题，对于我们研究微观信用问题具有启迪作用。
大数据研究应从复杂性研究中吸取营养，要了解20世纪的“新三论”，还要了解超循环、混沌、分形和元胞自动机等理论知识，扩大视野，加深对大数据机理的理解。大数据技术不断延伸和应用于社会经济层面，数据与数据集合之间的关系变得日益复杂，数据、数据集与各种应用的交叉越来越频密，底层数据的信任关系与上层应用的关联和互动成为今天大数据环境下非常重要的研究对象。各种数据之间的信用关系问题也变得日益突出，从对海量信息的筛选、梳理、过滤和提炼，由信息可靠性理论研究出发，衍生到国民经济和社会发展领域，我们发现社会经济层面对可信数据和可靠数据的需要愈加迫切。因此，在大数据环境下，微观信用研究对于国民经济和社会发展迫切需要解决的信用评价体系的建设问题，也具有了由点及面的普遍意义。
我国每年需要对各类金融和生产企业进行信用评级，而国际市场被标准普尔、穆迪、惠誉三家老牌评级公司垄断。随着市场化的深入，企业、个人的信用体系也在建设中，建立微观信用评价、效益和预测体系对建立公平、公正和公开的市场经济竞争环境非常迫切和必须。
延伸到大数据环境下的微观信用，我们就必须研究微观信用包含哪些方面，诸如微观信用的大数据环境指的是什么，获得大数据微观信用的途径，面对多文本、多结构和非结构性数据的处理办法，这些办法的合理性和确定性，与传统办法的区别，真实全面反映微观信用的“场景”的筛选，筛选原则的确定，建立主题词库，等等[10]。
目前，对微观信用的研究方法基本上是在有限条件、关系因素以及在相對确定的状态下通过采用运筹学、回归分析、管理科学，在数量经济学基础上建立起来的，如博弈理论、数据包络理论以及区块链理论[11]，且这些理论和方法仍在不断发展和完善中。尤其是在大数据环境中，微观信用的动态、非确定性、小概率、非正负相关、无逻辑关系和随机性因素对信用问题构成了巨大影响，极端情况可能是颠覆性的。我们要在发展和完善理论研究的基础上，通过数学和人工智能技术方法对大数据领域提出的同构性和不确定性原理2012年，李德伟和徐立在大数据基本原理研究的基础上，提出大数据的数理哲学的基本原理同构性和不确定性。2013年，电子工业出版社出版《大数据改变世界》一书，其中第二部分专门针对这个问题进行了分析。，用智能检索比对、区块链、大型数据库和模糊数学模型等最新技术进行处理，从而建立相关数学模型。完善动态、非确定性、小概率、非正负相关、区块链、无逻辑关系和随机性因素的数学模型和新的认识理论，探索动态大数据环境下微观信用的评价和效益问题，并通过对企业信用和个人信用个案的研究，阐明大数据环境下微观信用影响的认识规律，建立新环境下的评价、预测理论和方法。这将推动大数据理论的深入研究，对未来科学研究方法的探索具有重大意义。
三、大数据环境下微观信用机制和方法研究的核心问题和关键技术
首先，如何确定微观信用的定义、内涵和外延，以及微观信用评价的定义和范畴，这是确定我们研究对象是什么的问题;其次，是微观信用评价理论和方法的基础性问题，它是否在科学研究领域或者社会经济领域具有普遍性意义，是否对科学研究有推动作用;最后，是微观信用在大数据环境下的表现形态，以及这些表现形态的表征和我们研究对象存在的条件。针对微观信用的这些特点，我们的评价理论和方法应该如何界定，这个问题确定了我们应如何选择研究方法和关键技术。
尽管经济学界对信用问题有比较深入的研究，对微观信用也有清晰的定义，但是我们对这个由经济学导出的概念进行深入研究后发现，微观信用问题也是一个关乎其他基础学科深层研究的数据或信息的可信问题，无论是宏观信用还是微观信用，都涉及到社会、伦理、道德、哲学、科学、技术等多学科的交叉融合，涉及到社会经济背景和文化基础，涉及到人与人之间的关系。所以，我们说微观信用问题不完全是经济问题，更是社会发展的综合问题，是反映人类社会关系的多角度内在联系的问题。将微观信用的基本概念上升到底层信息或数据可靠性和可信度的研究层面，是我们这个研究的出发点，具有普遍的科学研究意义[12]。
从特定领域出发，提炼相关概念和方法，再从理论上加以总结，在过去对海量的微观信息或数据无法进行有效梳理和鉴别的情况下是很困难的。但今天，在大数据环境下，在几个特有的领域，对微观信用机制和方法的研究可能会有突破性的进展。目前，在笔迹和脸型识别等技术已经广泛应用于银行系统微观信用评价的基础上，以以太坊技术为基础的区块链方法已经作为公有链技术在银行、保险等领域被推广，建立以底层可信共享数据或信息的大型公有数据库的理论和方法正在发展完善。大数据环境下，我们力图将这些理论和方法推广并应用于科学研究的其他领域，且未来，在这些研究方向中可能会诞生我们在微观信用评价和效益理论方法上的关键技术。
四、大数据环境下微观信用机制和方法研究的方向
大数据环境下，对微观信用机制和方法的研究的总体路径是：构建微观信用评价体系，挖掘和提炼非结构性信用信息，判别多维数据流下违约风险和如何使用多维动态信用评价方法建立信用评价模式与预防策略行为机制。
鉴于以上分析，有必要理清大数据环境下微观信用评价理论和方法的研究方向，我们认为大数据环境下微观信用机制和方法研究的主要方向有以下几个方面。
第一，梳理和分析大数据环境下微观信用机制和方法研究的主要方向和内容。学术界对信息时代新阶段有了基本的共识，就是要高度重视大数据，正确认识大数据的价值，揭示大数据应用给经济发展、政府运行、社会生活等方面带来的深刻影响。在信息时代的新阶段，研究微观信用的内涵和外延，国际国内对微观信用的研究动态、主要成果以及这些成果的意义和局限。
第二，对企业信用和个人信用等微观信用的静态数据的分析研究。找出其中的普遍性规律并建立评价体系，对原有的基于这些静态数据建立的数学模型作分析研究。
第三，收集分析和提取国际重要评级机构惠誉、穆迪、标准普尔在微观信用机制形成、评价和效益研究中所使用的体系和方法。这三大评级机构的评级侧重点不同，标准普尔侧重于企业评级，穆迪侧重于机构融资评级，惠誉则侧重于金融机构的评级。经历上百年的发展，这三个评级机构都拥有自己的数据库和研究方法，对不同对象的评价体系各有不同。但国内对此还缺少研究，因此深入分析它们对微观信用的评价和效益研究的体系和方法，对我们具有借鉴意义。
第四，构建大数据环境下微观信用研究体系。确立研究对象、研究目的和研究方法，对非结构性数据挖掘整理提炼技术进行分析，分析多维体系建立的维度，确定“复杂系统微观信用评价体系模型”的标准内容。
第五，通过对非结构性数据的研究，探索智能检索比对的方法，特别是对图像数据的处理。在信息井喷的今天，信息中非结构性数据已经占到80%（其中70%以上是图像数据或与之相关的数据）。由于非结构性数据带有强烈的个性特征，其数据或数据集之间的关联关系非常不确定，这给传统研究方法带来了巨大的挑战。虽然最新的信息技术和人工智能技术在非结构性数据处理上有了很大的进步，但距离实践中产生的和实际应用中需要处理的非结构性数据类型的还原程度的要求还有相当大的距离。因此，在对微观信用机制的研究中，非结构性数据的理论梳理和方法应用应是微观信用理论研究的重要方面。
第六，大型非结构性数据库的建立和模糊数学模型在微观信用的评价和效益问题上的扩展应用。要建立大型非结构性数据库，就要研究各种非结构性数据集的不同结构，解决其在基础层面上的同构关系问题，理清其内在脉络，在复杂环境中建立相对确定性的关系束。要将微观信用的评价和效益理论从微观经济研究层面拓展到科学研究的基础层面和对信息来源的较为客观的评价和价值判断上，形成科学研究的新方法。
第七，区块链技术在微观信用机制和方法中具体作用的分析以及应用。区块链技术是一种特定的数据库技术，其核心意义是参与方之间建立数据信用，通过单方面的对抗，打造单方面的生态共同保障完整性机制。区块链出现之前，无法做到新的数据共享，即使做定向也只是给一个接口;区块链让参与方实现了信用的共享。区块链技术作为一种特定的分布式存取数据技术，通过网络中多个节点共同参与数据的计算和记录，并且互相验证信息的有效性。在区块链的支持下，特别是将以太坊技术应用于处理公有链方面后，大数据环境微观信用关系的建立有了突破。因此，研究区块链技术在微观信用机制和方法中的具体作用以及应用显得非常重要，它对建立微观信用的评价理论和方法有很强的导向作用。但是，区块链技术仅仅是开端，要深入地认识它需要我们做进一步的研究。
第八，确立动态、非确定性、小概率、非正负相关、不明显逻辑关系和随机性的多维准则的研究路线。对微观数据在这些方面的现象做深入分析，确定每种情况下的各种现象表征，加强对非结构性数据挖掘技术的整理和研究，分析上述动态情况下各种现象的联系，将其应用于图像处理和非结构性信息处理技术的最新前沿理论——量子多维系统模拟理论和人工神经网络表征多维系统理论中，建立基于上述状态下各种可能的数学模型——复杂系统多维数据挖掘和处理技术模型，在这些数学模型基礎上，建立微观信用的评价、预测和应对措施的验证和评价体系[13]。
第九，构建动态、非确定性、小概率、非正负相关、不明显逻辑关系和随机性因素的多维数据流下的违约风险研判数学模型和多准则动态评价方法的新理论。这个模型和理论体系要对动态、非确定性、小概率、非正负相关、不明显逻辑关系和随机性因素的多维数据流下违约风险研判进行验证，对企业信用评价和个人信用评价进行效率评价，对上述数学模型进行改进和特例研究，以及对原有静态微观信用评价体系的关系研究进行可行性分析。
第十，在上述研究的基础上，提出并构建基于大数据环境下结构性和非结构性数据混合结构的多维数据流形成的复杂信息系统，并对这个系统做深入研究，归纳出微观信用的智能理论和方法以及智能化的预防策略措施。从经济学角度来说，是信息技术为微观信用的效益理论提供了方法;从科学研究的角度出发，则是进一步推动了信息可靠性和可信度研究。
参考文献：
[1] 魏权龄.数据包络分析[M].北京：科学出版社，2004.
[2] 杨义先.关于“赛博”的认识与纠错[J].汕头大学学报（人文社会科学版），2016（6）：105.
[3] 魏宏森.系统论——系统科学哲学[M].北京：清华大学出版社，1995：12.
[4] 郭跃进.管理学[M].北京：经济管理出版社，2004：12-29.
[5] W·理查德·斯科特，杰拉尔德·F·戴维斯.组织理论——理性、自然与开放系统的视角[M].高俊山，译.北京：中国人民大学出版社，2011：51.
[6] 弗莱蒙特·E·卡斯特，詹姆斯·E·罗森茨韦克.组织与管理——系统方法与权变方法[M].傅严，李柱流，译.北京：中国社会科学出版社，2000：6.
[7] 张维迎.博弈论与信息经济学[M].上海：上海人民出版社，2004：3-17.
[8] 黄欣荣.大数据对科学认识论的发展[J].自然辩证法研究，2014（9）：83-88.
[9] 李国杰，程学旗.大数据研究：未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J].中国科学院院刊，2012（6）：1.
[10]李德伟，顾煜，王海平，等.大数据改变世界[M].北京：电子工业出版社，2013：167-211.
[11]袁勇，王飞跃.区块链技术发展现状与展望[J].自动化学报，2016（4）：481-494.
[12]卡尔·波普尔.猜想与反驳：科学知识的增长[M].傅季重，纪树立，周昌忠，等译.上海：上海译文出版社，2015：9-79.
[13]吴甘沙.漫谈大数据的思想形成与价值维度[EB/OL].（2014-05-27）[2017-08-30].http：//blog.sina.com.cn/s/blog_507de1780102ffww.html.