NBER美国国民经济研究局-NBER-Machine-Learning-for-Solar-Accessibility_-Implications-for-Low_25页_811kb

报告摘要

机器学习在太阳能可及性中的应用：对低收入太阳能扩展与盈利能力的影响

核心内容

本研究探讨了传统信用评分（如FICO）在预测社区太阳能支付违约风险方面的局限性，并评估了使用机器学习方法进行信用评分预测的可行性与优势。研究发现，基于消费者电力支付记录的机器学习模型比FICO评分能更准确地预测违约风险，并且可以更广泛地纳入低收入家庭（LMI）消费者，从而提升太阳能市场的包容性与盈利能力。

主要观点

FICO评分的局限性
- FICO评分作为传统信用指标，虽然广泛使用，但并非完美预测电力支付表现。
- 约500万低收入消费者因缺乏信用记录或信用评分过低而被排除在主流信用体系之外，成为“信用隐形”或“信用未评分”的群体。
- LMI家庭在能源负担上远高于高收入家庭，但因信用评分门槛而被社区太阳能市场排除。
机器学习模型的优势
- 使用机器学习算法（如LASSO、SVM、随机森林）可以提高模型的预测准确性和LMI消费者的可及性。
- 相比FICO评分，机器学习模型在不同信用评估严格度下，可使LMI消费者获批率提高1.1%至4.2%，同时降低违约率1.4至1.9个百分点。
- 在某些情况下，模型应用可使太阳能企业利润提升34%至1882%。
电力账单作为信用评分替代指标
- 电力账单支付历史可作为太阳能支付违约风险的更好预测指标。
- 由于太阳能支付与电力账单金额相近，且电力账单是必需品支出，消费者倾向于优先支付，因此其支付行为可作为信用表现的可靠替代。
替代信用评分方法的行业应用
- 在其他行业（如学生贷款、汽车购买、房贷等），已有替代信用评分机制的应用，如LexisNexis的RiskView Score和Fair Isaac的FICO扩展评分。
- 这些方法利用非传统数据（如公用事业支付记录、电话账单等）来评估信用风险，从而扩大信用评分的覆盖范围。
学术研究中的替代信用评分模型
- 学术界也探索了多种机器学习方法，如决策树、随机森林、支持向量机等，用于信用风险预测。
- 研究表明，机器学习方法在预测准确性和模型性能方面优于传统方法，尤其适用于信用未评分或低分群体。

关键信息

数据概况

数据来源：来自信用报告机构（CRA）的800,000多个账户的信用评分和每月支付表现数据，时间跨度为2009年12月至2016年11月。
样本选择：使用至少24个月连续电力支付记录的数据（2014年12月至2016年11月）。
样本特征：
- 收入中位数：$55,000-$59,999
- 女性比例：26.6%（低于全国平均50.8%）
- 少数族裔比例：黑人10.5%，西班牙裔8.4%（均低于全国平均）

地理分布

样本主要来自美国中北部地区，尤其是威斯康星州（占74.1%）。
该样本在地理代表性上有所偏差，但通过排除威斯康星州的分析，发现替代评分机制的准确性有所提升。

模型构建

模型使用过去12个月的电力支付数据，预测未来12个月的违约概率。
模型分为两类：传统回归模型（线性概率模型、Probit模型）和机器学习模型（LASSO、SVM、随机森林）。
模型变量包括：
- 信用历史：如30天、60天、90天以上的逾期记录
- 信用空白：FICO评分缺失
- 家庭特征：如是否为房主、是否为多户家庭等