大数据在金融领域的应用与作用.docx
《大数据在金融领域的应用与作用.docx》由会员分享，可在线阅读，更多相关《大数据在金融领域的应用与作用.docx（25页珍藏版）》请在冰点文库上搜索。
大数据在金融领域的应用与作用
大数据在金融领域的应用与作用
随着互联网特别是移动互联技术的普及，20世纪90年代以来发展起来的信息技术革命出现了新变化：
在信息化时代以各种方式被产生、记录、存储、传播以及使用的数据开始成为信息技术革命的主角。
一场被形象地称之为“大数据革命”的信息技术变革悄然而至。
与历次技术革新所不同的是，从来没有哪一次技术变革能够像这场大数据革命一样，在短短的数年里从少数科学家的主张转变为全球领军公司的战略实践，从而上升为大国的国家竞争战略，并最终演变为一股对人类经济社会发展将产生深远影响的历史潮流。
金融业作为一个信息密集型传统行业，正成为应用大数据技术的先锋。
全球金融基础设施正在面临系统性的重构，传统金融机构的经营方式和风险管理也面临着转型的重大机遇和挑战。
本文将从三个方面系统论述大数据在金融领域的前沿应用及其对传统金融体系的影响。
一可视化分析技术的开发与应用
（一）可视化分析技术概述
大数据分析是大数据研究领域的核心内容之一。
大数据分析可以从两个维度展开，这两个维度均涉及理论分析和方法论问题。
一个维度是从机器或计算机的角度出发，利用机器的计算能力和人工智能，以高性能处理算法、分布式处理技术、智能搜索与挖掘算法等为主要研究内容，例如，基于谷歌公司的Hadoop和MapReduce框架的大数据处理方法以及各类面向大数据的机器学习和数据挖掘方法等；另一个维度则是从人作为分析主体和需求主体的角度出发，强调基于人机交互的、符合人的认知规律的分析方法，意图将人所具备的而机器并不擅长的认知能力融入分析过程中，这一研究分支以可视化分析（VisualAnalytics）为主要代表。
当大数据以直观的可视化的图形形式展示在分析者面前时，分析者往往能够一眼洞悉数据背后隐藏的信息并转化为可行动的知识（ActionableKnowledge），正所谓“一图胜千言”。
可视化分析是科学计算可视化、人机交互、认知科学、数据挖掘、信息论、决策理论等研究交叉融合所产生的新的研究领域。
Cardetal.（1999）将信息可视化（InformationVisualization）定义为：
对抽象数据使用计算机支持的、人机交互的、可视化的表示形式以增强人的认知能力。
与传统计算机图形学以及科学可视化研究不同，信息可视研究更侧重于通过可视化图形呈现数据中隐含的信息和规律，所研究的创新性可视化表征旨在建立符合人的认知规律的心理映象（MentalImage）。
Thomas和Cook则认为，可视化分析是一种通过交互式可视化界面来辅助用户对大规模复杂数据集进行分析推理的技术。
事实上，在科学计算可视化领域以及传统的商业智能（BusinessIntelligence）领域，可视化分析一直是重要的方法和手段。
然而，这些研究领域并未深入地结合人机交互的理论和技术，因此难以全面地支持可视化分析的人机交互过程。
同时，大数据本身的新特点也对可视化分析提出了更为迫切的需求与更加严峻的挑战。
可以将可视化分析的过程看作一个由数据到知识再到数据的循环过程。
近年来，可视化分析已经逐渐从一个新兴的交叉学科发展成为一个独立的研究分支，其研究目标主要是大规模、动态、模糊或者常常不一致的数据集，主要是利用支持信息可视化的用户界面以及支持分析过程的人机交互方式与技术，有效融合计算机的计算能力和人的认知能力，以获得对于大规模复杂数据集的洞察力（Insight）。
可视化分析研究逐渐被应用在大数据的热点领域，如互联网、经济与金融、社会网络、城市交通、商业智能、气象变化、安全反恐等。
（二）可视化分析在宏观审慎监管领域的应用
由于数据可视化分析技术能够对不同维度、不同属性的非结构化数据在二维平面上以图形的形式进行直观、有效的展示，因此其非常适合用来描述和研究系统性风险问题。
如前所述，金融体系的系统性风险具有一个十分突出的特征，即风险形成机制的复杂性和多面性。
换言之，度量系统性风险的视角并非是固定的。
也正因为如此，才会有大量的基于不同研究视角和不同维度数据的衡量系统性风险的工具和方法。
如果利用可视化分析技术将度量金融体系系统性风险不同维度的数据以图像的形式表现出来，往往能够更加深刻地揭示系统性风险的程度以及不同因素之间的内在联系，从而为金融当局实施宏观审慎监管提供决策参考。
特别是当微观金融数据的数量十分巨大时，可视化分析技术相对于传统的统计分析方法的优势尤其明显。
因此，可视化分析技术一直以来都是主要发达国家金融监管当局分析宏观经济金融风险的工具之一。
然而，在此次全球金融危机爆发之前的相当长的一段时间里，相对于回归分析等传统的风险分析方法而言，可视化分析仅仅是一种辅助性的工具和手段。
这主要是因为，一方面金融监管仍然以传统的维护单一金融机构稳健性的微观审慎监管为主，以整合全部微观金融数据为基础的宏观审慎监管尚未成为金融监管的主旋律；另一方面，由于监管部门所采集的微观金融数据的样本容量相对有限，数据结构和维度特征相对简单，因此金融风险管理对于更加复杂的数据可视化分析技术的需求并不高。
然而，全球金融危机爆发后，美国对危机的教训进行了深刻的反思，将金融监管当局未能有效预测和防范此次危机的原因之一归结为“数据缺口”问题。
因此，美国国会在2010年通过的《多德—弗兰克法》，全面强化了监管机构对微观金融数据的搜集。
如成立金融研究办公室（OFR）专司微观金融数据的搜集、整合与分析工作，要求联邦证券交易委员会（SEC）全面加强证券交易层面（transaction-level）数据的搜集与分析，乃至全部的场外衍生（OTC）交易都必须同中央对手方结算并向数据中心（datarepositary）报备交易数据，等等。
强化微观金融数据搜集的上述法案和监管新规极大地加强了美国金融监管当局获取微观金融交易数据的能力。
然而，与之相对应的则是美国金融监管部门获取的微观数据量迅速增长，尤其是大量的微观交易层面的数据（很多都是非结构化的数据）。
这对于金融监管当局的数据处理能力提出了更高的要求。
美国金融当局需要突破传统研究方法的局限，采取更加有效的方法提升从海量微观金融数据中提取金融风险信息的能力。
于是，可视化分析技术得到了重视和普遍应用。
目前，可视化分析技术主要在宏观审慎监管的以下三个方面得到了一定程度的应用。
第一，系统性风险的集中度（concentratedexposures）分析。
一般而言，或有负债（contingentdebt）或者真实债务的总规模常常被用来衡量系统性风险的集中度。
然而，系统性风险的集中度并非是一个明确统一的概念。
银行、证券、保险乃至企业部门和公共部门所面临的特定风险都有可能成为度量系统性风险集中度的指标。
可视化分析在度量系统性风险集中度方面有着十分突出的优势。
因此，美国金融当局很早就注重利用可视化分析技术进行一些相对简单的、静态的风险分析。
最为典型的例子是关于危机地理位置分布的可视化分析。
如果从传统的分析视角来看，发生危机的商业银行的地理位置数据不过是一条条由城市名和街道名称构成的地址信息，似乎无法为改善宏观审慎监管提供有价值的分析。
然而，如果将全部的位置数据信息在地图上标示清楚，进而形成一张“银行业危机地图”，则能够十分清晰地观察到，在1921～1929年这一期间，美国发生的5611次银行业危机都主要集中在中部地区以及东南部的南卡罗来纳州、佐治亚州和佛罗里达州；然而，仅在1931年这一年便有1804家州银行和信托公司陷入危机，而且明显地表现出银行业危机由中西部地区向金融发展水平较高的东部沿海地区蔓延的趋势。
通过可视化分析，银行业危机扩散的路径变得一目了然。
因此，从危机应对层面来看，更多的救助资源应该向中西部地区和东部地区倾斜；而相关州的金融监管也应该加强。
第二，系统性风险的关联度（systemicinterconnectedness）分析。
早在全球金融危机爆发前，网络分析（networkanalysis）便成为系统性风险研究的一个重要领域。
网络分析主要从金融风险的关联度这一视角出发，研究系统性风险的形成与扩散机制。
事实证明，系统重要性金融机构的倒闭之所以会引发系统性风险，一个重要原因是系统重要性金融机构往往是金融交易网络的重要节点甚至是核心，即大多数金融机构都会与系统重要性金融机构发生交易关联。
因此，一旦系统重要性金融机构陷入危机，会在第一时间冲击金融体系中众多与之有交易关联的金融机构，从而迅速扩大其个体危机的外部负效应。
同样，如果将金融产品视为节点，将金融机构持有某一种金融产品视为该机构与特定节点发生关联，则事实将会证明，如果金融机构大量持有某种或某类相似的金融产品，即大量金融机构与某个产品节点发生关联，则可能会出现诸如“火线销售”（FireSale）的市场失灵，从而成为系统性风险的导火索。
因此，金融机构之间的关联度越集中，则中心节点危机诱发系统性风险的概率就越大。
可视化分析技术也非常适合描述金融体系的风险关联度。
第三，系统性风险随时间累积的失衡程度分析。
从一个较长的时间维度来看，流动性的宽松程度、主要经济指标的波动性、金融机构共同风险敞口以及关联程度、宏观经济的失衡状况乃至商业周期等诸多因素，都是度量系统性风险的重要因素。
换言之，从时间维度来看，系统性风险可能是某些因素在时间轴缓慢累积直至作用最终发生的，而并非仅仅是在某个时间点上在一系列因素的作用下集中爆发的。
例如，Durden将1990年2月至2012年5月这一期间美国不同期限国债收益率的整体走势在三维坐标系里表示出来，从而展示了美国金融资产收益率随时间的变动趋势及其与系统性风险之间可能的联系。
由于美国国债收益率和美国联邦基金利率共同构成了美国金融体系中的利率“锚”，因此，不同期限的美国国债收益率可以被看作美国经济金融周期性景气波动的重要指标。
一张图便可以清晰、直观地展示美国经济和金融市场二十余年来景气波动的全景，尤其是2001年以来美国国债收益率的大幅波动与金融危机爆发之间的关系，可视化分析的效果十分明显。
（三）可视化分析技术的局限与应用前景
可视化分析是近年来兴起的一个交叉研究领域。
目前，可视化分析技术已经成为大数据分析不可或缺的重要手段和工具。
从技术层面来看，可视化分析技术的确为系统性风险的分析与监测提供了一种新的工具，尤其是在基于海量微观金融数据的风险分析领域，可视化分析技术有着明显优于统计回归分析等传统分析方法的独特优势，使金融监管当局能够真正从宏观层面，对系统性风险的形成与演进有着更为深入和及时的了解与掌控。
然而，任何事物都具有两面性，可视化分析技术也同样如此。
作为一门新兴的大数据分析技术，可视化分析在宏观审慎监管领域的应用仍然面临一定的问题和局限。
首先，我们应当清楚地认识到，现代金融体系的复杂性与系统性风险形成机制的多面性使可视化分析技术仍然难以从根本上解决系统性风险的识别与预测问题。
现代金融体系可以被视为一个典型的“复杂系统”（complexsystem），这一系统是由不同的“子系统”（sub-system）组成的，如银行部门、证券部门、保险部门、企业部门、家庭部门、政府部门以及外国相关机构和部门都是一国金融体系的重要组成部分。
如果就全球金融体系而言，其复杂程度则更高。
金融体系的每一个子系统都有着特定的组织形态、分工结构、运行机制与风险特征，不同子系统之间通过货币金融联系不断进行着互动与交流。
由于现代金融体系内的各个子系统之间的联系已经如此之紧密，事实上任何一个子系统的功能失灵都可能会导致整个金融体系的瘫痪和崩溃，即诱发“系统性风险”。
现代金融体系的高度复杂性决定了系统性风险的形成机制具有随机性和多面性，因此非常难以准确预测。
可视化分析技术仍然只能从有限的几个维度对系统性风险进行可视化度量，而难以真正全面覆盖系统性风险的全部诱因。
而且就可视化分析技术自身而言，其所度量的微观数据的种类越多，可视化模型算法就越复杂，而可视化图形就越抽象即直观可理解性就越差。
其次，微观金融数据的质量可能成为影响可视化分析技术实际应用的一个瓶颈因素。
可视化分析作为一种大数据分析技术，其与传统的基于小样本抽样的统计与回归分析方法相比，对数据类型和数据质量的要求均有所降低，但这并非意味着数据质量在可视化分析中无足轻重。
事实上，微观金融数据的类型与质量对于可视化分析结果的准确性有着至关重要的影响。
微观金融数据的质量可能涉及两个方面的问题：
第一，数据标准的不一致问题。
数据标准不一致是制约大数据分析方法应用的首要问题。
在现行的金融数据统计体系下，不同金融监管机构往往出于特定的监管目的而各自独立地开展数据的搜集与分析，不同监管部门在统计数据标准的制定方面往往缺乏有效协同，由此导致不同来源的微观金融统计数据的整合非常困难。
这无疑制约了包括可视化分析技术在内的大数据分析方法的应用和推广。
由于美国采取的是典型的多头金融监管体制，因此这一问题在美国尤为突出。
第二，微观数据缺失问题。
2008年全球金融危机的事实证明，美国金融体系的复杂性已经远远超出了其现行金融统计体系的计量范畴，影子银行体系便是最为典型的例证。
不可否认的是，美国疏于对影子银行体系的监管是导致危机的重要原因。
然而，直至目前关于影子银行体系仍未形成一个被广泛接受和认可的定义。
尽管包括金融稳定委员会（FSB）和国际清算银行在内的众多国际金融监管机构纷纷呼吁各国金融监管部门重视和强化对于影子银行体系的监管，但在具体的统计标准制定方面尚无法达成一致的标准。
在此情况下，可视化分析技术在度量影子银行体系风险方面无疑面临着“巧妇难为无米之炊”的尴尬。
最后，可视化分析技术本身仍存在继续改进和提高的空间。
可视化分析作为一项新兴的大数据分析技术，在宏观审慎监管领域具有较大的应用潜力。
然而，目前大多数数据可视化分析工具仍不完善，普遍缺乏简单易行的、以用户为中心的系统设计与开发方法论、框架以及工具。
因此，数据可视化分析方法的使用仍然局限于一小部分数据专家，而难以大规模地在学术研究和金融机构风险管理领域普及。
现实中，大量微观主体对金融风险分析有着切实需求，却往往难以理解和直接运用看似艰深的可视化和人机交互技术。
如何使用户方便快捷地、自助式地应用大数据可视化分析系统从而满足个性化的风险分析需求，将是可视化分析技术在金融风险管理领域大范围应用并充分发挥价值的关键。
此外，一些特定的技术因素也是阻碍可视化分析技术应用的瓶颈。
如大数据的数据规模目前已经呈现爆炸式增长态势，数据量的无限积累与数据的持续演化，使处理能力一般的普通计算机难以承受应用的极限。
同时，主流显示设备的像素数往往难以跟上大数据增长的脚步，以致成像像素的总和还不如要可视化的数据多。
而且，大量在较小的数据规模下可行的可视化技术在面对极端大规模的数据时可能无能为力。
因此，如何对超高维数据进行降维以降低数据规模、如何使大规模并行处理方法与超级计算机结合、如何将目前有价值的可视化算法和人机交互技术拓展应用到大数据领域，是未来将面临的最严峻挑战。
然而，尽管可视化分析技术在宏观审慎监管领域的应用面临着一定的局限和问题，但是从总体上看，可视化分析技术仍然丰富了系统性风险分析的视角与工具，并且在一定程度上弥补了传统分析方法的不足，有利于监管当局深化对系统性风险的认识从而更好地制定与执行宏观审慎监管政策。
从本质上看，可视化分析技术是一种最大限度发挥人和计算机各自优势的人机交互与最优化协作求解方式。
在系统性风险分析和宏观审慎监管领域，可视化分析作为一种辅助监管当局进行宏观经济金融风险管理的重要工具，具有良好的应用前景，因此，值得我们密切关注和研究。
二金融风险识别的大数据系统：
以UMID为例
（一）通用房屋抵押贷款识别码（UMID）的背景
美国私人部门的房地产抵押贷款业作为2008年全球金融危机的策源地，成为后危机时期美国加强金融监管的重点。
2010年美国国会通过的《多德—弗兰克法》，明确要求各级金融监管当局应当针对如何有效识别各种类型的金融机构和金融产品（尤其是房屋抵押贷款）制定细则。
该法案的第1094款还对美国《房屋抵押贷款信息披露法》（HMDA）进行了修订，并责成新成立的消费者金融保护局（CFPB）以适当的方式，要求储蓄贷款机构在披露其房屋抵押贷款信息时使用“统一的贷款识别码”（UniversalLoanIdentifier）。
为此，美国财政部金融研究办公室以及与房屋抵押贷款相关的各级监管部门和行业自律组织纷纷开始探索对贷款合约统一编码和识别的可行性与具体方案。
2013年12月，美国财政部金融研究办公室提出了构建“通用房屋抵押贷款识别码”（UniversalMortgageIdentifier，UMID）方案（McCormickandCalahan，2013）。
该方案提出，住房抵押贷款市场在美国金融体系中具有特殊而重要的地位，其一端为美国家庭部门约70%的负债——原生的房地产抵押贷款；另一端则为证券化后各种类型的金融衍生产品。
为这一市场构建一个通用的、“从摇篮到坟墓”（CradletoGrave）式的识别码系统，将原生信贷合约与各级衍生金融产品一一对接起来，能够极大地提高该市场的透明度，从而有助于金融监管当局和各类机构识别和管理金融风险。
众所周知，物流管理和企业质量监控等众多领域早已开始应用条形码等标准化编码技术。
从理论上说，如果能够构建一个统一的、标准化的金融机构和金融产品编码系统，那么就能够在金融市场中绘制出一幅金融机构之间相互联系的网络；同理，也能够使用更加先进的大数据技术，追踪金融衍生产品的原生资产，从而实现对金融风险的跨行业乃至跨国的监控和动态管理，进一步提高金融市场的透明度和有效性。
[1]2007年美国次级抵押贷款危机已经证明，极其复杂的金融创新活动不仅拉长了房屋抵押贷款的支付链条，而且极大地削弱了各方（金融监管当局、发放抵押贷款银行以及证券化资产的购买方）对于资产证券化过程的知情权。
构建住房抵押贷款识别码的初衷正是有效解决这一问题，即通过数字化编码提高金融创新链条的透明度，从而起到维护金融体系稳定和保护金融消费者利益的目的。
（二）美国的各类住房抵押贷款数据库与识别码
美国联邦层面的众多监管机构都有关于住房抵押贷款的数据系统。
这些数据系统主要为监管部门对相关机构实施审慎监管提供数据支持，同时确保开展住房抵押贷款业务的金融机构没有侵犯金融消费者利益，从而维护公平竞争的环境以及促进房地产市场的健康可持续发展。
与此同时，这些分散的数据系统大多数都是有限开放的，以满足学术研究和相关市场主体了解房地产市场运行的需要。
然而，这些分别由不同监管部门搜集和保存的数据系统之间存在严重的重复统计问题。
同一份住房抵押贷款的数据信息往往在众多数据库中都有所记载。
在住房抵押贷款冗长复杂的证券化链条之中，关于住房抵押贷款本身的数据信息不断被增加、修改、传递和流转。
由于缺乏一个被全部金融中介所普遍接受的贷款合约识别码，因此不同监管部门在不同环节收集的关于同一份住房抵押贷款合约的数据信息往往难以进行直接整合。
从宏观审慎监管层面来看，分散的处于“数据孤岛”状态的数据库在分析和预测系统性风险方面的作用无疑大打折扣。
目前，美国住房金融体系内存在多种住房抵押贷款识别码系统。
这些识别码由监管当局、相关政府机构以及发放住房抵押贷款的机构分别发放和管理，不同识别码系统的市场覆盖率和使用目标存在很大差异。
大体上可以将现行的识别码系统分为以下三类。
第一，监管报告类识别码（RegulatoryReportingIDs）。
根据美国《住房抵押贷款信息披露法》（HMDA）的要求，金融监管部门须收集美国境内发放的住房抵押贷款的原始数据。
开展住房抵押贷款业务的金融机构每年都要向联邦金融机构检查委员会（FFIEC）等监管部门提交年度报告，该报告会使用一个由阿拉伯数字和英文字母组成的25位的识别码用来标识不同的房屋抵押贷款合约。
然而，由于这仅仅是一项不具有法律效力的建议，因此并非所有发放贷款的机构都遵从这一规则，识别码中包含贷款人姓名或者社会安全号码的现象时有发生。
第二，政府商业目的识别码（GovernmentBusinessPurposeIDs）。
众多承担住房融资职能的政府机构也在内部数据管理和维护过程中使用住房抵押贷款识别码系统。
联邦住宅管理局（FHA）、美国退伍军人事务部（VA）以及美国农业部都有各自不同的识别码系统。
金融机构登录美国联邦住宅管理局的网站信息系统，在输入贷款人和房产信息并通过验证后，便会自动获得一个10位数字的识别码用于申请贷款合约保险。
退伍军人事务部则在贷款保险申请生效的第一时间为该笔贷款合约分配一个12位数字的识别码。
而美国政府国民抵押贷款协会（GNMA）所使用的住房抵押贷款识别码则仅包含9位数字。
第三，特定交易目的识别码（ProprietaryBusinessPurposeIDs）。
除了以上被使用的识别码系统之外，美国房地产金融体系中还有两种被广泛使用的特定识别码系统：
一种是在美国住房抵押贷款电子注册系统（MERS）使用的抵押贷款识别码（MIN），另一种是美国证券化论坛（ASF）开发的贷款识别数字编码（LINC）。
MIN为18位数字编码，主要用于在房屋抵押贷款合约流转过程中记录和识别房屋产权信息，市场使用率较高。
LINC编码所包含的信息主要有贷款类型、贷款日期以及国家代码等。
[2]目前使用范围仍然较为有限。
（三）通用住房抵押贷款识别码的特征与作用
第一，从识别码覆盖的范围上看，通用住房抵押贷款识别码应当覆盖全部居民住房抵押贷款合约，而且应当在居民提出贷款申请的第一时间（无论该笔贷款获批与否）介入，从而确保完整标识和记录全部流程的数据信息。
第二，从识别码的内容和结构上看，通用住房抵押贷款识别码应当具有唯一识别性、连续性、扩展性、中立性、可靠性以及开放性。
唯一识别性是指住房抵押贷款合约只能被唯一的识别码所标识，而每个通用识别码也只能够识别唯一的住房抵押贷款合约，即识别码与其所标识的抵押贷款合约之间是彼此一一对应的关系。
连续性是指通用识别码一旦被分配和使用，则将贯穿其所标识的抵押贷款合约流转的全过程，直至该笔贷款合约在法律意义上得以终止。
扩展性是指为保证识别码的唯一识别性，通用识别码不能够重复使用。
因此，通用识别码的数量必须能够持续地增加和扩展。
中立性是指通用识别码的内容中不应包含特定的信息（如贷款申请人的姓名、住房所在地的邮政编码等等）。
一方面，一旦特定信息失效（如贷款人变更），识别码的有效性和唯一识别性便会受到影响；另一方面，包含特定信息的识别码的扩展性会大大下降。
可靠性是指，作为一个将被众多市场主体统一使用的识别码，通用住房抵押贷款识别码不能与已有的识别码系统重复或相冲突，其发行和管理必须稳健可靠。
开放性是指通用住房抵押贷款识别码须基于开放的、能够达成普遍共识的技术标准。
第三，通用住房抵押贷款识别码是能够公开获得的。
通用住房抵押贷款识别码的使用不应当有特定的限制，金融监管当局、从事住房抵押贷款业务的各个市场主体以及学术研究机构都能够自由使用这一通用识别码系统。
当然，这并不意味着通用识别码的注册和使用是完全免费的。
第四，通用住房抵押贷款识别码应当有效保护贷款申请人的个人隐私，即不能够被用来识别贷款人的身份信息，从而确保贷款人的身份信息不被非法使用。
第五，通用住房抵押贷款识别码应当具备足够的激励相容性。
通用住房抵押贷款识别码系统应当确保相关市场主体在使用该系统开展常规业务时获得效率提升，从而确保其有足够的激励使用该系统。
主要监管当局之间达成的关于推广通用住房抵押贷款识别码的监管协议将有助于提升该系统的使用率。
第六，通用住房抵押贷款识别码的注册程序应当在贷款申请阶段启动并完成，以确保不对市场主体开展相关业务产生干扰。
第七，在住房抵押贷款尤其是其证券化业务流程中，数据错误问题往往在所难免。
为确保通用住房抵押贷款识别码所记录数据的连续性、完整性和可靠性，应当采取必要的质量监控措施，如定期的数据检查校验与
升级会员 