邵建利+宋寧+張滟

摘要：隨著電子商務(wù)的飛速發(fā)展，第三方支付平臺欺詐風(fēng)險呈現(xiàn)遞增趨勢。本文采用Logistic回歸構(gòu)建第三方支付的欺詐風(fēng)險識別模型，并結(jié)合Kolmogorov-Smirnov統(tǒng)計量來查找判斷欺詐交易和正常交易的分割點，對欺詐風(fēng)險進(jìn)行量化估計。實證研究表明本文所構(gòu)建模型比較穩(wěn)定且預(yù)測比較準(zhǔn)確，可大大提高風(fēng)險識別能力，對第三方支付機構(gòu)的風(fēng)險管理具有重要作用。

關(guān)鍵詞：第三方支付平臺；欺詐風(fēng)險；Logistic回歸模型；Kolmogorov-Smirnov統(tǒng)計量

中圖分類號：F830.33 文獻(xiàn)標(biāo)識碼：A

一、引言

如今，第三方支付平臺已經(jīng)成為網(wǎng)上支付以及電子商務(wù)過程中一個不可或缺的重要組成部分。易觀國際的統(tǒng)計數(shù)據(jù)顯示，2010年第三方在線支付市場交易規(guī)模進(jìn)一步大幅增長，達(dá)到10 858億元（見圖1）。然而，隨著我國第三方支付行業(yè)的不斷發(fā)展和網(wǎng)絡(luò)購物市場消費群體的不斷擴大，網(wǎng)絡(luò)交易中存在的風(fēng)險防控短板問題逐漸凸顯，網(wǎng)絡(luò)欺詐問題給蓬勃發(fā)展的第三方支付市場帶來了嚴(yán)重沖擊。如何建立有效機制來防范網(wǎng)絡(luò)詐騙行為的發(fā)生對整個網(wǎng)購行業(yè)包括第三方支付企業(yè)至關(guān)重要。

本文嘗試將已經(jīng)發(fā)展的較為成熟的信用卡交易欺詐風(fēng)險評分模型理論應(yīng)用到第三方支付交易欺詐風(fēng)險識別上去，以國外某第三方支付平臺實時交易數(shù)據(jù)為樣本，運用Logistic回歸模型對樣本的欺詐風(fēng)險進(jìn)行量化評估。同時，本文將原始樣本分為訓(xùn)練樣本和測試樣本，在運用訓(xùn)練樣本構(gòu)建模型的基礎(chǔ)上，再利用測試樣本對模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行檢驗。

二、欺詐風(fēng)險識別理論和模型概述

（一） 欺詐風(fēng)險識別理論

國內(nèi)外對欺詐風(fēng)險識別的研究主要集中在公司財務(wù)欺詐風(fēng)險、商業(yè)銀行欺詐風(fēng)險、保險欺詐風(fēng)險、信用證欺詐風(fēng)險等領(lǐng)域，其中以商業(yè)銀行欺詐中的信用卡欺詐風(fēng)險識別研究較為成熟。在實際工作中，第三方支付欺詐中的很大一部分是由信用卡欺詐導(dǎo)致的，并且欺詐犯在第三方支付平臺和信用卡領(lǐng)域的欺詐手段大部分都是類似的，因而本文認(rèn)為，適用于信用卡欺詐風(fēng)險識別的方法同樣能夠捕捉第三方支付平臺中的欺詐。

在信用卡欺詐風(fēng)險識別中，主要運用到神經(jīng)網(wǎng)絡(luò)、案例推理法、決策樹、支持向量機、Logistic回歸等方法。在實際業(yè)務(wù)操作中，銀行、信用卡公司、個人消費信貸公司、保險公司等都采用評分模型來進(jìn)行風(fēng)險管理。評分模型運用數(shù)據(jù)挖掘技術(shù)和統(tǒng)計分析方法，通過對消費者的人口特征、信用歷史記錄、行為記錄、交易記錄等大量數(shù)據(jù)進(jìn)行系統(tǒng)地分析，挖掘數(shù)據(jù)中蘊含的行為模式、信用特征，捕捉歷史信息和未來信用表現(xiàn)之間的關(guān)系，發(fā)展出預(yù)測性的模型，以一個評分來綜合評估消費者未來的某種信用表現(xiàn)。通常建立預(yù)測的模型時，常使用Logistic回歸、決策樹、線性判斷函數(shù)等方法。Srinivisan等（1987）最先使用Logistic回歸構(gòu)建公司信用評級模型，得到較好的效果；Donald等（1996）研究抵押貸款違約分析時，利用Logistic回歸分析、Probit分析及區(qū)別分析三種統(tǒng)計方法，發(fā)現(xiàn)以Logistic回歸分析的群組分類正確率最高；Henley（1996）利用線性判別函數(shù)，依據(jù)各個變量的權(quán)重給定信用分?jǐn)?shù)來篩選出重要變量，但是該方法無法處理解釋變量之間共線性問題，應(yīng)用層面有極大限制。

國內(nèi)對欺詐風(fēng)險的識別集中在商業(yè)銀行領(lǐng)域，特別是信用卡欺詐的定量分析方面。本文在知網(wǎng)中以“信用卡、欺詐風(fēng)險”為關(guān)鍵字進(jìn)行了文獻(xiàn)搜索，共發(fā)現(xiàn)有137篇相關(guān)文獻(xiàn)（見表1），研究呈現(xiàn)遞增趨勢。其中比較典型的有：柳炳祥等（2003）分別基于粗集、距離、粗集神經(jīng)網(wǎng)絡(luò)以及案例推理分析欺詐風(fēng)險；陸靜等（2008）采用了貝葉斯網(wǎng)絡(luò)方法，通過構(gòu)建由關(guān)鍵風(fēng)險指標(biāo)和關(guān)鍵風(fēng)險誘因組成的欺詐風(fēng)險拓?fù)浣Y(jié)構(gòu)，分析了各類欺詐風(fēng)險指標(biāo)對欺詐風(fēng)險的作用形式，在對各級指標(biāo)節(jié)點賦值的基礎(chǔ)上，運用貝葉斯網(wǎng)絡(luò)方法測算了各類指標(biāo)對欺詐風(fēng)險的影響程度，從而建立起欺詐風(fēng)險的預(yù)警系統(tǒng)。

從現(xiàn)有文獻(xiàn)可以看出，目前關(guān)于第三方支付的欺詐風(fēng)險識別研究很少，這一方面是由于第三方支付行業(yè)還是新興的行業(yè)，各項研究還在摸索階段，另一方面是因為知識產(chǎn)權(quán)及商業(yè)機密的原因。由于第三方支付與商業(yè)銀行特別是信用卡欺詐是有一定區(qū)別的，因此本文對于第三方支付行業(yè)欺詐風(fēng)險識別的研究具有現(xiàn)實價值。

（二）Logistic回歸模型

本文所研究的因變量欺詐與否是二元的變量，而Logistic回歸模型是解決這類問題時所常用的方法。一直以來，在研究欺詐問題時，都使用二元選擇模型。例如，在保險欺詐中使用該模型來預(yù)測一個欺詐索賠的可能性大小。欺詐索賠本質(zhì)上與實際生活中的醫(yī)療和流行病學(xué)等問題是相似的。

Logistic回歸模型是非線性分類的統(tǒng)計方法，其特性在于利用Logistic概率函數(shù)轉(zhuǎn)換，使反應(yīng)變量轉(zhuǎn)換為介于0到1之間的概率值，其中定義因變量Y為1（代表事件發(fā)生）和0（代表事件不發(fā)生）。若假設(shè)有n個獨立的解釋變量，令其向量定義為X=（x1，x2，…，xn），則反應(yīng)變量的條件概率定義為P（Y=1|x）=π（x），表示發(fā)生事件之概率：

經(jīng)過Logit的轉(zhuǎn)換后，g（x）是參數(shù)的線性組合，范圍是從（-∞，∞），與解釋變量X呈線性關(guān)系并具有單調(diào)遞增、遞減特性，能處理P（Y=1|x）=π（x）發(fā)生事件之概率范圍限制的問題。

（三）Kolmogorov-Smirnov統(tǒng)計量

Logistic模型作為風(fēng)險度量模型，可以將輸入樣本分為欺詐交易和非欺詐交易兩類，即模型可以通過將計算出來的每筆交易的預(yù)期欺詐風(fēng)險概率與設(shè)定的分割點相比較，將欺詐概率大于分割點的交易歸為欺詐交易，將欺詐概率小于分割點的交易歸為非欺詐交易。模型根據(jù)分割點對網(wǎng)絡(luò)支付交易進(jìn)行分類可能出現(xiàn)兩類錯誤，分別把這兩類錯誤稱為第一類錯誤和第二類錯誤。其中，第一類錯誤是指將欺詐交易誤判為非欺詐交易；第二類錯誤是指將非欺詐交易誤判為欺詐交易。在進(jìn)行欺詐風(fēng)險分析時兩類錯誤都會導(dǎo)致機構(gòu)發(fā)生損失，但由于交易的特點，兩類錯誤所導(dǎo)致的損失是顯著不同的。endprint

具體來說，第一類錯誤將可能是欺詐的交易誤判為非欺詐交易，會導(dǎo)致商戶或者第三方支付平臺發(fā)生損失，從而打擊了商戶對第三方支付平臺的信任和積極性?，F(xiàn)在很多商戶都跟第三方支付平臺簽訂了“保障協(xié)議”（通過定期繳納保障金可以將欺詐風(fēng)險轉(zhuǎn)移給第三方支付平臺，即欺詐交易發(fā)生的損失由第三方支付企業(yè)承擔(dān)），因此犯這類錯誤的成本是非常高的，是第三方支付平臺要極力避免的錯誤。第二類錯誤是將非欺詐交易誤判為欺詐交易，對第三方支付平臺來說會導(dǎo)致它凍結(jié)資信狀況良好的用戶賬號，喪失了一次交易盈利機會，更重要的是，這會打擊消費者對第三方支付平臺的信心。如果這種情況發(fā)生的次數(shù)較多，會嚴(yán)重影響第三方支付企業(yè)未來的長遠(yuǎn)發(fā)展。所以，第三方支付平臺在嚴(yán)格控制直接拒絕網(wǎng)絡(luò)交易的授權(quán)的同時，可以對有可能發(fā)生欺詐的交易進(jìn)行反復(fù)的資料核實或者電話審查，盡量控制犯第一類錯誤的概率，適當(dāng)減少犯第二類錯誤的概率。

根據(jù)以上的分析可以看出，分割點的選擇對Logistic回歸模型犯第一類錯誤和第二類錯誤的概率有重要的影響。分割點如果設(shè)定的大會增加犯第一類錯誤的概率；分割點若設(shè)定的小會增加犯第二類錯誤的概率。兩類錯誤存在著此消彼長的關(guān)系。本文所采用的方法是通過計算Kolmogorov-Smirnov統(tǒng)計量來查找模型的分割點，其理論來源于兩樣本Kolmogorov-Smirnov檢驗。通常Kolmogorov-Smirnov檢驗用來判定兩樣本的差異大小，其優(yōu)點在于無需知道樣本數(shù)據(jù)的分布情況。計算得到的K-S統(tǒng)計量度量的是正常交易概率值的分布函數(shù)與欺詐交易概率值的分布函數(shù)之間距離的大小。用公式表示，即：

根據(jù)得到的識別模型對總體中的每個記錄給出了一個概率值，然后運用K-S統(tǒng)計量來度量正常交易概率值的分布函數(shù)與欺詐交易概率值的分布函數(shù)之間距離的大小。K-S統(tǒng)計量越大，意味著正常交易與欺詐交易的差異越大。為了計算的簡便，本文將訓(xùn)練樣本平均分成10個區(qū)間，計算每個區(qū)間累計欺詐交易個數(shù)與正常交易個數(shù)。K-S統(tǒng)計量取值最大的那個區(qū)間的最大概率值就是分割點。

三、實證研究

（一）變量選取和數(shù)據(jù)獲取

根據(jù)以往的研究發(fā)現(xiàn)，在選取變量用于建立識別欺詐風(fēng)險的模型時應(yīng)當(dāng)遵循兩個原則：選擇預(yù)測力強的變量和選擇穩(wěn)健的變量。本文在基于以上兩個原則的基礎(chǔ)上，綜合考慮針對第三方支付平臺欺詐風(fēng)險的各種影響因素，同時考慮部分?jǐn)?shù)據(jù)的可得性，從第三方支付平臺交易系統(tǒng)中廣泛選取了48個定量指標(biāo)作為初選指標(biāo)進(jìn)行分析，所選指標(biāo)盡可能全面反映第三方支付交易的各個方面，所選指標(biāo)及其代表字母見表2。通過這兩個原則選擇到的這些變量可以捕捉到每個用戶交易的歷史行為模式、當(dāng)前交易行為與歷史行為模式的差異、交易發(fā)生的速率和動態(tài)。把這些錯綜復(fù)雜的信息以Logistic回歸模型綜合起來，能夠有效地預(yù)測欺詐的概率大小。

預(yù)測變量的選擇對欺詐風(fēng)險識別模型的準(zhǔn)確性有著決定性的影響，而預(yù)測變量選擇的關(guān)鍵在于如何判斷一個指標(biāo)含有的預(yù)測某類事件發(fā)生與否的信息的多少，因此對預(yù)測變量的選擇問題進(jìn)行研究具有很大的實際應(yīng)用價值。若是將現(xiàn)有的所有變量都拿來建模，往往會造成模型過度復(fù)雜，或是產(chǎn)生過度學(xué)習(xí)的情況。本文通過以下幾個步驟篩選變量：首先通過檢查解釋變量間的相關(guān)系數(shù)、解釋變量與因變量的相關(guān)程度、各初選指標(biāo)的組均值的均等性檢驗來去掉一些預(yù)測效果較差的指標(biāo)變量。然后通過余下指標(biāo)變量的WOE（Weight Of Evidence）報告值得到每個指標(biāo)的IV（Information Value），如果IV<0.02，說明該指標(biāo)對以后的建模基本上是無用的。經(jīng)過多輪篩選，最終有18個解釋變量進(jìn)入模型，它們分別是：DIGITAL_MERCHANT，S_SECONDS_SINCE_LAST_RETURN，NUM_ACH，S_PHONE_N，S_CC_PCT_FAILED_AUTH，S_OUTSTD_IACH_AMT，S_V_TX_RATIO_NUM，S_ACH_MAX_CLEARED_AMT，S_CCTRANS_DENIED_NUM，S_OUTSTD_IACH_NUM，ADDRESS_ADDED_LT_7，CC_BIN_DEC_DECLINE_RATE，SELLER_DEC_DECLINE_RATE，IP_BANK_ADD_MATCH，PREPAID_BANK，NCC_FAILED_RATIO，NACH_LAST_RETURN_AGE，SUM_NEVER_PASS_AUTH_CHK。

同時，本文從2010年12月-2011年1月的第三方支付平臺數(shù)據(jù)集中抽取4 600條交易記錄作為樣本，按照7：3的比例隨機將總樣本分為訓(xùn)練樣本和測試樣本。在訓(xùn)練樣本中，共有3 220條記錄，其中欺詐交易共有277條，大約占9%；在測試樣本中，共有1 380條記錄，其中欺詐交易共有109條，大約占8%。在利用訓(xùn)練樣本構(gòu)建預(yù)測模型后，分別檢驗?zāi)Ｐ蛯τ?xùn)練樣本和測試樣本的預(yù)測準(zhǔn)確率。

在對數(shù)據(jù)進(jìn)行建模之前，分兩種情況對數(shù)據(jù)進(jìn)行預(yù)處理：第一部分對數(shù)據(jù)中的缺省值進(jìn)行處理，對缺省的數(shù)據(jù)賦予0或者其它數(shù)值來替代；第二部分就是對數(shù)據(jù)中的異常值進(jìn)行處理，異常值的存在會使得最終的模型結(jié)果產(chǎn)生偏移。

（二） Logistic回歸模型

本文的樣本并不是完全隨機抽取的，因為在實際實時交易中，欺詐交易的比例并不是很高，大約占所有交易量的0.5%左右，故為了建模的準(zhǔn)確性，本文在樣本中放入了較多的欺詐交易，比例大約為9%，大約為18倍左右。在最后的建模時，本文要依據(jù)這個比例來調(diào)整最終真實的欺詐概率。這個調(diào)整最終僅僅會影響模型的常數(shù)項，對于參數(shù)估計系數(shù)并沒有改變。

本文用混合逐步選擇法做Logistic回歸，選擇顯著性水平為0.05（每一步剔除和選入變量的檢驗水平），利用SAS軟件完成Logistic回歸。逐步回歸的結(jié)果見表3。

同時，為了檢驗?zāi)Ｐ蛯ζ渌灰椎倪m用性，本文同樣使用測試樣本進(jìn)行檢驗，通過建立的Logistic模型計算出每個測試樣本的預(yù)測概率，仍以0.005為分割點進(jìn)行檢驗，得到測試樣本的判別結(jié)果見表9。endprint

通過進(jìn)行訓(xùn)練樣本檢驗和測試樣本檢驗可以看出，模型對訓(xùn)練樣本和測試樣本的預(yù)測準(zhǔn)確度都超過了60%，基本一致，模型的預(yù)測能力較強，可以用此模型對新的樣本第三方支付交易是否是欺詐交易做出精度比較高的判斷。

四、結(jié)論

本文嘗試將已經(jīng)發(fā)展較為成熟的信用卡交易欺詐風(fēng)險評分模型中的部分方法應(yīng)用到第三方支付交易欺詐風(fēng)險識別上去，選取了構(gòu)建模型所使用的風(fēng)險指標(biāo)，對樣本的欺詐風(fēng)險進(jìn)行了量化評估，并用訓(xùn)練樣本和測試樣本對模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行了檢驗。檢驗結(jié)果表明模型預(yù)測準(zhǔn)確性高，而且穩(wěn)定可靠，從而為第三方支付企業(yè)風(fēng)險管理與決策開辟了一個新的視角。實證分析結(jié)果表明，賬戶中添加的銀行卡數(shù)目（num_ach）、用戶添加的手機號碼個數(shù)（s_phone_n）、付款人使用信用卡交易失敗的比例（s_cc_pct_failed_auth）、信用卡銀行識別號碼被拒的比例（cc_bin_dec_decline_rate）、添加銀行卡的IP地址吻合次數(shù)（ip_bank_add_match）、之前是否用過銀行卡（prepaid_bank）對識別交易欺詐風(fēng)險有顯著影響。賬戶中銀行卡數(shù)目越多，用戶在第三方支付平臺賬號中添加的手機號碼個數(shù)越多，付款人使用信用卡交易失敗的比例越高，信用卡銀行識別號碼（信用卡號碼前六位數(shù)字）被銀行列為拒絕付款的比例越高，添加銀行卡時的IP地址變換次數(shù)越多，或者之前從未使用過銀行卡進(jìn)行支付，表明該筆交易的欺詐風(fēng)險越高。

如今，電子支付應(yīng)用已深度滲透到諸如網(wǎng)購、機旅、轉(zhuǎn)賬、生活繳費、基金、債券、炒股認(rèn)購等日常生活的各個領(lǐng)域。在此背景下，可以預(yù)見的是短期內(nèi)更多諸如網(wǎng)絡(luò)釣魚或是其它的欺詐手段還將不斷涌現(xiàn)，這對于即將承擔(dān)起更多支付職能的第三方支付企業(yè)而言可謂任重而道遠(yuǎn)。因此，對于第三方支付企業(yè)，必須考慮多方面因素建立一套實時的反欺詐系統(tǒng)，當(dāng)一個新交易產(chǎn)生時，交易將經(jīng)過此系統(tǒng)的分析，最后做出決策是否接受此交易。根據(jù)本文得到的結(jié)論，我們建議：第三方支付機構(gòu)應(yīng)該強化日常賬戶管理、密切監(jiān)察高風(fēng)險商戶；政府部門則應(yīng)重點加快建立第三方支付產(chǎn)業(yè)相關(guān)法律法規(guī)，規(guī)范和指引第三方支付平臺的經(jīng)營行為，完善社會征信體系。

參考文獻(xiàn)：

[1] Srinivasan V， Kim Y H. Credit granting： A comparative analysis of classification procedures[J].The Journal of Finance，1987，42（3）： 665-681.

[2] Donald E R， Kartono L， Richard H. Borrower risk signaling using loan-to-value ratios[J].Journal of Real Estate Research， 1996，11（1）：71-86.

[3] Henley W E， Hand D J. A k-nearest-neighbour classifier for assessing consumer credit risk[J].The Statistician， 1996：77-95.

[4] 柳炳祥， 盛昭瀚. 一種基于距離的欺詐風(fēng)險分析方法[J].中國管理科學(xué)， 2003，11（1）：38-41.

[5] 柳炳祥， 盛昭瀚. 一種基于案例推理的欺詐分析方法[J].控制與決策， 2003，18（4）：494-497.

[6] 陸靜， 唐小我. 基于貝葉斯網(wǎng)絡(luò)的操作風(fēng)險預(yù)警機制研究[J].管理工程學(xué)報，2008（4）.

[7] Kwan I S Y， Fong J， Wong H K. An e-customer behavior model with online analytical mining for internet marketing planning[J].Decision Support Systems， 2005， 41（1）：189-204.

[8] Artís M， Ayuso M， Guillén M. Detection of automobile insurance fraud with discrete choice models and misclassified claims[J].Journal of Risk and Insurance， 2002， 69（3）：325-340.

[9] Magder L S， Hughes J P. Logistic regression when the outcome is measured with uncertainty[J].American Journal of Epidemiology， 1997，146（2）：195-203.

Research on the Fraud Risk Identification Model of Third-party

Payment Platform on E-commerce

SHAO Jian-li1， SONG Ning1，ZHANG Yan2

（1.School of Statistics and Management， Shanghai University of Finance and Economics， Shanghai

200433， China； 2.Department of Finance， Qingpu Branch of SRCB， Shanghai 201799， China）

Abstract：Along with the rapid development of electronic commerce， the fraud risk of third-party payment platform on e-commerce presents the increasing trend. This paper constructs a scientific fraud risk identification model by Logistic Regression， and searches and determines the split point fraud transactions and normal transactions by Kolmogorov-Smirnov statistics， in order to estimate the fraud risk quantitatively. The results show that the model is stable and has high forecast accuracy， which can be used to identify the fraud risk of third-party payment.

Key words：third-party payment platform； fraud risk； Logistic Regression； Kolmogorov-Smirnov statistics

（責(zé)任編輯：王奇）endprint

通過進(jìn)行訓(xùn)練樣本檢驗和測試樣本檢驗可以看出，模型對訓(xùn)練樣本和測試樣本的預(yù)測準(zhǔn)確度都超過了60%，基本一致，模型的預(yù)測能力較強，可以用此模型對新的樣本第三方支付交易是否是欺詐交易做出精度比較高的判斷。

四、結(jié)論

本文嘗試將已經(jīng)發(fā)展較為成熟的信用卡交易欺詐風(fēng)險評分模型中的部分方法應(yīng)用到第三方支付交易欺詐風(fēng)險識別上去，選取了構(gòu)建模型所使用的風(fēng)險指標(biāo)，對樣本的欺詐風(fēng)險進(jìn)行了量化評估，并用訓(xùn)練樣本和測試樣本對模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行了檢驗。檢驗結(jié)果表明模型預(yù)測準(zhǔn)確性高，而且穩(wěn)定可靠，從而為第三方支付企業(yè)風(fēng)險管理與決策開辟了一個新的視角。實證分析結(jié)果表明，賬戶中添加的銀行卡數(shù)目（num_ach）、用戶添加的手機號碼個數(shù)（s_phone_n）、付款人使用信用卡交易失敗的比例（s_cc_pct_failed_auth）、信用卡銀行識別號碼被拒的比例（cc_bin_dec_decline_rate）、添加銀行卡的IP地址吻合次數(shù)（ip_bank_add_match）、之前是否用過銀行卡（prepaid_bank）對識別交易欺詐風(fēng)險有顯著影響。賬戶中銀行卡數(shù)目越多，用戶在第三方支付平臺賬號中添加的手機號碼個數(shù)越多，付款人使用信用卡交易失敗的比例越高，信用卡銀行識別號碼（信用卡號碼前六位數(shù)字）被銀行列為拒絕付款的比例越高，添加銀行卡時的IP地址變換次數(shù)越多，或者之前從未使用過銀行卡進(jìn)行支付，表明該筆交易的欺詐風(fēng)險越高。

如今，電子支付應(yīng)用已深度滲透到諸如網(wǎng)購、機旅、轉(zhuǎn)賬、生活繳費、基金、債券、炒股認(rèn)購等日常生活的各個領(lǐng)域。在此背景下，可以預(yù)見的是短期內(nèi)更多諸如網(wǎng)絡(luò)釣魚或是其它的欺詐手段還將不斷涌現(xiàn)，這對于即將承擔(dān)起更多支付職能的第三方支付企業(yè)而言可謂任重而道遠(yuǎn)。因此，對于第三方支付企業(yè)，必須考慮多方面因素建立一套實時的反欺詐系統(tǒng)，當(dāng)一個新交易產(chǎn)生時，交易將經(jīng)過此系統(tǒng)的分析，最后做出決策是否接受此交易。根據(jù)本文得到的結(jié)論，我們建議：第三方支付機構(gòu)應(yīng)該強化日常賬戶管理、密切監(jiān)察高風(fēng)險商戶；政府部門則應(yīng)重點加快建立第三方支付產(chǎn)業(yè)相關(guān)法律法規(guī)，規(guī)范和指引第三方支付平臺的經(jīng)營行為，完善社會征信體系。

參考文獻(xiàn)：

[1] Srinivasan V， Kim Y H. Credit granting： A comparative analysis of classification procedures[J].The Journal of Finance，1987，42（3）： 665-681.

[2] Donald E R， Kartono L， Richard H. Borrower risk signaling using loan-to-value ratios[J].Journal of Real Estate Research， 1996，11（1）：71-86.

[3] Henley W E， Hand D J. A k-nearest-neighbour classifier for assessing consumer credit risk[J].The Statistician， 1996：77-95.

[4] 柳炳祥， 盛昭瀚. 一種基于距離的欺詐風(fēng)險分析方法[J].中國管理科學(xué)， 2003，11（1）：38-41.

[5] 柳炳祥， 盛昭瀚. 一種基于案例推理的欺詐分析方法[J].控制與決策， 2003，18（4）：494-497.

[6] 陸靜， 唐小我. 基于貝葉斯網(wǎng)絡(luò)的操作風(fēng)險預(yù)警機制研究[J].管理工程學(xué)報，2008（4）.

[7] Kwan I S Y， Fong J， Wong H K. An e-customer behavior model with online analytical mining for internet marketing planning[J].Decision Support Systems， 2005， 41（1）：189-204.

[8] Artís M， Ayuso M， Guillén M. Detection of automobile insurance fraud with discrete choice models and misclassified claims[J].Journal of Risk and Insurance， 2002， 69（3）：325-340.

[9] Magder L S， Hughes J P. Logistic regression when the outcome is measured with uncertainty[J].American Journal of Epidemiology， 1997，146（2）：195-203.

Research on the Fraud Risk Identification Model of Third-party

Payment Platform on E-commerce

SHAO Jian-li1， SONG Ning1，ZHANG Yan2

（1.School of Statistics and Management， Shanghai University of Finance and Economics， Shanghai

200433， China； 2.Department of Finance， Qingpu Branch of SRCB， Shanghai 201799， China）

Abstract：Along with the rapid development of electronic commerce， the fraud risk of third-party payment platform on e-commerce presents the increasing trend. This paper constructs a scientific fraud risk identification model by Logistic Regression， and searches and determines the split point fraud transactions and normal transactions by Kolmogorov-Smirnov statistics， in order to estimate the fraud risk quantitatively. The results show that the model is stable and has high forecast accuracy， which can be used to identify the fraud risk of third-party payment.

Key words：third-party payment platform； fraud risk； Logistic Regression； Kolmogorov-Smirnov statistics

（責(zé)任編輯：王奇）endprint

通過進(jìn)行訓(xùn)練樣本檢驗和測試樣本檢驗可以看出，模型對訓(xùn)練樣本和測試樣本的預(yù)測準(zhǔn)確度都超過了60%，基本一致，模型的預(yù)測能力較強，可以用此模型對新的樣本第三方支付交易是否是欺詐交易做出精度比較高的判斷。

四、結(jié)論

本文嘗試將已經(jīng)發(fā)展較為成熟的信用卡交易欺詐風(fēng)險評分模型中的部分方法應(yīng)用到第三方支付交易欺詐風(fēng)險識別上去，選取了構(gòu)建模型所使用的風(fēng)險指標(biāo)，對樣本的欺詐風(fēng)險進(jìn)行了量化評估，并用訓(xùn)練樣本和測試樣本對模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行了檢驗。檢驗結(jié)果表明模型預(yù)測準(zhǔn)確性高，而且穩(wěn)定可靠，從而為第三方支付企業(yè)風(fēng)險管理與決策開辟了一個新的視角。實證分析結(jié)果表明，賬戶中添加的銀行卡數(shù)目（num_ach）、用戶添加的手機號碼個數(shù)（s_phone_n）、付款人使用信用卡交易失敗的比例（s_cc_pct_failed_auth）、信用卡銀行識別號碼被拒的比例（cc_bin_dec_decline_rate）、添加銀行卡的IP地址吻合次數(shù)（ip_bank_add_match）、之前是否用過銀行卡（prepaid_bank）對識別交易欺詐風(fēng)險有顯著影響。賬戶中銀行卡數(shù)目越多，用戶在第三方支付平臺賬號中添加的手機號碼個數(shù)越多，付款人使用信用卡交易失敗的比例越高，信用卡銀行識別號碼（信用卡號碼前六位數(shù)字）被銀行列為拒絕付款的比例越高，添加銀行卡時的IP地址變換次數(shù)越多，或者之前從未使用過銀行卡進(jìn)行支付，表明該筆交易的欺詐風(fēng)險越高。

如今，電子支付應(yīng)用已深度滲透到諸如網(wǎng)購、機旅、轉(zhuǎn)賬、生活繳費、基金、債券、炒股認(rèn)購等日常生活的各個領(lǐng)域。在此背景下，可以預(yù)見的是短期內(nèi)更多諸如網(wǎng)絡(luò)釣魚或是其它的欺詐手段還將不斷涌現(xiàn)，這對于即將承擔(dān)起更多支付職能的第三方支付企業(yè)而言可謂任重而道遠(yuǎn)。因此，對于第三方支付企業(yè)，必須考慮多方面因素建立一套實時的反欺詐系統(tǒng)，當(dāng)一個新交易產(chǎn)生時，交易將經(jīng)過此系統(tǒng)的分析，最后做出決策是否接受此交易。根據(jù)本文得到的結(jié)論，我們建議：第三方支付機構(gòu)應(yīng)該強化日常賬戶管理、密切監(jiān)察高風(fēng)險商戶；政府部門則應(yīng)重點加快建立第三方支付產(chǎn)業(yè)相關(guān)法律法規(guī)，規(guī)范和指引第三方支付平臺的經(jīng)營行為，完善社會征信體系。

參考文獻(xiàn)：

[1] Srinivasan V， Kim Y H. Credit granting： A comparative analysis of classification procedures[J].The Journal of Finance，1987，42（3）： 665-681.

[2] Donald E R， Kartono L， Richard H. Borrower risk signaling using loan-to-value ratios[J].Journal of Real Estate Research， 1996，11（1）：71-86.

[3] Henley W E， Hand D J. A k-nearest-neighbour classifier for assessing consumer credit risk[J].The Statistician， 1996：77-95.

[4] 柳炳祥， 盛昭瀚. 一種基于距離的欺詐風(fēng)險分析方法[J].中國管理科學(xué)， 2003，11（1）：38-41.

[5] 柳炳祥， 盛昭瀚. 一種基于案例推理的欺詐分析方法[J].控制與決策， 2003，18（4）：494-497.

[6] 陸靜， 唐小我. 基于貝葉斯網(wǎng)絡(luò)的操作風(fēng)險預(yù)警機制研究[J].管理工程學(xué)報，2008（4）.

[7] Kwan I S Y， Fong J， Wong H K. An e-customer behavior model with online analytical mining for internet marketing planning[J].Decision Support Systems， 2005， 41（1）：189-204.

[8] Artís M， Ayuso M， Guillén M. Detection of automobile insurance fraud with discrete choice models and misclassified claims[J].Journal of Risk and Insurance， 2002， 69（3）：325-340.

[9] Magder L S， Hughes J P. Logistic regression when the outcome is measured with uncertainty[J].American Journal of Epidemiology， 1997，146（2）：195-203.

Research on the Fraud Risk Identification Model of Third-party

Payment Platform on E-commerce

SHAO Jian-li1， SONG Ning1，ZHANG Yan2

（1.School of Statistics and Management， Shanghai University of Finance and Economics， Shanghai

200433， China； 2.Department of Finance， Qingpu Branch of SRCB， Shanghai 201799， China）

Abstract：Along with the rapid development of electronic commerce， the fraud risk of third-party payment platform on e-commerce presents the increasing trend. This paper constructs a scientific fraud risk identification model by Logistic Regression， and searches and determines the split point fraud transactions and normal transactions by Kolmogorov-Smirnov statistics， in order to estimate the fraud risk quantitatively. The results show that the model is stable and has high forecast accuracy， which can be used to identify the fraud risk of third-party payment.

Key words：third-party payment platform； fraud risk； Logistic Regression； Kolmogorov-Smirnov statistics

（責(zé)任編輯：王奇）endprint