韓穎　齊翔　李鑫

摘 要 在大數(shù)據(jù)背景下，P2P網(wǎng)貸快速發(fā)展，同時也伴隨著更多的風險，本文通過建立二元Logistic回歸模型對借款人借款行為進行分析，在選取的10個變量里，借款人年齡、所在地、工作性質(zhì)、合同金額對借款人借款行為影響顯著，并且，通過擬合二元Logistic回歸模型對有無逾期的借款人的分類準確率達到75.1%，說明模型擬合效果較好，最后提出相應的建議。

關(guān)鍵詞 Logistic回歸模型 借款人 逾期

中圖分類號：F830 文獻標識碼：A

隨著計算機技術(shù)的發(fā)展，傳統(tǒng)金融業(yè)與互聯(lián)網(wǎng)相融合，形成了新的行業(yè)——互聯(lián)網(wǎng)金融，而P2P網(wǎng)貸則是互聯(lián)網(wǎng)金融的一個重要的組成部分，P2P網(wǎng)貸平臺，是P2P借貸與網(wǎng)絡借貸相結(jié)合的互聯(lián)網(wǎng)金融服務網(wǎng)站，P2P借貸是英文peer to peer lending的簡寫，其中peer指的是個人。為了了解P2P網(wǎng)貸借款人的信用風險，本文通過建立二元Logistic回歸模型分析影響借款人借款行為的影響因素，從而可以減小借款違約率，降低借款人的信用風險。

1 Logistic 回歸模型

當回歸模型里被解釋變量為二分類變量時，二元Logistic 回歸模型是研究被解釋變量與解釋變量之間關(guān)系的常用方法，本文將被解釋變量分為正常借款人（沒有違約）和非正常借款人（違約），這正是一個二分類問題，二元Logistic回歸模型能很好的解決此類問題。二元Logistic回歸模型的核心思想是：假設y表示借款人申請貸款這一事件，取值為1表示借款人違約，取值為0表示借款人履約，用1和0作為被解釋變量的取值進行回歸。本文通過建立二元Logistic回歸模型得到借款人發(fā)生違約的可能性，即因變值為1的概率，所以回歸模型結(jié)果具有直觀含義。

2數(shù)據(jù)來源與指標選取

2.1數(shù)據(jù)來源

本文數(shù)據(jù)來于P2P網(wǎng)貸公司（青蚨普惠），它全面記錄了每一個借款人的信息資料，本文選取了安徽省5個地區(qū)借款人的177條信息，這5個地區(qū)分別為合肥、安慶、馬鞍山、阜陽和蚌埠。其中，正常借款人（沒有違約）人數(shù)為120，非正常借款人（違約）人數(shù)為57。

2.2指標選取

指標的選取對模型的建立相當重要，通過閱讀大量文獻并結(jié)合P2P網(wǎng)貸平臺客戶資料的特點，本文確定了借款人4個方面的指標作為借款人信用風險評價備選指標。如表1所示，其中包括一級指標和二級指標及指標的取值情況。

從表1可知，備選指標有12個，解釋變量較多，變量間可能存在著較強的相關(guān)關(guān)系，如果都引入模型會造成多重共線性的后果，因此，對于可能產(chǎn)生的多重共線性采用VIF（方差膨脹因子）進行檢驗，通過檢驗，除去月還本息（x11）和工作年限（x12）這兩個變量，保留在模型里有10個變量。

3模型分析

3.1模型檢驗

對模型的系數(shù)進行綜合檢驗，所選變量均進入方程，概率p值為0.002，小于顯著性水平，應拒絕所有回歸系數(shù)同時為0的原假設，解釋變量整體與Logit P之間的線性關(guān)系顯著，因此采用該模型合理。

3.2回歸結(jié)果分析

通過SPSS統(tǒng)計軟件里選擇向后逐步進入法建立二元Logit回歸模型，最終保留在模型里的解釋變量為年齡（X2）、工作性質(zhì)（X4）、借款人所在地（X5）、合同金額（X7）和借款利率（X9），如表3所示。

從表2可知，留在模型里的5個指標是：年齡、工作性質(zhì)、借款人所在地、合同金額和借款利率。這5個指標對模型影響顯著。其中：借款人的年齡越大，其違約的可能性越低，信用風險就越?。唤杩钊说墓ぷ餍再|(zhì)里職位越高，風險越低；借款人所在地經(jīng)濟越發(fā)達，違約的概率就越小，風險越低，借款人的借款合同金額越大，風險越高，借款人的借款利率越大，違約的概率越大，風險越高，同時，Exp （B）值代表自變量對因變量的影響程度，取值越大，說明違約的概率就越高，從上表可知，借款人年齡、工作性質(zhì)、所在地對因變量影響較大，而合同金額、借款利率對因變量的影響較小。

4模型驗證

表3顯示了Logit回歸初始階段的混淆矩陣，模型總的預測正確率為67.8%。當所選擇的指標作為方程的解釋變量時，模型總的分類準確率達到75.1%。準確率比沒有解釋變量進入模型時要高很多，因此二元Logit模型評價效果較好。

5結(jié)論與建議

（1）借款人年齡、工作性質(zhì)、所在地、合同金額、借款利率對借款人違約率影響顯著；（2）在影響因素里，借款人年齡、工作性質(zhì)、借款人所在地對因變量影響較大，而合同金融、借款利率對因變量的影響較小。（3）當所選擇的指標為方程的解釋變量時，模型總分類準確率為75.1%，比之前沒有解釋變量進入模型時要高很多，二元Logit模型評價效果較好。

因此，本文認為，對于借款人而言，不要一次性借高數(shù)額的貸款，這樣違約風險就大，對于監(jiān)管部門，應該實現(xiàn)大數(shù)據(jù)資源共享，逐步完善個人征信體系。

基金項目：銅陵學院人文社會科學研究項目。

作者簡介：韓穎（1988-），女，漢族，銅陵學院助教，碩士，主要研究方向：經(jīng)濟統(tǒng)計。

參考文獻

[1] 薛薇.SPSS統(tǒng)計分析方法及應用[M].電子工業(yè)出版社，2013：212-229.

[2] 袁羽.基于Logistic回歸的P2P網(wǎng)絡貸款信用風險度量[D].上海：上海社會科學院，2014.

[3] 董梁，虎明雅.基于Logistic回歸模型的P2P網(wǎng)貸平臺新進借款人信用風險研究[J].江蘇科技大學學報（社會科學版），2016（09）：3-5.

[4] 溫小霓，武小娟. P2P網(wǎng)絡借貸成功率影響因素分析——以拍拍貸為例[J].金融論壇，2014（03）：1-2.

[5] 王夢佳.基于Logistic回歸模型的P2P網(wǎng)貸平臺借款人信用風險評估[D].北京：北京外國語大學，2015.endprint