Dec.2017Vol.33No.6

DOI：10.13216/j.cnki.upcjess.2017.06.0003

摘要：從P2P平臺信用風(fēng)險角度出發(fā)，以借款人風(fēng)險控制為研究目標(biāo)，構(gòu)建借款人信用評價指標(biāo)體系，并利用美國P2P網(wǎng)絡(luò)借貸平臺Prosper上的數(shù)據(jù)建立基于 Logistic 回歸的借款人信用風(fēng)險評價模型。實證分析表明：是否有房產(chǎn)、貸款創(chuàng)立時長、借款利率對借款人信用風(fēng)險有著比較大的影響，而借款金額、信用評級、借款期限、借款用途對借款人信用風(fēng)險沒有特別明顯的影響。

關(guān)鍵詞：P2P網(wǎng)絡(luò)借貸；信用風(fēng)險；互聯(lián)網(wǎng)金融；Logistic模型

中圖分類號：F832.4

文獻(xiàn)標(biāo)識碼：A

文章編號：16735595（2017）06001605

一、引言

P2P網(wǎng)絡(luò)借貸是隨互聯(lián)網(wǎng)和民間借貸興起的一種新的金融模式，是最有活力和代表性的金融業(yè)務(wù)模式之一。 P2P網(wǎng)貸平臺為借貸雙方提供了諸如信息溝通、信用評價、投資咨詢等交易促成服務(wù)，成為個人消費、小微企業(yè)經(jīng)營在銀行體系以外的重要融資渠道。近幾年，P2P借貸行業(yè)的資產(chǎn)拓展、產(chǎn)品演進(jìn)、技術(shù)更新速度之快，令人應(yīng)接不暇。在快速成長之中，P2P借貸行業(yè)的諸多問題也日益凸顯，層出不窮的倒閉、跑路乃至詐騙事件給行業(yè)留下沉重陰影。2014年，中國銀監(jiān)會向銀行業(yè)機構(gòu)發(fā)布了關(guān)于某國知名P2P信貸服務(wù)中介公司風(fēng)險提示，稱其存在大量潛在風(fēng)險，要求銀行業(yè)金融機構(gòu)采取有效措施，做好風(fēng)險預(yù)警監(jiān)測與防范。在此背景下，對P2P實踐中的借款人風(fēng)險進(jìn)行研究，建立P2P網(wǎng)絡(luò)信貸風(fēng)險評估模型具有非常重要的意義。

二、文獻(xiàn)回顧

目前國內(nèi)外關(guān)于P2P 網(wǎng)貸信用風(fēng)險的研究主要是從“軟信息”和“硬信息”兩個角度來考察。軟信息指的是某些無法訴諸紙面的信息，例如借款人的性格、借款人朋友圈的質(zhì)量等等。硬信息指的是能夠用準(zhǔn)確的指標(biāo)或數(shù)值表示的信息，如債務(wù)收入比、有無違約記錄、是否有房產(chǎn)以及借款者每月還款金額等。大多數(shù)P2P網(wǎng)貸平臺會為投資人提供借款人詳細(xì)的歷史信貸數(shù)據(jù)以及借款人基本信息等數(shù)據(jù)，投資人可以根據(jù)這些信息來評估借款人的違約風(fēng)險。在P2P網(wǎng)貸信用評估指標(biāo)構(gòu)建上，國內(nèi)外學(xué)者主要從“基本特征、財務(wù)信息、歷史貸款信息、社會網(wǎng)絡(luò)、產(chǎn)品信息”等來構(gòu)建借款人的信用指標(biāo)體系。Gonzalez 等探討了借款人上傳的照片頭像對P2P貸款決策的影響，研究結(jié)果表明：借款人的性別、年齡和外貌會影響投資人對借款人信用的評估，中年人對貸款的獲得有積極的影響，而上大學(xué)的年齡對貸款的獲得有消極的影響；當(dāng)借貸雙方性別相同時，具有吸引力的外貌對貸款的獲得有消極的影響，當(dāng)借貸雙方性別相反時，具有吸引力的外貌對貸款的獲得有積極的影響。[1]Lin等認(rèn)為網(wǎng)絡(luò)社會資本是借款人信用的一個重要信號， 網(wǎng)絡(luò)社會資本較豐富的借款人獲得貸款的可能性較大，并且他們所需支付的借款利率較低，違約風(fēng)險也相對低。[2]Emekter等利用Lending Club平臺的數(shù)據(jù)進(jìn)行了研究，認(rèn)為借款人的信用評級、債務(wù)收入比、借款期限等會對借款人的違約風(fēng)險產(chǎn)生影響。[3]顧慧瑩等利用微貸網(wǎng)的數(shù)據(jù)進(jìn)行了研究，認(rèn)為外地戶籍、已婚和歷史違約記錄與借款違約率正相關(guān)，家人知曉借款和借款目的真實性與借款違約率負(fù)相關(guān)。[4]董梁等利用人人貸上的數(shù)據(jù)進(jìn)行了研究，認(rèn)為年齡、性別、崗位職位、收入、借款用途、工作認(rèn)證和實地認(rèn)證指標(biāo)應(yīng)作為評價個人信用風(fēng)險的主要依據(jù)。[5]肖曼君等基于EXElVBA數(shù)據(jù)挖掘技術(shù)截取多個P2P網(wǎng)站數(shù)據(jù)，對平臺信用風(fēng)險的影響因素進(jìn)行實證分析，結(jié)果表明：個人特征、信用變量、歷史表現(xiàn)、借款信息分別對網(wǎng)絡(luò)借貸信用風(fēng)險存在正向影響，同時發(fā)現(xiàn)網(wǎng)站提供的信息對投資者避免信用風(fēng)險沒有起到實質(zhì)作用。[6]

在信用評估方法上，隨著經(jīng)濟(jì)學(xué)理論、優(yōu)化理論的不斷發(fā)展，人工智能方法在信用評估方面得到了廣泛的應(yīng)用，國內(nèi)外學(xué)者主要通過構(gòu)建神經(jīng)網(wǎng)絡(luò)、回歸模型和運用遺傳算法來預(yù)測借款人的信用。Angelini 等通過建立兩個神經(jīng)網(wǎng)絡(luò)系統(tǒng)來進(jìn)行信用風(fēng)險評估，利用意大利中小企業(yè)的數(shù)據(jù)實證了該系統(tǒng)可以成功地對借款人信用進(jìn)行評估。[7]Bekhet等構(gòu)建Logistic 回歸模型和徑向基函數(shù)模型對約旦商業(yè)銀行信用進(jìn)行評估，并將這兩種模型進(jìn)行對比分析，結(jié)果表明Logistic 回歸模型的整體準(zhǔn)確率高于徑向基函數(shù)模型。[8]楊勝剛等以德國某商業(yè)銀行的真實客戶信用數(shù)據(jù)為樣本，將決策樹方法應(yīng)用于個人信用指標(biāo)的篩選過程中，與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合構(gòu)建成一個兩階段組合模型，研究表明：基于決策樹—神經(jīng)網(wǎng)絡(luò)構(gòu)建的個人信用評估組合模型對測試樣本的分類預(yù)測精度高于單一BP神經(jīng)網(wǎng)絡(luò)模型的分類預(yù)測精度。[9]

中國石油大學(xué)學(xué)報（社會科學(xué)版）2017年12月

第33卷第6期徐慧婷：基于Logistic的P2P網(wǎng)貸借款人信用風(fēng)險評估研究

本研究以美國最大的P2P網(wǎng)絡(luò)借貸平臺Prosper為例，將經(jīng)典的二元Logistic回歸模型用于P2P行業(yè)。在建模時，為解決解釋變量值過多問題，用WOE值代替原值進(jìn)行回歸，建立P2P網(wǎng)貸借款人信用評估模型，以期對中國P2P平臺提供借鑒。

三、實證分析

（一）二元Logistic模型

本研究中因變量為二分類變量，假設(shè)用Y表示貸款狀態(tài)類型，Y為0-1型變量（Y=1表示違約，Y=0表示非違約）；用X*=（X1，X2，…，Xn）表示n個自變量評價指標(biāo)組成的集合；用P表示違約的概率，即P=Prob（Y=1|X），則1-P為非違約概率。P/（1-P）為概率發(fā)生比，構(gòu)建貸款違約率的二元Logistic模型：

logit（P）=lnP1-P=β0+β1X1+β2X2+…+βnXn=βX*

其中，β=（β1，β2，…，βn），X*=（X1，X2，…，Xn），則貸款違約率為：endprint

P=exp（βX*）1+exp（βX*）

（二）數(shù)據(jù)來源

本研究的數(shù)據(jù)來自美國Prosper網(wǎng)貸平臺，該平臺對每一組貸款有詳細(xì)的記錄。本研究數(shù)據(jù)是從原網(wǎng)站Private CSV文件下載得到的，筆者整理了其中30368條貸款數(shù)據(jù)。本研究隨機抽取了25368條作為訓(xùn)練數(shù)據(jù)，包含21226條非違約貸款和4142條違約貸款；另外5000條作為測試樣本，包含4145條非違約貸款和855條違約貸款。

收集到的客戶信息包含貸款創(chuàng)立時長（AgeInMonths）、借款金額（AmountBorrowed）、借款利率 （BorrowerRate）、信用評級（ProsperRating）、債務(wù)收入比（Debt ToIncomeRatio）、加入群組（Group）、借款期限（Term）、每月還款金額（MonthlyLoan Payment）、借款用途（Category）、是否有房產(chǎn)（IsBorrowerHomeowner）、貸款狀態(tài)（Status）。

（三）數(shù)據(jù)分類及處理

為了增加模型穩(wěn)定性以及簡化計算與應(yīng)用，本研究對備選指標(biāo)進(jìn)行分類。信用評級、加入群組、借款用途、借款期限、是否有房產(chǎn)可根據(jù)特征值直接分組。貸款創(chuàng)立時長、借款金額、借款利率、債務(wù)收入比、每月還款金額是連續(xù)變量，數(shù)值眾多，會導(dǎo)致一些特征值沒有足夠的樣本對其穩(wěn)定性進(jìn)行分析或過多的特征值而導(dǎo)致應(yīng)用變得復(fù)雜，因此應(yīng)對這些變量進(jìn)行分組。分組原則如下：第一，分組能夠覆蓋大部分情況且能反映基本的分布信息；第二，將樣本容量較小的特征項進(jìn)行合并，并將違約客戶與非違約客戶較為接近的特征項進(jìn)行合并，以保證模型的穩(wěn)定性和有效性。備選指標(biāo)分組詳見表1。

為了提高模型的評估能力，本研究對自變量的取值做了適當(dāng)?shù)奶幚?，用WOE值替代原值計算。Smith等在2002年提出了Weight-of-Evidence （WOE）的概念。[10]用WOE值對分類自變量進(jìn)行編碼，能夠更直觀地理解自變量對狀態(tài)變量的作用效果及方向，同時提升預(yù)測效果。本研究將模型狀態(tài)變量為1的記為違約用戶，對于狀態(tài)變量為0的記為非違約用戶，WOE值反映的是在自變量每個分組下違約用戶對正常用戶占比和總體中違約用戶對正常用戶占比之間的差異，可以認(rèn)為WOE反映的是自變量取值對狀態(tài)變量的影響。在本研究中WOE=Ln（分類中正常客戶占正?？蛻艨傮w的比值/分類中違約客戶占違約客戶總體的比值）。例如自變量AgeInMonths [0，10）分類中好客戶8599個，總好客戶為21226個，壞客戶266個，總壞客戶4142個，則該分組對應(yīng)的WOE=Ln[（8599÷21226）/（266÷4142）]=18419。通過計算得出各自變量對應(yīng)的WOE值，見表2。

（四）回歸模型的建立

用自變量每個分類中的WOE值替代原值，利用SPSS軟件建立二元Logistic模型，得到的分析結(jié)果見表3。其中B為偏回歸系數(shù)；S.E.為標(biāo)準(zhǔn)誤差；Wals為卡方值，等于（B/S.E.）的平方；df為自由度；Sig.為β值，即顯著性水平；exp（B）為OR值。

得到樣本模型：

Ln[P/（1-P）]=z=-1315-1052×貸款創(chuàng)立時長的WOE值-0155×借款金額的WOE值-1045×借款利率的WOE值-0084×信用評級的WOE值-0573×債務(wù)收入比的WOE值-0395×加入群組的WOE值-0186×借款期限的WOE值+0353×每月還款金額的WOE值-0149借款用途的WOE值+2470×是否有房產(chǎn)的WOE值

則違約概率為：

P=exp（z）/[1-exp（z）]

從模型中可以看出，是否有房產(chǎn)、貸款創(chuàng)立時長、借款利率對借款人信用風(fēng)險有著比較大的影響，而借款金額、信用評級、借款期限、借款用途對借款人信用風(fēng)險沒有特別明顯的影響。

（五）模型的評估

ROC 曲線（receiver operating characteristic curve）是評估模型預(yù)測精度和分類能力常用的一種方法。ROC曲線是以診斷資料的（1-特異度）為橫軸、靈敏度為縱軸所繪制的曲線。曲線下面積（記為AUC）反映診斷實驗價值的大小，取值范圍為05～1。本研究中訓(xùn)練樣本和測試樣本的ROC 曲線如圖1～2所示。

ROC 曲線分析結(jié)果見表4。由表4可知，訓(xùn)練樣本與測試樣本的AUC 分別為 0. 814 和 0. 754，與 AUC=05 比較有統(tǒng)計學(xué)意義（sig.值<005），AUC 均在 07 以上，說明模型擬合效果較好。

（六）分類閾值的確定

本研究用常用的“尤登指數(shù)”來確定最佳分類閾值。由ROC分析圖輸出結(jié)果“曲線的坐標(biāo)”，可以求得各坐標(biāo)點“敏感性+特異性-1”的值，其最大值對應(yīng)的就是最佳界值，最佳分類閾值為0179。如果預(yù)測違約率大于等于0179，則認(rèn)為分類預(yù)測值為 1，即為違約客戶，反之，則認(rèn)為分類預(yù)測值為0，即為非違約客戶。利用擬合的模型分別對訓(xùn)練樣本和測試樣本進(jìn)行預(yù)測，并將實際結(jié)果與預(yù)測結(jié)果進(jìn)行比較，結(jié)果見表5。

由表5可知，訓(xùn)練樣本非違約客戶的預(yù)測精度為723%，測試樣本違約客戶的預(yù)測精度為775%，整體預(yù)測精度為731%。測試樣本非違約客戶的預(yù)測精度為740%，違約客戶的預(yù)測精704%，整體預(yù)測精度為734%。預(yù)測結(jié)果表明模型的預(yù)測能力較好，且訓(xùn)練樣本和測試樣本的預(yù)測精度差異不大，說明模型具有較好的穩(wěn)健性。

四、結(jié)論與建議

本研究利用Prosper平臺數(shù)據(jù)，基于真實的貸款記錄，構(gòu)建了一套適用于P2P網(wǎng)貸的信用評價指標(biāo)體系，并利用 Logistic 回歸方法建立借款人風(fēng)險評價模型，分析結(jié)果表明該模型具備較好的預(yù)測性和穩(wěn)健性，能夠在一定程度上識別好壞客戶。Prosper平臺的迅速發(fā)展得益于其健全的信用評估體系建設(shè)，Prosper對每一組貸款都有詳細(xì)的記錄，通過借款人大量數(shù)據(jù)的積累，建立借款人信用評估體系，并根據(jù)數(shù)理方法的應(yīng)用實現(xiàn)貸前審批和貸后風(fēng)險提示。本研究雖然采用的是國外平臺數(shù)據(jù)，但模型估計結(jié)果是可行且有效的，可以為中國P2P網(wǎng)貸平臺建立信用評估體系提供參考。為了更好地對P2P平臺借款人信用風(fēng)險進(jìn)行評估，降低P2P平臺違約風(fēng)險，結(jié)合中國P2P平臺實際情況，本文提出以下建議：endprint

第一，政府應(yīng)建立專門的監(jiān)管體系，制定平臺信息安全保障的具體內(nèi)容，明確網(wǎng)絡(luò)借貸中P2P平臺、借款人、投資人三方的權(quán)利和義務(wù)；同時，應(yīng)將P2P網(wǎng)貸借款人信用數(shù)據(jù)與傳統(tǒng)銀行的個人征信系統(tǒng)結(jié)合起來，實現(xiàn)統(tǒng)一的信用體系，達(dá)到風(fēng)險監(jiān)控、促進(jìn)P2P網(wǎng)貸健康發(fā)展的目標(biāo)。

第二，P2P平臺應(yīng)詳細(xì)記錄借款人的歷史信用數(shù)據(jù)與交易數(shù)據(jù)，以及借款人的基本信息，建立全面的借款人數(shù)據(jù)庫系統(tǒng)，以完善P2P網(wǎng)貸信用指標(biāo)體系，提高評估模型的預(yù)測精度。

第三，隨著經(jīng)濟(jì)學(xué)理論、優(yōu)化理論的不斷發(fā)展，在未來的信用評估模型研究中，可選用更合適的評估方法，以進(jìn)一步提高P2P網(wǎng)貸信用評估模型的預(yù)測能力。

參考文獻(xiàn)：

[1] Gonzalez L， Loureiro Y K. When Can a Photo Increase Credit？ The Impact of Lender and Borrower Profiles on Online PeertoPeer Loans[J]. Journal of Behavioral & Experimental Finance， 2014，2：4458.

[2] Lin M， Prabhala R， Viswanathan S. Judging Borrowers by the Company They Keep 1： Social Networks and Adverse Selection in Online PeertoPeer Lending[J]. Management Science， 2013，59（1）：1735.

[3] Emekter R， Tu Y， Jirasakuldech B. Evaluating Credit Risk and Loan Performance in Online PeertoPeer （P2P） Lending[J]. Applied Economics， 2015，47（1）：5470.

[4] 顧慧瑩，姚錚. P2P網(wǎng)絡(luò)借貸平臺中借款人違約風(fēng)險影響因素研究——以WDW為例 [J].上海經(jīng)濟(jì)研究，2015（11）：3746.

[5] 董梁，胡明雅.基于Logistic回歸模型的P2P網(wǎng)貸平臺新進(jìn)借款人信用風(fēng)險研究[J]. 江蘇科技大學(xué)學(xué)報（社會科學(xué)版），2016（3）：102108.

[6] 肖曼君，歐緣媛，李穎. 我國P2P網(wǎng)絡(luò)借貸信用風(fēng)險影響因素研究——基于排序選擇模型的實證分析[J]. 財經(jīng)理論與實踐，2015（1）：26.

[7] Angelini E， Tollo G D， Roli A. A Neural Network Approach for Credit Risk Evaluation[J]. The Quarterly Review of Economics & Finance， 2008，48（4）：733755.

[8] Bekhet H A， Eletter S F K. Credit Risk Assessment Model for Jordanian Commercial Banks： Neural Scoring Approach[J]. Review of Development Finance， 2014，4（1）：2028.

[9] 楊勝剛，朱琦，成程.個人信用評估組合模型的構(gòu)建——基于決策樹—神經(jīng)網(wǎng)絡(luò)的研究[J]. 金融論壇，2013（2）：5767.

[10] Eric P Smith， llya Lipkovich， Keying Ye. WeightofEvidence （WOE）： Quantitative Estimation of Probability of Impairment for Individual and Multiple Lines of Evidence[J]. Human & Ecological Risk Assessment， 2002，8（7）：15851596.

責(zé)任編輯：張巖林

Research on Credit Risk Assessment of Online Lending Borrower Based on Logistic Regression Model

XU Huiting

（Business Department， Xiamen City University，Xiamen， Fujian 361000， China）

Abstract： From the perspective of the credit risk of the P2P platform and to study the borrowers risk control， this paper proposes a set of borrower credit evaluation index system . Then an evaluation model is built based on logistic regression， using the data of Prosper. The empirical results show that IsBorrowerHomeowner， AgeInMonths and BorrowerRate have greater impacts on the borrowers credit risk， while AmountBorrowed， ProsperRating， Term and Category have no significant effect on the borrowers credit risk.

Key words： online P2P lending； credit risk； internet finance； Logistic Regression modelendprint