個人網(wǎng)絡(luò)信貸平臺在為投融資者提供便捷的渠道與服務，為個人投資者將閑置資金通過互聯(lián)網(wǎng)平臺借給資金短缺者提供了新的途徑。但是，近年來由于信貸平臺不規(guī)范、個人信用體系不健全等原因，網(wǎng)貸平臺市場出現(xiàn)了巨大的違約風險。本文采取定性與定量相結(jié)合的方法，從借款人信用信息入手，通過信息價值和共線性診斷篩選出適當?shù)闹笜俗兞?，將原始?shù)據(jù)以WOE替代代入Logistic回歸模型，根據(jù)回歸結(jié)果評判其信用風險的大小。通過構(gòu)建模型對個人網(wǎng)絡(luò)信貸平臺的借款者信用信息風險進行量化評估，為網(wǎng)絡(luò)信貸平臺的參與者提供有效的信用風險評估方法。

一、證據(jù)權(quán)重邏輯回歸模型

在眾多的評級模型中，邏輯回歸使用率占絕對優(yōu)勢。然而，該模型在實際運用中存在著諸多缺陷，由于真實數(shù)據(jù)的采集質(zhì)量比較差導致模型偏差較大，需要新的方法來解決。信息論中相對熵的運用，使得違約樣本分布與正常樣本分布之間的距離的刻畫更為精確，恰好解決邏輯回歸運用中的問題，即將證據(jù)權(quán)重(weight of evidence，簡稱WOE)和邏輯回歸結(jié)合起來。

(一)證據(jù)權(quán)重(WOE)

WOE反映的是債務人正常還款概率與債務人違約概率自然對數(shù)之比，WOE的增加意味著違約風險的降低。

(二)Logistic回歸

二、實證分析

(一)數(shù)據(jù)說明

根據(jù)國內(nèi)著名個人網(wǎng)絡(luò)信貸平臺紅嶺創(chuàng)投網(wǎng)站公布的2012年—2016年的借款信息，其中違約借款信息選擇2012—2016年公布的信貸黑名單。將收集的樣本經(jīng)過重復剔除和完整性篩選后，保留1382筆貸款數(shù)據(jù)作為進入模型回歸擬合的總樣本，其中1152筆貸款數(shù)據(jù)為訓練樣本，348筆貸款數(shù)據(jù)作為測試樣本。

(二)實證分析

(1)首先計算IV值與WOE值，并對指標進行分組

本文抓取了借貸信息包括借款金額、年利率、借款期限、借款類型、還款方式、投標筆數(shù)、會員等級、借入信用、借出信用、還款狀態(tài)以及各項資料的審核認證等19個變量。由于指標較多，以借款金額為例。采集1152條數(shù)據(jù)，其中好客戶960個，壞客戶192個。Good表示好客戶個數(shù)，Bad表示壞客戶個數(shù)，P1=Gi/G表示第i區(qū)間好客戶與總體好客戶的比重，P0=Bi/B表示第i區(qū)間壞客戶與總體壞客戶的比重。具體分組如下：

表1 借款金額4組

通過對比發(fā)現(xiàn)，將借款金額分為4組時，IV值最大，因此借款金額的合理分組為4組。

(2)通過IV值與共線性診斷剔除指標變量

IV值即為信息價值，借鑒FICO等機構(gòu)的使用經(jīng)驗，取舍閥值設(shè)為0.03，當IV值大于0.03且小于0.18時，該指標變量區(qū)分度有限，可排除該指標；當IV值大于0.18時，則認為指標變量是有區(qū)分度的。經(jīng)過數(shù)據(jù)處理以及可操作性計算，共有以下9種指標變量被選出來，其總IV值如下表2所示。

表2 初選指標變量及總IV值

將經(jīng)過IV值剔除的指標變量進行共線性診斷。經(jīng)過多重共線性回歸分析結(jié)果可知，這些指標之間存在多重共線性。經(jīng)過逐步回歸法分析，年利率、借款金額、逾期未還筆數(shù)、準時還款筆數(shù)、借款筆數(shù)以及是否有收入證明6個變量通過檢測。

(3)模型系數(shù)的綜合檢驗

將各組的WOE值代替原值代入Logistic模型中，反復比較各模型之間的運行結(jié)果，最終利用向前——LR的方法確定最終的模型版本，其結(jié)果顯示，參數(shù)整體是顯著不為0的，p值都低于0.05的顯著性水平，參數(shù)估計效果較好；而經(jīng)修正的R方等于0.875，數(shù)據(jù)較高，可以接受該模型擬合性；以0.05作為置信水平，6個指標變量都通過了wald假設(shè)檢驗，被保留在模型之中。即該模型同時通過了參數(shù)整體檢驗、擬合優(yōu)度的檢驗和wald假設(shè)檢驗。通過數(shù)據(jù)處理和模型檢驗得到的回歸結(jié)果，6個變量對能否成功借款均有顯著的影響。得到的樣本模型為：

從上述模型中可以看出，借款準時還款筆數(shù)對借款人的信用風險影響最大，借款金額、年利率、投標筆數(shù)、逾期未還筆數(shù)以及是否有收入證明對借款人的信用風險影響較大。

(4)對訓練樣本進行檢驗

本文確定最優(yōu)分割點的方法是通過ROC曲線偏離度最大的一點來確定的，即在此概率下，所抓取的好客戶的比例與壞客戶比例的差值達到最大，此時是最優(yōu)的切割點。

訓練樣本ROC曲線下方的面積為0.948，擬合效果非常好，其顯著性較為明顯，通過檢驗，能夠顯著區(qū)分好壞客戶。

擬合過程太多，中間過程的靈敏度與特異度使用省略號省略，根據(jù)靈敏度與特異度的乘積最大的原則，計算得出0.872*(1-0.052)=0.82557，其對應的概率值為0.802433，即為最佳分割點。因此，當返回概率大于0.802433時，客戶將被模型預測為好客戶，當返回概率小于0.802433時，則被預測為壞客戶。

圖1 訓練樣本的ROC曲線

(5)對模型進行檢驗

由表3可知，該模型對訓練樣本的總體預測準確率達到86.45%，其中192個壞客戶中，只有8個壞客戶被誤判為好客戶，正確識別率達到95.83%；960個好客戶中，有162個好客戶被誤判為壞客戶，正確識別率為84.58%。

表3 訓練樣本回帶檢驗預測準確性

(6)模型預測準確度測試

為進一步說明模型的區(qū)分能力，選取348個測試樣本，經(jīng)過上述數(shù)據(jù)處理過程，代入模型，得到的ROC曲線下方的面積為0.972，擬合效果較好，其顯著性也通過相關(guān)檢驗.

同時，該模型對測試樣本的總體預測準確率達到94.25%，如下表4所示。

表4 測試樣本回帶檢驗預測準確性

測試樣本的判斷結(jié)果與訓練樣本的預測準確率基本一致，預測準確度高，模型穩(wěn)定，證據(jù)權(quán)重邏輯回歸模型具有推廣應用的價值。

三、結(jié)論與建議

(一)結(jié)論

經(jīng)檢驗模型有很好的預測效果，同時得到以下一些結(jié)論：

(1)在所有影響較大的變量中，有借款金額、年利率、投標筆數(shù)、否有收入證明以及準時還款筆數(shù)都與借款成功率成正比，且準時還款筆數(shù)對借款成功率的影響最大，僅逾期還款筆數(shù)呈負相關(guān)。

(2)由于其客觀不可獲得性而被剔除的部分變量，可能是借款成功率較有影響的因素，信貸平臺應加強信用信息的審核與完善，模型預測應進行動態(tài)更新，以提高其實用價值。

(3)對模型進行測試需要更多的樣本數(shù)據(jù)支持，對模型也需要不斷測試和調(diào)整，在正確率有所保障的前提下再代入測試樣本做回帶檢驗，以達到更好的預測效果。

(二)相關(guān)建議

基于上述結(jié)論，本文針對性的對網(wǎng)貸平臺的發(fā)展提出下列相關(guān)建議。

(1)建設(shè)平臺信息核實制度

首先是網(wǎng)貸平臺對個人信用信息的真實性核實與驗證，應建立和完善個人網(wǎng)貸平臺的個人信息登記與管理制度。其次是審核借款者的信用信息，理性分析借款金額、年利率等因素，正確處理借款者的借款行為。最后是平臺應建立信用信息動態(tài)監(jiān)控機制，定期要求借款者更新相關(guān)信用信息，掌控違約風險。

(2)成立行業(yè)協(xié)會規(guī)范平臺運營

成立個人網(wǎng)絡(luò)信貸行業(yè)協(xié)會，制定相關(guān)行業(yè)準則，并將制定好的行業(yè)準則與有關(guān)金融機構(gòu)溝通，促使機構(gòu)立法保證行業(yè)監(jiān)管；個人網(wǎng)貸平臺管理機構(gòu)應該建立信息共享平臺，對外公布的數(shù)據(jù)應統(tǒng)一全面，結(jié)構(gòu)體系完整。

(3)完善政府監(jiān)管體系

完善政府監(jiān)管體系應當從以下幾個方面入手：第一，政府推動第三方機構(gòu)成立，對個人網(wǎng)貸平臺資金進行托管與監(jiān)督，對個人網(wǎng)貸平臺的賬務及借款者資料進行獨立審計，保障平臺運作流程的合法合理性。第二，完善社會征信系統(tǒng)。加快政府各部門信息化，采集完整的個人信息、住房公積金、社保等公共事業(yè)單位記錄，實現(xiàn)借款者信用信息聯(lián)網(wǎng)化，控制平臺信用風險。第三，目前個人網(wǎng)貸平臺尚未接入央行征信系統(tǒng)，應促使人民銀行、銀監(jiān)會、證監(jiān)會等部門建立個人評級體系，高等級平臺可優(yōu)先接入央行征信系統(tǒng)。第四，政府應主導制定相關(guān)法律措施對違約行為進行處罰并公示，解決個人網(wǎng)貸平臺借款者違約成本低的難題，降低違約率。

(南京航空航天大學經(jīng)濟與管理學院，江蘇 南京 210016)

[1] 張婧婕. P2P網(wǎng)貸成功率影響因素實證研究 [D].陜西師范大學，2015.

[2] 李孟來. 我國個人信用評分模型的應用探討 [J]. 金融管理與研究：杭州金融研修學院學報，2009，2)：52-4.

[3] 甘信軍，楊維強. 證據(jù)權(quán)重方法與信用風險控制 [J]. 山東大學學報(理學版)，2014，49(12)：55-9.

[4] 史小康，何曉群. 有偏logistic回歸模型及其在個人信用評級中的應用研究 [J]. 數(shù)理統(tǒng)計與管理，2015，34(6)：1048-56.