王文怡，程平

（重慶理工大學(xué)，重慶400054）

一、引 言

隨著中國近年經(jīng)濟(jì)形勢的下滑，民間小微企業(yè)的資金借貸難問題更是雪上加霜，嚴(yán)重影響了企業(yè)的正常發(fā)展；同時，個人貸款業(yè)務(wù)也一直是銀行等金融機(jī)構(gòu)的雞肋業(yè)務(wù)，個人消費(fèi)融資問題亟待解決。正是迎著這樣的需求痛點(diǎn)，一種由借款人和出款人通過互聯(lián)網(wǎng)平臺實(shí)現(xiàn)高效便捷的自由競價、無抵押資金借貸新模式，中國P2P網(wǎng)絡(luò)借貸（Peer-to-Peer Lending）行業(yè)在近些年迅速發(fā)展，各大金融機(jī)構(gòu)、傳統(tǒng)企業(yè)、互聯(lián)網(wǎng)創(chuàng)新平臺紛紛加入。截至2016年，國內(nèi)P2P平臺數(shù)目多達(dá)近4800家，月平均復(fù)合增長率超過8% ，同時其資金交易規(guī)模更是達(dá)到了近2500億～3000億元。然而，我國P2P網(wǎng)絡(luò)借貸行業(yè)在此期間內(nèi)一直存在著“無從業(yè)門檻、無行業(yè)標(biāo)準(zhǔn)、無監(jiān)管機(jī)構(gòu)”等問題，這使得整個P2P行業(yè)面臨著較大的信用風(fēng)險。據(jù)零壹數(shù)據(jù)統(tǒng)計，截至2016年，因惡意詐騙、經(jīng)營不善等問題而倒閉、跑路的問題平臺已累計達(dá)到3000多家，這在一定程度上影響了借貸雙方的信心。實(shí)際上，P2P網(wǎng)絡(luò)借貸平臺的信用風(fēng)險管理水平直接關(guān)系到投資人對于平臺的選擇行為。

既有關(guān)于P2P網(wǎng)絡(luò)借貸的研究較多基于歐美發(fā)達(dá)的資本市場，主要集中在 P2P 網(wǎng)絡(luò)借貸行為的影響因素 （Herzenstein 等，2008；Iyer等，2010）［1］［2］、貸款人在借貸中的行為 （Lee 和 Lee，2012）［3］以及 P2P 平臺的監(jiān)管（Slattery，2013）［4］三大方面。我國作為新興資本市場，由于起步較晚，相應(yīng)的研究目前主要集中于對我國P2P網(wǎng)絡(luò)借貸的主要運(yùn)營模式、制度設(shè)計、監(jiān)管手段所存在的問題及對策建議的探討（王紫薇等，2012；莫易嫻和譚振輝，2017）［5］［6］，而這些研究大多以定性的理論和描述性分析為主，基于真實(shí)平臺借貸數(shù)據(jù)的定量研究仍較為匱乏。此外，不同于西方發(fā)達(dá)國家已普遍建立起了高度透明的全國個人信用體系，我國的P2P借貸平臺由于無法納入央行的征信系統(tǒng)，在個人信用記錄上存在著嚴(yán)重的數(shù)據(jù)缺失，對個人信用水平的相關(guān)分析需要完全依靠P2P平臺自身的信用認(rèn)證機(jī)制來完成，因此結(jié)合我國P2P平臺的實(shí)際情況對風(fēng)險管理進(jìn)行更細(xì)致的討論有著重要意義。

HLCT是HLCT電子商務(wù)股份有限公司旗下的互聯(lián)網(wǎng)金融服務(wù)平臺，于2009年3月正式上線運(yùn)營，截至2016年，該網(wǎng)站累計投資金額已達(dá)1165．45億元。HLCT是“線上+線下”審核結(jié)合模式的代表，即首先對平臺上發(fā)起借款申請的借款用戶進(jìn)行初步審核，通過之后再對借款人信息進(jìn)行現(xiàn)場審核，風(fēng)險控制整體上處于中上水平。雖然HLCT對借款人的個人信用信息有嚴(yán)格的多重審核機(jī)制，但仍然難以遏止部分借款人通過提交、偽造虛假信息以逃避還款違約后續(xù)責(zé)任的現(xiàn)象產(chǎn)生，并且即使在所提供的個人信息為真實(shí)準(zhǔn)確的情況下，平臺還是會經(jīng)常出現(xiàn)借款人逾期償還借款的行為。因此，在對借款人及其借款信息進(jìn)行審核的過程中，探究何種因素對借款人違約風(fēng)險的影響程度較大、如何構(gòu)建相應(yīng)風(fēng)險量化指標(biāo)成為了風(fēng)控焦點(diǎn)。為此，本文以最基本也是最核心的信用風(fēng)險作為切入點(diǎn)，利用基于網(wǎng)絡(luò)爬蟲代碼所采集的HLCT平臺真實(shí)數(shù)據(jù)進(jìn)行分析，選取信用變量、借款信息、歷史表現(xiàn)三方面指標(biāo)進(jìn)行分類處理，旨在探索影響平臺穩(wěn)健運(yùn)作的關(guān)鍵要素，通過對平臺借款人的違約率展開有效的評估與預(yù)測，以期提高平臺對借款人信用風(fēng)險的控制能力。

二、理論分析與研究假設(shè)

信息不對稱理論（Asymmetric Information Theory）認(rèn)為，在市場經(jīng)濟(jì)活動中，各類參與主體對有關(guān)信息的掌握程度是存在顯著差異的，對信息掌握程度較為充足的人往往能夠在市場活動中處于優(yōu)勢地位，而所擁有的信息較為匱乏的人則會處于不利的地位（L?fgren 等，2010）［7］。 就網(wǎng)絡(luò)借貸活動而言，出借人通常無法完全獲得借款人信用的詳細(xì)信息，這便會導(dǎo)致兩方之間信息不對稱現(xiàn)象的產(chǎn)生，而在這種現(xiàn)象的作用下就可能引起逆向選擇（Adverse Selection）和道德風(fēng)險 （Moral Hazard）兩類行為傾向 （Jensen和Meckling，1976）［8］。其中，逆向選擇主要源于事前的信息不對稱，指的是網(wǎng)絡(luò)借貸交易中的借款人一方為了獲得借款，利用多于另一方出借人的信息使自身受益而使得出借人受損，表現(xiàn)為借款人傾向于隱瞞對自身獲得借款不利的信息甚至提供虛假的個人信用信息，以此導(dǎo)致出借人作出面向信用風(fēng)險較大的借款人的錯誤投標(biāo)決策。道德風(fēng)險則是指在借款人取得借款后，由于出借人難以有效實(shí)施監(jiān)督行為或監(jiān)督成本過高，使得其未能遵守借款條約中合理利用資金的內(nèi)容準(zhǔn)則，而是投入到所需承擔(dān)風(fēng)險較大的活動之中，從而導(dǎo)致借款未能按約償還。逆向選擇和道德風(fēng)險這兩種行為都會使P2P交易失去供求平衡的關(guān)系，進(jìn)而引起整個借貸市場效率的降低。在上述情況下，平臺的信用認(rèn)證機(jī)制則能夠在一定程度上緩解因信息不對稱所產(chǎn)生的逆向選擇和道德風(fēng)險問題，因為信用認(rèn)證機(jī)制通過搜集借款人的信息并對信息整理加工分析后作出信用評判（王會娟和廖理，2014）［9］。信用評判能夠較為綜合地涵蓋借款人過去一段時間內(nèi)的信用信息，揭示其信用風(fēng)險水平，出借人可據(jù)此針對不同借款人作出是否進(jìn)行貸款投放的合理判斷，從而盡可能降低逆向選擇所帶來的負(fù)面決策影響。此外，信用認(rèn)證機(jī)制還能夠通過“獎勵”與“懲罰”手段的綜合運(yùn)用，促使P2P平臺實(shí)時依據(jù)借款人的還款行為對其信用風(fēng)險進(jìn)行動態(tài)調(diào)整，當(dāng)借款人出現(xiàn)違約行為時調(diào)高其信用風(fēng)險，這會對借款人日后進(jìn)一步融資帶來不利影響；相反，當(dāng)其如期還款時，則調(diào)低信用風(fēng)險，有利于其以后獲得融資。通過該方式，信用認(rèn)證機(jī)制可有效防范道德風(fēng)險行為的發(fā)生。由此，可認(rèn)為P2P平臺的信用認(rèn)證機(jī)制能夠有效解決借貸雙方信息不對稱的問題。

通過信用認(rèn)證機(jī)制所作出的信用評判是由網(wǎng)絡(luò)借貸平臺基于相關(guān)數(shù)據(jù)信息，結(jié)合定性和定量的方法來對借款人償還借款的意愿和能力作出的綜合評價。根據(jù)信息不對稱理論，信用等級能夠體現(xiàn)借款人的信用表現(xiàn)情況，出借方可依據(jù)借款人的信用等級較為直觀地觀察到其信用水平的高低，降低雙方之間信息不對稱的程度，進(jìn)而根據(jù)信用等級作出合理的放貸決策。諸多學(xué)者均認(rèn)為信用等級是產(chǎn)生違約的決定性影響因素之一 （Klafft，2008；Emekter等，2015）［10］［11］。在我國，由于個人征信系統(tǒng)的不完善而導(dǎo)致信用記錄缺失，因此對于每一位借款人，都需要由HLCT審查員綜合分析其可被證實(shí)的信息后對信用等級作出評判，并根據(jù)信用等級決定是否發(fā)放貸款及貸款規(guī)模?？梢娦庞玫燃壷笜?biāo)與借款的違約率直接相關(guān)，且借款人信用評級越高，借款違約率越低。同時，借款人在平臺上的歷史借款記錄也是P2P平臺信用認(rèn)證機(jī)制的重要組成部分，借款人的歷史行為特征能夠在一定程度上反映其還款意愿（顧慧瑩和姚錚，2015）［12］。 Kumar（2007）發(fā)現(xiàn)借款人的歷史拖欠率與借款風(fēng)險溢價存在正向關(guān)系，歷史借款記錄與借款人信譽(yù)度相關(guān)，所以良好的歷史借款表現(xiàn)能夠降低違約率，而歷史違約記錄對違約率有正向影響［13］。另外，由于HLCT平臺為借款人設(shè)置了可自行選擇不同的借款期限及相應(yīng)還款方式，借款月利率也會隨著借款人的選擇而不同，這些借款信息往往也會影響違約的概率。基于上述理論分析，本文提出如下假設(shè)：

H1：借款人的信用評級與借款違約率顯著負(fù)相關(guān)。

H2：借款人良好的歷史借款表現(xiàn)與違約率顯著負(fù)相關(guān)。

H3：借款人的具體借款信息能夠?qū)`約率產(chǎn)生顯著的不同影響。

三、數(shù)據(jù)與模型

（一）樣本數(shù)據(jù)來源

本文所使用的實(shí)證數(shù)據(jù)來源于HLCT網(wǎng)絡(luò)借貸平臺的真實(shí)借款數(shù)據(jù)。通過長期測試發(fā)現(xiàn)，一天中的17～23時是該平臺借貸雙方頻繁操作的時間段，故為保證所收集數(shù)據(jù)的有效性，我們在2017年10月至2017年12月每天定時不定量的隨機(jī)選取樣本，通過Python軟件建立Scrapy爬蟲程序來對這段時間內(nèi)在HLCT網(wǎng)站平臺上進(jìn)行借款的相關(guān)用戶信息進(jìn)行挖掘，經(jīng)過隨后的數(shù)據(jù)清洗工作，剔除信息不全、重復(fù)借款者的樣本和部分冗余信息后，最終得到有效觀測數(shù)據(jù)11548條。爬取的數(shù)據(jù)共包括排序ID、評級得分、貸款額度、借款額度、借款金額、借款月利率、借款期限、還款方式、還款狀態(tài)、提前還款筆數(shù)、按時還款筆數(shù)以及是否逾期12個屬性。

（二）變量定義與描述

1.被解釋變量

為了準(zhǔn)確度量HLCT網(wǎng)絡(luò)借貸平臺的信用風(fēng)險，本文選取借款人是否具有違約即逾期還款行為來表示P2P網(wǎng)絡(luò)借貸交易中的借款人信用風(fēng)險。將其設(shè)定為二元虛擬變量，當(dāng)借款人違約時，賦值為1；當(dāng)借款人未發(fā)生違約行為時，則賦值為0。

2.解釋變量

為保證分析的科學(xué)性與合理性，結(jié)合爬取的數(shù)據(jù)，本文的被解釋變量主要包括以下三個方面：信用評級、借款信息以及歷史表現(xiàn)。在信用評級方面，共選取了評級得分、貸款額度和借款額度三個指標(biāo)。其中，評級得分是平臺通過用戶的資料與表現(xiàn)等綜合信息得到；貸款額度表示用戶作為貸款人的角色所能貸款給其他人的金額，能夠反映出用戶償債能力的強(qiáng)弱；借款額度是平臺考察借款人的還款能力與資產(chǎn)狀況等信息之后，授予其能借款的最大金額。借款信息方面選取了借款金額、借款利率、借款期限以及還款方式共四個指標(biāo)。其中，借款金額是指用戶當(dāng)前所借款項金額的額度大??；借款利率為這筆款項對應(yīng)折算后的月利率大??；借款期限為合同中約定的借款使用月數(shù)；借款人的還款方式則可分為按季分期、按月到期、按月分期以及一次性還款四種情況。歷史表現(xiàn)方面選取還款狀態(tài)、提前還款筆數(shù)和準(zhǔn)時還款筆數(shù)三個指標(biāo)來衡量。借款人的還款狀態(tài)分為已還完和正在還款中；提前還款筆數(shù)和準(zhǔn)時還款筆數(shù)兩個指標(biāo)表示借款人從入駐平臺以來的累計數(shù)據(jù)，表示總筆數(shù)。具體變量的詳細(xì)定義說明及描述性統(tǒng)計情況如表1所示。

表1 變量定義及描述統(tǒng)計

表2為相關(guān)性分析，列示了各變量之間的Pearson相關(guān)系數(shù)。此處我們重點(diǎn)觀察各自變量與因變量之間的相關(guān)性。從表2中可以看出，評級得分、借款額度、貸款額度、還款狀態(tài)和按時還款筆數(shù)與信用風(fēng)險之間均呈現(xiàn)顯著負(fù)相關(guān)，而借款利率則與信用風(fēng)險呈現(xiàn)顯著正相關(guān)，其余變量則并未表現(xiàn)出明顯的相關(guān)性質(zhì)。

表2 Pearson相關(guān)性分析

（三）模型設(shè)定

在對各類違規(guī)事件的識別中，常用的經(jīng)驗性的判別模型有多元判別分析、Probit判別以及Logistic判別，這些模型通常能夠直觀地反映出各變量的影響方向及概率大小。然而由于它們均為基于參數(shù)的估計模型，要么不能滿足殘差項的正態(tài)性、同方差性，要么不能很好地解決多重共線性問題，導(dǎo)致判別模型在參數(shù)估計中往往會存在偏差。因此，本文從機(jī)器學(xué)習(xí)算法的角度出發(fā)，在對Logistic、決策樹模型作比較分析的基礎(chǔ)上，重點(diǎn)用決策樹模型進(jìn)行擬合并對模型的實(shí)際判別效果作檢驗分析。

1．Logistic模型

本文研究涉及的因變量為用戶是否違約逾期還款，是一個定性的離散性二分變量。由于二元離散選擇模型的被解釋變量為非線性，所以需將其轉(zhuǎn)化為效用模型進(jìn)行評估，其中使用最廣泛的是Logistic模型，其一定程度上克服了線性假設(shè)的缺點(diǎn)，并且不要求變量服從正態(tài)分布，因此常被運(yùn)用到違規(guī)事件的識別中。通過Logistic變化后的具體判別模型可表示為：

其中，Y為是否違約的二分類值，出現(xiàn)違約用1表示，否則為0；P（·）表示事件發(fā)生的概率；X1，X2，…，Xi為一系列的影響因素；α、β為待估計的參數(shù)向量，可采用極大似然估計法（Maximum Likelihood Estimate，MLE）得到其估計量大小。

2．決策樹模型

決策樹是一種利用先驗信息處理數(shù)據(jù)間非同質(zhì)關(guān)系的樹型分類法。該模型不需要分布的假定，它的求解采用非參數(shù)技術(shù)；決策樹算法的關(guān)鍵是選擇節(jié)點(diǎn)的分裂屬性，常將熵（Entropy）、卡方（χ2）以及基尼系數(shù)（Gini Index）作為計算信息增益的算法。對于如同本文被解釋變量為二元分類的決策樹模型，其會根據(jù)不同的算法，首先選擇信息值最大的變量作為該層最有判別力的分類變量，把數(shù)據(jù)分成兩個子集；然后每個子集又選擇最有判別力的因素進(jìn)行劃分，一直進(jìn)行到所有子集僅包含同一類型的數(shù)據(jù)為止，即該級的信息值再也無法區(qū)分不同的類別。這種通過遞歸選擇最優(yōu)特征的方式不僅能夠在模型擬合過程中盡可能地規(guī)避線性回歸中的一系列強(qiáng)假設(shè)，并且還能幫助判別出自變量之間的相對重要性。本文將采用基于熵的信息增量作為分離準(zhǔn)則，該類型決策樹模型又被稱為ID3。熵是表示隨機(jī)變量不確定性的度量，將pi定義為分類變量U取值為i時的發(fā)生概率，若事件類型共有s類，則隨機(jī)變量的熵定義為：

在本文中，s 取值為 2；又假設(shè)自變量為 X1，X2，…，Xs，則自變量 i對應(yīng)的因子水平k記為Xik；將信息增益定義為：

因此，對于自變量 X1、X2、…、Xs，計算其對應(yīng)的 I（U，Xi），I（U，Xi）取值越大，則表示自變量Xi對于決策樹分類具有更多的信息，則優(yōu)先將Xi作為識別變量對決策樹進(jìn)行分割，然后再用相同方法對其他自變量進(jìn)行選擇。

四、結(jié)果分析

（一）判別模型結(jié)果解釋

為了保障模型對信用風(fēng)險要素挖掘的準(zhǔn)確性，本文運(yùn)用簡單隨機(jī)取樣法將數(shù)據(jù)隨機(jī)分為訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)兩部分①，比例分別為67%和33%。首先，運(yùn)用SPSS軟件基于訓(xùn)練組數(shù)據(jù)對式（1）的Logistic模型進(jìn)行MLE估計，最終輸出的參數(shù)估計值如表3所示?？梢钥吹皆诨貧w結(jié)果中，貸款額度、借款金額、借款期限、還款模式以及提前還款筆數(shù)等要素對信用風(fēng)險的影響并不顯著，其余變量則至少呈現(xiàn)出5%的顯著性程度，假設(shè)H1、H2和H3均只得到部分驗證。具體來看，信用評級類別中的信用評分以及借款額度大小與信用風(fēng)險顯著負(fù)相關(guān)，表明HLCT平臺對借款人總體信用的評級認(rèn)證較為精準(zhǔn)，較低的評級會明顯增大借款用戶的違約概率，而較高的評級則會明顯降低這一概率。借款信息類別中，僅借款月利率會對信用風(fēng)險的產(chǎn)生存在顯著的正向影響，需承擔(dān)高利率的借款人發(fā)生違約的可能性會比低利率者高出近5倍，可能的原因在于較高的利率水平使得每月所需還款的金額較大，給借款用戶如期還款付息造成了一定的壓力，從而增大了信用風(fēng)險。在歷史表現(xiàn)方面，處于已完成的還款狀態(tài)和按時還款筆數(shù)均會明顯降低信用風(fēng)險，由此可見，歷史還款記錄也是研究平臺借款人違約風(fēng)險的重要因素，借款人的歷史行為特征確實(shí)在一定程度上能反映出其還款能力以及意愿，從而有一定的參考價值。

表3 Logistic模型回歸結(jié)果

通過上述分析可以看到，Logistic模型雖然能綜合表明各要素與信用風(fēng)險的方向關(guān)系與顯著性程度，與理論假設(shè)也大致吻合，但可以看到仍然存在部分變量如貸款額度等在解釋上的困難，模型不夠清晰，并且由于各相同類別內(nèi)變量高度多重共線性問題的存在，也會使得估計結(jié)果可能存在一定的偏差。因此，本文進(jìn)一步采用基于非參數(shù)求解技術(shù)的ID3決策樹模型來進(jìn)行更為直觀地分類分析。

我們采用SAS軟件進(jìn)行決策樹的建模。經(jīng)過測試，二叉樹效果并不明顯，則選擇可以向三個方向分裂的樹；同時，為防止過度擬合導(dǎo)致模型噪聲的存在，經(jīng)過誤分率的判斷將樹的深度設(shè)置為3，剪枝后的最佳分枝數(shù)為36。根據(jù)隨后運(yùn)行結(jié)果可以發(fā)現(xiàn)，影響信用風(fēng)險最關(guān)鍵的要素按重要性排序分別為：借款額度、評級得分、貸款額度以及按時還款筆數(shù)四個變量，這與前文Logistic回歸的結(jié)果略顯不同。圖1至圖4顯示了ID3決策樹模型的最終輸出圖。從含義來看，決策樹中最上方的樹根框（見圖1）為樣本數(shù)據(jù)的總體性描述，其中左列表示黑色樣本以及白色樣本的1、0標(biāo)記和數(shù)量合計；中間列為訓(xùn)練樣本的描述，此處我們的訓(xùn)練集共有7737個樣本，其中黑色樣本數(shù)為589，白色樣本數(shù)為7148，分別占比7．6%和92．4%；而右邊列為驗證集，共有316個黑色樣本②。之后的每個框均由上述三部分構(gòu)成。接下來，按照對分類貢獻(xiàn)率最大的借款額度進(jìn)行三叉樹分枝，以最左邊的框為例進(jìn)行說明，它表示在借款額度小于89292.5時，訓(xùn)練集7737個樣本中，有6240個被識別為白色樣本，其準(zhǔn)確率為94.8%；真實(shí)情況是這6240個樣本中有327個為黑色樣本，然而在閾值為0.5的情況下會被全部認(rèn)作為白色樣本。而框內(nèi)右邊的驗證樣本則用來說明基于訓(xùn)練集所建立的模型在驗證集中的效果，可以發(fā)現(xiàn)，3811個驗證樣本中有3045個被判別為白色樣本，盡管其中有171個事實(shí)上為黑色樣本。其他樹枝框的解釋同理。

圖1 決策樹分析結(jié)果第一裂分圖

圖2 決策樹分析結(jié)果第一分枝圖

圖3 決策樹分析結(jié)果第二分枝圖

圖4 決策樹分析結(jié)果第三分枝圖

綜上，我們可以得到逾期還款概率較高的分類結(jié)果匯總，如表4所示。以第一種分類為例進(jìn)行說明：在借款人的借款額度＜89292.5、18≤評級得分≤19、貸款額度＞84496.5條件下，訓(xùn)練集中出現(xiàn)違約的概率為96.2%，驗證集中的概率為93.9%。其余組合同理。通過表4不難發(fā)現(xiàn)，決策樹模型通過不同識別變量的組合閾值設(shè)定，將借款人的違約概率進(jìn)行了有效區(qū)分，在訓(xùn)練集的訓(xùn)練結(jié)果與最終驗證集上的擬合結(jié)果大體相似。

（二）模型在驗證組中的判別效果比較

從上述分析結(jié)果可以看到，盡管決策樹模型相比Logistic而言能夠更好地展現(xiàn)變量的分類結(jié)果，但在關(guān)鍵變量的識別上兩者仍然存在略微差別，且模型結(jié)果的簡單與否并非判斷其優(yōu)劣的唯一標(biāo)志，更重要的是在于其預(yù)測準(zhǔn)確率的高低。通常情況下，準(zhǔn)確率的比較有提升圖（Lift Chart）和混淆矩陣（Confusion Matrix）等方式。為了更為直觀地論述，本文使用混淆矩陣來進(jìn)行判別，具體做法即為在設(shè)定閾值（Threshold）的情況下統(tǒng)計模型的兩類誤判率③。

表5報告了兩個模型在0.5閾值下的預(yù)測準(zhǔn)確率比較結(jié)果。根據(jù)本文的分組比例，驗證組共有3811個黑白樣本，其中黑色樣本316個，白色樣本3495個。首先觀察Logistic模型的預(yù)測效果，可以看到在黑色樣本的判別中，本文所預(yù)測的161個借款人違約逾期還款的行為里，有112個最終被確認(rèn)為黑色樣本，準(zhǔn)確率為69.57%。而在決策樹模型中，預(yù)測的逾期還款樣本中有140個確實(shí)出現(xiàn)了違約行為，對應(yīng)黑色樣本的判別準(zhǔn)確率達(dá)到了86.96%，要顯著高于Logistic模型；同時，在白色樣本的判別上，決策樹模型的準(zhǔn)確率（95.18%）也略高于Logistic模型（94.41%）。因此不難看出，ID3決策樹在預(yù)測能力上整體上要明顯優(yōu)于Logistic回歸的判別。

表5 Logistic/決策樹模型判別效果的混淆矩陣

五、結(jié)論與啟示

本文通過使用Python網(wǎng)絡(luò)爬蟲采集的HLCT網(wǎng)絡(luò)借貸平臺的真實(shí)交易數(shù)據(jù)，從信用評級、借款信息以及歷史表現(xiàn)三方面出發(fā)，綜合運(yùn)用Logistic回歸模型和決策樹模型對借款人的信息與其違約信用風(fēng)險的關(guān)系進(jìn)行實(shí)證探究。研究發(fā)現(xiàn)，在Logistic回歸模型中，信用評分、借款額度、借款利率、還款狀態(tài)以及按時還款筆數(shù)能夠顯著影響借款人的違約概率，而在ID3決策樹中，借款額度、貸款額度、評級得分以及按時還款筆數(shù)四個變量是影響借款人是否逾期還款的關(guān)鍵指標(biāo)，且均存在顯著的負(fù)相關(guān)關(guān)系。進(jìn)一步的混淆矩陣檢驗結(jié)果表明，決策樹模型整體上要明顯優(yōu)于Logistic回歸模型的判別，其中對違約樣本的識別準(zhǔn)確率可以達(dá)到約87%。

現(xiàn)階段，我國P2P網(wǎng)絡(luò)平臺中因借款人而造成的違約風(fēng)險很大程度上都是因為信貸平臺自身監(jiān)管不嚴(yán)造成的，所以加強(qiáng)平臺自身的風(fēng)險防范，完善對借款人的審核制度便成為了防范風(fēng)險最好的手段。網(wǎng)貸平臺可結(jié)合自身風(fēng)險閾值采取如下一些防范措施。

（一）加強(qiáng)貸款前的審核

對于借款人而言，無法申請到銀行等傳統(tǒng)金融服務(wù)業(yè)的貸款是其轉(zhuǎn)向選擇P2P平臺的重要因素，且平臺的高利率可能也會吸引一些人進(jìn)行非法牟利，所以P2P平臺作為借貸的中介機(jī)構(gòu)，為了維護(hù)借款雙方的權(quán)益和保證平臺的正常經(jīng)營，應(yīng)當(dāng)加強(qiáng)貸款前的信息審核。P2P平臺應(yīng)要求借款人提供詳細(xì)的個人和家庭信息，并提供證據(jù)來證明自己合理的借款用途。此外，應(yīng)對借款人之前的信用記錄進(jìn)行調(diào)查，確定借款人是否具有還款能力。對放款人的審核主要是要求貸款人提供合理的資金來源，避免其通過平臺來處理非法收入。

（二）降低平臺借款利率

《中國人民銀行關(guān)于取締地下錢莊及打擊高利貸行為的通知》中明確規(guī)定，民間借貸的利率不得超過中國人民銀行公布的金融同期、同類貸款利率（不含浮動）的四倍。我國相關(guān)法律也對“超出國家公布利率的四倍”持否定態(tài)度。所以雖然高利率能夠吸引來更多的投資者，但是其承擔(dān)的風(fēng)險也是巨大的。一旦借款人發(fā)生違約行為，平臺和投資者的合法權(quán)利將不會受到法律保護(hù)，從而會造成財產(chǎn)損失。所以為了維護(hù)投資者的合法權(quán)利并保障平臺的正常運(yùn)行，應(yīng)降低平臺的借款利率，使其維持在國家法律承認(rèn)的正常范圍內(nèi)。

（三）注意詐騙防范

由于網(wǎng)絡(luò)平臺的貸款人信息認(rèn)證通常是在線上進(jìn)行，并且P2P網(wǎng)貸是一個新興行業(yè)，有關(guān)的監(jiān)督管理機(jī)制還不夠完善，所以網(wǎng)上騙貸案件時有發(fā)生。所以，為了識別騙貸行為，平臺應(yīng)對自身系統(tǒng)進(jìn)行優(yōu)化，如在注冊登記時進(jìn)行指紋認(rèn)證，既能保護(hù)借款人的賬號信息安全，又能達(dá)到防范欺詐風(fēng)險的目的。此外平臺還可以設(shè)立風(fēng)險決策系統(tǒng)，精準(zhǔn)識別和預(yù)測欺詐風(fēng)險，保證企業(yè)金融業(yè)務(wù)的安全性。不同的信貸平臺還可以進(jìn)行合作，建立反作弊黑名單和手機(jī)黑名單信息庫，全面防范“羊毛黨”和“黃牛黨”，保障企業(yè)的業(yè)務(wù)安全。

（四）建立風(fēng)險準(zhǔn)備金制度

P2P網(wǎng)絡(luò)借貸平臺可以參考銀行的存款準(zhǔn)備金制度，從收益中提取20%充當(dāng)風(fēng)險準(zhǔn)備金，用于應(yīng)對平臺的一些突發(fā)事件，比如當(dāng)平臺發(fā)生壞賬或借款人發(fā)生違約行為時，平臺可以向投資者代為支付存款利息和本金，并繼承對借款人的追索權(quán)。從而避免當(dāng)借款人發(fā)生違約行為時，平臺因資金緊張無法及時向投資者支付利息和本金而影響平臺信譽(yù)。

注釋：

① 本文的目的不僅是要建立一個判別模型，用來描述用戶信用風(fēng)險要素變量組取何值時為違約的樣本，更重要的是對Logistic回歸、決策樹的識別效果進(jìn)行檢驗。在判斷模型的識別效率方面，許多文獻(xiàn)首先用原始樣本建立模型后再用相同的原始樣本來檢驗?zāi)Ｐ偷男Я?，這樣容易存在“過度擬合”的問題。因此本文引入機(jī)器學(xué)習(xí)中樣本分組的思想，將11548條數(shù)據(jù)隨機(jī)分為訓(xùn)練組（Training Data Set）和驗證組（Validation Data Set）兩組，先通過訓(xùn)練組學(xué)習(xí)算法，隨后利用驗證組來對模型的效果進(jìn)行檢驗。

② 為便于說明，后文我們將借款人發(fā)生違約逾期還款的樣本稱之為“黑色樣本”；未發(fā)生這種違約行為的樣本稱之為“白色樣本”。

③ 通常情況下，因判別目標(biāo)的不同，兩類錯誤的重要性也會隨之不同。本文的目的是盡可能找出那些有違約信用風(fēng)險的黑色樣本，故此處誤判率重點(diǎn)指預(yù)測黑色樣本為真的而實(shí)際上非真、預(yù)測黑色樣本非真的而實(shí)際為真的比率。

［1］Herzenstein M， Andrews R L， Dholakia U M， et al．The Democratization of Personal Consumer Loans?Determinants of Success in Online Peer-to-Peer Lending Communities［J］．Boston University School of Management Research Paper， 2008，14（6）．

［2］Iyer R， Khwaja A I， Luttmer E F P， et al．Screening in New Credit Markets： Can Individual Lenders Infer Borrower Creditworthiness in Peer-to-Peer Lending?［R］．Havard University，John F．Kennedy School of Government， 2009．

［3］Lee E， Lee B．Herding Behavior in Online P2P Lending： An Empirical Investigation［J］．Electronic Commerce Research and Applications， 2012，11（5）：495-503．

［4］Slattery P．Square Pegs in a Round Hole： SEC Regulation of Online Peer-to-Peer Lending and the CFPB Alternative［J］．Yale Journal on Regulation， 2013，30（1）：233-275．

［5］王紫薇，袁中華，鐘鑫．中國P2P網(wǎng)絡(luò)小額信貸運(yùn)營模式研究——基于“拍拍貸”、“宜農(nóng)貸”的案例分析［J］．新金融，2012（2）：42-45．

［6］莫易嫻，譚振輝．P2P網(wǎng)貸平臺評級制度設(shè)計缺陷分析［J］．上海立信會計金融學(xué)院學(xué)報，2017（5）：50-62．

［7］L?fgren K G， Persson T， WeibullJW．Marketswith AsymmetricInformation： The Contributions of George Akerlof， Michael Spence and Joseph Stiglitz［J］．Scandinavian Journal of Economics， 2010，104（2）：195-211．

［8］Jensen M C， Mackling W H．Theory of the Firm： Managerial Behavior， Agency Costs and Ownership Structure［J］．Journal of Financial Economics， 1976，3（4）：305-360．

［9］王會娟，廖理．中國P2P網(wǎng)絡(luò)借貸平臺信用認(rèn)證機(jī)制研究——來自“人人貸”的經(jīng)驗證據(jù)［J］．中國工業(yè)經(jīng)濟(jì)，2014（4）：136-147．

［10］Klafft M．Peer to Peer Lending： Auctioning Microcredits over the Internet［R］．Proceedings of the 2008 International Conference on Information Systems， Technology and Management（ICISTM 08）， 2008．

［11］Emekter R， Tu Y， Jirasakuldech B， et al．Evaluating Credit Risk and Loan Performance in Online Peer-to-Peer （P2P） Lending［J］．Applied Economics， 2015，47（1）：54-70．

［12］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）：37-46．

［13］Kumar S．Bank of One： Empirical Analysis of Peer-to-Peer Financial Marketplaces［J］．Reaching New Heights Americas Confevence of Information Systems， 2007（2）：305．