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(tái)欺詐風(fēng)險(xiǎn)呈現(xiàn)遞增趨勢(shì)。本文采用Logistic回歸構(gòu)建第三方支付的欺詐風(fēng)險(xiǎn)識(shí)別模型，并結(jié)合Kolmogorov-Smirnov統(tǒng)計(jì)量來(lái)查找判斷欺詐交易和正常交易的分割點(diǎn)，對(duì)欺詐風(fēng)險(xiǎn)進(jìn)行量化估計(jì)。實(shí)證研究表明本文所構(gòu)建模型比較穩(wěn)定且預(yù)測(cè)比較準(zhǔn)確，可大大提高風(fēng)險(xiǎn)識(shí)別能力，對(duì)第三方支付機(jī)構(gòu)的風(fēng)險(xiǎn)管理具有重要作用。

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

中圖分類號(hào)：F830.33 文獻(xiàn)標(biāo)識(shí)碼：A

一、引言

如今，第三方支付平臺(tái)已經(jīng)成為網(wǎng)上支付以及電子商務(wù)過(guò)程中一個(gè)不可或缺的重要組成部分。易觀國(guó)際的統(tǒng)計(jì)數(shù)據(jù)顯示，2010年第三方在線支付市場(chǎng)交易規(guī)模進(jìn)一步大幅增長(zhǎng)，達(dá)到10 858億元（見圖1）。然而，隨著我國(guó)第三方支付行業(yè)的不斷發(fā)展和網(wǎng)絡(luò)購(gòu)物市場(chǎng)消費(fèi)群體的不斷擴(kuò)大，網(wǎng)絡(luò)交易中存在的風(fēng)險(xiǎn)防控短板問(wèn)題逐漸凸顯，網(wǎng)絡(luò)欺詐問(wèn)題給蓬勃發(fā)展的第三方支付市場(chǎng)帶來(lái)了嚴(yán)重沖擊。如何建立有效機(jī)制來(lái)防范網(wǎng)絡(luò)詐騙行為的發(fā)生對(duì)整個(gè)網(wǎng)購(gòu)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(xiǎn)評(píng)分模型理論應(yīng)用到第三方支付交易欺詐風(fēng)險(xiǎn)識(shí)別上去，以國(guó)外某第三方支付平臺(tái)實(shí)時(shí)交易數(shù)據(jù)為樣本，運(yùn)用Logistic回歸模型對(duì)樣本的欺詐風(fēng)險(xiǎn)進(jìn)行量化評(píng)估。同時(shí)，本文將原始樣本分為訓(xùn)練樣本和測(cè)試樣本，在運(yùn)用訓(xùn)練樣本構(gòu)建模型的基礎(chǔ)上，再利用測(cè)試樣本對(duì)模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行檢驗(yàn)。

二、欺詐風(fēng)險(xiǎn)識(shí)別理論和模型概述

（一） 欺詐風(fēng)險(xiǎn)識(shí)別理論

國(guó)內(nèi)外對(duì)欺詐風(fēng)險(xiǎn)識(shí)別的研究主要集中在公司財(cái)務(wù)欺詐風(fēng)險(xiǎn)、商業(yè)銀行欺詐風(fēng)險(xiǎn)、保險(xiǎn)欺詐風(fēng)險(xiǎn)、信用證欺詐風(fēng)險(xiǎn)等領(lǐng)域，其中以商業(yè)銀行欺詐中的信用卡欺詐風(fēng)險(xiǎn)識(shí)別研究較為成熟。在實(shí)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(tái)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(xiǎn)識(shí)別的方法同樣能夠捕捉第三方支付平臺(tái)中的欺詐。

在信用卡欺詐風(fēng)險(xiǎn)識(shí)別中，主要運(yùn)用到神經(jīng)網(wǎng)絡(luò)、案例推理法、決策樹、支持向量機(jī)、Logistic回歸等方法。在實(shí)際業(yè)務(wù)操作中，銀行、信用卡公司、個(gè)人消費(fèi)信貸公司、保險(xiǎn)公司等都采用評(píng)分模型來(lái)進(jìn)行風(fēng)險(xiǎn)管理。評(píng)分模型運(yùn)用數(shù)據(jù)挖掘技術(shù)和統(tǒng)計(jì)分析方法，通過(guò)對(duì)消費(fèi)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(yùn)含的行為模式、信用特征，捕捉歷史信息和未來(lái)信用表現(xiàn)之間的關(guān)系，發(fā)展出預(yù)測(cè)性的模型，以一個(gè)評(píng)分來(lái)綜合評(píng)估消費(fèi)者未來(lái)的某種信用表現(xiàn)。通常建立預(yù)測(cè)的模型時(shí)，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(píng)級(jí)模型，得到較好的效果；Donald等（1996）研究抵押貸款違約分析時(shí)，利用Logistic回歸分析、Probit分析及區(qū)別分析三種統(tǒng)計(jì)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(gè)變量的權(quán)重給定信用分?jǐn)?shù)來(lái)篩選出重要變量，但是該方法無(wú)法處理解釋變量之間共線性問(wèn)題，應(yīng)用層面有極大限制。

國(guó)內(nèi)對(duì)欺詐風(fēng)險(xiǎn)的識(shí)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(xiǎn)”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(shì)。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(xiǎn)；陸靜等（2008）采用了貝葉斯網(wǎng)絡(luò)方法，通過(guò)構(gòu)建由關(guān)鍵風(fēng)險(xiǎn)指標(biāo)和關(guān)鍵風(fēng)險(xiǎn)誘因組成的欺詐風(fēng)險(xiǎn)拓?fù)浣Y(jié)構(gòu)，分析了各類欺詐風(fēng)險(xiǎn)指標(biāo)對(duì)欺詐風(fēng)險(xiǎn)的作用形式，在對(duì)各級(jí)指標(biāo)節(jié)點(diǎn)賦值的基礎(chǔ)上，運(yùn)用貝葉斯網(wǎng)絡(luò)方法測(cè)算了各類指標(biāo)對(duì)欺詐風(fēng)險(xiǎn)的影響程度，從而建立起欺詐風(fēng)險(xiǎn)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(xiǎn)識(shí)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(xiàng)研究還在摸索階段，另一方面是因?yàn)橹R(shí)產(chǎn)權(quán)及商業(yè)機(jī)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(duì)于第三方支付行業(yè)欺詐風(fēng)險(xiǎn)識(shí)別的研究具有現(xiàn)實(shí)價(jià)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(wèn)題時(shí)所常用的方法。一直以來(lái)，在研究欺詐問(wèn)題時(shí)，都使用二元選擇模型。例如，在保險(xiǎn)欺詐中使用該模型來(lái)預(yù)測(cè)一個(gè)欺詐索賠的可能性大小。欺詐索賠本質(zhì)上與實(shí)際生活中的醫(yī)療和流行病學(xué)等問(wèn)題是相似的。

Logistic回歸模型是非線性分類的統(tǒng)計(jì)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(gè)獨(dú)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(guò)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(wèn)題。

（三）Kolmogorov-Smirnov統(tǒng)計(jì)量

Logistic模型作為風(fēng)險(xiǎn)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(guò)將計(jì)算出來(lái)的每筆交易的預(yù)期欺詐風(fēng)險(xiǎn)概率與設(shè)定的分割點(diǎn)相比較，將欺詐概率大于分割點(diǎn)的交易歸為欺詐交易，將欺詐概率小于分割點(diǎn)的交易歸為非欺詐交易。模型根據(jù)分割點(diǎn)對(duì)網(wǎng)絡(luò)支付交易進(jìn)行分類可能出現(xiàn)兩類錯(cuò)誤，分別把這兩類錯(cuò)誤稱為第一類錯(cuò)誤和第二類錯(cuò)誤。其中，第一類錯(cuò)誤是指將欺詐交易誤判為非欺詐交易；第二類錯(cuò)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(xiǎn)分析時(shí)兩類錯(cuò)誤都會(huì)導(dǎo)致機(jī)構(gòu)發(fā)生損失，但由于交易的特點(diǎn)，兩類錯(cuò)誤所導(dǎo)致的損失是顯著不同的。endprint

具體來(lái)說(shuō)，第一類錯(cuò)誤將可能是欺詐的交易誤判為非欺詐交易，會(huì)導(dǎo)致商戶或者第三方支付平臺(tái)發(fā)生損失，從而打擊了商戶對(duì)第三方支付平臺(tái)的信任和積極性?，F(xiàn)在很多商戶都跟第三方支付平臺(tái)簽訂了“保障協(xié)議”（通過(guò)定期繳納保障金可以將欺詐風(fēng)險(xiǎn)轉(zhuǎn)移給第三方支付平臺(tái)，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(cuò)誤的成本是非常高的，是第三方支付平臺(tái)要極力避免的錯(cuò)誤。第二類錯(cuò)誤是將非欺詐交易誤判為欺詐交易，對(duì)第三方支付平臺(tái)來(lái)說(shuō)會(huì)導(dǎo)致它凍結(jié)資信狀況良好的用戶賬號(hào)，喪失了一次交易盈利機(jī)會(huì)，更重要的是，這會(huì)打擊消費(fèi)者對(duì)第三方支付平臺(tái)的信心。如果這種情況發(fā)生的次數(shù)較多，會(huì)嚴(yán)重影響第三方支付企業(yè)未來(lái)的長(zhǎng)遠(yuǎn)發(fā)展。所以，第三方支付平臺(tái)在嚴(yán)格控制直接拒絕網(wǎng)絡(luò)交易的授權(quán)的同時(shí)，可以對(duì)有可能發(fā)生欺詐的交易進(jìn)行反復(fù)的資料核實(shí)或者電話審查，盡量控制犯第一類錯(cuò)誤的概率，適當(dāng)減少犯第二類錯(cuò)誤的概率。

根據(jù)以上的分析可以看出，分割點(diǎn)的選擇對(duì)Logistic回歸模型犯第一類錯(cuò)誤和第二類錯(cuò)誤的概率有重要的影響。分割點(diǎn)如果設(shè)定的大會(huì)增加犯第一類錯(cuò)誤的概率；分割點(diǎn)若設(shè)定的小會(huì)增加犯第二類錯(cuò)誤的概率。兩類錯(cuò)誤存在著此消彼長(zhǎng)的關(guān)系。本文所采用的方法是通過(guò)計(jì)算Kolmogorov-Smirnov統(tǒng)計(jì)量來(lái)查找模型的分割點(diǎn)，其理論來(lái)源于兩樣本Kolmogorov-Smirnov檢驗(yàn)。通常Kolmogorov-Smirnov檢驗(yàn)用來(lái)判定兩樣本的差異大小，其優(yōu)點(diǎn)在于無(wú)需知道樣本數(shù)據(jù)的分布情況。計(jì)算得到的K-S統(tǒng)計(jì)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(shí)別模型對(duì)總體中的每個(gè)記錄給出了一個(gè)概率值，然后運(yùn)用K-S統(tǒng)計(jì)量來(lái)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(jì)量越大，意味著正常交易與欺詐交易的差異越大。為了計(jì)算的簡(jiǎn)便，本文將訓(xùn)練樣本平均分成10個(gè)區(qū)間，計(jì)算每個(gè)區(qū)間累計(jì)欺詐交易個(gè)數(shù)與正常交易個(gè)數(shù)。K-S統(tǒng)計(jì)量取值最大的那個(gè)區(qū)間的最大概率值就是分割點(diǎn)。

三、實(shí)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(shí)別欺詐風(fēng)險(xiǎn)的模型時(shí)應(yīng)當(dāng)遵循兩個(gè)原則：選擇預(yù)測(cè)力強(qiáng)的變量和選擇穩(wěn)健的變量。本文在基于以上兩個(gè)原則的基礎(chǔ)上，綜合考慮針對(duì)第三方支付平臺(tái)欺詐風(fēng)險(xiǎn)的各種影響因素，同時(shí)考慮部分?jǐn)?shù)據(jù)的可得性，從第三方支付平臺(tái)交易系統(tǒng)中廣泛選取了48個(gè)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(gè)方面，所選指標(biāo)及其代表字母見表2。通過(guò)這兩個(gè)原則選擇到的這些變量可以捕捉到每個(gè)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(dòng)態(tài)。把這些錯(cuò)綜復(fù)雜的信息以Logistic回歸模型綜合起來(lái)，能夠有效地預(yù)測(cè)欺詐的概率大小。

預(yù)測(cè)變量的選擇對(duì)欺詐風(fēng)險(xiǎn)識(shí)別模型的準(zhǔn)確性有著決定性的影響，而預(yù)測(cè)變量選擇的關(guān)鍵在于如何判斷一個(gè)指標(biāo)含有的預(yù)測(cè)某類事件發(fā)生與否的信息的多少，因此對(duì)預(yù)測(cè)變量的選擇問(wèn)題進(jìn)行研究具有很大的實(shí)際應(yīng)用價(jià)值。若是將現(xiàn)有的所有變量都拿來(lái)建模，往往會(huì)造成模型過(guò)度復(fù)雜，或是產(chǎn)生過(guò)度學(xué)習(xí)的情況。本文通過(guò)以下幾個(gè)步驟篩選變量：首先通過(guò)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(yàn)來(lái)去掉一些預(yù)測(cè)效果較差的指標(biāo)變量。然后通過(guò)余下指標(biāo)變量的WOE（Weight Of Evidence）報(bào)告值得到每個(gè)指標(biāo)的IV（Information Value），如果IV<0.02，說(shuō)明該指標(biāo)對(duì)以后的建?；旧鲜菬o(wú)用的。經(jīng)過(guò)多輪篩選，最終有18個(gè)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(shí)，本文從2010年12月-2011年1月的第三方支付平臺(tái)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(jī)將總樣本分為訓(xùn)練樣本和測(cè)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(cè)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(cè)模型后，分別檢驗(yàn)?zāi)Ｐ蛯?duì)訓(xùn)練樣本和測(cè)試樣本的預(yù)測(cè)準(zhǔn)確率。

在對(duì)數(shù)據(jù)進(jìn)行建模之前，分兩種情況對(duì)數(shù)據(jù)進(jìn)行預(yù)處理：第一部分對(duì)數(shù)據(jù)中的缺省值進(jìn)行處理，對(duì)缺省的數(shù)據(jù)賦予0或者其它數(shù)值來(lái)替代；第二部分就是對(duì)數(shù)據(jù)中的異常值進(jìn)行處理，異常值的存在會(huì)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(jī)抽取的，因?yàn)樵趯?shí)際實(shí)時(shí)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(shí)，本文要依據(jù)這個(gè)比例來(lái)調(diào)整最終真實(shí)的欺詐概率。這個(gè)調(diào)整最終僅僅會(huì)影響模型的常數(shù)項(xiàng)，對(duì)于參數(shù)估計(jì)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(yàn)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(shí)，為了檢驗(yàn)?zāi)Ｐ蛯?duì)其它交易的適用性，本文同樣使用測(cè)試樣本進(jìn)行檢驗(yàn)，通過(guò)建立的Logistic模型計(jì)算出每個(gè)測(cè)試樣本的預(yù)測(cè)概率，仍以0.005為分割點(diǎn)進(jìn)行檢驗(yàn)，得到測(cè)試樣本的判別結(jié)果見表9。endprint

通過(guò)進(jìn)行訓(xùn)練樣本檢驗(yàn)和測(cè)試樣本檢驗(yàn)可以看出，模型對(duì)訓(xùn)練樣本和測(cè)試樣本的預(yù)測(cè)準(zhǔn)確度都超過(guò)了60%，基本一致，模型的預(yù)測(cè)能力較強(qiáng)，可以用此模型對(duì)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(xiǎn)評(píng)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(xiǎn)識(shí)別上去，選取了構(gòu)建模型所使用的風(fēng)險(xiǎn)指標(biāo)，對(duì)樣本的欺詐風(fēng)險(xiǎn)進(jìn)行了量化評(píng)估，并用訓(xùn)練樣本和測(cè)試樣本對(duì)模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行了檢驗(yàn)。檢驗(yàn)結(jié)果表明模型預(yù)測(cè)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(xiǎn)管理與決策開辟了一個(gè)新的視角。實(shí)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(jī)號(hào)碼個(gè)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(shí)別號(hào)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(guò)銀行卡（prepaid_bank）對(duì)識(shí)別交易欺詐風(fēng)險(xiǎn)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(tái)賬號(hào)中添加的手機(jī)號(hào)碼個(gè)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(shí)別號(hào)碼（信用卡號(hào)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(shí)的IP地址變換次數(shù)越多，或者之前從未使用過(guò)銀行卡進(jìn)行支付，表明該筆交易的欺詐風(fēng)險(xiǎn)越高。

如今，電子支付應(yīng)用已深度滲透到諸如網(wǎng)購(gòu)、機(jī)旅、轉(zhuǎn)賬、生活繳費(fèi)、基金、債券、炒股認(rèn)購(gòu)等日常生活的各個(gè)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(duì)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(duì)于第三方支付企業(yè)，必須考慮多方面因素建立一套實(shí)時(shí)的反欺詐系統(tǒng)，當(dāng)一個(gè)新交易產(chǎn)生時(shí)，交易將經(jīng)過(guò)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(jī)構(gòu)應(yīng)該強(qiáng)化日常賬戶管理、密切監(jiān)察高風(fēng)險(xiǎn)商戶；政府部門則應(yīng)重點(diǎn)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(tái)的經(jīng)營(yíng)行為，完善社會(huì)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(xiǎn)分析方法[J].中國(guó)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(xiǎn)預(yù)警機(jī)制研究[J].管理工程學(xué)報(bào)，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(guò)進(jìn)行訓(xùn)練樣本檢驗(yàn)和測(cè)試樣本檢驗(yàn)可以看出，模型對(duì)訓(xùn)練樣本和測(cè)試樣本的預(yù)測(cè)準(zhǔn)確度都超過(guò)了60%，基本一致，模型的預(yù)測(cè)能力較強(qiáng)，可以用此模型對(duì)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(xiǎn)評(píng)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(xiǎn)識(shí)別上去，選取了構(gòu)建模型所使用的風(fēng)險(xiǎn)指標(biāo)，對(duì)樣本的欺詐風(fēng)險(xiǎn)進(jìn)行了量化評(píng)估，并用訓(xùn)練樣本和測(cè)試樣本對(duì)模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行了檢驗(yàn)。檢驗(yàn)結(jié)果表明模型預(yù)測(cè)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(xiǎn)管理與決策開辟了一個(gè)新的視角。實(shí)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(jī)號(hào)碼個(gè)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(shí)別號(hào)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(guò)銀行卡（prepaid_bank）對(duì)識(shí)別交易欺詐風(fēng)險(xiǎn)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(tái)賬號(hào)中添加的手機(jī)號(hào)碼個(gè)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(shí)別號(hào)碼（信用卡號(hào)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(shí)的IP地址變換次數(shù)越多，或者之前從未使用過(guò)銀行卡進(jìn)行支付，表明該筆交易的欺詐風(fēng)險(xiǎn)越高。

如今，電子支付應(yīng)用已深度滲透到諸如網(wǎng)購(gòu)、機(jī)旅、轉(zhuǎn)賬、生活繳費(fèi)、基金、債券、炒股認(rèn)購(gòu)等日常生活的各個(gè)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(duì)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(duì)于第三方支付企業(yè)，必須考慮多方面因素建立一套實(shí)時(shí)的反欺詐系統(tǒng)，當(dāng)一個(gè)新交易產(chǎn)生時(shí)，交易將經(jīng)過(guò)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(jī)構(gòu)應(yīng)該強(qiáng)化日常賬戶管理、密切監(jiān)察高風(fēng)險(xiǎn)商戶；政府部門則應(yīng)重點(diǎn)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(tái)的經(jīng)營(yíng)行為，完善社會(huì)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(xiǎn)分析方法[J].中國(guó)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(xiǎn)預(yù)警機(jī)制研究[J].管理工程學(xué)報(bào)，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(guò)進(jìn)行訓(xùn)練樣本檢驗(yàn)和測(cè)試樣本檢驗(yàn)可以看出，模型對(duì)訓(xùn)練樣本和測(cè)試樣本的預(yù)測(cè)準(zhǔn)確度都超過(guò)了60%，基本一致，模型的預(yù)測(cè)能力較強(qiáng)，可以用此模型對(duì)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(xiǎn)評(píng)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(xiǎn)識(shí)別上去，選取了構(gòu)建模型所使用的風(fēng)險(xiǎn)指標(biāo)，對(duì)樣本的欺詐風(fēng)險(xiǎn)進(jìn)行了量化評(píng)估，并用訓(xùn)練樣本和測(cè)試樣本對(duì)模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行了檢驗(yàn)。檢驗(yàn)結(jié)果表明模型預(yù)測(cè)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(xiǎn)管理與決策開辟了一個(gè)新的視角。實(shí)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(jī)號(hào)碼個(gè)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(shí)別號(hào)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(guò)銀行卡（prepaid_bank）對(duì)識(shí)別交易欺詐風(fēng)險(xiǎn)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(tái)賬號(hào)中添加的手機(jī)號(hào)碼個(gè)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(shí)別號(hào)碼（信用卡號(hào)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(shí)的IP地址變換次數(shù)越多，或者之前從未使用過(guò)銀行卡進(jìn)行支付，表明該筆交易的欺詐風(fēng)險(xiǎn)越高。

如今，電子支付應(yīng)用已深度滲透到諸如網(wǎng)購(gòu)、機(jī)旅、轉(zhuǎn)賬、生活繳費(fèi)、基金、債券、炒股認(rèn)購(gòu)等日常生活的各個(gè)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(duì)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(duì)于第三方支付企業(yè)，必須考慮多方面因素建立一套實(shí)時(shí)的反欺詐系統(tǒng)，當(dāng)一個(gè)新交易產(chǎn)生時(shí)，交易將經(jīng)過(guò)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(jī)構(gòu)應(yīng)該強(qiáng)化日常賬戶管理、密切監(jiān)察高風(fēng)險(xiǎn)商戶；政府部門則應(yīng)重點(diǎn)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(tái)的經(jīng)營(yíng)行為，完善社會(huì)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(xiǎn)分析方法[J].中國(guó)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(xiǎn)預(yù)警機(jī)制研究[J].管理工程學(xué)報(bào)，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