個人網絡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)回歸結果評判其信用風險的大小。通過構建模型對個人網絡信貸平臺的借款者信用信息風險進行量化評估，為網絡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)權重(weight of evidence，簡稱WOE)和邏輯回歸結合起來。

(一)證據(jù)權重(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)國內著名個人網絡信貸平臺紅嶺創(chuàng)投網站公布的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等機構的使用經驗，取舍閥值設為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

將經過IV值剔除的指標變量進行共線性診斷。經過多重共線性回歸分析結果可知，這些指標之間存在多重共線性。經過逐步回歸法分析，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果，最終利用向前——LR的方法確定最終的模型版本，其結果顯示，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假設檢驗。通過數(shù)據(jù)處理和模型檢驗得到的回歸結果，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)權重邏輯回歸模型具有推廣應用的價值。

三、結論與建議

(一)結論

經檢驗模型有很好的預測效果，同時得到以下一些結論：

(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。

(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)相關建議

基于上述結論，本文針對性的對網貸平臺的發(fā)展提出下列相關建議。

(1)建設平臺信息核實制度

首先是網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

成立個人網絡信貸行業(yè)協(xié)會，制定相關行業(yè)準則，并將制定好的行業(yè)準則與有關金融機構溝通，促使機構立法保證行業(yè)監(jiān)管；個人網貸平臺管理機構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，結構體系完整。

(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成立，對個人網貸平臺資金進行托管與監(jiān)督，對個人網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)網化，控制平臺信用風險。第三，目前個人網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法律措施對違約行為進行處罰并公示，解決個人網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濟與管理學院，江蘇 南京 210016)

[1] 張婧婕. P2P網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.