（內(nèi)蒙古財(cái)經(jīng)大學(xué)經(jīng)濟(jì)學(xué)院，呼和浩特 010070）

一、研究背景

P2P 網(wǎng)絡(luò)借貸（peer to peer lending，個(gè)人對(duì)個(gè)人借貸）系指資金出借方與借入方不是通過銀行而是依托互聯(lián)網(wǎng)平臺(tái)建立借貸關(guān)系的無抵押貸款［1］。

網(wǎng)絡(luò)借貸作為一種極具活力的新型互聯(lián)網(wǎng)金融模式，具有無需中介、交易便利與覆蓋面廣等優(yōu)點(diǎn)，備受借貸雙方青睞，近年來獲得了蓬勃發(fā)展。根據(jù)網(wǎng)貸之家發(fā)布的《2018 年中國(guó)網(wǎng)絡(luò)借貸行業(yè)年報(bào)》顯示，截至2018 年中國(guó)網(wǎng)絡(luò)借貸行業(yè)累計(jì)平臺(tái)達(dá)6430 家，全年累計(jì)交易規(guī)模為17948 億元，行業(yè)參與人數(shù)突破千萬。

網(wǎng)絡(luò)借貸突破了時(shí)間與地點(diǎn)的局限，提升了金融資源的使用效率，緩解了小企業(yè)融資難的困局。然而，由于貸款門檻較低、缺乏專業(yè)信貸人員與借貸雙方缺乏現(xiàn)實(shí)接觸等因素，使得相比于傳統(tǒng)信貸，網(wǎng)絡(luò)借貸的信息不對(duì)稱情況更嚴(yán)重，導(dǎo)致平臺(tái)違約事件頻發(fā)、信用風(fēng)險(xiǎn)日益加劇。信用風(fēng)險(xiǎn)過大已成為網(wǎng)絡(luò)借貸發(fā)展的瓶頸。

科學(xué)評(píng)估網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)，從而對(duì)網(wǎng)絡(luò)借貸這一新經(jīng)濟(jì)業(yè)態(tài)的潛在風(fēng)險(xiǎn)隱患及時(shí)甄別與預(yù)防，對(duì)于互聯(lián)網(wǎng)金融健康持續(xù)發(fā)展意義重大。網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)評(píng)估已成為備受關(guān)注的前沿領(lǐng)域［2］。

評(píng)價(jià)指標(biāo)體系建立是網(wǎng)絡(luò)借貸信用評(píng)價(jià)的基礎(chǔ)環(huán)節(jié)，若是構(gòu)建的評(píng)價(jià)指標(biāo)體系包含大量重復(fù)或是不重要的指標(biāo)，則運(yùn)用何種評(píng)價(jià)模型均無法得到科學(xué)的評(píng)價(jià)結(jié)果。

目前網(wǎng)絡(luò)借貸的信用評(píng)價(jià)主要側(cè)重兩類。

（一）信用評(píng)價(jià)指標(biāo)體系研究現(xiàn)狀

Francesco 等［3］通過相關(guān)分析篩選指標(biāo)，建立了包括盈利能力、償付能力、流動(dòng)性狀況和信貸質(zhì)量共4 個(gè)準(zhǔn)則的網(wǎng)絡(luò)借貸信用評(píng)級(jí)指標(biāo)體系。譚中明等［4］通過網(wǎng)絡(luò)問卷調(diào)查方式與隸屬度分析結(jié)合，利用因子分析方法，從流動(dòng)性、透明度、品牌等方面構(gòu)建網(wǎng)貸風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系。蔣翠清等［5］運(yùn)用信息增益、信息增益率及卡方檢驗(yàn)對(duì)軟、硬信息指標(biāo)的重要性進(jìn)行排序，通過封裝篩選確定最優(yōu)的網(wǎng)絡(luò)信貸指標(biāo)體系。張成虎與武博華［6］在網(wǎng)絡(luò)調(diào)研與因子分析篩選基礎(chǔ)上，構(gòu)建了包含軟信息的P2P 網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系。劉傳哲等［7］以對(duì)稱不確定性為基礎(chǔ)測(cè)算指標(biāo)間的相關(guān)系數(shù)，刪除冗余指標(biāo)，并利用異質(zhì)集成模型對(duì)網(wǎng)貸信用評(píng)分問題進(jìn)行研究。

現(xiàn)有信用評(píng)價(jià)指標(biāo)體系的共同不足：一是現(xiàn)有信用評(píng)價(jià)指標(biāo)篩選方法基本采用相關(guān)分析、因子分析剔除反映信息冗余的指標(biāo)，上述方法僅僅揭示了變量間的線性關(guān)聯(lián)程度，但P2P 網(wǎng)絡(luò)借貸作為一種互聯(lián)網(wǎng)金融創(chuàng)新模式，其海量、復(fù)雜的借貸數(shù)據(jù)往往具備非線性特征。因此，采用現(xiàn)有相關(guān)分析、因子分析無法揭示網(wǎng)貸信用評(píng)價(jià)指標(biāo)間的非線性聯(lián)系，從而導(dǎo)致信用評(píng)價(jià)指標(biāo)篩選的結(jié)果不可靠；二是現(xiàn)有信用評(píng)價(jià)指標(biāo)不能保證對(duì)客戶違約與否進(jìn)行有效甄別，這與信用風(fēng)險(xiǎn)評(píng)價(jià)這一根本目的相悖。信用評(píng)價(jià)目的是甄別違約企業(yè)與非違約企業(yè)。

（二）網(wǎng)絡(luò)借貸影響因素的研究現(xiàn)狀

Puro 等［8］通過美國(guó)網(wǎng)絡(luò)借貸平臺(tái)prosper 數(shù)據(jù)實(shí)證發(fā)現(xiàn)，網(wǎng)絡(luò)借貸成功率與借貸利率及借貸額正相關(guān)。Lin 等［9］發(fā)現(xiàn)借款者的朋友關(guān)系可以降低借款者承擔(dān)的利率并降低違約風(fēng)險(xiǎn)。廖理等［10］發(fā)現(xiàn)雖然借貸利率越高，借款者才容易獲得貸款，但此類貸款的違約風(fēng)險(xiǎn)也更高。Emekter 等［11］認(rèn)為信用評(píng)分、借款期限、負(fù)債收入比等對(duì)于借款違約概率有重要影響。Malekipirbazari 和Aksakalli［12］認(rèn)為借款者的債務(wù)收人比也是影響借貸行為的一個(gè)關(guān)鍵因素。Lin 和Viswanathan［13］發(fā)現(xiàn)文化與地理位置是影響借貸重要因素，貸款者更傾向于借貸給地域接近、文化相近的借款者。何光輝等［14］運(yùn)用Logistic 與Probit 模型對(duì)中國(guó)網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)決定因素進(jìn)行分析。李杰和劉露［15］根據(jù)Logistic 模型發(fā)現(xiàn)借款者總收入、總支出是網(wǎng)貸違約與否關(guān)鍵因素。李延喜等［16］運(yùn)用Logistic 與Cox 模型發(fā)現(xiàn)，借貸成功并不完全取決于貸款利率，借款者的年齡、學(xué)歷及婚姻狀況均有重要影響。

現(xiàn)有研究方法的不足之處：現(xiàn)有網(wǎng)絡(luò)借貸影響因素中不僅涉及諸多不能顯著甄別客戶違約狀態(tài)的指標(biāo)，還涵蓋不少信息重復(fù)的指標(biāo)。

上述問題，本文在網(wǎng)絡(luò)借貸信用評(píng)價(jià)海選指標(biāo)體系，采用K-S檢驗(yàn)選取可以顯著甄別借款人違約狀態(tài)的指標(biāo)，進(jìn)而通過距離相關(guān)分析剔除掉反映信息重復(fù)的指標(biāo)，最終構(gòu)建網(wǎng)絡(luò)借貸的信用評(píng)價(jià)指標(biāo)體系。并通過全球最大的P2P 網(wǎng)絡(luò)借貸平臺(tái)LendingClub 的實(shí)際交易數(shù)據(jù)進(jìn)行實(shí)證研究。

二、網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系構(gòu)建原理

（一）P2P 網(wǎng)絡(luò)借貸的特點(diǎn)

（1）借款者和投資者之間不存在真實(shí)的接觸，信息更加不透明，導(dǎo)致投資者對(duì)借款者的信用風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)更加困難。

（2）現(xiàn)有關(guān)于銀行各類貸款表現(xiàn)的研究［17-18］表明，消費(fèi)者信用貸款在很大程度上會(huì)受到國(guó)內(nèi)生產(chǎn)總值、失業(yè)率和利率等宏觀因素的影響，因此如何控制這些宏觀因素對(duì)于P2P 網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)的影響，將是一個(gè)重要的問題。

（3）P2P 網(wǎng)絡(luò)借貸作為依托云計(jì)算、社交網(wǎng)絡(luò)等新興技術(shù)平臺(tái)涌現(xiàn)出來的互聯(lián)網(wǎng)金融創(chuàng)新模式，海量、復(fù)雜的網(wǎng)絡(luò)借貸數(shù)據(jù)往往具備非線性、高維的大數(shù)據(jù)特征。

（二）網(wǎng)絡(luò)借貸信用評(píng)價(jià)的問題

問題1：怎樣從眾多繁雜指標(biāo)中遴選得到可以對(duì)網(wǎng)絡(luò)借貸者違約狀態(tài)顯著分辨的重要指標(biāo)。

問題2：如何克服現(xiàn)有指標(biāo)篩選方法僅僅反映指標(biāo)間線性關(guān)聯(lián)程度的弊端?，F(xiàn)有信用評(píng)價(jià)指標(biāo)篩選方法基本采用相關(guān)分析、因子分析剔除反映信息冗余的指標(biāo)，上述方法僅揭示了變量間線性關(guān)聯(lián)程度，但P2P網(wǎng)絡(luò)借貸依托于云計(jì)算、社交網(wǎng)絡(luò)等新興技術(shù)平臺(tái)，其數(shù)據(jù)量極大，往往具備非線性特征。

（三）解決問題的思路

問題1 的解決思路：將企業(yè)數(shù)據(jù)分為違約和非違約兩類樣本，通過K-S檢驗(yàn)比較違約樣本與非違約樣本的分布函數(shù)是否有顯著差異，按照K-S檢驗(yàn)統(tǒng)計(jì)值越大、違約樣本分布函數(shù)和非違約樣本的分布函數(shù)的偏離愈大，指標(biāo)越能顯著甄別客戶的違約狀態(tài)，選取可以顯著區(qū)分違約狀態(tài)與否的指標(biāo)。

問題2 的解決思路：距離相關(guān)分析是近年來高維數(shù)據(jù)非線性相關(guān)分析的流行度量方法，其從特征函數(shù)的距離角度定義了兩個(gè)隨機(jī)變量間的非線性相關(guān)系數(shù)。本文采用距離相關(guān)系數(shù)反映指標(biāo)間的線性與非線性的綜合關(guān)聯(lián)程度，在關(guān)聯(lián)程度強(qiáng)的一對(duì)指標(biāo)中，剔除K-S檢驗(yàn)較小、對(duì)違約狀態(tài)影響較小的指標(biāo)，刪除了反映信息冗余指標(biāo)。

（四）評(píng)價(jià)指標(biāo)篩選原理

通過K-S檢驗(yàn)統(tǒng)計(jì)值的大小反映指標(biāo)對(duì)違約狀態(tài)分辨能力上的差異，按照K-S檢驗(yàn)統(tǒng)計(jì)值越大、違約樣本與非違約樣本的分布函數(shù)的偏離越大，指標(biāo)分辨客戶違約與否的能力就越強(qiáng)。進(jìn)而根據(jù)距離相關(guān)分析在兩個(gè)關(guān)聯(lián)程度高的指標(biāo)中篩選出鑒別分辨違約狀態(tài)能力強(qiáng)的指標(biāo)?？朔F(xiàn)有相關(guān)分析、因子分析等指標(biāo)篩選方法僅揭示了指標(biāo)間的線性關(guān)聯(lián)程度和無法反映指標(biāo)間的非線性關(guān)聯(lián)程度的弊端，彌補(bǔ)現(xiàn)有研究不以能否區(qū)分違約狀態(tài)為標(biāo)準(zhǔn)遴選評(píng)價(jià)指標(biāo)的不足。

網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系構(gòu)建原理如圖1 所示。

圖1 網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系構(gòu)建原理

三、網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系的構(gòu)建

（一）海選指標(biāo)體系的建立

1.網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)的內(nèi)涵

網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)指網(wǎng)絡(luò)借貸中貸款者未能按照合同約定及時(shí)足額還本付息而給資金出借方帶來的風(fēng)險(xiǎn)損失［13-15］。

資金出借方通過考量貸款人的還款能力及還款意愿這兩方面來評(píng)估其發(fā)生違約的可能性。貸款人的還款能力可以通過貸款者年收入等財(cái)務(wù)特征與貸款者職業(yè)等個(gè)人特征來反映；而貸款人的還款意愿可由貸款者違約次數(shù)等個(gè)人信用特征來體現(xiàn)。

同時(shí)，現(xiàn)有研究［8-16］表明：貸款金額、貸款利率等借款特征也對(duì)網(wǎng)絡(luò)貸款的信用風(fēng)險(xiǎn)影響顯著。此外，現(xiàn)有關(guān)于銀行各類貸款表現(xiàn)的研究［17-18］表明，消費(fèi)信用貸款在很大程度上會(huì)受到國(guó)內(nèi)生產(chǎn)總值、失業(yè)率和利率等宏觀因素的影響，因此將外部宏觀經(jīng)濟(jì)特征納入網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系中。

2.準(zhǔn)則層設(shè)置

3.海選指標(biāo)體系的構(gòu)建

以網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)內(nèi)涵為基礎(chǔ)，根據(jù)國(guó)內(nèi)外網(wǎng)絡(luò)借貸信用評(píng)價(jià)文獻(xiàn)的流行高頻指標(biāo)［3-16］，建立了包括借款金額、年齡等指標(biāo)構(gòu)成的涉及借款標(biāo)的特征、借款者個(gè)人特征、借款者財(cái)務(wù)特征、借款者信用特征及宏觀經(jīng)濟(jì)特征5 個(gè)準(zhǔn)則層的網(wǎng)絡(luò)借貸信用評(píng)價(jià)的海選指標(biāo)體系，見表1。

（二）信用評(píng)價(jià)指標(biāo)體系的建立

1.指標(biāo)數(shù)據(jù)的歸一化

指標(biāo)數(shù)據(jù)歸一化是把指標(biāo)原始數(shù)據(jù)轉(zhuǎn)化為［0，1］間的數(shù)，剔除單位及量綱對(duì)評(píng)價(jià)結(jié)果的影響。

信用評(píng)價(jià)指標(biāo)可分成定量指標(biāo)與定性指標(biāo)。定量指標(biāo)分為成本類型指標(biāo)、效益類型指標(biāo)及區(qū)間型指標(biāo)。

成本型指標(biāo)系指網(wǎng)絡(luò)借款者的信用狀況與指標(biāo)的數(shù)值負(fù)相關(guān)，即指標(biāo)數(shù)值愈大，則說明借款者的信用狀況愈差。效益型系指標(biāo)系指網(wǎng)絡(luò)借款者的信用狀況與指標(biāo)的數(shù)值正相關(guān)，即指標(biāo)數(shù)值愈大，則說明借款者的信用狀況愈好。

臨床生化檢驗(yàn)屬于醫(yī)院重要工作內(nèi)容,生化檢測(cè)結(jié)果的準(zhǔn)確性對(duì)診斷和治療疾病產(chǎn)生直接影響[1]。血液樣本溶血是指血液樣本在臨床檢驗(yàn)過程中由各種因素影響導(dǎo)致紅細(xì)胞被破壞,而細(xì)胞內(nèi)物質(zhì)進(jìn)入血清,使得血清呈現(xiàn)出紅色,進(jìn)而影響生化檢驗(yàn)結(jié)果準(zhǔn)確性的醫(yī)學(xué)現(xiàn)象。在當(dāng)下臨床檢驗(yàn)實(shí)踐過程中,若因血液標(biāo)本溶血導(dǎo)致結(jié)果不準(zhǔn)確而引發(fā)的醫(yī)療糾紛,醫(yī)院往往處于被動(dòng)地位,并可能需要承擔(dān)全部責(zé)任,所以臨床上如何避免或預(yù)防血液溶血對(duì)生化檢測(cè)結(jié)果帶來的影響依然是臨床檢驗(yàn)科室面對(duì)的焦點(diǎn)問題[1]。此外臨床對(duì)糾正溶血所產(chǎn)生影響的措施缺少關(guān)注。本研究對(duì)溶血對(duì)生化檢驗(yàn)準(zhǔn)確性影響進(jìn)行分析并總結(jié)相關(guān)應(yīng)對(duì)措施,現(xiàn)將相關(guān)內(nèi)容總結(jié)如下:

表1 網(wǎng)絡(luò)借貸信用評(píng)價(jià)海選指標(biāo)體系

成本類、效益類指標(biāo)歸一化公式［12］如下所示。

其中：xij為第i個(gè)指標(biāo)第j個(gè)借款的歸一化值；pij為第i個(gè)指標(biāo)第j筆借款原始數(shù)據(jù)；n為借款個(gè)數(shù)。

區(qū)間型指標(biāo)是指當(dāng)指標(biāo)的數(shù)據(jù)值落在某一個(gè)特定區(qū)間內(nèi)都是合理的指標(biāo)。例如：居民消費(fèi)價(jià)格指數(shù)、年齡等兩指標(biāo)。指標(biāo)“居民消費(fèi)價(jià)格指數(shù)”理想?yún)^(qū)間是［100.6，104.7］［17-18］。“居民消費(fèi)價(jià)格指數(shù)”數(shù)值處于該區(qū)間中既不通貨膨脹又不通貨緊縮。根據(jù)對(duì)網(wǎng)絡(luò)借貸平臺(tái)發(fā)放調(diào)查問卷，發(fā)現(xiàn)將指標(biāo)“年齡”合理區(qū)間范圍設(shè)置為［30，48］，即年齡處于該區(qū)間的借款者還款意愿、清償能力都是最強(qiáng)的。

設(shè)q1為指標(biāo)最佳區(qū)間左端點(diǎn)，q2為指標(biāo)最佳區(qū)間右端點(diǎn)，根據(jù)區(qū)間指標(biāo)的歸一化打分公式［12］如下：

定性指標(biāo)的標(biāo)準(zhǔn)化得分是在對(duì)網(wǎng)貸信用評(píng)價(jià)專家進(jìn)行實(shí)地訪談?wù){(diào)研基礎(chǔ)上，按照定性指標(biāo)的不同程度確定量化打分標(biāo)準(zhǔn)。見表2。

表2 定性指標(biāo)打分標(biāo)準(zhǔn)

2.指標(biāo)的正態(tài)分布檢驗(yàn)

通過Jarque-Bera 正態(tài)檢驗(yàn)，可判斷指標(biāo)是否服從正態(tài)分布。Jarque-Bera 正態(tài)檢驗(yàn)步驟［19］如下。

（1）建立假設(shè)檢驗(yàn)。

原假設(shè)：第i個(gè)指標(biāo)Xi服從正態(tài)分布（H0）。

備擇假設(shè)：第i個(gè)指標(biāo)Xi不服從正態(tài)分布（H1）。

（2）構(gòu)造JB統(tǒng)計(jì)量（即Jarque-Bera 檢驗(yàn)統(tǒng)計(jì)量）。設(shè)為第i個(gè)指標(biāo)標(biāo)準(zhǔn)化得分的平均值，n為樣本借款總數(shù)，xij為第i個(gè)指標(biāo)第j個(gè)借款的標(biāo)準(zhǔn)化得分，j=1，2，…，n，則

設(shè)Si為第i個(gè)指標(biāo)偏度系數(shù)，由文獻(xiàn)［19］可知

式（6）中其他字母含義與式（4）、式（5）相同。

設(shè)Ki-第i個(gè)指標(biāo)的峰度系數(shù)，由文獻(xiàn)［19］可知

設(shè)JBi為第i個(gè)指標(biāo)Jarque-Bera 檢驗(yàn)統(tǒng)計(jì)量，則

式（8）中其他字母含義與式（6）、式（7）相同。

（3）檢驗(yàn)標(biāo)準(zhǔn)［19］。原假設(shè)H0 成立時(shí)，Jarque-Bera 檢驗(yàn)統(tǒng)計(jì)量JBi服從自由度為2 的χ2分布［19］，給定顯著性水平α，查表可得χ2分布的臨界值J0。若統(tǒng)計(jì)量JBi大于臨界值J0，則拒絕原假設(shè)H0，即第i個(gè)指標(biāo)Xi不服從正態(tài)分布；反之，則接受原假設(shè)H0，即第i個(gè)指標(biāo)Xi服從正態(tài)分布。

3.違約顯著區(qū)分的指標(biāo)篩選方法

通過該方法可刪除對(duì)違約狀態(tài)區(qū)分不顯著的指標(biāo)。

按照某個(gè)指標(biāo)數(shù)據(jù)，把借款數(shù)據(jù)分為違約和非違約兩類，若該指標(biāo)K-S檢驗(yàn)值愈大，即違約的經(jīng)驗(yàn)分布與非違約的經(jīng)驗(yàn)分布的偏離愈大，說明評(píng)價(jià)指標(biāo)甄別借款人是否違約的能力越強(qiáng)，指標(biāo)對(duì)信用評(píng)價(jià)結(jié)果影響顯著，應(yīng)保留；反之，說明該指標(biāo)無法有效區(qū)分違約借款人與非違約借款人，指標(biāo)對(duì)信用評(píng)價(jià)結(jié)果影響不大，須刪除。

K-S檢驗(yàn)篩選指標(biāo)的計(jì)算步驟如下。

（1）建立假設(shè)檢驗(yàn)。

原假設(shè)：第i個(gè)指標(biāo)的違約樣本的分布與非違約樣本的分布沒有顯著差異（H0）。

備擇假設(shè)：第i個(gè)指標(biāo)的違約樣本分布與非違約樣本分布有顯著差異（H1）。

（2）構(gòu)造K-S檢驗(yàn)的D統(tǒng)計(jì)量。

步驟1：兩類樣本經(jīng)驗(yàn)分布函數(shù)的確定。

以違約樣本的經(jīng)驗(yàn)分布為例。設(shè)違約借款個(gè)數(shù)為n1，非違約借款個(gè)數(shù)為n2，借款總數(shù)為n，n=n1+n2。

令xi1，xi2，…，xi，n1為第i個(gè)指標(biāo)n1個(gè)違約借款的標(biāo)準(zhǔn)化值。將這n1個(gè)數(shù)從小到大排序，重新編號(hào)得到這n1個(gè)標(biāo)準(zhǔn)化值的次序統(tǒng)計(jì)量。同理得到n2個(gè)非違約借款的標(biāo)準(zhǔn)化值的次序統(tǒng)計(jì)量。

同理得第i個(gè)指標(biāo)的非違約經(jīng)驗(yàn)分布。

其中：v表示在第i個(gè)指標(biāo)n2個(gè)非違約借款的標(biāo)準(zhǔn)化值中，小于等于x的標(biāo)準(zhǔn)化值的個(gè)數(shù)。

步驟2：K-S檢驗(yàn)D統(tǒng)計(jì)量的確定。

設(shè)Di為第i個(gè)指標(biāo)K-S檢驗(yàn)的D統(tǒng)計(jì)量，I為由第i個(gè)指標(biāo)n個(gè)借款的標(biāo)準(zhǔn)化值構(gòu)成的實(shí)數(shù)集合，即I=｛xi1，xi2，…，xi，n｝，為第i個(gè)指標(biāo)的違約經(jīng)驗(yàn)分布，為第i個(gè)指標(biāo)的非違約經(jīng)驗(yàn)分布，由文獻(xiàn)［19］可知

其中：第i個(gè)指標(biāo)K-S檢驗(yàn)統(tǒng)計(jì)量Di等于第i個(gè)指標(biāo)違約經(jīng)驗(yàn)分布與第i個(gè)指標(biāo)非違約經(jīng)驗(yàn)分布之差的絕對(duì)值的最大值。

K-S檢驗(yàn)統(tǒng)計(jì)量Di反映了第i個(gè)指標(biāo)區(qū)分違約狀態(tài)的能力強(qiáng)弱。第i個(gè)指標(biāo)的D統(tǒng)計(jì)量越大，第i個(gè)指標(biāo)在違約樣本與非違約樣本中的差異越大，表明第i個(gè)指標(biāo)區(qū)分違約狀態(tài)能力越強(qiáng)；反之亦然。

式（11）采用K-S檢驗(yàn)篩選指標(biāo)的好處：一是按照違約樣本與非違約樣本的分布函數(shù)的差異越大，這個(gè)指標(biāo)越能顯著區(qū)分違約與否狀態(tài)的思路，構(gòu)造指標(biāo)的K-S檢驗(yàn)值，遴選能顯著區(qū)分違約狀態(tài)的指標(biāo)，彌補(bǔ)現(xiàn)有研究不以能否區(qū)分違約狀態(tài)為標(biāo)準(zhǔn)遴選評(píng)價(jià)指標(biāo)的不足；二是采用K-S檢驗(yàn)這一對(duì)評(píng)價(jià)指標(biāo)的總體分布無任何要求、適用于分布未知的非參數(shù)統(tǒng)計(jì)方法篩選指標(biāo)，克服現(xiàn)有方法要求指標(biāo)服從正態(tài)分布的這一嚴(yán)格假設(shè)弊端。

（3）篩選標(biāo)準(zhǔn)。在原假設(shè)H0 成立時(shí)，第i個(gè)指標(biāo)K-S檢驗(yàn)的統(tǒng)計(jì)量Di服從Kolmogorov 分布［17］。給定顯著性水平α，通過查表可得Kolmogorov 分布的臨界值D0。

①若統(tǒng)計(jì)量Di大于等于臨界值D0，則拒絕原假設(shè)H0，即第i個(gè)指標(biāo)的違約樣本分布與非違約樣本分布有顯著差異，說明違約樣本與非違約樣本能被第i個(gè)指標(biāo)明顯區(qū)分，則保留第i個(gè)指標(biāo)。

②若統(tǒng)計(jì)量Di小于臨界值D0，則接受原假設(shè)H0，即第i個(gè)指標(biāo)的違約樣本分布與非違約樣本分布沒有顯著差異，說明違約樣本與非違約樣本不能被第i個(gè)指標(biāo)明顯區(qū)分，則刪除第i個(gè)指標(biāo)。

4.冗余信息剔除的指標(biāo)篩選方法

該方法可在關(guān)聯(lián)程度高的一對(duì)指標(biāo)中篩選出違約甄別能力強(qiáng)的指標(biāo)，確保得到信息不重復(fù)的指標(biāo)。

距離相關(guān)系數(shù)是一種新型相關(guān)系數(shù)，其基本思想是根據(jù)兩個(gè)隨機(jī)變量的聯(lián)合分布函數(shù)F（x，y）與各自的邊緣分布函數(shù)FX（x）、FY（y）間的距離測(cè)度隨機(jī)變量X與Y之間的相關(guān)性［20-21］。與傳統(tǒng)皮爾遜相關(guān)系數(shù)、秩相關(guān)系數(shù)等線性相關(guān)系數(shù)相比，距離相關(guān)系數(shù)無論變量間是線性關(guān)系或是非線性關(guān)系均可度量，無需任何假設(shè)與分布條件，具有很強(qiáng)的普適性。因此，本文采用距離相關(guān)系數(shù)度量同一準(zhǔn)則層下兩指標(biāo)間的相關(guān)性，進(jìn)而進(jìn)行冗余指標(biāo)的刪除。

距離相關(guān)系數(shù)篩選指標(biāo)的步驟如下。

（1）距離相關(guān)系數(shù)的計(jì)算。設(shè)有m個(gè)指標(biāo)，n個(gè)借據(jù)。令Xi為第i個(gè)指標(biāo)歸一化值的向量，即Xi=(xi1，xi2，…，xin)。則向量Xi與向量Xj的距離相關(guān)系數(shù)drij［20］為

其中：dcov(Xi，Xj)為向量Xi、Xj的距離協(xié)方差，由下式（13）計(jì)算得到。

其中：Akl、Bkl由式（14）與式（15）確定。

設(shè)xik為第i個(gè)指標(biāo)第k筆借款的歸一化值，則式（14）的4 個(gè)參數(shù)分別由式（16）～式（19）確定。

（2）臨界值確定。設(shè)定臨界值M∈［0，1］，若距離相關(guān)系數(shù)絕對(duì)值 |rik|≥M，則刪除兩個(gè)指標(biāo)中反映違約鑒別能力弱的指標(biāo)。兩個(gè)指標(biāo)距離相關(guān)系數(shù)大于0.8 時(shí)屬高度相關(guān)［20］。因此，選取臨界值M=0.8。

（3）指標(biāo)篩選標(biāo)準(zhǔn)。若第i個(gè)指標(biāo)與第k個(gè)指標(biāo)的距離相關(guān)系數(shù)絕對(duì)值 |rik|≥0.8 時(shí)，則第i個(gè)指標(biāo)與第k個(gè)指標(biāo)反映信息重復(fù)，應(yīng)刪除其中K-S檢驗(yàn)值較小的；反之，說明指標(biāo)反映信息不重復(fù)，同時(shí)保留兩指標(biāo)。

本研究篩選信息冗余指標(biāo)方法的好處：通過距離相關(guān)系數(shù)刪除反映信息重復(fù)的指標(biāo)，保留K-S檢驗(yàn)值大的，即對(duì)違約區(qū)分能力強(qiáng)的指標(biāo)，避免對(duì)違約狀態(tài)區(qū)分能力強(qiáng)的指標(biāo)被誤刪，無論指標(biāo)間是線性關(guān)系或是非線性關(guān)系均可適用，無須指標(biāo)數(shù)據(jù)滿足正態(tài)分布，適用于指標(biāo)分布未知的情形。

（三）評(píng)價(jià)指標(biāo)體系的合理性檢驗(yàn)

信用評(píng)價(jià)指標(biāo)體系合理與否是看基于指標(biāo)體系構(gòu)建信用評(píng)價(jià)模型的違約預(yù)測(cè)力是否顯著。即檢驗(yàn)利用指標(biāo)體系構(gòu)建的信用評(píng)價(jià)模型違約預(yù)測(cè)能力越顯著，信用評(píng)價(jià)指標(biāo)體系就越合理。

先利用上述指標(biāo)篩選方法構(gòu)建網(wǎng)絡(luò)借貸的信用評(píng)價(jià)指標(biāo)體系。再根據(jù)該指標(biāo)體系及Logistic 模型可以計(jì)算得到每個(gè)借款者的違約概率（PDi）。將PDi與違約臨界值比較，可對(duì)借款者是否違約進(jìn)行預(yù)測(cè)。繼而采用ROC 曲線（受試者工作特征曲線）AUC 值（ROC 曲線所覆蓋的區(qū)域面積）對(duì)網(wǎng)貸信用評(píng)價(jià)指標(biāo)體系的違約預(yù)測(cè)效果進(jìn)行檢驗(yàn)。

將實(shí)際違約借款被模型判定為違約借款數(shù)量記為DD；實(shí)際違約借款被模型判定為非違約的借款數(shù)量記為DN；實(shí)際非違約借款被模型判定為違約的數(shù)量記為ND；實(shí)際非違約借款被模型判定為非違約的數(shù)量記為NN，見表3。

表3 實(shí)際違約狀態(tài)與模型判別結(jié)果劃分

ROC 曲線涉及兩個(gè)變量，靈敏度（Sensitivity）和特異度（Specificity），如式（20）和式（21）［22］所示：

靈敏度（Sensitivity）等于實(shí)際違約借款中被模型判定為違約的個(gè)數(shù)DD與實(shí)際違約借款總數(shù)（DD+DN）的比率，即借款違約狀態(tài)的判對(duì)率。

特異度（Specificity）等于實(shí)際非違約的借款中被模型判定為非違約的個(gè)數(shù)ND與實(shí)際非違約借款總數(shù)（ND+NN）的比率，即借款非違約狀態(tài)判對(duì)率。

ROC 曲線的縱軸為Sensitivity，橫軸即1-Specificity，也就是1-借款非違約狀態(tài)判對(duì)率。

ROC 曲線下方圍成面積為AUC 值。當(dāng)橫軸不變時(shí)，縱軸越向上，即實(shí)際違約借款判對(duì)率越高，模型判別準(zhǔn)確率也越高，ROC 曲線也越向上，曲線下圍成的面積AUC 值也越大。因此，AUC 值越大，信用評(píng)價(jià)模型對(duì)違約狀態(tài)判別準(zhǔn)確性越高，信用評(píng)價(jià)指標(biāo)體系也就越合理。

四、實(shí)證研究

（一）實(shí)證樣本與數(shù)據(jù)來源

本文的指標(biāo)實(shí)證樣本來自美國(guó)P2P 借貸平臺(tái)LendingClub 提供的借款標(biāo)的數(shù)據(jù)［23］，樣本數(shù)據(jù)區(qū)間為2009—2014。Lending Club 成立于2007 年，是目前世界上最大的在線P2P 網(wǎng)絡(luò)借貸平臺(tái)，平臺(tái)提供企業(yè)及個(gè)人信貸、房貸及消費(fèi)貸款等借貸品種。在樣本區(qū)間內(nèi)，選取已完結(jié)的網(wǎng)絡(luò)借款，并去掉數(shù)據(jù)缺失較多的指標(biāo)，最終得到31000 條借款信息，對(duì)應(yīng)31000 個(gè)借款人。非違約樣本為27000 個(gè)，違約樣本為4000 個(gè)。違約系指貸款到期后90 天內(nèi)未能足額償還貸款的本金與利息。P2P 網(wǎng)絡(luò)借貸的指標(biāo)原始數(shù)據(jù)見表4 第31000 列所示。表4 第33 行為貸款借款的違約狀態(tài)標(biāo)識(shí)，違約、非違約分別用“1”和“0”標(biāo)識(shí)。

（二）信用評(píng)價(jià)指標(biāo)體系的建立

1.指標(biāo)的歸一化

（1）定量指標(biāo)歸一化。根據(jù)表4 的指標(biāo)類型，分別將表4 第1～31000 列的正向指標(biāo)、負(fù)向指標(biāo)、區(qū)間型指標(biāo)數(shù)據(jù)pij代入式（1）～式（3），得到指標(biāo)的標(biāo)準(zhǔn)化得分xij，列入表4 后31000 列各定量指標(biāo)對(duì)應(yīng)行。

（2）定性指標(biāo)標(biāo)準(zhǔn)化。根據(jù)表4 的指標(biāo)類型及表2 定性指標(biāo)的打分標(biāo)準(zhǔn)，為表4 中的各個(gè)定性指標(biāo)進(jìn)行歸一化打分。結(jié)果列入表4 各定性指標(biāo)的對(duì)應(yīng)行。

2.指標(biāo)的正態(tài)分布檢驗(yàn)

（1）Jarque-Bera 正態(tài)檢驗(yàn)統(tǒng)計(jì)值的確定。以第1 個(gè)指標(biāo)X1“借款金額”的Jarque-Bera 正態(tài)檢驗(yàn)統(tǒng)計(jì)量的確定過程為例。把表4 第1 行指標(biāo)X1的歸一化得分x1j、借款總數(shù)n=31000 依次代入式（4）～式（7），得到指標(biāo)X1的偏度系數(shù)S1=-0.531、峰度系數(shù)K1=-0.949。把偏度系數(shù)S1=-0.531、峰度系數(shù)K1=-0.949 代入式（8），得到指標(biāo)X1的正態(tài)檢驗(yàn)統(tǒng)計(jì)值JB1=126.412。將結(jié)果列入表5 第1 行第3 列。同理得其余指標(biāo)的統(tǒng)計(jì)量JBi，結(jié)果列入表5 第3 列其余行。

（2）正態(tài)檢驗(yàn)結(jié)果。原假設(shè)H0 成立時(shí)，第i個(gè)指標(biāo)的檢驗(yàn)統(tǒng)計(jì)量JBi服從自由度為2 的χ2分布［18］，給定顯著性水平α=0.05，查表得χ2分布的臨界值J0=5.991。由于表5 第3 列的81 個(gè)指標(biāo)的JBi均大于J0=5.991，由正態(tài)檢驗(yàn)標(biāo)準(zhǔn)，則32 個(gè)指標(biāo)Xi均不服從正態(tài)分布。在表5 第4 列用“否”標(biāo)注。

由于所有32 個(gè)指標(biāo)Xi均不服從正態(tài)分布，故本文采用K-S檢驗(yàn)、距離相關(guān)分析的非參數(shù)統(tǒng)計(jì)方法篩選信用評(píng)價(jià)指標(biāo)。

3.違約顯著區(qū)分的指標(biāo)第1 次篩選

（1）K-S檢驗(yàn)值的確定。以指標(biāo)“X1借款金額”為例。

步驟1：違約樣本經(jīng)驗(yàn)分布函數(shù)的確定。把表4 第1 行指標(biāo)X1的4000 個(gè)違約借款的歸一化值x1j按照從小到大次序排列，得到指標(biāo)X1對(duì)應(yīng)次序統(tǒng)計(jì)值。把得到的指標(biāo)X1標(biāo)準(zhǔn)化值對(duì)應(yīng)的次序統(tǒng)計(jì)值，n1=4000 代入式（9），得到違約樣本經(jīng)驗(yàn)分布。仿照上述過程，可得非違約樣本經(jīng)驗(yàn)分布。

步驟2：K-S檢驗(yàn)值的確定。把指標(biāo)X1第1 個(gè)借款的歸一化值x11依次代入函數(shù)，得到x11的違約樣本經(jīng)驗(yàn)分布值、非違約樣本經(jīng)驗(yàn)分布值，得到|F1(1)(x11)-F1(2)(x11)|。同理，可得其余歸一化值的違約樣本與非違約樣本經(jīng)驗(yàn)分布值之差的絕對(duì)值。

表4 P2P 網(wǎng)絡(luò)借貸指標(biāo)篩選原始數(shù)據(jù)

表5 Jarque-Bera 正態(tài)檢驗(yàn)結(jié)果

綜上，總共得到指標(biāo)X1的31000 個(gè)、違約樣本與非違約樣本的經(jīng)驗(yàn)分布函數(shù)值之差的絕對(duì)值。求解這31000 個(gè)絕對(duì)值中的最大值即得到指標(biāo)X1的K-S檢驗(yàn)統(tǒng)計(jì)值D1，即。其中，I為由表4 第1 行指標(biāo)X1的歸一化值組成的實(shí)數(shù)集合。結(jié)果列入表6 第1 行第3 列。重復(fù)上述步驟1～步驟2，可得其余31 個(gè)指標(biāo)的K-S檢驗(yàn)統(tǒng)計(jì)值Di，結(jié)果列入表6 第3 列其余行。

（2）K-S檢驗(yàn)篩選指標(biāo)的結(jié)果。K-S檢驗(yàn)統(tǒng)計(jì)量Di服從Kolmogorov 分布［19］。給定顯著性水平α=0.05，通過查表可得Kolmogorov 分布的臨界值D0≥1.358。

通過表6 第3 列可知，在32 個(gè)指標(biāo)中，“X3還款月數(shù)”等13 個(gè)指標(biāo)的K-S檢驗(yàn)值全都低于1.358，檢驗(yàn)不通過，說明這些指標(biāo)的違約借款與非違約借款的經(jīng)驗(yàn)分布函數(shù)并不存在明顯區(qū)別，指標(biāo)無法顯著甄別借款者是否違約，應(yīng)刪除。通過表6 第3 列可知，32 個(gè)指標(biāo)中，“X1借款金額”等19 個(gè)指標(biāo)的K-S檢驗(yàn)值全都大于1.358，表明這些指標(biāo)的違約借款與非違約借款的經(jīng)驗(yàn)分布函數(shù)存在明顯區(qū)別，指標(biāo)可以顯著甄別借款者是否違約，應(yīng)保留。

表6 K-S 檢驗(yàn)指標(biāo)篩選結(jié)果

4.冗余信息刪除的指標(biāo)第2 次篩選

（1）距離相關(guān)系數(shù)的確定。經(jīng)過第四節(jié)第（二）節(jié)第3 小節(jié)的第一次篩選，刪除了13 個(gè)指標(biāo)，剩余19 個(gè)指標(biāo)。將表6 第1～2 列的K-S檢驗(yàn)保留的19 個(gè)指標(biāo)按準(zhǔn)則層合并，合并后的19 個(gè)指標(biāo)進(jìn)行距離相關(guān)分析的第二次指標(biāo)遴選。用于距離相關(guān)分析的第二次指標(biāo)遴選的19 個(gè)指標(biāo)標(biāo)準(zhǔn)化數(shù)據(jù)見表7。利用表7 的標(biāo)準(zhǔn)化數(shù)據(jù)以及式（12）～式（19），可得到同一準(zhǔn)則層下兩個(gè)指標(biāo)的距離相關(guān)系數(shù)。

以指標(biāo)X1的和X2的距離相關(guān)系數(shù)計(jì)算為例。利用指標(biāo)X1歸一化得分x1j、指標(biāo)X2歸一化得分x2j及式（12）～式（19），得到指標(biāo)X1和X2的距離相關(guān)系數(shù)r12=0.353。其他指標(biāo)的距離相關(guān)系數(shù)類推可得。將所有指標(biāo)中絕對(duì)值大于0.8 的距離相關(guān)系數(shù) 值rik列入表8 第5 列。表8 第2、4 列的Di來源于表6 第3 列的相應(yīng)行。

（2）距離相關(guān)分析篩選結(jié)果。選取0.8 作為距離相關(guān)系數(shù)臨界值。由表8 第5 列可知，共有7對(duì)指標(biāo)的距離相關(guān)系數(shù)大于0.8，故此7 對(duì)指標(biāo)屬于反映信息冗余，在這7 對(duì)指標(biāo)中保留K-S檢驗(yàn)統(tǒng)計(jì)值Di較大的指標(biāo)。由表6 第3 列的Di可知，max｛D11、D12｝=｛2.311、1.842｝=2.311，指 標(biāo)X11“年收入”的K-S檢驗(yàn)統(tǒng)計(jì)值D11最大，故保留指標(biāo)X11，刪除指標(biāo)X12，刪除的指標(biāo)列于表8 第2 行第6列。同理，其他的刪除指標(biāo)列于表8 第6 列的其他行。

綜上，通過距離相關(guān)分析將K-S檢驗(yàn)篩選后留下的19 個(gè)指標(biāo)進(jìn)行第二次篩選，去除反映信息冗余的7 個(gè)指標(biāo)，最終保留了12 個(gè)指標(biāo)。刪除的7 個(gè)在表1 用“冗余信息刪除”標(biāo)出；最終保留的12 個(gè)指標(biāo)在表1 用“保留”標(biāo)出。

5.網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系的建立

在32 個(gè)指標(biāo)中，根據(jù)K-S檢驗(yàn)去掉區(qū)分違約不顯著的13 個(gè)指標(biāo)，利用距離相關(guān)分析刪除7 個(gè)信息冗余的指標(biāo)，最后建立了包含12 個(gè)指標(biāo)的小企業(yè)信用評(píng)價(jià)指標(biāo)體系，見表9 第a～d列。同時(shí)，最終保留12 個(gè)指標(biāo)在表1 中用“保留”標(biāo)出。

表7 進(jìn)行距離相關(guān)分析的19 個(gè)海選指標(biāo)的標(biāo)準(zhǔn)化數(shù)據(jù)

表8 經(jīng)距離相關(guān)分析刪除的評(píng)價(jià)指標(biāo)

表9 網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系

（三）信用評(píng)價(jià)指標(biāo)體系合理性檢驗(yàn)

根據(jù)表9 的網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系及Logistic模型計(jì)算得到實(shí)證31000 個(gè)借款者的違約概率PDi（i=1，2，…，31000）。當(dāng)取違約臨界值為0.5 時(shí)，即當(dāng)違約概率PD低于0.5，判定貸款者為違約；不低于0.5 判定貸款者為非違約。

表10 實(shí)際違約狀態(tài)與模型判別結(jié)果

在31000 個(gè)借款者中，有4000 個(gè)違約借款者與27000 個(gè)非違約借款者。將4000 個(gè)違約借款者的違約概率PDi逐個(gè)與臨界值0.5 比較，可得實(shí)際違約借款人被判定為違約的個(gè)數(shù)DD、實(shí)際違約借款人被判定為非違約的個(gè)數(shù)DN。同理可得到實(shí)際非違約借款人被判定為違約個(gè)數(shù)ND、實(shí)際非違約借款人被判定為非違約個(gè)數(shù)NN。計(jì)算結(jié)果列入表10 的數(shù)字矩陣。

表10 的數(shù)據(jù)代入式（20），得到靈敏度為0.897；代入式（21），得到特異度為0.902，也就得到橫坐標(biāo)1-特異度為0.098，這樣就可以確定ROC 曲線上的一個(gè)點(diǎn)（0.098，0.897）。ROC 曲線中，每取一個(gè)臨界值，就得到一組靈敏度和特異度，每個(gè)（1-特異度，靈敏度）可確定一個(gè)點(diǎn)坐標(biāo)，取不同臨界值50、60…，會(huì)得到多個(gè)點(diǎn)，可畫出ROC 曲線，如圖2 所示。

圖2 檢驗(yàn)指標(biāo)體系的ROC 曲線

經(jīng)計(jì)算，本文構(gòu)建的網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系對(duì)違約與非違約借款者違約狀態(tài)判別精度的AUC=0.913。一般認(rèn)為違約判別精度AUC 超過0.8［19］時(shí)，評(píng)價(jià)指標(biāo)體系的違約判別能力就較強(qiáng)。因此，由于本文構(gòu)建的網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系的AUC=0.913＞0.8，故認(rèn)為構(gòu)建的評(píng)價(jià)指標(biāo)體系具有較強(qiáng)違約鑒別力，則評(píng)價(jià)指標(biāo)體系構(gòu)建合理。

五、結(jié)論與建議

（一）主要工作

本文根據(jù)K-S檢驗(yàn)與距離相關(guān)分析相結(jié)合，篩選對(duì)借款客戶違約狀態(tài)甄別能力強(qiáng)的指標(biāo)，建立了網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系，并通過全球最大的P2P 網(wǎng)絡(luò)借貸平臺(tái)Lending Club 的實(shí)際交易數(shù)據(jù)進(jìn)行實(shí)證研究。結(jié)果表明：本研究評(píng)價(jià)指標(biāo)體系中的借款金額、借款者職業(yè)、失業(yè)率等12 個(gè)指標(biāo)均對(duì)區(qū)分違約狀態(tài)有顯著影響。

（二）特色與創(chuàng)新

（1）按照K-S檢驗(yàn)統(tǒng)計(jì)值愈大、其對(duì)應(yīng)違約樣本分布函數(shù)與非違約樣本分布函數(shù)的偏離愈大，表明評(píng)價(jià)指標(biāo)甄別借款客戶違約狀態(tài)的能力愈強(qiáng)，遴選能顯著區(qū)分違約狀態(tài)與否的評(píng)價(jià)指標(biāo)，彌補(bǔ)現(xiàn)有研究不以能否區(qū)分違約狀態(tài)為標(biāo)準(zhǔn)遴選評(píng)價(jià)指標(biāo)的不足。

（2）通過距離相關(guān)系數(shù)反映同一準(zhǔn)則層下兩個(gè)指標(biāo)間的線性與非線性關(guān)聯(lián)程度，在關(guān)聯(lián)程度強(qiáng)的一對(duì)指標(biāo)中，剔除K-S檢驗(yàn)較小、對(duì)違約狀態(tài)影響較小的指標(biāo)，刪除了反映信息冗余指標(biāo)，克服現(xiàn)有相關(guān)分析、因子分析等指標(biāo)篩選方法僅揭示了指標(biāo)間的線性關(guān)聯(lián)程度，無法反映指標(biāo)間非線性關(guān)聯(lián)程度的弊端，拓展信用評(píng)價(jià)指標(biāo)篩選方法適用范圍。

（三）啟示及政策建議

本文采用K-S檢驗(yàn)與距離相關(guān)分析構(gòu)建的網(wǎng)絡(luò)借貸信用評(píng)價(jià)指標(biāo)體系，實(shí)證表明：借款金額、借款者職業(yè)、失業(yè)率等12 個(gè)指標(biāo)均對(duì)區(qū)分違約狀態(tài)有顯著影響。上述研究有助于理解網(wǎng)絡(luò)借貸違約行為及其變化規(guī)律，預(yù)測(cè)借貸違約的發(fā)生，進(jìn)而在發(fā)放貸款時(shí)制定或調(diào)整相應(yīng)的借貸標(biāo)準(zhǔn)，控制借貸違約的發(fā)生。

P2P 網(wǎng)絡(luò)借貸作為新型經(jīng)濟(jì)業(yè)態(tài)，已成為拉動(dòng)國(guó)民經(jīng)濟(jì)的重要增長(zhǎng)點(diǎn)，但由于網(wǎng)絡(luò)借貸的違約風(fēng)險(xiǎn)較難甄別，導(dǎo)致當(dāng)前P2P 平臺(tái)的相關(guān)監(jiān)管存在一定程度的缺失或滯后?；谏鲜鲅芯拷Y(jié)果，本文提出如下政策建議：

（1）建議監(jiān)管部門構(gòu)建網(wǎng)絡(luò)借貸違約風(fēng)險(xiǎn)評(píng)估模型，對(duì)P2P 平臺(tái)進(jìn)行風(fēng)險(xiǎn)監(jiān)測(cè)。相關(guān)監(jiān)管機(jī)構(gòu)可以借鑒本文評(píng)價(jià)指標(biāo)篩選方法，充分利用大數(shù)據(jù)技術(shù)，識(shí)別網(wǎng)絡(luò)借貸的違約風(fēng)險(xiǎn)，從而對(duì)P2P 平臺(tái)潛在的風(fēng)險(xiǎn)進(jìn)行及時(shí)預(yù)判與控制。

（2）建立金融機(jī)構(gòu)與P2P 平臺(tái)的信息共享機(jī)制，融合多源數(shù)據(jù)。由于商業(yè)銀行對(duì)借款者歷史違約信息了解更多，監(jiān)管部門應(yīng)倡導(dǎo)銀行等機(jī)構(gòu)與P2P 平臺(tái)加強(qiáng)信息共享，融合多維度信息，為準(zhǔn)確地評(píng)估借款人違約風(fēng)險(xiǎn)提供充分的數(shù)據(jù)資源。

（四）不足之處及展望

本文主要屬于應(yīng)用性研究，在指標(biāo)篩選方法的改進(jìn)上創(chuàng)新有限，這也是本文的不足所在。在之后研究中，擬在信用評(píng)價(jià)指標(biāo)賦權(quán)方面，按照對(duì)借款者違約狀態(tài)區(qū)分能力愈強(qiáng)、指標(biāo)賦權(quán)越大的思路，測(cè)算評(píng)價(jià)指標(biāo)的權(quán)重。由于該項(xiàng)研究與本文的科學(xué)問題聚焦不同，因而本文未做進(jìn)一步拓展，后續(xù)我們將另文專述。