溫紅梅，隋 昕

（哈爾濱商業(yè)大學(xué) 金融學(xué)院，哈爾濱150028)

一、引言

當(dāng)前，全球新一輪科技革命持續(xù)深化，金融科技快速興起，新業(yè)態(tài)、新模式、新產(chǎn)品層出不窮，不僅改變了傳統(tǒng)金融服務(wù)運(yùn)作模式，而且推動了互聯(lián)網(wǎng)貸款的發(fā)展。個人消費(fèi)貸款的存在，將會在一定程度上影響客戶跨期消費(fèi)行為。在此背景下，多維度、海量數(shù)據(jù)被融合加工運(yùn)用于風(fēng)險管理領(lǐng)域，個人信用風(fēng)險評價指標(biāo)體系越來越豐富。然而，在人行征信系統(tǒng)和傳統(tǒng)個人信用風(fēng)險評價指標(biāo)中，很少采用消費(fèi)信息對個人信用風(fēng)險進(jìn)行評價。消費(fèi)信息能用于個人信用風(fēng)險評價嗎？這正是本文要回答的問題，本文采用某消費(fèi)信貸平臺數(shù)據(jù)對這一問題進(jìn)行探究。

在金融科技的推動下，互聯(lián)網(wǎng)消費(fèi)貸款應(yīng)運(yùn)而生并已取得長足發(fā)展。截止到目前，互聯(lián)網(wǎng)消費(fèi)信貸規(guī)模迅速擴(kuò)張，2014 年初規(guī)模為187 億元，2020年底規(guī)模為15.4 萬億元，年復(fù)合增長率為206%。隨著金融科技的蓬勃發(fā)展和新興消費(fèi)群體的逐步形成，我國消費(fèi)市場呈現(xiàn)井噴式發(fā)展，各大互聯(lián)網(wǎng)巨頭、P2P 平臺和消費(fèi)金融公司，甚至是傳統(tǒng)商業(yè)銀行都紛紛布局消費(fèi)金融市場。

同時，傳統(tǒng)金融機(jī)構(gòu)采用的5C、5W、5P 信用評價方法重點(diǎn)關(guān)注客戶基本情況、償債能力和償債意愿，與傳統(tǒng)金融機(jī)構(gòu)不同，消費(fèi)金融公司等非傳統(tǒng)金融機(jī)構(gòu)對客戶信用風(fēng)險評價更傾向于采集消費(fèi)能力、消費(fèi)頻率和消費(fèi)等級等信息，這類信息可獲得性較強(qiáng)，但無法體現(xiàn)償債能力和償債意愿。因此，消費(fèi)信息是否能用于個人信用風(fēng)險評價值得深入探討。

二、文獻(xiàn)綜述

一直以來，信息不對稱是影響個人信用風(fēng)險的主要因素。Stiglitz and Weiss（1981）最早提出盡管借款人的信用歷史信息（如信用等級、歷史表現(xiàn)）是公開給所有投資者，但網(wǎng)絡(luò)匿名性可能會加劇網(wǎng)絡(luò)借貸的典型信息不對稱問題。與一般金融市場一樣，網(wǎng)絡(luò)借貸市場中也存在信息不對稱現(xiàn)象（Sufi，2007）。信息不對稱的存在，會導(dǎo)致市場萎縮的兩類效應(yīng)：其一為“惜貸”效應(yīng)，市場的有效供給萎縮；其二為“擠出”效應(yīng)，市場的有效需求萎縮（周耿等，2021）。根據(jù)行為金融學(xué)的觀點(diǎn)，借款人的個人信息包括兩類信息：“硬信息”與“軟信息”（Stein，2002）?！坝残畔ⅰ敝刚鎸?shí)性強(qiáng)且客觀存在的個人信息，例如年齡、性別、工作等級和信用評分等；“軟信息”指借款人所在組群、社交網(wǎng)絡(luò)中的朋友數(shù)量以及消費(fèi)能力和等級等信息。蘇亞和成春林（2017）對網(wǎng)絡(luò)借貸借款人違約行為影響因素研究發(fā)現(xiàn)，“軟信息”同樣具有價值，網(wǎng)絡(luò)借貸平臺應(yīng)該多維度地量化借款人的信用評價。

長期以來，建立有效的個人信用評分體系并對申請者信用進(jìn)行量化評分，是個人信用風(fēng)險評價的核心內(nèi)容。學(xué)者們對個人信用風(fēng)險評價的研究主要包括兩方面：一是個人信用風(fēng)險評價指標(biāo)體系的構(gòu)建；二是個人信用風(fēng)險評價方法的選擇?，F(xiàn)有的評價指標(biāo)體系多以客戶歷史信貸交易中的指標(biāo)作為主要指標(biāo)。Emekter.et al（2015）探索了P2P 網(wǎng)絡(luò)借貸違約的影響因素，發(fā)現(xiàn)信用等級、收入債務(wù)比、FICO分值與周轉(zhuǎn)利用率對違約行為有顯著影響。然而，Garmaise＆Natividad（2017）提出當(dāng)前以 FICO 分為代表的主流信用評分體系雖然包含了還款記錄、交易記錄等信息，對曾經(jīng)的負(fù)面結(jié)果過度關(guān)注，這一機(jī)制本身對借款人造成了負(fù)面影響。因?yàn)樨?fù)面信息有時是由突發(fā)事件或經(jīng)濟(jì)波動產(chǎn)生的，若過度關(guān)注負(fù)面影響，將對借款人產(chǎn)生不利影響。趙大偉（2017）提出基于多渠道收集到的海量客戶數(shù)據(jù)，包括年齡、職業(yè)、教育程度、職位、消費(fèi)記錄、人際關(guān)系等，通過構(gòu)建模型實(shí)現(xiàn)定量分析，從而推動風(fēng)險管理創(chuàng)新，切實(shí)防范消費(fèi)信貸風(fēng)險。

關(guān)于信用風(fēng)險評價方法，早期主要是采用邏輯回歸和專家判別法，回歸分析模型中的Logistic 回歸模型是迄今應(yīng)用范圍最廣的個人信用風(fēng)險評價模型（Hosmer，2000；Kordas，2002；羅方科和陳曉紅，2017；謝陳昕，2019），F(xiàn)ICO 分的核心模型是 logistic回歸算法；專家判別法常見的有3C和5C原則。目前，我國商業(yè)銀行主要采用層次分析法和模糊評價法評估借款客戶的信用風(fēng)險（周毓萍，陳官羽，2019）。隨著金融科技和人工智能的發(fā)展，將機(jī)器學(xué)習(xí)算法運(yùn)用到信用風(fēng)險評價領(lǐng)域可以更加高效、準(zhǔn)確的預(yù)測信用主體的違約風(fēng)險。牛貝貝等（2019）運(yùn)用LightGBM算法對借款人違約風(fēng)險預(yù)測，發(fā)現(xiàn)社交信息可以用于個人信用風(fēng)險評估。

由此可見，主流信用評分體系在傳統(tǒng)金融服務(wù)的邊緣群體中的風(fēng)險識別能力有限，主流信用評分系統(tǒng)以外的信息能降低借貸市場的信息不對稱，提高對借款人信用風(fēng)險的識別能力（王正位等，2020）。本文重點(diǎn)關(guān)注消費(fèi)信息在個人信用風(fēng)險評價中的識別左右，由于消費(fèi)信息具有發(fā)生頻率高、及時性強(qiáng)的特征，不同于傳統(tǒng)征信指標(biāo)。通過對比消費(fèi)信息和傳統(tǒng)征信指標(biāo)在個人信用風(fēng)險評價中的識別作用，本文試圖回答消費(fèi)信息能否用于個人信用風(fēng)險評價這一問題。

三、數(shù)據(jù)與變量描述

（一）樣本選取

本文數(shù)據(jù)來源于某生活服務(wù)類和現(xiàn)金貸為一體的平臺，該平臺作為國內(nèi)大型生活服務(wù)類平臺，服務(wù)涉及美食、酒店、旅游、電影和團(tuán)購等項(xiàng)目，2019 年一季度至2020 年一季度交易用戶數(shù)4 億以上，因此選取該平臺消費(fèi)信息數(shù)據(jù)進(jìn)行分析較有說服力。同時，該平臺為借款人提供類似于信用卡模式的循環(huán)授信額度，本文通過獲取用戶在該平臺中的消費(fèi)信息和個人信息構(gòu)建指標(biāo)體系，對借款人在平臺的還款表現(xiàn)將客戶定義為“好”“壞”客戶，分析消費(fèi)信息在個人信用評價體系中的識別能力和作用大小。對2020 年7 月至2020 年10 月授信的76 300條客戶信息中，隨機(jī)抽取20 000 條客戶信息作為樣本進(jìn)行分析研究。

（二）變量描述

本文實(shí)證設(shè)計所涉及的核心變量如下

1.還款表現(xiàn)

當(dāng)借款人未在還款期限內(nèi)還款，產(chǎn)生逾期行為，則該客戶定義為“壞客戶”（default=1）；反之客戶沒有逾期行為（default=0）。

2.人行征信信息

由于借款平臺貸前審查對客戶人行征信進(jìn)行查詢，由于該平臺對客戶征信分采取脫敏保密制度，因此僅獲取到客戶征信等級，本文獲取數(shù)據(jù)僅為客戶征信分等級，若征信分＞700，score 取1；反之，score 取 0。

3.消費(fèi)信息

由于數(shù)據(jù)來源為某大型集消費(fèi)與借款為一體的平臺，則可以獲取借款人在該平臺的消費(fèi)力等級（consumption_ability）、消費(fèi)頻次等級（consumption_frequency）、消費(fèi)場景數(shù)量（consumption_scene）三個消費(fèi)信息指標(biāo)。

4.控制變量

本文的控制變量包含兩類：借款人個人信息和借款信息。個人信息包括：年齡（age）、性別（male）、婚姻狀態(tài)（marital）；借款信息包括：授信額度（amount）、利率（rate）、期限（term）。

四、實(shí)證研究

（一）模型構(gòu)建

1.消費(fèi)信息對借款人信用風(fēng)險的影響

為了探討消費(fèi)信息能否用于個人信用風(fēng)險評價，本文運(yùn)用logistic 回歸模型利用歷史還款數(shù)據(jù)分析消費(fèi)信息對借款人信用風(fēng)險的影響。因變量為客戶還款表現(xiàn)發(fā)生逾期行為（default）；自變量包括征信信息（score）和消費(fèi)信息（consumptionvariables）；控制變量（controlvariables）包含借款人個人信息和借款信息。

為探討借款人消費(fèi)信息在個人信用評價體系中的識別能力和作用，本文共構(gòu)建4 個模型：其中模型1 的自變量包含控制變量和征信信息；模型2的自變量包含控制變量和消費(fèi)信息；模型3 的自變量包含控制變量、征信信息和消費(fèi)信息；模型4 的自變量僅包括控制變量，具體如下：

表1 主要變量的定義

表2 描述性統(tǒng)計

其中defaulti表示借款人是否發(fā)生逾期行為，α 為系數(shù)，scorei、consumptionvariablesi、controlvariablesi為解釋變量。ε 為隨機(jī)誤差項(xiàng)。Logistic回歸模型通過SAS14.3 實(shí)現(xiàn)。

2.個人信用風(fēng)險預(yù)測模型

LightGBM 算法是 Boosting 算法的一種，Boosting 算法對多個分類器學(xué)習(xí)，通過改變訓(xùn)練樣本的權(quán)重，并通過線性組合提升分類器的性能，而且減少了計算的復(fù)雜程度，減少了計算機(jī)內(nèi)存的占用。由于LightGBM算法的優(yōu)點(diǎn)，被廣泛運(yùn)用于多領(lǐng)域，本文運(yùn)用LightGBM算法實(shí)現(xiàn)對個人信用風(fēng)險的預(yù)測。

（二）實(shí)證結(jié)果

1.消費(fèi)信息對借款人信用風(fēng)險的影響

Logistic 回歸結(jié)果如表3 所示，征信信息和婚姻狀態(tài)與借款人信用風(fēng)險不相關(guān)，可能是由于征信分區(qū)間劃分不夠詳細(xì)導(dǎo)致；消費(fèi)能力等級與借款人信用風(fēng)險在10%的顯著水平下顯著負(fù)相關(guān)，表明一年內(nèi)消費(fèi)金額越少，借款人發(fā)生違約行為的可能性越大；消費(fèi)頻次等級和消費(fèi)場景數(shù)量與借款人信用風(fēng)險在1%顯著水平下正相關(guān)，表明消費(fèi)頻次和消費(fèi)場景越大，借款人發(fā)生違約行為的可能性越大。在控制變量中，授信額度和性別與借款人信用風(fēng)險分別在5%和1%顯著水平下正相關(guān)，表明授信額度越大，借款人發(fā)生違約行為的可能性越大，相比于男性借款人，女性借款人發(fā)生違約行為的可能性較大；借款利率和借款期限與借款人信用風(fēng)險在1%顯著水平下負(fù)相關(guān)，這說明利率越小，借款人發(fā)生違約行為的可能性越大；借款期限越短，借款人發(fā)生違約行為的可能性越大。

表3 Logistic 回歸結(jié)果

2.消費(fèi)信息對模型的提升作用

基于LightGBM算法構(gòu)建了兩個模型：包含消費(fèi)信息和不包含消費(fèi)信息的模型，以便通過兩個模型預(yù)測能力的區(qū)分，探討消費(fèi)信息在個人信用風(fēng)險評價中的作用。

圖1 表示了無消費(fèi)信息模型的AUC 值為0.72；圖2 表示了加入消費(fèi)信息模型的AUC 值為0.90，根據(jù)AUC 值的提升可以說明，消費(fèi)信息的加入顯著提升了模型的預(yù)測能力。

圖1 無消費(fèi)信息模型的AUC 曲線

圖2 加入消費(fèi)信息模型的AUC 曲線

五、結(jié)論

本文選取某生活服務(wù)類和現(xiàn)金貸為一體的平臺借款人為研究對象，比較了消費(fèi)信息對借款人信用評價提供的信息含量，發(fā)現(xiàn)采用傳統(tǒng)的信用評價方法難以準(zhǔn)確識別信用風(fēng)險，而通過加入消費(fèi)信息能夠有效提升模型準(zhǔn)確性，提升了信用風(fēng)險的識別能力。具體來看，消費(fèi)能力等級與借款人信用風(fēng)險在10%的顯著水平下顯著負(fù)相關(guān)，表明一年內(nèi)消費(fèi)金額越少，借款人發(fā)生違約行為的可能性越大，由于客戶消費(fèi)能力較小，可以反映出客戶收入水平不高，因此還款能力不強(qiáng)；消費(fèi)頻次等級和消費(fèi)場景數(shù)量與借款人信用風(fēng)險在1%顯著水平下正相關(guān)，表明消費(fèi)頻次和消費(fèi)場景越大，借款人發(fā)生違約行為的可能性越大。研究結(jié)果表明，消費(fèi)信息可以用于信用風(fēng)險評價。