论文部分内容阅读
【摘要】互联网背景下，P2P网贷高速发展，个人信用风险评估尤为重要，但我国还没有建立完善的个人信用评分体系，传统的风险评估方法很难达到满意的效果。本文借鉴以往的相关研究，综合考虑指标体系设置的各项原则，选取了婚姻状况、年龄、工作年限等十项指标，运用Logistic回归模型，通过实证分析，对个人信用风险进行了评估。
【关键词】P2P网贷 信贷风险 Logit回归
P2P网贷是在互联网环境下发展起来的一种全新的借贷模式，但是随着P2P网贷的发展，信誉问题随之而来。其中，缺乏专业的平台信审程序是造成无法准确评估借款人信用的最主要原因，因此，本文拟从个人客户的基本信息、个人客户的贷款记录、个人客户的还贷记录等资料中选取影响借款人还款意愿和能力的指标，尝试构建Logistic回归模型；进一步地，采集人人贷、宜信、红岭创投、拍拍贷、有利网五家P2P平台的样本数据，通过实证分析对网贷平台信用风险的评价起到一定的决策支持作用。
一、Logistic回归模型
Logistic回归模型。在Logit回归中，只需建立以logit（P）为因变量，建立包含p个因变量的Logistic回归模型如下：
■ （1）
其中，X=（X1X2……Xp）T为p维向量，β=（β1β2……βp）为待求的系数。
这就是Logistic回归模型。由（1）可推导出：
■ （2）
■ （3）
已知本文Y∈（0，1），现定义Yi=1为第i个客户按时还款，Yi=0为第i个客户违约，在Logistic回归中本文定义P为客户按时还款的概率，即■。
二、建立Logit回归模型
（一）模型指标的选取
指标变量的信息需要涵盖个人客户三个方面的信息：个人客户的基本信息、个人客户的贷款记录、个人客户的还贷记录。本文选择10项具有普遍性和代表性的指标作为本文的评价指标变量，并建立个人信用风险评价模型。本文对指标进行了分类、赋值，如表1。
表1 指标分述
■
■
本文将原始数据经过赋值处理后，通过SPSS软件对数据进行logit回归处理，运用逐步向前回归方法来筛选对因变量影响最显著的变量，将其纳入模型。由分析结果可以得出，工作年限的回归系数为正，表明其数值越大，该客户还款的概率就越大。工作年限是反映客户工作经验积累的一个指标，工作时间越长，拥有的资产会多一些，违约的概率越小，反之，违约概率较大，即工作时间较短的客户违约风险大于工作年限长的客户，因此其违约的概率也相应提升。
年收入范围在0.05的显著性水平下与是否违约呈现出正相关。收入情况直接决定了借款人财务状况和还款能力，收入越高，选择诚信的可能性就越大，还款能力越强，违约的几率也就越低。这也与实际状况相符，高收入人群往往能够更快地还清贷款。
近半年信用卡逾期次数、近半年贷款逾期次数两个指标在一定程度上是衡量客户信用以及经济状况的指标，本文之所以选择近半年为时间段是因为P2P小额贷款是面对个人以及一些小型企业进行的小额、短期的借贷活动，近半年的各种信用指标在很大程度上能够折射出客户近期的经济状况、信用状况，以及未来短期时间内的还款能力。二者都与是否违约呈现出负相关，即逾期次數越多，信用状况越差，违约的可能性也相应的提高。
将相应的参数代入到模型中可得：
■
根据式（2）或者（3）即可得出客户相应的还款概率P。选取样本中的一组数字举例来说，X6=0.8，X7=0.8，X9=0，X10=1，即可得出logit（P）=3.5906，进而得出■，即还款概率为97.32%。
（二）模型检验
通过向前逐步回归，得到的分类预测结果。由此可以看出，该回归对于个人信用风险预测的准确率较高，对于参与检验的样本的预测准确率达到了89.2%。在最后一步的回归中，未偿还贷款的29个样本，21个预测结果为违约，8个被误测为不违约，准确率达到了72.4%。在按时还款的91个样本中，86个准确预测，5个被误测违约，准确率达到了94.5%。易知，运用Logit回归对个人信用风险进行预测，具有较高的准确率和可信度。
三、结论与展望
本文借助构建个人信用风险评价的Logit回归模型，基于五家P2P平台的120组样本数据，实证分析表明：工作年限、年收入、近半年信用卡逾期次数、近半年贷款逾期次数指标在反映个人信用风险状况方面具有较好的代表性，对于是否违约的样本预测准确率分别达到72.4%、94.5%，并且模型整体预测准确率达到89.2%，表明该模型具有一定的实际使用价值。事实上影响客户能否按时还款的因素还有很多，除了一些能够量化的因素之外，客户本身的道德品质更是一个关键因素。因此，今后的研究如能添加对一些非量化因素的考量，势必能为P2P网贷信用风险的评价、预测以及后续的风险响应和规避等勾勒出一幅完美的图景。
参考文献
[1]陈为民，马超群，马林.我国个人信用评分的发展趋势[J].商业研究，2010，（1）：98-101.
[2]王继晖，李成.网络借贷模式下反洗钱风险分析与应对.[J].金融与经济，2011.（9）：9-11.
基金项目：本论文受到国家社会科学基金（12CGL031）、教育部留学回归人员科研启动基金、上海市科委软科学重点项目（16692106500）资助。
作者简介：刘曼（1995-），女，河南商丘人，上海海事大学经济管理学院硕士研究生，研究方向：管理决策与风险管理。
【关键词】P2P网贷 信贷风险 Logit回归
P2P网贷是在互联网环境下发展起来的一种全新的借贷模式，但是随着P2P网贷的发展，信誉问题随之而来。其中，缺乏专业的平台信审程序是造成无法准确评估借款人信用的最主要原因，因此，本文拟从个人客户的基本信息、个人客户的贷款记录、个人客户的还贷记录等资料中选取影响借款人还款意愿和能力的指标，尝试构建Logistic回归模型；进一步地，采集人人贷、宜信、红岭创投、拍拍贷、有利网五家P2P平台的样本数据，通过实证分析对网贷平台信用风险的评价起到一定的决策支持作用。
一、Logistic回归模型
Logistic回归模型。在Logit回归中，只需建立以logit（P）为因变量，建立包含p个因变量的Logistic回归模型如下：
■ （1）
其中，X=（X1X2……Xp）T为p维向量，β=（β1β2……βp）为待求的系数。
这就是Logistic回归模型。由（1）可推导出：
■ （2）
■ （3）
已知本文Y∈（0，1），现定义Yi=1为第i个客户按时还款，Yi=0为第i个客户违约，在Logistic回归中本文定义P为客户按时还款的概率，即■。
二、建立Logit回归模型
（一）模型指标的选取
指标变量的信息需要涵盖个人客户三个方面的信息：个人客户的基本信息、个人客户的贷款记录、个人客户的还贷记录。本文选择10项具有普遍性和代表性的指标作为本文的评价指标变量，并建立个人信用风险评价模型。本文对指标进行了分类、赋值，如表1。
表1 指标分述
■
■
本文将原始数据经过赋值处理后，通过SPSS软件对数据进行logit回归处理，运用逐步向前回归方法来筛选对因变量影响最显著的变量，将其纳入模型。由分析结果可以得出，工作年限的回归系数为正，表明其数值越大，该客户还款的概率就越大。工作年限是反映客户工作经验积累的一个指标，工作时间越长，拥有的资产会多一些，违约的概率越小，反之，违约概率较大，即工作时间较短的客户违约风险大于工作年限长的客户，因此其违约的概率也相应提升。
年收入范围在0.05的显著性水平下与是否违约呈现出正相关。收入情况直接决定了借款人财务状况和还款能力，收入越高，选择诚信的可能性就越大，还款能力越强，违约的几率也就越低。这也与实际状况相符，高收入人群往往能够更快地还清贷款。
近半年信用卡逾期次数、近半年贷款逾期次数两个指标在一定程度上是衡量客户信用以及经济状况的指标，本文之所以选择近半年为时间段是因为P2P小额贷款是面对个人以及一些小型企业进行的小额、短期的借贷活动，近半年的各种信用指标在很大程度上能够折射出客户近期的经济状况、信用状况，以及未来短期时间内的还款能力。二者都与是否违约呈现出负相关，即逾期次數越多，信用状况越差，违约的可能性也相应的提高。
将相应的参数代入到模型中可得：
■
根据式（2）或者（3）即可得出客户相应的还款概率P。选取样本中的一组数字举例来说，X6=0.8，X7=0.8，X9=0，X10=1，即可得出logit（P）=3.5906，进而得出■，即还款概率为97.32%。
（二）模型检验
通过向前逐步回归，得到的分类预测结果。由此可以看出，该回归对于个人信用风险预测的准确率较高，对于参与检验的样本的预测准确率达到了89.2%。在最后一步的回归中，未偿还贷款的29个样本，21个预测结果为违约，8个被误测为不违约，准确率达到了72.4%。在按时还款的91个样本中，86个准确预测，5个被误测违约，准确率达到了94.5%。易知，运用Logit回归对个人信用风险进行预测，具有较高的准确率和可信度。
三、结论与展望
本文借助构建个人信用风险评价的Logit回归模型，基于五家P2P平台的120组样本数据，实证分析表明：工作年限、年收入、近半年信用卡逾期次数、近半年贷款逾期次数指标在反映个人信用风险状况方面具有较好的代表性，对于是否违约的样本预测准确率分别达到72.4%、94.5%，并且模型整体预测准确率达到89.2%，表明该模型具有一定的实际使用价值。事实上影响客户能否按时还款的因素还有很多，除了一些能够量化的因素之外，客户本身的道德品质更是一个关键因素。因此，今后的研究如能添加对一些非量化因素的考量，势必能为P2P网贷信用风险的评价、预测以及后续的风险响应和规避等勾勒出一幅完美的图景。
参考文献
[1]陈为民，马超群，马林.我国个人信用评分的发展趋势[J].商业研究，2010，（1）：98-101.
[2]王继晖，李成.网络借贷模式下反洗钱风险分析与应对.[J].金融与经济，2011.（9）：9-11.
基金项目：本论文受到国家社会科学基金（12CGL031）、教育部留学回归人员科研启动基金、上海市科委软科学重点项目（16692106500）资助。
作者简介：刘曼（1995-），女，河南商丘人，上海海事大学经济管理学院硕士研究生，研究方向：管理决策与风险管理。