互聯網征信的影響因素分析

林翠波，李偉強

（廣西師范大學數學與統計學院，廣西桂林 541006）

1 引言

近年來，隨著互聯網的發展，互聯網金融的個人消費信貸的領域得到快速發展，這不僅給金融機構帶來利益，同時也增加了貸款風險。因此，如何根據用戶的信息進行分析，為金融機構提供決策和建議，更加有效地應對風險，是非常具有價值的。但是，目前征信采集對象占總人口比重較小，且數據難以共享，引發了一系列的問題，只有成立百行征信才能更好解決。據統計，我國個人消費信貸的增長率每年高達20%，預估2019年個人消費信貸規模將突破41.1萬億元[1]。同時，金融機構面臨的個人信用風險將隨之增加，信用評分模型顯得更重要。

國內對征信的研究很多，陳純等人基于螞蟻花唄消費信貸產品對大學生進行調查，為提高大學生風險防范等提供建議[2]。王夢佳基于Logistic回歸對P2P網貸平臺借款人信用的風險進行評估[3]。本文計劃用Logistic回歸模型嘗試對互聯網征信的影響因素進行分析。

2 理論知識

Logistic回歸函數應限制在[0,1]區間，所以要進行變換。Logistic分布函數：行邏輯變換得到模型

3 實證分析

3.1 數據說明

本文所使用的數據為用戶征信相關的數據，共1000條記錄。數據一共包含9個變量。其中，因變量為“是否按期還款”，且0表示“違約”，1表示“未違約”，其余的均為自變量，為了初步探究自變量對因變量的影響，下面對自變量進行分析：

基本信息包括性別、婚姻情況和生育情況。其中，女性違約占比31.8%，男性違約占比34.8%，性別對是否違約無顯著影響；已婚用戶違約率29.2%較低，而未婚用戶37.4%較高；已育用戶違約率29.5%較低，而未育用戶36.9%較高。

學習能力包括教育水平和英語水平。其中，教育水平劃分為“高中及以下”“大專或本科”“碩士研究生”“博士研究生及以上”，其違約率分別為39.6%、39.4%、28.8%、15.2%，顯然學歷高的違約率最低，而學歷低的違約率最高，這與我們的推測一致；英語等級劃分為“四級以下”“四級”“六級”“六級以上”，其違約率分別為43.3%、37.4%、27.2%、21.1%，英語等級較高的違約率較低，等級低的違約率較高。總之，學習能力對客戶違約率的影響較為顯著。

其他方面有社交人脈、收入水平和消費理念。其中，社交人脈用微博好友數度量，均值較高的違約率也高，而均值較低的違約率也低。未違約的用戶收入均值為24309.27較高，相比之下，違約用戶的收入均值為16019.68較低。可見，收入水平對客戶的違約率有顯著的影響，收入水平越高，違約率越低；消費理念=信用卡消費/總消費，消費理念整體呈右偏分布，大多數用戶的消費理念在0.125左右，當客戶越傾向于超前負債消費時指標值越高，違約群體的消費理念指標值明顯高于履約群體。

3.2 統計模型

3.2.1 回歸結果

本文以“是否按期還款”作為因變量，其他變量作為自變量，建立logistic回歸模型。首先對模型進行顯著性檢驗，結果顯示，Pr（>Chi）值為2.2e-16，即該模型在，0.00的顯著性水平下高度顯著，而且擬合程度較好。然后，建立AIC、BIC回歸模型，如表3-1所示。

表3-1 AIC回歸模型和BIC回歸模型結果

由表3-1知：在α=0.05下，AIC模型保留8個變量，而BIC模型只保留5個變量。AIC模型和BIC模型在變量選擇和回歸系數的估計上都存在差異，該保留哪一個模型？下面分析。

3.2.2 模型選擇

為比較全模型，AIC模型和BIC模型，分別繪制其ROC曲線。

圖3-1 三個模型的ROC曲線

如圖3-1所示，全模型和AIC模型的ROC曲線很接近，而BIC模型的ROC曲線靠下。綜合考慮后，選擇AIC模型。

3.2.3 模型解讀

由表3-1知，在固定其它量，α=0.05下對模型解讀：

（1）收入、女性、已婚、已育的回歸系數為正，表明這些用戶按期還款率大；

（2）微博好友數、消費理念的回歸系數為負，表明這些用戶的相應指標越大按期還款率越小；

（3）用戶按期還款率隨著學歷、英語水平遞增而遞增。

3.2.4 模型預測與精度評價

使用0-1回歸模型可以預測違約率，進而判斷是否會違約。當預測概率大于等于最佳閾值時，預測為違約，小于最佳閾值時，預測為未違約。對于不同的閾值，預測的準確率也不同，因此需要選取一個最佳的閾值。

圖3-2 AIC模型的ROC曲線及最佳閾值

圖3-2給出了AIC模型的ROC曲線及最佳閾值，其橫縱軸分別為特異度和靈敏度。同時我們得到的AUC取值為0.679，即最佳的閾值為0.679。

3.3 商業化結果

圖3-3為全部樣本預測的按期還款率，據預測值將用戶分為5個等級，計算每一級用戶的平均按期還款率，第一列為前20%的用戶預測為88%，其余以此類推。

圖3-3 不同客戶的實際還款概率

4 結論與建議

本文對征信數據進行分析，得到以下結論:

用戶的基本信息、收入水平、學歷、社交人脈和消費理念這5個方面都會對是否按期還款有顯著的影響。金融機構可以通過分析客戶的這些指標值將客戶進行分類，進而考慮是否為其提供借貸服務。為了進一步分析客戶履約的影響因素，還可以加入更多指標。比如用戶的職業、固定資產等。