基于SVM-Logistic組合模型的P2P借款者信用風(fēng)險(xiǎn)評估
——以微貸網(wǎng)為例

都紅雯，盧孝偉

（杭州電子科技大學(xué) 經(jīng)濟(jì)學(xué)院，浙江 杭州 310018）

一、引言

隨著經(jīng)濟(jì)和網(wǎng)絡(luò)的不斷發(fā)展，互聯(lián)網(wǎng)與傳統(tǒng)金融業(yè)相結(jié)合，互聯(lián)網(wǎng)金融成為全新的熱門話題，作為互聯(lián)網(wǎng)金融典型代表之一的P2P網(wǎng)貸平臺，2005年起源于英國，隨后迅速在歐洲、美國、亞洲等地發(fā)展，唐寧引進(jìn)了我國的第一家網(wǎng)貸平臺-宜信。在之后十多年的時(shí)間，P2P網(wǎng)貸平臺在我國開啟了爆發(fā)式的增長，速度相當(dāng)驚人，2015年12月18日，宜人貸在紐交所正式上市，這也標(biāo)志著P2P網(wǎng)貸平臺的發(fā)展進(jìn)入一個(gè)新紀(jì)元。網(wǎng)貸之家發(fā)布了《P2P網(wǎng)貸行業(yè)2018年5月月報(bào)》，月報(bào)數(shù)據(jù)顯示，2018年4月，P2P網(wǎng)貸行業(yè)單月實(shí)現(xiàn)了1 826.6億元的整體成交量，截至2018年5月底，P2P網(wǎng)貸行業(yè)歷史累計(jì)成交量達(dá)到了71 584.64億元，突破了七萬億大關(guān)。與此同時(shí)，P2P網(wǎng)貸平臺各種問題和弊端也暴露出來，據(jù)網(wǎng)貸之家數(shù)據(jù)顯示，截至2018年5月，問題平臺累計(jì)達(dá)到4 270家。這些不斷出現(xiàn)問題的平臺也給互聯(lián)網(wǎng)金融的發(fā)展帶來了諸多負(fù)面影響，借款人的信用風(fēng)險(xiǎn)評估與管理也成為了亟待解決的問題。

國外有不少學(xué)者對P2P網(wǎng)貸信用評估模型提出了自己的看法，如Fisher（1936）提出信用評分即將個(gè)人的情況分級分類，并歸類評分；Wiginton（1980）年將Logistic模型率先用于信用風(fēng)險(xiǎn)評估；而Vapnik（2005）提出SVM模型擁有比神經(jīng)網(wǎng)絡(luò)模型具有更優(yōu)的分類精度，對數(shù)據(jù)假設(shè)條件依賴性小，比傳統(tǒng)的Logistic模型樣本要求低，因而在信用統(tǒng)計(jì)方法中廣泛傳播。Gestel和Baesens（2003）也認(rèn)為SVM模型在信用風(fēng)險(xiǎn)管理中比神經(jīng)網(wǎng)絡(luò)模型和Logistic模型更具有優(yōu)勢，并率先將SVM模型運(yùn)用于信用風(fēng)險(xiǎn)管理。Carmen（2008）通過對比發(fā)現(xiàn)，組合模型比單個(gè)模型具有更優(yōu)的風(fēng)險(xiǎn)預(yù)測結(jié)果。

而在國內(nèi)，陳靜（1998）率先使用傳統(tǒng)的回歸模型進(jìn)行借款人信用風(fēng)險(xiǎn)管理；沈翠華在2005年個(gè)人信用評估中首次提出使用SVM模型；張杰、王凡（2008）在對上市公司的信用風(fēng)險(xiǎn)評估中使用了SVM-Logistic組合模型，總結(jié)出該組合模型比二者單一模型的預(yù)測精度高的特點(diǎn)；向暉（2011）通過對比組合模型和單個(gè)模型優(yōu)缺點(diǎn)后，認(rèn)為組合模型能為個(gè)人信用風(fēng)險(xiǎn)評估準(zhǔn)確性和穩(wěn)健性的最優(yōu)選擇問題給出解決方案。

通過上述論點(diǎn)的研究以及對組合模型和單個(gè)模型特點(diǎn)對比研究，本文采用Logistic和SVM模型進(jìn)行組合，并結(jié)合平臺本身構(gòu)建適合其自身特點(diǎn)的信用評價(jià)體系，以滿足金融創(chuàng)新背景下的平臺借款者信用評估的需求。

二、模型的構(gòu)建

（一）選擇組合模型

1.單一模型原理與比較。目前，對個(gè)人信用評分方法主要分為統(tǒng)計(jì)和非統(tǒng)計(jì)兩類。統(tǒng)計(jì)類一般是貝葉斯網(wǎng)絡(luò)、Logistic回歸模型和決策樹等；非統(tǒng)計(jì)方法是SVM模型和神經(jīng)網(wǎng)絡(luò)模型等。其具體比較如表1所示。

表1 各大信用評分方法比較

2.組合模型的必要性及選擇。上述方法都是單一的模型，而在對借款者信用評估的建模過程中，需要考慮預(yù)測精度，這些模型都有其各自的優(yōu)點(diǎn)，預(yù)測精度高、穩(wěn)健性強(qiáng)、或者解釋性強(qiáng)等，也有其各自的劣勢，其共性是都不能完全在信用評估的內(nèi)外部因素之間進(jìn)行有效解釋。因而近年來不少學(xué)者將單一模型進(jìn)行組合以期進(jìn)行信用評估。靳云匯（2005）使用了將Logistic和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行組合的方法；謝行恒（2007）在信用評估中使用了RBF-Logistic混合模型；向暉（2011）將單一模型和多種混合模型進(jìn)行對比，發(fā)現(xiàn)混合模型的穩(wěn)健性、預(yù)測的精度、解釋性等都優(yōu)于單一的模型。

因此，筆者決定將Logistic模型與SVM模型組合進(jìn)行信用風(fēng)險(xiǎn)評估主要從以下幾個(gè)方面考量：

（1）SVM模型和Logistic模型具有一定的互補(bǔ)性。SVM模型的預(yù)測精度高，而Logistic模型的預(yù)測精度低；SVM模型的劣勢是穩(wěn)定性差，解釋性低，而Logistic模型的優(yōu)勢是穩(wěn)定性較好，解釋性高。因此二者結(jié)合可以互相彌補(bǔ)不足。

（2）兩個(gè)模型都可以解決非線性問題，且二者對數(shù)據(jù)的假設(shè)要求條件低。

由此可見，SVM和Logistic模型作為組合模型，不僅能體現(xiàn)SVM模型的高精度和Logistic模型的高穩(wěn)定性，而且Logistic又補(bǔ)足了SVM低解釋性的缺點(diǎn)，優(yōu)化結(jié)果。

圖1 SVM-Logistic組合模型流程圖

圖1為組合模型的流程，即為樣本數(shù)據(jù)輸入后，率先運(yùn)用SVM模型進(jìn)行信用評分，將SVM得出的結(jié)果作為一個(gè)解釋變量和其他的用戶個(gè)人變量一起作為Logistic模型的解釋變量。

（二）SVM和Logistic模型原理

1.SVM的基本原理。SVM一種新式的數(shù)據(jù)挖掘方法，是常見的一種判別方法。在數(shù)據(jù)挖掘的領(lǐng)域中廣泛運(yùn)用，SVM模型的核心是將處于低維的樣本映射到高維空間中，在高維空間將樣本數(shù)據(jù)以最大間距分隔開來。

假設(shè)有線性可分的訓(xùn)練樣本（X1，Y1），……，（X1，Y1），X1∈Rd，Y1∈{-1，+1}，i=1，…，l，那么一定存在將樣本分開的間隔平面ωX+b=0

的條件。二者中位于最優(yōu)分割超平面上的樣本，能使等號成立，這些樣本成為SVM。

像本文中信用評分運(yùn)用的是線性不可分的樣本時(shí)，則需要把樣本通過映射函數(shù)轉(zhuǎn)化到高維空間中，轉(zhuǎn)化的映射函數(shù)稱為核函數(shù)。一般的核函數(shù)有：

2.Logistic模型的基本原理。Logistic模型是一種廣泛運(yùn)用的線性回歸判別模型。假設(shè)存在一個(gè)因變量Y，表示事件發(fā)生可能性大小，當(dāng)自變量X的值達(dá)到閾值時(shí)，表示事件Y發(fā)生，例如當(dāng)X＞0時(shí)，Y=1；反之，Y=0。在本文中，Y=1代表事件發(fā)生，Y=0代表事件未發(fā)生。假設(shè)因變量和自變量 Xi線性相關(guān)，即 Yi=α+βXi+δ，則有：

（三）SVM-Logistic組合模型的實(shí)現(xiàn)

第一步是通過SVM對樣本進(jìn)行分類；第二步是將SVM得出的自變量和其他變量一起作為自變量帶入Logistic模型中，繼續(xù)進(jìn)行信用評估。

將P2P借款人發(fā)生逾期違約的情況記為Y=1，反之，記為Y=0，則SVM-Logistic模型為：

在式（8）中，P代表借款人逾期違約的概率，1-P為借款人按期還款的概率，P越大，違約概率越大，反之越小。本文將第一階段通過SVM得到的結(jié)果作為特征向量，再加上一組特征向量X={X1，X2，…，Xn}，總共有 n+1 個(gè)自變量，以上述變量搭建SVM-Logistic組合模型來對借款者進(jìn)行信用風(fēng)險(xiǎn)評估，得出最終結(jié)果。

三、實(shí)證檢驗(yàn)

成立于2011年7月的微貸網(wǎng)，是中國首家專注于汽車抵押借貸服務(wù)的P2P網(wǎng)貸平臺。據(jù)網(wǎng)貸之家公布的2018年6月網(wǎng)貸平臺評級TOP50中，微貸網(wǎng)位居第6名，成交量排名第7，處于行業(yè)較領(lǐng)先的地位。截止2018年7月31日，微貸網(wǎng)累計(jì)成交額1 984.5億元，交易總筆數(shù)超過470萬筆，在整個(gè)P2P網(wǎng)貸平臺中表現(xiàn)出較強(qiáng)的綜合實(shí)力且有較為良好的后續(xù)發(fā)展趨勢，具有一定的代表性。因此，本文選取微貸網(wǎng)作為研究P2P網(wǎng)貸公司的例子，即以微貸網(wǎng)平臺作為研究對象，構(gòu)建P2P網(wǎng)貸個(gè)人借款者信用風(fēng)險(xiǎn)評估模型。

（一）微貸網(wǎng)的借款者情況

微貸網(wǎng)的網(wǎng)站呈現(xiàn)借款人信息界面中主要包括但不限于以下有用信息：項(xiàng)目情況下的項(xiàng)目總額、項(xiàng)目期限、預(yù)期利率；借款人信息中的性別、年齡、婚姻狀況、籍貫、行業(yè)、工作性質(zhì)、收入及負(fù)債情況、還款來源與征信情況；借款車輛信息中的購買價(jià)和抵押價(jià)、行駛公里數(shù)；借款記錄中的歷史還清期數(shù)、待還期和歷史逾期次數(shù)等。

筆者通過運(yùn)用網(wǎng)頁數(shù)據(jù)抓取軟件“爬山虎采集器”，收集了2018年7月的散標(biāo)借款者的數(shù)據(jù)，共6 917個(gè)有效樣本。其中的借款金額最大值為585 000元，最小借款金額為4 500元，均值為73 562.36元；借款期限最長為36個(gè)月，最短為1個(gè)月，均值為2.73個(gè)月；借款利率，最大值為6.3%，最小值為5.8%，均值為6.03%。

在6 917位借款者中，其年齡分布為18～22歲166位，占比 2.4%；23～25歲 446位，占比 6.45%；26～30 歲為 1 353 位，占比 19.56%；31～42 歲為2 910位，占比 42.08%；43～50歲為 1 535位，占比22.19%；51～60歲為 454位，占比 6.56%；60歲以上為45位，占比0.66%，可見該平臺的借款人員主要集中在26～50歲的人群。借款人的性別方面，女性1 240位，男性借款人5 677位?；橐鰻顩r，已婚5 647位，占比81.64%，未婚的1 270位，占比18.36%。

汽車購買價(jià)格主要分為以下幾檔：100萬元以上汽車 393輛，占比 5.7%；80萬 ～100萬元 325輛，占比4.7%；60萬 ～80萬元181輛，占比 3.6%；40萬 ～60萬元673輛，占比9.73%；20萬 ～40萬元1 580輛，占比22.8%；20萬元以下3 765輛，占比54.4%。

在該平臺的借款人借款歷史還清期數(shù)大部分在50期以前，約占據(jù)了95%的比例。在該平臺的借款待還期數(shù)，待還期為2—4期的占了59%，待還期在5—12期的占了28%，分布主要還是集中在2—4期。借款人中有過逾期情況的占20.95%，沒有歷史逾期的占了79.05%。

（二）評估指標(biāo)選取

本文首先參考美國的FICO評分系統(tǒng)和國內(nèi)的芝麻信用評分系統(tǒng)對借款者信用風(fēng)險(xiǎn)評估的方式，借鑒其個(gè)人信用風(fēng)險(xiǎn)評估體系的各項(xiàng)指標(biāo)及評分，同時(shí)結(jié)合微貸網(wǎng)本身的相關(guān)指標(biāo)，對評估指標(biāo)做一個(gè)初步的選取。

FICO評分系統(tǒng)對個(gè)人信用風(fēng)險(xiǎn)評估一級指標(biāo)分為五類，分別是個(gè)人基本信息、不動產(chǎn)信息、擁有信用類型、信用情況和債務(wù)情況。個(gè)人基本信息包括職業(yè)信息和工作年限；不動產(chǎn)信息包括住房和居住年限；擁有信用類型包括信用卡數(shù)和銀行賬戶數(shù)；信用情況包括了信用檔案年限和逾期記錄；債務(wù)情況則是用戶債務(wù)比例。

芝麻信用評分系統(tǒng)對個(gè)人信用風(fēng)險(xiǎn)評估指標(biāo)也是分為五類，分別是歷史信用、行為偏好、履約能力、身份特質(zhì)和人脈關(guān)系。歷史信用包括了信用卡張數(shù)、信用卡額度和信用卡級別；行為偏好包括了賬戶活躍、消費(fèi)金額、消費(fèi)場景和消費(fèi)層次等；履約能力包貨了賬戶資產(chǎn)、有無住房和有無車輛等信息；身份特質(zhì)則包括了職業(yè)類型、學(xué)歷級別、住址穩(wěn)定和手機(jī)穩(wěn)定程度；人脈關(guān)系包含了社交廣度、社交深度和人脈信用度。

通過對上述FICO和芝麻信用的評分指標(biāo)和分值分級的研究，本文采用FICO評價(jià)的分值賦予方式，參考了芝麻信用評估的方法，挑選了微貸網(wǎng)中可用的指標(biāo)以構(gòu)建評估指標(biāo)體系。評估指標(biāo)分為三類，分別是個(gè)人信息、抵押物信息和平臺借貸信息。個(gè)人信息包含了性別、年齡和婚姻狀況；抵押物信息包含了購買價(jià)格和行駛公里數(shù)；平臺借貸信息包含了歷史還清期數(shù)、待還期和歷史逾期數(shù)。

（三）數(shù)據(jù)量化

本文決定對微貸網(wǎng)8個(gè)指標(biāo)進(jìn)行如下的量化：

性別，趙旭等（2016）經(jīng)過實(shí)證研究發(fā)現(xiàn)，男性違約的可能性比女性的要高，而且男性借款通過率僅為女性的60%，所以對男性賦值3，女性賦值7。

年齡，經(jīng)研究發(fā)現(xiàn)，年齡在18～22歲的借款人，一般是無收入人群或是低收入人群，年齡在23～30歲的群體，收入相對低，工作較不穩(wěn)定，而60歲以后的面臨著退休，收入相對在職是要低的，因而31～60歲之間的人群收入是相對穩(wěn)定的。因此賦值18～22歲之間的為2，23～30歲之間的為4，31～60 歲的為 8，61 歲及以后的為 4。

婚姻狀況，微貸網(wǎng)借款者的婚姻狀況分為已婚和未婚兩種。本文認(rèn)為已婚的家庭，具備雙收入來源，更加有還款能力，并且有更大的責(zé)任感，因此未婚的賦值0，而已婚的賦值5。

抵押物的購買價(jià)格，微貸網(wǎng)以車作為抵押物，而不同的車有不一樣的購買價(jià)格，購買價(jià)格體現(xiàn)了借款者的購買能力。根據(jù)不同的購買價(jià)格賦不一樣的值。20萬元以下為 2，20萬 ～40萬元為4，40萬～60萬元為6，60萬～80萬元為8，80萬～100萬元為9，100萬元以上為10。

行駛公里數(shù)，5萬公里以內(nèi)為 10，5萬～10萬公里為8，10萬～20萬公里為6，20萬～30萬公里為 4，30萬～40萬公里為 2，40萬 ～50萬公里為1，50萬公里以上為0。

歷史還清次數(shù)，還清一次，為2分，之后每增加一筆還款加1分，最高為10分。

待還期，由于微貸網(wǎng)自身原因，只有還款中的借款人有待還期，而申請借款的不存在待還期，待還期數(shù)越大說明還款能力越弱，因此0次為10，每增加一次減1，10次及以上為0。

歷史逾期數(shù)，不違約為5，逾期每增加一次減1，5次及以上則為0。

以上為8個(gè)輸入變量的量化分析，量化后的樣本使用SVM-Logistic模型進(jìn)行評估。在本文中，先用5 917個(gè)樣本進(jìn)行訓(xùn)練，訓(xùn)練后再用1 000個(gè)樣本加以測試其準(zhǔn)確性。

（四）主成分法處理指標(biāo)

在使用SVM-Logistic組合模型進(jìn)行信用風(fēng)險(xiǎn)評估前，先用主成分分析法對指標(biāo)進(jìn)行處理，將性別（X1）、年齡（X2）、婚姻狀況（X3）、購買金額（X4）、歷史還清次數(shù)（X5）、待還期（X6）、歷史逾期期數(shù)（X7）、行駛公里（X8）作為解釋變量，導(dǎo)入 SPSS 軟件中分析降維，進(jìn)行顯著性檢驗(yàn)，結(jié)果顯示，KMO值為0.76，Bartlett的值在0.05的檢驗(yàn)標(biāo)準(zhǔn)之下，數(shù)據(jù)通過檢驗(yàn)，可以進(jìn)行主成分分析降維。

提取特征值大于1的主成分使用SPSS軟件，得到以下3個(gè)主成分：

由上式所示主成分Y1中年齡和婚姻狀況的權(quán)重較大，本文將其命名為基本因子。主成分Y2，歷史還清期數(shù)和待還期的系數(shù)比較高，命名為網(wǎng)貸因子。主成分Y3的系數(shù)中，購買金額的權(quán)重較大，因此命名為購買因子。

（五）SVM-Logistic模型在信用風(fēng)險(xiǎn)評估中的應(yīng)用

使用組合模型進(jìn)行風(fēng)險(xiǎn)評估，具體操作如下：

第一步：通過各個(gè)核函數(shù)分類結(jié)果比較，選取合適的核函數(shù)用于信用評估。

表2 三類核函數(shù)模型精度對比

通過比較表2中三種不同核函數(shù)的精度發(fā)現(xiàn)，三種核函數(shù)的預(yù)測結(jié)果都不相同，多項(xiàng)式核函數(shù)的預(yù)測結(jié)果精確度極高，線性核函數(shù)則差強(qiáng)人意，高斯核函數(shù)的預(yù)測結(jié)果也很高，但仍不如多項(xiàng)式核函數(shù)，因此本文使用多項(xiàng)式核函數(shù)進(jìn)行分類。

第二步，使用多項(xiàng)式核函數(shù)進(jìn)行樣本分類，并將結(jié)果作為一個(gè)自變量帶入Logistic模型中參與訓(xùn)練測試。

（六）SVM-Logistic組合模型的實(shí)證結(jié)果與檢驗(yàn)

表3 三類模型訓(xùn)練集與預(yù)測集結(jié)果對比

通過表3中的訓(xùn)練集結(jié)果來看，Logistic模型的預(yù)測性較差，組合模型與SVM模型的預(yù)測結(jié)果幾乎相同，說明組合模型和單一模型在訓(xùn)練集上具有較高的預(yù)測精度。而從表4中測試集分類結(jié)果看來，組合模型的精度仍高于單一模型，單一模型相較于組合模型而言，兩者的波動相對較大，所以可以得出結(jié)論，組合模型精度高，準(zhǔn)確性好。

表4 組合模型回歸結(jié)果

根據(jù)表4可知，這三個(gè)主成分的P值都是在0.05標(biāo)準(zhǔn)以下的，都通過了檢驗(yàn)，因此將以上主要成分代入SVM-Logistic二元回歸模型得到以下模型：

進(jìn)一步可以求得違約率為：

上述公式（13）中，P越接近于1，借款者逾期違約概率大，反之能按期還款。因此從組合模型的公式中可以看出，待還期X6和歷史逾期期數(shù)X7越高，即得分越低的借款者，違約概率越大，而婚姻、年齡、購買金額得分越高的借款者，越不容易違約。

（七）指標(biāo)修正

在上述結(jié)論的基礎(chǔ)上，通過缺失各個(gè)變量的方法測度各指標(biāo)的重要性。結(jié)果顯示：組合模型在缺失歷史逾期次數(shù)時(shí)，預(yù)測準(zhǔn)確率有較大提升，從76%提升到了86%，說明該指標(biāo)對信用風(fēng)險(xiǎn)評估產(chǎn)生了干擾；年齡、婚姻狀況、購買金額和行駛里數(shù)的缺失對預(yù)測準(zhǔn)確率沒有影響；性別和歷史還清次數(shù)的缺失使預(yù)測準(zhǔn)確率有了提高，但是波動很小，模型具有較好的穩(wěn)定性；而待還期的缺失，反而使得預(yù)測準(zhǔn)確率下降，說明該指標(biāo)對網(wǎng)貸借款者的信用行為有較大的影響，不可缺失。

綜上所述，選擇剔除歷史逾期次數(shù)這個(gè)指標(biāo)，1 000個(gè)測試樣本的預(yù)測準(zhǔn)確率達(dá)到了86%，因此得到了修正后的評估指標(biāo)如表5所示，與最初構(gòu)建的指標(biāo)相差了一個(gè)歷史逾期次數(shù)。

表5 修正后的評估指標(biāo)表

使用SVM-Logistic模型對微貸網(wǎng)借款人信用風(fēng)險(xiǎn)進(jìn)行了評估，模型得到準(zhǔn)確率從初始的76%提高到了86%。微貸網(wǎng)上的借款者信息中，性別、年齡、婚姻狀況、購買價(jià)格、行駛公里、歷史還清期數(shù)和待還期這7個(gè)指標(biāo)成為了構(gòu)建SVM-Logistic組合模型的重要指標(biāo)，同時(shí)SVM-Logistic模型回歸結(jié)果為微貸網(wǎng)平臺的借款者信用風(fēng)險(xiǎn)評估提供了參考，減小了投資者的投資風(fēng)險(xiǎn)，適用于網(wǎng)絡(luò)借貸中借款者的信用風(fēng)險(xiǎn)評估。

四、結(jié)論與建議

本文根據(jù)微貸網(wǎng)的特點(diǎn)及相關(guān)指標(biāo)，借助FICO和芝麻信用評分法進(jìn)行指標(biāo)選取及量化，建立了借款者信用評估模型，利用該平臺的借款數(shù)據(jù)進(jìn)行了SVM-Logistic組合模型的實(shí)證分析，進(jìn)行信用風(fēng)險(xiǎn)評估測試，得出評估結(jié)果。在此基礎(chǔ)上，對評估指標(biāo)進(jìn)行優(yōu)化，使評估指標(biāo)也能適用于其他平臺。根據(jù)實(shí)證結(jié)果，對于微貸網(wǎng)平臺來說，借款者的性別、年齡、婚姻狀況、汽車購買金額、歷史還清期數(shù)、待還期和行駛里數(shù)等指標(biāo)都是模型的重要因素，然而指標(biāo)中包含了微貸網(wǎng)獨(dú)有的指標(biāo)行駛里程數(shù)和汽車購買金額。剔除這兩個(gè)指標(biāo)之后的剩余指標(biāo)，借款者個(gè)人的基本信息較多，因此對于P2P網(wǎng)貸平臺來說，借款者的基礎(chǔ)信息對P2P網(wǎng)貸借款者的信用風(fēng)險(xiǎn)評估有很重要的意義。其中性別、年齡、婚姻狀況在模型中的系數(shù)都是負(fù)的，與預(yù)測結(jié)論成負(fù)相關(guān)，表明女性較男性違約風(fēng)險(xiǎn)小，已婚的較未婚的違約風(fēng)險(xiǎn)小，年齡在31～60歲之間的較其他年齡的違約風(fēng)險(xiǎn)小。

為了促進(jìn)P2P行業(yè)的良性發(fā)展，結(jié)合本文的研究結(jié)果，提出以下建議：

第一，加快設(shè)立網(wǎng)貸行業(yè)統(tǒng)一的信用風(fēng)險(xiǎn)評估標(biāo)準(zhǔn)。信用風(fēng)險(xiǎn)評估是金融網(wǎng)貸方向上的一大熱點(diǎn)，網(wǎng)貸行業(yè)由于在我國處于興起階段，還沒有統(tǒng)一的信用風(fēng)險(xiǎn)評估標(biāo)準(zhǔn)。使用一種統(tǒng)一的評估標(biāo)準(zhǔn)，高效精確評估、遴選借款申請者，對P2P網(wǎng)貸行業(yè)的發(fā)展相當(dāng)關(guān)鍵。P2P網(wǎng)貸是一種全新的線上借貸模式，可以使借貸雙方擺脫空間限制，讓不能正常從銀行借款的借款者籌集資金，也能讓貸出者享有一定的投資收益。通過SVM-Logistic信用評估模型得出的評估結(jié)果可以運(yùn)用于P2P網(wǎng)貸平臺風(fēng)險(xiǎn)評估，有助于提升P2P網(wǎng)貸平臺的風(fēng)險(xiǎn)監(jiān)控管理能力，進(jìn)而促使網(wǎng)貸行業(yè)良性發(fā)展。因此各大平臺應(yīng)聯(lián)手建立統(tǒng)一的P2P網(wǎng)貸信用風(fēng)險(xiǎn)評估標(biāo)準(zhǔn)，使得P2P行業(yè)得以健康發(fā)展。

第二，政府應(yīng)主導(dǎo)建立共用的個(gè)人信用記錄數(shù)據(jù)庫，銀行向網(wǎng)貸平臺開放個(gè)人用戶的信用記錄以用于平臺的信用管理。現(xiàn)階段，網(wǎng)貸平臺魚龍混雜，各平臺只能在平臺內(nèi)部進(jìn)行信用公布和管理，卻不能平臺共享借款人的違約記錄等。建議各大網(wǎng)貸平臺能建立共享的違約人名單機(jī)制，從整體上提升平臺借款者信用識別能力。此外，將借款者違約情況納入其個(gè)人檔案中，促使其按期如數(shù)還款。