龍海明 鄒漢錚 朱建

摘?要：識(shí)別手機(jī)分期消費(fèi)貸款違約因子是防范手機(jī)消費(fèi)貸款業(yè)務(wù)信用風(fēng)險(xiǎn)的關(guān)鍵所在。為此，基于融合隨機(jī)森林（RF）和邏輯回歸（Logistics）兩階段模型，通過數(shù)據(jù)挖掘揭示風(fēng)險(xiǎn)特征重要性含義，并結(jié)合經(jīng)濟(jì)計(jì)量方法詮釋異質(zhì)性客戶信用違約的基準(zhǔn)邏輯。結(jié)果表明：入網(wǎng)時(shí)長(zhǎng)、終端個(gè)數(shù)、客戶月流量、終端時(shí)長(zhǎng)是影響手機(jī)分期消費(fèi)貸款客戶信用風(fēng)險(xiǎn)的重要性特征變量，且邊際影響分別為-0.039%、3.18%、-0.01%、-1.06%，模型泛化能力強(qiáng)，準(zhǔn)確率達(dá)到74%。所以，要完善手機(jī)分期消費(fèi)貸款信用風(fēng)險(xiǎn)管理應(yīng)從交叉數(shù)據(jù)獲取、社交網(wǎng)絡(luò)、興趣熱點(diǎn)和消費(fèi)習(xí)慣等方面著手。

關(guān)鍵詞： 信用風(fēng)險(xiǎn);隨機(jī)森林;變量重要性;邏輯回歸

中圖分類號(hào)：F832.4????文獻(xiàn)標(biāo)識(shí)碼：?A????文章編號(hào)：1003-7217（2019）05-0027-07

一、引?言

經(jīng)濟(jì)新常態(tài)下，消費(fèi)金融由平滑消費(fèi)、風(fēng)險(xiǎn)管理和資產(chǎn)保值增值等傳統(tǒng)職能向消費(fèi)升級(jí)、內(nèi)需拉動(dòng)和兼具包容性等新型職能轉(zhuǎn)換。隨著5G通訊技術(shù)、互聯(lián)網(wǎng)支付和社交新媒體等快速發(fā)展，手機(jī)已具備即時(shí)通訊、網(wǎng)購(gòu)消費(fèi)、投資理財(cái)、社交娛樂和商務(wù)運(yùn)用等多樣化功能，已成為居民日常生活重要消費(fèi)品。相關(guān)數(shù)據(jù)表明，截至2018年底中國(guó)手機(jī)用戶規(guī)模達(dá)到15.7億①，國(guó)內(nèi)手機(jī)市場(chǎng)總體出貨量為4.14億部②，手機(jī)產(chǎn)品已成為萬億級(jí)消費(fèi)市場(chǎng)。與手機(jī)消費(fèi)市場(chǎng)蓬勃發(fā)展不相適應(yīng)的是，手機(jī)消費(fèi)貸款缺乏針對(duì)特定消費(fèi)群體的產(chǎn)品設(shè)計(jì)、模式開發(fā)及風(fēng)險(xiǎn)防范機(jī)制，尤其是在校學(xué)生、農(nóng)民工等低收入群體信用擔(dān)保不足，導(dǎo)致校園貸、裸貸、民間貸等亂象叢生，探索手機(jī)消費(fèi)金融已成為繼汽車消費(fèi)金融后的新趨勢(shì)和新方向。強(qiáng)化對(duì)手機(jī)消費(fèi)貸款信用風(fēng)險(xiǎn)的相關(guān)研究，不僅可以為消費(fèi)金融新領(lǐng)域、新業(yè)務(wù)、新場(chǎng)景提供理論支持，而且通過異質(zhì)性對(duì)象風(fēng)險(xiǎn)特征識(shí)別為鎖定目標(biāo)客戶、用戶畫像及精準(zhǔn)營(yíng)銷奠定堅(jiān)實(shí)基礎(chǔ)。

目前，針對(duì)手機(jī)消費(fèi)貸款信用風(fēng)險(xiǎn)評(píng)估研究較少，但可以借鑒商業(yè)銀行客戶、互聯(lián)網(wǎng)P2P借款人、中小企業(yè)等評(píng)估對(duì)象的信用風(fēng)險(xiǎn)測(cè)度方法。

一是針對(duì)客戶信用風(fēng)險(xiǎn)分級(jí)，設(shè)定貸款決策信用評(píng)分的閾值來控制風(fēng)險(xiǎn)。Norden和Weber（2004）利用事件分析法驗(yàn)證了股市和信用違約互換市場(chǎng)（CDS）與三大機(jī)構(gòu)的信用評(píng)級(jí)存在相互影響[1]。遲國(guó)泰等（2014）利用G1法、均值方差法、擬合分布和模擬評(píng)分法將46家商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行九級(jí)分類[2]。趙志沖等（2017）以等級(jí)信用差值最大化為目標(biāo)構(gòu)建了信用分級(jí)模型，解決了信用等級(jí)與違約損失率非一致性問題[3];張衛(wèi)國(guó)等（2018）提出基于非均衡模糊近似支持向量機(jī)的P2P借款人六梯度信用評(píng)級(jí)方法[4]。

二是通過統(tǒng)計(jì)計(jì)量、機(jī)器學(xué)習(xí)及兩者結(jié)合的方法來提高評(píng)估模型準(zhǔn)確率，驗(yàn)證其可行性。統(tǒng)計(jì)計(jì)量方面包括多元線性回歸、判別分析、Logistic回歸、數(shù)學(xué)規(guī)劃等方法[5，6]，機(jī)器學(xué)習(xí)方面包括SUM、神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林等方法[7-11];兩者結(jié)合的方法包括Lasso-logistic回歸、Adaptive lasso-logistic回歸、Logistic-SVM回歸等[12，13]。其他方法方面，Yang和Shi（2009）引入免疫算法建立個(gè)人違約的信用風(fēng)險(xiǎn)模型，對(duì)比采用ROC檢驗(yàn)的Logistic模型，該模型在雙抗體人工免疫理論下對(duì)數(shù)據(jù)敏感度更高，更具備智能性和動(dòng)態(tài)性[14]。Wekesa等（2012）采用比例風(fēng)險(xiǎn)模型方法估計(jì)貸款申請(qǐng)人的違約風(fēng)險(xiǎn)，結(jié)果表明性別、就業(yè)部門和教育水平在信用風(fēng)險(xiǎn)模型中不顯著;然而，婚姻狀況、年齡居家自有率和居留時(shí)間是顯著的[15]。張潤(rùn)馳和杜亞斌（2018）改進(jìn)經(jīng)典加權(quán)k均值聚類算法，提出了多預(yù)測(cè)器粒子群優(yōu)化加權(quán)k均值聚類算法（MPWKM）模型，解決了權(quán)重選擇問題[16]。

三是信用風(fēng)險(xiǎn)的動(dòng)態(tài)評(píng)估方法，與靜態(tài)模型相比，動(dòng)態(tài)評(píng)估能克服信息突變下的結(jié)果失真問題[17，20]。

綜上所述，國(guó)內(nèi)外學(xué)者針對(duì)消費(fèi)貸款信用風(fēng)險(xiǎn)的研究，往往遵循經(jīng)濟(jì)理論邏輯或數(shù)據(jù)事實(shí)導(dǎo)向單一思路。傳統(tǒng)計(jì)量方法側(cè)重研究信用風(fēng)險(xiǎn)的影響因素，而依靠經(jīng)濟(jì)學(xué)直覺選取變量可能存在遺漏變量、內(nèi)生性、反向因果等問題;數(shù)據(jù)挖掘方法揭示信用風(fēng)險(xiǎn)要素的高相依度，泛化結(jié)果準(zhǔn)確率高，但統(tǒng)計(jì)相關(guān)或數(shù)理相關(guān)往往缺乏可靠的經(jīng)驗(yàn)依據(jù)。為此，本文在借鑒傳統(tǒng)信用風(fēng)險(xiǎn)評(píng)估方法基礎(chǔ)上，提出個(gè)體信用風(fēng)險(xiǎn)評(píng)價(jià)模型，利用隨機(jī)森林方法違約樣本與正常樣本差異度的先驗(yàn)規(guī)律，挖掘用戶違約誘因特征信息，并進(jìn)行模型訓(xùn)練得到用戶畫像，由此得到風(fēng)險(xiǎn)因素重要性排序結(jié)果;然后，利用邏輯回歸模型對(duì)其進(jìn)行邊際分解，得到各維度下個(gè)體信用貸款違約概率結(jié)果，并結(jié)合事實(shí)依據(jù)和理論邏輯來提供防范手機(jī)消費(fèi)信貸信用風(fēng)險(xiǎn)的可行建議。

二、實(shí)證方法應(yīng)用

（一） 算法及模型簡(jiǎn)介

1.隨機(jī)森林算法。隨機(jī)森林算法利用Boost-strap抽樣法從原始訓(xùn)練集N中抽取N個(gè)樣本，然后對(duì) N 個(gè)樣本分別建立決策樹模型，每棵決策樹都由根節(jié)點(diǎn)、葉節(jié)點(diǎn)和樹枝組成，其中每個(gè)決策樹模型均包含隨機(jī)M個(gè)變量屬性，以M個(gè)特征中最佳分裂方式對(duì)該節(jié)點(diǎn)進(jìn)行分裂，每棵樹都完整生長(zhǎng)而不進(jìn)行剪枝，得到組合分類器。利用 N個(gè)決策樹模型分別對(duì)每個(gè)測(cè)試樣本分類，得到 N 種分類結(jié)果，最后對(duì)N種分類投票決定其最終分類結(jié)果。

本文選取基尼系數(shù)（Gini）作為分裂或競(jìng)爭(zhēng)規(guī)則。

分類數(shù)采用Gini系數(shù)的減少量測(cè)度異質(zhì)性下降的程度，其數(shù)學(xué)表達(dá)式為：

2. Logistic模型。Logistic的條件概率為：

（二）樣本及變量說明

1.樣本來源。手機(jī)分期消費(fèi)貸款數(shù)據(jù)來源于中國(guó)云南省某金融機(jī)構(gòu)線下在2017年3月-12月的手機(jī)分期消費(fèi)貸款客戶跟蹤數(shù)據(jù)③，共5900條原始數(shù)據(jù)，篩選得到4475條有效數(shù)據(jù)，其中逾期違約數(shù)據(jù)1578條，非違約數(shù)據(jù)2897條，組成實(shí)驗(yàn)的全樣本。假設(shè)總共有N個(gè)樣本，則每個(gè)樣本被選中的概率是1/N，未被選中的概率是1-1/N，那么某樣本沒有出現(xiàn)在訓(xùn)練集中的概率就是（1-1/N）n。當(dāng)N 趨于無窮大時(shí)，這一概率趨近于 0.368。本文隨機(jī)從樣本中按比例選取30%為測(cè)試集，則剩余70%作為訓(xùn)練集。數(shù)據(jù)樣本見表1。

2.變量定義及說明。本文選擇用戶是否逾期違約作為信用風(fēng)險(xiǎn)的響應(yīng)變量，個(gè)體信用風(fēng)險(xiǎn)評(píng)估是一個(gè)典型二元分類器問題，當(dāng)客戶出現(xiàn)違約時(shí)取1，否則取0。借鑒其他學(xué)者相關(guān)研究，客戶消費(fèi)信貸信用風(fēng)險(xiǎn)影響因素涵蓋個(gè)體特征、社交環(huán)境、用戶興趣和消費(fèi)能力等多個(gè)方面。變量賦值及說明見表2。

3.數(shù)據(jù)預(yù)處理。通過利用數(shù)據(jù)合并、數(shù)據(jù)清洗和數(shù)據(jù)采樣等手段對(duì)數(shù)據(jù)預(yù)處理，充分保障實(shí)驗(yàn)結(jié)果準(zhǔn)確性、完整性、一致性、惟一性、適時(shí)性、有效性。通過插值法來補(bǔ)齊不完整、缺失部分?jǐn)?shù)據(jù)，利用統(tǒng)計(jì)檢驗(yàn)對(duì)錯(cuò)誤值、異常值和重復(fù)值進(jìn)行檢測(cè)并及時(shí)刪除。尤其是針對(duì)客戶違約與非違約數(shù)據(jù)類別不平衡問題，采用過采樣（Synthetic Minority Oversampling Technique、Border-line SMOTE、Adaptive Synthetic Sampling）、欠采樣（Near Miss）、過采樣和欠采樣結(jié)合（SMOTE+ENN、SMOTE+Tomek）等技術(shù)，調(diào)整樣本范圍。

三、實(shí)證結(jié)果及分析

（一）變量重要性識(shí)別

本文初步選擇40個(gè)變量作為可能影響個(gè)體消費(fèi)貸款信用風(fēng)險(xiǎn)因子（見表2），但上述變量并不完全符合個(gè)體信用風(fēng)險(xiǎn)預(yù)測(cè)，可能存在多重共線性、自相關(guān)等不利因素，從而降低預(yù)測(cè)精準(zhǔn)度和有效性，因此，從初始變量中識(shí)別和遴選出核心變量是建立個(gè)體信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的關(guān)鍵。

從表3可以看出，個(gè)體信用違約風(fēng)險(xiǎn)最顯著的影響因子是X9（入網(wǎng)時(shí)長(zhǎng)），其Gini指標(biāo)平均下降值為46.193;其次是X5（業(yè)務(wù)類型）、X21（交往圈人數(shù)）、X10（所屬地市）、X25（終端個(gè)數(shù)）、X12（客戶月流量）、X22（交往圈移動(dòng)用戶占比）、X13（終端時(shí)長(zhǎng)）、X11（客戶星級(jí)）、X19（通話活躍天數(shù)）等因素，它們對(duì)個(gè)體信用違約存在較大影響;而最不顯著的是X36（國(guó)際交往圈占比）、X16（是否校園網(wǎng)）、X24（緊急聯(lián)系人終端）、X27（閱讀類APP天數(shù)）、X31（是否網(wǎng)購(gòu)）、X37（交往圈星級(jí)）、X18（單位類型）、X17（是否實(shí)名）等變量。

從對(duì)輸出變量異質(zhì)性下降程度的影響看（見圖1），X9（入網(wǎng)時(shí)長(zhǎng)）同樣是個(gè)體信用風(fēng)險(xiǎn)違約行為需要重點(diǎn)關(guān)注因素。X25（交往圈人數(shù)）、X12（客戶月流量）、X13（終端時(shí)長(zhǎng)）、X35（高活躍客戶占比）、X7（年齡）、X21（交往圈人數(shù)）、X22（交往圈移動(dòng)用戶占比）、X23（緊急聯(lián)系人消費(fèi)）、X2（套餐月租）較為重要。

綜合來看，X9（入網(wǎng)時(shí)長(zhǎng)）、X25（交往圈人數(shù)）、X12（客戶月流量）、X13（終端時(shí)長(zhǎng)）是影響用戶信用風(fēng)險(xiǎn)行為的核心因子。交叉驗(yàn)證得到X9（入網(wǎng)時(shí)長(zhǎng)）、X25（交往圈人數(shù)）、X12（客戶月流量）、X13（終端時(shí)長(zhǎng)）、X11（客戶星級(jí)）、X19（通話活躍天數(shù)）、X2（套餐月租）、X21（交往圈人數(shù)）、X7（年齡）、X35（高活躍消費(fèi)客戶占比）等是最顯著的前10個(gè)變量，它們構(gòu)成了手機(jī)消費(fèi)貸款違約風(fēng)險(xiǎn)審核和重點(diǎn)監(jiān)控的指標(biāo)體系。下面基于此指標(biāo)體系做進(jìn)一步預(yù)測(cè)分析。

（二）實(shí)驗(yàn)效果檢驗(yàn)

本文通過構(gòu)建多指標(biāo)體系評(píng)價(jià)算法實(shí)驗(yàn)效果，其中精準(zhǔn)率（precision）表示預(yù)測(cè)為正例的樣本中，真實(shí)為正例的比例;召回率（recall）定義為真實(shí)為正例中為正例的比例;準(zhǔn)確率（accuracy）計(jì)算在所有樣本里面預(yù)測(cè)正確的比例。

最終利用精準(zhǔn)率、召回率和準(zhǔn)確率、f1-score和ROC面積比等五個(gè)指標(biāo)來衡量算法效果。從表5可見，非平衡樣本的五個(gè)指標(biāo)值分別為0.73、0.72、0.72、0.70和0.646，對(duì)應(yīng)的平衡樣本五個(gè)指標(biāo)分別為0.73、0.74、0.74、0.72和0.676，說明平衡樣本之后各項(xiàng)指標(biāo)都有提升，且算法的整體效果較好。

除此之外，引入ROC曲線進(jìn)一步刻畫模型的分類效果，ROC橫坐標(biāo)表示FRP，縱坐標(biāo)表示TPR，對(duì)于一個(gè)分類器，改變實(shí)驗(yàn)設(shè)計(jì)閾值，每一個(gè)閾值都可以得到ROC曲線。其中FRP（偽正類率）表示預(yù)測(cè)為正但實(shí)際為負(fù)的樣本占所有負(fù)樣本的比例，TPR（真正類率）表示預(yù)測(cè)為正且實(shí)際為正的樣本占所有正樣本的比例，實(shí)際上與召回率含義相同（見圖2、3）。對(duì)比圖2和圖3可以看到，樣本平衡前后的ROC曲線都呈現(xiàn)折線形，算法泛化能力強(qiáng)，具有較強(qiáng)的適應(yīng)性，且平衡樣本之后ROC面積比值有所提高，說明平衡樣本有效提高了算法精度。

（三）Logistic回歸結(jié)果

通過構(gòu)建用戶違約事件的影響因素邏輯回歸模型，并利用Stata軟件得到實(shí)證結(jié)果（見表6）。從表6結(jié)果來看，X9（入網(wǎng)時(shí)長(zhǎng)）、X25（終端個(gè)數(shù)）、X12（客戶月流量）、X13（終端時(shí)長(zhǎng)）、X11（客戶星級(jí)）、X19（通話活躍天數(shù)）、X2（套餐月租）、X21（交往圈人數(shù)）、X7（年齡）、X35（高活躍客戶占比）對(duì)違約風(fēng)險(xiǎn)都存在一定程度的影響。其中X9（入網(wǎng)時(shí)長(zhǎng)）、X12（客戶月流量）、X11（客戶星級(jí)）、X19（通話活躍天數(shù)）、X2（套餐月租）、X7（年齡）、X35（高活躍客戶占比）與違約風(fēng)險(xiǎn)負(fù)相關(guān)。事實(shí)上，用戶入網(wǎng)時(shí)間越長(zhǎng)、年齡越大，客戶星級(jí)越高，表示用戶穩(wěn)定性更高，更有可能擁有良好的信用;通話活躍天數(shù)越大、客戶流量消費(fèi)越大，套餐月租越高，表示用戶對(duì)手機(jī)實(shí)際用途更加重視，對(duì)手機(jī)依賴程度越高，用戶粘性越強(qiáng)。X25（終端個(gè)數(shù)）、X13（終端時(shí)長(zhǎng)）、X21（交往圈人數(shù)）、X35（高活躍客戶占比）與違約風(fēng)險(xiǎn)正相關(guān)。終端個(gè)數(shù)越多、交往圈人數(shù)越多，高活躍客戶占比越大，說明用戶對(duì)單一手機(jī)品牌依賴程度低，社交網(wǎng)絡(luò)關(guān)系越復(fù)雜，手機(jī)消費(fèi)更新?lián)Q代越快，則用戶違約的概率越高。同時(shí)，從模型1結(jié)果來看，入網(wǎng)時(shí)長(zhǎng)、交往圈人數(shù)、客戶月流量、終端時(shí)長(zhǎng)分別提高1%，個(gè)體違約風(fēng)險(xiǎn)分別提高-0.039%、3.18%、-0.01%、-1.06%，說明用戶對(duì)手機(jī)社交、娛樂功能和品牌忠誠(chéng)度的重視程度與信用違約概率的相依度越來越高，且社交功能和娛樂功能越豐富，平均流量消費(fèi)越大，個(gè)體違約的概率越小。

四、結(jié)論及政策啟示

以上通過利用隨機(jī)森林算法有效解決風(fēng)險(xiǎn)因子重要性排序問題，結(jié)合邏輯回歸模型解釋風(fēng)險(xiǎn)因子的邊際影響，研究表明：入網(wǎng)時(shí)長(zhǎng)、終端個(gè)數(shù)、客戶月流量、終端時(shí)長(zhǎng)是基于Gini指數(shù)重要性排序下的核心因子，且邊際影響為-0.039%、3.18%、-0.01%、-1.06%，且算法整體準(zhǔn)確率達(dá)到74%，入網(wǎng)時(shí)長(zhǎng)、客戶月流量、終端時(shí)長(zhǎng)與違約風(fēng)險(xiǎn)負(fù)相關(guān)，而交往圈人數(shù)與違約風(fēng)險(xiǎn)正相關(guān)，并由此得到相關(guān)的政策啟示：

1.通過交叉端口獲取數(shù)據(jù)來研究消費(fèi)主體信貸行為。當(dāng)前居民消費(fèi)正從量向質(zhì)、從有形商品向品質(zhì)服務(wù)轉(zhuǎn)變，傳統(tǒng)信貸數(shù)據(jù)、消費(fèi)信息已經(jīng)得到充分挖掘，而互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算和物聯(lián)網(wǎng)技術(shù)的發(fā)展，使得通過交叉來源分析消費(fèi)主體行為成為時(shí)下的前沿和趨勢(shì)。

2.通過社交網(wǎng)絡(luò)、興趣熱點(diǎn)和消費(fèi)習(xí)慣來多維度識(shí)別信貸風(fēng)險(xiǎn)。從消費(fèi)主體出發(fā)研究現(xiàn)實(shí)場(chǎng)景帶來的消費(fèi)偏效應(yīng)要結(jié)合時(shí)代發(fā)展和營(yíng)銷對(duì)象的特征因子，而社交網(wǎng)絡(luò)、興趣熱點(diǎn)和消費(fèi)習(xí)慣無疑是側(cè)面反映消費(fèi)主體特征的重要方面，消費(fèi)主體的一致性、偏好性和社交性是影響信貸違約的重要因子，從消費(fèi)個(gè)體畫像、消費(fèi)群體特征到消費(fèi)細(xì)分領(lǐng)域都離不開對(duì)多維視角下消費(fèi)者的微觀行為和選擇的研究，要想改善供給端產(chǎn)品質(zhì)量、服務(wù)水準(zhǔn)必須創(chuàng)造需求、挖掘需求。

3.融合傳統(tǒng)計(jì)量和數(shù)據(jù)挖掘技術(shù)是未來信用風(fēng)險(xiǎn)識(shí)別和評(píng)估的方向。長(zhǎng)遠(yuǎn)來看，大數(shù)據(jù)、云計(jì)算和互聯(lián)網(wǎng)等技術(shù)發(fā)展提供了海量的個(gè)體信用風(fēng)險(xiǎn)數(shù)據(jù)，如何擺脫數(shù)據(jù)驅(qū)動(dòng)、算法驅(qū)動(dòng)和數(shù)據(jù)至上理念，透過數(shù)據(jù)來挖掘隱含的理性經(jīng)濟(jì)行為人決策是未來的重要方向，由信用風(fēng)險(xiǎn)因子的相關(guān)關(guān)系向因果關(guān)系轉(zhuǎn)變，利用前沿的挖掘技術(shù)來推動(dòng)和發(fā)展消費(fèi)信貸理論，既可克服傳統(tǒng)計(jì)量的主觀性，又可為數(shù)據(jù)實(shí)驗(yàn)提供可靠的經(jīng)驗(yàn)依據(jù)和理論邏輯。

注釋：

① ?數(shù)據(jù)來源于《中國(guó)無線電管理年度報(bào)告（2018年）》。

② 數(shù)據(jù)來源于《中國(guó)互聯(lián)網(wǎng)發(fā)展報(bào)告（2019）》。

③ 由于消費(fèi)信貸數(shù)據(jù)一般涉及商業(yè)機(jī)密及道德問題，出于實(shí)際研究中數(shù)據(jù)獲得渠道的可得性、可靠性考慮，本文選用云南省的數(shù)據(jù)。

參考文獻(xiàn)：

[1]?Norden L， Weber M. Informational efficiency of credit default swap and stock arkets： the impact of credit rating announcements[J]. Journal of Banking & Finance， 2004， 28（11）：2813-2843.

[2] 遲國(guó)泰， 潘明道， 齊菲. 一個(gè)基于小樣本的銀行信用風(fēng)險(xiǎn)評(píng)級(jí)模型的設(shè)計(jì)及應(yīng)用[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2014（6）：102-116.

[3] 趙志沖， 遲國(guó)泰， 潘明道. 基于信用差異度最大的信用等級(jí)劃分優(yōu)化方法[J]. 系統(tǒng)工程理論與實(shí)踐， 2017， 37（10）：2539-2554.

[4] 張衛(wèi)國(guó)， 盧媛媛， 劉勇軍. 基于非均衡模糊近似支持向量機(jī)的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)估及應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐， 2018， 38（10）：66-78.

[5] Bekhet H A ， Eletter S F K . Credit risk assessment model for jordanian commercial banks： neural scoring approach[J]. Review of Development Finance， 2014， 4（1）：20-28.

[6] 付永貴， 朱建明. 基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用評(píng)估模型[J]. 中央財(cái)經(jīng)大學(xué)學(xué)報(bào)， 2016（8）：74-83.

[7] 肖會(huì)敏， 候宇，崔春生. 基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用評(píng)估[J]. 運(yùn)籌與管理， 2018，27（9）：112-118.

[8] Zhang Z L . Identification of credit risk of personal loan in commercial bank based on SVM[J]. Applied Mechanics and Materials， 2013， 281：682-687.

[9] 陸愛國(guó)， 王玨， 劉紅衛(wèi). 基于改進(jìn)的SVM學(xué)習(xí)算法及其在信用評(píng)分中的應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐， 2012， 32（3）：515-521.

[10]Namvar A， Siami M， Rabhi F， et al. Credit risk prediction in an imbalanced social lending environment[J]. 2018，11（1）：925-935.

[11]Zhang Z ， Cao M . Notice of ?retraction research of credit risk of commercial bank's personal loan based on CHAID decision tree[C].International Conference on Artificial Intelligence. IEEE， 2011.

[12]張奇， 胡藍(lán)藝， 王玨. 基于Logit與SVM的銀行業(yè)信用風(fēng)險(xiǎn)預(yù)警模型研究[J]. 系統(tǒng)工程理論與實(shí)踐， 2015， 35（7）：1784-1790.

[13]阮素梅， 周澤林. 基于L1懲罰Logit模型的P2P網(wǎng)絡(luò)借貸信用違約識(shí)別與預(yù)測(cè)[J]. 財(cái)貿(mào)研究， 2018（2）：54-63.

[14]Yang Y ， Shi X H . Personal credit risk measurement： bilateral antibody artificial immune probability model[J]. Systems Engineering-Theory Practice， 2009， 29（12）：88-93.

[15]Wekesa O A， Samuel M， Peter M. Modelling credit risk for personal loans： cox proportional hazards model approach[J]. Far East J.theor.stat， 2012， 40（2）：107-125.

[16]張潤(rùn)馳， 杜亞斌. 基于粒子群優(yōu)化聚類算法的多預(yù)測(cè)器信用評(píng)估模型[J]. 系統(tǒng)工程， 2017（10）：154-158.

[17]Zhang Y ， Chen L ， Zhou Z ， et al. A geometrical method on multidimensional dynamic ?credit evaluation[J]. International Journal of Information Technology & Decision Making， 2011，7（1）：103-114.

[18]Jing H， Yang W S. Structural design of dynamic credit evaluation system oriented multi-service principal[C].International Conference on Information Management，2012.

[19]Huang Q H， Sun J， Mao W D. Dynamic modeling on credit risk evaluation with fixed time window and imbalanced ensemble of support vector machine[J]. Recent Patents on Computer Science， 2012， 5（1）：51-58.

[20]張發(fā)明. 一種融合 SOM 與 K-means 算法的動(dòng)態(tài)信用評(píng)價(jià)方法及應(yīng)用[J]. 運(yùn)籌與管理， 2016（6）：186-192.

（責(zé)任編輯：寧曉青）