【互联网消费金融信用风险管理实证分析-以京东白条为例（附问卷）14000字】

互联网消费金融信用风险管理实证分析—以京东白条为例目录l引言 12相关理论概述 12.1互联网消费金融的概念 12.2信用风险概念 22.3相关基础理论 22.3.1信息不对称理论 22.3.2逆向选择风险 33京东白条信用风险现状分析 33.1京东白条简介 33.2京东白条商业模式 43.2.1业务模式 43.2.2业务流程 43.3京东白条信用风险控制研究 43.3.1京东白条信用风险影响因素分析 43.3.2京东白条现有信用风险控制措施 54基于logistic模型京东白条用户信用风险实证分析 74.1问卷调查 74.1.1借款人身份特征 74.1.2借款人财产状况 74.1.3借款人信用背景 84.2实证分析 94.2.1变量选择 94.2.2自变量回归分析 114.2.3模型稳定性检验 144.2.4实证结果分析 155结论与建议 165.1结论 165.2建议 165.2.1消费者要养成良好的信用消费习惯 165.2.2互联网金融平台应构建有效的风险防控体系 175.2.3健全征信体系，实现信息共享 185.2.4加大对失信行为的处罚力度 18参考文献 19附录A京东白条用户问卷调查 20l引言消费金融起源于发达国家，消费金融公司主要面向工作稳定且具有一定消费贷款意愿的个人客户。与其他金融公司相比，消费金融公司具有许多方面的优势：每一笔贷款额度比较小，审批手续简便，申请贷款额度时无需抵押品，服务方式灵活多样，贷款期限比较短。正是因为具备这些优势，消费金融公司近些年来受到消费者的欢迎。消费金融可以提高消费者的生活水平，进而提高国民消费水平，促进经济增长，在互联网的发展下，互联网消费金融已非常普遍，给消费群体广泛使用。我国传统银行出于对风险的防范，拒绝向一般消费者提供信贷服务，但互联网消费金融服务可以很好地弥补这一服务空缺，让消费者提前消费，拉动经济增长。但由于无需抵押无需担保的贷款方式，在我国目前互联网消费金融发展初期，信用体系建设还不够完善的情况下，互联网消费金融面临消费欺诈和信用违约等风险，直接威胁到互联网消费金融行业公司的发展。有报道显示互联网消费金融信贷的信贷不良率远远高于传统信贷。除资本雄厚的银行系和电商系（例如京东、苏宁、阿里巴巴）消费金融，互联网信贷端消费金融资金来源有限，不断恶化的贷款不良率将直接导致资金链断裂，进而出现倒闭危机，给我国消费金融市场的发展，乃至经济发展带来不良后果。因此研究互联网消费金融信贷风险显得迫在眉睫。但目前由于国内技术和相关理论研究有限，本研究可以对目前消费金融发展的情况分析，探寻我国消费金融的信用风险点，并为其提出信用风险控制措施，可以促进我国互联网消费金融公司的发展。2相关理论概述2.1互联网消费金融的概念消费金融广义可理解为与消费相关的所有金融活动，狭义可理解为满足居民对最终商品和服务消费需求而提供的金融服务。消费金融实质上是消费信贷，包括但不限于信用卡贷款、各种消费品贷款和服务性消费贷款（包括一次性的和分期的）等，同时少量涉及住房按揭贷款和车辆按揭贷款。按照这一定义，互联网消费金融是指通过互联网来向个人或家庭提供与消费相关的支付、储蓄、理财、信贷以及风险管理等金融活动。其具有如下优势：（1）政策优势。中国人民银行在1998年和1999年相继放开了个人住房贷款和汽车消费贷款的政策，以促进以商业银行为主导的金融机构开展消费金融业务。（2）技术优势。不同于传统消费金融模式，互联网消费金融模式可以借助互联网技术，打造“线上互联网+线下实体”的运行模式，通过场景的建立，增强客户粘性，还可以利用大数据技术对客户进行需求分析和细分，不断扩张消费金融市场，实现盈利。（3）可以更好地满足市场需求。随着我国居民生活水平的逐渐提高，消费需求也更加旺盛，8090后超前消费意识逐渐增强，接受新型金融产品的能力较强，传统的消费金融可能存在的信贷限制，无法满足现阶段消费者的消费需求，但互联网消费金融通过规则引擎、工作流引擎、自动征信、商家加盟的方式，实现借款业务的快速审批、智能风控、借款流程自定义等功能，满足消费金融公司快速、高效、便捷的借款业务需求。2.2信用风险概念2008年《信用风险管理》书中，作者赵晓菊提出所谓信用风险，是指在经济行为中参与经济行为的双方，由于没有执行事前前约定好的合约中所协定好的事项，或者由于当事人双方或经济行为中的商品发生变更，进而影响了原有的价值预期，从而带来了债权人或金融商品所有者产生所示的可能性。一般而言，根据其定义范围，有广义和狭义之分。广义信用风险指的是在经济活动的合约商定后，经济活动的当事～方没有按照约定好的条款执行而发生违约的可能。狭义的信用风险即信贷风险，指的是在信贷行为进程中，由于借款人的种种不确定原因而不能按照事先约定按时还贷或无力还贷，从而使得贷款人担负损失的可能性。2.3相关基础理论2.3.1信息不对称理论信息不对称是指信息在相互对应的经济个体之间有关事件的知识或概率分布成不均匀、不对称的分布状态，即对于交易对象或内容，交易一方所拥有的信息要多于交易对方的经济现象。它主要是指反映经济资源、主体行为在时空分布上的不均匀、不对等及相互联系着的事物间不协调等方面的信息。信息不对称理论由约瑟夫·斯蒂格利茨,乔治·阿克尔洛夫和迈克尔·斯彭斯于20世纪70年代提出，该理论认为，市场交易活动中，售卖的一方通常比购买的一方更为清楚商品的各类相关信息；信息相对丰富的一方利用向信息匮乏的一方输送可信的消息而从中获利；交易双方信息匮乏的一方会想尽办法从对方获得信息；市场信号显示在某种程度上能够补充信息不对称问题。信息不对称是市场经济普遍存在的不足和缺陷，为了减少由于信息不对称为引发的经济问题，政府必须在市场经济体系中发挥重要作用。在互联网消费金融中，金融机构和消费者之间也存在信息不对称问题，金融机构相比消费者更懂得金融产品的信息，但金融机构不清楚消费者的基本情况，比如还款能力、信用情况等，其将消费金融产品销售给消费者，会面临不能按时还款的风险。2.3.2逆向选择风险逆向选择风险是随信息不对称理论提出的一大理论，该理论由阿克洛夫于1970年提出，其当时在对旧车市场进行研究的基础上，发现了由于信息不对称而产生的逆向选择问题，即由于交易双方的信息不对称和市场下降产生的劣质品驱逐优质品或者是拥有信息优势的一方，在交易中总是趋向于做出尽可能地有利于自己而不利于别人的选择。在互联网消费金融活动中，以京东白条为例，逆向选择是指由于京东平台不能准确判断白条用户的信用状况，所以平台只能将用户假定不那么良好的借款人来看待，因此，这种判断下的利率自然要高于那些信用风险程度较低的用户的心理水平，使得这些优质用户不愿意借贷，而那些信用风险程度较高的用户能够接受该种利率水平，自然在平台申请贷款，这种情况下，优质用户退出，劣质用户进入，这就是电商平台消费金融的逆向选择。3京东白条信用风险现状分析3.1京东白条简介京东白条是京东商城在2014年2月上线的业内首款互联网信用支付产品，旨在为用户在购物时提供“先消费，后付款”、“30天免息，随心分期”服务。2015年，白条开始走出京东，以开放合作的姿态融入更多场景，为用户提供信用消费贷款。包括与银行携手打造的白条联名信用卡；与第三方商户合作提供打“白条”分期旅游、租房、装修、购车、教育等服务，并设有专门为校园和乡村人群提供的消费金融支持。作为一种互联网金融产品，京东白条的客户群体是主要是个人消费者，依赖于京东会员信用体系而存在。用户在京东平台上购买商品的时候，能够实现“消费在前、付款在后”的权益。用户在京东商城消费时可享受15000元的消费额信贷，最长还款期限为三十天，可采用二十四期分期付款。“京东白条”一经上线，就受到了京东商城内各类电子商务企业的积极利用，为消费者的消费提供了便利，极大地满足了消费者的金融消费需求。3.2京东白条商业模式3.2.1业务模式信用付款和信用赊购是京东白条的两种主要服务形式。（1）信用付款：贷款客户在京东平台消费的时候，贷款款项直接支付给和京东金融存在合作的商家。“信用付款”指满足京东金融贷款申请要求的客户在京东平台消费时可享受分期付款或延后付款的权益。就信用付款而言，上海和丰永讯和重庆盛际小额信贷公司，二者是信用付款形式的主要服务商。（2）信用赊购：作为一种赊购方式，不同于信用付款。用户和京东商城直接关联，贷款人无需参与其中。“赊购付款”指客户在京东消费电商平台消费时，以平台制定的规则和申请流程为前提，在京东金融所供给的延后或分期付款服务支撑下，形成的特殊付款方式。京东世纪信息公司和与宿迁钧腾信息相关的公司是还付款方式的主要服务商。3.2.2业务流程重庆盛际小贷公司和京东金融合作机构在信用付款形式下为用户提供贷款服务与支持，用户消费产品或服务的时候，京东合作商家会收到贷款人所付的钱款，用户所享受到的分期或延期付款服务则来自于贷款人。此种情况下，直接性的资金往来在用户和京东合作商家间是不存在的。信用赊购形式下，用户没有享受到小额贷款公司的贷款支持，交易关系发生并存在于用户和北京京东世纪信息公司与其有关贸易公司之间。这种模式下的信用风险除借款人信用风险外，还包括合作商户信用风险和合作信贷公司信用风险。而信用赊购模式主要存在于京东商城自营商品交易情境，这种模式下的信用风险相对比较简单，包括借款人信用风险和平台信用风险。3.3京东白条信用风险控制研究3.3.1京东白条信用风险影响因素分析京东白条信用风险影响因素主要来源于京东白条的客户和平台，产生于这些客户的信用特征、平台风险防控能力、行业内部规范、宏观环境因素等方面中。（1）用户信用特征。用户信用特征主要包括用户的身份信息（实名注册、学历水平，社会身份、居住地址等）、社交情况、信用履行情况、行为习惯以及个人资产等方面。（2）平台风险防控能力。京东平台对风险防范能力的高低也会影响到京东白条的信用风险大小，如果平台对用户的审核更加严格，而且评估审核能力更强，逾期催收成功率越高，对客户逾期的处罚越严重，平台信用风险相对较小。（3）行业内部规范。京东平台还没有建立完善的统一征信体系，无法有效评估用户真实性，评估工作主要依赖于平台自有征信体系，无形中增加了信用风险。同时，平台没有实现行业数据共享，不能有效披露违约用户信息，不具备严格规范的行业监管机制，极容易引发过度授信的问题发生，导致信用风险居高不下。（4）外部宏观环境因素。一是整体信用意识不强；二是科技水平急剧提升；三是有关法律机制比较欠缺和落后，违约成本不高，这都使得平台防控信用风险的难度较大。3.3.2京东白条现有信用风险控制措施京东白条在信用风防控方面主要采取了如下措施：（1）涉及长尾依赖场景的服务模式。京东白条充分融合了消费金融和消费场景，面对长尾客户，通过在平台的注册信息和购物历史记录，通过大数据算法，筛选出优质客户，并利用各种消费场景，能够精准及时把握用户的贷款动向、资金情况和违约风向，加强对资金流的监督管理，在满足短期资金不足消费者的即期消费需求的同时也实现了京东平台用户的开发和业务拓展，促进了商城收入总值的极大提升。（2）依托于大数据开展贷前评估。首先，初始发展阶段，京东平台会预先选择一些白名单客户作为其白条业务的目标客户，以大数据分析和前置的风险评判为支撑，对京东商城用户进行开通邀请。然后利用京东大数据平台对用户的购买力和稳定性进行深度挖掘和分析，构建用户画像，依次为依据筛选优质客户，并将其纳入到白名单中，使使其有先购物后付款消费权益。其次，获取庞大海量的数据，主要包括台自身累积的各类基本数据、金融活动数据、专业公司提供数据三种，实现对用户的精确刻画。再次，依靠创新的算法和稳定模型。京东评估白条客户的信用风险时，主要以互联网大数据建模技术为支撑，彻底摒弃以往银行的逻辑回归方式，对弱分类组合预测模型进行重点运用，对数据不足、多角度和非结构化等问题进行解决，使得画像结果更加准确。最后，加强动态信用评分管理。京东小白信用的满分是110分。京东平台数据大部分来源于用户身份、行为习惯，资产总值，社会角色和信用状况等多个维度，然后在大数据算法辅助下，综合评判用户信用水平，最后再以小白信用分值为主要依据，对白条用户进行审批、授信。如果用户出现违约行为，小白分就会下降，白条额度就会降低乃至冻结，如果用户的信用记录一直较好，小白分会不断增加，白条额度也会相应上调。（3）依据客户网络行为进行贷中监测首先是自主研发高效的风控模型。小额消费信贷套现行为在贷中发生的概率相当高，很多图谋不轨的商家和客户或借此机会实施自己套现的操作，极大地损害了消费金融服务商的正当利益。为了防止消费金融服务商的正当利益受损，京东金融凭借现有专业技术人才，在大数据，云计算等新型网络技术的支撑下制定了较强的风险管理系统，这些系统有着不同的功能：比如“天网系统”对风险订单进行拦截、“天盾系统”对欺诈风险进行防范、“天机系统”对信用数据进行实时分析、“天策系统”对风险决策进行实时规划。其次，建立分期还款追踪制度。分期还款制度作为一种贷款管理方式，其核心理念是“现金流管理"，京东白条额度一般处于3000至6000元这个区间内，额度上限为15000元，与众多平台相比，额度并不高，在分期还款模式下，消费者每月还款压力并不大，客户无力偿贷的违约风险相对较低。在分期还款制度下，用户应该对消费额度按时，足量偿还，如果出现还款不及时的问题，京东金融会对客户的信贷违约风险进行精准预判，立即中断客户剩余额度的发放。（4）围绕逾期本息的贷后追偿一是惩罚追偿制度。以白条信用风险的规避为目的，京东针对消费者无法及时偿贷问题制定了违约金惩罚规则，当前阶段，除了从用户绑定的银行卡直接扣除外，还有按照万分之五的比例按日收取违约金，借此来对消费者形成及时还贷的刺激。通常情况下，客户处于逾期追偿的早期阶段时，京东往往会借助于强制扣款，短信，电话提醒催收等方式，假若联系不到客户，或者客户恶意违约，京东将采用委托催款或法律诉讼等强硬手段进行本金和利息的追偿。二是基于算法模型对逾期账户进项划分。与传统金融机构相比，京东的本息追偿方式并没有什么特别之处，然而京东金融对逾期账户进行类别划分的时候，对“司南”风险控制体系中的催收评分模型进行了重点运用，详情可参看下表，该模型以逾期时间和工作量为依据，对逾期账户进行A、B两种类别的划分，前者以提醒为主，后者以催收为主。逾期短于90天的账户，不存在高风险迹象的账户，系统将其划归到逾期提醒范畴，对于此类账户，主要进行内部催收，同时辅之以外部催收手段。逾期远超90天，或逾期不超过90天但高风险迹象明显的账户，系统将其划分到逾期催收范畴，委托专业催收公司进行账户欠款追偿。4基于logistic模型京东白条用户信用风险实证分析4.1问卷调查鉴于京东白条的用户信息属于商业机密，无法直接获得，为了获得白条用户相关信息，本研究采取了问卷调查的方式。首先，根据借款人信用风险影响因素，进行了问卷设计，问卷包括三方面内容，分别是借款人身份特征、借款人财产状况、借款人信用背景。本研究向京东白条用户共发放了500份问卷，回收问卷475份，其中，有效问卷为448份，回收率和有效率分别为95.0%和89.6%。这些用户大多是企事业单位在职员工、白领、大学生等，其消费行为习惯较为一致，使得调查样本具备较强的代表性。回收问卷后，对问卷结果进行汇总分析。4.1.1借款人身份特征根据表4.1所示：从性别来看，调查样本中男性269人，女性231人，分别占数据样本的53.8%和46.2%；从教育程度来看，调查样本中大专及大专以下24人，本科314人，研究生及以上162人，分别占数据样本的4.8%、62.4%、32.8%；从年龄来看，调查样本中22-30岁，308人，31-35，136人，36-40岁，27人，41-45岁，29人，分别占数据样本的61.6%、27.2%、5.4%、5.8%。表4.1问卷调查样本借款人身份特征统计表（N=448）调查方向调查问题调查结果数量占比白条用户身份特征性别男24354.2女20545.8年龄22-30岁255.631-35岁26058.036-40岁14231.741-45岁214.7教育程度大专及以下27461.2本科13931.0研究生及以上357.84.1.2借款人财产状况根据表4.2所示，从月收入来看，调查样本中5000元以下的用户占13.8%，5000-10000元的用户占51.8%，10000元以上的用户占34.4%；从月均白条消费额来看，调查样本中，2000元以下的用户占33.5%，2000-3000元的用户占48.2%，5000元以上的用户占18.3%；从白条使用频次来看，调查样本中小于1个月1次的用户占38.4%，1个月l到3次的用户占50.7%，1月4次及以上的用户占10.9%。表4.2问卷调查样本借款人财产状况统计表调查方向调查问题调查结果数量占比白条用户资产状况月收入5000元以下6213.85000-10000元23251.810000元及以上15434.4月均白条消费额2000元以下15033.52000-3000元21648.23000元及以上8218.3月使用消费金融产品频次小于1次17238.41-3次22750.74次及以上4910.94.1.3借款人信用背景根据4.3所示，对消费金融产品的了解程度来看，了解、不太了解、不了解的用户分别占62.2%、35.9%、1.9%；从小白分来看，50-60分的用户占10.3%，60-70分的用户占3.8%，70-80分的用户占6.7%，80-90分的用户占14.7%，90-100分的用户占64.5%；从履约历史来看，有过白条逾期的用户占8.9%，未曾白条逾期的用户占91.1%。表4.3问卷调查样本借款人信用背景统计表调查方向调查问题调查结果数量占比白条用户信用背景对消费金融产品的了解程度了解27962.2不太了解16135.9不了解81.9京东白条信用分50-60分4610.360-70分173.870-80分306.780-90分6614.790-100分28964.5白条逾期历史逾期408.9不逾期40891.14.2实证分析在之前问卷调查结果的基础之上，为了找到对京东白条用户信用分险的显著因素，实证分析将以调查结果为依据，构建logistic回归，利用SPSS软件，对上述京东白条用户信用风险因素进行逐一验证4.2.1变量选择借款人信用风险影响因素有很多，但是大都来源于借款人自身，根据对国内外各类关于互联网消费金融信用风险的研究，将借款人信用风险分为借款人自身客观条件、借款人还款能力、借款人历史表现三类。本文结合前几章中对京东白条信用风险影响因素和京东白条信用评分的主要内容，将变量设置为：1、自变量（1）白条用户自身客观条件包括：包括性别、年龄、教育程度。（2）白条用户还款能力包括：月收入、月均白条消费额、月使用白条频次。（3）白条用户历史表现包括：对消费金融产品的了解程度、白条信用风2、因变量白条客户是否逾期为因变量，逾期为1，未逾期为0。（1）性别。性别划分为男性和女性，调查结果显示有过白条逾期记录的男性有22人，女性18人，多于女性，推断男性的信用风险要高于女性。（2）年龄。根据调查对象为已参加工作的人员，故将年龄划分为22-30岁、31-35岁、36-40岁、41-45岁四个档次，调查结果中有过逾期记录的用户，这三个年龄段的逾期客户分别有25人、12人、3人，推断年龄与信用风险成正相关性，随着年龄的增长，个人阅历、学识、财富都会增加，因此信用风险就会降低。（3）教育程度。调查对象为国企或事业单位在职员工，把学历划分为大专及以下、本科、研究生或以上三个档次，调查结果中有过逾期记录的用户，这三个学历层次的逾期用户数分别为20人、18人、2人，可见，随着教育程度的增高，信用风险降低。（4）月收入。借款人的月收入直接反映着借款人的还款能力，其收入如越高，还款能力就越高，信用风险就越小。把月收入分为5000元以下、5000-10000元、10000元以上三个档次，这三档收入的用户数分别为30人、8人和2人，可见，随着月收入的提升，信用风险降低。（5）月均白条支出额。借款人收入一定的前提下，如果支出越多，还款压力就越大，那么他发生信用风险的概率就越高。根据收入与支出的合理比例，分为1000元以下、1000-3000元、3000元以上三个档次，这三个档次的逾期用户数量分别为31人、8人和1人，可见，随着月均白条支出额的增加，信用风险降低。（6）使用频次。即白条用户目前使用白条频次，本文分小于1月1次、1月l到3次、1月4次以上三个档次。这三个档次的逾期用户数量分别为2人、8人、12人和18人，可见，白条使用频次越高，过度消费的可能就越大，就越容易产生违约。（7）对消费金融产品的了解程度。本文分为不了解、不太了解和了解三个档次。用户对消费金融产品的了解程度与借款人还款意愿有着直接关系，因为越了解消费金融产品，对逾期违约的危害也就越了解，那么借款人的还款意愿就越强。（8）京东白条信用分。小白信用分是对白条用户信用情况的综合评估，根据平台小白分的打分现状，分为50-60分、60-70分、70-80分、80-90分、90-100分三个档次。（9）是否有过白条逾期行为。这个变量为因变量，在模型中代表白条用户发生逾期风险的概率。表4.4自变量转化处理自变量影响因素转换后取值白条用户自身客观条件性别男性：X1=1；女性：X1=0年龄22-30岁：X2=1，X3=0；X4=031-35岁：X2=0，X3=1；X4=036-40岁：X2=0，X3=0；X4=141-45岁：X2=0，X3=0；X4=0教育程度大专及以下：X5=0，X6=0本科：X5=0，X6=1研究生及以上：X5=0，X6=0白条用户还款能力月收入5000元以下：X7=1，X8=05000-10000元：X7=0，X8=110000元及以上：X7=0，X8=0月均白条消费额2000元以下：X9=1，X10=02000-3000元：X9=0，X10=13000元及以上：X9=0，X10=0月使用消费金融产品频次小于1次：X11=1，X12=01-3次：X11=0，X12=14次及以上：X11=0，X12=0白条用户历史表现对消费金融产品的了解程度不了解：X13=1，X14=0不太了解：X13=0，X14=1不了解：X13=0，X14=10京东白条信用分50-60分：X15=1，X16=0；X17=0，X18=060-70分：X15=0，X16=1；X17=0，X18=070-80分：X15=0，X16=0；X17=1，X18=080-90分：X15=0，X16=0；X17=0，X18=190-100分：X15=0，X16=0；X17=0，X18=0是否发生过逾期是：X19=1；否：X19=04.2.2自变量回归分析（1）这一步通过软件二元回归选项，是否发生逾期为因变量，其余为自变量，对自变量进行显著性分析和筛选，得到显著性结果如下表4.5。可见，在5%的显著性水平下，年龄、教育程度、月收入、月均支出额、白条使用频次、白条信用分对用户是否违约发生的概率影响显著，而性别和对消费金融产品的了解程度的影响并不显著，因此最终显著的因素，进入logistic模型的自变量为年龄、教育程度、月收入、月均消费额、使用白条频次及白条信用评分。表4.5自变量显著性检验表自变量B标准误差瓦尔德显著性Exp(B)性别1.079.9191.368.2382.938年龄-2.220.7389.021.003.110教育程度-.261.559.209.0184.631月收入-3.5411.01012.298.000.030月均消费额1.749.6517.299.0065.779使用白条频次2.968.703.748.011.551对消费金融的了解程度.590.711.667.4101.801京东白条评分-1.110.4495.968.0166.329（2）对各分变量进行回归模型检验，模型拟合检测如表4.6所示。可见模型的考克斯.斯奈尔R方和内戈尔科R方分别为0.461和0.670，都大于0.4，且.2的对数似然值为29.103，有足够小，可得出模型拟合度良好。各分变量的显著性回归结果表6.7所示。表4.6模型检测结果-2对数似然考克斯-斯奈尔R方内戈尔科R方29.103.461.670表4.7模型显著性检验表自变量定义B标准误差瓦尔德显著性Exp(B)X222-30岁是取1否取0.4601.029.196.0511.602X331-35岁是取1否取0.769.959.640.4182.161X436-40岁是取1否取0-1.2581.420.803.369.279X5大专及以下是取1否取0-4.8491.41111.901.001.009X6本科是取1否取0-1.838.54910.971.000.161X7月收入5000元以下是取1否取0-2.7371.1405.819.015.059X8月收入5000-1000元是取1否取0-2.9311.0787.320.006.068X9月均白条消费额2000元以下是取1否取03.0981.3515.307.019.051X10月均白条消费额2000元-3000元是取1否取03.1511.1597.319.005.046X11月使用白条频次小于1次是取1否取02.339.8507.703.00710.4001X12月使用白条频次1-3次是取1否取03.770.8599.071.0026.702X15小白分50-60分是取1否取011.3281.46159.400.00082971.791X16小白分60-70分是取1否取06.8401.10140.001.000928.054X17小白分70-80分是取1否取05.520.96932.298.000250.374X18小白分80-90分是取1否取04.803.82833.360.000121.401常量-9.4981.42145.011.000.观测样本：500个2.考克斯.斯奈尔R方：0.4613.内戈尔科R方：0.370根据以上系统输出结果，我们得到白条客户信用风险的logistic回归方程为：In(p/1-p)=-9.498+0.460X2+0.769X3+1.258X4-4.849X5-1.838X6-2.737X7-2.931X8+3.098X9+3.151X10+2.339X11+3.770X12+11.328X15+6.840X16+5.520X17+4.803X184.2.3模型稳定性检验当448个样本数据全部带入模型，模型检验结果如下所示：表4.8样本内数据模型检验表已观测已预测百分比校正逾期01步骤1逾期0404489.73183272.3总百分比96.6a.切割值为.500上表可以发现，在408个履约客户样本中，其中有4人预测错误，预测准确率为99.1%，在40个违约客户样本中，有8人预测错误，预测准确率为80.0%，模型整体预测准确率为96.6%，可见模型基本准确。为了进一步验证模型的准确性，通过随机的方法，再次获得样本外的50份调查问卷，将问卷结果带入模型，得到以下检验结果：表4.9样本外数据模型检验表已观测已预测百分比校正逾期01步骤1逾期039490.712571.4总百分比88a.切割值为.500上表可以发现，在43个履约客户样本中，其中有4人预测错误，预测准确率为90.7%，在7个违约客户样本中，有2人预测错误，预测准确率为71.43%，模整体预测准确率为88%。通过对样本内和样本外的数据检验，基本可以判定模型准确，预测结果理想。4.2.4实证结果分析通过上述实证可得，京东白条用户物理属性、经济特征及信用情况都对信用风险有着显著影响。（1）京东白条产生信用风险受到借款人物理特征的影响。通过上述实证结果，只有22-30岁的区间通过了显著性检验，这说明该年龄段用户更容易违约，这是因为这个年龄段的用户大多是刚参加工作，缺乏储备资金，而且消费欲较为旺盛，有了一点收入后就开始冲动消费，不能合理做好消费规划。大专及以下学历违约概率最高，随着学历的升高，违约概率逐渐降低，研究生及以上的违约概率最低。（2）京东白条产生信用风险受到借款人经济特征的影响。收入越高履约概率就越高，月均白条消费额越高，违约概率就越高，月均白条使用频次越低，违约概率也就越低，主要是因为在收入一定的前提下，月均消费额和使用频次越高，会对按时足额还款产生了一定的影响，也就会增加违约概率。（3）京东白条产生信用风险受到评分机制的影响。实证结果表明，小信用分全部通过显著性检验，系数逐渐降低，因此小白信用分对用户逾期发生的概率有着很大的影响，信用评分越高，发生违约的概率就越低，且50-60分这个区间的用户极易发生信用风险，这远高于其他用户，可见信用分越低，其信用风险发生概率就越大。这说明京东白条的评分是基本准确的，这主要是因为其特殊的评分机制，它实时更新广泛海量的用户数据，多维度的对用户进行画像，并且通过运算模型，对可能发生违约的行为，提前预警或实时跟踪，对用户信用评分进行动态管理。结合以上logistic回归模型计算结果，建议京东白条在信用风险控制上，一是要继续推进大数据生态的布局，以风控模型最底层的“造纸体系”数据征信模型为基础，从个人资产评估、身份特征评价、信用履约历史采集、用户行为特征偏好乃至用户关系网络属性，不断深入识别、挖掘、描画用户，实现科学化地用户信用评估和精准地筛选甄别。二是要不断升级风控系统，继续扩大风险控制工作覆盖的宽度和深度，在白条账户注册、激活、上线、交易、信息修改等各个环节，“四大发明”数据模型和以它为基础构建的四大风控系统，都能够对每个用户的每一次行为进行后台安全扫描，实时分析计算，准确识别恶意行为及高风险账户，并第一时间部署风险决策，实现涵盖整个交易流程的实时、全面、准确的风险控制。三是要构建平台逾期违约失信名单，有效记录违约逾期行为，对失信用户信息有限披露。目前，京东金融已经实现与互联网金融信息共享平台的对接，此外，还可通过建立线上个人信用行为信息与线下个人金融交易信息、公共服务信息等各种信息的共享制度，加大对违约逾期行为的披露和处罚力度。5结论与建议5.1结论当前，我国互联网消费金融正在如火如荼地发展着，其相比传统消费金融的优势更为明显，因此受到了很多消费者的青睐，但是金融本身意味着风险，互联网消费金融作为一种新生的经济生态，更是面临较多的不确定性，信用风险就伴随着互联网金融的发展而出现，需要加强对信用风险的防范，本文以京东白条为例，对其用户信用风险控制措施进行了分析：首先对互联网消费金融现状、电子商务平台信用风险的成因进行定性分析，然后总结国外互联网消费金融信用风险控制的经验，再次对京东白条的商业模式、信用风险特点、风控措施进行分析，通过logistic得到京东白条用户的年龄、教育背景、收入、月均白条消费额度、白条使用频次和小白信用分都可作为影响京东白条客户是否逾期的解释变量，且小白信用分的显著性最高的结论。最后在实证分析结果的基础上，对京东平台和电商平台消费金融行业提出具有针对性、可行性的建议。5.2建议5.2.1消费者要养成良好的信用消费习惯先对互联网金融机构来说，用户的很多信息无法被这些机构充分知晓，尤其是其信用情况，这就导致这些互联网金融机构向其提供信贷服务方面面临着不少的信用风险，这是我国信用体系不健全的情况下无法避免的，需要我们消费者加强自觉性，自觉培养良好的消费习惯。一方面，消费者要积极履约，按时还款，是解决信用风险最直接、最有效的手段，因此消费者要在信用消费中诚实守信，按时履约。在申请消费信贷时，要提供真实的身份证明材料和其他需要提供的信息，不能投机取巧，冒用他人身份信息或伪造个人相关信息。获得消费信贷后，消费者应积极履行借款人义务，按照约定时间或期限还款，不逾期，不欠款，不投机取巧。此外，还要树立合理消费的观念，理性消费，避免由于过度消费带来的沉重的还款压力，乃至无力偿还。另一方面，互联网金融平台也要倡导并鼓励消费者按时还款，广泛宣传个人信用的重要性及违约带来的不良影响，同时还可以使用各种手段，不断促进消费者积极履约，比如将服务费率或分期手续费率与信用等级联系起来，根据信用评级，信用等级越高，费率就越低。或者不断丰富信用等级的应用场景，根据信用等级的不同，提供不同的服务场景，引导消费者积极履约，提高自身信用等级。5.2.2互联网金融平台应构建有效的风险防控体系互联网金融平台要想更好地进行风险防范，需要从各个环节做好风险防范工作，从如下几方面来构建有效的风险防控体系：（1）贷前环节贷前环节就是收集和整合信息的过程，直接影响后续贷款的批准和额度认定。互联网金融平台一是要跳出原有的信息闭环，丰富扩大用户各类信息，如学历、资产及抵押情况、贷款用途等各类信息，同时对重要信息如身份信息、资产证明等在原有的大数据计算、系统识别的基础上加入人工审核。二是要设置评估等级和风险警示标志，通过搜集、总结、比较用户的各类信息，进行计算后对用户给出量化的信用评价，为贷中环节审核批准和额度的授予提供必要依据，同时对于一些风险系数较高的劣质用户，设定风险警示标志，防止产生不良贷款。三是引入第三方信用评估机构，各平台要尽快与人民银行征信系统实现对接，同时还可以利用现有的征信公司如上海资信有限公司的互联网金融征信系统(NFCS)全方位的了解采集数据，降低由于贷前评估引发的信用风险。（2）贷中环节互联网金融平台要实现贷款的实时跟踪与监测，通过应用大数据、人工智能、云计算等新技术和新手段，实现对在线交易的欺诈和可疑虚假账户识别，并进行后续的预警和调查，与此同时，还要对风险交易进行二次的审核，对借款人账户进行实时的监管防控，使得企业能够有效防范和控制贷中风险，如：欺诈交易、恶意套现等。同时，平台还要对额度内的交易进行风险判定、以借款人为核心关系人为网络，通过对借款人的交易行为、还款行为、设备使用行为等各方面关键信息项的交叉侦测，提前发现风险，进行预警并对借款人账户进行时时管控，比如采取冻结额度、止付、提前转入催收、加入黑名单、加入灰名单等管控措施，有效控制贷中风险。（3）贷后环节贷后管理作为控制风险和防范不良贷款发生的重要环节，对于平台的可持续发展起着至关重要的作用。平台要进一步完善催款和逾期处罚方式，通过提高客户的违约成本能够在一定程度上降低违约率，如：增加征信上报通道；提供联系人(亲戚、朋友)协同还款；通过仲裁决议限制借款主体出行自由等；通过行政官方途径进行追偿等。5.2.3健全征信体系，实现信息共享当前，我国的征信体系不够完善，信息不对称的问题较为严重，需要从如下几方面做好征信体系建设：一方面，信用的采集依赖个人信用的评价，行业内要加快征信标准化的建设，对用户设置规范的个体特征和信用特点的识别标准，使得用户信用的评估能够具有唯一性，同时，对行业内的各个平台设定统一的信用评估标准，使得平台对用户信用的评估办法能够具有一致性。另一方面，构建行业间信息共享平台，通过对共享数据的分析，识别欺诈、多头借贷、过度负债、逾期违约等高风险行为，有效降低信用风险、解决坏账隐患。目前，我国已经成立互联网金融信息共享平台，爱钱进、陆金所、京东金融等行业内知名企业已经率先与平台对接。5.2.4加大对失信行为的处罚力度不断完善现有与互联网消费金融有关的法律法规，同时根据互联网金融平台特点，修订与其适应的新的法规政策，通过法律的规范及震慑，有效减少失信行为。对失信行为，可以公布失信名单，或是限制购买机票、火车票、提高税率等办法，加大对失信行为的处罚。参考文献[1]周南.中国互联网消费金融创新研究——以"京东白条"为例[J].商,2014(29):1.[2]李子涵.浅析电商平台下的