我国网络借贷平台用户二次借贷影响因素研究

我国网络借贷平台用户二次借贷影响因素研究摘要2015年“互联网金融”首次纳入最具指导意义的中央五年规划，在政府和和市场的双重支持下，互联网金融发展将是金融行业未来发展的重点。P2P网络借贷作为互联网金融重要组成部分，截止于2018年12月，我国共计P2P网络平台运营数量为6555家。但也有不少网络借贷平台陷入生存困境，其主要原因是平台自身经营成本高，线上线下推广成效低，为解决平台推广成效低问题，网络借贷平台需要利用自身优势针对用户行为信息进行分析和预测，了解客户需求，量身定制营销策略。网络借贷平台二次借贷影响因素研究有利于网络借贷平台对用户是否再次贷款构建预测模型，从而降低经营成本，加强线上线下推广成效，有利于提高其盈利能力。本文以网络借贷平台二次借贷影响因素为目标，结合网络借贷和精准营销理论，提出精准借贷这一策略，并对精准借贷流程进行大概描述。其次基于“人人贷”即时数据，选取包含个人特征、信用特征、借贷标的特征共14个变量，提出研究假设，首先对数据进行分类赋值，再进行描述性统计分析，紧接着分别运用二元logistic回归模型和决策树模型对P2P网络借贷平台用户二次借贷影响因素进行实证分析，再对logistic回归模型和决策树模型结果作分析总结。最后，在理论与实证研究的基础上，提出网络借贷平台精准借贷相关建议。关键词：网络借贷，二次借贷预测，精准借贷，因素研究，logistic回归

AbstractIn2015,"Internetfinance"wasincludedinthemostinstructivefive-yearplanofthecentralgovernmentforthefirsttime.Withthesupportofthegovernmentandthemarket,thedevelopmentofInternetfinancewillbethefocusofthefuturedevelopmentofthefinancialindustry.AsanimportantpartofInternetfinance,P2Ponlinelendinghasreached6,555asofDecember2018.Buttherearealotofsurvivaldifficultiesforlendingtonetworkplatform,themainreasonisplatformitselfbusinesscostishigh,theonlinepromotioneffectislow,tosolvetheproblemoflowplatformpromotioneffect,thenetworkcreditinformationplatformneedtousetheirownadvantagesinviewoftheuserbehavioranalysisandforecast,understandcustomerneeds,customizedmarketingstrategy.Theresearchontheinfluencingfactorsofthesecondarylendingofonlinelendingplatformsisconducivetotheconstructionofpredictionmodelsforwhetheruserslendagainbyonlinelendingplatforms,soastoreduceoperatingcosts,strengthenonlineandofflinepromotionandimprovetheirprofitability.Thispaperaimsatinfluencingfactorsofsecondarylendingononlinelendingplatforms,combinesonlinelendingandprecisionmarketingtheory,proposesthestrategyofprecisionlending,androughlydescribestheprocessofprecisionlending.Secondlybasedonthe"borrowed"real-timedata,theselectioncontainspersonalfeatures,credit,lendingtargetfeaturesatotalof14variables,putforwardtheresearchhypothesis,thefirsttoclassifydataassignment,thendescriptivestatisticalanalysis,andthenrespectivelyusingbinarylogisticregressionmodelandthedecisiontreemodelforP2Plendingplatformusersecondaryborrowingtheempiricalanalysis,thefactorswhichinfluencetotheresultsoflogisticregressionmodelanddecisiontreemodelfortheanalysissummary.Finally,onthebasisoftheoreticalandempiricalresearch,thepaperputsforwardrelevantSuggestionsonprecisionlendingofonlinelendingplatforms.Keywords:onlinelending,secondlendingprediction,preciselending,factorstudy,logisticregression

目录摘要 [23]。（2）决策树模型优缺点 决策树优点有：第一，决策树方法简单直观，生成的决策树很直观；第二，决策树模型既可以处理离散值也可以处理连续值。很多算法只是专注于离散值或者连续值；第三，决策树可以处理多维度输出的分类问题，可以交叉验证的剪枝来选择模型，从而提高泛化能力；第四，决策树模型对于异常点的容错能力好，健壮性高。而决策树缺点有：第一，对连续性的字段比较难预测，适用类别少，否则类别过多会导致错误率较高；第二，决策树不适合特征关联性比较强的数据计算

第3章研究设计3.1数据选取“人人贷”公司成立于2010年5月，是中国早期成立的网络借贷信息中介服务服务平台之一，其主打个人借贷，信息披露较为透明。根据网贷天眼数据显示，截止至2019年3月13日，人人贷2月份贷出64.31万笔借款，当前具有36.20万人出借，60.92万人借款。由此可见“人人贷”借贷参与人数较为庞大，数据具有一定程度的代表性，为本文网络借贷平台用户二次借贷预测研究提供真实有效数据支持，因此本文将选取“人人贷”真实交易数据作为研究对象。基于“人人贷”官网在独立的页面上有储存每一笔借贷信息，这些信息包括了借款标的基本信息，借款人信息和借款申请最新动态。通过数据获取，中国网络借贷“人人贷”2018年1月份借款人的借贷信息，剔除成功借款次数为0的样本，共获取有效样本23338个。3.2变量选取及赋值根据前期文献综述，借款人个人特征、信用特征、借贷特征信息与违约率相关，因此猜测借款人二次借贷也与个人信息、信用特征、借贷特征信息相关。所以以是否二次借贷（借款成功次数）为因变量，以借款人特征信息（性别、年龄、受教育程度、婚姻状况、月收入、工作类型、工作时间、公司规模），借款标的特征（借款金额、借款利率、还款期限）和信用特征（信用等级、信用额度、逾期次数）这三类信息为自变量共14个变量，对变量进行处理、赋值。其中年龄、信用额度、逾期次数、逾期金额、借款金额、借款利率、还款期限均为连续变量，均已具体数值出现。表3.1网络借贷平台用户二次借贷预测变量及其赋值信息分类指标名称介绍变量赋值个人特征性别根据有关文献，借贷人性别也会影响借贷结果，因此将借贷人的性别作为参考变量，且为名义变量男=0女=1年龄借贷人年龄无受教育程度根据有关文献，借贷人受教育程度也会影响借贷结果，因此将借贷人受教育程度作为参考变量，且为名义变量高中及以下=0大专/本科=1研究生及以上=2婚姻状况根据有关文献，借贷人婚姻状况在一定程度上也会影响借贷结果，因此将借贷人的婚姻状况作为参考变量，且为名义变量在婚=0不在婚=1月收入借款人每月实际收入5000元以下=05000-10000元=110000-20000元=220000元以上=3工作类型借款人所从事行业类型网商=0工薪阶层=1私营企业主=3工作时间借款人工作时间长度及工作时段1年以下=01-3年=13-5年=25年以上=3公司规模借款人所在的公司规模大小10人以下=010-100人=1100以上=2信用特征信用等级用户的信用额度是在通过人人贷审核员对所提供材料的审核后获得的，既是借款人单笔借款的上限也是借款者累积尚未还清借款的上限。通常来讲借款人信用等级越高，其相应的费用越低，相应的借款成功率越高。目前信用等级由高到低分为AA、A、B、C、D、E、HR。HR=0E=1D=2C=3B=4A=5AA=6信用额度用户的信用额度是在通过人人贷审核员对所提供材料的审核后获得的，既是借款人单笔借款的上限也是借款者累积尚未还清借款的上限。单位：（千）逾期次数指借款用户未按协议约定时间进行足额还款被标记为逾期的次数。无借款标的特征标的金额借款人申请借贷的总金额单位：（千）借款利率指借款申请人为了获得借款而愿意支付给理财人的年化利率无还款期限借款人与p2p平台约定还本付息的期限无3.3研究假设3.3.1个人特征信息与二次借贷率之间相关关系在借款人个人特征信息包括性别、年龄、受教育程度、婚姻状况、月收入、工作类型、工作时间、公司规模。根据生命周期理论认为，消费者在一定的生命周期阶段会根据个人或家庭的需求，维持一定的消费水平，但个人的收入是不断变化的，因此在收入已不能满足消费的情况下，消费者会在不同的生命周期阶段采取不同的消费和借贷策略。而随着年龄增长，消费者的风险倾向与抗风险能力也会随之改变。Aeminger,（1997）发现年龄较大者相对于年龄较小者的责任感、抗风险能力、还款能力都更强因此猜测年龄越小越会进行二次借贷。因此本文假设：H1：年龄与二次借贷率呈负相关而“受教育程度”对于消费者的也具有一定的影响，受教育程度越低的人，过度负债的机率更大，即更有可能进行二次借贷。教育水平会在很大程度上影响甚至决定借款人的行为，所以本文认为：H2：受教育程度与二次借贷率呈负相关婚姻状况往往会影响个人消费负债，Dinh&Kleimeier(2007)发现已婚借款人偿还借款的可能性低，因为已婚借款人家庭负担更重，经济压力更大，所以借款人会因责任感更不会选择增加家庭负担的借贷行为，所以本文认为：H3：单身（包括离异）借款人与二次借贷率呈正相关经济收入是反映借款人生活水平的重要指标之一，根据恩格尔系数理论，个人收入越高，其非食物支出比例越大，这即意味着个人在娱乐、购物等方面支出更大，则资金支出越高，更容易选择借贷策略。因此本文认为：H4：月收入与二次借贷率呈正相关借款人所处行业不同，风险也不相同。Baesensetal(2011)发现农业收入最稳定，而服务行业最容易受到市场风险波及。行业稳定的借款人具有更好的还款能力，所以也更倾向与选择借贷，参考行业抵抗风险能力，根据数据样本中的借款人工作类型信息，划分为稳定最高的私营企业主，工薪阶层其次，最后是网商。所以本文认为：H5：借款人工作类型稳定性与二次借贷率呈正相关现阶段未有研究借款人工作时间对借款人消费影响，本文认为工作时间越长，工资生活均处于稳定状态中，具有稳定的还款能力，受当前社会超前消费观念影响，借款人会在能接受的范围内选择透支消费，因此更倾向于选择借贷策略，所以本文认为：H6：借款人工作时间与二次借贷率呈正相关借款人所处公司规模在一定程度上反映了借款人收入水平及收入稳定程度，本文认为所处公司规模越大的借款人收入更高，资金需求不高，二次借贷概率小，所以本文认为：、H7：公司规模与二次借贷率呈负相关3.3.2信用特征与二次借贷之间相关关系信用额度是由平台根据用户的信用等级转化而来，每个信用等级都对应的信用额度范围，既是借款人单笔借款的上限也是借款者累积尚未还清借款的上限。而提升信用额度需要借款人成功借款并已还清所有借款，所以信用额度越高的借款用户更有二次借款需求。所以本文认为：H8：信用额度与二次借贷率呈正相关3.3.3借款标的特征与二次借贷之间相关关系标的金额数目多少反映着借款人对资金需求的大小，标的金额越大，借款人近期资金需求也越大，这也表示借款人信任该平台，而借款人在需要资金周转的时候，会更倾向选择便利的贷款行为，所以本文假设：H9：标的金额与二次借贷率呈正相关借款利率，即借贷成本。贷款利率的高低影响了借款人是否能够按时还款的关键因素，贷款利率过高，借款人违约概率越大，即进行二次借贷概率越小。还款期限，是借款人与p2p平台约定还本付息的期限。还款期限越长，二次借贷的可能性越小。所以本文假设：H10：借款利率与二次借贷率呈正相关H11：还款期限与二次借贷率呈负相关

第4章网络借贷平台用户二次借贷影响因素实证分析4.1P2P网络借贷平台用户数据统计分析4.1.1用户属性统计对比分析利用spss软件把研究样本进行描述性统计分析，可发现在个人特征描述统计中，男女比例较大，男性占比63.3%，二次借贷用户中，男性占比68.5%，这表明目前二次借贷中借贷人仍以男性为主。表4.1用户性别描述性统计性别频率百分比有效百分比累计百分比男1477763.363.363.3女856136.736.7100合计23338100.0100.0二次借贷用户性别男79768.568.568.5女36631.531.5100合计1163100.0100.0通过对研究样本中用户的年龄进行统计分析，其最小值、最大值、均值、众数、标准差结果如表4.3所示:表4.2用户年龄描述性统计年龄描述性统计一次借贷用户年龄二次借贷及以上用户年龄最小值2222最大值6059均值34.0335.11众数2831标准差7.2817.443对数据样本分析得到用户年龄在不同区间分布如下图4.4所示：可以看出人人贷借款人年龄绝大部分在25-50岁之间，其中年龄在25-35岁之间的人数占比最多，这表明青壮年对资金需求较大，是我国网络借贷的借贷主体。二次借贷用户年龄最小为22岁，年龄均值为35.11岁，可以发现二次借贷用户年龄仍处于青壮年阶层较多，这意味着青壮年用户不仅是一次借贷用户的主要主力，也更倾向于二次借贷。图4.3用户对比描述分析在此次研究样本中借款人受教育程度如图4.5，最多的是具有本科学历的用户，占比达到68.83%，而大专学历用户其次，占26.88%，研究生或以上学历用户人数最少，仅占1.14%，这说明资金需求较大的人数是受教育程度较高的，这与当前社会流行的提前消费有关。图4.4用户受教育程度分析而借款人婚姻状况分析如下表所示，未婚用户比已婚用户多，表4.5用户婚姻状况分析用户婚姻状况二次借贷用户婚姻状况婚姻状况频率百分比频率百分比未婚1223752.4%60652.11%已婚968641.5%47440.76%离异13875.9%816.96%丧偶280.1%20.17%在本次研究样本中，借款人月收入在10000元-20000元的人群最多，其次是月收入为20000元以上的人群，紧接着是月收入在5000-10000元，而月收入在5000元以下的占比虽少，但也有8.7%，这表明网络借贷参与主体范围广，涵盖多个收入阶层。图4.6用户月收入状况分析在本次研究样本中，工作类型上，借款人主体以工薪阶层为主，达到87.2%，私营企业主其次，，占比12.8%；借款人的工作时间跨度较大，以工作时间为3-5年的样本为主，占比达到52.3%；借款人所在公司规模以10以下较多，占比高达54.2%，其次是公司规模为100人以上，占39.6%；表4.7用户工作状况分析表工作类型频率百分比有效百分比累计百分比工薪阶层2035787.287.287.2私营企业主298112.812.8100.0合计23338100.0100.0工作时间频率百分比有效百分比累计百分比1年以下2131-3年461319.819.828.93-5年1219652.352.381.25年以上439618.818.8100.0合计23338100.0100.0公司规模频率百分比有效百分比累计百分比10人以下1266010-100人14446.26.260.4100以上923439.639.6100.0合计23338100.0100.04.1.2信用特征统计性对比分析用户信用特征变量：信用等级、信用额度、逾期次数的描述性统计结果如下表所示。表4.8用户信用特征描述性统计分析表指标名称最小值最大值均值众数标准差信用等级55550信用额度0293.275.832057.11逾期次数00000用户的信用额度是在通过人人贷审核员对所提供材料的审核后获得的，既是借款人单笔借款的上限也是借款者累积尚未还清借款的上限。通常来讲借款人信用等级越高，其相应的费用越低，相应的借款成功率越高。目前信用等级由高到低分为AA、A、B、C、D、E、HR。由上述表格，可以发现借款人的信用等级多为A级，信用额度范围广，最小额度为0，最大额度为293200，可见P2P网络平台偏向信用等级高的用户发放借款。以当前所获取的样本信息中，借款人无逾期信息，对平台来说用户违约风险在一定程度上降低了，也表示“人人贷”平台具有一定的风险管控能力。4.1.3借贷标的属性统计性对比分析通过对23338条数据进行P2P网络借贷平台中用户借贷标的信息属性研究，结果如下：表4.9人人贷借贷标的描述性统计标的金额（千）借款利率还款期限借款总额（千）最小值59.0%125最大值197.510.2%48393.9均值74.149.675%30.5578.05众数209.6%3620标准差54.530.40780399.29957.67百分位数25259.6%24.0029.550609.6%36.0063.52575116.510.2%36.001199015610.2%36.00166.4借贷者所发布的借贷标的中，借款利率平均值是9.675%，最大值为10.2%，，而借款金额差异较大，从5000元到39万以上不等，平均值是7万8元，但是90%借贷标的金额都在15万以下。而标的借贷周期分为12、24、36、48个月，平均借贷周期是30个月。可以看出“人人贷”借贷平台面对的用户资金需求较大，且年龄介于青壮年期，受教育程度较高。4.2二元logistics回归分析本文将用户贷款情况分为二次借贷与一次借贷两类，故采用二元logistic回归对网络借贷用户二次借贷影响因素进行分析，用户进行二次借贷的概率为：P式中，Y为用户二次借贷概率，X1为对用户二次借贷有有显著影响的自变量，α为常量，βiln在拟定的众多对用户二次借贷有影响的因素中，对其进行筛选，找出对城市交通事故有显著影响的因素，取显著性水平为0.05，筛选规则为：1）若自变量Xi显著性概率P≤2）若自变量0.05<P≤回归结果分析本次分析需要研究的因子如下表所示：表4.10二次借贷影响因子指标体系变量（variable）类型单位因变量借款成功次数连续型次自变量性别连续型0、1年龄连续型0、1受教育程度连续型0、1婚姻状况连续型0、1月收入连续型0、1工作类型连续型0、1工作时间连续型0、1公司规模连续型0、1信用额度连续型元标的金额连续型元借款利率连续型%还款期限连续型月本文借助SPSS软件对以上影响因子进行二元logistics回归，选择向后逐步进入法（即极大似然估计原则下的似然比卡方检验），结果如表4.12所示。表4.11二元logistics回归结果EXP(B)的95%C.I.BS.E,WalsdfSig.Exp(B)下限上限步骤1a性别-0.0790.1190.44410.5050.9240.7311.166年龄0.0120.0082.20710.1371.0120.9961.028学历0.3020.2891.09110.2961.3520.7682.383婚姻状况0.2980.1603.48810.0621.3470.9851.842借贷人收入0.0590.0700.70610.4011.0610.9241.218工作类型0.5240.1877.86510.0051.6891.1712.436工作时间0.2940.07515.24410.0001.3421.1581.556公司规模-0.6020.12025.08910.0000.5480.4330.693信用额度0.2720.011654.86010.0001.3131.2861.340标的总额-0.2750.011681.32010.0000.7600.7440.776年利率-0.0830.2400.12110.7280.9200.5751.471还款期限-0.0630.01226.42310.0000.9390.9160.962常量-3.0282.1701.94710.1630.048步骤2a性别-0.0790.1190.44610.5040.9240.7311.166年龄0.0120.0082.20610.1381.0120.9961.028学历0.3010.2891.08710.2971.3520.7672.381婚姻状况0.3000.1603.52610.0601.3490.9871.844借贷人收入0.0590.0700.71410.3981.0610.9241.218工作类型0.5220.1877.81410.0051.6861.1692.431工作时间0.2940.07515.22910.0001.3421.1581.556公司规模-0.5970.12024.93510.0000.5500.4350.696信用额度0.2720.011655.47610.0001.3131.2861.341标的总额-0.2750.011681.92110.0000.7600.7440.776还款期限-0.0660.01045.18610.0000.9360.9180.954常量-3.7580.56444.41310.0000.023步骤3a年龄0.0120.0082.32510.1271.0120.9961.029学历0.3070.2891.12710.2881.3590.7712.396婚姻状况0.2990.1593.50810.0611.3480.9861.843借贷人收入0.0630.0700.80810.3691.0650.9281.222工作类型0.5210.1877.79510.0051.6841.1682.429工作时间0.2970.07515.55210.0001.3461.1611.560公司规模-0.5960.11924.83710.0000.5510.4360.697信用额度0.2720.011656.65810.0001.3131.2861.341标的总额-0.2750.011684.20010.0000.7590.7440.775还款期限-0.0660.01045.39710.0000.9360.9180.954常量-3.8030.56046.15610.0000.022步骤4a年龄0.0130.0082.66910.1021.0130.9971.029学历0.3240.2881.26910.2601.3830.7872.431婚姻状况0.3010.1593.56210.0591.3510.9881.847工作类型0.5640.1819.69110.0021.7571.2322.506工作时间0.2920.07515.14710.0001.3391.1561.552公司规模-0.6000.11925.20510.0000.5490.4340.694信用额度0.2720.011656.73510.0001.3131.2861.341标的总额-0.2750.011684.46310.0000.7600.7440.776还款期限-0.0660.01046.13210.0000.9360.9180.954常量-3.7640.55845.55810.0000.023步骤5a年龄0.0130.0082.55110.1101.0130.9971.029婚姻状况0.3080.1593.73110.0531.3600.9951.859工作类型0.5610.1819.61410.0021.7531.2292.500工作时间0.2950.07515.48010.0001.3431.1601.556公司规模-0.5930.11924.67610.0000.5530.4380.698信用额度0.2720.011657.37310.0001.3131.2861.340标的总额-0.2740.010684.78010.0000.7600.7450.776还款期限-0.0670.01046.31410.0000.9360.9180.954常量-3.4570.48650.56610.0000.032步骤6a婚姻状况0.2690.1582.91410.0881.3090.9611.782工作类型0.5750.18110.10910.0011.7771.2472.534工作时间0.3170.07418.39110.0001.3731.1881.587公司规模-0.5910.11924.48710.0000.5540.4380.700信用额度0.2720.011658.70610.0001.3131.2861.340标的总额-0.2740.010685.41810.0000.7600.7450.776还款期限-0.0660.01046.02410.0000.9360.9180.954常量-3.083.42652.41310.0000.046从表4.12可以发现，二元logistics回归模型最后的结果显示，“婚姻状况”、“工作类型”、“工作时间”、“公司规模”、“信用额度”、“标的总额”、“还款期限”这7个变量与借款人二次借贷率显著相关。其中，“公司规模”、“标的总额”、“还款期限”与二次借贷率呈负相关，即借款人所在公司规模越大，并且借款数目较大还款期限较长的借款人二次借贷概率越低；而“婚姻状况”、“工作类型”、“工作时间”、“信用额度”与二次借贷率呈正相关。根据表中数值得出logistics回归模型如下：ln+0.272·其中X1、X2、X3、X4、X5(1)借款人特征信息（年龄、受教育程度、婚姻状况、月收入、工作类型、工作时间、公司规模）：假设H1不成立，借款人年龄对二次借贷率没有显著影响，不是影响二次借贷的主要因素；假设H2不成立，借款人受教育程度虽然是贷款违约率的主要影响因素，但在二次借贷率方面并不显著。可能存在的原因，资金需求与受教育程度并不完全相关，每个人的资金需求受多个因素影响并且依个人情况而定，如医疗、住房、娱乐等因素对借款人的影响不同；假设H3（婚姻状况）成立，单身（包括离异）借款人与二次借贷率之间呈现显著正相关，回归模型显示26.9%单身借款人会进行二次借贷；假设H4不成立，借款人收入情况对二次借贷率并不显著；假设H5成立，借款人工作类型与二次借贷率呈现负正相关。工作类型更为稳定的工薪阶层与私营企业主二次借贷概率更大；假设H6成立，借款人工作时间对二次借贷率呈现显著影响，是影响二次借贷率的主要因素之一。工作时间越长，越容易选择二次借贷，工作时间越短，借款人会因为工作未达到稳定而影响其选择借贷甚至二次借贷；假设H7成立，借款人公司规模对二次借贷率呈现负相关，公司越小，借款人二次借贷的概率越大。（2）信用特征信息（信用额度）：假设H8成立，信用额度与二次借贷率呈正相关，信用额度是影响二次借贷率的重要因素之一。回归结果表示，借款人信用额度越高的，具有良好的信用，而要提高信用额度，则需要成功借贷一次并还清贷款，这也反映了信用额度的用户有二次借贷的意愿。.（3）借款标的特征信息：假设H9成立，标的金额与二次借贷率之间呈现正相关，标的金额越大，借款人更信任该平台，也更倾向在该平台再次借贷；假设10不成立，借款利率与二次借贷之间不存在显著相关关系。不显著的原因可能是，本文所选取的P2P平台利率差距不大，并没有显著影响借款人进行借贷需求，因此借款利率并不是影响二次借贷率的重要因素；假设11成立，还款期限对二次借贷率呈现负相关关系，是影响二次借贷率的主要因素之一，还款期限意味着借款人在规定时间内才能还清债款的指标，因此还款期限越短，借款人更高概率会选择二次借贷，反之越低。4.2.2模型验证最后借助SPSS软件对回归模型进行验证，得到回归模型的拟合程度检验情况，模型系数的综合检验情况，具体分析结果如表4.12和表4.13所示：表4.12：模型汇总情况步骤-2对数似然值Cox&SnellR方NagelkerkeR方13366.433a0.2220.6823366.554a0.2220.6833367.003a0.2220.6843367.817a0.2220.6853369.113a0.2220.6863371.620a0.2220.68表4.13：模型系数的综合检验卡方dfSig.步骤1步骤5870.4853120.00块5870.4853120.00模型5870.4853120.00步骤2a步骤-0.12137610.73块5870.3639110.00模型5870.3639110.00步骤3a步骤-0.44891110.50块5869.915100.00模型5869.915100.00步骤4a步骤-0.81418610.37块5869.100890.00模型5869.100890.00步骤5a步骤-1.29604710.25块5867.804880.00模型5867.804880.00步骤6a步骤-2.50709210.11块5865.297770.00模型5865.297770.00观察表实证模型系数综合性检验结果发现，模型的卡方值越大，且sig值越接近于０，表明模型的拟合效果越好。通过查表可得显著水平为0.05，自由度数目df=7的卡方临界值为14.067，本模型回归的最后一步（步骤６）的卡方值为5865.2977，sig.值为0.00，说明本文构建的logistics回归模型拟合优度较好。观察表模型汇总，步骤6中的Cox&SnellR方相当于一般线性回归分析中的R2，NagelkerkeR2是修正的Cox&SnellR2，其值越接近于０，表明模型的拟合优度越低，越接近于１，表明模型的拟合优度越高。本研究模型的Cox&SnellR2和NagelkerkeR2的值分别是0.222和0.68，拟合效果不太理想，但NagelkerkeR2为0.68，说明样本数据有68%二次借贷数据可以被所列举的变量解释。最大似然平方的对数值是用于检验模型的整体性拟合效果的，该值在理论上服从卡方分布，已知显著水平为0.05，自由度数目df=7的卡方临界值14.067，步骤六中-2对数似然值=3371.620，明显大于卡方临界值。因此，最大似然对数值检验通过。4.3决策树分析4.4.1决策树结果分析Logistics回归模型对自变量的主效应分析较为准确，但对变量间的交互作用并不出色，而决策树分析能更好的处理变量之间的交互作用，并且可提示具有何种特征的人群更会进行二次借贷。因此本文利用SPSS软件对数据样本进行决策树分析，使用的是决策树CHAID方法进行分类和预测，模型因变量为借款成功次数，自变量为表3.1所提及的14个解释变量，经过分类筛选之后，决策树模型最终选择“婚姻状况”、“标的总额”、“信用额度”“年利率”、“公司规模”“还款期限”、“借贷人收入”、“工作类型”这8个自变量，其余自变量由于显著性不高未被选入模型。该模型共有36个节点，22个终端节点，深度为3。决策树模型结果如图4.14所示。图4.14决策树分类模型图4.4.2模型验证决策树模型采取交叉验证方法，表4.15为决策树分类识别正确率，22175个未进行二次借贷的用户中22174个未二次借贷用户被划分到未二次借贷组（分类准确），1个被，正确率为100.00%。1163个二次借贷用户中有321个被划分到未二次借贷组（分类错误），842个被划分到二次借贷组（分类准确），正确率为72.4%，而整体分类的准确性达98.60%，证明该模型具有很高的正确率。表4.15决策树分类识别正确率已观测已预测01正确百分比0221741100.00%132184272.40%总计百分比96.4%3.6%98.6%4.4决策树和logistics回归结果对比分析本章节分别用二元logistics回归和决策树分类两种方法构建网络借贷平台用户二次借贷预测模型并对两种模型结果进行分析，logistics回归模型显示影响用户二次借贷的主要因素为“婚姻状况”、“工作类型”、“工作时间”、“公司规模”、“信用额度”、“标的总额”、“还款期限”这7个变量；而决策树模型显示“婚姻状况”、“标的总额”、“信用额度”“年利率”、“公司规模”“还款期限”、“借贷人收入”、“工作类型”为影响用户二次借贷的主要因素。通过对比两种模型结果可发现，个人特征信息中，婚姻状况、工作信息可以为网络借贷平台对借款人是否会选择二次借贷行为提供较为准确的参考因素，除此之外，信用额度高低也是判断借款人二次借贷行为的重点关注的因素。另外在借款人借款信息特征中，标的总额越大，借款人越容易进行再次借贷，网络借贷平台可根据用户借款金额大小以及还款期限长短信息，为易进行二次借贷的用户提供精准借贷推广。表4.15logistics回归与决策树分析结果对比Logistics回归模型决策树模型影响因素影响因素婚姻状况婚姻状况工作类型工作类型公司规模公司规模信用额度信用额度标的总额标的总额还款期限还款期限工作时间借贷人收入年利率Logistics回归模型结果正确率为98.7%，决策树结果正确率为98.6%，从正确率中可发现，logistics回归模型的正确率略比决策树的正确率高，即logistics回归模型的准确率更高。因本文的因变量是借款成功次数（是否二次借贷），这是属于二分类问题（Y=0为不二次借贷，Y=1为二次借贷），logistics回归模型在这方面更为合适，结果分析更为全面。而且logistics模型会对每个自变量进行显著性检验，将不显著的变量剔除出模型中，这样得到的模型综合性和稳定性更强。

第5章网络借贷平台精准借贷相关建议我国网络借贷平台从2006年开始出现至今，经历过前十年的快速发展，同时也经历大浪潮，行业发展受阻，越来越多的平台纷纷倒闭。在现阶段，网络借贷平台如何从借贷用户获利，吸引更多的投资者参与是极为重要的。而研究借贷用户二次借贷影响因素，则可以针对更容易进行再借贷的用户定向投放广告，增加用户粘性，提高用户忠诚度，这样网络借贷平台不仅可以节约经营成本，还可以提高盈利机会。本文基于用户画像对二次借贷影响因素的研究就网络借贷平台精准借贷提出相关建议。5.1扩展数据来源，完善预测模型本文构建的logistics回归模型和决策树模型均提到工作类型、公司规模等与个人经济相关的因素对用户二次借贷显著相关。这说明个人经济信息在研究用户二次借贷方面占据重要地位。但就目前“人人贷”官网展示的信息，与个人经济信息相关的因素只有月收入，工作类型、工作时间与公司规模，这些都是属于硬信息，虽然这类信息具有准确量化、易储存以及充分披露信息等优势，但个人借贷是与消费信息这类“软信息”更为相关，若在网络借贷交易过程中加入借款人的软信息（月支出，照片、社交关系等）不仅可以有利于降低交易中出现的信息不对称，使投资者能更加了解借款人的情况，还可以为网络平台针对二次借贷用户提供重要信息。也可以为logistics回归模型优化提供更多参数数据。具体实现途径如下：第一，加大对借款者社交关系信息的挖掘及展示。P2P网络借贷平台可以利用搜索引擎扩大数据来源，增加借款者在社交网站、电商网站、微信QQ等社交信息展示。第二，在申请借款流程中加入获取借款人信用卡消费信息项目，了解借款人月支出并对借款人还款能力作简单评估，让投资者对投资项目更有信心，也为筛选二次借贷用户提供有力参数。5.2诚信守法经营，树立正确营销网络借贷P2P从一开始就以方便灵活，手续简单的特点在互联网时代快速被市场接受，而网络借贷平台也实实在在的解决了许多中小企业融资难问题，也解决了个体客户借款难的问题，正因如此，大量的网路借贷平台如雨后春笋般出现，但由于前期行业监管不完善，网络借贷平台呈现良莠不齐状况，并且网络借贷平台还要面对低融资成功率、高借贷风险、坏账偏高以及流动性风险等因素，投资人资金回报难以保证。2014年为还出现了大规模网络借贷平台倒闭跑路现象，2015年开始国家出台一系列监管政策管控网络借贷平台经营问题，部分网络借贷平台被迫叫停整顿，而能留下来的网络借贷平台都是靠着坚守诚信守法经营的，在面对风险上有着较为不错的风险控制系统。在目前，网络借贷成交量下降的状况下，网络借贷平台需要寻找一条新的发展道路，一条科学可持续的发展道路，那就需要以人为本的经营理念和正确有效的营销理念。有意识并有针对性地主动向用户投放广告，增加用户粘度，加强人性化服务，以一流的服务在同类型平台中脱颖而出。5.3构建用户网络，实施精准借贷2016年8月17日我国出台的《网络借贷信息中介机构业务活动管理暂行办法》明确支出网络借贷信息中介机构是指依法设立金融信息中介公司，专门从事网络借贷信息中介业务活动。所以网络借贷公司实质上是需要撮合借贷双方完成交易并从中赚取费用，因此网络借贷平台需要在吸引用户、产品推广以及营销策略上有所突破，而精准借贷对于今天的网络借贷公司来说是一个重要途径。综合用户贷款意愿和偏好因素，对网络借贷用户进行细分，进而实施精准借贷，则需要更多用户信息。而在互联网时代，用户在网络借贷平台提交贷款申请前会向平台提供个人基本信息，除此之外，还会浏览平台其他产品和页面，甚至会同时申请多款产品。这些都是用户潜在有用信息，将用户的个人基本信息、消费信息和社交信息量化，构建用户网络，这有利于网络借贷平台细分客户，精准定位消费群体、定点广告投放。这不仅能够增加用户忠诚度和粘性，更有利于借贷双方在缩减时间成本和精力成本下获取更多有用的信息，这也有利于我国网络借贷行业健康科学可持续发展。

参考文献王静.基于金融生态视角的P2P网络融资研究[D].天津理工大学,2017.BergerSC,GleisnerF.EmergenceofFinancialIntermediariesinElectronicMarkets:TheCaseofOnlineP2PLending[J].SocialScienceElectronicPublishing.王蕾.大数据背景下网络借贷平台用户二次贷款预测研究[D].山西财经大学,2017.王竟鸿.P2P网络借贷借款人信用风险影响因素研究[D].华中师范大学,2018.JeffZabin,GreshBrebach.PrecisionMarket-ing:theNewＲulesforAttracting,Retaining,andLeveragingProfitableCustomers[M].NJ:JohnWiley&SonsInc,2008:32-76王克富.论大数据视角下零售业精准营销的应用实现[J].商业经济研究,2015(06):50-51.陶丰.网络借贷平台营销战略研究[J].科技创业月刊,2016,29(05):41-42+45.IyerR,KhwajaAI,LuttmerEFP,etal.ScreeninginNewCreditMarkets:CanIndividualLendersInferBorrowerCreditworthinessinPeer-to-PeerLending?[J].SocialScienceElectronicPublishing,2009,15242(rwp09-031).GreinerME,WangH.BuildingConsumer-to-ConsumerTrustinE-FinanceMarketplaces:AnEmpiricalAnalysis[J].InternationalJournalofElectronicCommerce,2010,15(2):105-136.顾慧莹,姚铮.P2P网络借贷平台中借款人违约风险影响因素研究——以WDW为例[J].上海经济研究,2015(11):37-46.Kumar,S.,2007.Bankofone:empiricalanalysisofpeer-to-peerfinancialmarlerplace.ProceedingsofAmericanconferenceoninformationsystems,1-8Klafft,M.,2008.Peertopeerlending:auctioningmicrocreditsovertheinternet[R].SSRNworkingpaper.Emekter,Riza,andYanbinTu,2015.EvaluatingtheCreditRiskinOnlinePeer-to-Peer(P2P)lending[J].AppliedEconomic,Vol47,No.1:54-70LinM,ViswanathanS.HomeBiasinOnlineInvestments:AnEmpiricalStudyofan