基于在線社會資本的網(wǎng)絡個人信貸的信用風險評估
2018-01-15 22:57:51賴輝周宗放
價值工程 2018年2期
賴輝++周宗放
摘要：在線社會資本（Online Social Capital，簡稱OSC）是互聯(lián)網(wǎng)征信的重要組成部分，也是網(wǎng)絡個人信貸的信用風險評估的重要內容。因此，融入在線社會資本的網(wǎng)絡個人信貸的信用風險評估，將對傳統(tǒng)個人信貸的信用風險評估起到補充和修正的效果。本文基于k-核分解法，基于在線社會網(wǎng)絡朋友數(shù)和在線社會網(wǎng)絡位置對網(wǎng)絡個人信貸借款人的在線社會資本進行了量化，并基于此提出了一類基于在線社會資本的網(wǎng)絡個人信貸的信用風險評估模型。結合搜集的芝麻信用數(shù)據(jù)進行示例分析，模型有效性得到了檢驗。
Abstract： Online Social Capital （OSC） is an important component of Internet credit reporting and an important part of credit risk assessment of personal credit. Therefore， the credit risk assessment of online personal credit integrated with online social capital will supplement and revise the credit risk assessment of traditional personal credit. Based on the k-factorization method， this paper quantifies the online social capital of online personal loan borrower based on the number of online social friends and online social network location. And a credit risk assessment model of online personal credit based on online social capital is proposed. Combined with the sesame credit data collected for example analysis， the validity of the model has been tested.
關鍵詞：在線社會資本；k-核分解；網(wǎng)絡個人信貸；信用風險評估
Key words： online social capital；k-core decomposition；network personal credit；credit risk assessment
中圖分類號：F832.4 文獻標識碼：A 文章編號：1006-4311（2018）02-0237-06
0 引言
2017年3月，互聯(lián)網(wǎng)金融再一次被寫入十二屆全國人大五次會議《政府工作報告》中，李克強總理指出，要警惕互聯(lián)網(wǎng)金融風險。作為互聯(lián)網(wǎng)金融的主要業(yè)務之一，P2P網(wǎng)貸迅速發(fā)展壯大的同時，問題平臺和違約事件也持續(xù)的激增。對于出借人而言，我國信用信息共享機制并不完善，出借人在P2P網(wǎng)貸平臺獲取到的借款人信用數(shù)據(jù)非常有限，因而面臨著較大的信息不對稱風險。據(jù)部分P2P網(wǎng)貸平臺公布的年報數(shù)據(jù)顯示，“宜人貸”ABCD級借款的壞賬率平均在6%左右，“點融網(wǎng)”壞賬率為2.4%，“積木盒子”壞賬率為1.49%，遠高于同期商業(yè)銀行的不良貸款率。P2P網(wǎng)貸行業(yè)的壞賬率模糊不清，行業(yè)巨頭“陸金所”自爆壞賬率在6%左右，“拍拍貸”更是高達8%。由于我國的失信懲戒機制并不完善，網(wǎng)絡個人信貸的興起進一步降低了失信成本，容易產生線上個人信貸的欺詐行為。借款人違約導致出借人血本無歸和P2P平臺停業(yè)、跑路的問題事件層出不窮、數(shù)見不鮮。網(wǎng)絡個人信貸依托大數(shù)據(jù)等信息挖掘技術的優(yōu)勢，雖然一定程度上緩解了信息不對稱問題，但基于信息技術的輔助決策并不能從根本上消除網(wǎng)絡個人信貸的信用風險[1-2]。
傳統(tǒng)商業(yè)銀行個人信貸的信用風險評估指標研究[3-4]，注重考察借款人的基本信息、還款能力和還款意愿。傳統(tǒng)商業(yè)銀行個人信貸的信用風險評估方法主要有l(wèi)ogistic回歸[5]、神經(jīng)網(wǎng)絡[6]、SVM[7]、聚類[8]、隨機森林[9]及多分類器組合方法[10]。相對而言，網(wǎng)絡個人信貸的信用風險本質上屬于更為廣義的個人信用風險范疇，指的是網(wǎng)絡個人信貸借款人不愿、無力償還借款、或者交易對手違約，導致網(wǎng)絡信貸機構或者網(wǎng)貸出借人遭受損失的風險。網(wǎng)絡個人信貸的征信基礎是依托大數(shù)據(jù)、數(shù)據(jù)挖掘技術發(fā)展起來的互聯(lián)網(wǎng)征信，如芝麻信用、騰訊征信和拉卡拉征信。研究表明，社交網(wǎng)絡用戶的基本信息、發(fā)布信息、被關注信息等都可成為信用評價的指標要素[11]。因此，網(wǎng)絡個人信貸信用風險評估的指標更為廣泛，其中以芝麻信用為例，信用評分由身份特質、信用歷史、履約能力、行為偏好及人脈關系5部分構成。其中，人脈關系是個人在人際關系中的影響力和好友的信用狀況，作為個人信貸借款人的一種社會資本，其能夠促進融資、提高貸款成功率。
根據(jù)Putnam（1999）研究的定義，社會資本是 “能夠通過協(xié)調的行動來提高社會效率的信任、規(guī)范的網(wǎng)絡”[12]。因此，社會網(wǎng)絡是社會資本的一種內在特性，對于促進我國傳統(tǒng)商業(yè)銀行、民間信貸和網(wǎng)絡個人信貸都具有重要的影響[13-17]。其中在網(wǎng)絡個人信貸方面，Lin等（2009）基于Prosper的數(shù)據(jù)，對社會網(wǎng)絡的作用展開實證研究，發(fā)現(xiàn)社會網(wǎng)絡不僅能有效降低信息不對稱，而且有助于提升借款人信用。Lopez等（2009）研究表明，社會資本在促進借款成功率的同時，還會對P2P借款人的信用產生正向的影響。傳統(tǒng)的線下社會資本與個人信用之間的研究相對成熟并在信貸業(yè)務中得到了應用，如房貸、車貸。然而在網(wǎng)絡個人信貸下，探討在線社會網(wǎng)絡、社會資本與個人信用之間的關系研究并不多。李思明等（2016）研究發(fā)現(xiàn)，網(wǎng)貸投資人可以根據(jù)借款人社交朋友網(wǎng)絡資本的質量來判斷借款人的信用水平[18]。繆蓮英等（2014）在分析網(wǎng)絡借貸借款人違約風險時，以推薦信任與小組關系、朋友關系共同作為社會資本的替代變量[19]，社會資本和個人信貸借款人的信用存在著某種正相關的關系，且可以通過刻畫社會網(wǎng)絡中的朋友關系來實現(xiàn)社會資本的度量。在網(wǎng)絡個人信貸背景下，在線社會資本是傳統(tǒng)社會資本的補充和擴展。社會資本可有效的降低信息不對稱問題，那么如何合理的刻畫在線社會資本，構建基于在線社會資本的網(wǎng)絡個人信貸的信用風險度量模型。這不僅對于當下控制網(wǎng)絡個人信貸的信用風險具有重要的意義，而且也是傳統(tǒng)個人信貸的信用風險評估理論和方法的重要擴展。國內鄒江波等學者（2017）提出了一種社會關系轉換的k-核分解方法，本文將借鑒該方法，進一步的構建基于k-核分解的網(wǎng)絡個人信貸借款人的在線社會資本度量模型，并探討基于在線社會資本的網(wǎng)絡個人信貸的信用風險評估問題。endprint
1 在線社會資本（Online Social Capital）的量化模型
1.1 在線社會資本的定義
在線社會資本（Online Social Capital，簡稱OSC）是在社會網(wǎng)絡空間中所形成的一種社會資本，是社會資本的補充和擴展[20]。一般可通過分析在社會網(wǎng)絡中個人朋友數(shù)量、個人在社會網(wǎng)絡中的位置來反映其在線社會資本概況及在線影響力[21]。當前社交平臺如微信、微博等社交媒體用戶之間所形成的關系，都可產生在線社會資本[22]。
1.2 在線社會網(wǎng)絡（Online Social Network）描述
記N個網(wǎng)絡個人信貸借款人的在線社會網(wǎng)絡（Online Social Network，簡稱OSN）為G=（V，E），其中V={v1，v2，…，vN}是在線社會網(wǎng)絡節(jié)點集合，E={e1，e2，…，eM}是在線社會網(wǎng)絡邊的集合，N與M分別是在線社會網(wǎng)絡的節(jié)點數(shù)和邊數(shù)[23-24]。可將在線社會網(wǎng)絡中網(wǎng)絡個人信貸借款人之間的關系定義以下兩類：朋友關系（可被劃分為直接朋友關系和間接朋友關系）和陌生人關系，定義如下。
定義1 朋友關系：網(wǎng)絡個人信貸借款人的社會網(wǎng)絡（OSN）G=（V，E）中，節(jié)點vi和vj∈V，當節(jié)點vi標記節(jié)點vj為其朋友時，稱vj為vi的朋友，用F（Friend）表示具有朋友關系集合，則有F={vi→vj|vi，vj∈V}，1？燮i，j？燮N。朋友關系具有對稱性，若vi→vj成立，則vj→vi也成立。
①直接朋友。在網(wǎng)絡個人信貸借款人的社會網(wǎng)絡G=（V，E）中，節(jié)點vi，vj∈V，如果vi→vj，則稱vj為vi的直接朋友，記為fd（i，j），F(xiàn)D（Friend Direct）表示直接朋友關系集合，則有fd（i，j）∈FD，1？燮i，j？燮N。
②間接朋友。在網(wǎng)絡個人信貸借款人的社會網(wǎng)絡（OSN）G=（V，E）中，節(jié)點vi，vj，vk∈V，如果vi→vj且vj→vk，則稱vk為vi的間接朋友，1？燮i，j，k？燮N，記為fid（i，j）。FID（Friend In-Direct）表示間接朋友關系的集合，則有fid（i，j）∈FID。
定義2 陌生人：在網(wǎng)絡個人信貸借款人的社會網(wǎng)絡（OSN）G=（V，E）中，除節(jié)點vi本身和與其具有朋友關系外的節(jié)點稱為節(jié)點vi的陌生節(jié)點，1？燮i？燮N。記為s0，S（Stranger）表示陌生節(jié)點的集合，則有s0∈S。
1.3 k-核分解法的核心思想
在一般的社會網(wǎng)絡中，若節(jié)點處于網(wǎng)絡的核心位置，即使該節(jié)點的度很小，也會有較強的影響力；相反，若節(jié)點處在社會網(wǎng)絡的邊緣，即使度很大，該節(jié)點的影響力也會往往很有限。基于此，Kitsak等人提出一種用k-核分解法，并得到了廣泛的應用[25]。k-核分解法的核心思想如下：首先去掉社會網(wǎng)絡中度為1的節(jié)點及其所連接的邊，進一步再去掉剩下的網(wǎng)絡中新出現(xiàn)的度為1的節(jié)點及其所連接的邊，循環(huán)往復，直到網(wǎng)絡度為1的節(jié)點消失。按上述方法，去掉網(wǎng)絡中剩余度為2的節(jié)點其所連接的邊，繼續(xù)剝殼，直到網(wǎng)絡度為2的節(jié)點消失。重復以上操作，直到網(wǎng)絡中沒有節(jié)點為止，從而實現(xiàn)社會網(wǎng)絡的分解[26]。
1.4 基于k-核分解法的在線社會資本（OSC）的度量
假設F（Friend）是指網(wǎng)絡個人信貸借款人的在線社會網(wǎng)絡中朋友數(shù)量，L（Location）是指網(wǎng)絡個人信貸借款人在在線社會網(wǎng)絡中的位置，且二者相對獨立。friendd（vi）表示網(wǎng)絡個人信貸借款人在社會網(wǎng)絡中朋友數(shù)量，包括直接朋友和間接朋友。C 表示網(wǎng)絡個人信貸借款人節(jié)點vi的在線社會資本的量化值，C 表示社會網(wǎng)絡中所有網(wǎng)絡個人信貸借款人節(jié)點的平均社會資本。基于某種信用風險評估的方法，已知網(wǎng)絡個人信貸借款人節(jié)點vi的信用風險CR （Credit Risk，簡稱CR ），需要基于在線社會資本度量來計算網(wǎng)絡個人信貸借款人節(jié)點vi信用風險修正值MCR （Modified Credit Risk，簡稱R ）。
根據(jù)1.1對在線社會資本（Online Social Capital，簡稱OSC）的定義，在線社會資本可通過在社會網(wǎng)絡中個人朋友數(shù)量、個人在社會網(wǎng)絡中的位置來反映。因此，本節(jié)通過網(wǎng)絡個人信貸借款人社會網(wǎng)絡中朋友數(shù)和網(wǎng)絡個人信貸借款人在社會網(wǎng)絡中的位置，來度量網(wǎng)絡個人信貸借款人的在線社會資本。首先需要定義網(wǎng)絡個人信貸借款人的在線社會網(wǎng)絡朋友數(shù)和在線社會網(wǎng)絡位置。
定義3 在線社會網(wǎng)絡朋友數(shù)F（Friend）：即社會網(wǎng)絡中與其直接相連和間接相連的節(jié)點，也就是網(wǎng)絡個人信貸借款人的直接朋友和間接朋友數(shù)量。
定義4 在線社會網(wǎng)絡位置L（Location）：即網(wǎng)絡個人信貸借款人在在線社會網(wǎng)絡位置。網(wǎng)絡個人信貸借款人處于在線社會網(wǎng)絡核心位置，一般該網(wǎng)絡個人信貸借款人具有較高影響力。
根據(jù)1.1對在線社會資本的定義，在線社會資本是個人信貸借款人所在社會網(wǎng)絡中朋友數(shù)量F和在社會網(wǎng)絡中的位置L的共同結果，因而得到在線社會資本C 的表達式如下
C =f（F ，L ）=F ·L （1）
其中，friendd（vi）表示個人信貸借款人在社會網(wǎng)絡中朋友數(shù)量，包括直接朋友和間接朋友。網(wǎng)絡個人信貸借款人節(jié)點vi∈V，d表示與節(jié)點vi相連的第d層，d=1時，friendd（vi）是指網(wǎng)絡個人信貸借款人節(jié)點vi的直接朋友（FD）數(shù)量，可用vi的度進行計算。d>1時，網(wǎng)絡個人信貸借款人節(jié)點vi的第d層的vj的朋友數(shù)量除去之前層數(shù)共同的朋友，d=2為節(jié)點vi的間接朋友（FID），指網(wǎng)絡個人信貸借款人節(jié)點vi與節(jié)點vj的朋友可以通過vj連接，第d層指節(jié)點vi和節(jié)點vj中間間隔d-1個朋友。根據(jù)六度分隔理論，最多不超過6個人就可以建立世界上任意兩個人之間的聯(lián)系[27]。因此，公式（1）中d的取值為1至6，D為最高層數(shù)，最大取6即可。基于巴萊多定律，一般只有20%的朋友會對個人具有積極作用[28]。因此，度量在線社會資本時，個人信貸借款人的社會網(wǎng)絡中朋友數(shù)量的影響權重會隨著朋友所在層的增加而減小，即由于朋友的關系強度隨著朋友層數(shù)的增加迅速削弱。節(jié)點vi的在線朋友數(shù)量F是與其直接相連和間接相連邊數(shù)的加權之和，由于度的分布符合雙段冪律分布[29]，故選用平均度
（2）
為了度量網(wǎng)絡個人信貸借款人在社會網(wǎng)絡中的位置，將網(wǎng)絡個人信貸借款人在社會網(wǎng)絡中的位置劃分為核心位置、橋接位置、邊緣位置。通過引入k-核分解法來分析在線社會關系的位置，分解后個人信貸借款人所在的核數(shù)反映了其在社會網(wǎng)絡中的位置。假定個人信貸借款人的社會網(wǎng)絡已通過k-核算法分解，核心位置是指處于高核內的節(jié)點，邊緣位置是指處于低核的節(jié)點，除高核、低核外的其他節(jié)點稱為橋接節(jié)點，處于橋接位置，相關表達如公式（2）所示，閾值的選取將根據(jù)樣本數(shù)據(jù)的網(wǎng)絡結果具體確定。
（3）
公式（3）中，shell為k-核分解后節(jié)點所在的核，min，max是k-核分解后的最低核和最高核。通過ki，ka兩個閾值將社會網(wǎng)絡劃分為邊緣位置（KL）、橋接位置（KM）、核心位置（KC），將個人信貸借款人所處社會網(wǎng)絡的位置因素量化，如公式（4）所示，其中節(jié)點vi所在核shell ∈[1，max]
（4）
結合處于在線社會網(wǎng)絡核心位置的網(wǎng)絡個人信貸借款人擁有的社會資本也越大的現(xiàn)實情況，基于網(wǎng)絡個人信貸借款人的社會網(wǎng)絡中的朋友數(shù)量以及所處社會網(wǎng)絡的位置的度量方法，可以得到網(wǎng)絡個人信貸借款人的在線社會資本量化模型。將公式（2）和公式（4）帶入（1）中，得到公式（5），C 表示節(jié)點vi的在線社會資本的量化值
（5）
2 基于在線社會資本（OSC）的網(wǎng)絡個人信貸的信用風險評估模型的構建
通過利用網(wǎng)絡個人信貸借款人節(jié)點的社會資本量化值之和除以網(wǎng)絡內的節(jié)點數(shù)N來計算社會網(wǎng)絡中所有網(wǎng)絡個人信貸借款人節(jié)點的平均社會資本C ，即每個網(wǎng)絡個人信貸借款人節(jié)點的社會資本量化值之和除以社會網(wǎng)絡內的節(jié)點數(shù)N，得到單個網(wǎng)絡個人信貸借款人的平均社會資本量化值。C 表達式如下
（6）
為了得到基于在線社會資本的網(wǎng)絡個人信貸借款人（節(jié)點vi）信用風險修正值MCRv （Modified Credit Risk），需要建立在線社會資本量化值與個人信貸的信用風險之間的關系。鑒于在線社會資本與個人信用的正相關性，基于在線社會資本量化值，可將網(wǎng)絡個人信貸的信用風險標準化如下
（7）
（8）
（9）
公式（7）中σ表示網(wǎng)絡中所有節(jié)點的在線社會資本與在線社會資本均值的最大絕對差。公式（8）中STD（CR）表示該社會網(wǎng)絡中所有個人信貸借款人節(jié)點的已知信用風險評估值的標準差。公式（9）用于確定常數(shù)ρ的取值，其表達式等于該社會網(wǎng)絡中所有個人信貸借款人節(jié)點的信用風險評估值的標準差除以該社會網(wǎng)絡中在線社會資本與在線社會資本均值的最大絕對差，ρ用來標準化在線社會網(wǎng)絡中個人信貸借款人節(jié)點的基于在線資本的信用風險大小。
（10）
公式（10）為網(wǎng)絡個人信貸借款人節(jié)點vi的在線信用風險修正模型，通過該節(jié)點的在線社會資本量化值與在線社會資本均值差值，與標準化的基于在線社會資本的個人信貸的信用風險乘積來計算。該信用風險值在個人信貸的信用風險評估時用于修正網(wǎng)絡個人信貸的信用風險值。MCRv 修正值有正負兩類，當個人信貸借款人的在線社會資本高于其所處社會網(wǎng)絡中所有節(jié)點的平均社會資本時，修正值為正，反之則為負。
鑒于在線社會資本與個人信貸的信用風險的正相關性，將個人信貸借款人的在線社會資本作為傳統(tǒng)個人信貸的信用風險評估的補充指標，以第2節(jié)中個人信貸借款人的在線社會資本量化并嵌入至個人信貸的信用風險評估中。設CRv （B，C，W，T）為已知的網(wǎng)絡個人信貸的信用風險評估模型，其中B代表網(wǎng)絡個人信貸借款人的基本信息和特征，如身份認證和工作等信息，C表示網(wǎng)絡個人信貸借款人的還款能力，W表示個人信貸借款人的還款意愿，如信用記錄等，T表示網(wǎng)絡交易信息，如購物、繳費等記錄。因此，在網(wǎng)絡個人信貸的信用風險評估模型基礎上，嵌入基于在線社會資本的網(wǎng)絡個人信貸的信用風險修正模型，得到基于在線社會資本的網(wǎng)絡個人信貸的信用風險評估值的表達式如式（11）所示。
（11）
將公式（10）MCRv 的表達式帶入式（11），得到CRv 表達式（12）
其中
（12）
3 示例分析
3.1 示例背景
芝麻信用是最早獲得央行批準的八家個人征信業(yè)務機構之一，已經(jīng)被廣泛的應用于信貸機構信用卡申請、金融貸款、酒店住宿身份驗證、公共事業(yè)服務等上百個場景。芝麻信用分的評分指標包括了身份特質、覆約能力、信用歷史、人脈關系、行為偏好等，其中“人脈關系”是反映互聯(lián)網(wǎng)征信獨有的評估維度，可以反映社會資本的狀況[30]。因此，根據(jù)本文的研究內容，選取同時是芝麻信用用戶的網(wǎng)絡個人信貸借款人作為本文的研究對象。
3.2 數(shù)據(jù)來源
通過支付寶的芝麻信用，建立網(wǎng)絡個人信貸借款人之間的在線社會關系網(wǎng)絡，實驗共搜集到198個網(wǎng)絡個人信貸借款人（Vi（i=1，2，…198））的芝麻信用分相關數(shù)據(jù)。芝麻信用評分等級定義為：[350，550]信用較差，[550，600]信用中等，[600，650]信用良好，[650，700]信用優(yōu)秀，[700，950]信用極好[31]。實驗搜集的198個網(wǎng)絡個人信貸借款人中，芝麻信用風險等級優(yōu)秀的103人，極好的85人，良好的10人。從網(wǎng)絡個人信貸借款人的芝麻分信用風險等級分布情況來看，大多數(shù)網(wǎng)絡個人信貸借款人芝麻信用風險等級均較高，處于優(yōu)秀和極好的區(qū)間段。針對個人實際調研發(fā)現(xiàn)，總結芝麻信用風險等級處于優(yōu)秀和極好的網(wǎng)絡個人信貸借款人具有以下特征，在淘寶網(wǎng)網(wǎng)絡頻率較高且支付寶芝麻信用相關信息填寫完整。然后進一步調研之后發(fā)現(xiàn)，一方面，部分芝麻信用優(yōu)秀的網(wǎng)絡個人信貸借款人，平常網(wǎng)購的頻率低，信用相關信息填寫不完整，如v34和v94，因而芝麻信用風險等級僅是優(yōu)秀，但他們在線社會關系圈朋友的芝麻信用風險等級卻都是極好。另一方面，部分芝麻信用極好的網(wǎng)絡個人信貸借款人，如v105，平常網(wǎng)購的頻率高，信用相關信息填寫完整，但他的在線社會關系朋友圈的芝麻信用風險等級卻都只是優(yōu)秀而已。因此，建立基于在線社會資本的網(wǎng)絡個人信貸的信用風險修正模型，對芝麻信用風險等級進行修正是很有必要的。endprint
3.3 基于k-核分解的網(wǎng)絡個人信貸借款人在線社會網(wǎng)絡（OSN）
首先將搜集到的網(wǎng)絡個人信貸借款人在線社會網(wǎng)絡數(shù)據(jù)進行預處理，然后將網(wǎng)絡個人信貸借款人在線社會網(wǎng)絡通過UCINET軟件中的k-核算法分解，得到基于k-核分解后每個核中網(wǎng)絡個人信貸借款人分布圖如圖1。
3.4 基于在線社會資本（OSC）的網(wǎng)絡個人信貸的信用風險評估結果分析
本文的1.4節(jié)中提到公式（1）中d的取值為1至6，即shellv ∈[1，6]。為了避免數(shù)據(jù)搜集造成的偏差，除去不到3核的網(wǎng)絡個人信貸借款人，將公式（3）中ki的閾值取3。同時去除高核，即核數(shù)大于6的網(wǎng)絡個人信貸借款人，將公式（3）中ka的閾值取6，那么shellv ∈[3，6]。經(jīng)上述處理之后，最終198位經(jīng)篩選之后還剩45個網(wǎng)絡個人信貸借款人。結合3.2和3.3搜集該45個網(wǎng)絡個人信貸借款人的數(shù)據(jù)，基于在線社會資本的網(wǎng)絡個人信貸的信用風險的表達式（12）得到MCRv 。芝麻信用分Sesame credit Rating（SCR）的評估維度身份特質、覆約能力、信用歷史、行為偏好等基本上涵蓋了公式（13）中CRv （B，C，W，T）中的幾方面信息。因此，將網(wǎng)絡個人信貸借款人的芝麻信用分（SCR）作為CRv （B，C，W，T），代入公式（10）
（13）
將45個網(wǎng)絡個人信貸借款人的數(shù)據(jù)代入公式（11）得到網(wǎng)絡個人信貸的信用風險評估修正效果如表1、表2和圖2、圖3所示。
對于網(wǎng)絡個人信貸借款人vi在線社會網(wǎng)絡平均芝麻信用分SCRvi高于SCRvi的情況（如表1），在融入在線社會資本的網(wǎng)絡個人信貸的信用風險評估值起到了正修正的作用（如圖2）。對于網(wǎng)絡個人信貸借款人vi在線社會網(wǎng)絡平均芝麻信用分SCRvi低于SCRvi的情況（如表2），在融入在線社會資本的網(wǎng)絡個人信貸的信用風險評估值起到了負修正的作用（如圖3）。對于網(wǎng)絡個人信貸借款人vi在線社會網(wǎng)絡平均芝麻信用分SCRvi和SCRvi基本一致的情況，在融入在線社會資本的網(wǎng)絡個人信貸的信用風險評估值與原始芝麻信用分基本一致。前兩個方面的修正效果表明，融入在線社會資本的網(wǎng)絡個人信貸的信用風險評估模型可以避免形如網(wǎng)購頻率、芝麻信用相關信息填寫完整程度等因素的影響，與在線社會網(wǎng)絡朋友圈的芝麻信用分SCRvi有較大出入的網(wǎng)絡個人信貸借款人vi，如前文提及的v34、v94和v105，經(jīng)過提出的模型修正后CRvi基本接近SCRvi。對于與在線社會網(wǎng)絡朋友圈的芝麻信用分SCRvi基本一致的網(wǎng)絡個人信貸借款人vi，本文提出的基于在線社會資本的網(wǎng)絡個人信貸的信用風險評估模型評估結果基本保持一致。綜合以上分析，說明了本文提出的基于在線社會資本的網(wǎng)絡個人信貸的信用風險評估模型的有效性。
4 結論
本文基于社會資本可有效降低網(wǎng)絡個人信貸的信息不對稱的現(xiàn)實，就如何合理的刻畫在線社會網(wǎng)絡，構建基于在線社會資本的網(wǎng)絡個人信貸的信用風險度量模型展開研究。本文提出了k-核轉換的在線社會網(wǎng)絡刻畫方法，將在線社會資本融入網(wǎng)絡個人信貸的信用風險度量模型中。結合芝麻信用的實際數(shù)據(jù)，結果證明本文提出的基于在線社會資本的網(wǎng)絡個人信貸的信用風險度量模型可以有效地修正芝麻信用分。本文構建的基于在線社會資本的網(wǎng)絡個人信貸的信用風險評估模型，是基于網(wǎng)絡個人信貸的信用風險評估特點，對傳統(tǒng)個人信貸的信用風險評估的修正研究，代表了未來個人信貸的信用風險評估逐漸向線上線下相結合評估的研究趨勢。
但是本文的研究也存在的一些不足之處。首先，度量社會資本時，社會網(wǎng)絡中朋友數(shù)量和在社會網(wǎng)絡中的位置之間的關系被簡單的定義為相互獨立。然而事實上，在線社會網(wǎng)絡位置和在線社會網(wǎng)絡朋友數(shù)存在一定的正相關的關系。因此，進一步對社會資本影響因素之間的復雜關系進行探討，建立合理的社會資本度量模型，是未來研究的重點。其次，在結合相關的數(shù)據(jù)進行示例分析時，數(shù)據(jù)量有限，同時以芝麻信用分作為已知網(wǎng)絡個人信貸借款人的信用風險值，本身就存在一定的局限性。因此，搜集更為具體的數(shù)據(jù)對本文提出的評估模型進行驗證，也值得進一步的研究。
參考文獻：
[1]李銘.網(wǎng)絡借貸信用風險管理體系研究綜述[J].時代金融， 2016（35）：243-245.
[2]丁延青，趙玉娟，任全民.互聯(lián)網(wǎng)金融行業(yè)，信用風險有幾何[J].金融博覽，2016（24）：1.
[3]趙曉東，鄭濤.基于Fuzzy-AHP評價方法的個人信用風險等級評價模型指標體系[J].數(shù)量經(jīng)濟技術經(jīng)濟研究，2003（6）：9-100.
[4]賴輝，帥理，周宗放.個人信貸客戶信用評估的一種新方法[J].技術經(jīng)濟，2014，33（9）：9-103.
[5]H.A. Camdeviren， A.C. Yazici， Z. Akkus， et al. Comparison of logistic regression model and classification tree： An application to postpartum depression data [J]. Expert Systems with Applications， 200， 32（4）：98-994.
[6]H. Morton. Municipal Credit Rating Modelling by Neural Networks [J]. Decision Support Systems， 2011， 51（1）： 108-118.
[7]肖文兵，費奇.基于支持向量機的個人信用評估模型及最優(yōu)參數(shù)選擇研究[J].系統(tǒng)工程理論與實踐，2006（10）：3-9.
[8]張大斌，周志剛，許職，李延暉.基于差分進化自動聚類的信用風險評價模型研究[J].中國管理科學，2015，23（4）：39-45.endprint
[9]蕭超武，蔡文學，黃曉宇，陳康.基于隨機森林的個人信用評估模型研究及實證分析[J].管理科學，2014（6）：110-113.
[10]J. Sun， H. Li. Listed Companies' Financial Distress Prediction Based on Weighted no Majority Voting Combination of Multiple Classifiers [J]. Expert Systems with Applications， 2008， 35（3）： 818-82.
[11]馮芷艷，郭迅華，曾大軍，等.大數(shù)據(jù)背景下商務管理研究若干前沿課題[J].管理科學學報，2013，16（1）：1-10.
[12]A. Krishna， N. T. Uphoff. Mapping and measuring social capital： A conceptual and empirical study of collective action for conserving and developing watersheds in Rajasthan， India[M]. World Bank， Social Development Family， Environmentally and Socially Sustainable Development Network， 1999.
[13]姚錚，胡夢婕，葉敏.社會網(wǎng)絡增進小微企業(yè)人貸款可得性作用機理研究[J].管理世界，2013（4）：135-149.
[14]楊汝岱，陳斌開，朱詩娥.基于社會網(wǎng)絡視角的農戶民間借貸需求行為研究[J].經(jīng)濟研究，2011（11）：116-129.
[15]李悅雷，郭陽，張維.中國P2P小額貸款市場借貸成功率影響因素分析[J].金融研究，2013：126-138.
[16]M.F. Lin， N.R. Prabhala， S. Viswanathan.Can Social Net-works Help Mitigate Information Asymmetry in Online Markets[C]. Thirtieth International Conference on Information Systems， Phoenix， Arizona， Usa， December. DBLP， 2009：202.
[17]S.H. Lopez. Social interactions in P2P lending. The Workshop on Social Network Mining and Analysis， Snakdd， Paris， France， 2009，54：3.
[18]李思明，肖忠意.社交朋友網(wǎng)絡資本與P2P網(wǎng)貸行為選擇研究[J].上海金融，2016（4）：4-52.
[19]繆蓮英，陳金龍.P2P網(wǎng)絡借貸中社會資本對借款者違約風險的影響——以Prosper為例[J].金融論壇，2014（3）：9-15.
[20]P.S. Adler， S.W. Kwon. Social capital prospects for a new concept [J]. Academy of Management Review， 2002， 2（1）：1-40.
[21]M.S. Cranovetter. The strength of weak ties[J]. American Journal of Soiology， 193， 8（6）：1360-1380.
[22]胡海波，王科，徐玲，等.基于復雜網(wǎng)絡理論的在線社會網(wǎng)絡分析[J].復雜系統(tǒng)與復雜性科學，2008，5（2）：1-14.
[23]徐恪，張賽，陳昊，等.在線社會網(wǎng)絡的測量與分析[J].計算機學報，2014，3（1）：165-188.
[24]曹玖新，董丹，徐順，等.一種基于k-核的社會網(wǎng)絡影響最大化算法[J].計算機學報，2015，38（2）：238-248.
[25]白林根，諶志群，王榮波，等.微博關注關系網(wǎng)絡K-核結構實證分析[J].現(xiàn)代圖書情報技術，2013（11）：68-74.
[26]張艷，張寧.在線社會網(wǎng)絡的k-shell結構研究[J].計算機應用研究，2015，32（2）：536-538.
[27]繆超群.什么是二八定律[J].出版視野，2012（3）：33.
[28]單保麗，郭雪穎.微博環(huán)境里的“六度空間”[J].網(wǎng)絡傳播，2013（5）：51-53.
[29]李濤，張寧.大型在線社會網(wǎng)絡拓撲結構實證研究[J].信息技術，2015（5）：12-15.
[30]周路菡.芝麻信用“芝麻分”的魅力[J].新經(jīng)濟導刊，2015（9）：2-5.
[31]劉杰，丁晨陽.芝麻信用的個人征信評估體系存在的問題分析[J].商，2016（29）：180.hendprint
