基于隨機森林的第三方支付違規風險預警研究

（復旦大學 管理學院，上海 200433）

作為互聯網時代支付產業的創新形式，第三方支付在我國金融服務業中扮演著重要的角色，對實體經濟的轉型發展也發揮著越來越重要的作用。盡管監管趨嚴，但第三方支付企業的各種違規行為屢禁不止，對支付產業生態產生嚴重的負面影響。隨著市場準入限制的進一步放開①2018 年博鰲亞洲論壇上，國家主席習近平在其主旨演講中宣布中國將大幅放寬包括金融業在內的市場準入，中國人民銀行行長易綱隨后表示已經放開銀行卡清算機構和非銀行支付機構的市場準入限制。，如何從根源上進行風險預警顯得尤為重要。因此，建立完善的第三方支付違規風險預警機制，構建科學的風險評估指標體系和評估方法，具有重要的理論和現實意義。

目前關于第三方支付風險管控的相關研究主要集中在3 個方面。其一，第三方支付風險的構成。楊彪［1］總結了第三方支付的4 類風險，包括金融系統性風險、信息系統與操作風險、市場環境風險和市場退出潛在風險，其中市場環境風險的具體表現為惡性競爭、洗錢、套現、賭博等形式，市場退出潛在風險包括未取得行政許可的機構退出、取得了行政許可但因經營不善而退出兩大類。胡娟［2］指出了第三方支付風險的具體構成，包括巨額沉淀資金風險、洗錢風險、信用卡套現風險、消費者權益保護風險等法律風險，業務設施技術風險以及跨境支付風險。Yang 等［3］從用戶感知和接受度出發，指出支付平臺與用戶之間存在著信息不對稱風險，尤其是績效風險、財務風險和隱私風險會顯著影響支付平臺的接受度。其二，風險監管機制設計。針對互聯網金融的監管難點，修永春［4］提出了三元監管模式，并分析其分階段運行機制。Xu 等［5］指出中國互聯網金融市場面臨的監管挑戰，對目前存在的“自上而下”監管方式的有效性展開探討。針對如何防范風險，學者們從監管體制、市場準入和退出機制等方面提出了許多建議［67］。其三，風險預警。關于信用風險的影響因素方面，相關研究發現公司的發展前景、盈利能力、公司規模、財務杠桿等因素會影響企業的財務欺詐和信息披露違規［811］，投資者關系管理和內部控制質量對企業未來的違規傾向有顯著影響［12］。在信用風險預測方面，Logistic 模型是最常用的風險計量模型［1314］。最近幾年，數據挖掘和機器學習等新興工具在風險預警中的應用日受重視。涂艷和王翔宇［15］通過對比試驗研究，發現運用機器學習來預測借款人違約行為的準確率遠高于傳統的回歸模型，特別是隨機森林算法的效果尤佳。林成德和彭國蘭［16］發現，通過隨機森林方法得到的指標體系能更有效地反映企業的信用狀況。目前，隨機森林算法被廣泛應用各個行業中企業信用風險的評估中［1720］，而支持向量機等其他機器學習方法也受到越來越多的關注［21］。

總體而言，目前針對第三方支付違規風險的研究方興未艾，系統深入的定量研究亟待開發。對于隨機森林算法在風險預測模型中的應用，既有研究大多只是直接將其應用于某個具體行業，并未與傳統模型方法進行充分的對比分析，也缺乏對指標體系的詳細分析。在此背景下，本文將隨機森林模型方法應用于第三方支付違規風險的預警研究中，構建預警指標體系，給出預警機制及其具體實施方案。

本文首先基于經典風險理論并結合第三方支付行業的特殊性，從企業基本特征和經營行為兩個方面出發，用企業自身特征、企業發展特征、創新行為、投融行為、信用行為5 個維度的變量構建了風險預警指標體系。在此基礎上，運用隨機森林模型提出了違規風險預警機制。然后，將樣本隨機劃分為訓練集和測試集，并運用十折交叉驗證（10 fold cross validation）評估隨機森林模型的準確度。通過對比Logistic 回歸模型與隨機森林模型的結果，驗證了所提出的風險預警機制的有效性。最后，根據模型預測效果及對變量的重要性分析，給出相應的監管建議。

與既有研究相比，本文的主要區別體現在兩個方面：一是研究對象的不同。本文選取目前備受關注的第三方支付企業進行研究，由于支付牌照存在的特殊性以及行業本身存在的“互聯網+”特征，對牌照申請企業的資質和信用風險進行正確合理的審視至關重要。二是研究方法的差異。通過將定性研究與機器學習算法相結合，本文提出了違規風險預警機制，克服了傳統模型的局限性，提高了風險預警的有效性。同時，本文在所提出的預警模型基礎上，進一步提煉出重要變量并展開分析，對如何把控市場準入機制、如何實施監管進行了詳細描述和研究。

一、風險預警機制設計

構建第三方支付的風險預警指標體系，根據隨機森林算法提出第三方支付違規風險預警機制，以271 家持牌支付企業為樣本檢驗基于隨機森林的風險預警機制的有效性。

（一）風險預警指標體系構建

根據國內外相關研究，企業特征對企業的違規風險有重要的影響。例如，企業的發展前景、盈利能力、公司規模、財務杠桿等會對其財務欺詐問題和信息披露違規問題產生重要影響［69］；而企業違約信號、投資者關系管理和內部控制質量也會顯著影響企業未來的違規傾向［10］。需要指出的是，對于第三方支付行業，其獨特的行業特性蘊含著相應的風險特征：一方面，第三方支付通過發放支付牌照的方式來認定企業的經營資格，企業自身特征（如類型、規模、媒體曝光度等）展示了企業的實力，但也暗示了相應的風險；另一方面，第三方支付行業具有顯著的“互聯網+”特征，在基礎業務的基礎上還有各種增值業務，而且大部分第三方支付企業都有技術背景，且備受資本熱捧②根據零壹財經·零壹智庫發布的《2017 全球金融科技發展指數（GFI）與投融資年報》，2017 年支付行業獲得93 筆融資，總額約265 億元，是金融科技中4 個融資金額達到百億元的領域之一（另外3 個是借貸、汽車金融和互聯網保險）。。因此，在分析第三方支付企業的違規風險時，應特別關注其經營行為，特別是企業創新、投融資及信用行為。

通過對研究樣本中的18 家違規企業的違規行為進行跟蹤分析，本文發現第三方支付企業的違規行為主要來自于兩方面：一是企業自身條件未能滿足相關管理規定，或是業務不符合要求，或是在財務、數據等方面有違法行為；二是企業為了自身利益進行挪用備付金、私自轉讓牌照等違規操作。

綜上所述，本文從企業特征和經營行為兩個方面構建第三方支付的風險預警指標體系，見表1，其中企業特征包括自身特征和發展特征，經營行為包括創新行為、投融行為和信用行為。

表1 風險預警指標體系變量匯總

1.企業特征

企業自身特征包括企業類型和企業規模兩個變量。關于企業類型，本文將其分為“有限責任公司”和“股份有限公司”兩種，由于有限責任公司和股份有限公司在股東數量、注冊資本和組織機構權限等方面有諸多不同，因而，本文認為其將對企業行為產生影響。關于企業規模的重要性已引起國內外研究的關注，本文按企業注冊資本金額將其分為4 類：小于5 千萬、5 千萬至1 億3 千萬、1 億3 千萬至8 億和大于8 億。

企業發展特征包括獲牌時間、媒體報道和投資方來源3 個變量。其中，獲牌時間系指企業從注冊成立至拿到牌照的時間。關于媒體報道對企業在資本市場表現的影響，已有研究發現媒體報道可以通過媒體信息治理和聲譽治理等多種路徑影響公司行為，比如，媒體監督會提高被報道企業的公眾關注度和企業透明度，產生聚光燈效應，影響企業行為［22］；越受媒體關注的企業，越樂意改善社會責任表現［2324］；媒體關注度不僅直接影響企業社會責任的履行，還會通過對其他利益相關者的影響給企業實施壓力，促使企業的自律行為［25］；一些學者認為媒體作為外部監督機制能夠發揮積極作用［2629］，而游家興和吳靜［30］研究發現新聞報道所傳遞出的媒體情緒會傳遞負面影響。因此，本文也將其作為模型輸入自變量，分析其對公司行為的影響。此外，根據權小鋒等［12］對于投資者關系管理的研究結果，本文加入投資方來源變量，并根據企業背景將其分為4類：無任何背景、有上市公司背景、有國資背景、同時有上市和國資背景。

2.經營行為

創新行為包括資質證書、注冊商標、所獲專利和軟件著作4 個變量，這些變量反映了企業在知識產權、研發、創新方面的投入與成果，是企業經營實力和競爭力的體現。

投融行為包括對外投資和融資歷史兩個變量。其中，對外投資的目的是獲得投資收益，但也有可能遭受經濟損失。企業融資則從某種角度反映了企業信息披露違規的可能性。實際上，當有較好的發展前景時，公司進入資本市場融資的動力更強，此時公司的管理層往往不愿因犯錯而失去寶貴的融資機會，因此公司違規披露信息的可能性就比較低［10］。

信用行為包括工商變更、失信人信息、經營異常、行政處罰和股權質押5 個變量，這些變量分別反映了企業的經營風險和財務風險。

（二）隨機森林預警過程

根據Breiman［31］提出的隨機森林算法框架，本文構建了如圖1 所示的基于隨機森林的違規風險預警機制。

圖1 基于隨機森林的風險預警過程示意圖

風險預警的具體過程如下③在Breiman［31］關于隨機森林算法框架的基礎上，本文構建了風險預警的指標體系，并實際運用了該算法框架，形成風險預警過程。：

首先，對于每一家企業，運用所構建的預警指標體系變量刻畫其特征x，作為隨機森林模型的輸入變量，因變量y為0 1 二值變量，分別代表企業有嚴重違規和無嚴重違規。

然后，從全集數據中隨機選取若干變量和若干樣本數據，將其劃分為n個子集，構成n個訓練集，以此來增加各個子分類模型的差異。

最后，隨機森林便對訓練集中的數據開始“學習”過程。基于每個訓練集中的數據和變量，隨機森林模型對樣本數據信息不斷進行提煉，通過遞歸的方式計算得到最優的劃分特征以及特征的劃分節點，依次進行根節點至葉節點的變量特征選擇，構建出若干子決策樹，這些子決策樹共同構成訓練模型。

當需要對新的樣本數據進行判定時，將該企業的特征變量輸入模型，每一棵子決策樹都能夠給出一個判定結果，模型基于多數原則輸出最終的判定結果：0 或1。

（三）預警機制有效性檢驗

1.數據來源及變量描述性統計分析

選取中國人民銀行官方網站公布的《支付業務許可證》獲取名單中的271 家企業為研究對象，通過天眼查、啟信寶收集到這些企業的相關信息進行研究。這271 家企業的牌照類型覆蓋了央行所規定的三大類業務類型，可以代表整個第三方支付市場。同時，天眼查和啟信寶的數據來源于全國企業信用信息公示系統、中國法院裁判文書網、中國執行信息公開網等100 多家官方網站，因此，研究對象的選擇具有代表性和普適性。

研究樣本分為兩類：嚴重違規（被注銷牌照）、無嚴重違規。在被注銷牌照的33 家企業中，將因為合并注銷的11 家企業和主動申請注銷的4 家企業重新劃分為無嚴重違規類別。核心被解釋變量“企業違規情況”為虛擬變量：若企業發生嚴重違規致被吊銷牌照取1，否則取0，見表2。核心解釋變量即表1 中所構建的風險預警指標體系變量。

表2 研究樣本牌照情況

所有變量的描述性統計分析見表3。可以看到，被解釋變量的均值非常接近0，這是因為原始數據中“有嚴重違規”的企業數量比起“無嚴重違規”太少，因此，本文在后面的分析中對數據先做了均衡處理。在企業特征變量中，從企業類型變量看，有限責任公司占多數。從獲牌時間和媒體報道看，樣本中所有企業這兩個變量差異非常大。在經營行為變量中，不同企業注冊商標數差別非常大，其余的創新行為特征變量差異相對小很多。從信用行為看，絕大多數企業均具有良好的信用資質，體現為工商變更、失信人信息、經營異常、行政處罰和股權質押變量均值都比較小。

表3 變量的描述性統計分析

2.機制有效性檢驗

基于R 語言實現Logistic 回歸模型和隨機森林模型的構建④由于原始數據中出現嚴重違規以致被吊銷牌照的數量比例較小，在隨機森林模型中首先使用SMOTE 算法對數據進行預處理，實現不平衡數據的均衡化。SMOTE 算法處理后的數據中“無嚴重違規”和“嚴重違規”分別有360 個和378 個。。

首先是對所構建指標體系的有效性進行檢驗。在隨機森林模型中，分別選取1 個、2 個、4 個、8 個和16 個變量放入模型，見表4，發現當變量個數為16 個時模型整體的誤差最小，只有0.010。

同理，在進行Logistic 回歸時，分別用4 種不同的變量組合構建模型，來檢驗不同類別信息的預測能力。模型1 基于企業特征進行判別；模型2 基于企業自身特征和信用行為；模型3 基于企業自身特征、發展特征和信用行為；模型4 則包括所有5 類信息變量。判別模型的相關擬合優度指標見表5，從表5 可以看到，模型4 的準確率和AUC（area under ROC curve）值⑤AUC 值表示ROC（receiver operating characteristic）曲線下與坐標軸圍成的面積，ROC 曲線的縱軸代表“真陽性率”，橫軸代表“假陽性率”。AUC 值越大，對應的分類器效果越好。遠高于其他3 個模型，赤池信息準則（Akaike information criterion，AIC）值小于其他3 個模型，這表明包含所有變量的模型擬合效果最優，進一步表明應該將所有變量都放入模型中。

在初步驗證了所構建的風險預警指標體系的有效性后，就可以對模型預測度進行比較。在評估模型準確度時，本文通過十折交叉驗證驗證算法的準確性。具體而言，將數據集分成10 份，輪流將其中9 份作為訓練數據，1 份作為測試數據進行試驗，最后將10 次結果正確率的平均值作為對算法精度的估計。

隨機森林與Logistic 模型預測對比結果見表6，由表6 可以看出：隨機森林模型的正確預測率遠遠高于Logistic 模型，Logistic 模型正確預測率只有80.33%，而隨機森林達到了99.01%，表明隨機森林模型對于評判相關企業是否會出現嚴重違規的準確度高達99.01%。

除此之外，隨機森林模型的一類錯誤率和二類錯誤率都遠低于Logistic 回歸，模型敏感度達到了100%，這意味著所有有嚴重違規行為的第三方支付企業都能被正確識別。模型精確度為98.02%，這表示在被模型預測為有嚴重違規行為的企業中，實際上確實有嚴重違規行為的企業比例為98.02%。通過驗證模型性能常用的指標AUC 值來看，隨機森林模型的AUC 值遠遠高于Logistic 模型，也進一步驗證了隨機森林模型預測精度更高。

表4 隨機森林模型中變量選擇的初步結果

表5 不同變量組合下Logistic 回歸模型擬合效果

表6 隨機森林模型與Logistic 模型結果對比

二、風險預警機制應用分析

在風險預警機制的具體實施中，可以先通過關鍵指標進行初步評估，篩選出風險較高的企業并預警。對通過關鍵指標篩選標準的企業，則進一步結合完整的指標體系和模型進行風險評估。本節通過對指標體系中的重要變量的分析，并結合典型案例，闡述了預警機制的具體應用，并提出相應的監管政策建議。

（一）重要變量分析

根據平均精度降低度（mean decrease accuracy，MDA）和平均基尼指數降低度（mean decrease gini，MDG）兩個指標可以識別重要變量。MDA 描述的是一個變量被隨機數替代后模型結果準確度的降低程度，值越大表示該變量的重要性越高；MDG 描述的是一個變量對分類樹上每個節點分類效果的貢獻，值越大表示該變量的分類效果越好。運算結果如圖2 所示，通過綜合對比分析，本文發現媒體報道、注冊商標數以及獲牌時間是最重要的3 個變量。

圖2 指標體系中所有特征重要性排序

進一步，給出媒體報道、注冊商標數以及獲牌時間這3 個變量在兩個類別（嚴重違規、無嚴重違規）中的分布，如圖3 所示。需要特別提醒的是，媒體報道、注冊商標數這兩個變量目前恰恰是央行所忽略的。以下對各變量的重要性逐一進行分析。

圖3 媒體報道、注冊商標數和獲牌時間3 個變量類別分布圖

關于獲牌時間，該變量代表企業從注冊成立到取得牌照的時間。可以看出，被注銷牌照的企業的獲牌時間變量值普遍較低。企業在發展初期容易出現過度投資、盲目擴張的問題，Cefis 和Marsili［32］指出企業生存機會隨著企業年齡和成長而增加。肖興志等［33］通過分析494 家企業在6 年觀測期的表現，發現有28.7%的企業選擇退出，平均生存年數僅為3.7 年，而且戰略性新興產業的退出風險更大。事實上，該變量的重要性在央行目前的《支付業務許可證》申請要求里已有所體現：央行規定外資企業截至申請日，應連續盈利2 年以上。不過，獲牌時間變量雖然對整個風險預警機制的貢獻很大，但是從圖3（c）可以看到，只憑借這一個變量并不能達到很好的分類效果，在判別時仍需結合預警機制中的其他變量。

關于媒體報道對企業運營的影響，一方面，媒體報道數量反映了企業的媒體關注度，這會對公司管理層產生壓力效應［3435］；另一方面，頻繁在媒體曝光的公司更容易受到大眾的關注，知名度會影響到企業從事違規活動的可能性。此外，已有許多研究指出，新聞報道所傳遞出的媒體情緒會影響到企業行為。作為信息中介，媒體搜集、整理并傳播相關信息，不僅拓寬了企業的外部信息渠道，也加深了市場各方對公司的了解。本文中媒體報道變量在兩個類別中的分布如圖3（a）所示。與既往研究不同，本文發現違規企業的媒體報道變量分布在110～370 次。換言之，媒體報道數低于110 次或者高于370 次都傳遞了“企業不會違規”的正信號。通過對樣本中企業的新聞報道進一步細分為“正面”和“負面”報道后，本文發現，對于新聞報道較多（新聞報道數高于370 次）的企業，其報道內容中正面與負面比例相當，或者正面報道所占比例遠高于負面報道比例；而對于新聞報道數相對較低的企業，說明企業本身在媒體中的關注度就很低，相關的新聞報道幾乎都是各個媒體轉發的央行處罰新聞。從實際情況來看，大部分第三方支付企業規模并不大，在大眾和媒體中的知名度都不高。除了支付寶、銀聯、拉卡拉等少數大型企業，大多數第三方支付機構的規模都很小，在新聞媒體中的活躍度很低，因此出現媒體報道時以負面新聞報道居多，所以媒體報道數低反而表明其負面新聞少，是一種正信號。如支付寶、銀聯等的大型第三方支付企業，這些企業在媒體上相對活躍許多，媒體報道數都非常高，佐證了媒體作為外部監督機制能夠發揮積極作用。

關于企業擁有的注冊商標數的重要性，從理論上講，商標不僅是企業知識產權的組成部分，也是一項重要的無形資產，反映了企業技術創新的實力，它承載著企業的聲譽，幫助企業實現市場競爭優勢［36］。實際上，隨著第三方支付產業競爭的加劇，支付企業呈現多樣化，包括銀聯系、電商系、社交系、移動運營商及通信設備制造商、獨立第三方等，運營模式也不斷創新，形成“支付+”生態體系。在第三方支付產業鏈競爭中，商標所傳遞的信號作用越來越重要。從實際數據來看，合規企業的注冊商標數遠遠高于違規企業，發生嚴重違規被注銷牌照的企業中，注冊商標數幾乎都為0 或者只有個位數。本文的研究結果進一步佐證了潘鎮和魯明泓［37］提出的注冊商標的等級對中小企業的業績有著重要影響的結論。

重要性緊排在這3 個變量之后的是軟件著作和經營異常兩個變量。軟件著作權作為知識產權的一部分，是企業重要的無形資產。一方面，軟件著作權代表了企業的科技實力，能夠提升企業信譽；另一方面，作為知識產權，擁有軟件著作權的企業能夠享受到國家的各種優惠政策，對其長期發展及可持續經營都有積極作用。更重要的是，對于互聯網企業來說，軟件著作權能在一定程度上反映其業務的豐富性及多樣性，可以提高用戶的支付體驗。

是否有經營異常則代表了企業的征信情況，體現了企業的風險信息。此外，工商變更次數的重要性也不容小覷，尤其是股東變更。李維安和李建標［38］發現控股股東變動的次數與企業信用呈反向變動關系：股東變動的次數越多，企業信用下降的程度會越大。本文關于第三方支付行業的研究發現支持其結論。

關于企業注冊資本的重要性，雖然央行在《支付業務許可證》申請要求里有“企業應有符合規定的注冊資本最低限額”的相關規定，但是實際上對企業違規經營的影響并不大，本文認為央行日后可適度調整該項規定。重點關注上文所提到的幾個變量，在此基礎上結合企業注冊資本等變量來綜合分析。

（二）典型案例分析

關于媒體報道、注冊商標數以及獲牌時間3 個變量重要性的實際案例代表見表7，其中SXLH 公司、CSSL公司和BJJG 公司為負面案例代表，YLSW 公司、GZYL 公司和JSGX 公司為正面案例代表⑥案例牌照信息來自中國人民銀行官網公布的各批非銀行支付機構《支付業務許可證》續展決定，企業違規事實及注銷原因來自金融時報2017 年7 月2 日的報道，詳見http：//www.financialnews.com.cn/jg/dt/2017 07/t20170702_120213.html。。

表7 典型案例重要變量及其他特征變量對比

從表7 可以看到，與模型結論和前文分析一致，被注銷企業典型代表SXLH 公司、CSSL 公司和BJJG 公司從注冊成立至取得牌照的時間天數都在900～1800 天，相對合規企業較短；與此同時，媒體報道數普遍較低，新聞動態數量集中于110～370 條。所獲商標數幾乎都為0 個，少數企業有注冊商標但也為個位數，遠遠少于合規企業。

其中，SXLH 公司牌照注銷原因為支付業務設施不符合相關標準及安全要求，支付業務連續性風險大。前文分析指出第三方支付產業鏈競爭中，商標傳遞著重要信號，軟件著作權也對企業的長期持續發展有重要作用。從SXLH 公司的注冊商標數和軟件著作數來看，公司對于業務創新及發展并不重視，在實際運行中，公司將核心業務系統外包，且外包服務合同已過期。雖然公司2012 年就已獲得支付牌照，新聞報道數卻一直較少，這也進一步傳遞了企業并不注重業務的拓展與長期發展的信號。

CSSL 公司與BJJG 公司也都在成立不久后就取得支付牌照，但從媒體報道數較低和注冊商標的個數為0這兩個關鍵指標，可以看出兩家企業同樣并不注重支付業務本身的運營發展，與此同時，在關鍵指標都遠遠低于其他企業的情況下，公司的工商變更次數卻相對較高，從實際運行情況來看，兩家公司的確存在著未經核準擅自變更控股股東、擅自變更主要出資人、違規變更股權結構等重大事項，這些都屬于變相轉讓《支付業務許可證》的行為，嚴重違反了央行的相關規定。

相比之下，對于合規企業，獲牌時間變量值都比較高，普遍在2000 天以上。媒體報道數則分兩個極端，要么非常高，要么很低（低于110 條），這些都與前文分析一致。從YLSW 公司與GZYL 公司來看，兩家企業受媒體關注度很高，注冊商標數與軟件著作數都遠遠高于其他企業。實際運營情況中，公司注冊了金融物管、科學儀器等支付業務相關的商標，開發了諸如網絡賬戶管理軟件、發卡管理軟件、自助繳費軟件等許多軟件，以促進保障第三方支付業務的順利開展與持續運營。JSGX 公司則是合規企業中的另一類代表，業務比較集中單一，所以受媒體關注度較低，但同時也意味著企業的負面報道很少。雖然新聞報道少，但是注冊商標、軟件著作等關鍵指標依舊體現了企業為了保障支付業務正常運行的投入與付出。這些案例都進一步佐證了本文的研究結論。

（三）預警機制實施及風險監管建議

綜上所述，對于央行來說，目前對支付業務許可證的申請條件設置仍有待進一步完善與優化。目前關于支付牌照的申請考核條件中只對企業的注冊資本和獲牌時間做出明確規定⑦中國人民銀行關于支付業務許可證的申請條件要求詳見中國人民銀行官網：http：//www.pbc.gov.cn//tiaofasi/ 144941/144957/2845832/index.html。，而忽略了最重要的變量——媒體報道數和企業注冊商標數，因而并不能對企業資質進行真正有效的篩選。因此，本文提出基于隨機森林的第三方支付違規風險預警機制實施框架，如圖4 所示。

圖4 風險預警機制實施框架圖

基于所構建的風險預警機制，本文提出如下監管建議：

（1）參考本文所設計的預警指標體系，完善支付業務許可證的申請考核條件。除了企業注冊時間，還應該將企業的媒體報道數、注冊商標數、軟件著作數和經營異常情況、工商變更次數、投資方來源、對外投資等變量都納入申請考核條件中，要求企業提交相關資料數據證明。

（2）在評判相關企業資質時，首先應重點關注企業的媒體報道數和注冊商標數這兩個變量，對于媒體報道數在110～370 之間的企業，注冊商標數非常低甚至接近于0的企業，應設置預警，謹慎給予支付牌照或者直接拒絕。在此基礎上，再進一步關注注冊時間、軟件著作數、經營異常等信息。

（3）關于企業注冊資本的規定可以適度放寬，雖然央行在《支付業務許可證》申請要求里有相關規定：企業應有符合規定的注冊資本最低限額，但是實際該變量對企業違規經營的影響并不大。央行應重點關注建議（2）所提到的幾個變量，在此基礎上結合企業注冊資本等變量來共同分析。

（4）對于媒體報道數和注冊商標數達標的企業，將風險預警指標體系中所有相關指標量化后，運用隨機森林模型對企業是否會違規做提前判定，根據模型預測結果，進一步考慮斟酌。對于被判定違規的企業尤其應該審慎考量，從而真正有效地實施對于企業的“健全的組織機構、內部控制制度和風險管理措施”的申請要求。

三、結論

合理有效地監管第三方支付，對支付產業生態的發展至關重要。尤其是隨著市場準入限制的進一步放開，數家機構排隊申請第三方支付牌照的背景下，建立完善的違規風險預警機制，完備牌照發放和監管機制，能夠從根源上進行風險預警，促進支付產業的健康發展。

本文首先基于經典風險理論并結合第三方支付行業的特殊性，構建風險預警指標體系，進而結合機器學習中的隨機森林算法，提出了基于隨機森林模型的風險預警機制。隨后，以獲得支付牌照的271 家企業為樣本，通過對比傳統Logistic 回歸模型與隨機森林模型，發現Logistic 回歸模型在評估第三方支付企業違規行為時有明顯的局限性。而隨機森林模型判定的準確率大大提高，且一類錯誤和二類錯誤比率都大幅降低（二類錯誤率為0）。這驗證了本文所提出的第三方支付違規風險預警機制的有效性。

最后，通過分析每個特征變量在隨機森林模型中的貢獻程度，得到評價指標重要性的度量值，評估各個屬性變量在分類中所起的作用。本文發現媒體報道和注冊商標數是最重要的兩個變量，而這兩點在央行目前對申請牌照企業的考核條件中都沒有體現。關于目前申請審核條件中的企業的注冊資本要求，本文研究發現其重要程度相對較低，央行日后可適度放寬該項規定。

為了真正有效地對企業資質進行篩選，本文建議央行進一步完善目前對于支付牌照的發放考核條件，在發放牌照時，將企業的媒體報道數、注冊商標數、注冊時間、軟件著作數和經營異常情況等都納入申請考核條件中，要求企業提交相關資料證明，首先觀察企業的媒體報道數和注冊商標數是否滿足要求，進而通過隨機森林模型來評估相關企業的違規風險作為參考，從而降低整個支付行業的風險。