1、大数据背景下互联网金融风险评价研究基于广义 DEA 模型及 P2P 网贷视角 吕喜明 内蒙古大学数学科学学院 内蒙古财经大学统计与数学学院 摘 要： 互联网金融风险直接关系到互联网金融系统自身的经营和发展, 对整个国家宏观经济的运行有着极其重要的影响。截至 2017 年 2 月, 互联网借贷平台共有2335 家, 其中问题平台有 55 家, 在监管不严、信用风险等多发情况下频繁发生平台跑路事件, 所以对互联网金融风险进行科学评价显得尤为重要。本文以获得网贷之家评级认证的前百强 P2P 网贷平台风险管控为主要研究对象, 从流动性风险、市场风险和信用风险三个维度构建评价指标体系, 运用 R 型聚类
2、分析对指标体系进行降维处理, 得到了核心指标评价体系。在此基础上运用经典DEA 模型 (CCR 及 BCC) 对其进行风控能力效率初评, 根据设定的步长进行了优、良、中、差风控能力效率评级。并以优势平台为参考集, 以非优势平台为评价集, 运用新型广义 DEA 模型进行了“追赶效率”研究及投影分析, 探究了非优势平台效率低下的症结所在及非优势平台向优势平台转变的可行性路径。关键词： 聚类分析; 广义 DEA; 互联网金融; 风险评价; 作者简介：吕喜明, 博士生, 内蒙古财经大学统计与数学学院副教授, 收稿日期：2017-01-16基金：国家自然科学基金项目 (71261017, 7166102
3、5) Research on Internet Financial Risk Evaluation under Big Data Background:Based on Generalized DEA Model and P2P Network LoanXiming Lyu School of Mathematical Sciences, Inner Mongolia University; Abstract： The internet financial risk is not only directly related to the operation and development of
4、 the internet financial system, but also plays an important role in the economical operation. As of February 2017, there were 2335 network loan platforms, among which 55 platforms have problems. In context of slack supervision and high credit risk, many platform holders take the money away. Therefor
5、e, it is important to evaluate the internet financial risks. With the data of top 100 P2 P loan platforms ranked by WDZJ, this paper constructs an evaluation index system including liquidity risk, market risk and credit risk, and uses the R-type cluster analysis to obtain the core indexes of the eva
6、luation system. On this basis, the classical DEA model ( CCR and BCC) is used to evaluate the efficiency of risk control, and the risk control efficiency is rated as the excellent, good, medium and bad. Taking the excellent P2 P network loan platforms as the reference set and the non-excellent as th
7、e evaluation set, this paper uses the new generalized DEA model to carry on the research of the catch-up efficiency and projection analysis, and provides a feasible way for the non-excellent P2 P network loan platforms turning into the excellent.Keyword： cluster analysis; generalized DEA; internet f
8、inance; risk evaluation; Received： 2017-01-16一、引言2013 年以来, 众筹、移动支付、余额宝、人人贷等互联网金融创新业务在我国蓬勃发展, 不仅推动金融服务模式变革并加快定价市场化, 而且对打破金融抑制和加速金融脱媒具有积极影响。然而, 繁荣发展的背后, 行业的风险问题也随之凸显, 仅 2017 年 2 月就有 55 家问题平台出现非法集资、提现困难、诈骗、携款潜逃和失联等风险违约行为。这些负面消息极大打击投资者的投资信心, 对整个行业的社会声誉造成非常恶劣的影响, 因此对互联网金融风险进行科学评价显得尤为重要。国内外众多学者从不同角度深入探讨了互
9、联网金融风险的特性和评测方法, 沙慧娇 (2015) 通过对“锦融运通”P2P 网贷平台倒闭事件分析, 提出加强平台内部风管和外部监管, 规范行业发展促进金融创新。林新丹 (2015) 以 P2P 网贷借款人中具有典型性的借款平台为研究对象, 通过定性和定量分析, 结合借款平台信用风险特征, 构建 Z-P 模型应用于 P2P 借款平台的风险度量。王立勇和石颖 (2016) 采用 CRITIC-灰色关联模型构建互联网金融风险评价体系, 运用 Va R 方法测算互联网风险大小。司守奎和孙玺菁 (2011) 运用 MATLAB 对数据进行标准化处理并找出关联度强的数据指标进行降维。欧阳资生和莫廷程
10、(2016) 在 Va R 方法下建立了 Pareto 极值分布模型和历史模拟法模型以度量互联网金融风险值, 得出互联网风险大于整个股市风险的结论。吕喜明 (2016) 则构建广义 DEA 模型阐述了互联网金融对股份制商业银行的冲击, 并借助 Tobit 模型给出了提高创新能力的对策及建议。刘春艳和吕喜明 (2016) 运用广义 DEA 模型对城市银行进行了“追赶效率”评价, 并对效率值小于 1 的较差单元进行“投影分析”, 给出了最优改进策略。马占新和吕喜明 (2007) 给出了带有偏好锥的样本数据包络分析模型并分析了决策单元在样本可能集中的分布特征及投影性质。曹莉和马占新 (2016) 应
11、用广义 DEA 方法对数据进行分析, 绘制有效性图谱并进行有效性分析, 提出相关对策及建议。纵观以上研究成果, 不难发现, 当前学者主要围绕互联网金融风险的特征属性、产生机理、量化分析等方面进行了深入而卓有成效的研究与探讨。而基于 P2P网贷平台大数据, 应用新型评价模型广义 DEA 模型 (马占新, 2012) 对互联网金融企业风控评价的研究成果极少, 将统计分析经典模型R 型聚类 (Eisen et al., 1998;Kaufman and Rousseeuw, 2009) 与广义 DEA 结合, 对 P2P 网贷企业进行风控评级、效率追赶、绩效超越等方面的研究成果更是少之又少。本文将以
12、网贷之家前百强 P2P 网贷平台 (其中 5 家企业因部分数据缺失暂未考虑) 风险管控为主要研究对象, 从流动性风险, 市场风险和信用风险三个维度构建评价指标体系, 运用 R 型聚类分析对指标体系进行降维处理, 得到了核心指标评价体系。在此基础上运用经典 DEA 模型CCR 及 BCC (Charnes et al., 1978;Banker et al., 1984) 对其进行风控能力效率初评, 根据设定的步长进行了优、良、中、差风控能力效率评级。并以优势平台为参考集, 以非优势平台为评价集, 运用新型广义 DEA 模型进行“追赶效率”研究及投影分析, 探究非优势平台效率低下的症结所在及非优
13、势平台向优势平台转变的可行性路径。二、评价指标体系构建我国互联网金融发展势态迅猛, 规模巨大, 对我国经济具有巨大影响力, 央行陆续制定了关于网络借贷平台的监管制度, 标志着互联网金融借贷平台已基本纳入监管体系。因此, 本文选择互联网金融借贷平台作为研究对象, 对其进行风控评价研究。根据互联网金融的业务特点, 本文将风险评价指标体系分为操作风险、国家风险、流动性风险、市场风险和信用风险五大风险维度。本文选取了流动性风险、市场风险和信用风险的监管原则来研究互联网金融风险, 充分考虑了诸多不可预估因素如成交指数和人气指数等, 极大地增强了互联网金融评价体系的灵活性。结合巴塞尔协议对商业银行披露信息
14、的要求, 增强信息透明度改善信息不对称现状, 综合考虑平均预期收益率、平均借款期限和透明度指数等对互联网金融风险的影响, 选取不同类型数据构建评价指标体系, 构建的互联网金融风险评价指标体系, 如表 1 所示。表 1 互联网金融风险评价指标体系 下载原表 三、主要研究方法(一) R 型聚类分析模型通过定性考察反应样本借贷平台状况的九项评价指标, 某些指标之间可能存在较强的相关性, 运用 R 型聚类分析对指标进行分类, 从而筛选出影响互联网金融风险的核心指标。1. 数据的标准化处理(1) 求平均值计算出 2017 年 2 月中 95 家借贷平台的 9 个指标数据的平均值。且将列标统一改为x 1,
15、 x2, , x9。(2) 数据标准化处理在实际问题中, 不同变量的测量单位往往不同。尤其在多指标评价体系中, 各指标的性质、量纲、数量级往往存在差异。如果差异程度较大, 若直接用原始数据进行分析, 会导致数值较大的指标在综合分析中具有较强的影响力, 而数值较小的指标影响较小。为消除变量的量纲效应, 使每个变量都具有同等的表现力, 确保结果的可靠性, 则需对各指标数据进行标准化处理。2. 确定变量相关系数在对变量进行聚类分析时, 首先要确定变量的相似性度量, 在这里我们用相关系数表示。求解相关系数如下:记变量 xj的取值 (x 1j, x2j, , xnj) , TR (j=1, 2, , m
16、) 。则可用两变量 xj与 xk的样本相关系数作为其相似性变量, 即:3. 计算相似度利用类平均法求得数据指标相似性如下:它等于 G1, G2中两个样本点距离的平均, 式中 n1, n2分别为 G1, G2中的样本点的个数。4. 绘制聚类树根据公式 (1) - (2) 的计算结果, 利用 Matlab 编程绘制聚类树。(二) 经典 DEA 模型利用经典 DEA 模型 (CCR 及 BCC) , 借助 R 型聚类筛选出来的核心指标, 求出各借贷平台的综合效率、纯技术效率、规模效率, 并对其进行排序分级, 将其根据业绩表现分为优、良、中、差四个等级。1. 评价综合效率的 CCR 模型1978 年由
17、美国著名运筹学家 Charnes 等提出了第一个经典的 DEA 模型CCR 模型。2. CCR 模型有效性含义设得到最优解为 , s, s, :(1) 若 =1, 且 s=0, s=0, 则决策单元 DMUj0为 DEA 有效 (CCR) , 即同时为纯技术有效且为规模有效。(2) 若 =1, 且 s, s 至少有一个不为 0, 则决策单元 DMUj0为 DEA 弱有效 (CCR) , 即存在投入冗余或产出不足。(3) 若 1, 那么 DMUj0为规模效益递减。3. 评价纯技术效率的 BCC 模型1984 年, Banker 等针对某些问题不满足凸锥假设的情况, 给出了评价规模收益可变的 DE
18、A 模型, 一般简记为 BC 模型。通过该模型可以刻画决策单元的技术有效性。4. BCC 模型有效性含义当 BC 模型的最优解满足如下条件:(1) 若 =1, 且 s=0, s=0, 则决策单元 DMUj0为 DEA 有效 (BCC) , 即为纯技术有效。(2) 若 =1, 且 s, s 至少有一个不为 0, 则决策单元 DMUj0为 DEA 弱有效 (BCC) , 即存在投入冗余或产出不足。(3) 若 0, 0, 使得 V (d) =1;(2) V (d) 1, 则称决策单元 p 相对样本数据前沿面的 d 倍移动为有效的, 简称为 G-DEA (d) 有效 (G-CR) 。特别地, 当 d=
19、1 时, 记 G-DEA (1) 弱有效为 G-DEA 弱有效, 记 G-DEA (1) 有效为 G-DEA 有效.4.“追赶对象”与“被追赶对象”的确立由评级结果可确定“优”这一层次的借贷平台为被追赶对象, 设定其为参考集;确定“良”“中”“差”这一层次借贷平台为追赶对象, 设定其为评价集。5. 基于“追赶效率”的“投影分析”投影分析的定义:由 DEA 的投影公式:可得追赶对象的改进值为:四、模型求解(一) 聚类分析模型求解R 型聚类分析对指标进行分类, 通过定性考察反应样本借贷平台状况的九项评价指标, 某些指标之间可能存在较强的相关性。为了验证这种想法, 运用MATLAB 软件辅助模型计算
20、相关系数, 进而进一步分析问题。1. 数据的标准化处理借助 MATLAB 对原始指标数据进行标准化处理, 结果如表 2 所示。表 2 数据经标准化处理后的结果表 下载原表 2. 确定变量相似系数利用公式 (1) , 借助 MATLAB 程序, 得到相关系数矩阵, 如表 3 所示。3. 计算相似度并绘聚类树利用公式 (2) , 计算相似度并利用 MATLAB 软件编程绘图, 得到聚类树, 如图1 所示。表 3 相关系数矩阵表 下载原表 图 1 指标聚类树型图 下载原图从图 1 中可以看出, 平均借款期限 (月) 、成交指数、人气指数和分散度指数4 个指标之间有较大的相关性。如果将 9 个指标分为
21、三类风险维度:流动性风险、市场风险、信用风险。这样就可以从 9 个指标中筛选出 6 个核心指标, 并将其作为 DEA 模型的投入产出指标体系进行进一步研究, 其指标含义详见表 4。表 4 互联网金融风险评价核心指标体系 下载原表 (二) 经典 DEA-CCR 模型求解1. 效率值的计算由经典 DEA 模型 (CCR、BCC) 求得各 P2P 网贷公司的三大效率值 (综合、纯技术、规模) 及规模收益, 计算结果如表 5 所示。表 5 P2P 网贷公司三大效率值及规模收益计算结果 下载原表 表 5 P2P 网贷公司三大效率值及规模收益计算结果 下载原表 表 5 P2P 网贷公司三大效率值及规模收益
22、计算结果 下载原表 由表 5 中所有借贷平台按照它们所在的系别可划分为民营系、银行系、国资系、上市公司系以及风投系五大系别。因在 DEA 经典模型下, 综合效率等于纯技术效率和规模效率的积, 为了进一步探究各个系别中每一个借贷平台的效率状况及无效的原因, 可根据表 5 的计算结果分别绘制各系效率谱系图, 其中银行系只有两个借贷平台 (陆金服、开鑫贷) , 且均为综合有效 (即同时为技术有效且为规模有效) , 故在此银行系的谱系图不单独列出。按照纯技术效率和规模效率进行划分, 以 0.9 为分界点, 可将图 2 划分为 4 个分区, 从而可将网贷平台风险管控能力分为四种类型。从图中可以看出民营系
23、中仅有 4 家网贷平台 (其银行代码 D34, D50, D76, D77, 其名称可通过表 5 查, 在此不再赘述, 下同) 处于高纯技术效率与高规模效率的“双高型”。民营系中有 4 家平台 (D04, D05, D52, D91) 属于“高技术低规模型”, 说明这 4 家网贷平台应注重资源优化配置的进一步提升, 以提高规模效率。而民营系中其他网贷平台基本属于“高规模低技术型”, 即民营系中多数网贷平台效率低下的原因主要是由管理水平低下造成的, 所以提高民营系的综合管理水平, 切实加强风控管控是民营系网贷平台的当务之急。图 2 网贷企业民营系效率谱系分布图 下载原图图 3 网贷企业国资系效率
24、谱系分布图 下载原图对照图 3-图 5, 可以分别对国资系、上市系、风投系进行类似的讨论, 限于篇幅, 在此不再赘述。图 4 网贷企业上市系效率谱系分布图 下载原图图 5 网贷企业风投系效率谱系分布图 下载原图2. 评级分类根据表 5 的综合效率值可得效率的振幅 A=效率的最大值-效率的最小值, 及A=0.5976。分类的步长 d=A/n, 根据此步长可将各借贷平台分成 n 类, 暂且将本文所涉及到的 95 家借贷平台分为四等, 分别为优、良、中、差。所以得到各类的分界线分别为 0.5518、0.7012、0.8506。得到如图 6 所示的评级分类频数分布百分图。图 6 频数分布百分比图 下载
25、原图3. 结果分析由图 6 可以看出, 民营系借贷平台综合效率不高, 13.79%既处于优等水平, 又处于良等水平, 34.48%处于中等水平, 37.93%处于差等水平;银行系共两家借贷平台, 均处于优等效率水平;上市系借贷平台 19.23%处于优等, 30.77%处于良等, 23.08%处于中等, 26.92%处于差等;国资系借贷平台 30%处于优等, 40%处于中等, 15%处于差等;风投系借贷平台 22.22%处于优、良、中等, 33.33%处于差等效率水平。从综合水平看, 银行系借贷平台的效率最高, 风投系和国资系的效率水平较民营系和上市系综合效率优势明显, 其优等和良等平台数量较其多, 中等和差等借贷平台数量较其少。(三) 新型 DEA-广义 DEA 模型求解
