P2P 網貸個人信用評估國內外研究綜述

■ 葉菁菁 吳 斌 副教授 董 敏 副教授（南京工業大學經濟與管理學院 南京 211816）

引言

在我國，中小企業數量占企業總數比例高達90% 以上，在國民經濟中起著不可替代的作用。然而中小企業的融資情況卻很不樂觀，有將近3000多萬家小微企業需要100 萬元以下的融資，而銀行卻不能滿足這些小微企業的資金需求。

銀行對于個人和中小企業信用貸款的要求很高，使得中小企業融資和個人貸款面臨很多困難。與大企業相比，中小企業普遍面臨著融資不暢的問題，從而嚴重影響了他們持續健康的發展。而與此同時，我國民間資金卻異常充裕，在這樣的形勢下，一種互聯網金融新模式—P2P網絡貸款（“peer to peer”）應運而生，為中小企業和個人提供了便利的融資渠道。

P2P網絡貸款是一種依托于互聯網實現高效融資的互聯網金融新模式，最早起源于英國，隨后發展到美國、德國和其他國家，隨著近幾年來的不斷發展，在中小企業融資和個人貸款方面做出了巨大的貢獻。我國于2007年出現了第一家P2P網貸平臺—拍拍貸，此后，國內P2P 網貸平臺如雨后春筍般大規模興起。

近年來，隨著互聯網金融的逐步發展，P2P網貸已成為時下炙手可熱的互聯網金融新模式。憑借著“高收益”的理財優勢，各類P2P網貸平臺呈現出爆發式“野蠻生長”。根據“網貸之家”發布的2014年中國網貸行業年報數據，2014年全年累計成交量達2528 億元，是2013年的2.39 倍。然而網貸業在爆發式增長的同時，也存在著重大風險。截至2015年1月，已經有200多家P2P網貸機構出現提現困難以致卷款跑路等問題，使投資者損失慘重。

如今，P2P 網貸這一新鮮事物已經受到越來越多學者的關注，而其面臨的最大風險就是信用風險，其中個人信用評估則是降低信用風險的決定性因素。國內外關于P2P網貸個人信用評估方面的相關研究主要是從評估指標和評估方法兩個方面進行探討的。

國外研究綜述

P2P 網貸作為新興的金融事物，學術界對其研究才剛剛起步，因此國內外關于P2P 網貸的文獻并不多。目前國內外的研究主要是從“軟信息”和“硬信息”兩個角度來考察P2P網貸融資的，劉峙廷和廖一禎（2011）指出軟信息指的是不能用準確的指標或數值表示的信息，硬信息指的是能夠用準確的指標或數值表示的信息。

國外大多數研究都使用prosper.com網站上的數據來分析P2P 網貸。Iyer 等人（2014）提出了這兩種不同的數據，一種是標準的銀行數據，是指從借款人的信用報告中得出的經核實過的財務數據，一種是非標準數據，如性別，年齡，國家等。對于prosper.com 網站，他們強調基于非標準數據的篩選機制的重要性，尤其是對更小規模的借款人。

大多數P2P網貸平臺會為投資人提供借款人詳細的歷史信貸數據，如借款利率，實際還款情況等。投資人可以根據這些信息來估計借款人的違約風險，然而，由于一些因素很多人不能夠正確的評估借款人的違約風險。首先，人類通常會根據幾個關鍵要素做決定，而不是根據大量的要素（Gigerenzer，2007）。其次，在P2P網貸平臺上，大多數用戶都不是金融專家或者數學專家，他們不能夠創建復雜的模型來獲得投資策略（Klafft，2008）。

（一）信用評估指標

Hamburger等人（2003）研究了人格特征與網絡行為之間存在的關系并且進行了大量的實證，實驗結果證明人格特征是決定網絡行為的一個高度相關因素。Freedman和Jin（2009）從社交網絡的角度，利用Prosper 平臺中2006年至2008年的借貸交易數據，研究了在P2P 網貸中的信息不對稱問題。研究結果發現相比于傳統的金融機構，P2P 網貸平臺上的投資人普遍面臨缺乏借款人的“硬信息”的問題，但是通過社交網絡平臺中的“軟信息”能夠有效的緩解這種“硬信息”缺失的情況。

Lin（2009）研究了網絡指標是如何影響P2P網貸平臺上的交易結果的，研究結果表明社交網絡上的人際關系能夠有效地減輕貸款過程中出現的信息不對稱問題，其強調了“軟信息”在P2P 網貸平臺中的重要性。Prabhala 等人（2011）研究表明社交網絡資源較豐富的借款人更容易獲得貸款，并且他們所需支付的借款利率更低，違約風險也相對更低。

Pope 和Sydnor（2010）調查了在網貸投標中的歧視情況。他們發現這種現象很明顯，對于長相比較黑的，較年長的，肥胖的借款申請人需要支付比較高的借款利率，而對于女性或參加過軍隊的借款人，他們需要支付的利率就相對較低。

Barasinska（2011）從性別的角度，研究發現投資人性別的不同會導致他們選擇不同的借款人。其指出，一般來說女性比男性更容易選擇風險相對較小的借款人，并且要求相對較高的借款利率；同時女性由于普遍具有傾向于為他人著想等非理性特征，在選擇借款人時，往往比男性更容易出現逆向選擇問題，把資金借給信用等級較低的借款人。

Ravina（2012）從生理特征的角度，利用Prosper平臺中2007年3月至4月的借貸交易數據，研究了借款人的生理特征對其借款行為的影響。研究結果發現借款人的種族和外表對其借款能否成功以及所需支付借款利率的高低有著較為顯著的影響，其指出由于美國地區存在種族歧視等社會問題，投資人認為黑人的信用度較低、違約風險較高，因此借款人如果是黑人，則其借款成功率較低，而所需支付的借款利率也更高。

Gonzalez 和Loureiro（2014）探討了借款人的個人特征對P2P貸款決策的影響，具體探討了借款人的頭像對獲得貸款可能性的影響。研究結果表明貸款的成功與否容易受到性別、年齡和外貌的影響。他們指出目前在金融學、市場學和心理學領域的相關研究都大力支持“美麗加分”效應，即其他條件一樣，外貌更具有吸引力的人會受到更大的青睞；但同時指出當被認為年齡是能力的一個明確象征時（大學年齡代表能力低，而中年代表能力高），則外貌對于貸款的成功與否沒有太大的影響；而當借貸雙方的性別相同時，更具有吸引力的外貌實際上可能會使借款人損失掉本可以獲得貸款的機會（稱為“紅顏禍水”效應）。

綜上所述，國外對于互聯網信用評估指標已有一定的研究成果，略去在國內P2P 網貸平臺上不適用的指標后，歸納如表1所示。

（二）信用評估方法

近年來，隨著經濟學理論、優化理論的不斷發展，人工智能方法在信用評估方面也得到了廣泛的應用。Angelini 等人（2008）開發了兩個神經網絡系統來進行信用風險評估，并且利用某意大利小型企業的真實數據進行實證，結果表明神經網絡在評估借款人的違約可能性方面應用的十分成功。Sung（2010）構建了Kohonen神經網絡模型和Cox比例風險回歸模型的混合模型，研究結果表明該模型能夠取得較好的預測結果。

Jagric 等人（2011）利用學習矢量量化（LVQ）神經網絡構建了信用評估模型，并將該模型與Logistic 回歸模型進行了對比分析，最后利用Slovenian銀行的真實數據進行實證，結果表明LVQ神經網絡模型在精度方面優于Logistic 回歸模型，能夠獲得更精確的評估結果。Kozeny 等人（2012）提出了遺傳算法和人工神經網絡的混合算法以及該算法在信用風險評估中的應用。

Blanco等人（2013）使用多層感知器神經網絡（MLP）構建了小額貸款信用評分模型，并將該模型與其他三種統計方法進行了對比分析，分別是線性判別分析，二次判別分析和Logistic 回歸，研究結果表明MLP 神經網絡模型優于這些參數統計方法，其能夠實現更高的精度。Oreski等人（2014）提出了利用遺傳算法和神經網絡的混合算法（HGA-NN）來進行信用風險評估，研究結果發現HGANN 算法在信用風險評估中的特征選擇和分類方面具有很大的優勢。

Capotorti和Barbanera（2012）提出了基于粗糙集，條件概率評估和模糊集的混合算法，研究結果表明該算法提高了在信用風險評估中標準粗糙集理論的分類性能，并且他們認為該算法同樣適用于其他應用領域。

Mandala等人（2012）對某家不良貸款率達11.99%的農村銀行進行信用風險研究，實證結果表明利用決策樹模型的C 5.0算法進行信用評估，該銀行的不良貸款率能夠下降到低于5%。Lopez 和Jeronimo（2015）構建了基于決策樹的相關調整決策森林模型（CADF），并將其與梯度提升決策樹模型和隨機森林模型進行了對比分析，研究結果表明CADF模型在解決信用風險問題方面具有很大的優勢，其解釋性極強，并且預測精度極高，解決了其他模型不能夠在精度和解釋性方面兩者兼顧的問題。

Bekhet和Eletter（2014）利用數據挖掘技術構建了兩種信用評分模型，分別是Logistic 回歸模型和徑向基函數模型，并將這兩種模型進行了對比分析，結果表明Logistic 回歸模型的整體準確率比徑向基函數模型更高一些，但是在識別潛在的違約者方面，徑向基函數模型比Logistic 回歸模型具有更大的優勢。

表1 互聯網信用評估指標國外研究歸納

Harris（2015）運用集群支持向量機（CSVM）進行信用風險評估，并且和傳統的非線性支持向量機（SVM）比較得出集群支持向量機（CSVM）能夠實現更好的分類效果。Danenas 和Garsva（2015）提出了一種基于粒子群優化技術來選擇最優線性支持向量機（SVM）分類器的方法來進行信用風險評估，他們將該方法與Logistic 回歸和RBF 神經網絡在精度方面做了對比分析，實驗結果表明該方法具有很高的分類精度（90%以上），但是在性能的穩定性方面有所不足。

Tomczak（2015）運用分類受限玻爾茲曼機（ClassRBM）構建信用評分模型，其指出該模型具有高解釋性和易于實現性，在任何一家銀行系統上都很容易實現。并且其通過與其他方法進行實證對比證明了該模型具有高預測性能，而且在易于實現方面具有很大的優勢。

Mild 等人（2015）提出用線性回歸模型來幫助投資者在沒有硬性，量化的銀行數據的情況下，僅僅使用信用歷史數據來評估借款人的信用違約風險，研究結果表明該模型能夠較準確的評估信用違約風險，并且能夠顯著的提高投資者的收益。

Angilella 和Mazzu（2015）提出并設計了多指標信用風險評估模型（ELECTRE-TRI），并將該模型應用到中小企業的信用風險評估當中，他們認為“硬信息”的缺失是中小企業信用風險評估中遇到的普遍問題，因此該模型主要基于“軟信息”，其使用的SMAA-TRI方法考慮了指標權重的不確定性和不精確性，最后通過實驗證明了他們的模型具有較好的評估性能。

國內研究綜述

相較于國外，我國P2P網貸的發展更晚一些，因此相關的研究成果較少。近年來國內學者主要關注的是網貸面臨監管空白方面的問題，對于互聯網信用評估指標方面的研究幾乎是空白。

雖然國內學者對于指標方面的研究甚少，但是P2P網貸作為一種互聯網金融新模式，隨著行業的快速發展，已經越來越受到學術界的廣泛關注。目前隨著研究的深入，傳統的信用評估方法取得了較快的發展。

李旭升等人（2008）提出并設計了擴展的樹增強樸素貝葉斯網絡信用評估模型，并將該模型與神經網絡分類模型進行了對比分析，實證結果表明擴展的樹增強樸素貝葉斯網絡信用評估模型具有較高的分類精度。范彥勤等人（2013）研究了基于貝葉斯分類器的個人信用評估模型，提出了新的屬性加權樸素貝葉斯分類模型和改進樹擴展貝葉斯分類模型，并給出了新的屬性權值計算和分類器擴展研究。李太勇等人（2013）構建了基于稀疏貝葉斯學習的個人信用評估模型，并將該模型與傳統的信用評估模型進行了對比分析，實證結果表明該模型在分類精度方面較傳統的評估模型具有一定的提升，并且分類精度波動性很小。

李曉歡（2009）構建了基于粗糙集和神經網絡的中小企業信用評估體系及模型，其將粗糙集屬性約簡的方法應用于中小企業信用評估指標體系建立的過程中，研究結果表明該模型提高了評估結果的準確性。喻敏和吳江（2011）提出了一種基于多進化神經網絡的信用評估模型（MNNCREDIT），實證結果表明該模型具有較高的預測精度。熊志斌（2011）提出了多子群自適應遺傳BP算法，構建了自適應遺傳模糊神經網絡信用風險評估模型，并將該模型與BP神經網絡、ANFIS以及遺傳神經網絡模型的預測效果進行比較，結果表明其所構建的模型對信用評估具有更好的泛化能力和更高的預測準確度。

楊勝剛等人（2013）構建了決策樹方法與BP神經網絡模型相結合的兩階段組合模型，研究表明，基于決策樹和神經網絡構建的個人信用評估組合模型在分類預測精度方面高于單一的BP 神經網絡模型。熊志斌（2013）提出了基于順序自聯想神經網絡（SAANN）的非線性主成分分析法（NLPCA），并且結合神經網絡（NN）和Logistic回歸模型分別構建了基于NLPCANN和NLPCA-Logistic的信用評估模型。實證結果表明，其所構建的NLPCA方法較傳統的線性PCA 方法能夠有效提高模型的預測性能，同時，在相同PCA方法處理數據的條件下，神經網絡模型比Logistic回歸模型具有更好的信用評估效果。

王潤華（2010）建立了基于改進支持向量機的個人信用評估模型，實證結果表明線性核的分類效果很不理想，高斯核的分類效果不如多項式核好，而采用多項式核進行分類效果比較理想。杜婷（2012）將粗糙集與支持向量機相結合的粗糙集支持向量機方法應用到個人信用評估當中，研究結果發現基于粗糙集支持向量機的個人信用評估模型在分類結果的精確性和穩定性上都有一定的改善，并且能夠達到較好的預測效果。姚瀟和余樂安（2012）基于近似支持向量機方法，提出了模糊近似支持向量機，實證結果表明與其它模型相比，該模型能夠顯著提高信用風險分類精度。

未來研究趨勢

綜上所述，目前P2P網貸面臨的最大風險是信用風險，信用風險已經成為P2P網貸行業發展的主要瓶頸，而個人信用評估則是降低信用風險的決定性因素，然而學術界還缺乏對其進行系統和深入的研究。

從上述文獻可以看出，國內外對于P2P網貸個人信用評估方面的相關研究都比較少。國外學者對于P2P網貸的研究主要集中在借款人的社交網絡及其生理特征分析方面；而國內關于P2P網貸的研究大都只是介紹了目前主要P2P網貸平臺的運營模式，或針對網貸面臨監管空白的問題提出一些風險管理的政策建議，鮮有學者將網絡行為與P2P網貸個人信用評估指標相結合，從互聯網信用評估指標的角度對P2P網貸進行深入的研究。

因此，從考慮網絡行為的互聯網信用評估指標的角度出發，以我國P2P網貸市場信用風險急需改善為研究背景展開研究，對于降低P2P網貸行業的信用風險是非常有必要的。未來研究人員可以將傳統的信用評估方法和目前國外已有的對于互聯網信用評估指標的研究成果這兩者相結合，應用到P2P 網貸平臺中進行個人信用評估。具體可以從網絡行為的角度選取適當的指標對P2P網貸模式中借款人的信用評估進行更加深入的分析和研究，以此有效降低信用風險，使我國P2P網貸行業能夠健康有序的發展，使P2P網貸這一新生事物能夠發展的更加成熟、更加完善。

1.Angelini E，Tollo G，Roli A.A neural network approach for credit risk evaluation[J].Q.Rev.Econ.Finance 48，2008

2.Angilella S，Mazzu S.The financing of innovative SMEs：A multicriteria credit rating model[J].European Journal of Operational Research 244，2015

3.杜婷.基于粗糙集支持向量機的個人信用評估模型[J].統計與決策，2012

4.李太勇，王會軍，吳江.基于稀疏貝葉斯學習的個人信用評估[J].計算機應用，2013

5.李旭升，郭春香，郭耀煌.擴展的樹增強樸素貝葉斯網絡信用評估模型[J].系統工程理論與實踐，2008

6.劉峙廷，廖一禎.美國信用評級下調分析[J].現代商貿工業，2011

7.王潤華.基于改進支持向量機的消費信貸中個人信用評估模型[J].統計與決策，2010

8.熊志斌.基于自適應遺傳模糊神經網絡的信用評估建模[J].系統仿真學報，2011

9.熊志斌.基于非線性主成分分析的信用評估模型研究[J].數量經濟技術經濟研究，2013

10.喻敏，吳江.基于多進化神經網絡的信用評估模型研究[J].計算機科學，2011

11.楊勝剛，朱琦，成程.個人信用評估組合模型的構建—基于決策樹—神經網絡的研究[J].金融論壇，2013

12.姚瀟，余樂安.模糊近似支持向量機模型及其在信用風險評估中的應用[J].系統工程理論與實踐，2012