基于去參數(shù)聚類(lèi)方法的P2P網(wǎng)貸平臺(tái)分析

伍思雨　馮驥

摘? 要：近年來(lái)，P2P網(wǎng)絡(luò)貸款業(yè)務(wù)發(fā)展迅猛，因而需要更為高效準(zhǔn)確的風(fēng)險(xiǎn)分析和金融監(jiān)管。基于上述問(wèn)題，結(jié)合聚類(lèi)算法與因子分析的優(yōu)點(diǎn)，提出了一種用于P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)等級(jí)劃分的評(píng)估方法。該方法能夠針對(duì)公共網(wǎng)站獲取網(wǎng)貸公司相關(guān)數(shù)據(jù)，將網(wǎng)絡(luò)平臺(tái)按照其潛在風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的劃分。實(shí)驗(yàn)結(jié)果表明，該方法具有很強(qiáng)的準(zhǔn)確性和可解釋性，所得到的結(jié)論符合網(wǎng)貸數(shù)據(jù)所對(duì)應(yīng)公司產(chǎn)品的實(shí)際情況，能夠評(píng)估和預(yù)測(cè)網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)，并提供決策支持。

關(guān)鍵詞：P2P網(wǎng)貸平臺(tái);K-means聚類(lèi)算法;因子分析;風(fēng)險(xiǎn)識(shí)別模型

中圖分類(lèi)號(hào)：TP311.1? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）05-0032-04

Analysis of P2P Network Loan Platform Based on Less Parameter Clustering Method

WU Siyu，F(xiàn)ENG Ji

（Chongqing Normal University，Chongqing? 401331，China）

Abstract：In recent years，the rapid development of Peer-to-Peer lending platform business requires more efficient and accurate risk analysis and financial supervision. Based on this problem，combined with the advantages of clustering algorithm and factor analysis，an evaluation method for risk classification of Peer-to-Peer lending platform was proposed. This method can accurately divide the network platform according to the relevant data of online loan companies obtained from public websites. Experimental results show that the method is highly accurate and interpretable. The conclusions obtained are consistent with the actual situation of the companys products corresponding to the online loan data，and it can evaluate and predict the risks of the lending platform and provide decision support.

Keywords：P2P（Peer-to-Peer） network loan platform;K-means clustering algorithm;factor analysis;risk identification model

0? 引? 言

隨著我國(guó)總體經(jīng)濟(jì)實(shí)力的不斷發(fā)展，金融業(yè)已經(jīng)成為國(guó)家經(jīng)濟(jì)的重要支柱。也正因?yàn)榻鹑跇I(yè)的繁榮，以及互聯(lián)網(wǎng)經(jīng)濟(jì)對(duì)金融業(yè)的賦能與升級(jí)，P2P網(wǎng)絡(luò)貸款在短短幾年中獲得了飛速的發(fā)展。截至2018年6月底，P2P網(wǎng)絡(luò)貸款行業(yè)歷史累計(jì)成交量達(dá)到了73 341.87億元，正常運(yùn)營(yíng)平臺(tái)數(shù)量高達(dá)1 842家[1]。隨著規(guī)模的擴(kuò)大，P2P貸款也引發(fā)了大量的社會(huì)問(wèn)題，特別是在高校領(lǐng)域，雖然國(guó)家已經(jīng)嚴(yán)令禁止貸款業(yè)務(wù)在大學(xué)生之間的展開(kāi)，仍然有大量的P2P網(wǎng)貸商家從各種渠道介入并吸引大學(xué)生辦理貸款，這也引起了業(yè)界廣泛的擔(dān)憂(yōu)。面對(duì)上述問(wèn)題，傳統(tǒng)的金融監(jiān)管和教育手段往往很難直接解決，其主要原因就在于P2P網(wǎng)絡(luò)貸款的特殊性。這種新興產(chǎn)業(yè)同時(shí)結(jié)合互聯(lián)網(wǎng)產(chǎn)業(yè)和金融貸款產(chǎn)業(yè)的特點(diǎn)，其發(fā)展速度快、變化多、傳播廣且隱蔽性強(qiáng)，很難通過(guò)人工監(jiān)管一一處理。而一旦產(chǎn)生嚴(yán)重的后果，追責(zé)也無(wú)法改變已經(jīng)造成的損失，因此急需一種能夠在問(wèn)題產(chǎn)生前進(jìn)行精準(zhǔn)預(yù)測(cè)的高效方法，以期在惡意網(wǎng)貸問(wèn)題發(fā)生前及時(shí)地進(jìn)行預(yù)測(cè)和防治。

1? P2P網(wǎng)貸平臺(tái)研究概述

1.1? 研究意義

近年來(lái)，許多大學(xué)生因?yàn)榫W(wǎng)貸陷阱導(dǎo)致其學(xué)習(xí)、生活被嚴(yán)重影響，甚至部分極端的學(xué)生因?yàn)闊o(wú)法還清網(wǎng)貸而選擇結(jié)束自己生命。然而針對(duì)P2P網(wǎng)絡(luò)貸款，目前并沒(méi)有科學(xué)有效的風(fēng)險(xiǎn)識(shí)別方法。特別是這類(lèi)貸款往往會(huì)根據(jù)現(xiàn)有的政策進(jìn)行快速升級(jí)與轉(zhuǎn)型，在規(guī)避金融法規(guī)監(jiān)管的同時(shí)，針對(duì)學(xué)生用戶(hù)提出更多更具誘惑性的組合策略，針對(duì)大部分學(xué)生不具有較高的風(fēng)險(xiǎn)識(shí)別能力這一點(diǎn)，在面對(duì)網(wǎng)貸平臺(tái)和網(wǎng)貸產(chǎn)品周期短、類(lèi)別多、變化快等特點(diǎn)時(shí)，學(xué)生群體常常容易受到低門(mén)檻的引誘，并且因?yàn)闊o(wú)法對(duì)風(fēng)險(xiǎn)進(jìn)行有效預(yù)估落入貸款陷阱中。因此，在面對(duì)惡性網(wǎng)貸所產(chǎn)生的負(fù)面事件時(shí)，建立高效的網(wǎng)貸風(fēng)險(xiǎn)分析模型具有十分重要的意義。基于上述問(wèn)題，本文嘗試將聚類(lèi)算法與因子分析相互結(jié)合，提出一種評(píng)估P2P網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)評(píng)估方法，運(yùn)用到提取網(wǎng)貸相關(guān)數(shù)據(jù)并刻畫(huà)網(wǎng)貸預(yù)警的模型中，一方面對(duì)網(wǎng)貸相關(guān)數(shù)據(jù)進(jìn)行獨(dú)立聚類(lèi)分析，另一方面通過(guò)因子分析找出網(wǎng)貸中最有代表的因子，并結(jié)合兩者的結(jié)果相互印證，將因子分析的因子數(shù)量作為K-means所需的k值，用K-means最終的結(jié)果來(lái)印證因子分析的正確性，并且將實(shí)驗(yàn)所得結(jié)果與官網(wǎng)所給數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，最終完成針對(duì)網(wǎng)貸特點(diǎn)的多角度風(fēng)險(xiǎn)識(shí)別與防控預(yù)警。

1.2? 研究現(xiàn)狀

通過(guò)上述研究，表明將因子分析運(yùn)用到P2P網(wǎng)貸平臺(tái)的研究中效果較好，達(dá)到了想要的結(jié)果，并且也說(shuō)明在未來(lái)制定防范和化解平臺(tái)風(fēng)險(xiǎn)的有效措施時(shí)，我們應(yīng)該考慮注重經(jīng)營(yíng)狀況因子的影響。

最后根據(jù)三個(gè)因子的方差貢獻(xiàn)率計(jì)算出165家網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)管理得分，模型如下：

根據(jù)以上公式計(jì)算出所有平臺(tái)的綜合得分，并列舉出得分最高的前20個(gè)網(wǎng)貸平臺(tái)：陸金服（4.429）、玖富普惠（1.705）、宜人貸（1.626）、愛(ài)錢(qián)進(jìn)（1.545）、拍拍貸（1.392）、人人貸（1.047）、PPmoney網(wǎng)貸（1.03551）、人品（0.087）、微貸網(wǎng)（0.816）、金信網(wǎng)（0.756）、有利網(wǎng)（0.664）、你我貸（0.659）、恒易融（0.594）、紅嶺創(chuàng)投（0.589）、小牛在線(xiàn)（0.533）、小贏網(wǎng)金（0.470）、輕易貸（0.399）、挖財(cái)才米（0.319）、翼龍貸（0.271）、鋸寶盆（0.270）。

2.2? 結(jié)合K-means聚類(lèi)分析

本文將收集到的網(wǎng)貸平臺(tái)原始數(shù)據(jù)利用數(shù)據(jù)屬性篩選、缺失數(shù)據(jù)補(bǔ)齊等方法，進(jìn)行數(shù)據(jù)處理。對(duì)收集的數(shù)據(jù)進(jìn)行歸一化處理之后，綜合七維數(shù)據(jù)，將其降到兩維，使展現(xiàn)結(jié)果更加直觀、清晰，并對(duì)其用K-means聚類(lèi)算法進(jìn)行聚類(lèi)，為使兩種算法相輔相成、互相印證，將上述因子分析結(jié)果所劃分的類(lèi)別作為K-means所需的k值，進(jìn)行聚類(lèi)分析，結(jié)果如圖1所示。

由圖1所示，不同的顏色代表不同的類(lèi)別，那么當(dāng)判斷出某個(gè)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)較高時(shí)，我們就可以預(yù)估與其在一類(lèi)中的平臺(tái)具有相同的性質(zhì)，由此可通過(guò)聚類(lèi)結(jié)果進(jìn)行風(fēng)險(xiǎn)預(yù)警。本文運(yùn)用K-means聚類(lèi)分析與因子分析相互結(jié)合、相互印證，從圖中可以看到聚類(lèi)結(jié)果將網(wǎng)貸平臺(tái)分為了3類(lèi)，結(jié)合因子分析的結(jié)果，即綜合得分，可以看出，網(wǎng)貸平臺(tái)的得分呈現(xiàn)斷層式分布，最好的網(wǎng)貸平臺(tái)得分為4分左右，一般的網(wǎng)貸平臺(tái)得分為0分～2分，差的網(wǎng)貸平臺(tái)得分低于0分，并且低于0分的網(wǎng)貸平臺(tái)占比最大，這跟降維后的聚類(lèi)結(jié)果相吻合，即圖1右下角孤立點(diǎn)為得分最高的陸金服，淺色的點(diǎn)為得分在0分～2分的網(wǎng)貸平臺(tái)，深色為0分以下的網(wǎng)貸平臺(tái)。

綜上所述，本文提出的方法將所研究的165個(gè)網(wǎng)貸平臺(tái)進(jìn)行劃分，主要分為3類(lèi)：

（1）穩(wěn)定平臺(tái)：陸金服;

（2）一般平臺(tái)：玖富普惠、宜人貸、愛(ài)錢(qián)進(jìn)、拍拍貸……

（3）危險(xiǎn)平臺(tái)：創(chuàng)客金融、微銀易貸、生菜金融、博金貸……

K-means算法與因子分析通過(guò)相互印證，在網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)防治研究中得到了理想的結(jié)果，且算法獲取的類(lèi)別信息可以作為評(píng)估網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)的重要參考依據(jù)，對(duì)提高校園網(wǎng)貸的防控能力具有一定的指導(dǎo)意義。

2.3? 對(duì)比實(shí)驗(yàn)

從網(wǎng)貸天眼官方網(wǎng)站查詢(xún)到官方運(yùn)用回歸分析方法對(duì)2019年3月網(wǎng)貸平臺(tái)綜合評(píng)價(jià)的綜合得分排名，根據(jù)其所提出的網(wǎng)貸平臺(tái)，從本文在實(shí)驗(yàn)中抽取進(jìn)行對(duì)比，本文共分析了165個(gè)網(wǎng)貸平臺(tái)，找出與官網(wǎng)相同的網(wǎng)貸平臺(tái)，進(jìn)行綜合評(píng)分對(duì)比，官網(wǎng)的平臺(tái)綜合指數(shù)如下。

陸金服（96.97）、人人貸（94.76）……洋錢(qián)罐（80.00）、撈財(cái)寶（79.59）、投哪網(wǎng)（78.84）……E融所（74.22）、網(wǎng)利寶（73.43）、首E家（72.84）、紅嶺創(chuàng)投（72.18）、民貸天下（71.22）、融貝網(wǎng)（70.34）、首金網(wǎng)（68.80）、拓道金服（68.22）、博金貸（66.11）、掌眾財(cái)富（63.98）、達(dá)人貸（63.12）、嘉石榴（62.82）、厚本金融（62.35）、錢(qián)香（62.10）……

通過(guò)本文提出的方法計(jì)算得到的綜合指數(shù)為：陸金服（4.429）、人人貸（1.047）……洋錢(qián)罐（-0.099）、撈財(cái)寶（-0.022）、投哪網(wǎng)（0.091）……E融所（-0.105）、網(wǎng)利寶（-0.065）、首E家（-0.141）、紅嶺創(chuàng)投（0.589）、民貸天下（-0.111）、融貝網(wǎng)（-0.171）、首金網(wǎng)（-0.151）、拓道金服（-0.113）、博金貸（-0.138）、掌眾財(cái)富（-0.115）、達(dá)人貸（-0.161）、嘉石榴（-0.166）、厚本金融（-0.141）、錢(qián)香（-0.162）。

上述結(jié)果對(duì)比中，下劃線(xiàn)的網(wǎng)貸平臺(tái)為官網(wǎng)所給的極其危險(xiǎn)的平臺(tái)，現(xiàn)警方已經(jīng)介入調(diào)查。從本文所用的因子分析方法給出的綜合評(píng)分，并根據(jù)K-means算法綜合評(píng)價(jià)后，已經(jīng)在上述標(biāo)出的平臺(tái)中，除了紅嶺創(chuàng)投外，其余在本實(shí)驗(yàn)中得分低于0分，都被列為了危險(xiǎn)平臺(tái)，所以本文將因子分析與K-means算法相結(jié)合，并對(duì)其實(shí)驗(yàn)的結(jié)果與官網(wǎng)所給真實(shí)數(shù)據(jù)進(jìn)行對(duì)比，吻合度為85.7%，得到了較為滿(mǎn)意的結(jié)果。

3? 結(jié)? 論

本文提出了一種新的P2P網(wǎng)貸平臺(tái)分析思路，結(jié)合因子分析及聚類(lèi)算法對(duì)網(wǎng)貸平臺(tái)所給出的真實(shí)數(shù)據(jù)對(duì)平臺(tái)進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)及等級(jí)劃分。通過(guò)與官方所給的數(shù)據(jù)結(jié)果進(jìn)行對(duì)比實(shí)驗(yàn)得知，本文所提出的方法得到的分析結(jié)果與官方吻合度為85.7%，具有較強(qiáng)的理論與實(shí)際意義。

本文通過(guò)計(jì)算相關(guān)指標(biāo)綜合三大因子，然后結(jié)合聚類(lèi)算法對(duì)網(wǎng)貸平臺(tái)進(jìn)行了準(zhǔn)確的等級(jí)劃分，并且結(jié)合網(wǎng)站給出的官方信息進(jìn)行實(shí)驗(yàn)對(duì)比，最終所得的結(jié)果與真實(shí)結(jié)果有較高的吻合度，因此本文所提出的方法具有一定可行性，能夠加強(qiáng)對(duì)網(wǎng)貸平臺(tái)的監(jiān)管和風(fēng)險(xiǎn)程序的分析，能夠?yàn)閷W(xué)生提供一個(gè)可參考的指標(biāo)，從而減少因借貸而發(fā)生的悲劇，對(duì)提高校園網(wǎng)貸的防控與監(jiān)管具有一定的指導(dǎo)意義。

參考文獻(xiàn)：

[1] 錢(qián)貸網(wǎng).2018年6月P2P網(wǎng)貸市場(chǎng)重要事件 [EB/OL].（2018-07-02）.https：//m.sohu.com/a/238891619_327646.

[2] 郭海鳳，陳霄.P2P網(wǎng)貸平臺(tái)綜合競(jìng)爭(zhēng)力評(píng)價(jià)研究 [J].金融論壇，2015，20（2）：12-23.

[3] 張巧良，張黎.P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)研究——基于層次分析法 [J].南京審計(jì)學(xué)院學(xué)報(bào)，2015，12（6）：85-94.

[4] 王丹，張洪潮.P2P網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)評(píng)級(jí)模型構(gòu)建 [J].財(cái)會(huì)月刊，2016（9）：76-80.

[5] 蔡炎宏，劉淳，張春霞.P2P網(wǎng)貸平臺(tái)的定價(jià)策略研究——基于壟斷條件下的建模分析 [J].投資研究，2014，33（4）：4-15.

[6] 韓景倜，陳群.不確定條件下P2P網(wǎng)貸平臺(tái)運(yùn)營(yíng)與政府監(jiān)管演化博弈穩(wěn)定性分析 [J].商業(yè)研究，2016（3）：36-44.

[7] 姜琪.中國(guó)P2P網(wǎng)貸平臺(tái)效率差異及成交量影響因素研究 [J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2018，35（6）：60-77.

[8] 董梁，胡明雅.基于Logistic回歸模型的P2P網(wǎng)貸平臺(tái)新進(jìn)借款人信用風(fēng)險(xiǎn)研究 [J].江蘇科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2016，16（3）：102-108.

[9] Gonzalez L，Komarova Loureiro Y.When can a photo increase credit？ The impact of lender and borrower profiles on online peer-to-peer loans [J].Journal of Behavioral and Experimental Finance，2016（2）：44-58.

[10] 李敏芳，田晨君.基于因子分析法的我國(guó)P2P網(wǎng)貸平臺(tái)評(píng)級(jí)研究 [J].湖北經(jīng)濟(jì)學(xué)院學(xué)報(bào)（人文社會(huì)科學(xué)版），2015，12（6）：37-40.

作者簡(jiǎn)介：伍思雨（1999-），女，漢族，重慶人，本科，主要研究方向：數(shù)據(jù)挖掘、聚類(lèi)分析。

收稿日期：2020-02-05

基金項(xiàng)目：教育部人文社會(huì)科學(xué)研究項(xiàng)目（1 8XJC880002）;重慶市教委科技項(xiàng)目（KJQN20180 0539）;重慶師范大學(xué)基金項(xiàng)目（17XLB003）