□文/王 佳 湛維明 戎 杰

（河北金融學(xué)院 河北·保定）

一、引言

目前，我國P2P互聯(lián)網(wǎng)金融行業(yè)正呈現(xiàn)高速穩(wěn)定增長的態(tài)勢。截至2014年底，我國P2P運營平臺達1，575家，全年新上線的P2P平臺超過900家，這些平臺平均注冊資金約為2，784萬元，相對于2013年的1，357萬元，增長了1倍。在個人借貸方面，2014年P(guān)2P金融投資人數(shù)與借款人數(shù)分別達116萬人和63萬人，較2013年分別增加364%和320%。多項金融指標數(shù)據(jù)顯示，P2P金融已告別萌芽期，進入成長期。

二、P2P互聯(lián)網(wǎng)金融運營模式解析

P2P是互聯(lián)網(wǎng)信貸的一種方式，與傳統(tǒng)金融業(yè)務(wù)相比，其具有小額、無擔保、快捷、網(wǎng)絡(luò)化的特征和優(yōu)勢。傳統(tǒng)金融機構(gòu)對于“大企業(yè)”、“大項目”關(guān)注度更高，而針對個人和中小企業(yè)的信貸服務(wù)相對匱乏，融資渠道狹窄和融資成本高昂已經(jīng)成為制約我國微型經(jīng)濟發(fā)展和人民生活水平提高的突出難題。P2P金融的出現(xiàn)為解決這一難題提供了一個良好的思路，有效地破解了民間融資過程中出現(xiàn)的難題。

一次典型P2P借貸行為分為如下幾步：首先，個人實名注冊并提供相應(yīng)的身份證復(fù)印件及相關(guān)身份證明，同時提供詳盡的個人財務(wù)狀況說明并提出申請；其次，P2P網(wǎng)站運用多種手段進行審核；再次，借入人發(fā)出借款邀約，約定借款金額、最高年利率、資金籌措期和還款期限；再次，借出人用自有資金進行全額或部分投標，但投標利率不能高于借入人所約定的最高值。在資金籌措期滿后，如果投標資金總額達到或超過借入人的要求，則全額滿足其需求的年利率最低的一項或幾項資金中標；如果資金籌措期滿仍未能集齊借入人所需資金，該項借款計劃流標；最后，一旦借款成功，網(wǎng)站自動生成電子借條，借款人按每月還款方式向放款人還本付息。（圖1）

圖1 P2P運營模式流程圖

三、信用風(fēng)險評級方法對比研究

信用風(fēng)險評級是對評級對象履行相關(guān)合同和經(jīng)濟承諾的能力和意愿所做出的總體評價，國內(nèi)外在互聯(lián)網(wǎng)金融風(fēng)險控制與信用評級的策略及方法的研究方面已有了初步成果：Terry Harris 認為支持向量計算法在信用風(fēng)險的全判別方面有較大的優(yōu)化空間。Zongyuan Zhao 利用多層感知神經(jīng)網(wǎng)絡(luò)進行用戶信用評分，取得了較好的效果。Ashish Goel 運用決策樹和決策森林制定信用評估策略并判斷其準確性。Nader Mahmoudi 采用改進的線性判別方法對信用卡欺詐進行檢測。Ehsan Kamalloo通過模糊免疫學(xué)習(xí)算法進行信用風(fēng)險預(yù)測。Linpeng Hai 使用關(guān)聯(lián)分析和特征判別的方法建立了農(nóng)村小額貸款信用指標體系的判別模型。Vaclav Kozeny 采用遺傳算法進行信用評分，并通過設(shè)置不同的適應(yīng)度函數(shù)對算法進行了性能比較。

國內(nèi)學(xué)者根據(jù)我國國情，從征信數(shù)據(jù)源篩選及數(shù)據(jù)預(yù)處理方面也進行了大量的研究：吳昭華通過交叉檢驗技術(shù)輔以第三方驗證確認客戶信息的真實性，將客戶在電子商務(wù)網(wǎng)絡(luò)平臺上的行為數(shù)據(jù)映射為企業(yè)和個人的信用評價，通過沙盤推演技術(shù)對地區(qū)客戶進行評級分層。楊秀萍認為除了小額分散的風(fēng)控原則，風(fēng)控的核心方法在于通過研究分析不同個人特征數(shù)據(jù)相對應(yīng)的違約率，通過非線性邏輯回歸、決策樹分析、神經(jīng)網(wǎng)絡(luò)建模等方法來建立數(shù)據(jù)風(fēng)控模型和評分卡體系，來掌握不同個人特征對應(yīng)影響到違約率的程度。張海泉認為互聯(lián)網(wǎng)金融企業(yè)的風(fēng)控大致分為兩種模式：一種是類似于阿里的風(fēng)控模式，通過自身系統(tǒng)大量的電商交易以及支付信息數(shù)據(jù)建立了封閉系統(tǒng)的信用評級和風(fēng)控模型；另一種則是眾多中小互聯(lián)網(wǎng)金融公司通過貢獻數(shù)據(jù)給一個中間征信機構(gòu)，再分享征信信息。劉葉煥提出從個體狀況、社交網(wǎng)絡(luò)行為、網(wǎng)絡(luò)消費行為三個方面對用戶信用進行評價。袁翠認為要解決互聯(lián)網(wǎng)金融模式下的信用風(fēng)險問題，首先應(yīng)該盡全力推動建設(shè)基于大數(shù)據(jù)的互聯(lián)網(wǎng)征信平臺，實現(xiàn)全社會信用信息的收集、分類、匹配和數(shù)據(jù)化處理，并建設(shè)全社會統(tǒng)一的征信數(shù)據(jù)調(diào)用和查詢體系，使互聯(lián)網(wǎng)金融或者傳統(tǒng)金融行業(yè)機構(gòu)在面臨信用風(fēng)險評估問題時可以提出特定的需求，并通過征信系統(tǒng)專業(yè)化定制的數(shù)據(jù)來源解決借貸等交易行為中的信用違約風(fēng)險。

四、總結(jié)

利用被評價對象的社會關(guān)系數(shù)據(jù)進行人口屬性特征的推斷已逐漸被各大信用評級平臺所看重并采用。通過協(xié)同推斷的方法對有效樣本數(shù)據(jù)進行分析，以此驗證社會關(guān)系強度對個體經(jīng)濟行為、信貸使用意愿、個體違約意愿、社會影響等方面的調(diào)節(jié)作用逐漸成為信用評級的主流方法。同時，網(wǎng)絡(luò)社交數(shù)據(jù)可幫助信用評級機構(gòu)從影響用戶信用的內(nèi)在和外在因素出發(fā)，通過個體用戶社會關(guān)系強度與人口屬性數(shù)據(jù)進行協(xié)同推斷，得出信用的主影響因子及用戶信用等級，為P2P網(wǎng)絡(luò)征信系統(tǒng)人口屬性特征提取及信用診斷提供計算方法和技術(shù)依據(jù)。因此，社交網(wǎng)絡(luò)數(shù)據(jù)作為大移動互聯(lián)時代的重要數(shù)據(jù)來源，將在各類數(shù)據(jù)分析和挖掘中扮演越來越重要的角色。

[1]Jiawei Zhang，Xiangnan Kong，Phi lip S.Yu：Predicting Social Links for New Users across Al igned Heterogeneous Social Networks.In ICDM，2013.

[2]姚國章，趙剛.互聯(lián)網(wǎng)金融及其風(fēng)險研究[J].南京郵電大學(xué)學(xué)報（自然科學(xué)版），2015.2.

[3]肖肖，駱建文.基于大數(shù)據(jù)的互聯(lián)網(wǎng)融資平臺信用評級[J].現(xiàn)代管理科學(xué)，2015.1.

[4]郭濂.國際三大信用評級機構(gòu)的比較研究[J].中南財經(jīng)政法大學(xué)學(xué)報，2015.1.