錢舒婷，王剛貞

(安徽財(cái)經(jīng)大學(xué) 金融學(xué)院，安徽蚌埠233030)

?

基于模糊層次分析法的P2P信貸信用風(fēng)險(xiǎn)控制評(píng)估

錢舒婷，王剛貞

(安徽財(cái)經(jīng)大學(xué) 金融學(xué)院，安徽蚌埠233030)

針對(duì)P2P網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)控制評(píng)估，利用層次分析法建立借款人信用遞階層次模型，根據(jù)專家打分計(jì)算出評(píng)價(jià)體系中各指標(biāo)的權(quán)重，再利用模糊隸屬度函數(shù)將從人人貸平臺(tái)收集散戶貸款信息數(shù)據(jù)無量綱處理，最后計(jì)算出貸款人的信用得分，并給出了不同信用評(píng)級(jí)下的得分區(qū)間。分析結(jié)果得出標(biāo)的類型對(duì)貸款信用評(píng)級(jí)影響最大，借款人歷史表現(xiàn)影響最小，監(jiān)管機(jī)構(gòu)應(yīng)加大對(duì)擔(dān)保機(jī)構(gòu)審查，P2P平臺(tái)應(yīng)加強(qiáng)網(wǎng)貸征信體制建設(shè)。

P2P網(wǎng)絡(luò)信貸；風(fēng)險(xiǎn)評(píng)估；層次分析法；模糊綜合評(píng)價(jià)

近年來，以移動(dòng)支付，大數(shù)據(jù)、云計(jì)算、社交網(wǎng)絡(luò)為基礎(chǔ)，P2P網(wǎng)絡(luò)信貸在我國發(fā)展迅速。P2P網(wǎng)絡(luò)信貸，是指資金余缺雙方，通過第三方網(wǎng)絡(luò)平臺(tái)牽線搭橋，將資金從盈余的人貸給資金短缺的人，借方到期償還本金與利息的全新的信貸方式。P2P網(wǎng)絡(luò)信貸，繞開了商業(yè)銀行體系，通過第三方網(wǎng)絡(luò)實(shí)現(xiàn)資金的信貸流通，相比傳統(tǒng)的銀行信貸，有著貸款門檻低、手續(xù)簡(jiǎn)單、審批迅速、期限靈活、收益高、中間費(fèi)用低等諸多優(yōu)點(diǎn)，截至2014年底P2P網(wǎng)貸平臺(tái)數(shù)量[1]達(dá)到1613家，較2013年增長900多家，成交額[2]為3291.94億元，較2013年增長268.83%。然而我國P2P信貸風(fēng)險(xiǎn)控制研究卻在起步階段，監(jiān)管細(xì)則和信用風(fēng)險(xiǎn)控制手段還存在空白。目前，金融監(jiān)管真空性，網(wǎng)絡(luò)交易虛擬性，非法集資，違約糾紛等現(xiàn)象，此外，P2P貸款用途難以核實(shí)、缺乏擔(dān)保、虛假信息等風(fēng)險(xiǎn)， 2014年P(guān)2P網(wǎng)貸問題[3]平臺(tái)高達(dá)275，較2013年問題平臺(tái)數(shù)量增長達(dá)到3.6倍。P2P網(wǎng)絡(luò)貸款平臺(tái)運(yùn)營的核心在于信用，通過網(wǎng)絡(luò)渠道可以實(shí)現(xiàn)信用擔(dān)保等模式借款也就亟需建立信用評(píng)價(jià)體系來支撐P2P網(wǎng)絡(luò)運(yùn)營模式的發(fā)展。由于當(dāng)前國內(nèi)的網(wǎng)絡(luò)信用體系并不健全，相關(guān)的監(jiān)管措施還不完善，是否能有效控制信用風(fēng)險(xiǎn)成為影響P2P網(wǎng)絡(luò)借貸發(fā)展的關(guān)鍵。

為此，本文對(duì)P2P網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)進(jìn)行研究，通過選取評(píng)價(jià)信用風(fēng)險(xiǎn)的指標(biāo)體系，采取專家打分方法構(gòu)建比較判別矩陣，計(jì)算出借款人信用評(píng)價(jià)指標(biāo)體系權(quán)重，利用模糊隸屬度函數(shù)將借款人信息無量綱化處理，得出借款人的信用得分。從而分析哪些指標(biāo)對(duì)信用風(fēng)險(xiǎn)影響較大，網(wǎng)絡(luò)信貸平臺(tái)因加強(qiáng)哪些指標(biāo)的監(jiān)測(cè)，以期為P2P網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)控制提出寶貴意見。

1 相關(guān)文獻(xiàn)回顧

英國和美國自2006年起網(wǎng)絡(luò)借貸出現(xiàn)，P2P貸款已成為除了傳統(tǒng)儲(chǔ)蓄和投資外的另一種選擇。國外學(xué)者對(duì)P2P信用風(fēng)險(xiǎn)的研究更加全面，如借款人的分析、借款成功因素、借款人信息保護(hù)、網(wǎng)絡(luò)聯(lián)保、貸款小組的行為欺詐。國外研究[4]主要集中在將P2P網(wǎng)絡(luò)信貸與社交網(wǎng)絡(luò)聯(lián)合，降低信用風(fēng)險(xiǎn)。M Lin, NR Prahala, S Viswanathan(2009)研究Prosper借款平臺(tái)發(fā)現(xiàn)，社交網(wǎng)絡(luò)有助于完善借款人的信息，從而有效的解決逆向選擇，社交網(wǎng)絡(luò)信息越詳細(xì)，借款人更能以低利率貸款Yum et al.(2012)發(fā)現(xiàn)借款人的歷史借款次數(shù)與借款成功率負(fù)相關(guān)，當(dāng)借款人有一次成功經(jīng)歷后，借款次數(shù)與借款成功率會(huì)轉(zhuǎn)為正相關(guān)Freedman and Jin(2008)[5]研究發(fā)現(xiàn)如果在貸款小組中有借款人的朋友時(shí)，貸款違約的概率較低。Sanjeev Kumar(2007)認(rèn)為P2P市場(chǎng)是有效的，可以通過分析借款人的借款違約的概率來確定合適的風(fēng)險(xiǎn)溢價(jià)，同時(shí)分析了貸款小組的信譽(yù)在市場(chǎng)是有效的。

國內(nèi)學(xué)者大部分從法律、監(jiān)管等角度揭示P2P存在的風(fēng)險(xiǎn)問題，以及互聯(lián)網(wǎng)金融的發(fā)展。謝平、鄒傳偉(2012)[6]研究了互聯(lián)網(wǎng)金融的支付方式、信息處理和資源配置，認(rèn)為這三方面的提高和改變將對(duì)社會(huì)產(chǎn)生巨大的效益。陳初(2010)[7]肯定了P2P網(wǎng)絡(luò)融資比銀行融資的優(yōu)越性，提出要將銀行對(duì)借款人的信用評(píng)估體系納入到P2P網(wǎng)絡(luò)融資中。吳曉光(2011)分析了網(wǎng)絡(luò)融資業(yè)務(wù)的主要模式，對(duì)業(yè)務(wù)的潛在風(fēng)險(xiǎn)進(jìn)行了探討，并從功能性監(jiān)管的較大，對(duì)網(wǎng)絡(luò)融資提出建議。錢金葉、楊飛(2012)[8]認(rèn)為P2P網(wǎng)絡(luò)借貸平臺(tái)未來的發(fā)展面臨個(gè)人信用體系不健全和法律法規(guī)缺失等障礙，同時(shí)指出商業(yè)銀行在規(guī)避小額貸款的同時(shí)也要關(guān)注其中的業(yè)務(wù)機(jī)會(huì)。黃葉苨、齊曉雯(2012)[9]總結(jié)了P2P網(wǎng)貸存在的三類風(fēng)險(xiǎn)，提出在風(fēng)險(xiǎn)管理中因以借款人信用風(fēng)險(xiǎn)控制為主，并提出了建立統(tǒng)一的信用評(píng)級(jí)系統(tǒng)的建議。吳曉光、曹一(2012)[10]對(duì)P2P網(wǎng)絡(luò)借貸業(yè)務(wù)的風(fēng)險(xiǎn)進(jìn)行分析，并提出了監(jiān)管內(nèi)容，包括用戶識(shí)別機(jī)制、資金管理機(jī)制、反洗錢系統(tǒng)建設(shè)、信用評(píng)級(jí)體系建設(shè)、安全技術(shù)與指標(biāo)設(shè)計(jì)。

國外研究焦點(diǎn)在P2P網(wǎng)絡(luò)信貸中借款人行為分析，研究借款人的社交網(wǎng)絡(luò)，強(qiáng)調(diào)信息對(duì)稱從而降低信用風(fēng)險(xiǎn)。國內(nèi)研究大多以總結(jié)敘述方式定性的分析P2P網(wǎng)絡(luò)信貸存在的總體風(fēng)險(xiǎn)，以政策性建議為主，對(duì) P2P網(wǎng)絡(luò)信貸的信用風(fēng)險(xiǎn)定量研究比較少，大多數(shù)不夠深入。由于P2P網(wǎng)絡(luò)信貸借款人信息中存在大量的描述性信息，借款人信用評(píng)價(jià)體系中也包含大量的定性指標(biāo)，這些信息、指標(biāo)在比較不同借款人的信用風(fēng)險(xiǎn)時(shí)無法直接的利用。此外，借款人信用評(píng)價(jià)指標(biāo)權(quán)重?zé)o法考量，雖然每個(gè)P2P網(wǎng)絡(luò)信貸平臺(tái)都給出了相應(yīng)的評(píng)級(jí)，但不對(duì)外公布，也就無法分析P2P網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)控制的重點(diǎn)。因此，研究P2P網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)評(píng)價(jià)的指標(biāo)權(quán)重，并對(duì)借款人信息進(jìn)行量化說明，這些研究具有現(xiàn)實(shí)意義和必要性。

2 指標(biāo)、數(shù)據(jù)與方法

2.1 指標(biāo)及數(shù)據(jù)

研究P2P網(wǎng)絡(luò)信貸個(gè)人借款信用風(fēng)險(xiǎn)，本文在傳統(tǒng)小額貸款信貸風(fēng)險(xiǎn)管理理論及相應(yīng)模型的基礎(chǔ)上，參考前人建立的個(gè)人信用評(píng)估指標(biāo)體系[11]，基于數(shù)據(jù)的可用性對(duì)相應(yīng)的指標(biāo)進(jìn)行增添和刪除, 本文將評(píng)價(jià)借款人信用的指標(biāo)分成借款信息、借款人資產(chǎn)、借款人職業(yè)、借款人基本信息、借款歷史表現(xiàn)，共5大類[12]，建立如圖1所示的P2P網(wǎng)絡(luò)信貸借款人信用遞階層次模型。

圖1 P2P網(wǎng)絡(luò)信貸借款人信用遞階層次模型

本文數(shù)據(jù)均來自人人貸P2P網(wǎng)絡(luò)信貸平臺(tái)的交易數(shù)據(jù)，選取了100個(gè)借款人信息，包括了由高到低AA、A、E、HR，共4種借款人評(píng)級(jí)，其中標(biāo)的類型包括機(jī)構(gòu)擔(dān)保標(biāo)、信用認(rèn)證標(biāo)、實(shí)地認(rèn)證標(biāo)?？紤]到圖1遞階層次模型中借款用途、標(biāo)的類型、資產(chǎn)等定性指標(biāo)，咨詢了P2P網(wǎng)絡(luò)平臺(tái)研究的專業(yè)人士意見并打分，將屬性轉(zhuǎn)化為數(shù)值型[13]，得出P2P網(wǎng)絡(luò)信貸借款定性指標(biāo)量化結(jié)果如表所示。詳見表1-7。

表1 借款人工作行業(yè)

表2 資金用途

表3 借款人職位

表4 標(biāo)的類型

表6 借款人基本信息

表5 借款人資產(chǎn)

表7 借款人學(xué)歷

2.2 研究方法

本文分三部分對(duì)P2P網(wǎng)絡(luò)信貸風(fēng)險(xiǎn)控制進(jìn)行評(píng)估打分。首先，查閱文獻(xiàn)、詢問專家，利用層次分析法，將借款人信用分成三層，構(gòu)建評(píng)價(jià)P2P網(wǎng)絡(luò)信貸的評(píng)價(jià)指標(biāo)體系，并邀請(qǐng)專家對(duì)每一準(zhǔn)則層指標(biāo)進(jìn)行兩兩比較并打分，通過構(gòu)造比較判別矩陣。其次，對(duì)比較判別矩陣進(jìn)行一致性檢驗(yàn)，得到各指標(biāo)的得分權(quán)重。最后，為將P2P網(wǎng)絡(luò)信貸評(píng)價(jià)體系中16個(gè)指數(shù)據(jù)進(jìn)行無量綱化，建立模糊效益型矩陣將指標(biāo)分成效益型和成本型，并利用層次分析法下計(jì)算的權(quán)重求出借款人的信用評(píng)分。

山西小浪底引黃工程施工I標(biāo)的1號(hào)交通洞進(jìn)口位于板澗河左岸解裕鄉(xiāng)政府附近，洞口高程291 m，末端連接安裝間，終點(diǎn)高程217 m。1號(hào)交通洞總長1 105.189 m，最大縱坡9.0%，開挖斷面為8.52 m×9.16 m（寬×高），襯砌后的凈斷面尺寸7 m×8 m（寬×高），城門洞型。1號(hào)交通洞作為地下泵站及其附屬洞室群的主要施工通道，它的施工進(jìn)度直接影響到地下泵站及其附屬洞室的施工進(jìn)度。

(1)層次分析法

首先建立比較判斷矩陣。根據(jù)圖1P2P網(wǎng)絡(luò)信貸借款人信用遞階層次模型進(jìn)行兩兩比較，以上一層各指標(biāo)作為比較準(zhǔn)則，用一個(gè)比較度aij(i,j=1,2,…,n)表示下層中第i個(gè)因素與第j個(gè)因素的相對(duì)重要性，從而構(gòu)建比較判斷矩陣，比較度的含義詳見表8。

表8 標(biāo)度的取值及含義

其次計(jì)算單準(zhǔn)則下的權(quán)重向量。通過兩兩比較指標(biāo)得到準(zhǔn)則層與子準(zhǔn)則層的判斷矩陣，計(jì)算各指標(biāo)在上層元素為準(zhǔn)則下的權(quán)重。

(1)

②將Dij按行求和得：E=(D1j,D2j,…,Dnj)T

(2)

③將E歸一化后，得到排序向量W=(w1,w2,…,wn)T

(3)

(2)一致性性檢驗(yàn)

當(dāng)n≥3時(shí)，一致性比例CR=CI/RI<0.1，認(rèn)為比較判別矩陣可以接受，否則應(yīng)對(duì)判別矩陣進(jìn)行適當(dāng)修正。隨機(jī)一致性指標(biāo)見表9。

表9 平均隨機(jī)一致性指標(biāo)

(3)模糊綜合評(píng)價(jià)

首先建立隸屬度函數(shù)。在P2P網(wǎng)絡(luò)信貸借款人信用遞階層次結(jié)構(gòu)中的16個(gè)指標(biāo)中，根據(jù)各指標(biāo)數(shù)值增長對(duì)借款人信用得分有利為效益型指，不利的為成本型指標(biāo)，對(duì)兩類指標(biāo)數(shù)值進(jìn)行無量綱化公式如下：

(4)

式中I1是效益型指標(biāo)，I2是成本型指標(biāo)，cij是原始指標(biāo)，bij是無量綱化后的指標(biāo)?？紤]到借款年齡小收入不穩(wěn)定，儲(chǔ)蓄能力低違約風(fēng)險(xiǎn)高；年齡在40歲左右收入穩(wěn)定，違約風(fēng)險(xiǎn)??；年齡較大的收入較低，突發(fā)消費(fèi)多，違約風(fēng)險(xiǎn)較高。所以年齡指標(biāo)增長對(duì)借款人信用增加在40歲之前有利，而大于40歲會(huì)降低借款人信用得分。因此逾期數(shù)、借款利率、年齡大于40歲為成本型指標(biāo)，其余13個(gè)指標(biāo)以及年齡小于40歲的效益型指標(biāo)。

其次建立綜合評(píng)價(jià)模型。將借款信息無量綱化的數(shù)據(jù)與層次分析法下計(jì)算的權(quán)重對(duì)應(yīng)相乘，得到不同借款人的信用得分，計(jì)算公式：

(5)

且若Mt>Ms，說明第t個(gè)人的信用得分要高于第s個(gè)人，得分越大的信用越好。

3 結(jié)果及解釋

3.1 權(quán)重向量

利用層次分析法，根據(jù)圖1所建立的P2P網(wǎng)絡(luò)信貸借款人信用遞階層次模型，基于專家打分原則，B層各元素相對(duì)于總目標(biāo)A的判別矩陣如表10所示。

表10 判別矩陣(A-Bi)

根據(jù)(1)式計(jì)算得λmax=1.7074。W1=[0.504,0.0653,0.2527,0.1395,0.0386],WB為B層各指標(biāo)對(duì)總目標(biāo)層A的權(quán)重向量。根據(jù)(2)式計(jì)算得CI=0.0327，n=5查表9，得RI2=1.12，根據(jù)(3)式計(jì)算得CR2=0.0292<0.1，表明判斷矩陣一致性通過。同理可以計(jì)算C子準(zhǔn)則層相對(duì)于B準(zhǔn)則層與其相關(guān)元素的權(quán)重，見表11。

表11 P2P網(wǎng)絡(luò)信貸借款人信用評(píng)級(jí)指標(biāo)的相對(duì)權(quán)重

分析各指標(biāo)對(duì)借款人信用得分影響，由表11看出B準(zhǔn)則層中借款人信息所占比重最大為0.504，借款人歷史表現(xiàn)所占比重最低為0.0386。C準(zhǔn)則層中借款標(biāo)的類型所占比重最大為0.3388，職業(yè)占比第二為0.1188，其次是貸款利率、年齡、學(xué)歷、月收入/月還本息、房產(chǎn)、行業(yè)、婚姻對(duì)借款人信用影響較大，最后是車產(chǎn)、借款人工作時(shí)間、借款人歷史表現(xiàn)。

3.2 一致性檢驗(yàn)

由一致性指標(biāo)計(jì)算公式可得到，其中C層各元素對(duì)B相關(guān)準(zhǔn)則層一致性指標(biāo)為：

CI(2)=(0.0801,0,0.0508,0.0091,0.0018)

一致性比例分別為：CR(2)=(0.089,0,0.0564,0.0158,0.0032)<0.1，C層元素一致性檢驗(yàn)均可以接受，判斷矩陣都具有滿意的一致性。層次總排序一致性檢驗(yàn)值：

CR3=CR2+CI(2)W2/RI2W2=0.0993<0.1

說明總排序具有滿意的一致性，利用層次分析法計(jì)算出的權(quán)重是合理的。

3.3 信用得分

將由人人貸平臺(tái)收集到的散戶借款標(biāo)的信息數(shù)據(jù)，通過隸屬度函數(shù)進(jìn)行數(shù)據(jù)無量綱化處理，結(jié)合表11計(jì)算出的各指標(biāo)權(quán)重，再利用公式(5)計(jì)算出100個(gè)不同評(píng)級(jí)借款人的信用得分，并繪成線圖，如圖2所示。

圖2 基于模糊層次分析法下借款人信用得分

由圖2可以看出基于模糊層次分析法下借款人信用得分可以分為4個(gè)等級(jí)。其中AA、A級(jí)借款人得分差距比較明顯，信用差別劃分清晰；E級(jí)、HR級(jí)借款人得分基本相同，信用差別劃分不明。具體得分如表12所示。

表12 借款人信用評(píng)級(jí)

考慮到層次分析法下專家賦權(quán)與P2P網(wǎng)絡(luò)信貸計(jì)算出的權(quán)重必然會(huì)存在差異，導(dǎo)致借款人信用得分局部會(huì)有所不同。整體上，基于模糊層次分析法下借款人信用得分與P2P網(wǎng)絡(luò)信貸平臺(tái)劃分等級(jí)是一致的，可明顯區(qū)分信用好與差的借款人，并且可以將A級(jí)別借款人中的機(jī)構(gòu)擔(dān)保標(biāo)與實(shí)地認(rèn)證標(biāo)借款人信用劃分明顯，網(wǎng)絡(luò)信貸平臺(tái)可以根據(jù)評(píng)價(jià)指標(biāo)的權(quán)重大小進(jìn)行風(fēng)險(xiǎn)監(jiān)控力度的安排。因此，基于模糊層次分析法的P2P網(wǎng)絡(luò)信貸信用評(píng)級(jí)比機(jī)構(gòu)評(píng)級(jí)更有效。

4 結(jié)論與政策建議

首先利用層次分析法建立借款人信用遞階層次模型，再從人人貸平臺(tái)收集借款人在各指標(biāo)下信息數(shù)據(jù)，并且咨詢專家將定性指標(biāo)定量化；然后結(jié)合專家打分，計(jì)算出各指標(biāo)的權(quán)重；其次，再建立隸屬度函數(shù)將借款人信息數(shù)據(jù)無量綱處理；最后得到借款人信用評(píng)級(jí)得分。基于模糊層次分析法下的借款人信用得分基本上與P2P平臺(tái)得分一致。通過研究層次分析法下的指標(biāo)得到如下結(jié)論：①模糊層次分析法計(jì)算出的P2P網(wǎng)絡(luò)信貸信用得分是合理的有效的，與人人貸平臺(tái)的信用評(píng)級(jí)基本相同。模糊層次分析法可以更好的將A級(jí)別中機(jī)構(gòu)擔(dān)保標(biāo)與實(shí)地認(rèn)證標(biāo)借款人信用等級(jí)劃分明顯，且指標(biāo)權(quán)重大小有利于網(wǎng)絡(luò)信貸平臺(tái)進(jìn)行風(fēng)險(xiǎn)監(jiān)控力度安排，評(píng)價(jià)方法更優(yōu)于網(wǎng)絡(luò)信貸平臺(tái)的劃分標(biāo)準(zhǔn)。②標(biāo)的類型對(duì)信用評(píng)級(jí)的影響最大，有機(jī)構(gòu)擔(dān)保的借款可以增加借款人信用，降低借款利率，其次是實(shí)地認(rèn)證標(biāo)，而由僅通過P2P網(wǎng)絡(luò)信用平臺(tái)通過的信用認(rèn)證標(biāo)的信用度最低，違約風(fēng)險(xiǎn)大。③借款人的工作是第二影響因素，職業(yè)收入穩(wěn)定且發(fā)展?jié)摿Υ蟮慕杩钊诵庞玫梅指?。④借款人的歷史表現(xiàn)對(duì)信用得分影響較弱，因P2P網(wǎng)絡(luò)信貸發(fā)展時(shí)間較短，大部分借款人都是第一次在網(wǎng)絡(luò)平臺(tái)借款，歷史信用記錄幾乎沒有，網(wǎng)絡(luò)征信體制發(fā)展緩慢，且各網(wǎng)絡(luò)信貸平臺(tái)信息不共享，導(dǎo)致P2P平臺(tái)無法了解借款人信用，增加了平臺(tái)的違約風(fēng)險(xiǎn)。

基于以上結(jié)論，在P2P網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)評(píng)估中，針對(duì)P2P網(wǎng)絡(luò)信貸平臺(tái)提出如下建議：第一，需要加強(qiáng)互聯(lián)網(wǎng)征信體制建設(shè)，建立P2P網(wǎng)絡(luò)信貸平臺(tái)借貸信息共享系統(tǒng)。由于P2P平臺(tái)發(fā)展時(shí)間較短，存在借款人在不同平臺(tái)借新債還舊債的跑路行為。第二，監(jiān)管機(jī)構(gòu)應(yīng)加強(qiáng)對(duì)機(jī)構(gòu)擔(dān)保的審核，避免出現(xiàn)擔(dān)保機(jī)構(gòu)擔(dān)保金額過大，風(fēng)險(xiǎn)補(bǔ)償資金不足。由于網(wǎng)絡(luò)信貸平臺(tái)的貸款的標(biāo)的類型對(duì)借款人的信用影響極大，有機(jī)構(gòu)擔(dān)保的借款將大幅度增加借款人信用。第三，P2P平臺(tái)應(yīng)加強(qiáng)對(duì)投資性貸款的審核。利率過高貸款違約的風(fēng)險(xiǎn)將增加，而網(wǎng)絡(luò)信貸最多期限大部分為36個(gè)月，而實(shí)體經(jīng)濟(jì)中短期高收益投資較少，投資性貸款將增大信用風(fēng)險(xiǎn)。第四，P2P平臺(tái)應(yīng)加大對(duì)借款人學(xué)歷、年齡、職業(yè)、收入、房產(chǎn)的申核。由于這些指標(biāo)在P2P網(wǎng)絡(luò)信貸評(píng)估體系中所占比重較大，對(duì)信用得分影響大。

[1] 和訊網(wǎng).P2P網(wǎng)貸行業(yè)2014年運(yùn)營簡(jiǎn)報(bào)[EB/OL].[2015-10-16].http://tech.hexun.com/2015-01-06/172095270.html

[2]360doc個(gè)人圖書館.報(bào)告：2014年P(guān)2P網(wǎng)絡(luò)借貸數(shù)據(jù)報(bào)告[EB/OL].[2015-10-16]. http://www.360doc.com/content/15/0205/09/18603808_446379932.shtml

[3]新華網(wǎng).機(jī)構(gòu)：2014年P(guān)2P問題平臺(tái)達(dá)275家.[EB/OL].[2015-10-16].http://news.xinhuanet.com/fortune/2015-01/03/c_1113857348.htm

[4]莫易嫻.P2P網(wǎng)絡(luò)借貸國內(nèi)外理論與時(shí)間研究文獻(xiàn)綜述[J].金融講壇,2011,(12)：101-104.

[5]Freedman S and Jin G Z. Dynamic Learning and Selection: the Early Years[D]. Maryland: University of Maryland.

[6]謝平,鄒傳偉.互聯(lián)網(wǎng)金融模式研究[J].金融研究,2012,(12):11-22.

[7]陳初.對(duì)中國“P2P”網(wǎng)絡(luò)融資的思考[J].人民論壇,2010,(2):128-129.

[8]錢金葉,楊飛.中國P2P網(wǎng)絡(luò)借貸的發(fā)展現(xiàn)狀及前景[J].金融論壇,2012,(1):46-51.

[9]黃葉苨，齊曉雯.網(wǎng)絡(luò)借貸中的風(fēng)險(xiǎn)控制[J].金融理論與實(shí)踐,2012,(4):101-105.

[10]吳曉光,曹一.論加強(qiáng)P2P網(wǎng)絡(luò)借貸平臺(tái)的監(jiān)管[J].南方金融,2011,(4):32-34.

[11]李叢剛,童中文,曹筱鈺.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)絡(luò)信貸市場(chǎng)信用風(fēng)險(xiǎn)評(píng)估[J].管理現(xiàn)代化,2015,(4):94-96.

[12]黃震.基于BP神經(jīng)網(wǎng)絡(luò)模型的中國P2P借款人信用風(fēng)險(xiǎn)評(píng)估研究[D].北京：北京交通大學(xué),2015.

[13]傅彥銘,臧敦剛,戚名鈺.P2P網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)評(píng)估[J].統(tǒng)計(jì)與決策,2014,(21):162-165。

P2P Network Credit Risk Control Assessment Based on Fuzzy Analytic Hierarchy Process

QIAN Shu-ting, WANG Gang-zhen

(School of Finance ,Anhui University of Finance and Economics, Bengbu Anhui 23303, China)

As to credit risk control assessment of P2P network, using AHP method to establish the borrower's credit level model. According to the expert evaluation index of the weight of the evaluation system, then using the fuzzy membership function eliminate dimension, which retail loan information data from the individual credit platform. Finally we calculate the Lender's credit score, and give a different credit rating score range. The results obtained from the analysis of the subject reveal that the type of loan credit has the biggest impact , the borrower's historical performance has minimal impact. Regulators should increase the security agency review, and P2P platform should strengthen the network credit system construction.

P2P network credit; risk assessment; analytic hierarchy process; fuzzy comprehensive evaluation

2015-11-10

安徽財(cái)經(jīng)大學(xué)科研基金項(xiàng)目(JRXY2015024)

錢舒婷(1995-)，女，安徽省宣城人，研究方向：金融建模分析。E-mail：2995962459@qq.com

F830.39

A

1004-2237(2015)06-0020-07

10.3969/j.issn.1004-2237.2015.06.005