秦偉　梁月

一、引言

P2P網(wǎng)絡(luò)借貸指通過互聯(lián)網(wǎng)平臺個人直接借貸給個人的互聯(lián)網(wǎng)金融新模式。隨著互聯(lián)網(wǎng)的普及和民間借貸的興起而發(fā)展起來的P2P網(wǎng)絡(luò)借貸是未來金融服務(wù)發(fā)展的新趨勢。

截止2015年6月底，中國P2P網(wǎng)貸行業(yè)的成交量累計超過了6835億元。2015年上半年網(wǎng)貸行業(yè)成交量以月均10.08%的速度增加，上半年成交量累計已達3006.19億元。雖然我國P2P網(wǎng)絡(luò)借貸行業(yè)發(fā)展迅猛，P2P借貸平臺如雨后春筍，但是問題平臺和借款人違約事件也頻繁發(fā)生。2015年上半年，新增問題平臺419家，同期增長近8倍。截止2015年6月底，P2P網(wǎng)貸行業(yè)累計問題平臺達786家，其中6月份新增問題平臺125家。

借款人違約現(xiàn)象頻發(fā)，平臺跑路現(xiàn)象嚴重，貸款人紛紛回收款項，P2P網(wǎng)絡(luò)借貸平臺面臨著高兌付壓力，許多P2P平臺出現(xiàn)提現(xiàn)困難等問題。由此可見，我國P2P網(wǎng)絡(luò)借貸依然存在著巨大的風(fēng)險。其中，信用風(fēng)險是P2P網(wǎng)絡(luò)借貸最基本也最核心的風(fēng)險問題之一。隨著P2P網(wǎng)絡(luò)借貸的發(fā)展，網(wǎng)絡(luò)借貸的風(fēng)險也越來越受到關(guān)注。在網(wǎng)絡(luò)貸款平臺上，借款人的信用風(fēng)險帶來的后果是十分嚴重的。尤其在征信系統(tǒng)無法覆蓋所有個人時，信用風(fēng)險帶來的后果就尤為突出。作為降低信用風(fēng)險的重要手段，信用評估一直是學(xué)界研究的熱點。

二、P2P網(wǎng)絡(luò)借貸的風(fēng)險研究

P2P網(wǎng)絡(luò)借貸的本質(zhì)是民間借貸，而民間借貸的信用風(fēng)險與正規(guī)金融相比相對較高。隨著互聯(lián)網(wǎng)金融逐步結(jié)合發(fā)展，借貸雙方通過互聯(lián)網(wǎng)進行，實際面對面交流的機會越來越少，其風(fēng)險顯然也要隨之增大。

P2P網(wǎng)絡(luò)借貸的信用風(fēng)險是必然存在的。Steelmann（2006）指出“匿名交易”導(dǎo)致交易雙方的信息不對稱，再加上借款方無需提供抵押品或擔(dān)保，必然導(dǎo)致信用風(fēng)險的存在。Greiner（2009）利用社會資本理論對網(wǎng)絡(luò)借貸中不同運營模式的信息不對稱問題做了詳細的介紹。網(wǎng)絡(luò)借貸中更容易出現(xiàn)借款方和投資方之間信息不對稱的情況。張玉梅（2010）指出由于目前我國還沒有建立起完善的個人信用體系，故在網(wǎng)絡(luò)上由個人發(fā)起的借款就更難通過個人的信用情況來判斷了，因此個人信用風(fēng)險在一定程度上制約了P2P網(wǎng)絡(luò)貸款的發(fā)展，也正是因為這樣，P2P網(wǎng)絡(luò)貸款的信用風(fēng)險的判斷也就更加存在難度。艾金娣（2012）針對網(wǎng)絡(luò)貸款風(fēng)險從制度風(fēng)險和信用風(fēng)險兩個角度闡述，指出P2P網(wǎng)絡(luò)貸款雖然可以通過電話、網(wǎng)絡(luò)等渠道對借款人的基本信息進行核查，但是對于借款人的信用、實際的經(jīng)營情況以及最終的貸款用途卻很難進行跟蹤，這是最大的風(fēng)險所在。

研究顯示軟信息的使用能有效的彌補硬信息的不足，達到更好的減少信用風(fēng)險的效果。Freedman （2008）對Prosper 公司的研究表明，社交網(wǎng)絡(luò)所揭示的借款人的“軟信息”有效的彌補了其“硬信息”的不足。Iyer（2009）、Larrimore（2011）通過對信息不對稱的研究，指出借款人的“軟信息”是值得利用的信息。Freedman and Jin （2008）指出，含有熟人或者僅僅是認識的人，對于貸款小組成員違約率的降低有著重要的影響作用。

信用評估可以有效地遇見信用風(fēng)險，從而間接達到降低信用風(fēng)險目的。Lin（2009）通過Prosper上公開的數(shù)據(jù)實驗發(fā)現(xiàn)，借款人的信用風(fēng)險與其信用評級有密不可分的聯(lián)系，借款人信用評級越低，其發(fā)生道德風(fēng)險的概率越高。

三、信用評估方法

根據(jù)信用評估方法所依據(jù)的要素可以將其分為傳統(tǒng)信用評估方法和現(xiàn)代信用評估方法。傳統(tǒng)信用風(fēng)險分析方法更多依賴有經(jīng)驗的專家對借款者的信用風(fēng)險進行判斷；現(xiàn)代信用風(fēng)險分析方法更多依賴以統(tǒng)計數(shù)據(jù)和計量方法為基礎(chǔ)的數(shù)據(jù)和模型。

（一）信用評估方法的演進

最初，信用風(fēng)險評估方法主要是專家打分法，其依據(jù)是專家對借款人的財務(wù)狀況、經(jīng)營狀態(tài)、信用情況以及經(jīng)濟環(huán)境等進行主觀性的判斷。專家打分法是一種典型的定性分析方法。評估的主要工具包括以資信品格、資本、還款能力、抵押品、經(jīng)濟環(huán)境為標(biāo)準的5C方法和以借款人、借款用途、還款期限、擔(dān)保物（What）及如何還款這五項指標(biāo)的5W方法。專家打分法基本識別出了借款人信用風(fēng)險的主要影響因素，對信用評估模型的發(fā)展打下了堅實的基礎(chǔ)。

隨著數(shù)理統(tǒng)計方法的演進，在專家打分的基礎(chǔ)上以財務(wù)指標(biāo)為解釋變量建立回歸模型來度量借款人的風(fēng)險情況，成為信用評估的主流。主要采用的回歸方法包括判別分析方法、線性回歸模型、Logistic回歸模型等。

Bekhet和Eletter（2014）通過Logistic回歸模型和徑向基函數(shù)模型，分別構(gòu)建信用評分模型，并將對比分析這兩種模型，結(jié)果表明在整體準確率上Logistic回歸的比徑向基函數(shù)模型更有優(yōu)勢，但徑向基函數(shù)模型比Logistic回歸模型能更加準確的識別出潛在違約者。

姜明輝等人也針對線性回歸、羅吉斯回歸、分類樹、神經(jīng)網(wǎng)絡(luò)、遺傳算法等在個人信用評估領(lǐng)域的應(yīng)用做了開創(chuàng)性的研究，得出了一些極具價值的研究成果。

近年來，隨著統(tǒng)計學(xué)理論及計算機算法的不斷發(fā)展，人工智能方法在信用評估方面也得到了廣泛的應(yīng)用。在研究信用評估問題時，神經(jīng)網(wǎng)絡(luò)算法受到越來越多的青睞。

Angelini等人（2008）開發(fā)了兩個神經(jīng)網(wǎng)絡(luò)系統(tǒng)評估信用風(fēng)險，并利用某小型企業(yè)的數(shù)據(jù)進行實證，表明神經(jīng)網(wǎng)絡(luò)在評估借款人的信用風(fēng)險方面十分成功。Jagric等人（2011）利用LVQ神經(jīng)網(wǎng)絡(luò)構(gòu)建了信用評估模型，與Logistic回歸模型進行了對比，并利用真實數(shù)據(jù)進行實證，結(jié)果表明LVQ神經(jīng)網(wǎng)絡(luò)模型優(yōu)于Logistic回歸模型，能夠獲得更好的評估結(jié)果。

（二）信用評估方法的比較

傳統(tǒng)信用評估方法的優(yōu)點在于其對數(shù)據(jù)的要求低、相對容易取得且適用性強，但最大的缺陷在于其結(jié)果的主觀性，評判過程過多的依賴專家的個人判斷，不具有可比性。

現(xiàn)代信用評估方法的精確度高、預(yù)測能力強，較為廣泛的應(yīng)用在各類機構(gòu)信用風(fēng)險分析管理過程中?，F(xiàn)代信用風(fēng)險評估模型是目前最發(fā)達的信用風(fēng)險分析工具，但是其對數(shù)據(jù)的要求較高，且運算復(fù)雜，計算成本較高，適用于擁有大量歷史數(shù)據(jù)且對分析結(jié)果準確性要求極高的。

四、對我國P2P網(wǎng)絡(luò)借貸的思考

P2P網(wǎng)絡(luò)借貸是互聯(lián)網(wǎng)金融的新模式。目前國內(nèi)P2P網(wǎng)絡(luò)借貸的發(fā)展尚不規(guī)范，并且我國征信體系尚不完整，信用信息缺失嚴重。因此，我國P2P網(wǎng)絡(luò)借貸面臨的信用風(fēng)險問題尤為嚴重。

P2P借貸尚處于新興階段，研究也在起步中，未來的研究應(yīng)該從多方面展開。首先，隨著我國征信體系的不斷發(fā)展，信用數(shù)據(jù)的不斷完善，P2P網(wǎng)絡(luò)借貸信用評估的實證研究將不斷加強。其次，P2P網(wǎng)絡(luò)借貸帶來的借貸利率市場化，極大的沖擊了傳統(tǒng)商業(yè)銀行的業(yè)務(wù)。面對我國小微企業(yè)及個人的投融資需求，粗放的信用風(fēng)險評價模式必然轉(zhuǎn)向精準管理。開發(fā)基于不同參數(shù)的風(fēng)險資產(chǎn)定價模型將成為我國P2P網(wǎng)絡(luò)借貸平臺風(fēng)險管理的必然選擇。（作者單位：中央財經(jīng)大學(xué)）

參考文獻：

[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] Jensen M C， Black F， Scholes， Myron S. The Capital Asset Pricing Model： Some Empirical Tests[J]. Social Science Electronic Publishing， 1972， 94（8）：4229-4232.

[4] Greiner M E， Wang H. The Role of Social Capital in People-to-People Lending Market places[J].Icis Proceedings Paper， 2009.

[5] 艾金娣.P2P網(wǎng)絡(luò)借貸平臺風(fēng)險防范[J].中國金融，2012（14）：79-81.

[6] 姜明輝.商業(yè)銀行個人信用評估組合預(yù)測方法研究[D].哈爾濱工業(yè)大學(xué)，2006.