霍江林　劉素榮

摘 要：借款人信用風(fēng)險(xiǎn)評(píng)估缺失是造成P2P網(wǎng)貸問題平臺(tái)頻出的重要原因之一。本文從分析網(wǎng)貸平臺(tái)借款人的信用風(fēng)險(xiǎn)著手，篩選網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)的影響因素，建立網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，并構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險(xiǎn)評(píng)估模型，進(jìn)而選取部分P2P網(wǎng)貸平臺(tái)所披露的137組借款人信息進(jìn)行實(shí)證測(cè)試，發(fā)現(xiàn)測(cè)試結(jié)果與實(shí)際情形基本一致，借款人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)和模型能滿足網(wǎng)貸平臺(tái)對(duì)借款人信用風(fēng)險(xiǎn)評(píng)估的需要。

關(guān)鍵詞：信用風(fēng)險(xiǎn)評(píng)估；網(wǎng)絡(luò)信貸；借款人信用；人工神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：F832.5 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：1674-2265（2016）12-0043-05

一、引言

P2P網(wǎng)絡(luò)信貸平臺(tái)憑借方便快捷、低門檻的優(yōu)勢(shì)，自2006年在中國(guó)首次出現(xiàn)后，數(shù)量呈幾何模式快速增長(zhǎng)。然而由于風(fēng)險(xiǎn)管控能力不足，導(dǎo)致問題平臺(tái)不斷出現(xiàn)。《中國(guó)P2P網(wǎng)貸風(fēng)險(xiǎn)指數(shù)快報(bào)》顯示，2016年3月末中國(guó)P2P網(wǎng)貸問題平臺(tái)1824家，占全國(guó)P2P網(wǎng)貸平臺(tái)5326家的34.25 %。究其原因，在于中國(guó)的網(wǎng)貸平臺(tái)規(guī)模普遍較小、發(fā)展時(shí)間較短，并不具備完善的風(fēng)險(xiǎn)防范與管理能力。網(wǎng)貸平臺(tái)所面臨的最大風(fēng)險(xiǎn)是借款人的信用風(fēng)險(xiǎn)，然而國(guó)內(nèi)眾多平臺(tái)為搶占市場(chǎng)、快速上市，并沒有在風(fēng)控方面做好充分準(zhǔn)備。大多數(shù)網(wǎng)貸平臺(tái)缺乏完善的借款人信用風(fēng)險(xiǎn)評(píng)估體系，無(wú)法對(duì)借款人信用等級(jí)做出有效評(píng)估，導(dǎo)致平臺(tái)出現(xiàn)運(yùn)營(yíng)危機(jī)。2015年，中國(guó)政府開始對(duì)國(guó)內(nèi)網(wǎng)絡(luò)信貸行業(yè)進(jìn)行整改，風(fēng)險(xiǎn)控制成為網(wǎng)貸平臺(tái)整改的核心內(nèi)容。如何準(zhǔn)確評(píng)估借款人的信用風(fēng)險(xiǎn)，成為提升網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)管控能力亟須解決的問題。

P2P網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)問題引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)揭示方面，封延會(huì)、賈曉燕（2012）認(rèn)為P2P網(wǎng)貸是影子銀行的一種形式，暴露了中國(guó)金融風(fēng)險(xiǎn)監(jiān)管的不完備。馬運(yùn)全（2012）認(rèn)為，將P2P網(wǎng)貸平臺(tái)數(shù)據(jù)接入征信系統(tǒng)可以最大限度地減少借款人信用風(fēng)險(xiǎn)發(fā)生的可能性。Klafft（2008）分析美國(guó)網(wǎng)貸平臺(tái)Prosper的數(shù)據(jù)，發(fā)現(xiàn)借款人信用評(píng)級(jí)越高越容易獲得貸款，逾期還款率也越低。信用風(fēng)險(xiǎn)影響因素研究方面，Herzenstein等（2008）認(rèn)為借款人的債務(wù)收入比是影響信用風(fēng)險(xiǎn)的重要因素。Iyer等（2010） 提出了評(píng)估借款人信用風(fēng)險(xiǎn)的數(shù)據(jù)包括標(biāo)準(zhǔn)的銀行數(shù)據(jù)和性別、年齡等非標(biāo)準(zhǔn)數(shù)據(jù)。Barasinska（2009）認(rèn)為借款人年齡、性別、種族也是影響信用風(fēng)險(xiǎn)的重要因素。Duarte等（2012）認(rèn)為外貌特征都會(huì)影響借貸行為。王會(huì)娟等（2014）基于“人人貸”的數(shù)據(jù)發(fā)現(xiàn)，對(duì)借貸行為影響較大的是工作認(rèn)證、收入認(rèn)證、視頻認(rèn)證和車產(chǎn)、房產(chǎn)認(rèn)證等認(rèn)證指標(biāo)。溫小霓等（2014）以拍拍貸為例，發(fā)現(xiàn)借款人信用積分、性別、住宅情況也對(duì)借款結(jié)果有影響；信用風(fēng)險(xiǎn)評(píng)估方法研究方面，張墨（2015）總結(jié)了 P2P 網(wǎng)貸個(gè)人信用評(píng)價(jià)的方法——層次分析法、主成分分析法、因子分析法、神經(jīng)網(wǎng)絡(luò)模型法等。張巧良（2015）應(yīng)用層次分析法對(duì)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)進(jìn)行了評(píng)價(jià)。王保乾和王婷（2016）運(yùn)用基于層次分析的模糊綜合評(píng)價(jià)分析了大數(shù)據(jù)對(duì)網(wǎng)貸信用評(píng)估的影響。于曉虹和樓文高（2016）認(rèn)為層次分析法、主成分分析法、因子分析法等方法均不太適合于P2P網(wǎng)貸個(gè)人信用評(píng)價(jià)與預(yù)警建模研究。Angelini等人（2008）開發(fā)了兩個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)來(lái)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，通過(guò)對(duì)意大利某小型企業(yè)的實(shí)證研究，表明神經(jīng)網(wǎng)絡(luò)適用于評(píng)估借款人違約風(fēng)險(xiǎn)。朱毅峰（2008）認(rèn)為神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢(shì)在于對(duì)樣本數(shù)據(jù)的分布沒有要求，并降低了對(duì)差企業(yè)的誤判率。

綜上所述，網(wǎng)絡(luò)信貸的信用風(fēng)險(xiǎn)評(píng)估在國(guó)內(nèi)外的研究均取得了一定的進(jìn)展。但已有研究往往將關(guān)注的焦點(diǎn)放在對(duì)信貸平臺(tái)的風(fēng)險(xiǎn)評(píng)估，對(duì)借款人信用風(fēng)險(xiǎn)的關(guān)注度不夠，對(duì)P2P網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)的分析也大多采用定性分析法、層次分析法等帶有一定主觀性的方法，難以客觀、全面地反映借款人信用的真實(shí)情況?；诖?，本文從P2P網(wǎng)貸平臺(tái)借款人信用角度出發(fā)，分析網(wǎng)貸平臺(tái)借款人信用同個(gè)人基本信息的關(guān)系，篩選影響借款人信用等級(jí)評(píng)估的指標(biāo)因素，選擇在信用風(fēng)險(xiǎn)評(píng)估中可以解決非線性、不確定性變量關(guān)系的人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)網(wǎng)貸平臺(tái)的借款人信用風(fēng)險(xiǎn)評(píng)估進(jìn)行實(shí)證分析。

二、網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)的選取

P2P網(wǎng)絡(luò)信貸的特點(diǎn)之一是網(wǎng)貸平臺(tái)要求借款人提供的個(gè)人信息較為簡(jiǎn)單，一般包括身份信息、基本資產(chǎn)狀況、年齡、學(xué)歷等個(gè)人基礎(chǔ)情況。通過(guò)第三方認(rèn)證平臺(tái)對(duì)借款人提供的信息進(jìn)行認(rèn)證，根據(jù)認(rèn)證后的信息對(duì)借款人的信用等級(jí)進(jìn)行評(píng)定，并將信息及評(píng)級(jí)結(jié)果公布在網(wǎng)站上，供貸款人參考。

根據(jù)國(guó)內(nèi)目前各大網(wǎng)貸平臺(tái)對(duì)借款人的審核要求，一般需要借款人提供身份證、是否購(gòu)車、基本資產(chǎn)情況、收入情況、婚姻狀況、文化程度、住房條件等資料信息，國(guó)外一些平臺(tái)對(duì)借款人審核的條件還包括種族、性別、外貌長(zhǎng)相、體重等信息。借鑒國(guó)內(nèi)外P2P網(wǎng)貸平臺(tái)信用評(píng)價(jià)指標(biāo)的選取情況，考慮P2P網(wǎng)貸平臺(tái)借款人的特點(diǎn)及平臺(tái)業(yè)務(wù)需求，本文選取借款人年齡、住房、購(gòu)車、收入、婚姻、文化程度、歷史信用記錄、性別、上傳照片（代替外貌特征）、居住區(qū)域等信息指標(biāo)，作為網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)。由于所選指標(biāo)部分是非數(shù)值變量，為了能準(zhǔn)確地分析這些變量對(duì)借款人信用風(fēng)險(xiǎn)的影響，將性別、住房、地區(qū)等設(shè)為虛擬變量，將部分指標(biāo)進(jìn)行虛擬量化，量化結(jié)果如表1所示。

（一）年齡

網(wǎng)絡(luò)信貸借款人的年齡主要集中在20—60歲之間，年齡較小的借款人儲(chǔ)蓄能力較低，缺少良好的消費(fèi)習(xí)慣，其違約風(fēng)險(xiǎn)較高；年齡較大的借款人收入水平較低、突發(fā)消費(fèi)較多，其違約風(fēng)險(xiǎn)也相對(duì)偏高。因此年齡在34—45歲之間、擁有穩(wěn)定工作收入的借款人信用較好，違約風(fēng)險(xiǎn)低。

（二）性別

根據(jù)國(guó)外研究者的觀點(diǎn)，性別成為影響網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)的因素之一。數(shù)據(jù)表明，女性平均違約金額高于男性，因此假設(shè)男性在網(wǎng)貸中的違約風(fēng)險(xiǎn)較低、信用風(fēng)險(xiǎn)小，女性則相對(duì)較大。

（三）文化程度

國(guó)內(nèi)外研究均表明，學(xué)歷對(duì)網(wǎng)貸借款人的信用風(fēng)險(xiǎn)有重要影響。一般學(xué)歷越高，借款人的違約可能性越小，信用越好；反之則違約可能性較大，風(fēng)險(xiǎn)較大。

（四）住房條件

一般情況下，擁有固定住房，且沒有房貸的借款人擁有更強(qiáng)的償債能力，違約動(dòng)機(jī)較??；反之正處于購(gòu)房還房貸、租房期間的借款人償債壓力較大，違約可能性更高。

（五）收入情況

相對(duì)于借款人的工作情況，借款人的收入情況更能反映該借款人的償債能力。收入穩(wěn)定且收入越高，違約概率越??；反之則違約概率越高。

（六）婚姻狀況

國(guó)內(nèi)外研究認(rèn)為借款人的婚姻狀況也是影響網(wǎng)貸行為的重要因素之一。一般情況下，已婚借款人出于對(duì)家庭的考慮，責(zé)任感更強(qiáng)、違約率更小，其家庭成員的收入亦增加了借款人的償債能力，而未婚和離婚借款人的違約概率相較偏高。

（七）購(gòu)車情況

作為借款人資產(chǎn)的一部分，同住房情況類似，有車且無(wú)車貸的借款人信用較高，違約風(fēng)險(xiǎn)越小；無(wú)車和有車且正在還車貸的借款人違約風(fēng)險(xiǎn)相對(duì)較高。

（八）歷史信用記錄

根據(jù)各網(wǎng)貸平臺(tái)中公布的借款人信息，可查詢各借款人的歷史借款次數(shù)和逾期次數(shù)，其中一筆借款會(huì)對(duì)應(yīng)多次還貸和逾期，本文所選的逾期次數(shù)直接選取逾期所對(duì)應(yīng)的借款筆數(shù)。

（九）外貌特征

國(guó)外研究者將外貌也列入網(wǎng)貸違約的影響因素之一。本文用借款人上傳照片的正式與否代替外貌特征，上傳照片正式的借款人相對(duì)違約風(fēng)險(xiǎn)較小，未上傳照片或不是本人照片的借款人違約風(fēng)險(xiǎn)較高。

（十）居住區(qū)域

一般而言，東部沿海地區(qū)經(jīng)濟(jì)較為發(fā)達(dá)，借款人償債能力較強(qiáng)、違約風(fēng)險(xiǎn)較小，中部次之，西部違約風(fēng)險(xiǎn)最高。

三、借款人信用風(fēng)險(xiǎn)評(píng)估神經(jīng)網(wǎng)絡(luò)的建立

理論上已經(jīng)證明，一個(gè)隱含層的人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線性映射，因此本文采用包括輸入層、單個(gè)隱含層和輸出層的三層人工神經(jīng)網(wǎng)絡(luò)作為評(píng)估模型。其中，輸入層節(jié)點(diǎn)數(shù)為10，分別為網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)評(píng)估選取的10個(gè)指標(biāo)：年齡、住房、購(gòu)車、收入、婚姻、文化程度、歷史信用記錄、性別、上傳照片（代替外貌特征）、居住區(qū)域；隱含層節(jié)點(diǎn)數(shù)通過(guò)模型進(jìn)行迭代計(jì)算后選取最佳值；由于目標(biāo)輸出為誠(chéng)信借款人（值為1）和不誠(chéng)信借款人（值為2），輸出層節(jié)點(diǎn)數(shù)為1，為模型測(cè)試輸出值。

網(wǎng)絡(luò)結(jié)構(gòu)確定后，使用train函數(shù)來(lái)訓(xùn)練創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)中間層的神經(jīng)元傳遞函數(shù)選取tansig函數(shù)，輸出層的神經(jīng)元傳遞函數(shù)采用purelin函數(shù)，學(xué)習(xí)函數(shù)選取learngdm，訓(xùn)練函數(shù)采用trainlm。

四、網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)評(píng)估的實(shí)證分析

（一）數(shù)據(jù)獲取

本文從拍拍貸、人人貸、365易貸、你我貸四家不同運(yùn)作模式P2P網(wǎng)貸平臺(tái)2015年披露的數(shù)據(jù)中，選取78個(gè)誠(chéng)信借款人信息和59個(gè)不誠(chéng)信借款人信息，共計(jì)137組信息作為本次網(wǎng)絡(luò)信貸信用風(fēng)險(xiǎn)評(píng)估的樣本。各平臺(tái)所公布借款人交易信息的時(shí)間由近至遠(yuǎn)依次取得，其中在拍拍貸中取得32個(gè)誠(chéng)信和20個(gè)不誠(chéng)信借款人信息，在365易貸取得15個(gè)誠(chéng)信和23個(gè)不誠(chéng)信借款人信息，在人人貸取得13個(gè)誠(chéng)信和6個(gè)不誠(chéng)信借款人信息，在你我貸取得17個(gè)誠(chéng)信和13個(gè)不誠(chéng)信借款人信息。由于借款人的違約概率（歷史違約金額同借款總額之比）數(shù)值太小，且不同借款人之間違約概率差距過(guò)于巨大，不便于模型輸出結(jié)果的比較，因此將137個(gè)借款人違約概率重新定義，將不同違約概率劃分為從0到1六個(gè)不同的信用等級(jí)。0表示信用情況最差，信用評(píng)級(jí)最低；反之信用評(píng)級(jí)越大。具體劃分結(jié)果如表2所示。

由表2可知，違約概率越大，則相應(yīng)信用評(píng)級(jí)越低、所對(duì)應(yīng)數(shù)字越??；違約概率越小，則相應(yīng)信用評(píng)級(jí)越高、所對(duì)應(yīng)數(shù)字越大。

（二）訓(xùn)練過(guò)程及結(jié)果

在模型的訓(xùn)練過(guò)程中，從137組數(shù)據(jù)中選取122組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，并進(jìn)行擬合，其中含有68個(gè)誠(chéng)信借款人和54個(gè)不誠(chéng)信借款人信息；隨機(jī)選取15組數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，其中誠(chéng)信借款人樣本為10個(gè)，不誠(chéng)信借款人樣本為5個(gè)。訓(xùn)練過(guò)程如下：

1. 確定網(wǎng)絡(luò)結(jié)構(gòu)。將年齡、性別、文化程度、住房條件、收入情況、婚姻狀況、購(gòu)車情況、歷史信用記錄、上傳照片、居住區(qū)域作為神經(jīng)網(wǎng)絡(luò)的輸入變量，信用評(píng)級(jí)作為神經(jīng)網(wǎng)絡(luò)的輸出變量。其中，訓(xùn)練樣本為107個(gè)，測(cè)試樣本為15個(gè)。

網(wǎng)絡(luò)結(jié)構(gòu)輸入層為10個(gè)神經(jīng)元，輸出層為1個(gè)神經(jīng)元，中間層神經(jīng)元按照[n+m+a]選擇。其中[n]為輸入層神經(jīng)元個(gè)數(shù)，[m]為輸出層神經(jīng)元的個(gè)數(shù)，[a∈[1，10]]之間的整數(shù)。計(jì)算可得，中間層神經(jīng)元個(gè)數(shù)可取4到13個(gè)。為確定最佳網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)中間神經(jīng)元的節(jié)點(diǎn)數(shù)進(jìn)行多次擬合，最終以擬合平方誤差為準(zhǔn)則確定中間層神經(jīng)元個(gè)數(shù)。通過(guò)擬合發(fā)現(xiàn)，當(dāng)中間神經(jīng)元節(jié)點(diǎn)數(shù)為10個(gè)時(shí)，網(wǎng)絡(luò)經(jīng)過(guò)61次迭代運(yùn)算，網(wǎng)絡(luò)擬合誤差達(dá)到最小0.0895，網(wǎng)絡(luò)性能達(dá)到穩(wěn)定。

2. 訓(xùn)練與檢驗(yàn)。確定網(wǎng)絡(luò)結(jié)構(gòu)之后，使用train函數(shù)來(lái)訓(xùn)練創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)，將學(xué)習(xí)速率設(shè)為0.01，最大訓(xùn)練次數(shù)設(shè)為1000，訓(xùn)練目標(biāo)設(shè)為0.03，創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)的代碼，并運(yùn)用Matlab 2014軟件編程。

3. 訓(xùn)練結(jié)果。利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本和檢驗(yàn)樣本進(jìn)行預(yù)測(cè)，訓(xùn)練結(jié)果如圖1和圖2所示。

從圖1、圖2可以看出，神經(jīng)網(wǎng)絡(luò)模型所訓(xùn)練的樣本實(shí)際值和模型輸出值基本吻合，線性擬合系數(shù)基本一致，圖形相似度較高，擬合情況較好。其訓(xùn)練樣本的擬合誤差（如圖3所示）除81號(hào)樣本訓(xùn)練誤差較大外（0.6129），其他樣本基本服從正態(tài)分布，因此可將81號(hào)樣本作為特殊個(gè)體忽略，不影響樣本總體訓(xùn)練結(jié)果。這證明了神經(jīng)網(wǎng)絡(luò)模型的擬合程度高，模型預(yù)測(cè)結(jié)果可信度較高。

4. 訓(xùn)練結(jié)果對(duì)比。在122組樣本數(shù)據(jù)訓(xùn)練結(jié)束后，輸入15組測(cè)試數(shù)據(jù)，對(duì)測(cè)試樣本輸出結(jié)果進(jìn)行驗(yàn)證，如表3所示。

5. 訓(xùn)練結(jié)果分析。由以上實(shí)證結(jié)果可以看出，模型根據(jù)122個(gè)借款人數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)后，除去誤差最大的第81號(hào)樣本，其他121組樣本誤差均在可接受范圍內(nèi)。其中有59個(gè)樣本誤差集中在0.01左右，誤差在0.02—0.05之間的樣本有46組，誤差在0.05—0.1之間的有28組，誤差大于0.1的樣本有3組。測(cè)試樣本中誤差最大為0.0956，所有測(cè)試誤差均小于0.1?？傮w上，模型測(cè)試的輸出結(jié)果和實(shí)際結(jié)果基本一致。

五、結(jié)論與建議

研究發(fā)現(xiàn)，借款人信用風(fēng)險(xiǎn)評(píng)估的缺失是造成問題平臺(tái)頻出的重要原因之一。本文選取的借款人年齡、住房、購(gòu)車、收入、婚姻、文化程度、歷史信用記錄、性別、上傳照片（代替外貌特征）、居住區(qū)域等評(píng)估指標(biāo)，能夠滿足網(wǎng)貸平臺(tái)對(duì)借款人信用風(fēng)險(xiǎn)評(píng)估的要求。通過(guò)對(duì)拍拍貸、人人貸、365易貸等四家網(wǎng)貸平臺(tái)137個(gè)借款人信用數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)，構(gòu)建的基于人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)評(píng)估模型具備了對(duì)網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)評(píng)估的能力，且評(píng)估的準(zhǔn)確率較高。

通過(guò)對(duì)網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)的評(píng)估，結(jié)合中國(guó)網(wǎng)絡(luò)信貸發(fā)展實(shí)際，本文提出以下建議：

第一，完善個(gè)人征信體系建設(shè)。借款人信用信息的不透明，造成國(guó)內(nèi)各網(wǎng)貸平臺(tái)對(duì)于借款人信用風(fēng)險(xiǎn)無(wú)法準(zhǔn)確評(píng)定。網(wǎng)絡(luò)信貸行業(yè)的發(fā)展需要對(duì)借款人信用進(jìn)行審核。僅對(duì)借款客戶自己提供的信息進(jìn)行評(píng)定，信息真實(shí)性無(wú)法準(zhǔn)確識(shí)別，增加了借款人信用風(fēng)險(xiǎn)。因此完善個(gè)人征信體系建設(shè)，對(duì)于網(wǎng)絡(luò)信貸行業(yè)的健康發(fā)展、降低網(wǎng)絡(luò)信貸中借款人的信用風(fēng)險(xiǎn)具有重要意義。

第二，建立多樣化的風(fēng)險(xiǎn)分散機(jī)制。網(wǎng)貸平臺(tái)可以按照不同信用等級(jí)和借款期限，對(duì)借款人每月或每期需償還的金額和利息做出規(guī)定，分散違約風(fēng)險(xiǎn)集中發(fā)生的可能性、降低借款人發(fā)生違約或逾期的風(fēng)險(xiǎn)。如英國(guó)Zopa平臺(tái)就通過(guò)強(qiáng)制約束借款人每月必須償還的金額，分散了借款人違約風(fēng)險(xiǎn)發(fā)生的可能性。

第三，加強(qiáng)政府監(jiān)管。中國(guó)網(wǎng)貸平臺(tái)起步較晚，發(fā)展經(jīng)驗(yàn)不足，平臺(tái)的管理水平普遍較低，需要政府的支持和監(jiān)管。政府需要對(duì)網(wǎng)貸平臺(tái)制定詳細(xì)的監(jiān)管準(zhǔn)則，鼓勵(lì)和引導(dǎo)網(wǎng)貸平臺(tái)構(gòu)建一套完善的風(fēng)險(xiǎn)評(píng)估體系。

參考文獻(xiàn)：

[1]Klafft， M. 2008. Peer to Peer Lending： Auctioning Mirco Credits over the Internet[R].Proceedings of the 2008 International Conference on Information Systems，Technology and Management（ICISTM 08）.

[2]Herzenstein ， M. ， R. L. Andrews， U. M. Dholakia， and E. Lyandres. 2008. The Democratization of Personal Consumer Loans？ Determinants of Success in Online Peer-to-Peer Lending Communities[R].

[3]Iyer， R.，A. I. Khwaja， E. F， P. Luttmer， and K. Shue. 2010. Screening in New Credit Market： Can Individual Lenders Infer Borrower Credit Worthiness in Peer-to-Peer Lending[R].

[4]李鑫.金融監(jiān)管與中國(guó)P2P網(wǎng)貸的發(fā)展及異化[J].財(cái)經(jīng)科學(xué)，2016，（5）.

[5]李淵琦，陳芳.我國(guó)P2P 網(wǎng)貸的風(fēng)險(xiǎn)分析及監(jiān)管對(duì)策[J].上海金融，2015，（7）.

[6]封延會(huì)，賈曉燕.“人人貸”的法律監(jiān)管分析——兼談中國(guó)的影子銀行問題[J].華東經(jīng)濟(jì)管理，2012 ，（9）.

[7]馬運(yùn)全.P2P網(wǎng)絡(luò)借貸的發(fā)展、風(fēng)險(xiǎn)與行為矯正[J].新金融，2012，（2）.