王小俐 魏建國 梁方瑞

摘?要： 近年來，大量P2P網(wǎng)貸平臺倒閉和跑路，嚴重損害了投資者利益，進而影響行業(yè)發(fā)展，科學(xué)預(yù)警P2P網(wǎng)貸平臺風(fēng)險對促進網(wǎng)貸行業(yè)健康發(fā)展有重要意義。基于358個網(wǎng)貸平臺的樣本數(shù)據(jù)，從平臺實力、平臺風(fēng)控能力、平臺運營能力、平臺治理水平、平臺合規(guī)性、標的特性與收益率等六個維度，構(gòu)建P2P網(wǎng)貸平臺運營風(fēng)險預(yù)警指標體系，以梯度提升決策樹（GBDT）模型為基礎(chǔ)構(gòu)建P2P網(wǎng)貸平臺運營風(fēng)險預(yù)警模型。結(jié)果表明：與邏輯回歸和決策樹等模型相比，GBDT模型對網(wǎng)貸平臺風(fēng)險有更好的預(yù)測性能。

關(guān)鍵詞： P2P網(wǎng)貸平臺;運營風(fēng)險預(yù)警;GBDT;機器學(xué)習(xí)

中圖分類號： F832.39?文獻標識碼： A?DOI： 10.3963/j.issn.1671|6477.2020.02.003

一、引言

近年來，我國大量P2P網(wǎng)貸平臺倒閉和跑路，由此嚴重損害了投資者利益，妨礙了網(wǎng)貸行業(yè)的健康發(fā)展。據(jù)“網(wǎng)貸之家”統(tǒng)計①，截至2019年12月底，P2P網(wǎng)貸行業(yè)累計成交量為8.99萬億元;P2P網(wǎng)貸行業(yè)正常運營平臺的合計貸款余額總量為4915.91億元，環(huán)比下降9.10%，同比下降37.69%;P2P網(wǎng)貸平臺的數(shù)量累計達6613家，但正常運營平臺數(shù)量僅343家，僅占比5.19%。隨著大量不合規(guī)平臺相繼退出市場，平臺交易受到嚴重影響。圖1顯示近5年P(guān)2P網(wǎng)貸平臺的成交量和資金凈流入情況。由圖1可以看出，兩項指標的數(shù)值從2014年12月到2016年12月均處于上升期，均在2016年12月達到最大值，即成交量和資金凈流入分別為2443.26億元和375.34億元，隨后均逐年下降。資金凈流入在2018年12月降為負值，這與大量不合規(guī)平臺退出市場密切相關(guān);而成交量在2019年底保持在428.89億元，反映了P2P網(wǎng)貸平臺在滿足社會資本的融資需求方面仍然發(fā)揮著重要作用。

大量P2P網(wǎng)貸平臺倒閉或跑路有多方面的原因，其中一個重要原因是許多平臺的運營管理能力低下，抗風(fēng)險能力弱。對網(wǎng)貸平臺運營風(fēng)險進行評價和做預(yù)警研究，有助于投資者和借款人正確選擇平臺，識別平臺風(fēng)險，減少損失，也有利于促進平臺提高運營管理能力，降低風(fēng)險發(fā)生概率。

二、相關(guān)文獻綜述

關(guān)于P2P網(wǎng)貸平臺運營風(fēng)險表現(xiàn)與成因的研究。有學(xué)者指出，P2P網(wǎng)貸平臺運營風(fēng)險主要表現(xiàn)為擠兌風(fēng)險、涉嫌違法犯罪、提現(xiàn)困難、停業(yè)、跑路和破產(chǎn)等[1|2]。學(xué)者們從不同角度探討了P2P網(wǎng)貸平臺發(fā)生運營風(fēng)險的影響因素，如：平臺背景和資本實力、平臺自我監(jiān)管和風(fēng)控水平、行業(yè)競爭影響平臺生存和運營狀況[3];平臺的信息透明度、品牌影響力、承諾收益率與運營模式[4|5];聲譽、高管背景、有無債權(quán)轉(zhuǎn)讓和有無銀行存管[6]。

關(guān)于P2P網(wǎng)貸平臺風(fēng)險評價指標的研究。有學(xué)者用注冊資本、平臺背景、注冊地點、是否有資金托管等12個指標變量反映平臺的風(fēng)險特征[7];或用平臺熱度、借款情況、生存能力和投融資集中度四個指標描述平臺的風(fēng)險特征[8]。經(jīng)實證研究發(fā)現(xiàn)，違約風(fēng)險集中度、資金凈流入和發(fā)展速度等指標對平臺正常營運有積極作用[9]，資金存管、ICP經(jīng)營許可證、等保三級和信息披露這些指標可以反映平臺的合規(guī)化情況[10]。

關(guān)于P2P網(wǎng)貸平臺運營風(fēng)險預(yù)警模型的研究。有學(xué)者認為，基于隨機森林、貝葉斯網(wǎng)絡(luò)模型的信用評價模型在預(yù)警P2P網(wǎng)貸行業(yè)風(fēng)險方面效果顯著[11|12];嚴武[13]將平臺風(fēng)險作為切入點，對比以邏輯回歸和決策樹為代表的傳統(tǒng)模型與以隨機森林和XGBoost為代表的前沿模型在P2P網(wǎng)貸平臺風(fēng)險預(yù)警方面的效果，發(fā)現(xiàn)前沿模型的預(yù)警準確率更高。

綜上，學(xué)者們從不同角度對P2P網(wǎng)貸平臺運營風(fēng)險問題作了研究，但是學(xué)者們提出的運營指標往往依據(jù)不足或不夠全面，難以準確反映平臺運營特征，還沒有從運營風(fēng)險成因的角度構(gòu)建指標體系，提出的風(fēng)險預(yù)警模型的有效性和準確性高低有別，還有改進的空間。本文運用委托代理理論分析P2P網(wǎng)貸平臺運營風(fēng)險的成因，從平臺運營管理能力角度建立P2P網(wǎng)貸平臺運營風(fēng)險預(yù)警指標體系，構(gòu)建平臺運營風(fēng)險GBDT預(yù)警模型，使用交叉驗證方法處理樣本數(shù)據(jù)中正負樣本比例不均衡的問題，以提高模型的預(yù)測性能。

三、P2P網(wǎng)貸平臺運營風(fēng)險及其預(yù)警指標體系

P2P網(wǎng)貸平臺運營風(fēng)險是指平臺在運營過程中由于平臺自身實力不強，運營管理不善，借款標的物選擇不當(dāng)?shù)仍颍o平臺帶來經(jīng)濟損失的一種可能性。相對于P2P網(wǎng)貸平臺而言，借款人是委托人，委托平臺發(fā)布借款信息;平臺作為代理人，負責(zé)審核借款人的信用信息、評估借款人風(fēng)險等級。相對于P2P網(wǎng)貸平臺而言，投資人作為委托人，委托平臺發(fā)布貸款信息;平臺作為代理人，負責(zé)向社會發(fā)布貸款信息，向投資人提供借款人和項目的信息。通過撮合借款人和投資人成交，平臺賺取中介費作為盈利。由于平臺主要根據(jù)借款人在網(wǎng)上提供的相關(guān)信息進行信用評價，平臺與借款人之間存在著嚴重的信息不對稱。借款人往往會刻意隱瞞借款的真實用途，夸大自身的信用等級，獲得貸款后有可能將資金挪作他用。若平臺的運營管理能力差，則平臺難以對借款人信息的真實性和風(fēng)險等級進行有效評估。當(dāng)大量借款人發(fā)生逾期或違約行為時，平臺就可能會產(chǎn)生運營風(fēng)險。隨著平臺財務(wù)狀況惡化或者同業(yè)競爭壓力增大，平臺會刻意隱瞞不良信息，向借款人收取更高的利息來彌補損失，由此會進一步加重平臺的運營風(fēng)險。

基于數(shù)據(jù)的可獲得性，同時為了對不同網(wǎng)貸平臺進行對比分析，本文對市場環(huán)境風(fēng)險和法律風(fēng)險等平臺外部因素不予考慮，只是從平臺運營管理角度出發(fā)，從平臺實力、平臺風(fēng)控能力、平臺運營能力、平臺治理水平、平臺合規(guī)性、標的特性與收益率等六個維度構(gòu)建平臺運營風(fēng)險預(yù)警指標體系。

1.平臺實力：反映平臺應(yīng)對風(fēng)險的能力，用注冊資本和平臺背景來衡量。注冊資本是平臺在登記機關(guān)登記注冊的資本數(shù)值，注冊資本越高則平臺實力越強;若平臺具有國資、上市公司、銀行系或風(fēng)投系背景，表明平臺實力較為雄厚，否則實力較為薄弱。平臺實力越強，則運營越穩(wěn)健，出現(xiàn)運營風(fēng)險的可能性越低。

2.平臺風(fēng)控能力：反映平臺對風(fēng)險甄別和防控的能力，用高管經(jīng)驗和高管學(xué)歷來衡量。高管經(jīng)驗用具有金融從業(yè)經(jīng)驗的高管人數(shù)來衡量，高管人數(shù)越多，表明平臺高管經(jīng)驗越豐富，對復(fù)雜的金融市場和金融環(huán)境了解越透徹，分析處理問題的能力越強;高管學(xué)歷用具有碩士以上學(xué)歷的高管人數(shù)來衡量，這類人數(shù)越多，反映高管學(xué)歷越高，他們具備的金融理論知識更豐富，行業(yè)認知能力和戰(zhàn)略決策能力越強。平臺風(fēng)控能力越強，表明平臺抵御風(fēng)險的能力也越強，出現(xiàn)運營風(fēng)險的概率越低。

3.平臺運營能力：反映平臺內(nèi)部管理、資金運轉(zhuǎn)和對抗風(fēng)險的能力，用平臺運營時間來衡量。平臺運營時間越長，反映其管理模式越完善，抗風(fēng)險的經(jīng)驗越豐富，長期抗風(fēng)險能力越強，出現(xiàn)運營風(fēng)險的概率越低。

4.平臺治理水平：反映平臺保障投資者利益和維持平臺穩(wěn)健運行的能力，用平臺是否進行資金托管、是否進行投標保障和是否進行充分的信息披露來衡量。資金托管是指平臺將投資人的資金委托第三方賬戶管理;投標保障是指平臺對投資人的資金采取的通過風(fēng)險準備金進行補償或者第三方擔(dān)保公司提供擔(dān)保的一種保障措施;信息披露是指平臺對借款人和項目的信息披露情況。平臺若進行資金托管、投標保障和充分的信息披露，則其治理水平越強，出現(xiàn)運營風(fēng)險的概率越低。

5.平臺合規(guī)性：反映平臺運行是否符合監(jiān)管標準，用平臺是否加入監(jiān)管協(xié)會、是否具有ICP經(jīng)營許可證、是否加入第三方征信來衡量。若平臺加入了監(jiān)管協(xié)會、具有ICP經(jīng)營許可證、加入了第三方征信，表明平臺接受外部監(jiān)管的力度越大，運營將更加合規(guī)，平臺出現(xiàn)運營風(fēng)險的可能性越低。

6.標的特性與收益率：反映平臺對借款用途的評價能力，借款標的好壞直接影響平臺收益水平，用標的期限長短、標的類型多少、平臺收益率高低和風(fēng)險項的數(shù)值來衡量。標的期限越短，平臺越容易出現(xiàn)短期兌付危機，進而引發(fā)平臺風(fēng)險;標的類型越多樣，越能夠分散不同類型借款人的違約風(fēng)險，從而降低平臺風(fēng)險;平臺收益率超過一定范圍后的數(shù)值越高，越能反映平臺處于資金短缺狀態(tài)，即平臺可能存在誘導(dǎo)投資人投資的資金詐騙行為;平臺風(fēng)險項的數(shù)值越高，則平臺在運營過程中暴露的風(fēng)險越高。平臺標的期限越短、標的類型越單一、收益率越高、風(fēng)險項數(shù)值越高，則平臺的運營風(fēng)險也越高。

在這六個維度下，根據(jù)P2P網(wǎng)貸平臺的可觀測數(shù)據(jù)，本文將這些指標進一步細分為注冊資本、后臺背景和高管經(jīng)驗等15個二級指標，構(gòu)建如表1所示的平臺運營風(fēng)險預(yù)警指標體系。將正常運營平臺定義為正常平臺，賦值為1;將倒閉跑路等平臺定義為出險平臺，賦值為0。將不同變量用符號Xi（i=1，…，15）表示。

四、基于GBDT模型的平臺運營風(fēng)險預(yù)警

（一）數(shù)據(jù)處理

本文收集了信息披露較為完整的358家網(wǎng)貸平臺的相關(guān)數(shù)據(jù)（見表2），其中正常平臺258家，出險平臺100家，時間截至到2019年12月底。數(shù)據(jù)來源于“網(wǎng)貸之家”、“網(wǎng)貸天眼”和企查查。下面將以注冊資本（X1）、運營時間（X5）、信息披露（X8）和ICP經(jīng)營許可證（X10）為例對表2的變量進行描述性統(tǒng)計說明。就注冊資本而言，正常平臺的平均值（12 978.56萬元）高于出險平臺（10615.30萬元），但其最小值、最大值和標準差均要低于出險平臺;就運營時間而言，正常平臺和出險平臺的平均值差額達到18個月，正常平臺的最小值和標準差低于出險平臺，但最大值高于出險平臺，表明正常平臺的運營時間更長;就信息披露而言，正常平臺和出險平臺的數(shù)值分別為1.78和1.01，表明正常平臺的整體信息披露更多;就ICP經(jīng)營許可證而言，正常平臺和出險平臺的最小值和最大值數(shù)值相同，但正常平臺的平均值和標準差都要略低于出險平臺。

為了消除量綱不同帶來的差異，對注冊資本（X1）、運營時間（X5）等兩個連續(xù)型變量以及高管經(jīng)驗（X3）、高管學(xué)歷（X4）和信息披露（X8）等三個離散型變量進行Min|Max標準化處理。對正向指標和反向指標的處理方法如公式（1）和（2）所示：

Xij=xij-minxijmaxxij-minxij（1）

Xij=maxxij-xijmaxxij-minxij（2）

（二）預(yù)警模型和評價指標說明

1.GBDT模型。

GBDT模型是由Freidman提出的一種將學(xué)習(xí)到的多種模型進行集成的機器學(xué)習(xí)算法。它由多棵決策樹組成，在訓(xùn)練的過程中可以通過降低偏差來提高最終分類器的精度，核心是累加所有樹的結(jié)果作為最終結(jié)果。其中，每棵樹學(xué)習(xí)的是之前所有樹的結(jié)論和殘差。假設(shè)x和y分別表示P2P網(wǎng)貸平臺運營風(fēng)險的輸入指標和輸出指標的數(shù)值。將其算法列出如下②：

輸入：訓(xùn)練數(shù)據(jù)集T={（x1，y1），（x2，y2），…，（xN，yN）}，xi∈χ=Rn，yi∈γ={-1，1}，i=1，2，...，N;

輸出：回歸樹fM（x）。

第一步：通過初始化f0（x）=arg minc∑Ni=1L（yi，c），得到使損失函數(shù)最小的常數(shù)估計值;

第二步：對于m=1，2，…，M，

對于i=1，2，…，N，計算rmi=-L（y，f（xi））f（xi）fx=fm-1（x），將其作為殘差估計;

對rmi擬合一顆回歸樹，得到第m顆樹的葉節(jié)點區(qū)域Rmj，j=1，2，…，J，即一顆由J個葉子節(jié)點組成的樹，來擬合殘差的近似值;

對j=1，2，…，J，計算cmj=arg minc∑xi∈RmjL（yi，fm-1（xi）+c）;

更新fm（x）=fm-1（x）+∑Jj=1cmjI（x∈Rmj）;

第三步：得到回歸樹f^（x）=fM（x）=∑Mm=1fM（x）=∑Mm=1∑Jj=1cmjI（x∈Rmj），即獲得輸出的最終模型。

2.預(yù)警效果評價指標。

作為機器學(xué)習(xí)模型中常見的評價指標，準確率、精確率、召回率和F1值將被用于評價預(yù)警模型的預(yù)測效果。這些指標的數(shù)值越高，則模型的分類精度越高、泛化能力越強。其中，平臺表現(xiàn)為正常平臺或出險平臺為二分類問題，可以用數(shù)據(jù)標簽1或0表示。將多數(shù)類定義為正，少數(shù)類定義為負，其混淆矩陣見表3。由此可以得到：

準確率（用A表示）表示正常平臺和出險平臺被正確預(yù)測的樣本個數(shù)占樣本總數(shù)的比率。它的數(shù)值越高，則模型的預(yù)警效果越好。其中A=（TP+TN）/（TP+FP+TN+FN）。

精確率（用P表示）是指在所有預(yù)測為正常平臺的樣本中實際為正常平臺的樣本比率。它的數(shù)值越高，則模型的預(yù)警效果越好。其中P=TP/（TP+FP）。

召回率（用R表示）是指在所有實際為正常平臺的樣本中預(yù)測為正常平臺的樣本比率。它的數(shù)值越高，則模型的預(yù)警效果越好。其中R=TP/（TP+FN）。

F1值是精確率和召回率的加權(quán)平均數(shù)。它的數(shù)值越高，則模型的預(yù)警效果越好。其中F1= （2×R×P）/（R+P）。

（三）實證對比分析

為了全面評估基于GBDT模型的P2P網(wǎng)貸平臺運營風(fēng)險預(yù)測性能，下面選取邏輯回歸（簡稱LR）、決策樹（簡稱DT）、支持向量機（簡稱SVM）、隨機森林（簡稱RF）、多層感知器（簡稱MLP）等五種主要的機器學(xué)習(xí)模型，就風(fēng)險預(yù)測效果進行對比分析。實驗的操作環(huán)境為python3.7，依賴的數(shù)據(jù)庫為sklearn和pandas。

首先基于原始數(shù)據(jù)集來對比分析不同機器學(xué)習(xí)模型的預(yù)測性能。按照70：30的比例將原始數(shù)據(jù)劃分為訓(xùn)練集和測試集，列出六種不同機器學(xué)習(xí)模型的預(yù)警結(jié)果見表4。由表4可知，與其他機器學(xué)習(xí)模型相比，GBDT模型的預(yù)測準確率、精確率、召回率和F1值都處于整體最高水平，數(shù)值分別為95.37%，94.19%，100%和97.01%;DT模型的預(yù)測性能緊隨其后，準確率、精確率、召回率和F1值分別為94.44%，94.12%，98.77%和96.39%，預(yù)測效果較好;而SVM模型雖然召回率值為100%，但準確率、精確率和F1值分別為75%，75%和85.71%，在六個預(yù)警模型中數(shù)值為最低，表明其預(yù)測效果相對較差。由此可以看出，GBDT模型具有很好的預(yù)測性能。

然后采用k折交叉驗證來對比分析不同機器學(xué)習(xí)模型的預(yù)測性能。在原始數(shù)據(jù)集中正常平臺和出險平臺的數(shù)據(jù)量之比為2.58：1，樣本類別比例存在不均衡問題，可能導(dǎo)致最終的預(yù)測結(jié)果向多數(shù)類樣本傾斜。為了防止數(shù)據(jù)出現(xiàn)過擬合或者欠擬合情況，下面本文以k折交叉驗證方法為基礎(chǔ)，在不同交叉驗證折數(shù)下采用GBDT等六種機器學(xué)習(xí)模型進行預(yù)警分析。其中，k折交叉驗證是指將樣本數(shù)據(jù)集劃分為k組，輪流將k-1組作為訓(xùn)練集，剩下1組作為測試集，將實驗重復(fù)做k次，取k次結(jié)果的平均值作為實驗結(jié)果。該方法可以降低泛化誤差，同時避免過學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生。

分別取折數(shù)k=5，10，15，20，25，可以得到這六種機器學(xué)習(xí)模型下各個預(yù)警評價指標的數(shù)值。將折數(shù)作為橫軸、預(yù)警評價指標值作為縱軸，繪制如圖2所示的折線圖。由圖2（a）到圖2（d）可以直觀看出，隨著交叉驗證折數(shù)的變化，各大模型的評價指標值都呈現(xiàn)一定的波動性;GBDT模型、RF模型和DT模型的曲線走勢圖呈現(xiàn)相似的變化規(guī)律，即當(dāng)折數(shù)k由5變化到25時，它們的取值都在95%上下浮動，排名均位于前三名，而且在數(shù)值上遠高于其他三個模型，其中使用GBDT模型來預(yù)警的評價指標值在六個模型中都位于前列;而LR模型、SVM模型和MLP模型的曲線走勢圖也呈現(xiàn)相似的變化規(guī)律，即當(dāng)折數(shù)k由5變化到25時，它們的取值均在80%-95%之間波動，排名均位于后三名。綜上，在不同折數(shù)下，GBDT模型的準確率、精確率、召回率和F1值基本上都取得最大值，這表明GBDT模型具有非常好的預(yù)測性能。

接下來取不同交叉驗證折數(shù)下各預(yù)警指標值的平均值，可以得到這六種機器學(xué)習(xí)模型的預(yù)警結(jié)果。將k=5，10，15，20，25時四大評價指標的平均值列出如表5所示。

根據(jù)表5可以看出，GBDT模型的預(yù)警準確率、召回率和F1值在所有模型中均取得最大值，數(shù)值分別為95.63%，98.69%，97.16%，與同一評價指標下預(yù)警結(jié)果的最小值之差分別為13.14%，8.27%和9%;而GBDT模型的精確率數(shù)值（96.05%）比DT模型（96.09%）略低0.04%，在六大模型的預(yù)警結(jié)果中排名第二;其中，DT模型和RF模型也都具有較好的預(yù)警效果，前者的準確率、精確率、召回率和F1值分別為94.13%，96.09%，96.20%，95.96%，而后者的數(shù)值分別為93.18%，94.29%，97.31%，95.52%。總體而言，與其他預(yù)警模型相比，GBDT模型具有很好的預(yù)測性能。

最后對比表4和表5可以看出，采用k折交叉驗證方法之后，SVM模型、RF模型和GBDT模型除了召回率略低外，準確率、精確率和F1值均得到提升，GBDT模型仍然具有較好的預(yù)警性能;而LR模型和MLP模型的各大評價指標數(shù)值均有小幅度降低;DT模型的精確率獲得提高，然而其他指標的數(shù)值有所降低?？傮w來說，采用交叉驗證方法處理數(shù)據(jù)后，六種機器學(xué)習(xí)模型預(yù)測性能都有所提高。

五、結(jié)論與建議

根據(jù)數(shù)據(jù)分析，本文得出如下結(jié)論：第一，網(wǎng)貸平臺的運營管理能力是決定平臺運營風(fēng)險的關(guān)鍵因素之一，可以從平臺實力、平臺風(fēng)控能力、平臺運營能力、平臺治理水平、平臺合規(guī)性、標的特性與收益率六個維度來衡量網(wǎng)貸平臺的運營能力，為運營風(fēng)險評價提供依據(jù);第二，通過對選取的358個網(wǎng)貸平臺的樣本數(shù)據(jù)做預(yù)警實證研究發(fā)現(xiàn)，與邏輯回歸和決策樹等另外五種常用的機器學(xué)習(xí)模型相比，GBDT模型具有很好的預(yù)測性能，對P2P網(wǎng)貸平臺運營風(fēng)險的預(yù)警準確率達到95.63%，預(yù)警的精確率、召回率和F1值也顯著優(yōu)于其他模型;第三，在采用k折交叉驗證方法對樣本數(shù)據(jù)集進行處理后，這六種機器學(xué)習(xí)模型的預(yù)測性能得到明顯提升，其中GBDT模型的準確率、精確率和F1值提升顯著。

據(jù)此，本文就管理和預(yù)警P2P網(wǎng)貸平臺運營風(fēng)險提出如下建議：

第一，完善平臺信息披露機制。我國銀監(jiān)會在2016年頒布的《網(wǎng)絡(luò)借貸信息中介機構(gòu)業(yè)務(wù)活動管理暫行辦法》對平臺應(yīng)披露的指標信息作出了明確規(guī)定，但對平臺運營指標的信息披露方面還存在不足，在數(shù)據(jù)的計算和處理方面沒有給出統(tǒng)一的標準?？梢越梃b我國商業(yè)銀行和上市公司的信息披露標準，在不涉及商業(yè)機密的情況下，要求平臺及時公布運營數(shù)據(jù)，向投資人真實披露平臺風(fēng)險狀況;建立統(tǒng)一的數(shù)據(jù)采集標準，確保不同平臺的數(shù)據(jù)之間具有可比性，進而提高預(yù)測準確率。

第二，建立平臺運營信息數(shù)據(jù)庫。準確全面的平臺運營信息是運營風(fēng)險預(yù)警的基本保障。目前我國還沒有建立專門的P2P網(wǎng)貸平臺數(shù)據(jù)庫，有關(guān)方面獲取數(shù)據(jù)主要依賴于第三方網(wǎng)站，如“網(wǎng)貸之家”和“網(wǎng)貸天眼”。建議由政府部門或網(wǎng)貸行業(yè)協(xié)會牽頭建立平臺運營信息數(shù)據(jù)庫，定期收集、匯總和公布平臺運營數(shù)據(jù)，為網(wǎng)貸風(fēng)險預(yù)警管理和網(wǎng)貸行業(yè)監(jiān)管提供基礎(chǔ)條件。

第三，提高平臺運營管理能力。規(guī)范平臺內(nèi)部管理結(jié)構(gòu)，優(yōu)化平臺股東治理結(jié)構(gòu)，加強股東大會、董事會、監(jiān)事會和經(jīng)理層之間的協(xié)同管理，明確平臺各部門的職責(zé)和范圍;加強平臺內(nèi)部的風(fēng)險控制體系建設(shè)，建設(shè)一支由具有豐富從業(yè)經(jīng)驗和專業(yè)知識的人員組成的風(fēng)險控制團隊，加強風(fēng)險控制技術(shù)研發(fā)、學(xué)習(xí)和應(yīng)用，提高平臺的風(fēng)險甄別和防控能力;提高平臺從業(yè)人員的專業(yè)能力和綜合素質(zhì)，增強風(fēng)險意識，建立定期培訓(xùn)和考核評比淘汰制度，提高他們在復(fù)雜金融環(huán)境中的風(fēng)險分析和決策能力。

第四，加強對網(wǎng)貸行業(yè)的監(jiān)管創(chuàng)新。在全國性監(jiān)管部門制定的監(jiān)管標準和規(guī)范指導(dǎo)下，地方性監(jiān)管部門可結(jié)合當(dāng)?shù)貙嶋H狀況制定實施細則和具體規(guī)定，推進監(jiān)管政策創(chuàng)新;加強中央與地方之間的信息溝通與共享，加強大數(shù)據(jù)、區(qū)塊鏈、人工智能技術(shù)在網(wǎng)貸監(jiān)管中的應(yīng)用，推進監(jiān)管技術(shù)創(chuàng)新;健全行業(yè)自律監(jiān)管機制，要求全部網(wǎng)貸平臺參加網(wǎng)貸行業(yè)協(xié)會，納入行業(yè)監(jiān)管范疇，引導(dǎo)平臺積極響應(yīng)監(jiān)管措施;目前負責(zé)P2P網(wǎng)貸監(jiān)管的地方金融局，可以與銀監(jiān)會、第三方支付、托管商業(yè)銀行和其它社會中介機構(gòu)合作，建立P2P網(wǎng)貸監(jiān)管聯(lián)盟，對網(wǎng)貸平臺運營過程實施全面的監(jiān)督管理。

注釋：

①?數(shù)據(jù)來源：P2P網(wǎng)貸行業(yè)2019年12月月報https：//www.wdzj.com/news/yc/5533102.html。

②?“機器學(xué)習(xí)筆記”GBDT原理https：//blog.csdn.net/shine19930820/article/details/65633436

[參考文獻]

[1]何光輝，楊咸月，蒲嘉杰.中國P2P網(wǎng)絡(luò)借貸平臺風(fēng)險及其決定因素研究[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2017，34（11）：44|62.

[2]巴曙松，白海峰，李羽翔.P2P網(wǎng)貸平臺擠兌風(fēng)險：基于債權(quán)轉(zhuǎn)讓的視角[J].財經(jīng)問題研究，2019（01）：52|58.

[3]李先玲.資本充足、從業(yè)背景與平臺倒閉：來自中國231個P2P網(wǎng)絡(luò)借貸平臺的證據(jù)[J].經(jīng)濟經(jīng)緯，2016，33（06）：137|142.

[4]藍紫文.中國P2P網(wǎng)絡(luò)借貸平臺倒閉原因的實證研究[J].財經(jīng)問題研究，2016（S2）：27|31.

[5]Freedman S， Jin G Z.The information value of online social networks： Lessons from peer|to|peer lending[J]. International Journal of Industrial Organization，2017， 51：185|222.

[6]胡金焱，張笑.股東背景影響下的P2P平臺違約風(fēng)險與經(jīng)營風(fēng)險[J].山東大學(xué)學(xué)報：哲學(xué)社會科學(xué)版，2018，229（04）：126|135.

[7]吳慶田，羅璨，陳宜瑄.P2P網(wǎng)貸平臺特征與平臺運營的穩(wěn)健性：基于中國1706家P2P網(wǎng)貸平臺的證據(jù)[J].金融理論與實踐，2018（04）：62|70.

[8]徐梓原.P2P網(wǎng)貸平臺的風(fēng)險特征研究：基于多項LOGIT模型和雙變量PROBIT模型[J].武漢金融，2019（03）：17|22.

[9]竇新華，張玥，周方召.P2P網(wǎng)貸平臺營運風(fēng)險評價及影響因素研究[J].管理現(xiàn)代化，2018，38（01）：105|110.

[10]田杰，趙源，王淑敏.行業(yè)合規(guī)與P2P網(wǎng)貸平臺發(fā)展：促進或抑制[J].金融監(jiān)管研究，2019（09）：1|14.

[11]Malekipirbazari M， Aksakalli V. Risk assessment in social lending via random forests[J]. Expert Systems with Applications， 2015， 42（10）：4621|4631.

[12]裴平，郭永濟.基于貝葉斯網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用評價模型[J].中國經(jīng)濟問題，2017（02）：29|41.

[13]嚴武，馮凌秉，蔣志慧，孔雯.基于機器學(xué)習(xí)模型的P2P網(wǎng)貸平臺風(fēng)險預(yù)警研究[J].金融與經(jīng)濟，2019（09）：18|25.

（責(zé)任編輯?王婷婷）

Operation Risk Early Warning of P2P Online LendingPlatform Based on GBDT Model

WANG Xiao|li， WEI Jian|guo， LIANG Fang|rui

（School of Economics， WUT， Wuhan 430070， Hubei，China.）

Abstract：In recent years， a large number of P2P online lending platforms have been closed down and run away， which has seriously damaged the investors benefit. How to make a scientific early warning of the risk of P2P platform is of great significance to promote the healthy development of P2P online lending industry. Based on the data of 358 sample platforms， the paper builds a warning index system of P2P online lending platform operation risk， the system includes the following indicators such as platform strength， platform risk control capabilities， platform operation capabilities， platform governance levels， platform compliance， and loanings characteristics and yield. On this basis， the paper constructs an early warning model for the operation risk based on gradient boosting decision tree （referred to as the GBDT） model. The results show that compared with logistic regression， decision tree and other models， the GBDT model has better prediction performance.

Key words：P2P online lending platform; operation risk early warning; GBDT; machine learning