P2P网贷个人信用评估国内外研究综述

来源:用户上传      作者:

　　中图分类号：F224 文献标识码：A
　　内容摘要：P2P 网贷起源于英国，随着互联网金融的逐步发展，已成为我国时下炙手可热的互联网金融新模式，在中小企业融资和个人贷款方面做出了巨大的贡献。然而网贷业在爆发式增长的同时，也面临着重大的信用风险，而个人信用评估则是降低信用风险的决定性因素。目前学术界鲜有将网络行为与P2P网贷个人信用评估指标相结合的研究，本文基于国内外关于 P2P 网贷的研究成果，对P2P网贷个人信用评估的相关研究进行归纳与总结，并指出P2P 网贷的未来研究趋势。
　　关键词：P2P网贷 互联网金融 评估指标 评估方法
　　引言
　　在我国，中小企业数量占企业总数比例高达90% 以上，在国民经济中起着不可替代的作用。然而中小企业的融资情况却很不乐观，有将近3000多万家小微企业需要100万元以下的融资，而银行却不能满足这些小微企业的资金需求。
　　银行对于个人和中小企业信用贷款的要求很高，使得中小企业融资和个人贷款面临很多困难。与大企业相比，中小企业普遍面临着融资不畅的问题，从而严重影响了他们持续健康的发展。而与此同时，我国民间资金却异常充裕，在这样的形势下，一种互联网金融新模式―P2P网络贷款（“peer to peer”）应运而生，为中小企业和个人提供了便利的融资渠道。
　　P2P网络贷款是一种依托于互联网实现高效融资的互联网金融新模式，最早起源于英国，随后发展到美国、德国和其他国家，随着近几年来的不断发展，在中小企业融资和个人贷款方面做出了巨大的贡献。我国于2007年出现了第一家P2P网贷平台―拍拍贷，此后，国内P2P网贷平台如雨后春笋般大规模兴起。
　　近年来，随着互联网金融的逐步发展，P2P网贷已成为时下炙手可热的互联网金融新模式。凭借着“高收益”的理财优势，各类P2P网贷平台呈现出爆发式“野蛮生长”。根据“网贷之家”发布的2014年中国网贷行业年报数据，2014年全年累计成交量达2528亿元，是2013年的2.39倍。然而网贷业在爆发式增长的同时，也存在着重大风险。截至2015年1月，已经有200多家P2P网贷机构出现提现困难以致卷款跑路等问题，使投资者损失惨重。
　　如今，P2P网贷这一新鲜事物已经受到越来越多学者的关注，而其面临的最大风险就是信用风险，其中个人信用评估则是降低信用风险的决定性因素。国内外关于P2P网贷个人信用评估方面的相关研究主要是从评估指标和评估方法两个方面进行探讨的。
　　国外研究综述
　　P2P网贷作为新兴的金融事物，学术界对其研究才刚刚起步，因此国内外关于P2P网贷的文献并不多。目前国内外的研究主要是从“软信息”和“硬信息”两个角度来考察P2P网贷融资的，刘峙廷和廖一祯（2011）指出软信息指的是不能用准确的指标或数值表示的信息，硬信息指的是能够用准确的指标或数值表示的信息。
　　国外大多数研究都使用prosper.com网站上的数据来分析P2P网贷。Iyer等人（2014）提出了这两种不同的数据，一种是标准的银行数据，是指从借款人的信用报告中得出的经核实过的财务数据，一种是非标准数据，如性别，年龄，国家等。对于prosper.com网站，他们强调基于非标准数据的筛选机制的重要性，尤其是对更小规模的借款人。
　　大多数P2P网贷平台会为投资人提供借款人详细的历史信贷数据，如借款利率，实际还款情况等。投资人可以根据这些信息来估计借款人的违约风险，然而，由于一些因素很多人不能够正确的评估借款人的违约风险。首先，人类通常会根据几个关键要素做决定，而不是根据大量的要素（Gigerenzer， 2007）。其次，在P2P网贷平台上，大多数用户都不是金融专家或者数学专家，他们不能够创建复杂的模型来获得投资策略（Klafft，2008）。
　　（一）信用评估指标
　　Hamburger等人（2003）研究了人格特征与网络行为之间存在的关系并且进行了大量的实证，实验结果证明人格特征是决定网络行为的一个高度相关因素。Freedman和Jin（2009）从社交网络的角度，利用Prosper平台中2006年至2008年的借贷交易数据，研究了在P2P网贷中的信息不对称问题。研究结果发现相比于传统的金融机构，P2P网贷平台上的投资人普遍面临缺乏借款人的“硬信息”的问题，但是通过社交网络平台中的“软信息”能够有效的缓解这种“硬信息”缺失的情况。
　　Lin（2009）研究了网络指标是如何影响P2P网贷平台上的交易结果的，研究结果表明社交网络上的人际关系能够有效地减轻贷款过程中出现的信息不对称问题，其强调了“软信息”在P2P网贷平台中的重要性。Prabhala等人（2011）研究表明社交网络资源较丰富的借款人更容易获得贷款，并且他们所需支付的借款利率更低，违约风险也相对更低。
　　Pope和Sydnor（2010）调查了在网贷投标中的歧视情况。他们发现这种现象很明显，对于长相比较黑的，较年长的，肥胖的借款申请人需要支付比较高的借款利率，而对于女性或参加过军队的借款人，他们需要支付的利率就相对较低。
　　Barasinska（2011）从性别的角度，研究发现投资人性别的不同会导致他们选择不同的借款人。其指出，一般来说女性比男性更容易选择风险相对较小的借款人，并且要求相对较高的借款利率；同时女性由于普遍具有倾向于为他人着想等非理性特征，在选择借款人时，往往比男性更容易出现逆向选择问题，把资金借给信用等级较低的借款人。
　　Ravina（2012）从生理特征的角度，利用Prosper平台中2007年3月至4月的借贷交易数据，研究了借款人的生理特征对其借款行为的影响。研究结果发现借款人的种族和外表对其借款能否成功以及所需支付借款利率的高低有着较为显著的影响，其指出由于美国地区存在种族歧视等社会问题，投资人认为黑人的信用度较低、违约风险较高，因此借款人如果是黑人，则其借款成功率较低，而所需支付的借款利率也更高。 　　Gonzalez和Loureiro（2014）探讨了借款人的个人特征对P2P贷款决策的影响，具体探讨了借款人的头像对获得贷款可能性的影响。研究结果表明贷款的成功与否容易受到性别、年龄和外貌的影响。他们指出目前在金融学、市场学和心理学领域的相关研究都大力支持“美丽加分”效应，即其他条件一样，外貌更具有吸引力的人会受到更大的青睐；但同时指出当被认为年龄是能力的一个明确象征时（大学年龄代表能力低，而中年代表能力高），则外貌对于贷款的成功与否没有太大的影响；而当借贷双方的性别相同时，更具有吸引力的外貌实际上可能会使借款人损失掉本可以获得贷款的机会（称为“红颜祸水”效应）。
　　综上所述，国外对于互联网信用评估指标已有一定的研究成果，略去在国内P2P网贷平台上不适用的指标后，归纳如表1所示。
　　（二）信用评估方法
　　近年来，随着经济学理论、优化理论的不断发展，人工智能方法在信用评估方面也得到了广泛的应用。Angelini等人（2008）开发了两个神经网络系统来进行信用风险评估，并且利用某意大利小型企业的真实数据进行实证，结果表明神经网络在评估借款人的违约可能性方面应用的十分成功。Sung（2010）构建了Kohonen神经网络模型和Cox比例风险回归模型的混合模型，研究结果表明该模型能够取得较好的预测结果。
　　Jagric等人（2011）利用学习矢量量化（LVQ）神经网络构建了信用评估模型，并将该模型与Logistic回归模型进行了对比分析，最后利用Slovenian银行的真实数据进行实证，结果表明LVQ神经网络模型在精度方面优于Logistic回归模型，能够获得更精确的评估结果。Kozeny等人（2012）提出了遗传算法和人工神经网络的混合算法以及该算法在信用风险评估中的应用。
　　Blanco等人（2013）使用多层感知器神经网络（MLP）构建了小额贷款信用评分模型，并将该模型与其他三种统计方法进行了对比分析，分别是线性判别分析，二次判别分析和Logistic回归，研究结果表明MLP神经网络模型优于这些参数统计方法，其能够实现更高的精度。Oreski等人（2014）提出了利用遗传算法和神经网络的混合算法（HGA-NN）来进行信用风险评估，研究结果发现HGA-NN算法在信用风险评估中的特征选择和分类方面具有很大的优势。
　　Capotorti和Barbanera（2012）提出了基于粗糙集，条件概率评估和模糊集的混合算法，研究结果表明该算法提高了在信用风险评估中标准粗糙集理论的分类性能，并且他们认为该算法同样适用于其他应用领域。
　　Mandala等人（2012）对某家不良贷款率达11.99%的农村银行进行信用风险研究，实证结果表明利用决策树模型的C 5.0算法进行信用评估，该银行的不良贷款率能够下降到低于5%。Lopez和Jeronimo（2015）构建了基于决策树的相关调整决策森林模型（CADF），并将其与梯度提升决策树模型和随机森林模型进行了对比分析，研究结果表明CADF模型在解决信用风险问题方面具有很大的优势，其解释性极强，并且预测精度极高，解决了其他模型不能够在精度和解释性方面两者兼顾的问题。
　　Bekhet和Eletter（2014）利用数据挖掘技术构建了两种信用评分模型，分别是Logistic回归模型和径向基函数模型，并将这两种模型进行了对比分析，结果表明Logistic回归模型的整体准确率比径向基函数模型更高一些，但是在识别潜在的违约者方面，径向基函数模型比Logistic回归模型具有更大的优势。
　　Harris（2015）运用集群支持向量机（CSVM）进行信用风险评估，并且和传统的非线性支持向量机（SVM）比较得出集群支持向量机（CSVM）能够实现更好的分类效果。Danenas和Garsva（2015）提出了一种基于粒子群优化技术来选择最优线性支持向量机（SVM）分类器的方法来进行信用风险评估，他们将该方法与Logistic回归和RBF神经网络在精度方面做了对比分析，实验结果表明该方法具有很高的分类精度（90%以上），但是在性能的稳定性方面有所不足。
　　Tomczak（2015）运用分类受限玻尔兹曼机（ClassRBM）构建信用评分模型，其指出该模型具有高解释性和易于实现性，在任何一家银行系统上都很容易实现。并且其通过与其他方法进行实证对比证明了该模型具有高预测性能，而且在易于实现方面具有很大的优势。
　　Mild等人（2015）提出用线性回归模型来帮助投资者在没有硬性，量化的银行数据的情况下，仅仅使用信用历史数据来评估借款人的信用违约风险，研究结果表明该模型能够较准确的评估信用违约风险，并且能够显著的提高投资者的收益。
　　Angilella和Mazzu（2015）提出并设计了多指标信用风险评估模型（ELECTRE-TRI），并将该模型应用到中小企业的信用风险评估当中，他们认为“硬信息”的缺失是中小企业信用风险评估中遇到的普遍问题，因此该模型主要基于“软信息”，其使用的SMAA-TRI方法考虑了指标权重的不确定性和不精确性，最后通过实验证明了他们的模型具有较好的评估性能。
　　国内研究综述
　　相较于国外，我国P2P网贷的发展更晚一些，因此相关的研究成果较少。近年来国内学者主要关注的是网贷面临监管空白方面的问题，对于互联网信用评估指标方面的研究几乎是空白。
　　虽然国内学者对于指标方面的研究甚少，但是P2P网贷作为一种互联网金融新模式，随着行业的快速发展，已经越来越受到学术界的广泛关注。目前随着研究的深入，传统的信用评估方法取得了较快的发展。
　　李旭升等人（2008）提出并设计了扩展的树增强朴素贝叶斯网络信用评估模型，并将该模型与神经网络分类模型进行了对比分析，实证结果表明扩展的树增强朴素贝叶斯网络信用评估模型具有较高的分类精度。范彦勤等人（2013）研究了基于贝叶斯分类器的个人信用评估模型，提出了新的属性加权朴素贝叶斯分类模型和改进树扩展贝叶斯分类模型，并给出了新的属性权值计算和分类器扩展研究。李太勇等人（2013）构建了基于稀疏贝叶斯学习的个人信用评估模型，并将该模型与传统的信用评估模型进行了对比分析，实证结果表明该模型在分类精度方面较传统的评估模型具有一定的提升，并且分类精度波动性很小。 　　李晓欢（2009）构建了基于粗糙集和神经网络的中小企业信用评估体系及模型，其将粗糙集属性约简的方法应用于中小企业信用评估指标体系建立的过程中，研究结果表明该模型提高了评估结果的准确性。喻敏和吴江（2011）提出了一种基于多进化神经网络的信用评估模型（MNN-CREDIT），实证结果表明该模型具有较高的预测精度。熊志斌（2011）提出了多子群自适应遗传BP算法，构建了自适应遗传模糊神经网络信用风险评估模型，并将该模型与BP神经网络、ANFIS以及遗传神经网络模型的预测效果进行比较，结果表明其所构建的模型对信用评估具有更好的泛化能力和更高的预测准确度。
　　杨胜刚等人（2013）构建了决策树方法与BP神经网络模型相结合的两阶段组合模型，研究表明，基于决策树和神经网络构建的个人信用评估组合模型在分类预测精度方面高于单一的BP神经网络模型。熊志斌（2013）提出了基于顺序自联想神经网络（SAANN）的非线性主成分分析法（NLPCA），并且结合神经网络（NN）和Logistic回归模型分别构建了基于NLPCA-NN和NLPCA-Logistic的信用评估模型。实证结果表明，其所构建的NLPCA方法较传统的线性PCA方法能够有效提高模型的预测性能，同时，在相同PCA方法处理数据的条件下，神经网络模型比Logistic回归模型具有更好的信用评估效果。
　　王润华（2010）建立了基于改进支持向量机的个人信用评估模型，实证结果表明线性核的分类效果很不理想，高斯核的分类效果不如多项式核好，而采用多项式核进行分类效果比较理想。杜婷（2012）将粗糙集与支持向量机相结合的粗糙集支持向量机方法应用到个人信用评估当中，研究结果发现基于粗糙集支持向量机的个人信用评估模型在分类结果的精确性和稳定性上都有一定的改善，并且能够达到较好的预测效果。姚潇和余乐安（2012）基于近似支持向量机方法，提出了模糊近似支持向量机，实证结果表明与其它模型相比，该模型能够显著提高信用风险分类精度。
　　未来研究趋势
　　综上所述，目前P2P网贷面临的最大风险是信用风险，信用风险已经成为P2P网贷行业发展的主要瓶颈，而个人信用评估则是降低信用风险的决定性因素，然而学术界还缺乏对其进行系统和深入的研究。
　　从上述文献可以看出，国内外对于P2P网贷个人信用评估方面的相关研究都比较少。国外学者对于P2P网贷的研究主要集中在借款人的社交网络及其生理特征分析方面；而国内关于P2P网贷的研究大都只是介绍了目前主要P2P网贷平台的运营模式，或针对网贷面临监管空白的问题提出一些风险管理的政策建议，鲜有学者将网络行为与P2P网贷个人信用评估指标相结合，从互联网信用评估指标的角度对P2P网贷进行深入的研究。
　　因此，从考虑网络行为的互联网信用评估指标的角度出发，以我国P2P网贷市场信用风险急需改善为研究背景展开研究，对于降低P2P网贷行业的信用风险是非常有必要的。未来研究人员可以将传统的信用评估方法和目前国外已有的对于互联网信用评估指标的研究成果这两者相结合，应用到P2P网贷平台中进行个人信用评估。具体可以从网络行为的角度选取适当的指标对P2P网贷模式中借款人的信用评估进行更加深入的分析和研究，以此有效降低信用风险，使我国P2P网贷行业能够健康有序的发展，使P2P网贷这一新生事物能够发展的更加成熟、更加完善。
　　参考文献：
　　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.杜婷.基于粗糙集支持向量机的个人信用评估模型[J].统计与决策，2012
　　4.李太勇，王会军，吴江.基于稀疏贝叶斯学习的个人信用评估[J].计算机应用，2013
　　5.李旭升，郭春香，郭耀煌.扩展的树增强朴素贝叶斯网络信用评估模型[J].系统工程理论与实践，2008
　　6.刘峙廷，廖一祯.美国信用评级下调分析[J].现代商贸工业，2011
　　7.王润华.基于改进支持向量机的消费信贷中个人信用评估模型[J].统计与决策，2010
　　8.熊志斌.基于自适应遗传模糊神经网络的信用评估建模[J].系统仿真学报，2011
　　9.熊志斌.基于非线性主成分分析的信用评估模型研究[J].数量经济技术经济研究，2013
　　10.喻敏，吴江.基于多进化神经网络的信用评估模型研究[J].计算机科学，2011
　　11.杨胜刚，朱琦，成程.个人信用评估组合模型的构建―基于决策树―神经网络的研究[J].金融论坛，2013
　　12.姚潇，余乐安.模糊近似支持向量机模型及其在信用风险评估中的应用[J].系统工程理论与实践，2012
转载注明来源:https://www.xzbu.com/1/view-11561846.htm