霍江林　劉素榮

摘 要：借款人信用風(fēng)險評估缺失是造成P2P網(wǎng)貸問題平臺頻出的重要原因之一。本文從分析網(wǎng)貸平臺借款人的信用風(fēng)險著手，篩選網(wǎng)貸平臺借款人信用風(fēng)險的影響因素，建立網(wǎng)貸平臺借款人信用風(fēng)險評估指標(biāo)體系，并構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險評估模型，進而選取部分P2P網(wǎng)貸平臺所披露的137組借款人信息進行實證測試，發(fā)現(xiàn)測試結(jié)果與實際情形基本一致，借款人信用風(fēng)險評估指標(biāo)和模型能滿足網(wǎng)貸平臺對借款人信用風(fēng)險評估的需要。

關(guān)鍵詞：信用風(fēng)險評估；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：F832.5 文獻標(biāo)識碼：B 文章編號：1674-2265（2016）12-0043-05

一、引言

P2P網(wǎng)絡(luò)信貸平臺憑借方便快捷、低門檻的優(yōu)勢，自2006年在中國首次出現(xiàn)后，數(shù)量呈幾何模式快速增長。然而由于風(fēng)險管控能力不足，導(dǎo)致問題平臺不斷出現(xiàn)?！吨袊鳳2P網(wǎng)貸風(fēng)險指數(shù)快報》顯示，2016年3月末中國P2P網(wǎng)貸問題平臺1824家，占全國P2P網(wǎng)貸平臺5326家的34.25 %。究其原因，在于中國的網(wǎng)貸平臺規(guī)模普遍較小、發(fā)展時間較短，并不具備完善的風(fēng)險防范與管理能力。網(wǎng)貸平臺所面臨的最大風(fēng)險是借款人的信用風(fēng)險，然而國內(nèi)眾多平臺為搶占市場、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)貸平臺缺乏完善的借款人信用風(fēng)險評估體系，無法對借款人信用等級做出有效評估，導(dǎo)致平臺出現(xiàn)運營危機。2015年，中國政府開始對國內(nèi)網(wǎng)絡(luò)信貸行業(yè)進行整改，風(fēng)險控制成為網(wǎng)貸平臺整改的核心內(nèi)容。如何準(zhǔn)確評估借款人的信用風(fēng)險，成為提升網(wǎng)貸平臺風(fēng)險管控能力亟須解決的問題。

P2P網(wǎng)貸平臺信用風(fēng)險問題引起了國內(nèi)外學(xué)者的廣泛關(guān)注。網(wǎng)貸平臺信用風(fēng)險揭示方面，封延會、賈曉燕（2012）認(rèn)為P2P網(wǎng)貸是影子銀行的一種形式，暴露了中國金融風(fēng)險監(jiān)管的不完備。馬運全（2012）認(rèn)為，將P2P網(wǎng)貸平臺數(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)險發(fā)生的可能性。Klafft（2008）分析美國網(wǎng)貸平臺Prosper的數(shù)據(jù)，發(fā)現(xiàn)借款人信用評級越高越容易獲得貸款，逾期還款率也越低。信用風(fēng)險影響因素研究方面，Herzenstein等（2008）認(rèn)為借款人的債務(wù)收入比是影響信用風(fēng)險的重要因素。Iyer等（2010） 提出了評估借款人信用風(fēng)險的數(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)險的重要因素。Duarte等（2012）認(rèn)為外貌特征都會影響借貸行為。王會娟等（2014）基于“人人貸”的數(shù)據(jù)發(fā)現(xiàn)，對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、住宅情況也對借款結(jié)果有影響；信用風(fēng)險評估方法研究方面，張墨（2015）總結(jié)了 P2P 網(wǎng)貸個人信用評價的方法——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)用層次分析法對網(wǎng)貸平臺風(fēng)險進行了評價。王保乾和王婷（2016）運用基于層次分析的模糊綜合評價分析了大數(shù)據(jù)對網(wǎng)貸信用評估的影響。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)貸個人信用評價與預(yù)警建模研究。Angelini等人（2008）開發(fā)了兩個神經(jīng)網(wǎng)絡(luò)系統(tǒng)來進行信用風(fēng)險評估，通過對意大利某小型企業(yè)的實證研究，表明神經(jīng)網(wǎng)絡(luò)適用于評估借款人違約風(fēng)險。朱毅峰（2008）認(rèn)為神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢在于對樣本數(shù)據(jù)的分布沒有要求，并降低了對差企業(yè)的誤判率。

綜上所述，網(wǎng)絡(luò)信貸的信用風(fēng)險評估在國內(nèi)外的研究均取得了一定的進展。但已有研究往往將關(guān)注的焦點放在對信貸平臺的風(fēng)險評估，對借款人信用風(fēng)險的關(guān)注度不夠，對P2P網(wǎng)貸平臺借款人信用風(fēng)險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情況?；诖?，本文從P2P網(wǎng)貸平臺借款人信用角度出發(fā)，分析網(wǎng)貸平臺借款人信用同個人基本信息的關(guān)系，篩選影響借款人信用等級評估的指標(biāo)因素，選擇在信用風(fēng)險評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，對網(wǎng)貸平臺的借款人信用風(fēng)險評估進行實證分析。

二、網(wǎng)貸平臺借款人信用風(fēng)險評估指標(biāo)的選取

P2P網(wǎng)絡(luò)信貸的特點之一是網(wǎng)貸平臺要求借款人提供的個人信息較為簡單，一般包括身份信息、基本資產(chǎn)狀況、年齡、學(xué)歷等個人基礎(chǔ)情況。通過第三方認(rèn)證平臺對借款人提供的信息進行認(rèn)證，根據(jù)認(rèn)證后的信息對借款人的信用等級進行評定，并將信息及評級結(jié)果公布在網(wǎng)站上，供貸款人參考。

根據(jù)國內(nèi)目前各大網(wǎng)貸平臺對借款人的審核要求，一般需要借款人提供身份證、是否購車、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，國外一些平臺對借款人審核的條件還包括種族、性別、外貌長相、體重等信息。借鑒國內(nèi)外P2P網(wǎng)貸平臺信用評價指標(biāo)的選取情況，考慮P2P網(wǎng)貸平臺借款人的特點及平臺業(yè)務(wù)需求，本文選取借款人年齡、住房、購車、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)貸平臺借款人信用風(fēng)險評估指標(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借款人信用風(fēng)險的影響，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蓄能力較低，缺少良好的消費習(xí)慣，其違約風(fēng)險較高；年齡較大的借款人收入水平較低、突發(fā)消費較多，其違約風(fēng)險也相對偏高。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)險低。

（二）性別

根據(jù)國外研究者的觀點，性別成為影響網(wǎng)絡(luò)信貸信用風(fēng)險的因素之一。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)險較低、信用風(fēng)險小，女性則相對較大。

（三）文化程度

國內(nèi)外研究均表明，學(xué)歷對網(wǎng)貸借款人的信用風(fēng)險有重要影響。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的償債能力，違約動機較?。环粗幱谫彿窟€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，已婚借款人出于對家庭的考慮，責(zé)任感更強、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，有車且無車貸的借款人信用較高，違約風(fēng)險越小；無車和有車且正在還車貸的借款人違約風(fēng)險相對較高。

（八）歷史信用記錄

根據(jù)各網(wǎng)貸平臺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)，其中一筆借款會對應(yīng)多次還貸和逾期，本文所選的逾期次數(shù)直接選取逾期所對應(yīng)的借款筆數(shù)。

（九）外貌特征

國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違約風(fēng)險較小，未上傳照片或不是本人照片的借款人違約風(fēng)險較高。

（十）居住區(qū)域

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

三、借款人信用風(fēng)險評估神經(jīng)網(wǎng)絡(luò)的建立

理論上已經(jīng)證明，一個隱含層的人工神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)任意非線性映射，因此本文采用包括輸入層、單個隱含層和輸出層的三層人工神經(jīng)網(wǎng)絡(luò)作為評估模型。其中，輸入層節(jié)點數(shù)為10，分別為網(wǎng)貸平臺借款人信用風(fēng)險評估選取的10個指標(biāo)：年齡、住房、購車、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)點數(shù)通過模型進行迭代計算后選取最佳值；由于目標(biāo)輸出為誠信借款人（值為1）和不誠信借款人（值為2），輸出層節(jié)點數(shù)為1，為模型測試輸出值。

網(wǎng)絡(luò)結(jié)構(gòu)確定后，使用train函數(shù)來訓(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)險評估的實證分析

（一）數(shù)據(jù)獲取

本文從拍拍貸、人人貸、365易貸、你我貸四家不同運作模式P2P網(wǎng)貸平臺2015年披露的數(shù)據(jù)中，選取78個誠信借款人信息和59個不誠信借款人信息，共計137組信息作為本次網(wǎng)絡(luò)信貸信用風(fēng)險評估的樣本。各平臺所公布借款人交易信息的時間由近至遠依次取得，其中在拍拍貸中取得32個誠信和20個不誠信借款人信息，在365易貸取得15個誠信和23個不誠信借款人信息，在人人貸取得13個誠信和6個不誠信借款人信息，在你我貸取得17個誠信和13個不誠信借款人信息。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于巨大，不便于模型輸出結(jié)果的比較，因此將137個借款人違約概率重新定義，將不同違約概率劃分為從0到1六個不同的信用等級。0表示信用情況最差，信用評級最低；反之信用評級越大。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)信用評級越低、所對應(yīng)數(shù)字越小；違約概率越小，則相應(yīng)信用評級越高、所對應(yīng)數(shù)字越大。

（二）訓(xùn)練過程及結(jié)果

在模型的訓(xùn)練過程中，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)，并進行擬合，其中含有68個誠信借款人和54個不誠信借款人信息；隨機選取15組數(shù)據(jù)作為驗證數(shù)據(jù)，其中誠信借款人樣本為10個，不誠信借款人樣本為5個。訓(xùn)練過程如下：

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，信用評級作為神經(jīng)網(wǎng)絡(luò)的輸出變量。其中，訓(xùn)練樣本為107個，測試樣本為15個。

網(wǎng)絡(luò)結(jié)構(gòu)輸入層為10個神經(jīng)元，輸出層為1個神經(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)元個數(shù)，[m]為輸出層神經(jīng)元的個數(shù)，[a∈[1，10]]之間的整數(shù)。計算可得，中間層神經(jīng)元個數(shù)可取4到13個。為確定最佳網(wǎng)絡(luò)結(jié)構(gòu)，對中間神經(jīng)元的節(jié)點數(shù)進行多次擬合，最終以擬合平方誤差為準(zhǔn)則確定中間層神經(jīng)元個數(shù)。通過擬合發(fā)現(xiàn)，當(dāng)中間神經(jīng)元節(jié)點數(shù)為10個時，網(wǎng)絡(luò)經(jīng)過61次迭代運算，網(wǎng)絡(luò)擬合誤差達到最小0.0895，網(wǎng)絡(luò)性能達到穩(wěn)定。

2. 訓(xùn)練與檢驗。確定網(wǎng)絡(luò)結(jié)構(gòu)之后，使用train函數(shù)來訓(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)模型對訓(xùn)練樣本和檢驗樣本進行預(yù)測，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號樣本作為特殊個體忽略，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)測結(jié)果可信度較高。

4. 訓(xùn)練結(jié)果對比。在122組樣本數(shù)據(jù)訓(xùn)練結(jié)束后，輸入15組測試數(shù)據(jù)，對測試樣本輸出結(jié)果進行驗證，如表3所示。

5. 訓(xùn)練結(jié)果分析。由以上實證結(jié)果可以看出，模型根據(jù)122個借款人數(shù)據(jù)進行訓(xùn)練和學(xué)習(xí)后，除去誤差最大的第81號樣本，其他121組樣本誤差均在可接受范圍內(nèi)。其中有59個樣本誤差集中在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。測試樣本中誤差最大為0.0956，所有測試誤差均小于0.1?？傮w上，模型測試的輸出結(jié)果和實際結(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)險評估的缺失是造成問題平臺頻出的重要原因之一。本文選取的借款人年齡、住房、購車、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)域等評估指標(biāo)，能夠滿足網(wǎng)貸平臺對借款人信用風(fēng)險評估的要求。通過對拍拍貸、人人貸、365易貸等四家網(wǎng)貸平臺137個借款人信用數(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)貸平臺借款人信用風(fēng)險評估模型具備了對網(wǎng)貸平臺借款人信用風(fēng)險評估的能力，且評估的準(zhǔn)確率較高。

通過對網(wǎng)貸平臺借款人信用風(fēng)險的評估，結(jié)合中國網(wǎng)絡(luò)信貸發(fā)展實際，本文提出以下建議：

第一，完善個人征信體系建設(shè)。借款人信用信息的不透明，造成國內(nèi)各網(wǎng)貸平臺對于借款人信用風(fēng)險無法準(zhǔn)確評定。網(wǎng)絡(luò)信貸行業(yè)的發(fā)展需要對借款人信用進行審核。僅對借款客戶自己提供的信息進行評定，信息真實性無法準(zhǔn)確識別，增加了借款人信用風(fēng)險。因此完善個人征信體系建設(shè)，對于網(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)險具有重要意義。

第二，建立多樣化的風(fēng)險分散機制。網(wǎng)貸平臺可以按照不同信用等級和借款期限，對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。如英國Zopa平臺就通過強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)險發(fā)生的可能性。

第三，加強政府監(jiān)管。中國網(wǎng)貸平臺起步較晚，發(fā)展經(jīng)驗不足，平臺的管理水平普遍較低，需要政府的支持和監(jiān)管。政府需要對網(wǎng)貸平臺制定詳細(xì)的監(jiān)管準(zhǔn)則，鼓勵和引導(dǎo)網(wǎng)貸平臺構(gòu)建一套完善的風(fēng)險評估體系。

參考文獻：

[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P2P網(wǎng)貸的發(fā)展及異化[J].財經(jīng)科學(xué)，2016，（5）.

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

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

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