● 李佳蓉 蔣艷莉 湯禮媛

一、引言

P2P網(wǎng)貸（peer to peer lending）是指資金需求方通過在線網(wǎng)絡平臺與資金供給方進行直接交易的民間借貸行為。隨著互聯(lián)網(wǎng)的發(fā)展，民間借貸逐漸興起，P2P網(wǎng)絡借貸作為一種依托于互聯(lián)網(wǎng)的新型金融模式開始興起并迅速發(fā)展壯大。然而行業(yè)快速發(fā)展，風險也隨之暴露，我國的P2P網(wǎng)絡借貸平臺在2011年開始出現(xiàn)了跑路事件，問題事件頻發(fā)，因此建立一個信用風險評估模型顯得尤為重要。

二、信用風險評估指標體系的建立

（一）指標選取原則

1.科學性原則。科學性是確保評估結(jié)果準確合理的基礎。科學性原則要求評估指標能反映評估對象的特征，指標的選擇理論依據(jù)要充分。計算方法要科學明確，保證借款人信用風險評估結(jié)果的真實性和客觀性。

2.可操作性原則。指標設計的可操作性原則，是指指標體系應具有可行性和可采集性。

3.全面性與典型性相結(jié)合的原則。指標不是越多越好，應做到能精簡的盡量精簡，選取的每一個指標都要具有代表性，使估對象的現(xiàn)實狀況能被準確地呈現(xiàn)出來。

4.獨立性原則。獨立性要求一個指標體系內(nèi)的所有指標既相互排斥又做到方向上的一致性。相互重疊的指標會增大某一方面在測評中所占的比重，同時就相應削弱了其他指標的地位，進而影響整個評估體系的準確性，最終影響評估效果。

（二）指標要素的調(diào)查

關于個人信貸信用評估指標體系國外研究主要是在3C、5P原則下發(fā)展完善的，國內(nèi)研究在借鑒和吸收國外經(jīng)驗的基礎上，融入了符合我國社會信用國情的評估指標［1］。個人信用評價指標要素調(diào)查可以通過多種方法進行，本文通過文獻分析法和訪談法對指標要素進行調(diào)查，充分有效地收集基礎指標，并將收集到的基礎指標要素分為個人基本指標、職業(yè)信息指標、歷史信用指標三大類。

（三）指標要素的選取與分析

個人信用風險評估中最重要的一個環(huán)節(jié)就是評估指標的選取，如果評估指標過于單一，則信用風險評估模型對其風險揭示作用會存在局限性；如果評估指標過多，則容易造成評估模型過度擬合，實際應用繁雜。為了進一步發(fā)揮信用評估模型的風險揭示作用，應選擇合理的信用指標。

為了使信用評估指標體系構建的更為合理科學，本文通過專家咨詢法，征求專家的意見，對上述基本指標要素進行篩選、修改、補充、完善，最終選取了年齡、婚姻狀況、文化程度、房產(chǎn)情況、工作時間、單位性質(zhì)、收入情況、歷史信用8個具有代表性、完備性的指標，構建P2P網(wǎng)貸借款人信用評估指標體系。

（四）指標要素的量化

為了進行風險評估，我們對選取的8個指標進行初步量化，將每個指標的數(shù)據(jù)量化成［0，1］之間的數(shù)值，以方便進行下一步的神經(jīng)網(wǎng)絡計算，總體量化如：一級指標：個人基本指標：二級指標：年齡：＜25：0.7；25-30：0.8；30-35：0.9；35-40：1.0；40-45：0.9；45-50：0.8； 50-55：0.7； ＞55：0.6； 婚姻狀況： 未婚：0.7；已婚：0.9；離異：0.5； 文化程度： 高中或以下：0.3；專科：0.5；本科：0.7；研究生或以上：0.9； 房產(chǎn)情況： 無房產(chǎn)：0.5；有房產(chǎn)有房貸：0.7；有房產(chǎn)無房貸：0.9。職業(yè)信息指標：工作時間：1年以下：0.3； 1-3年：0.5； 3-5年：0.7； 5年以上：0.9；單位性質(zhì)：個體工商戶：0.5；私企：0.6；國企：0.7；事業(yè)編制單位：0.8；政府機關：0.9；收入情況：1000元以下：0.2； 1000元-5000元：0.3； 5000元-10000元：0.4；10000元-20000元：0.7； 50000元以上：0.9。歷史信用指標：歷史信用：無違約記錄：1； 1-3次：0.6； 4-6次：0.4；7-10次：0.2；10次以上：0。

三、信用風險評估模型的構建

（一）BP神經(jīng)網(wǎng)絡模型的概述

BP網(wǎng)絡（Back Propagation Neural Network）又稱反向傳播神經(jīng)網(wǎng)絡，通過樣本數(shù)據(jù)的訓練，不斷修正網(wǎng)絡權值和閾值使誤差函數(shù)沿負梯度方向下降，逼近期望輸出。反向傳播的基本思想就是通過計算輸出層與期望值之間的誤差來調(diào)整網(wǎng)絡參數(shù)，從而使得誤差變小。它是一種應用較為廣泛的神經(jīng)網(wǎng)絡模型，多用于函數(shù)逼近、模型識別分類、數(shù)據(jù)壓縮和時間序列預測等。

BP網(wǎng)絡由輸入層、隱藏層和輸出層組成，隱藏層可以有一層或多層，網(wǎng)絡選用S型傳遞函數(shù)通過反傳誤差函數(shù)為期望輸出，為網(wǎng)絡的計算輸出），不斷調(diào)節(jié)網(wǎng)絡權值和閾值使誤差函數(shù)達到極小。

（二）數(shù)據(jù)歸一化處理

數(shù)據(jù)歸一化處理即數(shù)據(jù)標準化處理。為了消除指標之間的量綱影響，需要進行數(shù)據(jù)標準化處理，以解決數(shù)據(jù)指標之間的可比性。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標準化處理后，各指標處于同一數(shù)量級，適合進行綜合對比評價。

本文通過最大最小值法對個人信用指標定量數(shù)據(jù)進行歸一化處理。最大最小值法是對原始數(shù)據(jù)的線性變換，使結(jié)果值映射到［0，1］之間，不會造成信息的過多丟失。轉(zhuǎn)換函數(shù)如：其中max為樣本數(shù)據(jù)的最大值，min為樣本數(shù)據(jù)的最小值。

（三）BP神經(jīng)網(wǎng)絡模型的構建

1.輸入輸出層設計。本文選取年齡、婚姻狀況、文化程度、房產(chǎn)情況、工作時間、單位性質(zhì)、收入情況、歷史信用8個信息指標作為神經(jīng)網(wǎng)絡模型的輸入值，因此輸入層節(jié)點數(shù)設定為8；模型以預測信用等級作為輸出值，輸出層節(jié)點數(shù)則為1。

2.隱含層設計。在網(wǎng)絡設計過程中，隱含層神經(jīng)元數(shù)的確定十分重要。隱含層神經(jīng)元數(shù)目過多，會加大網(wǎng)絡計算量，并容易產(chǎn)生過度擬合問題；神經(jīng)元數(shù)目過少，則會影響網(wǎng)絡性能，達不到預期效果。網(wǎng)絡中隱含層神經(jīng)元的數(shù)目與實際問題的復雜程度、輸入和輸出層的神經(jīng)元數(shù)以及對期望誤差的設定有著直接的聯(lián)系。目前，對于隱含層中神經(jīng)元數(shù)目的確定并沒有明確的公式，只有一些經(jīng)驗公式，神經(jīng)元個數(shù)的最終確定還是需要根據(jù)經(jīng)驗和多次實驗來確定。本文在選取隱含層神經(jīng)元數(shù)目的問題上參照了以下的經(jīng)驗

3.激勵函數(shù)的選取。神經(jīng)網(wǎng)絡中的每個節(jié)點接收輸入值，并將輸入值傳遞給下一層，輸入節(jié)點會將輸入屬性值直接傳遞給下一層（隱含層或輸出層）。在神經(jīng)網(wǎng)絡中，隱含層和輸出層節(jié)點的輸入和輸出之間具有函數(shù)關系，這個函數(shù)稱為激勵函數(shù)。

BP神經(jīng)網(wǎng)絡通常采用Sigmoid可微函數(shù)和線性函數(shù)作為網(wǎng)絡的激勵函數(shù)。本文選擇S型正切函數(shù)tansig作為隱含層神經(jīng)元的激勵函數(shù)。而由于網(wǎng)絡的輸出歸一到［-1，1］范圍內(nèi)，因此預測模型選取S型對數(shù)函數(shù)tansig作為輸出層神經(jīng)元的激勵函數(shù)，即：

4.反傳誤差函數(shù)。通過將輸出誤差反傳，將誤差分攤給各層所有單元，從而獲得各層單元的誤差信號，進而修正各單元的權值。誤差反向傳播也就是網(wǎng)絡的學習過程。此過程一直進行到網(wǎng)絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數(shù)為止。反傳誤差函數(shù)如下：其中 為期望輸出、 為網(wǎng)絡的計算輸出。

（四）BP神經(jīng)網(wǎng)絡模型的仿真

在完成100組樣本的訓練和擬合后，對經(jīng)過訓練生成的BP神經(jīng)網(wǎng)絡模型進行預測結(jié)果的驗證。預測樣本數(shù)據(jù)為：年齡： 0.8，0.7，1，0.7；婚姻狀況：0.7，0.7，0.9，0.8；文化程度： 0.7，0.3，0.9，0.3；房產(chǎn)情況：0.8，0.2，0.6，0.4；工作時間：0.6，0.6，0.8，0.2；單位性質(zhì)：0.5，0.5，0.7，0.5；收入情況： 0.4，0.2，0.8，0.2；歷史信用： 0.8，0.8，1，0.5；信用等級： 6，5，8，4。

隨機訓練5次后，4個測試樣本的預測等級與真實等級基本一致。通過對前100組借款人信用數(shù)據(jù)進行訓練和學習，不斷調(diào)整優(yōu)化，得到了信用指標與信用等級的關系，使得該BP神經(jīng)網(wǎng)絡模型具有良好的對借款人信用風險評估的能力。

四、建議

結(jié)合我國目前國家的政策法規(guī)，本文提出完善P2P網(wǎng)貸平臺借款人信用風險評估，促進P2P網(wǎng)貸平臺健康發(fā)展的建議：

（一）完善行業(yè)征信體系，加強信息共享

成熟的征信體系和規(guī)范的服務機制，在強大的金融數(shù)據(jù)支撐下，有利于建立完善的借貸信用評級體系。

（二）加強對借款人的審核，開發(fā)優(yōu)質(zhì)借款人

對借款人的審核應線上線下相結(jié)合，P2P網(wǎng)絡借貸平臺應注重相關線下審核，機構可根據(jù)實際情況對借款人進行定期地實地審查，避免受到虛假信息的影響。

（三）完善P2P網(wǎng)絡借貸平臺的有關立法

完善我國P2P網(wǎng)絡借貸的風險控制，首先要完善法律法規(guī)制度，要明確平臺的業(yè)務模式、規(guī)范產(chǎn)品種類，防止出現(xiàn)洗黑錢現(xiàn)象，同時各方監(jiān)管機構要充分發(fā)揮作用［2］。