崔炎炎，劉立新

(對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué) 統(tǒng)計(jì)學(xué)院，北京 100029)

一、引言

世界上第一家P2P網(wǎng)絡(luò)借貸平臺(tái)(后文簡(jiǎn)稱P2P平臺(tái))Zopa于2005年3月在英國(guó)成立，P2P，即“Peer to Peer Lending”的縮寫，是指具有資金需求的借款人和有資金供貸出來進(jìn)行投資的貸款人以互聯(lián)網(wǎng)為渠道進(jìn)行雙方交易的網(wǎng)絡(luò)借貸模式。最先在國(guó)外發(fā)展起來的Zopa、Kiva、Prosper等具有各自特點(diǎn)的P2P平臺(tái)為全球不同地區(qū)的資金供需雙方提供了很多便利，也為全世界P2P平臺(tái)的發(fā)展構(gòu)建了基礎(chǔ)[1]。

中國(guó)第一家P2P平臺(tái)“拍拍貸”于2007年6月在上海成立，開創(chuàng)了中國(guó)P2P行業(yè)的新紀(jì)元。隨著這種借貸模式逐漸被廣大民眾接受，中國(guó)P2P平臺(tái)的數(shù)量開始大量增加，很快便具有一定的規(guī)模。人們?cè)谶m應(yīng)新的借貸模式帶來的快捷與便利的同時(shí)增加了P2P借貸的需求，既給該行業(yè)帶來了商機(jī)，也使各P2P平臺(tái)間產(chǎn)生了激烈的競(jìng)爭(zhēng)，良莠不齊的P2P平臺(tái)在一定程度上增加了該行業(yè)的風(fēng)險(xiǎn)，給投資者帶來其在發(fā)展中的諸多問題[2-3]。2015年開始，銀監(jiān)會(huì)等部委對(duì)P2P行業(yè)重點(diǎn)關(guān)注，出臺(tái)了一系列整治方案，2018年3月互聯(lián)網(wǎng)金融整治辦下發(fā)的《關(guān)于加大通過互聯(lián)網(wǎng)開展資金管理整治力度及其驗(yàn)收工作的通知》加速了P2P行業(yè)的監(jiān)管和轉(zhuǎn)型。政策的及時(shí)跟進(jìn)對(duì)很多P2P平臺(tái)起到了規(guī)范作用，在很大程度上改善了P2P行業(yè)的問題，但一直到今天，伴隨經(jīng)濟(jì)下行的壓力，P2P第三方資訊網(wǎng)站的行業(yè)報(bào)告仍顯示P2P平臺(tái)的停業(yè)及其他情況屢有發(fā)生。2019年3月，P2P平臺(tái)團(tuán)貸網(wǎng)暴雷，因涉嫌非法吸收公眾存款被東莞市公安局立案?jìng)刹?，給行業(yè)帶來重大的影響[4]，嚴(yán)重打擊了投資者的信心。

在目前國(guó)內(nèi)P2P平臺(tái)問題頻發(fā)、P2P行業(yè)陷入信任危機(jī)之際，有必要對(duì)P2P平臺(tái)的風(fēng)險(xiǎn)評(píng)價(jià)進(jìn)行更加深入的研究。只有掌握了良好的P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)體系，才能更全面、科學(xué)地判斷各P2P平臺(tái)的風(fēng)險(xiǎn)。一方面，有益于投資者更加理性地對(duì)P2P平臺(tái)進(jìn)行選擇；另一方面，有助于各平臺(tái)向更加健康可持續(xù)的方向發(fā)展，從而促進(jìn)中國(guó)互聯(lián)網(wǎng)金融體系的穩(wěn)定。鑒于此，本文搜集整理了中國(guó)692家P2P平臺(tái)和15萬余條網(wǎng)絡(luò)輿情的大數(shù)據(jù)資料來分析P2P平臺(tái)的風(fēng)險(xiǎn)情況，希望基于大數(shù)據(jù)資料的全面性獲得更加準(zhǔn)確科學(xué)的結(jié)論。

本文的主要?jiǎng)?chuàng)新和特點(diǎn)在于：首先，綜合運(yùn)用了平臺(tái)本身、網(wǎng)絡(luò)輿情和P2P第三方資訊網(wǎng)站的評(píng)價(jià)信息對(duì)P2P平臺(tái)的風(fēng)險(xiǎn)情況進(jìn)行判斷，在考慮數(shù)據(jù)的可獲得性和變量重要性的基礎(chǔ)上，涵蓋了較為全面的P2P平臺(tái)風(fēng)險(xiǎn)影響因素，使得P2P風(fēng)險(xiǎn)評(píng)價(jià)體系的構(gòu)建更加科學(xué)；其次，對(duì)樣本P2P平臺(tái)所應(yīng)用的風(fēng)險(xiǎn)判別方法既包括傳統(tǒng)的統(tǒng)計(jì)模型還涵蓋了新興的機(jī)器學(xué)習(xí)模型，能夠顯示不同判別方法的評(píng)價(jià)效果，為進(jìn)一步探究判別P2P平臺(tái)風(fēng)險(xiǎn)方法的適用性提供依據(jù)。

二、文獻(xiàn)回顧

P2P行業(yè)在中國(guó)已經(jīng)發(fā)展了十余年，以“網(wǎng)貸之家”“網(wǎng)貸天眼”為首的一些業(yè)內(nèi)P2P平臺(tái)第三方資訊網(wǎng)站為P2P網(wǎng)貸投資者提供了客觀真實(shí)的平臺(tái)數(shù)據(jù)以供投資參考，也讓很多關(guān)注P2P平臺(tái)風(fēng)險(xiǎn)的研究人員擁有易獲取的數(shù)據(jù)資料。王飛等采集了網(wǎng)貸之家的月度發(fā)展指數(shù)作為研究樣本，選擇其中的部分指標(biāo)作為面板固定效應(yīng)模型中的核變量，對(duì)P2P平臺(tái)信任危機(jī)下品牌信任重建效果的問題進(jìn)行研究[5]。葉青等采集了網(wǎng)貸之家、網(wǎng)貸天眼的變量信息，嘗試對(duì)P2P問題平臺(tái)的初步特征進(jìn)行概括，并從平臺(tái)實(shí)力、標(biāo)的特征、風(fēng)控能力、治理水平等方面構(gòu)建模型，以提煉能夠甄別P2P問題平臺(tái)的風(fēng)險(xiǎn)因素[6]。孫寶文等在網(wǎng)貸之家搜集到861家樣本平臺(tái)，并從平臺(tái)運(yùn)營(yíng)基礎(chǔ)、平臺(tái)高管背景、資金實(shí)力、平臺(tái)收益和管理費(fèi)用、風(fēng)險(xiǎn)控制能力、網(wǎng)民輿情6個(gè)維度整合出14個(gè)平臺(tái)經(jīng)營(yíng)特征指標(biāo)，采用二元變量回歸模型分析陷入提現(xiàn)困境的P2P平臺(tái)區(qū)別于正常平臺(tái)的整體風(fēng)險(xiǎn)特征[7]。姜琪利用網(wǎng)貸之家、網(wǎng)貸天眼網(wǎng)站2014年1月至2017年11月地區(qū)、類型及代表性平臺(tái)的面板數(shù)據(jù)實(shí)證檢驗(yàn)了影響中國(guó)P2P平臺(tái)成交量的因素，并運(yùn)用雙重差分法來測(cè)度銀行存管對(duì)成交量的政策沖擊效應(yīng)[8]。王偉等在網(wǎng)貸之家采集了54家P2P樣本平臺(tái)信息，使用改進(jìn)的CRITIC法進(jìn)行評(píng)價(jià)，發(fā)現(xiàn)2015年5月至2016年8月樣本平臺(tái)風(fēng)險(xiǎn)得分和風(fēng)險(xiǎn)評(píng)級(jí)均處于嚴(yán)峻的低水平狀態(tài)，從而進(jìn)一步歸納P2P平臺(tái)相關(guān)特征[9]。張文等利用網(wǎng)貸之家的數(shù)據(jù)實(shí)證分析了針對(duì)真實(shí)P2P平臺(tái)數(shù)據(jù)的類別分布非均衡性的問題，提出了一種基于K-Means聚類和支持向量機(jī)的非均衡分類方法[10]。朱清香等利用網(wǎng)貸之家的數(shù)據(jù)以LAPP法的4個(gè)維度為基礎(chǔ)、民營(yíng)系P2P平臺(tái)風(fēng)險(xiǎn)的特點(diǎn)為立足點(diǎn)，選取了20個(gè)指標(biāo)進(jìn)行實(shí)證分析[11]。

上述研究都運(yùn)用了網(wǎng)貸之家或網(wǎng)貸天眼網(wǎng)站公布的數(shù)據(jù)資料，主要思路是從兩家網(wǎng)站公布的網(wǎng)貸平臺(tái)評(píng)級(jí)體系中選取部分變量，結(jié)合作者的評(píng)價(jià)思路進(jìn)行再加工，從而進(jìn)行網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)評(píng)價(jià)。P2P平臺(tái)第三方資訊網(wǎng)站提供的數(shù)據(jù)資料能夠代表網(wǎng)貸行業(yè)的部分信息，為構(gòu)建P2P平臺(tái)的風(fēng)險(xiǎn)評(píng)價(jià)體系提供了變量基礎(chǔ)。但也有文章沒有用到P2P平臺(tái)第三方資訊網(wǎng)站的數(shù)據(jù)資料。范超等運(yùn)用國(guó)泰安數(shù)據(jù)庫(kù)在中國(guó)444家P2P平臺(tái)基本信息與交易信息基礎(chǔ)上，綜合使用了11種統(tǒng)計(jì)模型評(píng)估變量的重要性并討論其經(jīng)濟(jì)意義[12]。范超等使用的指標(biāo)信息更加原始，沒有經(jīng)過P2P平臺(tái)第三方資訊網(wǎng)站的加工處理，結(jié)合評(píng)價(jià)思路進(jìn)行整合，更加直觀，但在一定程度上，會(huì)有涵蓋影響P2P平臺(tái)風(fēng)險(xiǎn)因素不全面的問題。

三、P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的構(gòu)建

(一)指標(biāo)體系的理論分析

從已有文獻(xiàn)研究中發(fā)現(xiàn)，直接從P2P平臺(tái)第三方資訊網(wǎng)站選取一部分風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)的方法具有較強(qiáng)的主觀性，且這些直接被提取的指標(biāo)含義往往比較綜合且復(fù)雜[注]具體可見P2P平臺(tái)第三方資訊網(wǎng)站網(wǎng)貸之家的評(píng)級(jí)指標(biāo)體系的指標(biāo)說明。，使得評(píng)價(jià)體系內(nèi)部指標(biāo)的涵蓋關(guān)系難以確定；另外，P2P平臺(tái)第三方資訊網(wǎng)站的樣本數(shù)量確定有一定難度，有些指標(biāo)變量的公開數(shù)據(jù)樣本較少[注]P2P平臺(tái)第三方資訊網(wǎng)站網(wǎng)貸之家目前只公布評(píng)級(jí)排名前100家的P2P平臺(tái)定量數(shù)據(jù)資料?；蛘邥r(shí)期較短，導(dǎo)致數(shù)據(jù)缺失較多，給研究造成了困擾。但是，上述缺陷不能否認(rèn)P2P平臺(tái)第三方資訊網(wǎng)站信息的可靠性和其具有的參考意義，相對(duì)于定量數(shù)據(jù)的復(fù)雜性和不可獲得性，可以適當(dāng)參考一些P2P平臺(tái)第三方資訊網(wǎng)站的定性以及非結(jié)構(gòu)性數(shù)據(jù)資料。于是本文構(gòu)建的P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)體系中，定量指標(biāo)部分主要來自國(guó)泰安CSMAR金融經(jīng)濟(jì)數(shù)據(jù)庫(kù)，定性指標(biāo)和網(wǎng)絡(luò)輿情部分資料則利用手動(dòng)收集或網(wǎng)絡(luò)爬蟲技術(shù)爬取于P2P平臺(tái)第三方資訊網(wǎng)站。本文借鑒相關(guān)研究并結(jié)合指標(biāo)變量數(shù)據(jù)的完整性，從平臺(tái)的內(nèi)部信息和外部信息兩個(gè)維度，考慮P2P平臺(tái)的基礎(chǔ)信息、交易信息、資金信息、產(chǎn)品信息、風(fēng)險(xiǎn)防控信息和評(píng)論信息六個(gè)方面構(gòu)建了P2P平臺(tái)的風(fēng)險(xiǎn)評(píng)價(jià)體系。具體包括以下部分。

1.基礎(chǔ)信息。判斷一家平臺(tái)的好壞，離不開對(duì)平臺(tái)自身基礎(chǔ)情況的考察。在平臺(tái)的基礎(chǔ)信息部分本文選取了4個(gè)指標(biāo)變量，分別是平臺(tái)背景、注冊(cè)資本、所處地域和運(yùn)營(yíng)時(shí)間。平臺(tái)背景是平臺(tái)的信用背書，反映平臺(tái)的信譽(yù)程度，在所采集的平臺(tái)樣本中有國(guó)資系、民營(yíng)系、上市公司系、銀行系和風(fēng)投系五類平臺(tái)背景，為了數(shù)據(jù)處理方便，將這五類平臺(tái)背景分別用1，2，3，4，5表示；所處地域是指平臺(tái)所屬的省級(jí)行政劃分區(qū)域，根據(jù)劃分標(biāo)準(zhǔn)[注]由全國(guó)人大六屆四次會(huì)議通過的“七五”計(jì)劃和1997年、2000年的政策變動(dòng)可知，中國(guó)東部地區(qū)包括11個(gè)省級(jí)行政區(qū)，分別是北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東和海南；中部地區(qū)有8個(gè)省級(jí)行政區(qū)，分別是山西、吉林、黑龍江、安徽、江西、河南、湖北、湖南；西部地區(qū)包括的省級(jí)行政區(qū)共12個(gè)，分別是四川、重慶、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆、廣西、內(nèi)蒙古。(臺(tái)灣、香港和澳門除外)。將中國(guó)省份劃分成東部地區(qū)、中部地區(qū)和西部地區(qū)，并用1，2，3表示；運(yùn)營(yíng)時(shí)間指的是平臺(tái)正常運(yùn)營(yíng)時(shí)間(單位：天)。非問題平臺(tái)的運(yùn)營(yíng)時(shí)間是平臺(tái)從創(chuàng)立開始到本文數(shù)據(jù)采集時(shí)間截止的運(yùn)營(yíng)天數(shù)，問題平臺(tái)的運(yùn)營(yíng)時(shí)間是平臺(tái)從創(chuàng)立開始到問題發(fā)生時(shí)間截止的運(yùn)營(yíng)天數(shù)。

2.交易信息。交易信息能夠反映一家平臺(tái)的過往交易狀況，對(duì)選擇平臺(tái)投資的投資者來說具有重要意義。在平臺(tái)交易信息部分，本文采集了2015年9月27日至2019年2月26日以天為頻率的數(shù)據(jù)共1 182天，由于每家平臺(tái)成立時(shí)間不同，數(shù)據(jù)時(shí)間序列不一致，因此對(duì)數(shù)據(jù)進(jìn)行了均值處理，得到了平均成交量(萬元)、平均投資人數(shù)(人)、平均借款期限(月)、平均借款人數(shù)(人)和平均借款集中度5個(gè)指標(biāo)變量。其中，平均借款集中度屬于加工指標(biāo)，即借款人數(shù)與出借人數(shù)比值的均值，該數(shù)值越高說明平臺(tái)投資越分散，平臺(tái)風(fēng)險(xiǎn)越低。

3.資金信息。這里的平臺(tái)資金信息，指的是平臺(tái)在業(yè)務(wù)經(jīng)營(yíng)上的資金信息，能夠看到平臺(tái)的業(yè)務(wù)經(jīng)營(yíng)狀態(tài)，包括3個(gè)指標(biāo)變量[注]平均未來60日待還金額、平均累計(jì)待還金額和平均近30日資金凈流入的數(shù)據(jù)區(qū)間以及數(shù)據(jù)處理方法同平臺(tái)交易信息部分的均值處理指標(biāo)。。一是平均未來60日待還金額(萬元)，該指標(biāo)越高反映平臺(tái)的兌付壓力越大；二是平均累計(jì)待還金額(萬元)，平均累計(jì)待還金額是指平臺(tái)未還款項(xiàng)目的資金總額均值，與平均未來60日待還金額指標(biāo)不同的是，平均累計(jì)待還金額指標(biāo)沒有還款期限的迫切要求，更多的是反映一家平臺(tái)被使用的廣泛程度；三是平均近30日資金凈流入(萬元)，平均近30日資金凈流入是指30日內(nèi)所有投標(biāo)金額減去所有還款金額(按本金計(jì)算)的均值，對(duì)于分析平臺(tái)人氣和規(guī)模變化情況有一定的作用。

4.產(chǎn)品信息。產(chǎn)品是平臺(tái)的核心競(jìng)爭(zhēng)力，平臺(tái)產(chǎn)品信息能夠反映平臺(tái)的產(chǎn)品標(biāo)的狀況，對(duì)于判斷平臺(tái)質(zhì)量有重要作用。本文用以下4個(gè)指標(biāo)變量進(jìn)行表征。首先是平臺(tái)產(chǎn)品的平均利率[注]平均利率的數(shù)據(jù)區(qū)間及數(shù)據(jù)處理方法同交易信息部分的均值處理指標(biāo)。，是數(shù)據(jù)采集區(qū)間內(nèi)平均值處理后的結(jié)果。一般認(rèn)為，借款人違約風(fēng)險(xiǎn)越高，利率水平越高，平臺(tái)就越有風(fēng)險(xiǎn)[13]；其次是業(yè)務(wù)類型數(shù)目，業(yè)務(wù)類型數(shù)目是指平臺(tái)所開展的借貸業(yè)務(wù)種類的數(shù)目，一般認(rèn)為平臺(tái)所擁有的業(yè)務(wù)種類越多說明平臺(tái)風(fēng)險(xiǎn)越低[6]；第三是自動(dòng)投標(biāo)，自動(dòng)投標(biāo)是指平臺(tái)是否允許選擇自動(dòng)投標(biāo)，屬于分類變量，包括不支持、支持和無公開信息三類，分別用1，2，3表示；最后是債權(quán)轉(zhuǎn)讓，債權(quán)轉(zhuǎn)讓是指?jìng)鶛?quán)人通過訂立債權(quán)轉(zhuǎn)讓合同將債權(quán)的全部或部分轉(zhuǎn)移給第三人，這里的債權(quán)轉(zhuǎn)讓指標(biāo)是債權(quán)轉(zhuǎn)讓的時(shí)間描述，包括不可轉(zhuǎn)讓、有期限限制(幾個(gè)月不等)、隨時(shí)以及無公開信息四類，分別用1，2，3，4表示。

5.風(fēng)險(xiǎn)防控信息。風(fēng)險(xiǎn)防控信息是指平臺(tái)為保障投資者資金安全和平臺(tái)自我整頓所采取的主要措施，良好的風(fēng)險(xiǎn)防控能有效提高平臺(tái)應(yīng)對(duì)風(fēng)險(xiǎn)的能力[14]，對(duì)識(shí)別問題平臺(tái)具有重要作用，共選取7個(gè)指標(biāo)變量進(jìn)行表征。

具體而言，資金存管是指平臺(tái)選擇通過銀行或第三方機(jī)構(gòu)管理投資者的資金，做到資金和交易分開從而避免資金被挪用的風(fēng)險(xiǎn)防控措施。風(fēng)險(xiǎn)準(zhǔn)備金就P2P行業(yè)而言，是指P2P平臺(tái)在借款成交時(shí)提取一定比例資金存入所建立的獨(dú)立賬戶，當(dāng)該項(xiàng)目逾期時(shí)啟動(dòng)賬戶資金先行賠付投資人本息的風(fēng)險(xiǎn)防控方式。資金存管、風(fēng)險(xiǎn)準(zhǔn)備金和投資門檻指標(biāo)在樣本平臺(tái)中都包括有和無兩類，都分別用1和0表示。

資金保障模式是指P2P平臺(tái)承諾的保障平臺(tái)資金安全的方法。所采集的樣本中共包括自擔(dān)保模式、第三方擔(dān)保模式、混合擔(dān)保模式、無擔(dān)保模式、其他擔(dān)保模式以及無公開信息六種類型，分別用1～6進(jìn)行表示；業(yè)務(wù)投標(biāo)保障指的是對(duì)平臺(tái)的業(yè)務(wù)進(jìn)行擔(dān)保，包括實(shí)物抵押擔(dān)保、第三方機(jī)構(gòu)擔(dān)保、風(fēng)險(xiǎn)準(zhǔn)備金擔(dān)保、混合模式擔(dān)保、VIP擔(dān)保、其他方式擔(dān)保、無擔(dān)保和無公開信息八種類型，分別用1～8進(jìn)行表示。

擔(dān)保機(jī)構(gòu)是指為P2P平臺(tái)提供擔(dān)保服務(wù)的機(jī)構(gòu)。為了吸引投資者，有的P2P平臺(tái)聲稱有擔(dān)保方式卻不公布擔(dān)保機(jī)構(gòu)，因?yàn)橐恍?dān)保公司根本就沒有能力對(duì)債務(wù)進(jìn)行擔(dān)保，因此對(duì)于合作擔(dān)保機(jī)構(gòu)的信息披露也應(yīng)涵蓋在考察范圍內(nèi)[15]。擔(dān)保機(jī)構(gòu)指標(biāo)在樣本平臺(tái)中包括有擔(dān)保機(jī)構(gòu)披露和沒有擔(dān)保機(jī)構(gòu)披露兩類，分別用1和0表示；平臺(tái)信息公開程度是指所能獲得的平臺(tái)公開信息的程度，具體包括公開的自動(dòng)投標(biāo)、債權(quán)轉(zhuǎn)讓、風(fēng)險(xiǎn)準(zhǔn)備金、保障模式、投標(biāo)保障和擔(dān)保機(jī)構(gòu)定性信息的個(gè)數(shù)，數(shù)目越多說明信息公開程度越大。

6.評(píng)論信息。平臺(tái)的評(píng)論信息包括兩部分，一是簡(jiǎn)單的打分信息，直接從網(wǎng)貸之家網(wǎng)站爬取計(jì)算可得，共涵蓋六個(gè)指標(biāo)變量；二是文本信息，需要進(jìn)行文本挖掘得到情感得分信息。

打分信息部分。平臺(tái)的打分信息包括六個(gè)指標(biāo)變量，分別是提現(xiàn)得分、體驗(yàn)得分、站崗得分、服務(wù)得分、被關(guān)注程度和用戶推薦程度。其中，在P2P行業(yè)中的資金站崗?fù)ǔ４嬖趦煞N可能，一是投資人信任平臺(tái)，將資金經(jīng)第三方支付工具充值給了平臺(tái)賬戶，但平臺(tái)沒有及時(shí)將資金投出從而造成資金閑置的情況。二是投資人投資平臺(tái)某借款標(biāo)的，但標(biāo)的遲遲不能滿標(biāo)，資金在不能滿標(biāo)的借款標(biāo)的中空置的情況。本文打分信息部分的站崗得分就是針對(duì)上述兩種情況對(duì)平臺(tái)的打分，判斷上述兩種情況發(fā)生的狀況；被關(guān)注程度由網(wǎng)貸之家網(wǎng)站的平臺(tái)評(píng)論數(shù)目做代理變量，認(rèn)為評(píng)論數(shù)目越多，平臺(tái)就越受關(guān)注；用戶推薦程度是由網(wǎng)貸之家網(wǎng)站平臺(tái)的網(wǎng)友推薦數(shù)目與評(píng)論數(shù)目的比值，比值越大說明用戶推薦程度越高。

文本信息部分。應(yīng)用Python軟件爬取了P2P第三方資訊網(wǎng)站網(wǎng)貸之家中樣本平臺(tái)的所有評(píng)論內(nèi)容(共計(jì)151 376條評(píng)論數(shù)據(jù))，并對(duì)樣本平臺(tái)的所有評(píng)論進(jìn)行了情感分析[注]本文文本挖掘應(yīng)用python工具包snownlp完成，詳情可查詢工具包介紹。，得到每家平臺(tái)的用戶評(píng)論情感得分指標(biāo)。

(二)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

根據(jù)指標(biāo)體系的理論分析，本文構(gòu)建了包括P2P平臺(tái)內(nèi)部信息和外部信息2個(gè)一級(jí)指標(biāo)、6個(gè)二級(jí)指標(biāo)、30個(gè)三級(jí)指標(biāo)的P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)體系，以判別不同P2P平臺(tái)的風(fēng)險(xiǎn)情況。為了使評(píng)價(jià)體系具有可參考性，評(píng)價(jià)體系中指標(biāo)的數(shù)據(jù)資料均是在P2P平臺(tái)公開信息中提取而來，能夠在長(zhǎng)期進(jìn)行數(shù)據(jù)跟蹤；另外，指標(biāo)體系同時(shí)兼顧了定量指標(biāo)和定性指標(biāo)，還結(jié)合研究對(duì)象的特點(diǎn)，引入了網(wǎng)絡(luò)輿情的評(píng)論信息指標(biāo)，以求對(duì)判別P2P平臺(tái)的風(fēng)險(xiǎn)情況進(jìn)行更加全面的分析。具體如表1所示。

表1 P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)體系

四、風(fēng)險(xiǎn)評(píng)價(jià)實(shí)證分析

(一)基于大數(shù)據(jù)背景下風(fēng)險(xiǎn)評(píng)價(jià)方法的選擇

基于構(gòu)建的P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)體系對(duì)P2P平臺(tái)的風(fēng)險(xiǎn)判別模型進(jìn)行實(shí)證分析。文獻(xiàn)資料顯示現(xiàn)有的風(fēng)險(xiǎn)評(píng)價(jià)方法可以分為兩類，一類是較為傳統(tǒng)的統(tǒng)計(jì)模型，另一類則是新興的機(jī)器學(xué)習(xí)模型。借鑒范超等選取的模型，本文選擇Logistic回歸和樸素貝葉斯模型作為傳統(tǒng)模型的代表，而支持向量機(jī)(SVM)和隨機(jī)森林模型作為機(jī)器學(xué)習(xí)模型的代表[12]。下面對(duì)這四種模型的優(yōu)缺點(diǎn)進(jìn)行介紹。

1.Logistic回歸模型

Logistic回歸模型是常用的二分類模型之一，對(duì)解決現(xiàn)實(shí)生活中因變量是離散的兩類決策問題具有優(yōu)勢(shì)性。就本文來看，因變量的選擇有“問題平臺(tái)”和“正常平臺(tái)”兩類。在模型變量方面，該模型對(duì)變量服從的分布沒有要求，適用性較強(qiáng)。另外，該模型能很好地解決非線性問題，被認(rèn)為是分析被解釋變量是離散變量時(shí)某事件發(fā)生概率與解釋變量之間關(guān)系的主流分析方法[16]。模型經(jīng)過logit變換后的基本形式為：

(1)

其中，x1，x2，…，xn為解釋變量。實(shí)際操作中通常需要對(duì)進(jìn)入該模型的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后將這些標(biāo)準(zhǔn)化后的數(shù)據(jù)轉(zhuǎn)化成相對(duì)應(yīng)的結(jié)構(gòu)化后的數(shù)值，加以簡(jiǎn)單的回歸計(jì)算后進(jìn)而判斷所屬的類別。logistic回歸模型的計(jì)算方式簡(jiǎn)單易理解，但是對(duì)自變量之間的多重共線性比較敏感，而且模型容易出現(xiàn)欠擬合情況，所以在分類精度方面可能不理想。

2.樸素貝葉斯模型

樸素貝葉斯是一種有監(jiān)督的學(xué)習(xí)算法，也常被用于解決實(shí)際問題中的分類問題，在模型實(shí)證之前一般需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

在思想上，樸素貝葉斯模型源于貝葉斯理論，該理論選擇對(duì)數(shù)據(jù)點(diǎn)計(jì)算后的結(jié)果中具有最高概率的進(jìn)行判斷決策，即假如用p1(x，y)表示數(shù)據(jù)點(diǎn)(x，y)屬于類別1的概率，用p2(x，y)表示數(shù)據(jù)點(diǎn)(x，y)屬于類別2的概率，那么對(duì)于新的數(shù)據(jù)點(diǎn)(x，y)來說，如果p1(x，y)>p2(x，y)，那么新的數(shù)據(jù)點(diǎn)(x，y)就被判斷為屬于類別1；反之，如果p1(x，y)

樸素貝葉斯模型，簡(jiǎn)而言之，就是通過事件的先驗(yàn)概率由貝葉斯理論計(jì)算出后驗(yàn)概率，從而對(duì)最大的后驗(yàn)概率進(jìn)行所屬類別的判斷。該模型對(duì)條件概率分布做出條件獨(dú)立性的假設(shè)，簡(jiǎn)化了計(jì)算過程，因此被稱為“樸素”貝葉斯。具體判斷過程如下：假設(shè)分類結(jié)果包括c1，c2，…，cn共計(jì)n類，而ck(1≤k≤n)表示其中具體的某一類，每個(gè)樣本的屬性由一個(gè)n維特征向量X={x1，x2，…xn}表示，則計(jì)算屬性條件下的后驗(yàn)概率公式為：

(2)

其中，p(X)由于不依賴于分類可以被當(dāng)作是常數(shù)，那么求解上式的最大值問題就變成求解p(X|ck)·p(ck)的最大值問題，對(duì)于每一個(gè)分類c1，c2，…，cn都經(jīng)過同樣計(jì)算后，未知樣本被判斷為ci類的條件是當(dāng)且僅當(dāng)：

p(X|ci)·p(ci)>p(X|ck)·p(ck)

1≤i，k≤n；i≠k

(3)

經(jīng)過上述過程可以看到，樸素貝葉斯模型的算法邏輯簡(jiǎn)單易懂，能夠?yàn)楹芏喾诸悊栴}提供較為清晰的解釋性。且該模型對(duì)樣本數(shù)量的要求不嚴(yán)苛，方法的學(xué)習(xí)效率較高，具有較為廣泛的適用性。但是該模型的缺點(diǎn)也很明顯，即其對(duì)條件概率分布中條件相互獨(dú)立性的假設(shè)，這在實(shí)際數(shù)據(jù)中往往會(huì)有無法滿足該假設(shè)的情況，從而會(huì)對(duì)分類結(jié)果的準(zhǔn)確性造成一定程度的影響[17]。

3.支持向量機(jī)(SVM)模型

支持向量機(jī)(SVM)模型是近些年常被討論的分類算法模型之一，優(yōu)秀的泛化能力使其在非線性識(shí)別問題中表現(xiàn)出較強(qiáng)的優(yōu)勢(shì)。其目標(biāo)函數(shù)和約束條件如下：

(4)

s.t.yi(ωTφ(xi)+b)≥1-εi

其中，i=1，2，…，l；εi(εi≥0)為松弛變量，C(C>0)為懲罰系數(shù)，φ(x)為非線性映射函數(shù)，b為偏移，ω為權(quán)重向量，yi為研究問題所對(duì)應(yīng)的分類類別。在非線性問題中還會(huì)進(jìn)一步由拉格朗日函數(shù)對(duì)偶化上式，將核函數(shù)進(jìn)行引入從而得到最終的決策函數(shù)如下：

(5)

其中，αi為樣本對(duì)應(yīng)的拉格朗日乘子，K(xi，xj)為模型所選擇的核函數(shù)。

實(shí)際操作中需要在眾多核函數(shù)中對(duì)所研究問題適用的核函數(shù)進(jìn)行選擇，并結(jié)合超參數(shù)的調(diào)優(yōu)找到適用于所研究問題的具體參數(shù)結(jié)構(gòu)。在模型結(jié)果判斷過程中，所應(yīng)用的SVM模型分類器是一個(gè)超平面f(x)=ωx-b=0，若f(x)>0則該點(diǎn)屬于類1，若f(x)<0則該點(diǎn)屬于類-1，而SVM模型的最優(yōu)分割使得這兩類中的點(diǎn)到超平面的距離最大化[18]。

SVM模型對(duì)高維數(shù)據(jù)和低維數(shù)據(jù)都能進(jìn)行良好的學(xué)習(xí)，因此被廣泛應(yīng)用于解決實(shí)際問題分類的研究中。但是該模型對(duì)解決多分類問題和大規(guī)模數(shù)據(jù)樣本問題存在一定的困難，需要進(jìn)一步改進(jìn)。本文在實(shí)證部分應(yīng)用Python軟件sklearn包中的SVC函數(shù)對(duì)P2P平臺(tái)進(jìn)行風(fēng)險(xiǎn)判別，在分析之前對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。

4.隨機(jī)森林模型

隨機(jī)森林模型也是一種有監(jiān)督的算法模型，該模型由眾多分類樹組成，其結(jié)果由眾多分類樹預(yù)測(cè)結(jié)果匯總進(jìn)而投票的方式而來。具體而言，該模型首先利用Bootstrap方法有放回地隨機(jī)抽取n個(gè)樣本，然后建立單棵樹的具有最佳分類特征作為節(jié)點(diǎn)的決策樹模型。重復(fù)上述過程k次，則形成了由k棵決策樹組成的隨機(jī)森林模型，對(duì)于每棵決策樹而言都有其對(duì)研究對(duì)象所屬類別的判斷結(jié)果，最終隨機(jī)森林會(huì)將多數(shù)決策樹的判定結(jié)果作為隨機(jī)森林模型的結(jié)果進(jìn)行匯報(bào)。

隨機(jī)森林模型集合了眾多決策樹的結(jié)果，屬于一種集成算法。相較于傳統(tǒng)單棵樹的決策，該模型讓多棵樹參與決策，并選出支持率最高的分類結(jié)果，使得模型在運(yùn)算量沒有顯著增加的前提下提高了預(yù)測(cè)精度[19]，且隨機(jī)森林模型實(shí)現(xiàn)簡(jiǎn)單、抗過擬合能力強(qiáng)，因此被廣泛應(yīng)用于分類問題的研究。但是隨機(jī)森林模型的解釋性不太強(qiáng)，當(dāng)模型中的單棵決策樹過多時(shí)還會(huì)使訓(xùn)練時(shí)間過長(zhǎng)，需要斟酌單棵決策樹的個(gè)數(shù)。應(yīng)用此模型時(shí)，本文利用Python軟件sklearn包中的RandomForestRegressor函數(shù)進(jìn)行風(fēng)險(xiǎn)判別，并對(duì)隨機(jī)森林模型中單棵決策樹的數(shù)量、單棵決策樹的深度等超參數(shù)進(jìn)行了調(diào)優(yōu)。

下面具體應(yīng)用上述四種模型進(jìn)行實(shí)證，并對(duì)所研究問題的不同評(píng)價(jià)結(jié)果進(jìn)行對(duì)比分析。

(二)數(shù)據(jù)來源及說明

數(shù)據(jù)資料來源于國(guó)泰安CSMAR金融經(jīng)濟(jì)數(shù)據(jù)庫(kù)和P2P平臺(tái)第三方資訊網(wǎng)站：網(wǎng)貸之家和網(wǎng)貸天眼。限于數(shù)據(jù)可得性，本文從國(guó)泰安數(shù)據(jù)庫(kù)整理得到1 027家P2P平臺(tái)2015年9月27日至2019年2月26日共1 182天完整的511 568條成交數(shù)據(jù)、25 080條平臺(tái)信息數(shù)據(jù)和70 356條平臺(tái)產(chǎn)品信息數(shù)據(jù)。經(jīng)過與網(wǎng)貸之家網(wǎng)站、網(wǎng)貸天眼網(wǎng)站公開的P2P平臺(tái)數(shù)據(jù)進(jìn)行匹配，發(fā)現(xiàn)共有692家相同的P2P平臺(tái)信息可供采集。于是本文手動(dòng)收集了網(wǎng)貸之家網(wǎng)站692家各P2P網(wǎng)貸平臺(tái)的資金存管、風(fēng)險(xiǎn)準(zhǔn)備金、保障模式、投標(biāo)保障、擔(dān)保機(jī)構(gòu)信息以及網(wǎng)貸天眼網(wǎng)站問題平臺(tái)問題事件發(fā)生時(shí)間的數(shù)據(jù)。最后使用python軟件利用網(wǎng)絡(luò)爬蟲技術(shù)從網(wǎng)貸之家網(wǎng)站獲取了692家各P2P平臺(tái)打分信息、評(píng)論信息的網(wǎng)絡(luò)輿情資料。

根據(jù)國(guó)泰安數(shù)據(jù)庫(kù)和網(wǎng)貸之家網(wǎng)站的平臺(tái)信息，將數(shù)據(jù)資料中顯示的出現(xiàn)跑路、停業(yè)、提現(xiàn)困難、經(jīng)偵介入、延期兌付、暫停發(fā)標(biāo)、網(wǎng)站關(guān)閉、爭(zhēng)議的平臺(tái)標(biāo)記為問題平臺(tái)，具有高風(fēng)險(xiǎn)。而其他平臺(tái)則認(rèn)為截止到數(shù)據(jù)采集結(jié)束的2019年2月26日期間是沒有出現(xiàn)問題的，屬于正常平臺(tái)，具有低風(fēng)險(xiǎn)。在實(shí)證分析部分利用構(gòu)建的風(fēng)險(xiǎn)評(píng)價(jià)體系對(duì)這兩類風(fēng)險(xiǎn)平臺(tái)進(jìn)行分類判別，屬于二分類的判別問題。經(jīng)過計(jì)算，在樣本的692家平臺(tái)中，共有343家問題平臺(tái)和349家正常平臺(tái)，樣本的問題平臺(tái)數(shù)量和正常平臺(tái)數(shù)量比例良好。

(三)模型實(shí)證

在每次實(shí)證分析時(shí)，對(duì)所應(yīng)用的模型隨機(jī)分配訓(xùn)練集和測(cè)試集[注]每次實(shí)證隨機(jī)抽取75%的數(shù)據(jù)樣本為訓(xùn)練集，25%的數(shù)據(jù)樣本為測(cè)試集。的數(shù)據(jù)樣本，并通過10折交叉驗(yàn)證和網(wǎng)格搜索的方法對(duì)模型中的超參數(shù)進(jìn)行調(diào)優(yōu)。在對(duì)比不同模型的分類效果時(shí)，通常應(yīng)更關(guān)注模型在測(cè)試集上的表現(xiàn)，因此對(duì)測(cè)試集上的最終結(jié)果進(jìn)行10次驗(yàn)證，得到了平均準(zhǔn)確率、精確率、召回率和F1-score[注]精確率、召回率和F1-score是模型準(zhǔn)確率之外對(duì)模型進(jìn)行評(píng)判的指標(biāo)。其中，精確率表示預(yù)測(cè)結(jié)果為問題平臺(tái)中真實(shí)為問題平臺(tái)的比例，召回率表示真實(shí)為問題平臺(tái)中預(yù)測(cè)結(jié)果為問題平臺(tái)的比例。F1-score則是精確率和召回率的調(diào)和平均，最大值是1，最小值是0。四項(xiàng)對(duì)模型分類效果進(jìn)行判斷的評(píng)價(jià)指標(biāo)。在進(jìn)行模型實(shí)證之前，對(duì)指標(biāo)體系中的逆指標(biāo)進(jìn)行了取倒數(shù)的正向化處理，并針對(duì)不同的模型要求進(jìn)行了指標(biāo)數(shù)據(jù)的歸一化、標(biāo)準(zhǔn)化處理。且所應(yīng)用的四種模型訓(xùn)練集效果均優(yōu)于測(cè)試集，因此不存在過擬合問題。具體的測(cè)試集結(jié)果如表2所示。

表2 模型測(cè)試集結(jié)果比較

通過機(jī)器學(xué)習(xí)模型調(diào)參的過程，可以知道P2P平臺(tái)的風(fēng)險(xiǎn)預(yù)測(cè)分類問題屬于復(fù)雜的非線性判別問題。從上表的四個(gè)模型結(jié)果可以看到，在問題平臺(tái)精確率指標(biāo)上SVM模型和樸素貝葉斯模型效果更好，能在結(jié)果中更精確的判別問題平臺(tái)；而在其他三個(gè)指標(biāo)上SVM和隨機(jī)森林模型的測(cè)試集結(jié)果更好。因此，綜合來看，SVM模型對(duì)本文所研究的問題具有更強(qiáng)的分類判別能力。

接著，利用10次驗(yàn)證取平均的方式得到隨機(jī)森林模型中指標(biāo)變量的重要性排序如表3所示。

表3 隨機(jī)森林模型三級(jí)指標(biāo)變量重要性排名

表3列出了隨機(jī)森林模型指標(biāo)變量重要性排序得到的排名前10的指標(biāo)，其中資金存管是最重要的判斷指標(biāo)。運(yùn)營(yíng)時(shí)間則是排名第二的重要指標(biāo)變量，而平均利率指標(biāo)的重要性位列第三。

從評(píng)價(jià)體系二級(jí)指標(biāo)的六個(gè)方面來看，把各三級(jí)指標(biāo)排序的結(jié)果得分加總，得到這六個(gè)方面二級(jí)指標(biāo)得分加總后的總得分，結(jié)果如表4。

表4 評(píng)價(jià)體系二級(jí)指標(biāo)重要性排名

從表4可知，在評(píng)價(jià)體系的二級(jí)指標(biāo)重要性排序中，風(fēng)險(xiǎn)防控信息排名第一，其次是評(píng)論信息，第三是交易信息，產(chǎn)品信息排名最后。在排名第一的風(fēng)險(xiǎn)防控信息中資金存管指標(biāo)更是位列所有30個(gè)三級(jí)指標(biāo)重要性的第一位，貼合評(píng)價(jià)體系目標(biāo)，符合實(shí)際；評(píng)論信息排名第二則說明了外部信息的重要性，眾所周知，P2P平臺(tái)是依托互聯(lián)網(wǎng)為渠道進(jìn)行雙方交易的方式，很多網(wǎng)絡(luò)輿情信息被廣大投資者關(guān)注、交流，能夠在主觀上反映投資者的心態(tài)，客觀上披露P2P平臺(tái)的狀態(tài)，值得重點(diǎn)關(guān)注；排名第三的交易信息則能夠反映P2P平臺(tái)的歷史交易記錄，從這些定量數(shù)據(jù)中可以看到資金的流動(dòng)、變化情況，也具有一定的參考性；對(duì)于排名靠后的基礎(chǔ)信息，本文認(rèn)為基礎(chǔ)信息雖然能夠反映平臺(tái)本身的狀況，但所涵蓋的指標(biāo)更多地在平臺(tái)建立之初就已經(jīng)決定，變化可能性較小，對(duì)頻繁進(jìn)行交易的P2P平臺(tái)而言作用不大，唯一常常產(chǎn)生變化的就是運(yùn)營(yíng)時(shí)間指標(biāo)，也可以在表3中看到它在三級(jí)指標(biāo)中的重要性很大，因此可以在基礎(chǔ)信息方面多留意P2P平臺(tái)的運(yùn)營(yíng)時(shí)間指標(biāo)；資金信息和產(chǎn)品信息分別位列重要性排名的第五、第六位，這兩部分二級(jí)指標(biāo)中能夠?qū)^(qū)分問題平臺(tái)和正常平臺(tái)具有較強(qiáng)解釋能力的三級(jí)指標(biāo)是表3中的平均未來60日待還金額指標(biāo)和平均利率指標(biāo)，介于現(xiàn)在P2P平臺(tái)已經(jīng)在中國(guó)發(fā)展了十余年，它的產(chǎn)品同質(zhì)性已經(jīng)較大，所以本文認(rèn)為產(chǎn)品信息并不如其他方面信息更具判斷性是合理的。另外對(duì)于資金信息，雖然都是定量數(shù)據(jù)，但其中的三級(jí)指標(biāo)平均累計(jì)待還金額和平均近30日資金凈流入都屬于期限較長(zhǎng)跨度的指標(biāo)，平均之后差別就不一定有其他指標(biāo)差距明顯，所以對(duì)判別P2P平臺(tái)風(fēng)險(xiǎn)的重要性就不具有鮮明的貢獻(xiàn)，也是合理的。

(四)重要指標(biāo)的樣本差異性分析

通過表3可以看到風(fēng)險(xiǎn)評(píng)價(jià)體系中重要性排名前10的指標(biāo)，這些指標(biāo)對(duì)判別問題平臺(tái)和正常平臺(tái)具有重要作用，那么這些指標(biāo)在樣本的兩類平臺(tái)(問題平臺(tái)和正常平臺(tái))之間均值的情況及差異性是怎樣的呢？是否具有顯著的差異性能夠區(qū)分兩類平臺(tái)？為了進(jìn)一步探究P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)重要性排名前10指標(biāo)的樣本均值差異性問題，本文運(yùn)用方差分析F檢驗(yàn)，得到表5的均值差異性檢驗(yàn)結(jié)果。為了進(jìn)一步分析，本文整理了描述性統(tǒng)計(jì)結(jié)果得到表6的定量指標(biāo)均值信息、表7的定性指標(biāo)數(shù)據(jù)信息。

表5 重要性排名前10指標(biāo)的均值差異性檢驗(yàn)結(jié)果

注：***表示在1%的水平上顯著，下文的表8同理。

表6 重要性排名前10定量指標(biāo)的均值數(shù)據(jù)信息

表7 重要性排名前10定性指標(biāo)的數(shù)據(jù)信息

由表5可知，樣本數(shù)據(jù)中資金存管在正常平臺(tái)和問題平臺(tái)中存在顯著均值差異，且通過表7計(jì)算樣本平臺(tái)基本數(shù)據(jù)信息可知正常平臺(tái)樣本中僅有14%的平臺(tái)不具備資金存管，而問題平臺(tái)中則有65%的平臺(tái)都不具備資金存管，再次證明了資金存管的重要性。結(jié)合表5和表6可知，樣本數(shù)據(jù)中正常平臺(tái)運(yùn)營(yíng)時(shí)間指標(biāo)的均值顯著大于問題平臺(tái)，而正常平臺(tái)的平均利率均值則顯著小于問題平臺(tái)。

指標(biāo)變量重要性第四至第10位的指標(biāo)也均在樣本數(shù)據(jù)中的兩類平臺(tái)間存在顯著的均值差異。其中，重要性排名第四的平均未來60日待還金額指標(biāo)在正常平臺(tái)的均值顯著小于問題平臺(tái)，可見正常平臺(tái)的待還壓力較小，資金流動(dòng)性較強(qiáng)。由評(píng)論信息文本挖掘得到的重要性排名第五的情感得分指標(biāo)在樣本數(shù)據(jù)的正常平臺(tái)中均值為0.651，顯著大于問題平臺(tái)的0.542，從側(cè)面顯示評(píng)論中挖掘的情感信息能較為客觀的反映平臺(tái)的狀態(tài)。由表6知，樣本數(shù)據(jù)中正常平臺(tái)的被關(guān)注程度均值為295.358，顯著大于問題平臺(tái)的141.761，而正常平臺(tái)的用戶推薦程度均值0.659與問題平臺(tái)的0.485也存在顯著差別。另外，正常平臺(tái)平均借款人數(shù)、平均借款期限和服務(wù)得分均值都顯著大于問題平臺(tái)。

綜上，隨機(jī)森林模型指標(biāo)重要性排序前10的指標(biāo)均值都在樣本數(shù)據(jù)中顯著區(qū)別了兩類平臺(tái)，這些指標(biāo)既具有重要性又具有樣本差異性，對(duì)判別P2P正常平臺(tái)和問題平臺(tái)具有重要作用。

由表5可知，在重要性排名前10的指標(biāo)中，共有情感得分、用戶推薦程度、被關(guān)注程度和服務(wù)得分4個(gè)三級(jí)指標(biāo)都屬于二級(jí)指標(biāo)評(píng)論信息，可見評(píng)論信息指標(biāo)的重要性。因此，進(jìn)一步對(duì)評(píng)論信息二級(jí)指標(biāo)下的所有三級(jí)指標(biāo)進(jìn)行了樣本的均值差異性檢驗(yàn)，整理后得到表8的檢驗(yàn)結(jié)果以及表9的均值信息。結(jié)果表明正常平臺(tái)的所有評(píng)論信息下的三級(jí)指標(biāo)均值都顯著大于問題平臺(tái)，更加說明了評(píng)論信息能夠較為客觀的反映平臺(tái)狀態(tài)，可見評(píng)論信息的內(nèi)容具有一定的參考性，值得投資者進(jìn)行關(guān)注。

表8 評(píng)論信息三級(jí)指標(biāo)的均值差異性檢驗(yàn)結(jié)果

表9 評(píng)論信息三級(jí)指標(biāo)的均值數(shù)據(jù)信息

五、結(jié)論與建議

本文綜合運(yùn)用了平臺(tái)本身、網(wǎng)絡(luò)輿情和P2P第三方資訊網(wǎng)站的評(píng)價(jià)信息構(gòu)建了定性定量相結(jié)合的P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)體系，共涵蓋2個(gè)一級(jí)指標(biāo)，6個(gè)二級(jí)指標(biāo)和30個(gè)三級(jí)指標(biāo)。選擇Logistic回歸模型、樸素貝葉斯模型、隨機(jī)森林模型以及SVM模型對(duì)P2P平臺(tái)的風(fēng)險(xiǎn)進(jìn)行判別。從4個(gè)模型的實(shí)證判別結(jié)果可以看到，在問題平臺(tái)精確率指標(biāo)上SVM模型和樸素貝葉斯模型的效果更好，而在模型準(zhǔn)確率、召回率和F1-score指標(biāo)上SVM和隨機(jī)森林模型的測(cè)試集結(jié)果更好。因此，在本文所研究的P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)問題中，總體而言能夠更好地區(qū)分問題平臺(tái)和正常平臺(tái)的是SVM模型，建議在對(duì)新的P2P平臺(tái)進(jìn)行風(fēng)險(xiǎn)判別中應(yīng)用SVM模型進(jìn)行判斷。另外，由隨機(jī)森林模型得到的P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)變量指標(biāo)重要性排序結(jié)果顯示，在本文評(píng)價(jià)體系的三級(jí)指標(biāo)中，資金存管是最重要的判別P2P平臺(tái)風(fēng)險(xiǎn)的指標(biāo)，其次是運(yùn)營(yíng)時(shí)間，平均利率指標(biāo)則位列第三。在評(píng)價(jià)體系二級(jí)指標(biāo)中，風(fēng)險(xiǎn)防控信息排名第一，其次是評(píng)論信息，排名第三的為交易信息。

通過上述研究，建議P2P平臺(tái)向資金存管方向發(fā)展。資金存管指標(biāo)作為三級(jí)指標(biāo)是最重要的判別P2P平臺(tái)風(fēng)險(xiǎn)的指標(biāo)，且在樣本平臺(tái)中正常平臺(tái)資金存管的數(shù)量顯著大于問題平臺(tái)，說明正常平臺(tái)更傾向于進(jìn)行資金存管。而資金存管所在的二級(jí)指標(biāo)風(fēng)險(xiǎn)防控信息指標(biāo)也是最重要的二級(jí)指標(biāo)，資金存管又在其中的貢獻(xiàn)最大。進(jìn)一步說明了加強(qiáng)風(fēng)險(xiǎn)防控、向資金存管方向轉(zhuǎn)變的重要性。因此，監(jiān)管方應(yīng)及時(shí)督促未進(jìn)行資金存管的平臺(tái)加快資金存管步伐，將資金存管納入P2P行業(yè)標(biāo)準(zhǔn)，使開展借貸業(yè)務(wù)的P2P平臺(tái)都有合規(guī)的、嚴(yán)格的資金存管渠道，而對(duì)一些未進(jìn)行資金存管或資金存管不規(guī)范的P2P平臺(tái)進(jìn)行限期整改。其次，運(yùn)營(yíng)時(shí)間作為判別P2P平臺(tái)風(fēng)險(xiǎn)三級(jí)指標(biāo)中重要性排名第二的指標(biāo)也應(yīng)給予關(guān)注，建議投資者慎重選擇新上線的、運(yùn)營(yíng)時(shí)間較短的平臺(tái)，這些新平臺(tái)可能為了吸引廣大用戶而采取一些大幅度的優(yōu)惠措施欺騙投資者，使投資者遭受經(jīng)濟(jì)損失。通過樣本平臺(tái)運(yùn)營(yíng)時(shí)間指標(biāo)的均值差異性分析可以看到，正常平臺(tái)的運(yùn)營(yíng)時(shí)間均值都是顯著大于問題平臺(tái)的。因此，監(jiān)管方應(yīng)督促投資者優(yōu)先選擇運(yùn)營(yíng)時(shí)間長(zhǎng)的平臺(tái)進(jìn)行投資，不盲目追求一些新平臺(tái)提供的一時(shí)的利益。另外，三級(jí)指標(biāo)平均利率作為判別P2P平臺(tái)風(fēng)險(xiǎn)重要性排名第三的指標(biāo)也需要進(jìn)行關(guān)注，高利率因其代表的高收益而廣受投資者青睞，但高利率是把雙刃劍，利率高的產(chǎn)品也可能成為問題平臺(tái)吸引投資者的噱頭，在樣本平臺(tái)中，問題平臺(tái)的平均利率指標(biāo)均值就顯著大于正常平臺(tái)。因此，投資者需要謹(jǐn)慎選擇高利率產(chǎn)品，注意產(chǎn)品條款中的標(biāo)的內(nèi)容要求，不單一追求高利率產(chǎn)品。監(jiān)管方則應(yīng)完善行業(yè)產(chǎn)品規(guī)范，管理P2P產(chǎn)品屬性，對(duì)高利率的P2P產(chǎn)品重點(diǎn)監(jiān)督，進(jìn)行跟蹤調(diào)查。

評(píng)論信息在P2P平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)二級(jí)指標(biāo)重要性中排名第二，且樣本數(shù)據(jù)顯示評(píng)論信息中的所有三級(jí)指標(biāo)在正常平臺(tái)中的均值都顯著大于在問題平臺(tái)中的結(jié)果，說明評(píng)論信息能夠較為客觀的反映平臺(tái)的狀態(tài)，鑒于這些資料也較易獲得，建議投資者多關(guān)注意向平臺(tái)網(wǎng)友的評(píng)論內(nèi)容和網(wǎng)絡(luò)輿情資料，觀察后再選擇是否進(jìn)行投資，監(jiān)管方則要維護(hù)評(píng)論等輿情資料的透明以供投資者參考，嚴(yán)防平臺(tái)刷好評(píng)、控制評(píng)論等行為的發(fā)生。

通過對(duì)隨機(jī)森林結(jié)果中重要性排名前10的指標(biāo)進(jìn)行均值差異性分析，可以得到正常平臺(tái)的平均借款人數(shù)、平均借款期限均值都顯著大于問題平臺(tái)，而平均未來60日待還金額均值小于問題平臺(tái)。這說明正常平臺(tái)人氣更高、資金流動(dòng)性更強(qiáng)，且都偏向于提供期限長(zhǎng)一些的借款標(biāo)的。因此，建議投資者關(guān)注這些特征對(duì)平臺(tái)進(jìn)行選擇，在平臺(tái)人氣方面，建議監(jiān)管方要求P2P平臺(tái)如實(shí)公布平臺(tái)活躍用戶數(shù)量，為廣大投資者選擇平臺(tái)提供參考，避免一些平臺(tái)造假用戶群體意圖形成用戶眾多的假象；在資金流動(dòng)性方面，建議監(jiān)管方設(shè)定行業(yè)最低可流動(dòng)性資金要求，一方面為不同投資者的資金需求提供一定的便利，另一方面對(duì)平臺(tái)的資金要求提供一定標(biāo)準(zhǔn)，把一些無法保證基本資金要求的平臺(tái)禁止在行業(yè)之外以防范風(fēng)險(xiǎn)；在借款期限上則建議投資者選擇更有把握的期限長(zhǎng)度，如有可能可以選擇借款期限稍長(zhǎng)的標(biāo)的，不要貪圖短期借款標(biāo)的誘惑，以防范風(fēng)險(xiǎn)。監(jiān)管方也應(yīng)對(duì)P2P平臺(tái)上線產(chǎn)品的借款期限加以把控，制定出一定的行業(yè)標(biāo)準(zhǔn)進(jìn)行嚴(yán)格監(jiān)督。