P2P网络借贷信用风险与信用评估综述

秦伟　梁月

一、引言

P2P网络借贷指通过互联网平台个人直接借贷给个人的互联网金融新模式。随着互联网的普及和民间借贷的兴起而发展起来的P2P网络借贷是未来金融服务发展的新趋势。

截止2015年6月底，中国P2P网贷行业的成交量累计超过了6835亿元。2015年上半年网贷行业成交量以月均10.08%的速度增加，上半年成交量累计已达3006.19亿元。虽然我国P2P网络借贷行业发展迅猛，P2P借贷平台如雨后春笋，但是问题平台和借款人违约事件也频繁发生。2015年上半年，新增问题平台419家，同期增长近8倍。截止2015年6月底，P2P网贷行业累计问题平台达786家，其中6月份新增问题平台125家。

借款人违约现象频发，平台跑路现象严重，贷款人纷纷回收款项，P2P网络借贷平台面临着高兑付压力，许多P2P平台出现提现困难等问题。由此可见，我国P2P网络借贷依然存在着巨大的风险。其中，信用风险是P2P网络借贷最基本也最核心的风险问题之一。随着P2P网络借贷的发展，网络借贷的风险也越来越受到关注。在网络贷款平台上，借款人的信用风险带来的后果是十分严重的。尤其在征信系统无法覆盖所有个人时，信用风险带来的后果就尤为突出。作为降低信用风险的重要手段，信用评估一直是学界研究的热点。

二、P2P网络借贷的风险研究

P2P网络借贷的本质是民间借贷，而民间借贷的信用风险与正规金融相比相对较高。随着互联网金融逐步结合发展，借贷双方通过互联网进行，实际面对面交流的机会越来越少，其风险显然也要随之增大。

P2P网络借贷的信用风险是必然存在的。Steelmann（2006）指出“匿名交易”导致交易双方的信息不对称，再加上借款方无需提供抵押品或担保，必然导致信用风险的存在。Greiner（2009）利用社会资本理论对网络借贷中不同运营模式的信息不对称问题做了详细的介绍。网络借贷中更容易出现借款方和投资方之间信息不对称的情况。张玉梅（2010）指出由于目前我国还没有建立起完善的个人信用体系，故在网络上由个人发起的借款就更难通过个人的信用情况来判断了，因此个人信用风险在一定程度上制约了P2P网络贷款的发展，也正是因为这样，P2P网络贷款的信用风险的判断也就更加存在难度。艾金娣（2012）针对网络贷款风险从制度风险和信用风险两个角度阐述，指出P2P网络贷款虽然可以通过电话、网络等渠道对借款人的基本信息进行核查，但是对于借款人的信用、实际的经营情况以及最终的贷款用途却很难进行跟踪，这是最大的风险所在。

研究显示软信息的使用能有效的弥补硬信息的不足，达到更好的减少信用风险的效果。Freedman （2008）对Prosper 公司的研究表明，社交网络所揭示的借款人的“软信息”有效的弥补了其“硬信息”的不足。Iyer（2009）、Larrimore（2011）通过对信息不对称的研究，指出借款人的“软信息”是值得利用的信息。Freedman and Jin （2008）指出，含有熟人或者仅仅是认识的人，对于贷款小组成员违约率的降低有着重要的影响作用。

信用评估可以有效地遇见信用风险，从而间接达到降低信用风险目的。Lin（2009）通过Prosper上公开的数据实验发现，借款人的信用风险与其信用评级有密不可分的联系，借款人信用评级越低，其发生道德风险的概率越高。

三、信用评估方法

根据信用评估方法所依据的要素可以将其分为传统信用评估方法和现代信用评估方法。传统信用风险分析方法更多依赖有经验的专家对借款者的信用风险进行判断；现代信用风险分析方法更多依赖以统计数据和计量方法为基础的数据和模型。

（一）信用评估方法的演进

最初，信用风险评估方法主要是专家打分法，其依据是专家对借款人的财务状况、经营状态、信用情况以及经济环境等进行主观性的判断。专家打分法是一种典型的定性分析方法。评估的主要工具包括以资信品格、资本、还款能力、抵押品、经济环境为标准的5C方法和以借款人、借款用途、还款期限、担保物（What）及如何还款这五项指标的5W方法。专家打分法基本识别出了借款人信用风险的主要影响因素，对信用评估模型的发展打下了坚实的基础。

随着数理统计方法的演进，在专家打分的基础上以财务指标为解释变量建立回归模型来度量借款人的风险情况，成为信用评估的主流。主要采用的回归方法包括判别分析方法、线性回归模型、Logistic回归模型等。

Bekhet和Eletter（2014）通过Logistic回归模型和径向基函数模型，分别构建信用评分模型，并将对比分析这两种模型，结果表明在整体准确率上Logistic回归的比径向基函数模型更有优势，但径向基函数模型比Logistic回归模型能更加准确的识别出潜在违约者。

姜明辉等人也针对线性回归、罗吉斯回归、分类树、神经网络、遗传算法等在个人信用评估领域的应用做了开创性的研究，得出了一些极具价值的研究成果。

近年来，随着统计学理论及计算机算法的不断发展，人工智能方法在信用评估方面也得到了广泛的应用。在研究信用评估问题时，神经网络算法受到越来越多的青睐。

Angelini等人（2008）开发了两个神经网络系统评估信用风险，并利用某小型企业的数据进行实证，表明神经网络在评估借款人的信用风险方面十分成功。Jagric等人（2011）利用LVQ神经网络构建了信用评估模型，与Logistic回归模型进行了对比，并利用真实数据进行实证，结果表明LVQ神经网络模型优于Logistic回归模型，能够获得更好的评估结果。

（二）信用评估方法的比较

传统信用评估方法的优点在于其对数据的要求低、相对容易取得且适用性强，但最大的缺陷在于其结果的主观性，评判过程过多的依赖专家的个人判断，不具有可比性。

现代信用评估方法的精确度高、预测能力强，较为广泛的应用在各类机构信用风险分析管理过程中。现代信用风险评估模型是目前最发达的信用风险分析工具，但是其对数据的要求较高，且运算复杂，计算成本较高，适用于拥有大量历史数据且对分析结果准确性要求极高的。

四、对我国P2P网络借贷的思考

P2P网络借贷是互联网金融的新模式。目前国内P2P网络借贷的发展尚不规范，并且我国征信体系尚不完整，信用信息缺失严重。因此，我国P2P网络借贷面临的信用风险问题尤为严重。

P2P借贷尚处于新兴阶段，研究也在起步中，未来的研究应该从多方面展开。首先，随着我国征信体系的不断发展，信用数据的不断完善，P2P网络借贷信用评估的实证研究将不断加强。其次，P2P网络借贷带来的借贷利率市场化，极大的冲击了传统商业银行的业务。面对我国小微企业及个人的投融资需求，粗放的信用风险评价模式必然转向精准管理。开发基于不同参数的风险资产定价模型将成为我国P2P网络借贷平台风险管理的必然选择。（作者单位：中央财经大学）

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] Jensen M C， Black F， Scholes， Myron S. The Capital Asset Pricing Model： Some Empirical Tests[J]. Social Science Electronic Publishing， 1972， 94（8）：4229-4232.

[4] Greiner M E， Wang H. The Role of Social Capital in People-to-People Lending Market places[J].Icis Proceedings Paper， 2009.

[5] 艾金娣.P2P网络借贷平台风险防范[J].中国金融，2012（14）：79-81.

[6] 姜明辉.商业银行个人信用评估组合预测方法研究[D].哈尔滨工业大学，2006.