■ 葉菁菁 吳 斌 副教授 董 敏 副教授(南京工業(yè)大學(xué)經(jīng)濟與管理學(xué)院 南京 211816)
在我國,中小企業(yè)數(shù)量占企業(yè)總數(shù)比例高達(dá)90% 以上,在國民經(jīng)濟中起著不可替代的作用。然而中小企業(yè)的融資情況卻很不樂觀,有將近3000多萬家小微企業(yè)需要100 萬元以下的融資,而銀行卻不能滿足這些小微企業(yè)的資金需求。
銀行對于個人和中小企業(yè)信用貸款的要求很高,使得中小企業(yè)融資和個人貸款面臨很多困難。與大企業(yè)相比,中小企業(yè)普遍面臨著融資不暢的問題,從而嚴(yán)重影響了他們持續(xù)健康的發(fā)展。而與此同時,我國民間資金卻異常充裕,在這樣的形勢下,一種互聯(lián)網(wǎng)金融新模式—P2P網(wǎng)絡(luò)貸款(“peer to peer”)應(yīng)運而生,為中小企業(yè)和個人提供了便利的融資渠道。
P2P網(wǎng)絡(luò)貸款是一種依托于互聯(lián)網(wǎng)實現(xiàn)高效融資的互聯(lián)網(wǎng)金融新模式,最早起源于英國,隨后發(fā)展到美國、德國和其他國家,隨著近幾年來的不斷發(fā)展,在中小企業(yè)融資和個人貸款方面做出了巨大的貢獻(xiàn)。我國于2007年出現(xiàn)了第一家P2P網(wǎng)貸平臺—拍拍貸,此后,國內(nèi)P2P 網(wǎng)貸平臺如雨后春筍般大規(guī)模興起。
近年來,隨著互聯(lián)網(wǎng)金融的逐步發(fā)展,P2P網(wǎng)貸已成為時下炙手可熱的互聯(lián)網(wǎng)金融新模式。憑借著“高收益”的理財優(yōu)勢,各類P2P網(wǎng)貸平臺呈現(xiàn)出爆發(fā)式“野蠻生長”。根據(jù)“網(wǎng)貸之家”發(fā)布的2014年中國網(wǎng)貸行業(yè)年報數(shù)據(jù),2014年全年累計成交量達(dá)2528 億元,是2013年的2.39 倍。然而網(wǎng)貸業(yè)在爆發(fā)式增長的同時,也存在著重大風(fēng)險。截至2015年1月,已經(jīng)有200多家P2P網(wǎng)貸機構(gòu)出現(xiàn)提現(xiàn)困難以致卷款跑路等問題,使投資者損失慘重。
如今,P2P 網(wǎng)貸這一新鮮事物已經(jīng)受到越來越多學(xué)者的關(guān)注,而其面臨的最大風(fēng)險就是信用風(fēng)險,其中個人信用評估則是降低信用風(fēng)險的決定性因素。國內(nèi)外關(guān)于P2P網(wǎng)貸個人信用評估方面的相關(guān)研究主要是從評估指標(biāo)和評估方法兩個方面進(jìn)行探討的。
P2P 網(wǎng)貸作為新興的金融事物,學(xué)術(shù)界對其研究才剛剛起步,因此國內(nèi)外關(guān)于P2P 網(wǎng)貸的文獻(xiàn)并不多。目前國內(nèi)外的研究主要是從“軟信息”和“硬信息”兩個角度來考察P2P網(wǎng)貸融資的,劉峙廷和廖一禎(2011)指出軟信息指的是不能用準(zhǔn)確的指標(biāo)或數(shù)值表示的信息,硬信息指的是能夠用準(zhǔn)確的指標(biāo)或數(shù)值表示的信息。
國外大多數(shù)研究都使用prosper.com網(wǎng)站上的數(shù)據(jù)來分析P2P 網(wǎng)貸。Iyer 等人(2014)提出了這兩種不同的數(shù)據(jù),一種是標(biāo)準(zhǔn)的銀行數(shù)據(jù),是指從借款人的信用報告中得出的經(jīng)核實過的財務(wù)數(shù)據(jù),一種是非標(biāo)準(zhǔn)數(shù)據(jù),如性別,年齡,國家等。對于prosper.com 網(wǎng)站,他們強調(diào)基于非標(biāo)準(zhǔn)數(shù)據(jù)的篩選機制的重要性,尤其是對更小規(guī)模的借款人。
大多數(shù)P2P網(wǎng)貸平臺會為投資人提供借款人詳細(xì)的歷史信貸數(shù)據(jù),如借款利率,實際還款情況等。投資人可以根據(jù)這些信息來估計借款人的違約風(fēng)險,然而,由于一些因素很多人不能夠正確的評估借款人的違約風(fēng)險。首先,人類通常會根據(jù)幾個關(guān)鍵要素做決定,而不是根據(jù)大量的要素(Gigerenzer,2007)。其次,在P2P網(wǎng)貸平臺上,大多數(shù)用戶都不是金融專家或者數(shù)學(xué)專家,他們不能夠創(chuàng)建復(fù)雜的模型來獲得投資策略(Klafft,2008)。
Hamburger等人(2003)研究了人格特征與網(wǎng)絡(luò)行為之間存在的關(guān)系并且進(jìn)行了大量的實證,實驗結(jié)果證明人格特征是決定網(wǎng)絡(luò)行為的一個高度相關(guān)因素。Freedman和Jin(2009)從社交網(wǎng)絡(luò)的角度,利用Prosper 平臺中2006年至2008年的借貸交易數(shù)據(jù),研究了在P2P 網(wǎng)貸中的信息不對稱問題。研究結(jié)果發(fā)現(xiàn)相比于傳統(tǒng)的金融機構(gòu),P2P 網(wǎng)貸平臺上的投資人普遍面臨缺乏借款人的“硬信息”的問題,但是通過社交網(wǎng)絡(luò)平臺中的“軟信息”能夠有效的緩解這種“硬信息”缺失的情況。
Lin(2009)研究了網(wǎng)絡(luò)指標(biāo)是如何影響P2P網(wǎng)貸平臺上的交易結(jié)果的,研究結(jié)果表明社交網(wǎng)絡(luò)上的人際關(guān)系能夠有效地減輕貸款過程中出現(xiàn)的信息不對稱問題,其強調(diào)了“軟信息”在P2P 網(wǎng)貸平臺中的重要性。Prabhala 等人(2011)研究表明社交網(wǎng)絡(luò)資源較豐富的借款人更容易獲得貸款,并且他們所需支付的借款利率更低,違約風(fēng)險也相對更低。
Pope 和Sydnor(2010)調(diào)查了在網(wǎng)貸投標(biāo)中的歧視情況。他們發(fā)現(xiàn)這種現(xiàn)象很明顯,對于長相比較黑的,較年長的,肥胖的借款申請人需要支付比較高的借款利率,而對于女性或參加過軍隊的借款人,他們需要支付的利率就相對較低。
Barasinska(2011)從性別的角度,研究發(fā)現(xiàn)投資人性別的不同會導(dǎo)致他們選擇不同的借款人。其指出,一般來說女性比男性更容易選擇風(fēng)險相對較小的借款人,并且要求相對較高的借款利率;同時女性由于普遍具有傾向于為他人著想等非理性特征,在選擇借款人時,往往比男性更容易出現(xiàn)逆向選擇問題,把資金借給信用等級較低的借款人。
Ravina(2012)從生理特征的角度,利用Prosper平臺中2007年3月至4月的借貸交易數(shù)據(jù),研究了借款人的生理特征對其借款行為的影響。研究結(jié)果發(fā)現(xiàn)借款人的種族和外表對其借款能否成功以及所需支付借款利率的高低有著較為顯著的影響,其指出由于美國地區(qū)存在種族歧視等社會問題,投資人認(rèn)為黑人的信用度較低、違約風(fēng)險較高,因此借款人如果是黑人,則其借款成功率較低,而所需支付的借款利率也更高。
Gonzalez 和Loureiro(2014)探討了借款人的個人特征對P2P貸款決策的影響,具體探討了借款人的頭像對獲得貸款可能性的影響。研究結(jié)果表明貸款的成功與否容易受到性別、年齡和外貌的影響。他們指出目前在金融學(xué)、市場學(xué)和心理學(xué)領(lǐng)域的相關(guān)研究都大力支持“美麗加分”效應(yīng),即其他條件一樣,外貌更具有吸引力的人會受到更大的青睞;但同時指出當(dāng)被認(rèn)為年齡是能力的一個明確象征時(大學(xué)年齡代表能力低,而中年代表能力高),則外貌對于貸款的成功與否沒有太大的影響;而當(dāng)借貸雙方的性別相同時,更具有吸引力的外貌實際上可能會使借款人損失掉本可以獲得貸款的機會(稱為“紅顏禍水”效應(yīng))。
綜上所述,國外對于互聯(lián)網(wǎng)信用評估指標(biāo)已有一定的研究成果,略去在國內(nèi)P2P 網(wǎng)貸平臺上不適用的指標(biāo)后,歸納如表1所示。
近年來,隨著經(jīng)濟學(xué)理論、優(yōu)化理論的不斷發(fā)展,人工智能方法在信用評估方面也得到了廣泛的應(yīng)用。Angelini 等人(2008)開發(fā)了兩個神經(jīng)網(wǎng)絡(luò)系統(tǒng)來進(jìn)行信用風(fēng)險評估,并且利用某意大利小型企業(yè)的真實數(shù)據(jù)進(jìn)行實證,結(jié)果表明神經(jīng)網(wǎng)絡(luò)在評估借款人的違約可能性方面應(yīng)用的十分成功。Sung(2010)構(gòu)建了Kohonen神經(jīng)網(wǎng)絡(luò)模型和Cox比例風(fēng)險回歸模型的混合模型,研究結(jié)果表明該模型能夠取得較好的預(yù)測結(jié)果。
Jagric 等人(2011)利用學(xué)習(xí)矢量量化(LVQ)神經(jīng)網(wǎng)絡(luò)構(gòu)建了信用評估模型,并將該模型與Logistic 回歸模型進(jìn)行了對比分析,最后利用Slovenian銀行的真實數(shù)據(jù)進(jìn)行實證,結(jié)果表明LVQ神經(jīng)網(wǎng)絡(luò)模型在精度方面優(yōu)于Logistic 回歸模型,能夠獲得更精確的評估結(jié)果。Kozeny 等人(2012)提出了遺傳算法和人工神經(jīng)網(wǎng)絡(luò)的混合算法以及該算法在信用風(fēng)險評估中的應(yīng)用。
Blanco等人(2013)使用多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)構(gòu)建了小額貸款信用評分模型,并將該模型與其他三種統(tǒng)計方法進(jìn)行了對比分析,分別是線性判別分析,二次判別分析和Logistic 回歸,研究結(jié)果表明MLP 神經(jīng)網(wǎng)絡(luò)模型優(yōu)于這些參數(shù)統(tǒng)計方法,其能夠?qū)崿F(xiàn)更高的精度。Oreski等人(2014)提出了利用遺傳算法和神經(jīng)網(wǎng)絡(luò)的混合算法(HGA-NN)來進(jìn)行信用風(fēng)險評估,研究結(jié)果發(fā)現(xiàn)HGANN 算法在信用風(fēng)險評估中的特征選擇和分類方面具有很大的優(yōu)勢。
Capotorti和Barbanera(2012)提出了基于粗糙集,條件概率評估和模糊集的混合算法,研究結(jié)果表明該算法提高了在信用風(fēng)險評估中標(biāo)準(zhǔn)粗糙集理論的分類性能,并且他們認(rèn)為該算法同樣適用于其他應(yīng)用領(lǐng)域。
Mandala等人(2012)對某家不良貸款率達(dá)11.99%的農(nóng)村銀行進(jìn)行信用風(fēng)險研究,實證結(jié)果表明利用決策樹模型的C 5.0算法進(jìn)行信用評估,該銀行的不良貸款率能夠下降到低于5%。Lopez 和Jeronimo(2015)構(gòu)建了基于決策樹的相關(guān)調(diào)整決策森林模型(CADF),并將其與梯度提升決策樹模型和隨機森林模型進(jìn)行了對比分析,研究結(jié)果表明CADF模型在解決信用風(fēng)險問題方面具有很大的優(yōu)勢,其解釋性極強,并且預(yù)測精度極高,解決了其他模型不能夠在精度和解釋性方面兩者兼顧的問題。
Bekhet和Eletter(2014)利用數(shù)據(jù)挖掘技術(shù)構(gòu)建了兩種信用評分模型,分別是Logistic 回歸模型和徑向基函數(shù)模型,并將這兩種模型進(jìn)行了對比分析,結(jié)果表明Logistic 回歸模型的整體準(zhǔn)確率比徑向基函數(shù)模型更高一些,但是在識別潛在的違約者方面,徑向基函數(shù)模型比Logistic 回歸模型具有更大的優(yōu)勢。
表1 互聯(lián)網(wǎng)信用評估指標(biāo)國外研究歸納
Harris(2015)運用集群支持向量機(CSVM)進(jìn)行信用風(fēng)險評估,并且和傳統(tǒng)的非線性支持向量機(SVM)比較得出集群支持向量機(CSVM)能夠?qū)崿F(xiàn)更好的分類效果。Danenas 和Garsva(2015)提出了一種基于粒子群優(yōu)化技術(shù)來選擇最優(yōu)線性支持向量機(SVM)分類器的方法來進(jìn)行信用風(fēng)險評估,他們將該方法與Logistic 回歸和RBF 神經(jīng)網(wǎng)絡(luò)在精度方面做了對比分析,實驗結(jié)果表明該方法具有很高的分類精度(90%以上),但是在性能的穩(wěn)定性方面有所不足。
Tomczak(2015)運用分類受限玻爾茲曼機(ClassRBM)構(gòu)建信用評分模型,其指出該模型具有高解釋性和易于實現(xiàn)性,在任何一家銀行系統(tǒng)上都很容易實現(xiàn)。并且其通過與其他方法進(jìn)行實證對比證明了該模型具有高預(yù)測性能,而且在易于實現(xiàn)方面具有很大的優(yōu)勢。
Mild 等人(2015)提出用線性回歸模型來幫助投資者在沒有硬性,量化的銀行數(shù)據(jù)的情況下,僅僅使用信用歷史數(shù)據(jù)來評估借款人的信用違約風(fēng)險,研究結(jié)果表明該模型能夠較準(zhǔn)確的評估信用違約風(fēng)險,并且能夠顯著的提高投資者的收益。
Angilella 和Mazzu(2015)提出并設(shè)計了多指標(biāo)信用風(fēng)險評估模型(ELECTRE-TRI),并將該模型應(yīng)用到中小企業(yè)的信用風(fēng)險評估當(dāng)中,他們認(rèn)為“硬信息”的缺失是中小企業(yè)信用風(fēng)險評估中遇到的普遍問題,因此該模型主要基于“軟信息”,其使用的SMAA-TRI方法考慮了指標(biāo)權(quán)重的不確定性和不精確性,最后通過實驗證明了他們的模型具有較好的評估性能。
相較于國外,我國P2P網(wǎng)貸的發(fā)展更晚一些,因此相關(guān)的研究成果較少。近年來國內(nèi)學(xué)者主要關(guān)注的是網(wǎng)貸面臨監(jiān)管空白方面的問題,對于互聯(lián)網(wǎng)信用評估指標(biāo)方面的研究幾乎是空白。
雖然國內(nèi)學(xué)者對于指標(biāo)方面的研究甚少,但是P2P網(wǎng)貸作為一種互聯(lián)網(wǎng)金融新模式,隨著行業(yè)的快速發(fā)展,已經(jīng)越來越受到學(xué)術(shù)界的廣泛關(guān)注。目前隨著研究的深入,傳統(tǒng)的信用評估方法取得了較快的發(fā)展。
李旭升等人(2008)提出并設(shè)計了擴展的樹增強樸素貝葉斯網(wǎng)絡(luò)信用評估模型,并將該模型與神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行了對比分析,實證結(jié)果表明擴展的樹增強樸素貝葉斯網(wǎng)絡(luò)信用評估模型具有較高的分類精度。范彥勤等人(2013)研究了基于貝葉斯分類器的個人信用評估模型,提出了新的屬性加權(quán)樸素貝葉斯分類模型和改進(jìn)樹擴展貝葉斯分類模型,并給出了新的屬性權(quán)值計算和分類器擴展研究。李太勇等人(2013)構(gòu)建了基于稀疏貝葉斯學(xué)習(xí)的個人信用評估模型,并將該模型與傳統(tǒng)的信用評估模型進(jìn)行了對比分析,實證結(jié)果表明該模型在分類精度方面較傳統(tǒng)的評估模型具有一定的提升,并且分類精度波動性很小。
李曉歡(2009)構(gòu)建了基于粗糙集和神經(jīng)網(wǎng)絡(luò)的中小企業(yè)信用評估體系及模型,其將粗糙集屬性約簡的方法應(yīng)用于中小企業(yè)信用評估指標(biāo)體系建立的過程中,研究結(jié)果表明該模型提高了評估結(jié)果的準(zhǔn)確性。喻敏和吳江(2011)提出了一種基于多進(jìn)化神經(jīng)網(wǎng)絡(luò)的信用評估模型(MNNCREDIT),實證結(jié)果表明該模型具有較高的預(yù)測精度。熊志斌(2011)提出了多子群自適應(yīng)遺傳BP算法,構(gòu)建了自適應(yīng)遺傳模糊神經(jīng)網(wǎng)絡(luò)信用風(fēng)險評估模型,并將該模型與BP神經(jīng)網(wǎng)絡(luò)、ANFIS以及遺傳神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果進(jìn)行比較,結(jié)果表明其所構(gòu)建的模型對信用評估具有更好的泛化能力和更高的預(yù)測準(zhǔn)確度。
楊勝剛等人(2013)構(gòu)建了決策樹方法與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的兩階段組合模型,研究表明,基于決策樹和神經(jīng)網(wǎng)絡(luò)構(gòu)建的個人信用評估組合模型在分類預(yù)測精度方面高于單一的BP 神經(jīng)網(wǎng)絡(luò)模型。熊志斌(2013)提出了基于順序自聯(lián)想神經(jīng)網(wǎng)絡(luò)(SAANN)的非線性主成分分析法(NLPCA),并且結(jié)合神經(jīng)網(wǎng)絡(luò)(NN)和Logistic回歸模型分別構(gòu)建了基于NLPCANN和NLPCA-Logistic的信用評估模型。實證結(jié)果表明,其所構(gòu)建的NLPCA方法較傳統(tǒng)的線性PCA 方法能夠有效提高模型的預(yù)測性能,同時,在相同PCA方法處理數(shù)據(jù)的條件下,神經(jīng)網(wǎng)絡(luò)模型比Logistic回歸模型具有更好的信用評估效果。
王潤華(2010)建立了基于改進(jìn)支持向量機的個人信用評估模型,實證結(jié)果表明線性核的分類效果很不理想,高斯核的分類效果不如多項式核好,而采用多項式核進(jìn)行分類效果比較理想。杜婷(2012)將粗糙集與支持向量機相結(jié)合的粗糙集支持向量機方法應(yīng)用到個人信用評估當(dāng)中,研究結(jié)果發(fā)現(xiàn)基于粗糙集支持向量機的個人信用評估模型在分類結(jié)果的精確性和穩(wěn)定性上都有一定的改善,并且能夠達(dá)到較好的預(yù)測效果。姚瀟和余樂安(2012)基于近似支持向量機方法,提出了模糊近似支持向量機,實證結(jié)果表明與其它模型相比,該模型能夠顯著提高信用風(fēng)險分類精度。
綜上所述,目前P2P網(wǎng)貸面臨的最大風(fēng)險是信用風(fēng)險,信用風(fēng)險已經(jīng)成為P2P網(wǎng)貸行業(yè)發(fā)展的主要瓶頸,而個人信用評估則是降低信用風(fēng)險的決定性因素,然而學(xué)術(shù)界還缺乏對其進(jìn)行系統(tǒng)和深入的研究。
從上述文獻(xiàn)可以看出,國內(nèi)外對于P2P網(wǎng)貸個人信用評估方面的相關(guān)研究都比較少。國外學(xué)者對于P2P網(wǎng)貸的研究主要集中在借款人的社交網(wǎng)絡(luò)及其生理特征分析方面;而國內(nèi)關(guān)于P2P網(wǎng)貸的研究大都只是介紹了目前主要P2P網(wǎng)貸平臺的運營模式,或針對網(wǎng)貸面臨監(jiān)管空白的問題提出一些風(fēng)險管理的政策建議,鮮有學(xué)者將網(wǎng)絡(luò)行為與P2P網(wǎng)貸個人信用評估指標(biāo)相結(jié)合,從互聯(lián)網(wǎng)信用評估指標(biāo)的角度對P2P網(wǎng)貸進(jìn)行深入的研究。
因此,從考慮網(wǎng)絡(luò)行為的互聯(lián)網(wǎng)信用評估指標(biāo)的角度出發(fā),以我國P2P網(wǎng)貸市場信用風(fēng)險急需改善為研究背景展開研究,對于降低P2P網(wǎng)貸行業(yè)的信用風(fēng)險是非常有必要的。未來研究人員可以將傳統(tǒng)的信用評估方法和目前國外已有的對于互聯(lián)網(wǎng)信用評估指標(biāo)的研究成果這兩者相結(jié)合,應(yīng)用到P2P 網(wǎng)貸平臺中進(jìn)行個人信用評估。具體可以從網(wǎng)絡(luò)行為的角度選取適當(dāng)?shù)闹笜?biāo)對P2P網(wǎng)貸模式中借款人的信用評估進(jìn)行更加深入的分析和研究,以此有效降低信用風(fēng)險,使我國P2P網(wǎng)貸行業(yè)能夠健康有序的發(fā)展,使P2P網(wǎng)貸這一新生事物能夠發(fā)展的更加成熟、更加完善。
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機的個人信用評估模型[J].統(tǒng)計與決策,2012
4.李太勇,王會軍,吳江.基于稀疏貝葉斯學(xué)習(xí)的個人信用評估[J].計算機應(yīng)用,2013
5.李旭升,郭春香,郭耀煌.擴展的樹增強樸素貝葉斯網(wǎng)絡(luò)信用評估模型[J].系統(tǒng)工程理論與實踐,2008
6.劉峙廷,廖一禎.美國信用評級下調(diào)分析[J].現(xiàn)代商貿(mào)工業(yè),2011
7.王潤華.基于改進(jìn)支持向量機的消費信貸中個人信用評估模型[J].統(tǒng)計與決策,2010
8.熊志斌.基于自適應(yīng)遺傳模糊神經(jīng)網(wǎng)絡(luò)的信用評估建模[J].系統(tǒng)仿真學(xué)報,2011
9.熊志斌.基于非線性主成分分析的信用評估模型研究[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2013
10.喻敏,吳江.基于多進(jìn)化神經(jīng)網(wǎng)絡(luò)的信用評估模型研究[J].計算機科學(xué),2011
11.楊勝剛,朱琦,成程.個人信用評估組合模型的構(gòu)建—基于決策樹—神經(jīng)網(wǎng)絡(luò)的研究[J].金融論壇,2013
12.姚瀟,余樂安.模糊近似支持向量機模型及其在信用風(fēng)險評估中的應(yīng)用[J].系統(tǒng)工程理論與實踐,2012