论文部分内容阅读
中图分类号：TN915.08 文献标识码：A 文章编号：1009-914X（2016）08-0328-01
P2P网络信贷是英文“peer-to-peerlending”的缩写，指的是个人通过电子商务专业网络平台向其他借款需求人提供小额信贷的一种金融服务模式。
P2P是金融脱媒，让资金供方与资金需方直接对接，其价值是减少中间环节、提高效率、降低成本。其中，如何控制资金需求方的风险是重中之重。因此，不少P2P平台纷纷推出了保底、保证金、抵押、担保等多种形式来架构风险控制体系，以期获得投资人信任，放大规模。而借款人的信贷风险就是其风险控制中的重要一环，它已成为P2P网络信贷交易和整个行业发展过程中最主要的风险。
本文通过结合国内外对信贷风险的研究，如农业银行个人信贷体系、美国FICO个人信用的风险评估，综合其优点同时发现其不足之处，进而提出了我国P2P网络信贷客户风险识别评估方法的思路和框架。本文构建的AHP模型正是基于在得到借款人的真实信息情况下，对其进行风险识别，得出借款人的风险信用评级，从而让出资方选择是否借钱给借款人。本文利用专家法以确定借款人风险评级指标体系的指标权重和利用分段法确定借款人的等级设置表，通过AHP层次分析法建立模型，最终得出借款人的综合评分，从而得出借款人的信用评级。
本文利用AHP层次分析法确定指标权重的过程及结果如下：
根据借款人个人信用风险评估指标体系建立有序递阶的AHP层次结构模型，包括目标层、准则层、决策层三个层次。本文的目标层为借款人信用评估得分，准则层由自然情况、职业情况、经济情况、信用情况等4个一级指标构成，决策层由年龄、性别、健康状况、婚姻状况、文化程度、居住城市、居住本地年限、职业类型、现单位年限、职务、房产、车产、个人月收入、月还款/月可支、负债收入比例、公共事业付费记录、信用卡历史记录、社保缴纳记录、犯罪记录、还清笔数、最大逾期天数、逾期次数、借款期限等19个二级指标构成。
（1）设定一个目标层、一个子目标层、一个准则层，一个决策层。对子目标层建立有序递阶的多层综合评价模型：
（2）i=1，2，…，n，j=1，2，…，m
（3）其中为决策层各评价指标的得分值，为决策层对应指标值对准则层相应指标的权重系数。为准则层对应指标值对子目标层的权重系数。n为准则层的指标个数，m为决策层的指标个数。为被评价对象的基本分综合评价值，为被评价对象的附加分，为总得分。由于借款人信用等级采用百分制，因此信用评估得分也应换算为百分制，即有：求出的就是借款人的信用得分。
本文特意邀请了广州壹宝贷P2P公司的两位长期从事风险评估的专家组成了评判小组，这两位专家均非常了解小额信贷的相关专业知识，且对P2P网络信贷有全面的认识。本文采用T.L.Saaty教授的1-9标度法，对专家小组制定了调查问卷，经过多次与专家小组成员的沟通和修整，得出各层次指标之间的判断矩阵，并验证了该判断矩阵是合理的。
由于个人信贷借款人的评级项数较多，但每笔贷款额度较小，根据对目前各个大型P2P网站的调查，我们将客户风险评级设置为7个等级，即AA（95-100）、A（88-94）、B（81-87）、C（74-80）、D（67-73）、E（60-66）、HR（60以下）级。
实证分析：数据取自团队成员提供的借款客户资料。
借款客户A，男，26岁，健康状况良好，已婚有子女，中专学历，现居广东省惠州市，在目前住址居住年限为10年，公司行业：零售/批发，公司规模：10人以下，岗位职业：个体户，工作时间：2年。无房产、房贷，无车产、车贷，个人月均收入3500元，配偶月均收入2500元，家庭月均总收入6000元。家庭月总支出为1700元（电话、手机、网络200，食品1200，水电费300）。月可支=4300x0.7=3010元。负债收入比率为0。个人征信报告显示有中国建设银行信用卡1张，持有3年且记录良好，还贷逾期次数为0。无不良司法记录，无公共付费的欠费记录，已缴纳5年社保，没有任何P2P借贷记录。客户拟借款￥20，000。年利率11.50%，还款期限：12个月，还款方式：按月还款/等额本息，月还本息（元）1，772.30，月还款与月可支百分比为58.88%。
将上述借款人的数据分别代入我国建设银行个人信用评分标准（官方公布）与我们所构建的借款人风险评估指标量化标准，并计算出借款客户A的评级结果，如下表所示：
从信用得分與信用等级得出的结果上看，客户A由建行信用评分标准和本文AHP层次分析法计算出来的信用状况有一定的差异。对比两种评分方法，可以看出本文所构建的P2P网络信贷风险评估方法对P2P个人网贷的适用性更强。理由如下：
（一）在收入指标方面，建行考虑的是个人年收入，而没有考虑个人月收入。而在P2P借款中，借款人所需要的一般是短期借款，一般为3个月至半年，而年收入考虑的是长期的情况。所以本文选取个人月收入这个指标更能准确地确定借款人的短期收入情况。
（二）建行的评分标准并没有考虑月还款与月可支的比例、负债收入的比例，因为个人年收入高并不代表每月的可用资金就多。因此，建行单纯用个人年收入衡量经济情况，会高估此类借款人的短期还贷能力。而本文所设计的评判标准，均能考虑到这些指标，更适用于P2P这类借款人，能够更为准确的衡量借款人的经济状况。
（三）建行的评分标准里着重的是借款人与本行的情况，没有考虑到客户在其它银行或P2P网络平台上的信贷状况。而在本文的评分标准中均考虑到以上两点，很好地消除了评分里的侧重性。
本文研究所得到的客户信贷风险评估方法还需要不断地进行改善。由于我们的能力有限，本文还存在很多不足之处，有待日后进一步的研究。
一是，本文提出的P2P信贷风险评估方法里没有考虑到借款人的借款目的，通过跟专业人士的交流，我们一致认为借款目的对该笔借款的风险是会有一定的影响的，针对这一问题还可以进行更为深入的探讨。
二是，本文所设置的借款人的等级设置表具有一定的主观性，需要在实践过程中不断调整，才能使评分结果更具准确，更有说服力。
三是，本文中风险评估模型缺乏大量真实的样本数据验证其准确性，这有待我国P2P行业的发展，建立起大型的客户信息数据库，通过大数据可以不断对该模型进行改进，从而提高其评估的精确度。
四是，本文对于P2P网络信贷风险评估的对象是个人的工薪阶层，而P2P网络信贷在我国也有相当一部分的对象是中小型企业和淘宝、天猫这类网店店主，因此未来还可以从不同的借贷对象对P2P网络信贷风险评估作进一步研究，同时也能让本文的AHP模型得以推广应用。
未来P2P网络信贷的发展，将更多的依靠产品的创新及风险控制体系的创新，在互联网及垄断金融的交集中寻找机会。P2P只有努力将投资人、借款人、交易环节做得越来越透明，把产品及风险控制手段设计的更先进，才能获得更多的人信任，实现自我价值。希望我们团队日后会有更多的机会继续此类的研究，为我国金融行业作出贡献。
P2P网络信贷是英文“peer-to-peerlending”的缩写，指的是个人通过电子商务专业网络平台向其他借款需求人提供小额信贷的一种金融服务模式。
P2P是金融脱媒，让资金供方与资金需方直接对接，其价值是减少中间环节、提高效率、降低成本。其中，如何控制资金需求方的风险是重中之重。因此，不少P2P平台纷纷推出了保底、保证金、抵押、担保等多种形式来架构风险控制体系，以期获得投资人信任，放大规模。而借款人的信贷风险就是其风险控制中的重要一环，它已成为P2P网络信贷交易和整个行业发展过程中最主要的风险。
本文通过结合国内外对信贷风险的研究，如农业银行个人信贷体系、美国FICO个人信用的风险评估，综合其优点同时发现其不足之处，进而提出了我国P2P网络信贷客户风险识别评估方法的思路和框架。本文构建的AHP模型正是基于在得到借款人的真实信息情况下，对其进行风险识别，得出借款人的风险信用评级，从而让出资方选择是否借钱给借款人。本文利用专家法以确定借款人风险评级指标体系的指标权重和利用分段法确定借款人的等级设置表，通过AHP层次分析法建立模型，最终得出借款人的综合评分，从而得出借款人的信用评级。
本文利用AHP层次分析法确定指标权重的过程及结果如下：
根据借款人个人信用风险评估指标体系建立有序递阶的AHP层次结构模型，包括目标层、准则层、决策层三个层次。本文的目标层为借款人信用评估得分，准则层由自然情况、职业情况、经济情况、信用情况等4个一级指标构成，决策层由年龄、性别、健康状况、婚姻状况、文化程度、居住城市、居住本地年限、职业类型、现单位年限、职务、房产、车产、个人月收入、月还款/月可支、负债收入比例、公共事业付费记录、信用卡历史记录、社保缴纳记录、犯罪记录、还清笔数、最大逾期天数、逾期次数、借款期限等19个二级指标构成。
（1）设定一个目标层、一个子目标层、一个准则层，一个决策层。对子目标层建立有序递阶的多层综合评价模型：
（2）i=1，2，…，n，j=1，2，…，m
（3）其中为决策层各评价指标的得分值，为决策层对应指标值对准则层相应指标的权重系数。为准则层对应指标值对子目标层的权重系数。n为准则层的指标个数，m为决策层的指标个数。为被评价对象的基本分综合评价值，为被评价对象的附加分，为总得分。由于借款人信用等级采用百分制，因此信用评估得分也应换算为百分制，即有：求出的就是借款人的信用得分。
本文特意邀请了广州壹宝贷P2P公司的两位长期从事风险评估的专家组成了评判小组，这两位专家均非常了解小额信贷的相关专业知识，且对P2P网络信贷有全面的认识。本文采用T.L.Saaty教授的1-9标度法，对专家小组制定了调查问卷，经过多次与专家小组成员的沟通和修整，得出各层次指标之间的判断矩阵，并验证了该判断矩阵是合理的。
由于个人信贷借款人的评级项数较多，但每笔贷款额度较小，根据对目前各个大型P2P网站的调查，我们将客户风险评级设置为7个等级，即AA（95-100）、A（88-94）、B（81-87）、C（74-80）、D（67-73）、E（60-66）、HR（60以下）级。
实证分析：数据取自团队成员提供的借款客户资料。
借款客户A，男，26岁，健康状况良好，已婚有子女，中专学历，现居广东省惠州市，在目前住址居住年限为10年，公司行业：零售/批发，公司规模：10人以下，岗位职业：个体户，工作时间：2年。无房产、房贷，无车产、车贷，个人月均收入3500元，配偶月均收入2500元，家庭月均总收入6000元。家庭月总支出为1700元（电话、手机、网络200，食品1200，水电费300）。月可支=4300x0.7=3010元。负债收入比率为0。个人征信报告显示有中国建设银行信用卡1张，持有3年且记录良好，还贷逾期次数为0。无不良司法记录，无公共付费的欠费记录，已缴纳5年社保，没有任何P2P借贷记录。客户拟借款￥20，000。年利率11.50%，还款期限：12个月，还款方式：按月还款/等额本息，月还本息（元）1，772.30，月还款与月可支百分比为58.88%。
将上述借款人的数据分别代入我国建设银行个人信用评分标准（官方公布）与我们所构建的借款人风险评估指标量化标准，并计算出借款客户A的评级结果，如下表所示：
从信用得分與信用等级得出的结果上看，客户A由建行信用评分标准和本文AHP层次分析法计算出来的信用状况有一定的差异。对比两种评分方法，可以看出本文所构建的P2P网络信贷风险评估方法对P2P个人网贷的适用性更强。理由如下：
（一）在收入指标方面，建行考虑的是个人年收入，而没有考虑个人月收入。而在P2P借款中，借款人所需要的一般是短期借款，一般为3个月至半年，而年收入考虑的是长期的情况。所以本文选取个人月收入这个指标更能准确地确定借款人的短期收入情况。
（二）建行的评分标准并没有考虑月还款与月可支的比例、负债收入的比例，因为个人年收入高并不代表每月的可用资金就多。因此，建行单纯用个人年收入衡量经济情况，会高估此类借款人的短期还贷能力。而本文所设计的评判标准，均能考虑到这些指标，更适用于P2P这类借款人，能够更为准确的衡量借款人的经济状况。
（三）建行的评分标准里着重的是借款人与本行的情况，没有考虑到客户在其它银行或P2P网络平台上的信贷状况。而在本文的评分标准中均考虑到以上两点，很好地消除了评分里的侧重性。
本文研究所得到的客户信贷风险评估方法还需要不断地进行改善。由于我们的能力有限，本文还存在很多不足之处，有待日后进一步的研究。
一是，本文提出的P2P信贷风险评估方法里没有考虑到借款人的借款目的，通过跟专业人士的交流，我们一致认为借款目的对该笔借款的风险是会有一定的影响的，针对这一问题还可以进行更为深入的探讨。
二是，本文所设置的借款人的等级设置表具有一定的主观性，需要在实践过程中不断调整，才能使评分结果更具准确，更有说服力。
三是，本文中风险评估模型缺乏大量真实的样本数据验证其准确性，这有待我国P2P行业的发展，建立起大型的客户信息数据库，通过大数据可以不断对该模型进行改进，从而提高其评估的精确度。
四是，本文对于P2P网络信贷风险评估的对象是个人的工薪阶层，而P2P网络信贷在我国也有相当一部分的对象是中小型企业和淘宝、天猫这类网店店主，因此未来还可以从不同的借贷对象对P2P网络信贷风险评估作进一步研究，同时也能让本文的AHP模型得以推广应用。
未来P2P网络信贷的发展，将更多的依靠产品的创新及风险控制体系的创新，在互联网及垄断金融的交集中寻找机会。P2P只有努力将投资人、借款人、交易环节做得越来越透明，把产品及风险控制手段设计的更先进，才能获得更多的人信任，实现自我价值。希望我们团队日后会有更多的机会继续此类的研究，为我国金融行业作出贡献。