网络借贷信用风险管理体系研究综述

李铭

【摘要】网络借贷在推动普惠金融的同时，其中的信用风险越来越多地暴露在公众面前，引发一系列的争论和质疑。本文从网络借贷的资金需求方入手分析，将网络借贷产生的信用风险归为个人信用问题，而个人信用管理体系对于信用风险防范和管控具有至关重要的作用。本文围绕信用管理体系，回归梳理了法律监管、信用征信建设、信用评估、贷后风险管理四个环节的具体内容和网络借贷背景下相应环节的研究现状，并认为大数据征信、动态评分模型研发和大数据贷后风险管控将会是未来研究方向。

【关键词】网络借贷 个人信用 信用风险 研究综述

一、引言

作为基于互联网平台开展借贷业务的新型借贷模式，网络借贷属于金融的互联网居间服务（姚海放等，2013）。主要模式有P2P网络借贷模式和电商供应链金融模式等。P2P网络借贷是个人对个人，不以传统金融机构为媒介的借贷模式。电商供应链金融是电商平台将中小企业与金融机构的信息有效对接，为平台上资金匮乏的中小企业提供各种形式融资服务的借贷模式。而网络众筹包括但不限于网络借贷模式。网络借贷借助互联网技术的信息获取优势在一定程度上提升了金融资源配置效率，缓解了小微金融市场的信贷失衡现象。据统计，2015年全年网贷成交量达9823.04亿元，相比2014年增长了288.57%，然而2015年全年问题平台达到896家，是2014年3.26倍。目前监管细则落地、不完善的征信体系、借贷利率虚高、債务结构不合理等原因造成问题平台突出，凸显网络借贷的信用风险问题。

二、网络借贷信用风险与个人信用风险

网络借贷的信用风险是指借款人未按合同约定向投资人支付本金、利息的风险和债务人未按约定向公司支付款项的风险。资金需求方主要以小微企业或者个人为主，因而网络借贷的风险问题更多地归结为个人信用风险问题。个人信用有狭义和广义之分：狭义个人信用指消费信用，即将贷款用于个人或者家庭的消费型活动，广义个人信用泛指以个人名义发生的借贷关系，其目的除个人或家庭消费外还用于生产经营。因而无论担保与否，P2P网贷中发生的借贷关系兼可归为个人信用问题。而以B2C模式和B2B模式为主的电商平台供应链金融中，信用关系的维续也存在着个人信用问题。

三、网络借贷信用风险研究

（一）网络借贷个人信用体系

由于信息不对称问题，传统商业银行小微贷款业务存在着逆向选择和道德风险问题。在贷前，对借贷人信用信息掌握不全面等原因会使得银行偏向于为能够接受现有利率水平的客户发放贷款，因而风险较大的客户会为银行带来较大违约风险，存在逆向选择问题。在贷后，则存在将款项用于非银行指定用途以及未按约定还本付息等道德风险问题。因而，为缓解信息不对称导致的一系列问题，小额信贷是依赖于征信环境、信用评估技术等个人信用体系的全面发展。个人信用体系包括个人信用征信、信用风险评估以及信用风险管理等多个环节。同时需要外部的法律监管和内部行业自律来指导其健康发展。征信完成对个人信用数据的收集并构建个人信用数据库，信用评估对信用数据建模分析来提供信用评分供需求者使用。最后，信用风险管理通过对信用风险的计量、预警和转移等手段来揭示和管理信用风险。

在网络环境下信息不对称问题依于大数据等信息挖掘技术优势而有所缓解。但信息技术的辅助并不能从根本上消除信用风险，网贷平台上诚信环境的构建同样依托于完善的个人信用体系。作为新型金融，网络借贷发展初期处于法律空白和监管盲区，亟需法律监管更新和行业自律控制。同时，融资者多数属于传统金融机构的边缘客户群，现有征信系统尚未覆盖或掌握信息存在时滞，这便对信用体系基础建设提出更高要求。在无抵押信用借贷模式中，需要借助信用评分来辅助双方的借贷决策，而贷后信用风险管理是进一步对借贷风险的揭示和防范。因此，网贷平台的信用风险具体细化在个人信用体系的各个环节，同时各环节的不断完善将有助于信用风险防控。如图1为网络借贷信用管理体系各环节的具体内容。

（二）信用管理内外部约束

1.传统领域。个贷行业发展需要来自主体外的立法建设和行政监管。法律制度主要包括对个人信用信息的采集、使用和披露，个人隐私界定与保护，个人破产保护等一系列法律制度。行政监管负责对征信机构、信用数据库、信用评估机构的监督管理、违法行为监管以及公民诚信意识宣传等。2013年《征信业管理条例》、《征信机构管理办法》等法规的出台使我国征信市场步入有法可依的轨道。《条例》规定中国人民银行及其派出机构为国务院监督管理机构，同时对个人信用信息开放与保护等问题做出相关规定。但较之信用制度健全国家，立法体系落后于实业发展、法律法规实施不到位、缺乏完善配套管理制度、信息共享机制尚未确立、失信惩罚机制落后等问题突出，制约着个人信用体系的发展。

2.网贷领域。网络借贷发展中的潜在法律风险，可从网贷平台、贷款人、借款人和第三方支付等方面划分。网贷平台作为信息中介应视为融资居间合同的居间人，不介入借贷双方交易。但一些偏离纯中介模式的网贷平台面临着额外的法律风险，表现为非法吸存和非法集资、非法经营、从事违法的居间活动、违反保密义务、“洗钱”、非法公开发行债券、以及涉及担保项目可能违反有关融资担保管理等风险。网贷贷款人面临的法律风险包含电子合同合规性、出借人债权合法性、出借人隐私权以及借助平台非法公开发行证券风险等。网贷借款人作为融资方，面临着与网贷平台类似的风险。第三方支付平台面临的法律风险表现在资金托管法律问题和沉淀资金法律问题。此外，道德风险也是制约行业健康发展所不能回避的问题。在监管政策上，已明确由银监会管理P2P网贷发展。目前P2P网络借贷在市场准入标准、退出机制、资金管理、信息透明等运营方面缺乏统一标准，运营风险的增大会进一步影响信用风险。在行业自律方面，目前已形成中关村互联网金融行业协会、广东互联网金融协会、北京市网贷行业协会等区域性自律组织。

网络借贷发展对于立法建设和监管探索的要求，逐渐成为学术界的共识。姚海放等学者（2013）认为，我国网络借贷行为应置于民间借贷范畴内，提出应将民间金融阳光化等思考。林荣琴（2014）从借贷关系法律界定出发，提出完善中介平台准入制度和中介平台信用评级制度，以增强中介平台信息透明度和建立行业协会自律组织等建议。杨振能（2014）提出明确网贷行为规则和法律责任的监管思路，并辅之以信用风险、流动性风险等一系列风险管理要求。刘绘（2015）提出规范信息披露和消费者保护等行为、过程控制式监管规则、完善以征信与评级为主要内容的信用体系等监管建议。网络借贷行业尚未形成完善的内外部约束，是由于信用观念、意识等因素，作为根源的传统个人信用领域尚未形成稳定的内外部保障所致。

（三）信用数据基础建设

1.传统领域。信用数据基础建设是信用管理体系的基础部分，主要有信用数据征集和数据库组建两部分。信用数据包括个人基本信息、信贷交易信息和反映个人信用状况的其他信息。在征信模式发展方面，杨晖（2011）指出我国已形成公共征信和私营征信并存互补的征信格局，作为行业和地方征信机构的补充，私营征信机构不断发展壮大。公共征信机构通过行政力量收集信息，私营机构通过协议方式采集公开渠道信息。但在发展过程中，隐藏着征信标准化滞后、信息共享机制缺失、信息安全等问题。

2.网贷领域。传统征信报告提供借贷人基本信息、贷款申请记录、还款情况等。在网络借贷领域，金融消费的精细化营销、个性化服务和批量处理将成为主要运营模式，因而新型金融催生着新的征信需求，云计算、数据挖掘等技术则为征信产品的创新升级奠定了技术基础。袁新峰（2013）在互联网征信研究中指出，除建立同业数据库外电商平台通过对累积客户行为数据进行深度挖掘，作为客户消费授信的评价依据，大数据征信已初见端倪。

对于大数据征信的发展研究，吴晶妹（2014）认为传统征信覆盖人群有限、数据反映能力不强等问题突出，而网络征信以海量数据刻画信用轨迹，通过记录信用行为状况和综合信用度来预测个人偿还能力和信用风险，目前中国征信体系建设中心已逐步向网络征信过渡。杨坚争等人（2015）认为网络征信数据来源包括社交媒体数据、网络借贷数据、网络购物数据、其他相关数据，其中社交媒体数据包含微信、微博等社交数据用以确认用户身份，网络借贷数据可提供逾期记录等信用信息，网购数据则提供以往电商网站购物记录和交易流水等财务数据，其他如打车记录、O2O生活行为记录、违章记录等生活数据均可用于大数据征信。刘新海（2014）借鉴美国新型网贷公司大数据技术，指出多元化征信不仅包括传统信用数据，还包括可用于挖掘个人性格、行为特征等网络数据，进一步说明了 “一切数据兼信用”。魏强（2015）提出大数据征信可包括挖掘多渠道数据源的信息特征、寻找变量间关联性、信用特征再归类、特征权值设置、计算综合得分等步骤。孔德超（2016）认为大数据征信具有数据来源广泛、市场定位清晰、应用场景多样化等优势，但在个人隐私保护、数据所有权、控制权、收益权问题仍需要在现有法律政策下进一步探讨。

（四）信用评估技术

1.传统领域。信用评分技术作为信用管理体系的核心，包括数据预处理和信用评分模型建模两个阶段。在预处理阶段，原始数据普遍存在噪音数据、遗漏数据、不一致数据等问题，需要进行数据清洗、数据变换和数据规约等预处理。其中，数据清洗是对不符合要求的数据进行处理，包括缺失数据填补技术、异常值检测处理、重复数据整合等；数据变换通过对连续数据离散化和不平衡样本结构优化来实现数据的规范化，将其转换为适合建模的形式；数据规约则是在将数据清洗和变换后，在不丢失有效信息的前提下对数据降維。

在评分建模过程中，首先需分析个人信用的影响因素，确定反映个人基本情况、偿还能力、偿还意愿等各方面的评分指标集，经排序加权后形成评分指标体系。指标体系的建立保证了评分模型数据输入的稳定性。同时在初选过程中，需要借助统计方法评估指标识别能力，并根据宏微观因素对指标体系不断修正和优化，保证评估的多维性和动态性。评分模型的检验包括模型精度检验和稳健性检验，其中模型精度是指评分模型判断个体类别的能力；稳健性强调模型对建模之外数据的预测能力。

具体的模型发展有统计学模型和非统计学模型两个发展阶段。在统计学评分模型发展中，先后出现了线性回归方法、Logistic回归方法以及Probit回归等方法，但因解释性不足未得到广泛应用。之后相关学者们将最近邻法、决策树模型和贝叶斯网络模型引入到评分模型中，逐步调高了模型的预测精度和稳健性。在非统计学评分模型发展中，先后出现了人工神经网络、遗传算法等人工智能方法在处理非线性化特征变量问题具有明显优势。之后，Baesens等人（2003）较早将支持向量机方法引入到评分模型中，认为较神经网络方法支持向量机方法性能更优。Bellotti等人（2008）将支持向量机算法引用到信用评分和重要特征属性发现研究中。Terry（2014）基于传统非线性支持向量机的缺陷，将聚类支持向量机（CSVM）算法引入到信用评分领域，经比较后认为CSVM模型可达到更优分类表现。

此外，通过组合将单一模型的优势互补以达到信息利用的最大化，已成为信用评估领域的研究趋势。Tian-Shyug（2002）将判别分析预测结果和其他特征变量一起作为输入单元建立神经网络模型，认为组合模型可以提高神经网络的收敛速度和预测精度。石庆焱（2005）提出基于神经网络和Logistic回归的混合两阶段评分模型，并将神经网络输出结果和其他特征变量一起作为Logistic回归模型的解释变量，结果显示组合模型的稳健性和预测精度较单一模型更优。姜明辉（2007）将Logistic模型和RBF神经网络模型的分类结果通过线性方法组合起来，结果表明组合模型在预测精度上较优。David West（2005）基于Bagging和Boosting方法构建了神经网络集成模型，Mariola（2009）利用Bagging和Adaboost算法集成了决策树模型，认为模型在信用评分预测精度和稳健性表现优良。

2.网贷领域。借贷评审是网贷平台最关键的技术，而信用风险在贷审环节的体现就在于贷款项目和信贷额度的控制。P2P网贷同样采用信用评级的方式，基于信用数据建立信用评分模型对违约风险进行量化评估。

近年来，国外信用风险评分技术在机器学习领域和数据挖掘算法领域不断深入。Malekipirbazari（2015）建立以随机森林为基础的分类方法预测借款人状态，并基于美国借贷网站借贷数据展开实证研究，认为随机森林算法在识别优质借款人方面优于FICO信用评分。Maria等人（2015）运用流数据挖掘技术，在传统评分模型基础上建立基于历史数据流的动态信用风险评分模型，实验证明该动态模型具有较好的鲁棒性。Fatemeh等人（2015）建立基于特征选择算法和集成分类器的数据挖掘组合模型，实证认为在评分性能方面基于非参数设置的数据挖掘组合模型优于基于参数设置的单一模型。美国网贷公司ZestFinance则基于集成学习和多角度学习的模型设计思路，设计身份验证模型、欺诈模型、还款能力模型、还款意愿模型、稳定性模型等从不同角度预测借款人的信用状况，克服了传统单一模型考虑因素的局限性。

在国内柳向东（2016）选用具有平衡效果的SMOTE算法对非平衡数据预处理，运用多种数据挖掘算法建立信用风险评估模型，实证得出随机森林模型算法对于违约项目的识别能力最佳。林汉川等人（2016）将随机森林模型与Logistic回归模型建立组合模型，实证认为模型有效克服传统模型数据噪声敏感问题和变量容量问题。

（五）贷后信用风险管理

1.传统领域。贷后信用风险管理是个人信用管理体系的下游部分，旨在通过信用风险计量、预警和转移，实现信用贷出方的最大安全性。传统商业银行实施信用风险管理，主要依据2005年实施的《新巴塞尔协议》。《新协议》提出商业银行全面风险管理的三大支柱，其中对最低资本要求的计算包含了对信用风险、市场风险和操作风险的度量。信用风险转移是指借助特定金融工具把信用风险转移至其他金融机构的信用转嫁方式，常见金融工具有资产证券化、信用担保、保险等。

2.网贷领域。网贷平台中信用风险管理偏重于贷前征信和贷审模型研发，对于贷后信用风险计量和转移尚未得到广泛关注。杨从正（2015）在P2P借贷风险管理体系研究中，认为借贷平台对事后的违约补偿可采取融资担保方代偿、保险公司信用保证保险赔付、风险准备金补偿等方式。逄明亮（2015）指出宜信公司在贷后风险担保方式上推陈出新，推出国内首例保险、信托、小额贷款三方合作。通过发行信托产品并向保险公司投保，险种为金融机构贷款损失信用保险，此项信用保险措施与信托计划的信用增级措施共同作用达到多重增信目标。向明（2015）分析美国网贷公司Kabbage在贷后风险管理经验，通过设立拖延还款惩罚机制，除收取一定延迟费外还保留向其他机构报告的权利。庞淑娟（2015）则认为数据挖掘技术可实现信用风险预警，譬如分类与预测可基于历史数据形成预测规则，孤立点分析可用于欺诈行为预测等。尹丽（2016）从第三方资金托管角度出发，分析我国网贷第三方资金托管发展现状、模式及现存问题，提出应明确第三方托管主体和托管机构的权利与义务等建议。

四、结语

基于以上综述，个人信用管理体系的完善是网贷信用风险研究的主要领域。对法律和监管细则的探讨正指导着网络借贷向合法合规化发展。个人征信业的研究逐步向大数据征信及网络征信聚焦，科技创新已成为推动普惠金融的强大引擎。在评分模型研发环节，现阶段单一评估模型中新技术的不断探索、组合评估模型精度和稳健性的提升以及基于大数據的动态模型的深入研究将有助于借贷平台的信用风险管控。同时大数据技术为贷后信用风险管理提供新的研究视角，将大数据动态监管融入到现有贷后管理体系中。网络借贷的商业模式已逐步成型，大数据分析、数据挖掘等信息技术将会在网络借贷的发展，乃至互联网金融体系的演变中发挥越来越关键的指引作用。

参考文献

[1]姚海放等.网络平台借贷的法律规制研究[J].法学家，2013（05）.

[2]2015年中国网络借贷行业年报[J].金融世界，2016（02）：第90-91页.

[3]林荣琴.论我国P2P线上网络借贷的法律风险控制[D]，2014，中国政法大学.第50页.

[4]刘绘与沈庆劼.P2P网络借贷监管的国际经验及对我国的借鉴[J].河北经贸大学学报，2015（2）.第56-61页.

[5]杨振能.P2P网络借贷平台经营行为的法律分析与监管研究[J].金融监管研究，2014（11）.第25-41页.

[6]张雨辰与杨坚争.大数据背景下的互联网金融征信问题研究[J].电子商务，2016（05）.第55-56页.

[7]魏强.大数据征信在互联网金融中的应用分析[J].金融经济，2015（08）.第11-13页.

[8]杨晖与卢昊.中国特色征信体系模式研究[J].金融理论与教学，2011（04）.第1-4页.

[9]刘新海与丁伟.大数据征信应用与启示——以美国互联网金融公司ZestFinance为例[J].清华金融评论，2014（10）.第93-98页.

[10]葛志苏.互联网金融背景下征信业市场化发展研究[J].武汉金融，2014（12）.第33-34页.

[11]孔德超.大数据征信初探——基于个人征信视角[J].现代管理科学，2016（04）.第39-41页.

[12]袁新峰.关于当前互联网金融征信发展的思考[J].征信，2014（01）.第39-42页.

[13]吴晶妹.2015展望：网络征信发展元年[J].征信，2014（12）.第1-4+83页.

[14]向晖.个人信用评分组合模型研究与应用[D]，2011，湖南大学.第131页.

[15]帅理.个人信用风险评估理论与方法的拓展研究[D]，2015，电子科技大学.第 144页.

[16]孙亚南.中国个人信用管理体系建设研究[D]，2008，中国人民大学.第178页.

[17]Sousa，M.R.，J.O.Gama and E.Brand O，A new dynamic modeling framework for credit risk assessment[J].Expert Systems with Applications，2016.45：p.341-351.

[18]Harris，T.，Credit scoring using the clustered support vector machine[J]..Expert Systems with Applications，2015.42（2）：p.741-750.

[19]Kozeny，V.，genetic algorithms for credit scoring[J]..Expert Systems with Applications，2015.27：p.11-23.

[20]Koutanaei，F.N.，H.Sajedi and M.Khanbabaei，A hybrid data mining model of feature selection algorithms and ensemble learning classifiers for credit scoring[J]..Journal of Retailing and Consumer Services，2015.27：p.11-23.

[21]宋丽平.张利坤与徐玮，P2P网络借贷个人信用风险评估[J].财会月刊，2015（35）.第94-96页.

[22]夏立明.边亚男与宗恒恒，基于供应链金融的中小企业信用风险评价模型研究[J].商业研究，2013（10）：171-177页.

[23]柳向东与李凤.大数据背景下网络借贷的信用风险评估——以人人贷为例[J].统计与信息论坛，2016（05）：第41-48页.

[24]刘新海与丁伟.美国ZestFinance公司大数据征信实践 [J].征信，2015（08）：第27-32页.

[25]杨从正.P2P借贷风险管理魔方体系构建研究[D].2015，云南大学.第56页.

[26]李宁宁.P2P资金第三方托管问题研究[D].2015，华南理工大学.第52页.

[27]赵刚.商业银行信用卡业务信用风险管理研究[D].2007，华东师范大学.第158页.

[28]逄明亮.我国P2P网络货款平台全面风险管理体系构建研究[D]，2015，山东大学.第76页.

[29]庞淑娟.大数据在银行信用风险管理中的应用[J].征信，2015（03）.第12-15页.

[30]尹丽.P2P网络借贷平台资金托管问题研究[J].当代经济管理，2016（01）.第86-90页.

[31]杨大楷与俞艳.中国个人消费信贷状况及风险防范研究[J].金融论坛，2005（07）.第45-50+63页.

[32]向明.冀源溪与曲博，美国大数据网络贷款公司Kabbage的运营模式及启示[J].征信，2016（01）：第60-62.

作者简介：李銘（1993-），女，内蒙古乌兰察布人，硕士研究生，中央财经大学信息学院，研究方向：互联网金融。