肖曼君+歐緣媛+李穎

摘 要：P2P（peertopeer）網(wǎng)絡(luò)借貸是一種借助網(wǎng)絡(luò)平臺，由個(gè)人與個(gè)人間互為借貸雙方的小額借貸交易。它作為互聯(lián)網(wǎng)與民間借貸相結(jié)合的新興金融模式，具有較高的信用風(fēng)險(xiǎn)。采用排序選擇模型，基于excelVBA數(shù)據(jù)挖掘技術(shù)截取多個(gè)P2P網(wǎng)站數(shù)據(jù)，對平臺信用風(fēng)險(xiǎn)的影響因素進(jìn)行實(shí)證分析，結(jié)果表明：個(gè)人特征、信用變量、歷史表現(xiàn)、借款信息分別對網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)存在正向影響，由此發(fā)現(xiàn)網(wǎng)站提供的信息對投資者避免信用風(fēng)險(xiǎn)沒有起到實(shí)質(zhì)作用。

關(guān)鍵詞： P2P網(wǎng)絡(luò)借貸;信用風(fēng)險(xiǎn);互聯(lián)網(wǎng)金融;排序選擇模型

中圖分類號：F821.0 ? 文獻(xiàn)標(biāo)識碼： A ? ?文章編號：1003-7217（2015）01-0002-05

一、引 言

隨著以互聯(lián)網(wǎng)為代表的現(xiàn)代信息科技的發(fā)展，互聯(lián)網(wǎng)金融模式已經(jīng)成為既不同于商業(yè)銀行間接融資、也不同于資本市場直接融資的新興金融融資模式，而P2P網(wǎng)絡(luò)借貸成為互聯(lián)網(wǎng)金融模式的主要代表之一^[1]。P2P網(wǎng)絡(luò)借貸又稱人人貸，是將非常小額度的資金聚集起來借貸給有資金需求人群的一種商業(yè)模式。P2P網(wǎng)絡(luò)借貸起源于歐美，2005年3月，最早的P2P網(wǎng)絡(luò)借貸平臺Zopa在英國開始運(yùn)營。自從2007年拍拍貸在上海成立以來，這種全新的借貸模式進(jìn)入了我國金融市場。在中國經(jīng)歷6年多的發(fā)展，P2P網(wǎng)絡(luò)借貸已經(jīng)初具規(guī)模，近兩年更是呈爆炸式增長勢態(tài)。典型的P2P網(wǎng)絡(luò)借貸平臺有拍拍貸、人人貸、紅嶺創(chuàng)投、宜信等，平臺工作原理如圖1所示：

圖1 P2P借貸平臺工作原理

P2P網(wǎng)絡(luò)借貸作為互聯(lián)網(wǎng)與民間借貸相結(jié)合的新興金融模式，為普通人提供了一種新的投資方式。由于當(dāng)前國內(nèi)的網(wǎng)絡(luò)借貸體系并不健全，相關(guān)的監(jiān)管措施還不完善，是否能夠有效控制信用風(fēng)險(xiǎn)成為影響P2P網(wǎng)絡(luò)借貸發(fā)展的關(guān)鍵。目前，P2P網(wǎng)絡(luò)借貸平臺主要運(yùn)用信用評分模型進(jìn)行信用風(fēng)險(xiǎn)管理。平臺通過可觀察到的借款人特征變量計(jì)算出一個(gè)數(shù)值來代表借款人的信用風(fēng)險(xiǎn)，并將借款人歸類于不同的風(fēng)險(xiǎn)等級，以此作為分析借款人信用風(fēng)險(xiǎn)的主要方式。在網(wǎng)絡(luò)借貸平臺中，可觀察到的特征變量主要包括人口特征、信用變量、歷史表現(xiàn)、借款信息等。平臺通過對這些數(shù)據(jù)進(jìn)行打分，最后加總分?jǐn)?shù)按一定的標(biāo)準(zhǔn)評出信用等級，作為借款人信用風(fēng)險(xiǎn)的評價(jià)依據(jù)。本文將通過研究幾家P2P網(wǎng)站數(shù)據(jù)（人口特征、信用變量、歷史表現(xiàn)、借款信息）對其信用風(fēng)險(xiǎn)進(jìn)行實(shí)證研究，分析網(wǎng)絡(luò)借貸平臺信用評分模型是否能對信用風(fēng)險(xiǎn)管理產(chǎn)生實(shí)質(zhì)性作用。

二、文獻(xiàn)回顧與理論分析

P2P網(wǎng)絡(luò)借貸作為新生事物，吸引了眾多研究者的關(guān)注，國內(nèi)外學(xué)者對其進(jìn)行了大量的研究，從最初的P2P網(wǎng)絡(luò)借貸起源與現(xiàn)狀、特征、經(jīng)營模式，到后面的積極作用與消極作用、發(fā)展趨勢等方面，而近幾年則將目光集中在了網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)上。

（一）網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)分析

早期的P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)研究表明，平臺中借款者的特征差異不大，但是信用風(fēng)險(xiǎn)卻很顯著。Herzenstein et al.（2008）和Pope and Sydnor （2011）認(rèn)為，P2P網(wǎng)絡(luò)借貸平臺是由投資者個(gè)人而非借貸平臺篩選確定借款人是否值得信賴，因此，更容易出現(xiàn)借款人通過虛假陳述騙取借款的情況，即網(wǎng)絡(luò)借貸的風(fēng)險(xiǎn)更大^[2]。Michaels（2012）通過對Prosper網(wǎng)站上的數(shù)據(jù)分析，發(fā)現(xiàn)網(wǎng)絡(luò)借貸平臺責(zé)任的缺失使網(wǎng)絡(luò)借貸市場運(yùn)行有效性下降，因而帶來較大的風(fēng)險(xiǎn)^[3]。Sufi（2007），Michael Klafft（2008）認(rèn)為，如同在金融市場中一樣，網(wǎng)絡(luò)借貸市場也存在信息不對稱，此外，由于投資者缺乏經(jīng)驗(yàn)，網(wǎng)絡(luò)環(huán)境下貸款的信用風(fēng)險(xiǎn)更高^[4]。Lee et al.（2012）研究韓國最大P2P平臺上的“從眾行為”發(fā)現(xiàn)，“從眾行為”導(dǎo)致網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)加大，即信息不對稱現(xiàn)象非常嚴(yán)重，往往還會導(dǎo)致道德風(fēng)險(xiǎn)^[5]。

在國內(nèi)，近幾年來由于網(wǎng)絡(luò)借貸平臺資質(zhì)良莠不齊，發(fā)展模式并不規(guī)范，帶來很大的信用風(fēng)險(xiǎn)^[6]。陳初（2010） 也認(rèn)為，P2P平臺可能泄露重要的信息，加之貸款用途難以核實(shí)，信用風(fēng)險(xiǎn)很大^[7]。由于網(wǎng)絡(luò)借貸平臺作為交易平臺，實(shí)行的是無擔(dān)保無抵押，缺乏擔(dān)保的P2P借貸會使債權(quán)人的風(fēng)險(xiǎn)增加^[8]。

（二）網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)管理

信用風(fēng)險(xiǎn)管理就是通過有效的方法對信用風(fēng)險(xiǎn)進(jìn)行分析、防范和控制，使風(fēng)險(xiǎn)貸款安全化，確保本息的收回。借貸平臺信用風(fēng)險(xiǎn)管理水平?jīng)Q定了自身的生存和發(fā)展，也對金融體系的穩(wěn)定與發(fā)展產(chǎn)生巨大影響。

財(cái)經(jīng)理論與實(shí)踐（雙月刊）2015年第1期2015年第1期（總第193期）肖曼君，歐緣媛等：我國P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)影響因素研究基于排序選擇模型的實(shí)證分析

國外的信用風(fēng)險(xiǎn)管理體系發(fā)展較早，在實(shí)踐和理論上已經(jīng)形成相應(yīng)的體系，不少學(xué)者的研究主要集中在如何使投資人更好地掌握借款人誠信信息以及怎樣通過借貸平臺自身機(jī)制有效緩解信息不對稱等方面。Freedman and Jin（2008）發(fā)現(xiàn)，雖然投資者由于信息不對稱問題面臨著逆向選擇的風(fēng)險(xiǎn)，但網(wǎng)站上提供的資料信息可以在一定程度上幫助識別潛在的信用風(fēng)險(xiǎn)^[9]。Lin et al. （2009）也指出社會互動作為一種軟信息資源，能夠一定程度上降低信息不對稱和道德風(fēng)險(xiǎn)^[10]。Harpreet Singha（2009）使用決策樹對不同期限、風(fēng)險(xiǎn)配置的投資進(jìn)行研究，認(rèn)為目前主要是通過多樣化投資來降低信用風(fēng)險(xiǎn)^[11]。

國內(nèi)的P2P網(wǎng)絡(luò)借貸模式尚處于起步階段，信用風(fēng)險(xiǎn)管理體系不健全，大多數(shù)平臺只是依據(jù)自身情況建立了基于專家判斷法的信用評分模型，但由于此模型的預(yù)測能力沒有通過系統(tǒng)驗(yàn)證，在實(shí)際業(yè)務(wù)中的應(yīng)用實(shí)效大打折扣^[12]?？梢娫谖覈鴤€(gè)人信用體系缺失的情況下，國內(nèi)網(wǎng)絡(luò)借貸平臺的信用評級對信用風(fēng)險(xiǎn)控制的作用并不大^[8]。此外，李悅雷（2013）認(rèn)為借貸中人際關(guān)系的應(yīng)用能降低金融交易的風(fēng)險(xiǎn)和成本^[13]。陳初（2010）則認(rèn)為可把從事網(wǎng)絡(luò)借貸業(yè)務(wù)的網(wǎng)站界定為民間借貸中介組織，即可將網(wǎng)絡(luò)借貸納入相關(guān)的監(jiān)管系統(tǒng)^[7]。

綜上所述，學(xué)者主要是基于理論對P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)進(jìn)行分析，或者定性分析當(dāng)前P2P網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)管理，而對網(wǎng)絡(luò)借貸平臺信用風(fēng)險(xiǎn)影響因素的實(shí)證研究較為缺乏。因此，本文擬從P2P網(wǎng)絡(luò)借貸平臺的內(nèi)部視角，運(yùn)用平臺具體數(shù)據(jù)，對網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)的影響因素進(jìn)行實(shí)證，分析網(wǎng)絡(luò)借貸平臺的信用風(fēng)險(xiǎn)管理體系是否能有效控制信用風(fēng)險(xiǎn)，并提出控制網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)的政策建議。

三、實(shí)證分析

（一）數(shù)據(jù)選取

本文基于VBA開發(fā)環(huán)境，采用XML Http Request方法。網(wǎng)絡(luò)借貸平臺的貸款頁面URL（Universal Resource Locator）具有一定的規(guī)律，即每筆貸款都按照借款時(shí)間通過編號排列順序，URL的結(jié)尾都是以貸款編號結(jié)束，我們正好利用這一特點(diǎn)，通過固定編號獲取大量貸款數(shù)據(jù)。將需要的貸款編號列入Excel中的第一列，然后利用VBA函數(shù)讀取編號對應(yīng)的網(wǎng)頁。將網(wǎng)頁轉(zhuǎn)換為文本格式以后，由于需要的數(shù)據(jù)都出現(xiàn)在頁面的特定位置上，VBA函數(shù)通過定位關(guān)鍵字，將對應(yīng)變量的具體數(shù)據(jù)采集到Excel表格對應(yīng)的其他列中。通過不斷地讀取對應(yīng)網(wǎng)址頁面，本文對拍拍貸編號為220000～319999以及人人貸中編號為120000～179999的借款數(shù)據(jù)和相應(yīng)的借款人信息進(jìn)行以下收集。

主要從人口特征、信用變量、歷史表現(xiàn)和借款信息四個(gè)方面選取網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)影響因素的變量（見表1），即：從拍拍貸及人人貸網(wǎng)站平臺上提取的數(shù)據(jù)，刪除一些缺失數(shù)據(jù)以及審核未通過數(shù)據(jù)，從拍拍貸網(wǎng)站得到了61944組有效數(shù)據(jù)，其中存在信用風(fēng)險(xiǎn)的用戶數(shù)據(jù)共有3360組，違約率達(dá)到了5.42%;從人人貸網(wǎng)站得到了59972組有效數(shù)據(jù)，提取其中存在信用風(fēng)險(xiǎn)的數(shù)據(jù)810組，違約率為1.35%。對數(shù)據(jù)中借款人的基本人口特征進(jìn)行初步分析，結(jié)果如表2、3所示。

從表2、3的數(shù)據(jù)可以初步判斷，具有信用風(fēng)險(xiǎn)的借款人性別主要以男性為主，無論是占樣本比率還是占逾期比率，男性借款人逾期概率都要遠(yuǎn)遠(yuǎn)高于女性;年齡方面，26～31歲的逾期人數(shù)占到總逾期人數(shù)的比率明顯高于其他年齡段，且隨著年齡的增加，違約概率呈明顯降低趨勢。

（二）模型選擇①

類似于二元選擇模型，假設(shè)潛在變量y與解釋變量x存在線性關(guān)系y*i=x*iβ+u*i ， i=1，2，3，…，N，其中ui是獨(dú)立同分布的隨機(jī)干擾。觀測變量yi的等級與潛在變量的關(guān)系如下：

總共有M+1個(gè)等級，觀測到y(tǒng)i位各個(gè)等級的概率為：P（yi=0）=F（c1-x′iβ），P（yi=1）=F（c2-x'iβ）-F（c1-x′iβ），…，P（yi=M）=1-F（cM-x'iβ）。

模型采用極大似然法估計(jì)，其中，c1，c2，…，cM是M的臨界值，作為參數(shù)和回歸系數(shù)一起估計(jì)。

從人口特征（age、gender）、信用變量（credit）、歷史表現(xiàn)（success、fail）和借款信息（rate、time）四個(gè)方面實(shí)證研究，其具體的待估計(jì)方程表達(dá)式為：

從結(jié)果可以看出，除了age不夠顯著（P值<10%，呈負(fù)相關(guān)）以外，剩下的變量fail、gender、credit、success、rate和time對于信用風(fēng)險(xiǎn)的影響都很顯著（P值<5%，呈正相關(guān)）。正如Iyer et al. （2009）發(fā)現(xiàn)的，信用變量、歷史信用等對信用風(fēng)險(xiǎn)有相關(guān)影響^[14]。而Freedman and Jin（2008）也發(fā)現(xiàn)，高利率的借款人通常具有較高的信用風(fēng)險(xiǎn)^[9]。人人貸中g(shù)ender、success不夠顯著，可能是因?yàn)槿巳速J網(wǎng)站中具有信用風(fēng)險(xiǎn)的用戶較少，人口特征和歷史表現(xiàn)無法在一定程度上反映信用風(fēng)險(xiǎn)。

圖2 拍拍貸（左）與人人貸（右）信用風(fēng)險(xiǎn)概率預(yù)測

排序選擇模型是概率模型，由于有多個(gè)等級，圖2為觀測到的屬于各個(gè)等級的概率預(yù)測，每個(gè)觀測都是對應(yīng)信用風(fēng)險(xiǎn)等級的概率預(yù)測，并且概率之和為1。從圖2看出，基本各個(gè)風(fēng)險(xiǎn)的概率處于穩(wěn)定。

以上分別從人口特征、信用變量、歷史表現(xiàn)和借款信息四個(gè)方面對信用風(fēng)險(xiǎn)的影響進(jìn)行了研究，結(jié)果發(fā)現(xiàn)：

1.人口特征（age、gender）對信用風(fēng)險(xiǎn)的影響都較為顯著，說明人口特征對網(wǎng)絡(luò)借貸過程中的信用風(fēng)險(xiǎn)具有一定的影響。從表2和3中也可以看出，在具有信用風(fēng)險(xiǎn)的借款人中，男性的比率遠(yuǎn)遠(yuǎn)高于女性。由于P2P網(wǎng)絡(luò)借貸依托于互聯(lián)網(wǎng)，參與用戶體現(xiàn)出年齡較小的趨勢，但是年輕的用戶經(jīng)濟(jì)基礎(chǔ)較為薄弱，經(jīng)濟(jì)來源也不太穩(wěn)定，往往容易出現(xiàn)資金短缺的情況，信用風(fēng)險(xiǎn)較高;年齡較大的用戶社會資源豐富，經(jīng)濟(jì)來源也較為穩(wěn)定，信用風(fēng)險(xiǎn)就相對較低。

2.信用變量（credit）中，認(rèn)證等級是網(wǎng)站對用戶各項(xiàng)資料進(jìn)行評分，然后加總起來得到的信用評級。理論上，認(rèn)證等級越高信用風(fēng)險(xiǎn)就越低，但實(shí)證結(jié)果顯示，認(rèn)證等級與信用風(fēng)險(xiǎn)正相關(guān)。網(wǎng)站上的認(rèn)證分僅僅只是對一些基礎(chǔ)信息打出的分?jǐn)?shù)，如身份證、學(xué)歷、視頻等認(rèn)證，但平臺往往無法保證其真實(shí)性，所以，網(wǎng)站由于自身能力有限而無法達(dá)到控制信用風(fēng)險(xiǎn)的預(yù)期效果，即平臺的信用等級評分對用戶避免信用風(fēng)險(xiǎn)起到的作用不大，有時(shí)還導(dǎo)致一些反效果。

3.歷史表現(xiàn)（success、fail）中，失敗和成功的次數(shù)都是用戶在平臺的活躍程度。成功的次數(shù)越高，說明在此次借款之前，借款人都按時(shí)完成還款，即信用等級很高，但對某些人來說，成功的次數(shù)只是為了提高自己的信用，最終借到需要的金額，所以與信用風(fēng)險(xiǎn)呈正相關(guān)。失敗的次數(shù)多，說明借款人的信息無法給投資者安全感，即被大多數(shù)投資者認(rèn)為具有較高的信用風(fēng)險(xiǎn)，在借款成功后出現(xiàn)違約的可能性更大，即失敗次數(shù)與信用風(fēng)險(xiǎn)負(fù)相關(guān)。

4.借款信息（rate、time）中，優(yōu)質(zhì)的借款者往往難以提供足夠高的收益率，即利率與信用風(fēng)險(xiǎn)呈正相關(guān)。還款期限也和風(fēng)險(xiǎn)呈正相關(guān)關(guān)系，在網(wǎng)絡(luò)借貸平臺上的借貸行為，由于沒有人際關(guān)系作為潛在的信用保障，一筆投資無疑是時(shí)間越短，所要面臨的信用風(fēng)險(xiǎn)就越小。時(shí)間越長，投資者的相對風(fēng)險(xiǎn)就越大，因此，時(shí)間成為正向影響信用風(fēng)險(xiǎn)的顯著因素。

從以上的數(shù)據(jù)分析以及實(shí)證中發(fā)現(xiàn)，網(wǎng)站對于借款人的信用評分對信用風(fēng)險(xiǎn)管理并沒有起到實(shí)質(zhì)性作用，評分高的用戶依然具有較高的信用風(fēng)險(xiǎn)。網(wǎng)站為滿足借款人的資金安全性要求，在借款滿額后進(jìn)行內(nèi)部審核，但是內(nèi)部審核主要也是以信用評分為基礎(chǔ)，對防止信用風(fēng)險(xiǎn)效果不大。出現(xiàn)逾期現(xiàn)象后，平臺對借款人實(shí)行本金保障制度，但在監(jiān)管缺失的情況下，由于沒有特定的維權(quán)部門，逾期還款的追討難度很大，而風(fēng)險(xiǎn)儲備池的資金有限，加大了平臺的經(jīng)營風(fēng)險(xiǎn)，所以，單靠平臺本身無法對信用風(fēng)險(xiǎn)進(jìn)行有效管理。

四、結(jié)論與政策建議

在傳統(tǒng)的借貸模式中，銀行等金融機(jī)構(gòu)承擔(dān)了審貸和管理的角色。由于銀行有借款人的詳細(xì)信息，同時(shí)也掌握復(fù)雜的風(fēng)險(xiǎn)評估方法，因而能相對較好地消除借貸過程中的信息不對稱。而在P2P網(wǎng)絡(luò)借貸環(huán)境中， 出借人幾乎無法掌握借款人的真實(shí)情況，信息不對稱問題非常嚴(yán)重。以上實(shí)證發(fā)現(xiàn)，網(wǎng)站中所提供的信用數(shù)據(jù)，對防范信用風(fēng)險(xiǎn)沒有起到實(shí)質(zhì)性作用，即單靠網(wǎng)站來解決信用風(fēng)險(xiǎn)是不夠的。

為了有效控制網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)，需要從以下幾個(gè)方面進(jìn)行努力：（1）在平臺外部，政府應(yīng)確立專門的監(jiān)管體系，規(guī)范網(wǎng)絡(luò)借貸平臺運(yùn)行機(jī)制，明確網(wǎng)絡(luò)借貸中網(wǎng)站、借款人、貸款人和監(jiān)管方的權(quán)利和義務(wù)，尤其要注意維護(hù)用戶的合法權(quán)益（如知情權(quán)、隱私權(quán)等），制定平臺用戶信息安全保障的具體內(nèi)容，最大程度地使網(wǎng)絡(luò)借貸安全有序進(jìn)行。同時(shí)，要構(gòu)建客觀全面的客戶信用評級體系，將網(wǎng)絡(luò)信用的數(shù)據(jù)與人民銀行的個(gè)人征信系統(tǒng)結(jié)合起來，實(shí)現(xiàn)統(tǒng)一的信用體系，達(dá)到控制風(fēng)險(xiǎn)、促進(jìn)網(wǎng)絡(luò)借貸有序發(fā)展的目標(biāo)。（2）在平臺之間，也要開展相互合作，各網(wǎng)絡(luò)借貸公司可以聯(lián)手打造“公共網(wǎng)絡(luò)平臺”，在該平臺發(fā)布借款、還款記錄以及用戶評價(jià)等信息，完善風(fēng)險(xiǎn)控制機(jī)制，實(shí)現(xiàn)網(wǎng)絡(luò)借貸健康發(fā)展。（3）在平臺內(nèi)部，網(wǎng)絡(luò)借貸平臺應(yīng)建立全面的風(fēng)險(xiǎn)管理體系與完善的網(wǎng)絡(luò)借貸檢測體系，對借款期限、借款利率、歷史信用、償還情況和用途說明等因素進(jìn)行全面有效的監(jiān)測，同時(shí)，網(wǎng)站必須定期向監(jiān)管部門提交數(shù)據(jù)報(bào)表。通過各方面的努力，最終使P2P網(wǎng)絡(luò)借貸達(dá)到控制風(fēng)險(xiǎn)，健康有序發(fā)展的目標(biāo)。

注釋：

①本文采用排序選擇模型（ordered choice model）方法進(jìn)行實(shí)證分析。它是由Aitchison and Silvey（1957）提出的排序響應(yīng)模型，通過可觀測的有序反應(yīng)數(shù)據(jù)建立模型來研究不可觀測的潛在變量變化規(guī)律。

參考文獻(xiàn)：

[1]謝平，鄒傳偉.互聯(lián)網(wǎng)金融模式研究[J]. 金融研究，2012，（12）：11-12.

[2]Devin G.Pope， Justin R.Sydnor J. R. Whats in a picture？ evidence of discrimination from prosper[J].Journal of Human Resources，2011，（46）： 53-92.

[3]Michaels，J. Do unverifiable disclosures matters？ evidence from peertopeer lending[J].The Accounting Review，2012，87（4）：36-41.

[4]Michael Klafft .Peer to Peer Lending： Auctioning Microcredits over the Internet[A]. Proceedings of the International Conference on Information Systems[J]. Technology and Management， 2008，（2）：1-8.

[5]Eunkyoung Lee， Byungtae Lee， Myungsin Chae. Herding behavior in online P2P lending：an empirical investigation [J]. Journal Electronic Commerce Research and Applications， 2012，11（5）：495-503.

[6]王興娟.小微企業(yè)融資背景、困境及對策[J].學(xué)術(shù)交流，2012，（7）：118-121.

[7]陳初.對中國“P2P”網(wǎng)絡(luò)融資的思考[J].人民論壇，2010，（26）：128-129.

[8]李愛君.民間借貸網(wǎng)絡(luò)平臺法律制度的完善[J].福州大學(xué)學(xué)報(bào)（哲學(xué)社會科學(xué)版），2011， 25（6）：107-113.

[9]Freedman & Jin.Do social networks solve information problems for peertopeer lending[J].Evidence from Prosper. com. NET Institute Working Paper No， 2008， （2）：08-43.

[10]Lin M， N. Prabhala and S. Viswanathan .Judging borrowers by the company they keep：friendship networks and information asymmetry in online peertopeer lending[J]. Management Science，2013，59（1）：17-35.

[11]Singh， Gopal， Li. Risk and return of investments in online peertopeer lending[R].Harpreet Singh，Ram Gopal，Xinxin Li，Universtiy of Texas，2008.

[12]劉莉亞.商業(yè)銀行個(gè)人信貸信用評分模型的構(gòu)建與應(yīng)用[J].財(cái)經(jīng)研究，2007，32（2）：26-36.

[13]李悅雷，郭陽，張維.中國P2P小額貸款市場借貸成功率影響因素分析[J].金融研究，2013，（7）：126-138.

[14]Iyer， R.， Khwaja， A. I.， Luttmer， E. F. P.， & Shue， K. Screening in new credit markets can individual lenders Infer borrower creditworthiness in peertopeer lending[J].Management. ?Cambridge， MA.2009，（3）：4-10.

（責(zé)任編輯：寧曉青）

On the Influence Factors of Credit Risk of Online P2P Lending in China：

Based on an Empirical Analysis by the Ranking Selection Model

XIAO Manjun ， OU Yuanyuan ， LI Ying

（College of Finance & Statistics， Hunan University， Changsha， Hunan 410079， China）

Abstract：Online P2P （peertopeer） lending， is microfinance transactions by people lending to each other， with the aid of online platforms of electronic business. As a new financial model of folk loan business conducted with the Internet technology， it has a higher credit risk. This paper ?uses the ranking selection model to analyze the influencing factors of the credit risk of online lending based on data from some P2P sites extracted by excel VBA Data Mining， and the results showed that： personal characteristics， credit variables， historical performance， loan information each had a marked positive influence on the credit risk of online lending. We found that the information provided by websites for investors to avoid credit risk did not play a substantive role.

Key words：Online P2P lending;Credit risk;Internet finance;Ranking selection model