我國P2P網(wǎng)貸平臺大數(shù)據(jù)風(fēng)控應(yīng)用研究

■江乾坤　常夢瑤

我國P2P網(wǎng)貸平臺大數(shù)據(jù)風(fēng)控應(yīng)用研究

■江乾坤常夢瑤

我國P2P網(wǎng)貸平臺正面臨風(fēng)險控制難題，應(yīng)用大數(shù)據(jù)風(fēng)控是其可持續(xù)發(fā)展的重要議題。本文從P2P網(wǎng)貸平臺大數(shù)據(jù)風(fēng)控的定義、特點與模式比較出發(fā)，回顧了大數(shù)據(jù)風(fēng)控在我國P2P網(wǎng)貸行業(yè)的應(yīng)用現(xiàn)狀，剖析了其數(shù)據(jù)共享、真實性、制度缺失、數(shù)據(jù)處理復(fù)雜等應(yīng)用不足，建議加強征信體系專業(yè)化建設(shè)進程，提高大數(shù)據(jù)真實性處理能力，完善大數(shù)據(jù)制度建設(shè)并加大風(fēng)控模型的研發(fā)投入。

P2P網(wǎng)貸平臺大數(shù)據(jù)風(fēng)險控制

據(jù)網(wǎng)貸之家數(shù)據(jù)顯示，截至2016年6月底，我國P2P網(wǎng)貸平臺累計達4127個，網(wǎng)貸行業(yè)累計成交量為22075.06億元，預(yù)計全年網(wǎng)貸行業(yè)成交量或?qū)⑼黄?萬億元，但全國網(wǎng)貸問題平臺數(shù)累計數(shù)也超過2000家，部分P2P平臺壞賬率高達20%以上。雖然許多網(wǎng)貸問題平臺屬于“偽互聯(lián)網(wǎng)金融”，其創(chuàng)新“異化”行為隨著監(jiān)管部門的專項整治而被清理整頓（江乾坤和陳文瑤，2016），但P2P網(wǎng)貸平臺的高利率—高風(fēng)險特性帶來的風(fēng)險控制難題卻會長期存在。事實上，P2P網(wǎng)貸平臺之所以能在國際范圍內(nèi)快速崛起，它本身是“互聯(lián)網(wǎng)+”時代技術(shù)變革的產(chǎn)物，其創(chuàng)新優(yōu)勢在于摒棄傳統(tǒng)的信貸風(fēng)控模式，運用大數(shù)據(jù)技術(shù)深入挖掘數(shù)據(jù)建模的可行性，通過完善的數(shù)據(jù)征信來破解信貸風(fēng)控難題。因此，研究如何運用大數(shù)據(jù)技術(shù)進行風(fēng)險控制將是我國P2P網(wǎng)貸平臺可持續(xù)發(fā)展的重要議題。

一、P2P網(wǎng)貸平臺大數(shù)據(jù)風(fēng)控的定義、特點與模式比較

（一）大數(shù)據(jù)風(fēng)控的定義

大數(shù)據(jù)風(fēng)險控制（簡稱“大數(shù)據(jù)風(fēng)控”）是指通過運用大數(shù)據(jù)構(gòu)建模型的方法對借款人進行風(fēng)險控制和風(fēng)險提示。大數(shù)據(jù)并不單純指數(shù)據(jù)量的增加，最重要的是發(fā)現(xiàn)曾經(jīng)忽略的數(shù)據(jù)的價值（劉新海，2014）。

（二）大數(shù)據(jù)風(fēng)控的特點

1.風(fēng)控數(shù)據(jù)維度大。大數(shù)據(jù)風(fēng)控最大的優(yōu)勢就是豐富了信用風(fēng)險評估的數(shù)據(jù)緯度，這些用戶行為信息，很大程度是大數(shù)據(jù)采集和分析的結(jié)果，用戶一般是不會提供給金融行業(yè)的。

2.風(fēng)控數(shù)據(jù)實時有效。數(shù)據(jù)是有時間價值的，實時有效的數(shù)據(jù)對于風(fēng)險評估結(jié)果影響很大，滯后的數(shù)據(jù)會影響評估結(jié)果，不能反映實時的風(fēng)險變化。大數(shù)據(jù)信用評估體系更看重用戶現(xiàn)在的信息。

3.信用評價結(jié)果精準(zhǔn)?！盎ヂ?lián)網(wǎng)+”時代，只有大數(shù)據(jù)技術(shù)才能從龐大的碎片化數(shù)據(jù)中準(zhǔn)確識別用戶的信用情況。大數(shù)據(jù)風(fēng)控模型將海量數(shù)據(jù)納入風(fēng)控體系，并以多個風(fēng)控模型進行多角度分析，評分結(jié)果更加全面準(zhǔn)確。

（三）模式比較

大數(shù)據(jù)不僅是一種資源，而且是一種商業(yè)思維拓展和技術(shù)方法創(chuàng)新。從美國借貸市場的信用風(fēng)險評估模式比較來看（表1），小數(shù)據(jù)時代有經(jīng)過60年打磨的傳統(tǒng)風(fēng)險評估模式—評分卡建模技術(shù)，如FICO（Fair Isaac Company，費埃哲）、Lending Club等，大數(shù)據(jù)時代則引入了大數(shù)據(jù)風(fēng)險評估模式—機器學(xué)習(xí)技術(shù)，如ZestFinance、Kabbage等（張杰，2016）。

對比兩類風(fēng)險評估模式可知：

第一，大數(shù)據(jù)風(fēng)險評估模式的服務(wù)人群更廣泛。傳統(tǒng)風(fēng)險評估只能服務(wù)有豐富借貸記錄的借款人，而大數(shù)據(jù)風(fēng)險評估還可以服務(wù)無信用記錄或信用記錄不好的借款人。ZestFinace能夠讓信用記錄不完整或不夠完善的人群公平地享受金融服務(wù)。在FICO的征信體系里，有15%的人是沒有信用記錄的，而ZestFinace就是要給沒有被傳統(tǒng)征信體系覆蓋的人群解決貸款問題。

第二，大數(shù)據(jù)風(fēng)險評估模式的數(shù)據(jù)來源與數(shù)據(jù)格式更全面。FICO評分僅采用借貸數(shù)據(jù)，而ZestFinance采用了大量非傳統(tǒng)的信用數(shù)據(jù)，包括電子商務(wù)、社交網(wǎng)絡(luò)、搜索行為等，傳統(tǒng)信用數(shù)據(jù)的比重僅占到40%左右。FICO信用分數(shù)所包含的貸款人的變量一般只有幾十項，而Zest Finance模型包含的變量數(shù)以萬計，它搜尋極多、極邊緣的變量。比如申請人電子郵件所使用的用戶名，申請人填寫申請表時的大小寫習(xí)慣，是否擁有預(yù)付款或已付全款的手機等。Zest Finance將成千上萬的信息數(shù)據(jù)聯(lián)系起來，就可以勾畫出一個人的精確圖景。

第三，大數(shù)據(jù)風(fēng)險評估模式的建模方法更科學(xué)。FICO主要運用可解釋性強的線性模型，不注重算法本身，將大部分精力關(guān)注在建模的過程管理和數(shù)據(jù)的預(yù)處理等方面，如響應(yīng)變量定義、逾期滾動率分析、表現(xiàn)期時間窗選取、格式轉(zhuǎn)換、缺失值處理、分箱選擇、變量穩(wěn)定性分析等。Zest Finance則重點關(guān)注表達能力更強、準(zhǔn)確率更高的非線性模型，如梯度提升樹、隨機森林、神經(jīng)網(wǎng)絡(luò)、張量分解等。讓機器代替人工去衍生更多的變量并作出篩選，從而可以利用到更多的弱變量（張杰，2016）。

第四，大數(shù)據(jù)風(fēng)險評估模式的變量個數(shù)更豐富。FICO評分一般擁有500個數(shù)據(jù)項，從中提取50個變量，利用一個預(yù)測分析模型做出信用風(fēng)險量化評估。而Zest Finance模型往往要用到3500個數(shù)據(jù)項，從中提取70，000個變量，利用10個預(yù)測分析模型進行集成學(xué)習(xí)或多角度學(xué)習(xí)，最終得到消費者信用評分。

第五，大數(shù)據(jù)風(fēng)險評估模式的運行效率更高效。Zest Finace模型與FICO評分相比，效率能夠提高90%，它在5秒鐘內(nèi)能對每位信貸申請人的超過1萬條原始信息數(shù)據(jù)進行分析，并得出超過7萬個可對其行為作出測量的指標(biāo)。此外，Zest Finace在風(fēng)控方面也有很好的改進，能把相關(guān)貸款人違約率降低將近50%。

表1　美國借貸市場兩類信用風(fēng)險評估模式的比較

二、大數(shù)據(jù)風(fēng)控在我國P2P借貸行業(yè)的應(yīng)用現(xiàn)狀

（一）總體情況

2013年互聯(lián)網(wǎng)金融興起伊始，P2P網(wǎng)貸平臺主要是作為傳統(tǒng)金融的補充，服務(wù)對象瞄準(zhǔn)的是傳統(tǒng)金融覆蓋不到的小微企業(yè)主和個人，提供的借款與傳統(tǒng)銀行信貸差異不大，只是額度更低、限制條件更寬松、期限和還款方式更靈活，在風(fēng)控環(huán)節(jié)仍是延續(xù)銀行的做法：以央行征信報告為主要數(shù)據(jù)源，以專家經(jīng)驗或?qū)＜乙?guī)則為評判策略。2015年初，央行釋放出了個人征信市場化的信號，“大數(shù)據(jù)”開始逐漸被P2P網(wǎng)貸行業(yè)的風(fēng)控人員所接受，一些數(shù)據(jù)被證實可以做為征信報告的有效補充，例如移動設(shè)備信息用于識別身份冒用、黑名單灰名單用于識別多頭負債、位置信息用于評估穩(wěn)定性、頁面行為分析用于識別欺詐、消費記錄用于評估可支配收入水平，社交關(guān)系用于評估信用行為等（張杰，2016）。

目前，我國P2P網(wǎng)貸行業(yè)的大數(shù)據(jù)風(fēng)控應(yīng)用仍處于初級的“數(shù)據(jù)”階段，“市場先行，風(fēng)控滯后”的局面有待改善。不過，一些P2P網(wǎng)貸平臺逐漸重視大數(shù)據(jù)風(fēng)控技術(shù)，推出了各具特色的模式。（1）極速模式。2014年10月7日，宜人貸正式將“極速模式”添加進“宜人貸借款”APP中。該模式應(yīng)用了大數(shù)據(jù)技術(shù)，通過積累的海量數(shù)據(jù)和算法模型，深入分析用戶各方面的信息，以做出是否貸款及貸款額度的決策。宜人貸可做到1分鐘授信，10分鐘批貸，批貸額度最高可達10萬元，平臺月費率在0.78%。這一切都由計算機在后臺完成，大大節(jié)約了線下審核時間。（2）積木盒子模式。2014年11月份，積木盒子開始組建金融大數(shù)據(jù)中心，主要在貸前審查、貸后管理上進行應(yīng)用。大數(shù)據(jù)中心負責(zé)對個人數(shù)據(jù)進行采集、加工和決策。最明顯的信用貸“讀秒”，積木盒子大數(shù)據(jù)中心會根據(jù)用戶提交的電商消費數(shù)據(jù)、銀行卡信息和手機通話信息，來判斷用戶的信用等級，是否符合“讀秒”標(biāo)準(zhǔn)，最后決定是否通過這筆借款。（3）BeeR.C.密風(fēng)控。樂金所擁有自主研發(fā)的大數(shù)據(jù)風(fēng)控成果—BeeR.C.密風(fēng)控。首先，BeeR.C.密風(fēng)控會對個人借款人以及相關(guān)企業(yè)法人的真實身份進行驗證，確保借款人信息的真實可靠。其次，BeeR.C.密風(fēng)控將借款方五個風(fēng)控指標(biāo)調(diào)查數(shù)據(jù)分數(shù)，導(dǎo)入企業(yè)貸款，及抵押類貸款兩大產(chǎn)品類型8種以上的風(fēng)險控制模型，計算出BAA，BA，BB，BC，BD，BF六種信用級別，分值范圍在180至1100分之間，根據(jù)每個貸款產(chǎn)品的貸款策略和標(biāo)準(zhǔn)，以及每種產(chǎn)品相對應(yīng)的風(fēng)險水平，決定可以接受的信用分數(shù)水平。最后，風(fēng)控委員會根據(jù)分值召開決策會議，決議“同意”、“否決”或“要求補充擔(dān)保品”。

（二）拍拍貸的魔鏡風(fēng)控系統(tǒng)

2015年3月24日，拍拍貸正式發(fā)布其歷經(jīng)八年自主開發(fā)、具有自主知識產(chǎn)權(quán)的“魔鏡風(fēng)控系統(tǒng)”。該系統(tǒng)依托600萬在線用戶、已經(jīng)積累近40億條數(shù)據(jù)，被認為是行業(yè)內(nèi)首個基于大數(shù)據(jù)的風(fēng)控模型，首個能準(zhǔn)確預(yù)測借款標(biāo)的風(fēng)險概率的風(fēng)控系統(tǒng)，也是首個能基于準(zhǔn)確風(fēng)控評級、制定風(fēng)險定價的風(fēng)險管理系統(tǒng)。

在大數(shù)據(jù)采集階段，與傳統(tǒng)銀行的風(fēng)控考察借款人的70-80個數(shù)據(jù)維度相比，魔鏡風(fēng)控系統(tǒng)采用2000多個數(shù)據(jù)維度，平均使用400個數(shù)據(jù)維度來評價一位借款人（李先瑞，2015）。該系統(tǒng)既沿用了傳統(tǒng)銀行征信體系的決策指標(biāo)，又納入了海量互聯(lián)網(wǎng)行為數(shù)據(jù)。多維度的大數(shù)據(jù)征信信息可對借款人從不同角度精確描述和深入量化其信用風(fēng)險，其數(shù)據(jù)來源如表2所示：

表2　魔鏡風(fēng)控系統(tǒng)的大數(shù)據(jù)來源

圖1　拍拍貸公司利用大數(shù)據(jù)技術(shù)構(gòu)建的全自動風(fēng)控系統(tǒng)

在大數(shù)據(jù)分析階段，拍拍貸構(gòu)建了三個完備的全自動風(fēng)險控制系統(tǒng)（如圖1）：反欺詐系統(tǒng)、魔鏡評級系統(tǒng)和風(fēng)險定價系統(tǒng)服務(wù)。魔鏡等級將很大程度影響到借貸人的借款成功率、最終借款利率、最高借款額度等。通常來講，借貸人的信用等級越高，其違約率越低，貸款成功率越高。針對每一筆借款，風(fēng)險模型會給出一個風(fēng)險評分，以反映對逾期率的預(yù)測。每一個評分區(qū)間會以一個字母評級的形式展示給借入者和借出者。從AAA到F，風(fēng)險依次上升，例如AA的目標(biāo)逾期率小于0.1%，F(xiàn)級則大于10%。

最后，根據(jù)以上三個風(fēng)險控制系統(tǒng)來準(zhǔn)確把握對借款人是否放貸、放貸額度和放貸利率，有效避免違約風(fēng)險。

三、我國P2P網(wǎng)貸平臺大數(shù)據(jù)風(fēng)控存在的問題

（一）信貸數(shù)據(jù)嚴(yán)重不足，各平臺的數(shù)據(jù)彼此孤立

獲取足夠多的信貸數(shù)據(jù)對于提升P2P網(wǎng)貸平臺風(fēng)控能力至關(guān)重要，海量的數(shù)據(jù)才能建立更準(zhǔn)確的風(fēng)控模型。然而，我國銀行業(yè)信貸風(fēng)險管理起步較晚，信貸數(shù)據(jù)積累不足，沒有建立一套完整、連續(xù)的基礎(chǔ)數(shù)據(jù)庫。我國央行征信系統(tǒng)覆蓋的人群非常有限，遠低于美國征信體系對人口85%的覆蓋。近年來，社交數(shù)據(jù)、網(wǎng)購數(shù)據(jù)、通信數(shù)據(jù)等為P2P網(wǎng)貸平臺獲取并有效利用信用數(shù)據(jù)提供了新源泉。大數(shù)據(jù)真正的技術(shù)含量和價值體現(xiàn)在數(shù)據(jù)提取與利用上，它應(yīng)該是由不同企業(yè)、不同部門共享而成，進而真實、動態(tài)地反映個人與企業(yè)的經(jīng)濟狀況及信用等級。不過，目前各個企業(yè)對數(shù)據(jù)大多抱著封閉獨享的態(tài)度，數(shù)據(jù)與平臺之間彼此孤立，難以形成共享的數(shù)據(jù)鏈和數(shù)據(jù)網(wǎng)，而這恰恰是大數(shù)據(jù)風(fēng)控所必須的。此外，各個信用機構(gòu)的評分依據(jù)不能完全遷移，這在某種程度上也限制了數(shù)據(jù)的體量和維度。

（二）大數(shù)據(jù)質(zhì)量存疑，真實性難以判斷

首先，社交數(shù)據(jù)并不能準(zhǔn)確反映個人信用評級。美國最大的P2P平臺Lending Club曾嘗試通過用戶在Facebook上的表現(xiàn)來確定其信用度，最終遭遇失敗。美國很多大數(shù)據(jù)征信公司的信息錯誤率高達50%（巴曙松，2016）。宜信曾大費周折的收集借款人的社交數(shù)據(jù)，最后發(fā)現(xiàn)社交數(shù)據(jù)根本不能用。其次，交易數(shù)據(jù)嚴(yán)重失真。目前許多電商平臺的“刷單”現(xiàn)象嚴(yán)重，一種是商家找所謂的消費者進行“刷單”，賣家買快遞單號，其收件人和寄件人與實際的買家、賣家不一致；另一種是快遞公司發(fā)空包，但快遞公司并未完成配送，而幫助商家完成平臺上的物流信息（齊愛民，2015）。

（三）大數(shù)據(jù)相關(guān)制度缺失，數(shù)據(jù)泄密情況嚴(yán)重

中國互聯(lián)網(wǎng)信息中心發(fā)布的《2015年第35次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》顯示，46.3%的網(wǎng)民遭遇過網(wǎng)絡(luò)安全問題，我國個人互聯(lián)網(wǎng)使用的安全狀況不容客觀，大規(guī)模數(shù)據(jù)泄露事件時有發(fā)生。在數(shù)據(jù)收集和使用過程中，許多數(shù)據(jù)會涉及個人隱私。美國對個人隱私的保護是有明確邊界的，而目前我國關(guān)于互聯(lián)網(wǎng)個人隱私保護和信息安全的相關(guān)法律還很薄弱，個人數(shù)據(jù)泄露事件頻頻發(fā)生，小微企業(yè)的商業(yè)秘密保護問題也不樂觀。如何高效、適度地開發(fā)和使用大數(shù)據(jù)，不僅僅是一個技術(shù)問題，更是一個社會問題。這些泄露的數(shù)據(jù)大量流入數(shù)據(jù)黑市，造成了用戶安全、企業(yè)安全甚至國家安全方面的連鎖反應(yīng)（齊愛民，2015）。數(shù)據(jù)的收集和使用在很多時候沒有征得數(shù)據(jù)生產(chǎn)主體的同意，不僅導(dǎo)致數(shù)據(jù)濫用和隱私泄露，而且容易引起數(shù)據(jù)生產(chǎn)主體的抵制。

（四）大數(shù)據(jù)技術(shù)要求高，數(shù)據(jù)處理異常復(fù)雜

傳統(tǒng)信用體系的數(shù)據(jù)處理變量相對較少，且各個變量之間彼此相關(guān)，對變量進行建模分析時可對每個變量精確分析并最終得到相對透明的結(jié)果供使用機構(gòu)參考。但是，大數(shù)據(jù)時代征信機構(gòu)使用的數(shù)據(jù)變量數(shù)龐大，變量之間無必然因果聯(lián)系，基于大數(shù)據(jù)的數(shù)以千計的變量規(guī)模和多模型使得數(shù)據(jù)的處理和模型的解釋變得異常復(fù)雜，在實際應(yīng)用中帶來諸多麻煩。超大規(guī)模的數(shù)據(jù)存儲和云平臺數(shù)據(jù)分析對計算機的存儲與計算能力的要求也會越來越高。

四、完善我國P2P網(wǎng)貸平臺大數(shù)據(jù)風(fēng)控的建議

我國P2P網(wǎng)貸平臺大數(shù)據(jù)風(fēng)控的有效運用仍然存在許多障礙，但在消除障礙、解決問題中前行是其可持續(xù)發(fā)展的必然趨勢。為此，本文提出如下建議：

（一）加強征信體系專業(yè)化進程

擁有優(yōu)質(zhì)數(shù)據(jù)資源的公司通常形成數(shù)據(jù)孤島，并不能很好互通，而數(shù)據(jù)獲取是P2P平臺征信面臨的首要問題。首先，應(yīng)允許P2P網(wǎng)貸平臺接入大數(shù)據(jù)信用數(shù)據(jù)庫，實現(xiàn)各方面信用平臺的有效對接，并注意建立違約披露機制。其次，鼓勵設(shè)立專業(yè)化的征信數(shù)據(jù)服務(wù)機構(gòu)。如蜜蜂數(shù)據(jù)建立的一站式征信服務(wù)平臺，與多家P2P平臺實現(xiàn)了對接，提供專業(yè)化征信服務(wù)，并建立網(wǎng)貸黑名單，提供失信人曝光等服務(wù)。第三，要精細化征信范圍。

（二）提高大數(shù)據(jù)真實性處理能力

P2P網(wǎng)貸平臺在應(yīng)用大數(shù)據(jù)建模時應(yīng)注意剔除無效數(shù)據(jù)，避免數(shù)據(jù)誤導(dǎo)。對不同類型的借款人采用不同的評分細則，根據(jù)職業(yè)、借款用途等做出精準(zhǔn)劃分。尤其是對借款用途為企業(yè)經(jīng)營的借款人，不應(yīng)套用個人借款的信用審核模型，應(yīng)就企業(yè)借款建立專用的信用審核模型，提高模型準(zhǔn)確性和平臺風(fēng)控能力。

（三）完善大數(shù)據(jù)制度建設(shè)工作

應(yīng)當(dāng)明確個人信息的外延邊界，明確區(qū)別個人信息與個人隱私。在現(xiàn)有國家和地方個人信息保護立法實踐的基礎(chǔ)上制定個人信息保護的專門法。設(shè)立個人信息監(jiān)督管理機構(gòu)，避免多頭監(jiān)管帶來的問題，強化個人信息保護的事前監(jiān)管。

（四）加大風(fēng)控模型的研發(fā)投入

ZestFinance優(yōu)于傳統(tǒng)信貸機構(gòu)的重要原因之一就是其強大的數(shù)據(jù)挖掘能力和模型開發(fā)能力：基于多角度學(xué)習(xí)的預(yù)測模型，模型及時更新而且不斷細化。相比而言，我國P2P網(wǎng)貸平臺需要加大對量化的信用風(fēng)險分析的研發(fā)投入，適應(yīng)大數(shù)據(jù)風(fēng)控的垂直化、場景化發(fā)展趨勢，開發(fā)適合中國國情的大數(shù)據(jù)模型，強化對數(shù)據(jù)與消費者的理解。

［1］巴曙松，侯暢，唐時達.大數(shù)據(jù)風(fēng)控的現(xiàn)狀、問題及優(yōu)化路徑〔J〕.金融理論與實踐，2016（2）.

［2］江乾坤，陳文瑤.我國P2P網(wǎng)貸平臺創(chuàng)新“異化”現(xiàn)象探析〔J〕.商業(yè)會計，2016（11）.

［3］劉新海，丁偉.大數(shù)據(jù)征信應(yīng)用與啟示——以美國互聯(lián)網(wǎng)金融公司Zestfinance為例〔J〕.清華金融評論，2014（10）.

［4］李先瑞.大數(shù)據(jù)征信破解小微企業(yè)融資困境探討——以拍拍貸為例〔J〕.會計之友，2015（13）.

［5］齊愛民，盤佳.數(shù)據(jù)權(quán)、數(shù)據(jù)主權(quán)的確立與大數(shù)據(jù)保護的基本原則〔J〕.蘇州大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2015（1）.

［6］張杰.大數(shù)據(jù)風(fēng)控的場景化趨勢——人人信〔EB/ OL〕.新浪網(wǎng).2016（6）.

［7］JinSFGZ.The Signaling Value of Online Social Networks：Lessons from Peer-to-Peer Lending〔J〕.2014.

［8］Fraiberger，F(xiàn)raiberger，SamuelP.andSundararajan，Arun，Peer-to-Peer Rental Markets in the Sharing Economy［M］.NYU Stern School of Business Research Paper，October 6，2015.

［9］Martina Pokorná，Miroslav Sponer.Social Lending and Its Risks〔J〕.Procedia-Social and Behavioral Sciences，2016，220：330-337.

◇作者信息：杭州電子科技大學(xué)會計學(xué)院教授

杭州電子科技大學(xué)會計學(xué)院研究生

◇責(zé)任編輯：張力恒

◇責(zé)任校對：張力恒

F275

A

1004-6070（2016）08-0059-04

本文系浙江省自然科學(xué)基金（Y15G020077）：我國P2P網(wǎng)貸平臺的風(fēng)險因子挖掘與風(fēng)險控制策略設(shè)計；浙江省杭電智慧城市研究中心（ZXZH1401010）：數(shù)據(jù)挖掘與決策支持研究。