P2P网络借贷平台风险预警模型构建及实证分析

姚畅燕，吴姗姗，2

(1.西安财经学院 经济学院， 陕西 西安 710100；2.中国民生银行 济南市中心支行， 山东 济南 250000)



P2P网络借贷平台风险预警模型构建及实证分析

姚畅燕1，吴姗姗1，2

(1.西安财经学院 经济学院， 陕西 西安 710100；2.中国民生银行 济南市中心支行， 山东 济南 250000)

伴随P2P网贷平台的迅速发展，平台的风险管理已成为整个行业面临的最大挑战。文章从宏观和微观两个方面选取了3个层次的14个指标作为风险预警的指标体系，以2012-2014年各季度的样本指标值为训练集，采用改进的BP算法，建立了包含输入层、隐含层和输出层的三层神经网络预警模型；运用Matlap软件对建立的神经网络进行训练，在样本输出值和期望输出值之间的误差达到一定标准后，确定效度量风险的预警模型建立成立。最后，文章从平台预警管理的组织体系、风险预警管理的信息系统、风险预警管理的人才体系、监测指标体系及资金管理和征信对接体系等方面给出了完善平台风险预警机制的具体建议。

P2P网络借贷平台；神经网络；BP模型；风险预警

一、国内P2P行业发展现状

在我国，成立最早的P2P网贷借贷平台是在2007年成立的拍拍贷。随后，在2011年，P2P平台的发展进入快速发展的时期。2012年之后，国内平台呈现井喷式发展，全国各地的P2P网贷平台都如雨后春笋一般，迅速活跃在网贷市场。据网贷之家的数据，截至到2014年底，网贷之家统计的运营比较活跃的平台数已有1575家，行业年成交量已经达到2518亿元，行业累计贷款余额为1036亿元。支付宝旗下的余额宝的出现，促进了传统金融体系和模式的改革，推动了存款利率市场化进程。余额宝的资金规模很大，至2014年底，余额宝拥有4000多亿元的规模，随着余额宝规模的不断扩大，银行的活期存款量受到很大的影响[1]。

图1是2012年之前和2012-2014年网贷之家关于当期成交量、运营平台数、贷款余额等三方面的数据统计折线图。

图2是根据网贷之家的统计数据，取2012年之前、2012-2014年全国P2P行业的当期借款人数和当期投资人数，来反映自2012年之后我国P2P网贷平台的发展状况。

图1 2012-2014年行业当期成交量、运营平台数、贷款余额数据折线图

图2 2012-2014年行业当期借款人数和投资人数柱状图

图1和图2都反映了自2012年以来，我国P2P行业的迅速发展。无论是整个行业的平台数量、平台的当期成交量以及贷款余额，还是参与整个行业的投资者和借款人数量，都呈现井喷式发展。除了行业的总量数据，还可以从单个平台的发展数据来反映P2P平台这一新生事物的发展状况。图3是取自人人贷平台的数据，从2012—2014年，以季度为单位，以当期成交金额为对象，呈现了人人贷这一个平台的快速发展：

图3 2012-2014年人人贷平台各季度当期成交额对比图

二、国内P2P平台存在的风险分析

(一)宏观经济环境风险

P2P行业运营的是连接资金供给者和需求者的中介平台，在这些平台上进行的小额信贷交易是为经济发展需求服务的。宏观经济环境对小微企业及个人的作用效应会直接传递到P2P平台的经营状况上。因此，宏观经济环境风险是P2P平台所面对的不可忽视的风险。如经济增长状况、通货膨胀率、货币政策、投资环境、制造业的发展状况等都对平台有重要影响。

(二)平台内部风险

1.信用风险

P2P平台作为一个网上中介服务机构，其促成借贷交易成功的基础是互联网。互联网为信贷交易提供了一个方便快捷的渠道，但是互联网本身这个虚拟的特性也使得交易的信用风险不可忽视。由于我国信用体系的不完善，在P2P平台上，平台对于借贷双方所提供的资料信息只是限于对一些基本信息的审核，而对于像借款人的资产状况、财务状况、借款用途、还款来源等这些信息，简单的书面审核并不能保证信息的真实性。目前国内的征信系统还不允许P2P公司登陆查看借款人的资信状况。如若借款人的资信信息不实，贷款到期时，借款人就有极大的可能性不能按时偿还。另外，我国还没有建立完善的信用记录体系，即使借款人在贷款到期时选择不归还，借款人自己面临的违约成本还是比较低的，这个因素会加大平台的坏账风险。因此，借款人的信用风险，是平台在经营中应该提高警惕的一个重要风险因素。

2.经营模式风险

目前国内正规的P2P平台主要以拍拍贷的线上模式和宜信的线下模式为代表。但是面临激烈的竞争，无论哪种模式的平台，为了更好地在这个行业立足发展，都采取了一定的措施试图降低贷款人的风险，来吸引更多的投资人。比如宜信的风险保障金计划，拍拍贷推出的本金保障计划等。这些经营模式的选择，都使得平台本身面临的风险加大了。如果借款人不能按时归还贷款，平台就会先向贷款人提供资金来垫付。无论是本金保障计划还是风险保障金制度，一旦出现大规模的不良贷款，对于单个的P2P平台来说都是巨大的冲击。

3.资金运转风险

P2P公司作为一个小额信贷服务平台，本身的资金周转是否健康将在很大程度上决定着平台能否持续正常地运营。按照银行风险控制方面的相关数据，资本充足率需达到8%才能符合监管水平，但在一般的P2P平台上，资本充足率能达到2%的平台数都不多。管理相对规范的宜信公司，也可能仅有2%。在风险补偿金率方面，人人贷公司和宜信公司都是从借款人的手续费中收取。但是，即使宜人贷的风险备用金余额已达到了亿元，规模较小的人人贷风险备用金余额也达到了8000多万，但是与各自的贷款总规模相比，宜人贷的风险备用金率不超过5%，人人贷则只有2.4%。在不良贷款率方面，银行一般规定不超过2%，但是在P2P行业还没有对不良贷款率形成共识。所以，对目前的P2P平台来说，资金运转还是存在很大风险。这也是每年众多P2P平台相继倒闭的重要原因之一。

4.法律监管风险

我国的P2P网贷平台从事的是互联网上的资金借贷活动，在本质上是属于民间借贷的范畴。但是我国目前在民间借贷方面的法律法规很不健全。对于P2P这个新生的金融行业一直缺乏有效的法律监管，如P2P的设立门槛、信息披露等，这些缺失都很可能带来一系列的操作风险。如果P2P网贷平台选择突破线上的中介平台模式，设计一些所谓的理财产品，从贷款人手中吸收资金再自己放贷给借款人，就会转化为非法集资的机构，有触犯法律的嫌疑。平台一般包含了若干规则，限定了参与者该做什么不该做什么，制定了违规交易后的惩处[2]。

5.政策风险

中国人民银行和中国银监会还没有认可P2P这一新兴的金融行业，相关监管条例还没有明确。如果一旦有政策法规出台，会对P2P小额信贷的经营产生巨大影响。比如说在《贷款人条例》中，如果限制了个人债券合同的转让次数，那些以宜信公司为代表的线下模式平台就很可能会因为资金链断裂而面临倒闭的风险[3]。

三、建立P2P平台风险预警机制的必要性

在当前市场经济发展迅速的条件下，P2P平台作为金融业的新生事物，所面临的风险复杂多变。如上述分析的信用风险、经营风险、资金风险、监管风险和政策风险，如果平台不对它们加以防范和化解，当这些风险累积到一定程度，遇到一定的外部因素冲击和干扰，就会转变成巨大的危机。风险预警机制具有风险管理和诊断经营状况的双重作用。面对P2P平台存在的风险，建立起有效的风险预警机制，是十分迫切和必要的。

第一，实时监测风险的必要。P2P平台面临的风险是动态的经济现象。只有运用风险预警系统中的预警指标数据对风险进行定量分析和实时分析，才能全面把握住风险的特性。对于一些先行性指标，如果能够通过风险预警参数实时监测到，对于事前预控风险能够起到很大的作用。

第二，决策分析功能的必要。在实际的经济运行环境中，由于P2P平台的决策者通常无法在同一时间段内对不同决策的有效性进行比较，因此，通过风险预警机制中的风险度量模型，能够设定不同的风险变量组合，模仿各种风险对平台的影响，进而为决策者的决策提供依据。

第三，全面预控风险的必要。P2P平台的管理层和经营者需要的不仅是平台所面临的各类主要风险的定量和定性分析结果，而且也需要整体风险方面的定量和定性分析。风险预警机制能够对平台的整体风险进行把握分析，做到对风险的全面管理和预控。

四、P2P网贷平台风险预警BP模型的建立

(一)指标体系的设置

P2P平台风险预警指标体系的选择应该能够同时反映宏观方面的经济环境状况和微观方面的平台自身内部的各种风险。因此，本文在对相关指标体系的构建时，遵从这一原则，选择了三个层次的14个指标，用这些指标数据作为输入点。由于P2P平台从2012年之后形成较大规模，发展及信息披露走向规范，所以本文选取2012—2014年间12个季度的数据作为原始数据，相应的宏观、微观和其他方面指标均以季度为时间步长。

第一个层次是宏观经济环境指标，一共选取了6个指标。分别是：GDP增长率，固定资产投资增长率，通货膨胀率，货币供应量M2增长率，房地产投资增长率和PMI(制造业采购经理指数)。

第二个层次是P2P平台的微观风险指标，一共选取了5个指标。分别是：平台风险准备金覆盖率，平台坏账率，平台平均投标利率，风险备用金余额增长率和历史成交金额增长率。

第三个层次是传统金融模式对平台的冲击型风险，一共选取了3个指标。分别是：社会融资规模增长率，金融机构各项贷款余额增长率和小额贷款公司贷款余额增长率。

三个层次的14个指标如表1所示。

1.GDP增长率(S1)

GDP增长率(S1)反映了一个国家及地区在一定时期内国民生产总值的增长，是衡量国家经济发展状况最重要的指标。本文选取2012—2014年间12个季度的上年同期增长率作为指标原始数据，具体如表2所示。

2.固定资产投资增长率(S2)

固定资产投资增长额是反映一国经济发展的重要指标，要保持社会经济向前发展，就必须要有一定的固定资产投资增长作为支撑。表3列出了2012—2014年间12个季度我国固定资产投资同比增长率。

3.通货膨胀率(S3)

该指标是反映一个国家或地区经济发展冷热或快慢的指标，通货膨胀率过大，反映经济发展过热，反之，就会使通货紧缩，表面经济发展处于萧条或紧缩状态。本文也是选取2012—2014年间12个季度的通货膨胀率作为原始数据。

4.货币货应量M2增长率(S4)

本文用M2来反映货币增长的情况及其与国民经济状况的关系。M2如果增长过快，不仅会造成一定的通货膨胀的压力，也会造成国家宏观经济政策运行的低效率。

表1 预警模型指标体系

表2 2012-2014年各季度GDP增长率

表3 2012-2014年各季度固定资产投资增长率

5.房地产投资增长率(S5)

结合我国宏观经济发展的具体状况，房地产行业仍然是国民经济的支柱行业，其投资的增长状况是反映整个国家宏观经济的重要指标，也是其他行业和指标的风向趋势。本文选取2012-2014年间12个季度的房地产投资同比增长率作为原始数据。

6.PMI(制造业采购经理指数)(S6)

制造业采购经理指数(PMI)，是通过对企业采购经理的月度调查结果统计汇总、编制而成的指数，是国际上通用的监测宏观经济走势的先行性指数之一，具有较强的预测、预警作用。PMI是一个综合指数，由5个扩散指数(分类指数)加权计算而成。PMI通常以50%作为经济强弱的分界点，PMI高于50%时，反映制造业经济扩张；低于50%，则反映制造业经济收缩。

7.平台风险准备金覆盖率(S7)

本文选取风险准备金覆盖率作为评估平台微观风险的重要指标之一。由于平台数据收集的困难，针对平台的微观风险，本文只选取人人贷这一个平台作为数据收集的来源，收集2012-2014年间的12个季度数据作为原始数据，所有平台相关数据均来自人人贷P2P平台官网。计算公式为：

风险准备金覆盖率=风险备用金余额/待还本金余额

8.平台坏账率(S8)

另一个反映平台微观风险的指标是平台的坏账率，坏账率是指逾期30天以上未归还的借款额占历史成交金额的比例，计算公式为：

坏账率=OP(30+)/历史成交额

其中OP(30+)是指逾期30天以上尚未归还的借款金额。

9.平台平均投标利率(S9)

平台借款项目是作为投资标的供投资人进行投资的项目，项目的平均投标利率是指项目的平均收益率，投标利率的高低根本上是由借款人的借款利率决定的，而借款人的借款利率是平台根据其资产状况、信用状况、工作背景等多方面进行综合评估而定的。如若借款人的信用状况良好，借款风险较小，则其愿意成交的借款利率也会较低，这样借款项目的平均投标利率也就较低。所以，平均投标利率是反映借款人借款风险的重要指标，因而也是反映平台借贷风险的重要指标。

10.风险备用金余额增长率(S10)

本文针对研究的P2P平台人人贷出于对所有理财人的共同利益考虑，建立了称为“本金保障计划”的信用风险共担机制。在人人贷平台发生的适用于本金保障计划的每笔借款成交时，都会提取一定比例的金额放入“风险备用金账户”， 当理财人投资的某笔受保障借款出现严重逾期时(即逾期超过30天)，人人贷将根据风险备用金账户使用规则，通过风险备用金向理财人垫付此笔借款的剩余出借本金或本息。人人贷平台的“本金保障计划”为理财人提供了有效的风险共担机制，分散了理财人投资行为所带来的信用风险，营造了一个安全健康的投资环境，保障了理财人的权益。因此，平台的风险备用金余额能够在一定程度上反映平台借款项目的信用风险。

11.历史成交金额增长率(S11)

本文以2012-2014年间人人贷平台的季度数据为数据来源，计算出平台每个季度的历史成交金额增长率，用以反映平台发展的泡沫型风险。

12.社会融资规模增长率(S12)

社会融资规模是指实体经济(即非金融企业和个人)从金融体系获得的资金量。其中，增量指标是指一定时期内(每月、每季度或每年)获得的资金总额，存量指标是指一定时期末(月末、季度末或年末)获得的资金余额。从指标构成看，社会融资规模存量统计由四个部分九项指标构成：一是金融机构表内业务，包括人民币和外币贷款；二是金融机构表外业务，包括委托贷款、信托贷款和未贴现的银行承兑汇票；三是直接融资，包括非金融企业境内股票和企业债券；四是其他项目，包括投资性房地产、小额贷款公司和贷款公司贷款。本文采用社会融资规模增长率这个指标，从传统金融体系与新生的P2P平台在一定程度上有竞争关系角度，来反映传统金融对P2P平台的冲击型风险。

13.金融机构各项贷款余额增长率(S13)

这里的金融机构包括中国人民银行、银行业存款类金融机构、信托投资公司、金融租赁公司和汽车金融公司，数据来源是中国人民银行官网公布的金融机构信贷人民币贷款余额信贷收支表。从传统金融体系与P2P平台的一定程度的竞争角度，用贷款余额增长率来反映平台的外部冲击型风险。

14.小额贷款公司贷款余额增长率(S14)

由于P2P平台的投资人和借款人多数为小额资金需求者和供给者，因此，用小额贷款公司的贷款余额增长率能够在一定程度上反映外部金融模式对P2P平台的某一方面的冲击型风险。综上所述，以上14个指标的数据如表4所示。

表4 各指标原始数据值

(二) 预警BP模型的构建

BP网络模型主要由三个部分组成，输入层、隐含层和输出层。本文采用的BP神经网络模型是标准的BP网络结构，包含一个输入层、一个隐含层、一个输出层。在后文中所确定的输入层、隐含层和输出层的节点数分别是14、12和3，本文构建的BP人工神经网络的拓扑结构如图4所示。

图4 BP神经结构拓扑图

1.输入层节点的确定及数据处理

本文选择2012-2014年的三个层次、14个监测指标作为神经网络模型的输入节点。本文在实际操作中，如果是国际通用标准的指标，则临界值是根据国际通用标准来确定，没有确定的国际通用标准的指标，主要参考历史数据和专家学者的研究并且结合我国的实际情况而定。

输入节点的数据处理主要包括同趋势化和归一化处理。同趋势化就是将一些逆向指标转换为正向指标，使得选取的14个指标值所表达的经济含义的方向是一致的，比如哪些指标值的原始数据越大，表示风险越大，其他数据就统一采取这个方向。本文采取的归一化处理是将每一个指标值处于各自论域上的最大值，将这些数据统一转化成闭区间[-1,1]上的无量纲性指标值[4]。

2.隐含层节点的选择

对于BP神经网络，隐含层节点数的选择与输入层单元和输出层单元的多少有关。根据1990年C.Eberhart等人的专著《神经元网络PC工具》中指出:“这是一种艺术”。因为没有很好的解析式表示,可以说隐单元数与问题的要求,输入输出单元的多少都有直接的关系。根据对隐含节点的几何解释,知道第一隐含层的每个节点确定了一个判决面,它把N维输入空间分为两部分。第二隐含层的每个节点又将第一隐含层节点形成的多个判决面组合成凸域空间或者判决域。最后,输出结点又把多个凸域组合成任意形状的判决空间或判决边界。很明显,隐含层的结点有些用来提取输入图形的特征,有些则用来完成某些特殊功能。根据任务来确定隐含层节点的数目,确实是很困难的,这是因为网络映射的复杂性和由于许多成功地完成训练过程的不确定性的性质,目前大多数还是以经验为依据[5]。

一般参考的经验公式有：

这里n为输入节点数，m为输出节点数，l为隐含层节点数，a为1～10之间的常数。

由于后文通过主成分分析法确定的主成分因子数为3，因此网络的输出节点数确定为3。对于模型中最难确定的隐含层的节点个数，文章采用第二类参考公式，将隐含层节点格式从8～18逐次改变，进行网络训练。通过比较训练结果的误差收敛程度，确定当隐含层节点个数为12时，建立的BP神经网络的性能最优。因此，将该网络的隐层节点个数确立为12个。

3.输出层节点的选择

在建立的BP神经网络的学习训练阶段，一般来说样本数据的期望输出值应该是已知量，可由历史资料给定或数学统计方法评估得出。由于P2P模型本身在我国发展的时间并不长，已有针对P2P平台风险的研究或者历史资料并不多，并且，将BP模型应用与P2P平台风险研究的研究还没有尝试，因此由历史数据资料给定这一方法无法实现。本文采用数学统计上的评估方法，用多变量因子分析法的评价结果作为样本数据的期望输出值。

首先，用上文中选取的14个检测指标的原始数据，经过同趋势化和归一化处理之后，利用主成分分析法，提取出3个公因子G1、G2、G3，这3个公因子的累积方差达到86.667%，即表示这3个公因子指标所反映的P2P平台的金融风险就能很好地代表这14个指标所反映的平台风险。因为初始选取的14个指标在一定程度上都有很强的相关性，在利用主成分分析法之后，就能去除这些相关性的影响，选出代表P2P平台风险的3个监测指标作为公因子。

其次，采用回归分析法，计算出各因子得分，以各个因子的方差贡献率占3个公因子总方差贡献率的比值作为权重，进行加权汇总，得出12个季度期的平台得分G，这个得分G就是反映各个时期P2P平台风险的高低，并据此制定P2P网贷平台风险防范的策略。得分G的计算公式如下：

G=(49.736×G1+38.625×G2+11.639×G3)/89.667

G1、G2、G3分别是公因子1、公因子2、公因子3的得分。

各个时期的因子风险得分如表5所示。

本文依据各个时期最终的因子得分的高低，将风险状况分为Ⅰ较大风险、Ⅱ风险、Ⅲ基本安全、Ⅳ安全等四种不同的风险程度。

若G ∈(-∞,0]，则平台风险状况属于Ⅰ [1000]，为安全等级。

若G ∈(0,0.4]，则平台风险状况属于Ⅱ [0100]，为基本安全等级。

若G ∈(0.4,0.8]，则平台风险状况属于Ⅲ [0010]，为风险等级。

若G ∈(0.8 ,1 ]，则平台风险状况属于Ⅳ [0001]，为较大风险等级。

表5 各时期因子风险得分表

4.BP模型网络参数的设置

除了以上对BP神经网络模型的输入层节点、隐含层节点和输出层节点的数据处理之外，还要确定网络的传递函数(包括从输入层到隐含层和隐含层到输出层两步)以及训练目标等参数。BP网络的传递函数有多种。Log-sigmoid型函数的输入值可取任意值，输出值在0和1之间；tan-sigmod型传递函数tansig的输入值可取任意值，输出值在[-1,1]之间;线性传递函数purelin的输入与输出值可取任意值。对于非线性问题，输入层和隐含层大多采用非线性的传递函数，输出层则采用线性函数，这样对于输出值可以保持其输出范围。非线性系统中，如果样本的实际输出值都是大于零时，一般采用Log-sigmoid函数；如果不是，则采用Tan-sigmoid函数[6]。

本文建立的BP网络选用的是有14个输入节点的输入层，12个隐含节点的单个隐含层，4个输出节点的输出层的结构。在隐含层和输出层中，传递函数均选用Sigmoid函数，即：

其中，β根据样本自适应变化，输出值在0～1之间。

误差函数定义为网络的期望输出和实际输出值之差的误差平方和，即：

En=∑(Odk-Pdk)2

其中，Odk表示第d个变量第k个公因子的期望输出；Pdk表示第d个变量第k个公因子的实际输出；En表示训练次数为第n次时的误差平方和；可接受的误差标准为ε=0.001。

(三) BP神经模型的训练与检验

在本文建立的改进BP模型中，利用2012-2014年间前12个季度的样本模式对网络进行训练，达到误差要求后，用2014年第四季度的样本值对模型进行检验。网络的训练和检验过程都通过Matlab软件完成。

1.模型的训练

BP模型训练的输入值如表6所示。

表6 BP模型训练输入值

BP模型输出值如表7所示。

2.模型的检验与应用

运用2014年第四季度的样本值对所建立的BP神经网络模型进行检验，检验过程的输入和输出如表8、表9所示。

表7 BP模型输出值

根据检验结果，实际输出和期望输出接近，之间的误差满足误差要求。因此，可用所建立的BP人工神经网络模型对P2P借贷平台的风险进行预测，以达到监测预警的目的。

五、研究结论

构建一个科学有效的P2P平台风险预警模型，对于尽早识别和预警平台风险，及时采取有效措施防范化解风险具有重要现实意义。一些传统的风险预警模型多通过数理统计分析、逻辑回归等方法进行预测，但是由于存在一些高难度的非线性关系，以及过分依赖历史数据等约束，这些方法并不适用在P2P这一新生金融模式的风险预警问题上。因此，本文的将BP神经网络引入P2P平台的风险预警研究中，为平台的风险管理提供了一种全新的思路。

表8 模型检验输入因子值

表9 模型检验输出因子值

[1] 刘冬青.基于线性回归模型的余额宝价值分析[J].哈尔滨商业大学学报：社会科学版，2014(5)：47-54.

[2] 王飞，黄玲.平台时代第三方治理功能的拓展路径研究[J].西安财经学院学报，2016(1)：57-61.

[3] 曹一.论加强 P2P 网络借贷平台的监管[J].金融监管，2011(4):32-35.

[4] 姜松.基于BP神经网络的中国贸易增长与环境损害预测研究[D].昆明：云南财经大学，2008：92.

[5] 李必辉.基于神经网络的销售分析预测研究与应用[D].上海：东华大学，2007：93-95.

[6] 陈朝晖，张艳芳.基于BP神经网络的商业银行风险预警模型研究[J].福建商业高等专科学报，2011(2):43-48.

(责任编辑：王晓红)

The Empirical Analysis and Risk Early Warning Model Building of P2P Lending Platform

YAOChang-yan1,WUShan-shan1，2

(1.School of Economics,Xi’an University of Finance and Economics，Xi’an 710100，China;2.Central Sub Branch of Jinan,China Minsheng Bank,Jinan 250000,China)

With the fast development of the P2P, the management problem especially the risk management problem has been a big challenge of the P2P platform.From the macro and micro aspects, we selected 14 indexes in 3 levels to establish the warning index system. And we used the improved BP algorithm, the SPSS software to analyze the statistics, used the Mat-lap to train the neural network. Finally, the paper also provided some suggestions on risk warning, for example, the organization systems’ building,the information systems’ building, the human resource’s building, the platform’s self-management and investor’s management.

the platform of P2P; neural network; BP model; risk early warning

2015-09-20

姚畅燕(1969-)，女，甘肃天水人，西安财经学院经济学院讲师，金融学硕士，研究方向为银行理论与实践；吴姗姗(1990-)，女，安徽桐城人，西安财经学院经济学院硕士生，中国民生银行济南市中心支行职员，研究方向为风险管理理论。

F830.95

A

1672-2817(2016)04-0052-08