互联网金融信用风险测度研究

刘小南 唐振鹏

(1． 福州大学经济与管理学院， 福建福州 350108； 集美大学财经学院， 福建厦门 361021；2． 福州大学经济与管理学院， 福建福州 350108)

引言

互联网金融的概念在2012年被谢平首次提出。这是一个谱系的概念，涵盖了在互联网技术(大数据、云计算、人工智能、区块链等)和互联网精神(开放、共享、去中心化、平等、自由选择、普惠和民主)影响下，从传统银行、证券、保险、交易所等金融中介和市场，到瓦尔拉斯一般均衡对应的无金融中介或市场情形之间的所有金融交易和组织形式，是一种“新型金融业务模式”。相对于传统金融，互联网金融的信息不对称更加严重，面临的信用风险难以捕捉和衡量，尤其在当前形势下，国内信用收缩和经济下行的压力有所加大，部分互联网金融从业机构资产质量可能恶化，如何正确认识和测度互联网金融信用风险，提高风控能力，防范化解信用风险成为我们亟需解决的问题。本文拟对该领域文献进行综述，为学者进一步研究提供思路。由于互联网金融在我国实务界的发展不到三十年，各种模式仍在不断演变，学术领域的研究也在不断发展，如何选择研究文献，确定本领域综述的边界很重要。本文以“是否触网”作为“互联网金融”模式的判断标准，文中的“信用风险”指主观或客观原因导致的信息不对称带来的风险。文章试图从横向和纵向两个角度对该领域的研究脉络进行梳理：在纵向角度上，基于时间维度对不同历史阶段的研究成果进行评述，以期对未来的发展趋势有所了解；在横向角度上，主要对“触网”的各种互联网金融业务模式的信用风险测度方法进行综述，了解不同模式使用信用风险测度方法的现状和可能的研究空白。

一、发展脉络

本文选择收录文献时间较长、内容全面的中国学术期刊网络出版总库(CNKI)作为文献检索的数据库。数据采集时间为2020年10月1日，检索条件设为：全文含“互联网”并且关键词为“信用风险”、时间跨度不限、文献来源为“全部”,共获得相关文献852篇。由于本文主要对互联网金融各种模式的信用风险测度情况进行文献综述，为准确全面，以“是否触网”作为“互联网金融”文献的选择标准，采取人工逐篇筛选的方法，同时剔除会议综述、书评、新闻报道等非研究型文献以及与主题明显不符的文献，去除无作者、重复记录，最终筛选出512篇期刊文献作为研究样本。研究方法采用当前文献研究的主流方法——文献计量法进行分析。通过对研究样本文献的初步分类统计，使用excel工具绘制出互联网金融不同模式信用风险测度研究文献的数量年份图(见图1)，以及国家基金资助互联网金融不同模式下信用风险测度研究情况(见图2)，直观了解本领域发展的整体脉络。

图1 互联网金融不同模式信用风险测度研究 文献的数量年份

图2 国家基金资助互联网金融不同模式下 信用风险测度研究情况

根据图1发表文献的年度数量变化，互联网金融信用风险测度研究领域可以分为三个阶段：萌芽期(1995-2012年)，年均文献发表数量不到2篇；探索期(2013-2016年)，年均文献发表数量将近50篇；成熟期(2017年至今)，年均文献发表数量80篇左右。

第一阶段为萌芽期(1995-2012年)。这个阶段是互联网金融整个行业的起步阶段。在初期，业务模式单一，主要是银行互联网化的探索，偶尔有学者对网络银行进行研究，但总体上看，研究成果很少，还未有国家基金对该领域研究进行资助。到后期，金融功能随着电子商务网络平台的蓬勃发展开始真正“触网”，网络支付和融资业务模式开始创新不断。在支付模式方面，中国银联成立并开发了网络支付体系，金融系统连上了互联网，从此，资金实现了在网上的流动；在融资业务方面，以让渡资金使用权和收益权的P2P模式和众筹模式野蛮而无序地发展着，监管尚未同步。越来越多的学者开始关注互联网金融信用风险测度研究领域，探讨网上支付、网络借贷(包括P2P模式)和电子货币的信用风险，研究传统信用风险测度方式在互联网金融各种模式下使用的可行性。总体上看，虽然学术力量稳定增长，但缺乏相关基础理论，学术根基不牢，研究规模仍然不大。国家基金开始资助该领域的研究，探寻两个主题：网络银行信用风险以及信用衍生品在互联网阶段衡量和管理信用风险的可行性。

第二阶段为探索期(2013-2016年)。这个阶段以2013年互联网金融元年作为起始标志，传统金融的各项业务全面“触网“并且更加细化和专业，P2P网贷、众筹、电商金融等多种模式迅猛发展，金融科技的发展与实体经济深度融合，消费金融、供应链金融等传统模式结合网上金融功能后不断演变发展势头强劲。在学术领域方面，谢平2012年首次提出互联网金融的概念，正式确立了该领域的学术地位和价值。学者的研究成果2013年开始每年增长迅猛，并在2016年达到研究文献数量的顶峰，从图1清晰可见。在这个阶段，学者主要关注网络融资模式下信用风险的测度方法，特别是对该模式的P2P方式研究兴趣浓郁。同时，学者还尝试用不同方法对互联网金融整体信用风险进行测度，关注其对传统金融的影响程度。从图2可以看出，国家基金的资助在这个阶段数量不多，呈阶梯状上升，资助重点主要放在实务界最能体现互联网金融创新特点的网络贷款P2P模式。

第三阶段为成熟期(2017年至今)。这个阶段互联网金融各种模式的创新对促进小微企业发展和便利长尾客户发挥了传统金融难以替代的积极作用，但信用风险持续累积，监管层高度重视，于2016年4月出台《互联网金融风险专项整治工作实施方案》和一系列措施，开启为期一年全国范围内的互联网金融专项整治，该行业进入监管革新阶段。这些实务界的变化也充分反映在互联网金融信用风险测度领域的研究成果上。在这个阶段，文献整体数量逐年减少，但研究对象基本涉及互联网金融的所有模式。从图1和图2可以看出，网络贷款模式下P2P融资方式信用风险的测度仍是学者最感兴趣的研究内容，获得国家基金的资助也是最多的，即使在平台“爆雷潮”后监管趋严，科研成果和国家基金资助数量仍然在2018年达到这个阶段的小高峰，但随着P2P落实“三降”、良性退出、风险出清后，学者转而更多地研究能够直接承担着服务实体经济转型发展以及促进消费使命的供应链金融和消费金融，这两种模式信用风险的测度研究文献在整个领域中占比不断扩大，并获得更多国家基金的资助，由于这两种模式线上深度结合线下的场景，很可能成为该领域未来一段时间的研究趋势。同时，学者还继续关注支持大众创业的众筹模式，以及互联网金融整体信用风险的测度，但对于传统金融业务(银行、保险、理财、证券)“触网”带来信用风险测度方式的改变兴趣索然。

二、研究主题

互联网金融发展至今不到30年，信用风险的测度研究已然成为该学术领域重要的研究主题。对研究脉络进行梳理，有助于厘清互联网特性对信用风险测度方法带来的改变，为规范互联网金融行业健康发展提供有价值的启示。分析现有文献，可以发现该领域研究主要分为两类：一类把互联网金融作为一个整体进行信用风险测度研究，另一类从互联网金融单个具体模式的信用风险入手研究测度问题。

(一)互联网金融整体信用风险测度研究

互联网金融，是金融与互联网技术的结合，其整体信用风险的测度研究是伴随着对这两者关系的深入理解而逐步展开。学者的研究主要从两个方面进行：互联网金融自身信用风险的测度研究，以及互联网金融的出现对传统金融信用风险影响程度的研究。

在互联网金融自身信用风险的测度研究方面，学者或者从测度整体风险的角度研究信用风险，或者直接测度信用风险。从测度整体风险的角度研究信用风险方面，何雯妤采用模糊层次分析法构建综合风险指标体系，一级指标包括技术风险、信用风险、操作风险等六个。[1]董小君等通过PVAR模型从信用风险、流动性风险以及市场风险三个维度进行实证分析，共同结论是目前我国互联网金融风险等级处于高风险及以上，且信用风险是最主要的风险隐患。[2]欧阳资生等基于互联网金融指数和上证综合指数的日收益率数据进行Pareto极值分布模型的Var估计，结果表明，该模型能准确反映互联网金融的风险，且互联网金融的风险大于整个股票市场的风险。[3]在直接测度互联网金融信用风险的研究角度上，文献数量很少，且整体上实证说服力不足，这部分研究空白亟待后续学者补充。孙小丽等研究发现，将KMV模型运用于互联网金融信用风险评估在现实中具有一定的可行性。[4]陈春瑾从定性角度构建互联网生态圈的信用风险评价指标体系并赋予相应权重。[5]信用风险提供了一定的理论依据与决策参考。

在互联网金融对传统金融信用风险的影响测度方面，研究成果分歧很大。一部分学者认为互联网金融的出现增加了传统金融的信用风险。李明选等使用Eviews统计软件中的邹检验(Chow test)方法实证研究发现，在2005年我国出现互联网金融后，金融机构信用风险发生了显著的结构性变化，通过虚拟变量法检验结果测出信用风险因此变大了。[6]刘敏悦等通过“文本挖掘法”选取指标并进行主成分降维分析，然后采用随机效应回归模型测度发现互联网金融会加剧传统商业银行的信用风险。[7]另一部分学者认为互联网金融的出现反而降低了传统金融的信用风险。冯冠华通过面板门限回归方法实证检验发现，由于互联网金融信用风险的存在使金融市场形成了针对个体金融服务消费者风险偏好的有效甄别机制，传统金融信用风险反而因此降低了。[8]

(二)互联网金融具体模式信用风险测度研究

陈荣达等研究发现，互联网金融在中国的发展主要侧重金融模式革新，具有明显的跨越式特征，现有文献对互联网金融模式的归纳大致分为三类：互联网传统金融延伸模式、网络支付与数字货币模式和互联网金融理财与融资模式。[9]本文按此分类对互联网金融不同模式信用风险测度研究成果进行梳理。

1. 互联网传统金融延伸模式

银行、证券、保险作为传统金融的支柱行业，结合互联网技术扩大了服务范围和对象，但并未改变其金融本质，信用风险测度依然是核心问题，但研究文献数量较少，主要是关于传统金融机构的网上模式和无线下机构的纯线上模式这两个主题。

传统银行的网上模式是为适应互联网发展，更好服务金融群体而存在，基本沿用传统信用风险评价体系，学者的研究兴趣在于网上模式对商业银行信用风险影响程度的测度。沈中华等认为传统商业银行互联网划分为以电子计算机为终端的第一阶段和目前所处的手机银行阶段，运用Heckman两阶段模型进行实证研究，发现手机银行快速发展能提高商业银行的盈利水平，但对其信用风险没有显著影响。相对于传统银行的网上模式，纯网络银行主要开展“小存小贷”业务，虽然有着相似的信用风险定义和重要性，但是依靠更为复杂的大数据模型和人脸识别技术对完全来自互联网“长尾”客户的信用风险进行测度。[10]研究文献主要定性介绍目前纯网络银行使用的信用风险评估模型，如吴北的微众银行六大风控模型、网商银行的“滴灌模型”等，缺乏定量实证研究。[11]

相对而言，在证券、保险行业结合互联网技术的过程中，传统证券和保险机构的网上模式是当前主要的业务模式，借助互联网技术方便客户，纯线上证券和保险模式占比很少，学者对这两种模式信用风险的研究尚处于探索阶段。在互联网保险模式方面，学者主要关注模式创新、财务风险模型预警等方面的主题，较少直接针对信用风险进行研究。在互联网证券业方面，学者的研究重点在于发展纯线上模式的限制因素、互联网思维与目前证券业务的有效融合，缺乏对互联网证券信用风险的直接研究。

2. 网络支付与数字货币模式

中国人民银行颁布的《非金融机构支付服务管理办法》指出，第三方支付就是具有支付中介作用的非金融机构，在买卖双方交易的过程中，为双方提供资金的收付、清算和转移的服务。第三方支付包括网络支付、信用卡支付、电话支付等方式，本文主要侧重与互联网技术结合紧密的网络支付，包括互联网支付和移动支付。网络支付结合数字货币，是互联网金融在虚拟网络正常发挥金融功能的有效保证。

网络支付的信用风险指支付交易过程中，买方、卖方、支付平台或银行未履行相关义务而蒙受损失的可能性。该主题虽然一直是硕士、博士研究生的研究热点，但相对于其他模式，文献数量较少，以规范分析为主，实证分析主要从网络支付总体风险以及信用风险这两个角度进行，实证分析方法比较单一，主要使用层次分析法结合模糊分析法构建综合评价指标体系对风险进行判断。在网络支付总体风险测度研究中，贾洪文等和顾海峰等分别对互联网支付和移动支付的总体风险(法律风险、信用风险、操作风险、系统风险等)设置指标体系进行实证研究，发现两者的总体风险都为“一般等级“且信用风险都处在较低水平。[12][13]在网络支付信用风险测度研究中，区别于其他学者的电子商务分析角度，苑春荟等运用制度经济学理论，从制度约束、契约基础、产权安全以及利益权衡四个层面设置三级指标体系对支付企业与用户之间的信用风险影响因素进行评估。[14]吴晓光通过理论分析提出运用专家系统进行研究。[15]

数字货币和网络支付共同保证互联网金融正常发挥金融功能。学者对数字货币的研究角度主要从探讨与区块链、现金货币、消费升级、宏观经济和人民币国际化等关系入手，尚无文献直接讨论其信用风险相关内容。

3. 互联网金融理财与融资模式

互联网金融理财与融资模式，指借助网络银行、P2P、支付平台、众筹平台等互联网中介平台，个人投资者通过购买平台理财产品提供资金获得收益、借款人(包括个人或企业)获得融资的模式。P2P是互联网金融早期最具代表性但信用风险最大的融资模式,目前处于行业出清阶段。消费金融和供应链金融是线上结合线下场景，直接服务实体和消费者的新型融资模式。众筹是初创企业作为发起人通过众筹平台为其项目或创意筹募资金，公众投资者小额投资后，若项目完成最终可从发起人处获得实物或者股权回报的融资模式。

互联网金融理财与融资模式的信用风险主要是由于作为融资方的企业或个人不愿意或不能够在到期日履约而导致出资方发生损失的风险。互联网金融理财模式的信用风险研究文献数量较少，学者主要对理财产品信用风险产生的原因进行规范分析，或研究借助信用违约互换规避投资者信用风险。随学超等运用多元排序选择模型分析大学生作为个人投资者对互联网理财信用风险的认知偏差，韩锦绵等通过收益率数据来测算互联网金融理财产品的风险水平。[16][17]互联网金融融资模式信用风险的测度研究文献丰富，主要使用理论和实证方法对P2P、消费金融、供应链金融和众筹的信用风险进行研究。

在理论模型的运用方面，博弈模型作为分析融资模式各参与主体的信用关系最为常见。此外，针对P2P模式，李霖魁等运用社会资本理论并建立信贷市场模型对信用风险进行研究，谭中明等从生态学视角研究网贷生态系统信用风险。[18][19]针对供应链金融模式，李光荣等基于系统论提出六要素系统分析框架对供应链金融信用风险进行研究。[20]针对消费金融模式，徐爽等运用现代投资组合理论对消费信贷发放平台评估个人信用风险的影响因素进行研究，该理论研究表明，对借款人收入信息的甄别、对借款人守约行为的机制设计和对大量借款人的金融资产配置是影响平台对个人信用风险评估的三个重要因素。[21]针对众筹模式，赵成国等基于仿生学原理，运用金融生态系统理论，研究与构建了互联网科技众筹金融生态风险控制体系。[22]张奇等基于复杂社会网络与行为金融,将连续的DeGroot模型拓展至离散决策情形的多Agent模型，对信息不对称背景下中国充电桩众筹市场中的违约风险进行建模。[23]

在实证分析方面，学者对融资模式信用风险测度的研究主要围绕资金需求方或平台展开，研究内容包括构建信用风险评价指标体系，对测度对象信用风险分级，或结合建立信用风险度量和预警模型两个角度。如表1和表2所示。针对资金提供方信用风险的测度研究文献相对较少，研究角度比较单一，主要从行为金融学角度进行研究。

表1 P2P、供应链金融、消费金融、众筹模式评价指标筛选方法及代表文献

构建资金需求方或平台信用风险评价指标体系包括指标的选择和权重的赋予两个方面。不同融资模式，指标选取的侧重点不同。在考虑P2P模式平台的信用风险测度指标时，王丹等认为指标选择不仅应该定量与定性相结合，而且要多维度考虑。[24]郭海凤等认为不仅要选取和平台自身有关的指标，网贷参与者的指标也很重要。[25]姚畅燕等则建议从宏观和微观两个层面挑选指标。[26]P2P模式的借款人包括企业和个人。个人信用风险指标的选择和消费金融模式类似。蒋先玲等认为应该包括借款信息、借款人信息及认证信息三个方面的指标。[27]张成虎等认为应该结合软信息。[28]在考虑企业信用风险指标选择时，孙海莹认为可以从企业管理者情况、企业经营状况、企业发展前景、企业偿债能力和企业信用记录五个方面考虑指标的选取。[29]李鑫认为要结合资金成本和时间成本因素。[30]区别于P2P模式，供应链金融的融资对象虽然也是企业，但是指标的选取需从整体供应链的角度出发，增加对核心企业资信水平、供应链运作状况等方面的考虑，同时融入线上化因子，比如匡海波等认为指标应该包括申请人资质、交易对手资质、融资项下资产状况和供应链运营情况等方面。[31]

在对信用风险指标进行筛选赋权方面，如表1所示，层次分析法、因子分析法和主成分分析最为常用。学者除了使用单一方法外，还针对不同方法各自的局限，尝试改进或不同组合，保证筛选赋权后构建的信用风险指标体系更有效。张成虎等通过层次分析法与DEMATEL(决策实验室法)相结合确定指标体系的最终权重。[32]康峰等通过层次分析法确定指标权重后，构建基于模糊数学综合评价方法的定量指标评价模型和基于专家评分表的定性指标评价模型。[33]杨洋洋等结合神经网络判别法和层次分析法基于时间帧测度构建电商网贷动态信用评级模型。[34]在P2P模式指标筛选赋权时，井浩杰等利用主成分分析模型结合熵权法和方差百分比赋权。[35]陈为民等在主成分分析基础上结合偏最小二乘回归。[36]徐荣贞等将熵权法和CRITIC法相结合。[37]在供应链金融指标筛选方面，匡海波使用偏相关-方差分析进行第一次筛选，风险因子鉴别最优原理，再通过逐步神经网络遴选。[38]鞠彦辉使用盲数评价模型创建指标体系。[39]

学者还使用筛选赋权后的指标建立信用风险度量和预警模型，如表2所示，有的学者建立单个模型，有的学者通过多个模型的实证分析比较，找到相对准确度较高的模型。在建立单个模型的文献中，回归模型因其数据要求较低、计算简便、变量解释能力强，最常被学者采用，但受大样本影响，预测精度不够高。学者对该模型进行改进，阮素梅将LASSO思想与Logit模型相结合，建立L1惩罚Logit模型，能够得到比支持向量机模型、普通Logit模型更好的预测效果。[40]支持向量机模型有着更好的克服主观性，学习泛化能力强，也是互联网金融融资模式常用的信用风险评估模型，但其对数据缺失较敏感，运用到大样本数据也有一定局限，学者应在应用过程中进行改良。曾鸣等采用主成分分析法筛选变量，通过PSO算法对SVM进行优化，模型预测准确率为91.333%。BP神经网络模型无需设计初始权重，SEM模型在分析中能直接减少测量误差且分析出潜变量之间的结构关系，也是被学者使用的模型。学者在实证研究中，对多个模型的预测效果进行比较。[41]王文怡等认为决策树模型整体上要优于Logistic回归的判别。[42]程晖通过对比逻辑回归、决策树、随机森林、支持向量机模型的准确率、正例命中率、模型的可解释性等方面，最终选取逻辑回归模型来预测信用风险。[43]蒋先玲通过实证比较SMOTE-RF(随机森林)、C-SMOTE-RF、logistic、随机森林(RF)这四种信用风险判别模型后发现，C-SMOTERF 模型显得更加有效。[44]

表2 P2P、供应链金融、消费金融、众筹模式信用风险主要度量预警模型及代表文献

三、结论与展望

(一)结论

通过对互联网金融信用风险测度研究领域不到30年的知网文献总结梳理可以发现，学者们立足于不同的视角，运用不同方法对该领域深入研究，取得了不少有价值的成果。从文献数量的年度变化来看，该领域的研究可以分为三个阶段：萌芽期(1995-2012年)、探索期(2013-2016年)、和成熟期(2017年至今)。从研究角度上看，互联网金融信用风险的测度研究文献主要分为两类：一类把互联网金融作为一个整体进行信用风险测度研究，另一类从互联网金融单个具体模式的信用风险入手研究测度问题。

从整体角度研究时，文献内容不仅涉及互联网金融信用风险的测度研究，还涉及互联网金融的出现对传统金融信用风险影响程度的测度研究。文献梳理后发现，目前我国互联网金融风险等级处于高风险及以上，且信用风险是最主要的风险隐患，对互联网金融信用风险的直接测度是目前研究领域的空白，在互联网金融对传统金融信用风险的影响测度方面，研究成果分歧很大。

从单个具体模式角度研究时，文献内容主要涉及互联网传统金融延伸模式、网络支付与数字货币模式和互联网金融理财与融资模式的信用风险测度研究。互联网传统金融延伸模式的研究对象包括银行、证券和保险的网上模式和无线下机构的纯线上模式，研究文献数量少。网络支付与数字货币模式作为互联网金融在虚拟网络正常发挥金融功能的有效保证，研究方法单一，信用风险等级低。互联网金融理财与融资模式的信用风险测度研究中，关于理财角度的研究成果单薄，但对融资模式的研究较为深入，不同的具体模式研究侧重点有所不同。总体上看，融资模式信用分析实证研究文献的数据主要包括调查问卷专家访谈、财务数据、资本市场数据或通过各种网页数据抓取软件获得的实际贷款信息。学者的评估方法主要有：一、通过主成分分析、因子分析、层次分析等主观或客观方法对指标进行筛选后赋权，建立互联网金融信用风险评价体系，通过阈值对测评对象信用风险进行打分评级；二、在第一种的基础上，通过单独或结合使用统计计量方法(如多元线性回归、判别回归、Logistics回归等)、机器学习方法(如SVM、神经网络、决策树、随机森林等)建立模型，对评估对象信用风险进行测评或违约预警。

(二)展望

综上所述，互联网金融信用风险测度研究领域已取得较丰富的研究成果，随着互联网金融业态的发展，以下三点可能成为学者未来的研究重点。首先，从研究视角看，目前已有学者从系统论、生态学等跨学科角度对互联网金融信用风险进行理论框架的解读和实证测度模型的研究，跨学科的框架解读和模型设计将随着互联网金融业态的演变成为未来颇有价值的研究重点。其次，从研究对象看，目前学者的研究重点开始落在互联网金融整体信用风险的测度，以及与实体和终端消费者紧密结合的供应链金融和消费金融的信用风险测度研究，未来这方面的突破可能出现在加入时间的信用风险动态测度上。再次，从测度方法上看，由于互联网特性带来的半结构、非结构化的海量金融数据具有复杂的非均衡、噪声形态和非线性形变特性，结合人工智能、云计算等金融科技，研究更为有效的算法和模型将成为对互联网金融信用风险进行高效、准确、有效评价的必要条件。同时，区块链技术结合互联网金融具体模式，将数据区块以时间顺序依次相连的方式组合形成链式数据结构，以加密的方式保证数据不可篡改和不可伪造，为互联网金融信用风险测度研究从数据上解决信任问题。

注释：

[1] 何雯妤:《互联网金融的风险识别及防范对策——基于模糊层次分析法》，《黑河学院学报》2020年第6期。

[2] 董小君、石 涛:《“重灾区”互联网金融风险指数及其影响要素分析》，《现代经济探讨》2020年第3期。

[3] 欧阳资生、莫廷程:《互联网金融风险度量与评估研究》，《湖南科技大学学报》(社会科学版)2016年第3期。

[4] 孙小丽、彭 龙:《KMV模型在中国互联网金融中的信用风险测算研究》，《北京邮电大学学报》(社会科学版)2013年第6期。

[5] 陈春瑾:《互联网金融生态圈信用风险评价指标体系的构建》，《经济研究导刊》2019年第24期。

[6] 李明选:《互联网金融产业及其对传统金融冲击影响的研究》，博士学位论文，上海社会科学院,2015年。

[7] 刘敏悦、孙英隽:《互联网金融对商业银行信用风险的影响研究——基于股份制商业银行面板数据的实证分析》，《经济研究导刊》2020年第14期。

[8] 冯冠华:《互联网金融对金融机构信用风险的影响效应——基于PTR模型的非线性分析》，《东北财经大学学报》2018年第2期。

[9] 陈荣达、余乐安、金骋路：《中国互联网金融的发展历程、发展模式与未来挑战》，《数量经济技术经济研究》2020年第1期。

[10] 沈中华、张欣琦、任俊宇：《手机银行业务对商业银行盈利与信用风险影响探析——以中国上市银行为例》，《上海经济》2018年第3期。

[11] 吴 北：《论互联网银行业务创新的信用风险与防范》，《北方金融》2019年第2期。

[12] 贾洪文、贾镇燕：《基于模糊分析法对第三方支付风险评价的实证研究》，《甘肃金融》2020年第1期。

[13] 顾海峰、杨立翔：《互联网金融下我国第三方移动支付风险评价研究——模型构建与实证分析》，《金融监管研究》2017年第5期。

[14] 苑春荟、王 晨：《契约关系下的第三方网络支付信用风险研究》，《北京交通大学学报》(社会科学版)2017年第1期。

[15] 吴晓光：《第三方支付机构的信用风险评估研究》，《新金融》2011年第3期。

[16] 随学超、闫 言：《大学生对互联网理财风险的认知及其影响因素研究——来自安徽高校的经验证据》，《合肥工业大学学报》(社会科学版)2017年第4期。

[17] 韩锦绵、王馨梓：《基于VAR模型余额宝风险度量及管理研究》，《2015中国保险与风险管理国际年会论文集》，2015年。

[18] 李霖魁、张成虎：《P2P网络借贷中的借款人社会资本、风险甄别与市场均衡实现》，《当代财经》2017年第10期。

[19] 谭中明、马 庆、谭 璇：《P2P网贷主体信用关系刻画、信用风险生成与博弈行为——基于网贷行业生态圈视角的研究》，《西南金融》2018年第10期。

[20] 李光荣、官银学、黄 颖：《供应链金融信用风险特征、分析框架与管理对策》，《商业经济研究》2020年第13期。

[21] 徐 爽、黄 震、蒲 琳：《从投资组合理论视角观察互联网消费金融平台的授信决策》，《广东经济》2020年第9期。

[22] 赵成国、沈黎怡、马树建：《金融科技视角下供应链金融共生系统演化趋势研究》，《财会月刊》2019年第21期。

[23] 张 奇、李 彦、王 歌：《基于复杂网络的电动汽车充电桩众筹市场信用风险建模与分析》，《中国管理科学》2019年第8期。

[24] 王 丹、张洪潮：《P2P网贷平台信用风险评级模型构建》，《财会月刊》2016年第9期。

[25] 郭海凤、陈 霄：《P2P网贷平台综合竞争力评价研究》，《金融论坛》2015年第2期。

[26] 姚畅燕、吴姗姗：《P2P网络借贷平台风险预警模型构建及实证分析》，《西安财经学院学报》2016年第4期。

[27][44] 蒋先玲、张庆波、程 健：《P2P网络借贷市场信用风险识别》，《中国流通经济》2020年第4期。

[28][32] 张成虎、武博华：《中国P2P网络借贷信用风险的测量》，《统计与信息论坛》2017年第5期。

[29] 孙海莹：《我国P2P网络信贷信用风险影响因素分析》，《对外经贸》2015年第12期。

[30] 李 鑫：《借款人声誉与风险识别——来自P2P网络借贷的证据》，《金融发展研究》2019年第6期。

[31][38] 匡海波、杜 浩、丰昊月：《供应链金融下中小企业信用风险指标体系构建》，《科研管理》2020年第4期。

[33] 康 峰、徐 华、张 兴：《P2P网贷行业风险防范指标体系的构建与评价研究》，《西部金融》2019年第4期。

[34] 杨洋洋、谢雪梅：《基于大数据的电商网贷动态信用评级模型研究——来自“拍拍贷”的经验数据》，《征信》2019年第9期。

[35] 井浩杰、彭江艳：《P2P网贷平台借款人信用风险评估》，《厦门理工学院学报》2019年第6期。

[36] 陈为民、龙小凡、杨 密：《基于偏最小二乘回归的P2P网络借贷平台信用风险评估探究》，《湖南人文科技学院学报》2019年第5期。

[37] 徐荣贞、王华敏：《基于超网络模型的P2P网贷集群化研究》，《金融经济学研究》2018年第4期。

[39] 鞠彦辉、许 燕、何 毅：《信息混沌下银行线上供应链金融信用风险盲数评价模型构建》，《企业经济》2018年第6期。

[40] 阮素梅、周泽林：《基于L1惩罚Logit模型的P2P网络借贷信用违约识别与预测》，《财贸研究》2018年第2期。

[41] 曾 鸣、谢 佳：《互联网金融个人信用风险评估的指标选择方法》，《时代金融》2019年第33期。

[42] 王文怡、程 平：《基于Logistic和决策树模型的P2P网络借贷信用风险研究——以HLCT为例》，《上海立信会计金融学院学报》2018年第3期。

[43] 程 晖、董小刚：《基于数据挖掘的小微商铺信用风险分析》，《长春工业大学学报》2018年第5期。