河海大學商學院　張強　張雪　陳志明

基于云模型與組合賦權的P2P網貸公司風險評價*

河海大學商學院張強張雪陳志明

本文針對目前網貸行業(yè)問題平臺高發(fā)的趨勢，結合國內P2P網貸行業(yè)的實際情況，建立P2P網貸公司風險評價指標體系。筆者考慮各指標子系統(tǒng)之間的模糊性和隨機性，采用正態(tài)云模型實現(xiàn)風險指標定性與定量之間的映射，得出流動性、安全性和收益性各子系統(tǒng)的風險情況。最后，對2014年12月份全國時間加權成交量前100名的P2P網貸公司進行綜合的風險等級劃分并進行風險分析，為監(jiān)管部門和投資者決策提供參考。

P2P網貸公司云模型組合賦權風險評價

一、引言

2013年作為我國互聯(lián)網金融發(fā)展元年，2014年互聯(lián)網金融依舊火熱。然而，在P2P網貸行業(yè)瘋狂發(fā)展的背后卻是問題公司數(shù)量的急劇增加。據(jù)網貸之家測算，截至2014年底，累計問題平臺數(shù)量已達到367家。其中，2014年全年問題平臺達275家，平均約6個P2P平臺中就有一個是問題平臺。其中2014年12月問題平臺數(shù)量高達92家，超過去年全年問題平臺數(shù)量，網貸行業(yè)的問題平臺多數(shù)是詐騙、跑路、提現(xiàn)困難等原因導致。由于監(jiān)管的缺失和追責的不到位，問題平臺一旦發(fā)生將給投資者和社會造成巨大的損失。風險管理問題是網貸行業(yè)健康發(fā)展的重中之重，風險評估是風險管理中重要的一環(huán)，進行有效的風險評估可以為管理決策提供依據(jù)，在這種情形下，對P2P網貸公司風險評價等問題的研究具有重要的現(xiàn)實意義。

二、文獻綜述

目前，針對網貸行業(yè)的研究多集中于政策監(jiān)管等定性層面，較少涉及定量研究。目前，國內對借貸的研究大多集中在分析概念、模式和各國發(fā)展情況方面，對P2P網貸公司進行風險評價的研究還較少，但對于金融領域的其他分支的研究成果則較為豐富。李明等（2013）以模糊層次法為分析工具，建立小額貸款公司風險評價指標體系，并經三角模糊判斷，設定指標權重，進而對小額貸款公司風險做出最終評價，雖然取得了一定效果，但方法存在指標權重確定不確定性較大等問題。方先明等（2007）利用Hopfield神經網絡記憶與聯(lián)想功能，建立基于Hopfield神經網絡的風險評價模型，將其應用于信用風險評價，網絡運行結果可以反映信用風險的當前狀態(tài)，該方法面臨記憶容量的限制和權值的設定等難點。龔艷冰（2010）針對金融衍生品交易的高收益和高風險特性，采用支持向量機方法來處理數(shù)據(jù)，能較客觀地對衍生品的風險進行評價，為金融機構建立金融衍生品風險評價體系提供有力的支持，為了提高評價的準確性，還可以在支持向量機的核函數(shù)和參數(shù)的選擇上做進一步研究。鮑勤等（2014）利用中國銀行業(yè)數(shù)據(jù)，使用最大熵方法估計銀行間資產負債關系，建立銀行間市場網絡以研究我國單個銀行破產引發(fā)的金融風險的傳染概率和影響程度，但該方法存在結果泛化等問題。

考慮到上述方法的不足和影響網貸公司風險評價因素復雜繁多，且存在的模糊性與隨機性等諸多問題。本文引入組合賦權法和人工智能中的正態(tài)云模型，合理準確確定各指標的權重，將模糊性和隨機性完全集成到一起，對定性與定量相結合的信息進行處理，用于解決P2P網貸公司風險評價問題。

三、正態(tài)云基本理論

云模型是李德毅（1995）在傳統(tǒng)模糊集理論和概率統(tǒng)計的基礎上提出的定性定量不確定性轉換模型，用期望Ex、熵En和He超熵三個數(shù)字特征來表征一個概念，將模糊性和隨機性完全集成到一起，對定性與定量相結合的信息進行處理。云模型的種類有很多，如正態(tài)云模型、梯形云模型、半云模型等。李德毅（2004）已經論證了正態(tài)云模型的普適性，因此，本文選取正態(tài)云模型對網貸公司風險進行評估。由網貸公司風險的期望Ex和En熵兩個數(shù)字特征便確定了具有正態(tài)分布形式的云期望曲線方程：

在正態(tài)云模型中，根據(jù)正向正態(tài)云的“3En準則”，云滴對定性概念的貢獻主要集中在［Ex-3En，Ex+3En］，而該區(qū)間以外的云滴對定性概念的貢獻幾乎可以忽略不計。

云發(fā)生器建立起定性和定量之間相互聯(lián)系、相互依存的映射關系，主要包括正向云發(fā)生器、逆向云發(fā)生器、X條件云發(fā)生器和Y條件云發(fā)生器。正向云發(fā)生器是從定性到定量的映射，在已知三個數(shù)字特征的情況下用來生成所需數(shù)量的云滴。其輸入為表示定性概念的期望值Ex、熵En、超熵He和云滴數(shù)量n，輸出是n個云滴在數(shù)域空間的定量位置及每個云滴代表該概念的確定度。逆向云發(fā)生器是從定量到定性的映射，它將一定數(shù)量的精確數(shù)據(jù)有效轉換為以恰當?shù)亩ㄐ哉Z言值（Ex，En，He）表示的概念，并據(jù)此代表這些精確數(shù)據(jù)所反映的云滴的整體。X條件云發(fā)生器是當已知云的三個數(shù)字特征后，對給定特定的x值，產生這個x在概念中對應的一個云滴，即得到x對該概念的一個隸屬度。Y條件云發(fā)生器是對給定概念的隸屬度，產生對應該隸屬度的x值。本文主要通過正向云發(fā)生器和X條件云發(fā)生器建立網貸公司風險評估的云模型。

四、組合賦權法

各指標對于風險評價所起的作用不同，即相同的指標體系，權重不同，則評價結果也會產生差異。因此，需要首先確定各個指標的權重值。本文采用兩種方法確定各評價指標的權重，一種是基于信息熵原理計算指標的數(shù)學權重，另一種是利用網絡分析法（ANP）確定的經驗權重，基于兩種方法的優(yōu)點和不足，采用組合權重的方法確定最終的指標權重值。組合賦權法體現(xiàn)了系統(tǒng)分析的思想。

熵權法能夠更客觀地反映出指標信息熵的效用價值，其給出的指標權重值有更高的可信度。信息論中的熵值反映信息的無序化程度，用于度量已知數(shù)據(jù)所包含的有效信息量，熵值越小，某項指標的無序度越大，說明該指標提供的有效信息量較大，其權重也較大；反之，熵值越大，說明該指標提供的有效信息量較小，其權重也較小，因此可用信息熵評價指標信息的有序度及其效用。

網絡分析法（Analytic Network Process，ANP）是美國匹茲堡大學的T．L．Saaty教授于1996年率先提出的，它是在AHP層次分析法的基礎上發(fā)展起來的一種新的決策方法。ANP考慮的是系統(tǒng)中低一級元素對高一級元素的反饋，將系統(tǒng)劃分為兩部分：一是控制層，包括實現(xiàn)目標和決策準則；二是網絡層，由所有受控制層支配的元素組成，元素之間會相互作用。所以，盡管AHP作為重要的系統(tǒng)評價方法之一而得到了廣泛的應用，但是它只是考慮到了上層對下層的影響，并沒有考慮到同一層次元素之間是否有相互依存的關系，而ANP法恰恰解決了這一問題。本文采用SuperDecision軟件計算ANP法的權重。

熵權法和ANP法均具有各自的優(yōu)點與一定的局限性，本文采用組合權重法，綜合了數(shù)學權重和經驗權重的各自優(yōu)點，提高了權重選取的可靠性，其計算公式如下：

式中：w表示組合權重；w1表示評價指標的ANP法權重；w2表示評價指標的熵權法權重；α表示靈敏度系數(shù)，0<α<1。一般情況下，α取值范圍為0.5～0.7，本文選取中間值0.6作為組合權重的靈敏度系數(shù)。

五、基于正態(tài)云模型與組合賦權法的P2P網貸公司風險評價模型構建

考慮到網貸公司風險本身的復雜性，評價指標體系繁多，各指標對于風險評價所起的作用不同，即相同的指標體系，權重不同，則評價結果也會產生差異?？紤]到各指標上層對下層的影響和同一層次元素之間的相互依存關系，本文采用組合賦權法來確定指標權重。因此，將正態(tài)云模型和組合賦權法結合建立P2P網貸公司風險評價模型，該模型構建主要包括以下四個步驟：

Step1：輸入100家P2P網貸公司原始數(shù)據(jù)X，并對其進行預處理。

Step2：首先由云模型計算出各個評價指標的隸屬度矩陣μi（i=1,2...，n），n為評價指標的個數(shù)，按照最大隸屬度原則，取μi中的最大值，即ni=max｛u1，u2，...uk｝（為風險等級的評價級數(shù)），ni就是該公司該月份第i個指標的最大隸屬度。

Step3：采用組合賦權法確定權重向量W，采用模糊變換進行合成運算得到各個子系統(tǒng)的風險等級評價向量Nj（j=1,2，...m），m為待評價網貸公司的數(shù)量，即：

K為風險分類標準的級數(shù)，采用合成運算模型M（·，+），其中“·”為普通乘法運算，“+”為求和運算。

Step4：根據(jù)各公司子系統(tǒng)風險值的進行不同網貸公司風險的綜合評估。

六、P2P網貸公司風險綜合評價

（一）P2P網貸公司風險評價指標體系任何評價預測模型都是建立在一定的評價指標體系之上的，但是評價指標體系的確定是一項非常困難的工作?？紤]到P2P網貸公司的特點，本文把P2P網貸公司風險評價系統(tǒng)分為流動性、安全性和收益性3個子系統(tǒng)，P2P網貸公司風險是這個大系統(tǒng)中各子系統(tǒng)相互作用的產物，而這3個因子風險的大小是由多種不同的相應的指標以及其權重來決定的。因此，需要綜合考慮影響P2P網貸公司風險的各個子系統(tǒng)的主要指標進行分析研究。基于此，建立P2P網貸公司風險評價的指標體系。表1和表2分別是P2P網貸公司風險評價指標和評價標準。

表1　P2P網貸公司風險評價指標體系

表2　P2P網貸公司風險評價等級

流動性（X1）主要體現(xiàn)在投資者收回本息的快慢程度，流動性越強代表在該平臺收回本息越快。本文選取投資人數(shù)（X11）、借款人數(shù)（X12）、平均標的期限（X13）、債權轉讓情況（X14）、時間加權成交量（X15）作為流動性的評價指標。其中時間加權成交量為當月實際成交量和當月時間加權成交量加權得出。

安全性（X2）主要體現(xiàn)為投資者的資金的安全程度。本文考慮累計待還金額（X21）、待收杠桿（X22）和注冊資金（X23）來反應投資資金的安全性。其中待收杠桿=平臺待收/ (注冊資金×做實程度+風險準備金+擔保公司注冊資金× 0.5%×做實程度)。

收益性（X3）主要考慮平臺綜合收益率和風險收益比，收益性越高，表明在該平臺投資獲得的收益可能越高。風險收益比=(收益率—無風險收益率)/平臺待收杠桿。故本文采用綜合收益率（X31）和風險收益比（X32）來分析各P2P網貸公司的收益情況。

本文以全國2014年12月份時間加權成交量前100名的P2P網貸平臺為研究對象進行風險評估。綜合考慮流動性、安全性和收益性三個方面，構建基于正態(tài)云和組合賦權法的P2P網貸公司評價模型，對100家P2P網貸公司風險進行綜合評價，各評價指標的組合權重如表3所示。

表3　P2P網貸公司風險評價的組合指標權重值

（二）云模型數(shù)字特征的計算根據(jù)指標特征值及風險評價指標的等級劃分，可以計算出云的三個數(shù)字特征，期望Ex、熵En和He超熵，其中超熵He人為確定，這里取20。以時間加權成交量為例，四個等級區(qū)間為：1［a+∞），2（b，a），3（c，b］，4（-∞，c］，期望Ex的計算如下：

熵En的計算采用黃金分割模型，相鄰的語言值，離中心較近的語言值的熵是較遠的0.618倍。具體計算過程如下：

其中，xman和xmin分別為2014年12月份這100家網貸公司的時間加權成交量的最大值和最小值。

同理，可以計算出各個指標的云的三個數(shù)字特征，如表4所示。最后，根據(jù)步驟二和步驟三，依據(jù)最大隸屬度原則，選擇最大的隸屬度所對應的第個評價等級作為綜合評價的結果，如表5所示。

（三）P2P網貸公司風險評價根據(jù)前面關于正態(tài)云和組合賦權模型的介紹，以各公司投資人指標為例做具體的說明，探討正態(tài)云和組合賦權模型在P2P網貸公司風險評價中的應用。

首先，利用正向云發(fā)生器算法，生成各公司投資人數(shù)評價指標的綜合云模型圖，如圖1所示，橫軸是指標的級別劃分，縱軸是隸屬度。

表5　100家P2P網貸公司綜合風險等級正態(tài)云隸屬度

圖1　投資人數(shù)指標隸屬于風險等級的四級云模型圖

同理，運行上述方法，可以計算出各公司其他9個指標的云模型圖，進而得出最終的綜合風險等級，如表6所示。

表6　100家P2P網貸公司綜合風險等級

由表3可知，評級指標中時間加權成交量的權重最大，投資人數(shù)次之，債權轉讓情況的權重最小。投資者可以較多地關注不同網貸平臺的時間加權成交量和投資人數(shù)這兩個指標，結合自身的情況適當投標，以規(guī)避風險。由表6可以看出，2014年12月份時間加權成交量前100名的P2P網貸公司中，風險水平為一級的占比為10%，二級的占比為10%，三級的占比為56%，四級的占比為24%，三四級的占比達到了80%，可以看出整個P2P網貸行業(yè)處于較高的風險水平，這與2014年12月份問題平臺數(shù)量達到創(chuàng)紀錄的情況相吻合。

七、結論

本文針對目前網貸公司風險研究中存在的問題，以及相關研究的發(fā)展趨勢，結合已有的研究成果，對網貸公司的風險管理提出新的風險評價思路，基于中國網貸行業(yè)實際情況，構建了網貸公司的風險評價指標體系，較為全面地分析了影響網貸公司風險的因素。建立了定性定量不確定性轉換的正態(tài)云模型和組合賦權的風險評價模型，對2014年12月份全國時間加權成交量前100名的P2P網貸公司進行風險評估，得到綜合風險等級，并進行風險分析，方便投資者做出更加科學、滿意的決策。但是從具體風險分級結果來看，一些時間加權成交量排名靠前的平臺風險反而很大，聯(lián)想最近顯現(xiàn)出來的問題平臺，潛藏的風險主要在一些不可量化的指標，比如持股人情況，投資標的，是否涉嫌自融等。上述指標的獲取難度較大或者存在數(shù)據(jù)不準確等情況，這是本文的不足之處，也是后續(xù)需要研究的方向。

*本文系國家社會科學基金重大項目（項目編號：12&ZD214）階段性研究成果

［1］胡劍波、丁子格：《互聯(lián)網金融監(jiān)管的國際經驗及啟示》，《經濟縱橫》2014年第8期。

［2］黃震、鄧建鵬、熊明等：《英美P2P監(jiān)管體系比較與我國P2P監(jiān)管思路研究》，《金融監(jiān)管研究》2014年第10期。

［3］李明、劉桔林：《基于模糊層次分析法的小額貸款公司風險評價》，《統(tǒng)計與決策》2013年第23期。

［4］方先明、熊鵬、張誼浩：《基于Hopfield神經網絡的信用風險評價模型及其應用》，《中央財經大學學報》2007年第8期。

［5］鮑勤、孫紅霞：《網絡視角下的金融結構與金融風險傳染》，《系統(tǒng)工程理論與實踐》2014年第9期。

［6］山成菊、董增川、樊孔明等：《組合賦權法在河流健康評價權重計算中的應用》，《河海大學學報(自然科學)》2012年第6期。

［7］Saaty T L.Decision making with dependence and feedback:Theanalytic network process.1996.

［8］Kaur P,Mahanti N.A fuzzy ANP-based approach for selecting ERP vendors International journal of soft computing, 2008,3（1）：24-32.

（編輯成方）