■江乾坤　常夢瑤

我國P2P網(wǎng)貸平臺(tái)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(tái)正面臨風(fēng)險(xiǎn)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(tái)大數(shù)據(jù)風(fēng)控的定義、特點(diǎn)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(shí)性、制度缺失、數(shù)據(jù)處理復(fù)雜等應(yīng)用不足，建議加強(qiáng)征信體系專業(yè)化建設(shè)進(jìn)程，提高大數(shù)據(jù)真實(shí)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(tái)大數(shù)據(jù)風(fēng)險(xiǎn)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(tái)累計(jì)達(dá)4127個(gè)，網(wǎng)貸行業(yè)累計(jì)成交量為22075.06億元，預(yù)計(jì)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(tái)數(shù)累計(jì)數(shù)也超過2000家，部分P2P平臺(tái)壞賬率高達(dá)20%以上。雖然許多網(wǎng)貸問題平臺(tái)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(xiàng)整治而被清理整頓（江乾坤和陳文瑤，2016），但P2P網(wǎng)貸平臺(tái)的高利率—高風(fēng)險(xiǎn)特性帶來的風(fēng)險(xiǎn)控制難題卻會(huì)長期存在。事實(shí)上，P2P網(wǎng)貸平臺(tái)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(shí)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(yùn)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(yùn)用大數(shù)據(jù)技術(shù)進(jìn)行風(fēng)險(xiǎn)控制將是我國P2P網(wǎng)貸平臺(tái)可持續(xù)發(fā)展的重要議題。

一、P2P網(wǎng)貸平臺(tái)大數(shù)據(jù)風(fēng)控的定義、特點(diǎn)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(xiǎn)控制（簡稱“大數(shù)據(jù)風(fēng)控”）是指通過運(yùn)用大數(shù)據(jù)構(gòu)建模型的方法對借款人進(jìn)行風(fēng)險(xiǎn)控制和風(fēng)險(xiǎn)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(jià)值（劉新海，2014）。

（二）大數(shù)據(jù)風(fēng)控的特點(diǎn)

1.風(fēng)控?cái)?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(xiǎn)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(huì)提供給金融行業(yè)的。

2.風(fēng)控?cái)?shù)據(jù)實(shí)時(shí)有效。數(shù)據(jù)是有時(shí)間價(jià)值的，實(shí)時(shí)有效的數(shù)據(jù)對于風(fēng)險(xiǎn)評估結(jié)果影響很大，滯后的數(shù)據(jù)會(huì)影響評估結(jié)果，不能反映實(shí)時(shí)的風(fēng)險(xiǎn)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(jià)結(jié)果精準(zhǔn)?！盎ヂ?lián)網(wǎng)+”時(shí)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(shí)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(gè)風(fēng)控模型進(jìn)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(xiǎn)評估模式比較來看（表1），小數(shù)據(jù)時(shí)代有經(jīng)過60年打磨的傳統(tǒng)風(fēng)險(xiǎn)評估模式—評分卡建模技術(shù)，如FICO（Fair Isaac Company，費(fèi)埃哲）、Lending Club等，大數(shù)據(jù)時(shí)代則引入了大數(shù)據(jù)風(fēng)險(xiǎn)評估模式—機(jī)器學(xué)習(xí)技術(shù)，如ZestFinance、Kabbage等（張杰，2016）。

對比兩類風(fēng)險(xiǎn)評估模式可知：

第一，大數(shù)據(jù)風(fēng)險(xiǎn)評估模式的服務(wù)人群更廣泛。傳統(tǒng)風(fēng)險(xiǎn)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(xiǎn)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(xiǎn)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?jǐn)?shù)所包含的貸款人的變量一般只有幾十項(xiàng)，而Zest Finance模型包含的變量數(shù)以萬計(jì)，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(shí)的大小寫習(xí)慣，是否擁有預(yù)付款或已付全款的手機(jī)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(gè)人的精確圖景。

第三，大數(shù)據(jù)風(fēng)險(xiǎn)評估模式的建模方法更科學(xué)。FICO主要運(yùn)用可解釋性強(qiáng)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(dòng)率分析、表現(xiàn)期時(shí)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(diǎn)關(guān)注表達(dá)能力更強(qiáng)、準(zhǔn)確率更高的非線性模型，如梯度提升樹、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、張量分解等。讓機(jī)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(xiǎn)評估模式的變量個(gè)數(shù)更豐富。FICO評分一般擁有500個(gè)數(shù)據(jù)項(xiàng)，從中提取50個(gè)變量，利用一個(gè)預(yù)測分析模型做出信用風(fēng)險(xiǎn)量化評估。而Zest Finance模型往往要用到3500個(gè)數(shù)據(jù)項(xiàng)，從中提取70，000個(gè)變量，利用10個(gè)預(yù)測分析模型進(jìn)行集成學(xué)習(xí)或多角度學(xué)習(xí)，最終得到消費(fèi)者信用評分。

第五，大數(shù)據(jù)風(fēng)險(xiǎn)評估模式的運(yùn)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(jìn)行分析，并得出超過7萬個(gè)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(jìn)，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(xiǎn)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(tái)主要是作為傳統(tǒng)金融的補(bǔ)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(gè)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(bào)告為主要數(shù)據(jù)源，以專家經(jīng)驗(yàn)或?qū)＜乙?guī)則為評判策略。2015年初，央行釋放出了個(gè)人征信市場化的信號(hào)，“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(shí)可以做為征信報(bào)告的有效補(bǔ)充，例如移動(dòng)設(shè)備信息用于識(shí)別身份冒用、黑名單灰名單用于識(shí)別多頭負(fù)債、位置信息用于評估穩(wěn)定性、頁面行為分析用于識(shí)別欺詐、消費(fèi)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(tái)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(jìn)“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(dá)10萬元，平臺(tái)月費(fèi)率在0.78%。這一切都由計(jì)算機(jī)在后臺(tái)完成，大大節(jié)約了線下審核時(shí)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(jìn)行應(yīng)用。大數(shù)據(jù)中心負(fù)責(zé)對個(gè)人數(shù)據(jù)進(jìn)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(huì)根據(jù)用戶提交的電商消費(fèi)數(shù)據(jù)、銀行卡信息和手機(jī)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(huì)對個(gè)人借款人以及相關(guān)企業(yè)法人的真實(shí)身份進(jìn)行驗(yàn)證，確保借款人信息的真實(shí)可靠。其次，BeeR.C.密風(fēng)控將借款方五個(gè)風(fēng)控指標(biāo)調(diào)查數(shù)據(jù)分?jǐn)?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(xiǎn)控制模型，計(jì)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(gè)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(xiǎn)水平，決定可以接受的信用分?jǐn)?shù)水平。最后，風(fēng)控委員會(huì)根據(jù)分值召開決策會(huì)議，決議“同意”、“否決”或“要求補(bǔ)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(shí)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(rèn)為是行業(yè)內(nèi)首個(gè)基于大數(shù)據(jù)的風(fēng)控模型，首個(gè)能準(zhǔn)確預(yù)測借款標(biāo)的風(fēng)險(xiǎn)概率的風(fēng)控系統(tǒng)，也是首個(gè)能基于準(zhǔn)確風(fēng)控評級、制定風(fēng)險(xiǎn)定價(jià)的風(fēng)險(xiǎn)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(gè)數(shù)據(jù)維度相比，魔鏡風(fēng)控系統(tǒng)采用2000多個(gè)數(shù)據(jù)維度，平均使用400個(gè)數(shù)據(jù)維度來評價(jià)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(xiǎn)，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(dòng)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(gè)完備的全自動(dòng)風(fēng)險(xiǎn)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(xiǎn)定價(jià)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(xiǎn)模型會(huì)給出一個(gè)風(fēng)險(xiǎn)評分，以反映對逾期率的預(yù)測。每一個(gè)評分區(qū)間會(huì)以一個(gè)字母評級的形式展示給借入者和借出者。從AAA到F，風(fēng)險(xiǎn)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(gè)風(fēng)險(xiǎn)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(xiǎn)。

三、我國P2P網(wǎng)貸平臺(tái)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(tái)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(tái)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(xiǎn)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(yuǎn)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(tái)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(jià)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(jìn)而真實(shí)、動(dòng)態(tài)地反映個(gè)人與企業(yè)的經(jīng)濟(jì)狀況及信用等級。不過，目前各個(gè)企業(yè)對數(shù)據(jù)大多抱著封閉獨(dú)享的態(tài)度，數(shù)據(jù)與平臺(tái)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(gè)信用機(jī)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(shí)性難以判斷

首先，社交數(shù)據(jù)并不能準(zhǔn)確反映個(gè)人信用評級。美國最大的P2P平臺(tái)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(cuò)誤率高達(dá)50%（巴曙松，2016）。宜信曾大費(fèi)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(tái)的“刷單”現(xiàn)象嚴(yán)重，一種是商家找所謂的消費(fèi)者進(jìn)行“刷單”，賣家買快遞單號(hào)，其收件人和寄件人與實(shí)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(tái)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(jì)報(bào)告》顯示，46.3%的網(wǎng)民遭遇過網(wǎng)絡(luò)安全問題，我國個(gè)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(shí)有發(fā)生。在數(shù)據(jù)收集和使用過程中，許多數(shù)據(jù)會(huì)涉及個(gè)人隱私。美國對個(gè)人隱私的保護(hù)是有明確邊界的，而目前我國關(guān)于互聯(lián)網(wǎng)個(gè)人隱私保護(hù)和信息安全的相關(guān)法律還很薄弱，個(gè)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(hù)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(gè)技術(shù)問題，更是一個(gè)社會(huì)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(shí)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(gè)變量之間彼此相關(guān)，對變量進(jìn)行建模分析時(shí)可對每個(gè)變量精確分析并最終得到相對透明的結(jié)果供使用機(jī)構(gòu)參考。但是，大數(shù)據(jù)時(shí)代征信機(jī)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(jì)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(shí)際應(yīng)用中帶來諸多麻煩。超大規(guī)模的數(shù)據(jù)存儲(chǔ)和云平臺(tái)數(shù)據(jù)分析對計(jì)算機(jī)的存儲(chǔ)與計(jì)算能力的要求也會(huì)越來越高。

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

我國P2P網(wǎng)貸平臺(tái)大數(shù)據(jù)風(fēng)控的有效運(yùn)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(qiáng)征信體系專業(yè)化進(jìn)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(tái)征信面臨的首要問題。首先，應(yīng)允許P2P網(wǎng)貸平臺(tái)接入大數(shù)據(jù)信用數(shù)據(jù)庫，實(shí)現(xiàn)各方面信用平臺(tái)的有效對接，并注意建立違約披露機(jī)制。其次，鼓勵(lì)設(shè)立專業(yè)化的征信數(shù)據(jù)服務(wù)機(jī)構(gòu)。如蜜蜂數(shù)據(jù)建立的一站式征信服務(wù)平臺(tái)，與多家P2P平臺(tái)實(shí)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(xì)化征信范圍。

（二）提高大數(shù)據(jù)真實(shí)性處理能力

P2P網(wǎng)貸平臺(tái)在應(yīng)用大數(shù)據(jù)建模時(shí)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(xì)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(gè)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(tái)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(gè)人信息的外延邊界，明確區(qū)別個(gè)人信息與個(gè)人隱私。在現(xiàn)有國家和地方個(gè)人信息保護(hù)立法實(shí)踐的基礎(chǔ)上制定個(gè)人信息保護(hù)的專門法。設(shè)立個(gè)人信息監(jiān)督管理機(jī)構(gòu)，避免多頭監(jiān)管帶來的問題，強(qiáng)化個(gè)人信息保護(hù)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(jī)構(gòu)的重要原因之一就是其強(qiáng)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(shí)更新而且不斷細(xì)化。相比而言，我國P2P網(wǎng)貸平臺(tái)需要加大對量化的信用風(fēng)險(xiǎn)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(qiáng)化對數(shù)據(jù)與消費(fèi)者的理解。

［1］巴曙松，侯暢，唐時(shí)達(dá).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(shí)踐，2016（2）.

［2］江乾坤，陳文瑤.我國P2P網(wǎng)貸平臺(tái)創(chuàng)新“異化”現(xiàn)象探析〔J〕.商業(yè)會(huì)計(jì)，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(huì)計(jì)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(hù)的基本原則〔J〕.蘇州大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)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(huì)計(jì)學(xué)院教授

杭州電子科技大學(xué)會(huì)計(jì)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(tái)的風(fēng)險(xiǎn)因子挖掘與風(fēng)險(xiǎn)控制策略設(shè)計(jì)；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。