，（博士生導(dǎo)師），

一、引言

在我國，隨著互聯(lián)網(wǎng)技術(shù)、通信信息技術(shù)的不斷創(chuàng)新以及與金融業(yè)的快速融合，互聯(lián)網(wǎng)金融中的重要組成部分——P2P網(wǎng)絡(luò)借貸得到了快速的發(fā)展。P2P（Peer to Peer Lending）是指借貸雙方不經(jīng)過金融中介機構(gòu)，直接在線交易的金融借貸服務(wù)模式。P2P在促進(jìn)普惠金融發(fā)展、提升金融服務(wù)質(zhì)量和效率、滿足多元化投融資需求等方面發(fā)揮了積極作用，展現(xiàn)出了其巨大的市場空間和發(fā)展?jié)摿Α?017年6月底，全國網(wǎng)貸平臺貸款余額為10449.65億元，歷史累計成交量達(dá)到了48245.23億元，可以看出，其已成為一個新興的萬億級市場。

值得注意的是，網(wǎng)貸當(dāng)中的活躍群體——高校學(xué)生需要多元化的消費，但他們的經(jīng)濟尚未完全獨立，因此成為網(wǎng)絡(luò)信貸市場上重要的借款人群。據(jù)“網(wǎng)貸之家”對高校學(xué)生網(wǎng)絡(luò)借貸數(shù)據(jù)統(tǒng)計，西部地區(qū)學(xué)生借款占比最大，達(dá)到總量的73.53%；借款需求度排前五位的依次為甘肅（11.2）、青海（9.95）、貴州（8.99）、內(nèi)蒙古（6.66）、寧夏（6.37）。可見，校園網(wǎng)絡(luò)貸款作為國家助學(xué)貸款的補充，為低收入地區(qū)高校學(xué)生提供了有力的經(jīng)濟支持，起到了一定的“幫弱扶弱”作用。

然而，學(xué)生貸款普遍存在違約幾率較高的問題。2006年全國學(xué)生資助管理中心公布的數(shù)據(jù)顯示，31所中央部署高校和118所地方高校中，助學(xué)貸款平均違約率為18.53%。2009年，助學(xué)貸款的不良率達(dá)30%，是普通貸款壞賬的15倍。校園網(wǎng)絡(luò)借款情況更加不容樂觀，總體逾期幾率和違約幾率分別達(dá)到36.74%、10.28%，其中用于創(chuàng)業(yè)的借款違約率最高，為11%。同時，除了少數(shù)惡性行為以外，“裸條”“暴力催收”等一系列負(fù)面事件的發(fā)生使校園貸款蒙上灰色。導(dǎo)致這些事件發(fā)生的根本原因是高校學(xué)生經(jīng)濟尚未獨立，缺乏還款保障和自我保護(hù)意識。2017年5月27日，銀監(jiān)會、教育部、人力資源社會保障部下發(fā)了《關(guān)于進(jìn)一步加強校園貸規(guī)范管理工作的通知》，要求未經(jīng)銀行業(yè)監(jiān)管部門批準(zhǔn)設(shè)立的機構(gòu)禁止提供校園貸款服務(wù)，且現(xiàn)階段網(wǎng)貸機構(gòu)一律暫停校園貸款業(yè)務(wù)，對于存量業(yè)務(wù)要制定整改計劃，明確退出時間表。

無論P2P校園網(wǎng)絡(luò)貸款這一在我國曾經(jīng)服務(wù)過幾十萬在校學(xué)生的金融工具是否消失，也無論其會再以哪種新模式服務(wù)高校學(xué)生，都十分有必要對其進(jìn)行重新審視。發(fā)現(xiàn)與高違約相關(guān)的重要個人風(fēng)險因素，對構(gòu)建校園網(wǎng)絡(luò)貸款的安全線、降低借款違約幾率、保護(hù)在校學(xué)生權(quán)益、培養(yǎng)大學(xué)生的信用意識以及加強P2P網(wǎng)貸平臺個人信用風(fēng)險防范管理都具有重要的意義。

二、相關(guān)研究及啟示

與P2P網(wǎng)絡(luò)貸款相關(guān)的研究尚處于起步階段，而對大學(xué)生P2P網(wǎng)絡(luò)貸款行為的研究更為鮮見，但P2P網(wǎng)貸中關(guān)于個人信用的研究方法可以作為借鑒和參考。

目前國內(nèi)外的研究多考察借款發(fā)起人的“軟信息”和“硬信息”對其違約風(fēng)險和貸款獲得產(chǎn)生的影響?！败浶畔ⅰ笔遣荒苡脺?zhǔn)確的數(shù)值或者指標(biāo)表示的信息，如社會資本、受歡迎程度；“硬信息”是指能用準(zhǔn)確數(shù)值或者指標(biāo)表示的信息（劉峙廷，2011），如年齡、性別、財務(wù)狀況等。

在評價個人信用的方法上，以統(tǒng)計學(xué)和運籌學(xué)方法為主，如判別分析法、Logistic回歸法、線性回歸法、ZEAT模型等。此外，信用評分的非參數(shù)統(tǒng)計方法也得到了很快的發(fā)展，如決策樹法、K-近鄰判別分析法等。20世紀(jì)80年代，基于人工智能的信用評價方法，如神經(jīng)網(wǎng)絡(luò)、遺傳算法等，為解決評價中的復(fù)雜問題提供了新的思路。在評估方法方面，混合方法比單一方法顯示出更高的精度和更強的解釋力（Blanco，2013；Oreski，2014；Lopez、Jeronimo，2015）。在利用數(shù)據(jù)挖掘技術(shù)構(gòu)建的評分模型中，Logistic回歸模型整體準(zhǔn)確率比較高（Bekhet、Eletter，2014）。Lyer（2014）認(rèn)為對于小規(guī)模借款人，非標(biāo)準(zhǔn)的財務(wù)信息數(shù)據(jù)篩選機制十分重要。

國內(nèi)學(xué)者多基于“拍拍貸”數(shù)據(jù)，從評估方法上展開研究，如進(jìn)化的神經(jīng)網(wǎng)絡(luò)模型（喻敏、吳江，2011）、決策樹和神經(jīng)網(wǎng)絡(luò)組合模型（楊勝剛等，2013）、非線性主成分法結(jié)合神經(jīng)網(wǎng)絡(luò)及Logistic法（熊志斌，2013）、模糊近似支持向量機（姚瀟、余樂安，2012）。國內(nèi)網(wǎng)絡(luò)貸款平臺對借款人的信息采集多偏向“硬信息”，這使得與“軟信息”相關(guān)的研究難以開展。

鑒于我國對于高校學(xué)生P2P網(wǎng)絡(luò)借貸個人信用風(fēng)險因素研究尚處于空白階段，且國內(nèi)P2P平臺缺少“軟信息”數(shù)據(jù)，本文采用美國網(wǎng)絡(luò)貸款平臺Lending Club公開脫敏數(shù)據(jù)，運用機器學(xué)習(xí)和數(shù)據(jù)挖掘方法，得到P2P校園貸款個人違約風(fēng)險因素重要字段，并據(jù)此提出降低P2P校園網(wǎng)絡(luò)貸款個人違約風(fēng)險、保護(hù)在校學(xué)生的措施。

三、數(shù)據(jù)分析

美國目前P2P網(wǎng)絡(luò)貸款總額已超百億美元，其中Lending Club網(wǎng)貸平臺交易規(guī)模占到美國交易總量的60%以上，含有豐富的借款人信息可供研究。本文根據(jù)“Student-College”“Student-Technical School”等字段，從LendingClub.com公開的231059條脫敏信息中，選出含有81個維度的共817條高校學(xué)生借款數(shù)據(jù)，采用R語言（x64 3.2.3）軟件并基于Adaboost算法進(jìn)行數(shù)據(jù)挖掘分析。

數(shù)據(jù)分析主要步驟如下圖所示：①對數(shù)據(jù)進(jìn)行清洗、填補、變量格式轉(zhuǎn)化、變量整合、系統(tǒng)化、標(biāo)準(zhǔn)化等初步處理，以獲得可供分析之用的合理數(shù)據(jù)。②對于維度大的數(shù)據(jù)，篩選信息增量大的維度，作為回歸分析的重要變量。③將樣本分為訓(xùn)練數(shù)據(jù)集和檢測數(shù)據(jù)集兩部分。在訓(xùn)練數(shù)據(jù)集上采用Adaboost迭代算法，基于數(shù)據(jù)特點構(gòu)建Logistic回歸分類器，對分類器集訓(xùn)后，基于擬合誤差，賦予各弱分類器不同權(quán)重，當(dāng)誤差小于設(shè)定值時，停止訓(xùn)練，構(gòu)建強分類器，計算自變量系數(shù)。由于樣本維度大，本文選擇隨機迭代方法。④在檢測數(shù)據(jù)集上檢驗結(jié)果的準(zhǔn)確性。

本文數(shù)據(jù)分析方法圖

（一）數(shù)據(jù)初步處理

數(shù)據(jù)初步處理主要包括數(shù)據(jù)取舍和重要缺失值填補。每條數(shù)據(jù)的81個維度中，主要舍棄兩類維度：一是14個缺失值超過400導(dǎo)致填補難度過大的維度；二是15個諸如編號一類的中性維度。對借款狀態(tài)、雇傭狀態(tài)等信息的賦值詳見表1。

表1 部分指標(biāo)維度賦值

Total Credit Linespast 7 years、Inquiries Last 6 Months、Current Delinquencies、Delinquencies Last 7 Years、Public Records Last 10 Years五個字段缺失 4條數(shù)據(jù)，采用均值進(jìn)行填補。剩余12個字段存在約120個缺失，利用其余37個無缺失字段對其進(jìn)行線性擬合，補全缺失值。經(jīng)以上處理后，得到維度為51的814條借款數(shù)據(jù)。

（二）模型與方法

本文基于Adaboost迭代算法數(shù)據(jù)挖掘方法對樣本賦予不同的權(quán)重后，采用Logistic回歸模型，以Loan Status（借款狀態(tài)）為目標(biāo)變量，通過訓(xùn)練得到各指標(biāo)參數(shù)，利用隨機梯度算法進(jìn)行樣本參數(shù)自適迭代估計，探究P2P校園貸款借款人違約的重要因素指標(biāo)。

1.Adaboost迭代算法。Adaboost迭代算法是一種增強式學(xué)習(xí)算法，它能在普通算法產(chǎn)生的弱分類器的基礎(chǔ)上集成多個分類器，進(jìn)而學(xué)習(xí)得到強分類器。此方法可以排除次要訓(xùn)練數(shù)據(jù)特征，加強關(guān)鍵訓(xùn)練數(shù)據(jù)權(quán)重。主要的迭代過程為：

取樣本集T=｛（x1，y1），…，（xN，yN）｝，其中xi為參數(shù)的屬性向量，yi為布爾值。初始化數(shù)據(jù)權(quán)值：D1=（w1，1，…，w1，i，…，w1，N）。

其中w1，i為第i個樣本第一次弱分類迭代權(quán)重。

假設(shè)弱分類器為其在原始樣本迭代學(xué)習(xí)下符號輸出：

據(jù)此進(jìn)一步計算該分類誤差εm：

上述誤差率是樣本權(quán)重加權(quán)值，即樣本的平均誤差。

得到分類器hm（x）的誤差率，進(jìn)一步可以衡量該分類器的權(quán)重am：

將該權(quán)重送交下一輪迭代，并重新分配樣本的權(quán)重：

其中：

當(dāng)分類結(jié)果與實際結(jié)果一致時，e的指數(shù)部分為負(fù)；當(dāng)分類結(jié)果與實際結(jié)果不同時，e的指數(shù)部分為正。通過權(quán)重更新，對于分類錯誤的點，將賦予更高的權(quán)重；對于分類正確的點，將降低其權(quán)重。這樣在下一輪迭代中，若之前誤判的點被分類正確，則將有可能被重新選擇。

重復(fù)式（1）～式（5），直至m=M，集成M個弱分類器構(gòu)建最終強分類器H（X）：

2.Logistic算法。鑒于目標(biāo)變量為一個二分類變量取值，在Adaboots算法中采用Logistic回歸作為其中的分類器。Logistic模型是適合二分類問題結(jié)構(gòu)的線性模型，其基本形式為：

其中，e為殘差項，且當(dāng)自變量x=（x1，x2，…，xi）時，因變量y=1的概率為：E（y=1|x）=E（α+β1x1+…+βnxn）=P（y=1|x）。

3.隨機梯度算法。梯度算法在機器學(xué)習(xí)中常被用于參數(shù)的迭代估計，由于每次迭代都要遍歷m個樣本，固定梯度模型復(fù)雜度O（m）會隨樣本數(shù)和樣本維度大幅上升，減慢迭代速度。相較于固定梯度模型，Stochastic Gradient Descent（隨機梯度）在一定程度上降低了批梯度的遍歷量，復(fù)雜度從O（m）降為O（1），其算法表達(dá)式如下：

4.模型建立。

（1）根據(jù)信息增益值篩選重要維度指標(biāo)。模型的一般特征工程包括缺失值處理、數(shù)據(jù)歸約、降維等步驟。由于Logistic分類時變量過多，容易造成“維度災(zāi)難”、過度擬合、學(xué)習(xí)周期過長等問題，需要運用信息增益原理進(jìn)行指標(biāo)篩選。

表2 Credit Grade字段各等級屬性信息

樣本的信用等級從高到低用“0～8”表示，“Loan Status”中“1”代表該樣本處于違約狀態(tài)，“0”代表該樣本處于正常狀態(tài)。

計算該字段信息增益值：

用同樣的方法處理其余49個字段（分為離散型字段和連續(xù)型字段），可得到如表3和表4所示的信息增益。

表3 離散型字段信息增益

從表3可以看出，“最低社會信用評分”“是否朋友推薦”“是否獲得朋友投資”三個字段帶來的信息增益最高。表4中，由于離散化分區(qū)的大小對結(jié)果的影響較大，故其信息增益值Gain（x）與離散字段稍有不同，其中離散化后，“規(guī)則還款金額”“本金滯納損失”“規(guī)則本金還款滯納”“借款利率”四個字段帶來的增益效果均超過0.025，可將其作為自變量。

表4 連續(xù)型字段信息增益值

表5 中心化標(biāo)準(zhǔn)化后數(shù)據(jù)（部分）

（2）采用基于Logistic分類器的Adaboost迭代分類進(jìn)行集訓(xùn)。首先為樣本賦予初始權(quán)重：

再構(gòu)建Logistic弱分類器：

通過梯度下降估計參數(shù)：

每次迭代估計利用式（11）分類錯誤率進(jìn)行判斷選擇，為簡化表達(dá)式，令偏置項α=β0，j表示樣本編號，下標(biāo)i表示樣本維度編號，j=1，2，…，N，i=0，1，2，…，K。

計算分類錯誤率：

更新樣本權(quán)重，重新訓(xùn)練分類器：

重復(fù)式（8）～式（12）M次后，構(gòu)建強學(xué)習(xí)模型：

將總樣本按照8∶2分為652個訓(xùn)練樣本和162個檢測樣本后，按上述方法在訓(xùn)練集上構(gòu)建一個Logistic弱分類器，先給各樣本賦予初始權(quán)重：

再初始化Logistic模型自變量系數(shù)參數(shù)，經(jīng)線性回歸得到偏置項和7個維度自變量系數(shù)估計值：

代入Logistic模型，進(jìn)行第一次粗略判別，得到：

將訓(xùn)練樣本相應(yīng)變量代入式（14），得到的部分結(jié)果如表6所示。對結(jié)果取值0或者1，得到表7。

表6 初始迭代結(jié)果

表7 判別結(jié)果對照

隨機查找獲取判斷錯誤的點，如隨機獲取第144號樣本，查看原數(shù)據(jù)可知該點被誤判為1，則利用該點做第一次隨機梯度迭代，如隨機選擇梯度下降學(xué)習(xí)步長為0.2，則得到各自變量系數(shù)修正值：

繼續(xù)對結(jié)果（15）進(jìn)行第二次判別，并計算第二次判別錯誤率，以錯誤率作為迭代循環(huán)結(jié)束條件。適當(dāng)?shù)臈l件閾值對迭代精度和節(jié)約迭代次數(shù)十分重要，通常可以在0.3～0.6之間調(diào)整，本文取0.3。

再次通過式（14）可得到，在該參數(shù)下的判別錯誤的樣本個數(shù)為174，則判別錯誤率為：

其中w1，j為初始樣本權(quán)重，均為表示判斷錯誤的點。判別錯誤率低于0.3滿足條件跳出循環(huán)，可見由于隨機梯度的隨機性，在算法參數(shù)估計時將批梯度的復(fù)雜度O（N）降到O（1），極大地提高了大數(shù)據(jù)量處理的效率。

得到該Logistic弱分類器的判別錯誤率后，可進(jìn)一步計算該分類器在Adaboost中的權(quán)重：

確定了第一個分類器權(quán)重a1后，利用a1更新樣本權(quán)重，首先計算歸一化因子Z1：

再利用歸一化因子Z1，確定樣本權(quán)重為：

重復(fù)式（14）～式（19），構(gòu)建1000個Logistic弱分類器，得到各分類器的參數(shù)及權(quán)重，如表8所示。

表8 組合分類器概況（部分）

在加權(quán)Logistic回歸下，得到對應(yīng)系數(shù)（β0，β1，β2，β3，β4，β5，β6，β7）=（-1.1479，-0.0857，-1.4949，-1.8405，-0.4174，0.0872，-0.0633，0.0019）。

（3）回歸準(zhǔn)確性檢測。利用訓(xùn)練數(shù)據(jù)集，得到該算法的預(yù)測情況，如表9所示?？梢?，訓(xùn)練數(shù)據(jù)集上的準(zhǔn)確率為：（585-26）/652=93.71%。同樣地，利用檢測數(shù)據(jù)集得到該算法的預(yù)測情況，如表10所示?？梢姡瑱z測數(shù)據(jù)集上的準(zhǔn)確率為：（143+47）/162=90.74%?？傮w上，準(zhǔn)確率較高，要達(dá)到更高的準(zhǔn)確率，可調(diào)低式（16）的錯誤閾值，但要以迭代次數(shù)為代價。

表9 訓(xùn)練數(shù)據(jù)預(yù)測結(jié)果

表10 檢測數(shù)據(jù)預(yù)測結(jié)果

（三）結(jié)果分析

通過美國網(wǎng)貸平臺高校學(xué)生借款數(shù)據(jù)可知，信息貢獻(xiàn)度最大的字段為“最低社會信用評分”“是否朋友推薦”“是否獲得朋友投資”“規(guī)則還款金額”“本金滯納損失”“規(guī)則本金還款滯納”“借款利率”，這些字段與借款人是否能履約還款有較高的關(guān)聯(lián)度。

四、啟示

校園貸款的對象主要是高校學(xué)生，從年齡上來講，高校學(xué)生已屬完全民事行為能力人，但一般不具備獨立的經(jīng)濟能力，主要的消費經(jīng)濟來源是家庭，同時也缺乏理財能力和風(fēng)險意識，屬于成年人中的“弱勢群體”，在個人小額社會信貸活動中需要得到必要的保護(hù)。

1.構(gòu)建家校聯(lián)合的學(xué)生網(wǎng)貸知情機制。網(wǎng)絡(luò)貸款是一種市場行為，本質(zhì)上是貸款方為了獲得經(jīng)濟利益進(jìn)行的放貸。借款利率由交易雙方自行決定，具有市場化特點，波動性較大。過高的借款利率會給借款人帶來較大的還款壓力，容易造成借款不能及時歸還、“惡性催收”等不良后果。從保護(hù)學(xué)生角度出發(fā)，家長和學(xué)校要了解學(xué)生網(wǎng)絡(luò)貸款情況，對不合理的借款予以制止，支持和保護(hù)合理的借款需求。

2.網(wǎng)絡(luò)貸款平臺在對學(xué)生的貸款中要加強其社會支持確認(rèn)。是否朋友推薦、是否獲得朋友借款是重要的信用因素，如果平臺無法了解借款人的還款能力，則可通過與借款人有過正面互動的社交伙伴獲得相關(guān)信息。因為得到朋友推薦、獲得朋友的借款，往往意味著對借款人還款能力和信用的肯定。這與Lin（2009）的“‘軟信息’在P2P網(wǎng)貸平臺十分重要，社交網(wǎng)絡(luò)資源有助于減少信息不對稱，降低借款違約概率”的研究結(jié)果一致。因此，加強借款人的平臺社會網(wǎng)絡(luò)認(rèn)可能更好地保證借款人具備必要的還款能力，降低借款人的道德風(fēng)險。

從我國情況看，拍拍貸、名校貸、我來貸、分期樂等貸款平臺要求學(xué)生注冊時填寫的信息中（見表11），身份特性指標(biāo)欠缺，中性信息（無法通過該指標(biāo)判斷用戶屬性，如手機、姓名、身份證號碼等）較多，但這對評估用戶信用屬性貢獻(xiàn)度較小。貸款平臺應(yīng)在缺少借款人信用“硬指標(biāo)”的情況下，采用“軟指標(biāo)”（如社會網(wǎng)絡(luò)資源指標(biāo)），以降低其違約風(fēng)險。

3.把控借款用途和借款利率，建立借款風(fēng)險檔案。網(wǎng)貸平臺要嚴(yán)格把控借款利率和借款用途兩道關(guān)，從借款利率和用途兩方面入手建立借款人的風(fēng)險檔案。據(jù)統(tǒng)計，校園借款在創(chuàng)業(yè)、教育、購物方面的需求最大，借款人數(shù)分別占比31.13%、28.09%和27.09%，借款金額分別占比32.78%、27.95%、26.43%。風(fēng)險最高的創(chuàng)業(yè)資金需求占據(jù)著重要的地位。

鑒于借款利率越高，違約概率越大，網(wǎng)貸平臺應(yīng)對學(xué)生借款的利率予以限制，對特殊情況下的高利率借款及時進(jìn)行記錄和監(jiān)控。高利率借款反映出借款人對資金需求的迫切性，可能是非理性消費情況下的借款，有較高的潛在違約風(fēng)險。因此，一旦借款人不能依約分期還款，就要及時了解情況，提醒干預(yù)，必要時聯(lián)系家長和學(xué)校，降低借款人違約風(fēng)險。

4.盡快實現(xiàn)借款人社會信用信息共享。一方面，從“最低社會信用評分越高，違約概率越小”這一結(jié)果可知，過往的借貸信用積累對借款人違約風(fēng)險有重要的參考作用。但目前全社會成員的借貸信用信息并沒有公開，不利于網(wǎng)貸平臺控制借款人違約風(fēng)險。另一方面，目前我國高校學(xué)生信用狀況不容樂觀。從已公開的助學(xué)貸款信息來看，歷年借款違約率在10%以上，2002和2009年甚至達(dá)到30%以上，對學(xué)生進(jìn)行信用教育迫在眉睫。實現(xiàn)社會信用信息共享，既對在校學(xué)生增強信用意識、培養(yǎng)理性消費和理財觀念有著重要作用，又有利于網(wǎng)貸平臺把控借款人信用狀況，降低高校學(xué)生借款違約幾率。

表11 我國校園貸平臺學(xué)生信息字段

五、不足與展望

本文基于美國Lengding Club網(wǎng)貸平臺數(shù)據(jù)，采用Adaboost算法對P2P校園貸款違約相關(guān)因素進(jìn)行挖掘，而海量數(shù)據(jù)是數(shù)據(jù)挖掘的基礎(chǔ)，本文所采用的數(shù)據(jù)較為有限，加之未能采用我國校園貸款數(shù)據(jù)進(jìn)行分析，得到的結(jié)果可能不夠全面。將來可進(jìn)一步探討的問題還包括社會支持網(wǎng)絡(luò)在降低校園貸違約風(fēng)險中的作用機制，在網(wǎng)貸活動中如何識別、評估借款人風(fēng)險，以及如何建立家、校、社會聯(lián)合的風(fēng)險管理機制等。無論校園貸是否還會回歸市場，也無論其是否會以一種新模式出現(xiàn)，數(shù)據(jù)時代為改進(jìn)這一為在校學(xué)生提供大量金融服務(wù)的新工具創(chuàng)造了可能性。

Angilella S.，Mazzu S..The financing of innovative SMEs：A multicriteria credit rating model［J］.European Journal of Operational Research，2015（3）.

杜婷.基于粗糙集支持向量機的個人信用評估模型［J］.統(tǒng)計與決策，2012（1）.

李旭升，郭春香，郭耀煌.擴展的樹增強樸素貝葉斯網(wǎng)絡(luò)信用評估模型［J］.系統(tǒng)工程理論與實踐，2008（6）.

陳輝，任越.高校大學(xué)生信用缺失的成因及對策［J］.黑龍江教育（高教研究與評估版），2009（10）.

熊志斌.基于自適應(yīng)遺傳模糊神經(jīng)網(wǎng)絡(luò)的信用評估建模［J］.系統(tǒng)仿真學(xué)報，2011（3）.

熊志斌.基于非線性主成分分析的信用評估模型研究［J］.數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2013（10）.

喻敏，吳江.基于多進(jìn)化神經(jīng)網(wǎng)絡(luò)的信用評估模型研究［J］.計算機科學(xué)，2011（9）.

楊勝剛，朱琦，成程.個人信用評估組合模型的構(gòu)建——基于決策樹—神經(jīng)網(wǎng)絡(luò)的研究［J］.金融論壇，2013（2）.

姚瀟，余樂安.模糊近似支持向量機模型及其在信用風(fēng)險評估中的應(yīng)用［J］.系統(tǒng)工程理論與實踐，2012（3）.