1.导论

1.1 研究背景

P2P信贷作为最早出现的互联网金融平台在互联网金融中占有举足轻重的地位。P2P从字面理解就是一种个人对个人的借贷平台。在这个平台上，平台的建立者给予借贷双方一定的自由度，投资者通过对筹资方信息的筛选，自由选择自己青睐的投资，从这点看和传统的金融融资机构还是有很大区别的。

②预制混凝土板:预制混凝土板要平整，严格按照设计及相关规范要求施工，坡面误差不得大于±0.5 cm，板下严禁用小石子、中粗砂找平；板与板之间缝控制在1.5～2.5 cm之间。

1.2 研究目的

P2P公司作为新兴的网络借贷平台，其主要负责对筹资人各项信息的审查。筹资人通过审查后，会被收取相关费用，之后其借贷项目方可出现在P2P网络平台上。由于P2P行业入门的低门槛要求，监管不完善等原因，P2P信贷业的潜在风险是很大的。主要有：第一，网络风险、道德风险、信用风险。

从金融诞生至今，无论是以前的线下金融，还是如今的互联网金融，都需要加强对信用风险的控制，对于P2P信贷来说其信用风险的度量仍居于首位。因此，本文在对P2P信贷风险分析的基础上，重点研究其中的信用风险，并使用实证研究法对其信用风险进行度量，最后对P2P信用风险的控制和P2P未来的发展提出建议。

2.P2P信贷发展状况概述

第二章是对P2P网络信贷发展状况的简单介绍，本章一共分为3节；第一节是P2P发展背景的介绍；第二节是对我国P2P信贷模式的介绍，对比了我国现有的四种P2P信贷模式；第三节是我国和欧美国家P2P信贷模式的差异比较，主要从信用体系、信息透明度、运营模式三方面进行对比。

2.1 P2P信贷的发展背景

2.1.1 P2P信贷的定义

P2P信贷，即由具有资质的网络信贷公司(第三方公司、网站)作为中介平台，借助互联网、移动互联网技术提供信息发布和交易实现的网络平台，把借、贷双方对接起来实现各自的借贷需求。

另一方面，存在的问题也不容忽视。硬件方面，生均用地、实训实践基地及功能用房严重不足。如云阳职教中心生均占地面积、建筑面积分别为15.4m2和14.7m2，远低于33m2和20m2的国家标准。师资方面，总量不足，专任教师生师比18.2∶1，低于普通高中生师比16.55∶1；结构不优，高级双师型教师仅占12.7%。专业方面，建筑与施工等老牌强势专业影响力减弱，工业机器人等新兴专业影响力尚未形成。生源方面，社会上存在“重普轻职”现象，2018年全县普职比达到7.5∶2.5，中职学校面临招生难的困境。

2.1.2 P2P信贷的起源

P2P信贷其实是一种小额信贷，前边已经说过其本质是民间金融的互联网化。小额贷款金融早在上世纪中期就已经出生萌芽，之后随着互联网的发展，小额信贷出现在了网上，P2P信贷就随之诞生了。2005年，全球第一家P2P信贷平台Zopa在英国上线，P2P行业由此产生。两年之后，中国第一家P2P拍拍贷在上海成立，拉开了我国P2P行业的序幕。

2.2 国内外P2P信贷的差异

2.2.1 信用评价体系的差异

P2P信贷最大的风险既不是网络风险也不是道德风险，而是借款方的信用风险。随着金融业的飞速发展，信用这个词和每个人的消费行为息息相关。在西方发达国家，时至今日信用的积累已经有了百余年的历史，信用评价体系已基本完善。如美国的FICO信用评分系统，它将每个人的财务分成两块，一个是对外的财务会计，另一个适用于内部管理分析的成本会计。并从五个方面来衡量你的信用水平，如表2.3.1所示，计算出FICO信用分。

 

表2.3.1 FICO分数分布表

  

名称具体内容所占比例Paymenthistory支付历史35%Amountsowed欠款数量30%Lengthofcredithistory信用历史长度15%Newcredit最新信用行为10%Typeofcreditused信用类型10%

美国的大部分金融机构都会使用FICO来作为衡量个人信用的标准。P2P机构则会根据FICO评分对借款人进行信用等级划分，方便投资者根据其不同的等级进行筛选投资。如此一来，不仅提高了风控能力和工作效率，还降低了P2P的运营成本。但在国内由于缺少完善的信用评价体系，国内的P2P公司对于借款方信用的审核侧重于银行卡交易记录，或者通过担保公司提供保障。

使用Logistic模型来研究lendingclub的信用风险。Logistic模型是一种非线性分类的统计方法，在Logistic模型中，通常用y代表一个个体或者一个实验单元，它的取值有两种可能(为方便起见，可记为1和0)。X=(x1，x2，…，x6 ) 表示自变量向量，是一组可以说明y发生的概率大小的变量。P为条件概率，它表示y在特定情况下发生的概率，P=prob(Y=1/X)(假设y=1)，P可以由Logit(p)=ln[p/(1-p)]=α+β1x1+β2 x2+…β6x6=得到。β和α都是待估参数，其中β=(β1，…，β6)是一组与解释变量x对应的回归系数，α是模型的截距。在得到α和β的参数估计后，某一种特定情况发生的概率就可以通过P=exp(α+βx )/[1+exp( α+βx )]得到。在本文中，P为违约概率，取值范围为0到1，反之 1-P为守信概率，p/(1-P)为违约情况发生的比率，P越大，发生违约的概率越大，反之亦然。本文将根据lendingclub官网的数据，构建适合的信用风险的Logistic模型。

因此，信用风险进行评估时，由于被解释变量往往是离散型变量，就不能采用线性回归模型，线性模型的残差的方差是受条件概率值影响的，即方差会随着y的变动而变动，存在异方差性，按照此模型进行参数估计所得到的估计值是有偏的，因此不能采用线性回归模型。Logistic模型既避免了残差的非其次性也没有变量间的正态分布假设，故采用Logistic模型比较合适。

 

而在国外的P2P行业中，由于线下成本过高，再加上信用评级体系的完善，大部分的P2P信贷公司只提供一个信息披露的媒介，不直接参与资金的流动。具体流程如下图所示：投资者在P2P平台上看到借款人的信息，判断合适后在平台上敲定。之后投资者将本金转交给借款人。借款期限到后，借款将本金和收益直接还给投资者。

 

从圈闭与有效烃源岩的位置关系看，除断层沟通的构造-岩性油气藏外，已发现的孤立砂体岩性油气藏均分布在有效烃源岩范围内或接触有效烃源岩，处于有效烃源岩中心被其包裹的圈闭，其含油性要好于与烃源岩呈侧向接触的岩性圈闭，离有效烃源岩中心的距离越近，圈闭含油气性越好，反之越差。

国外大型的P2P公司，如Zopa、Prosper，在贷款前后的信息都是透明的。但在国内的P2P行业中，能做到这一点的P2P公司屈指可数。由于相关法规和政策的不完善，大部分的国内P2P公司提供的信息不明确。这种信息不对称所带来的影响是一种潜在的危机。

（设计意图：“智慧珠”的“胚珠”颜色各异、数量多样、形状不同，丰富的结构势必会刺激学生的思维起点。分类材料的结构直接影响了学生的思维。实验表明，三、四年级学生能够较好地进行“胚珠”分类。这个年龄阶段的学生的形象思维、抽象逻辑思维能力的发展已经形成。学生只有对思维对象的属性进行全面了解，才能促成其思维的广阔性和灵活性，使他们可能进行多种组合分析的分类。思维需要“静观”才能“深虑”，通过“近思”才能“远谋”。以静态的方式呈现智慧珠，有利于学生冷静地思考，理性地分析。关注“智慧珠”的类别不同，有利于学生分类、对应、数形等思想的形成，为实践操作打下理性的思维基础。）

3.研究模型及数据来源说明

3.1 研究模型说明

在计量经济学中，被使用频率最高的是线性回归模型，原因大多问题中模型中的被解释变量大多是连续性变量。线性回归模型对于解释变量的设定是没有限制的，解释变量可以是连续的，也可以是离散的，但是被解释变量往往是连续的。

在国内的P2P行业中，无担保无抵押纯线上交易平台较少，大多数P2P平台不仅仅是披露借款人信息的中介机构，还负责投资人和借款人资金的中转，具体运营模式如下图所示：P2P信贷公司在自己的平台上发布借款人信息和项目，投资人通过对借款额、期限等要素的判断后，挑选自己青睐的项目，之后将资金转入P2P平台。借款期限到期后，P2P平台将本金和收益返还给投资者。如果出现违约情况，P2P平台还将负责追回借款。

因本文统计的GD伴颈部血管杂音患者数量有限，不论试验组还是对照组，患者数量均较少，以后继续观察统计131-I治疗颈部血管杂音伴GD患者的资料，不断总结完善。

3.2 数据选择说明

本文在lendingclub官网获得的2007年第一季度到2014年第四季度的贷款记录统计表如图3.1所示，从表中的数据可以看出违约支付的概率并不高只有5%，说明完善的信用评估体系是很重要的。

 

表3.1 Lendingclub贷款状态表(单位：笔)

  

贷款状态贷款数目全部付清99,46421%正在还款336,76472%延期还款7,2012%违约贷款22,9165%总数466,345100%

此外，采用先进的信用评级体系对于信用风险的度量和控制达到了很好的效果，因此对于国外的P2P公司的研究分析对于我国的P2P风险控制是很好的借鉴意义。

4.Lendingclub实证研究

本章是实证分析章节，分为四节。第一节是关于模型的变量的说明，包括解释变量和被解释变量的设定以及部分变量的转化处理过程；第二节是模型构建的过程；第三节是进行Logistic回归分析，分析Logistic模型对于P2P信用风险度量的可行性。第四节使用Logistic模型进行预测，说明其对信用风险的准确度。

4.1 变量说明

4.1.1 解释变量的设定

将Lendingclub官网数据中借款人的重要指标纳入到模型中，作为模型的解释变量，具体如下表所示：

 

表4.1.1 解释变量说明

  

解释变量变量说明Installment每月还款金额Term还款期限Grade借款者的信用等级Ratio贷款收入比HomeOwnership借款者住房情况InterestRate利率Random随机值Term期限

其中借款者的信用等级为了方便处处理转化成了数字，如表4.1.2所示

针对LJ-01～LJ-22共22个样品，就敌敌畏、甲胺磷、乙酰甲胺磷、甲拌磷、氧化乐果、久效磷、磷铵、毒死蜱、杀螟硫磷、对硫磷、二嗪磷、乐果、甲基对硫磷、马拉硫磷、甲基异柳磷、水胺硫磷、丙溴磷、三唑磷、亚胺硫磷、伏杀硫磷、六六六（α-六六六、、β-六六六、γ-六六六、δ-六六六）、乙烯菌核利、三唑酮、腐霉利、联苯菊酯、氯氰菊酯、氰戊菊酯、溴氰菊酯、五氯硝基苯、百菌清、三氯杀螨醇、异菌脲、甲氰菊酯、氯氟氰菊酯、氟氯氰菊酯、氟氰戊菊酯和氟胺氰菊酯共37种农药检测，检测结果全部为未检出。

2.3.1 尔雅通识课程选课情况。尔雅通识课程作为公共选修课程的补充，学生按培养方案要求在指定的学期内完成公共选修课程学习，医学专业学生主要在通科培养阶段即基础学习阶段完成公共选修课程学习，为临床通科学习阶段打下坚实的基础。

 

表4.1.2 信用等级转化表

  

信用等级转化结果A6B5C4D3E2F1

4.1.2 被解释变量的设定

Lendingclub借贷平台上的将借款人的贷款状态分为报损贷款、违约贷款、全部付清、宽限期内、延期贷款、当前贷款六类，在本文中将违约贷款和报损贷款记为发生违约行为，全部付清和宽限期内记为不发生违约行为。该指标为模型中的被解释变量，记为LoanStatus，发生违约行为时LoanStatus=1，反之LoanStatus=0.

此外，本文通过Logistic模型的回归分析，可以看出Logistic模型对于新型金融领域中的P2P信用风险度量是有效果的。

4.2 模型的构建

2.2.2 运营模式的差异

4.3 回归分析

利用上述Logistic模型进行回归分析，本文使用SPSS得到模型的回归方程表如下图所示，除过每月还款金额(Installment)外剩下的解释变量均在5%的显著水平下显著。

 

4.4 回归模型的预测

Logistic模型的预测与回归过程的原理是一致的，对样本的重新回归处理，得到下表的结果。从下表可以看出对于样本的预测准确度为71.4%，其中对于不违约行为的预测准确度较高为90.4%，而对于违约行为的预测准确度只有33.3%。但从整个模型的预测程度上还是有很高的准确度的。

 

5.结论与建议

本章是全文的最后一部分，在这部分里将以上一章的回归分析结果为基础，总结通过研究得出的结论。本章一共分为3节，第一节是对全文的研究结果的总结和概述；第二节是根据研究结果提出一些相关的P2P信用风险防控的建议。第三部分是对于文章的一些不足之处的小结。

2.2.3 P2P平台的信息透明度的差异

5.1 全文的总结

通过分析结果可以看出，变量GRADE部分还可以看出信用等级越高的发生违约行为的概率越小，而贷款收入比和利率越高的借款者违约概率越高，其次由于Lendingclub的贷款期限大多是60个月和36个月这两种，所以期限对于整个回归结果的影响不是很大。最后，有关借款者的住房情况可以看出，拥有自有房产的借款者(HomeOwner(1))与违约行为是高度负相关的，而抵押住房的借款者(HomeOwner(2))以及租房的借款者(HomeOwner(3)的负相关程度较低，说明明有房产的借款者违约的可能性较小。

因此可得出结论，完善的信用体系对于信用风险的控制是很重要的，另外其余的解释变量指标也都通过了显著性检验。

晚上，阿东的片子已经全部完成。他把阿里和老巴都叫到电脑前，然后打开他的杰作。在阿里巴巴的音乐里，妈妈缓缓而出。她从年轻慢慢到老，一张一张地出现在他们面前。

5.2 P2P风险控制与对策建议

国外的互联网金融经历了10年的发展，就目前来看总体态势良好。而我国的互联网金融才刚刚进入一个爆发期，相关行业发展的很快，机构数量也在不断激增，但各种问题也在不断显露出来。二者之所以有这么大的差距，不仅仅是因为行业发展存在时间差，还在于我国对于信用风险的评估方法存在着一定的距离。

如今，欧美发达国家的P2P运营模式已日臻完善。从本文的实证结果可以看出贷款收入比、贷款者的住房情况、贷款利率、贷款期限对于判断发生违约行为的作用比较明显，每月还款金额的参考价值较小。

用微生态制剂饲喂肉用山羊进行试验，能提高山羊日增重6%～10%，降低料耗8%。使用时通常作为添加剂拌入精料或饲草中饲喂，饲喂羊只，每日每只添加50～70 g；饲喂牛只，每日每头添加70～100 g。如果用液态微生态制剂，可按牛（羊）日饮水量的1%直接放入饮水中，任其自由饮用[3]。

综上所述，本文实证分析部分的数据来源于Lendingclub官网提供的数据，从中按比例选取6000笔贷款作为模型样本。

下面提出相关的建议：

第一，建立独立的P2P网贷监管体系。P2P网贷行业在近两年了数量骤增，但P2P网贷公司由于其附属性和特殊性，仍被归为普通工商企业一类。但从行业的本质上来看，P2P网贷平台是属于金融行业，其风险要远远大于其他的普通工商企业。因此，对于P2P网贷业的监管需要独立的监管机构和体系，明确P2P的各项风险，帮助投资者安全有效地完成网贷投资。

第二，完善我国的信用评估体系。从回归结果可以看出，信用评分高的借款者的违约概率要远远小于信用评分低的借款者。完善的信用评估体系给投资者提供了保障，还能进一步帮助P2P网贷等相关行业进一步降低成本。

编辑部通讯地址：武汉市东湖高新区九峰一路201号(九峰一路与光谷七路路口以北)中科院武汉植物园内《植物科学学报》编辑部

第三，把P2P网贷的相关交易记录与个人信用评估相结合。借款者违约行为的出现很大一部分原因在于P2P网贷的监管力度不够，违约成本较低。因此，为了提高违约成本，可以将P2P网贷的交易记录与银行的交易记录共同纳入到央行的征信体系中去，从而使得提高借款者对于P2P网贷交易的重视。

5.3 本文的不足之处

第一，对于数据的选择存在不足之处。本文研究的主要目的是对我国的P2P行业风险控制提出一些建议，但由于我国的P2P网贷平台没有提供相关的数据，故只能选择国外的数据作为参考。

第二，对于变量的选择存在一些不足之处，对于变量的选择不够全面。影响贷款信用风险的变量有很多，除了本文选择之外的变量之外，还有借款者的工作职业、参与贷款的投资者数、以前的借贷记录等等，这些变量指标多多少少会对贷款的信用风险产生一定的影响，但由于这些指标的获取和处理存在一些困难，故没有纳入模型中。

(西北大学经济管理学院，陕西 西安 710127)

2017年4月中旬统计每一小区幼苗数量，计算出苗率。2017年11月20日，苗木停止生长后，从各试验小区随机抽取10株苗木，仔细将其全部挖出(不足10株者取其全部)，用钢卷尺测其苗高、根长，游标卡尺测其地径、记录大于5 cm的侧根数量，每小区所测结果计算平均值。然后在80 ℃烘箱内72 h烘干后，称其根、茎、叶的干重，计算各小区平均值。

参考文献：

[1] 孔非凡.我国P2P小额信贷模式存在的风险及对策建议[J].西部经济管理论坛，2013.

[2] 张廷宇.P2P网络借贷平台的双重适应性以及完善分析[J].企业科技与发展，2013.

[3] 官大飚.我国P2P网络借发展存在的风险及其监管对策[J].台湾农业探索，2012.

[4] 王梓淇.P2P 网络借贷平台探析[J].时代金融，2012.

[5] 中国P2P借贷服务行业白皮书2014[M].北京：中国经济出版社，2014.

[6] 朱斌昌.P2P民间借贷平台新发展及其监管引导分析.

[7] 中国农村金融，2011(19).

[8] 马运全.P2P网络借贷的发展、风险与行为矫正[J].新金融，2012(12).

近年来，扬州市食品药品监督管理局稽查处勇于担当，积极作为，成功查处了一批在全国有影响的大案要案，5次受到国家总局表彰，8次受到省局表彰，稽查工作在全国位居前列。央视《焦点访谈》先后2次进行专题报道，该处被群众赞誉为保障食品药品安全的“钢刀利剑”。