- 上一篇：房地产企业信贷风险文献综述和参考文献
- 下一篇：管理层权力与公司持有现金文献综述和参考文献
（三）国内外研究现状
1、P2P网络借贷信用风险影响因素研究现状分析
自互联网金融快速发展和P2P网络借贷平台出现后，越来越多的学者把研究方向放在了网络借贷方面。
根据早期的P2P网络借贷信用风险研究内容显示，虽然网络借贷平台中借款人的特征没有多大差异，但是其信用风险却十分显著。Herzenstein et al.（2008）和Pope and Sydnor（2011）认为P2P借贷平台是由个人投资者来判断借款人是否诚信，是否值得信赖，而不是借贷平台来筛选确定，因此易导致借款人提供虚假材料欺骗出借人获取借款，网络借贷的信用风险很高。Lee et al. （2012）选取韩国最大的一家P2P网络借贷平台作为研究对象，把重点放在了平台的“从众行为”方面，发现“从众行为”与网络借贷平台信用风险呈正相关，也就是信息不对称现象很严重，而这往往会导致道德风险问题的出现。
部分国内学者以不同P2P网络借贷平台为例，对借款人信用进行了实证分析。马运全（2012）指出借款人信用风险问题可分为三种，即借款人信用信息真假识别问题、借款用途真实性问题和抵押担保问题。陈建中、宁欣（2013）以人人贷为例，采集了3148条数据，从借款人个人信息出发，分析并实证检验了它对交易成功率的影响，最后得出结论：借款人的基本信息对借款成功率具有明显的影响。陈霄等（2013）根据P2P网络借贷平台借贷双方逾期行为理论，对影响违规拖欠还款行为的因素进行分类，一共分为三种，分别是信用、个人标的和历史借款，并采用Logit模型进行实证分析，得出结论：借款人的收入、信用评级、居住地域、生活状况、成功借款次数和如约还款次数与逾期还款率呈负相关，教育背景、逾期还款次数、借款利率和期限与逾期还款率呈正相关。袁羽（2014）从互联网金融风险角度出发，利用Prosper网站的贷款交易数据，基于Logistic计量模型对P2P网络借贷的信用风险进行测度并利用混淆矩阵计算，指出该模型对度量信用风险的有效性。模型选择了借款人的信用评级，负债比等10个影响因素作为变量，通过对样本的模拟分析验证，研究出的模型预测准确率达到70％。顾慧莹、姚铮（2015）对WDW上海直营店的统计数据进行Cox和Logistic回归分析，进而判断借款人是城镇还是农村户口、已婚还是未婚、是否有违约记录、借款与收入之比、亲人是否了解债务情况、借款动机是否纯洁和平台的信用评级是否合理这7大因素与借款违约率和违约速率的相关性。高健（2015）分析了国内外研究者对小额信贷风险影响因素的文献资料，认为导致P2P借贷平台借款人存在信用风险的原因可分为外部原因和内部原因两种，外部因素是整个网络借贷行业和国家政策的大背景，然而这些都是不可控制的，要想有效地降低信用风险还是要从内部因素出发，这包括借款人的收支情况及其家庭财务状况。陈裕（2016）利用Logistic计量模型对一家线上线下综合的网络借贷平台进行分析，得出结论：影响借款人信用风险重要的因素包括婚姻状况、房屋产权和信用等级，已婚者的借款违约率要高于单身借款者；房屋产权和信用等级与信用风险呈负相关。
2、P2P网络借贷信用风险评估模型现状分析
在P2P网络借贷信用风险评估模型方面，王春峰、万海、张文（1999）为了克服传统的计量经济学模型中在选择函数形式和分析过程中的缺陷，选择与计算机技术相结合，引入了神经网络方法来进行信用风险评估。结果表明，神经网络技术的运用有利于信用风险的准确分类并且预测信用风险具有稳健性。除了神经网络方法，张玲（2005）认为1990年以前，金融机构主要依赖专家评估分析法来对借款人进行判断，简单来说，金融机构通过借款人提供的特征信息来确定应不应该给借款人审批贷款。5“C”标准包括借款人的品质、偿付能力、资本、抵押品和经济周期五项，根据借款人展示的材料，定性分析判断借款人的能力和偿还意愿是否足够强。除此之外，一些金融机构提出了五“W”标准，分别是借款人、借款目的、还款期限、抵押物和还款方式。王小明（2005）指出我国信用风险指标体系和模型研究与评级测度方法存在分离现象，认为信用风险分析、指标体系研究和模型研究这三者应该一起纳入信用风险评级中来综合考量，并且提出了有关信用风险评级模型建立的建议和思考方向。王丹、张洪潮（2016）认为，只有少数国内学者采用计量经济学方法来建立P2P网络借贷平台的信用评级模型，但他们大多采用层次分析和因素分析法来构建模型，更多注重定量指标，虽然这些指标具有一定的代表性，但也具有片面性，不利于对整体做出客观全面的评估。