基于投影尋蹤動(dòng)態(tài)聚類模型的p2p網(wǎng)貸風(fēng)險(xiǎn)評(píng)價(jià)體系構(gòu)建及實(shí)例分析

張亞晶 樓文高

摘? 要： 由于市場(chǎng)監(jiān)管等一系列政策的不完善，導(dǎo)致如今p2p網(wǎng)貸在給用戶帶來便利的同時(shí)也存在巨大的風(fēng)險(xiǎn)。為防范該風(fēng)險(xiǎn)，本文根據(jù)平臺(tái)風(fēng)險(xiǎn)指數(shù)1個(gè)一級(jí)指標(biāo)、平臺(tái)成交量等4個(gè)二級(jí)指標(biāo)和平均預(yù)期收益率等14個(gè)三級(jí)指標(biāo)構(gòu)成的評(píng)價(jià)指標(biāo)體系和采集到的樣本數(shù)據(jù)應(yīng)用投影尋蹤動(dòng)態(tài)聚類（PPDC）對(duì)100家網(wǎng)貸平臺(tái)進(jìn)行實(shí)證評(píng)估研究，建模結(jié)果表明：PPDC模型與投影尋蹤聚類（PPC）模型的結(jié)果基本一致，排名與網(wǎng)貸之家排名結(jié)果的一致性好，且不受人為主觀因素的影響，又能求得平臺(tái)風(fēng)險(xiǎn)和評(píng)價(jià)指標(biāo)權(quán)重的大小及其排序，在p2p網(wǎng)貸風(fēng)險(xiǎn)評(píng)價(jià)中能夠取得良好的效果，是分析p2p風(fēng)險(xiǎn)指標(biāo)的一種新方法。

關(guān)鍵詞： p2p網(wǎng)貸;風(fēng)險(xiǎn)評(píng)價(jià);投影尋蹤;動(dòng)態(tài)聚類;GSO算法

【Abstract】： Due to the imperfection of a series of policies such as market supervision， P2P lending has brought convenience to users， but also exists great risks. To guard against this risk，this paper evaluates 100 online lending platforms by using projection pursuit dynamic clustering （PPDC） based on an evaluating indicator system of one first-level indicator including platform risk index、four second-level indicators including platform trading volumes、fourteen third-level indicators? including average expected returns and collected samples data.Modeling results show that the results of PPDC model and projection pursuit clustering （PPC） model are basically the same and the ranking is consistent with the ranking results of online lending homes， and is not affected by subjective factors.Simultaneously，it can also find the platform risk and the weight of the evaluating indicator and their ranking. Because it can achieve good results in p2p lending risk assessment， it is a new method to analyze p2p risk indicators.

【Key words】： Peer-to-peer lending; Risk evaluation; Projection pursuit; Dynamic clustering; GSO algorithm

0? 引言

p2p網(wǎng)貸是Peer to Peer網(wǎng)絡(luò)借貸的簡(jiǎn)稱，是平臺(tái)以信用貸款的方式進(jìn)行牽線搭橋，讓有資金的個(gè)人將資金貸給其他有借款需求的個(gè)人，并從中獲取利息的一種信貸方式。2005年3月，“Zopa”作為全球首家網(wǎng)上在線借貸平臺(tái)誕生于英國倫敦。然后它很快被復(fù)制到美國、日本以及歐洲大陸[1]。2006年，宜信作為我國第一家P2P小額信用貸款服務(wù)機(jī)構(gòu)在北京亮相。從那時(shí)起，P2P在中國掀起了一股熱潮，到目前為止已有包括宜信、安信貸、點(diǎn)點(diǎn)貸、人人貸、紅嶺創(chuàng)投等數(shù)千家網(wǎng)絡(luò)信貸平臺(tái)，其發(fā)展之迅捷令許多業(yè)內(nèi)人士始料不及。但是，在其看似欣欣向榮的表象下，P2P潛在的風(fēng)險(xiǎn)也日益暴露。截止2017年8月，問題平臺(tái)數(shù)據(jù)已達(dá)到3362家[2]。隨著這些問題平臺(tái)的破產(chǎn)倒閉，在一定程度上已經(jīng)引起了業(yè)內(nèi)投資者的恐慌，很多投資者紛紛撤資，導(dǎo)致P2P網(wǎng)貸平臺(tái)的資金只出不進(jìn)，一系列連鎖反應(yīng)讓更多網(wǎng)貸平臺(tái)相繼破產(chǎn)倒閉，形成閉合死路，給投資者造成很大損失。然而造成這些問題平臺(tái)的倒閉的根本原因就是分析信貸水平的技術(shù)差、管理風(fēng)險(xiǎn)的方法不成熟、循環(huán)借貸以及催收債務(wù)困難。由此可見，投資者選擇投資平臺(tái)的重要依據(jù)主要是該平臺(tái)的信用風(fēng)險(xiǎn)度，因此，如何選用恰當(dāng)?shù)姆椒▽?duì)平臺(tái)進(jìn)行信用風(fēng)險(xiǎn)評(píng)價(jià)將是研究網(wǎng)貸領(lǐng)域的焦點(diǎn)。

因此國內(nèi)外很多學(xué)者基于網(wǎng)貸平臺(tái)真實(shí)數(shù)據(jù)對(duì)信用風(fēng)險(xiǎn)領(lǐng)域展開了廣泛研究[4]。Freedman等[3]認(rèn)為，借款者為了既能夠獲得貸款又能保護(hù)自身隱，在借款難度較大的情形下必然會(huì)提供某些虛假信息來遮掩那些對(duì)自己不利的因素，這樣就使得了網(wǎng)貸平臺(tái)的逆向選擇情況加深。王丹[5]選用了傳統(tǒng)金融機(jī)構(gòu)對(duì)微小企業(yè)信用評(píng)價(jià)的方法，運(yùn)用層次分析法和模糊數(shù)學(xué)綜合評(píng)價(jià)法對(duì)網(wǎng)貸平臺(tái)進(jìn)行了信用評(píng)級(jí)。李浩然[6]利用Logit模型對(duì)數(shù)十家網(wǎng)貸平臺(tái)進(jìn)行回歸分析，得出了影響網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)的重要指標(biāo)。李從剛和童中文等[7]在駱駝評(píng)級(jí)法指標(biāo)體系的基礎(chǔ)上添加了能夠反映平臺(tái)綜合實(shí)力的四項(xiàng)指標(biāo)，構(gòu)建出P2P網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，通過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程，得出P2P網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)情況。上述方法[8]雖然進(jìn)行了探索性研究，但是他們?cè)谠u(píng)價(jià)過程中對(duì)P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)的分析大多數(shù)都是定性分析，僅有的一些定量分析也只是集中在對(duì)借款人違約因素的分析上，使用情景分析法、德爾菲法等定性方法或者BP神經(jīng)網(wǎng)絡(luò)等定量方法進(jìn)行風(fēng)險(xiǎn)的綜合計(jì)量，缺乏對(duì)平臺(tái)整體風(fēng)險(xiǎn)的度量與評(píng)價(jià)。針對(duì)上述問題，本文以投影尋蹤理論為基礎(chǔ)結(jié)合動(dòng)態(tài)聚類思想建立了一種網(wǎng)貸風(fēng)險(xiǎn)評(píng)價(jià)模型，即基于投影尋蹤原理的動(dòng)態(tài)聚類（Dynamic ClusterBased on Projection Pursuit）模型[9-14]，本文將詳細(xì)介紹基于投影尋蹤原理的動(dòng)態(tài)聚類模型的建模過程，并在此基礎(chǔ)上為評(píng)價(jià)我國p2p網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)提供理論支持。

1? P2P網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系構(gòu)建

由于社會(huì)體系構(gòu)建的復(fù)雜性，p2p網(wǎng)貸不會(huì)只僅僅受一個(gè)風(fēng)險(xiǎn)因素的影響，而是諸多風(fēng)險(xiǎn)因素匯集一身的結(jié)果。這里面不僅僅有傳統(tǒng)融資模式所存在的風(fēng)險(xiǎn)因素，還有互聯(lián)網(wǎng)自身安全性所導(dǎo)致的風(fēng)險(xiǎn)。各方面的風(fēng)險(xiǎn)因素相互影響、相互作用，綜合構(gòu)成了網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)評(píng)價(jià)體系。由于涉及到的風(fēng)險(xiǎn)因素種類眾多，也比較復(fù)雜以及現(xiàn)階段沒有統(tǒng)一的網(wǎng)貸平臺(tái)信用評(píng)價(jià)指標(biāo)體系，相關(guān)文獻(xiàn)不全，評(píng)級(jí)難度較大。因此，筆者在參考P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)相關(guān)研究成果[2-8]的基礎(chǔ)上，借鑒了商業(yè)銀行的信用風(fēng)險(xiǎn)評(píng)價(jià)方法[20]以及中國社科院首個(gè)P2P網(wǎng)貸評(píng)價(jià)指標(biāo)體系，從平臺(tái)成交量、平臺(tái)人氣、平臺(tái)運(yùn)營(yíng)、平臺(tái)分散度4個(gè)方面，挑選出14個(gè)重要風(fēng)險(xiǎn)指標(biāo)進(jìn)行評(píng)估，構(gòu)建p2p網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)評(píng)級(jí)指標(biāo)體系，如表1所示。

2? 投影尋蹤動(dòng)態(tài)聚類模型的建立

2.1? 投影尋蹤動(dòng)態(tài)聚類建模原理

投影尋蹤的本質(zhì)是將數(shù)據(jù)從高維空間向低維空間進(jìn)行投影，在低維投影空間上分析高維數(shù)據(jù)的分類排序等結(jié)構(gòu)特征，從而讓人們用低維上的角度去觀察高維的數(shù)據(jù)，最終獲得更多的數(shù)據(jù)信息。通過分析以往學(xué)者的實(shí)際聚類過程，投影尋蹤聚類模型尚且存在不足，主要體現(xiàn)在兩個(gè)方面：一是在求解模型的過程中，存在著唯一參數(shù)——密度窗寬（R），該參數(shù)取值目前必須依靠經(jīng)驗(yàn)或試算來確定，缺乏相應(yīng)的理論依據(jù);二是投影尋蹤聚類模型的結(jié)果需要利用其他方法進(jìn)行分類處理，才能得到最終的聚類結(jié)果[9-14]。針對(duì)上述問題，倪長(zhǎng)健[9-12]等引入動(dòng)態(tài)聚類方法[19]，提出了PPDC模型，其建模過程如下[9-21]。

2.2? 投影尋蹤動(dòng)態(tài)聚類建模過程[9-21]

由于（7）式既含有等式與不等式并屬于高維非線性最優(yōu)化問題，不易求解。為此筆者編制了全局搜索能力強(qiáng)、收斂速度較快的群搜索算法（Group Search OPtimization，簡(jiǎn)稱GSO）[22] Matlab最優(yōu)化程序來求解（7）式。由于目標(biāo)函數(shù)（7）是由不同樣本點(diǎn)之間的絕對(duì)值距離構(gòu)成，因此可直接使用樓文高[11]提出的定理1、2和3判斷最優(yōu)解過程是否求得了真正的全局最優(yōu)解。

3? 實(shí)例分析

本文數(shù)據(jù)來源于網(wǎng)貸之家、網(wǎng)貸天眼數(shù)據(jù)庫，選取陸金所、人人貸、拍拍貸、宜貸網(wǎng)，開鑫貸、積木盒子、紅嶺創(chuàng)投等100家網(wǎng)貸平臺(tái)進(jìn)行研究，以2017年1～12月的數(shù)據(jù)平均值作為原始數(shù)據(jù)。表2給出了部分網(wǎng)貸平臺(tái)的平均樣本數(shù)據(jù)。

首先根據(jù)《中國p2p網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)評(píng)級(jí)報(bào)告》[23]可以確定樣本分類數(shù)為4，即N=4。然后將100家平臺(tái)數(shù)據(jù)導(dǎo)入筆者編制的基于GSO的PPDC程序，求得最佳投影方向

由表3可知：平臺(tái)的危險(xiǎn)性從大到小依次是：平臺(tái)3>平臺(tái)10>平臺(tái)9>平臺(tái)2>平臺(tái)4>平臺(tái)7>平臺(tái)8>平臺(tái)6>平臺(tái)5>平臺(tái)1，該分析結(jié)果和網(wǎng)貸之家、網(wǎng)貸天下等網(wǎng)站的評(píng)估結(jié)果排序大體一致。在評(píng)定平臺(tái)危險(xiǎn)性的同時(shí)，表3還直接給出了平臺(tái)樣本的聚類結(jié)果，避免了平臺(tái)等級(jí)劃分的不確定性，因而模型的分類結(jié)果明確，評(píng)價(jià)客觀性強(qiáng)。此外，樣本的類間投影值有明顯的差異，而類內(nèi)投影值則非常相近，這表明該模型能更好地實(shí)現(xiàn)投影尋蹤的建模思想?？傊队皩ほ檮?dòng)態(tài)聚類模型不僅切實(shí)可行，而且在p2p網(wǎng)貸風(fēng)險(xiǎn)評(píng)價(jià)中能取得更好的實(shí)際應(yīng)用效果。

4? 結(jié)果與討論

PPDC建模思想與以往學(xué)者進(jìn)行綜合評(píng)價(jià)的方法理念如出一轍，具備了綜合評(píng)價(jià)方法的多數(shù)特? 征[24-25]。而評(píng)估P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)則是一種典型的綜合評(píng)價(jià)問題，因此必須處理綜合評(píng)價(jià)模型的兩個(gè)最基本的問題，一是確定各個(gè)評(píng)價(jià)指標(biāo)的權(quán)重，提出降低風(fēng)險(xiǎn)的有效措施和建議，二是確定研究對(duì)象（網(wǎng)貸平臺(tái)）的風(fēng)險(xiǎn)等級(jí)（即得到模型的投影特征值和聚類結(jié)果）。以下就針對(duì)這些問題展開討論和 分析。

4.1? 判定評(píng)價(jià)指標(biāo)的特性

從建模原理以及結(jié)果可知，最佳投影向量系數(shù)（也稱為權(quán)重）越大的指標(biāo)越重要。因此，14個(gè)評(píng)估指標(biāo)中，C44（前十大借款人待還金額占比）最重要，然后按指標(biāo)重要性從高到低的排序?yàn)镃44>C42>C43>C24>C12>C11>C21>C31>C41>C14>C22>C32>C23>C13。其中C44～C21共7個(gè)指標(biāo)的權(quán)重大于0.9，C31～C32共5個(gè)指標(biāo)的權(quán)重介于0.1～0.9之間，其他2個(gè)指標(biāo)的權(quán)重小于0.1，最大權(quán)重與最下權(quán)重之比為167.9，說明指標(biāo)的重要性差異較大，可以刪除指標(biāo)C13和C23。

在4大方面中，平臺(tái)分散度對(duì)平臺(tái)危險(xiǎn)評(píng)估的影響最大，占?xì)w一化權(quán)重的38.2%，其次是平臺(tái)成交量和平臺(tái)人氣，分別占比26.2%和25.6%，平臺(tái)運(yùn)營(yíng)占比10%。從中可以看出，平臺(tái)分散度、平臺(tái)人氣和平臺(tái)成交量基本就決定了信貸風(fēng)險(xiǎn)水平。

從整體上講，提高權(quán)重越大的指標(biāo)值，越有利于降低平臺(tái)危險(xiǎn)，反之亦然。改善平臺(tái)運(yùn)營(yíng)對(duì)降低平臺(tái)風(fēng)險(xiǎn)具有決定意義。

4.2? 判定網(wǎng)貸平臺(tái)的危險(xiǎn)等級(jí)

由于從高維空間向低維空間進(jìn)行投影得到的結(jié)果都是一維實(shí)數(shù)，這不僅可以輕易判定平臺(tái)風(fēng)險(xiǎn)等級(jí)，還可以對(duì)處于同一風(fēng)險(xiǎn)等級(jí)的平臺(tái)，進(jìn)行精細(xì)的排序研究。投影值越大其風(fēng)險(xiǎn)越低，如對(duì)于同為較低風(fēng)險(xiǎn)的平臺(tái)9、2、4、7和8，平臺(tái)9的風(fēng)險(xiǎn)最大，其次是平臺(tái)2、4，然后是7和8。據(jù)此可以判定所選樣本平臺(tái)的風(fēng)險(xiǎn)高低排序：平臺(tái)3>平臺(tái)10>平臺(tái)9>平臺(tái)2>平臺(tái)4>平臺(tái)7>平臺(tái)8>平臺(tái)6>平臺(tái)5>平臺(tái)1。

4.3? PPDC模型結(jié)果與投影尋蹤聚類（PPC）[21]建模結(jié)果的比較

為了進(jìn)一步驗(yàn)證PPDC模型結(jié)果的可靠性和有效性，筆者針對(duì)相同數(shù)據(jù)，又應(yīng)用PPC模型進(jìn)行建模[15]，由于窗寬半徑值是決定PPC模型最佳投影向量及其系數(shù)（權(quán)重）的唯一參數(shù)，即建模結(jié)果與窗寬半徑值大小直接相關(guān)。故選取R值的基本原則[3]：是在窗口內(nèi)的樣本點(diǎn)不能過少，同時(shí)，樣本點(diǎn)個(gè)數(shù)增加時(shí)，在窗口內(nèi)的樣本點(diǎn)也不能增加太多。由文獻(xiàn)[15]可知，選取符合上述選取R值的基本原則。即通過PPC模型可以得到所選平臺(tái)的投影值a=（0.9578，0.9816，0.0059，0.427，0.9573，0.3683， 0.0091，0.9864，0.772，0.1315，0.4621，0.9983，0.9943，0.9991）。因此可以很便捷地判定上述平臺(tái)的風(fēng)險(xiǎn)等級(jí)以及風(fēng)險(xiǎn)排序，平臺(tái)3>平臺(tái)10>平臺(tái)9>平臺(tái)2>平臺(tái)4>平臺(tái)7>平臺(tái)8>平臺(tái)6>平臺(tái)5>平臺(tái)1與PPDC模型的結(jié)果完全一致。但是與傳統(tǒng)的一維PPC模型相比，PPDC模型結(jié)果不受選取不同窗口半徑值的主觀影響，建模結(jié)果具有為唯一性和更好的客觀性。

5? 結(jié)論

如何快速、有效、綜合的評(píng)價(jià)p2p網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)已成為互聯(lián)網(wǎng)金融能否可持續(xù)健發(fā)展的關(guān)鍵環(huán)節(jié)之一，越來越受到學(xué)界、金融業(yè)界和監(jiān)管部門的重視。雖然研究已取得了一定成效，但有待進(jìn)一步深入研究。

應(yīng)用PPDC模型對(duì)p2p網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)進(jìn)行客觀評(píng)價(jià)，不僅可以求得各個(gè)評(píng)價(jià)指標(biāo)的客觀權(quán)重，還可以得出各個(gè)樣本平臺(tái)的風(fēng)險(xiǎn)排序及其聚類結(jié)果，具有較好的時(shí)效性和可行性。與傳統(tǒng)的PPC模型相比，PPDC模型結(jié)果不受唯一參數(shù)窗口半徑值R的主觀影響，建模結(jié)果具有唯一性和較好的客觀性。

PPDC模型的建模過程簡(jiǎn)潔清晰，具有理論上的優(yōu)越性和創(chuàng)新性，在綜合評(píng)價(jià)、排序、分類等方面都具有廣泛的應(yīng)用[9-16]。根據(jù)各評(píng)價(jià)指標(biāo)的最優(yōu)權(quán)重，可以很容易地確定各個(gè)評(píng)價(jià)指標(biāo)的重要性及其排序，有利于提出降低平臺(tái)風(fēng)險(xiǎn)的措施和建議。

參考文獻(xiàn)

賈希凌， 馬秋萍. P2P網(wǎng)貸平臺(tái)的主要風(fēng)險(xiǎn)及防范策略[J]. 經(jīng)濟(jì)管理， 2014， 23-29.

劉曉宇， 孟楓平. P2P平臺(tái)信用風(fēng)險(xiǎn)評(píng)價(jià)模型研究[J]. 長(zhǎng)春理工大學(xué)學(xué)報(bào)： 社會(huì)科學(xué)版， 2018（3）.

Freedm an S， Jin Z G. Do social networks solve inform ation problems for peer-to-peer lending？ Evidence from Prospercon[R]. Net Institute Working Paper， 2008， No. 08—43.

余華銀， 雷雅慧. 基于決策樹與Logistic回歸的P2P網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)評(píng)價(jià)比較分析[J]. 長(zhǎng)春大學(xué)學(xué)報(bào)， 2017， 27（9）： 13-16.

王丹， 張洪潮. P2P網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)評(píng)級(jí)模型構(gòu)建[J]. 金融與理財(cái)， 2016（9）.

嚴(yán)復(fù)雷， 李浩然. P2P 網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)影響因素分析[J].西南金融， 2016（10）： 13-17

李從剛， 童中文， 曹筱玨. 基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸市場(chǎng)信用風(fēng)險(xiǎn)評(píng)估[J]. 管理現(xiàn)代化， 2015（4）.

梁寒冰， 趙琳皓， 陶玲玲. 基于改進(jìn)GRA法構(gòu)建P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)體系[J]. 財(cái)會(huì)月刊（下）， 2017（11）， 55-60.

倪長(zhǎng)健， 王順久， 崔鵬. 投影尋蹤動(dòng)態(tài)聚類模型及其在地下水分類中的應(yīng)用[J]. 四川大學(xué)工程學(xué)報(bào)： 工程科學(xué)版， 2006， 38（6）： 29-33.

倪長(zhǎng)健， 崔鵬. 區(qū)域泥石流危險(xiǎn)度評(píng)價(jià)的投影尋蹤動(dòng)態(tài)聚類方法[J]. 山地學(xué)報(bào)： 2006， 24（4）： 442-445.

倪長(zhǎng)健， 王順久， 崔鵬. 投影尋蹤動(dòng)態(tài)聚類模型及其在天然草地分類中的應(yīng)用[J].安全與環(huán)境學(xué)報(bào)， 2006， 6（5）： 68-71.

王卓， 倪長(zhǎng)健. 投影尋蹤動(dòng)態(tài)聚類模型研究及其在洪災(zāi)評(píng)定中的應(yīng)用[J]. 四川師范大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2008， 31（5）： 635-638.

康明， 王麗萍， 趙璧奎， 張驗(yàn)科. 基于投影尋蹤動(dòng)態(tài)聚類法的水庫水質(zhì)評(píng)價(jià)模型[J]. 水力發(fā)電， 2013， 39（1）： 16-19 .

王久順， 李躍清. 基于投影尋蹤原理的動(dòng)態(tài)聚類模型及其在氣候區(qū)劃中的應(yīng)用[J]. 應(yīng)用氣象學(xué)報(bào)， 2007， 18（5）： 722-725.

樓文高， 喬龍. 投影尋蹤聚類建模理論的新探索與實(shí)證研究[J]. 數(shù)理統(tǒng)計(jì)與管理， 2015， 34（1）： 47-58.

付強(qiáng)， 趙小勇. 投影尋蹤模型原理及其應(yīng)用[M]. 北京： 科學(xué)出版社， 2006.

于曉虹， 樓文高， 余秀榮. 中國省際普惠金融發(fā)展水平綜合評(píng)價(jià)與實(shí)證研究[J]. 金融論壇， 2016（5）： 18-32.

樓文高， 熊聘， 馮國珍， 于曉虹. 影響投影尋蹤聚類建模的關(guān)鍵因素分析與實(shí)證研究[J]. 數(shù)理統(tǒng)計(jì)與管理， 2017，? 36（5）： 783-801.

任若恩， 王惠文. 多元統(tǒng)計(jì)數(shù)據(jù)分析-理論、方法、實(shí)例[M].北京： 國防工業(yè)出版社， 1999， 76-80.

曾箏. 商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估方法研究[J]. 計(jì)算機(jī)仿真， 2011， 28（8）.

王莎， 高茂庭. 一種基于混合PSO的投影尋蹤動(dòng)態(tài)聚類模型.計(jì)算機(jī)工程與應(yīng)用， 2013， （8）： 198-208.

張旲雰， 劉華艷. 改進(jìn)的群搜索優(yōu)化算法在matlab中的實(shí)現(xiàn)[J]. 電腦與信息技術(shù)， 2010， 18（3）： 44-46.

王曉微， 張昭. P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)指數(shù)報(bào)告（2015）.

樓文高， 干瑞娟， 李坦. 基于投影尋蹤模型的圖書館成效（績(jī)效）評(píng)估研究[J]. 圖書情報(bào)工作， 2017， 61（9）： 65-73.

于曉紅， 樓文高， 康海燕. 供應(yīng)鏈線上企業(yè)信貸風(fēng)險(xiǎn)動(dòng)態(tài)聚類投影尋蹤建模與實(shí)證研究[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)知， 2018， 48（11）： 33-40.