我國互聯(lián)網(wǎng)消費(fèi)金融風(fēng)險管理研究

摘要：文章采用Logistic模型對金融機(jī)構(gòu)信用風(fēng)險進(jìn)行檢驗(yàn)，針對互聯(lián)網(wǎng)消費(fèi)金融公司信用風(fēng)險展開驗(yàn)證，通過對借款人歷史信用記錄進(jìn)行研究，并對其違約原因進(jìn)行了量化，確定了在貸款前期應(yīng)當(dāng)重點(diǎn)關(guān)注的指標(biāo)，以達(dá)到減少違約率的目標(biāo)。最后，在平臺、政府、消費(fèi)者、人才培養(yǎng)四個層面的共同作用下，為互聯(lián)網(wǎng)消費(fèi)金融公司風(fēng)險控制提出建議。

關(guān)鍵詞：互聯(lián)網(wǎng)消費(fèi)金融；風(fēng)險因子；風(fēng)險防范

一、問題的提出

根據(jù)中國銀行業(yè)協(xié)會發(fā)布《中國消費(fèi)金融公司發(fā)展報告（2022）》顯示，在全國范圍內(nèi)，消費(fèi)金融公司的數(shù)量不斷增長，截至2021年年末，數(shù)量已達(dá)到30家，貸款余額突破7000億元。然而由于金融市場的特殊性及目前我國對互聯(lián)網(wǎng)消費(fèi)金融監(jiān)管的不足，暴露出該行業(yè)潛藏著巨大的信用風(fēng)險、操作風(fēng)險、技術(shù)風(fēng)險及市場風(fēng)險等。因此，如何進(jìn)行防范風(fēng)險，面對困難與挑戰(zhàn)，成為我國互聯(lián)網(wǎng)消費(fèi)金融公司面臨的一個迫切需要解決的課題。

20世紀(jì)80年代后期，國外就開始嘗試探索互聯(lián)網(wǎng)消費(fèi)金融領(lǐng)域，隨著互聯(lián)網(wǎng)技術(shù)不斷成熟，涉及的相關(guān)領(lǐng)域也更加廣泛，De Roure等（2018）建立了理論模型，解釋P2P和商業(yè)銀行在市場上的競爭關(guān)系。Tang（2019）認(rèn)為P2P借貸在借貸服務(wù)方面取代了商業(yè)銀行的長期客戶，而商業(yè)銀行則補(bǔ)充了小額信貸。Xu等（2020）以互聯(lián)網(wǎng)金融風(fēng)險要素構(gòu)建了互聯(lián)網(wǎng)金融風(fēng)險系統(tǒng)網(wǎng)絡(luò)，并將整個金融體系劃分為互聯(lián)網(wǎng)金融子網(wǎng)、監(jiān)管子網(wǎng)和傳統(tǒng)金融子網(wǎng)，探討了不同風(fēng)險因素之間的相關(guān)性，認(rèn)為風(fēng)險是通過互聯(lián)網(wǎng)金融的內(nèi)部循環(huán)影響的。Qi等（2020）采用隨機(jī)森林算法和神經(jīng)網(wǎng)絡(luò)算法對互聯(lián)網(wǎng)金融的風(fēng)險進(jìn)行分析，指出信用風(fēng)險和個人信息風(fēng)險是互聯(lián)網(wǎng)金融未來發(fā)展中最重要的因素。國內(nèi)主要集中在互聯(lián)網(wǎng)金融定義、影響因素、風(fēng)險度量的模型等方面的研究，孫森、王玲（2014）使用KMV模型與Logit模型相結(jié)合，有效評估了企業(yè)違約的可能性。林江鵬、華良晨、姜雯（2016）運(yùn)用因子分析法建立Logit模型，對我國中小企業(yè)信用評級質(zhì)量進(jìn)行檢驗(yàn)。王家華，朱賢明，孫俊磊（2022）以人人貸的借貸記錄為樣本，構(gòu)建二元Logit模型對借款人信用風(fēng)險進(jìn)行度量和預(yù)測。本文采用Logistic模型對金融機(jī)構(gòu)信用風(fēng)險進(jìn)行檢驗(yàn)，來預(yù)測互聯(lián)網(wǎng)消費(fèi)金融企業(yè)的信用風(fēng)險，以期對我國互聯(lián)網(wǎng)消費(fèi)金融公司風(fēng)險管理有所幫助。

二、我國互聯(lián)網(wǎng)消費(fèi)金融發(fā)展現(xiàn)狀

（一）互聯(lián)網(wǎng)消費(fèi)金融行業(yè)的發(fā)展現(xiàn)狀分析

1. 市場現(xiàn)狀

2020年我國消費(fèi)金融公司資產(chǎn)規(guī)模達(dá)5246.49億元，行業(yè)發(fā)展進(jìn)入強(qiáng)監(jiān)管階段，市場規(guī)模增速減緩。2021年我國互聯(lián)網(wǎng)消費(fèi)金融行業(yè)的放款規(guī)模達(dá)20.2萬億元，較2020年增長18.13%，余額規(guī)模為5.8萬元，同比增長了9.4%。

2. 線上支付規(guī)模

互聯(lián)網(wǎng)在線支付模式的便捷得到了廣泛的認(rèn)同，因此，在日常生活中，用戶在進(jìn)行付款時，會更多地采用電子支付，這也是消費(fèi)金融與用戶的生活相融合的一個主要表現(xiàn)。中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）最新發(fā)布的統(tǒng)計報告顯示，截至2022年12月，我國網(wǎng)民規(guī)模為10.67億，居全球第一，同比增加 3.4%，互聯(lián)網(wǎng)普及率達(dá) 75.6%。其中，農(nóng)村網(wǎng)民規(guī)模為 3.08 億，占網(wǎng)民整體的28.9%；城鎮(zhèn)網(wǎng)民規(guī)模達(dá)7.59億，占網(wǎng)民整體的71.1%。2021年中國網(wǎng)上支付業(yè)務(wù)金額達(dá)2353.96萬億元，較2020年增加了179.42萬億元，同比增長8.25%。

3. 金融結(jié)構(gòu)

隨著新農(nóng)村建設(shè)的持續(xù)發(fā)展，農(nóng)民對金融服務(wù)的需求日益增長。商務(wù)部數(shù)據(jù)顯示，2022年年初，全國網(wǎng)絡(luò)零售店鋪數(shù)量達(dá)2200.59萬家，其中，農(nóng)村網(wǎng)商、網(wǎng)店數(shù)量達(dá)1632.5萬家，農(nóng)村網(wǎng)店占全國網(wǎng)店的比重達(dá)74.2%。2021年，全國農(nóng)村網(wǎng)絡(luò)零售額達(dá)2.05萬億元，同比增長11.3%，增速加快2.4%。消費(fèi)金融以“互聯(lián)網(wǎng)+”模式創(chuàng)新金融產(chǎn)品和服務(wù)方式，解決農(nóng)產(chǎn)品營銷和網(wǎng)購難題，為新農(nóng)村建設(shè)提供了全新的金融服務(wù)渠道，互聯(lián)網(wǎng)消費(fèi)者金融的結(jié)構(gòu)由此得到了進(jìn)一步改善。

（二）互聯(lián)網(wǎng)消費(fèi)金融行業(yè)的發(fā)展問題

1. 負(fù)債端融資渠道單一

報告披露數(shù)據(jù)顯示，截至2021年年末，消費(fèi)金融公司融資總額6351.45億元，較2020年年末增長49.70%，從融資結(jié)構(gòu)看，同業(yè)借款仍然為消費(fèi)金融公司資金融入的主要渠道，占融資總額的比重在75%以上，其他融資渠道融入資金占比相對較高的包括股東存款（占比約10%）、發(fā)行金融債券（占比約4%），發(fā)行資產(chǎn)證券化的融資余額僅占融資總額的1%左右。

消費(fèi)金融公司資金融入對同業(yè)借款渠道依賴程度仍較大，通過發(fā)行金融債券以及ABS進(jìn)行市場融資難度上升，近年來銀團(tuán)貸款成為募資新途徑但整體規(guī)模不高；考慮到資產(chǎn)端業(yè)務(wù)擴(kuò)張為負(fù)債端資金融入帶來的壓力，以及消費(fèi)金融公司普遍存在市場議價能力較弱的客觀因素，消費(fèi)金融公司資金融入渠道仍有待拓寬。

2. 產(chǎn)品同質(zhì)化嚴(yán)重

互聯(lián)網(wǎng)消費(fèi)金融發(fā)展之初，各企業(yè)都業(yè)務(wù)為先，每天思考如何創(chuàng)新，靠什么業(yè)務(wù)來吸引并不斷轉(zhuǎn)化，提高用戶黏性，搜狐和新浪在努力做新聞，阿里在認(rèn)真搞電商，美團(tuán)集團(tuán)在積極做外賣，百度在專注做搜索等。然而，據(jù)不完全統(tǒng)計，當(dāng)前所有的互聯(lián)網(wǎng)企業(yè)如阿里、騰訊、百度、360、美團(tuán)、京東、去哪兒、攜程、今日頭條、餓了么、微博、58同城等都在開展放貸或助貸業(yè)務(wù)。

3. 征信體系發(fā)展不健全

互聯(lián)網(wǎng)消費(fèi)金融是一個由資本、平臺、風(fēng)控、風(fēng)險控制部分和信用等幾個要素組合而成的生態(tài)系統(tǒng)，其中個人信用提升系統(tǒng)的發(fā)展是互聯(lián)網(wǎng)消費(fèi)金融的核心基礎(chǔ)設(shè)施。目前我國信用體系的不健全且失信懲戒機(jī)制不完善，互聯(lián)網(wǎng)消費(fèi)金融企業(yè)面臨發(fā)展行業(yè)高風(fēng)險、不良貸款增加和多頭借貸等阻礙。然而高效的制度是市場經(jīng)濟(jì)的基礎(chǔ)，完善的失信懲戒機(jī)制能促進(jìn)經(jīng)濟(jì)中人們“逆向選擇”和“道德風(fēng)險”的合理框架。

三、我國互聯(lián)網(wǎng)消費(fèi)金融風(fēng)險因子分析

（一）信用風(fēng)險

1. 征信系統(tǒng)的覆蓋面窄

大多數(shù)的互聯(lián)網(wǎng)消費(fèi)金融征信體系還沒有與中央銀行的征信系統(tǒng)相銜接，導(dǎo)致了征信信息難以有效實(shí)現(xiàn)資源整合、實(shí)時共享互通有無。中國人民銀行征信中心最新消息指出，截至2022年1月月末，央行征信系統(tǒng)共計納入了11.3億個人信息。目前，我國尚未擁有信用卡或其他信用類型的人口約為4億人，央行征信系統(tǒng)無法涵蓋所有人群。為了減少企業(yè)的風(fēng)險，需要建立多維度的征信體系。

2. 網(wǎng)絡(luò)的虛擬和金融市場的不透明性

網(wǎng)絡(luò)的虛擬性和金融市場的不透明性使得消費(fèi)者容易隱藏失信行為或編造虛假信息，導(dǎo)致了信息的不對稱和信用評估的困難。在競爭日益加劇的互聯(lián)網(wǎng)消費(fèi)市場，部分不具競爭優(yōu)勢的互聯(lián)網(wǎng)企業(yè)為提升經(jīng)營績效，常常會對一些有潛力的“利基”客戶給予超額信貸，使得客戶得到超出自己承受范圍的消費(fèi)信貸配額，進(jìn)一步導(dǎo)致我國居民的杠桿率急劇上升。2019年第三季度末，我國的居民杠桿率為54.6%，與發(fā)達(dá)國家的72.2%相比仍有很大的差距，且我國的居民杠桿率增長速度僅次于韓國。當(dāng)世界主要發(fā)達(dá)國家的杠桿率都在下降時，我國的居民杠桿率卻在三年的時間里上升了7%。從官方統(tǒng)計資料分析來看，我國互聯(lián)網(wǎng)消費(fèi)金融行業(yè)存在著巨大的風(fēng)險隱患。

（二）操作風(fēng)險

隨著互聯(lián)網(wǎng)金融的迅速發(fā)展，以移動支付為基礎(chǔ)的支付方式，已成為一種趨勢。與此同時，它的安全性問題也逐漸被人們所關(guān)注，其原因在于，網(wǎng)上申請、網(wǎng)上操作、網(wǎng)上還款等一系列互聯(lián)網(wǎng)消費(fèi)金融服務(wù)都在移動終端上進(jìn)行的，而對移動端的操作則成為直接導(dǎo)致風(fēng)險產(chǎn)生。

1. 消費(fèi)者操作風(fēng)險

根據(jù)艾瑞咨詢2018-2022年度《中國移動支付市場調(diào)研報告》數(shù)據(jù)顯示，2016年全國移動支付金額僅為157.55萬億元，2020年為432.16萬億元，與之同期相比，同比增長24.50%，在2022年，在線支付應(yīng)用的交易額達(dá)到了歷史最高水平，數(shù)字人民幣的試點(diǎn)工作也在穩(wěn)步推進(jìn)。最新數(shù)據(jù)顯示，2021年第三季度，我國移動支付金額累計達(dá)到了126.81萬億元，與2020年同期相比，下降了13.44%。據(jù)不完全統(tǒng)計，有近30%的消費(fèi)者表示曾由于不了解貸款流程或手誤等原因造成借貸金額出錯、申貸流程顛倒等難以挽回的損失。

2. 機(jī)構(gòu)操作風(fēng)險

平臺操作性風(fēng)險主要是因?yàn)椴煌晟苹蛴袉栴}的內(nèi)部程序、人員、系統(tǒng)及外部事件所造成損失的風(fēng)險，而主動識別、評估、控制或緩釋、監(jiān)測和報告的過程，借助操作風(fēng)險管理的相關(guān)工具可以對操作風(fēng)險進(jìn)行有效管理。

（三）技術(shù)風(fēng)險

互聯(lián)網(wǎng)金融為人們的日常交易提供了便利，但也存在一些潛在的安全危機(jī)。如公用通信線路的癱瘓、供應(yīng)鏈的破壞、計算機(jī)設(shè)備的失靈、惡意代碼的傳播、黑客的入侵等，其中黑客技術(shù)是隨著科技的發(fā)展，而不斷發(fā)展更新。因此，在疫情防控常態(tài)化背景下，消費(fèi)金融行業(yè)將面臨更多挑戰(zhàn)，消費(fèi)金融公司在數(shù)據(jù)合規(guī)方面更需進(jìn)一步落實(shí)個人信息保護(hù)要求，構(gòu)建完善、可信賴的信息安全防御體系，為金融消費(fèi)者提供更加安全、可靠、便捷的金融服務(wù)。

（四）外部風(fēng)險

1. 法律風(fēng)險

外部風(fēng)險的產(chǎn)生主要表現(xiàn)在法律法規(guī)存在著內(nèi)生性的滯后性。盡管國家近年來在金融領(lǐng)域的政策變化不斷，但仍存在著嚴(yán)重的滯后現(xiàn)象，特別是與這些新型的金融產(chǎn)業(yè)相關(guān)的法律法規(guī)、行業(yè)監(jiān)管政策、會計政策和稅收政策仍不夠完善，對金融企業(yè)經(jīng)營發(fā)展缺乏有力的保障。一些金融機(jī)構(gòu)利用法律漏洞，不重視風(fēng)控、數(shù)據(jù)不實(shí)，都為互聯(lián)網(wǎng)消費(fèi)金融風(fēng)險埋下了隱患。

2. 監(jiān)管風(fēng)險

雖然我國對金融創(chuàng)新活動中的資產(chǎn)管理產(chǎn)品、信托投資產(chǎn)品和理財產(chǎn)品等領(lǐng)域進(jìn)行了統(tǒng)一監(jiān)管，但是對其中的一些特殊業(yè)務(wù)則缺乏監(jiān)管。如我國在金融創(chuàng)新產(chǎn)業(yè)領(lǐng)域主要由銀保監(jiān)會和證監(jiān)會進(jìn)行監(jiān)管，而在實(shí)際的監(jiān)管過程中，銀監(jiān)部門更多地將精力放在了對銀行業(yè)的監(jiān)管上，這就導(dǎo)致了監(jiān)管部門缺乏對整個金融市場進(jìn)行統(tǒng)一監(jiān)管的意識。同時，金融市場缺乏統(tǒng)一的信息披露制度。由于我國證券市場還不夠成熟，上市公司和證券公司之間缺少一套完整、科學(xué)的信息披露制。在這樣一個不規(guī)范、不透明的信息披露制度下，投資者很難對上市公司和證券公司進(jìn)行有效的監(jiān)督，金融創(chuàng)新活動中一些市場主體出現(xiàn)了很多違規(guī)行為，這也導(dǎo)致金融創(chuàng)新產(chǎn)業(yè)存在著巨大風(fēng)險。

四、互聯(lián)網(wǎng)消費(fèi)金融信用風(fēng)險模型分析

（一）風(fēng)險因子選擇與數(shù)據(jù)選取

我國征信體系和監(jiān)管體系不健全，受主觀因素影響的信用風(fēng)險難以防控，信用風(fēng)險成為互聯(lián)網(wǎng)消費(fèi)金融五類風(fēng)險中最難防范和防控的風(fēng)險。本文選取部分Kaggle網(wǎng)站中“Give Me Some Credit”競賽數(shù)據(jù)，數(shù)據(jù)由國際投資公司Home credit-捷信提供。

（二）模型選擇

采用二元logistic回歸，設(shè)置自變量X與因變量Y，研究X自變量對于Y因變量的影響，且Y為二分類數(shù)據(jù)，驗(yàn)證是否違約來衡量信用風(fēng)險。其次，函數(shù)定義域?yàn)閷?shí)數(shù)域，而值域?yàn)閇0，1]，正好對應(yīng)概率區(qū)間，也滿足概率分布P為[0，1]的定義。計算方法可復(fù)制到互聯(lián)網(wǎng)消費(fèi)金融平臺風(fēng)控模型。

對于n維數(shù)據(jù)，實(shí)數(shù)變量x，記為x=（x1，x2，…，xn），考慮線性關(guān)系式：

g（x）=w1x1+w2x2+…+wnxn=wtx（1）

對于sigmoid函數(shù)，根據(jù)已有定義：

f（x）=■（2）

對于sigmoid函數(shù)，根據(jù)已有定義：

ln■＝wtx（3）

令f（x）為后驗(yàn)概率P（y=1|x），代入上式得：

ln■=ln■=wtx（4）

因此，本文中的違約概率可以刻畫為：

P（y|x，w）=[f（x）]y×[1-f（x）]-y（5）

為每個觀測yi～b（1，f（x））時的分布表達(dá)式。可以得到其極大似然函數(shù)為：

L（w）=∏■■[f（xi）]■×[1-f（x）]■（6）

因此，對數(shù)極大似然函數(shù)為：

lnL（w）=∑■■yiln[f（xi）]+（1-yi）ln[1-f（xi）]（7）

為得到w的參數(shù)估計，對上式求偏導(dǎo)，得：

■=∑■■xik[f（xi）-yi]=0（8）

本文描述梯度上升法的求解過程：

梯度上升法的求解迭代公式為：

w=w+α▽lnL（w）（9）

其中，

▽lnL（w）＝■（10）

設(shè)損失函數(shù)為E＝f（x）-y，可得：

w=w+α∑■■xik[f（xi）]-yi=w+αXTE]（11）

比可求得W1，W2…Wn。

得到參數(shù)估計后可以得到Logistic 回歸表達(dá)式：

P（y=1|x）＝■（12）

通常情況下，P（y=1|x）lt;0.5時預(yù)測值y=1，P（y=1|x）lt;0.5時預(yù)測值y=0。

（三）實(shí)證分析

1. 變量說明表

選取信貸余額，年齡，逾期30～59天，60～89天，90天以上的次數(shù)，債務(wù)比例，每月收入等影響信用風(fēng)險的變量（見表1）。

2. 描述性統(tǒng)計

為建立邏輯回歸模型，方便數(shù)據(jù)統(tǒng)計，做如下假設(shè)，自變量分別為default，Credit ratio， Age， defa30～59…Dependent。本文研究主要變量的樣本容量、標(biāo)準(zhǔn)差、最值。如表2所示。

表2中選取了150000個樣本容量，其中有關(guān)Monthly income為120296個樣本，Dependent146076個樣本，從年齡來看平均年齡約為52歲，年齡最大為109歲，說明在樣本中存在有部分無收入的未成年人或老年人；也有部分不需要承擔(dān)家庭支出負(fù)擔(dān)的人群；其他樣本容量均為150000，數(shù)據(jù)上看，能夠體現(xiàn)一定的普遍性，增強(qiáng)結(jié)果的可信程度。

3. 皮爾遜變量相關(guān)分析

假設(shè)自變量default，Credit ratio，Age，defa30～59…Dependent，分別為X0， X1，X2，X3…X9。根據(jù)變量進(jìn)行相關(guān)分析。Credit Ratio[X1]變量為-0.002，相關(guān)性不顯著。一方面，從宏觀來看，隨著互聯(lián)網(wǎng)消費(fèi)金融的發(fā)展，可選擇的信貸平臺增多，信用卡不再是唯一的選擇；另一方面，從行為金融角度分析，當(dāng)市場主體收入越高時，能夠還清信用卡的概率增加，可能越不容易違約，因此文中模型中暫不考慮該變量因素。變量逾期30～59天的次數(shù)[X2]，其相關(guān)系數(shù)是0.126***，在1%的顯著水平上差異顯著，說明逾期30～59天的次數(shù)變量與是否違約相關(guān)。

4. Logit回歸模型

根據(jù)*plt;0.1，**plt;0.05，***plt;0.01可知，通過logit回歸后的結(jié)果，得出每個自變量對因變量的系數(shù)和顯著性情況。此處模型檢驗(yàn)的原定假設(shè)為：是否放入自變量（default，Credit ratio， Age， defa30～59…Dependent）兩種情況時模型質(zhì)量均一樣；這里p值均小于0.05，因而說明拒絕原定假設(shè)，即說明本次構(gòu)建模型時，放入的自變量具有有效性，本次模型構(gòu)建有意義。

（四）數(shù)據(jù)總結(jié)

1. Defa30～59、Defa60～89和Defa90

變量違約天數(shù)在30～59天、60～89天、90天以上的系數(shù)分別為0.4978***，-0.9070***，0.4460***，從違約天數(shù)在30～59天與違約天數(shù)90天以上的系數(shù)來看，二者與是否違約均存在顯著的正向影響，說明借款人在這兩個時間段逾期次數(shù)越多，違約率越高；而拖欠60～89天的次數(shù)越多，其違約概率越低。

2.Age

年齡的相關(guān)系數(shù)為-0.0255***，負(fù)向影響顯著，說明年齡越大，違約的可能性逐漸降低。首先，年輕人一般表現(xiàn)得更激進(jìn)，為滿足高消費(fèi)需求，通常會選擇借款，甚至放貸，使自己陷入債務(wù)危機(jī)。但是，大部分老年人的收入來源少且金額不高，再加上他們生活習(xí)慣節(jié)儉，無較大消費(fèi)支出，因此對貸款的需求比較低，進(jìn)而違約概率也相應(yīng)降低。

3. Debt ratio和Monthly income

變量借債比例的相關(guān)系數(shù)為-0.0015***，變量月收入的相關(guān)系數(shù)為-0.00004***，均呈現(xiàn)負(fù)相關(guān)關(guān)系，說明收入越高，借債比例越低，越不容易違約。同時，高收入的群體還款能力更強(qiáng)，當(dāng)其擁有每月的工資和存款時，其違約概率更小，出現(xiàn)破產(chǎn)的概率越小。另外，這與債務(wù)比率也有關(guān)，月工資較高時，債務(wù)比率較小，違約率也會隨之降低。

4. Estate和Dependent

數(shù)據(jù)顯示，變量抵押貸款的相關(guān)系數(shù)為0.07667***，變量是否撫養(yǎng)家庭的相關(guān)系數(shù)為0.10341***，二者均是正相關(guān)顯著關(guān)系，后者相關(guān)性更強(qiáng)。由此發(fā)現(xiàn)，在日常的生活中，老人、兒童及無收入的伴侶都是需要由有收入的人群來供養(yǎng)的，此時這類人群財務(wù)壓力較大，那么抵押貸款的概率就會更大，反映了違約概率更高的特征。

（五）Logit模型預(yù)測判斷

根據(jù)數(shù)據(jù)分析，樣本空間中316個樣本借款人，確實(shí)違約了的概率大于50%，111678個樣本借款人不發(fā)生違約的概率小于50%，模型準(zhǔn)確率高達(dá)93.12%。

五、研究結(jié)論與啟示

（一）建立平臺風(fēng)控數(shù)據(jù)庫

1. 加快構(gòu)建風(fēng)險數(shù)據(jù)體系

充分發(fā)揮大數(shù)據(jù)平臺優(yōu)勢，通過引進(jìn)現(xiàn)代技術(shù)，構(gòu)建一套科學(xué)、高效的個人信用評定體系，與中央銀行信用信息系統(tǒng)對接，保證用戶的個人信貸信息的透明度。

2. 實(shí)行以風(fēng)險管理為中心的策略

將風(fēng)險的控制和預(yù)防放在首位，使風(fēng)險管理工作滲透到各個環(huán)節(jié)，實(shí)施事前、事中、事后的高效的監(jiān)管體系，完善企業(yè)風(fēng)險管理機(jī)制，樹立正確的風(fēng)險管理理念，促進(jìn)互聯(lián)網(wǎng)消費(fèi)金融行業(yè)健康持續(xù)發(fā)展。

（二）加大對消費(fèi)者監(jiān)管力度

1. 建立高精準(zhǔn)用戶畫像

用戶畫像與應(yīng)用大數(shù)據(jù)技術(shù)可對客戶分類，精準(zhǔn)地發(fā)現(xiàn)客戶類型，對用戶所進(jìn)行的個人信用評價，避免各類風(fēng)險，實(shí)現(xiàn)“數(shù)據(jù)驅(qū)動業(yè)務(wù)與運(yùn)營”。同時，使用大數(shù)據(jù)來評價用戶的資信水平，對用戶進(jìn)行全方位的數(shù)據(jù)分析，建立一個全面、精準(zhǔn)、高效的用戶畫像，可以更好地識別和把握用戶的信用水平，匹配對應(yīng)的授信額度及信貸利率。

2. 加強(qiáng)風(fēng)險宣傳教育

加強(qiáng)誠信觀念的宣傳和教育，使消費(fèi)群體知道了解自己的權(quán)益和責(zé)任，認(rèn)識到可能存在的危險。身為消費(fèi)金融平臺，可以利用大數(shù)據(jù)與商戶進(jìn)行溝通，讓他們在寄出貨物的時候，附帶一份誠信理念倡議書，進(jìn)行宣傳和教育，并對他們進(jìn)行積極的引導(dǎo)，從而防止他們有逾期或者是被人惡意拒還的情況出現(xiàn)。

（三）提高政府風(fēng)險控制能力

進(jìn)行風(fēng)險管控，應(yīng)該充分考慮經(jīng)濟(jì)、社會、政治等因素，綜合考慮可能出現(xiàn)的各種風(fēng)險，建立完善的風(fēng)控制度，完善市場監(jiān)管體系，加強(qiáng)財政政策、貨幣政策等財政政策的實(shí)施，加強(qiáng)對市場行為、金融市場的監(jiān)管，以及加強(qiáng)金融機(jī)構(gòu)對社會經(jīng)濟(jì)發(fā)展的支持。

1. 加強(qiáng)對高風(fēng)險性的理財產(chǎn)品的監(jiān)管

通過大數(shù)據(jù)、云計算等新的方式，完善和優(yōu)化互聯(lián)網(wǎng)征信體系，網(wǎng)絡(luò)征信體系可以在多個領(lǐng)域中得到廣泛推廣和應(yīng)用，實(shí)現(xiàn)多領(lǐng)域的信用信息的有效利用。同時，加強(qiáng)金融監(jiān)管機(jī)構(gòu)內(nèi)部的分工與協(xié)調(diào)，明確各自的職責(zé)和權(quán)限范圍。提高金融監(jiān)管機(jī)構(gòu)的專業(yè)性，有利于維護(hù)金融系統(tǒng)的穩(wěn)定，防范化解金融風(fēng)險。

2. 完善相關(guān)法律， 創(chuàng)造良好的借貸環(huán)境

目前，互聯(lián)網(wǎng)消費(fèi)金融還在繼續(xù)高速發(fā)展，有關(guān)政府和監(jiān)管部門需要對其進(jìn)行適當(dāng)?shù)囊龑?dǎo)。如果金融環(huán)境存在問題，要及時加以遏制和處理。此外，要出臺相關(guān)的法律法規(guī)，以保證監(jiān)管規(guī)定的時效性。

（四）培養(yǎng)高水平風(fēng)控人才

1. 專業(yè)素養(yǎng)

自主有序擴(kuò)大金融對外開放，培養(yǎng)更多高水平的風(fēng)控人才。鼓勵優(yōu)秀風(fēng)控人才參與到企業(yè)產(chǎn)品研發(fā)、銷售等業(yè)務(wù)全流程，進(jìn)行金融風(fēng)險管控，提升金融機(jī)構(gòu)應(yīng)對潛在金融風(fēng)險的管理水平，幫助企業(yè)規(guī)避潛在的金融風(fēng)險。

2. 道德水平

注重對人才隊伍的培養(yǎng)，防止出現(xiàn)違背金融規(guī)范的犯罪，保證網(wǎng)絡(luò)消費(fèi)金融活動的有序進(jìn)行。金融機(jī)構(gòu)要長遠(yuǎn)穩(wěn)健發(fā)展，離不開“法律、法規(guī)、監(jiān)管和標(biāo)準(zhǔn)”，只有培養(yǎng)出道德水平與專業(yè)素養(yǎng)兼具的人才隊伍，才能更好地引領(lǐng)互聯(lián)網(wǎng)消費(fèi)金融產(chǎn)業(yè)更好發(fā)展。

參考文獻(xiàn)：

[1]De Roure C，Pelizzon L，Thakor A V.P2P lenders versus banks：Cream skimming or bottom fishing？[J].Social Science Electronic Publishing，2018.

[2]Tang H. Peer-to-peer lenders versus banks： Substitutes or complements？[J].The Review of Financial Studies，2019，32（05）： 1900-1938.

[3]Xu R，Mi C，Mierzwiak R，et al. Complex network construction of Internet finance risk[J].Physical A：Statistical Mechanics and its Applications，2020， 540：122930.

[4]Qi S，Jin K，Li B，et al.The exploration of internet finance by using neural network[J].Journal of Computational and Applied Mathematics，2020，369：112630.

[5]孫森，王玲.基于KMV-Logit模型的上市公司違約風(fēng)險實(shí)證研究.財會月刊，2014（18）：64-68.

[6]林江鵬，華良晨，姜雯.我國中小企業(yè)信用評級質(zhì)量檢驗(yàn)的實(shí)證研究——基于因子分析模型和有序Logit模型的分析[J].金融理論與實(shí)踐，2016（01）：23-27.

[7]王家華，朱賢明，孫俊磊.基于Logit模型的互聯(lián)網(wǎng)消費(fèi)金融企業(yè)信用風(fēng)險度量研究[J].工程經(jīng)濟(jì)，2022，32（02）：28-35.

（作者單位：寧夏理工學(xué)院經(jīng)濟(jì)管理學(xué)院）