P2P网贷平台风险与平台特征

摘要：使用改进的CRITIC法对我国54家P2P网贷平台风险进行评价，发现2015年5月―2016年8月样本平台风险得分和风险评级均处于严峻的低水平状态。通过横纵向差异比较，可以得出不同特征的平台在风险得分上存在一定的对应关系，进一步的面板模型检验显示：股东背景、注册资本和运营时间对风险得分有正向影响，平均收益率则是负向作用。

关键词：P2P网贷平台；平台特征；改进的CRITIC法；面板模型；互联网基因；互联网金融

中图分类号：F830.29 文献标识码：A 文章编号：1007-2101（2017）03-0056-09

一、引言

由于被赋予民主金融、普惠金融和金融脱媒等多种意义，P2P（Peer to Peer）网贷平台自2005年在美国等发达国家兴起后就一直备受关注。但事实证明，没有超强的互联网基因、创新思维和风险管控能力，P2P网贷平台难以“修成正果”，诈骗、跑路、体现困难等现象应接不暇，歇业、转型、洗牌等行业阵痛开始涌现。P2P的核心要义是“基于互联网思想的金融”（Allen et a1.，2002）[1]，在创新活力的激发下，也带来了新的风险。2015年以来，e租宝、大大集团、金鹿财行、中晋系等相继被查，2016年5月美国最大的P2P平台Lending Club亦曝出违规放贷丑闻，这些不仅给投资者造成了巨大损失，影响了行业的社会声誉，还使得监管改革呼声渐高、监管挑战前所未有。2016年8月，期待已久的《网络借贷信息中介机构业务活动管理暂行办法》由银监会等四部委正式颁布生效，在监管新规下，加网贷平台风险监管除了渐进立法、完善准入门槛和退出机制、加强行业自律和建立征信体系外，还应加强风险的过程监管，实施风险的动态监控和定量评价。监管要根据行业风险和单个平台风险的不同实施分类监管，因而开展风险评价，进行不同特征平台间的比较就很有必要。

二、文献回顾

学术界对P2P网贷平台风险的研究主要集中在三个方面。

1. 个人信用风险的研究。Lin et a1.（2009）把P2P网贷中借款人基本财务信息称之为“硬信息”，而社交网络信息被称为“软信息”[2]。出借人如果能充分利用“软信息”就可以提高用户间信用度，降低个人违约风险（Bruett，2007）[3]。Sufi（2007）和Michael Klafft（2008）认为，投资者缺乏经验进一步放大了网络环境下P2P平台的信用风险[4] [5]。Herzenstein et a1.（2008）、Pope和Sydnor（2011）认为，P2P网贷平台是由投资者个人而非借贷平台筛选确定借款人是否值得信赖，更容易出现借款人通过虚假陈述骗取借款的情况[6] [7]。刘峙廷（2013）、黄震（2015）、王梦佳（2015）、于晓虹和楼文高（2016）分别使用AHP层次分析法、BP神经网络模型、Logistic回归模型和随机森林分类回归算法对P2P平台的借款人信用风险进行评估[8] [9] [10] [11]。孙同阳和谢朝阳（2015）通过构建决策树模型，发现P2P网贷平台的信用评级过度依赖线上认证而忽视信用逾期行为，缺乏动态信用评级所需要的要素，评级体系不具备欺诈识别和自动纠错的相关机制[12]。

2. 风险成因的研究。Freedman、Jin（2011）、Yum et a1.（2012）认为信息不对称导致 P2P 网贷平台产生逆向选择和道德风险问题[13] [14]。Michaels（2012）发现网贷平台责任的缺失使网络借贷市场运行有效性下降，因而带来较大的风险[15]。Lee et a1.（2012）通过研究韩国最大P2P平台上的“从众行为”发现，“从众行为”导致网络借贷风险加大[16]。Gonzalez和Loureiro（2014）认为感知吸引力、年龄和性别等个人特征影响P2P借贷成功率，个人特征信号不显著会带来平台风险[17]，但提供更多的信息来对贷款人进行筛选，可大大减少高风险贷款的拖欠率（Miller，2015）[18]。Serranocinca et a1.（2015）进一步实证得出，利率越高平台违约的概率就越高[19]。Pokorná和Sponer（2016）的实证结论表明，较高的盈利能力、流动性和资产规模意味着违约风险较低，而高负债和高杠杆意味着违约风险较高[20]。官大飚（2012）、吴佳哲（2015）认为羊群效应和破窗理论会增加声誉风险[21] [22]；吴晓光和曹一（2011）指出，缺乏资信和评级会引发网贷平台风险[23]；何晓玲和王玫（2013）等认为，缺乏监管、变相吸储、资金池和洗钱等行为催生了一大批问题网贷平台[24]。

3. 风险类别及评价研究。国内相关的研究相对较多，如张巧良和张黎（2015）提出P2P网贷平台存在法律风险、市场风险、信用风险、技术风险、无序竞争风险、内部管理风险、声誉风险、与机构合作风险等风险[25]。唐艺军和葛世星（2015）还指出了操作风险、流动性风险和信息污染风险[26]。宋飞飞和黄作明（2015）运用故障树和层次分析法相结合的办法，构建了P2P平台风险评价指标体系[27]。唐嘉悦（2015）采用层次分析法构建层次结构模型，确定风险指标权重，对10家网贷平台2014年数据进行计算，结果显示人人贷风险得分最高、陆金所得分最低[28]。王立勇和石颖（2016）采用二层次CRITIC―灰色关联模型构建风险评价体系，运用Var方法测算风险大小，发现2014年前三个季度平台整体风险较高，第四季度在信用风险与市场风险下降的作用下呈下降趋势[29]。在风险评价实践方面，目前仅有大公国际不定期P2P风险黑名单和预警名单，但评价方法不公开。其他如中国社会科学院金融研究所、网贷之家、融360、网贷天眼等，只是对平台进行发展能力评级，并未涉及专门的风险评价。

已有的文献对P2P网贷平台风险进行了探究，但研究对象要么笼统地针对所有平台，要么局限在一家或几家网贷平台，样本量和经验证据明显不足。同时，很少有文献从平台特征的角度出发进行风险的差异性比较，并检验平台特征与平台风险之间的关系。为此，笔者试图找出解答这些问题的相关证据。

三、P2P网贷平台风险

（一）风险评价方法

网贷平台风险评价方法主要有层次分析法、模糊综合评价法、主成分分析法和BP神经网络法等。层次分析法由于简单易操作而被大多数人采用，但在专家打分环节中，风险重要性排序的主观分歧使得评价结果差异明显，可参考性就不强，模糊综合评价法同样存在这个问题。主成分分析法在评价指标众多而不好作出选择时优越性凸显，但目前国内P2P网贷平台成立时间短，用以度量风险的指标不仅难以获取，连续性也不够，加上评价时容易丢失部分信息，因而不太适用。BP神经网络法能克服人工评价带来的人为因素的随机性、不确定性和模糊性，但需要先验结果。改进的CRITIC法是一种可选择的方法，不仅客观、全面、无需先验结果，还综合了熵权法等同类方法的优点，考虑了指标变异大小对权重的影响以及各指标间的冲突性。

最初的CRITIC法由Diakoulaki（1995）提出，其基本思路是以对比强度和评价指标之间的冲突性为基础，确定指标的客观权重Wj：

Wj=■，i=1，2，...，n；j=1，2，...，m

式中，σj代表第j个指标的标准差，rij代表第i个指标和第j个指标之间的相关系数，■（1-rij）则是它们冲突性的量化指标。如果表达式中分子越大，那么第j个评价指标所包含的信息量越大，该指标的相对重要性也就越大。CRITIC法未考虑指标间的离散性，但熵权法能弥补这一缺陷，因而提出改进的CRITIC法，其客观权重W′j表达式为：

W′j=■，i=1，2，...，n；j=1，2，...，m

式中ej为熵权法的客观权重，表达式为：

ej=-（lnn）-1■■ln■，i=1，2，...，n；j=1，2，...，m

dij是υ始数据fij进行标准化后的数据，其算法为：

dij=■，当fij为正指标■，当fij为正指标

因此最终的风险平均值Vi=100×■W′jdij

（二）评价指标和数据

如前文所说，用于度量P2P网贷平台风险的指标数据如何获取是研究中的一大难点。笔者借鉴王飞等（2016）、周勤（2016）等学者做法[30] [31]，以第三方机构网贷之家的月度“网贷平台发展指数”作为基础数据，选取该机构提供的技术积分、杠杆积分、流动性积分、分散度积分、品牌积分以及透明度积分，来近似地代表各网贷平台技术风险、市场风险、流动性风险、信用风险、声誉风险和信息风险（见表1）。

由于网贷之家在2015年5月之后的评级数据中才加入“技术积分”，因此，笔者把评价的时间跨度定为2015年5月―2016年8月。同时，网贷之家每月的前100家平台评级中，有一部分是新进平台，数据会存在不连续的问题，要将这部分平台剔除，这样笔者最终获取了完整的54家平台数据。这些平台设立时间较早，发展相对成熟，风险控制能力也相应处于行业领先水平。从表2描述性统计量可知，技术风险和流动性风险均值较高，表明样本平台在技术安全、提现能力方面做得较好；声誉风险均值最小，与行业较为负面的公众舆论有关，诈骗、跑路等丑闻降低了市场认可度。值得注意的是，作为网贷平台日常经营关键的两项风险――市场风险和信用风险的均值较小，标准差却较大，属于“低水平的两极分化”，要引起重视，强化管理，补齐短板。

（三）风险评价结果

根据改进的CRITIC法原理，可以计算出54家平台2015年5月―2016年8月的风险得分，将各月风险得分进行简均，得到最终的风险得分（见表3）。得分越高，代表平台的风险控制能力越强，反之则越弱，易知风险管控能力前3名的网贷平台分别为拍拍贷（61.95）、生菜金融（59.82）、开鑫贷（57.51），风险管控能力后3名中的平台分别为向上金服（26.20）、爱投资（31.11）、金融工场（33.29）。

结合我国P2P网贷平台发展实际，笔者将得分大于80的平台设置为AA级（优秀），70～80分的为A级（优良），60～70分为B级（合格），50～60分为C级（关注），40～50分为D级（警示），小于40分为HR级（危险）。不难看出，处于国内领先水平的54家网贷平台，风险评级的情况并不乐观：评级为优秀和优良的为0家，合格的仅1家，两者之和占比不到2%，也即绝大多数网贷平台风险评级不合格，风险管控的形势十分严峻；在不合格的53家平台中，关注的有26家，警示的有17家，危险的有10家，警示和危险的平台数量和比例均严重偏高，揭示了整个网贷行业风险集中度还处于居高不下的局面，亟需强化行业引导和监管，加大高风险平台的风险预警。但从另一个方面来讲，我国网贷平台风险评级普遍偏低又是一大机遇，显示了网贷行业风险管控体系建设还有很大的成长空间，在规范和促进平台发展的同时，要着力提升抵御风险的综合管控能力。

54家平台中风险评级最高的为拍拍贷，它是国内第一家P2P公司，采取的是出借人自担风险模式，网站仅充当交易平台，不提供担保，其风险控制手段主要是基于大数据征信，建立“魔镜”信用评级系统，逾期贷款率1.71%，低于P2P行业和银行业。而以生菜金融、开鑫贷等为代表的“第二梯队”，大多建立了连带责任担保机制和风险准备金，但盈利能力弱，在缺乏持续投入的情况下，最终将影响平台各类风险管控能力的提升。风险得分最小的向上金服、爱投资等处于风险暴露期的平台，风险控制能力弱，在累积效应和连锁反应下，很容易出现风险集中爆发，应高度关注这10家危险级平台。总之，在当前绝大多数平台评级不合格、相当数量平台还潜藏高危风险的严峻形势下，亟需加强我国网贷行业的风险监管，加速推进平台风险控制能力建设。

表4给出了风险评价的分解情况。从风险总得分来看，数值较为集中地分布在40～50分，没有月份为B、C级，也没有出现HR级，评级全部为D级区域，表明处于考察期的54家平台风险形势处于警示状态。这与各平台风险评级有所不同。从总得分变动来看（见图1），峰值形成时间为2015年6月―2015年9月，谷值则出现在2015年5月和2016年4月―2016年5月，先升后降，呈陡峭且峰值严重偏左的“倒U”形态，网贷平台风险在一定范围内得到控制，但2016年又有加剧趋势，这与2016年上半年网贷行业风险事件增多、问题平台有蔓延之势等情况相符。事实上，由于整个行业风险问题突出，2016年4月14日国务院组织了14个部委开展互联网金融专项整治工作，首次在全国范围内联合打击违法犯罪活动。

从风险类型来看，六类风险在得分上差异明显，其中市场风险、流动性风险和信用风险的得分较高，技术风险、声誉风险和信息风险的得分较低，前三类风险对总得分的贡献显著高于后三类风险，说明目前网贷行业风险管控更专注于与日常经营密切相关的前三类风险。但值得注意的是，市场风险均值小、技术风险均值大（见表2），但两者得分却相反，说明市场风险的客观权重远大于技术风险，产生了“位高权不重”的错配现象，应加强资源优化，提升市场风险管控能力以及技术风险对总得分的贡献度。从风险得分变化来看，技术风险、流动性风险和声誉风险随时间推移有逐步下降的趋势，市场风险、信用风险和信息风险则较为稳定。

四、P2P网贷平台风险与平台特征

对于网贷平台风险与平台特征之间的关系分析，笔者采用的是间接比较法和直接回归法，以示两者的外在逻辑关系和内在影响程度。

（一）不同特征平台的风险比较

每一个P2P网贷平台都有自身特质，风险管理经验和能力自然不同。多个个体按照某一标准划分为不同群体，个体间差异也会反映到群体间的不同。按照这样的思路，笔者依据不同特征对54家平台作了划分，以便进一步观察其风险差异（见表5）。

从股东背景来看，银行系风险评价得分最高，国资系、上市公司系分列其后，民营系得分最低。银行系在技术风险和信息风险方面存在优势，得分基本为其他背景平台的2倍，可能与这些平台的“银行基因”有关。但由于银行系平台给出的平均收益率低，基本无债权转让产品上线，整个平台的流动性不高，使得风险管理得分最低，成为亟需补齐的短板。国资系平台的市场风险得分优势明显，不仅超过银行系，还大大领先于上市公司系和民营系，充分说明其在市场风险管控方面经验丰富。上市公司系和民营系的优势在于流动性风险得分，这主要受益于公司治理活力强、创新管制较松、管理和生产效率高等有利条件，但其他类型风险得分均处于落后局面，也警示了其亟需加强全面风险管理。

从注册资本来看，处于高注册资本特征的平台，风险得分越高，风险管控能力越强。其中，“5亿元及以上”的平台风险得分为55.392，明显高于“5亿元以下”的平台；但注册资本为“5 000万元以下”与注册资本为“5 000万元～1亿元”的平台风险得分几无差异，同时，注册资本在“1亿元～5亿元”的平台也只有很小的领先优势。要保证网贷平台的安全性，注册资本似乎存在一个“安全阈值”。与此同时，高注册资本特征的平台有较高的风险得分，主要是其技术风险、信用风险和信息风险方面的得分较高，而这正是低注册资本特征平台的短板。当然，低注册资本特征的平台在市场风险、流动性风险方面也有一定的优势，但这四类注册资本的网贷平台在声誉风险得分方面差异很小。

从平均收益来看，收益率高低与平台风险得分高低有关，但并非对称分布。其中，平均收益率小于9%的平台由于市场风险得分领先，导致了风险总得分最高为51.897，高于收益率大于9%的平台；但收益率在15%以上的平台风险得分并非最低，相反还高于收益率在9%～12%以及12%～15%的平台，显示了收益率与平台安全性存在不吻合的一面。因为根据一般的逻辑，风险与收益对称，允诺高收益的背后必然要冒更高的投资风险，即使网贷平台作为纯粹的信息中介，上线高收益标的无疑会传递高风险，也会带来安全隐患。在实践中，一些网贷平台为招揽人气发放高收益、超短期限的“秒标”，虚构交易和非法集资，不仅偏离了网贷平台原有的定位，最终还引发了诈骗、跑路甚至倒闭的不良后果。

从平台运营时间来看，存续期的长短与平台风险总得分之间弱相关。运营时间在2年及以下的平台，风险总得分较高为49.437，但相比平台背景、注册资本和平均收益中的排名第一的得分要低。运营时间在3～4年的平台，风险得分为47.002，排名第二，运营时间在2～3年和4年以上的平台，风险得分分别为46.925和46.418，排名第三和第四，不过总体上2年以上的平台风险得分的差异性较小，波动区间为46～47，显示了得分的趋同性。从风险得分的构成来看，不同存续期的网贷平台，在技术风险、流动性风险、声誉风险和信息风险的得分上较为接近，但在市场风险和信用风险的得分上差异较大，存续时间短的平台市场风险得分高、信用风险得分低，存续时间长的平台则刚好相反。

（二）平台特征对平台风险的影响

从前述分析可以看出，平台风险与平台特征之间存在关联，但这种关联性有多强，具体影响作用如何，还需要进一步探讨。为此，笔者建立以下面板数据模型：

Rik，t=α0+α1Bak，t+α2Cak，t+α3Rak，t+α4Tik，t+μk，t

上式中，Ri为风险得分，i=1，2，...，7，分别代表平台风险总得分、技术风险得分、市场风险得分、流动性风险得分、信用风险得分、声誉风险得分和信息风险得分。Ba为股东背景（民营系赋值1，上市公司系赋值2，国资系赋值3，银行系赋值4），Ca为注册资本，Ra为平均收益率，Ti为运营时间，数据来源于网贷之家。k=1，2，…，54，t=2015年5月，2015年6月，…，2016年8月，μ代表随机扰动项。

表6给出了估计结果。从模型1中各变量系数的符号来看，股东背景、注册资本和运营时间等平台特征对风险总得分的影响方向为正，而平台平均收益率对风险总得分的影响方向为负，与前面的分析结果和理论预期基本相符。谋淞康幕毓橄凳和显著性来看，股东背景对风险总得分的影响能力要强于平均收益率、注册资本和运营时间，显著性也要强（可观察p值）。值得注意的是，注册资本的回归系数尽管为正，但很接近于0，说明注册资本的提高对平台风险总得分的推动作用并不明显，设想通过提高注册资本下限、设置所谓的“安全阈值”，以增强平台的风险抵抗能力尚缺乏可靠证据。相反，通过优化股东背景，保持中低平均收益率和较长的运营时间，能较大程度地降低各网贷平台的运营风险，减少行业性、系统性风险集中爆发的可能性。

模型2～7考察了平台特征对六类不同风险的影响情况。各解释变量在10%的显著性水平下通过了检验，回归系数的符号方向保持一致，但大小有所不同。从纵向来看，对于技术风险、市场风险、流动性风险、声誉风险和信息风险而言，股东背景的回归系数最大，与总风险类似；例外的是信用风险，对其影响程度最强的是运营时间。从横向来看，股东背景对市场风险得分的影响最大，对信用风险得分的影响最小；注册资本对各类风险得分的影响均较小；平均收益率对声誉风险得分的副作用最强，对信用风险得分的副作用最弱；运营时间对信用风险得分的贡献能力最大，对流动性风险得分的贡献能力最小。易知，通过横纵向对比，能针对平台各类风险管控中的短板提出相应的解决措施，能根据平台风险影响因素的作用程度找出提高风险得分的有效路径。

五、结论与建议

笔者对54家P2P网贷平台2015年5月―2016年8月的运营风险进行了评价，比较了不同特征平台的风险差异，实证检验了平台特征对平台风险的影响。研究结果显示：样本平台的风险得分和风险评级均处于低水平，合格平台仅1家；在16个月的考察期中，样本平台均处警示状态；在相关的六类风险得分中，市场风险、流动性风险和信用风险的得分较高，技术风险、声誉风险和信息风险的得分较低。进一步对平台风险与平台特征之间关系的研究发现，在间接比较中，不同特征的平台在风险得分上存在一定的对应关系，在直接回归中，股东背景、注册资本和运营时间对风险总得分有正向影响，平均收益率则是负向作用。

本文启示在于：第一，加快建立P2P网贷平台风险评价体系和风险管控体系。《网络借贷信息中介机构业务活动管理暂行办法》划定了网贷平台10项义务和13条业务红线，但仍缺乏明细的风险评价和管控机制，建议由银监会出台《互联网金融风险评级体系》《互联网金融合规风险管理指引》等配套制度。第二，健全企业和个人征信体系，完善平台信息披露制度。未来网贷平台的业务将主要转向个人消费贷款、中小微企业贷款等小额融资需求，而这类群体的征信系统还没有接入网贷平台，信用记录的完整性和准确性也有待提高。同时，作为信息中介的网贷平台，自身信息的披露也有待加强，建议由中国互联网金融协会牵头负责实施。第三，网贷平台应优化股东结构，提升平台背景，维持合理的收益率，规避短期目标，实行持续的合规经营、高效经营，从而不断提高平台的风险抵御能力。

参考文献：

[1]Allen F，Mcandrews J，Strahan P. E-Finance：An Introduction[J]. Journal of Financial Services Research，2002，22（1）：5-27.

[2]Lin M，Prabhala N R，Viswanathan S. Can Social Networks Help Mitigate Information Asymmetry in Online Markets？[C]International Conference on Information Systems，Icis 2009，Phoenix，Arizona，Usa，December，2009.

[3]Bruett T. Cows，Kiva，and ：how disintermediation and the internet are changing microfinance[J]. Community Development Investment Review，2007，3（2）：44-50.

[4]Sufi A. Information Asymmetry and Financing Arrangements：Evidence from Syndicated Loans[J]. Journal of Finance，2007，62（2）：629-668.

[5]Michael Klafft. Peer to Peer Lending：Auctioning Microcredits over the Internet[J]. Social Science Electronic Publishing，2008.

[6]Herzenstein M，Andrews R L. The democratization of personal consumer loans？determinants of online peer―to peer loan auctions[J]. Bulletin of the University of Delaware，2008，15（3）：274-277.

[7]Pope D G，Sydnor J R. What′s in a Picture？：Evidence of Discrimination from [J]. Journal of Human Resources，2011，46（1）：53-92.

[8]⒅磐.我国P2P网络信贷风险评估研究[D].南宁：广西大学，2013.

[9]黄震.基于BP神经网络模型的中国P2P借款人信用风险评估研究[D].北京：北京交通大学，2015.

[10]王梦佳.基于Logistic回归模型的P2P网贷平台借款人信用风险评估[D].北京：北京外国语大学，2015.

[11]于晓虹，楼文高.基于随机森林的P2P网贷信用风险评价、预警与实证研究[J].金融理论与实践，2016，（2）：53-58.

[12]孙同阳，谢朝阳.基于决策树的P2P网贷信用风险评价[J].商业经济研究，2015，（2）：81-82

[13]Seth Freedman，Ginger Zhe Jin. Learning by Doing with Asymmetric Information：Evidence from [J]. Nber Working Papers，2011：203-212.

[14]Yum H，Lee B，Chae M. From the wisdom of crowds to my own judgment in microfinance through online peer-to-peer lending platforms[J]. Electronic Commerce Research & Applications，2012，11（5）：469-483.

[15]Michels J. Do Unverifiable Disclosures Matter？ Evidence from Peer-to-Peer Lending[J]. Accounting Review，2012，87（4）：1385-1413.

[16]Lee E，Lee B. Herding behavior in online P2P lending：An empirical investigation[J]. Electronic Commerce Research & Applications，2012，11（5）：495-503.

[17]Gonzalez L，Loureiro Y K. When can a photo increase credit？ The impact of lender and borrower profiles on online peer-to-peer loans[J]. Journal of Behavioral & Experimental Finance，2014，2：44-58.

[18]Serranocinca C，Gutiérreznieto B，Lópezpalacios L. Determinants of Default in P2P Lending.[J]. Plos One，2015，10（10）.

[19]Miller S. Information and default in consumer credit markets：Evidence from a natural experiment[J]. Journal of Financial Intermediation，2015，24（1）：45-70.

[20]Pokorná M，Sponer M.Social Lending and Its Risks[J].Procedia-Social and Behavioral Sciences，2016，220（31）：330-337.

[21]官大飚.我国P2P网络借贷发展存在的风险及其监管对策[J].台湾农业探索，2012，（5）：61-64.

[22]吴佳哲.基于羊群效应的P2P网络借贷模式研究[J].国际金融研究，2015，（11）：88-96.

[23]吴晓光，曹一.论加强P2P网贷平台的监管[J].南方金融，2011，（4）：32-35.

[24]何晓玲，王玫. P2P网络借贷现状及风险防范[J].中国商论，2013，（20）：79-79.

[25]张巧良，张黎. P2P网贷平台风险评价指标研究――基于层次分析法[J].审计与经济研究，2015，（6）：85-94.

[26]唐艺军，葛世星.我国P2P网络信贷风险控制实证分析[J].商业研究，2015，（10）：64-72.

[27]宋飞飞，黄作明. P2P平台风险管理评价指标体系的构建[J].商，2015，（47）：182-183.

[28]唐嘉悦.P2P平台风险评价及控制研究[D].青岛：青岛理工大学，2015.

[29]王立勇，石颖.互联网金融的风险机理与风险度量研究――以P2P网贷为例[J].东南大学学报（哲学社会科学版），2016，（2）：103-112.

[30]王飞，王永健，庄雷.信任危机、逆向选择与品牌重建――来自网贷之家的经验证据[J].y计与信息论坛，2016，（7）：95-99.

[31]周勤，王飞.信息不对称与”言多必失“――来自中国P2P网贷平台的证据[J].东南大学学报（哲学社会科学版），2016，（3）：78-84.

Risks and Platform Features of P2P Lending Platform

――Empirical Evidence from 54 Platforms in China

WANG Wei1，2，Ji jinyan3，DENG Weiping4

（1. National Research Center for Upper Yangtze Economy，，Chongqing Technology and Business University，Chongqing， 400067，China；2.Department of finance，Chongqing College of Finance and Economics， Chongqing， 402160，China；

3.School of Economics and Management， Beijing University of Chemical Technology，Beijing 100029；

4.Survey and Statistics Section，Qingyuan central sub-branch of PBC，Guangzhou， Guangdong，511515，China）

Abstract：Using the improved CRITIC method to evaluate the risk of 54 P2P lending platforms， it is found that the risk score and risk rating of the sample platforms from May， 2015 to August， 2016 are all in a severe low level. Based on the comparison of horizontal and vertical differences， we conclude that there is a certain correspondence among the risk scores of platforms with different features. Further panel model tests show that the background of shareholders， registered capital and operating time have a positive impact on the risk score， but a negative effect on the average yield .

Key words：P2P Lending Platform；Platform Features；Improved CRITIC Method；Panel Model； Internet Gene； Internet Finance