作为互联网金融的代表类型，P2P自去年以来一直占据着媒体的版面，成为全社会所关注的焦点，屡次出现风险事件，老板“跑路”等情况时有发生。其野蛮生长的势头在没有解决风控难题的情况下，必将被残酷的市场打回原型。

　　当下，典当、担保、小贷等先后出现这样或那样的问题，甚至连银行都不能幸免，坏账率开始上升，P2P金融自然也不例外。目前P2P根本还算不上一个行业，它仅仅是金融背景下的一个很小的特殊信贷市场。另外，作为一个烧钱的平台，目前几乎大部分平台均无法形成赢利，如果加上信贷项目收集及风控成本，估计形成的实际利润就几乎为零了，去掉资本的支持，还有多少家在未来三五年内能够存活？

　　从P2P平台本身的风险控制手段来进行解读，或可以摸到P2P行业的脉博，进而研判P2P的未来走向。金融产品，大都可以简单地理解为资金来源与资金使用两个方面。对传统金融机构来说，就是吸收存款、发放贷款博取利差的过程。P2P互联网金融也是如此，无非就是通过互联网集聚公众资金，再通过互联网选择合适放贷对象的过程。

　　P2P的初衷是金融脱媒，让资金供方与资金需方直接对接，其价值是减少中间环节、提高效率、降低成本。原始的P2P是纯粹作为交易平台使用的，不介入过多的风险控制及担保过程，但此种模式由于很难鉴别资金需求方的风险，易形成信息不对称，导致投资人意愿降低，这种原生态的方式尽管有一定的市场合理空间，但很难迅速形成规模。

　　当P2P被引进中国后，先行者也遇到了同样的瓶颈，因此，在浮躁的社会氛围之下，P2P平台纷纷推出了保底、保证金、抵押、担保等多种形式来架构风险控制体系，以期获得投资人的信任，放大资金规模。从这一天起，中国的P2P就走上了一条独具特色的道路。中国绝大部分P2P不再是一个相对独立的中介平台，这使得出资人不是根据借款人本身选择投放，而是依赖平台信用或其所谓的风控手段可信度进行投资。

　　P2P常用的风控手段

　　P2P在里面扮演的角色已类似于银行。综合相关报道及各P2P平台公司自身官网的介绍，笔者通过梳理发现目前P2P公司的风险控制手段大约有以下几种：

　　第一，由第三方提供担保，由担保公司及小贷公司等机构承担尽职调查成本及代偿风险。值得注意的是，有相当一部分P2P平台合作的担保公司根本没有主管部门授予的融资担保资质，甚至有一些担保方直接就是P2P公司的关联企业。

　　第二，P2P公司提供本金保证。这种保证措施对于降低投资人的风险是相当有好处的，问题是如果真的出现问题了，P2P公司是兜不了底的。看看当下的P2P平台，除几家银行、国资系及拿了VC、PE钱的公司实收资本略大一点外，又有几家公司的资本金经得住赔付？红岭创投，一个项目损失一个亿，而它的注册资金只有5000万元，加上利润、资本公积金也就9000万元，它也就只能拿PE的钱赔了。

　　第三，设立风险保证金。目前不少P2P公司模仿银行设立了风险保证金，比例一般为贷款金额的1%，一旦投资人无法收回投资，由风险保证金提供先行赔付。这一制度看上去有点类似银行，按贷款余额的1%计提风险准备金。但是，这个1%与银行还是不一样的。P2P公司的1%计提不同于金融机构的1%，金融机构是用自身利润来计提的，而P2P大都是将1%成本加到借款人或出借人身上的，这势必带来了更高的融资成本，从本质上加大了贷款的风险。况且金融机构是多重拨备，且远远超过贷款余额的1%，而P2P的准备金的管理制度及真实性都存疑。

　　第四，通过小额分散降低风险，将一笔资金分散到若干个借款标的。“小额分散”是众多P2P公司降低风险的主要手段之一。实际上，此种分散在降低单一客户的本金风险的同时，也降低了客户的收益率。这种信贷投放越分散，单一客户承担的风险越接近行业平均不良率。

　　第五，由借款人提供相关抵押。有抵押物当然风险要小得很多，但是如果一旦有抵押物的借款人出现逾期那可不妙，拿房产抵押来说，一是在当下一个违约的房产抵押贷款，从起诉到能拿到房产变现的过程至少一年左右，这期间的资金成本呢？其损失可谓极大。其次还有不少的抵押贷款诉讼最终因各种原因（如先刑后民、抵押不过租赁、产权纠纷、弱势群体居住、维稳等）最后无法执行。因此，仅仅凭借抵押就视为零风险的想法并不可行。

　　第六，建立风控模型，以大数据及网上供应链信息为支撑，来分析借款人信用、控制信贷风险。这一点看上去很美，也正是互联网金融可取之处和有想象空间的地方。问题是大数据从何而来？有了数据又该如何筛选？目前连央行征信系统数据都没有直接的对接，仅依靠简单地收集企业或个人的一些数据（甚至有些P2P平台仅仅让借款人将相关信息扫描发送到网上即可），然后套用一套风险分析模型，就能分析出借款人的风险度？当然，这个还算是互联网金融P2P风控的重要手段。

　　第七，采取线下的尽职调查。这种做法与传统的银行类似，他们通过P2P公司本身或其合作伙伴完成线下的风险控制，包括使用各种专业风控手段试图从线下解决风控的问题。从风控角度讲，现在众多P2P平台也在仿效传统银行对中小企业、自然人借款各种风险甄别手段，包括大量线下的调查工作。这样做确实可以降低风险，也有成效，问题是这又等于把P2P公司拉过来与传统的金融机构一比高下，令互联网的基因优势难以发挥。

　　P2P应该重点优化的风控方向

　　首先，成立职能明确的专业风控部门。在信贷金融领域，根据不同的借款额度，往往对应的是不同的风控审批手段。从业内看，超过100万以上的借款基本采用与银行相同的借款风控手段，实地派人前往考察，另外再加抵押物。而20～100万之间，可以用类似IPC的风控技术，没有抵押物，但较接近银行审核手段，不能集中化审核，容易导致审核标准不一。

　　一些P2P公司应该更多地专注于1～20万之间的信用无抵押借款，这是银行、小贷和担保公司目前很难覆盖的领域。在这种模式中，风险管理采用总部集中式的数据化风控模式，从而解决审核标准不统一以及审核部门快速扩张经验积累不足的问题。

　　其次需要建立数据化风控模型。有了职能清晰的风控部门，对于以点对点借款为主要模式的P2P而言，要想把平台整体违约率控制在较低水准，还要坚持使用IT技术，用数据分析方式建立风控模型。小额分散最直接的体现就是借款客户数量众多，如果采用银行传统的信审模式，在还款能力、还款意愿等难以统一量度的违约风险判断中，风控成本会高至业务模式难以承受的水平，这也是很多P2P网贷平台铤而走险做大额借款的原因。

　　可以借鉴的是，国外成熟的P2P比如LendingClub是采用信贷工厂的模式，利用风险模型的指引建立审批的决策引擎和评分卡体系，根据客户的行为特征等各方面数据来判断借款客户的违约风险。美国专门从事信用小微贷业务的CapitalOne是最早利用大数据分析来判断个人借款还款概率的公司，在金融海啸中CapitalOne公司也凭借其数据化风控能力得以存活并趁机壮大起来，现在已经发展成为美国第七大银行。

　　通过研究分析不同个人特征数据(即大数据分析)相对应的违约率，通过非线性逻辑回归、决策树分析、神经网络建模等方法来建立数据风控模型和评分卡体系，来掌握不同个人特征对应影响到违约率的程度，并将其固化到风控审批的决策引擎和业务流程中，来指导风控审批业务的开展。

　　简单说，建立数据化风控模型并固化到决策引擎和评分卡系统，对于小额信用无抵押借款类业务的好处包括两个方面：一是决策自动化程度的提高，降低依靠人工审核造成的高成本；二是解决人工实地审核和判断所带来审核标准的不一致性问题。

　　作者单位：中国人民银行蓝山支行