随着个人征信的方法不断借鉴国外的经验，不断完善个人信用体系，个人信用诚信会影响到社会生活的方方面面.个人信用体系所涉及的范围的逐步扩大，就业工作、业绩考核、升迁职务、专考取业资格与技术职称等都必须考虑个人的信用诚信状况，个人想要不断发展，就需要讲信用.长期以往，民众整体的信用素质不断提高，这也成为了经济不断发展、社会和谐稳定的奠基石.

鉴于P2P网络借贷为今年来的新兴金融模式，所以国内外并没有太多关于P2P网贷的文献.国外大多数研究刚开始就是分析一些商业银行的模式和主要数据，贷款记录也成为了投资人评估借款人违约风险的一个重要依据.

近年来，信用评估理论都得到了发展和运用.Angelini（2008）首次通过两个神经网络系统来评估信用风险，并通过验证某企业的真实数据，证明了通过神经网络系统来评估借款人的违约风险是可行的；Sung（2010）提出的神经网络与比例风险回归混合模型，运用数据的分析得出该模型也可以预测结果；Kozeny等人（2012）提出的遗传算法与人工神经网络混合算法以及该算法在信用风险评估中的应用；Capotorti和Barbanera（2012）通过将粗糙集、条件概率评估和模糊集的混合，她们发现该算法对信用风险评估中标准粗糙集理论的分类性能有很大改善；Bekhet和Eletter（2014）构建了Logistic 回归模型和径向基函数模型，并相互之间进行了对比分析，可以发现Logistic 回归模型相对于径向基函数模型会得到更高的整体准确率，但是径向基函数模型相比Logistic 回归模型拥有更高的概率识别潜在违约者.

相较于国外的发展状况，我国P2P网络借贷起步更晚，因此对这方面的研究就更少，甚至关于互联网信用评估指标方面的研究几乎没有.但是随着P2P网贷的快速发展，已经越来越引起专家们的注意，因此我国的信用评估方法也取得了非常大的进步.

李旭升等人提出了树增强朴素贝叶斯网络信用评估模型，并且该模型相对于其他模型可以取得更高的分类精度；熊志斌等人提出了自适应遗传模糊神经网络信用风险评估模型，相较于BP神经网络和遗传神经网络模型，该模型在信用评估的泛化能力方面预测的准确度也更高；杜婷（2012）用粗糙集与支持向量机相结合的方法建立模型，该模型可以充分提高结果的精确性和稳定性，改善预测效果；姚潇和余乐安（2012）提出的模糊近似支持向量机，可以提高信用风险分类精度.

根据我国的目前的情况来看，可获取的资源有限造成像个人信用历史和资产状况等数据缺失，因此由于受到国外所研究的各种成熟模型前提假设条件、历史数据等因素的限制，尽管很多模型的准确度更高但是都无法运用到我国的个人信用评价体系中来.很多都是需要在一个非常完善的个人信息数据库基础上，否则运用现有的信息会出现一定的难度和误差.

1.网络借贷个人信用问题

在我国，不管是P2P网络借贷还是个人信用都是近段时间才被产生或提到，因此就造成了我们的各个方面都存在风险和漏洞。正是我们发现我们的问题从能更好的去完善。

1.1 P2P网络借贷的风险

网贷的产生在很大程度帮助了个人或者是中小型企业解决了融资困难的一个难题，同时，互联网的普及促进了网络借贷平台的飞速发展.但是也是由于网络借贷平台毫无节制的增加不可避免的就会伴随着许多问题的出现，但是有利益就会有风险，对于网络贷款也是一样.

1.1.1政策法律的风险

由于网络借贷刚刚产生，目前还没有具体的法律法规对P2P网络借贷平台的业务活动进行约束和规范，使P2P 网络借贷平台可能会出现非法集资的事情，导致了许多平台“跑路”的事件频繁发生.并且由于借贷平台的门槛低使投资风险提高.