Γιατί τα μοντέλα δανεισμού AI χρειάζονται κάτι παραπάνω από ακριβείς πιστωτικές βαθμολογίες

Από αυθαίρετες αποφάσεις στις πιστωτικές βαθμολογίες

Κατά τη χορήγηση δανείων, οι τράπεζες και άλλα χρηματοπιστωτικά ιδρύματα έπρεπε πάντα να ανησυχούν για το ενδεχόμενο οι δανειολήπτες να μην μπορούν να τα επιστρέψουν. Γι’ αυτό πολλοί δανεισμοί υποστηρίζονται από περιουσιακά στοιχεία όπως ακίνητα ή επιχειρηματικά περιουσιακά στοιχεία που η τράπεζα μπορεί να κατασχέσει εάν δεν γίνουν οι αποπληρωμές. Παρόλα αυτά, η απόφαση βρισκόταν στα χέρια του προσωπικού της τράπεζας, το οποίο αποφάσιζε αν θα χορηγήσει το δάνειο.

Με την πάροδο του χρόνου, η ατομική απόφαση ενός τραπεζικού υπαλλήλου αντικαταστάθηκε από ολοένα και πιο εξελιγμένα φίλτρα βασισμένα σε εσωτερικά μοντέλα κινδύνου και μαθηματικούς τύπους, καθιστώντας τη διαδικασία πιο τυποποιημένη και λιγότερο αυθαίρετη.

«Μέρος της εργασίας του διαχειριστή πιστώσεων ήταν να προσπαθεί να κάνει συμπεράσματα για την προσωπικότητα του ατόμου, αν φαίνεται οργανωμένο, ώριμο και υπεύθυνο. Ένας διαχειριστής πιστώσεων μπορούσε να απορρίψει έναν αιτούντα εάν υποψιαζόταν ότι είναι αλκοολικός, ή για πιο προφανείς διακριτικές αιτίες σχετικές με τη φυλή, το φύλο ή, για γυναίκες δανειολήπτες, το οικογενειακό τους καθεστώς.

Josh Lauer – Καθηγητής στο Πανεπιστήμιο του New Hampshire και συγγραφέας του βιβλίου «Creditworthy».

Ωστόσο, χρειάστηκε μέχρι το 1958 για τη FICO, που ιδρύθηκε από τον μηχανικό Bill Fair και τον μαθηματικό Earl Isaac, να εισαγάγει τη σύγχρονη τυποποιημένη πιστωτική βαθμολογία. Και το 1989, η εταιρεία λάνσαρε την πρώτη γενικής χρήσης, εθνική πιστωτική βαθμολογία, με εύρος από 300 έως 850, η οποία γρήγορα έγινε το εθνικό πρότυπο δανεισμού των ΗΠΑ.

Τα όρια της πιστωτικής βαθμολογίας

Μια σύγχρονη πιστωτική βαθμολογία βασίζεται σε πέντε διαφορετικές κατηγορίες δεδομένων:

• Ιστορικό πληρωμών (35%).
• Ποσό που οφείλεται (30%).
• Διάρκεια πιστωτικού ιστορικού (15%).
• Νέα πιστώσεις και ερωτήματα (10%).
• Μίξη πιστώσεων (10%).

Αυτή η μέθοδος έκανε την εκτίμηση της πιστοληπτικής ικανότητας πολύ πιο αντικειμενική και δίκαιη από την προηγούμενη μέθοδο. Αλλά, φυσικά, έχει τα όριά της.

Για παράδειγμα, δεν περιλαμβάνει καμία πληροφορία σχετικά με τη συμπεριφορά ενός ατόμου εκτός των ζητημάτων που αφορούν το παρελθόν και το παρόν χρέος. Επίσης, δεν λαμβάνει υπόψη πληροφορίες όπως η τοποθεσία διαμονής, το εισόδημα, ο κλάδος απασχόλησης, τα περιουσιακά στοιχεία κ.λπ.

Μια σύγχρονη πιστωτική βαθμολογία επίσης βασίζεται στην υπόθεση ότι οι τράπεζες χορηγούν δάνεια σε άτομα. Ωστόσο, τα σύγχρονα peer-to-peer (P2P) δανειστικά συστήματα και άλλες χρηματοοικονομικές υπηρεσίες FinTech λειτουργούν διαφορετικά.

Παράλληλα, η πρόοδος στην τεχνητή νοημοσύνη έχει καταστήσει δυνατή την ενσωμάτωση σύνθετων, διαφορετικών δεδομένων σε ένα ενιαίο μοντέλο λήψης αποφάσεων. Έτσι, δεν είναι έκπληξη το ότι η AI κάνει γρήγορη πρόοδο στη βελτίωση μοντέλων που προβλέπουν αθέτηση δανείων για μια νέα γενιά ψηφιακών δανειστών.

Μια νέα μελέτη από δύο ερευνητές του Πανεπιστημίου Agder στη Νορβηγία εξέτασε τη διαχείριση πιστωτικού κινδύνου σε πλατφόρμες peer-to-peer δανεισμού. Διαπίστωσαν ότι η έρευνα έχει χωριστεί κυρίως σε δύο ομάδες: η μία εστιάζει στη βελτίωση της πρόβλεψης αθέτησης μέσω μηχανικής μάθησης, και η άλλη στην κατανόηση του γιατί οι δανειολήπτες αθετούν. Ωστόσο, και οι δύο προσεγγίσεις περιορίζονται από παλαιά σύνολα δεδομένων, ασυνεπείς ορισμούς και περιορισμένη γεωγραφική κάλυψη.

Οι ερευνητές δημοσίευσαν τα ευρήματά τους στο Technological Forecast, Social Change¹, με τίτλο «Διαχείριση πιστωτικού κινδύνου σε πλατφόρμες peer-to-peer δανεισμού: Συστηματική ανασκόπηση της βιβλιογραφίας».

Η άνοδος και οι προκλήσεις του P2P δανεισμού

Γρήγορη ανάπτυξη, νέοι κίνδυνοι

Η βασική έννοια του P2P δανεισμού περιλαμβάνει την απομεσολάβηση, όπου οι πλατφόρμες λειτουργούν ως αγορές αντί για οντότητες που αναλαμβάνουν κίνδυνο, διευκολύνοντας την άμεση αντιστοίχιση προσφοράς και ζήτησης κεφαλαίων. Πολλές νέες εταιρείες FinTech ηγούνται στην ανάπτυξη αυτών των αγορών, καθώς και τα πρωτόκολλα P2P δανεισμού που χρησιμοποιούν blockchain για να παρακάμπτουν εντελώς την ανάγκη για κεντρικό πάροχο δανεισμού, μαζί με άλλες τεχνολογίες DeFi (αποκεντρωμένη χρηματοδότηση).

Το P2P δανεισμό εκτιμάται ότι θα έχει μέγεθος αγοράς $215 δισεκατομμυρίων το 2026, και αναμένεται να αυξηθεί με CAGR 21,9% μέχρι το 2033, με την πλειονότητα του δανεισμού να παρέχεται από ατομικούς επενδυτές.

Πηγή: Coherent Marketing Insights

Ωστόσο, αυτός είναι ένας πολύ νέος τομέας και παραμένει κακώς ρυθμισμένος, με κινδύνους που κυμαίνονται από εσφαλμένη εκτίμηση των πραγματικών κινδύνων αθέτησης έως άμεση απάτη.

Ανάλυση της βιβλιογραφίας P2P

Οι ερευνητές εντόπισαν συνολικά 433 μελέτες σχετικές με την ανάλυσή τους για το P2P δανεισμό και τη διαχείριση πιστωτικού κινδύνου, εκ των οποίων 280 αναλύθηκαν περαιτέρω σε βάθος.

Οι επιστημονικές μελέτες για το θέμα άρχισαν να αυξάνονται πραγματικά το 2014 και έφτασαν σε επίπεδο σταθερότητας το 2020. Γεωγραφικά, οι περισσότεροι ερευνητές στο πεδίο προέρχονται από την Κίνα, τις ΗΠΑ, την Ινδία και την Ινδονησία, με την Κίνα να έχει δημοσιεύσει το 39% των συνολικών δημοσιεύσεων.

Πηγή: Technological Forecast, Social Change

Η πλειονότητα της τρέχουσας έρευνας εστιάζει στο P2P δανεισμό γενικά, στους πιστωτικούς κινδύνους και στις τεχνολογίες AI όπως η μηχανική μάθηση. Πολλές από αυτές τις μελέτες αναλύουν τους ρόλους τόσο των «μαλακών» πληροφοριών (κοινωνικά δίκτυα) όσο και των «σκληρών» πληροφοριών (επιτόκια) στην πρόβλεψη αθέτησης.

Πηγή: Technological Forecast, Social Change

Το πιο κοινό θέμα των εργασιών είναι η αξιολόγηση της προβλεπτικής ακρίβειας με την εφαρμογή διαφόρων μοντέλων μηχανικής μάθησης, συνοδευόμενη από δεδομένα, μεταβλητές και εξετάσεις σε επίπεδο μοντέλου.

Το δεύτερο πιο κοινό θέμα είναι η ταυτοποίηση των παραγόντων που καθορίζουν την πιθανότητα αθέτησης και τη σοβαρότητα της αθέτησης.

Άλλες μελέτες προτείνουν νέα συστήματα διαχείρισης πιστωτικού κινδύνου ή συζητούν τι παραμένει ανεξερεύνητο.

P2P δανεισμός και AI

Εύρεση νέων παραγόντων κινδύνου

Επειδή το P2P δανεισμό δεν βασίζεται αποκλειστικά σε παραδοσιακές πιστωτικές βαθμολογίες, η μηχανική μάθηση και, πιο πρόσφατα, άλλες τεχνολογίες AI χρησιμοποιούνται για την πιο ακριβή ταυτοποίηση των κινδύνων αθέτησης.

Για παράδειγμα, οι ασαφείς γνωστικούς χάρτες που βασίζονται σε προσεγγίσεις μαλακού υπολογισμού και στη θεωρία νευρωνικών δικτύων χρησιμοποιήθηκαν για τη δημιουργία ενός μοντέλου αξιολόγησης πιστωτικού κινδύνου.

Ανεξάρτητα από τη συγκεκριμένη μέθοδο, οι μελέτες συχνά δείχνουν ότι η μηχανική μάθηση υπερτερεί των παραδοσιακών μεθόδων πιστωτικής βαθμολόγησης ως προς την ακρίβεια.

Γενικά, φαίνεται ότι μεμονωμένα, οι πιστωτικές βαθμολογίες των δανειοληπτών, η εκπαίδευση, το οικογενειακό καθεστώς και οι τίτλοι εργασίας είναι τυπικές ενδείξεις της πιστοληπτικής ικανότητας των δανειοληπτών.

Ένας άλλος παράγοντας, βασισμένος στη «θεωρία κοινωνικού κεφαλαίου», μπορεί επίσης να βοηθήσει: η συμμετοχή σε ένα συγκεκριμένο κοινωνικό δίκτυο μπορεί να είναι καθοριστικός παράγοντας για την ταυτοποίηση ατόμων λιγότερο πιθανό να αθετήσουν τα δάνεια τους.

Πηγή: Technological Forecast, Social Change

Οι ερευνητές βρήκαν μια U-σχήματος συνεισφορά της ηλικίας σε μία μελέτη, δείχνοντας ότι οι μεσαίας ηλικίας αιτούντες (πάνω από 45) έχουν υψηλότερο κίνδυνο αθέτησης λόγω του μεγαλύτερου οικονομικού βάρους από την υποστήριξη τόσο των παιδιών τους όσο και των συνταξιούχων γονέων.

Βρήκαν επίσης ότι οι γυναικείες δανειολήπτες χρεώνονται με υψηλότερα επιτόκια, παρά το γεγονός ότι τα ποσοστά αθέτησής τους είναι σημαντικά χαμηλότερα από αυτά των ανδρικών δανειοληπτών.

Δεν είναι έκπληξη ότι η μεγαλύτερη διάρκεια απασχόλησης, το υψηλότερο εισόδημα και το χαμηλότερο ποσοστό χρέους προτιμώνται.

Η ιδιοκτησία ακινήτων, συμπεριλαμβανομένων σπιτιών και αυτοκινήτων, ενισχύει επίσης την ικανότητα αποπληρωμής των δανειοληπτών, ενώ οι ενοικιάσεις και τα εκκρεμή δάνεια αυτοκινήτων την μειώνουν.

Βρήκαν επίσης ότι οι «μαλακοί» δείκτες μπορούν να είναι προβλεπτικοί, αν και δεν είναι απαραίτητα εφαρμόσιμοι από τις πλατφόρμες P2P δανεισμού.

«Μία μελέτη προσπάθησε να εξετάσει τον χαρακτήρα των δανειοληπτών, δείχνοντας ότι η αθέτηση ήταν πιο πιθανή μεταξύ φοιτητών που καθυστέρησαν στην επιστροφή βιβλίων στη βιβλιοθήκη του πανεπιστημίου και απέτυχαν σε μεγαλύτερο ποσοστό των μαθημάτων που παρακολούθησαν.»

Συνολικά, η μελέτη διαπίστωσε ότι οι πιο σημαντικοί παράγοντες που πρέπει να ληφθούν υπόψη είναι:

• Σε επίπεδο δανειολήπτη:
  • Δημογραφικά.
  • Οικονομική απόδοση.
  • Φερητότητα.
  • Πιστωτική βαθμολογία.
  • Κοινωνικό κεφάλαιο.
  • Ψυχολογικοί δείκτες.
  • Επίπεδο δανείου (ποσό, διάρκεια αποπληρωμής, σκοπός, πιστοποίηση και μήκος περιγραφής).
• Σε επίπεδο δανειστή:
  • Δημογραφικοί δείκτες.
  • Συμπεριφορά μάζας.
• Σε επίπεδο πλατφόρμας:
  • Ειδικές ενέργειες συλλογής.
  • Καθεστώτα τιμών.
• Σε μακροεπίπεδο:
  • Κανονισμός.
  • Οικονομική ανάπτυξη.
  • Απασχόληση.
  • Εθνική κουλτούρα.
  • Περίοδοι κρίσης.

Αξιολόγηση Μαύρου Κουτιού

Ένα επαναλαμβανόμενο πρόβλημα με την AI είναι ότι τα νευρωνικά δίκτυα και η μηχανική μάθηση τείνουν να δημιουργούν τα λεγόμενα «μαύρα κουτιά», όπου οι λόγοι για ένα συγκεκριμένο αποτέλεσμα είναι πολύ ασαφείς ακόμη και για τους δημιουργούς του συστήματος, και ακόμη λιγότερο για τους μετέπειτα χειριστές.

Αυτό μπορεί να αποτελεί σοβαρό ζήτημα για το P2P δανεισμό που χρησιμοποιεί AI.

Πρώτα, αυτό δημιουργεί σοβαρούς κινδύνους λανθασμένης εκτίμησης του κινδύνου αθέτησης, χωρίς δυνατότητα έγκαιρης ανίχνευσης του προβλήματος.

Δεύτερον, αυτό μπορεί να δημιουργήσει σοβαρούς κανονιστικούς κινδύνους, καθώς πολλά χαρακτηριστικά ενός ατόμου όπως η φυλή ή το φύλο θεωρούνται γενικά διακριτικά και παράνομα να ενσωματωθούν στη διαδικασία λήψης απόφασης για χορήγηση ή μη δανείου.

Δημιουργία μιας AI πιστωτικής βαθμολογίας

Η δημιουργία μιας AI πιστωτικής βαθμολογίας απαιτεί τη χρήση του κατάλληλου συνόλου δεδομένων για την εκπαίδευση της AI.

Οι ερευνητές υποστηρίζουν ότι η περισσότερη αξιολόγηση AI της πιστοληπτικής ικανότητας θα πρέπει να ενσωματώνει πολλαπλά χρονικά πλαίσια. Τα σύντομα χρονικά πλαίσια (<30 ημέρες) βοηθούν στην ταυτοποίηση πρώιμων προειδοποιητικών σημάτων, ενώ τα μακρά χρονικά πλαίσια (120 ημέρες ή περισσότερο) παρέχουν καλύτερη εικόνα του συνολικού αποτελέσματος του δανεισμού.

Η ανάκτηση, ή η πιθανότητα αποπληρωμής των καθυστερημένων ποσών κατά την εμφάνιση αθέτησης, είναι επίσης σημαντικό δεδομένο.

Πηγή: Technological Forecast, Social Change

Τέλος, ένα τέλειο σύστημα AI θα πρέπει επίσης να προσαρμόζεται συνεχώς στις μεταβαλλόμενες οικονομικές συνθήκες και να αποδεικνύει ότι η αξιολόγησή του παραμένει αξιόπιστη εκτός των ιστορικών συνόλων δεδομένων στα οποία εκπαιδεύτηκε.

Γενικά, η μελέτη δείχνει προς την κατεύθυνση της «τέλειας» AI-βασισμένης πιστωτικής βαθμολογίας που θα ενσωματώνει όσο το δυνατόν περισσότερες σχετικές μεταβλητές, συμπεριλαμβανομένης της δομής του δανείου, των πολιτικών της πλατφόρμας, της συμπεριφοράς των επενδυτών, των συνθηκών απασχόλησης, των κανονισμών και των μακροοικονομικών κλονισμών. Ωστόσο, η διαφάνεια και η δικαιοσύνη μιας τέτοιας διαδικασίας λήψης αποφάσεων μπορεί να αποτελέσει σημαντική πρόκληση με πολλές από τις τρέχουσες τεχνολογίες AI και διαδικασίες εκπαίδευσης.

Επένδυση σε AI πιστωτική βαθμολογία

Upstart Holdings, Inc

Καθώς εξελίσσονται τα δάνεια και οι πιστωτικές βαθμολογίες, νέες εταιρείες εμφανίζονται για να προσφέρουν καλύτερες εναλλακτικές λύσεις στις παραδοσιακές πιστωτικές βαθμολογίες και πρακτικές δανεισμού.

Μία από αυτές είναι η Upstart (UPST ), μια αγορά δανεισμού που λειτουργεί με AI, λανσαρισμένη το 2012, πολύ πριν η AI γίνει κεντρικό θέμα της τεχνολογικής συζήτησης.

Η ιδέα πίσω από την Upstart ήταν ότι το υπάρχον σύστημα πιστωτικών βαθμολογιών είναι αναποτελεσματικό και ξεπερασμένο. Με τη διαθεσιμότητα πολλών περισσότερων δεδομένων, έπρεπε να είναι δυνατόν να εντοπίζονται καλύτερα οι κίνδυνοι δανείων και, ως αποτέλεσμα, να παρέχονται φθηνότερα δάνεια σε μεγάλο τμήμα του πληθυσμού.

«Το μοντέλο προσωπικού δανείου μας είναι σημαντικά πιο ακριβές από ένα παραδοσιακό μοντέλο πιστωτικής αξιολόγησης στην εκτίμηση του κινδύνου του δανειολήπτη. Πιστεύουμε ότι μας περιμένουν χρόνια βελτιώσεων μοντελοποίησης.»

Αυτή η πρώιμη αρχή έδωσε στην εταιρεία μια άφθονη πηγή δεδομένων για την εκπαίδευση της δικής της AI και την αξιοποίηση της πρόσφατης προόδου στις μεθόδους εκπαίδευσης AI.

Πηγή: Upstart

Αυτό σημαίνει ότι η μέθοδος της Upstart μπορεί να εντοπίζει άτομα με υψηλές βαθμολογίες FICO αλλά, στην πράξη, έχουν υψηλό κίνδυνο αθέτησης των δανείων τους. Και αντίστροφα, άτομα με χαμηλές βαθμολογίες FICO δεν είναι τόσο πιθανό να αθετήσουν.

Έτσι, με τη χρήση AI και δεδομένων, η Upstart μπορεί να επιτύχει εξαιρετικά αποτελέσματα για μια συγκεκριμένη ομάδα. Για παράδειγμα, μπορεί είτε να προσφέρει περισσότερα δάνεια για το ίδιο επίπεδο κινδύνου, αυξάνοντας το ποσοστό έγκρισης από 27% σε 67%. Ή μπορεί να μειώσει σημαντικά τις απώλειες, από ποσοστό αθέτησης 9% σε 5%, ή σχεδόν στο μισό.

Πηγή: Upstart

Επιπλέον, η χρήση αλγορίθμου αντί για δανειοδότη σημαίνει ότι η διαδικασία είναι αυτοματοποιημένη. Αυτό είναι τόσο πιο οικονομικό όσο και πολύ πιο γρήγορο και ευχάριστο για την αίτηση δανείου.

Η αγορά της Upstart συνδέει δανειολήπτες με τράπεζες, πιστωτικές ενώσεις και θεσμικό κεφάλαιο. Αναφέρθηκε ότι θεσμικοί επενδυτές αγόρασαν 64% του κεφαλαίου που προήλθε από την αγορά της το 2025.

Η Upstart εξυπηρετεί μια απολύτως τεράστια αγορά, με $25 τρισεκατομμύρια σε πιστωτικό κεφάλαιο που προέρχεται ετησίως παγκοσμίως. Από αυτό το ποσό, έως $1 τρισεκατομμύριο σε έσοδα είναι διαθέσιμο στις πλατφόρμες που προέρχονται και εξυπηρετούν αυτό το πιστωτικό κεφάλαιο.

Το 2025, η εταιρεία προέδωσε 1,5 εκατομμύρια δάνεια (αύξηση 115% έτος με έτος), για συνολικό ποσό $11 δισεκατομμυρίων (αύξηση 86% έτος με έτος), και συνολικά έσοδα για την εταιρεία $1 δισεκατομμύριο (αύξηση 64% έτος με έτος). Η εταιρεία επίσης αναπτύσσεται γρήγορα σε νέους τομείς, με, για παράδειγμα, την προέλευση αυτοκινητιστικών δανείων να αυξάνεται 5 φορές (από $45 εκατ. στο Q4 2024 σε $263 εκατ. στο Q1 2026), και την προέλευση στεγαστικών δανείων να αυξάνεται 6 φορές (από $27 εκατ. στο Q4 2024 σε $143 εκατ. στο Q1 2026).

Έτσι, ακόμη και αν είναι μεγάλοι, αυτοί οι αριθμοί φαίνονται μικροί σε σύγκριση με το συνολικό δυναμικό των προηγμένων μεθόδων πιστωτικής βαθμολόγησης και της αξιολόγησης δανείων με AI.

Πηγή: Upstart

Οι πρόσφατοι αριθμοί ανάπτυξης και το γεγονός ότι η εταιρεία χτίστηκε ως AI-first είναι ισχυρά θετικά σημεία για το μέλλον της Upstart, ακόμη και αν η τιμή της μετοχής δεν έχει ανταποκριθεί πραγματικά σε αυτήν την επιτυχία, με τιμές στο ίδιο επίπεδο με το 2022, και πολύ κάτω από το κορυφαίο επίπεδο του 2021 κατά τη διάρκεια της πανδημίας.

Μερικώς, αυτό οφείλεται στο ότι υπάρχουν επίσης ορισμένοι κίνδυνοι για το επιχειρηματικό μοντέλο της Upstart.

Ο πρώτος είναι ότι το μοντέλο της μπορεί να επιδεινωθεί, καθώς οι οικονομικές συνθήκες ξεπερνούν τα δεδομένα εκπαίδευσης και η AI της μπορεί να χάσει νέες τάσεις.

Ένα άλλο ζήτημα είναι η αυξανόμενη κανονιστική πίεση για διαφάνεια, δικαιοσύνη και αναφορά επιδόσεων δημογραφικών ομάδων, καθώς ακόμη και ακούσια, η AI θα μπορούσε να επαναφέρει διακριτικές πρακτικές που είχαν απαγορευτεί προηγουμένως στη χρηματοοικονομική βιομηχανία.

Τέλος, η εταιρεία εξακολουθεί να εξαρτάται από τη διαθεσιμότητα θεσμικού χρηματοδότησης κατά τη διάρκεια των κύκλων πίστωσης, με ενδείξεις άγχους στο χρηματοοικονομικό σύστημα λόγω των υψηλών επιπέδων χρέους και μιας έντονης γεωπολιτικής κατάστασης.

Παρόλα αυτά, η Upstart είναι ιδανικά τοποθετημένη για να γίνει ένας βασικός πάροχος AI αγοράς δανεισμού και υποδομής αξιολόγησης, μια απαραίτητη εξέλιξη της αρχικής ώθησης των FinTech και P2P δικτύων για νέες πρακτικές δανεισμού.

Και οι επενδυτές ίσως θέλουν να εκτεθούν σε μια εταιρεία που έχει αλλάξει ριζικά τον τρόπο εκτέλεσης της αξιολόγησης δανείων από νωρίς.

Τελευταία νέα και εξελίξεις μετοχής Upstart Holdings (UPST)

Μελέτη Αναφορά

^{1. Fengya Zhu και Rotem Shneor. Διαχείριση πιστωτικού κινδύνου σε πλατφόρμες peer-to-peer δανεισμού: Συστηματική ανασκόπηση της βιβλιογραφίας. Technological Forecast, Social Change. Νοέμβριος 2026. Άρθρο: 124831. Τόμος 232. 10.1016/j.techfore.2026.124831}