中國網(wǎng)貸平臺風(fēng)險評估

董竹+柏向昱+王冕

摘要：運(yùn)用Cox回歸模型和因子分析方法，基于網(wǎng)貸之家等數(shù)據(jù)平臺信息，對中國314家網(wǎng)貸平臺的風(fēng)險進(jìn)行評估。Cox回歸分析認(rèn)為中國網(wǎng)貸平臺的實(shí)繳資本每增加100萬元，其出現(xiàn)問題的概率降低約5%；貸款利率每提高1個百分點(diǎn)，平臺出現(xiàn)問題的概率增長約4.5%；非民營系平臺的存活率大約是民營系平臺的6.5倍。進(jìn)一步應(yīng)用因子分析法得出結(jié)論，平臺的風(fēng)險主要由平臺的內(nèi)部控制結(jié)構(gòu)、產(chǎn)品設(shè)計(jì)、資金保障模式和平臺類型等因素決定。這有利于平臺控制自身風(fēng)險和投資者客觀了解平臺，以確保網(wǎng)貸行業(yè)的健康發(fā)展。

關(guān)鍵詞：網(wǎng)貸平臺；風(fēng)險評估；因子分析法；貸款利率；互聯(lián)網(wǎng)金融

中圖分類號：F832 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-2101（2018）02-0055-08

一、引言

互聯(lián)網(wǎng)的迅速發(fā)展催生了網(wǎng)貸行業(yè)，自從2007年P(guān)2P借貸的模式進(jìn)入中國，中國的網(wǎng)絡(luò)借貸行業(yè)已逐漸發(fā)展為全球最大、最具活力的在線借貸市場。這種不同于傳統(tǒng)商業(yè)銀行信貸也不同于民間借貸的新型貸款模式，滿足了資金雙方的需求，成為傳統(tǒng)金融體系的有益補(bǔ)充，提高了中小企業(yè)的融資效率，極大擴(kuò)展了投融資渠道。

盡管中國的網(wǎng)貸平臺發(fā)展時間比西方國家晚了兩年，可是發(fā)展速度卻極快，從2007年的1家迅速發(fā)展成2015年的1 312家。但由于互聯(lián)網(wǎng)金融市場尚不成熟、政府監(jiān)管政策不到位、社會信用體系不完善等原因，中國的網(wǎng)貸行業(yè)長期以來處于“野蠻”生長的階段，經(jīng)營不善、跑路等失敗的平臺層出不窮，給廣大投資者帶來了不可預(yù)估的損失，也不利于整個行業(yè)的長期正向發(fā)展。

對中國現(xiàn)存的諸多網(wǎng)貸平臺的風(fēng)險進(jìn)行識別和評估，是非常值得探討的問題。鑒于現(xiàn)有關(guān)于中國網(wǎng)貸行業(yè)的研究多跟平臺的發(fā)展現(xiàn)狀等淺層問題有關(guān)，研究影響網(wǎng)貸平臺風(fēng)險指標(biāo)和體系的較少，筆者旨在建立一個網(wǎng)貸平臺風(fēng)險評估體系對中國網(wǎng)貸平臺的風(fēng)險進(jìn)行分析評級，進(jìn)而給出合理的風(fēng)險預(yù)警方案。

二、網(wǎng)貸平臺發(fā)展現(xiàn)狀

網(wǎng)絡(luò)貸款是新型的互聯(lián)網(wǎng)金融形式之一，P2P模式在其中占據(jù)重要地位。P2P網(wǎng)絡(luò)借貸（Peer-to-Peer Lending）也被稱作P2P互聯(lián)網(wǎng)金融，有助于借款者和融資方直接進(jìn)行融通。隨著網(wǎng)絡(luò)技術(shù)的成長和信息流通的加速，借款和貸款的需要逐漸呈現(xiàn)多樣化的特點(diǎn)，已有的借貸渠道難以滿足不斷增長的不同特點(diǎn)的投融資群體，P2P也就在這種情形下出現(xiàn)了，市場也被更細(xì)致地進(jìn)行了細(xì)分。2005年，英國建立了第一家P2P平臺ZOPA；2007年，拍拍貸等中國P2P平臺也建立起來，P2P網(wǎng)貸模式憑借其簡便快捷等突出優(yōu)點(diǎn)被越來越多的投融資個人和群體關(guān)注，P2P網(wǎng)絡(luò)借貸市場不斷發(fā)展壯大。

網(wǎng)貸平臺一般被分為民營系、上市公司系、銀行系和國資系等四大類別，也可以通過是否接受風(fēng)投等條件進(jìn)行細(xì)分。其基本特點(diǎn)是吸引的客戶一般風(fēng)險比較高，多為舊融資模式下很難或無法貸到款的人群，如收入不穩(wěn)定的人群和非大型企業(yè)等，風(fēng)險較高的同時也代表了較高的收益，交易的方式也較多變。

P2P網(wǎng)絡(luò)借貸的誕生為中國眾多的小額融資者提供了更多新的融資方法。2007年，拍拍貸誕生之后，中國的網(wǎng)絡(luò)借貸行業(yè)開始逐漸興起；截至2017年12月24日，中國正在運(yùn)營的網(wǎng)貸平臺數(shù)量約2 000家，并且平臺數(shù)量仍在持續(xù)增加。據(jù)網(wǎng)貸之家數(shù)據(jù)統(tǒng)計(jì)，中國網(wǎng)貸行業(yè)成交額在2016年上半年突破了2萬億元人民幣的成交額，且數(shù)量還在繼續(xù)遞增。2017年11月，網(wǎng)貸行業(yè)的成交量達(dá)到2 278.43億元，成交量環(huán)比上升4.33%，同時2017年1-11月累計(jì)成交量突破了60 090億元，比去年同期累計(jì)上升88.68%。

互聯(lián)網(wǎng)金融行業(yè)在持續(xù)壯大的同時，金融風(fēng)險也在急劇上升。如一些網(wǎng)貸平臺通過粉飾項(xiàng)目、虛高投資回報或自設(shè)資金池來籌集資金，之后發(fā)生大量“跑路”風(fēng)波以及集資詐騙事件。2017年12月新增問題平臺有42家，其中提現(xiàn)困難的有9家，經(jīng)偵介入1家；停業(yè)的平臺有31家，其中1家已經(jīng)跑路。截至2017年12月24日，累計(jì)問題平臺總數(shù)突破4 000家，其中2013年有76家；2014年增長到275家；2015年則有896家，是2014年的3.26倍。只在這3年間，出問題的網(wǎng)貸平臺數(shù)量平均增速就已經(jīng)超過了300%。

2015年是P2P網(wǎng)貸平臺問題集中爆發(fā)的一年，共896家平臺出現(xiàn)失聯(lián)等情況，分析這一年中的失敗平臺可以發(fā)現(xiàn)，半數(shù)以上平臺生存時間在1年以下，甚至有的低于1個月；只有少部分的平臺在經(jīng)營了1年以上才出現(xiàn)倒閉等問題，這部分平臺的占比不超過40%。和2014年相比，2015年很多運(yùn)營時間超過1年的平臺是由于宏觀經(jīng)濟(jì)和自身運(yùn)營狀況等原因失敗。同時，平臺非法集資的問題更為惡劣，尤其是“e租寶”事件中上演的龐氏騙局，非法吸收了近90萬投資人的500多億元人民幣，讓廣大投資者對大多數(shù)中國網(wǎng)貸平臺產(chǎn)生極深的負(fù)面情緒。因此，對網(wǎng)貸平臺的指標(biāo)進(jìn)行分析，設(shè)計(jì)準(zhǔn)確的網(wǎng)貸平臺風(fēng)險識別和評估體系，對于中國互聯(lián)網(wǎng)金融的健康發(fā)展具有重大意義。

三、文獻(xiàn)綜述

筆者通過整理中國網(wǎng)貸平臺相關(guān)的文獻(xiàn)資料，發(fā)現(xiàn)目前的研究方向主要集中在以下幾個方面。

1. 對網(wǎng)貸平臺在國內(nèi)發(fā)展模式的研究。李鵬（2016）[1]認(rèn)為P2P網(wǎng)貸平臺在降低借貸交易成本方面存在很大優(yōu)勢，使資金的配置變得更加有效。這給傳統(tǒng)的金融模式帶來了很大沖擊，與傳統(tǒng)銀行之間既存在著競爭也存在著互補(bǔ)。錢金葉、楊飛（2012）[2]認(rèn)為相比于銀行借貸對個人信用貸款的較高要求、復(fù)雜手續(xù)及有限的信貸額度，網(wǎng)絡(luò)借貸融資容易且效率高，多為中低收入人群的小額無抵押借貸。因此，P2P網(wǎng)絡(luò)借貸為需要資金的人提供了新的融資渠道和融資便利。錢淑芳、張向陽（2016）[3]基于放貸人制度與信息協(xié)同共享機(jī)制，總結(jié)出具有中國本土化特色的P2P網(wǎng)絡(luò)借貸4C協(xié)同共贏運(yùn)營模式，即貸款者、借款者、中間商、金融機(jī)構(gòu)等四方的公共信息平臺構(gòu)架體系，以保證多方合作，為促進(jìn)我國P2P網(wǎng)絡(luò)借貸產(chǎn)業(yè)健康發(fā)展提出了相應(yīng)的對策和建議。陳冬宇（2014）[4]以社會認(rèn)知理論為基礎(chǔ)，研究認(rèn)為只有加強(qiáng)了信息質(zhì)量、網(wǎng)絡(luò)信息和平臺安全保障這三方面的建設(shè)，才能促進(jìn)中國網(wǎng)貸行業(yè)中信任機(jī)制的形成。endprint

2. 對網(wǎng)貸行業(yè)成長過程中存在問題和風(fēng)險的研究。陳霄等（2013）[5]認(rèn)為過高的平臺信用風(fēng)險會打擊投資者的投資信心和積極性，助長不良借貸行為的發(fā)生，削弱其發(fā)揮傳統(tǒng)金融借貸市場工具的補(bǔ)足功能，不利于網(wǎng)絡(luò)借貸市場的健康發(fā)展。林蔚（2015）[6]在研究P2P網(wǎng)貸平臺商業(yè)運(yùn)行邏輯時分析部分平臺失敗原因，把融資端、投資端和信息端確定為P2P網(wǎng)貸平臺最重要的三個功能端。宋琳、郝光亮（2015）[7]以委托代理為出發(fā)點(diǎn)，得出P2P網(wǎng)貸平臺存在層層委托代理關(guān)系、委托人和代理人彼此掌握的信息存在高度不對稱、并且委托人與代理人的目標(biāo)也不盡一致等結(jié)論，并提出從逆向選擇和道德風(fēng)險角度解決問題。Eric C.Chaffee和 Geoffrey C.Rapp（2012）[8]提出解決網(wǎng)貸風(fēng)險的措施，認(rèn)為美國證券委員會應(yīng)該要求P2P網(wǎng)貸平臺每日報告經(jīng)營狀況、披露平臺相關(guān)信息，這樣有利于促進(jìn)行業(yè)的規(guī)范化發(fā)展，提高渠道的應(yīng)用價值。

3. 對網(wǎng)貸平臺風(fēng)險評估體系進(jìn)行研究。嚴(yán)復(fù)雷、李浩然（2016）[9]認(rèn)為中國學(xué)者普遍認(rèn)為網(wǎng)貸平臺具有傳統(tǒng)金融的性質(zhì)，可以采用針對傳統(tǒng)金融行業(yè)的信用評級方法。例如對保險公司的信用評估體系，美國對商業(yè)銀行的駱駝評級法等。顧慧瑩、姚錚（2015）[10]基于WDW上海直營店的數(shù)據(jù)，運(yùn)用Logistic回歸模型和Cox回歸模型，分析了各類信息影響借款人違約行為的表現(xiàn)形式，從而為線上線下相結(jié)合的P2P網(wǎng)絡(luò)借貸平臺分析和構(gòu)建借款人違約影響指標(biāo)提供了實(shí)踐指導(dǎo)。肖曼君等（2015）[11]采用排序選擇模型，基于excelVBA數(shù)據(jù)挖掘技術(shù)對平臺信用風(fēng)險的影響因素進(jìn)行實(shí)證分析，結(jié)果表明：個人特征、信用變量、歷史表現(xiàn)、借款信息分別對網(wǎng)絡(luò)借貸信用風(fēng)險存在正向影響，這也證明了投資者會根據(jù)平臺給出的信息進(jìn)行有選擇性的投資，從而控制整體的投資風(fēng)險。范超等（2017）[12]分析了中國444家P2P平臺的公開信息，利用文本挖掘技術(shù)和11種統(tǒng)計(jì)模型提取了重要的信息，找出重要指標(biāo)的同時也對指標(biāo)的經(jīng)濟(jì)含義進(jìn)行了定義和說明，在研究過程中發(fā)現(xiàn)平臺的風(fēng)險與基本信息、交易信息和外部信息間存在復(fù)雜的非線性關(guān)系，同時發(fā)現(xiàn)SVM和樹類模型等非線性模型能更好地預(yù)判P2P平臺的風(fēng)險。

中國學(xué)者對網(wǎng)絡(luò)借貸行業(yè)和平臺等方面的研究成果主要集中在通過文字闡述中國網(wǎng)貸平臺的現(xiàn)狀、營運(yùn)模式、監(jiān)管等問題，而對于網(wǎng)貸平臺的風(fēng)險識別、評估方面缺乏深入的實(shí)證研究，或選取的樣本和指標(biāo)較少，從而缺乏說服力。為了彌補(bǔ)相關(guān)方面的空白，筆者選取314家平臺數(shù)據(jù)，先通過經(jīng)濟(jì)統(tǒng)計(jì)學(xué)方法和Cox回歸分析模型，分析中國網(wǎng)貸平臺的主要風(fēng)險影響因素，其中包括平臺的實(shí)繳資本、貸款利率和平臺類型等。然后，進(jìn)一步運(yùn)用因子分析方法將149家運(yùn)營平臺的各項(xiàng)經(jīng)營指標(biāo)進(jìn)行綜合分析，擴(kuò)大了指標(biāo)的選取范圍，得到量化的評分標(biāo)準(zhǔn)，從而對網(wǎng)貸平臺進(jìn)行較為客觀的排名。其目的就是希望通過對中國網(wǎng)貸平臺風(fēng)險評估的理論及實(shí)證分析，厘清中國網(wǎng)絡(luò)借貸平臺監(jiān)管的未來發(fā)展方向和投資者選擇投資平臺所需面對的一些主要問題，從而為實(shí)現(xiàn)網(wǎng)貸市場的健康發(fā)展提供借鑒。

四、指標(biāo)設(shè)定與模型選擇

（一）Cox回歸分析

Cox模型的基本形式為：

h（t/x）=h0（t）exp（β1X1+β2X2+…+βpXp）（1）

其中，h0（t）表示基礎(chǔ)風(fēng)險函數(shù)，即所有變量取0時的t時刻的風(fēng)險函數(shù)；X1、X2……Xp是影響因素；β1、β2……βp是回歸系數(shù)[13]。

本文應(yīng)用的基本模型是：

S=F（i，k，m）（2）

其中S指存活率，i指利率，K指實(shí)繳資本，m指平臺類型。存活率可以用二項(xiàng)指示器或者存活天數(shù)來衡量。

基于以上，本文Cox回歸模型的表達(dá)式為：

h（t，b，e，m）=h0（t）exp（β1×b+β2×e+β3×m）（3）

t表示時間，b表示利率，e表示實(shí)繳資本，m表示平臺類型，其中“1”代表民營類，“0”代表非民營類。其中b，e，m是協(xié)變量；β1，β2，β3是回歸系數(shù)，由樣本估計(jì)而得。當(dāng)β>0時，則表明該協(xié)變量是危險因素，這時值越大該變量會導(dǎo)致生存時間越短；當(dāng)β<0時，則表明該協(xié)變量是保護(hù)因素，這時相應(yīng)的數(shù)值越大則表示生存時間越長。h0（t）是標(biāo)準(zhǔn)狀態(tài)或全部協(xié)變量都為0下的風(fēng)險函數(shù)。

傳統(tǒng)觀念認(rèn)為，網(wǎng)貸公司的低資本和高利率常常意味著更高的破產(chǎn)風(fēng)險。筆者通過對網(wǎng)貸之家的數(shù)據(jù)進(jìn)行分析來驗(yàn)證這一觀點(diǎn)。根據(jù)網(wǎng)貸之家的數(shù)據(jù)，截至2016年9月，共有網(wǎng)貸平臺3 462家，其中停業(yè)及問題平臺1 582家。因此，筆者采用分層抽樣選取了314家平臺，其中倒閉平臺128家。

首先，應(yīng)用SPSS對平臺運(yùn)營狀態(tài)與利率、實(shí)繳資本和平臺類型分別進(jìn)行相關(guān)分析，結(jié)果如表1所示，表1顯示平臺運(yùn)營狀態(tài)與三者之間確實(shí)存在明顯的相關(guān)關(guān)系。

表1結(jié)果表明，在0.01的顯著水平下，平臺運(yùn)營狀況與實(shí)繳資本之間存在明顯的負(fù)相關(guān)，即資本量越高，平臺倒閉的幾率越小。平臺的運(yùn)營狀況和平臺利率呈正相關(guān)，即利率水平越高，平臺倒閉的可能性越大；平臺運(yùn)營狀況與平臺類型存在著明顯的相關(guān)關(guān)系，即民營系的平臺倒閉的可能性大。

其次，運(yùn)用SPSS中Cox回歸模型分析數(shù)據(jù)，分析結(jié)果如表2和圖1所示。表2顯示了各項(xiàng)指標(biāo)的模型系數(shù)（B）、系數(shù)標(biāo)準(zhǔn)誤（SE）、Wald檢驗(yàn)值、自由度（df）、p值、HR值（Exp（B））和置信區(qū)間，其中P值小于0.1則認(rèn)為加入此變量是合理的。

通過表2和圖1可得到三個結(jié)論：（1）實(shí)繳資本為影響運(yùn)營狀況的獨(dú)立因素。資本量越大，存活率越高（HR=0.950<195%，CI：0.936-0.964），且實(shí)繳資本增加100萬元，其出現(xiàn)問題的概率降低100%-100%×0.950=5%。（2）利率為影響運(yùn)營狀況的獨(dú)立因素。利率水平越高，存活的概率越低（HR=1.045>195%，CI：1.027-1.064），且利率每增加1個百分點(diǎn)，出現(xiàn)問題的概率平均增長100%×1.045-100%=4.5%。（3）平臺類型為影響運(yùn)營狀況的獨(dú)立因素。非民營系平臺，即平臺類型為“0”的平臺生存的幾率大約是民營系平臺的6.5倍，具體體現(xiàn)在生存函數(shù)圖1中“平臺類型=1”的曲線在“平臺類型=0”的曲線之下。endprint

引入宏觀經(jīng)濟(jì)因素，即同時反映現(xiàn)實(shí)和潛在購買力的廣義貨幣M2，并對M2進(jìn)行分析。通過各時期問題平臺數(shù)目的條形圖，發(fā)現(xiàn)除2011—2013年由于宏觀經(jīng)濟(jì)狀況相對穩(wěn)定和網(wǎng)貸平臺數(shù)目較少等原因出現(xiàn)問題平臺數(shù)目相對較少外，2014—2016年出現(xiàn)問題網(wǎng)貸平臺急劇增多。這種問題平臺爆發(fā)式增長的狀況離不開宏觀經(jīng)濟(jì)因素對網(wǎng)貸行業(yè)造成的沖擊，如M2的H-P濾波圖所示，當(dāng)宏觀經(jīng)濟(jì)狀況向下大幅度波動時，網(wǎng)貸行業(yè)也受到大規(guī)模沖擊，基礎(chǔ)較弱的平臺紛紛倒閉。

央行為了阻止M2大幅度下浮曾在2015年2月兩次降準(zhǔn)，在2015年8月再次降準(zhǔn)降息，并在10月上旬采取量化寬松政策，這使得M2的濾波曲線回升至0值并且在其附近波動。雖然央行采取一系列手段來穩(wěn)定宏觀經(jīng)濟(jì)，但是經(jīng)濟(jì)的大幅度波動依然給網(wǎng)貸行業(yè)帶來較大沖擊，一些平臺即便支撐過這次經(jīng)濟(jì)波動，但是企業(yè)的內(nèi)部控制也已經(jīng)失效，導(dǎo)致大量平臺繼續(xù)出現(xiàn)問題。具體體現(xiàn)在，2015年下半年雖然宏觀經(jīng)濟(jì)形勢較穩(wěn)定，但問題平臺數(shù)量不僅沒有下降，反而大幅度上升（見圖2）。

（二）因子分析

因子分析模型的描述如下：

X=（x1，x2，…，xp）是可觀測隨機(jī)向量，文中p為13，分別代表成交量、歷史待還、待還借款人數(shù)、平均借款期限、待收投資人數(shù)、借款標(biāo)數(shù)、生存月數(shù)、平臺類型、平均收益率、實(shí)繳資本、接受風(fēng)投、資金托管、投標(biāo)保障。

其中，均值向量為E（X）=0，協(xié)方差陣為Cov（X）=∑，且協(xié)方差陣∑與相關(guān)矩陣R相等。

F=（F1，F(xiàn)2，…，F(xiàn)m）是不可測的向量，該向量的各分量是相互獨(dú)立的，其均值向量為E（F）=0，協(xié)方差矩陣為Cov（F）=1。

e=（e1，e2，…，ep）與F向量是相互獨(dú)立的，且E（e）=0，各分量e之間相互獨(dú)立，e的協(xié)方差陣∑是對角陣，該模型是因子分析模型，模型中各因子是正交的。因子分析模型的矩陣形式表示為：X=AF+e。

X1=a11F1+a12F2+…+a1mFm+e1

X2=a21F1+a22F2+…+a2mFm+e2

……

Xp=ap1F1+ap2F2+…+apmFm+ep

其中F是因子，也稱為公共因子；A稱為因子載荷矩陣；aij為因子載荷，是i個原有變量在第j個因子上的負(fù)荷；e是特殊因子，表示原有變量中不能被因子解釋的部分[14]。

在用Cox回歸模型對相關(guān)的主要指標(biāo)進(jìn)行分析之后，筆者進(jìn)一步采用SPSS作為統(tǒng)計(jì)分析軟件，用其因子分析程序?qū)τ绊懫脚_運(yùn)營狀況的13個指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，并得到了KMO檢驗(yàn)結(jié)果和Bartlett球行檢驗(yàn)結(jié)果（見表3）。統(tǒng)計(jì)數(shù)據(jù)來源于網(wǎng)貸之家公布的目前還在運(yùn)營的149家網(wǎng)貸平臺的統(tǒng)計(jì)資料。

KMO統(tǒng)計(jì)量的值達(dá)到0.7可以接受。表3中KMO取值0.734，所以可以接受。Bartlett球行檢驗(yàn)統(tǒng)計(jì)量的sig值<0.01，由此否定零假設(shè)，相關(guān)矩陣不是單位矩陣。由此可以確定認(rèn)為各變量之間存在著顯著的相關(guān)性。

表4中選取了4個公共因子，且4個公共因子解釋的累積方差達(dá)到67.25%，這說明在總體中有大于67.25%的信息可以被這4個公共因子解釋。由于鄧曉宇等（2014）[15]認(rèn)為因子載荷是變量與公共因子的相關(guān)系數(shù)，對于一個變量來說，載荷絕對值較大的因子與其關(guān)系更密切，也更能代表這個變量。

按照這一觀點(diǎn)，第一個公共因子更能代表成交量、歷史待還、待還借款人數(shù)，可以把第一個公共因子解釋為經(jīng)營狀況因素，方差貢獻(xiàn)率為24.114%；類似地，第二個公共因子更能代表平均借款期限、待收投資人數(shù)、借款標(biāo)數(shù)，可以把第二個公共因子解釋為產(chǎn)品設(shè)計(jì)因素，方差貢獻(xiàn)率為19.152%；第三個公共因子更能代表平臺類型，可以解釋為平臺類型，方差貢獻(xiàn)率為13.256%；第四個公共因子更能代表資金托管、投標(biāo)保障，可以解釋為資金保障因素，方差貢獻(xiàn)率為10.729。這樣就可以用新提取的4個潛在因素，對樣本中149家平臺的風(fēng)險狀況加以描述。

由表5可得最終的因子得分公式：

F1=0.043×存活月數(shù)+0.108×實(shí)繳資本+…+0.064×平均收益率（4）

F2=0.091×存活月數(shù)-0.091×實(shí)繳資本+…+0.082×平均收益率（5）

F3=0.092×存活月數(shù)+0.250×實(shí)繳資本+…-0.422×平均收益率（6）

F4=0.159×存活月數(shù)-0.142×實(shí)繳資本+…-0.218×平均收益率（7）

運(yùn)用上述公式可以計(jì)算出各個平臺的因子得分，并據(jù)以分析各個平臺的優(yōu)勢。

為了研究各網(wǎng)貸平臺的綜合實(shí)力，應(yīng)通過相應(yīng)的綜合評分進(jìn)行比較。因此，可以對以上各平臺的4個公共因子的得分進(jìn)行加權(quán)求和，相應(yīng)的加權(quán)系數(shù)是相應(yīng)公共因子的方差貢獻(xiàn)率。4個旋轉(zhuǎn)后公共因子的方差貢獻(xiàn)率分別是24.114%、19.152%、13.256%和10.729%，筆者采用這些方差貢獻(xiàn)率作為公共因子的權(quán)重，得出平臺綜合得分的計(jì)算公式：

Zf=24.114%×FAC1_1+19.152%×FAC2_1+13.256%×FAC3_1+10.729%×FAC4_1（8）

根據(jù)公式（8），可以得到各個平臺的綜合得分和排名（表6列出部分平臺的得分和排名情況）。就總體而言，筆者選取的149家平臺，綜合得分的均值為0，其中得分大于均值的共56家，得分小于均值的共90家，表明中國網(wǎng)貸平臺的發(fā)展處于一種不均衡的狀態(tài)，質(zhì)量差的平臺相對較多。

另外四個公共因子的均值也為0，其中第一個因子得分大于均值的平臺有31家；第2個因子得分大于均值的平臺有43家；第三個因子得分大于均值的平臺有55家；第四個因子得分大于均值的平臺有84家。由此可以看出中國網(wǎng)貸平臺在第一和第二個因子方面整體發(fā)展情況較差，在第四個因子方面發(fā)展較好。因此要改善中國網(wǎng)貸平臺整體的現(xiàn)狀，應(yīng)從經(jīng)營狀況和產(chǎn)品設(shè)計(jì)兩方面考慮。endprint

就個體而言，陸金所的第一個因子得分最高，表明其在經(jīng)營狀況方面具有絕對優(yōu)勢；同理，愛錢進(jìn)在第二個因子得分最高，表明其在產(chǎn)品設(shè)計(jì)方面具有絕對優(yōu)勢；聚寶匯在第三個因子得分最高，表明其在平臺類型方面具有絕對優(yōu)勢；團(tuán)貸網(wǎng)在第四個因子得分最高，表明其在資金保障方面擁有絕對優(yōu)勢。這四個平臺在實(shí)際運(yùn)營中也確實(shí)排在同類平臺的前列，這和其相對優(yōu)勢是密不可分的。

五、結(jié)論

筆者運(yùn)用經(jīng)濟(jì)統(tǒng)計(jì)學(xué)方法、Cox回歸模型和因子分析模型，對影響中國網(wǎng)貸平臺風(fēng)險的主要因素進(jìn)行深入研究，得出以下結(jié)論：（1）資本量越大存活率越高，且實(shí)繳資本每增加100萬元，其出現(xiàn)問題的概率就降低5%。（2）利率水平越高存活的概率越低，且利率每增加1個百分點(diǎn)，出現(xiàn)問題的概率就平均增長4.5%。（3）非民營系平臺的生存率大約是民營系平臺的6.5倍。（4）對宏觀經(jīng)濟(jì)指標(biāo)M2的濾波圖分析，得出宏觀經(jīng)濟(jì)環(huán)境不景氣會導(dǎo)致平臺倒閉率急速增加。（5）影響中國網(wǎng)貸平臺風(fēng)險的關(guān)鍵因子依次是經(jīng)營狀況因子、金融產(chǎn)品設(shè)計(jì)因子、平臺類型因子和用戶資金安全因子。（6）根據(jù)旋轉(zhuǎn)后的因子載荷矩陣可知成交量、歷史待還、待還借款人數(shù)等指標(biāo)共同作用于第一個因子，即經(jīng)營狀況因子；平均借款期限、待收投資人數(shù)、借款標(biāo)數(shù)是平臺結(jié)構(gòu)因子的主要影響指標(biāo)；平臺類型指標(biāo)直接影響平臺類型因子；資金托管、投標(biāo)保障兩個指標(biāo)是用戶資金安全的主要影響指標(biāo)。

同時，筆者進(jìn)行綜合打分計(jì)算評定，驗(yàn)證了模型的有效性，發(fā)現(xiàn)平臺關(guān)于風(fēng)險的分?jǐn)?shù)排名和網(wǎng)貸之家中的評估基本相符。根據(jù)這一結(jié)果，可以對中國網(wǎng)貸平臺進(jìn)行較為客觀、全面的排名，排名相對靠后的公司可以根據(jù)打分低的因子進(jìn)行風(fēng)險分析，進(jìn)而降低平臺風(fēng)險。同時，利用本文模型進(jìn)行分析，能發(fā)現(xiàn)網(wǎng)貸平臺風(fēng)險集中的薄弱環(huán)節(jié)，提出合理的預(yù)警方案，為中國綜合整治網(wǎng)貸平臺提供有力支持。監(jiān)管部門應(yīng)以此對處于末位的相關(guān)網(wǎng)貸平臺進(jìn)行預(yù)警，亦可以結(jié)合各指標(biāo)得分對其薄弱環(huán)節(jié)提出整改意見，預(yù)警方案的提出可以對相應(yīng)的危險平臺起到約束作用。同時，投資者也可以清晰地認(rèn)識到各家P2P平臺的風(fēng)險，使投資者可以合理控制自己的投資風(fēng)險。

參考文獻(xiàn)：

[1]李鵬.我國P2P網(wǎng)貸平臺的本土異化及其治理[J].經(jīng)濟(jì)體制改革，2016（5）：106-112.

[2]錢金葉，楊飛.中國P2P網(wǎng)絡(luò)借貸的發(fā)展現(xiàn)狀及前景[J].金融論壇，2012（1）：46-51.

[3]錢淑芳，張向陽.我國P2P網(wǎng)絡(luò)借貸公共信息平臺構(gòu)架與運(yùn)營模式研究[J].科技管理研究，2016（2）：208-212.

[4]陳冬宇.基于社會認(rèn)知理論的P2P網(wǎng)絡(luò)放貸交易信任研究[J].南開管理評論，2014（3）：44-48.

[5]陳霄，丁曉裕，王貝芬.民間借貸成本研究——基于P2P網(wǎng)絡(luò)借貸的實(shí)證分析[J].金融經(jīng)濟(jì)學(xué)研究，2013（11）：65-72.

[6]林蔚.完善P2P網(wǎng)貸平臺風(fēng)險防范的法律思考[J].華南師范大學(xué)學(xué)報（社會科學(xué)版），2015（3）：135-140.

[7]宋琳，郝光亮.委托代理視角下P2P網(wǎng)貸平臺風(fēng)險防控研究[J].山東社會科學(xué)，2015（3）：108-112.

[8]Eric C.Chaffee，Geoffrey C.Rapp. Regulating Online Peer to Peer Lending in the Aftermath of Dodd-Frank：In Search of an Evolving Regulatory Regime for an Evolving Industry[J].Washington and Lee Law Review，2012（4）：485-524.

[9]嚴(yán)復(fù)雷，李浩然.P2P網(wǎng)貸平臺信用風(fēng)險影響因素分析[J].西南金融，2016（10）：13-17.

[10]顧慧瑩，姚錚.P2P網(wǎng)絡(luò)借貸平臺中借款人違約風(fēng)險影響因素研究[J].上海經(jīng)濟(jì)研究，2015（11）：37-46.

[11]肖曼君，歐緣媛，李穎.我國P2P網(wǎng)絡(luò)借貸信用風(fēng)險影響因素研究[J].財(cái)經(jīng)理論與實(shí)踐，2015（1）：2-6.

[12]范超，王磊，解明明.新經(jīng)濟(jì)業(yè)態(tài) P2P 網(wǎng)絡(luò)借貸的風(fēng)險甄別研究[J].統(tǒng)計(jì)研究，2017（2）：33-43.

[13]盧娣.我國發(fā)明專利審查周期的影響因素探析[J].科研管理，2017（7）：137-144.

[14]寧連舉，李萌.基于因子分析法構(gòu)建大中型工業(yè)企業(yè)技術(shù)創(chuàng)新能力評價模型[J].科研管理，2011（3）：51-58.

[15]鄧曉宇，楊俊峰，申杰，劉思思.基于因子分析的電信用戶入網(wǎng)綜合評價[J].信息通信，2014（2）：236-237.

責(zé)任編輯：李金霞

Abstract： Through using Cox regression model and factor analysis method， based on the platforms' data information such as Wang Dai Zhi Jia， the risk of 314 online loan platforms in China was evaluated. Cox regression analysis shows that for each additional 1 million yuan of paid-up capital of China's online lending platform， the probability of problems is reduced by about 5%； for each 1% increase in lending rates， the probability of a platform problem increases by about 4.5%； and the survival rate of non-private department platform is about 6.5 times in compared with the private. And further application of factor analysis concluded that the risk of the platform is mainly determined by the internal control structure， product design， financial security model and platform type and other factors of the platform， which can benefit the platform to control their own risks and investors to understand the objective platform ，so as to ensure the healthy development of the net loan market.

Key words： Lending Platform；Risk Evaluation； Factor Analysis； Lending Rates； Internet Financeendprint