P2P網(wǎng)絡(luò)小額貸款信用風(fēng)險(xiǎn)的影響因素識(shí)別

張彤進(jìn) 劉永亮

摘要：2018年以來(lái)，P2P網(wǎng)絡(luò)小額貸款風(fēng)險(xiǎn)頻發(fā)，嚴(yán)重侵害到大眾投資者利益，擾亂市場(chǎng)經(jīng)濟(jì)秩序。為此，本文以人人貸為例，運(yùn)用Logit模型，重點(diǎn)從借款人視角考察P2P網(wǎng)絡(luò)小額貸款的信用風(fēng)險(xiǎn)及其影響因素，旨在通過(guò)理論與實(shí)證分析，識(shí)別影響P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)的關(guān)鍵要素，為我國(guó)P2P網(wǎng)絡(luò)小額信貸市場(chǎng)健康發(fā)展提出相關(guān)政策建議。

關(guān)鍵詞：P2P 信用風(fēng)險(xiǎn) 人人貸

一、引 言

2018年以來(lái)，P2P網(wǎng)絡(luò)小額貸款風(fēng)險(xiǎn)頻發(fā)，嚴(yán)重侵害到大眾投資者利益，擾亂市場(chǎng)經(jīng)濟(jì)秩序。根據(jù)網(wǎng)貸之家的數(shù)據(jù)，2018年2月到2018年12月，全國(guó)新增841家問(wèn)題平臺(tái)，累計(jì)停業(yè)及問(wèn)題平臺(tái)數(shù)達(dá)5410家，約占總數(shù)的84%。停業(yè)及問(wèn)題平臺(tái)歷史累計(jì)涉及的投資人數(shù)約為215.4萬(wàn)人（不考慮去重情況），涉及貸款余額約為1766.5億元，占2018年12月底行業(yè)貸款余額的比例約為22.39%。因此，亟待需要找到影響P2P信用風(fēng)險(xiǎn)發(fā)生的原因與解決對(duì)策，降低P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)，促進(jìn)P2P行業(yè)健康發(fā)展。為了更加清楚的識(shí)別P2P網(wǎng)貸信用風(fēng)險(xiǎn)的影響因素，本文首先借鑒現(xiàn)有文獻(xiàn)，從理論上對(duì)借款人信用風(fēng)險(xiǎn)影響因素進(jìn)行探討;其次利用信息挖掘法，搜集大量樣本數(shù)據(jù)，運(yùn)用Logit模型進(jìn)行實(shí)證分析;最后在互聯(lián)網(wǎng)大數(shù)據(jù)的背景下，結(jié)合軟信息和硬信息提出相關(guān)建議。

二、文獻(xiàn)綜述

關(guān)于P2P信用風(fēng)險(xiǎn)的影響因素研究，Iyer（2010）等人提出評(píng)估借款人信用風(fēng)險(xiǎn)的指標(biāo)應(yīng)包括標(biāo)準(zhǔn)的銀行指標(biāo)及個(gè)體特征等非標(biāo)準(zhǔn)指標(biāo)。在標(biāo)準(zhǔn)的銀行指標(biāo)中，一般包括硬信息和經(jīng)過(guò)驗(yàn)證的財(cái)務(wù)信息。非標(biāo)準(zhǔn)銀行指標(biāo)則包括軟信息和未經(jīng)驗(yàn)證的信息。Pope和Sydnor（2011）、Gonzalez（2016）研究發(fā)現(xiàn)借款人的年齡會(huì)影響信用評(píng)估，并且35到60歲的群體比35歲以下的借款成功率更高。袁羽（2014）基于logistic模型進(jìn)行研究，認(rèn)為信用等級(jí)，借款期限、借款利率對(duì)信用風(fēng)險(xiǎn)具有顯著影響。李廣明（2011）、劉鵬翔（2017）通過(guò)構(gòu)建多元線性回歸模型，發(fā)現(xiàn)借款人的學(xué)歷越高信用風(fēng)險(xiǎn)越小。寧欣（2013）、劉峙廷（2013）通過(guò)對(duì)英國(guó)Lending Club平臺(tái)2009年～2011年的數(shù)據(jù)研究分析，認(rèn)為婚姻產(chǎn)生的社會(huì)關(guān)系使得已婚者的違約成本較高，違約率比未婚者低。王會(huì)娟等（2014）通過(guò)對(duì)“人人貸”數(shù)據(jù)分析，發(fā)現(xiàn)對(duì)借款者的貸款行為有較大影響的是收入認(rèn)證、工作認(rèn)證、視頻認(rèn)證和房產(chǎn)、車產(chǎn)認(rèn)證等認(rèn)證指標(biāo)。

基于影響因素的分析，學(xué)者針對(duì)如何降低信用風(fēng)險(xiǎn)展開(kāi)了探討。Mingfeng Lin（2009）通過(guò)對(duì)Prosper平臺(tái)2007年1月到2008年5月的數(shù)據(jù)研究分析認(rèn)為借款人的社會(huì)資源越豐富，獲得貸款的成本就越低，違約率就越低。李悅雷（2013）、Yum（2015）和閆琳（2017）認(rèn)為在P2P借貸中引入對(duì)社交資本的應(yīng)用能夠降低借款者的信用風(fēng)險(xiǎn)。柳向東（2016）通過(guò)對(duì)“人人貸”數(shù)據(jù)分析，認(rèn)為應(yīng)推動(dòng)建立和完善以大數(shù)據(jù)為基礎(chǔ)的新型信用評(píng)分體系，引入用戶行為的分析將對(duì)平臺(tái)在信用風(fēng)險(xiǎn)控制方面起到很好的推動(dòng)作用。

三、模型設(shè)定與數(shù)據(jù)

（一）模型設(shè)定

在對(duì)借款者的信用風(fēng)險(xiǎn)影響因素分析中，被解釋變量為借款人信用風(fēng)險(xiǎn)。因?yàn)榻杩钊诵庞蔑L(fēng)險(xiǎn)是二值選擇變量，借款人違約存在信用風(fēng)險(xiǎn)記為1，借款人履約不存在信用風(fēng)險(xiǎn)為0，故文章采用Logit模型進(jìn)行分析。

根據(jù)現(xiàn)有文獻(xiàn)，以及受數(shù)據(jù)可得性的影響，文章最終從三個(gè)維度具體選取借款金額，借款利率，借款期限，年齡，學(xué)歷，婚姻，月收入，信用分?jǐn)?shù)8個(gè)解釋變量，分別記為loan，interest，time，age，education，marry，wage，score，μ為誤差項(xiàng)。

具體的待估方程表達(dá)式如下：

（1）

（二）數(shù)據(jù)選取

目前國(guó)內(nèi)P2P平臺(tái)眾多，如人人貸，拍拍貸，陸金所，紅嶺創(chuàng)投等，人人貸是中國(guó)最早基于互聯(lián)網(wǎng)的P2P網(wǎng)絡(luò)借貸信息中介機(jī)構(gòu)之一，具有代表性。本文從人人貸網(wǎng)站共收集2012—2016年部分借款人原始數(shù)據(jù)25729條，其中借款成功的數(shù)據(jù)有9143條，有16586條借款失敗。借款成功的數(shù)據(jù)中有70條被標(biāo)記為壞賬，有830條數(shù)據(jù)存在逾期，有4872條數(shù)據(jù)正在償還中，有4194條數(shù)據(jù)是成功完成，有7條數(shù)據(jù)是延期的。利用R軟件進(jìn)行Logit回歸分析。

人人貸平臺(tái)上借款者的每一條數(shù)據(jù)包含ID，借款金額，利率、描述，公司規(guī)模等共計(jì)36個(gè)變量。其中，借款人的違約狀況表明了借款者是否按合同履行了約定，可作為被解釋變量信用風(fēng)險(xiǎn)的代理變量，記為risk。基于現(xiàn)有文獻(xiàn)以及對(duì)人人貸的分析，我們選取了以下幾類自變量。

1.借款者借款資產(chǎn)標(biāo)的情況。loan：借款金額。通常情況下，借款金額越大，借款者每期所面臨的還款壓力也越大，會(huì)導(dǎo)致其違約概率增加。于曉虹（2016）和蘇亞（2017）認(rèn)為借款金額與違約率成正比。

interest：借款利率。借款利率也即融資成本，一方面借款利率高意味著借款者信用狀況較差，需要依靠高利率吸引投資者，另一方面高利率意味著更多利息支出，借款人還款壓力較大，可能會(huì)提高違約概率。王文怡等（2018）通過(guò)對(duì)HLCT平臺(tái)的數(shù)據(jù)研究認(rèn)為借款月利率對(duì)違約率有正向影響。

time：借款期限。一般來(lái)說(shuō)，借款期限越長(zhǎng)，債務(wù)到期之前面臨的不確定性越多，借款者發(fā)生疾病等重大事件的幾率也越大，風(fēng)險(xiǎn)自然也就越高，借款人違約的概率可能較大。陳盧婧和汪小燕等人（2016）認(rèn)為借款期限與違約率具有較高相關(guān)性。

2.借款人個(gè)體特征。age：年齡。處于不同年齡段的人收入水平和償還能力有很大的區(qū)別，一般年齡較小者，缺乏固定工作，收入能力較弱，對(duì)風(fēng)險(xiǎn)的偏好比較大，其違約概率可能要比年長(zhǎng)者高一些，而年齡較大者，工作穩(wěn)定，人脈資源深厚，抗風(fēng)險(xiǎn)能力較大。董梁（2016）認(rèn)為借款人的年齡應(yīng)作為對(duì)借款人信用風(fēng)險(xiǎn)評(píng)估的主要指標(biāo)之一，與違約率呈負(fù)相關(guān)。

education：學(xué)歷。一般來(lái)說(shuō)，學(xué)歷較高者風(fēng)險(xiǎn)意識(shí)更強(qiáng)，違約成本較高，違約概率相對(duì)較低。國(guó)內(nèi)外的研究均表明學(xué)歷對(duì)借款者的信用風(fēng)險(xiǎn)具有重要的影響。如宋利平、張利坤等人（2015）基于BP神經(jīng)網(wǎng)絡(luò)模型的研究認(rèn)為借款人的學(xué)歷對(duì)違約率具有較好的預(yù)測(cè)作用。

marry：婚姻。一方面夫妻雙方在經(jīng)濟(jì)上抗風(fēng)險(xiǎn)能力較大，另一方面已婚者處于對(duì)家庭責(zé)任的考慮也會(huì)盡量避免違約，未婚和離婚者的違約概率會(huì)相對(duì)高一些。如姜巖（2014）基于BP神經(jīng)網(wǎng)絡(luò)模型對(duì)宜信、拍拍貸等平臺(tái)的研究認(rèn)為借款人的婚姻狀況對(duì)借款人違約率具有較好的預(yù)測(cè)作用。

wage：月收入。借款人的收入水平直接反應(yīng)了借款者償還能力，收入穩(wěn)定并且越高的話，其還款能力就越強(qiáng)，違約風(fēng)險(xiǎn)相對(duì)較小，反之則違約風(fēng)險(xiǎn)較大。唐藝軍、葛世星（2015）認(rèn)為隨著借款人收入的提高，抗風(fēng)險(xiǎn)能力會(huì)隨著增強(qiáng)，在借款中逾期的概率就越低。

3.借款者償債能力。score：信用分?jǐn)?shù)。首先P2P借貸平臺(tái)會(huì)讓借款者提供相應(yīng)的資料，然后根據(jù)一定的計(jì)算規(guī)則對(duì)借款者進(jìn)行評(píng)級(jí)，得出信用指數(shù)，這是平臺(tái)根據(jù)實(shí)際一定理論得出的指數(shù)，一般來(lái)說(shuō)，資料越詳細(xì)，收入越穩(wěn)定，資產(chǎn)越多，借款者的信用指數(shù)越高，償債能力越強(qiáng)，信用風(fēng)險(xiǎn)越低。

四、實(shí)證分析

本文采用Logit模型對(duì)公式（1）進(jìn)行估計(jì)，作為穩(wěn)健性檢驗(yàn)，我們還對(duì)公式（1）進(jìn)行了probit回歸。R軟件的回歸結(jié)果如表1所示。

從表1可以看出，Logit和Probit模型估計(jì)結(jié)果基本一致，僅在估計(jì)系數(shù)大小上有所差異。接下來(lái)，對(duì)Logit模型進(jìn)行分析。我們發(fā)現(xiàn)，對(duì)違約率影響最大的是借款利率，顯著正相關(guān)。這可能是因?yàn)?，借款利率一方面決定了借款人償還借款的壓力，另一方面也包含著借款人的風(fēng)險(xiǎn)溢價(jià)。風(fēng)險(xiǎn)較大的借款者為了取得借款，只能提高利率對(duì)投資者進(jìn)行風(fēng)險(xiǎn)補(bǔ)償，而利率越大，借款人需要償還的金額也就越多，使得借款人不能如期償還本息。再次是借款期限，借款期限越長(zhǎng)不確定性影響因素就越多，同時(shí)借款人承擔(dān)的還款總金額就越多，會(huì)導(dǎo)致信用風(fēng)險(xiǎn)上升。信用分?jǐn)?shù)與信用風(fēng)險(xiǎn)成負(fù)相關(guān)，與預(yù)期一致，但由于信用分?jǐn)?shù)的部分指標(biāo)信息是完全由借款人自主填寫(xiě)，平臺(tái)無(wú)法核對(duì)真?zhèn)?，所以估?jì)系數(shù)并不是最高的。借款金額與信用風(fēng)險(xiǎn)成負(fù)相關(guān)，由于借款者多為資金暫時(shí)出現(xiàn)困難的中小企業(yè)和困難戶，其借入金額并不大，在到期還本付息時(shí)若資金未及時(shí)周轉(zhuǎn)，就會(huì)出現(xiàn)違約狀況。借款人年齡與信用風(fēng)險(xiǎn)成負(fù)相關(guān)，一般來(lái)說(shuō)年長(zhǎng)者較保守，風(fēng)險(xiǎn)意識(shí)較強(qiáng)，更愿意遵守承諾按時(shí)還款，同時(shí)年長(zhǎng)者一般在收入、人脈資源上相對(duì)年輕者有較多的優(yōu)勢(shì)，年長(zhǎng)者的信用風(fēng)險(xiǎn)相對(duì)較低。借款者的教育程度、工作收入與借款人的信用風(fēng)險(xiǎn)成負(fù)相關(guān)，這是因?yàn)橐环矫娼杩钫叩膶W(xué)歷越高，收入就會(huì)相對(duì)越穩(wěn)定越高，還款能力就越強(qiáng)，風(fēng)險(xiǎn)意識(shí)也會(huì)相對(duì)較高，另一方面一旦違約成本會(huì)更大，高學(xué)歷者高收入者會(huì)更加注重按時(shí)處理欠款。實(shí)證分析中婚姻狀況并不顯著，可能是由于信息不對(duì)稱，借款者為了取得借款會(huì)對(duì)自己的婚姻狀況進(jìn)行隱瞞。

五、結(jié)論及政策建議

本文以人人貸為例，運(yùn)用Logit模型，識(shí)別P2P網(wǎng)絡(luò)小額信貸的信用風(fēng)險(xiǎn)影響因素。結(jié)果發(fā)現(xiàn)，借款者資產(chǎn)標(biāo)的，包括借款金額、利率、期限等變量，個(gè)體特征，包括齡、學(xué)歷、月收入等變量，以及借款者償債能力，包括信用分?jǐn)?shù)，歷史表現(xiàn)均對(duì)P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)有顯著影響。為此，本文提出搭建完善的P2P借貸平臺(tái)信用風(fēng)險(xiǎn)管理框架，完善個(gè)人信用評(píng)價(jià)體系，規(guī)范監(jiān)管制度并結(jié)合互聯(lián)網(wǎng)大數(shù)據(jù)來(lái)降低信用風(fēng)險(xiǎn)的對(duì)策建議。

第一，建立平臺(tái)信用風(fēng)險(xiǎn)管理框架。鑒于P2P借貸平臺(tái)在交易中所扮演的角色以及目標(biāo)客戶的特殊性，結(jié)合人人貸平臺(tái)的實(shí)踐經(jīng)驗(yàn)和歷史數(shù)據(jù)，建議建立控制P2P網(wǎng)絡(luò)借貸平臺(tái)信用風(fēng)險(xiǎn)的基本管理框架：貸前審核，貸中監(jiān)控，貸后管理。加強(qiáng)貸前審核可以從如下幾個(gè)方面進(jìn)行：首先，建立信息核實(shí)系統(tǒng)，可與其他相關(guān)機(jī)構(gòu)合作，電話，面談等確保借款者提供的信息準(zhǔn)確可靠。其次，建立信用合作機(jī)制，利用各個(gè)平臺(tái)機(jī)構(gòu)的數(shù)據(jù)庫(kù)，建立一個(gè)信用合作機(jī)制能較好的降低此種風(fēng)險(xiǎn)。

第二，政府監(jiān)管政策的完善。國(guó)外的征信體系較為完善，而國(guó)內(nèi)征信體系發(fā)展較晚，個(gè)人信用評(píng)級(jí)是由網(wǎng)絡(luò)借貸平臺(tái)給出，而不是由專業(yè)的評(píng)級(jí)機(jī)構(gòu)，因此，需要政府強(qiáng)化監(jiān)管。首先，明確監(jiān)管主體。目前很多新興的金融機(jī)構(gòu)如P2P網(wǎng)絡(luò)借貸平臺(tái)的監(jiān)管主體并不明確，可成立專門(mén)的互聯(lián)網(wǎng)金融監(jiān)管部門(mén);其次，協(xié)調(diào)相關(guān)部門(mén)制定有關(guān)個(gè)人信用評(píng)級(jí)的相關(guān)法律。政府在加強(qiáng)對(duì)網(wǎng)絡(luò)借貸平臺(tái)客戶隱私信息的保護(hù)管理的同時(shí)要盡快將中國(guó)人民銀行客戶的個(gè)人信用信息與各網(wǎng)絡(luò)借貸平臺(tái)，以及各種金融機(jī)構(gòu)的信用信息進(jìn)行對(duì)接，最終形成完善透明的個(gè)人征信體系。

第三，利用互聯(lián)網(wǎng)大數(shù)據(jù)建立自主信用評(píng)估體系。由于P2P網(wǎng)絡(luò)借貸平臺(tái)在我國(guó)興起才10年，其相關(guān)信用評(píng)級(jí)體系并不完善，各平臺(tái)并無(wú)統(tǒng)一科學(xué)的評(píng)估模型，在評(píng)估指標(biāo)的選取上有些是根據(jù)經(jīng)驗(yàn)選取;除此之外，借款人可以通過(guò)虛報(bào)、偽造自己的信息來(lái)獲得較高的信用分?jǐn)?shù)，導(dǎo)致平臺(tái)的信用分?jǐn)?shù)并不能完全揭露借款者的信用風(fēng)險(xiǎn)。因此，P2P平臺(tái)可以利用大數(shù)據(jù)來(lái)挖掘搜集借款者的“軟信息”，例如社交，消費(fèi)等信息來(lái)建立自主信用評(píng)估體系。

參考文獻(xiàn)：

[1]曹小艷.美英.P2P網(wǎng)絡(luò)借貸監(jiān)管經(jīng)驗(yàn)及其對(duì)我國(guó)的啟示[J].武漢金融，2014（9）.

[2]李悅雷，郭陽(yáng)，張維.中國(guó) P2P小額貸款市場(chǎng)借貸成功率影響因素分析[J].金融研究，2013，（7）.

[3]潘莊晨，邢博，范小云. 信用風(fēng)險(xiǎn)評(píng)價(jià)模型綜述及對(duì)我國(guó)P2P網(wǎng)絡(luò)借貸平臺(tái)的借鑒[J]. 現(xiàn)代管理科學(xué)，2015（1）.

[4]王會(huì)娟，廖理.中國(guó)網(wǎng)絡(luò)借貸平臺(tái)信用認(rèn)證機(jī)制研究[A].中國(guó)工業(yè)經(jīng)濟(jì)，2014（4）.

[5]Klafft，M.2008. Peer to Peer Lending：AuctioningMirco Credits over the Internet[R].Proceedings of the 2008International Conference on Information Systems，Technolo-gy and Management（ICISTM 08）.

基金項(xiàng)目：本文是天津市哲學(xué)社會(huì)科學(xué)規(guī)劃項(xiàng)目（批準(zhǔn)號(hào)：TJYJQN18-004）的階段性研究成果。

（張彤進(jìn)單位：天津商業(yè)大學(xué)經(jīng)濟(jì)學(xué)院;劉永亮單位：對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)保險(xiǎn)學(xué)院）