李焱文 劉小勇
摘要:隨著科技金融的規(guī)范發(fā)展,互聯(lián)網(wǎng)貸款在滿足小微金融需求方面日益重要。2020年5月9日,銀保監(jiān)會發(fā)布《商業(yè)銀行互聯(lián)網(wǎng)貸款管理辦法》(征求意見稿),個人信用風(fēng)險備受關(guān)注。本文查閱大量文獻,從人口學(xué)特征、貸款特征和社會資本等三個方面,對互聯(lián)網(wǎng)貸款個人信用風(fēng)險影響因素進行了系統(tǒng)引證對比分析,歸納出詳細(xì)的影響因素脈絡(luò),指出了目前研究中存在的缺陷與不足,為未來研究提供了建議和參考。
關(guān)鍵詞:互聯(lián)網(wǎng)貸款 ?個人信用 ?違約因素
一、引言
互聯(lián)網(wǎng)貸款是一種“無面簽、無抵押、無擔(dān)?!钡木€上小額金融信貸服務(wù),相比傳統(tǒng)信貸,具有“觸達廣泛、便利快捷和邊際成本低”的優(yōu)勢,近年來迅速發(fā)展。商業(yè)銀行紛紛推出互聯(lián)網(wǎng)信貸產(chǎn)品,如招商銀行閃電貸、中信銀行信秒貸、工商銀行融e借等,互聯(lián)網(wǎng)銀行也應(yīng)運而生,如微眾、網(wǎng)商和新網(wǎng)銀行等。同時,各省級金融主管部門陸續(xù)審批設(shè)立了一批 “不吸收存款、通過網(wǎng)絡(luò)在全國線上發(fā)放貸款”的互聯(lián)網(wǎng)小額貸款公司。需指出的是,互聯(lián)網(wǎng)貸款是現(xiàn)代信息科技的零售金融業(yè)態(tài),不局限于P2P網(wǎng)貸,將互聯(lián)網(wǎng)貸款等同P2P的理解是片面的。
2020年5月9日,銀保監(jiān)會發(fā)布《商業(yè)銀行互聯(lián)網(wǎng)貸款管理辦法》(征求意見稿),正式對互聯(lián)網(wǎng)貸款進行規(guī)范管理。作為現(xiàn)代科技金融的重要業(yè)態(tài),互聯(lián)網(wǎng)貸款相比傳統(tǒng)貸款,違約風(fēng)險高,系統(tǒng)研究其違約因素,對控制金融風(fēng)險具有重大意義。本文研閱了互聯(lián)網(wǎng)貸款信用風(fēng)險影響因素的國內(nèi)外文獻,從人口學(xué)特征、貸款特征、社會資本、監(jiān)管政策缺失和風(fēng)險傳染五個方面進行了歸納,期望本綜述能總結(jié)研究現(xiàn)狀和成果,為未來研究提供參考和方向。
二、人口學(xué)特征的影響
(一)第一類特征——個體顯性特征
許多研究認(rèn)為借款人的“學(xué)歷、職業(yè)、性別、年齡、婚姻和收入”等對網(wǎng)絡(luò)小貸信用風(fēng)險有明顯影響。這些特征是直接標(biāo)識人口畫像的顯性特質(zhì),作者稱這些為第一類特征,即個體顯性特征。
廖理(2015)[1]和( 2018 )[2]認(rèn)為高等教育年限增強了P2P網(wǎng)貸借款人的自我學(xué)習(xí)和約束能力,學(xué)歷高的借款人實際違約率更低。Terano et al.(2015)[3]和隋昕(2017)[4]研究發(fā)現(xiàn)職業(yè)穩(wěn)定性與網(wǎng)絡(luò)貸款違約率呈現(xiàn)顯著負(fù)相關(guān),近期工作年限較長、職業(yè)穩(wěn)定的借款人違約較少。Mota et al.(2018)[5]的研究顯示私有企業(yè)主比任職受雇人士更傾向拖欠貸款,制造職業(yè)比從事服務(wù)業(yè)者還款表現(xiàn)更好,但加工制造的私有企業(yè)主更易拖欠貸款。
蔡閩(2016)[6]和 Serrano et al.(2016)[7]對在線小額信貸的實證研究表明,女性相比男性更謹(jǐn)慎信用風(fēng)險更低、年齡較大的借款人違約率更低、受教育程度與違約率呈負(fù)相關(guān)、已婚人士比未婚和單身人士信用更優(yōu),婚姻穩(wěn)定者違約率較低,收入較高的借款人擁有更低的違約率,Mirpourian et al.(2016)[8]和晏翔(2018)[9]等對商業(yè)銀行小額信貸的違約因素研究,也印證了上述觀點。
(二)第二類特征——個體關(guān)聯(lián)特征
學(xué)者們也關(guān)注到“家庭、財產(chǎn)、戶籍、區(qū)域、種族和國籍”對互聯(lián)網(wǎng)貸款借款人信用風(fēng)險也有重要影響。這些特征是間接標(biāo)識人口畫像的關(guān)聯(lián)信息,其代表的關(guān)聯(lián)或共同特性會影響個體,作者稱這些為第二類特征,即個體關(guān)聯(lián)特征。
顧慧瑩(2015)[10]對P2P網(wǎng)貸的研究表明家庭收入較低者信用風(fēng)險更大,外地戶籍較本地戶籍更易違約,王福林等(2005)[11]對商業(yè)銀行住房抵押貸款的違約研究也有相同結(jié)論。雷艦(2019)[12]實證研究表明網(wǎng)絡(luò)小貸借款人的家庭擁有車產(chǎn)和房產(chǎn)者違約率會更低,Copestake et al.(2007)[13]對小額信貸的研究也有類似結(jié)論。李廣明等(2011)[14]對網(wǎng)絡(luò)小貸的研究認(rèn)為,在珠三角特別是廣東區(qū)域的打工者具有更高的逾期違約率,信用風(fēng)險較高。Mota et al.(2018)[5]研究認(rèn)為種族和膚色對網(wǎng)絡(luò)小貸違約率具有明顯影響,有色人種如黑人付出的貸款利率更高,違約風(fēng)險也更大,外國人比本國人更易拖延還款。
三、貸款特征的影響
(一)產(chǎn)品屬性特征
在考察人口學(xué)特征影響違約風(fēng)險的同時,學(xué)者們也研究“貸款用途、金額、利率、期限、還款方式、借款人盈利能力與抵押物”等因素對借款人信用風(fēng)險的影響,這些因素是放貸機構(gòu)在設(shè)計貸款服務(wù)時的產(chǎn)品要素,作者概括為貸款產(chǎn)品屬性特征。
吳曉昀(2017)[15]和張彤進等(2019)[16]對人人貸、拍拍貸和其他網(wǎng)絡(luò)小貸研究后認(rèn)為,貸款金額、利率、期限和用途對違約風(fēng)險有明顯影響,貸款利率越高、期限越長、金額越大,違約概率越大,貸款用途真實的借款人違約概率更低,其中影響最大的是貸款利率和期限。Mahjabeen(2008)[17]對銀行小額信貸的研究也表達了相近的結(jié)論。
Collier (2010)[18]和隋昕(2017)[4]等研究認(rèn)為,網(wǎng)貸借款人的“月收入、每月還款額、還款方式和線下抵押狀態(tài)”對其信用風(fēng)險具有重要影響,月還款占收入比例大、等額還款相比等本還款、貸款抵押成數(shù)高者,更容易違約。王福林等(2005)[11]和 Abdou et al.(2016)[19]對商業(yè)銀行住房抵押與零售貸款的研究也證實了這些觀點。
(二)記錄屬性特征
在關(guān)注產(chǎn)品屬性特征對網(wǎng)貸信用風(fēng)險影響的同時,學(xué)者們也考察了貸款“申請次數(shù)、成功次數(shù)、失敗次數(shù)、還清筆數(shù)、欠款筆數(shù)、逾期次數(shù)”及“其他貸款狀態(tài)”等影響,這些因素屬于借款人貸款過程的歷史記錄,作者概述為貸款的記錄屬性特征。
李帥(2016)[20]等對P2P網(wǎng)絡(luò)借貸研究認(rèn)為,貸款的“申請次數(shù)、成功次數(shù)、失敗次數(shù)和逾期次數(shù)”,對違約有直接影響,成功次數(shù)多者,違約概率小,失敗次數(shù)多者,違約概率大,逾期次數(shù)與違約概率直接正相關(guān),成功次數(shù)多者申請次數(shù)越多,違約比例越小,同時,違約較多發(fā)生在申請次數(shù)較少的新借款人中。隋昕(2017)[4]和雷艦(2019)[12]對互聯(lián)網(wǎng)貸款的研究表明,“欠款筆數(shù)、其他貸款和貸記卡狀態(tài)”對違約有重要影響,欠款筆數(shù)較多者更易違約,其他貸款余額較大者更易違約。
四、社會資本的影響
社會資本被認(rèn)為是一種具有近似價值觀和認(rèn)知范式行為的社會關(guān)系網(wǎng)絡(luò),可給人帶來未來收益,并往往以聲譽、人緣和口碑等形式體現(xiàn)出來,相關(guān)研究主要包括兩個方面。
一是,研究社會資本作為借款人軟信息對解決信息不對稱和抑制信用風(fēng)險的作用。王鎖柱(2004)[21]認(rèn)為信息包括硬信息和軟信息,硬信息是反映客觀事實的信息,軟信息是含有主觀判斷的信息,硬信息對客觀事實回答是或非的問題,軟信息包含“涉及價值觀念和知識結(jié)構(gòu)”的主觀判斷,不完全是是非辨別,而是一種偏好?;ヂ?lián)網(wǎng)貸款借款人的硬信息,是不具個性化特征、能用準(zhǔn)確指標(biāo)量化或傳遞的信息;軟信息是不能用準(zhǔn)確數(shù)值指標(biāo)表示、難以量化處理的信息,借款人的社會資本與網(wǎng)絡(luò)是典型軟信息。
Iyer et al.(2009)[22]研究國際知名網(wǎng)絡(luò)小貸Prosper.com時發(fā)現(xiàn),軟信息,如朋友人數(shù)、朋友圈投資人的數(shù)量和金額、家人和主要朋友網(wǎng)絡(luò)的信用狀況、在家人和朋友及社群組織中的評價與口碑等,能彌補其硬信息的不足,有助于識別違約風(fēng)險,這種識別效應(yīng)與社交網(wǎng)絡(luò)的緊密與豐富程度密切相關(guān),社交網(wǎng)絡(luò)越緊密豐富,越有助于降低借款人違約風(fēng)險,Lin et al.(2013)[23]的研究也印證了這種觀點。
扈震等(2014)[24]和Chen et al.(2017)[25]研究互聯(lián)網(wǎng)貸款時認(rèn)為,社會資本所包含的人際與社會關(guān)系網(wǎng)絡(luò),能減少信息不對稱,促成交易并降低違約風(fēng)險,Berger et al.(2002)[26]在研究商業(yè)銀行小企業(yè)信貸時也肯定了前述觀點。金虎斌(2017)[27]進一步指出,硬信息評價網(wǎng)絡(luò)小貸借款人還款能力,軟信息如人脈關(guān)系影響力、好友信用狀況等,則有助判斷借款人品質(zhì)、評價其還款意愿,防范和降低信用風(fēng)險。
二是,研究社會資本影響網(wǎng)絡(luò)小貸借款人信用風(fēng)險的路徑、方式和效果。Lin et al.(2013)[27]和陳冬宇(2013)[28]對國內(nèi)外網(wǎng)絡(luò)小貸的研究認(rèn)為,嵌入熟識朋友圈的關(guān)系、地位、信任與推薦,有助判斷借款人的可信程度,評估在線借款人的信用狀況,預(yù)測借款人的違約概率,降低其信用風(fēng)險,繆蓮英(2014)[29]對國外知名網(wǎng)絡(luò)小貸prosper.com的實證研究進一步證明了這些觀點。Everett (2015)[30]和顧慧瑩(2015)[10]研究認(rèn)為,“家人和親屬”等血緣情感性社會資本,具隱性擔(dān)保價值,可約束借款人及時償還債務(wù),降低借款人違約概率,不被家人或親屬知曉或支持的互聯(lián)網(wǎng)貸款更容易違約。
繆蓮英等(2014)[29]和Everett(2015)[30]等研究認(rèn)為,互聯(lián)網(wǎng)貸款借款人加入借貸群組,因組內(nèi)定例和規(guī)則,可以實現(xiàn)群組的社交強監(jiān)督與懲戒效應(yīng),迫使借款人及時履約,群組成員越多,這種效應(yīng)越強,同時,群組內(nèi)的經(jīng)濟共享或互助信息,能幫助借款人提高收入能力償還貸款,這些都有助降低借款人的信用風(fēng)險,但群租若存在推薦收費機制,則這種效應(yīng)會減弱,Chen et al.(2017)[25]對在線貸款的實證研究中得出了相同結(jié)論。
五、評述性結(jié)論
現(xiàn)有文獻對互聯(lián)網(wǎng)小額貸款個人信用風(fēng)險影響因素的研究,主要是五個方面:一是借款人的人口學(xué)特征,包括第一類特征即個體顯性特征,如學(xué)歷、性別、年齡、婚姻、職業(yè)和收入等,第二類特征即個體關(guān)聯(lián)特征,如家庭、財產(chǎn)、戶籍、區(qū)域、種族和國籍等;二是貸款特征,包括貸款的產(chǎn)品屬性特征,如貸款用途、金額、利率、期限、還款方式、借款人盈利能力與抵押物等,貸款的歷史記錄屬性特征,如申請借款次數(shù)、借款成功次數(shù)、借款失敗次數(shù)、還清筆數(shù)、欠款筆數(shù)、歷史違約次數(shù)、其他貸款、貸記卡狀態(tài)等;三是借款人的社會資本,主要包括社會資本或網(wǎng)絡(luò)作為軟信息的影響、社會資本通過親屬、朋友圈和群組的影響路徑、方式和效果。
已有文獻對網(wǎng)絡(luò)小貸個人信用風(fēng)險的影響因素進行了大量細(xì)致研究,但仍存在不足:
第一,將網(wǎng)絡(luò)小貸等同于P2P網(wǎng)貸,對P2P網(wǎng)貸平臺的研究較多,但對正規(guī)持牌金融機構(gòu)如互聯(lián)網(wǎng)銀行、網(wǎng)絡(luò)小額貸款公司的線上小額信貸業(yè)務(wù)研究較少,對P2P網(wǎng)貸機構(gòu)的道德信用風(fēng)險關(guān)注過多,對互聯(lián)網(wǎng)技術(shù)創(chuàng)新下的小額信貸業(yè)務(wù)信用風(fēng)險的探索不夠。
第二,對借款人信用風(fēng)險影響因素的的分析,大多局限在人口特征或貸款特征的某些方面,研究呈碎片化,研究維度不充分,結(jié)合人口特征、貸款特征和社會資本各個維度進行多方面系統(tǒng)性研究較少,系統(tǒng)性評價借款人信用風(fēng)險影響因子不夠。
第三,社會資本的影響,國外研究多,國內(nèi)研究少,在信貸需求與約束、信貸渠道與可獲得性方面研究較多,關(guān)于社會資本對網(wǎng)絡(luò)小貸借款人信用風(fēng)險影響機理的關(guān)注少,研究局限在現(xiàn)象解釋層面,實證研究少,社會資本替代變量的解釋性和說服力不夠。
后續(xù)研究可以從現(xiàn)有不足切入,結(jié)合行業(yè)與業(yè)態(tài)發(fā)展的現(xiàn)狀,深入研究互聯(lián)網(wǎng)貸款個人信用風(fēng)險的影響因素,為互聯(lián)網(wǎng)貸款良性發(fā)展和風(fēng)險控制提供理論與方法支持。
參考文獻:
[1]廖理,吉霖,張偉強.借貸市場能準(zhǔn)確識別學(xué)歷的價值嗎?——來自P2P平臺的經(jīng)驗證據(jù)[J].金融研究.2015(03):146-159.
[2]廖理,向佳,王正位.P2P借貸投資者的群體智慧[J].中國管理科學(xué).2018,26(10):30-40.
[3]Terano R,Mohamed Z,Jusri J H H.Effectiveness of microcredit program and determinants of income among small business entrepreneurs in Malaysia[J].Journal of Global Entrepreneurship Research.2015,5(1):22.
[4]隋昕.基于Logit模型的P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險影響因素研究[D].哈爾濱商業(yè)大學(xué),2017.
[5]Mota J,Moreira A C,Brando C.Determinants of microcredit repayment in Portugal:analysis of borrowers,loans and business projects[J].Portuguese Economic Journal.2018,17(3):141-171.
[6]蔡閩.流量覆蓋風(fēng)險——網(wǎng)絡(luò)小額信貸風(fēng)險控制新思路[J].金融研究.2016(09):131-144.
[7]Serrano-Cinca C,Gutiérrez-Nieto B.The use of profit scoring as an alternative to credit scoring systems in peer-to-peer (P2P) lending[J].Decision Support Systems.2016,89:113-122.
[8]Mirpourian S,Caragliu A,Di Maio G,et al.Determinants of loan repayment performance among borrowers of microfinance institutions:Evidence from India[J].World Development Perspectives.2016,1:49-52.
[9]晏翔.商業(yè)銀行個人貸款風(fēng)險因素實證分析[J].農(nóng)村金融研究.2018(05):47-49.
[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——以WDW為例[J].上海經(jīng)濟研究.2015(11):37-46.
[11]王福林,賈生華,邵海華.個人住房抵押貸款違約風(fēng)險影響因素實證研究——以杭州市為例[J].經(jīng)濟學(xué)(季刊).2005(02):739-752.
[12]雷艦.P2P網(wǎng)貸借款人信用風(fēng)險因素分析與對策[J].金融理論與實踐.2019(12):31-39.
[13]Copestake J.Mainstreaming Microfinance:Social Performance Management or Mission Drift?[J].World Development.2007,35(10):1721-1738.
[14]李廣明,諸唯君,周歡.P2P網(wǎng)絡(luò)融資中貸款者欠款特征提取實證研究[J].商業(yè)時代.2011(01):41-42.
[15]吳曉昀.P2P借款者違約率影響因素分析[D].湖南大學(xué),2017.
[16]張彤進,劉永亮.P2P網(wǎng)絡(luò)小額貸款信用風(fēng)險的影響因素識別——基于Logit模型的實證研究[J].時代金融.2019(11):12-13.
[17]Mahjabeen R.Microfinancing in Bangladesh:Impact on households,consumption and welfare[J].Journal of Policy Modeling.2008,30(6):1083-1092.
[18]Collier B,Hampshire R.Sending mixed signals:Multilevel reputation effects in peer-to-peer lending markets[Z].Savannah,Georgia,USA,F(xiàn)ebruary 6-10,2010.:2010197-206.
[19]Abdou H A,Tsafack M D D,Ntim C G,et al.Predicting creditworthiness in retail banking with limited scoring data[J].Knowledge-Based Systems.2016,103:89-103.
[20]李帥.P2P網(wǎng)絡(luò)借貸借款人信用風(fēng)險評估指標(biāo)研究[D].對外經(jīng)濟貿(mào)易大學(xué),2016.
[21]王鎖柱,李懷祖.硬信息與軟信息的內(nèi)涵及其關(guān)系研究[J].情報雜志.2004(04):60-61.
[22]Iyer R,Khwaja A,Luttmer E,et al.Screening in New Credit Markets:Can Individual Lenders Infer Borrower Creditworthiness in Peer-to-Peer Lending?[J].Harvard University,John F.Kennedy School of Government,Working Paper Series.2009.
[23]Lin M,Prabhala N R,Viswanathan S.Judging Borrowers by the Company They Keep:Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending[J].Management Science.2013,59(1):17-35.
[24]扈震,王學(xué)武.P2P網(wǎng)貸信息不對稱問題研究[J].中國市場.2014(32):46-51.
[25]Chen R,Chen Y,Liu Y,et al.Does team competition increase pro-social lending? Evidence from online microfinance[J].Games and Economic Behavior.2017,101:311-333.
[26]Berger A N,Udell G F.Small Business Credit Availability and Relationship Lending:The Importance of Bank Organisational Structure[J].The Economic Journal.2002,112(477):F32-F53.
[27]金虎斌,張成虎.網(wǎng)絡(luò)借貸平臺的信息處理與信用評級效率分析——基于人人貸與Prosper的實證對比檢驗[J].上海經(jīng)濟研究.2017(10):45-58.
[28]陳冬宇,賴福軍,聶富強.社會資本、交易信任和信息不對稱——個人對個人在線借貸市場的實驗研究[J].北京航空航天大學(xué)學(xué)報(社會科學(xué)版).2013,26(04):75-83.
[29]繆蓮英,陳金龍.P2P網(wǎng)絡(luò)借貸中社會資本對借款者違約風(fēng)險的影響——以Prosper為例[J].金融論壇.2014,219(03):9-15.
[30]Everett C.Group Membership,Relationship Banking and Loan Default Risk:The Case of Online Social Lending[J].Banking and Finance Review.2015,7:15-54.
基金項目:本研究獲2019年國家社會科學(xué)基金一般項目“新時代區(qū)域協(xié)調(diào)發(fā)展的財政體制研究”(批準(zhǔn)編號19BJL045)資助。
作者單位:華南理工大學(xué)經(jīng)濟與貿(mào)易學(xué)院