張 璐，李嘉豪

(安徽新華學(xué)院財(cái)會(huì)與金融學(xué)院，安徽合肥 230088)

自2014年以來(lái)，我國(guó)的網(wǎng)絡(luò)借貸行業(yè)以驚人的速度迅猛發(fā)展，借貸規(guī)模、用戶人數(shù)、平臺(tái)數(shù)量的井噴式增長(zhǎng)引起社會(huì)諸多關(guān)注，各大網(wǎng)絡(luò)借貸平臺(tái)創(chuàng)新的業(yè)務(wù)模式與風(fēng)控手段也層出不窮。習(xí)近平總書(shū)記于2017年4月26日提出“重點(diǎn)針對(duì)金融市場(chǎng)和互聯(lián)網(wǎng)金融開(kāi)展全面摸排和查處”的要求后，我國(guó)網(wǎng)絡(luò)借貸行業(yè)的風(fēng)險(xiǎn)越來(lái)越引人注目。

1 我國(guó)網(wǎng)絡(luò)借貸平臺(tái)現(xiàn)狀分析

1.1 P2P網(wǎng)絡(luò)借貸平臺(tái)的發(fā)展研究

2010年創(chuàng)新金融模式的網(wǎng)絡(luò)借貸平臺(tái)(peer-to-peerlendingplatform)首次出現(xiàn)在人們的視線里，有力彌補(bǔ)了中小微企業(yè)及弱勢(shì)群體的金融需求，隨后以400%的速度快速發(fā)展。2015年網(wǎng)貸平臺(tái)步入“優(yōu)勝劣汰”的洗牌期，問(wèn)題平臺(tái)的增長(zhǎng)率明顯高于正常運(yùn)營(yíng)平臺(tái)的增長(zhǎng)率，平臺(tái)面臨著巨大的淘汰風(fēng)險(xiǎn)。伴隨網(wǎng)貸市場(chǎng)上演“良幣驅(qū)逐劣幣”大戲的同時(shí)，2015年12月28日《網(wǎng)絡(luò)借貸信息中介機(jī)構(gòu)業(yè)務(wù)活動(dòng)管理暫行辦法(征求意見(jiàn)稿)》應(yīng)運(yùn)而生，為實(shí)施行業(yè)監(jiān)管提供了依據(jù)，確立了銀監(jiān)會(huì)以及央行等監(jiān)管主體，推動(dòng)網(wǎng)貸平臺(tái)向規(guī)范化方向發(fā)展。

2016年，中共中央在第十三個(gè)五年規(guī)劃明確提出規(guī)范發(fā)展互聯(lián)網(wǎng)金融的目標(biāo)，隨后中央及地方層面系列監(jiān)管政策和法規(guī)文件頻出，關(guān)于互聯(lián)網(wǎng)金融領(lǐng)域(以網(wǎng)絡(luò)借貸平臺(tái)監(jiān)管為主)專項(xiàng)治理漸趨深入，類似于e租寶、中晉資產(chǎn)、大大集團(tuán)等一批披著P2P外衣的“偽互聯(lián)網(wǎng)金融平臺(tái)”倒下，側(cè)面也表明網(wǎng)絡(luò)借貸平臺(tái)監(jiān)管主體陸續(xù)就位，其監(jiān)管政策逐步落地實(shí)施，且網(wǎng)絡(luò)借貸行業(yè)自律性管理明顯加強(qiáng)，偽劣網(wǎng)絡(luò)借貸平臺(tái)得到逐步清除。

由圖1可以直觀地看出，經(jīng)過(guò)2015-2016年的專項(xiàng)治理后，中國(guó)互聯(lián)網(wǎng)金融網(wǎng)絡(luò)借貸正常運(yùn)營(yíng)平臺(tái)呈現(xiàn)逐月下降趨勢(shì)，且自2016年以來(lái)運(yùn)營(yíng)網(wǎng)貸平臺(tái)環(huán)比增速首次出現(xiàn)負(fù)增長(zhǎng)，如圖2所示，截至2017年7月底，仍在運(yùn)營(yíng)的網(wǎng)絡(luò)借貸平臺(tái)數(shù)目下降到2090家，而累計(jì)問(wèn)題平臺(tái)數(shù)量高達(dá)3493家。2014年以來(lái)網(wǎng)貸平臺(tái)的綜合收益率最高高達(dá)21.63%，但隨著提現(xiàn)困難、欺詐等問(wèn)題不斷涌現(xiàn)以及中央及地方的專線監(jiān)控，網(wǎng)貸平臺(tái)的綜合收益率逐漸趨于平穩(wěn)，2017年始終維持在9.5%左右。雖然收益率呈平穩(wěn)下滑的趨勢(shì)，但截至2017年7月底，P2P網(wǎng)貸行業(yè)歷史累計(jì)成交量達(dá)到50781.99億元，突破5萬(wàn)億大關(guān)。

圖1 各年份正常運(yùn)營(yíng)平臺(tái)數(shù)量及問(wèn)題平臺(tái)數(shù)量

圖2 2015-2017年正常運(yùn)營(yíng)平臺(tái)及問(wèn)題平臺(tái)的變化數(shù)

1.2 網(wǎng)絡(luò)借貸問(wèn)題平臺(tái)的現(xiàn)狀分析

我國(guó)P2P網(wǎng)絡(luò)借貸平臺(tái)主要由民營(yíng)系、銀行系、上市公司系、國(guó)資系、風(fēng)投系五種類型組成，截至2017年7月的數(shù)據(jù)顯示(圖3)，民營(yíng)系運(yùn)營(yíng)網(wǎng)貸平臺(tái)數(shù)約1675家，占比78%，然而民營(yíng)系的累計(jì)停業(yè)及問(wèn)題平臺(tái)數(shù)高達(dá)3801家，占比99%。由此可見(jiàn)，民營(yíng)系網(wǎng)絡(luò)借貸平臺(tái)的風(fēng)險(xiǎn)管控問(wèn)題直接影響著這個(gè)行業(yè)的生存發(fā)展。

根據(jù)網(wǎng)貸之家的數(shù)據(jù)，截至2017年8月累計(jì)問(wèn)題平臺(tái)共計(jì)3831家，其中面臨停業(yè)及跑路的問(wèn)題平臺(tái)占比超過(guò)80%。在這些問(wèn)題平臺(tái)中，借款人違約或逾期問(wèn)題導(dǎo)致資金無(wú)法回籠，使平臺(tái)因經(jīng)營(yíng)不善而面臨停業(yè)、跑路等困境。因此,借款人違約問(wèn)題的因果研究是網(wǎng)絡(luò)借貸平臺(tái)風(fēng)險(xiǎn)管控研究的重點(diǎn)。

圖3 截至2017年8月問(wèn)題平臺(tái)情況圖

綜合上述數(shù)據(jù)可知，我國(guó)網(wǎng)絡(luò)借貸行業(yè)已經(jīng)步入監(jiān)管時(shí)代，規(guī)范化的發(fā)展將是網(wǎng)絡(luò)借貸行業(yè)發(fā)展壯大的必然選擇。加強(qiáng)完善借款人的風(fēng)險(xiǎn)監(jiān)控體系，可用保證網(wǎng)貸平臺(tái)健康穩(wěn)定地發(fā)展。

2 借款人違約風(fēng)險(xiǎn)的實(shí)證研究

2.1 項(xiàng)目借款人違約的影響因素分析

P2P網(wǎng)絡(luò)借貸平臺(tái)的借款人一般都因?yàn)榈盅何锊蛔?、信用額度管制、還款來(lái)源不穩(wěn)定等原因無(wú)法從銀行取得貸款，多數(shù)屬于次優(yōu)借款人，其違約風(fēng)險(xiǎn)會(huì)比優(yōu)級(jí)借款人高。截至2016年8月，網(wǎng)絡(luò)借貸平臺(tái)的違約者高達(dá)867009人。然而，借款人的違約風(fēng)險(xiǎn)受多方面因素的影響，其中包括法律、征信體系等宏觀因素及收入水平、個(gè)人信用分等微觀因素。

2.1.1 宏觀因素分析

2.1.1.1 監(jiān)管主體不明確，法律法規(guī)不完善

近些年P(guān)2P網(wǎng)絡(luò)借貸平臺(tái)呈現(xiàn)爆發(fā)式增長(zhǎng)，但配套的法律法規(guī)體系始終未建立起來(lái)，監(jiān)管主體不明確。直到2015年7月18日，中國(guó)人民銀行等十部委聯(lián)合發(fā)布了《關(guān)于促進(jìn)互聯(lián)網(wǎng)金融健康發(fā)展的指導(dǎo)意見(jiàn)》，明確網(wǎng)絡(luò)借貸業(yè)務(wù)由銀監(jiān)會(huì)監(jiān)管，從此告別“無(wú)監(jiān)管”時(shí)代。隨后，中國(guó)互聯(lián)網(wǎng)金融協(xié)會(huì)于2016年3月25日成立。監(jiān)管層正式發(fā)布《網(wǎng)絡(luò)借貸信息中介機(jī)構(gòu)業(yè)務(wù)活動(dòng)管理暫行辦法》(2016-08-24)和《網(wǎng)絡(luò)借貸資金存管業(yè)務(wù)指引》(2017-02-23)兩大政策文件，明確指出網(wǎng)絡(luò)借貸平臺(tái)的資金存管機(jī)構(gòu)為銀行，并在全國(guó)范圍內(nèi)啟動(dòng)互聯(lián)網(wǎng)金融專項(xiàng)整治。

近三年法律條款不斷完善，但仍有一個(gè)關(guān)鍵問(wèn)題未解決，即網(wǎng)絡(luò)借貸的借款人監(jiān)管缺位。當(dāng)借款人出現(xiàn)違約時(shí)，由于借款人地域分散、缺少抵押物、法律訴訟周期長(zhǎng)、成本高等原因,投資者無(wú)法收集足夠的證據(jù)以維護(hù)其資金安全。

2.1.1.2 征信機(jī)構(gòu)數(shù)據(jù)割裂，信用評(píng)價(jià)不全面

一直以來(lái)，P2P網(wǎng)絡(luò)借貸平臺(tái)無(wú)法接入中國(guó)人民銀行信用基礎(chǔ)數(shù)據(jù)庫(kù),造成“信用孤島”現(xiàn)象。網(wǎng)絡(luò)借貸平臺(tái)只能依靠民間信用評(píng)級(jí)機(jī)構(gòu)，各機(jī)構(gòu)的信用評(píng)價(jià)體系不統(tǒng)一，而且個(gè)人信用數(shù)據(jù)相互割裂，各平臺(tái)無(wú)法共享數(shù)據(jù)。

2015年9月央行互聯(lián)網(wǎng)金融征信系統(tǒng)正式在中國(guó)人民銀行征信中心上線，將各個(gè)網(wǎng)絡(luò)借貸平臺(tái)分散的數(shù)據(jù)有機(jī)整合起來(lái)，形成信息共享機(jī)制。根據(jù)第三方平臺(tái)顯示，截至2016年4月，總計(jì)借入企業(yè)已達(dá)到50家。目前成功接入的網(wǎng)絡(luò)借貸平臺(tái)很少，大部分平臺(tái)仍需要依靠自身風(fēng)控能力的保障。

2.1.2 微觀因素分析

借款人違約風(fēng)險(xiǎn)除了受宏觀因素影響以外，還受自身特征、信用分、借款信息變量、成功還款次數(shù)等微觀因素影響。每個(gè)借款人所處的環(huán)境不同，也決定了他們不同的還款能力及違約風(fēng)險(xiǎn)。本文從四個(gè)方面來(lái)分析網(wǎng)絡(luò)借貸平臺(tái)中影響借款人違約的微觀因素。

2.1.2.1 個(gè)人特征變量影響

個(gè)人特征變量包括借款人的年齡、職業(yè)和收入水平。通過(guò)網(wǎng)絡(luò)借貸平臺(tái)的調(diào)研數(shù)據(jù)得知，目前平臺(tái)借款人年齡分為四個(gè)階段：18～25歲學(xué)生階段、26～30歲工作初始階段、31～39歲工作成長(zhǎng)期以及40～55歲的工作成熟階段。同時(shí),借款人的收入水平也隨著年齡的增長(zhǎng)，收入水平逐漸提高，其還款能力也趨于穩(wěn)定。除此以外，不同的職業(yè)也影響著不同程度的違約風(fēng)險(xiǎn)。本文從學(xué)生、工薪階層、自由職業(yè)者和私營(yíng)業(yè)主四個(gè)方面去分析研究其影響力。

2.1.2.2 個(gè)人信用變量影響

個(gè)人的信用評(píng)分直接代表著借款人的信用情況。個(gè)人信用得分是平臺(tái)根據(jù)個(gè)人提供的各種資信資料綜合計(jì)算而得，因此借款被平臺(tái)曝光的信息越多，發(fā)生違約產(chǎn)生的負(fù)面影響越大。一般而言，個(gè)人信用評(píng)分越高，違約風(fēng)險(xiǎn)較小。

2.1.2.3 借款人成功還款次數(shù)

借款人歷史成功還款次數(shù)越多，在某種程度上表明該借款人信用資質(zhì)越好，所以網(wǎng)絡(luò)借貸平臺(tái)和投資者比較認(rèn)可歷史成功還款次數(shù)較多的借款人，從而降低平臺(tái)的違約風(fēng)險(xiǎn)。

2.1.2.4 借款信息變量影響

借款人的違約風(fēng)險(xiǎn)除了受自身特征和環(huán)境影響外，借款的金額、利率和期限也會(huì)間接影響違約風(fēng)險(xiǎn)。一般而言，借款本金越高、利率越高、還款周期越長(zhǎng)，借款人的還款成本就會(huì)越高，在某種程度上會(huì)消減借款人的還款意愿。

2.2 樣本及指標(biāo)選擇

本文研究假設(shè)平臺(tái)的借款人和投資人都是理性的，借款人若具備還款能力的情況下，還款意愿良好，且將借款人的所有逾期還款行為視為違約，并對(duì)借款人的還款風(fēng)險(xiǎn)進(jìn)行以下相關(guān)假設(shè)(表1)。

表1 多元回歸分析相關(guān)因素的假設(shè)

本文收集某知名網(wǎng)絡(luò)借貸平臺(tái)2014年1月至2016年12月之間的所有交易數(shù)據(jù)，排除年齡未知等異常無(wú)效數(shù)據(jù)后，對(duì)156375個(gè)有效數(shù)據(jù)進(jìn)行多元Logistic回歸統(tǒng)計(jì)分析，暫不檢測(cè)法律等宏觀因素對(duì)借款人違約率的影響，重點(diǎn)研究四大微觀變量的影響程度，分別為個(gè)人特征變量、個(gè)人信用變量、借款人歷史成功還款次數(shù)和借款信息變量。8個(gè)研究變量的賦值解釋如表2所示。

表2 Logistic回歸模型中8個(gè)相關(guān)因素與賦值

2.3 多元回歸分析

本文對(duì)網(wǎng)絡(luò)借貸平臺(tái)的有效數(shù)據(jù)通過(guò)多元分類Logistic回歸模型進(jìn)行分析，用以推測(cè)影響平臺(tái)借款人還款概率的微觀因素及影響程度。將平臺(tái)借款人的還款概率作為因變量，年齡、職業(yè)等其他8個(gè)因素作為自變量，運(yùn)用SPSS軟件進(jìn)行Logistic回歸分析，回歸結(jié)果如表3所示。

表3 Logistic回歸分析結(jié)果

研究數(shù)據(jù)表明，當(dāng)采用5%的置信水平時(shí)，因變量與自變量直接存在顯著的線性關(guān)系。本文以90%作為判斷借款人還款的標(biāo)準(zhǔn)，模型顯示對(duì)借款人成功還款的誤判率為17.23%，對(duì)借款人違約的誤判率為39.12%，模型整體的成功率為88.27%。因此，Logistic回歸模型在預(yù)測(cè)借款人違約風(fēng)險(xiǎn)上還是比較科學(xué)的。

2.3.1 個(gè)人特征變量分析

從實(shí)證結(jié)果來(lái)看，年齡對(duì)借款人還款概率的影響較小，而且隨著借款人的年齡增加，借款人的違約概率反而增加，與之前的假設(shè)相反，這可能是因?yàn)槟贻p的借款人更在意違約帶來(lái)的信用危機(jī)?；貧w系數(shù)表明職業(yè)對(duì)借款人還款概率的影響較大，但工薪族的借款人反而成為最大違約人群，相比之下，自由職業(yè)者和私營(yíng)業(yè)主的還款概率較高，與之前的假設(shè)也相反。收入水平是影響借款人違約的重要因素，對(duì)大多數(shù)借款人來(lái)說(shuō)，收入水平是還款的重要保障，收入水平越高，意味著借款人的還款保障越強(qiáng)，與還款概率呈正比關(guān)系。

2.3.2 個(gè)人信用變量分析

個(gè)人信用評(píng)分是影響借款人還款概率的關(guān)鍵因素，信用評(píng)分與個(gè)人收入水平、歷史信用記錄等方面都有直接關(guān)系，信用評(píng)分越高者，預(yù)測(cè)借款人未來(lái)還款概率較高。通過(guò)回歸分析結(jié)果可以看出，信用評(píng)分每增加10分(一個(gè)單位)，借款人還款的相對(duì)概率增加29%，因此，個(gè)人信用變量與還款概率呈正相關(guān)。

2.3.3 借款人成功還款次數(shù)分析

借款人的歷史成功還款次數(shù)直接影響借款人的信用評(píng)分。歷史成功還款占比每增加一個(gè)百分比，借款人還款的相對(duì)概率增加31%。由此可見(jiàn)，歷史成功還款占比越高，借款人的違約率越低。

2.3.4 借款信息變量分析

借貸本金、利率、期限對(duì)借款人相對(duì)還款概率的影響都是負(fù)相關(guān)的?；貧w結(jié)果表明，借貸本金和期限的影響并不明顯，這是由于P2P網(wǎng)絡(luò)借貸平臺(tái)提供的貸款額度都以小額為主(1千元～10萬(wàn)元)，對(duì)借款人來(lái)說(shuō)，沒(méi)必要為了小額貸款違約產(chǎn)生個(gè)人信用危機(jī)。同時(shí)，貸款期限均以短期為主(1～24個(gè)月)，平臺(tái)上沒(méi)有貸款期限較長(zhǎng)的項(xiàng)目，因此風(fēng)險(xiǎn)波動(dòng)不會(huì)太大。相比而言，貸款利率對(duì)借款人還款概率的影響更加敏感，較高的貸款利率會(huì)帶來(lái)更大的違約風(fēng)險(xiǎn)，借款人往往會(huì)因?yàn)楦哳~利息放棄還款，其還款能力無(wú)法保障。

本文對(duì)影響借款人還款概率因素的預(yù)測(cè)結(jié)果較為理想，其中收入水平、個(gè)人信用評(píng)分及歷史成功還款占比是影響平臺(tái)借款人還款概率的關(guān)鍵因素，呈正相關(guān)；年齡、借貸本金和期限對(duì)目前借款人違約的影響不大；高利率會(huì)直接增加借款人的還款成本，增大違約風(fēng)險(xiǎn)。

3 我國(guó)網(wǎng)絡(luò)借貸平臺(tái)風(fēng)險(xiǎn)管控的措施

3.1 以大數(shù)據(jù)為核心環(huán)節(jié)開(kāi)展網(wǎng)絡(luò)借貸平臺(tái)風(fēng)險(xiǎn)管控與建設(shè)

大數(shù)據(jù)在網(wǎng)絡(luò)借貸平臺(tái)建設(shè)中具有戰(zhàn)略意義，可以幫助網(wǎng)絡(luò)借貸平臺(tái)收集并分析消費(fèi)者數(shù)據(jù)以搶占先機(jī)，從而以更個(gè)性化的產(chǎn)品、更精準(zhǔn)的營(yíng)銷體系來(lái)獲取并服務(wù)客戶。大數(shù)據(jù)通過(guò)先進(jìn)的統(tǒng)計(jì)工具模型挖掘內(nèi)

外部數(shù)據(jù)，建立并理解風(fēng)險(xiǎn)與各種影響因素之間的關(guān)系，能夠進(jìn)一步支持實(shí)時(shí)、低成本、高效率的信貸狀況分析、決策與授信，而且利用大數(shù)據(jù)驅(qū)動(dòng)的評(píng)估方式能夠消除人為經(jīng)驗(yàn)評(píng)估的偏見(jiàn)與誤差，進(jìn)而提升網(wǎng)絡(luò)借貸平臺(tái)險(xiǎn)管控與建設(shè)水平。

3.2 以征信系統(tǒng)為基礎(chǔ)對(duì)網(wǎng)絡(luò)借貸平臺(tái)及借款人進(jìn)行信用評(píng)級(jí)

對(duì)我國(guó)諸多網(wǎng)絡(luò)借貸平臺(tái)以及借款人進(jìn)行信用評(píng)級(jí)，無(wú)疑是投資者進(jìn)行風(fēng)險(xiǎn)收益最優(yōu)化投資決策參考的最好辦法之一。對(duì)P2P平臺(tái)的科學(xué)系統(tǒng)評(píng)級(jí)能夠?yàn)楸O(jiān)管主體制定合理的監(jiān)管政策提供有力依據(jù)。因此，應(yīng)盡快將所有網(wǎng)絡(luò)借貸平臺(tái)接入央行互聯(lián)網(wǎng)金融征信系統(tǒng)，進(jìn)行標(biāo)準(zhǔn)化分析和信用信息共享，進(jìn)一步對(duì)網(wǎng)貸平臺(tái)進(jìn)行信用等級(jí)劃分。

3.3 以傳統(tǒng)風(fēng)險(xiǎn)保障組合機(jī)制為關(guān)鍵進(jìn)行權(quán)變運(yùn)用

諸多網(wǎng)絡(luò)借貸平臺(tái)應(yīng)在明確自身的業(yè)務(wù)發(fā)展和模式定位的前提下，根據(jù)自身資產(chǎn)結(jié)構(gòu)、業(yè)務(wù)水平、風(fēng)險(xiǎn)大小，選擇風(fēng)險(xiǎn)預(yù)備金、第三方擔(dān)保模式、“有限”保障模式、保險(xiǎn)承保等傳統(tǒng)風(fēng)險(xiǎn)保障手段，形成量身定做的風(fēng)險(xiǎn)保障組合，提升風(fēng)險(xiǎn)管控水平。

3.4 以試錯(cuò)機(jī)制建設(shè)為風(fēng)險(xiǎn)管控進(jìn)行常態(tài)化演練

網(wǎng)絡(luò)借貸平臺(tái)系統(tǒng)極易受到網(wǎng)絡(luò)攻擊與大批量虛假信息的干擾，因此應(yīng)積極進(jìn)行風(fēng)險(xiǎn)管控預(yù)案設(shè)計(jì),強(qiáng)化管理與操作人員風(fēng)險(xiǎn)意識(shí)培訓(xùn),定期進(jìn)行風(fēng)險(xiǎn)常態(tài)化操作演練，依托網(wǎng)絡(luò)借貸平臺(tái)特有的線上線下相融合、多維度海量大數(shù)據(jù)優(yōu)勢(shì)，構(gòu)建全新的風(fēng)險(xiǎn)防御模型，幫助諸多網(wǎng)絡(luò)借貸平臺(tái)了解借款人，在反欺詐、貨前信用審察等風(fēng)控管理環(huán)節(jié)擁有更為敏銳的洞察力。

[參考文獻(xiàn)]

[1]熊健宇.P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)管控實(shí)證研究[J].西南金融,2017(6):66-71.

[2]閆春英,張佳睿.完善我國(guó)P2P網(wǎng)絡(luò)借貸平臺(tái)風(fēng)險(xiǎn)控制體系的策略研究[J].經(jīng)濟(jì)學(xué)家,2015(10):78-83.

[3]葉青,李增泉,徐偉航.P2P網(wǎng)絡(luò)借貸平臺(tái)的風(fēng)險(xiǎn)識(shí)別研究[J].會(huì)計(jì)研究,2016(6):38-45.

[4]盧馨,李慧敏.P2P網(wǎng)絡(luò)借貸的運(yùn)行模式與風(fēng)險(xiǎn)管控[J].改革,2015(2):60-68.