張彤進 劉永亮

摘要：2018年以來，P2P網(wǎng)絡(luò)小額貸款風(fēng)險頻發(fā)，嚴(yán)重侵害到大眾投資者利益，擾亂市場經(jīng)濟秩序。為此，本文以人人貸為例，運用Logit模型，重點從借款人視角考察P2P網(wǎng)絡(luò)小額貸款的信用風(fēng)險及其影響因素，旨在通過理論與實證分析，識別影響P2P網(wǎng)絡(luò)借貸信用風(fēng)險的關(guān)鍵要素，為我國P2P網(wǎng)絡(luò)小額信貸市場健康發(fā)展提出相關(guān)政策建議。

關(guān)鍵詞：P2P 信用風(fēng)險 人人貸

一、引 言

2018年以來，P2P網(wǎng)絡(luò)小額貸款風(fēng)險頻發(fā)，嚴(yán)重侵害到大眾投資者利益，擾亂市場經(jīng)濟秩序。根據(jù)網(wǎng)貸之家的數(shù)據(jù)，2018年2月到2018年12月，全國新增841家問題平臺，累計停業(yè)及問題平臺數(shù)達5410家，約占總數(shù)的84%。停業(yè)及問題平臺歷史累計涉及的投資人數(shù)約為215.4萬人（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)險發(fā)生的原因與解決對策，降低P2P網(wǎng)絡(luò)借貸信用風(fēng)險，促進P2P行業(yè)健康發(fā)展。為了更加清楚的識別P2P網(wǎng)貸信用風(fēng)險的影響因素，本文首先借鑒現(xiàn)有文獻，從理論上對借款人信用風(fēng)險影響因素進行探討;其次利用信息挖掘法，搜集大量樣本數(shù)據(jù)，運用Logit模型進行實證分析;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、文獻綜述

關(guān)于P2P信用風(fēng)險的影響因素研究，Iyer（2010）等人提出評估借款人信用風(fēng)險的指標(biāo)應(yīng)包括標(biāo)準(zhǔn)的銀行指標(biāo)及個體特征等非標(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)過驗證的財務(wù)信息。非標(biāo)準(zhǔn)銀行指標(biāo)則包括軟信息和未經(jīng)驗證的信息。Pope和Sydnor（2011）、Gonzalez（2016）研究發(fā)現(xiàn)借款人的年齡會影響信用評估，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模型進行研究，認為信用等級，借款期限、借款利率對信用風(fēng)險具有顯著影響。李廣明（2011）、劉鵬翔（2017）通過構(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)險越小。寧欣（2013）、劉峙廷（2013）通過對英國Lending Club平臺2009年～2011年的數(shù)據(jù)研究分析，認為婚姻產(chǎn)生的社會關(guān)系使得已婚者的違約成本較高，違約率比未婚者低。王會娟等（2014）通過對“人人貸”數(shù)據(jù)分析，發(fā)現(xiàn)對借款者的貸款行為有較大影響的是收入認證、工作認證、視頻認證和房產(chǎn)、車產(chǎn)認證等認證指標(biāo)。

基于影響因素的分析，學(xué)者針對如何降低信用風(fēng)險展開了探討。Mingfeng Lin（2009）通過對Prosper平臺2007年1月到2008年5月的數(shù)據(jù)研究分析認為借款人的社會資源越豐富，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）認為在P2P借貸中引入對社交資本的應(yīng)用能夠降低借款者的信用風(fēng)險。柳向東（2016）通過對“人人貸”數(shù)據(jù)分析，認為應(yīng)推動建立和完善以大數(shù)據(jù)為基礎(chǔ)的新型信用評分體系，引入用戶行為的分析將對平臺在信用風(fēng)險控制方面起到很好的推動作用。

三、模型設(shè)定與數(shù)據(jù)

（一）模型設(shè)定

在對借款者的信用風(fēng)險影響因素分析中，被解釋變量為借款人信用風(fēng)險。因為借款人信用風(fēng)險是二值選擇變量，借款人違約存在信用風(fēng)險記為1，借款人履約不存在信用風(fēng)險為0，故文章采用Logit模型進行分析。

根據(jù)現(xiàn)有文獻，以及受數(shù)據(jù)可得性的影響，文章最終從三個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個解釋變量，分別記為loan，interest，time，age，education，marry，wage，score，μ為誤差項。

具體的待估方程表達式如下：

（1）

（二）數(shù)據(jù)選取

目前國內(nèi)P2P平臺眾多，如人人貸，拍拍貸，陸金所，紅嶺創(chuàng)投等，人人貸是中國最早基于互聯(lián)網(wǎng)的P2P網(wǎng)絡(luò)借貸信息中介機構(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軟件進行Logit回歸分析。

人人貸平臺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36個變量。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)險的代理變量，記為risk?；诂F(xiàn)有文獻以及對人人貸的分析，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，會導(dǎo)致其違約概率增加。于曉虹（2016）和蘇亞（2017）認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，可能會提高違約概率。王文怡等（2018）通過對HLCT平臺的數(shù)據(jù)研究認為借款月利率對違約率有正向影響。

time：借款期限。一般來說，借款期限越長，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）認為借款期限與違約率具有較高相關(guān)性。

2.借款人個體特征。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，對風(fēng)險的偏好比較大，其違約概率可能要比年長者高一些，而年齡較大者，工作穩(wěn)定，人脈資源深厚，抗風(fēng)險能力較大。董梁（2016）認為借款人的年齡應(yīng)作為對借款人信用風(fēng)險評估的主要指標(biāo)之一，與違約率呈負相關(guān)。

education：學(xué)歷。一般來說，學(xué)歷較高者風(fēng)險意識更強，違約成本較高，違約概率相對較低。國內(nèi)外的研究均表明學(xué)歷對借款者的信用風(fēng)險具有重要的影響。如宋利平、張利坤等人（2015）基于BP神經(jīng)網(wǎng)絡(luò)模型的研究認為借款人的學(xué)歷對違約率具有較好的預(yù)測作用。

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

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，違約風(fēng)險相對較小，反之則違約風(fēng)險較大。唐藝軍、葛世星（2015）認為隨著借款人收入的提高，抗風(fēng)險能力會隨著增強，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借貸平臺會讓借款者提供相應(yīng)的資料，然后根據(jù)一定的計算規(guī)則對借款者進行評級，得出信用指數(shù)，這是平臺根據(jù)實際一定理論得出的指數(shù)，一般來說，資料越詳細，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，信用風(fēng)險越低。

四、實證分析

本文采用Logit模型對公式（1）進行估計，作為穩(wěn)健性檢驗，我們還對公式（1）進行了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模型估計結(jié)果基本一致，僅在估計系數(shù)大小上有所差異。接下來，對Logit模型進行分析。我們發(fā)現(xiàn)，對違約率影響最大的是借款利率，顯著正相關(guān)。這可能是因為，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)險溢價。風(fēng)險較大的借款者為了取得借款，只能提高利率對投資者進行風(fēng)險補償，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，借款期限越長不確定性影響因素就越多，同時借款人承擔(dān)的還款總金額就越多，會導(dǎo)致信用風(fēng)險上升。信用分?jǐn)?shù)與信用風(fēng)險成負相關(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，平臺無法核對真?zhèn)?，所以估計系?shù)并不是最高的。借款金額與信用風(fēng)險成負相關(guān)，由于借款者多為資金暫時出現(xiàn)困難的中小企業(yè)和困難戶，其借入金額并不大，在到期還本付息時若資金未及時周轉(zhuǎn)，就會出現(xiàn)違約狀況。借款人年齡與信用風(fēng)險成負相關(guān)，一般來說年長者較保守，風(fēng)險意識較強，更愿意遵守承諾按時還款，同時年長者一般在收入、人脈資源上相對年輕者有較多的優(yōu)勢，年長者的信用風(fēng)險相對較低。借款者的教育程度、工作收入與借款人的信用風(fēng)險成負相關(guān)，這是因為一方面借款者的學(xué)歷越高，收入就會相對越穩(wěn)定越高，還款能力就越強，風(fēng)險意識也會相對較高，另一方面一旦違約成本會更大，高學(xué)歷者高收入者會更加注重按時處理欠款。實證分析中婚姻狀況并不顯著，可能是由于信息不對稱，借款者為了取得借款會對自己的婚姻狀況進行隱瞞。

五、結(jié)論及政策建議

本文以人人貸為例，運用Logit模型，識別P2P網(wǎng)絡(luò)小額信貸的信用風(fēng)險影響因素。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P2P網(wǎng)絡(luò)借貸信用風(fēng)險有顯著影響。為此，本文提出搭建完善的P2P借貸平臺信用風(fēng)險管理框架，完善個人信用評價體系，規(guī)范監(jiān)管制度并結(jié)合互聯(lián)網(wǎng)大數(shù)據(jù)來降低信用風(fēng)險的對策建議。

第一，建立平臺信用風(fēng)險管理框架。鑒于P2P借貸平臺在交易中所扮演的角色以及目標(biāo)客戶的特殊性，結(jié)合人人貸平臺的實踐經(jīng)驗和歷史數(shù)據(jù)，建議建立控制P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險的基本管理框架：貸前審核，貸中監(jiān)控，貸后管理。加強貸前審核可以從如下幾個方面進行：首先，建立信息核實系統(tǒng)，可與其他相關(guān)機構(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，建立信用合作機制，利用各個平臺機構(gòu)的數(shù)據(jù)庫，建立一個信用合作機制能較好的降低此種風(fēng)險。

第二，政府監(jiān)管政策的完善。國外的征信體系較為完善，而國內(nèi)征信體系發(fā)展較晚，個人信用評級是由網(wǎng)絡(luò)借貸平臺給出，而不是由專業(yè)的評級機構(gòu)，因此，需要政府強化監(jiān)管。首先，明確監(jiān)管主體。目前很多新興的金融機構(gòu)如P2P網(wǎng)絡(luò)借貸平臺的監(jiān)管主體并不明確，可成立專門的互聯(lián)網(wǎng)金融監(jiān)管部門;其次，協(xié)調(diào)相關(guān)部門制定有關(guān)個人信用評級的相關(guān)法律。政府在加強對網(wǎng)絡(luò)借貸平臺客戶隱私信息的保護管理的同時要盡快將中國人民銀行客戶的個人信用信息與各網(wǎng)絡(luò)借貸平臺，以及各種金融機構(gòu)的信用信息進行對接，最終形成完善透明的個人征信體系。

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

參考文獻：

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

[2]李悅雷，郭陽，張維.中國 P2P小額貸款市場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)險評價模型綜述及對我國P2P網(wǎng)絡(luò)借貸平臺的借鑒[J]. 現(xiàn)代管理科學(xué)，2015（1）.

[4]王會娟，廖理.中國網(wǎng)絡(luò)借貸平臺信用認證機制研究[A].中國工業(yè)經(jīng)濟，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）.

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

（張彤進單位：天津商業(yè)大學(xué)經(jīng)濟學(xué)院;劉永亮單位：對外經(jīng)濟貿(mào)易大學(xué)保險學(xué)院）