P2P網貸借款人違約行為影響因素的實證研究

蘇亞+成春林

摘 要：準確評估借款人信用風險是提高P2P網貸平臺風控能力、降低網貸行業問題平臺數量的重要措施。本文基于“人人貸”平臺交易數據，綜合考察借款人“硬信息”和“軟信息”與其違約行為之間的關系。二元Logit回歸模型的實證結果表明：在借款人“硬信息”指標中，借款人年齡、借款金額、借款利率、逾期次數對違約行為有顯著正向影響，學歷、信用等級對違約行為有顯著負向影響，而是否擁有房產、是否已購車、工作時間對違約行為沒有顯著影響；借款人“軟信息”指標即描述性文本中的“拼寫錯誤”對違約行為有顯著正向影響。研究結果表明借款人“軟信息”雖然不可直接證實，但同樣具有價值，網貸平臺應該多維度地量化借款人的信用評價。

關鍵詞：P2P網絡借貸；信息不對稱；軟信息；違約行為

中圖分類號：F830.5 文獻標識碼：B 文章編號：1674-2265（2017）01-0070-07

一、引言

借助于網貸市場提供的互聯網平臺，出借人直接向借款人提供小額貸款，操作方式高效便捷以及個性化的利率定價機制，一經推出便得到快速推廣。據網貸之家統計，截至2016年6月，活躍網貸平臺有2943家，貸款余額達到5957億元，運營平臺累計參與人數為2833萬人。 P2P網貸行業在高速發展的同時，也暴露出許多問題，其中最為嚴重的是出借人與借款人之間的信息不對稱，信息不對稱可能導致逆向選擇和道德風險。一方面，網貸平臺的借款門檻較低，大多數借款用戶屬于草根階層，比如小微企業主、中低收入者、大學生及創業人群等，由于無法提供充足的抵押品或無法滿足傳統金融機構的征信條件而轉向網絡金融服務，他們所發布的借款標的相對具有較高的信用風險；另一方面，網貸交易中大多數為個人投資者，他們缺乏有效識別借款人信用風險水平的專業知識和能力。而且一筆借款訂單通常由多個投資者共同提供，使得單個投資者缺乏貸前詳細審核以及貸后定期監督借款者的動機。此外，由于借款金額小、用戶地域分散等原因，網貸平臺合約執行主要是依靠非正式約束力量，使得有機會主義傾向的借款者利用網貸平臺漏洞有計劃、有目的地惡意違約。

與傳統金融機構不同的是，非正規金融機構更注重借款者“軟信息”在借貸交易中的價值。在P2P網貸交易中，借款者“軟信息”通常包括借款人自主披露的描述性文本信息、照片、群組制度及其衍生出來的社會資本以及借款人聲譽資產等。與國外相比，我國的P2P網貸平臺發展還處于起步階段，國內的專家對于借款者“軟信息”沒有給予必要的關注，幾乎所有的平臺還未建立群組制度，因此本文重點引入借款者“軟信息”當中的描述性文本信息作為研究對象。描述性文本信息雖然不可直接證實，但是可以從側面反映借款者的還款能力、還款意愿、借款用途和學歷水平等，在匿名并且非面對面的P2P網貸機制中，有助于投資者全方位了解借款人，完善投資決策和提高借款成功率。本文基于人人貸樣本數據的實證檢驗，在結合以往相關文獻研究經驗的基礎上，引入“軟信息”因素，探討網貸交易中借款者違約行為的影響因素，希望能為我國網貸市場的完善提供更有針對性的借鑒。

本文的結構安排如下：第二部分總結已有相關文獻；第三部分提出研究假設；第四部分描述樣本選擇及變量情況；第五部分是分析基準回歸及穩健性檢驗的實證結果；第六部分提出針對性的政策建議。

二、文獻綜述

借貸過程中的信息不對稱使得投資者處于信息劣勢，借款人更多地掌握自己的違約信息，在進行披露時會做出策略性的選擇，平臺無法完全保證借款人信息的真實性，并且網貸平臺上借貸人群的信用分數通常來說較低，反映P2P網貸市場上的信息不對稱情況相對于傳統借貸更加嚴重（Freedman和Jin，2008；Herzenstein，2008；Chapman，2014）。此外，Chen 等（2014）、陳霄（2014）研究發現網貸平臺借款人具有潛在的機會主義行為風險，容易利用平臺漏洞刻意偽造自身信用狀況，成功借款之后惡意違約。

關于違約行為的影響因素方面，目前主流的研究是利用要素分析法分析識別影響網貸借款人違約風險及概率的因素，依賴于網貸平臺的公開數據，通過不同的計量方法測度借款人特征變量對違約行為的影響。如Kumar（2007）考察了信用級別、借款人主動披露的賬戶認證信息、借款額度等變量對違約率的影響；Carlos Serrano-Cinca等（2015）利用Lending Club官網數據，選用貸款用途、借款人收入、當前房屋狀況、信用歷史、債務狀況等變量進行研究； Riza Emekter等（2015）在此基礎上增加了債務收入比、FICO評分、循環額度占比、最近6個月信用查詢次數等指標。也有學者對借款人的“軟信息”如照片上的內容與違約率之間的關系進行了檢驗（Klafft，2008；Duarte，2012）。基于國內P2P網貸平臺的特點，陳霄等（2013）、顧慧瑩和姚錚（2015）、肖曼君等（2015）選取信用等級、借款金額、居住地區、受教育年限、借款期限、性別、年齡、婚姻狀況、借款人所屬職業、收入水平、還款利率等多項指標進行了分析；繆蓮英和陳金龍（2014）則著重衡量P2P網貸平臺社會資本的作用，將推薦信任、小組關系以及朋友關系作為社會資本的替代變量，分析了社會資本對網貸借款人違約風險的制約機制。

以往學者主要是對借款人的信息特征進行研究，關注借款人提供的“硬信息”對融資成本、融資成功率以及事后違約風險的影響，而關于借款人主動披露的描述文本信息與違約率之間關系的文獻較少，本文引入“軟信息”研究借款人違約行為的影響因素，幫助借貸關系中處于劣勢地位的投資者在投資之前更多關注能夠降低逾期率的相關借款人信息，從而在一定程度上減少投資者和借款人之間的信息不對稱問題，做出較為理性的投資決策。

三、研究假設

與傳統銀行小額信貸相比，P2P網絡借貸在借款人信息采集、分析和處理上具備獨特優勢。個人信息、借款金額、借款利率以及借款人主動披露的描述性文本信息等在P2P網絡借貸平臺上透明公開，每筆借款訂單的出借、還款、違約及借款人所有歷史行為都被平臺自動記錄。基于網絡借貸的特點，本文將借款人信息劃分為四個成因維度，分別為借款人特征信息（年齡、學歷）、借款人經濟信息（是否擁有房屋產權、是否已購車、工作時間）、借款人軟信息（拼寫錯誤）以及平臺信息（信用等級、借款金額、借款利率、逾期次數），并提出以下假設：

（一）借款人特征信息

借款人的特征信息包括借款人的年齡和學歷等信息。Arminger等（1997）認為年齡較小的借款者相對來說還不夠成熟而且責任感不如年長者強烈，同時年長者更趨于風險規避，不太容易違約。

H1：年齡較大的借款人信用風險較低，違約率較低。

學歷較低的借款者更傾向于過度負債（Gathergood，2012）。廖理等（2015）利用P2P數據實證研究發現學歷水平較高的借款者如約還款率更高，借款者的某些行為特征會受到自身教育水平的影響，而這些行為特征對借款者來說具有某程度上的約束力，更容易遵守約定按期還款。

H2：高學歷的借款人信用風險較低，違約率較低。

（二）借款人經濟信息

借款人的經濟信息包括三個指標：是否擁有房屋產權、是否已購車和工作時間。已有文獻研究結果表明該指標對借款者違約率有一定影響（Greiner和Wang，2009）。擁有房產和已購車的借款人相對來說，經濟實力較強，收入狀況也相對穩定，具有一定的還款來源。

H3：擁有房屋產權和已購車的借款者違約率較低。

工作時間越長，借款人也就積累了更多的工作經驗和社會經歷，對目前競爭激烈的社會具有更強的適應能力，隨著時間的增長，越有可能聚集更多的個人財富。

H4：工作時間越長，借款人的違約率越低。

（三）借款人軟信息

在P2P網絡借貸中，借款者可自愿披露一段有關自身狀況（包括借款用途）的描述性文本信息，盡管這些描述性信息不能夠直接證實，但Jeremy Michels（2012）的研究表明描述性信息具有一定的價值，在其他條件相同的情況下，主動披露信息的借款人相比于吝于披露信息的借款人來說，具有顯著較低的違約率。Gregor Dorfleitner等（2016）研究描述性文本信息中的“拼寫錯誤”與違約率之間的關系。“拼寫錯誤”一定程度上反映借款人的教育水平，而受教育程度又與違約率呈負相關關系（Bhatt和Tang，2002）。

H5：描述性文本信息中的“拼寫錯誤”字數越多，借款人違約率越高。

（四）平臺信息

平臺信息包括借款者信用等級、借款金額、借款利率①以及借款者逾期次數。許多文獻都研究過借款人信用等級與違約率之間的關系（Klafft，2008；Lin 等，2013；Emekter等，2015）。信用等級是網貸平臺參考借款人提交的各種“硬信息”和“軟信息”，利用定性與定量相結合的方法，對借款者還款能力和意愿做出的綜合評估，反映借款者的信用狀況，在一定程度上減少網貸交易過程中的信息不對稱問題。

H6：信用等級越低，借款人信用風險越高，違約率越高。

借款金額也是由網貸平臺決定，通常情況下，借款金額越高，借款人也就面臨越大的還款壓力，相對而言，更容易違約。

H7：借款金額越高，借款人違約率越高。

借款利率即借款人的融資成本，Stiglitz和Weiss（1981）發現高利率并不一定代表著高回報，從另一個角度來看，貸款利率較高意味著借款人質量較低，為了成功籌集資金，借款人不得已提供更高的利率以吸引更多投資者，相應地投資者承擔風險較大。

H8：借款利率越高，借款者的質量越低，違約率越高。

逾期次數較多代表著借款人可能不太注重自己的信譽，網貸參與者存在“馬太效應”（陳霄，2013），即信譽較差的借款者有更大的可能性會再次逾期。

H9：逾期次數較多的借款者違約率較高。

四、研究設計

（一）數據讀取及變量定義

“人人貸”網站（www.renrendai.com）成立于2010年5月，同年10月正式上線，到目前為止，“人人貸”的服務已涵蓋全國30余個省的2000多個地區，為幾十萬名用戶成功提供網絡借貸服務，是我國P2P行業的典型代表之一。“人人貸”平臺每筆貸款頁面的URL（Universal Resource Locator）都是以貸款編號結束，基于這一屬性，將大量貸款編號列入Excel表格中的第一列，然后利用VBA函數讀取對應的網頁。通過不斷地讀取對應網址頁面，本文對ID編號為608056—666393的借款數據和相應的借款人信息進行了收集，初始樣本共有58044個觀測值。鑒于描述性文本信息需要人工讀取，較為煩瑣，因此，利用簡單隨機抽樣的方法選取1075個觀測值作為研究對象，其中“逾期”或“壞賬”的有241個觀測值，“已還清”的有834個觀測值。被解釋變量為是否具有違約行為，若借款人事后違約賦值1，否則為0。解釋變量的具體含義如表1所示。

（二）模型構建

由于本文實際收集到的借款用戶信貸違約狀況數據僅為離散型數據，因此采用離散選擇模型進行分析。已有研究表明二元Logit回歸模型在債務困境、個人信用評價、農戶信用評價等領域都有良好的評估能力，且對二元離散因變量有較強的判別能力（鮮文鐸和向銳，2007；蘇治和胡迪，2014）。二元Logit回歸方程定義如下：

表3給出了所有變量之間的相關系數及顯著性水平，可以看出存在顯著相關關系變量之間的相關系數絕對值≤0.8，表明不會產生多重共線性問題（Kennedy，2008）。此外還發現利率與違約率之間存在較強的正相關關系，說明利率能在一定程度上反映借款人的風險水平，與本文的研究假設相符，即利率越高的借款人其違約風險也越高。同時借款人的利率與信用等級之間呈現顯著的負相關關系，表明人人貸平臺的信用認證機制是有效率的，對于利率較高也就是違約風險較高的借款人設定較低的信用等級，緩解網貸交易中的信息不對稱問題，有利于投資者做出理性的投資決策。另一方面，學歷與違約率之間存在顯著的負相關關系，說明學歷是影響借款人違約行為的因素之一。

五、實證結果與分析

（一）模型整體有效性檢驗

本文用stata軟件針對10個解釋變量進行了Logit回歸，該回歸中對數似然差的卡方檢驗類似于普通回歸中的模型F檢驗，如表4所示：LR的統計值為733.03，其對應的p值為0.0000，表明在5%的顯著水平下拒絕模型無效的原假設，即所有回歸系數不全為0，模型整體有效。

（二）實證分析

通過Logit回歸模型實證后得出的具體結果如表5所示，在本文所選的10個信息指標當中，除了是否擁有房產、是否已購車、工作時間對違約率的影響不顯著之外，其余的7個指標，包括借款人年齡、學歷、拼寫錯誤、信用等級、借款金額、借款利率和逾期次數都顯著影響違約率。

1. 借款人特征信息（年齡、學歷水平）對違約率具有顯著影響。與假設1相反的是年齡與違約率呈顯著正相關關系，年長者更容易違約，除了責任感之外，可能還應該考慮到年長者的經濟狀況，一般來說年長者相對于年輕人不具有穩定的收入來源，同時生活中需要更大的支出比如身體不太好、容易生病住院等。年長者從意識上更愿意還款，但是實際上還款能力并不高。借款人的學歷與違約率呈顯著負相關關系，與假設2相同，學歷較高的借款人更容易受到自我約束的影響，遵守協議如期還款。

2. 借款人的經濟信息（是否擁有房產、是否已購車、工作時間）對違約率的影響均不顯著。可能的原因是借款人雖然聲明自己擁有房屋產權和已購車，營造具有一定經濟基礎的可靠形象，但并未提供任何可選認證指標比如說房產認證和購車認證輔佐驗證自己的聲明。同時從另一方面說明，存在更直觀的證實借款人經濟實力的信息指標如借款人收入水平等，基于數據的可得性，本文暫未考慮。

3. 借款人的“軟信息”（拼寫錯誤）對違約率具有顯著影響。與假設5一致，拼寫錯誤與違約率呈顯著正相關關系，雖然描述性文本信息不能夠直接證實，對投資者來說也同樣具有價值（Jeremy Michels，2012）。這一新視角可以從直觀看到的描述性文本信息中存在拼寫錯誤的字數出發，得出與理論分析一致的結論，借款人在主動披露借款描述信息時，拼寫錯誤越多，越有可能違約。

4. 平臺信息（信用等級、借款金額、借款利率、逾期次數）對違約率具有顯著影響。信用等級與違約率呈較強的顯著負相關關系，與假設6相符，信用等級較高的借款人具有較好的信用資質，發生違約行為的可能性較低。同時也說明平臺的信用認證機制是有效的，借款人的信用等級能幫助投資者在一定程度上避免信用風險。借款金額與違約率呈顯著的正相關關系，與假設7相符，金額越大，給借款人造成的還款壓力越大，有可能導致借款人不能正常如期還款。借款利率與違約率呈顯著的正相關關系，同時也與假設8相符，利率較高，借款人面臨較高的借款成本，負擔較重，一旦遇到重大意外情況很容易發生違約行為。另一方面也說明平臺利率設定能在一定程度上反映借款人的違約風險，劣質的借款人通常提供足夠高的收益率以吸引投資者。逾期次數與違約率呈顯著正相關關系，與本文假設9相符合，逾期次數較多表明借款人信譽水平較低，很有可能再次發生違約行為。

（三）穩健性檢驗

由于本文主要采用的是二元Logit回歸模型，因此在保持被解釋變量和解釋變量與基準回歸一致的情況下，通過改變回歸模型即運用更適合小概率事件的Probit回歸模型，為本文的基本結論提供側面參考證據。實證結果如表6所示，發現Probit回歸得到的結果與之前相比，變量系數值沒有太大變化，符號也比較穩定，同時顯著性水平的分析也沒有發生明顯變化，說明以上研究結果穩健性較好。

六、政策建議

借款人的違約行為會使得投資者和平臺的資金安全難以得到合理保障，并且會對整個P2P網絡借貸行業的聲譽產生不良影響。因此，為了減少信息不對稱帶來的風險，降低我國P2P網絡借貸平臺的壞賬率以及促進網貸行業的進一步發展，結合平臺目前的風控現狀，提出以下四點建議：

（一）加大借款者“軟信息”挖掘以及信息披露力度

平臺要重視借款者“軟信息”的價值，充分發揮非正規金融機構在收集小微企業主及個人“軟信息”方面的優勢（林毅夫和孫希芳，2005）。比如說在對借款者進行信用評分時，將描述性文本信息、照片、借款人聲譽等融合在其中，以期獲得更多借款者相關信息，精準地甄別借款人風險類型。平臺還可以從社交關系入手，在利用大數據模型進行風險定價時，擴大數據來源，比如接入關聯社交網絡賬戶（微信、QQ）及電商網站等，或者設置群組制度，形成借款人的“社會資本”，以應對網貸交易中的信息不對稱難題。此外，違約行為的影響因素體現借款人的行為特征，平臺應充分披露借款標的的詳細信息，充分披露之后投資者才能對借款者有一個完整清晰的認識，提高甄別潛在風險的能力。

（二）加大對投資者的風險教育工作

打破剛性兌付的不合理預期，培養投資者的風險識別意識，主動全面地了解借款者的各方面信息，從本文的實證結果來看，描述性文本信息也同樣具有一定價值，應該綜合考慮借款人的“硬信息”和“軟信息”，從而以實質投資風險代替以往的主觀判斷，選擇合理的風險定價和投資策略。投資者還需要清楚地認識到對劣質借款者征收的高利率并不足以彌補高風險借款人的違約率，不能一味地追求高收益而忽略其中的風險。

（三）平臺要提升自身的貸后催收能力

大多數平臺直接將違約用戶加入黑名單并曝光借款者個人信息，但是這種做法可能會造成用戶信息泄露，侵犯用戶的隱私，其合法性值得商榷。建議平臺應該僅對實際投資者公布違約用戶部分資料信息。此外，本文還發現平臺應該合理區分逾期客戶和拖欠客戶，針對不同的逾期類型采取不同的策略挽回損失。

注：

①“人人貸”平臺上，最終成交金額和利率由平臺審核部門參考借款者上傳的必要認證資料和可選認證資料以及回訪電話審核后決定。

參考文獻：

[1]Freedman， S. and G. Z. Jin. 2008. Do Social Networks Solve Information Problem for Peer-to-Peer Lending ？ Evidence from Prosper. Com[J].NET Institute Working Paper No，（2）.

[2]Herzenstein， M. R. L. Andrews ，U. M. Dholakia ， and E. Lyandres. 2008. The Democratization of Personal Consumer Loans ？ Determinants of Success in Online Peer-to-Peer Lending Communities[R].University of Delaware ， Wilmington ， DE ，Working paper.

[3]Chapman and Cutler LLP. 2014. The Regulation of Peer-to-Peer Leading：A Summary of the Principal Issues，April.

[4]Chen D ， Lai F and Lin Z. 2014. A Trust Model for Online Peer-to-peer Lending：A Lender's Perspective[J].Information Technology and Management，（4）.

[5]Kumar S. Bank of One：Empirical Analysis of Peer-to-peer Financial Marketplaces. [EB/OL].http：//aisel.aisnet.org/amcis2007/305.

[6]Carlos Serrano-Cinca，Bego?a Gutiérrez-Nieto，Luz López-Palacios. 2015. Determinants of Default in P2P Lending[J].PLOS ONE.

[7]Riza Emekter，Yanbin Tu， Benjamas Jirasakuldech &Min Lu. 2015. Evaluating credit risk and loan performance in online Peer-to-Peer （P2P） lending[J].Applied Economics，（1）.

[8]Klafft，M. Online Peer-to-Peer（P2P） lending：A lender's Perspective.[EB/OL].http：//ssrn.com/abstract=1352

352，2008.

[9]Duarte ，J.，S. Siegel，and L. Young. 2012. Trust and Credit：the Role of Appearance in Peer-to-peer Lending [J].Review of Financial Studies，（8）.

[10]Arminger G，Enache D and Bonne T. 1997. Analyzing Credit Risk Data：A Comparison of Logistic Discrimination，Classification Tree Analysis and Feedforward Network[J].Computational Statistics，（2）.

[11]Gathergood J. Self-contiol. 2012. Financial Literacy and Consumer Over Indebtedness[J].Journal of Economic Psychology，（33）.

[12]Greiner ME and Wang H. 2010. Building Consumer-to-consumer Trust in E-finance Marker places：An Empirical Analysis[J].International Journal of Electronic Commerce.

[13]Jeremy Michels. 2012. Do Unverfiable Disclosures Matter？ Evidence from Peer-to-Peer Lending[J].The Accounting Review，（4）.

[14]Gregor Dorfleitner and Christopher Priberny. 2016. Description-text related soft information in peer-to-peer lending-Evidence from two leading European platforms[J].Journal of Banking&Finance，（64）.

[15]Bhatt，N.，Tang，S. 2002. Determinants of repayment in microcredit ：evidence from programs in the united states .International Journal of Urban and Regional Research，（2）.

[16]Lin，Ming feng，Prabhala，N.，and Viswanathan，R.S. 2013. Judging Borrowers by the Company They Keep：Friendship Networks and Information Asymmetry in online Peer-to-Peer Lending[J].Management Science，（1）.

[17]Emekter R， Tu Y，Jirasakuldech B and Lu M. 2015. Evaluating Credit Risk and Loan Performance in Online Peer-to-Peer（P2P）lending[J]. Applied Economics，（1）.

[18]陳霄.民間借貸成本研究——基于P2P網絡借貸的實證分析[J].金融經濟學研究，2014，（1）.

[19]陳霄，丁曉裕，王貝芬.民間借貸逾期行為研究——基于P2P網絡借貸的實證分析[J].金融論壇，2013，（11）.

[20]顧慧瑩，姚錚.P2P網絡借貸平臺中借款人違約風險影響因素研究——以WDW為例[J].上海經濟研究，2015，（11）.

[21]肖曼君，歐緣媛，李穎.我國P2P網絡借貸信用風險影響因素研究——基于排序選擇模型的實證分析[J].財經理論與實踐，2015，（36）.

[22]繆蓮英，陳金龍.P2P網絡借貸中社會資本對借款者違約風險的影響——以Prosper為例[J].金融論壇，2014，（3）.

[23]廖理，吉霖，張偉強.借貸市場能準確識別學歷的價值嗎？——來自P2P平臺的經驗證據[J].金融研究，2015，（3）.

[24]鮮文鐸，向銳.基于混合Logit模型的財務困境預測研究[J].數量經濟技術研究，2007，（9）.

[25]蘇治，胡迪.農戶信貸違約都是主動違約嗎？——非對稱信息狀態下的農戶信貸違約機理[J].管理世界，2014，（9）.

[26]林毅夫，孫希芳.信息，非正規金融與中小企業融資[J].經濟研究，2005，（7）.

Abstract：The ability of accurately evaluating the borrower's credit risk is important in the risk control of P2P lending and is an effective measure to reduce the number of problematic platforms. This paper collects the real date of "Ren Ren" platform，based on the excel VBA data mining technology. We study the relationship between borrower's information and the behavior of defaulting. By means of the dual Logit model，the paper reveals that age，money，rate，times of overdue repayment are positively related with the default rate.While the education and the credit level have the opposite effect. Whether they own the property or car and their working experience don't influence the default rate. The spelling error of the descriptive text is positively related with default rate. Although the borrower's soft information can't be directly confirmed，it also has value. P2P platform should evaluate the borrower's credit from multiple angles.

Keywords：P2P online lending，information asymmetry，soft information，overdue behavior