P2P網絡小額貸款信用風險的影響因素識別

張彤進 劉永亮

摘要：2018年以來，P2P網絡小額貸款風險頻發，嚴重侵害到大眾投資者利益，擾亂市場經濟秩序。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網絡小額貸款的信用風險及其影響因素，旨在通過理論與實證分析，識別影響P2P網絡借貸信用風險的關鍵要素，為我國P2P網絡小額信貸市場健康發展提出相關政策建議。

關鍵詞：P2P 信用風險 人人貸

一、引 言

2018年以來，P2P網絡小額貸款風險頻發，嚴重侵害到大眾投資者利益，擾亂市場經濟秩序。根據網貸之家的數據，2018年2月到2018年12月，全國新增841家問題平臺，累計停業及問題平臺數達5410家，約占總數的84%。停業及問題平臺歷史累計涉及的投資人數約為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信用風險發生的原因與解決對策，降低P2P網絡借貸信用風險，促進P2P行業健康發展。為了更加清楚的識別P2P網貸信用風險的影響因素，本文首先借鑒現有文獻，從理論上對借款人信用風險影響因素進行探討;其次利用信息挖掘法，搜集大量樣本數據，運用Logit模型進行實證分析;最后在互聯網大數據的背景下，結合軟信息和硬信息提出相關建議。

二、文獻綜述

關于P2P信用風險的影響因素研究，Iyer（2010）等人提出評估借款人信用風險的指標應包括標準的銀行指標及個體特征等非標準指標。在標準的銀行指標中，一般包括硬信息和經過驗證的財務信息。非標準銀行指標則包括軟信息和未經驗證的信息。Pope和Sydnor（2011）、Gonzalez（2016）研究發現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、借款利率對信用風險具有顯著影響。李廣明（2011）、劉鵬翔（2017）通過構建多元線性回歸模型，發現借款人的學歷越高信用風險越小。寧欣（2013）、劉峙廷（2013）通過對英國Lending Club平臺2009年～2011年的數據研究分析，認為婚姻產生的社會關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”數據分析，發現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、車產認證等認證指標。

基于影響因素的分析，學者針對如何降低信用風險展開了探討。Mingfeng Lin（2009）通過對Prosper平臺2007年1月到2008年5月的數據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用能夠降低借款者的信用風險。柳向東（2016）通過對“人人貸”數據分析，認為應推動建立和完善以大數據為基礎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險控制方面起到很好的推動作用。

三、模型設定與數據

（一）模型設定

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

根據現有文獻，以及受數據可得性的影響，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，學歷，婚姻，月收入，信用分數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）數據選取

目前國內P2P平臺眾多，如人人貸，拍拍貸，陸金所，紅嶺創投等，人人貸是中國最早基于互聯網的P2P網絡借貸信息中介機構之一，具有代表性。本文從人人貸網站共收集2012—2016年部分借款人原始數據25729條，其中借款成功的數據有9143條，有16586條借款失敗。借款成功的數據中有70條被標記為壞賬，有830條數據存在逾期，有4872條數據正在償還中，有4194條數據是成功完成，有7條數據是延期的。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據包含ID，借款金額，利率、描述，公司規模等共計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險的代理變量，記為risk。基于現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.借款者借款資產標的情況。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平臺的數據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，債務到期之前面臨的不確定性越多，借款者發生疾病等重大事件的幾率也越大，風險自然也就越高，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別，一般年齡較小者，缺乏固定工作，收入能力較弱，對風險的偏好比較大，其違約概率可能要比年長者高一些，而年齡較大者，工作穩定，人脈資源深厚，抗風險能力較大。董梁（2016）認為借款人的年齡應作為對借款人信用風險評估的主要指標之一，與違約率呈負相關。

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

marry：婚姻。一方面夫妻雙方在經濟上抗風險能力較大，另一方面已婚者處于對家庭責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神經網絡模型對宜信、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測作用。

wage：月收入。借款人的收入水平直接反應了借款者償還能力，收入穩定并且越高的話，其還款能力就越強，違約風險相對較小，反之則違約風險較大。唐藝軍、葛世星（2015）認為隨著借款人收入的提高，抗風險能力會隨著增強，在借款中逾期的概率就越低。

3.借款者償債能力。score：信用分數。首先P2P借貸平臺會讓借款者提供相應的資料，然后根據一定的計算規則對借款者進行評級，得出信用指數，這是平臺根據實際一定理論得出的指數，一般來說，資料越詳細，收入越穩定，資產越多，借款者的信用指數越高，償債能力越強，信用風險越低。

四、實證分析

本文采用Logit模型對公式（1）進行估計，作為穩健性檢驗，我們還對公式（1）進行了probit回歸。R軟件的回歸結果如表1所示。

從表1可以看出，Logit和Probit模型估計結果基本一致，僅在估計系數大小上有所差異。接下來，對Logit模型進行分析。我們發現，對違約率影響最大的是借款利率，顯著正相關。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險溢價。風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，同時借款人承擔的還款總金額就越多，會導致信用風險上升。信用分數與信用風險成負相關，與預期一致，但由于信用分數的部分指標信息是完全由借款人自主填寫，平臺無法核對真偽，所以估計系數并不是最高的。借款金額與信用風險成負相關，由于借款者多為資金暫時出現困難的中小企業和困難戶，其借入金額并不大，在到期還本付息時若資金未及時周轉，就會出現違約狀況。借款人年齡與信用風險成負相關，一般來說年長者較保守，風險意識較強，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勢，年長者的信用風險相對較低。借款者的教育程度、工作收入與借款人的信用風險成負相關，這是因為一方面借款者的學歷越高，收入就會相對越穩定越高，還款能力就越強，風險意識也會相對較高，另一方面一旦違約成本會更大，高學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、結論及政策建議

本文以人人貸為例，運用Logit模型，識別P2P網絡小額信貸的信用風險影響因素。結果發現，借款者資產標的，包括借款金額、利率、期限等變量，個體特征，包括齡、學歷、月收入等變量，以及借款者償債能力，包括信用分數，歷史表現均對P2P網絡借貸信用風險有顯著影響。為此，本文提出搭建完善的P2P借貸平臺信用風險管理框架，完善個人信用評價體系，規范監管制度并結合互聯網大數據來降低信用風險的對策建議。

第一，建立平臺信用風險管理框架。鑒于P2P借貸平臺在交易中所扮演的角色以及目標客戶的特殊性，結合人人貸平臺的實踐經驗和歷史數據，建議建立控制P2P網絡借貸平臺信用風險的基本管理框架：貸前審核，貸中監控，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，可與其他相關機構合作，電話，面談等確保借款者提供的信息準確可靠。其次，建立信用合作機制，利用各個平臺機構的數據庫，建立一個信用合作機制能較好的降低此種風險。

第二，政府監管政策的完善。國外的征信體系較為完善，而國內征信體系發展較晚，個人信用評級是由網絡借貸平臺給出，而不是由專業的評級機構，因此，需要政府強化監管。首先，明確監管主體。目前很多新興的金融機構如P2P網絡借貸平臺的監管主體并不明確，可成立專門的互聯網金融監管部門;其次，協調相關部門制定有關個人信用評級的相關法律。政府在加強對網絡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絡借貸平臺，以及各種金融機構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，利用互聯網大數據建立自主信用評估體系。由于P2P網絡借貸平臺在我國興起才10年，其相關信用評級體系并不完善，各平臺并無統一科學的評估模型，在評估指標的選取上有些是根據經驗選取;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數，導致平臺的信用分數并不能完全揭露借款者的信用風險。因此，P2P平臺可以利用大數據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網絡借貸監管經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. 信用風險評價模型綜述及對我國P2P網絡借貸平臺的借鑒[J]. 現代管理科學，2015（1）.

[4]王會娟，廖理.中國網絡借貸平臺信用認證機制研究[A].中國工業經濟，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：本文是天津市哲學社會科學規劃項目（批準號：TJYJQN18-004）的階段性研究成果。

（張彤進單位：天津商業大學經濟學院;劉永亮單位：對外經濟貿易大學保險學院）