P2P網(wǎng)絡(luò)借貸平臺(tái)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警體系研究

龔李琳 夏國(guó)恩

(廣西財(cái)經(jīng)學(xué)院 廣西 南寧 530000)

一、引言

P2P網(wǎng)絡(luò)借貸是互聯(lián)網(wǎng)金融中的一種，這種使用網(wǎng)絡(luò)互聯(lián)網(wǎng)平臺(tái)來滿足小額貸款需求的模式，在我國(guó)屬于較為的互聯(lián)網(wǎng)金融形式，一定程度上推動(dòng)了惠普金融的進(jìn)程。隨著對(duì)小額貸款需求的增多，P2P網(wǎng)絡(luò)借貸平臺(tái)在我國(guó)快速發(fā)展，然而跑路、破產(chǎn)、倒閉等問題也隨之爆發(fā)。一波接一波的問題，不僅降低了民間投融資效率，冷卻投資者的投資熱情，還給社會(huì)帶來了嚴(yán)重影響。平臺(tái)問題集中爆發(fā)也揭示了P2P網(wǎng)絡(luò)借貸平臺(tái)存在諸多風(fēng)險(xiǎn)，其管理水平、風(fēng)險(xiǎn)控制水平和戰(zhàn)略水平不足，影響了整個(gè)P2P行業(yè)的健康發(fā)展。實(shí)際上，風(fēng)險(xiǎn)并非是不可預(yù)測(cè)的。根據(jù)風(fēng)險(xiǎn)成因看，P2P網(wǎng)絡(luò)借貸平臺(tái)的風(fēng)險(xiǎn)可分為4類，分為信用風(fēng)險(xiǎn)、法律風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)。其中，能對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)業(yè)務(wù)活動(dòng)產(chǎn)生影響的是財(cái)務(wù)風(fēng)險(xiǎn)。因此，控制P2P網(wǎng)絡(luò)借貸平臺(tái)的財(cái)務(wù)風(fēng)險(xiǎn)，有利于保障平臺(tái)的正常運(yùn)營(yíng)。風(fēng)險(xiǎn)預(yù)警機(jī)制不僅可以對(duì)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行管理，還可以對(duì)平臺(tái)的經(jīng)營(yíng)狀況進(jìn)行診斷。所以，P2P網(wǎng)絡(luò)借貸平臺(tái)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的建設(shè)，是中國(guó)P2P網(wǎng)絡(luò)借貸行業(yè)急需解決的現(xiàn)實(shí)問題。

二、文獻(xiàn)綜述

西方學(xué)者對(duì)財(cái)務(wù)風(fēng)險(xiǎn)研究較早，他們對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方法和模型進(jìn)行了深刻探討。如今，國(guó)外學(xué)者對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究已經(jīng)逐步完善，研究方法包括單變量模型、神經(jīng)網(wǎng)絡(luò)模型、主成分分析模型、二元Logistic模型等。我國(guó)直到上個(gè)世紀(jì)后期才開始對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警進(jìn)行學(xué)習(xí)。起初，學(xué)者的研究方法主要是引用國(guó)外的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，再?gòu)母鶕?jù)我國(guó)的實(shí)際情況進(jìn)行改進(jìn)。周守華(1996)使用Z-score模型，并對(duì)其進(jìn)行改進(jìn)，提出F模型。馬麗娜(2009)使用BP神經(jīng)網(wǎng)絡(luò)建立了商業(yè)銀行風(fēng)險(xiǎn)預(yù)警系統(tǒng)。鄧敏(2012)則提出SVM比BP神經(jīng)網(wǎng)絡(luò)更具有有效性和優(yōu)越性。目前，我國(guó)學(xué)者對(duì)財(cái)務(wù)風(fēng)險(xiǎn)相關(guān)問題研究較多，特別是財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

雖然，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警已經(jīng)不算是新鮮事物，但由于P2P網(wǎng)絡(luò)借貸平臺(tái)直到2007年才登陸我國(guó)，2012年才開始快速發(fā)展，學(xué)者們對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究還未完善。余嘉敏(2015)在綜合評(píng)價(jià)的基礎(chǔ)上建立其財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。王歡(2017)的P2P網(wǎng)絡(luò)借貸平臺(tái)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)將兩種方法相結(jié)合，分別是因子分析法和SVM模型，通過實(shí)證分析模型有效。韓孟彬(2018)使用400個(gè)P2P網(wǎng)絡(luò)借貸平臺(tái)數(shù)據(jù)，將常用的Logistic回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型建立的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警體系做對(duì)比，認(rèn)為三者均可有效預(yù)測(cè)。

本文在借鑒已有研究經(jīng)驗(yàn)已有相關(guān)研究的基礎(chǔ)上，以CAMEL評(píng)價(jià)體系為基礎(chǔ)，篩選出15個(gè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)，選取110個(gè)平臺(tái)樣本，其中財(cái)務(wù)問題樣本和正常運(yùn)營(yíng)樣本各占一半，使用2017年底數(shù)據(jù)進(jìn)行實(shí)證分析，使用主成分分析法降低維度，使用二元Logistic方程建立P2P網(wǎng)絡(luò)借貸平臺(tái)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)。

三、P2P網(wǎng)絡(luò)借貸平臺(tái)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)的設(shè)計(jì)

由于P2P網(wǎng)貸借貸平臺(tái)運(yùn)營(yíng)模式及盈利模式與成熟的上市公司有所差異，不應(yīng)該直接套用廣泛使用的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)，所以，指標(biāo)選擇上要綜合考慮信息披露情況和P2P網(wǎng)絡(luò)借貸平臺(tái)現(xiàn)實(shí)情況。CAMEL評(píng)價(jià)體系是一套評(píng)定金融機(jī)構(gòu)整體水平的制度，通過資本充足性、資產(chǎn)質(zhì)量、管理水平、盈利狀況和流動(dòng)性五個(gè)方面，對(duì)金融機(jī)構(gòu)的業(yè)務(wù)經(jīng)營(yíng)及信用水平進(jìn)行評(píng)級(jí)。P2P網(wǎng)絡(luò)借貸平臺(tái)涉及借貸行為，與商業(yè)銀行相似，并且兩者的資本質(zhì)量風(fēng)險(xiǎn)、資產(chǎn)充足性風(fēng)險(xiǎn)、盈利性風(fēng)險(xiǎn)、管理水平風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)存在諸多重疊之處。因此，使用CAMEL評(píng)價(jià)體系對(duì)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)進(jìn)行篩選，符合選取指標(biāo)的全面性原則。

但P2P網(wǎng)絡(luò)借貸平臺(tái)和商業(yè)銀行存在差異，兩者的風(fēng)險(xiǎn)控制能力和資本約束能力大不相同，所以在選取財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)上應(yīng)該顯示出P2P行業(yè)的特色。本文的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警體系將CAMEL評(píng)價(jià)體系的五個(gè)方面作為一級(jí)指標(biāo)，再?gòu)闹泻Y選15個(gè)指標(biāo)具體指標(biāo)如表1。

表1 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警初始指標(biāo)選取與相關(guān)說明

四、P2P網(wǎng)絡(luò)借貸平臺(tái)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建與檢驗(yàn)

本文對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)的財(cái)務(wù)問題平臺(tái)定位于2018年出現(xiàn)提現(xiàn)困難和延期兌付的平臺(tái)，選取的問題平臺(tái)樣本數(shù)55家，隨機(jī)配以55家正常運(yùn)營(yíng)平臺(tái)，進(jìn)行實(shí)證分析。

上節(jié)選取的預(yù)警指標(biāo)體系中，包含了15個(gè)解釋變量，雖然多變量使財(cái)務(wù)風(fēng)險(xiǎn)的識(shí)別更為精確，但指標(biāo)與指標(biāo)間會(huì)由于相關(guān)性的影響，導(dǎo)致預(yù)警結(jié)果不準(zhǔn)確。參考已有文獻(xiàn)對(duì)金融風(fēng)險(xiǎn)評(píng)估的研究方法，為了盡量降低指標(biāo)之間的相互影響，本文首先選用主成分分析法，對(duì)初步篩選的指標(biāo)進(jìn)行降維。然后使用二元Logisitic模型，主成分因子設(shè)為自變量，平臺(tái)2018年?duì)顟B(tài)設(shè)為因變量，對(duì)回歸方程進(jìn)行計(jì)算。

(一)主成分分析法

通過主成分分析法，可以尋找多個(gè)指標(biāo)中的相關(guān)性，剔除重復(fù)變量，建立數(shù)量少卻能最大限度保留原信息的綜合變量。

1.原始數(shù)據(jù)標(biāo)準(zhǔn)化

指標(biāo)中存在部分絕對(duì)量指標(biāo)，不同維度的指標(biāo)可比性較低。為了增加數(shù)據(jù)的可比性，消除數(shù)量級(jí)對(duì)結(jié)果的影響，首先應(yīng)該進(jìn)行標(biāo)準(zhǔn)化不同性質(zhì)的指數(shù)值。

計(jì)算公式Z=(X-μ)/σ。其中：X為某一具體指標(biāo)數(shù)據(jù)，μ為平均數(shù)，σ為標(biāo)準(zhǔn)差。

2.主成分分析指標(biāo)檢驗(yàn)

對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，需要對(duì)數(shù)據(jù)進(jìn)行檢驗(yàn)，確定數(shù)據(jù)能否使用主成分分析。結(jié)果如表2。

表2 KMO檢驗(yàn)和Bartlett球形檢驗(yàn)

Kaiser-Meyer-Olkin的檢驗(yàn)系數(shù)為0.645，大于0.5；Bartlett球形度檢驗(yàn)結(jié)果顯示樣本顯著性為0.00%，小于5%。分析結(jié)果顯示適合做主成分分析。

3.提取主成分因子

對(duì)樣本進(jìn)行主成分分析，計(jì)算出各主成分的貢獻(xiàn)率和特征值，結(jié)果如表3。

表3 主成分特征值和貢獻(xiàn)率

從特征值來看，前5個(gè)主成分均大于1，并且累計(jì)方差貢獻(xiàn)率為74.877%，說明這5個(gè)主成分能夠解釋原數(shù)據(jù)74.877%的信息量，能夠很好代替15個(gè)指標(biāo)。

接著計(jì)算旋轉(zhuǎn)成分矩陣，由旋轉(zhuǎn)成分矩陣可以得出5個(gè)主成分表達(dá)式：

F1=-0.041X1-0.072X2+0.303X3-0.113X4+0.114X5-0.004X6-0.015X7-0.019X8+0.170X10-0.051X11-0.096X12+0.280X13+0.286X14+0.159X15

F2=-0.029X1-0.032X2-0.109X3+0.361X4+0.011X5+0.037X7+0.014X8+0.048X9+0.074X10+0.318X11+0.357X12-0.118X13-0.079X14+0.044X15

F3=-0.033X1-0.204X2-0.051X3+0.002X4+0.078X5+0.077X6+0.553X7+0.501X8-0.121X9+0.028X10+0.025X11+0.016X12+0.015X13-0.050X14-0.011X15

F4=-0.023X1+0.547X2-0.001X3-0.012X4+0.144X5+0.499X6-0.163X7+0.077X8-0.283X9-0.084X10-0.013X11-0.026X12-0.061X13-0.065X14+0.127X15

F5=0.612X1+0.212X2-0.096X3-0.005X4-0.240X5-0.243X6+0.071X7-0.117X8-0.367X9+0.111X10+0.008X11+0.034X12+0.161X13+0.017X14-0.412X15

(二)二元Logistic回歸模型

1.財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建

使用二元Logistic回歸進(jìn)行模型建立，其中，主成分因子為自變量，平臺(tái)2018年?duì)顟B(tài)為因變量。在本文中，如果平臺(tái)未來能正常運(yùn)營(yíng)，不會(huì)爆發(fā)財(cái)務(wù)風(fēng)險(xiǎn)，則因變量y=0，屬于正常運(yùn)營(yíng)平臺(tái)；如果根據(jù)平臺(tái)現(xiàn)有數(shù)據(jù)預(yù)示平臺(tái)未來財(cái)務(wù)風(fēng)險(xiǎn)較大，可能出現(xiàn)提現(xiàn)困難或延期兌付的狀態(tài)，則因變量y=1，屬于問題平臺(tái)。結(jié)果如下。

表4 Logistic回歸分析結(jié)果

再對(duì)其進(jìn)行Hosmer和Lemeshow檢驗(yàn)，計(jì)算出卡方為3.699，df=8，顯著性值為0.878>0.05，接受原假設(shè)，認(rèn)為該模型能很好地?cái)M合觀察數(shù)據(jù)。

由此得出回歸模型：

P(y=1)= e(-0.49-3.915F1-0.015F2-0.601F3-1.959F4-0.276F5)/(1+e(-0.49-3.915F1-0.015F2-0.601F3-1.959F4-0.276F5))

P(y=0)=1/(1+e(-0.49-3.915F1-0.015F2-0.601F3-1.959F4-0.276F5))

2.二元Logistic回歸結(jié)果檢驗(yàn)

將上文得到的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型對(duì)研究樣本進(jìn)行檢驗(yàn)分析，將計(jì)算出的預(yù)測(cè)值與平臺(tái)的實(shí)際情況做對(duì)比，得到以下結(jié)果：

表5 Logistic回歸分析判別結(jié)果

可以看出，對(duì)正常平臺(tái)預(yù)測(cè)的準(zhǔn)確率高達(dá)78.18%，對(duì)問題平臺(tái)預(yù)測(cè)的準(zhǔn)確率略低于正常平臺(tái)預(yù)測(cè)準(zhǔn)確率，但也達(dá)到72.73%，綜合來看，準(zhǔn)確率高達(dá)75.45%，高于75%，說明該模型精準(zhǔn)度較高，根據(jù)歷史數(shù)據(jù)能夠大致推斷出平臺(tái)未來發(fā)生的財(cái)務(wù)風(fēng)險(xiǎn)。

五、研究結(jié)論

目前，我國(guó)加強(qiáng)了對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)的整治工作，如果P2P網(wǎng)絡(luò)借貸平臺(tái)不能盡早發(fā)現(xiàn)存在的財(cái)務(wù)風(fēng)險(xiǎn)，并針對(duì)存在的財(cái)務(wù)風(fēng)險(xiǎn)采取正確的措施，將會(huì)面臨極大的損失。本文將2018年真實(shí)發(fā)生財(cái)務(wù)問題的55家P2P網(wǎng)絡(luò)借貸平臺(tái)和55家正常運(yùn)營(yíng)平臺(tái)作為樣本，利用其2017年的數(shù)據(jù)，使用了主成分分析法和二元Logistic回歸兩種方法，對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行建設(shè)，正確率達(dá)到75%以上，為將來P2P網(wǎng)絡(luò)借貸平臺(tái)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警體系研究有一定的參考作用。