我國互聯網消費金融風險管理研究

摘要：文章采用Logistic模型對金融機構信用風險進行檢驗，針對互聯網消費金融公司信用風險展開驗證，通過對借款人歷史信用記錄進行研究，并對其違約原因進行了量化，確定了在貸款前期應當重點關注的指標，以達到減少違約率的目標。最后，在平臺、政府、消費者、人才培養四個層面的共同作用下，為互聯網消費金融公司風險控制提出建議。

關鍵詞：互聯網消費金融；風險因子；風險防范

一、問題的提出

根據中國銀行業協會發布《中國消費金融公司發展報告（2022）》顯示，在全國范圍內，消費金融公司的數量不斷增長，截至2021年年末，數量已達到30家，貸款余額突破7000億元。然而由于金融市場的特殊性及目前我國對互聯網消費金融監管的不足，暴露出該行業潛藏著巨大的信用風險、操作風險、技術風險及市場風險等。因此，如何進行防范風險，面對困難與挑戰，成為我國互聯網消費金融公司面臨的一個迫切需要解決的課題。

20世紀80年代后期，國外就開始嘗試探索互聯網消費金融領域，隨著互聯網技術不斷成熟，涉及的相關領域也更加廣泛，De Roure等（2018）建立了理論模型，解釋P2P和商業銀行在市場上的競爭關系。Tang（2019）認為P2P借貸在借貸服務方面取代了商業銀行的長期客戶，而商業銀行則補充了小額信貸。Xu等（2020）以互聯網金融風險要素構建了互聯網金融風險系統網絡，并將整個金融體系劃分為互聯網金融子網、監管子網和傳統金融子網，探討了不同風險因素之間的相關性，認為風險是通過互聯網金融的內部循環影響的。Qi等（2020）采用隨機森林算法和神經網絡算法對互聯網金融的風險進行分析，指出信用風險和個人信息風險是互聯網金融未來發展中最重要的因素。國內主要集中在互聯網金融定義、影響因素、風險度量的模型等方面的研究，孫森、王玲（2014）使用KMV模型與Logit模型相結合，有效評估了企業違約的可能性。林江鵬、華良晨、姜雯（2016）運用因子分析法建立Logit模型，對我國中小企業信用評級質量進行檢驗。王家華，朱賢明，孫俊磊（2022）以人人貸的借貸記錄為樣本，構建二元Logit模型對借款人信用風險進行度量和預測。本文采用Logistic模型對金融機構信用風險進行檢驗，來預測互聯網消費金融企業的信用風險，以期對我國互聯網消費金融公司風險管理有所幫助。

二、我國互聯網消費金融發展現狀

（一）互聯網消費金融行業的發展現狀分析

1. 市場現狀

2020年我國消費金融公司資產規模達5246.49億元，行業發展進入強監管階段，市場規模增速減緩。2021年我國互聯網消費金融行業的放款規模達20.2萬億元，較2020年增長18.13%，余額規模為5.8萬元，同比增長了9.4%。

2. 線上支付規模

互聯網在線支付模式的便捷得到了廣泛的認同，因此，在日常生活中，用戶在進行付款時，會更多地采用電子支付，這也是消費金融與用戶的生活相融合的一個主要表現。中國互聯網絡信息中心（CNNIC）最新發布的統計報告顯示，截至2022年12月，我國網民規模為10.67億，居全球第一，同比增加 3.4%，互聯網普及率達 75.6%。其中，農村網民規模為 3.08 億，占網民整體的28.9%；城鎮網民規模達7.59億，占網民整體的71.1%。2021年中國網上支付業務金額達2353.96萬億元，較2020年增加了179.42萬億元，同比增長8.25%。

3. 金融結構

隨著新農村建設的持續發展，農民對金融服務的需求日益增長。商務部數據顯示，2022年年初，全國網絡零售店鋪數量達2200.59萬家，其中，農村網商、網店數量達1632.5萬家，農村網店占全國網店的比重達74.2%。2021年，全國農村網絡零售額達2.05萬億元，同比增長11.3%，增速加快2.4%。消費金融以“互聯網+”模式創新金融產品和服務方式，解決農產品營銷和網購難題，為新農村建設提供了全新的金融服務渠道，互聯網消費者金融的結構由此得到了進一步改善。

（二）互聯網消費金融行業的發展問題

1. 負債端融資渠道單一

報告披露數據顯示，截至2021年年末，消費金融公司融資總額6351.45億元，較2020年年末增長49.70%，從融資結構看，同業借款仍然為消費金融公司資金融入的主要渠道，占融資總額的比重在75%以上，其他融資渠道融入資金占比相對較高的包括股東存款（占比約10%）、發行金融債券（占比約4%），發行資產證券化的融資余額僅占融資總額的1%左右。

消費金融公司資金融入對同業借款渠道依賴程度仍較大，通過發行金融債券以及ABS進行市場融資難度上升，近年來銀團貸款成為募資新途徑但整體規模不高；考慮到資產端業務擴張為負債端資金融入帶來的壓力，以及消費金融公司普遍存在市場議價能力較弱的客觀因素，消費金融公司資金融入渠道仍有待拓寬。

2. 產品同質化嚴重

互聯網消費金融發展之初，各企業都業務為先，每天思考如何創新，靠什么業務來吸引并不斷轉化，提高用戶黏性，搜狐和新浪在努力做新聞，阿里在認真搞電商，美團集團在積極做外賣，百度在專注做搜索等。然而，據不完全統計，當前所有的互聯網企業如阿里、騰訊、百度、360、美團、京東、去哪兒、攜程、今日頭條、餓了么、微博、58同城等都在開展放貸或助貸業務。

3. 征信體系發展不健全

互聯網消費金融是一個由資本、平臺、風控、風險控制部分和信用等幾個要素組合而成的生態系統，其中個人信用提升系統的發展是互聯網消費金融的核心基礎設施。目前我國信用體系的不健全且失信懲戒機制不完善，互聯網消費金融企業面臨發展行業高風險、不良貸款增加和多頭借貸等阻礙。然而高效的制度是市場經濟的基礎，完善的失信懲戒機制能促進經濟中人們“逆向選擇”和“道德風險”的合理框架。

三、我國互聯網消費金融風險因子分析

（一）信用風險

1. 征信系統的覆蓋面窄

大多數的互聯網消費金融征信體系還沒有與中央銀行的征信系統相銜接，導致了征信信息難以有效實現資源整合、實時共享互通有無。中國人民銀行征信中心最新消息指出，截至2022年1月月末，央行征信系統共計納入了11.3億個人信息。目前，我國尚未擁有信用卡或其他信用類型的人口約為4億人，央行征信系統無法涵蓋所有人群。為了減少企業的風險，需要建立多維度的征信體系。

2. 網絡的虛擬和金融市場的不透明性

網絡的虛擬性和金融市場的不透明性使得消費者容易隱藏失信行為或編造虛假信息，導致了信息的不對稱和信用評估的困難。在競爭日益加劇的互聯網消費市場，部分不具競爭優勢的互聯網企業為提升經營績效，常常會對一些有潛力的“利基”客戶給予超額信貸，使得客戶得到超出自己承受范圍的消費信貸配額，進一步導致我國居民的杠桿率急劇上升。2019年第三季度末，我國的居民杠桿率為54.6%，與發達國家的72.2%相比仍有很大的差距，且我國的居民杠桿率增長速度僅次于韓國。當世界主要發達國家的杠桿率都在下降時，我國的居民杠桿率卻在三年的時間里上升了7%。從官方統計資料分析來看，我國互聯網消費金融行業存在著巨大的風險隱患。

（二）操作風險

隨著互聯網金融的迅速發展，以移動支付為基礎的支付方式，已成為一種趨勢。與此同時，它的安全性問題也逐漸被人們所關注，其原因在于，網上申請、網上操作、網上還款等一系列互聯網消費金融服務都在移動終端上進行的，而對移動端的操作則成為直接導致風險產生。

1. 消費者操作風險

根據艾瑞咨詢2018-2022年度《中國移動支付市場調研報告》數據顯示，2016年全國移動支付金額僅為157.55萬億元，2020年為432.16萬億元，與之同期相比，同比增長24.50%，在2022年，在線支付應用的交易額達到了歷史最高水平，數字人民幣的試點工作也在穩步推進。最新數據顯示，2021年第三季度，我國移動支付金額累計達到了126.81萬億元，與2020年同期相比，下降了13.44%。據不完全統計，有近30%的消費者表示曾由于不了解貸款流程或手誤等原因造成借貸金額出錯、申貸流程顛倒等難以挽回的損失。

2. 機構操作風險

平臺操作性風險主要是因為不完善或有問題的內部程序、人員、系統及外部事件所造成損失的風險，而主動識別、評估、控制或緩釋、監測和報告的過程，借助操作風險管理的相關工具可以對操作風險進行有效管理。

（三）技術風險

互聯網金融為人們的日常交易提供了便利，但也存在一些潛在的安全危機。如公用通信線路的癱瘓、供應鏈的破壞、計算機設備的失靈、惡意代碼的傳播、黑客的入侵等，其中黑客技術是隨著科技的發展，而不斷發展更新。因此，在疫情防控常態化背景下，消費金融行業將面臨更多挑戰，消費金融公司在數據合規方面更需進一步落實個人信息保護要求，構建完善、可信賴的信息安全防御體系，為金融消費者提供更加安全、可靠、便捷的金融服務。

（四）外部風險

1. 法律風險

外部風險的產生主要表現在法律法規存在著內生性的滯后性。盡管國家近年來在金融領域的政策變化不斷，但仍存在著嚴重的滯后現象，特別是與這些新型的金融產業相關的法律法規、行業監管政策、會計政策和稅收政策仍不夠完善，對金融企業經營發展缺乏有力的保障。一些金融機構利用法律漏洞，不重視風控、數據不實，都為互聯網消費金融風險埋下了隱患。

2. 監管風險

雖然我國對金融創新活動中的資產管理產品、信托投資產品和理財產品等領域進行了統一監管，但是對其中的一些特殊業務則缺乏監管。如我國在金融創新產業領域主要由銀保監會和證監會進行監管，而在實際的監管過程中，銀監部門更多地將精力放在了對銀行業的監管上，這就導致了監管部門缺乏對整個金融市場進行統一監管的意識。同時，金融市場缺乏統一的信息披露制度。由于我國證券市場還不夠成熟，上市公司和證券公司之間缺少一套完整、科學的信息披露制。在這樣一個不規范、不透明的信息披露制度下，投資者很難對上市公司和證券公司進行有效的監督，金融創新活動中一些市場主體出現了很多違規行為，這也導致金融創新產業存在著巨大風險。

四、互聯網消費金融信用風險模型分析

（一）風險因子選擇與數據選取

我國征信體系和監管體系不健全，受主觀因素影響的信用風險難以防控，信用風險成為互聯網消費金融五類風險中最難防范和防控的風險。本文選取部分Kaggle網站中“Give Me Some Credit”競賽數據，數據由國際投資公司Home credit-捷信提供。

（二）模型選擇

采用二元logistic回歸，設置自變量X與因變量Y，研究X自變量對于Y因變量的影響，且Y為二分類數據，驗證是否違約來衡量信用風險。其次，函數定義域為實數域，而值域為[0，1]，正好對應概率區間，也滿足概率分布P為[0，1]的定義。計算方法可復制到互聯網消費金融平臺風控模型。

對于n維數據，實數變量x，記為x=（x1，x2，…，xn），考慮線性關系式：

g（x）=w1x1+w2x2+…+wnxn=wtx（1）

對于sigmoid函數，根據已有定義：

f（x）=■（2）

對于sigmoid函數，根據已有定義：

ln■＝wtx（3）

令f（x）為后驗概率P（y=1|x），代入上式得：

ln■=ln■=wtx（4）

因此，本文中的違約概率可以刻畫為：

P（y|x，w）=[f（x）]y×[1-f（x）]-y（5）

為每個觀測yi～b（1，f（x））時的分布表達式。可以得到其極大似然函數為：

L（w）=∏■■[f（xi）]■×[1-f（x）]■（6）

因此，對數極大似然函數為：

lnL（w）=∑■■yiln[f（xi）]+（1-yi）ln[1-f（xi）]（7）

為得到w的參數估計，對上式求偏導，得：

■=∑■■xik[f（xi）-yi]=0（8）

本文描述梯度上升法的求解過程：

梯度上升法的求解迭代公式為：

w=w+α▽lnL（w）（9）

其中，

▽lnL（w）＝■（10）

設損失函數為E＝f（x）-y，可得：

w=w+α∑■■xik[f（xi）]-yi=w+αXTE]（11）

比可求得W1，W2…Wn。

得到參數估計后可以得到Logistic 回歸表達式：

P（y=1|x）＝■（12）

通常情況下，P（y=1|x）lt;0.5時預測值y=1，P（y=1|x）lt;0.5時預測值y=0。

（三）實證分析

1. 變量說明表

選取信貸余額，年齡，逾期30～59天，60～89天，90天以上的次數，債務比例，每月收入等影響信用風險的變量（見表1）。

2. 描述性統計

為建立邏輯回歸模型，方便數據統計，做如下假設，自變量分別為default，Credit ratio， Age， defa30～59…Dependent。本文研究主要變量的樣本容量、標準差、最值。如表2所示。

表2中選取了150000個樣本容量，其中有關Monthly income為120296個樣本，Dependent146076個樣本，從年齡來看平均年齡約為52歲，年齡最大為109歲，說明在樣本中存在有部分無收入的未成年人或老年人；也有部分不需要承擔家庭支出負擔的人群；其他樣本容量均為150000，數據上看，能夠體現一定的普遍性，增強結果的可信程度。

3. 皮爾遜變量相關分析

假設自變量default，Credit ratio，Age，defa30～59…Dependent，分別為X0， X1，X2，X3…X9。根據變量進行相關分析。Credit Ratio[X1]變量為-0.002，相關性不顯著。一方面，從宏觀來看，隨著互聯網消費金融的發展，可選擇的信貸平臺增多，信用卡不再是唯一的選擇；另一方面，從行為金融角度分析，當市場主體收入越高時，能夠還清信用卡的概率增加，可能越不容易違約，因此文中模型中暫不考慮該變量因素。變量逾期30～59天的次數[X2]，其相關系數是0.126***，在1%的顯著水平上差異顯著，說明逾期30～59天的次數變量與是否違約相關。

4. Logit回歸模型

根據*plt;0.1，**plt;0.05，***plt;0.01可知，通過logit回歸后的結果，得出每個自變量對因變量的系數和顯著性情況。此處模型檢驗的原定假設為：是否放入自變量（default，Credit ratio， Age， defa30～59…Dependent）兩種情況時模型質量均一樣；這里p值均小于0.05，因而說明拒絕原定假設，即說明本次構建模型時，放入的自變量具有有效性，本次模型構建有意義。

（四）數據總結

1. Defa30～59、Defa60～89和Defa90

變量違約天數在30～59天、60～89天、90天以上的系數分別為0.4978***，-0.9070***，0.4460***，從違約天數在30～59天與違約天數90天以上的系數來看，二者與是否違約均存在顯著的正向影響，說明借款人在這兩個時間段逾期次數越多，違約率越高；而拖欠60～89天的次數越多，其違約概率越低。

2.Age

年齡的相關系數為-0.0255***，負向影響顯著，說明年齡越大，違約的可能性逐漸降低。首先，年輕人一般表現得更激進，為滿足高消費需求，通常會選擇借款，甚至放貸，使自己陷入債務危機。但是，大部分老年人的收入來源少且金額不高，再加上他們生活習慣節儉，無較大消費支出，因此對貸款的需求比較低，進而違約概率也相應降低。

3. Debt ratio和Monthly income

變量借債比例的相關系數為-0.0015***，變量月收入的相關系數為-0.00004***，均呈現負相關關系，說明收入越高，借債比例越低，越不容易違約。同時，高收入的群體還款能力更強，當其擁有每月的工資和存款時，其違約概率更小，出現破產的概率越小。另外，這與債務比率也有關，月工資較高時，債務比率較小，違約率也會隨之降低。

4. Estate和Dependent

數據顯示，變量抵押貸款的相關系數為0.07667***，變量是否撫養家庭的相關系數為0.10341***，二者均是正相關顯著關系，后者相關性更強。由此發現，在日常的生活中，老人、兒童及無收入的伴侶都是需要由有收入的人群來供養的，此時這類人群財務壓力較大，那么抵押貸款的概率就會更大，反映了違約概率更高的特征。

（五）Logit模型預測判斷

根據數據分析，樣本空間中316個樣本借款人，確實違約了的概率大于50%，111678個樣本借款人不發生違約的概率小于50%，模型準確率高達93.12%。

五、研究結論與啟示

（一）建立平臺風控數據庫

1. 加快構建風險數據體系

充分發揮大數據平臺優勢，通過引進現代技術，構建一套科學、高效的個人信用評定體系，與中央銀行信用信息系統對接，保證用戶的個人信貸信息的透明度。

2. 實行以風險管理為中心的策略

將風險的控制和預防放在首位，使風險管理工作滲透到各個環節，實施事前、事中、事后的高效的監管體系，完善企業風險管理機制，樹立正確的風險管理理念，促進互聯網消費金融行業健康持續發展。

（二）加大對消費者監管力度

1. 建立高精準用戶畫像

用戶畫像與應用大數據技術可對客戶分類，精準地發現客戶類型，對用戶所進行的個人信用評價，避免各類風險，實現“數據驅動業務與運營”。同時，使用大數據來評價用戶的資信水平，對用戶進行全方位的數據分析，建立一個全面、精準、高效的用戶畫像，可以更好地識別和把握用戶的信用水平，匹配對應的授信額度及信貸利率。

2. 加強風險宣傳教育

加強誠信觀念的宣傳和教育，使消費群體知道了解自己的權益和責任，認識到可能存在的危險。身為消費金融平臺，可以利用大數據與商戶進行溝通，讓他們在寄出貨物的時候，附帶一份誠信理念倡議書，進行宣傳和教育，并對他們進行積極的引導，從而防止他們有逾期或者是被人惡意拒還的情況出現。

（三）提高政府風險控制能力

進行風險管控，應該充分考慮經濟、社會、政治等因素，綜合考慮可能出現的各種風險，建立完善的風控制度，完善市場監管體系，加強財政政策、貨幣政策等財政政策的實施，加強對市場行為、金融市場的監管，以及加強金融機構對社會經濟發展的支持。

1. 加強對高風險性的理財產品的監管

通過大數據、云計算等新的方式，完善和優化互聯網征信體系，網絡征信體系可以在多個領域中得到廣泛推廣和應用，實現多領域的信用信息的有效利用。同時，加強金融監管機構內部的分工與協調，明確各自的職責和權限范圍。提高金融監管機構的專業性，有利于維護金融系統的穩定，防范化解金融風險。

2. 完善相關法律， 創造良好的借貸環境

目前，互聯網消費金融還在繼續高速發展，有關政府和監管部門需要對其進行適當的引導。如果金融環境存在問題，要及時加以遏制和處理。此外，要出臺相關的法律法規，以保證監管規定的時效性。

（四）培養高水平風控人才

1. 專業素養

自主有序擴大金融對外開放，培養更多高水平的風控人才。鼓勵優秀風控人才參與到企業產品研發、銷售等業務全流程，進行金融風險管控，提升金融機構應對潛在金融風險的管理水平，幫助企業規避潛在的金融風險。

2. 道德水平

注重對人才隊伍的培養，防止出現違背金融規范的犯罪，保證網絡消費金融活動的有序進行。金融機構要長遠穩健發展，離不開“法律、法規、監管和標準”，只有培養出道德水平與專業素養兼具的人才隊伍，才能更好地引領互聯網消費金融產業更好發展。

參考文獻：

[1]De Roure C，Pelizzon L，Thakor A V.P2P lenders versus banks：Cream skimming or bottom fishing？[J].Social Science Electronic Publishing，2018.

[2]Tang H. Peer-to-peer lenders versus banks： Substitutes or complements？[J].The Review of Financial Studies，2019，32（05）： 1900-1938.

[3]Xu R，Mi C，Mierzwiak R，et al. Complex network construction of Internet finance risk[J].Physical A：Statistical Mechanics and its Applications，2020， 540：122930.

[4]Qi S，Jin K，Li B，et al.The exploration of internet finance by using neural network[J].Journal of Computational and Applied Mathematics，2020，369：112630.

[5]孫森，王玲.基于KMV-Logit模型的上市公司違約風險實證研究.財會月刊，2014（18）：64-68.

[6]林江鵬，華良晨，姜雯.我國中小企業信用評級質量檢驗的實證研究——基于因子分析模型和有序Logit模型的分析[J].金融理論與實踐，2016（01）：23-27.

[7]王家華，朱賢明，孫俊磊.基于Logit模型的互聯網消費金融企業信用風險度量研究[J].工程經濟，2022，32（02）：28-35.

（作者單位：寧夏理工學院經濟管理學院）