P2P网络小额贷款信用风险的影响因素识别

张彤进 刘永亮

摘要：2018年以来，P2P网络小额贷款风险频发，严重侵害到大众投资者利益，扰乱市场经济秩序。为此，本文以人人贷为例，运用Logit模型，重点从借款人视角考察P2P网络小额贷款的信用风险及其影响因素，旨在通过理论与实证分析，识别影响P2P网络借贷信用风险的关键要素，为我国P2P网络小额信贷市场健康发展提出相关政策建议。

关键词：P2P 信用风险 人人贷

一、引 言

2018年以来，P2P网络小额贷款风险频发，严重侵害到大众投资者利益，扰乱市场经济秩序。根据网贷之家的数据，2018年2月到2018年12月，全国新增841家问题平台，累计停业及问题平台数达5410家，约占总数的84%。停业及问题平台历史累计涉及的投资人数约为215.4万人（不考虑去重情况），涉及贷款余额约为1766.5亿元，占2018年12月底行业贷款余额的比例约为22.39%。因此，亟待需要找到影响P2P信用风险发生的原因与解决对策，降低P2P网络借贷信用风险，促进P2P行业健康发展。为了更加清楚的识别P2P网贷信用风险的影响因素，本文首先借鉴现有文献，从理论上对借款人信用风险影响因素进行探讨;其次利用信息挖掘法，搜集大量样本数据，运用Logit模型进行实证分析;最后在互联网大数据的背景下，结合软信息和硬信息提出相关建议。

二、文献综述

关于P2P信用风险的影响因素研究，Iyer（2010）等人提出评估借款人信用风险的指标应包括标准的银行指标及个体特征等非标准指标。在标准的银行指标中，一般包括硬信息和经过验证的财务信息。非标准银行指标则包括软信息和未经验证的信息。Pope和Sydnor（2011）、Gonzalez（2016）研究发现借款人的年龄会影响信用评估，并且35到60岁的群体比35岁以下的借款成功率更高。袁羽（2014）基于logistic模型进行研究，认为信用等级，借款期限、借款利率对信用风险具有显著影响。李广明（2011）、刘鹏翔（2017）通过构建多元线性回归模型，发现借款人的学历越高信用风险越小。宁欣（2013）、刘峙廷（2013）通过对英国Lending Club平台2009年～2011年的数据研究分析，认为婚姻产生的社会关系使得已婚者的违约成本较高，违约率比未婚者低。王会娟等（2014）通过对“人人贷”数据分析，发现对借款者的贷款行为有较大影响的是收入认证、工作认证、视频认证和房产、车产认证等认证指标。

基于影响因素的分析，学者针对如何降低信用风险展开了探讨。Mingfeng Lin（2009）通过对Prosper平台2007年1月到2008年5月的数据研究分析认为借款人的社会资源越丰富，获得贷款的成本就越低，违约率就越低。李悦雷（2013）、Yum（2015）和闫琳（2017）认为在P2P借贷中引入对社交资本的应用能够降低借款者的信用风险。柳向东（2016）通过对“人人贷”数据分析，认为应推动建立和完善以大数据为基础的新型信用评分体系，引入用户行为的分析将对平台在信用风险控制方面起到很好的推动作用。

三、模型设定与数据

（一）模型设定

在对借款者的信用风险影响因素分析中，被解释变量为借款人信用风险。因为借款人信用风险是二值选择变量，借款人违约存在信用风险记为1，借款人履约不存在信用风险为0，故文章采用Logit模型进行分析。

根据现有文献，以及受数据可得性的影响，文章最终从三个维度具体选取借款金额，借款利率，借款期限，年龄，学历，婚姻，月收入，信用分数8个解释变量，分别记为loan，interest，time，age，education，marry，wage，score，μ为误差项。

具体的待估方程表达式如下：

（1）

（二）数据选取

目前国内P2P平台众多，如人人贷，拍拍贷，陆金所，红岭创投等，人人贷是中国最早基于互联网的P2P网络借贷信息中介机构之一，具有代表性。本文从人人贷网站共收集2012—2016年部分借款人原始数据25729条，其中借款成功的数据有9143条，有16586条借款失败。借款成功的数据中有70条被标记为坏账，有830条数据存在逾期，有4872条数据正在偿还中，有4194条数据是成功完成，有7条数据是延期的。利用R软件进行Logit回归分析。

人人贷平台上借款者的每一条数据包含ID，借款金额，利率、描述，公司规模等共计36個变量。其中，借款人的违约状况表明了借款者是否按合同履行了约定，可作为被解释变量信用风险的代理变量，记为risk。基于现有文献以及对人人贷的分析，我们选取了以下几类自变量。

1.借款者借款资产标的情况。loan：借款金额。通常情况下，借款金额越大，借款者每期所面临的还款压力也越大，会导致其违约概率增加。于晓虹（2016）和苏亚（2017）认为借款金额与违约率成正比。

interest：借款利率。借款利率也即融资成本，一方面借款利率高意味着借款者信用状况较差，需要依靠高利率吸引投资者，另一方面高利率意味着更多利息支出，借款人还款压力较大，可能会提高违约概率。王文怡等（2018）通过对HLCT平台的数据研究认为借款月利率对违约率有正向影响。

time：借款期限。一般来说，借款期限越长，债务到期之前面临的不确定性越多，借款者发生疾病等重大事件的几率也越大，风险自然也就越高，借款人违约的概率可能较大。陈卢婧和汪小燕等人（2016）认为借款期限与违约率具有较高相关性。

2.借款人个体特征。age：年龄。处于不同年龄段的人收入水平和偿还能力有很大的区别，一般年龄较小者，缺乏固定工作，收入能力较弱，对风险的偏好比较大，其违约概率可能要比年长者高一些，而年龄较大者，工作稳定，人脉资源深厚，抗风险能力较大。董梁（2016）认为借款人的年龄应作为对借款人信用风险评估的主要指标之一，与违约率呈负相关。

education：学历。一般来说，学历较高者风险意识更强，违约成本较高，违约概率相对较低。国内外的研究均表明学历对借款者的信用风险具有重要的影响。如宋利平、张利坤等人（2015）基于BP神经网络模型的研究认为借款人的学历对违约率具有较好的预测作用。

marry：婚姻。一方面夫妻双方在经济上抗风险能力较大，另一方面已婚者处于对家庭责任的考虑也会尽量避免违约，未婚和离婚者的违约概率会相对高一些。如姜岩（2014）基于BP神经网络模型对宜信、拍拍贷等平台的研究认为借款人的婚姻状况对借款人违约率具有较好的预测作用。

wage：月收入。借款人的收入水平直接反应了借款者偿还能力，收入稳定并且越高的话，其还款能力就越强，违约风险相对较小，反之则违约风险较大。唐艺军、葛世星（2015）认为随着借款人收入的提高，抗风险能力会随着增强，在借款中逾期的概率就越低。

3.借款者偿债能力。score：信用分数。首先P2P借贷平台会让借款者提供相应的资料，然后根据一定的计算规则对借款者进行评级，得出信用指数，这是平台根据实际一定理论得出的指数，一般来说，资料越详细，收入越稳定，资产越多，借款者的信用指数越高，偿债能力越强，信用风险越低。

四、实证分析

本文采用Logit模型对公式（1）进行估计，作为稳健性检验，我们还对公式（1）进行了probit回归。R软件的回归结果如表1所示。

从表1可以看出，Logit和Probit模型估计结果基本一致，仅在估计系数大小上有所差异。接下来，对Logit模型进行分析。我们发现，对违约率影响最大的是借款利率，显著正相关。这可能是因为，借款利率一方面决定了借款人偿还借款的压力，另一方面也包含着借款人的风险溢价。风险较大的借款者为了取得借款，只能提高利率对投资者进行风险补偿，而利率越大，借款人需要偿还的金额也就越多，使得借款人不能如期偿还本息。再次是借款期限，借款期限越长不确定性影响因素就越多，同时借款人承担的还款总金额就越多，会导致信用风险上升。信用分数与信用风险成负相关，与预期一致，但由于信用分数的部分指标信息是完全由借款人自主填写，平台无法核对真伪，所以估计系数并不是最高的。借款金额与信用风险成负相关，由于借款者多为资金暂时出现困难的中小企业和困难户，其借入金额并不大，在到期还本付息时若资金未及时周转，就会出现违约状况。借款人年龄与信用风险成负相关，一般来说年长者较保守，风险意识较强，更愿意遵守承诺按时还款，同时年长者一般在收入、人脉资源上相对年轻者有较多的优势，年长者的信用风险相对较低。借款者的教育程度、工作收入与借款人的信用风险成负相关，这是因为一方面借款者的学历越高，收入就会相对越稳定越高，还款能力就越强，风险意识也会相对较高，另一方面一旦违约成本会更大，高学历者高收入者会更加注重按时处理欠款。实证分析中婚姻状况并不显著，可能是由于信息不对称，借款者为了取得借款会对自己的婚姻状况进行隐瞒。

五、结论及政策建议

本文以人人贷为例，运用Logit模型，识别P2P网络小额信贷的信用风险影响因素。结果发现，借款者资产标的，包括借款金额、利率、期限等变量，个体特征，包括龄、学历、月收入等变量，以及借款者偿债能力，包括信用分数，历史表现均对P2P网络借贷信用风险有显著影响。为此，本文提出搭建完善的P2P借贷平台信用风险管理框架，完善个人信用评价体系，规范监管制度并结合互联网大数据来降低信用风险的对策建议。

第一，建立平台信用风险管理框架。鉴于P2P借贷平台在交易中所扮演的角色以及目标客户的特殊性，结合人人贷平台的实践经验和历史数据，建议建立控制P2P网络借贷平台信用风险的基本管理框架：贷前审核，贷中监控，贷后管理。加强贷前审核可以从如下几个方面进行：首先，建立信息核实系统，可与其他相关机构合作，电话，面谈等确保借款者提供的信息准确可靠。其次，建立信用合作机制，利用各个平台机构的数据库，建立一个信用合作机制能较好的降低此种风险。

第二，政府监管政策的完善。国外的征信体系较为完善，而国内征信体系发展较晚，个人信用评级是由网络借贷平台给出，而不是由专业的评级机构，因此，需要政府强化监管。首先，明确监管主体。目前很多新兴的金融机构如P2P网络借贷平台的监管主体并不明确，可成立专门的互联网金融监管部门;其次，协调相关部门制定有关个人信用评级的相关法律。政府在加强对网络借贷平台客户隐私信息的保护管理的同时要尽快将中国人民银行客户的个人信用信息与各网络借贷平台，以及各种金融机构的信用信息进行对接，最终形成完善透明的个人征信体系。

第三，利用互联网大数据建立自主信用评估体系。由于P2P网络借贷平台在我国兴起才10年，其相关信用评级体系并不完善，各平台并无统一科学的评估模型，在评估指标的选取上有些是根據经验选取;除此之外，借款人可以通过虚报、伪造自己的信息来获得较高的信用分数，导致平台的信用分数并不能完全揭露借款者的信用风险。因此，P2P平台可以利用大数据来挖掘搜集借款者的“软信息”，例如社交，消费等信息来建立自主信用评估体系。

参考文献：

[1]曹小艳.美英.P2P网络借贷监管经验及其对我国的启示[J].武汉金融，2014（9）.

[2]李悦雷，郭阳，张维.中国 P2P小额贷款市场借贷成功率影响因素分析[J].金融研究，2013，（7）.

[3]潘庄晨，邢博，范小云. 信用风险评价模型综述及对我国P2P网络借贷平台的借鉴[J]. 现代管理科学，2015（1）.

[4]王会娟，廖理.中国网络借贷平台信用认证机制研究[A].中国工业经济，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）.

基金项目：本文是天津市哲学社会科学规划项目（批准号：TJYJQN18-004）的阶段性研究成果。

（张彤进单位：天津商业大学经济学院;刘永亮单位：对外经济贸易大学保险学院）