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

肖曼君+歐緣媛+李穎

摘 要：P2P（peertopeer）網絡借貸是一種借助網絡平臺，由個人與個人間互為借貸雙方的小額借貸交易。它作為互聯網與民間借貸相結合的新興金融模式，具有較高的信用風險。采用排序選擇模型，基于excelVBA數據挖掘技術截取多個P2P網站數據，對平臺信用風險的影響因素進行實證分析，結果表明：個人特征、信用變量、歷史表現、借款信息分別對網絡借貸信用風險存在正向影響，由此發現網站提供的信息對投資者避免信用風險沒有起到實質作用。

關鍵詞： P2P網絡借貸;信用風險;互聯網金融;排序選擇模型

中圖分類號：F821.0 ? 文獻標識碼： A ? ?文章編號：1003-7217（2015）01-0002-05

一、引 言

隨著以互聯網為代表的現代信息科技的發展，互聯網金融模式已經成為既不同于商業銀行間接融資、也不同于資本市場直接融資的新興金融融資模式，而P2P網絡借貸成為互聯網金融模式的主要代表之一^[1]。P2P網絡借貸又稱人人貸，是將非常小額度的資金聚集起來借貸給有資金需求人群的一種商業模式。P2P網絡借貸起源于歐美，2005年3月，最早的P2P網絡借貸平臺Zopa在英國開始運營。自從2007年拍拍貸在上海成立以來，這種全新的借貸模式進入了我國金融市場。在中國經歷6年多的發展，P2P網絡借貸已經初具規模，近兩年更是呈爆炸式增長勢態。典型的P2P網絡借貸平臺有拍拍貸、人人貸、紅嶺創投、宜信等，平臺工作原理如圖1所示：

圖1 P2P借貸平臺工作原理

P2P網絡借貸作為互聯網與民間借貸相結合的新興金融模式，為普通人提供了一種新的投資方式。由于當前國內的網絡借貸體系并不健全，相關的監管措施還不完善，是否能夠有效控制信用風險成為影響P2P網絡借貸發展的關鍵。目前，P2P網絡借貸平臺主要運用信用評分模型進行信用風險管理。平臺通過可觀察到的借款人特征變量計算出一個數值來代表借款人的信用風險，并將借款人歸類于不同的風險等級，以此作為分析借款人信用風險的主要方式。在網絡借貸平臺中，可觀察到的特征變量主要包括人口特征、信用變量、歷史表現、借款信息等。平臺通過對這些數據進行打分，最后加總分數按一定的標準評出信用等級，作為借款人信用風險的評價依據。本文將通過研究幾家P2P網站數據（人口特征、信用變量、歷史表現、借款信息）對其信用風險進行實證研究，分析網絡借貸平臺信用評分模型是否能對信用風險管理產生實質性作用。

二、文獻回顧與理論分析

P2P網絡借貸作為新生事物，吸引了眾多研究者的關注，國內外學者對其進行了大量的研究，從最初的P2P網絡借貸起源與現狀、特征、經營模式，到后面的積極作用與消極作用、發展趨勢等方面，而近幾年則將目光集中在了網絡借貸的信用風險上。

（一）網絡借貸信用風險分析

早期的P2P網絡借貸信用風險研究表明，平臺中借款者的特征差異不大，但是信用風險卻很顯著。Herzenstein et al.（2008）和Pope and Sydnor （2011）認為，P2P網絡借貸平臺是由投資者個人而非借貸平臺篩選確定借款人是否值得信賴，因此，更容易出現借款人通過虛假陳述騙取借款的情況，即網絡借貸的風險更大^[2]。Michaels（2012）通過對Prosper網站上的數據分析，發現網絡借貸平臺責任的缺失使網絡借貸市場運行有效性下降，因而帶來較大的風險^[3]。Sufi（2007），Michael Klafft（2008）認為，如同在金融市場中一樣，網絡借貸市場也存在信息不對稱，此外，由于投資者缺乏經驗，網絡環境下貸款的信用風險更高^[4]。Lee et al.（2012）研究韓國最大P2P平臺上的“從眾行為”發現，“從眾行為”導致網絡借貸信用風險加大，即信息不對稱現象非常嚴重，往往還會導致道德風險^[5]。

在國內，近幾年來由于網絡借貸平臺資質良莠不齊，發展模式并不規范，帶來很大的信用風險^[6]。陳初（2010） 也認為，P2P平臺可能泄露重要的信息，加之貸款用途難以核實，信用風險很大^[7]。由于網絡借貸平臺作為交易平臺，實行的是無擔保無抵押，缺乏擔保的P2P借貸會使債權人的風險增加^[8]。

（二）網絡借貸信用風險管理

信用風險管理就是通過有效的方法對信用風險進行分析、防范和控制，使風險貸款安全化，確保本息的收回。借貸平臺信用風險管理水平決定了自身的生存和發展，也對金融體系的穩定與發展產生巨大影響。

財經理論與實踐（雙月刊）2015年第1期2015年第1期（總第193期）肖曼君，歐緣媛等：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

國外的信用風險管理體系發展較早，在實踐和理論上已經形成相應的體系，不少學者的研究主要集中在如何使投資人更好地掌握借款人誠信信息以及怎樣通過借貸平臺自身機制有效緩解信息不對稱等方面。Freedman and Jin（2008）發現，雖然投資者由于信息不對稱問題面臨著逆向選擇的風險，但網站上提供的資料信息可以在一定程度上幫助識別潛在的信用風險^[9]。Lin et al. （2009）也指出社會互動作為一種軟信息資源，能夠一定程度上降低信息不對稱和道德風險^[10]。Harpreet Singha（2009）使用決策樹對不同期限、風險配置的投資進行研究，認為目前主要是通過多樣化投資來降低信用風險^[11]。

國內的P2P網絡借貸模式尚處于起步階段，信用風險管理體系不健全，大多數平臺只是依據自身情況建立了基于專家判斷法的信用評分模型，但由于此模型的預測能力沒有通過系統驗證，在實際業務中的應用實效大打折扣^[12]。可見在我國個人信用體系缺失的情況下，國內網絡借貸平臺的信用評級對信用風險控制的作用并不大^[8]。此外，李悅雷（2013）認為借貸中人際關系的應用能降低金融交易的風險和成本^[13]。陳初（2010）則認為可把從事網絡借貸業務的網站界定為民間借貸中介組織，即可將網絡借貸納入相關的監管系統^[7]。

綜上所述，學者主要是基于理論對P2P網絡借貸信用風險進行分析，或者定性分析當前P2P網絡借貸的信用風險管理，而對網絡借貸平臺信用風險影響因素的實證研究較為缺乏。因此，本文擬從P2P網絡借貸平臺的內部視角，運用平臺具體數據，對網絡借貸信用風險的影響因素進行實證，分析網絡借貸平臺的信用風險管理體系是否能有效控制信用風險，并提出控制網絡借貸信用風險的政策建議。

三、實證分析

（一）數據選取

本文基于VBA開發環境，采用XML Http Request方法。網絡借貸平臺的貸款頁面URL（Universal Resource Locator）具有一定的規律，即每筆貸款都按照借款時間通過編號排列順序，URL的結尾都是以貸款編號結束，我們正好利用這一特點，通過固定編號獲取大量貸款數據。將需要的貸款編號列入Excel中的第一列，然后利用VBA函數讀取編號對應的網頁。將網頁轉換為文本格式以后，由于需要的數據都出現在頁面的特定位置上，VBA函數通過定位關鍵字，將對應變量的具體數據采集到Excel表格對應的其他列中。通過不斷地讀取對應網址頁面，本文對拍拍貸編號為220000～319999以及人人貸中編號為120000～179999的借款數據和相應的借款人信息進行以下收集。

主要從人口特征、信用變量、歷史表現和借款信息四個方面選取網絡借貸信用風險影響因素的變量（見表1），即：從拍拍貸及人人貸網站平臺上提取的數據，刪除一些缺失數據以及審核未通過數據，從拍拍貸網站得到了61944組有效數據，其中存在信用風險的用戶數據共有3360組，違約率達到了5.42%;從人人貸網站得到了59972組有效數據，提取其中存在信用風險的數據810組，違約率為1.35%。對數據中借款人的基本人口特征進行初步分析，結果如表2、3所示。

從表2、3的數據可以初步判斷，具有信用風險的借款人性別主要以男性為主，無論是占樣本比率還是占逾期比率，男性借款人逾期概率都要遠遠高于女性;年齡方面，26～31歲的逾期人數占到總逾期人數的比率明顯高于其他年齡段，且隨著年齡的增加，違約概率呈明顯降低趨勢。

（二）模型選擇①

類似于二元選擇模型，假設潛在變量y與解釋變量x存在線性關系y*i=x*iβ+u*i ， i=1，2，3，…，N，其中ui是獨立同分布的隨機干擾。觀測變量yi的等級與潛在變量的關系如下：

總共有M+1個等級，觀測到yi位各個等級的概率為：P（yi=0）=F（c1-x′iβ），P（yi=1）=F（c2-x'iβ）-F（c1-x′iβ），…，P（yi=M）=1-F（cM-x'iβ）。

模型采用極大似然法估計，其中，c1，c2，…，cM是M的臨界值，作為參數和回歸系數一起估計。

從人口特征（age、gender）、信用變量（credit）、歷史表現（success、fail）和借款信息（rate、time）四個方面實證研究，其具體的待估計方程表達式為：

從結果可以看出，除了age不夠顯著（P值<10%，呈負相關）以外，剩下的變量fail、gender、credit、success、rate和time對于信用風險的影響都很顯著（P值<5%，呈正相關）。正如Iyer et al. （2009）發現的，信用變量、歷史信用等對信用風險有相關影響^[14]。而Freedman and Jin（2008）也發現，高利率的借款人通常具有較高的信用風險^[9]。人人貸中gender、success不夠顯著，可能是因為人人貸網站中具有信用風險的用戶較少，人口特征和歷史表現無法在一定程度上反映信用風險。

圖2 拍拍貸（左）與人人貸（右）信用風險概率預測

排序選擇模型是概率模型，由于有多個等級，圖2為觀測到的屬于各個等級的概率預測，每個觀測都是對應信用風險等級的概率預測，并且概率之和為1。從圖2看出，基本各個風險的概率處于穩定。

以上分別從人口特征、信用變量、歷史表現和借款信息四個方面對信用風險的影響進行了研究，結果發現：

1.人口特征（age、gender）對信用風險的影響都較為顯著，說明人口特征對網絡借貸過程中的信用風險具有一定的影響。從表2和3中也可以看出，在具有信用風險的借款人中，男性的比率遠遠高于女性。由于P2P網絡借貸依托于互聯網，參與用戶體現出年齡較小的趨勢，但是年輕的用戶經濟基礎較為薄弱，經濟來源也不太穩定，往往容易出現資金短缺的情況，信用風險較高;年齡較大的用戶社會資源豐富，經濟來源也較為穩定，信用風險就相對較低。

2.信用變量（credit）中，認證等級是網站對用戶各項資料進行評分，然后加總起來得到的信用評級。理論上，認證等級越高信用風險就越低，但實證結果顯示，認證等級與信用風險正相關。網站上的認證分僅僅只是對一些基礎信息打出的分數，如身份證、學歷、視頻等認證，但平臺往往無法保證其真實性，所以，網站由于自身能力有限而無法達到控制信用風險的預期效果，即平臺的信用等級評分對用戶避免信用風險起到的作用不大，有時還導致一些反效果。

3.歷史表現（success、fail）中，失敗和成功的次數都是用戶在平臺的活躍程度。成功的次數越高，說明在此次借款之前，借款人都按時完成還款，即信用等級很高，但對某些人來說，成功的次數只是為了提高自己的信用，最終借到需要的金額，所以與信用風險呈正相關。失敗的次數多，說明借款人的信息無法給投資者安全感，即被大多數投資者認為具有較高的信用風險，在借款成功后出現違約的可能性更大，即失敗次數與信用風險負相關。

4.借款信息（rate、time）中，優質的借款者往往難以提供足夠高的收益率，即利率與信用風險呈正相關。還款期限也和風險呈正相關關系，在網絡借貸平臺上的借貸行為，由于沒有人際關系作為潛在的信用保障，一筆投資無疑是時間越短，所要面臨的信用風險就越小。時間越長，投資者的相對風險就越大，因此，時間成為正向影響信用風險的顯著因素。

從以上的數據分析以及實證中發現，網站對于借款人的信用評分對信用風險管理并沒有起到實質性作用，評分高的用戶依然具有較高的信用風險。網站為滿足借款人的資金安全性要求，在借款滿額后進行內部審核，但是內部審核主要也是以信用評分為基礎，對防止信用風險效果不大。出現逾期現象后，平臺對借款人實行本金保障制度，但在監管缺失的情況下，由于沒有特定的維權部門，逾期還款的追討難度很大，而風險儲備池的資金有限，加大了平臺的經營風險，所以，單靠平臺本身無法對信用風險進行有效管理。

四、結論與政策建議

在傳統的借貸模式中，銀行等金融機構承擔了審貸和管理的角色。由于銀行有借款人的詳細信息，同時也掌握復雜的風險評估方法，因而能相對較好地消除借貸過程中的信息不對稱。而在P2P網絡借貸環境中， 出借人幾乎無法掌握借款人的真實情況，信息不對稱問題非常嚴重。以上實證發現，網站中所提供的信用數據，對防范信用風險沒有起到實質性作用，即單靠網站來解決信用風險是不夠的。

為了有效控制網絡借貸信用風險，需要從以下幾個方面進行努力：（1）在平臺外部，政府應確立專門的監管體系，規范網絡借貸平臺運行機制，明確網絡借貸中網站、借款人、貸款人和監管方的權利和義務，尤其要注意維護用戶的合法權益（如知情權、隱私權等），制定平臺用戶信息安全保障的具體內容，最大程度地使網絡借貸安全有序進行。同時，要構建客觀全面的客戶信用評級體系，將網絡信用的數據與人民銀行的個人征信系統結合起來，實現統一的信用體系，達到控制風險、促進網絡借貸有序發展的目標。（2）在平臺之間，也要開展相互合作，各網絡借貸公司可以聯手打造“公共網絡平臺”，在該平臺發布借款、還款記錄以及用戶評價等信息，完善風險控制機制，實現網絡借貸健康發展。（3）在平臺內部，網絡借貸平臺應建立全面的風險管理體系與完善的網絡借貸檢測體系，對借款期限、借款利率、歷史信用、償還情況和用途說明等因素進行全面有效的監測，同時，網站必須定期向監管部門提交數據報表。通過各方面的努力，最終使P2P網絡借貸達到控制風險，健康有序發展的目標。

注釋：

①本文采用排序選擇模型（ordered choice model）方法進行實證分析。它是由Aitchison and Silvey（1957）提出的排序響應模型，通過可觀測的有序反應數據建立模型來研究不可觀測的潛在變量變化規律。

參考文獻：

[1]謝平，鄒傳偉.互聯網金融模式研究[J]. 金融研究，2012，（12）：11-12.

[2]Devin G.Pope， Justin R.Sydnor J. R. Whats in a picture？ evidence of discrimination from prosper[J].Journal of Human Resources，2011，（46）： 53-92.

[3]Michaels，J. Do unverifiable disclosures matters？ evidence from peertopeer lending[J].The Accounting Review，2012，87（4）：36-41.

[4]Michael Klafft .Peer to Peer Lending： Auctioning Microcredits over the Internet[A]. Proceedings of the International Conference on Information Systems[J]. Technology and Management， 2008，（2）：1-8.

[5]Eunkyoung Lee， Byungtae Lee， Myungsin Chae. Herding behavior in online P2P lending：an empirical investigation [J]. Journal Electronic Commerce Research and Applications， 2012，11（5）：495-503.

[6]王興娟.小微企業融資背景、困境及對策[J].學術交流，2012，（7）：118-121.

[7]陳初.對中國“P2P”網絡融資的思考[J].人民論壇，2010，（26）：128-129.

[8]李愛君.民間借貸網絡平臺法律制度的完善[J].福州大學學報（哲學社會科學版），2011， 25（6）：107-113.

[9]Freedman & Jin.Do social networks solve information problems for peertopeer lending[J].Evidence from Prosper. com. NET Institute Working Paper No， 2008， （2）：08-43.

[10]Lin M， N. Prabhala and S. Viswanathan .Judging borrowers by the company they keep：friendship networks and information asymmetry in online peertopeer lending[J]. Management Science，2013，59（1）：17-35.

[11]Singh， Gopal， Li. Risk and return of investments in online peertopeer lending[R].Harpreet Singh，Ram Gopal，Xinxin Li，Universtiy of Texas，2008.

[12]劉莉亞.商業銀行個人信貸信用評分模型的構建與應用[J].財經研究，2007，32（2）：26-36.

[13]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）：126-138.

[14]Iyer， R.， Khwaja， A. I.， Luttmer， E. F. P.， & Shue， K. Screening in new credit markets can individual lenders Infer borrower creditworthiness in peertopeer lending[J].Management. ?Cambridge， MA.2009，（3）：4-10.

（責任編輯：寧曉青）

On the Influence Factors of Credit Risk of Online P2P Lending in China：

Based on an Empirical Analysis by the Ranking Selection Model

XIAO Manjun ， OU Yuanyuan ， LI Ying

（College of Finance & Statistics， Hunan University， Changsha， Hunan 410079， China）

Abstract：Online P2P （peertopeer） lending， is microfinance transactions by people lending to each other， with the aid of online platforms of electronic business. As a new financial model of folk loan business conducted with the Internet technology， it has a higher credit risk. This paper ?uses the ranking selection model to analyze the influencing factors of the credit risk of online lending based on data from some P2P sites extracted by excel VBA Data Mining， and the results showed that： personal characteristics， credit variables， historical performance， loan information each had a marked positive influence on the credit risk of online lending. We found that the information provided by websites for investors to avoid credit risk did not play a substantive role.

Key words：Online P2P lending;Credit risk;Internet finance;Ranking selection model