我國P2P行業逾期行為的影響因素

王琴英+由林青

【摘要】本文對可能影響逾期行為的因素采用隨機森林的方法進行粗選，發現借款人所在的地區、借款用途、性別、有無子女、學歷等因素的特征得分較高，通過建立邏輯回歸，對粗選的結果采用逐步回歸的方法，結果表明：婚姻狀況、區域因素、貸款年限、學歷、工作單位對逾期行為產生有較強的影響。

一、引言

2014年以來，我國P2P行業迅速發展，成為全世界P2P發展最快的國家，但與此同時，跑路的平臺也急劇增加，類似e租寶等平臺占到30%以上，針對該行業的整體態勢，國家監管部門出臺《私募股權眾籌融資管理辦法（試行）（征求意見稿）》，加強了對P2P等行業的監管，本文主要從信用風險得角度，以國內某一大型P 2P公司為研究對象，探究客戶逾期行為的影響因素。

國內對于P2P行業逾期行為的研究有很多，談超等將影響逾期的因素劃分為標的特征、信用特征、個人特征和往期借款4個維度，從中選取15個變量，通過建立logit回歸方程，探究逾期行為與這些變量的關系：王重潤以“紅嶺創投”的真實業務數據為基礎，選取借款者違約行為的9個特征因素建立Logit模型進行分析，探究影響逾期的因素。

二、還款逾期特征變量的選擇

1.數據說明

因變量是客戶類型，其中l代表新增逾期客戶；0代表非逾期客戶。

本文選取我國某一較大規模的P2P公司，獲取該公司2015年1月為M0，2016年1月為M1，2016年2月為M2，共931條新增逾期客戶在2016年1月的數據，以及2015年12月，2016年1月，2016年2月為M0，共931條正常客戶在2016年1月的931條數據，共1862條數據進行分析。其中M0：客戶逾期0-30天：M1：客戶逾期30-60天；M2：客戶逾期60-90天；在實際業務中，習慣定義M2為新增逾期。

選取的自變量包括：合同版本、貸款品種、片區、性別、是否續貸、綜合費率、判斷貸款信息是否提交過、判斷個人信息是否添加過、判斷工作信息是否添加過、判斷聯系人信息是否添加、貸款用途、學歷、婚姻狀態等信息。

2.變量篩選

本文對可能影響客戶分類的35個因素采用隨機森林的方法對關鍵變量進行提取，同時，為了避免分布不均勻的問題，采用五重交叉驗證，具體過程如下：

（1）將樣本分為訓練集和測試集，其中測試集占30%。

（2）將訓練集樣本隨機均勻分成5份樣本，取其中4份樣本記為N₁，另一份樣本記為n。

（3）將N₁采用隨機森林的方法，提取特征集S₁，并去掉特征分x小于0.01的特征變量。

三、模型的建立及應用

1.Logit回歸方程

本文對篩選出的變量采用逐步回歸的方法建立Logit方程。具體過程如下：

3.模型檢驗

3.3.1模型泛化誤差

運用建立的模型，對30%的測試集進行測試，結果如下：

四、結論及建議

1.結論

綜上所述，影響新增逾期的因素包括：

（1）婚姻狀況。一般而言離異，喪偶，再婚的客戶逾期率要高一點。

（2）學歷。學歷越低，逾期率越高；一般而言學歷在大專，高中，高中以下的逾期率相對來說要高。

（3）區域因素。華東地區整體信用狀況和華北相比較差，導致華東地區逾期率較高，華北片區逾期率較低。

（4）貸款年限。一般而言期限越長的逾期率較高，風險越高。

（5）工作單位。從單位性質來看，機關單位、國企性質的單位逾期率較低。

2.建議

（1）避免期限較長的產品。平臺在產品設計時，盡量避免貸款期限超過一年的產品，對于超過一年的產品，加強風控部門對客戶的事中管理。

（2）盡快完善P 2 P行業的信息共享機制。目前，由于P 2 P公司對客戶的信息不共享，因此，部分客戶存在倒賬行為，行業整體的系統性風險偏高，因此，盡快實現行業內部的信息共享機制，有利于降低這類風險，降低逾期率。

因此，預測的準確度86.95%，模型的泛化誤差較小。