維護金融安全背景下網絡借貸平臺風險管控研究

張 璐，李嘉豪

(安徽新華學院財會與金融學院，安徽合肥 230088)

自2014年以來，我國的網絡借貸行業以驚人的速度迅猛發展，借貸規模、用戶人數、平臺數量的井噴式增長引起社會諸多關注，各大網絡借貸平臺創新的業務模式與風控手段也層出不窮。習近平總書記于2017年4月26日提出“重點針對金融市場和互聯網金融開展全面摸排和查處”的要求后，我國網絡借貸行業的風險越來越引人注目。

1 我國網絡借貸平臺現狀分析

1.1 P2P網絡借貸平臺的發展研究

2010年創新金融模式的網絡借貸平臺(peer-to-peerlendingplatform)首次出現在人們的視線里，有力彌補了中小微企業及弱勢群體的金融需求，隨后以400%的速度快速發展。2015年網貸平臺步入“優勝劣汰”的洗牌期，問題平臺的增長率明顯高于正常運營平臺的增長率，平臺面臨著巨大的淘汰風險。伴隨網貸市場上演“良幣驅逐劣幣”大戲的同時，2015年12月28日《網絡借貸信息中介機構業務活動管理暫行辦法(征求意見稿)》應運而生，為實施行業監管提供了依據，確立了銀監會以及央行等監管主體，推動網貸平臺向規范化方向發展。

2016年，中共中央在第十三個五年規劃明確提出規范發展互聯網金融的目標，隨后中央及地方層面系列監管政策和法規文件頻出，關于互聯網金融領域(以網絡借貸平臺監管為主)專項治理漸趨深入，類似于e租寶、中晉資產、大大集團等一批披著P2P外衣的“偽互聯網金融平臺”倒下，側面也表明網絡借貸平臺監管主體陸續就位，其監管政策逐步落地實施，且網絡借貸行業自律性管理明顯加強，偽劣網絡借貸平臺得到逐步清除。

由圖1可以直觀地看出，經過2015-2016年的專項治理后，中國互聯網金融網絡借貸正常運營平臺呈現逐月下降趨勢，且自2016年以來運營網貸平臺環比增速首次出現負增長，如圖2所示，截至2017年7月底，仍在運營的網絡借貸平臺數目下降到2090家，而累計問題平臺數量高達3493家。2014年以來網貸平臺的綜合收益率最高高達21.63%，但隨著提現困難、欺詐等問題不斷涌現以及中央及地方的專線監控，網貸平臺的綜合收益率逐漸趨于平穩，2017年始終維持在9.5%左右。雖然收益率呈平穩下滑的趨勢，但截至2017年7月底，P2P網貸行業歷史累計成交量達到50781.99億元，突破5萬億大關。

圖1 各年份正常運營平臺數量及問題平臺數量

圖2 2015-2017年正常運營平臺及問題平臺的變化數

1.2 網絡借貸問題平臺的現狀分析

我國P2P網絡借貸平臺主要由民營系、銀行系、上市公司系、國資系、風投系五種類型組成，截至2017年7月的數據顯示(圖3)，民營系運營網貸平臺數約1675家，占比78%，然而民營系的累計停業及問題平臺數高達3801家，占比99%。由此可見，民營系網絡借貸平臺的風險管控問題直接影響著這個行業的生存發展。

根據網貸之家的數據，截至2017年8月累計問題平臺共計3831家，其中面臨停業及跑路的問題平臺占比超過80%。在這些問題平臺中，借款人違約或逾期問題導致資金無法回籠，使平臺因經營不善而面臨停業、跑路等困境。因此,借款人違約問題的因果研究是網絡借貸平臺風險管控研究的重點。

圖3 截至2017年8月問題平臺情況圖

綜合上述數據可知，我國網絡借貸行業已經步入監管時代，規范化的發展將是網絡借貸行業發展壯大的必然選擇。加強完善借款人的風險監控體系，可用保證網貸平臺健康穩定地發展。

2 借款人違約風險的實證研究

2.1 項目借款人違約的影響因素分析

P2P網絡借貸平臺的借款人一般都因為抵押物不足、信用額度管制、還款來源不穩定等原因無法從銀行取得貸款，多數屬于次優借款人，其違約風險會比優級借款人高。截至2016年8月，網絡借貸平臺的違約者高達867009人。然而，借款人的違約風險受多方面因素的影響，其中包括法律、征信體系等宏觀因素及收入水平、個人信用分等微觀因素。

2.1.1 宏觀因素分析

2.1.1.1 監管主體不明確，法律法規不完善

近些年P2P網絡借貸平臺呈現爆發式增長，但配套的法律法規體系始終未建立起來，監管主體不明確。直到2015年7月18日，中國人民銀行等十部委聯合發布了《關于促進互聯網金融健康發展的指導意見》，明確網絡借貸業務由銀監會監管，從此告別“無監管”時代。隨后，中國互聯網金融協會于2016年3月25日成立。監管層正式發布《網絡借貸信息中介機構業務活動管理暫行辦法》(2016-08-24)和《網絡借貸資金存管業務指引》(2017-02-23)兩大政策文件，明確指出網絡借貸平臺的資金存管機構為銀行，并在全國范圍內啟動互聯網金融專項整治。

近三年法律條款不斷完善，但仍有一個關鍵問題未解決，即網絡借貸的借款人監管缺位。當借款人出現違約時，由于借款人地域分散、缺少抵押物、法律訴訟周期長、成本高等原因,投資者無法收集足夠的證據以維護其資金安全。

2.1.1.2 征信機構數據割裂，信用評價不全面

一直以來，P2P網絡借貸平臺無法接入中國人民銀行信用基礎數據庫,造成“信用孤島”現象。網絡借貸平臺只能依靠民間信用評級機構，各機構的信用評價體系不統一，而且個人信用數據相互割裂，各平臺無法共享數據。

2015年9月央行互聯網金融征信系統正式在中國人民銀行征信中心上線，將各個網絡借貸平臺分散的數據有機整合起來，形成信息共享機制。根據第三方平臺顯示，截至2016年4月，總計借入企業已達到50家。目前成功接入的網絡借貸平臺很少，大部分平臺仍需要依靠自身風控能力的保障。

2.1.2 微觀因素分析

借款人違約風險除了受宏觀因素影響以外，還受自身特征、信用分、借款信息變量、成功還款次數等微觀因素影響。每個借款人所處的環境不同，也決定了他們不同的還款能力及違約風險。本文從四個方面來分析網絡借貸平臺中影響借款人違約的微觀因素。

2.1.2.1 個人特征變量影響

個人特征變量包括借款人的年齡、職業和收入水平。通過網絡借貸平臺的調研數據得知，目前平臺借款人年齡分為四個階段：18～25歲學生階段、26～30歲工作初始階段、31～39歲工作成長期以及40～55歲的工作成熟階段。同時,借款人的收入水平也隨著年齡的增長，收入水平逐漸提高，其還款能力也趨于穩定。除此以外，不同的職業也影響著不同程度的違約風險。本文從學生、工薪階層、自由職業者和私營業主四個方面去分析研究其影響力。

2.1.2.2 個人信用變量影響

個人的信用評分直接代表著借款人的信用情況。個人信用得分是平臺根據個人提供的各種資信資料綜合計算而得，因此借款被平臺曝光的信息越多，發生違約產生的負面影響越大。一般而言，個人信用評分越高，違約風險較小。

2.1.2.3 借款人成功還款次數

借款人歷史成功還款次數越多，在某種程度上表明該借款人信用資質越好，所以網絡借貸平臺和投資者比較認可歷史成功還款次數較多的借款人，從而降低平臺的違約風險。

2.1.2.4 借款信息變量影響

借款人的違約風險除了受自身特征和環境影響外，借款的金額、利率和期限也會間接影響違約風險。一般而言，借款本金越高、利率越高、還款周期越長，借款人的還款成本就會越高，在某種程度上會消減借款人的還款意愿。

2.2 樣本及指標選擇

本文研究假設平臺的借款人和投資人都是理性的，借款人若具備還款能力的情況下，還款意愿良好，且將借款人的所有逾期還款行為視為違約，并對借款人的還款風險進行以下相關假設(表1)。

表1 多元回歸分析相關因素的假設

本文收集某知名網絡借貸平臺2014年1月至2016年12月之間的所有交易數據，排除年齡未知等異常無效數據后，對156375個有效數據進行多元Logistic回歸統計分析，暫不檢測法律等宏觀因素對借款人違約率的影響，重點研究四大微觀變量的影響程度，分別為個人特征變量、個人信用變量、借款人歷史成功還款次數和借款信息變量。8個研究變量的賦值解釋如表2所示。

表2 Logistic回歸模型中8個相關因素與賦值

2.3 多元回歸分析

本文對網絡借貸平臺的有效數據通過多元分類Logistic回歸模型進行分析，用以推測影響平臺借款人還款概率的微觀因素及影響程度。將平臺借款人的還款概率作為因變量，年齡、職業等其他8個因素作為自變量，運用SPSS軟件進行Logistic回歸分析，回歸結果如表3所示。

表3 Logistic回歸分析結果

研究數據表明，當采用5%的置信水平時，因變量與自變量直接存在顯著的線性關系。本文以90%作為判斷借款人還款的標準，模型顯示對借款人成功還款的誤判率為17.23%，對借款人違約的誤判率為39.12%，模型整體的成功率為88.27%。因此，Logistic回歸模型在預測借款人違約風險上還是比較科學的。

2.3.1 個人特征變量分析

從實證結果來看，年齡對借款人還款概率的影響較小，而且隨著借款人的年齡增加，借款人的違約概率反而增加，與之前的假設相反，這可能是因為年輕的借款人更在意違約帶來的信用危機。回歸系數表明職業對借款人還款概率的影響較大，但工薪族的借款人反而成為最大違約人群，相比之下，自由職業者和私營業主的還款概率較高，與之前的假設也相反。收入水平是影響借款人違約的重要因素，對大多數借款人來說，收入水平是還款的重要保障，收入水平越高，意味著借款人的還款保障越強，與還款概率呈正比關系。

2.3.2 個人信用變量分析

個人信用評分是影響借款人還款概率的關鍵因素，信用評分與個人收入水平、歷史信用記錄等方面都有直接關系，信用評分越高者，預測借款人未來還款概率較高。通過回歸分析結果可以看出，信用評分每增加10分(一個單位)，借款人還款的相對概率增加29%，因此，個人信用變量與還款概率呈正相關。

2.3.3 借款人成功還款次數分析

借款人的歷史成功還款次數直接影響借款人的信用評分。歷史成功還款占比每增加一個百分比，借款人還款的相對概率增加31%。由此可見，歷史成功還款占比越高，借款人的違約率越低。

2.3.4 借款信息變量分析

借貸本金、利率、期限對借款人相對還款概率的影響都是負相關的。回歸結果表明，借貸本金和期限的影響并不明顯，這是由于P2P網絡借貸平臺提供的貸款額度都以小額為主(1千元～10萬元)，對借款人來說，沒必要為了小額貸款違約產生個人信用危機。同時，貸款期限均以短期為主(1～24個月)，平臺上沒有貸款期限較長的項目，因此風險波動不會太大。相比而言，貸款利率對借款人還款概率的影響更加敏感，較高的貸款利率會帶來更大的違約風險，借款人往往會因為高額利息放棄還款，其還款能力無法保障。

本文對影響借款人還款概率因素的預測結果較為理想，其中收入水平、個人信用評分及歷史成功還款占比是影響平臺借款人還款概率的關鍵因素，呈正相關；年齡、借貸本金和期限對目前借款人違約的影響不大；高利率會直接增加借款人的還款成本，增大違約風險。

3 我國網絡借貸平臺風險管控的措施

3.1 以大數據為核心環節開展網絡借貸平臺風險管控與建設

大數據在網絡借貸平臺建設中具有戰略意義，可以幫助網絡借貸平臺收集并分析消費者數據以搶占先機，從而以更個性化的產品、更精準的營銷體系來獲取并服務客戶。大數據通過先進的統計工具模型挖掘內

外部數據，建立并理解風險與各種影響因素之間的關系，能夠進一步支持實時、低成本、高效率的信貸狀況分析、決策與授信，而且利用大數據驅動的評估方式能夠消除人為經驗評估的偏見與誤差，進而提升網絡借貸平臺險管控與建設水平。

3.2 以征信系統為基礎對網絡借貸平臺及借款人進行信用評級

對我國諸多網絡借貸平臺以及借款人進行信用評級，無疑是投資者進行風險收益最優化投資決策參考的最好辦法之一。對P2P平臺的科學系統評級能夠為監管主體制定合理的監管政策提供有力依據。因此，應盡快將所有網絡借貸平臺接入央行互聯網金融征信系統，進行標準化分析和信用信息共享，進一步對網貸平臺進行信用等級劃分。

3.3 以傳統風險保障組合機制為關鍵進行權變運用

諸多網絡借貸平臺應在明確自身的業務發展和模式定位的前提下，根據自身資產結構、業務水平、風險大小，選擇風險預備金、第三方擔保模式、“有限”保障模式、保險承保等傳統風險保障手段，形成量身定做的風險保障組合，提升風險管控水平。

3.4 以試錯機制建設為風險管控進行常態化演練

網絡借貸平臺系統極易受到網絡攻擊與大批量虛假信息的干擾，因此應積極進行風險管控預案設計,強化管理與操作人員風險意識培訓,定期進行風險常態化操作演練，依托網絡借貸平臺特有的線上線下相融合、多維度海量大數據優勢，構建全新的風險防御模型，幫助諸多網絡借貸平臺了解借款人，在反欺詐、貨前信用審察等風控管理環節擁有更為敏銳的洞察力。

[參考文獻]

[1]熊健宇.P2P網絡借貸風險管控實證研究[J].西南金融,2017(6):66-71.

[2]閆春英,張佳睿.完善我國P2P網絡借貸平臺風險控制體系的策略研究[J].經濟學家,2015(10):78-83.

[3]葉青,李增泉,徐偉航.P2P網絡借貸平臺的風險識別研究[J].會計研究,2016(6):38-45.

[4]盧馨,李慧敏.P2P網絡借貸的運行模式與風險管控[J].改革,2015(2):60-68.