P2P網(wǎng)絡(luò)借貸中借款人違約風(fēng)險(xiǎn)影響因素測(cè)度

駱之彬

(新疆財(cái)經(jīng)大學(xué)，新疆 烏魯木齊830012)

P2P(Peer-to-Peer)網(wǎng)絡(luò)借貸是基于互聯(lián)網(wǎng)技術(shù)的一種新的金融模式，可以不依靠金融機(jī)構(gòu)等中介直接實(shí)現(xiàn)個(gè)人對(duì)個(gè)人的借貸。2005年世界第一家P2P網(wǎng)絡(luò)借貸公司Zopa在英國(guó)成立，2006年美國(guó)第一家P2P網(wǎng)絡(luò)借貸公司Prosper成立，2007年我國(guó)第一家P2P網(wǎng)絡(luò)借貸公司拍拍貸成立，自此我國(guó)P2P網(wǎng)絡(luò)貸款業(yè)務(wù)逐步發(fā)展。2014年和2015年，“互聯(lián)網(wǎng)金融”兩次被寫(xiě)入我國(guó)政府工作報(bào)告并被納入國(guó)家十三五規(guī)劃，在政策和市場(chǎng)需求的共同推動(dòng)下，互聯(lián)網(wǎng)金融特別是P2P網(wǎng)絡(luò)借貸呈現(xiàn)出巨大增長(zhǎng)，據(jù)“網(wǎng)貸之家”數(shù)據(jù)顯示，平臺(tái)數(shù)量從2014年的2376家增加到2017年的6348家，交易量由2014年的2528.17億元增長(zhǎng)至2017年的28048.49億元。但伴隨著P2P網(wǎng)絡(luò)借貸的迅速發(fā)展，借款用戶違約率也在不斷增長(zhǎng)，2014年—2017年間，問(wèn)題平臺(tái)由422家增加到2310家，交易量累計(jì)達(dá)到1193.27億元。此外，借款用戶違約風(fēng)險(xiǎn)的不斷上升造成了互聯(lián)網(wǎng)金融行業(yè)信用風(fēng)險(xiǎn)的不斷累積，在一定程度上影響著我國(guó)的金融安全。因此，探尋我國(guó)P2P網(wǎng)絡(luò)借貸用戶違約風(fēng)險(xiǎn)影響因素，有利于減少違約用戶，規(guī)范P2P網(wǎng)絡(luò)借貸行業(yè)的發(fā)展，并促進(jìn)經(jīng)濟(jì)社會(huì)健康發(fā)展。

一、文獻(xiàn)綜述

國(guó)內(nèi)外學(xué)者對(duì)P2P網(wǎng)絡(luò)借貸進(jìn)行了大量研究，對(duì)P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)評(píng)估的研究也很充分。在對(duì)P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)測(cè)度方法的研究中，Angelini[1]運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)意大利中小企業(yè)從商業(yè)銀行和互聯(lián)網(wǎng)金融公司借款的數(shù)據(jù)進(jìn)行了分類預(yù)測(cè)，認(rèn)為用這一方法評(píng)估風(fēng)險(xiǎn)準(zhǔn)確率較高，但因復(fù)雜性和過(guò)度擬合導(dǎo)致其泛化能力并不突出。Bekhet[2]運(yùn)用Logistic模型和徑向基函數(shù)兩種方法對(duì)約旦商業(yè)銀行信貸數(shù)據(jù)進(jìn)行對(duì)比分析，發(fā)現(xiàn)Logistic模型準(zhǔn)確率更高。楊勝剛等[3]運(yùn)用決策樹(shù)、神經(jīng)網(wǎng)絡(luò)和決策樹(shù)—神經(jīng)網(wǎng)絡(luò)三種模型對(duì)德國(guó)商業(yè)銀行信貸中心借款數(shù)據(jù)進(jìn)行了實(shí)證分析，認(rèn)為決策樹(shù)—神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確率方面表現(xiàn)得更為出色。石慶焱和靳云匯[4]運(yùn)用決策樹(shù)、Logistic模型、判別分析、神經(jīng)網(wǎng)絡(luò)等方法對(duì)我國(guó)商業(yè)銀行借款數(shù)據(jù)進(jìn)行了比較分析，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率最高，但神經(jīng)網(wǎng)絡(luò)和決策樹(shù)因過(guò)度擬合導(dǎo)致其泛化能力并不突出，其第一類錯(cuò)誤(即貸款給信用差的用戶)發(fā)生率最高，會(huì)造成比第二類錯(cuò)誤(即拒絕貸款給信用好的用戶)更大的損失，只有Logistic模型在實(shí)驗(yàn)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)表現(xiàn)為犯錯(cuò)誤概率相近，即泛化能力比較好。顧慧瑩和姚錚[5]以及黃文彬[6]運(yùn)用Logistic模型對(duì)WDW和拍拍貸平臺(tái)數(shù)據(jù)進(jìn)行實(shí)證分析，發(fā)現(xiàn)無(wú)論在準(zhǔn)確率還是整體擬合程度方面這種方法均能得到滿意效果。

再如在關(guān)于P2P網(wǎng)絡(luò)借貸借款人違約影響因素的研究中，研究者通過(guò)分析歸納出的主要影響因素包括借款人基本特征、訂單信息、信用信息和網(wǎng)絡(luò)社會(huì)資本等。Prabhala[7]認(rèn)為借款人基本信息(包括性別、年齡、婚姻和學(xué)歷等)能顯著影響違約狀況。Roslan[8]認(rèn)為女性比男性更趨于風(fēng)險(xiǎn)規(guī)避，更注重自身信用水平，因而女性違約概率明顯低于男性。Kleimeier[9]通過(guò)實(shí)證分析得出結(jié)論，認(rèn)為已婚人士因擔(dān)負(fù)家庭重?fù)?dān)而增加了其經(jīng)濟(jì)壓力，可能導(dǎo)致違約率高于未婚人士。Greiner[10]通過(guò)Prosper平臺(tái)數(shù)據(jù)研究認(rèn)為，房產(chǎn)與P2P網(wǎng)絡(luò)借貸違約呈負(fù)相關(guān)關(guān)系。Gonzalez[11]認(rèn)為借款人還款次數(shù)、照片認(rèn)證、手機(jī)認(rèn)證、居住地認(rèn)證等信用指標(biāo)均對(duì)違約狀況有顯著影響。Emekter[12]和Baklouti[13]通過(guò)Lending Club數(shù)據(jù)發(fā)現(xiàn)，借款期限、借款總額和利率等訂單信息會(huì)顯著影響違約狀況。Yum[14]認(rèn)為在傳統(tǒng)防范違約風(fēng)險(xiǎn)的基礎(chǔ)上，通過(guò)建立社交網(wǎng)絡(luò)和聯(lián)合借款擔(dān)保機(jī)制可降低信息不對(duì)稱所帶來(lái)的違約風(fēng)險(xiǎn)。Prabhala[7]指出網(wǎng)絡(luò)社會(huì)資本是反映借款人信用狀況的一個(gè)重要信號(hào)，其復(fù)雜程度決定了貸款可能性的大小、利率的高低以及違約可能性的大小。顧慧瑩[5]和談超[15-16]等人通過(guò)人人貸和微貸網(wǎng)數(shù)據(jù)進(jìn)行實(shí)證分析，認(rèn)為年齡、性別、職位、收入、婚否、學(xué)歷和房產(chǎn)等對(duì)違約狀況產(chǎn)生顯著影響，可作為平臺(tái)判斷借款用戶是否會(huì)違約的主要依據(jù)；同時(shí)認(rèn)為歷史違約次數(shù)、借款次數(shù)、工作認(rèn)證和實(shí)地認(rèn)證等信用信息也可影響借款用戶違約狀況。

通過(guò)對(duì)現(xiàn)有文獻(xiàn)的整理可以發(fā)現(xiàn)，無(wú)論采取何種研究方法評(píng)估P2P網(wǎng)絡(luò)借貸違約風(fēng)險(xiǎn)，都要在準(zhǔn)確率以及第一類錯(cuò)誤發(fā)生率和第二類錯(cuò)誤發(fā)生率之間進(jìn)行平衡。筆者認(rèn)為盡可能減少P2P網(wǎng)絡(luò)借貸投資者及平臺(tái)損失，降低第一類錯(cuò)誤發(fā)生率是關(guān)鍵，故傾向于選擇準(zhǔn)確率相對(duì)較高且第一類錯(cuò)誤率較低的Logistic模型。此外，現(xiàn)有文獻(xiàn)中關(guān)于P2P網(wǎng)絡(luò)借貸違約風(fēng)險(xiǎn)影響因素的定量研究較少，多數(shù)研究都集中在模式的比較、風(fēng)險(xiǎn)因素的定性以及國(guó)家和相關(guān)部門(mén)的政策監(jiān)管等方面，本文擬利用真實(shí)的活躍交易數(shù)據(jù)探究P2P網(wǎng)絡(luò)借貸違約風(fēng)險(xiǎn)影響因素，并測(cè)度其對(duì)違約發(fā)生的貢獻(xiàn)率。

二、變量的選擇及測(cè)度方法的確定

(一)變量的選擇

1.違約風(fēng)險(xiǎn)的選擇。本文選擇違約狀況作為度量違約風(fēng)險(xiǎn)的因變量。違約狀況可分為違約用戶和正常用戶，違約用戶包括借款訂單死賬和逾期還款用戶群體，正常用戶包括借款訂單正常完成和正在如期還款用戶群體。

2.違約風(fēng)險(xiǎn)影響因素的選擇。通過(guò)國(guó)內(nèi)外相關(guān)理論研究以及P2P網(wǎng)絡(luò)借貸平臺(tái)的實(shí)際操作可以發(fā)現(xiàn)，訂單信息、信用信息和個(gè)人基本信息是P2P網(wǎng)絡(luò)借貸違約的幾個(gè)主要影響因素；同時(shí)還有一些研究者和P2P網(wǎng)絡(luò)借貸平臺(tái)也很關(guān)注借款用戶網(wǎng)絡(luò)社會(huì)資本這一因素。本文借鑒既有研究，將P2P網(wǎng)絡(luò)借貸違約風(fēng)險(xiǎn)影響因素概括為：訂單信息(包括年利率、借款期限和借款總額)，信用信息(包括申請(qǐng)借款次數(shù)、還清筆數(shù)、手機(jī)認(rèn)證、居住地認(rèn)證和信用報(bào)告等)，個(gè)人基本信息(包括性別、收入、學(xué)歷、房產(chǎn)、房貸和車產(chǎn)等)，以及借款用戶網(wǎng)絡(luò)社會(huì)資本(包括工作時(shí)間和微博認(rèn)證等)。關(guān)于借款用戶網(wǎng)絡(luò)社會(huì)資本，國(guó)外研究者主要關(guān)注相關(guān)論壇，而國(guó)內(nèi)研究者和P2P網(wǎng)絡(luò)借貸平臺(tái)較多關(guān)注微博這一媒介，同時(shí)本文將工作時(shí)間也歸為網(wǎng)絡(luò)社會(huì)資本因素。將以上4個(gè)方面共16個(gè)維度作為影響違約狀況發(fā)生的因變量，所構(gòu)建的指標(biāo)體系如表1所示。

表1指標(biāo)體系

(二)測(cè)度方法概述

1.模型的確定。線性回歸要求因變量必須是連續(xù)型數(shù)據(jù)變量，邏輯回歸要求因變量必須是分類變量，本文將借款用戶分為違約和非違約兩類，違約記為1，非違約記為0，故選擇Logistic回歸模型以完成對(duì)非連續(xù)變量的分析，用到的方法為極大似然估計(jì)法，以下對(duì)其進(jìn)行簡(jiǎn)單介紹。

當(dāng)違約發(fā)生(Y=1)時(shí)有：

E(Y)=P(Y=1)=P=β0+β1x1+β2x2+…+βnxn+ε

(1)

對(duì)P進(jìn)行Logit變換可得:

Ln[P/(1-P)]=Logit(P)=β0+β1x1+β2x2+…+βnxn+ε

(2)

(3)

當(dāng)P大于0.5時(shí)，Y更可能為1，反之Y為0。P/(1-P)表示事件發(fā)生與不發(fā)生的概率之比，因此當(dāng)Xi增加一個(gè)單位時(shí)有：

Ln(A/Xi+1)=Ln(A/Xi)+β1

(4)

當(dāng)其大于0時(shí)，說(shuō)明Xi每增加一個(gè)單位，違約概率增加，反之違約概率減小。

極大似然估計(jì)可以彌補(bǔ)最小二乘導(dǎo)致的局部最優(yōu)問(wèn)題，目標(biāo)函數(shù)就是對(duì)數(shù)似然函數(shù),其結(jié)果為高階連續(xù)可導(dǎo)凸函數(shù)，因此可通過(guò)一些凸優(yōu)化算法求解，比如梯度下降法、牛頓法等。似然函數(shù)表達(dá)式為:

(5)

2.模型的檢驗(yàn)。通過(guò)Logistic模型對(duì)人人貸平臺(tái)用戶違約風(fēng)險(xiǎn)進(jìn)行驗(yàn)證分析，其預(yù)測(cè)準(zhǔn)確率為96%，通過(guò)十字交叉檢驗(yàn)分析其AUC值為98%，可見(jiàn)其準(zhǔn)確率和泛化能力均滿足研究及現(xiàn)實(shí)需要，不僅在模型復(fù)雜度相近的情況下優(yōu)于其他模型，而且能平衡處理準(zhǔn)確率和泛化能力之間的關(guān)系。因此，本文采用Logistic模型測(cè)度P2P網(wǎng)絡(luò)借貸用戶違約風(fēng)險(xiǎn)。

三、違約風(fēng)險(xiǎn)影響因素的測(cè)度

(一)數(shù)據(jù)來(lái)源

人人貸是我國(guó)P2P網(wǎng)絡(luò)借貸平臺(tái)中用戶量較大且違約率較低的優(yōu)質(zhì)平臺(tái)之一，其用戶主要以中小投資者為主。本文選取近3年人人貸網(wǎng)站上發(fā)布的全部借款信息作為初始樣本，通過(guò)數(shù)據(jù)爬蟲(chóng)在人人貸官方網(wǎng)站上抓取19123條數(shù)據(jù)，去除含缺失值和不合適的數(shù)據(jù)后，最終確定剩余18597條為有效數(shù)據(jù)，其中正常用戶數(shù)據(jù)14347條，違約用戶數(shù)據(jù)4250條。

(二)違約影響因素的度量

1.描述性統(tǒng)計(jì)。表2是運(yùn)用R軟件對(duì)獲取的數(shù)據(jù)進(jìn)行基礎(chǔ)分析所得到的結(jié)果。由表2可知，P2P網(wǎng)絡(luò)借貸的平均利率為12.98%，約為銀行活期存款利率(0.35%)和一年定期存款利率(1.5%)的37倍和9倍，因此能吸引大批有投資需求和投資能力的投資者，但也在一定程度上增加了互聯(lián)網(wǎng)金融的風(fēng)險(xiǎn)；平均借款金額約為58642元，借款額度較低，屬于小額借貸的范疇；平均借款期限約為30個(gè)月，最短為3個(gè)月，可見(jiàn)總體借款期限較長(zhǎng)；男性借款人數(shù)占總借款人數(shù)的75%，可見(jiàn)男性是網(wǎng)絡(luò)借貸的主力軍；借款群體的平均學(xué)歷水平為中等偏高，月平均收入約為14000元；約70%的網(wǎng)絡(luò)借貸用戶有房產(chǎn)，但僅有30%的用戶擁有車產(chǎn)；從申請(qǐng)借款次數(shù)和還清筆數(shù)來(lái)看，平均申請(qǐng)借款次數(shù)為1.5次，但平均還清筆數(shù)約為0.93筆，兩者之間存在較大差距，可能導(dǎo)致投資者和網(wǎng)貸平臺(tái)產(chǎn)生損失；手機(jī)認(rèn)證、居住地認(rèn)證、微博認(rèn)證、信用報(bào)告詳盡用戶群體平均所占比例分別為26%、4%、2%和17%，可見(jiàn)網(wǎng)貸平臺(tái)審核部門(mén)并未完全盡到嚴(yán)格核實(shí)用戶信息責(zé)任。借款用戶平均工作年限為2.56年，工作時(shí)間較短，屬于相對(duì)不穩(wěn)定的用戶群體。

表2變量的描述性統(tǒng)計(jì)

續(xù)表2

變量名MeanSdMaxMinSkew還清筆數(shù)0.931.1268030.9手機(jī)認(rèn)證0.260.44101.11居住地認(rèn)證0.040.19104.94信用報(bào)告0.170.37101.78工作時(shí)間2.562.37811.41微博認(rèn)證0.020.12107.96

2.實(shí)證分析。在對(duì)模型進(jìn)行實(shí)證分析之前，需要指出的是，解釋變量過(guò)多可能會(huì)產(chǎn)生變量之間的共線性問(wèn)題，進(jìn)而導(dǎo)致模型參數(shù)的置信區(qū)間過(guò)大，使單個(gè)系數(shù)解釋起來(lái)變得非常困難，因此需進(jìn)行多重共線性檢驗(yàn)。本文使用方差膨脹因子(VIF)進(jìn)行檢驗(yàn)，在剔除是否擔(dān)保和成功借款次數(shù)兩個(gè)變量之后，最終所有變量的方差膨脹因子(VIF)均小于4，表明不存在多重共線性問(wèn)題，可以進(jìn)行Logistic回歸分析。各變量的VIF值分別為：年利率1.2、借款期限2.84、借款總額1.35、性別1.05、申請(qǐng)借款次數(shù)3.05、還清筆數(shù)2.73、收入1.25、房產(chǎn)2.04、房貸2.28、車產(chǎn)1.41、工作時(shí)間2.33、手機(jī)認(rèn)證2.32、居住地認(rèn)證1.16、信用報(bào)告1.89、微博認(rèn)證1.1，學(xué)歷1和學(xué)歷2的VIF值分別為1.56和1.68。

進(jìn)一步地，將違約狀況作為因變量，其余變量作為自變量，利用R軟件可建立Logistic回歸模型，得到的回歸分析結(jié)果見(jiàn)表3。其中Estimate表示偏回歸系數(shù)，Std.Error表示標(biāo)準(zhǔn)誤差，df為自由度，p值表示顯著性水平，OR值表示自變量對(duì)因變量的影響，weight表示該變量對(duì)因變量影響程度的占比。

表3 Logistic回歸結(jié)果

注：***表示在1%的水平上顯著；**表示在5%的水平上顯著；*表示在10%的水平上顯著。

由表3中的t值和p值可知，除性別和居住地認(rèn)證變量之外，其余解釋變量均在1%的顯著水平下顯著，性別變量在10%的顯著水平下顯著。借款期限、借款總額、性別、學(xué)歷、還清筆數(shù)、房貸、車產(chǎn)、信用報(bào)告和微博認(rèn)證等系數(shù)為負(fù)，能降低違約發(fā)生率，故對(duì)違約發(fā)生率來(lái)說(shuō)是保護(hù)因素；年利率、申請(qǐng)借款次數(shù)、收入、房產(chǎn)、工作時(shí)間、手機(jī)認(rèn)證和居住地認(rèn)證等系數(shù)為正，能提高違約發(fā)生率，故對(duì)違約發(fā)生率來(lái)說(shuō)是危險(xiǎn)因素。此外，借款期限、手機(jī)認(rèn)證、還清筆數(shù)、工作時(shí)間、申請(qǐng)借款次數(shù)、房貸、信用報(bào)告、居住地認(rèn)證、房產(chǎn)等變量對(duì)違約率的影響程度較大，因而從經(jīng)濟(jì)性角度來(lái)說(shuō)應(yīng)作為重點(diǎn)考察項(xiàng)，其他解釋變量可作為輔助考察項(xiàng)。

從訂單信息(權(quán)重合計(jì)占比為28.798%)來(lái)看：借款期限(權(quán)重占比為27.903%)對(duì)違約狀況是保護(hù)因素，借款期限越短的用戶違約可能性越小，而借款期限越長(zhǎng)的用戶違約可能性越大。這是因?yàn)榻杩钇谙揲L(zhǎng)的用戶可能對(duì)其在貸款用途或者風(fēng)險(xiǎn)控制等方面較難進(jìn)行全面監(jiān)管，這將增大借款風(fēng)險(xiǎn)；相反，借款期限較短可能是個(gè)人或者企業(yè)出現(xiàn)暫時(shí)性資金緊張，借款只是用來(lái)過(guò)渡，因而大多數(shù)投資者會(huì)選擇借款期限較短的用戶。大多數(shù)P2P網(wǎng)絡(luò)借貸平臺(tái)都會(huì)設(shè)置借款期限的上限以控制資金使用風(fēng)險(xiǎn)，因此借款期限不會(huì)太長(zhǎng)。另外，該變量權(quán)重較大，說(shuō)明其對(duì)違約的發(fā)生起到較大影響，故平臺(tái)應(yīng)重點(diǎn)關(guān)注用戶的借款期限。借款總額(權(quán)重占比為0.076%)對(duì)違約狀況也是保護(hù)因素，這是因?yàn)楫?dāng)貸款的金額比較大時(shí)，一旦發(fā)生違約帶來(lái)的損失就比較大，因此大多數(shù)P2P網(wǎng)絡(luò)借貸平臺(tái)在放款審核尤其是大額借貸審核時(shí)都會(huì)比較嚴(yán)格，并會(huì)設(shè)定借款額度上限以規(guī)避風(fēng)險(xiǎn)，這也在一定程度上致使P2P網(wǎng)絡(luò)借貸具有小額貸款的性質(zhì)。年利率(權(quán)重占比為0.819%)對(duì)違約狀況而言屬于危險(xiǎn)因素，即年利率的增加可能導(dǎo)致違約概率增大。這是因?yàn)榈唾|(zhì)信用用戶因借貸困難會(huì)采取提高利率的方式以吸引并麻痹投資者，而優(yōu)質(zhì)信用用戶并不會(huì)通過(guò)提高利率的方式來(lái)獲得借貸資金，這種現(xiàn)象長(zhǎng)期存在可能會(huì)導(dǎo)致低質(zhì)用戶驅(qū)逐優(yōu)質(zhì)用戶情況的發(fā)生。

從信用信息(權(quán)重合計(jì)占比為50.689%)來(lái)看:手機(jī)認(rèn)證(權(quán)重占比為22.489%)和居住地認(rèn)證(權(quán)重占比為2.433%)對(duì)違約狀況均屬危險(xiǎn)因素，即這兩個(gè)變量會(huì)加大用戶違約的可能性。這可能是因?yàn)閷徍巳藛T通常會(huì)對(duì)其他條件不符合標(biāo)準(zhǔn)的用戶采取以上兩種認(rèn)證方式，只要用戶其他必要條件符合放款要求,審核人員通常會(huì)直接放款，因而采用這兩種認(rèn)證方式的用戶通常質(zhì)量不高。申請(qǐng)借款次數(shù)(權(quán)重占比為10.042%)對(duì)違約狀況同樣屬于危險(xiǎn)因素，即申請(qǐng)借款次數(shù)增加可能導(dǎo)致違約概率增大。因借款次數(shù)增加可能是用戶信用或資金狀況持續(xù)惡化或者審核多次被拒所致，故兩者呈現(xiàn)反向影響關(guān)系。還清筆數(shù)(權(quán)重占比為13.022%)和信用報(bào)告(權(quán)重占比為2.703%)對(duì)違約狀況屬于保護(hù)因素，即這兩個(gè)因素能降低違約發(fā)生的概率。借款還清筆數(shù)多表明用戶信用狀況良好，能積極主動(dòng)履約，而信用報(bào)告越完善或者等級(jí)越高則意味著用戶主動(dòng)履約的可能性高進(jìn)而可以降低違約風(fēng)險(xiǎn)。此外，手機(jī)認(rèn)證和借款還清筆數(shù)對(duì)違約狀況影響較大，因而應(yīng)將其納入審核人員的重點(diǎn)審核范圍。

從網(wǎng)絡(luò)社會(huì)資本(權(quán)重合計(jì)占比為12.125%)來(lái)看：工作時(shí)間(權(quán)重占比為11.628%)對(duì)違約狀況屬于危險(xiǎn)因素，即工作時(shí)間的增加會(huì)導(dǎo)致違約發(fā)生可能性的提高。這是因?yàn)殡S著借款用戶進(jìn)入社會(huì)工作年限的增長(zhǎng)，用戶對(duì)個(gè)人信用的重視程度可能會(huì)下降，或者伴隨著各種開(kāi)支的增加，用戶還款壓力增大，這些都會(huì)導(dǎo)致違約發(fā)生。工作時(shí)間對(duì)違約狀況的影響權(quán)重相對(duì)較大，故而應(yīng)引起審核人員的重點(diǎn)關(guān)注。已認(rèn)證的微博用戶相比未認(rèn)證的微博用戶來(lái)說(shuō)其好友數(shù)量更多，而通常個(gè)人信用狀況會(huì)影響朋友之間的印象和認(rèn)知，進(jìn)而在一定程度上影響朋友間的友情，因此微博認(rèn)證(權(quán)重占比為0.497%)對(duì)違約狀況屬于保護(hù)因素，即已認(rèn)證的微博用戶通常違約發(fā)生的概率會(huì)較低，但因其權(quán)重較小，對(duì)違約狀況影響并不大，因而可將其作為輔助考察項(xiàng)。

從個(gè)人基本信息(權(quán)重合計(jì)占比為8.388%)來(lái)看：房貸(權(quán)重占比為5.048%)對(duì)違約狀況屬于保護(hù)因素，即有房貸的用戶發(fā)生違約的概率較無(wú)房貸者小，這是因?yàn)橛蟹抠J的用戶通常已通過(guò)銀行系統(tǒng)的信用評(píng)估，屬于信用良好群體；此外，這一變量對(duì)違約狀況的影響權(quán)重較大，故相關(guān)審核部門(mén)應(yīng)重點(diǎn)關(guān)注房貸信息。房產(chǎn)(權(quán)重占比為1.160%)對(duì)于違約狀況屬于危險(xiǎn)因素，這可能是因?yàn)閾碛蟹慨a(chǎn)的用戶認(rèn)為自己日后與銀行或者其他金融機(jī)構(gòu)產(chǎn)生業(yè)務(wù)往來(lái)的可能性較小，故會(huì)降低對(duì)自身信用狀況的重視程度，因此擁有房產(chǎn)的用戶通常比無(wú)房產(chǎn)的用戶違約可能性大。另外，性別(權(quán)重占比為0.737%)、學(xué)歷(權(quán)重占比為1.330%)、收入(權(quán)重占比為0.066%)、車產(chǎn)(權(quán)重占比為0.047%)等變量對(duì)違約狀況均存在顯著影響，但其作用程度相比其他解釋變量來(lái)說(shuō)相對(duì)較小，故可作為輔助考察項(xiàng)。

此外，對(duì)于回歸模型的討論，除評(píng)價(jià)模型變量的相對(duì)重要性之外，還有一項(xiàng)重要內(nèi)容就是評(píng)價(jià)模型的泛化能力。本文采用十字交叉檢驗(yàn)和模型預(yù)測(cè)準(zhǔn)確性對(duì)模型進(jìn)行泛化能力檢驗(yàn)，由表4可知，交叉檢驗(yàn)的R2值為0.683，表明模型整體擬合程度較好。

表4檢驗(yàn)及預(yù)測(cè)結(jié)果

對(duì)模型預(yù)測(cè)準(zhǔn)確性進(jìn)行的檢驗(yàn)如下：隨機(jī)抽取樣本量的80%作為訓(xùn)練集，利用訓(xùn)練集訓(xùn)練回歸模型，剩下的20%作為測(cè)試集來(lái)檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)的準(zhǔn)確率，即模型的泛化能力。由表4可知，該模型預(yù)測(cè)的準(zhǔn)確率為0.96。AUC值是一個(gè)概率值，其值越大表明當(dāng)前的分類算法越有可能將正樣本排在負(fù)樣本之前，即能夠更好地進(jìn)行分類。由表4可知本研究AUC值為0.98，可見(jiàn)該模型能夠很好地區(qū)分違約用戶和正常用戶。

四、結(jié)論及啟示

(一)結(jié)論

實(shí)證研究結(jié)果表明，訂單信息和信用信息能顯著影響P2P網(wǎng)絡(luò)借貸借款用戶的違約狀況，其權(quán)重合計(jì)占比分別為28.798%和50.689%。各指標(biāo)影響權(quán)重從大到小依次為：借款期限27.903%、手機(jī)認(rèn)證22.489%、還清筆數(shù)13.022%、申請(qǐng)借款次數(shù)10.042%、信用報(bào)告2.703%、居住地認(rèn)證2.433%、年利率0.819%、借貸總額0.076%。個(gè)人基本信息中，房貸和房產(chǎn)權(quán)重較大，分別為5.048%和1.160%，性別、學(xué)歷、收入、車產(chǎn)等變量對(duì)違約狀況的影響權(quán)重較小，分別為0.737%、1.330%、0.066%和0.047%。此外，借款用戶網(wǎng)絡(luò)社會(huì)資本中工作時(shí)間和微博認(rèn)證均對(duì)違約狀況有顯著影響，工作時(shí)間影響權(quán)重較大，為11.628%，微博認(rèn)證影響權(quán)重較小，為0.497%。

(二)啟示

1.加強(qiáng)對(duì)訂單信息和信用信息的審核。目前，P2P網(wǎng)絡(luò)借貸平臺(tái)普遍過(guò)分關(guān)注借款用戶的基本信息，而在一定程度上忽略了訂單信息和信用信息的重要性。根據(jù)實(shí)證研究結(jié)果可知，訂單信息和信用信息對(duì)違約狀況發(fā)生的影響權(quán)重合計(jì)達(dá)到79.487%，因此相關(guān)部門(mén)應(yīng)根據(jù)實(shí)際情況及時(shí)調(diào)整審批程序和重點(diǎn)關(guān)注的信息，加大對(duì)訂單信息和信用信息的審核力度，盡量規(guī)避違約風(fēng)險(xiǎn)。具體而言，P2P網(wǎng)絡(luò)借貸平臺(tái)可重點(diǎn)關(guān)注利率高、借款期限較長(zhǎng)和借款金額較小的用戶，關(guān)注用戶是否完成各項(xiàng)認(rèn)證及其借款次數(shù)和還款筆數(shù)等信息；此外，P2P網(wǎng)絡(luò)借貸公司應(yīng)建立相關(guān)的規(guī)章制度監(jiān)督工作人員的各項(xiàng)工作，還可聘請(qǐng)相關(guān)領(lǐng)域的專家對(duì)違約風(fēng)險(xiǎn)進(jìn)行防范和應(yīng)對(duì)。

2.拓展借款用戶網(wǎng)絡(luò)社會(huì)資本考察路徑。Prosper、Lending Club和Zopa等P2P網(wǎng)絡(luò)借貸公司因極低的違約率成為行業(yè)標(biāo)桿，完善的征信體系是其降低違約率的重要方法；同時(shí)，這些網(wǎng)絡(luò)借貸公司非常關(guān)注借款用戶的網(wǎng)絡(luò)社會(huì)資本，除了傳統(tǒng)的網(wǎng)絡(luò)社交媒介之外，甚至建立了借款用戶論壇，用戶的論壇活躍度和社交圈大小也成為其在借款審核中的重要考量因素。我國(guó)P2P網(wǎng)絡(luò)借貸公司應(yīng)借鑒違約率較低公司的有益做法，結(jié)合自身實(shí)際，建立適合我國(guó)國(guó)情的網(wǎng)絡(luò)社會(huì)資本媒介平臺(tái)，拓展借款用戶網(wǎng)絡(luò)社會(huì)資本考察路徑，充分發(fā)揮其在降低違約風(fēng)險(xiǎn)方面的積極作用。

3.完善征信體系。征信體系是影響P2P網(wǎng)絡(luò)借貸行業(yè)發(fā)展的重要因素。我國(guó)征信體系不完善，這在一定程度上阻礙了P2P網(wǎng)絡(luò)借貸在我國(guó)的發(fā)展，高違約率擾亂甚至阻礙了我國(guó)P2P網(wǎng)絡(luò)借貸行業(yè)的健康發(fā)展。因而，今后應(yīng)盡快完善征信體系，P2P網(wǎng)絡(luò)借貸行業(yè)應(yīng)主動(dòng)推進(jìn)行業(yè)自律協(xié)會(huì)建設(shè)以及行業(yè)內(nèi)數(shù)據(jù)庫(kù)的建立和完善，各P2P網(wǎng)絡(luò)借貸公司也應(yīng)建立失信人員黑名單系統(tǒng)并積極推進(jìn)共享系統(tǒng)建設(shè)。