P2P網(wǎng)絡借貸平臺財務風險預警體系研究

龔李琳 夏國恩

(廣西財經(jīng)學院 廣西 南寧 530000)

一、引言

P2P網(wǎng)絡借貸是互聯(lián)網(wǎng)金融中的一種，這種使用網(wǎng)絡互聯(lián)網(wǎng)平臺來滿足小額貸款需求的模式，在我國屬于較為的互聯(lián)網(wǎng)金融形式，一定程度上推動了惠普金融的進程。隨著對小額貸款需求的增多，P2P網(wǎng)絡借貸平臺在我國快速發(fā)展，然而跑路、破產(chǎn)、倒閉等問題也隨之爆發(fā)。一波接一波的問題，不僅降低了民間投融資效率，冷卻投資者的投資熱情，還給社會帶來了嚴重影響。平臺問題集中爆發(fā)也揭示了P2P網(wǎng)絡借貸平臺存在諸多風險，其管理水平、風險控制水平和戰(zhàn)略水平不足，影響了整個P2P行業(yè)的健康發(fā)展。實際上，風險并非是不可預測的。根據(jù)風險成因看，P2P網(wǎng)絡借貸平臺的風險可分為4類，分為信用風險、法律風險、財務風險和操作風險。其中，能對P2P網(wǎng)絡借貸平臺業(yè)務活動產(chǎn)生影響的是財務風險。因此，控制P2P網(wǎng)絡借貸平臺的財務風險，有利于保障平臺的正常運營。風險預警機制不僅可以對財務風險進行管理，還可以對平臺的經(jīng)營狀況進行診斷。所以，P2P網(wǎng)絡借貸平臺的財務風險預警的建設，是中國P2P網(wǎng)絡借貸行業(yè)急需解決的現(xiàn)實問題。

二、文獻綜述

西方學者對財務風險研究較早，他們對財務風險預警方法和模型進行了深刻探討。如今，國外學者對財務風險預警的研究已經(jīng)逐步完善，研究方法包括單變量模型、神經(jīng)網(wǎng)絡模型、主成分分析模型、二元Logistic模型等。我國直到上個世紀后期才開始對財務風險預警進行學習。起初，學者的研究方法主要是引用國外的財務風險預警模型，再從根據(jù)我國的實際情況進行改進。周守華(1996)使用Z-score模型，并對其進行改進，提出F模型。馬麗娜(2009)使用BP神經(jīng)網(wǎng)絡建立了商業(yè)銀行風險預警系統(tǒng)。鄧敏(2012)則提出SVM比BP神經(jīng)網(wǎng)絡更具有有效性和優(yōu)越性。目前，我國學者對財務風險相關問題研究較多，特別是財務風險預警模型。

雖然，財務風險預警已經(jīng)不算是新鮮事物，但由于P2P網(wǎng)絡借貸平臺直到2007年才登陸我國，2012年才開始快速發(fā)展，學者們對P2P網(wǎng)絡借貸平臺的財務風險預警研究還未完善。余嘉敏(2015)在綜合評價的基礎上建立其財務風險預警模型。王歡(2017)的P2P網(wǎng)絡借貸平臺財務風險預警系統(tǒng)將兩種方法相結合，分別是因子分析法和SVM模型，通過實證分析模型有效。韓孟彬(2018)使用400個P2P網(wǎng)絡借貸平臺數(shù)據(jù)，將常用的Logistic回歸模型、BP神經(jīng)網(wǎng)絡模型和SVM模型建立的財務風險預警體系做對比，認為三者均可有效預測。

本文在借鑒已有研究經(jīng)驗已有相關研究的基礎上，以CAMEL評價體系為基礎，篩選出15個財務風險指標，選取110個平臺樣本，其中財務問題樣本和正常運營樣本各占一半，使用2017年底數(shù)據(jù)進行實證分析，使用主成分分析法降低維度，使用二元Logistic方程建立P2P網(wǎng)絡借貸平臺的財務風險預警系統(tǒng)。

三、P2P網(wǎng)絡借貸平臺財務風險預警指標的設計

由于P2P網(wǎng)貸借貸平臺運營模式及盈利模式與成熟的上市公司有所差異，不應該直接套用廣泛使用的財務風險預警指標，所以，指標選擇上要綜合考慮信息披露情況和P2P網(wǎng)絡借貸平臺現(xiàn)實情況。CAMEL評價體系是一套評定金融機構整體水平的制度，通過資本充足性、資產(chǎn)質(zhì)量、管理水平、盈利狀況和流動性五個方面，對金融機構的業(yè)務經(jīng)營及信用水平進行評級。P2P網(wǎng)絡借貸平臺涉及借貸行為，與商業(yè)銀行相似，并且兩者的資本質(zhì)量風險、資產(chǎn)充足性風險、盈利性風險、管理水平風險和流動性風險存在諸多重疊之處。因此，使用CAMEL評價體系對財務風險指標進行篩選，符合選取指標的全面性原則。

但P2P網(wǎng)絡借貸平臺和商業(yè)銀行存在差異，兩者的風險控制能力和資本約束能力大不相同，所以在選取財務風險指標上應該顯示出P2P行業(yè)的特色。本文的財務風險預警體系將CAMEL評價體系的五個方面作為一級指標，再從中篩選15個指標具體指標如表1。

表1 財務風險預警初始指標選取與相關說明

四、P2P網(wǎng)絡借貸平臺財務風險預警模型的構建與檢驗

本文對P2P網(wǎng)絡借貸平臺的財務問題平臺定位于2018年出現(xiàn)提現(xiàn)困難和延期兌付的平臺，選取的問題平臺樣本數(shù)55家，隨機配以55家正常運營平臺，進行實證分析。

上節(jié)選取的預警指標體系中，包含了15個解釋變量，雖然多變量使財務風險的識別更為精確，但指標與指標間會由于相關性的影響，導致預警結果不準確。參考已有文獻對金融風險評估的研究方法，為了盡量降低指標之間的相互影響，本文首先選用主成分分析法，對初步篩選的指標進行降維。然后使用二元Logisitic模型，主成分因子設為自變量，平臺2018年狀態(tài)設為因變量，對回歸方程進行計算。

(一)主成分分析法

通過主成分分析法，可以尋找多個指標中的相關性，剔除重復變量，建立數(shù)量少卻能最大限度保留原信息的綜合變量。

1.原始數(shù)據(jù)標準化

指標中存在部分絕對量指標，不同維度的指標可比性較低。為了增加數(shù)據(jù)的可比性，消除數(shù)量級對結果的影響，首先應該進行標準化不同性質(zhì)的指數(shù)值。

計算公式Z=(X-μ)/σ。其中：X為某一具體指標數(shù)據(jù)，μ為平均數(shù)，σ為標準差。

2.主成分分析指標檢驗

對原始數(shù)據(jù)進行標準化處理后，需要對數(shù)據(jù)進行檢驗，確定數(shù)據(jù)能否使用主成分分析。結果如表2。

表2 KMO檢驗和Bartlett球形檢驗

Kaiser-Meyer-Olkin的檢驗系數(shù)為0.645，大于0.5；Bartlett球形度檢驗結果顯示樣本顯著性為0.00%，小于5%。分析結果顯示適合做主成分分析。

3.提取主成分因子

對樣本進行主成分分析，計算出各主成分的貢獻率和特征值，結果如表3。

表3 主成分特征值和貢獻率

從特征值來看，前5個主成分均大于1，并且累計方差貢獻率為74.877%，說明這5個主成分能夠解釋原數(shù)據(jù)74.877%的信息量，能夠很好代替15個指標。

接著計算旋轉(zhuǎn)成分矩陣，由旋轉(zhuǎn)成分矩陣可以得出5個主成分表達式：

F1=-0.041X1-0.072X2+0.303X3-0.113X4+0.114X5-0.004X6-0.015X7-0.019X8+0.170X10-0.051X11-0.096X12+0.280X13+0.286X14+0.159X15

F2=-0.029X1-0.032X2-0.109X3+0.361X4+0.011X5+0.037X7+0.014X8+0.048X9+0.074X10+0.318X11+0.357X12-0.118X13-0.079X14+0.044X15

F3=-0.033X1-0.204X2-0.051X3+0.002X4+0.078X5+0.077X6+0.553X7+0.501X8-0.121X9+0.028X10+0.025X11+0.016X12+0.015X13-0.050X14-0.011X15

F4=-0.023X1+0.547X2-0.001X3-0.012X4+0.144X5+0.499X6-0.163X7+0.077X8-0.283X9-0.084X10-0.013X11-0.026X12-0.061X13-0.065X14+0.127X15

F5=0.612X1+0.212X2-0.096X3-0.005X4-0.240X5-0.243X6+0.071X7-0.117X8-0.367X9+0.111X10+0.008X11+0.034X12+0.161X13+0.017X14-0.412X15

(二)二元Logistic回歸模型

1.財務風險預警模型的構建

使用二元Logistic回歸進行模型建立，其中，主成分因子為自變量，平臺2018年狀態(tài)為因變量。在本文中，如果平臺未來能正常運營，不會爆發(fā)財務風險，則因變量y=0，屬于正常運營平臺；如果根據(jù)平臺現(xiàn)有數(shù)據(jù)預示平臺未來財務風險較大，可能出現(xiàn)提現(xiàn)困難或延期兌付的狀態(tài)，則因變量y=1，屬于問題平臺。結果如下。

表4 Logistic回歸分析結果

再對其進行Hosmer和Lemeshow檢驗，計算出卡方為3.699，df=8，顯著性值為0.878>0.05，接受原假設，認為該模型能很好地擬合觀察數(shù)據(jù)。

由此得出回歸模型：

P(y=1)= e(-0.49-3.915F1-0.015F2-0.601F3-1.959F4-0.276F5)/(1+e(-0.49-3.915F1-0.015F2-0.601F3-1.959F4-0.276F5))

P(y=0)=1/(1+e(-0.49-3.915F1-0.015F2-0.601F3-1.959F4-0.276F5))

2.二元Logistic回歸結果檢驗

將上文得到的財務風險預警模型對研究樣本進行檢驗分析，將計算出的預測值與平臺的實際情況做對比，得到以下結果：

表5 Logistic回歸分析判別結果

可以看出，對正常平臺預測的準確率高達78.18%，對問題平臺預測的準確率略低于正常平臺預測準確率，但也達到72.73%，綜合來看，準確率高達75.45%，高于75%，說明該模型精準度較高，根據(jù)歷史數(shù)據(jù)能夠大致推斷出平臺未來發(fā)生的財務風險。

五、研究結論

目前，我國加強了對P2P網(wǎng)絡借貸平臺的整治工作，如果P2P網(wǎng)絡借貸平臺不能盡早發(fā)現(xiàn)存在的財務風險，并針對存在的財務風險采取正確的措施，將會面臨極大的損失。本文將2018年真實發(fā)生財務問題的55家P2P網(wǎng)絡借貸平臺和55家正常運營平臺作為樣本，利用其2017年的數(shù)據(jù)，使用了主成分分析法和二元Logistic回歸兩種方法，對P2P網(wǎng)絡借貸平臺的財務風險預警模型進行建設，正確率達到75%以上，為將來P2P網(wǎng)絡借貸平臺財務風險預警體系研究有一定的參考作用。