P2P網絡借貸市場信用風險識別

蔣先玲 張慶波 程健

摘要：近年來，P2P網絡借貸市場成為我國金融領域的重災區，各類問題層出不窮，不僅損害了投資者利益，而且嚴重擾亂了我國的金融秩序，深入研究P2P網絡借貸市場存在的問題具有重要現實意義。P2P網絡借貸市場是信息不對稱最為嚴重的市場之一，對借款人信用風險進行識別是P2P網絡借貸的關鍵環節。根據信用風險定價理論，借貸利率應該充分反映違約風險，通過檢驗借貸利率與違約風險之間的關系可以驗證借貸市場信用風險識別機制的有效性。基于“人人貸”平臺公開的歷史交易數據對P2P網絡借貸市場的信用風險識別問題進行實證研究，結果表明：借貸利率能部分反映借款人的信用風險，但在相同的利率水平下，其他指標與違約風險也存在顯著性關系，表明相同的利率未對應相同的信用風險，平臺的信用風險識別機制部分有效。進一步研究表明，在缺乏成熟、易用的個人征信產品的情況下，無論借款人、P2P平臺，還是投資者，對信用風險影響因素的判斷與實際情況都存在一定的偏差，工作經驗豐富的借款人付出了過高的借貸成本，平臺在判斷收入對信用風險的影響方面出現了偏差，投資者則忽視了借款人學歷的價值。建議打破個人征信數據壁壘，豐富個人征信產品，保護居民信用數據安全，以保障借貸市場的持續發展。

關鍵詞：P2P網絡借貸；信用風險；個人征信報告

中圖分類號：F830.5文獻標識碼：A文章編號：1007-8266（2020）04-0067-09

收稿日期：2020-01-22

作者簡介：蔣先玲（1965—），女，湖北省潛江市人，對外經濟貿易大學教授，博士生導師，主要研究方向為貨幣政策、金融市場與項目融資；張慶波（1983—），男，山東省日照市人，對外經濟貿易大學國際經濟貿易學院博士生，主要研究方向為金融市場、互聯網金融；程?。?983—），男，山東省濰坊市人，供職于中國出口信用保險公司戰略研究部，經濟學博士、博士后，主要研究方向為國際貿易、國際投資。

一、引言

P2P網絡借貸是指個人與個人之間通過互聯網建立直接的借貸關系，P2P網絡借貸平臺是為借貸雙方提供信息及交易服務的中介機構。P2P網絡借貸的一般流程是：借款人首先向P2P平臺發出借款申請，包括借款金額和借款期限，并向平臺提交個人相關信息及證明材料。P2P平臺在收到借款申請后，對借款人信用狀況進行審核，并公開發布符合要求的借款請求。投資者根據公開的借款信息做出投資決策，包括是否出借及出借金額。

在P2P網絡借貸出現之前，銀行信貸和民間借貸是典型的借貸方式。P2P網絡借貸與銀行信貸的不同之處在于，儲戶不必對借款人信用狀況進行識別，銀行在借款人和儲戶之間承擔信用中介的職能。除非銀行破產，儲戶不必承擔由于借款人違約所造成的損失。P2P網絡借貸與民間借貸的不同之處在于，民間借貸主要發生在熟人之間，民間借貸的出借人依靠社交關系對借款人的信用狀況進行識別，而P2P網絡借貸發生在陌生人之間，投資者需要識別陌生借款人的信用風險。

近些年，P2P網絡借貸在我國問題頻發，不僅損害了投資者的經濟利益，而且嚴重擾亂了我國的金融市場秩序[ 1-2 ]。信用風險識別是P2P網絡借貸交易的關鍵環節，全面分析我國P2P網絡借貸在信用風險識別環節面臨的問題，不僅有助于保護投資者利益，而且有助于改善我國的金融環境，為借貸市場的健康發展提供保障。

本文的實證研究基于“人人貸”平臺發布的信用認證標?！叭巳速J”是國內P2P網絡借貸平臺，平臺發布的信用認證標由借款人自行決定，平臺負責對借款人信息進行審核及發布，并對借款人信用風險水平進行劃分，為投資者的投資決策提供參考，投資者根據公開信息及平臺確定的借款人信用評級做出決策?！叭巳速J”對借款人的信用風險識別機制具有一定的代表性和先進性，平臺除要求借款人提供年齡、學歷、收入、工作年限、資產狀況等信息外，還對借款人信息進行多方面審核。本文希望通過研究了解P2P網絡借貸平臺的信用識別機制是否有效，以及借款人、P2P平臺及投資者能否對影響信用風險的因素進行準確識別。

二、相關研究評述

（一）信息不對稱及解決辦法

信息不對稱是指市場參與者對信息的掌握程度不同，而這種不同會對利益分配產生影響。通常具有信息優勢的市場參與者更容易處于有利地位，而信息劣勢的市場參與者通常處于被動地位。阿克爾洛夫（Akerlof）[ 3 ]首先提出了信息不對稱現象，通過分析二手車市場交易過程，指出如果交易市場持續存在信息不對稱，最終會導致“劣幣驅逐良幣”，市場逐漸萎靡。詹森和麥克林（Jensen& Meckling）[ 4 ]指出信息不對稱可能導致市場扭曲，出現逆向選擇風險或道德風險。

關于如何解決市場信息不對稱問題主要有兩種觀點：政府干預學說和市場約束學說。政府干預學說認為，政府應該在解決市場信息不對稱問題上發揮主要作用。為了彌補市場自身缺陷，政府應積極進行干預，包括制定法律法規、直接干預及提供公共品等。市場約束學說認為要靠具有約束性的市場機制來解決信息不對稱問題，市場既是制造信息不對稱的源泉，也是減少信息不對稱的源泉，通過合理的制度安排，激勵信息優勢的市場參與者講真話，對利用信息優勢謀取不合法利益的參與者予以懲罰，降低信息不對稱產生的消極影響[ 5-9 ]。

P2P網絡借貸是信息不對稱最嚴重的市場之一。P2P網絡借貸是在陌生人之間建立直接的借貸關系，影響借款人出現信用風險的因素眾多，出借人難以全面準確地獲取信息并對信息進行合理分析[ 10 ]。通常，信用風險包括償還能力風險和償還意愿風險，影響償還能力風險的因素包括收入水平、資產情況、負債情況、意外事件等，影響償還意愿風險的因素則包括借款人的道德水平、違約成本等[ 11 ]。

從英美等國P2P網絡借貸市場的發展經驗來看，成熟完善的個人征信體系是保障P2P網絡借貸健康發展的重要前提。以美國為例，美國個人征信市場采用完全市場化運作機制，參與個人征信服務的單位主要為商業機構，政府負責法律法規的制定及行業監管，不參與具體征信業務。美國三大個人征信機構益博睿（Experian）、艾可菲（Equifax）、全聯（Trans Union）在個人征信體系中居于核心地位，費埃哲信用評分（FICO）是三大征信機構推出的應用最為廣泛的個人信用產品，應用領域包括信貸、就業、租賃等居民生活的各個領域。完善的個人征信體系和成熟的征信產品為P2P網絡借貸的發展提供了極大便利，美國最大的P2P平臺貸款俱樂部（Lending Club）對借款人的要求包括：個人FICO信用評分超過640分；債務收入比低于40%；至少有36個月的信用記錄等。FICO評分也是平臺評估借款人的信用風險水平及確定借貸利率的主要參考依據。

（二）P2P市場信用風險識別

借款人的信用記錄和財務狀況是信貸市場最關注的要素，通常具有良好信用記錄和財務狀況的借款人具有更低的違約概率，更容易獲得貸款。弗里德曼（Freedman）等[ 12 ]利用美國最早的P2P網絡借貸平臺的歷史交易記錄進行研究，發現投資者如果清楚借款人的財務狀況，則可以更為放心地進行投資?？巳R夫特（Klafft）[ 13 ]通過實證研究證明，借款人信用評分是影響借款利率的最主要因素，而借款人的房產狀況對貸款利率幾乎沒有影響。艾耶（Iyer）等[ 14 ]研究證明投資者除了關注借款人的信用評分，還關注借款人當前債務狀況等信息。

巴拉辛斯卡（Barasinska）[ 15 ]、波普和西德諾（Pope & Sydnor）[ 16 ]以及國內學者溫小霓和武小娟[ 17 ]、李淵博[ 18 ]研究了借款人性別與貸款風險之間的關系，研究結果普遍表明，女性借款人更容易獲得借款，違約概率也更低。

波普和西德諾的研究還指出，相比白人，非裔借款人的信用風險更高。雖然非裔借款人的借款利率也更高，但高出的借款利息不足以補償違約風險。

吳小英和鞠穎[ 19 ]研究發現，借款人的學生身份可以提高借款成功率。廖理等[ 20 ]的研究發現，借款人學歷對違約風險具有顯著性影響，借款人學歷越高，違約概率越低。

格雷納（Greiner）等[ 21 ]的研究表明社交關系會影響網絡借貸結果，借款人的社交網絡信息可以部分揭示借款人的信用狀況，同時可以在一定程度上彌補借款人的信用狀況和財務狀況的不足，幫助借款人獲得貸款。李（Lee）等[ 22 ]研究表明，健康的社交關系對借款能否成功具有顯著性影響，社交關系越豐富（如擁有更多網絡好友、更積極地參與網絡討論等）的借款人，違約風險越低，同時可以獲得更低的借款利率。

已有研究主要對P2P網絡借貸市場信用風險產生的原因及影響因素進行分析，而進一步研究P2P平臺信用風險識別機制的文章較為缺乏。本文基于風險資產定價理論研究我國P2P平臺信用風險識別機制的有效性，并根據實際交易過程，對各參與方的決策依據進行對比分析，對完善我國個人征信體系具有現實指導意義。

三、數據描述及模型設計

（一）數據說明

“人人貸”平臺的交易模式包括信用認證標和實地認證標兩種。平臺在上線初期以信用認證標為主，信用認證標交易流程為：借款人首先向“人人貸”平臺發出借款申請，借款人自行決定借款利率，并填寫基礎信息、資產信息及工作信息。平臺在收到借款申請后，對借款人資質進行網絡審核，并對借款人信用情況進行評級，之后公開發布借款申請以及借款人信息、平臺評級信息。對于平臺公開發布的借款申請，投資者決定是否出借及出借金額。如果公開發布的借款申請在七天內未籌款成功，則借款申請失敗，并被標記為“流標”。如果借款成功，則借款人按月償還本金及利息，直到償還完畢。對信用認證標，P2P平臺對借款人信息進行初步加工，通過標記借款人信用等級為投資者提供幫助。投資者在做出投資決策時，不僅需要評估借款人的信用狀況，還要評估借款利率是否與信用風險相匹配。

平臺上線中后期全部為實地認證標，實地認證標與信用認證標的區別在于，實地認證標由平臺對借款人進行實地認證，并由平臺直接確定借款利率。

“人人貸”平臺的信用識別機制具有一定的先進性，平臺收集借款人多維度信息并進行多方面認證。平臺收集并向投資者披露的信息主要包括三個方面：借款信息、借款人信息及認證信息。借款信息主要包括借款金額、借款利率及借款期限。借款人信息主要包括借款人年齡、學歷、婚姻狀況、收入狀況、房產狀況、車產狀況、工作年限、工作性質及公司規模等。認證信息則是“人人貸”平臺對借款人進行的12項認證，包括身份認證、信用報告、工作認證、收入認證、學歷認證、居住地證明、婚姻認證、房產認證、車產認證、手機認證、視頻認證、微博認證。

本文收集整理了“人人貸”上線后公開發布的全部信用認證標共86 725筆（本文采用數據交易時間為2011年1月14日至2016年2月25日平臺上線初期發布的部分標的）。其中，信用認證標流標74 137筆，借款成功12 588筆，流標率為85.5%。借款成功的信用認證標有495筆違約，違約率為3.93%。平臺隨后逐漸用實地認證標替代信用認證標，本文共收集整理實地認證標19 995筆，實地認證標未出現流標，也未出現違約記錄，表明實地認證標的市場效果要好于信用認證標，但大幅增加了平臺的征信成本。

本文變量定義及取值說明如下：

借款狀態：如果借款人借款成功，記為1，如果借款失敗，記為0。

還款狀態：當借款人籌款成功，借款人與貸款人借貸關系成立，借款人需從下月起償還本金及利息。如果借款正在償還中，則該筆交易標記為“還款中”。如果借款人最終完成還款，則該筆交易標記為“已還清”。如果借款人未按時還款超過30天，則該筆交易標記為“逾期”。如果借款人未按時還款超過120天，則平臺啟動“風險準備金”向投資者代為償還，并將該筆交易標記為“已墊付”。本文選取的人人貸信用認證標交易記錄，借款人還款情況均為“已還清”或“已墊付”。如果借款人“已還清”取值為0，“已墊付”取值為1。

借款金額：“人人貸”平臺提供的借款金額從3 000元到300 000元。2016年8月，銀監會等四部委聯合發布《網絡借貸信息中介機構業務活動管理暫行辦法》（以下簡稱《暫行辦法》），確定個人在同一平臺借款上限為20萬元，“人人貸”平臺在此之后將個人借款金額上限設定為200 000元。本文收集的交易數據中有少數借款金額超過200 000元，但由于交易是在《暫行辦法》公布之前完成，并不涉嫌違規。lnmnt為借款金額的對數。

借款利率：對信用認證標，借款利率由借款人自行決定，但要符合民間借貸的利率規定，即年利率不得超過36%。

借款期限：借款期限最低為1個月，最高為36個月。

借款人年齡：借款人年齡最低為18歲，最高為70歲。

借款人學歷：“人人貸”平臺提供4個學歷級別供借款人選擇，分別為高中及以下、大專、本科、研究生及以上。本文分別取值為1、2、3、4，借款人學歷越高，取值越大。

婚姻狀況：借款人的婚姻狀況包括未婚、已婚、離異及喪偶4種情況，為簡化起見，本文將借款人婚姻狀況中已婚記為1，將婚姻狀況為未婚、離異及喪偶記為0。

借款人收入：“人人貸”平臺設置7個區間供借款人描述自己的月收入情況，分別為不高于1 000元，1 001～2 000元，2 001～5 000元，5 001～10 000元，10 001～20 000元，20 001～50 000元及50 000元以上。本文的處理方式為：月收入不高于1 000元取值為500元，月收入50 000元以上取值為75 000元，其他情況取區間平均值。lninc為借款人收入的對數。

借款人房產：借款人有房產記為1，無房產記為0。

借款人車產：借款人有車產記為1，無車產記為0。

工作年限：“人人貸”平臺提供4個區間供借款人描述自己的工作年限情況，分別為1年（含）以下，1～3年（含），3～5年（含）及5年以上。本文的處理方式為：1年（含）以下取值為0.5年，5年以上取值為10年，其他情況取區間平均值。

認證數目：平臺完成的對借款人進行認證的數目?！叭巳速J”平臺對借款人進行12項信息認證，分別是身份認證、征信報告、工作認證、收入認證、學歷認證、居住地認證、婚姻認證、房產認證、車產認證、手機認證、視頻認證及微博認證。

信用評級：“人人貸”平臺根據借款人提供的信息及其認證情況，對借款人進行信用評級，信用評級最優為AA級，依次為A、B、C、D、E、HR級，HR為高風險級。本文對借款人信用評級取值依次為1、2、3、4、5、6、7，借款人信用評級越優，取值越小。

（二）變量統計分析

表1為各變量的統計性描述，其中樣本組（1）為收集的全部信用認證標，樣本組（2）為借款成功的信用認證標。

根據變量的統計結果，可以得出一些直觀的判斷。首先，借款成功的信用認證標平均利率低于全部信用認證標利率，表明投資者在做出投資決策時會考慮借款人的信用風險，而非直接投向高利率標的申請。其次，樣本組（1）和樣本組（2）借款人在婚姻狀態、工作年限、認證數目及信用評級等方面差距較大，表明這些指標可能對投資者的投資決策影響較大。

表2對借款成功信用認證標主要變量進行相關性分析。分析結果表明，利率與信用評級及違約率之間均存在正相關關系。

（三）模型設計

為完成本文的研究目標，根據實際交易流程，構建模型公式如下：

公式（1）目的是驗證借貸利率與違約風險之間的關系。其中被解釋變量為還款狀態，反映借款人的信用風險水平。核心解釋變量為借貸利率，通過觀察利率與信用風險之間的關系來驗證P2P平臺信用風險識別機制的有效性。解釋變量還包括公開信息中其他可能對違約風險具有預測作用的指標，通過觀察這些指標與信用風險之間的關系，進一步驗證平臺信用認證機制的有效性。

同樣根據實際交易流程，本文進一步分析平臺的信用識別機制如何對借款人確定借款利率產生影響，P2P平臺如何確定借款人信用等級，以及哪些指標對投資者的投資決策產生影響。

四、實證研究

（一）信用風險識別機制有效性

通過“人人貸”信用認證標的交易流程可以看出，信用認證標借款成功是借款人、P2P平臺、投資者三方博弈并就借款利率達成一致的結果。借款人希望以盡可能低的利率完成借款；P2P平臺為保障平臺順利運營，盡量為投資者提供準確的信用評級；投資者需要依據借款人的公開信息，參考平臺給定的信用評級選擇收益更高的投資，即在相同的利率水平下尋找信用風險最低的投資標的或者在相同的信用風險水平下尋找利率最高的投資標的。投資者如果同意出借，表明投資者認為利率可以覆蓋信用風險；投資者如果拒絕出借，表明投資者認為利率過低，不足以覆蓋信用風險。

平臺的信用識別機制是借款人、平臺和投資者進行決策的依據，也是借貸利率形成的基礎。通過分析借貸利率與信用風險之間的關系，可以判斷P2P平臺信用識別機制的有效性。如果利率可以顯著反映違約風險，表明平臺的信用風險識別機制有效，反之則表明平臺的信用風險識別機制無效。

借貸利率與信用風險相匹配，表明平臺的信用識別機制能較好地緩解P2P市場的信息不對稱問題，有利于行業的長遠健康發展。

為驗證平臺信用識別機制的有效性，根據模型公式（1），以信用風險為被解釋變量，利率為解釋變量建立Logit模型，回歸結果如表3模型（1）所示。

模型（1）回歸結果顯示，借款利率系數為0.218 7，在1%水平下顯著，表明利率可以揭示借款人違約風險，平臺的信用認證機制有效。借貸利率越高，違約風險也越高，符合借貸市場的一般規律。

根據前文描述，在信用認證標交易過程中，借款人、平臺、投資者都“有意愿”充分利用已有信息，追求自身利益最大化。本文想進一步了解的是市場參與各方是否“有能力”充分挖掘已有信息的價值，準確識別對違約風險產生影響的因素。為此，根據公式（1），將借款金額、借款期限、年齡、收入等變量加入模型（1），觀察在相同的利率水平下，其他變量與違約風險是否存在顯著性關系。回歸結果如表3模型（2）所示?；貧w結果顯示：在加入其他控制變量的情況下，利率與違約風險之間仍存在顯著關系，進一步驗證了平臺信用識別機制的有效性。同時，借款金額、借款期限、學歷、婚姻狀況、收入情況、房產情況、工作年限、認證數據及風險水平等變量與違約風險之間也存在顯著關系，表明對違約風險具有預測作用的指標未被完全包含到利率中，相同的利率水平未對應相同的信用風險，P2P平臺的信用識別機制部分有效。

P2P平臺的信用識別機制部分有效，表明借款人、平臺及投資者至少有一方在對信用風險識別及定價的過程中產生了偏差。導致這一結果的原因可能是平臺的信用風險識別機制缺乏核心指標。美國貸款俱樂部平臺建立了以FICO評分為核心的信用風險識別機制，FICO評分與借款利率高度匹配，實踐也證明利用FICO評分可以很好地識別借款人的違約風險。我國的P2P平臺也應構建識別風險的核心指標。信用風險識別機制的簡單化為投資者做出投資決策提供了很大便利。國內包括“人人貸”在內的絕大多數P2P平臺建立的信用風險識別機制雖然包含了多方面信息，但缺乏對信用風險進行評估的核心指標。無論借款人還是投資者，通常缺乏對海量、多維數據進行整理、分析的能力，只能憑個人經驗做出判斷，容易造成決策偏差。

模型（2）的回歸結果還展示了變量與違約風險之間的關系。具體來看，相同的利率水平下，借款金額越大、借款期限越長，違約風險越高，而具有高學歷、已婚、工作經驗豐富、擁有房產、認證數目多的借款人違約風險低，這些變量的回歸結果符合一般經驗。年齡及是否擁有汽車對信用風險的預測作用較弱。收入水平的回歸結果不符合直觀判斷。結果顯示，收入水平越高反而違約風險越大?？赡艿脑蛞环矫媸歉呤杖肴巳航杩罱痤~更大（根據表2的變量相關性分析判斷），導致還款壓力也更大，另一方面P2P平臺借款人通常是難以獲得銀行信貸、信用情況較差的用戶，通過P2P借貸的高收入人群可能已經負擔較大的經濟壓力。此外，信用評級的回歸結果為忽略，回歸過程提示只有HR評級的借款人出現違約，其他評級的借款人均未出現違約，這表明P2P平臺對借款人的信用評級過于“保守”，評級的參考價值有待提升。

（二）模型穩健性檢驗

對模型（2）進行穩健性檢驗，首先考慮不同時間段標的可能對回歸結果產生影響。“人人貸”平臺上線初期，無論借款人還是投資者都可能持觀望態度，從而對決策產生影響。隨著平臺上線時間及訂單完成數量的增加，借款人和投資者對平臺的信心隨之增加，投資決策的理性程度也會逐漸提升。

根據樣本組（2）訂單發布時間將樣本數據平均分成兩組分別進行檢驗，回歸結果如表4模型（3）和模型（4）所示，兩組數據的回歸結果除部分變量在顯著性方面與模型（2）存在輕微差別外，變量系數及符號都與模型（2）保持一致。

此外，我們還根據訂單金額劃分樣本數據并分別進行回歸檢驗，結果也與模型（2）保持一致，表明模型具有良好的穩健性。

（三）信用風險相關指標識別

模型（2）的回歸結果表明，平臺的信用風險識別機制是部分有效的，部分對信用風險具有預測作用的因素未包含在利率中，說明交易參與各方至少有一方在判斷上出現了偏差。本文為進一步分析借款人、P2P平臺和投資者的決策依據，利用樣本組（1）數據，分別建立模型（5）、模型（6）和模型（7），回歸結果如表5所示。

模型（5）描述了借貸利率與相關指標之間的回歸結果。結果顯示，借款金額越大、周期越長，相應的借款利率越高；學歷越高、已婚、擁有房產、認證項目多的借款人給出的借款利率越低，這些指標與模型（2）的結果相一致。收入的回歸結果與模型（2）一致，收入越高的借款人給出的借款利率越高。工作年限的回歸結果與模型（2）不一致，工作經驗越豐富的借款人信用風險越低，給出的利率反而越高，表明工作經驗豐富的借款人付出了過高的借貸成本。

模型（6）描述了P2P平臺信用評級與相關指標之間的回歸結果。結果顯示，利率越高、借款金額越大、周期越長，相應的信用風險評級越差；學歷越高、已婚、擁有房產、工作經驗越豐富、認證項目多的借款人給出的借款利率越低，這些指標與模型（2）的結果相一致。收入的回歸結果與模型（2）不一致，表明平臺在判斷收入對信用風險的影響方面出現了偏差。

模型（7）描述了平臺投資者與相關指標之間的回歸結果。結果顯示，利率越高、借款金額越大、周期越長，越容易被投資者拒絕；已婚、擁有房產、工作經驗越豐富、認證項目多的借款人給出的借款利率越低，這些指標與模型（2）的結果相一致。信用評級水平與借款人能否獲得借款之間存在顯著關系，表明平臺的信用評級對投資者的投資決策產生影響，信用評級越優的借款人越容易獲得投資。投資者在學歷和收入兩項指標上的判斷與模型（2）的結果存在偏差，投資者沒有重視學歷對借款人信用風險的影響，同時錯誤地認為高收入借款人信用風險較低。

綜合來看，盡管借款人、P2P平臺和投資者都“有意愿”為自己爭取最大利益，但結果表明三方的決策與實際情況相比都出現了一定程度的偏差，影響了平臺的健康發展。從長遠來看，P2P平臺可以通過積累交易數據、完善征信模型、進行實地認證等方式提高信用識別能力，而個人投資者容易在交易中處于劣勢地位[ 23 ]。

五、結論及建議

現階段，消費是推動我國經濟發展的主要動力，信貸市場規模隨之逐年擴大。信用風險識別是信用借貸的關鍵環節，而完善的個人征信體系則是進行信用風險識別的基礎。本文利用“人人貸”平臺的公開交易數據，研究了P2P網絡借貸的信用風險識別情況，結果表明：我國P2P網絡借貸的信用風險識別機制是部分有效的，但平臺在對借款人進行信用評級時過于“保守”，信用評級的價值較弱；個人投資者則在借款人收入、受教育程度等因素的判斷上出現偏差。本文認為，缺乏成熟的征信產品、存在征信數據壁壘是導致“判斷失誤”的重要原因。進一步研究表明，我國P2P網絡借貸的信用識別機制部分有效是由于P2P平臺及借貸雙方的決策都存在偏差。本文認為，進一步完善我國個人征信體系、豐富個人征信產品是保障P2P借貸市場健康發展的前提。為此借鑒美國等發達國家P2P網絡借貸市場的發展經驗，本文提出如下建議：

第一，打破個人征信數據壁壘?，F階段，我國個人信用信息數據分割現象依然明顯，個人信用信息有效共享有限。缺乏有效的信用信息激勵約束和收益分配機制是導致個人信用信息分割的主要原因。要打破個人征信數據壁壘，需協調征信機構之間、征信機構與互聯網企業、金融機構之間的利益分配矛盾，建立清晰、統一的數據標準，明確接入機構責任，引導和鼓勵各參與方依法合規共享數據。

第二，豐富個人征信產品。個人征信產品缺乏是制約信貸機構尤其是P2P平臺、小貸公司等小微信貸機構發展的重要因素?，F階段，在我國信貸市場應用較為廣泛的個人征信產品主要是央行的個人征信報告。但央行個人征信報告存在覆蓋人群有限、信貸數據以銀行交易記錄為主、征信結果不夠直觀等問題。借鑒美國等發達國家的征信市場發展經驗，豐富征信產品市場，有利于降低信貸機構征信成本[ 24-25 ]。以美國FICO為例，FICO具有數據來源廣泛、客觀、快捷、直觀等優點，但同時也存在結果維度單一，缺乏反映未來償還能力的指標等缺點。在借鑒他國發展經驗的基礎上，推動央行個人征信報告與百行征信、個人征信報告之間的錯位發展，實現不同的征信產品從多個維度描述居民的信用狀況，在直觀性、客觀性、全面性之間取得平衡，形成符合中國國情的個人征信產品。

第三，加強個人信息保護。在大數據時代，個人信息是征信業發展所不可或缺的數據資源。信息技術在征信領域的廣泛應用，提升了數據獲取和數據共享的效率，但也給個人數據安全帶來了隱患。隨著互聯網及移動互聯網的發展，用戶在網絡上沉淀的數據越來越多，大量數據涉及居民個人隱私?，F階段，對個人數據保護的規范尚不完善，執法力度不足，出現了大量未經信息主體授權或者超越授權范圍而采集、報送、查詢、使用個人信息的現象[ 26 ]。征信機構在采集及使用居民信息數據時，需嚴格按照法規制度和監管要求開展業務活動，在個人信息的采集時要確保經過了信息主體的明確授權，并且在授權范圍內使用，維護信息主體的合法權益。同時，需要對征信系統的技術防范措施進行定期檢查和更新，從技術上杜絕征信信息濫采濫用等數據安全隱患。

參考文獻：

[1]曹亞廷.P2P網貸與征信系統關系研究[J].征信，2014（11）：15-18.

[2]陳曦，計興辰.淺談P2P網貸平臺的征信和信用風險的控制[J].時代金融，2014（18）：63-64.

[3]AKERLOF.The market for“lemons”：quality uncertainty and the market mechanism[J].Quarterly journal of econom？ ics，1970（84）：488-500.

[4]MICHAEL C JENSEN，WILLIAM H MECKLING.Theory of the firm：managerial behavior，agency costs and owner？ ship structure[J].Journal of financial economics，1976（3）：305-360.

[5]AKINS B K，NG J，VERDI R S.Investor competition over information and the pricing of information asymmetry[J].Ac？ counting review，2012（1）：35-58.

[6]AMIRAM D，OWENS E，ROZENBAUM O.Do information releases increase or decrease information asymmetry？New evidence from analyst forecast announcements[J].Journal of accounting and economics，2016（1）：121-138.

[7]ARMSTRONG C S，CORE J E，TAYLOR D J，VERREC？ CHIA R E.When does information asymmetry affect the cost of capital？[J].Journal of accounting research，2011（1）：1-40.

[8]BARASINSKA N.The role of gender in lending business：evidence from an online market for peer-to-peer lending[J]. The New York times，2009（12）：1-25.

[9]BARASINSKA N，SCHAEFER D.Does gender affect fund？ ing success at the peer-to-peer credit markets？ evidence from the largest German lending platform[EB/OL].（2010-12-30）[2019-10-11].https：//www.diw.de/documents/pub？ likationen/73/diw_01.c.366502.de/dp1094.pdf.

[10]方匡南，吳見彬，朱建平，謝邦昌.信貸信息不對稱下的信用卡信用風險研究[J].經濟研究，45（S1）：97-107.

[11]何建奎，岳慧霞.美國個人信用體系范式及其對我國的借鑒[J].財經問題研究，2004（11）：48-51.

[12]FREEDMAN S，JIN G Z.The information value of online so？ cial networks：lessons from peer-to-peer lending[J].Interna？ tionaljournalofindustrialorganization，2017（51）：185-222.

[13]KLAFFT M.Peer to peer lending：auctioning microcredits over the internet[EB/OL].（2008- 03- 06）[2019- 10- 12]. https：//papers.ssrn.com/sol3/papers.cfm？abstract_id=13523 83.pdf.

[14]IYER R， KHWAJA，A I LUTTMER， E F et al.Screening in new credit markets：can individual lenders infer borrow？ er creditworthiness in peer-to-peer lending？[J].Social sci？ ence electronic publishing，2009（8）：9-31.

[15]BARASINSKA N.Does gender affect investors appetite for risk？ Evidence from peer-to-peer lending[J].Ssrn electron？ ic journal，2011（5）：31-49.

[16]POPE D G，SYDNOR J R.Whats in a picture？evidence of discrimination from prosper.Com[J].Journal of human re？ sources，2011，46（1）：53-92.

[17]溫小霓，武小娟.P2P網絡借貸成功率影響因素分析--以拍拍貸為例[J].金融論壇，2014（3）：3-8.

[18]李淵博.P2P網絡借貸市場中出借人投標行為影響因子的實證研究——基于信任的視角[J].特區經濟，2014（8）：135-137.

[19]吳小英，鞠穎.基于最小二乘法的網絡借貸模型[J].廈門大學學報（自然科學版），2012（51）：980-984.

[20]廖理，吉霖，張偉.借貸市場能準確識別學歷的價值嗎？——來自P2P平臺的經驗證據[J].金融研究，2015（3）：146-159.

[21]GREINER M E，WANG H.The role of social capitalin peo？ ple-to-peoplelendingmarketplaces[EB/OL].（2009-12-30）[2019-10-11].https：//aisel.aisnet.org/cgi/viewcontent.cgi？re ferer=&httpsredir=1&article=1176&context=icis2009.

[22]LEE E，LEEe B.Herding behavior in online p2p lending：an empirical investigation[J].Electronic commerce research& applications，2012（5）：495-503.

[23]李夢然.P2P網絡借貸投資者的信息識別與行為偏差[D].北京：清華大學，2014.

[24]廖理，李夢然，王正位，賀裴菲.觀察中學習：P2P網絡投資中信息傳遞與羊群效應[J].清華大學學報（哲學社會科學版），2015（1）：156-167.

[25]廖理，李夢然，王正位.聰明的投資者：非完全市場化利率與風險識別[J].經濟研究，2014（7）：125-138.

[26]陳曦，計興辰.淺談P2P網貸平臺的征信和信用風險的控制[J].時代金融，2014（18）：63-64.

特約責任編輯：古文

Research on Credit Risk Identification of Peer-to-Peer Lending Market

JIANG Xian-ling1，ZHANG Qing-bo1and CHENG Jian2

（1.University of International Business and Economics，Beijing100029，China；2.China Export& Credit Insurance Corporation，

Beijing100033，China）

Abstract：In recent years，Peer-to-Peer lending market has become a serious disaster area in the financial field of our country，various kinds of problems emerge in endlessly，which not only damage the profit of investors，but also seriously disturb the financial order of our country. It is of great practical significance to us to deeply study the problems existing in Peer-to-Peer lending market. Peer-to-Peer lending market is one of the most serious market of information asymmetry. The key link of Peerto-Peer lending is to identify the credit risk of the borrower. According to the theory of credit risk pricing，the loan interest rate should fully reflect the default risk. The validity of the credit risk identification mechanism in the loan market can be verified by testing the relationship between the loan interest rate and the default risk. The open historical transaction data of Renrendai platform provides a data source for testing the credit risk identification mechanism of Peer-to-Peer lending market. The empirical research results show that：the lending interest rate can partly reflect the credit risk of the borrower；but at the same interest rate level，other indicators have a significant relationship with the default risk，indicating that the same interest rate does not correspond to the same credit risk. Further research shows that，with the lack of personal credit report，there is the deviation between the judgment of borrower，P2P platform and the investor on credit risk influencing factors and the actual situation. The borrower with rich working experience has paid too much borrowing cost；there is the deviation between the judgment of platform on the impact of income on credit risk and the reality；and the investor ignores the value of the borrowers education experience. So we should further eliminate data barriers in personal credit report，enrich personal credit products，and protect the safety of residents credit data to ensure the sustainable development of loan market.

Key words：Peer-to-Peer lending；credit risk；personal credit report