互聯網貸款個人信用風險影響因素研究綜述

李焱文 劉小勇

摘要：隨著科技金融的規范發展，互聯網貸款在滿足小微金融需求方面日益重要。2020年5月9日，銀保監會發布《商業銀行互聯網貸款管理辦法》（征求意見稿），個人信用風險備受關注。本文查閱大量文獻，從人口學特征、貸款特征和社會資本等三個方面，對互聯網貸款個人信用風險影響因素進行了系統引證對比分析，歸納出詳細的影響因素脈絡，指出了目前研究中存在的缺陷與不足，為未來研究提供了建議和參考。

關鍵詞：互聯網貸款 ?個人信用 ?違約因素

一、引言

互聯網貸款是一種“無面簽、無抵押、無擔保”的線上小額金融信貸服務，相比傳統信貸，具有“觸達廣泛、便利快捷和邊際成本低”的優勢，近年來迅速發展。商業銀行紛紛推出互聯網信貸產品，如招商銀行閃電貸、中信銀行信秒貸、工商銀行融e借等，互聯網銀行也應運而生，如微眾、網商和新網銀行等。同時，各省級金融主管部門陸續審批設立了一批 “不吸收存款、通過網絡在全國線上發放貸款”的互聯網小額貸款公司。需指出的是，互聯網貸款是現代信息科技的零售金融業態，不局限于P2P網貸，將互聯網貸款等同P2P的理解是片面的。

2020年5月9日，銀保監會發布《商業銀行互聯網貸款管理辦法》（征求意見稿），正式對互聯網貸款進行規范管理。作為現代科技金融的重要業態，互聯網貸款相比傳統貸款，違約風險高，系統研究其違約因素，對控制金融風險具有重大意義。本文研閱了互聯網貸款信用風險影響因素的國內外文獻，從人口學特征、貸款特征、社會資本、監管政策缺失和風險傳染五個方面進行了歸納，期望本綜述能總結研究現狀和成果，為未來研究提供參考和方向。

二、人口學特征的影響

（一）第一類特征——個體顯性特征

許多研究認為借款人的“學歷、職業、性別、年齡、婚姻和收入”等對網絡小貸信用風險有明顯影響。這些特征是直接標識人口畫像的顯性特質，作者稱這些為第一類特征，即個體顯性特征。

廖理（2015）[1]和（ 2018 ）[2]認為高等教育年限增強了P2P網貸借款人的自我學習和約束能力，學歷高的借款人實際違約率更低。Terano et al.（2015）[3]和隋昕（2017）[4]研究發現職業穩定性與網絡貸款違約率呈現顯著負相關，近期工作年限較長、職業穩定的借款人違約較少。Mota et al.（2018）[5]的研究顯示私有企業主比任職受雇人士更傾向拖欠貸款，制造職業比從事服務業者還款表現更好，但加工制造的私有企業主更易拖欠貸款。

蔡閩（2016）[6]和 Serrano et al.（2016）[7]對在線小額信貸的實證研究表明，女性相比男性更謹慎信用風險更低、年齡較大的借款人違約率更低、受教育程度與違約率呈負相關、已婚人士比未婚和單身人士信用更優，婚姻穩定者違約率較低，收入較高的借款人擁有更低的違約率，Mirpourian et al.（2016）[8]和晏翔（2018）[9]等對商業銀行小額信貸的違約因素研究，也印證了上述觀點。

（二）第二類特征——個體關聯特征

學者們也關注到“家庭、財產、戶籍、區域、種族和國籍”對互聯網貸款借款人信用風險也有重要影響。這些特征是間接標識人口畫像的關聯信息，其代表的關聯或共同特性會影響個體，作者稱這些為第二類特征，即個體關聯特征。

顧慧瑩（2015）[10]對P2P網貸的研究表明家庭收入較低者信用風險更大，外地戶籍較本地戶籍更易違約，王福林等（2005）[11]對商業銀行住房抵押貸款的違約研究也有相同結論。雷艦（2019）[12]實證研究表明網絡小貸借款人的家庭擁有車產和房產者違約率會更低，Copestake et al.（2007）[13]對小額信貸的研究也有類似結論。李廣明等（2011）[14]對網絡小貸的研究認為，在珠三角特別是廣東區域的打工者具有更高的逾期違約率，信用風險較高。Mota et al.（2018）[5]研究認為種族和膚色對網絡小貸違約率具有明顯影響，有色人種如黑人付出的貸款利率更高，違約風險也更大，外國人比本國人更易拖延還款。

三、貸款特征的影響

（一）產品屬性特征

在考察人口學特征影響違約風險的同時，學者們也研究“貸款用途、金額、利率、期限、還款方式、借款人盈利能力與抵押物”等因素對借款人信用風險的影響，這些因素是放貸機構在設計貸款服務時的產品要素，作者概括為貸款產品屬性特征。

吳曉昀（2017）[15]和張彤進等（2019）[16]對人人貸、拍拍貸和其他網絡小貸研究后認為，貸款金額、利率、期限和用途對違約風險有明顯影響，貸款利率越高、期限越長、金額越大，違約概率越大，貸款用途真實的借款人違約概率更低，其中影響最大的是貸款利率和期限。Mahjabeen（2008）[17]對銀行小額信貸的研究也表達了相近的結論。

Collier （2010）[18]和隋昕（2017）[4]等研究認為，網貸借款人的“月收入、每月還款額、還款方式和線下抵押狀態”對其信用風險具有重要影響，月還款占收入比例大、等額還款相比等本還款、貸款抵押成數高者，更容易違約。王福林等（2005）[11]和 Abdou et al.（2016）[19]對商業銀行住房抵押與零售貸款的研究也證實了這些觀點。

（二）記錄屬性特征

在關注產品屬性特征對網貸信用風險影響的同時，學者們也考察了貸款“申請次數、成功次數、失敗次數、還清筆數、欠款筆數、逾期次數”及“其他貸款狀態”等影響，這些因素屬于借款人貸款過程的歷史記錄，作者概述為貸款的記錄屬性特征。

李帥（2016）[20]等對P2P網絡借貸研究認為，貸款的“申請次數、成功次數、失敗次數和逾期次數”，對違約有直接影響，成功次數多者，違約概率小，失敗次數多者，違約概率大，逾期次數與違約概率直接正相關，成功次數多者申請次數越多，違約比例越小，同時，違約較多發生在申請次數較少的新借款人中。隋昕（2017）[4]和雷艦（2019）[12]對互聯網貸款的研究表明，“欠款筆數、其他貸款和貸記卡狀態”對違約有重要影響，欠款筆數較多者更易違約，其他貸款余額較大者更易違約。

四、社會資本的影響

社會資本被認為是一種具有近似價值觀和認知范式行為的社會關系網絡，可給人帶來未來收益，并往往以聲譽、人緣和口碑等形式體現出來，相關研究主要包括兩個方面。

一是，研究社會資本作為借款人軟信息對解決信息不對稱和抑制信用風險的作用。王鎖柱（2004）[21]認為信息包括硬信息和軟信息，硬信息是反映客觀事實的信息，軟信息是含有主觀判斷的信息，硬信息對客觀事實回答是或非的問題，軟信息包含“涉及價值觀念和知識結構”的主觀判斷，不完全是是非辨別，而是一種偏好。互聯網貸款借款人的硬信息，是不具個性化特征、能用準確指標量化或傳遞的信息;軟信息是不能用準確數值指標表示、難以量化處理的信息，借款人的社會資本與網絡是典型軟信息。

Iyer et al.（2009）[22]研究國際知名網絡小貸Prosper.com時發現，軟信息，如朋友人數、朋友圈投資人的數量和金額、家人和主要朋友網絡的信用狀況、在家人和朋友及社群組織中的評價與口碑等，能彌補其硬信息的不足，有助于識別違約風險，這種識別效應與社交網絡的緊密與豐富程度密切相關，社交網絡越緊密豐富，越有助于降低借款人違約風險，Lin et al.（2013）[23]的研究也印證了這種觀點。

扈震等（2014）[24]和Chen et al.（2017）[25]研究互聯網貸款時認為，社會資本所包含的人際與社會關系網絡，能減少信息不對稱，促成交易并降低違約風險，Berger et al.（2002）[26]在研究商業銀行小企業信貸時也肯定了前述觀點。金虎斌（2017）[27]進一步指出，硬信息評價網絡小貸借款人還款能力，軟信息如人脈關系影響力、好友信用狀況等，則有助判斷借款人品質、評價其還款意愿，防范和降低信用風險。

二是，研究社會資本影響網絡小貸借款人信用風險的路徑、方式和效果。Lin et al.（2013）[27]和陳冬宇（2013）[28]對國內外網絡小貸的研究認為，嵌入熟識朋友圈的關系、地位、信任與推薦，有助判斷借款人的可信程度，評估在線借款人的信用狀況，預測借款人的違約概率，降低其信用風險，繆蓮英（2014）[29]對國外知名網絡小貸prosper.com的實證研究進一步證明了這些觀點。Everett （2015）[30]和顧慧瑩（2015）[10]研究認為，“家人和親屬”等血緣情感性社會資本，具隱性擔保價值，可約束借款人及時償還債務，降低借款人違約概率，不被家人或親屬知曉或支持的互聯網貸款更容易違約。

繆蓮英等（2014）[29]和Everett（2015）[30]等研究認為，互聯網貸款借款人加入借貸群組，因組內定例和規則，可以實現群組的社交強監督與懲戒效應，迫使借款人及時履約，群組成員越多，這種效應越強，同時，群組內的經濟共享或互助信息，能幫助借款人提高收入能力償還貸款，這些都有助降低借款人的信用風險，但群租若存在推薦收費機制，則這種效應會減弱，Chen et al.（2017）[25]對在線貸款的實證研究中得出了相同結論。

五、評述性結論

現有文獻對互聯網小額貸款個人信用風險影響因素的研究，主要是五個方面：一是借款人的人口學特征，包括第一類特征即個體顯性特征，如學歷、性別、年齡、婚姻、職業和收入等，第二類特征即個體關聯特征，如家庭、財產、戶籍、區域、種族和國籍等;二是貸款特征，包括貸款的產品屬性特征，如貸款用途、金額、利率、期限、還款方式、借款人盈利能力與抵押物等，貸款的歷史記錄屬性特征，如申請借款次數、借款成功次數、借款失敗次數、還清筆數、欠款筆數、歷史違約次數、其他貸款、貸記卡狀態等;三是借款人的社會資本，主要包括社會資本或網絡作為軟信息的影響、社會資本通過親屬、朋友圈和群組的影響路徑、方式和效果。

已有文獻對網絡小貸個人信用風險的影響因素進行了大量細致研究，但仍存在不足：

第一，將網絡小貸等同于P2P網貸，對P2P網貸平臺的研究較多，但對正規持牌金融機構如互聯網銀行、網絡小額貸款公司的線上小額信貸業務研究較少，對P2P網貸機構的道德信用風險關注過多，對互聯網技術創新下的小額信貸業務信用風險的探索不夠。

第二，對借款人信用風險影響因素的的分析，大多局限在人口特征或貸款特征的某些方面，研究呈碎片化，研究維度不充分，結合人口特征、貸款特征和社會資本各個維度進行多方面系統性研究較少，系統性評價借款人信用風險影響因子不夠。

第三，社會資本的影響，國外研究多，國內研究少，在信貸需求與約束、信貸渠道與可獲得性方面研究較多，關于社會資本對網絡小貸借款人信用風險影響機理的關注少，研究局限在現象解釋層面，實證研究少，社會資本替代變量的解釋性和說服力不夠。

后續研究可以從現有不足切入，結合行業與業態發展的現狀，深入研究互聯網貸款個人信用風險的影響因素，為互聯網貸款良性發展和風險控制提供理論與方法支持。

參考文獻：

[1]廖理，吉霖，張偉強.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（03）：146-159.

[2]廖理，向佳，王正位.P2P借貸投資者的群體智慧[J].中國管理科學.2018，26（10）：30-40.

[3]Terano R，Mohamed Z，Jusri J H H.Effectiveness of microcredit program and determinants of income among small business entrepreneurs in Malaysia[J].Journal of Global Entrepreneurship Research.2015，5（1）：22.

[4]隋昕.基于Logit模型的P2P網絡借貸平臺借款人信用風險影響因素研究[D].哈爾濱商業大學，2017.

[5]Mota J，Moreira A C，Brando C.Determinants of microcredit repayment in Portugal：analysis of borrowers，loans and business projects[J].Portuguese Economic Journal.2018，17（3）：141-171.

[6]蔡閩.流量覆蓋風險——網絡小額信貸風險控制新思路[J].金融研究.2016（09）：131-144.

[7]Serrano-Cinca C，Gutiérrez-Nieto B.The use of profit scoring as an alternative to credit scoring systems in peer-to-peer （P2P） lending[J].Decision Support Systems.2016，89：113-122.

[8]Mirpourian S，Caragliu A，Di Maio G，et al.Determinants of loan repayment performance among borrowers of microfinance institutions：Evidence from India[J].World Development Perspectives.2016，1：49-52.

[9]晏翔.商業銀行個人貸款風險因素實證分析[J].農村金融研究.2018（05）：47-49.

[10]顧慧瑩，姚錚.P2P網絡借貸平臺中借款人違約風險影響因素研究——以WDW為例[J].上海經濟研究.2015（11）：37-46.

[11]王福林，賈生華，邵海華.個人住房抵押貸款違約風險影響因素實證研究——以杭州市為例[J].經濟學（季刊）.2005（02）：739-752.

[12]雷艦.P2P網貸借款人信用風險因素分析與對策[J].金融理論與實踐.2019（12）：31-39.

[13]Copestake J.Mainstreaming Microfinance：Social Performance Management or Mission Drift？[J].World Development.2007，35（10）：1721-1738.

[14]李廣明，諸唯君，周歡.P2P網絡融資中貸款者欠款特征提取實證研究[J].商業時代.2011（01）：41-42.

[15]吳曉昀.P2P借款者違約率影響因素分析[D].湖南大學，2017.

[16]張彤進，劉永亮.P2P網絡小額貸款信用風險的影響因素識別——基于Logit模型的實證研究[J].時代金融.2019（11）：12-13.

[17]Mahjabeen R.Microfinancing in Bangladesh：Impact on households，consumption and welfare[J].Journal of Policy Modeling.2008，30（6）：1083-1092.

[18]Collier B，Hampshire R.Sending mixed signals：Multilevel reputation effects in peer-to-peer lending markets[Z].Savannah，Georgia，USA，February 6-10，2010.：2010197-206.

[19]Abdou H A，Tsafack M D D，Ntim C G，et al.Predicting creditworthiness in retail banking with limited scoring data[J].Knowledge-Based Systems.2016，103：89-103.

[20]李帥.P2P網絡借貸借款人信用風險評估指標研究[D].對外經濟貿易大學，2016.

[21]王鎖柱，李懷祖.硬信息與軟信息的內涵及其關系研究[J].情報雜志.2004（04）：60-61.

[22]Iyer R，Khwaja A，Luttmer E，et al.Screening in New Credit Markets：Can Individual Lenders Infer Borrower Creditworthiness in Peer-to-Peer Lending？[J].Harvard University，John F.Kennedy School of Government，Working Paper Series.2009.

[23]Lin M，Prabhala N R，Viswanathan S.Judging Borrowers by the Company They Keep：Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending[J].Management Science.2013，59（1）：17-35.

[24]扈震，王學武.P2P網貸信息不對稱問題研究[J].中國市場.2014（32）：46-51.

[25]Chen R，Chen Y，Liu Y，et al.Does team competition increase pro-social lending？ Evidence from online microfinance[J].Games and Economic Behavior.2017，101：311-333.

[26]Berger A N，Udell G F.Small Business Credit Availability and Relationship Lending：The Importance of Bank Organisational Structure[J].The Economic Journal.2002，112（477）：F32-F53.

[27]金虎斌，張成虎.網絡借貸平臺的信息處理與信用評級效率分析——基于人人貸與Prosper的實證對比檢驗[J].上海經濟研究.2017（10）：45-58.

[28]陳冬宇，賴福軍，聶富強.社會資本、交易信任和信息不對稱——個人對個人在線借貸市場的實驗研究[J].北京航空航天大學學報（社會科學版）.2013，26（04）：75-83.

[29]繆蓮英，陳金龍.P2P網絡借貸中社會資本對借款者違約風險的影響——以Prosper為例[J].金融論壇.2014，219（03）：9-15.

[30]Everett C.Group Membership，Relationship Banking and Loan Default Risk：The Case of Online Social Lending[J].Banking and Finance Review.2015，7：15-54.

基金項目：本研究獲2019年國家社會科學基金一般項目“新時代區域協調發展的財政體制研究”（批準編號19BJL045）資助。

作者單位：華南理工大學經濟與貿易學院