P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險影響因素分析-以拍拍貸為例

1、目 錄摘要1關(guān)鍵詞1Abstract1Key words1一、引言1二、文獻(xiàn)綜述2（一）P2P網(wǎng)絡(luò)借貸概念介紹2（二）P2P網(wǎng)絡(luò)借貸風(fēng)險相關(guān)理論介紹21道德風(fēng)險22逆向選擇3（三）國內(nèi)外研究現(xiàn)狀 31P2P網(wǎng)絡(luò)借貸信用風(fēng)險影響因素研究現(xiàn)狀分析32P2P網(wǎng)絡(luò)借貸信用風(fēng)險評估模型現(xiàn)狀分析43P2P網(wǎng)絡(luò)借貸平臺運(yùn)行模式風(fēng)險控制現(xiàn)狀分析4三、拍拍貸借款人信用風(fēng)險影響因素實(shí)證分析 4（一）數(shù)據(jù)來源4（二）變量選擇及描述性統(tǒng)計分析 51被解釋變量52解釋變量5（三）模型設(shè)定9（四）借款人信用風(fēng)險影響因素的Logit回歸分析10五、結(jié)論與展望12（一）平臺內(nèi)部建立貸前科學(xué)有效的借款人信用風(fēng)險評估體系11（二

2、）平臺內(nèi)部建立貸后追蹤制度及風(fēng)險控制制度 11（三）平臺外部加強(qiáng)監(jiān)督管理，健全法律法規(guī)11致謝11參考文獻(xiàn)12 P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險影響因素分析以拍拍貸為例摘要：P2P網(wǎng)絡(luò)借貸是金融科技浪潮中的一種趨勢也是未來金融服務(wù)的發(fā)展方向，它有利于活躍民間金融，緩解個人和中小企業(yè)的融資困難問題。本文以拍拍貸平臺為例，從借款人這一角色出發(fā)，分析其在P2P網(wǎng)絡(luò)借貸時的信用風(fēng)險，通過網(wǎng)頁固定抓取數(shù)據(jù)，從拍拍貸網(wǎng)站上截取借款數(shù)據(jù)，選取八個指標(biāo)作為解釋變量，基于logit模型定量分析借款人信用風(fēng)險的影響因素，發(fā)現(xiàn)借款人的認(rèn)證得分、借款成功次數(shù)與流標(biāo)次數(shù)、借款金額、利率和期限對信用風(fēng)險具有顯著影響，最后

3、根據(jù)研究結(jié)果提出結(jié)論與展望，提出防范借款人在P2P網(wǎng)絡(luò)借貸中出現(xiàn)信用風(fēng)險的對策。關(guān)鍵詞：P2P網(wǎng)絡(luò)借貸；信用風(fēng)險；影響因素The Analysis of Borrower Credit Risk Factors on P2P Network LendingTake PPDAI As an ExampleAbstract： P2P network lending is a trend in the wave of financial technology , which is also the future direction of the development of financial se

4、rvices . It is conducive to active private finance and to solve the financing problems of individual and small and medium enterprises. This paper takes P2P network lending platform on PPDAI as an example and analyzes the credit risk of the borrowers . The author grabs loan data from PPDAI website an

5、d selects eight indicators as the influencing factors . Through quantitative analysis of the logit model , the paper analyzes the factors influencing the credit risk of the network lending and finds that the borrowers certification score, the number of borrowing successes, the number of bids, the bo

6、rrowing amount, the interest rate and the lending period have a significant influence on the credit risk . Finally, according to the results of the study , the author makes conclusions and prospects to prevent the credit risk of network borrowers .Key words: P2P network lending；credit risk；influence

7、 factors一、 引言P2P網(wǎng)絡(luò)借貸憑借著線上平臺與信息技術(shù)，成為了為借貸交易提供便利的新興服務(wù)行業(yè)，是金融界的支柱之一。國外第一家P2P網(wǎng)絡(luò)借貸平臺是2005年在英國創(chuàng)立的Zopa，同時，它也是全球首家網(wǎng)貸平臺。截至2017年1月，Zopa實(shí)現(xiàn)了20億貸款的里程碑并在3月贏得了Lendit最高消費(fèi)平臺獎項(xiàng)。在2007年6月，拍拍貸網(wǎng)絡(luò)借貸平臺在中國成立，這是我國首次引入P2P網(wǎng)絡(luò)借貸模式，但其發(fā)展并非十分順利通暢，因?yàn)檫@是個全新的領(lǐng)域，中國在網(wǎng)絡(luò)借貸行業(yè)沒有明顯的進(jìn)步而且信用體系和監(jiān)管體系也并不健全。 現(xiàn)在中國P2P網(wǎng)絡(luò)借貸行業(yè)正處于不斷攀升的成長上升期，根據(jù)中國知名第三方網(wǎng)貸咨詢平臺網(wǎng)

8、貸之家的“2016年網(wǎng)絡(luò)借貸平臺成交數(shù)據(jù)”資料顯示，截至2016年12月底，網(wǎng)絡(luò)借貸行業(yè)中正常運(yùn)營平臺數(shù)量為2448家，與2015年底統(tǒng)計的數(shù)據(jù)對比，減少了985家，全年正常運(yùn)營平臺數(shù)量出現(xiàn)了逐級降低的走勢，與2015年數(shù)量大幅增加呈現(xiàn)截然相反的情況，且一年累計 HYPERLINK /doc-view-3158.html t _blank 停業(yè)及 HYPERLINK /doc-view-3155.html t _blank 問題平臺數(shù)量達(dá)到1741家，其中35%左右的平臺出現(xiàn)跑路、提現(xiàn)困難、倒閉等現(xiàn)象，這反映出P2P網(wǎng)絡(luò)借貸中潛在的巨大信用風(fēng)險，而這很大程度上是因?yàn)樾畔⒉粚ΨQ和道德風(fēng)險所引起的

9、借款人信用風(fēng)險造成的。由于缺乏科學(xué)有效的評估體系，網(wǎng)絡(luò)借貸平臺個人的信用體系并不健全，平臺很難對借款人的信用狀況進(jìn)行評判，預(yù)測其違約概率更是難上加難。如果解決了借款人信用風(fēng)險的問題，就可以降低問題平臺的數(shù)量，從而更好的促進(jìn)P2P網(wǎng)絡(luò)借貸平臺的良性發(fā)展，因此研究P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險的影響因素具有重要意義和緊迫性。目前國內(nèi)的研究資料較少，國外眾多學(xué)者對P2P網(wǎng)絡(luò)借貸行業(yè)的平臺運(yùn)營模式、法律規(guī)制、政府監(jiān)管、融資效率、行為分析等方面的研究已經(jīng)非常透徹，取得了豐碩的成果。但是對網(wǎng)絡(luò)借貸平臺風(fēng)險研究較少，從借款人角度出發(fā)的關(guān)于信用風(fēng)險的研究更加稀少。本文將從借款人的角度出發(fā)，以拍拍貸平臺為例，

10、通過網(wǎng)上數(shù)據(jù)的查找，從八個維度評估影響借款人的信用因素，并建立logit模型對數(shù)據(jù)進(jìn)行定量分析，提出防范借款人信用風(fēng)險的建議和方法。 二、 文獻(xiàn)綜述（一）P2P網(wǎng)絡(luò)借貸概念介紹P2P網(wǎng)絡(luò)借貸是指個體與個體直接通過第三方線上平臺進(jìn)行借貸。個體可分為自然人、法人和其他組織。起源于小額信貸的P2P網(wǎng)絡(luò)借貸是一種新型的金融模式，它的 HYPERLINK /doc-view-2364.html t _blank 借款期限和金額都比與其相互補(bǔ)充的傳統(tǒng)金融更短、更小，利率多數(shù)也高于銀行等傳統(tǒng)金融金機(jī)構(gòu)的利率，它的借貸參與者大部分是對互聯(lián)網(wǎng)金融比較熟悉的個人和無法在傳統(tǒng)金融機(jī)構(gòu)借貸的客戶。借款者只需完成網(wǎng)絡(luò)平

11、臺注冊、身份信息審核等一系列程序，就可以參與網(wǎng)絡(luò)借貸。對于借款人和出借人，借貸成本可以在很大程度上得到降低，與此同時，P2P網(wǎng)絡(luò)借貸在傳播信息方面的效率也更高，使得信息覆蓋更為廣泛，信用交易更加有效。Meyer Tet al.(2007)認(rèn)為P2P網(wǎng)絡(luò)借貸指的是當(dāng)借款人與出借人在沒有金融機(jī)構(gòu)中介平臺時，P2P網(wǎng)絡(luò)借貸平臺可以為他們提供便利的信貸服務(wù)，使得用戶可以更加方便的借貸。（二）P2P網(wǎng)絡(luò)借貸風(fēng)險相關(guān)理論介紹信用風(fēng)險（Credit risk）是指簽訂交易合同的雙方違背契約內(nèi)容，造成另一方經(jīng)濟(jì)利益受損的風(fēng)險。在P2P網(wǎng)絡(luò)借貸中，借款人的個人信用風(fēng)險是指借款人失信，沒有踐行合同內(nèi)容，在規(guī)定時期

12、內(nèi)支付利息和本金，使平臺及出資人蒙受經(jīng)濟(jì)損失的風(fēng)險。1道德風(fēng)險道德風(fēng)險（Moral Hazard）是指簽訂交易合同的一方要承受對手可能改變行為，使自身經(jīng)濟(jì)受損的風(fēng)險。在P2P網(wǎng)絡(luò)借貸中，信息不對稱使得借款人在網(wǎng)上提交的辨別其身份、資金用途和還款能力資料和信息的真實(shí)性很難被辨別。許榮等(2014) 認(rèn)為不健全的個人信用體系以及不完備的網(wǎng)絡(luò)借貸平臺設(shè)計機(jī)制，使P2P網(wǎng)絡(luò)借貸存在道德風(fēng)險。談超、王冀寧、孫本芝（2014）認(rèn)為雖然第三方網(wǎng)絡(luò)借貸平臺實(shí)現(xiàn)了借款人與出借人的借貸交易，但是由于平臺自身的特點(diǎn)，即跨空間性和高度隱藏性又導(dǎo)致了借貸雙方參與者在無法面對面的接觸交易時無法獲得關(guān)鍵性的信息，這會導(dǎo)致信

13、息不對稱問題變得更加嚴(yán)重。此外，借款資金監(jiān)督和貸后追蹤成本較高，也容易造成借款人的道德風(fēng)險。Chaffee等(2011) 認(rèn)為P2P網(wǎng)絡(luò)借貸的道德風(fēng)險要遠(yuǎn)遠(yuǎn)高于傳統(tǒng)金融借貸，這是因?yàn)榻杩钊伺c出借人僅通過P2P網(wǎng)絡(luò)借貸平臺這一紐帶聯(lián)系彼此，這種線上交易的虛擬性使得道德懲罰的強(qiáng)度得以降低。Galloway(2009) 和Xiaoguang、Yi(2011) 指出信任機(jī)制不僅是保障線下借貸資金安全的重要因素，更是推動P2P網(wǎng)絡(luò)借貸發(fā)展的不可或缺的機(jī)制；除此之外，它還可以降低在線上借貸過程中出現(xiàn)的嚴(yán)重的信息不對稱問題和借款人道德風(fēng)險問題。2逆向選擇逆向選擇(Adverse choice)在金融領(lǐng)域中是

14、指市場上最活躍且借款成功概率很高的借款人極有可能存在違約風(fēng)險。Lee等（2001）指出信任機(jī)制是一個社會良好、運(yùn)行穩(wěn)定的前提，它可以解決P2P網(wǎng)絡(luò)借貸的逆向選擇問題。Su-lin等（2003）指出借貸平臺的網(wǎng)站設(shè)計、借款安全認(rèn)證、借貸參與者的信息保護(hù)和個人特征是信任機(jī)制的關(guān)鍵因素。廖理等（2014）以人人貸網(wǎng)絡(luò)借貸平臺為例，在分析其網(wǎng)站數(shù)據(jù)后得出結(jié)論：借款利率沒有完全體現(xiàn)逆向選擇問題和借款人的違約信用風(fēng)險問題。Gonzalez和Loureiro（2014）、李焰等（2014）認(rèn)為借款人向網(wǎng)絡(luò)借貸平臺展示越多的信息，網(wǎng)站對用戶信用審核越充分，越有利于解決逆向選擇的問題。王錦虹(2015) 認(rèn)為在

15、P2P網(wǎng)絡(luò)借貸中，所謂的逆向選擇就是借款人放棄了低利率和低風(fēng)險的高質(zhì)量借款，反而追求高利率、高風(fēng)險的低質(zhì)量借款的逆向行為。市場逆向選擇導(dǎo)致利率下跌，信用好的借款人可能會在市場競爭中由于借不到資金被擠出市場，使得利率變高和低信用的借款人增多，導(dǎo)致市場整體風(fēng)險惡化。（三）國內(nèi)外研究現(xiàn)狀1、P2P網(wǎng)絡(luò)借貸信用風(fēng)險影響因素研究現(xiàn)狀分析自互聯(lián)網(wǎng)金融快速發(fā)展和P2P網(wǎng)絡(luò)借貸平臺出現(xiàn)后，越來越多的學(xué)者把研究方向放在了網(wǎng)絡(luò)借貸方面。根據(jù)早期的P2P網(wǎng)絡(luò)借貸信用風(fēng)險研究內(nèi)容顯示，雖然網(wǎng)絡(luò)借貸平臺中借款人的特征沒有多大差異，但是其信用風(fēng)險卻十分顯著。Herzenstein et al.（2008）和Pope an

16、d Sydnor（2011）認(rèn)為P2P借貸平臺是由個人投資者來判斷借款人是否誠信，是否值得信賴，而不是借貸平臺來篩選確定，因此易導(dǎo)致借款人提供虛假材料欺騙出借人獲取借款，網(wǎng)絡(luò)借貸的信用風(fēng)險很高。Lee et al. （2012）選取韓國最大的一家P2P網(wǎng)絡(luò)借貸平臺作為研究對象，把重點(diǎn)放在了平臺的“從眾行為”方面，發(fā)現(xiàn)“從眾行為”與網(wǎng)絡(luò)借貸平臺信用風(fēng)險呈正相關(guān)，也就是信息不對稱現(xiàn)象很嚴(yán)重，而這往往會導(dǎo)致道德風(fēng)險問題的出現(xiàn)。部分國內(nèi)學(xué)者以不同P2P網(wǎng)絡(luò)借貸平臺為例，對借款人信用進(jìn)行了實(shí)證分析。馬運(yùn)全（2012）指出借款人信用風(fēng)險問題可分為三種，即借款人信用信息真假識別問題、借款用途真實(shí)性問題和抵押

17、擔(dān)保問題。陳建中、寧欣（2013）以人人貸為例，采集了3148條數(shù)據(jù)，從借款人個人信息出發(fā)，分析并實(shí)證檢驗(yàn)了它對交易成功率的影響，最后得出結(jié)論：借款人的基本信息對借款成功率具有明顯的影響。陳霄等（2013）根據(jù)P2P網(wǎng)絡(luò)借貸平臺借貸雙方逾期行為理論，對影響違規(guī)拖欠還款行為的因素進(jìn)行分類，一共分為三種，分別是信用、個人標(biāo)的和歷史借款，并采用Logit模型進(jìn)行實(shí)證分析，得出結(jié)論：借款人的收入、信用評級、居住地域、生活狀況、成功借款次數(shù)和如約還款次數(shù)與逾期還款率呈負(fù)相關(guān)，教育背景、逾期還款次數(shù)、借款利率和期限與逾期還款率呈正相關(guān)。袁羽（2014）從互聯(lián)網(wǎng)金融風(fēng)險角度出發(fā)，利用Prosper網(wǎng)站的貸款

18、交易數(shù)據(jù)，基于Logistic計量模型對P2P網(wǎng)絡(luò)借貸的信用風(fēng)險進(jìn)行測度并利用混淆矩陣計算，指出該模型對度量信用風(fēng)險的有效性。模型選擇了借款人的信用評級，負(fù)債比等10個影響因素作為變量，通過對樣本的模擬分析驗(yàn)證，研究出的模型預(yù)測準(zhǔn)確率達(dá)到70。顧慧瑩、姚錚（2015）對WDW上海直營店的統(tǒng)計數(shù)據(jù)進(jìn)行Cox和Logistic回歸分析，進(jìn)而判斷借款人是城鎮(zhèn)還是農(nóng)村戶口、已婚還是未婚、是否有違約記錄、借款與收入之比、親人是否了解債務(wù)情況、借款動機(jī)是否純潔和平臺的信用評級是否合理這7大因素與借款違約率和違約速率的相關(guān)性。高?。?015）分析了國內(nèi)外研究者對小額信貸風(fēng)險影響因素的文獻(xiàn)資料，認(rèn)為導(dǎo)致P2P

19、借貸平臺借款人存在信用風(fēng)險的原因可分為外部原因和內(nèi)部原因兩種，外部因素是整個網(wǎng)絡(luò)借貸行業(yè)和國家政策的大背景，然而這些都是不可控制的，要想有效地降低信用風(fēng)險還是要從內(nèi)部因素出發(fā)，這包括借款人的收支情況及其家庭財務(wù)狀況。陳裕（2016）利用Logistic計量模型對一家線上線下綜合的網(wǎng)絡(luò)借貸平臺進(jìn)行分析，得出結(jié)論：影響借款人信用風(fēng)險重要的因素包括婚姻狀況、房屋產(chǎn)權(quán)和信用等級，已婚者的借款違約率要高于單身借款者；房屋產(chǎn)權(quán)和信用等級與信用風(fēng)險呈負(fù)相關(guān)。2、P2P網(wǎng)絡(luò)借貸信用風(fēng)險評估模型現(xiàn)狀分析在P2P網(wǎng)絡(luò)借貸信用風(fēng)險評估模型方面，王春峰、萬海、張維（1999）為了克服傳統(tǒng)的計量經(jīng)濟(jì)學(xué)模型中在選擇函數(shù)形

20、式和分析過程中的缺陷，選擇與計算機(jī)技術(shù)相結(jié)合，引入了神經(jīng)網(wǎng)絡(luò)方法來進(jìn)行信用風(fēng)險評估。結(jié)果表明，神經(jīng)網(wǎng)絡(luò)技術(shù)的運(yùn)用有利于信用風(fēng)險的準(zhǔn)確分類并且預(yù)測信用風(fēng)險具有穩(wěn)健性。除了神經(jīng)網(wǎng)絡(luò)方法，張玲（2005）認(rèn)為1990年以前，金融機(jī)構(gòu)主要依賴專家評估分析法來對借款人進(jìn)行判斷，簡單來說，金融機(jī)構(gòu)通過借款人提供的特征信息來確定應(yīng)不應(yīng)該給借款人審批貸款。5“C”標(biāo)準(zhǔn)包括借款人的品質(zhì)、償付能力、資本、抵押品和經(jīng)濟(jì)周期五項(xiàng)，根據(jù)借款人展示的材料，定性分析判斷借款人的能力和償還意愿是否足夠強(qiáng)。除此之外，一些金融機(jī)構(gòu)提出了五“W”標(biāo)準(zhǔn)，分別是借款人、借款目的、還款期限、抵押物和還款方式。王小明（2005）指出我國信

21、用風(fēng)險指標(biāo)體系和模型研究與評級測度方法存在分離現(xiàn)象，認(rèn)為信用風(fēng)險分析、指標(biāo)體系研究和模型研究這三者應(yīng)該一起納入信用風(fēng)險評級中來綜合考量，并且提出了有關(guān)信用風(fēng)險評級模型建立的建議和思考方向。王丹、張洪潮（2016）認(rèn)為，只有少數(shù)國內(nèi)學(xué)者采用計量經(jīng)濟(jì)學(xué)方法來建立P2P網(wǎng)絡(luò)借貸平臺的信用評級模型，他們大多采用層次分析法和因素分析法來構(gòu)建模型，更多注重定量指標(biāo)，雖然這些指標(biāo)具有一定的代表性，但也具有片面性，不利于對整體做出客觀全面的評估。3、P2P網(wǎng)絡(luò)借貸平臺運(yùn)行模式風(fēng)險控制現(xiàn)狀分析很多國外研究人員認(rèn)為不同的P2P網(wǎng)絡(luò)借貸平臺的運(yùn)行模式的風(fēng)險控制機(jī)制是有差異的，不僅如此，借款人的信用風(fēng)險也具有差異性。

22、Micheal（2006）對Zopa做了一個關(guān)于社交網(wǎng)絡(luò)型借貸關(guān)系的研究，認(rèn)為Zopa的金融服務(wù)更為透明，并且如果風(fēng)險控制措施做好，網(wǎng)絡(luò)平臺借貸的風(fēng)險將低于傳統(tǒng)金融機(jī)構(gòu)。Samuel、Ramayana、Robert（2008）分析了P2P網(wǎng)絡(luò)借貸平臺競爭的拍賣模式。Greiner（2009）詳細(xì)地研究了Prosper平臺，指出借款人的信譽(yù)及借款利率可以通過借貸雙方在網(wǎng)貸平臺的自我選擇和競標(biāo)交易來提高。Emma（2011）分析了多家不同的歐洲網(wǎng)絡(luò)借貸平臺后，發(fā)現(xiàn)Zopa拒絕了多于75%的貸款申請，得出結(jié)論：Zopa嚴(yán)格的風(fēng)險控制措施鑄就了它的成功。對比我國，國內(nèi)研究人員主要聚焦于我國的P2P網(wǎng)絡(luò)

23、借貸平臺。張正平、胡夏露（2013）認(rèn)為，我國網(wǎng)貸平臺的發(fā)展模式分為四種，純粹中介式的“拍拍貸”、復(fù)合中介式的“宜信”和具有特色的青島模式、齊放模式。王紫薇、袁中華、鐘鑫（2012）研究了拍拍貸平臺，發(fā)現(xiàn)拍拍貸的兩大運(yùn)營模式特點(diǎn)：一是參考了Zopa的風(fēng)控制度，規(guī)定借款人每個月都要還本付息；二是針對信用審核加入了具有社會化因素的借款人信息，即用戶的信用評級審核系統(tǒng)包括其戶口本、學(xué)位證書和結(jié)婚證等；最后，網(wǎng)絡(luò)社區(qū)和借款人社交平臺的朋友圈也是拍拍貸的信用評級體系的重要的一部分。三、拍拍貸借款人信用風(fēng)險影響因素實(shí)證分析拍拍貸平臺是我國第一家P2P網(wǎng)絡(luò)借貸平臺，成立于上海，是目前國內(nèi)用戶注冊量、交易量最

24、大的網(wǎng)貸平臺之一， HYPERLINK /dangan/ppd/ t _blank 拍拍貸2017年第一季度業(yè)績報告顯示，其平臺累計注冊用戶數(shù)達(dá)到3996.82萬，注冊用戶體量居行業(yè)首位。因此本文將拍拍貸作為研究對象。（一）數(shù)據(jù)來源在拍拍貸平臺中，每一個借款者的借款信息都有一個以借款編號結(jié)尾的網(wǎng)頁儲存，本文使用八爪魚數(shù)據(jù)采集器來抓取拍拍貸平臺的交易數(shù)據(jù)，挖掘編號為221442-222954和250000-252031的借款人借款信息，在刪除信息缺失和錯誤等數(shù)據(jù)后，剩余1659個有效樣本，其中存在信用風(fēng)險的樣本數(shù)為42，這里的信用風(fēng)險指的是樣本數(shù)據(jù)中存在逾期還款的情況，違約率達(dá)到2.5%。（二）

25、變量選擇及描述性統(tǒng)計分析本為研究的是借款人的信用風(fēng)險因素，主要從拍拍貸網(wǎng)站中借款人的信息出發(fā)。1被解釋變量本文用借款人是否有違約行為來體現(xiàn)P2P網(wǎng)絡(luò)借貸平臺借款人的信用風(fēng)險，采用logit模型來分析。當(dāng)用戶發(fā)生違約行為，即存在逾期還款時，用1表示，樣本數(shù)為42；若沒有違約行為，即無逾期還款，則用0表示，樣本數(shù)為1617，即Y有兩種數(shù)值。圖1 有違約、無違約的樣本比例對比2解釋變量在拍拍貸網(wǎng)絡(luò)借貸平臺借款人信息頁面中，展示的信息主要包括借款人個人特征、信用評分、歷史記錄、借款信息等。在參考了大量文獻(xiàn)和結(jié)合P2P網(wǎng)絡(luò)借貸的實(shí)際情況后，本文主要從借款人性別、年齡、認(rèn)證得分、借款成功次數(shù)、流標(biāo)次數(shù)、借

26、款總額、借款利率和借款期限八個維度來分析對借款人信用風(fēng)險的影響。表1 變量定義 變量變量定義被解釋變量：信用風(fēng)險(Yi)借款人是否存在信用風(fēng)險（是=1；否=0） 控制變量：借款人性別(gender)男=1；女=0借款人年齡(age)周歲（20-25歲=1；26-31歲=2；32-38歲=3；39歲以上=4）認(rèn)證等級(credit)賦值1、2、3、4、5，其中1為最低等級，5為最高等級解釋變量：借款成功次數(shù)(success)網(wǎng)站投標(biāo)借款過程中成功的次數(shù)流標(biāo)次數(shù)(fail)網(wǎng)站投標(biāo)借款過程中失敗的次數(shù)借款總額(total)借款人借款的總額借款利率(rate)借款人借款的年利率借款期限(time)借

27、款人借款的期限（1-3月=1；4-6月=2；7-12月=3） 表2 變量描述性統(tǒng)計變量（Variable）平均值（Mean） 方差（Var） 最大值（Max） 最小值（Min）借款人性別(gender)0.85 0.122 1 0借款人年齡(age)2.45 0.69 4 1認(rèn)證等級(credit)3.00 1.15 5 1借款成功次數(shù)(success)2.80 45.42 110 0流標(biāo)次數(shù)(fail)2.05 23.62 105 0借款總額(total)3971.36 49661126 150000 100借款利率(rate)21.19% 0.007 25.24% 3%借款期限(time)

28、5.95 0.52 3 1（1）借款人性別1659個樣本中有1422位男性和237位女姓，男性比例為85.71%，女性比例為14.29%，這表明P2P網(wǎng)絡(luò)借貸平臺中大部分的用戶都為男性。在違約樣本中，男性違約比率高達(dá)95%而女性違約比率僅為5%，因此可以通過樣本數(shù)據(jù)初步判斷在P2P網(wǎng)絡(luò)借貸中男性借款違約風(fēng)險高于女性。圖2-1 男女樣本比例對比圖2-2 男女樣本違約比例對比（2）借款人年齡將樣本借款人年齡分為20-25歲、26-31歲、32-38歲和39歲以上4組，20-25歲的人數(shù)比例為9.28%，26-31歲的人數(shù)比例為49.25%，32-38歲的人數(shù)比例為28.57%，39歲以上的人數(shù)比例

29、為12.9%?？梢钥闯鰧⒔话氲慕杩钫叨技性诘诙M，這說明P2P網(wǎng)絡(luò)借貸平臺的用戶大多較為年輕，因?yàn)槟贻p人更加容易接觸新事物，對互聯(lián)網(wǎng)金融更加熟悉。在違約樣本中，47.62%的人集中在第二組，即26-31歲，因此可以通過樣本數(shù)據(jù)初步判斷在P2P網(wǎng)絡(luò)借貸中年齡較小的借款人違約可能性更大。圖3-1 各年齡組比例對比 圖3-2 各年齡組違約比例對比（3）認(rèn)證得分拍拍貸平臺的認(rèn)證分為身份認(rèn)證、手機(jī)認(rèn)證、學(xué)歷認(rèn)證、視頻認(rèn)證和網(wǎng)上銀行充值認(rèn)證五種。平臺根據(jù)用戶提交的材料進(jìn)行審核認(rèn)證，為用戶進(jìn)行打分評級。本文定義的信用評分等于用戶的認(rèn)證數(shù)量，平臺只有一項(xiàng)認(rèn)證的數(shù)量只有32條，由于評分很低，這些用戶的借款結(jié)

30、果都是失敗，借款從未成功過，所以這部分借款人的信用風(fēng)險為零。在違約樣本中，大部分的違約借款人都是信用評分為2和3分的，違約占比高達(dá)95%，而信用評分為5分的借款人沒有違約行為，因此可以通過樣本數(shù)據(jù)初步判斷信用評分較低的借款人信用風(fēng)險高。圖4-1 認(rèn)證得分比例對比圖4-2 認(rèn)證得分違約比例對比（4）借款成功次數(shù)與流標(biāo)次數(shù)這兩個指標(biāo)之和代表了用戶在網(wǎng)絡(luò)借貸平臺上的活躍程度，次數(shù)越多，說明用戶越活躍。借款人在成功借款后要履行條約，按照規(guī)定還款付息，所以這段期間是網(wǎng)貸平臺信用風(fēng)險爆發(fā)的時候。樣本的這兩項(xiàng)數(shù)據(jù)較為分散，大多數(shù)借款人的流標(biāo)次數(shù)要小于成功借款次數(shù)。（5）借款總額樣本中的借款總額最低為100元

31、，最高為15萬元，其中一半以上的用戶的借款總額集中在3000元。（6）借款利率借款年利率是借款人的融資成本，一般借款期限和利率成正比，借款人的信用等級和借款利率成反比，這可以通過樣本體現(xiàn)。在采集的數(shù)據(jù)中，一個月借款期對應(yīng)的利率最低，只有3%，而12個月借款期對應(yīng)的利率有15種，最低為8.5%，最高為25.24%，其中借款利率為8.5%的借款人的信用評分較高且沒有流表記錄。（7）借款期限樣本中的借款期限最短為1個月，最長為12個月，將樣本借款人的借款期限分為1-3月、4-6月、7-12月3組。借款期限為一個月的借款人沒有違約記錄，違約事件主要集中在6月和12月，即主要發(fā)生在第二組和第三組上，因此

32、可以通過樣本數(shù)據(jù)初步判斷借款期限越長，借款人違約風(fēng)險越高。圖5-1 借款期限比例對比圖5-2 借款期限違約比例對比 （三）模型設(shè)定本文研究的是P2P網(wǎng)絡(luò)借貸平臺借款人的信用風(fēng)險影響因素，被解釋變量的取值只有兩種狀態(tài)，這屬于計量經(jīng)濟(jì)學(xué)中的“二元型響應(yīng)”問題， 因此采用Logit模型進(jìn)行計量分析，以借款人信用風(fēng)險Yi為因變量，其中Y=1代表存在信用風(fēng)險，Y=0代表無信用風(fēng)險；以借款人性別(gender)、借款人年齡(age)、認(rèn)證得分(credit)、借款成功次數(shù)(success)、流標(biāo)次數(shù)(fail)、借款總額(total)、借款利率(rate)、借款期限(time)為自變量建立以下線性概率模型

33、。模型設(shè)定為： 其中，為回歸系數(shù)，c為常數(shù)項(xiàng)（四）借款人信用風(fēng)險影響因素的Logit回歸分析具體回歸結(jié)果如下：表3 Logit模型的回歸結(jié)果變量估計系數(shù)標(biāo)準(zhǔn)誤差Z值P值. c-16.164813.792404-4.2624180.0000Gender0.7346860.8057800.9117700.3619Age-0.1165790.240610-0.4845160.6280Credit-1.4367010.321307-4.4714300.0000Success0.0898590.0253573.5438290.0004Fail0.3829060.0562416.8083520.0000T

34、otal6.20E-051.32E-054.6917290.0000Rate53.6984115.978503.3606670.0008Time0.9928870.2842253.4933120.0005被解釋變量=01617樣本總數(shù)1659被解釋變量=142從Logit模型中可以看出，在這八個變量當(dāng)中，只有g(shù)ender性別和age年齡對借款人信用風(fēng)險影響不顯著，其他六個變量credit信用評分、success借款成功次數(shù)、fail流標(biāo)次數(shù)、total借款總額、rate利率和time期限對信用風(fēng)險很顯著。1Gender借款人性別Gender對存在信用風(fēng)險的回歸系數(shù)為0.734686，回歸系數(shù)為

35、正，說明在具有信用風(fēng)險的借款人中，男性比例高于女性比例。 2Age借款人年齡Age對存在信用風(fēng)險的回歸系數(shù)為-0.116579，回歸系數(shù)為負(fù)，說明年輕人的借款信用風(fēng)險比較高，一般年輕人因?yàn)榻?jīng)濟(jì)基礎(chǔ)薄弱、經(jīng)濟(jì)來源單一，導(dǎo)致資金短缺、還款能力低下，不能如約還本付息。回歸系數(shù)P值為0.628，可能是因?yàn)榕呐馁J平臺中存在信用風(fēng)險的借款人較少，人口特征無法在一定程度上反映信用風(fēng)險。3Credit信用評分Credit對存在信用風(fēng)險的回歸系數(shù)為-1.436701，回歸系數(shù)為負(fù)且其P值為0，說明信用得分與借款人信用風(fēng)險顯著負(fù)相關(guān)。信用評分低的人大多不注重信用記錄，在借款之后更容易發(fā)生違約行為，因此信用評分可作

36、為衡量借款人信用風(fēng)險的一項(xiàng)重要標(biāo)準(zhǔn)。4Success借款成功次數(shù)Success對存在信用風(fēng)險的回歸系數(shù)為0.089859，回歸系數(shù)為正且P值為0.0004，說明借款成功次數(shù)與借款人信用風(fēng)險顯著正相關(guān)。借款成功數(shù)是用戶在此次借款之前在網(wǎng)絡(luò)借貸平臺上借到錢的次數(shù)，由于借款人信用的好壞的一部分可以通過他的歷史借款成功次數(shù)來體現(xiàn)，成功次數(shù)越多，借款人給投資者的安全感越高，所以一些用戶為了提高自己的信用等級以吸引投資者，從而以一個較低的借款利率獲得多于目前信用等級可獲得的金額。正是因?yàn)檫@些人的目的不純，想要蓄意騙取借款，因此借款成功次數(shù)與信用風(fēng)險正相關(guān)。5Fail流標(biāo)次數(shù)Fail對存在信用風(fēng)險的回歸系數(shù)

37、為0.382906，回歸系數(shù)為正且P值為0，說明流標(biāo)次數(shù)與借款人信用風(fēng)險顯著正相關(guān)。借款流標(biāo)表明在網(wǎng)絡(luò)借貸平臺規(guī)定時間內(nèi)未能滿標(biāo)，也就是沒有足夠的出借者愿意投資，用戶借款失敗。流標(biāo)次數(shù)越多，借款人的信用等級越低，在成功借款后不能如約還款的可能性越高。6Total借款總額Total對存在信用風(fēng)險的回歸系數(shù)為6.20E-05，回歸系數(shù)為正且P值為0，說明借款總額與借款人信用風(fēng)險顯著正相關(guān)，借款金額越大代表用戶最后需要?dú)w還的數(shù)額越多，借款人最后無法支付的可能性越高，信用風(fēng)險也就越高。7Rate借款利率Rate對存在信用風(fēng)險的回歸系數(shù)為53.69841，回歸系數(shù)為正且P值為0.0008，說明借款利率與

38、借款人信用風(fēng)險顯著正相關(guān)，借款利率的高低決定了借款人每個月的還款數(shù)額，利率高的借款帶給借款人的壓力大，用戶違約可能性大導(dǎo)致高信用風(fēng)險。8Time借款期限 Time對存在信用風(fēng)險的回歸系數(shù)為0.992887，回歸系數(shù)為正且P值為0.0005，說明借款期限與借款人信用風(fēng)險顯著正相關(guān)。在P2P網(wǎng)絡(luò)借貸平臺中，借款期限越長，未來不確定因素越多，投資者所面臨借款人的違約風(fēng)險越高。五、結(jié)論與展望本文以Logit模型為計量基礎(chǔ)，構(gòu)建P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險影響因素的計量模型，通過實(shí)證研究可以看出，借款人的認(rèn)證得分、借款成功次數(shù)、流標(biāo)次數(shù)、借款總額、利率和期限對借款人的信用風(fēng)險影響顯著，而借款人的性別

39、和年齡也有一定的影響。在推動P2P網(wǎng)絡(luò)借貸的發(fā)展進(jìn)程中，平臺要充分了解借款人的相關(guān)信息，有針對地防范其信用風(fēng)險，從而為互聯(lián)網(wǎng)金融做出貢獻(xiàn)。根據(jù)前文研究結(jié)論，為了解決P2P網(wǎng)絡(luò)借貸平臺借款人信用問題，促進(jìn)P2P網(wǎng)絡(luò)借貸的發(fā)展，應(yīng)從以下幾點(diǎn)入手：（一）平臺內(nèi)部建立貸前科學(xué)有效的借款人信用風(fēng)險評估體系根據(jù)本文的研究結(jié)果，建議平臺從四個方面審核評估借款人的信用，一是借款人的自身特征，包括性別年齡。二是借款人的信用評級，平臺應(yīng)該重點(diǎn)審核用戶提供的材料的真實(shí)性，使得信用評分真正發(fā)揮抑制風(fēng)險的作用?，F(xiàn)在大多數(shù)網(wǎng)絡(luò)借貸平臺都是線上評估，沒有在線下考察核實(shí)借款人身份資料的真實(shí)性，這種信息的不對稱以及道德風(fēng)險不利

40、于信用風(fēng)險的降低。三是借款人的歷史紀(jì)錄，包括成功借款次數(shù)和流標(biāo)次數(shù)。四是借款信息，包括借款總額、利率和期限，P2P網(wǎng)絡(luò)借貸平臺應(yīng)該通過用戶的信用特征來限制借款人借款期限的長短以及利率高低的選擇。網(wǎng)絡(luò)借貸平臺應(yīng)對以上這四大類數(shù)據(jù)進(jìn)行全面有效的檢測以防范借款人的信用風(fēng)險。（二）平臺內(nèi)部建立貸后追蹤制度及風(fēng)險控制制度大多數(shù)網(wǎng)絡(luò)借貸平臺都將重點(diǎn)放在借款人在借款前的審核中，卻輕視了對借款人的事中管理，平臺應(yīng)當(dāng)對借出資金進(jìn)行追蹤調(diào)查，監(jiān)控還款進(jìn)度，定期向投資者展示出借資金的收益及流向，制約借款人的道德風(fēng)險問題，預(yù)防潛在的違約風(fēng)險。對于不能按時還款的借款人，平臺應(yīng)該及時催收并借鑒傳統(tǒng)銀行貸后追討機(jī)制，提高貸

41、款逾期收回率；對于及時還款表現(xiàn)良好的借款人，平臺應(yīng)該給予適當(dāng)獎勵鼓勵。（三）平臺外部加強(qiáng)監(jiān)督管理，健全法律法規(guī)政府應(yīng)該在P2P網(wǎng)絡(luò)借貸這一領(lǐng)域，建立完善的審核監(jiān)管體系，規(guī)范P2P網(wǎng)絡(luò)借貸平臺的運(yùn)營機(jī)制，營造良好的經(jīng)濟(jì)環(huán)境，明確借款人、出借人和平臺各自角色的權(quán)利義務(wù)，重點(diǎn)關(guān)注借款人的信用風(fēng)險并加強(qiáng)監(jiān)管，針對違約借款人建立健全法律法規(guī)，提高其違約成本，保障出借人的經(jīng)濟(jì)利益以及平臺的正常運(yùn)營。致謝大學(xué)生活匆匆流逝，在這座鐘靈毓秀、虎踞龍蟠的古都里，在這所誠樸勤仁的美麗校園里，我很幸運(yùn)在這四年里我收獲了很多，也很感恩過去的一切使我成長，使我成熟。感謝我的論文導(dǎo)師的不斷鼓勵和耐心指導(dǎo)，從大四上學(xué)期的選題

42、、文獻(xiàn)綜述到最后的畢業(yè)論文，一路以來都給我提供了很多有效的建議和指點(diǎn)。在畢業(yè)論文的寫作過程中，從選定步驟、確定思路、選擇計量模型到最終的定稿，我的思維邏輯在一遍又一遍地修改中得到了很多的鍛煉，與此同時我也接觸到了很多新的知識，開拓了眼界。老師對知識的不斷學(xué)習(xí)和對學(xué)術(shù)的不斷追求是我最好的楷模。在此，我向老師表達(dá)深深的謝意與敬意！感謝四年以來一直陪伴我的同學(xué)和所有教過我知識的老師們，他們讓我變得更加自信。感謝我的父母和親人對我大學(xué)學(xué)習(xí)的支持，讓我更加堅定自己的目標(biāo)，擁有更光明的未來！參考文獻(xiàn)：1Meyer,T.,Heng,S.,Kaiser,S., and Walter,N.Online P2P

43、Lending Nibbles at Banks Loan BusinessJ.Deutsche Bank Research,2007.2許榮，劉洋，文武健.互聯(lián)網(wǎng)金融的潛在風(fēng)險研究J.金融監(jiān)管研究，2014，（3）：40-563談超，王冀寧，孫本芝.P2P網(wǎng)絡(luò)借貸平臺中的逆向選擇和道德風(fēng)險研究J.金融經(jīng)濟(jì)學(xué)研究，2014，（5）：100-108.4Chaffe E C,Rapp G C.Regulating Online Peer-to-peer Lending in The Aftermath of Dodd-Frank:In Search of An Evolving Regulator

44、y Regime for An Evolving IndustryJ.Washington and Lee Law Review,2011,(2):4855335Galloway I.Peer-to-peer Lending and Community Development FinanceJ.Community Investments,2009:19-23. 6Xiaoguang W,Yi C.The Regulation Strengthening of the P2P Online Lending PlatformJ. South China Finance,2011.7廖理，李夢然，王

45、正位.聰明的投資者：非完全市場化利率與風(fēng)險識別來自P2P網(wǎng)絡(luò)借貸的證據(jù)J.經(jīng)濟(jì)研究，2014，（7）：125-1378Gonzalez,L Y.K Loureiro.When can a photo increase credit?The impact of lender and borrower profiles on online peer-to-peer loansJ.Journal of Behavioral & Experimental Finance,2014,(2):44-58.9李焰，高弋君，李珍妮等.借款人描述性信息對投資人決策的影響基于P2P網(wǎng)絡(luò)借貸平臺的分析J.經(jīng)濟(jì)研究，2014，（1）：143-15510王錦虹. HYPERLINK 6:11992/kns/det