吳慶田　劉妍

內(nèi)容提要：本文基于美國P2P網(wǎng)貸平臺Lending Club公司的借貸數(shù)據(jù)，從宏觀和微觀兩個層面構(gòu)建影響P2P網(wǎng)貸提前償付風(fēng)險的指標(biāo)，并運用生存分析法建立COX模型，對模型的預(yù)測能力進(jìn)行評價。結(jié)果表明，COX模型的風(fēng)險預(yù)測能力良好，提前償付風(fēng)險不僅受借款人特征、貸款特征等微觀因素的影響，還受外部宏觀經(jīng)濟(jì)環(huán)境的影響，其中受市場利率的影響最大。

關(guān)鍵詞：P2P網(wǎng)貸；提前償付風(fēng)險；生存分析法

中圖分類號：F830文獻(xiàn)標(biāo)識碼：B文章編號：1001-148X（2017）01-0150-07

一、引言

基于互聯(lián)網(wǎng)而迅速發(fā)展起來的P2P網(wǎng)貸是一種實現(xiàn)資金直接在借貸雙方合理配置的新型融資模式，其以門檻低、手續(xù)簡單、普惠性高等傳統(tǒng)金融機(jī)構(gòu)不可比擬的優(yōu)勢，逐漸成為大眾投融資的熱捧對象。據(jù)網(wǎng)貸之家統(tǒng)計，截至2016年一季度，中國P2P網(wǎng)貸行業(yè)歷史累計成交量達(dá)到了17 45027億元，其中2016年一季度累計成交量達(dá)到3 79806億元，是2015年同期累計成交量的32倍。

然而，在如此火爆的景象背后，蘊藏的危機(jī)不應(yīng)小覷，除了問題平臺、違約借貸標(biāo)的損害投資人的利益之外，借款人提前償付貸款不僅會對投資人的投資收益產(chǎn)生負(fù)面影響，還將使P2P網(wǎng)貸平臺的營業(yè)收入減少，從而影響其可持續(xù)經(jīng)營。此外，伴隨P2P網(wǎng)貸興起的P2P網(wǎng)貸基金以類資產(chǎn)證券化的債權(quán)轉(zhuǎn)讓模式進(jìn)行運作，在該種模式下，提前償付行為的存在將使基金產(chǎn)品的未來現(xiàn)金流量無法確定，從而影響其實際收益率與定價水平。據(jù)不完全統(tǒng)計，截至2015年末，美國P2P網(wǎng)貸行業(yè)領(lǐng)軍者Lending Club借貸項目的違約率為6%，提前償付率高達(dá)22%。鑒于提前償付風(fēng)險對P2P網(wǎng)貸多方主體的不利影響以及提前償付率的高企，對P2P網(wǎng)貸提前償付風(fēng)險的研究具有重大的現(xiàn)實意義。本文擬在相關(guān)理論分析的基礎(chǔ)上，利用Lending Club公司的借貸數(shù)據(jù)，從宏觀和微觀兩個層面來研究影響P2P網(wǎng)貸提前償付風(fēng)險的因素，以期為投資人和P2P網(wǎng)貸平臺應(yīng)對該種風(fēng)險提出有效的對策建議。

二、相關(guān)文獻(xiàn)回顧

作為金融創(chuàng)新產(chǎn)物的P2P網(wǎng)貸，以高速的發(fā)展勢頭吸引了學(xué)術(shù)界的廣泛關(guān)注，眾多國內(nèi)外學(xué)者對其進(jìn)行了大量研究，主要分別從P2P網(wǎng)貸的發(fā)展、模式、借貸行為、風(fēng)險等四個方面開展研究。

從P2P網(wǎng)貸風(fēng)險領(lǐng)域的研究來看，國內(nèi)外學(xué)者更關(guān)注來源于借款人的違約風(fēng)險，主要以微觀角度從軟信息、硬信息進(jìn)行研究。軟信息方面，學(xué)者們重點研究了社會資本信息對違約風(fēng)險的影響，發(fā)現(xiàn)朋友關(guān)系、小組關(guān)系等社會資本能降低違約風(fēng)險，如Freedman & Jin（2008）、Krumme & Herrero（2009）、Lin et al.（2013）、繆蓮英和陳金龍（2014）、Everett（2015）等[1-5]。然而，有少數(shù)學(xué)者研究認(rèn)為某些社會資本與貸款違約率并無必然聯(lián)系，如Greiner & Wang（2009）、Freedman & Jin（2014）等[6-7]。另外，學(xué)者們也研究了借款人外貌、借款表述等其他軟信息與違約風(fēng)險的關(guān)系，如Herzenstein et al（2011）、Duarte et al（2012）、Gao & Lin（2015）[8-10]。硬信息方面，學(xué)者們研究了貸款特征、借款人特征等對違約風(fēng)險的影響與識別，如Puro et al（2010）、王會娟和廖理（2014）、Andrew et al（2015）、Emekter et al（2015）、廖理等（2015）、肖曼君等（2015）[11-16]。此外，還有學(xué)者對識別P2P網(wǎng)貸中“好”、“壞”客戶的方法進(jìn)行了比較研究，如Malekipirbazari & Aksakalli（2015）[17]。

對投資人和P2P網(wǎng)貸平臺來說，盡管違約風(fēng)險和提前償付風(fēng)險都是影響投資人投資收益、P2P網(wǎng)貸基金產(chǎn)品定價的主要因素，但是學(xué)術(shù)界對于貸款違約風(fēng)險的研究更加豐富，從傳統(tǒng)的商業(yè)銀行貸款到新興的P2P網(wǎng)貸均有涉獵。相比之下，國內(nèi)外學(xué)者對P2P網(wǎng)貸提前償付風(fēng)險的研究基本處于空白，關(guān)于貸款提前償付風(fēng)險的研究大多集中在商業(yè)銀行貸款領(lǐng)域，主要有以下兩個方面：一方面，對提前償付風(fēng)險影響因素的研究，主要有借款人特征、貸款特征、房產(chǎn)特征、區(qū)域特征等，如Danis & Pennington-Cross（2008）、Tsai et al（2009）、Varli & Yildirim（2015）[18-20]。另一方面，對提前償付風(fēng)險相關(guān)模型方法的研究，有期權(quán)分析法如Deng & Quigley（2012）、Steinbuks（2015）[21-22]，博弈分析法如傅強(qiáng)和張宜松（2004）、陳穎和屠梅曾（2007）[23-24]，因子分析和判別分析法如丁正斌（2012）、馬欽玉（2015）[25-26]，生存分析法如Tiwari（2000）、Ho & Su（2006）、蔡明超和費一文（2007）[27-29]。

綜上，目前國內(nèi)外學(xué)者對P2P網(wǎng)貸風(fēng)險的研究大多集中于以微觀角度研究違約風(fēng)險問題，較少從宏觀角度研究P2P網(wǎng)貸風(fēng)險，并且鮮有對P2P網(wǎng)貸提前償付風(fēng)險的研究。此外，研究提前償付風(fēng)險的方法多種多樣，各有利弊，其中，生存分析法將正常還款和違約貸款等數(shù)據(jù)納入研究樣本，無需對數(shù)據(jù)進(jìn)行配對，并且既考慮了影響風(fēng)險的特定因素，還考慮了風(fēng)險的歷時效應(yīng)，具有較大的優(yōu)越性。因此，本文將利用生存分析法，從宏觀和微觀兩個層面構(gòu)建影響P2P網(wǎng)貸提前償付風(fēng)險的指標(biāo)，建立COX模型，分析其對P2P網(wǎng)貸提前償付風(fēng)險的影響，并對該模型進(jìn)行相關(guān)檢驗與預(yù)測能力評價。

三、理論分析

在P2P網(wǎng)貸中，來源于借款人的風(fēng)險主要有兩個，即提前償付風(fēng)險和違約風(fēng)險。其中，提前償付風(fēng)險是指在貸款到期之前，借款人將貸款余額部分或全部提前償還，從而給投資人造成利息損失的風(fēng)險。針對部分提前償付行為數(shù)據(jù)的難以獲得與分辨，本文研究的提前償付風(fēng)險是對貸款余額一次性全部清償?shù)娘L(fēng)險。

當(dāng)借款人的收入在滿足基本消費支出、債務(wù)支出、必要投資支出之外仍有閑置資金，或者借款人能以更低的資金成本獲得資金的情況下，借款人才有可能作出提前償付貸款的行為決策。因此，對借款人提前償付行為的分析不僅應(yīng)立足于借款人特征、貸款特征等微觀視角，還應(yīng)關(guān)注整個外部宏觀經(jīng)濟(jì)環(huán)境變化引起的再融資機(jī)會、成本以及投資收益率變化對借款人還款行為決策的影響。首先，于借款人自身來說：第一，還款能力對提前償付風(fēng)險的影響。當(dāng)借款人擁有豐厚的資金收入和少量的財務(wù)負(fù)擔(dān)，并且財務(wù)狀況穩(wěn)定時，借款人的還款能力較強(qiáng)，提前償付貸款的可能性大，提前償付風(fēng)險高。其中，借款人的財務(wù)負(fù)擔(dān)又可以從兩方面來看，一方面是借款人的絕對財務(wù)負(fù)擔(dān)，即借款人債務(wù)負(fù)擔(dān)的絕對額，如貸款金額；另一方面是借款人的相對財務(wù)負(fù)擔(dān)，即借款人債務(wù)負(fù)擔(dān)與其收入的比值，如債務(wù)收入比。第二，信用質(zhì)量對提前償付風(fēng)險的影響。借款人的信用質(zhì)量反映借款人的違約風(fēng)險，低信用質(zhì)量的借款人不僅可能不會提前償付貸款，還可能發(fā)生逾期還款，甚至不還款的行為，高信用質(zhì)量的借款人提前償付貸款的可能性更大，提前償付風(fēng)險更高。第三，社會心理特征對提前償付風(fēng)險的影響。受我國傳統(tǒng)文化的影響，借款人大多不愿背負(fù)債務(wù)，秉承“無債一身輕”的想法；另外，不同年齡階段的借款人在生活觀念上有所差異，年齡較長的借款人，生活態(tài)度更傾向于保持現(xiàn)狀，預(yù)防性貨幣需求較高，導(dǎo)致提前償付行為發(fā)生的可能性更小，提前償付風(fēng)險更低（Tiwari，2000）[27]。其次，于外部宏觀經(jīng)濟(jì)環(huán)境來說：第一，宏觀經(jīng)濟(jì)狀況對提前償付風(fēng)險的影響。宏觀經(jīng)濟(jì)狀況越好，居民的可支配收入越高，不僅借款人自身的收入可能有提升，而且借款人通過市場再融資的機(jī)會變多，借新債還舊債的可能性變大，提前償付風(fēng)險增大。第二，貨幣政策對提前償付風(fēng)險的影響。作為理性經(jīng)濟(jì)人的借款人具有趨利避害的特征，總會選擇最有利的融資方式，最大程度地降低資金成本。當(dāng)貨幣政策趨于寬松，即市場利率大大低于貸款利率時，一方面，若借款人手中無多余資金，再融資成本和費用較低，借新債還舊債的可能性大，提前償付風(fēng)險高；另一方面，若借款人手中有多余資金，自由閑置資金的投資回報較低，利用閑置資金選擇提前償付貸款的可能性大，提前償付風(fēng)險高。此外，貸款期限即貸款的風(fēng)險暴露時間也是影響借款人提前償付貸款的重要因素，貸款的風(fēng)險暴露時間在一定程度上反映提前償付行為受未來不確定因素的影響，風(fēng)險暴露時間越長，貸款受未來不確定性因素影響越大，風(fēng)險事件發(fā)生的機(jī)會越大，即提前償付風(fēng)險越大。

四、實證分析

（一）數(shù)據(jù)來源、變量選取與賦值

本文隨機(jī)抽取美國P2P網(wǎng)貸平臺Lending Club2007年至2015年個人貸款的30萬條數(shù)據(jù)，數(shù)據(jù)來源為Lending Club官方網(wǎng)站。在選取數(shù)據(jù)后，對數(shù)據(jù)進(jìn)行清洗，刪除含有缺失值、異常值的觀測樣本，最終得到277 140條數(shù)據(jù)作為研究樣本，其中提前償付率為2239%。為了保持原有的提前償付比例和非提前償付比例不變，對所建立的模型進(jìn)行評價。本文以3：1的比例通過分層隨機(jī)抽樣的方法將研究樣本分為訓(xùn)練樣本集和測試樣本集，其中，訓(xùn)練樣本集包括207 855個觀測樣本，測試樣本集包括69 285個觀測樣本。

本文將在貸款到期日之前已把貸款全部還清的狀態(tài)視為提前償付，賦值為1，違約、按時到期還款以及未到期貸款均賦值為0；定義提前償付和按時到期還款的持續(xù)時間為貸款發(fā)放到全部還清的時間，違約貸款的持續(xù)時間為貸款發(fā)放到第一次違約的時間，未到期貸款的持續(xù)時間為貸款發(fā)放到隨訪截止的時間（隨訪截止時間為2016年2月）。本文在數(shù)據(jù)可獲得性和重要性的基礎(chǔ)上，根據(jù)上述理論分析，從微觀、宏觀兩個層面，選取貸款金額、貸款期限、貸款利率、貸款評級、工作年限、房屋所有權(quán)、年收入、債務(wù)收入比等8個微觀變量，借款人最后一期還款時的聯(lián)邦基金利率、GDP實際增長率、居民可支配收入實際增長率等3個宏觀變量，自變量的選取與賦值結(jié)果如表1。

（二）自變量描述性統(tǒng)計

由表1可以看出，本文選取的自變量既有連續(xù)變量，又有分類變量。分別對連續(xù)變量和分類變量進(jìn)行描述性統(tǒng)計（見表2、表3）。相比非提前償付貸款樣本而言，提前償付貸款樣本中貸款金額、工作年限、債務(wù)收入比、聯(lián)邦基金利率較低，GDP實際增長率、居民可支配收入實際增長率較高，期限短、貸款評級高（5-7）的貸款占比略多，擁有房屋的借款人占比較少。

（三）實證研究

1.變量的顯著性檢驗

分別對連續(xù)變量進(jìn)行曼-惠特尼U檢驗、分類變量進(jìn)行卡方檢驗，結(jié)果顯示所選解釋變量在提前償付與非提前償付樣本中具有顯著性差異。

2.變量的相關(guān)性檢驗

如果自變量之間存在精確的相關(guān)關(guān)系，即存在共線性，會導(dǎo)致模型參數(shù)難以準(zhǔn)確估計，因此本文對變量間的相關(guān)性進(jìn)行檢驗，結(jié)果如表4所示。由于貸款利率與貸款評級的相關(guān)系數(shù)高達(dá)09，聯(lián)邦基金利率與GDP實際增長率的相關(guān)系數(shù)達(dá)05，其他變量之間相關(guān)性不高，相關(guān)系數(shù)均小于05，本文采取剔除變量法，去除貸款利率、GDP實際增長率這兩個變量，將余下的9個相關(guān)性不強(qiáng)的變量進(jìn)行COX回歸。

3.COX模型回歸結(jié)果與分析

用貸款金額、貸款期限、貸款評級、工作年限、房屋所有權(quán)、年收入、債務(wù)收入比、聯(lián)邦基金利率、居民可支配收入實際增長率作為自變量進(jìn)行COX回歸分析，結(jié)果如表5所示。所有變量在5%水平上顯著，均進(jìn)入模型，提前償付風(fēng)險COX回歸方程如下：

由上述COX回歸方程的形式可知，若β系數(shù)為正數(shù)，X為危險因子，X變量值越大，累積提前償付風(fēng)險率越高，更易發(fā)生提前償付風(fēng)險；反之，則X為保護(hù)因子，X變量值越大，累積提前償付風(fēng)險率越小，發(fā)生提前償付風(fēng)險的可能性越小。β系數(shù)絕對值的大小反映了該因素對累積提前償付風(fēng)險率影響的大小，β系數(shù)絕對值越大對累積提前償付風(fēng)險率影響越大。至此，可以得出：貸款評級、房屋所有權(quán)、年收入、居民可支配收入實際增長率為危險因子，貸款金額、貸款期限、工作年限、債務(wù)收入比、聯(lián)邦基金利率為保護(hù)因子，工作年限對累積提前償付風(fēng)險率的影響最小，聯(lián)邦基金利率對累積提前償付風(fēng)險率的影響最大。在借款人還款能力方面，借款人有房、收入高、貸款金額與債務(wù)收入比小時，借款人的還款能力越強(qiáng)，提前償付風(fēng)險越高，實證結(jié)果符合理論預(yù)期。在借款人信用質(zhì)量方面，貸款評級是Lending Club平臺在綜合考量借款人信用得分、信用報告和貸款申請的風(fēng)險評價指標(biāo)的基礎(chǔ)上作出的評價，一般來說，貸款評級越高，借款人的信用質(zhì)量就越高，違約風(fēng)險越小，相應(yīng)地，提前償付貸款的可能性越大，實證結(jié)果符合理論預(yù)期，Lending Club平臺對于貸款的評級較為準(zhǔn)確。在借款人的社會心理特征方面，工作年限較長的借款人，一般年齡較長，生活態(tài)度更傾向于保持現(xiàn)狀，預(yù)防性貨幣需求較高，從而導(dǎo)致提前償付行為發(fā)生的可能性更小，實證結(jié)果符合理論預(yù)期。此外，工作年限的β系數(shù)僅為-0004，對累積提前償付風(fēng)險率影響最小，其變動一單位，累積提前償付風(fēng)險率反向變動僅為0004倍，說明在有限的研究樣本中，由借款人的社會心理特征引起的行為差異并不顯著。在宏觀經(jīng)濟(jì)狀況方面，宏觀經(jīng)濟(jì)狀況向好，居民可支配收入增加，提前償付風(fēng)險增大，實證結(jié)果符合理論預(yù)期。在貨幣政策方面，與一成不變的高貸款利率相比，聯(lián)邦基金利率降低將導(dǎo)致再融資成本與投資收益率下降，借款人傾向于選擇再融資或放棄其他投資機(jī)會以提前償付貸款，來達(dá)到降低資金成本目的，提前償付風(fēng)險將增大，實證結(jié)果符合理論預(yù)期。另外，聯(lián)邦基金利率的β系數(shù)為-2744，對累積提前償付風(fēng)險率的影響最大，其變動一單位，累積提前償付風(fēng)險率反向變動高達(dá)0936倍，說明在資金來源渠道暢通的情況下，借款人能夠?qū)彆r度勢，做出最利己的還款決策，利差導(dǎo)致的成本差異成為影響借款人提前償付貸款行為決策的最主要因素。在貸款的風(fēng)險暴露時間方面，貸款期限越長，越不容易發(fā)生提前償付行為，說明較長期的貸款更穩(wěn)定，實證結(jié)果不符合理論預(yù)期，可能的解釋是，由于P2P網(wǎng)貸放款周期短，但貸款利率較高，大多數(shù)借款人只是將其用于滿足臨時資金周轉(zhuǎn)的需要，計劃將來提前償付貸款，加之長貸款期限的貸款利率較高，理性的借款人將選擇短期限的貸款，以在提前償付貸款之前降低利息成本。

4.COX模型檢驗

（1）比例風(fēng)險假設(shè)檢驗。COX模型假設(shè)檢驗的方法有很多，主要分為兩大類：圖示檢驗法和正式檢驗法，兩者的區(qū)別在于判斷是否滿足比例風(fēng)險假設(shè)的依據(jù)。圖示檢驗法是通過觀察圖形是否滿足模型基本假設(shè)下的形狀來判斷數(shù)據(jù)是否滿足比例風(fēng)險假設(shè)，正式檢驗法則是利用P值來判斷假設(shè)是否成立。Klein（1997）指出，與正式的比例風(fēng)險假設(shè)檢驗相比，學(xué)者們似乎更喜歡圖示檢驗法，因為COX模型的比例風(fēng)險假設(shè)僅近似滿足即可，而任何大樣本下的正式檢驗將拒絕比例性的零假設(shè)[30]。本文的訓(xùn)練數(shù)據(jù)集多達(dá)20萬，屬于基于大樣本的研究，因此本文將采用比較COX模型生存曲線與壽命表法生存曲線的圖示檢驗方法進(jìn)行比例風(fēng)險假設(shè)的檢驗。

本文基于訓(xùn)練數(shù)據(jù)集，運用SAS軟件，將COX模型生存曲線與壽命表法生存曲線進(jìn)行比較，結(jié)果如圖1所示。由圖1可以看出，本文利用生存分析法建立的COX模型的生存曲線與壽命表法的生存曲線趨勢基本相同，而且無明顯交叉點，可以認(rèn)為滿足比例風(fēng)險的基本假設(shè)，建立COX模型是較為合適的。此外，從圖中也可以看出，大致從貸款發(fā)放的第10個月至第22個月生存曲線愈發(fā)陡峭，說明提前償付的貸款逐步增加，之后，生存曲線漸漸平緩，說明提前償付的貸款逐步減少。

（2）擬合性檢驗。Cox-snell殘差圖可用來檢驗COX模型的擬合程度，圖形的橫坐標(biāo)為Cox殘差項，縱坐標(biāo)為Cox殘差的累計危險率估計值。如果建立的COX模型能夠擬合訓(xùn)練數(shù)據(jù)，則圖形應(yīng)大致呈現(xiàn)為經(jīng)過零點的45°直線。本文運用SAS軟件，畫出提前償付風(fēng)險Cox-snell殘差圖，結(jié)果如圖2所示。從圖2可以看出，提前償付風(fēng)險Cox-snell殘差圖近似為過零點的45°直線，說明提前償付風(fēng)險的COX模型基本擬合建模數(shù)據(jù)。

5.COX模型預(yù)測能力評價

在對COX模型預(yù)測能力進(jìn)行評價之前，首先需要確定一個分界點，若模型估計的風(fēng)險率大于該分界點，則預(yù)測風(fēng)險事件發(fā)生，反之，則預(yù)測不發(fā)生。本文沿用雷振華和楚攀（2013）[31]的做法，將風(fēng)險事件實際發(fā)生的占比作為該分界點來對COX模型的預(yù)測能力進(jìn)行評價。

本文的研究樣本中提前償付占比為2239%，因此確定提前償付風(fēng)險COX模型的分界點為2239%。利用上述已建立的提前償付風(fēng)險COX模型對測試樣本集進(jìn)行預(yù)測，預(yù)測規(guī)則為：若提前償付風(fēng)險COX模型估計的風(fēng)險率大于2239%，則預(yù)測提前償付行為發(fā)生，反之，則預(yù)測提前償付行為不發(fā)生。根據(jù)該預(yù)測規(guī)則，預(yù)測結(jié)果如表6所示。從表6中可以看出，提前償付風(fēng)險COX模型對提前償付樣本的誤判率大于非提前償付樣本，總體而言，該模型的預(yù)測準(zhǔn)確率不錯。

五、結(jié)論與建議

本文以美國P2P網(wǎng)貸平臺Lending Club公司的數(shù)據(jù)為樣本，運用生存分析方法，對P2P網(wǎng)貸的提前償付風(fēng)險進(jìn)行了研究，研究結(jié)果以及對我國P2P網(wǎng)貸行業(yè)發(fā)展的有關(guān)政策建議如下：

第一，提前償付風(fēng)險不僅受借款人特征、貸款特征等微觀因素的影響，還受外部宏觀經(jīng)濟(jì)環(huán)境的影響。我國P2P網(wǎng)貸行業(yè)正處于高速發(fā)展期，風(fēng)險較大，相對于風(fēng)險識別能力有限的投資人來說，P2P網(wǎng)貸平臺不僅擁有更加充分的信息，還有更專業(yè)的風(fēng)險管理人員和風(fēng)險識別與評估的手段，因此P2P網(wǎng)貸平臺應(yīng)利用其比較優(yōu)勢，從微觀與宏觀兩方面，建立科學(xué)的貸款質(zhì)量綜合評價指標(biāo)，多維度評價借款人帶來的風(fēng)險，而不僅限于違約風(fēng)險，優(yōu)化P2P網(wǎng)貸基金產(chǎn)品的設(shè)計以及價格、收益率的確定。投資人應(yīng)樹立投資風(fēng)險意識，正確認(rèn)識提前償付風(fēng)險，提前做好資金運用計劃，以免借款人的提前償付行為導(dǎo)致資金閑置，大幅降低投資收益率。

第二，市場利率對提前償付風(fēng)險的影響最大，借款人具有理性的還款行為決策。當(dāng)前，P2P網(wǎng)貸的借貸利率是P2P網(wǎng)貸平臺確定的固定利率形式，其不隨外部市場利率的變化而變化，當(dāng)市場利率降低時，二者的利差擴(kuò)大，促使提前償付貸款的行為發(fā)生。因此，應(yīng)實現(xiàn)P2P網(wǎng)貸利率的市場化，縮小市場利率與高質(zhì)量貸款利率的差異，留住信用質(zhì)量高的借款人，從而降低投資人的利息損失與再投資風(fēng)險，加大P2P網(wǎng)貸基金產(chǎn)品未來現(xiàn)金流的穩(wěn)定性。

第三，在貸款發(fā)放的第10個月至第22個月，提前償付行為愈加頻繁發(fā)生，之后，趨于減少，說明提前償付行為發(fā)生的高峰期出現(xiàn)在貸款中前期。因此，應(yīng)對提前償付行為收取合理水平的違約金，并且針對借款人不同時間的提前償付行為確定差異化的違約金水平。 對于借款人的提前償付行為適當(dāng)收取罰金，一方面能給予投資人利息損失的適當(dāng)補(bǔ)償，另一方面，在一定程度上能抑制借款人提前償付行為的發(fā)生，加大P2P網(wǎng)貸基金產(chǎn)品未來現(xiàn)金流的穩(wěn)定性?？紤]到借款人在貸款期內(nèi)不同時間提前償付貸款，對投資人、P2P網(wǎng)貸基金產(chǎn)品造成的影響不同，應(yīng)確定差異化的提前償付違約金水平，切忌“一刀切”。但是，如何確定差異化的提前償付違約金水平，從而一定程度上抑制借款人的提前償付行為，卻又不會提升貸款的違約率，是一個值得深入研究的課題。

參考文獻(xiàn)：

[1]Freedman S.， Jin G.Z. Do Social Networks Solve Information Problems for Peer-to-Peer Lending？ Evidence from Prosper.com[EB/OL].[2008].http：//papers.ssrn.com/ sol3/papers.cfm？abstract_id=1936057.

[2]Krumme K.A.， Herrero S. Lending behavior and community structure in an online peer-to-peer economic network[A].Proceedings of the 2009 International Conference on Computational Science and Engineering[C].Vancouver： Institute of Electrical and Electronics Engineers，2009：613-618.

[3]Lin M.F.，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，2013，1：17-35.

[4]繆蓮英，陳金龍.P2P網(wǎng)絡(luò)借貸中社會資本對違約風(fēng)險影響研究——以Prosper為例[J].金融論壇，2014（19）：9-15.

[5]Everett Craig R. Group Membership， Relationship Banking and Loan Default Risk： The Case of Online Social Lending[J].Banking and Finance Review，2015，7（2）.

[6]Greiner M.E.， Wang H. The Role of Social Capital in People-to-People Lending Marketplaces[A].International Conference on Information Systems 2009 Proceedings[C].Phoenix： Association for Information Systems，2009.

[7]Seth Freedman， Ginger Zhe Jin. The Signaling Value of Online Social Networks： Lessons from Peer-to-Peer Lending[EB/OL].[2014].http：//ssrn.com/abstract=2380469.

[8]Herzenstein M.，Sonenshein S.， Dholakia U.M. Tell Me a Good Story and I May Lend You My Money： The Role of Narratives in Peer-to-peer Lending Decisions[J].Journal of Marketing Research，2011，48：138-149.

[9]Duarte J.， Siegel S.， Young L. Trust and Credit： the Role of Appearance in Peer-to-peer Lending[J].Review of Financial Studies，2012，8：2455-2484.

[10]Gao Q.， Lin M.F. Lemon or Cherry？ The Value of Texts in Debt Crowdfunding[EB/OL].[2015].http：//papers.ssrn.com/sol3/papers.cfm？abstract_id=2446114.

[11]Puro L.， Teich J.E.， Wallenius H.， Wallenius J. Borrower Decision Aid for people-to-people lending[J].Decision Support System，2010，49：52-60.

[12]王會娟，廖理.中國網(wǎng)絡(luò)借貸平臺信用認(rèn)證機(jī)制研究[J].中國工業(yè)經(jīng)濟(jì)，2014（4）：136-147.

[13]Andrew H.， Andres L.， Daniel P. Adverse Selection and Maturity Choice in Consumer Credit Markets： Evidence from an Online Lender[EB/OL].[2015].http： //w4.stern.nyu.edu/finance/docs/pdfs/Seminars/1502f-liberman.

[14]Emekter R.，Tu Y.，Jirasakuldech B.， Lu M. Evaluating Credit Risk and Loan Performance in Online Peer-to-Peer（P2P） lending[J].Applied Economics，2015，1：54-70.

[15]廖理，吉霖，張偉強(qiáng).借貸市場能準(zhǔn)確識別學(xué)歷的價值嗎？——來自P2P平臺的經(jīng)驗證據(jù)[J].金融研究，2015（3）：146-159.

[16]肖曼君，歐緣媛，李穎.我國P2P網(wǎng)絡(luò)借貸信用風(fēng)險影響因素研究——基于排序選擇模型的實證分析[J].財經(jīng)理論與實踐，2015（1）：2-6.

[17]Malekipirbazari M.， Aksakalli Vural. Risk assessment in social lending via random forests[J].Expert Systems with Applications， 2015，42：4621-4631.

[18]Danis M.A.， Pennington-Cross A. The delinquency of subprime mortgages[J].Journal of Economics and Business，2008（1-2）：67-90.

[19]Tsai M.S.， Liao S.L.，Chiang S.L. Analyzing yield， duration and convexity of mortgage loans under prepayment and default risks[J]. Journal of Housing Economics，2009，6：92-103.

[20]Varli Y.， Yildirim Y. Default and prepayment modelling in participating mortgages[J].Journal of Banking & Finance，2015，61： 81-88.

[21]Deng Y.， Quigley J.M. Woodhead Behavior and the Pricing of Residential Mortgages[EB/OL].[2012].http：//papers.ssrn.com/sol3/papers.cfm？abstract_id=288694.

[22]Steinbuks J. Effects of prepayment regulations on termination of subprime mortgages[J].Journal of Banking & Finance，2015，59：445-456.

[23]傅強(qiáng)，張宜松.住房購買者償還銀行的博弈分析[J].重慶大學(xué)學(xué)報，2004（6）：133-136.

[24]陳穎，屠梅曾.住房抵押貸款償還過程中的博弈分析[J].哈爾濱工業(yè)大學(xué)學(xué)報，2007（8）：1341-1344.

[25]丁正斌.住房按揭貸款提前還款風(fēng)險預(yù)警實證研究[J].金融理論與實踐，2012（6）：44-48.

[26]馬欽玉.某市個人住房抵押貸款提前還款風(fēng)險因素實證研究[J].當(dāng)代經(jīng)濟(jì)，2015（29）：138-139.

[27]Tiwari P.Mortgage termination due to prepayments in India[J].Applied Economics Letters，2000，7：623-628.

[28]Ho K.H.， Su H. Structural prepayment risk behavior of the underlying mortgages for residential mortgage life insurance in a developing market [J].Journal of housing economics，2006，9：257-278.

[29]蔡明超，費一文.商業(yè)銀行消費信貸中的提前償還風(fēng)險影響因素與風(fēng)險管理——理論與實證[J].金融研究，2007（7）：25-35.

[30]John P. Klein， Melvin L. Moesehberger. Survival analysis techniques for Censored and truneated data[M].Springer，1997.

[31]雷振華，楚攀.基于Cox模型的財務(wù)風(fēng)險預(yù)警實證研究——以1990-2012年信息技術(shù)類上市公司數(shù)據(jù)為例[J].湖南社會科學(xué)，2013（6）：164-167.

（責(zé)任編輯：張曦）