亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        P2P網(wǎng)貸借款人違約行為影響因素的實(shí)證研究

        2017-03-10 21:14:12蘇亞成春林
        金融發(fā)展研究 2017年1期
        關(guān)鍵詞:P2P網(wǎng)絡(luò)借貸信息不對(duì)稱

        蘇亞+成春林

        摘 要:準(zhǔn)確評(píng)估借款人信用風(fēng)險(xiǎn)是提高P2P網(wǎng)貸平臺(tái)風(fēng)控能力、降低網(wǎng)貸行業(yè)問題平臺(tái)數(shù)量的重要措施。本文基于“人人貸”平臺(tái)交易數(shù)據(jù),綜合考察借款人“硬信息”和“軟信息”與其違約行為之間的關(guān)系。二元Logit回歸模型的實(shí)證結(jié)果表明:在借款人“硬信息”指標(biāo)中,借款人年齡、借款金額、借款利率、逾期次數(shù)對(duì)違約行為有顯著正向影響,學(xué)歷、信用等級(jí)對(duì)違約行為有顯著負(fù)向影響,而是否擁有房產(chǎn)、是否已購車、工作時(shí)間對(duì)違約行為沒有顯著影響;借款人“軟信息”指標(biāo)即描述性文本中的“拼寫錯(cuò)誤”對(duì)違約行為有顯著正向影響。研究結(jié)果表明借款人“軟信息”雖然不可直接證實(shí),但同樣具有價(jià)值,網(wǎng)貸平臺(tái)應(yīng)該多維度地量化借款人的信用評(píng)價(jià)。

        關(guān)鍵詞:P2P網(wǎng)絡(luò)借貸;信息不對(duì)稱;軟信息;違約行為

        中圖分類號(hào):F830.5 文獻(xiàn)標(biāo)識(shí)碼:B 文章編號(hào):1674-2265(2017)01-0070-07

        一、引言

        借助于網(wǎng)貸市場提供的互聯(lián)網(wǎng)平臺(tái),出借人直接向借款人提供小額貸款,操作方式高效便捷以及個(gè)性化的利率定價(jià)機(jī)制,一經(jīng)推出便得到快速推廣。據(jù)網(wǎng)貸之家統(tǒng)計(jì),截至2016年6月,活躍網(wǎng)貸平臺(tái)有2943家,貸款余額達(dá)到5957億元,運(yùn)營平臺(tái)累計(jì)參與人數(shù)為2833萬人。 P2P網(wǎng)貸行業(yè)在高速發(fā)展的同時(shí),也暴露出許多問題,其中最為嚴(yán)重的是出借人與借款人之間的信息不對(duì)稱,信息不對(duì)稱可能導(dǎo)致逆向選擇和道德風(fēng)險(xiǎn)。一方面,網(wǎng)貸平臺(tái)的借款門檻較低,大多數(shù)借款用戶屬于草根階層,比如小微企業(yè)主、中低收入者、大學(xué)生及創(chuàng)業(yè)人群等,由于無法提供充足的抵押品或無法滿足傳統(tǒng)金融機(jī)構(gòu)的征信條件而轉(zhuǎn)向網(wǎng)絡(luò)金融服務(wù),他們所發(fā)布的借款標(biāo)的相對(duì)具有較高的信用風(fēng)險(xiǎn);另一方面,網(wǎng)貸交易中大多數(shù)為個(gè)人投資者,他們?nèi)狈τ行ёR(shí)別借款人信用風(fēng)險(xiǎn)水平的專業(yè)知識(shí)和能力。而且一筆借款訂單通常由多個(gè)投資者共同提供,使得單個(gè)投資者缺乏貸前詳細(xì)審核以及貸后定期監(jiān)督借款者的動(dòng)機(jī)。此外,由于借款金額小、用戶地域分散等原因,網(wǎng)貸平臺(tái)合約執(zhí)行主要是依靠非正式約束力量,使得有機(jī)會(huì)主義傾向的借款者利用網(wǎng)貸平臺(tái)漏洞有計(jì)劃、有目的地惡意違約。

        與傳統(tǒng)金融機(jī)構(gòu)不同的是,非正規(guī)金融機(jī)構(gòu)更注重借款者“軟信息”在借貸交易中的價(jià)值。在P2P網(wǎng)貸交易中,借款者“軟信息”通常包括借款人自主披露的描述性文本信息、照片、群組制度及其衍生出來的社會(huì)資本以及借款人聲譽(yù)資產(chǎn)等。與國外相比,我國的P2P網(wǎng)貸平臺(tái)發(fā)展還處于起步階段,國內(nèi)的專家對(duì)于借款者“軟信息”沒有給予必要的關(guān)注,幾乎所有的平臺(tái)還未建立群組制度,因此本文重點(diǎn)引入借款者“軟信息”當(dāng)中的描述性文本信息作為研究對(duì)象。描述性文本信息雖然不可直接證實(shí),但是可以從側(cè)面反映借款者的還款能力、還款意愿、借款用途和學(xué)歷水平等,在匿名并且非面對(duì)面的P2P網(wǎng)貸機(jī)制中,有助于投資者全方位了解借款人,完善投資決策和提高借款成功率。本文基于人人貸樣本數(shù)據(jù)的實(shí)證檢驗(yàn),在結(jié)合以往相關(guān)文獻(xiàn)研究經(jīng)驗(yàn)的基礎(chǔ)上,引入“軟信息”因素,探討網(wǎng)貸交易中借款者違約行為的影響因素,希望能為我國網(wǎng)貸市場的完善提供更有針對(duì)性的借鑒。

        本文的結(jié)構(gòu)安排如下:第二部分總結(jié)已有相關(guān)文獻(xiàn);第三部分提出研究假設(shè);第四部分描述樣本選擇及變量情況;第五部分是分析基準(zhǔn)回歸及穩(wěn)健性檢驗(yàn)的實(shí)證結(jié)果;第六部分提出針對(duì)性的政策建議。

        二、文獻(xiàn)綜述

        借貸過程中的信息不對(duì)稱使得投資者處于信息劣勢,借款人更多地掌握自己的違約信息,在進(jìn)行披露時(shí)會(huì)做出策略性的選擇,平臺(tái)無法完全保證借款人信息的真實(shí)性,并且網(wǎng)貸平臺(tái)上借貸人群的信用分?jǐn)?shù)通常來說較低,反映P2P網(wǎng)貸市場上的信息不對(duì)稱情況相對(duì)于傳統(tǒng)借貸更加嚴(yán)重(Freedman和Jin,2008;Herzenstein,2008;Chapman,2014)。此外,Chen 等(2014)、陳霄(2014)研究發(fā)現(xiàn)網(wǎng)貸平臺(tái)借款人具有潛在的機(jī)會(huì)主義行為風(fēng)險(xiǎn),容易利用平臺(tái)漏洞刻意偽造自身信用狀況,成功借款之后惡意違約。

        關(guān)于違約行為的影響因素方面,目前主流的研究是利用要素分析法分析識(shí)別影響網(wǎng)貸借款人違約風(fēng)險(xiǎn)及概率的因素,依賴于網(wǎng)貸平臺(tái)的公開數(shù)據(jù),通過不同的計(jì)量方法測度借款人特征變量對(duì)違約行為的影響。如Kumar(2007)考察了信用級(jí)別、借款人主動(dòng)披露的賬戶認(rèn)證信息、借款額度等變量對(duì)違約率的影響;Carlos Serrano-Cinca等(2015)利用Lending Club官網(wǎng)數(shù)據(jù),選用貸款用途、借款人收入、當(dāng)前房屋狀況、信用歷史、債務(wù)狀況等變量進(jìn)行研究; Riza Emekter等(2015)在此基礎(chǔ)上增加了債務(wù)收入比、FICO評(píng)分、循環(huán)額度占比、最近6個(gè)月信用查詢次數(shù)等指標(biāo)。也有學(xué)者對(duì)借款人的“軟信息”如照片上的內(nèi)容與違約率之間的關(guān)系進(jìn)行了檢驗(yàn)(Klafft,2008;Duarte,2012)?;趪鴥?nèi)P2P網(wǎng)貸平臺(tái)的特點(diǎn),陳霄等(2013)、顧慧瑩和姚錚(2015)、肖曼君等(2015)選取信用等級(jí)、借款金額、居住地區(qū)、受教育年限、借款期限、性別、年齡、婚姻狀況、借款人所屬職業(yè)、收入水平、還款利率等多項(xiàng)指標(biāo)進(jìn)行了分析;繆蓮英和陳金龍(2014)則著重衡量P2P網(wǎng)貸平臺(tái)社會(huì)資本的作用,將推薦信任、小組關(guān)系以及朋友關(guān)系作為社會(huì)資本的替代變量,分析了社會(huì)資本對(duì)網(wǎng)貸借款人違約風(fēng)險(xiǎn)的制約機(jī)制。

        以往學(xué)者主要是對(duì)借款人的信息特征進(jìn)行研究,關(guān)注借款人提供的“硬信息”對(duì)融資成本、融資成功率以及事后違約風(fēng)險(xiǎn)的影響,而關(guān)于借款人主動(dòng)披露的描述文本信息與違約率之間關(guān)系的文獻(xiàn)較少,本文引入“軟信息”研究借款人違約行為的影響因素,幫助借貸關(guān)系中處于劣勢地位的投資者在投資之前更多關(guān)注能夠降低逾期率的相關(guān)借款人信息,從而在一定程度上減少投資者和借款人之間的信息不對(duì)稱問題,做出較為理性的投資決策。

        三、研究假設(shè)

        與傳統(tǒng)銀行小額信貸相比,P2P網(wǎng)絡(luò)借貸在借款人信息采集、分析和處理上具備獨(dú)特優(yōu)勢。個(gè)人信息、借款金額、借款利率以及借款人主動(dòng)披露的描述性文本信息等在P2P網(wǎng)絡(luò)借貸平臺(tái)上透明公開,每筆借款訂單的出借、還款、違約及借款人所有歷史行為都被平臺(tái)自動(dòng)記錄?;诰W(wǎng)絡(luò)借貸的特點(diǎn),本文將借款人信息劃分為四個(gè)成因維度,分別為借款人特征信息(年齡、學(xué)歷)、借款人經(jīng)濟(jì)信息(是否擁有房屋產(chǎn)權(quán)、是否已購車、工作時(shí)間)、借款人軟信息(拼寫錯(cuò)誤)以及平臺(tái)信息(信用等級(jí)、借款金額、借款利率、逾期次數(shù)),并提出以下假設(shè):

        (一)借款人特征信息

        借款人的特征信息包括借款人的年齡和學(xué)歷等信息。Arminger等(1997)認(rèn)為年齡較小的借款者相對(duì)來說還不夠成熟而且責(zé)任感不如年長者強(qiáng)烈,同時(shí)年長者更趨于風(fēng)險(xiǎn)規(guī)避,不太容易違約。

        H1:年齡較大的借款人信用風(fēng)險(xiǎn)較低,違約率較低。

        學(xué)歷較低的借款者更傾向于過度負(fù)債(Gathergood,2012)。廖理等(2015)利用P2P數(shù)據(jù)實(shí)證研究發(fā)現(xiàn)學(xué)歷水平較高的借款者如約還款率更高,借款者的某些行為特征會(huì)受到自身教育水平的影響,而這些行為特征對(duì)借款者來說具有某程度上的約束力,更容易遵守約定按期還款。

        H2:高學(xué)歷的借款人信用風(fēng)險(xiǎn)較低,違約率較低。

        (二)借款人經(jīng)濟(jì)信息

        借款人的經(jīng)濟(jì)信息包括三個(gè)指標(biāo):是否擁有房屋產(chǎn)權(quán)、是否已購車和工作時(shí)間。已有文獻(xiàn)研究結(jié)果表明該指標(biāo)對(duì)借款者違約率有一定影響(Greiner和Wang,2009)。擁有房產(chǎn)和已購車的借款人相對(duì)來說,經(jīng)濟(jì)實(shí)力較強(qiáng),收入狀況也相對(duì)穩(wěn)定,具有一定的還款來源。

        H3:擁有房屋產(chǎn)權(quán)和已購車的借款者違約率較低。

        工作時(shí)間越長,借款人也就積累了更多的工作經(jīng)驗(yàn)和社會(huì)經(jīng)歷,對(duì)目前競爭激烈的社會(huì)具有更強(qiáng)的適應(yīng)能力,隨著時(shí)間的增長,越有可能聚集更多的個(gè)人財(cái)富。

        H4:工作時(shí)間越長,借款人的違約率越低。

        (三)借款人軟信息

        在P2P網(wǎng)絡(luò)借貸中,借款者可自愿披露一段有關(guān)自身狀況(包括借款用途)的描述性文本信息,盡管這些描述性信息不能夠直接證實(shí),但Jeremy Michels(2012)的研究表明描述性信息具有一定的價(jià)值,在其他條件相同的情況下,主動(dòng)披露信息的借款人相比于吝于披露信息的借款人來說,具有顯著較低的違約率。Gregor Dorfleitner等(2016)研究描述性文本信息中的“拼寫錯(cuò)誤”與違約率之間的關(guān)系?!捌磳戝e(cuò)誤”一定程度上反映借款人的教育水平,而受教育程度又與違約率呈負(fù)相關(guān)關(guān)系(Bhatt和Tang,2002)。

        H5:描述性文本信息中的“拼寫錯(cuò)誤”字?jǐn)?shù)越多,借款人違約率越高。

        (四)平臺(tái)信息

        平臺(tái)信息包括借款者信用等級(jí)、借款金額、借款利率①以及借款者逾期次數(shù)。許多文獻(xiàn)都研究過借款人信用等級(jí)與違約率之間的關(guān)系(Klafft,2008;Lin 等,2013;Emekter等,2015)。信用等級(jí)是網(wǎng)貸平臺(tái)參考借款人提交的各種“硬信息”和“軟信息”,利用定性與定量相結(jié)合的方法,對(duì)借款者還款能力和意愿做出的綜合評(píng)估,反映借款者的信用狀況,在一定程度上減少網(wǎng)貸交易過程中的信息不對(duì)稱問題。

        H6:信用等級(jí)越低,借款人信用風(fēng)險(xiǎn)越高,違約率越高。

        借款金額也是由網(wǎng)貸平臺(tái)決定,通常情況下,借款金額越高,借款人也就面臨越大的還款壓力,相對(duì)而言,更容易違約。

        H7:借款金額越高,借款人違約率越高。

        借款利率即借款人的融資成本,Stiglitz和Weiss(1981)發(fā)現(xiàn)高利率并不一定代表著高回報(bào),從另一個(gè)角度來看,貸款利率較高意味著借款人質(zhì)量較低,為了成功籌集資金,借款人不得已提供更高的利率以吸引更多投資者,相應(yīng)地投資者承擔(dān)風(fēng)險(xiǎn)較大。

        H8:借款利率越高,借款者的質(zhì)量越低,違約率越高。

        逾期次數(shù)較多代表著借款人可能不太注重自己的信譽(yù),網(wǎng)貸參與者存在“馬太效應(yīng)”(陳霄,2013),即信譽(yù)較差的借款者有更大的可能性會(huì)再次逾期。

        H9:逾期次數(shù)較多的借款者違約率較高。

        四、研究設(shè)計(jì)

        (一)數(shù)據(jù)讀取及變量定義

        “人人貸”網(wǎng)站(www.renrendai.com)成立于2010年5月,同年10月正式上線,到目前為止,“人人貸”的服務(wù)已涵蓋全國30余個(gè)省的2000多個(gè)地區(qū),為幾十萬名用戶成功提供網(wǎng)絡(luò)借貸服務(wù),是我國P2P行業(yè)的典型代表之一?!叭巳速J”平臺(tái)每筆貸款頁面的URL(Universal Resource Locator)都是以貸款編號(hào)結(jié)束,基于這一屬性,將大量貸款編號(hào)列入Excel表格中的第一列,然后利用VBA函數(shù)讀取對(duì)應(yīng)的網(wǎng)頁。通過不斷地讀取對(duì)應(yīng)網(wǎng)址頁面,本文對(duì)ID編號(hào)為608056—666393的借款數(shù)據(jù)和相應(yīng)的借款人信息進(jìn)行了收集,初始樣本共有58044個(gè)觀測值。鑒于描述性文本信息需要人工讀取,較為煩瑣,因此,利用簡單隨機(jī)抽樣的方法選取1075個(gè)觀測值作為研究對(duì)象,其中“逾期”或“壞賬”的有241個(gè)觀測值,“已還清”的有834個(gè)觀測值。被解釋變量為是否具有違約行為,若借款人事后違約賦值1,否則為0。解釋變量的具體含義如表1所示。

        (二)模型構(gòu)建

        由于本文實(shí)際收集到的借款用戶信貸違約狀況數(shù)據(jù)僅為離散型數(shù)據(jù),因此采用離散選擇模型進(jìn)行分析。已有研究表明二元Logit回歸模型在債務(wù)困境、個(gè)人信用評(píng)價(jià)、農(nóng)戶信用評(píng)價(jià)等領(lǐng)域都有良好的評(píng)估能力,且對(duì)二元離散因變量有較強(qiáng)的判別能力(鮮文鐸和向銳,2007;蘇治和胡迪,2014)。二元Logit回歸方程定義如下:

        表3給出了所有變量之間的相關(guān)系數(shù)及顯著性水平,可以看出存在顯著相關(guān)關(guān)系變量之間的相關(guān)系數(shù)絕對(duì)值≤0.8,表明不會(huì)產(chǎn)生多重共線性問題(Kennedy,2008)。此外還發(fā)現(xiàn)利率與違約率之間存在較強(qiáng)的正相關(guān)關(guān)系,說明利率能在一定程度上反映借款人的風(fēng)險(xiǎn)水平,與本文的研究假設(shè)相符,即利率越高的借款人其違約風(fēng)險(xiǎn)也越高。同時(shí)借款人的利率與信用等級(jí)之間呈現(xiàn)顯著的負(fù)相關(guān)關(guān)系,表明人人貸平臺(tái)的信用認(rèn)證機(jī)制是有效率的,對(duì)于利率較高也就是違約風(fēng)險(xiǎn)較高的借款人設(shè)定較低的信用等級(jí),緩解網(wǎng)貸交易中的信息不對(duì)稱問題,有利于投資者做出理性的投資決策。另一方面,學(xué)歷與違約率之間存在顯著的負(fù)相關(guān)關(guān)系,說明學(xué)歷是影響借款人違約行為的因素之一。

        五、實(shí)證結(jié)果與分析

        (一)模型整體有效性檢驗(yàn)

        本文用stata軟件針對(duì)10個(gè)解釋變量進(jìn)行了Logit回歸,該回歸中對(duì)數(shù)似然差的卡方檢驗(yàn)類似于普通回歸中的模型F檢驗(yàn),如表4所示:LR的統(tǒng)計(jì)值為733.03,其對(duì)應(yīng)的p值為0.0000,表明在5%的顯著水平下拒絕模型無效的原假設(shè),即所有回歸系數(shù)不全為0,模型整體有效。

        (二)實(shí)證分析

        通過Logit回歸模型實(shí)證后得出的具體結(jié)果如表5所示,在本文所選的10個(gè)信息指標(biāo)當(dāng)中,除了是否擁有房產(chǎn)、是否已購車、工作時(shí)間對(duì)違約率的影響不顯著之外,其余的7個(gè)指標(biāo),包括借款人年齡、學(xué)歷、拼寫錯(cuò)誤、信用等級(jí)、借款金額、借款利率和逾期次數(shù)都顯著影響違約率。

        1. 借款人特征信息(年齡、學(xué)歷水平)對(duì)違約率具有顯著影響。與假設(shè)1相反的是年齡與違約率呈顯著正相關(guān)關(guān)系,年長者更容易違約,除了責(zé)任感之外,可能還應(yīng)該考慮到年長者的經(jīng)濟(jì)狀況,一般來說年長者相對(duì)于年輕人不具有穩(wěn)定的收入來源,同時(shí)生活中需要更大的支出比如身體不太好、容易生病住院等。年長者從意識(shí)上更愿意還款,但是實(shí)際上還款能力并不高。借款人的學(xué)歷與違約率呈顯著負(fù)相關(guān)關(guān)系,與假設(shè)2相同,學(xué)歷較高的借款人更容易受到自我約束的影響,遵守協(xié)議如期還款。

        2. 借款人的經(jīng)濟(jì)信息(是否擁有房產(chǎn)、是否已購車、工作時(shí)間)對(duì)違約率的影響均不顯著??赡艿脑蚴墙杩钊穗m然聲明自己擁有房屋產(chǎn)權(quán)和已購車,營造具有一定經(jīng)濟(jì)基礎(chǔ)的可靠形象,但并未提供任何可選認(rèn)證指標(biāo)比如說房產(chǎn)認(rèn)證和購車認(rèn)證輔佐驗(yàn)證自己的聲明。同時(shí)從另一方面說明,存在更直觀的證實(shí)借款人經(jīng)濟(jì)實(shí)力的信息指標(biāo)如借款人收入水平等,基于數(shù)據(jù)的可得性,本文暫未考慮。

        3. 借款人的“軟信息”(拼寫錯(cuò)誤)對(duì)違約率具有顯著影響。與假設(shè)5一致,拼寫錯(cuò)誤與違約率呈顯著正相關(guān)關(guān)系,雖然描述性文本信息不能夠直接證實(shí),對(duì)投資者來說也同樣具有價(jià)值(Jeremy Michels,2012)。這一新視角可以從直觀看到的描述性文本信息中存在拼寫錯(cuò)誤的字?jǐn)?shù)出發(fā),得出與理論分析一致的結(jié)論,借款人在主動(dòng)披露借款描述信息時(shí),拼寫錯(cuò)誤越多,越有可能違約。

        4. 平臺(tái)信息(信用等級(jí)、借款金額、借款利率、逾期次數(shù))對(duì)違約率具有顯著影響。信用等級(jí)與違約率呈較強(qiáng)的顯著負(fù)相關(guān)關(guān)系,與假設(shè)6相符,信用等級(jí)較高的借款人具有較好的信用資質(zhì),發(fā)生違約行為的可能性較低。同時(shí)也說明平臺(tái)的信用認(rèn)證機(jī)制是有效的,借款人的信用等級(jí)能幫助投資者在一定程度上避免信用風(fēng)險(xiǎn)。借款金額與違約率呈顯著的正相關(guān)關(guān)系,與假設(shè)7相符,金額越大,給借款人造成的還款壓力越大,有可能導(dǎo)致借款人不能正常如期還款。借款利率與違約率呈顯著的正相關(guān)關(guān)系,同時(shí)也與假設(shè)8相符,利率較高,借款人面臨較高的借款成本,負(fù)擔(dān)較重,一旦遇到重大意外情況很容易發(fā)生違約行為。另一方面也說明平臺(tái)利率設(shè)定能在一定程度上反映借款人的違約風(fēng)險(xiǎn),劣質(zhì)的借款人通常提供足夠高的收益率以吸引投資者。逾期次數(shù)與違約率呈顯著正相關(guān)關(guān)系,與本文假設(shè)9相符合,逾期次數(shù)較多表明借款人信譽(yù)水平較低,很有可能再次發(fā)生違約行為。

        (三)穩(wěn)健性檢驗(yàn)

        由于本文主要采用的是二元Logit回歸模型,因此在保持被解釋變量和解釋變量與基準(zhǔn)回歸一致的情況下,通過改變回歸模型即運(yùn)用更適合小概率事件的Probit回歸模型,為本文的基本結(jié)論提供側(cè)面參考證據(jù)。實(shí)證結(jié)果如表6所示,發(fā)現(xiàn)Probit回歸得到的結(jié)果與之前相比,變量系數(shù)值沒有太大變化,符號(hào)也比較穩(wěn)定,同時(shí)顯著性水平的分析也沒有發(fā)生明顯變化,說明以上研究結(jié)果穩(wěn)健性較好。

        六、政策建議

        借款人的違約行為會(huì)使得投資者和平臺(tái)的資金安全難以得到合理保障,并且會(huì)對(duì)整個(gè)P2P網(wǎng)絡(luò)借貸行業(yè)的聲譽(yù)產(chǎn)生不良影響。因此,為了減少信息不對(duì)稱帶來的風(fēng)險(xiǎn),降低我國P2P網(wǎng)絡(luò)借貸平臺(tái)的壞賬率以及促進(jìn)網(wǎng)貸行業(yè)的進(jìn)一步發(fā)展,結(jié)合平臺(tái)目前的風(fēng)控現(xiàn)狀,提出以下四點(diǎn)建議:

        (一)加大借款者“軟信息”挖掘以及信息披露力度

        平臺(tái)要重視借款者“軟信息”的價(jià)值,充分發(fā)揮非正規(guī)金融機(jī)構(gòu)在收集小微企業(yè)主及個(gè)人“軟信息”方面的優(yōu)勢(林毅夫和孫希芳,2005)。比如說在對(duì)借款者進(jìn)行信用評(píng)分時(shí),將描述性文本信息、照片、借款人聲譽(yù)等融合在其中,以期獲得更多借款者相關(guān)信息,精準(zhǔn)地甄別借款人風(fēng)險(xiǎn)類型。平臺(tái)還可以從社交關(guān)系入手,在利用大數(shù)據(jù)模型進(jìn)行風(fēng)險(xiǎn)定價(jià)時(shí),擴(kuò)大數(shù)據(jù)來源,比如接入關(guān)聯(lián)社交網(wǎng)絡(luò)賬戶(微信、QQ)及電商網(wǎng)站等,或者設(shè)置群組制度,形成借款人的“社會(huì)資本”,以應(yīng)對(duì)網(wǎng)貸交易中的信息不對(duì)稱難題。此外,違約行為的影響因素體現(xiàn)借款人的行為特征,平臺(tái)應(yīng)充分披露借款標(biāo)的的詳細(xì)信息,充分披露之后投資者才能對(duì)借款者有一個(gè)完整清晰的認(rèn)識(shí),提高甄別潛在風(fēng)險(xiǎn)的能力。

        (二)加大對(duì)投資者的風(fēng)險(xiǎn)教育工作

        打破剛性兌付的不合理預(yù)期,培養(yǎng)投資者的風(fēng)險(xiǎn)識(shí)別意識(shí),主動(dòng)全面地了解借款者的各方面信息,從本文的實(shí)證結(jié)果來看,描述性文本信息也同樣具有一定價(jià)值,應(yīng)該綜合考慮借款人的“硬信息”和“軟信息”,從而以實(shí)質(zhì)投資風(fēng)險(xiǎn)代替以往的主觀判斷,選擇合理的風(fēng)險(xiǎn)定價(jià)和投資策略。投資者還需要清楚地認(rèn)識(shí)到對(duì)劣質(zhì)借款者征收的高利率并不足以彌補(bǔ)高風(fēng)險(xiǎn)借款人的違約率,不能一味地追求高收益而忽略其中的風(fēng)險(xiǎn)。

        (三)平臺(tái)要提升自身的貸后催收能力

        大多數(shù)平臺(tái)直接將違約用戶加入黑名單并曝光借款者個(gè)人信息,但是這種做法可能會(huì)造成用戶信息泄露,侵犯用戶的隱私,其合法性值得商榷。建議平臺(tái)應(yīng)該僅對(duì)實(shí)際投資者公布違約用戶部分資料信息。此外,本文還發(fā)現(xiàn)平臺(tái)應(yīng)該合理區(qū)分逾期客戶和拖欠客戶,針對(duì)不同的逾期類型采取不同的策略挽回?fù)p失。

        注:

        ①“人人貸”平臺(tái)上,最終成交金額和利率由平臺(tái)審核部門參考借款者上傳的必要認(rèn)證資料和可選認(rèn)證資料以及回訪電話審核后決定。

        參考文獻(xiàn):

        [1]Freedman, S. and G. Z. Jin. 2008. Do Social Networks Solve Information Problem for Peer-to-Peer Lending ? Evidence from Prosper. Com[J].NET Institute Working Paper No,(2).

        [2]Herzenstein, M. R. L. Andrews ,U. M. Dholakia , and E. Lyandres. 2008. The Democratization of Personal Consumer Loans ? Determinants of Success in Online Peer-to-Peer Lending Communities[R].University of Delaware , Wilmington , DE ,Working paper.

        [3]Chapman and Cutler LLP. 2014. The Regulation of Peer-to-Peer Leading:A Summary of the Principal Issues,April.

        [4]Chen D , Lai F and Lin Z. 2014. A Trust Model for Online Peer-to-peer Lending:A Lender's Perspective[J].Information Technology and Management,(4).

        [5]Kumar S. Bank of One:Empirical Analysis of Peer-to-peer Financial Marketplaces. [EB/OL].http://aisel.aisnet.org/amcis2007/305.

        [6]Carlos Serrano-Cinca,Bego?a Gutiérrez-Nieto,Luz López-Palacios. 2015. Determinants of Default in P2P Lending[J].PLOS ONE.

        [7]Riza Emekter,Yanbin Tu, Benjamas Jirasakuldech &Min Lu. 2015. Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending[J].Applied Economics,(1).

        [8]Klafft,M. Online Peer-to-Peer(P2P) lending:A lender's Perspective.[EB/OL].http://ssrn.com/abstract=1352

        352,2008.

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

        [10]Arminger G,Enache D and Bonne T. 1997. Analyzing Credit Risk Data:A Comparison of Logistic Discrimination,Classification Tree Analysis and Feedforward Network[J].Computational Statistics,(2).

        [11]Gathergood J. Self-contiol. 2012. Financial Literacy and Consumer Over Indebtedness[J].Journal of Economic Psychology,(33).

        [12]Greiner ME and Wang H. 2010. Building Consumer-to-consumer Trust in E-finance Marker places:An Empirical Analysis[J].International Journal of Electronic Commerce.

        [13]Jeremy Michels. 2012. Do Unverfiable Disclosures Matter? Evidence from Peer-to-Peer Lending[J].The Accounting Review,(4).

        [14]Gregor Dorfleitner and Christopher Priberny. 2016. Description-text related soft information in peer-to-peer lending-Evidence from two leading European platforms[J].Journal of Banking&Finance,(64).

        [15]Bhatt,N.,Tang,S. 2002. Determinants of repayment in microcredit :evidence from programs in the united states .International Journal of Urban and Regional Research,(2).

        [16]Lin,Ming feng,Prabhala,N.,and Viswanathan,R.S. 2013. Judging Borrowers by the Company They Keep:Friendship Networks and Information Asymmetry in online Peer-to-Peer Lending[J].Management Science,(1).

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

        [18]陳霄.民間借貸成本研究——基于P2P網(wǎng)絡(luò)借貸的實(shí)證分析[J].金融經(jīng)濟(jì)學(xué)研究,2014,(1).

        [19]陳霄,丁曉裕,王貝芬.民間借貸逾期行為研究——基于P2P網(wǎng)絡(luò)借貸的實(shí)證分析[J].金融論壇,2013,(11).

        [20]顧慧瑩,姚錚.P2P網(wǎng)絡(luò)借貸平臺(tái)中借款人違約風(fēng)險(xiǎn)影響因素研究——以WDW為例[J].上海經(jīng)濟(jì)研究,2015,(11).

        [21]肖曼君,歐緣媛,李穎.我國P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)影響因素研究——基于排序選擇模型的實(shí)證分析[J].財(cái)經(jīng)理論與實(shí)踐,2015,(36).

        [22]繆蓮英,陳金龍.P2P網(wǎng)絡(luò)借貸中社會(huì)資本對(duì)借款者違約風(fēng)險(xiǎn)的影響——以Prosper為例[J].金融論壇,2014,(3).

        [23]廖理,吉霖,張偉強(qiáng).借貸市場能準(zhǔn)確識(shí)別學(xué)歷的價(jià)值嗎?——來自P2P平臺(tái)的經(jīng)驗(yàn)證據(jù)[J].金融研究,2015,(3).

        [24]鮮文鐸,向銳.基于混合Logit模型的財(cái)務(wù)困境預(yù)測研究[J].數(shù)量經(jīng)濟(jì)技術(shù)研究,2007,(9).

        [25]蘇治,胡迪.農(nóng)戶信貸違約都是主動(dòng)違約嗎?——非對(duì)稱信息狀態(tài)下的農(nóng)戶信貸違約機(jī)理[J].管理世界,2014,(9).

        [26]林毅夫,孫希芳.信息,非正規(guī)金融與中小企業(yè)融資[J].經(jīng)濟(jì)研究,2005,(7).

        Abstract:The ability of accurately evaluating the borrower's credit risk is important in the risk control of P2P lending and is an effective measure to reduce the number of problematic platforms. This paper collects the real date of "Ren Ren" platform,based on the excel VBA data mining technology. We study the relationship between borrower's information and the behavior of defaulting. By means of the dual Logit model,the paper reveals that age,money,rate,times of overdue repayment are positively related with the default rate.While the education and the credit level have the opposite effect. Whether they own the property or car and their working experience don't influence the default rate. The spelling error of the descriptive text is positively related with default rate. Although the borrower's soft information can't be directly confirmed,it also has value. P2P platform should evaluate the borrower's credit from multiple angles.

        Keywords:P2P online lending,information asymmetry,soft information,overdue behavior

        猜你喜歡
        P2P網(wǎng)絡(luò)借貸信息不對(duì)稱
        基于平臺(tái)經(jīng)濟(jì)視角的P2P網(wǎng)絡(luò)借貸實(shí)質(zhì)研究
        法制博覽(2016年12期)2016-12-28 13:30:36
        P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)防范的監(jiān)管制度重構(gòu)
        基于P2P網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)管控研究
        基于信息不對(duì)稱視角下的中小企業(yè)融資問題探討
        我國P2P網(wǎng)絡(luò)借貸平臺(tái)的風(fēng)險(xiǎn)防范
        融資約束:文獻(xiàn)綜述與啟示
        基于信息不對(duì)稱的建材市場研究
        P2P網(wǎng)貸的風(fēng)險(xiǎn)探析及防控措施
        中國市場(2016年35期)2016-10-19 02:39:15
        淺析中國P2P網(wǎng)絡(luò)借貸發(fā)展現(xiàn)狀及其方向
        信息不對(duì)稱條件下的大學(xué)生就業(yè)研究
        寂寞少妇做spa按摩无码| 亚洲中文字幕无码不卡电影| 五月激情狠狠开心五月| 久久婷婷国产色一区二区三区| 男人的天堂手机版av| 欧美激情综合色综合啪啪五月| 亚洲av无码av制服另类专区| 人妻在线中文字幕| 久久国产亚洲中文字幕| 国产亚洲精品在线播放| 久久人妻av无码中文专区| 国产白袜脚足j棉袜在线观看| 国产熟妇搡bbbb搡bb七区| 久久久99精品视频| 亚洲av区一区二区三区| 男人天堂这里只有精品| 亚洲av永久无码精品放毛片| 欲妇荡岳丰满少妇岳| 国产自产拍精品视频免费看| 精品久久中文字幕一区| 国产人成视频在线视频| 亚洲另类欧美综合久久图片区| 真人男女做爰无遮挡免费视频| 性色av成人精品久久| 亚洲乱妇熟女爽到高潮视频高清 | 国产精品无码久久AⅤ人妖| 亚洲中文字幕一区av| 伦伦影院午夜理论片| 亚洲一区二区三区中文字幂| 2021国产精品一区二区在线| 精品自拍偷拍一区二区三区| 最好看的亚洲中文字幕| 国产乱人激情h在线观看| 精品推荐国产精品店| 男女上床视频在线观看| 精品一级一片内射播放| 天天摸夜夜摸夜夜狠狠摸| 国产亚洲精品久久久久秋霞| 久青青草视频手机在线免费观看| 国产三区二区一区久久| 亚洲一区自拍高清亚洲精品|