劉晨希

(吉林大學 經濟學院，吉林 長春 130012)

P2P網絡借貸平臺風險評估的因子分析

劉晨希

(吉林大學 經濟學院，吉林 長春 130012)

P2P網絡借貸平臺近年來風險聚集，如何對平臺進行風險評估，是投資者選擇平臺的關鍵。從因子分析角度，選取十八項平臺風險評估指標，提取八個影響平臺風險的因子，構建平臺風險綜合評定模型，來評估平臺風險大小。事實證明，平臺風險綜合評定模型能有效識別P2P網絡借貸平臺風險。

P2P網絡借貸平臺；平臺風險評估指標；因子分析；平臺風險綜合評定模型

近年來，隨著P2P網絡借貸平臺的蓬勃發(fā)展，平臺風險也初現(xiàn)端倪。如何在魚龍混雜的平臺信息中，甄別影響平臺風險的因子，評估平臺風險大小是研究的重中之重。因此，參考P2P網絡借貸平臺風險相關文獻，如葉青、李增泉等(2016)，孫寶文、牛超群等(2016)的論文，同時，借鑒因子分析相關文獻，如劉淑蓮、王真等(2010)，尹鈞惠、熊冉冉(2016)的論文。從客戶輿情、風控能力、公司治理、標的特征、平臺實力五個方面選取了資金站崗評價、提現(xiàn)速度評價、高管能力水平、金融行業(yè)經驗、平臺運營時間、資金存管水平、客戶資金存管、平臺標的承諾、標的本金擔保、信息披露水平、平臺股東結構、會計相關報表、財務審計報告、平臺保障模式、第三方機構擔保、平臺標的種類、平臺注冊區(qū)域、平臺標的利率十八項平臺風險評估指標。

一、 平臺風險評估指標定義

對這十八項平臺風險評估指標定義如下。資金站崗評價指標(atlasguard)是從超過兩周到一天之內的客戶評價分數(shù)；提現(xiàn)速度評價指標(speed)是從超過三天到半小時之內的客戶評價分數(shù)；高管能力水平主要體現(xiàn)在高級管理人員的理論和實踐，理論主要體現(xiàn)在學歷，而實踐則體現(xiàn)在經驗，高管能力水平指標(ability)從是否有碩士以上學歷和金融行業(yè)經驗進行取值；金融行業(yè)經驗指標僅從是否有金融行業(yè)經驗進行取值；平臺運營時間是平臺有效運營天數(shù)，平臺運營時間指標(time)是平臺有效運營天數(shù)的度量；資金存管水平從兩個方面來衡量，一方面是風險準備金存管，一方面是客戶資金存管，資金存管水平指標(control)從是否有風險準備金存管和客戶資金存管進行取值；客戶資金存管(user)僅從客戶資金是否為第三方存管進行取值；平臺標的承諾是指標的是否有本金擔保或本息擔保，平臺標的承諾指標(assure)是從標的是否有本金擔?；虮鞠＿M行取值；標的本金擔保指標僅從標的是否有本金擔保進行取值；信息披露水平可以從注冊資本、股東結構、高管信息、網站備案、運營數(shù)據、聯(lián)系方式、會計相關報表、財務審計報告、信息安全測評認證報告、資金存管報告這十項內容進行考察，信息披露水平指標(show)從這十項內容中進行取值；平臺股東結構指標(structure)、會計相關報表指標(report)、財務審計報告指標(lecture)這三項僅從平臺是否公開股東結構、會計相關報表、財務審計報告信息進行取值；平臺保障模式指標(mode)主要從平臺是否有風險準備金、第三方機構擔保、自有資金墊付等保障模式進行取值；第三方機構擔保指標(guarantee)僅從平臺是否有第三方機構擔保進行取值；平臺標的種類指標(class)是指對車貸、房貸、票據抵押貸款、個人信用貸款、中小企業(yè)貸款、債權流轉、優(yōu)選理財及其他這八種標的進行取值；平臺注冊區(qū)域的人均GDP可以用來衡量注冊區(qū)域經濟發(fā)展水平，故利用2015年度我國各區(qū)域的人均GDP來替代平臺注冊區(qū)域指標(area)。以上十七項平臺風險評估指標均為正向指標，其數(shù)值越大，說明平臺風險越小。平臺標的利率指標(rate)是平臺標的平均利率的體現(xiàn)，是唯一一個反向指標，其數(shù)值越小，說明平臺風險越小。為了便于因子分析，可以通過Y=1-X的方式使平臺標的利率指標正向化，其中X為原變量，Y為新變量。

二、因子分析

1.樣本選擇與數(shù)據來源

從網貸之家(http://www.wdzj.com/)和網貸天眼(http://www.p2peye.com/)兩家網站中，選取了指標基本完整的1584家P2P網絡借貸平臺作為樣本，其中包括792家正常平臺和792家問題平臺。為了保證一年有效觀察期，1584家平臺的成立時間截止到2015年12月31日，統(tǒng)計時間截止到2016年12月31日。數(shù)據主要來源于網貸之家和網貸天眼兩家網站，對指標中缺失數(shù)據通過查詢相應的P2P網絡借貸平臺進行搜集。

2.適合檢驗與因子提取

KMO統(tǒng)計量越接近1，各項指標間的偏相關性越強。通過KMO檢驗得知，KMO統(tǒng)計量為0.750，說明各項指標之間重疊程度比較高。Bartlett顯著性越接近0，各項指標之間的相關性越強。通過Bartlett檢驗得知，Bartlett顯著性為0.000，說明各項指標之間存在相關關系。通過KMO檢驗和Bartlett檢驗得知，各項指標比較適合做因子分析，因子分析效果也比較好。

各項指標的共同度越接近1，提取的因子表示各項指標的程度越高。各項指標的共同度升序排序如下：第三方機構擔保指標共同度為為0.616，平臺標的利率指標共同度為0.662，會計相關報表指標共同度為0.674，平臺運營時間指標共同度為0.678，平臺保障模式指標共同度為0.685，財務審計報告指標共同度為0.692，平臺標的種類指標共同度為0.699，高管能力水平指標共同度為0.731，平臺標的承諾指標共同度為0.736，平臺注冊區(qū)域指標共同度為0.778，標的本金擔保指標共同度為0.788，提現(xiàn)速度評價指標共同度為0.792，金融行業(yè)經驗指標共同度為0.806，資金站崗評價指標共同度為0.819，信息披露水平指標共同度為0.851，平臺股東結構指標共同度為0.908，客戶資金存管指標共同度為0.921，資金存管水平指標共同度為0.921。由此可見，提取的因子對各項指標的解釋能力比較強，因子分析的結果是有效的。提取的因子對各項指標的解釋能力，可以用特征值來衡量。如果特征值小于1，提取的因子的解釋能力還不如一項指標的平均解釋能力大。因此，提取的因子標準是特征值大于1。按照特征值大于1的標準，提取了八個因子，八個因子累計方差貢獻率達到76.44%，見表1。

3.因子旋轉與因子得分

通過成分矩陣可知，提取的八個因子實際意義不是很明確，這不利于對平臺風險這個實際問題作出具體分析。如果對成分矩陣進行旋轉，重新分配因子和指標之間的關系，成分矩陣中的系數(shù)將更加顯著，就會進一步明確因子的實際意義。經過旋轉后的成分矩陣系數(shù)的絕對值向(0,1)區(qū)間兩極分化，每個因子的各項指標載荷均有所變化，但因子累計方差貢獻率并沒有改變，見表1。

表1 總方差解釋

通過旋轉后的成分矩陣可知，第一個因子在資金站崗評價、提現(xiàn)速度評價、高管能力水平、金融行業(yè)經驗及平臺平臺運營時間五個指標上有較大的成分，分別為0.859、0.841、0.805、0.848、0.636，主要從平臺實力方面反映了P2P網絡借貸平臺風險，可以命名為綜合實力因子F1；第二個因子在資金存管水平、客戶資金存管兩個指標上有較大載荷，分別為0.931、0.938，主要從資金存管方面反映了P2P網絡借貸平臺風險，可以命名為資金存管因子F2；第三個因子在平臺標的承諾、標的本金擔保兩個指標上有較大載荷，分別為0.804、0.865，主要從產品服務方面反映了P2P網絡借貸平臺風險，可以命名為產品服務因子F3；第四個因子在信息披露水平、平臺股東結構兩個指標上有較大載荷，分別為0.949、0.673，主要從信息披露方面反映了P2P網絡借貸平臺風險，可以命名為信息披露因子F4；第五個因子在財務審計報告、會計相關報表兩個指標上有較大載荷，分別為0.826、0.820，主要從財務管理方面反映了P2P網絡借貸平臺風險，可以命名為財務管理因子F5；第六個因子在平臺保障模式、第三方機構擔保兩個指標上有較大載荷，分別為0.734、0.744，主要從平臺保障方面反映了P2P網絡借貸平臺風險，可以命名為平臺保障因子F6；第七個因子在平臺標的種類、平臺標的利率兩個指標上有較大載荷，分別為0.348、0.357，主要從產品種類方面反映了P2P網絡借貸平臺風險，可以命名為產品種類因子F7；第八個因子在平臺注冊區(qū)域、平臺標的利率兩個指標上有較大載荷，分別為0.024、0.686，主要從產品價格方面反映了P2P網絡借貸平臺風險，可以命名為產品價格因子F8。

因子分析最常用的估計方法是回歸法，所以利用回歸法計算因子得分。根據成分得分系數(shù)矩陣，可得到綜合實力因子、資金存管因子、產品服務因子、信息披露因子、財務管理因子、平臺保障因子、產品種類因子、產品價格因子得分表達式。

F1=0.048area+0.267time-0.073assure+0.245ability+0.111show+0.254speed+0.256atlasguard-0.012report- 0.028lecture-0.084structure+0.253skill-0.122money-0.035guarantee-0.069user-0.019rate-0.027class+ 0.001mode-0.068control

F2=0.051area-0.061time-0.037assure-0.058ability-0.031show-0.026speed-0.020atlasguard-0.024report+ 0.016lecture-0.026structure-0.056skill-0.024money-0.029guarantee+0.549user+0.037rate+0.053class- 0.022mode+0.541control

F3=0.018area-0.038time+0.580assure-0.055ability-0.029show-0.081speed-0.074atlasguard-0.028report+ 0.014lecture-0.020structure-0.048skill+0.648money-0.076guarantee-0.038user+0.022rate+0.020class+ 0.071mode-0.020control

F4=-0.030area-0.180time-0.015assure-0.107ability+0.437show+0.030speed+0.018atlasguard-0.040report- 0.019lecture+0.699structure-0.063skill-0.022money-0.116guarantee-0.035user-0.018rate-0.028class- 0.035mode-0.013control

F5=0.039area+0.046time-0.010assure-0.014ability+0.053show-0.034speed-0.032atlasguard+0.591report+ 0.591lecture-0.049structure-0.024skill-0.010money+0.038guarantee-0.024user+0.060rate+0.075class- 0.010mode+0.007control

F6=-0.008area-0.363time+0.008assure+0.090ability-0.109show-0.029speed-0.025atlasguard+0.018report+ 0.013lecture-0.064structure+0.073skill-0.021money+0.578guarantee-0.008user+0.027rate+0.016class+ 0.539mode-0.035control

F7=-0.819area+0.050time-0.039assure-0.013ability+0.015show-0.050speed-0.044atlasguard-0.003report- 0.019lecture+0.025structure-0.047skill-0.003money+0.173guarantee-0.042user+0.312rate+0.321class- 0.188mode-0.045control

F8=0.031area+0.122time-0.087assure+0.082ability+0.023show-0.115speed-0.078atlasguard-0.031report+ 0.011lecture+0.012structure+0.066skill+0.078money+0.069guarantee-0.009user+0.624rate-0.683class- 0.055mode-0.021control

4.綜合評定與模型構建

提取的八個因子是從綜合實力、資金存管、產品服務、信息披露、財務管理、平臺保障、產品種類、產品價格方面反映了P2P網絡借貸平臺風險，八個因子中的某一個因子不可能對平臺作出系統(tǒng)的、全面的綜合評定，所以按提取的八個因子的方差貢獻率比例為權數(shù)計算綜合因子得分。

綜合因子得分表達式如下：

按照綜合因子得分表達式構建平臺風險綜合評定模型，根據綜合因子得分的高低來綜合評定P2P網絡借貸平臺風險大小。一般來說，綜合因子得分越高，平臺風險越小。

結論

根據平臺風險綜合評定模型，綜合因子得分最高的五個平臺是博金貸、民貸天下、團貸網、禮德財富、量子金融，分數(shù)為3.061、1.868、1.484、1.437、1.380；綜合因子得分最低的五個平臺是閩昌貸、太陽金服、海發(fā)財富、江南創(chuàng)投、正大金融，分數(shù)為-0.825、-0.795、-0.793、-0.768、-0.768。通過一年有效觀察已經證實，綜合因子得分最高的五個平臺為正常平臺，而綜合因子得分最低的五個平臺為問題平臺。在792家正常平臺樣本中，有745家正常平臺風險綜合評定結果為正，預測平臺風險的正確率高達94.07%；在792家問題平臺樣本中，有665家問題平臺風險綜合評定結果為負，預測平臺風險的正確率達到83.96%；在1584家所有平臺樣本中，總體預測平臺風險的正確率為89.02%。這說明平臺風險綜合評定模型能有效識別P2P網絡借貸平臺風險，大大降低投資者對平臺主觀因素影響。

[1]劉淑蓮，王真，趙建衛(wèi).基于因子分析的上市公司信用評級應用研究[J].財經問題研究，2010(7).

[2]尹鈞惠，熊冉冉.基于因子分析的P2P網絡借貸平臺內部風險評估[J].財會月刊，2016(33).

[3]葉青，李增泉，徐偉航.P2P網絡借貸平臺風險識別研究[J].會計研究，2016(6).

[4]孫寶文，牛超群，趙宣凱，荊文君.財務困境識別：中國P2P平臺風險特征研究[J].中央財經大學學報，2016(7).

Class No.:F832.4 Document Mark：A

(責任編輯：宋瑞斌)

Factor Analysis of P2P Lending Platform Risk Assessment

Liu Chenxi

(Economics School of Jilin University, Changchun, Jilin 130012，China)

In recent years P2P lending platform has gathered a lot of risks. How to assess the risk of the platform is the key for investors to choose the lending platform. Selecting eighteen platform risk assessment indicators and extracting the eight factors that affect the platform risk, we construct a comprehensive evaluation model of the platform risk to evaluate the platform risk. It is proved that the platform risk comprehensive evaluation model can effectively identify the risk of P2P lending platform.

P2P lending platform; platform risk assessment index; factor analysis; comprehensive platform risk evaluation model

劉晨希，在讀碩士，吉林大學經濟學院。

1672-6758(2017)05-0075-4

F832.4

A