李 星 管河山 王 謙 劉 倩 涂 俊

（南華大學(xué)經(jīng)濟(jì)與法學(xué)學(xué)院，湖南 衡陽 421000）

一、引言

P2P網(wǎng)絡(luò)借貸（Peer to Peer Lending）是投資人通過網(wǎng)絡(luò)借貸平臺(tái)將資金出借給資金需求一方的一種互聯(lián)網(wǎng)借貸方式。傳統(tǒng)的借貸則需要傳統(tǒng)金融機(jī)構(gòu)作為媒介，而P2P網(wǎng)絡(luò)借貸直接跳過該種方式是一種個(gè)人對(duì)個(gè)人的借貸模式。借款人和投資方通過在P2P網(wǎng)絡(luò)借貸平臺(tái)上注冊(cè)后，由借款人發(fā)布借款信息、投資方自由選擇合意的投資。P2P網(wǎng)貸平臺(tái)主要負(fù)責(zé)對(duì)借款人信用情況進(jìn)行審查與評(píng)估并收取賬戶管理費(fèi)和服務(wù)費(fèi)，借款人逾期違約則P2P網(wǎng)貸平臺(tái)則有追討的責(zé)任，其本質(zhì)是一種民間借貸形式，但是借助互聯(lián)網(wǎng)將區(qū)域甚至全球的借貸行為緊密的聯(lián)系在一起。P2P網(wǎng)絡(luò)借貸作為我國(guó)多層次金融市場(chǎng)的重要組成部分，經(jīng)過十多年的發(fā)展，我們可以看到其在普惠金融方面帶來的價(jià)值，如解決中小借款者資金困難，為資金富裕者提供高收益的理財(cái)平臺(tái)，為資金供求方搭建了高效、快捷的資金投融資平臺(tái)。P2P網(wǎng)絡(luò)借貸平臺(tái)的發(fā)展難免遇到的問題——風(fēng)險(xiǎn)管理。P2P網(wǎng)絡(luò)借貸平臺(tái)，因其發(fā)展歷史較短、行業(yè)數(shù)據(jù)積累有限、規(guī)模所限等原因，其風(fēng)險(xiǎn)控制能力相比傳統(tǒng)的商業(yè)銀行有待提高。其所存在的風(fēng)險(xiǎn)常見有信用風(fēng)險(xiǎn)、法律風(fēng)險(xiǎn)、監(jiān)管風(fēng)險(xiǎn)、投資風(fēng)險(xiǎn)、自律風(fēng)險(xiǎn)、結(jié)算風(fēng)險(xiǎn)和信息安全風(fēng)險(xiǎn)等等。諸多風(fēng)險(xiǎn)中由于信息不對(duì)稱導(dǎo)致的信用風(fēng)險(xiǎn)是P2P網(wǎng)絡(luò)借貸平臺(tái)本身所面臨的最主要風(fēng)險(xiǎn)之一，國(guó)內(nèi)第一家P2P網(wǎng)絡(luò)借貸平臺(tái)拍拍貸的CEO張?。?016）表示個(gè)人信用評(píng)估體系是核心競(jìng)爭(zhēng)力[1]。

本文研究的主要目的在于通過P2P網(wǎng)貸平臺(tái)中借款人身份特質(zhì)信息對(duì)其進(jìn)行信用進(jìn)行簡(jiǎn)單的評(píng)估，其評(píng)估的標(biāo)準(zhǔn)用流標(biāo)次數(shù)來表達(dá)，即同等條件下，流標(biāo)次數(shù)越多表示借款人的信用水平越不受投資者認(rèn)可。P2P網(wǎng)貸平臺(tái)篩選影響借款人信用風(fēng)險(xiǎn)的主要因素，確定適當(dāng)?shù)淖宰兞?，建立一個(gè)簡(jiǎn)易的信用風(fēng)險(xiǎn)評(píng)估模型，以其提高平臺(tái)對(duì)借款人信用風(fēng)險(xiǎn)判別的準(zhǔn)確度并給出一個(gè)相應(yīng)的評(píng)估，從而幫助投資者提高鑒別信借款人信用風(fēng)險(xiǎn)能力，降低投資者潛在的損失。

二、文獻(xiàn)綜述

P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)估的影響因素首先需要對(duì)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)選取研究。對(duì)評(píng)估影響借款人個(gè)人信用風(fēng)險(xiǎn)指標(biāo)選取的研究主要分為兩大類：如婚姻、教育、借款描述、地區(qū)、種族等定性信息；如年齡、收入、工作年限等定量信息。借貸人的生理特征甚至?xí)绊慞2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)。Ravina（2007）指出，人種、性別、體重、容貌、年齡等特征是成功獲取P2P網(wǎng)絡(luò)貸款的重要因素[2]。Ravina（2008）利用Prosper平臺(tái)的交易記錄來研究借款人生理特征對(duì)其行為的影響，發(fā)現(xiàn)借款人種族和相貌對(duì)其是否能借到款項(xiàng)以及借款利率有著顯著影響，例如，由于部分地區(qū)存在種族歧視等問題，投資者普遍認(rèn)為黑人的信用風(fēng)險(xiǎn)高、違約率高，黑人借款成功率極為低下[3]。Barasinska（2009）則從投資者角度研宄發(fā)現(xiàn)投資者性別會(huì)影響他們對(duì)借款人的選擇：女性本身比男性更厭惡風(fēng)險(xiǎn)，傾向于選擇風(fēng)險(xiǎn)較低的借款人，但女性卻不如男性理性，通常會(huì)要求較高的收益，所以在投資決策時(shí)，女性容易受到非理性問題干擾，投資于信用較差的借款人，更易出現(xiàn)逆向選擇問題[4]。但是Herzenstein等（2010）指出，種族和性別等特征對(duì)于成功獲取貸款的影響很小[5]。性別在借貸中的影響有學(xué)者對(duì)此進(jìn)行了佐證。湯英漢（2014）借款人違約表現(xiàn)中性別和區(qū)域分布有一定的影響，女性要高于男性，區(qū)域分布上在網(wǎng)貸違約中表現(xiàn)出差異，西部、中部、東部依次增高，但是實(shí)證研究顯示相關(guān)性并不明顯[6]?；橐鲈诰W(wǎng)絡(luò)P2P網(wǎng)貸中對(duì)借款者個(gè)人信用評(píng)估有一定的作用，婚姻與否，在一定程度反映借款人的工作與生活的穩(wěn)定與否以及財(cái)產(chǎn)的支配權(quán)。不同特征的人結(jié)婚,對(duì)于信用提高所起到的作用也是不相同的。男性、年輕人、低學(xué)歷結(jié)婚分別不如女性、高年齡、和高學(xué)歷的借款者結(jié)婚（郭峰,2017）[7]。學(xué)歷從某種程度上反映一個(gè)人的認(rèn)知和一定的學(xué)習(xí)能力和教育水平，按照常規(guī)來說，借款人的學(xué)歷與收入呈現(xiàn)為正相關(guān)，違約風(fēng)險(xiǎn)越低。但是唐藝軍等（2015）對(duì)來自陸金所P2P網(wǎng)貸平臺(tái)的借款人數(shù)據(jù)分析發(fā)現(xiàn)，學(xué)歷和信用風(fēng)險(xiǎn)呈正相關(guān)，這些借款人的的多數(shù)在本科以下，這可能與這些借款者長(zhǎng)期在社會(huì)上，社會(huì)交往中更加重視個(gè)人信用不無關(guān)系[8]。借款描述往往是對(duì)借款用途、自我定義、目前現(xiàn)狀和潛在的未來希望等的狀況的一種反映，可以有效的緩解對(duì)借貸雙方的信息不對(duì)稱問題（Herzenstein et al,2011）[9]對(duì)借款描述是否會(huì)影響借款行為進(jìn)行了分析，結(jié)果顯示借款人人格數(shù)量與借款成功率呈正相關(guān)。但是借款描述便不是越多越好，信用等等級(jí)越低的借款人，往往有添加借款描述的傾向。王會(huì)娟等（2015）通過人人貸P2P網(wǎng)貸交易數(shù)據(jù)中選取有借款描述的樣本，提取其中有展示借款人人格的信息，發(fā)現(xiàn)借款描述中人格描述的數(shù)量展示越多，越能吸引投標(biāo)人，能用更短的時(shí)間獲得借款[10]。借款描述中的標(biāo)點(diǎn)數(shù)量甚至都透露著借款人信用信息。Xiao Chen（2017）等研究指出數(shù)量一定的詞語中，標(biāo)點(diǎn)符號(hào)的過度使用會(huì)使借款描述變得不正式，又降低了文本的可讀性進(jìn)一步的降低投資者對(duì)借款人的信任[11]。

近些年隨著互聯(lián)網(wǎng)的發(fā)展對(duì)信用風(fēng)險(xiǎn)的評(píng)估已經(jīng)不在局限于傳統(tǒng)的數(shù)據(jù)，已經(jīng)開始涉及一些網(wǎng)絡(luò)數(shù)據(jù)。喬啟昌（2014）借助于互聯(lián)網(wǎng)技術(shù)的發(fā)展,以及社交網(wǎng)絡(luò)和云計(jì)算的廣泛應(yīng)用,將它們和P2P網(wǎng)貸結(jié)合起來,完全有可能促進(jìn)P2P網(wǎng)貸在信用判斷環(huán)節(jié)的判斷能力,也可以提升借款人的申請(qǐng)效率,同時(shí)改善國(guó)內(nèi)的信用體系[12]。王楚珺等（2015）利用大數(shù)據(jù)對(duì)P2P網(wǎng)貸進(jìn)行風(fēng)險(xiǎn)控制在大數(shù)據(jù)時(shí)代的背景下考慮P2P網(wǎng)貸的風(fēng)險(xiǎn)控制，研究出個(gè)人基本資料、社交網(wǎng)絡(luò)情況、電子商務(wù)平臺(tái)、借款人的資金情況這四個(gè)數(shù)據(jù)指標(biāo)會(huì)影響到借款者信用[13]。當(dāng)然除了這些定性分析，關(guān)于社交網(wǎng)絡(luò)等新興數(shù)據(jù)對(duì)信用風(fēng)險(xiǎn)影響定量目前也有相關(guān)研究。李明思等（2016）將Probit回歸模型運(yùn)用在社交朋友網(wǎng)絡(luò)資本與借貸交易兩者之間的影響。研究發(fā)現(xiàn)，借款人在P2P網(wǎng)貸市場(chǎng)中的社交朋友網(wǎng)絡(luò)資本的質(zhì)量的高低與其借款成功的可能性大小成正比，與支付的利率、違約的可能性大小成反比[14]。

三、基于拍拍貸網(wǎng)貸平臺(tái)的實(shí)證分析

（一）數(shù)據(jù)采集

通過爬蟲編程對(duì)拍拍貸網(wǎng)站借款人數(shù)據(jù)進(jìn)行采集。采集到的數(shù)據(jù)包括借款人ID、標(biāo)題、借款日期、第一次成功借款時(shí)間、借款金額（元）、借款年利率、期限（月）、借款進(jìn)度、性別、年齡、文化程度、畢業(yè)院校、學(xué)習(xí)形式、成功借款次數(shù)、流標(biāo)次數(shù)、成功還款次數(shù)、信用等級(jí)（AAA、AA、A、B、C、D、E、F）、認(rèn)證。共采集有效數(shù)據(jù) 7144條。這些數(shù)據(jù)類型既包括刻度級(jí)如借款年利率，又包括序次級(jí)如文化程度，還包括名義級(jí)如性別，數(shù)據(jù)類型豐富。

（二）數(shù)據(jù)處理

由于采集到數(shù)據(jù)的數(shù)據(jù)不能完全符合目標(biāo)數(shù)據(jù)，需要對(duì)采集到的數(shù)據(jù)進(jìn)行一定程度的清洗和預(yù)處理。

1.數(shù)據(jù)清洗?！拔幕潭取币粰谥?，大部分?jǐn)?shù)據(jù)（6155/7144）為“無”，所以對(duì)該部分?jǐn)?shù)據(jù)分析意義不大?！爱厴I(yè)院?！?、“學(xué)習(xí)形式”因同樣原因?qū)Υ私y(tǒng)一刪除。最終清洗出來的數(shù)據(jù)如下所示，ID為借款人賬號(hào)，為保護(hù)其隱私對(duì)其ID后四位隱去，x2表借款年利率、x12表示拍拍貸平臺(tái)給他的信用的等級(jí)劃分、x13為拍拍貸平臺(tái)對(duì)他的認(rèn)證個(gè)數(shù)、y表示流標(biāo)次數(shù)。

2.數(shù)據(jù)預(yù)處理。“信用等級(jí)”（X12）為序次級(jí)數(shù)據(jù)。共有AAA、AA、A、B、C、D、E、F八個(gè)等級(jí)，這八個(gè)等級(jí)的信用等級(jí)逐漸降低。對(duì)八個(gè)等級(jí)分別用 1、2、3、4、5、6、7、8 八個(gè)數(shù)字標(biāo)記。當(dāng)信用等級(jí)在AAA、AA、A 是計(jì)為 y1=1，否則 y1=0。

表3-1 信用等級(jí)頻率分布

“認(rèn)證”（X13），數(shù)據(jù)類型為刻度級(jí)。數(shù)據(jù)的屬性值分別有身份證認(rèn)證、手機(jī)認(rèn)證、學(xué)歷認(rèn)證、戶籍認(rèn)證、人行征信認(rèn)證、視頻認(rèn)證。每個(gè)人認(rèn)證的個(gè)數(shù)不同，因此該欄包含的認(rèn)證個(gè)數(shù)也不同。如果有一個(gè)認(rèn)證則計(jì)為 1，兩個(gè)認(rèn)證計(jì)為 2，依此類推，分別是 3、4、5、6。當(dāng)“認(rèn)證”個(gè)數(shù)為 0，1 或 2 時(shí)記 y2=1，否則，y2=0。

表3-2 認(rèn)證個(gè)數(shù)頻率統(tǒng)計(jì)

“借款年利率”（x2），數(shù)據(jù)類型為刻度級(jí)；當(dāng)借款年利率小于等于20%時(shí)計(jì)為y3=1，否則y3=0。頻率統(tǒng)計(jì)中由于0.07～0.1、0.14～0.19、0.21～0.22、0.23～0.31、0.33～0.36 區(qū)間跨度大、區(qū)間統(tǒng)計(jì)可統(tǒng)計(jì)數(shù)據(jù)少，同時(shí)為了制作表格美觀，進(jìn)行了合并。借款年利率小于21%的標(biāo)記為y3=1，大于等于21%的標(biāo)記為y3=0。

表3-3 年利率頻率統(tǒng)計(jì)（%）

“流標(biāo)次數(shù)”（y）一欄中，數(shù)據(jù)類型為刻度級(jí)。記錄著該借款人的流標(biāo)次數(shù)。流標(biāo)是該借款人在規(guī)定的時(shí)間內(nèi)，沒有投資人投標(biāo)或者投資額度不夠從而未能完成標(biāo)的。在一定程度上反映了市場(chǎng)對(duì)該借款人的認(rèn)可。而該認(rèn)可主要來源于平臺(tái)對(duì)借款人信息的披露等多方面因素。因此該欄作為因變量。頻率統(tǒng)計(jì)中由于區(qū)間7～31統(tǒng)計(jì)中少同時(shí)為了制作表格美觀進(jìn)行了合并。通過本次統(tǒng)計(jì)可知：流標(biāo)次數(shù)分別有 0、1、2、...、31。當(dāng)流標(biāo)次數(shù)為 0，1，2 時(shí)，記 result=1，否則result=0。通過分類輸出變量result（流標(biāo)次數(shù)，1表示流標(biāo)次小于3，0表示流標(biāo)次數(shù)大于等于3）?，F(xiàn)在主要目的就是考察前三個(gè)變量與流標(biāo)次數(shù)之間的關(guān)系。

表3-4 流標(biāo)次數(shù)頻率統(tǒng)計(jì)

（三）實(shí)證分析

1.Logistic回歸模型簡(jiǎn)介。通過《SAS編程與數(shù)據(jù)挖掘商業(yè)案例》易知，假設(shè)在自變量X1,X2,...Xn下作用下，某事件發(fā)生的概率為p，則該事件不發(fā)生的概率為1-P，P/(1-P)為發(fā)生和不發(fā)生的概率之比，記做 odds，odds=p/(1-p)，對(duì) odds取自然對(duì)數(shù)，得到：longit(p)=ln(odds)=ln(p/1-p)；稱為P的longit變換，則longistic回歸模型為：

概率計(jì)算公式為：

Logistic回歸是一個(gè)分類模型，目標(biāo)變量的值是一個(gè)分類標(biāo)識(shí)，更關(guān)注觀測(cè)值和預(yù)測(cè)值之間的相對(duì)一致性，而不是絕對(duì)一致性。

2.結(jié)果分析。本文采用SAS軟件進(jìn)行處理，建立Logistic回歸模型，數(shù)據(jù)分析結(jié)果如下圖：

圖3-1 SAS數(shù)據(jù)處理結(jié)果分析圖

圖3-2 SAS數(shù)據(jù)處理結(jié)果分析圖

輸出結(jié)果中模型擬合統(tǒng)計(jì)量一項(xiàng)是擬合優(yōu)度檢驗(yàn)。主要通過Testing Global Null Hypothesis：BETA=0（測(cè)試全局零假設(shè)：Beta=0）這部分來觀察是否符合要求。原假設(shè)是所有變量的參數(shù)為0，根據(jù)檢驗(yàn)結(jié)果可以看出P＜0.001拒絕原假設(shè)，即變量的參數(shù)不全為0。參數(shù)估計(jì)一項(xiàng)中通過輸出的結(jié)果可以發(fā)現(xiàn)Intercept（截距）、y1，y2，y3他們的 p 值均小于 0.0001，可以說 y1，y2，y3三者均是非常顯著的解釋變量。據(jù)此可以得到回歸方程的表達(dá)式子如下：

其中參數(shù)y1，表示拍拍貸網(wǎng)貸平臺(tái)對(duì)借款人的信用評(píng)級(jí)；y2，表示拍拍貸網(wǎng)貸平臺(tái)對(duì)借款人的認(rèn)證的個(gè)數(shù)；y3，表示借款人發(fā)出的標(biāo)的承諾的年利率。該模型，表示借款人流標(biāo)次數(shù)小于3次的成功概率。

圖3-3 Logistic回歸模型實(shí)例應(yīng)用

由前文分析可知：odds=p/(1-p)，有p=odds/(l+odds)。假設(shè)有一借款人，發(fā)出的借款標(biāo)的的年利率低于21%，拍拍貸平臺(tái)給他的信用等級(jí)劃分為.大于等于4（即其信用等級(jí)在B及B以下）、他在平臺(tái)“認(rèn)證”的個(gè)數(shù)小于3個(gè)，那么他流標(biāo)次數(shù)小于3次（信用水平受市場(chǎng)認(rèn)可的概率）僅為40.64%。如圖所示。

優(yōu)比估計(jì)對(duì)比率Odds Ratio的估計(jì)。y1的odds ration的點(diǎn)估是0.577，對(duì)y1來說，95%的置信區(qū)間不包括1，說明y1是一個(gè)非常顯著的解釋變量（注：比率的置信區(qū)間不包括1，就跟p值小于0.05一樣是一個(gè)規(guī)則）；同理，y2、y3的95%的置信區(qū)間不包括1，也是一個(gè)非常顯著的變量。

預(yù)測(cè)概率與觀測(cè)到的因變量間的關(guān)聯(lián)性這項(xiàng)看到一致性比率Percent Concordant為38.7%，不一致性比率Percent Discordant為26.1%，說明預(yù)測(cè)值與觀測(cè)值在現(xiàn)有水平上有較強(qiáng)的關(guān)聯(lián)性,回歸模型有較強(qiáng)的預(yù)測(cè)能力。C統(tǒng)計(jì)量度量觀測(cè)值和條件預(yù)測(cè)概率之間的相一致性。該值越大越好。C統(tǒng)計(jì)量為0.563，說明觀測(cè)值和條件預(yù)測(cè)概率之間的相一致性較高。

四、結(jié)論與展望

本文構(gòu)建了違約風(fēng)險(xiǎn)的logistic回歸該模型，可以簡(jiǎn)易分析市場(chǎng)通過借款年利率、平臺(tái)給借款人的信用等級(jí)及平臺(tái)對(duì)借款人的認(rèn)證數(shù)量來評(píng)估該借款人的個(gè)人信用水平受市場(chǎng)的認(rèn)可度。未來P2P網(wǎng)貸對(duì)借款人的信用風(fēng)險(xiǎn)評(píng)估不僅僅局限于借款人的傳統(tǒng)數(shù)據(jù)，將會(huì)在大數(shù)據(jù)技術(shù)之下結(jié)合借款人的傳統(tǒng)數(shù)據(jù)如年齡、性別、學(xué)歷等和網(wǎng)絡(luò)數(shù)據(jù)如社交數(shù)據(jù)、網(wǎng)上消費(fèi)數(shù)據(jù)等數(shù)據(jù)的基礎(chǔ)上建立一個(gè)更為完善信用風(fēng)險(xiǎn)評(píng)估模型，以幫助P2P網(wǎng)貸平臺(tái)和投資者更好的規(guī)避潛在風(fēng)險(xiǎn)和做出正確的抉擇。