課題組

摘要：基于信用中介化與流動性風險惡性循環(huán)機制的理論分析，對網(wǎng)絡(luò)借貸出借行為結(jié)構(gòu)模型進行優(yōu)化，采用普通最小二乘法（OLS）模型、邏輯回歸（Logit）模型、Probit模型實證檢驗借款信息變量的借貸策略效應(yīng)，通過大數(shù)據(jù)決策樹算法對所選取的變量進行預(yù)警過程的仿真模擬，結(jié)果表明：P2P網(wǎng)絡(luò)借貸平臺的信用中介化融資風險市場系統(tǒng)化效應(yīng)顯著，第三方大數(shù)據(jù)風險監(jiān)測與預(yù)警有利于規(guī)制P2P網(wǎng)絡(luò)借貸平臺信用中介化下的主體融資風險，P2P網(wǎng)絡(luò)借貸平臺應(yīng)該定位為信息中介。為了回歸這一定位，增強平臺性質(zhì)“變異”過程中第三方風控預(yù)警能力，必須落實平臺信息中介政策，嚴懲信用中介化網(wǎng)絡(luò)借貸平臺；實行行業(yè)數(shù)據(jù)共享，完善征信體系建設(shè)，構(gòu)建信貸市場有序化發(fā)展的良性契約基礎(chǔ)；加強金融風險教育，建立政府—平臺—主體“三位一體”的風險規(guī)制體系，完善市場準入機制和平臺動態(tài)監(jiān)管預(yù)警機制，建立良好、有序的網(wǎng)絡(luò)信貸市場。

關(guān)鍵詞：P2P網(wǎng)絡(luò)借貸；信用中介化；流動性風險；信息中介

中圖分類號：F830.5文獻標識碼：A文章編號：1007-8266（2019）03-0102-10

一、引言

2018年6月以來，P2P網(wǎng)絡(luò)借貸行業(yè)不斷“爆雷”，社會影響惡劣。究其原因，一方面源于宏觀經(jīng)濟處于下行期，系統(tǒng)風險所引致的企業(yè)違約率高；另一方面則受借貸平臺信用中介化①的羈束，即借貸平臺偏離信息中介本質(zhì)，引致市場契約摩擦。因此，如何甄別與控制平臺信用中介化是當下金融監(jiān)管部門以及學者普遍關(guān)心的問題。

由于我國正處于互聯(lián)網(wǎng)金融監(jiān)管發(fā)展的初步階段，鑒于該行業(yè)從業(yè)者的大量涌入和融資項目的不斷衍生并復(fù)雜化，網(wǎng)絡(luò)借貸平臺角色定位的信用中介化產(chǎn)生的風險已經(jīng)是我們面臨的現(xiàn)實問題。值得注意的是，越來越多的學者意識到平臺性質(zhì)研究的重要性，例如趙鷂、殷實[ 1 ]總結(jié)了平臺信用中介化的原因和風險來源；盧馨、李慧敏[ 2 ]將P2P網(wǎng)絡(luò)借貸平臺與銀行貸款進行比較，分析了網(wǎng)絡(luò)借貸平臺的性質(zhì)特點；鄭揚揚[ 3 ]把網(wǎng)絡(luò)借貸平臺的角色定位分為信息中介、信用中介和增信中介；馮果、蔣莎莎[ 4 ]以宜信平臺的線下模式和線上模式為例，闡述了信用中介化的過程。因此，厘清網(wǎng)絡(luò)借貸平臺信用中介化的內(nèi)在邏輯，有利于完善監(jiān)管體系，進而控制相應(yīng)的風險。

目前對網(wǎng)絡(luò)借貸中風險的研究，學者們多從借款人、出借人和平臺三個角度展開。從平臺角度產(chǎn)生的風險來看，趙鷂、殷實[ 1 ]同樣基于借款人、出借人和平臺，對平臺信用中介化的風險來源展開討論，并認為信用中介化風險來源于信息不對稱下的借款人信貸風險、出借人非法資金的法律風險以及平臺的流動性風險、操作風險、政策風險和財務(wù)風險。王陽陽、趙峰[ 5 ]針對網(wǎng)絡(luò)借貸中的流動性風險進行了相關(guān)研究，并提出狹義上的流動性風險是指運用錯配時間、額度以及利用債權(quán)重復(fù)轉(zhuǎn)讓方法所引起的風險，然而，對平臺信用中介化與流動性風險之間的作用機理闡述得不夠清晰。此外，關(guān)于平臺信用中介化對借款人、出借人及平臺自身的影響的研究甚少，而受平臺信用中介化影響最大的往往是提供資金的出借人，其次是平臺本身。因此，本文基于網(wǎng)絡(luò)借貸平臺角度，提出信用中介化與流動性風險惡性循環(huán)機制，有助于厘清平臺信用中介化、出借人和平臺自身三者之間的作用機制。

進一步地，在厘清網(wǎng)絡(luò)借貸平臺信用中介化內(nèi)在邏輯的基礎(chǔ)上，控制平臺信用中介化的衍生風險具有重要的現(xiàn)實意義。P2P網(wǎng)絡(luò)借貸平臺的性質(zhì)定位是第一道風控，而金融科技是第二道風控。對此，本文基于宜信平臺“線上線下結(jié)合”模式，從宜信“線上風險評估結(jié)合線下審核機制”的角度，提出“引入并強化大數(shù)據(jù)風控來控制平臺信用中介化的衍生風險”的第二道風控②。

本文的結(jié)構(gòu)安排如下：第一部分為網(wǎng)絡(luò)借貸平臺信用中介化的機制分析，構(gòu)建信用中介化與流動性風險惡性循環(huán)機制。考慮到平臺信用中介化對投資人出借行為的影響，引入投資人感知風險概念和網(wǎng)絡(luò)借貸出借行為結(jié)構(gòu)模型，并基于信用中介化與流動性風險惡性循環(huán)機制對模型進行完善。進一步地，以宜信模式為案例，說明第一道風控的重要性，并引出第二道風控。第二部分為實證分析和穩(wěn)健性檢驗，挖掘第二道風控環(huán)節(jié)借款信息中影響壞賬指標的關(guān)鍵因素。第三部分基于借款人數(shù)據(jù)，利用決策樹算法仿真模擬借款人壞賬狀態(tài)的預(yù)警過程，以此證明預(yù)警指標的適用性和大數(shù)據(jù)算法的可推廣性。

二、信用中介化與流動性風險惡性循環(huán)機制

（一）信息中介——P2P平臺的信用中介化

P2P平臺作為信息中介，在借款人與投資人之間起著信息搜集、信息公布、信息交互、信息撮合、資信評估等作用（參見表1）。然而近期問題平臺多涉及增信服務(wù)、非法集資及資產(chǎn)管理業(yè)務(wù)等超出信息中介職能范圍的信用中介業(yè)務(wù)活動，偏離信息中介本質(zhì)，以致信用中介化。

根據(jù)《P2P網(wǎng)絡(luò)借貸平臺相關(guān)法律法規(guī)及案例》相關(guān)規(guī)定，平臺的信用中介化可以做以下界定：非法集資、提供擔保、發(fā)放貸款、高風險融資、股權(quán)眾籌、虛假陳述、資產(chǎn)管理、發(fā)售理財產(chǎn)品、代理銷售混合捆綁、債權(quán)轉(zhuǎn)讓和物理場所宣傳融資項目③。此外，通過傳統(tǒng)銀行貸款與P2P網(wǎng)絡(luò)借貸業(yè)務(wù)范圍和借貸主體的對比，可以發(fā)現(xiàn)P2P平臺的性質(zhì)定位與銀行有顯著區(qū)別，主要體現(xiàn)在網(wǎng)絡(luò)借貸平臺的純信息中介職能，而當網(wǎng)絡(luò)借貸平臺的自身定位偏向銀行定位時，則出現(xiàn)P2P平臺的信用中介化。

P2P網(wǎng)絡(luò)借貸平臺出現(xiàn)信用中介化是由多方面原因引起的。趙鷂、殷實[ 1 ]認為金融抑制、征信體系不健全、法律上存在監(jiān)管真空和監(jiān)管套利以及“羊群效應(yīng)”引發(fā)了平臺的信用中介化。金融抑制誘使平臺發(fā)售理財產(chǎn)品而偏離信息中介本質(zhì)；征信體系不健全使P2P平臺不能從征信體系獲得增信手段，從而依靠擔保來防范風險，但平臺自身提供擔保是偏離信息中介本質(zhì)的；法律上的監(jiān)管真空和監(jiān)管套利源于當下監(jiān)管的權(quán)責不明晰，致使網(wǎng)絡(luò)借貸行業(yè)從業(yè)者大量涌入，平臺良莠難辨，蘊藏著信用中介化的潛在風險；“羊群效應(yīng)”分為投資人角度和平臺角度，借款方與投資方的信息不對稱引發(fā)投資人的羊群行為（即投資決策時投資者之間的效仿），以及該行業(yè)的低門檻、高收益引發(fā)的平臺羊群行為（即大量平臺的涌入），逐利心理與市場競爭誘使平臺的信用中介化。

（二）信息中介交易機制

P2P網(wǎng)絡(luò)借貸平臺的本質(zhì)是信息中介，符合市場規(guī)范的信用中介交易過程如下：首先，借款人在網(wǎng)絡(luò)借貸平臺發(fā)布借款信息，經(jīng)平臺審核后在網(wǎng)站上公示給出借人；其次，出借人根據(jù)借款信息、借款人的社會網(wǎng)絡(luò)信息[ 6 ]以及其他借款人的決策信息做出是否出借的決定，以及出借（投標）的金額與利率。平臺會設(shè)定最低投標額度，且一項標的可以同時多人投標，當投標總金額大于借款金額時，利率低者勝出，至此借款成功，出借人的資金將流入借款人賬戶。只要借款人在規(guī)定期限內(nèi)償還貸款，一筆交易完成；一旦借款人違約，違約風險則由出借人直接承擔。

（三）信用中介化與流動性風險惡性循環(huán)機制

當P2P平臺不再滿足信息中介交易機制下的交易規(guī)模，為了吸引更多投資者，則開始直接或間接地越權(quán)行使信用中介的職能，包括增信服務(wù)、非法集資及資產(chǎn)管理業(yè)務(wù)。常見的增信服務(wù)包括承諾保本保息、提供擔保、虛假陳述及在物理場所宣傳或推薦融資項目等[ 7 ]；非法集資則包括發(fā)放貸款、股權(quán)眾籌等形式；資產(chǎn)管理業(yè)務(wù)包括信托計劃、公募基金、私募基金、保險資產(chǎn)管理等。

為了研究平臺信用中介化對投資人出借行為的影響，本文引入感知風險的概念。陳冬宇等[ 8 ]將投資人出借意愿設(shè)為因變量，感知風險與對借款人信任為自變量，結(jié)果表明，出借人對借款人的感知風險負向影響其出借意愿，而對借款人的信任則正向影響其出借意愿，感知社會資本和感知信息質(zhì)量均負向影響其感知風險，正向影響對借款人的信任（如圖1所示）。但感知信息質(zhì)量對感知風險的影響與感知風險對出借意愿的影響均不顯著，這可能是由網(wǎng)絡(luò)借貸市場交易行為的特殊性所致。

對于這一反常現(xiàn)象，本文從P2P網(wǎng)絡(luò)借貸平臺角度，基于信用中介化與流動性風險[ 9 ]惡性循環(huán)機制優(yōu)化現(xiàn)有模型，基于P2P行業(yè)“爆雷”以來的現(xiàn)實境況展開經(jīng)濟分析，并提出相應(yīng)解決措施。

在網(wǎng)絡(luò)借貸交易過程中，當借款人產(chǎn)生違約風險時，在平臺是信息中介的定位下，違約風險將由投資人承擔。然而，平臺的增信服務(wù)將部分借款人的違約風險轉(zhuǎn)移至平臺自身，利用自有資金池填補資金空缺，弱化了出借人的感知風險；投資人對平臺的信任間接強化了對借款人的信任。借款基數(shù)的增加，致使壞賬率猛增的波動風險增大，且平臺自身擔保資質(zhì)有限并受到擔保凈資產(chǎn)杠桿率的限制[ 10 ]。一旦平臺自有的資金池無法維持資金流動，出現(xiàn)流動性風險，且流動性風險在融資傳導(dǎo)過程中因杠桿率而不斷被放大，平臺則通過挪用出借人資金，或利用虛假陳述、承諾保本保現(xiàn)、加息返現(xiàn)等手段，加劇信用中介化，吸引新投資人注入更多資金填補空缺，繼而進一步提高了流動性風險，形成所謂的“龐氏騙局”。如此循環(huán)往復(fù)，當流動性風險積累到一定程度，一旦資金鏈斷裂，多數(shù)平臺選擇“跑路”或停業(yè)，這會給投資人帶來巨大的損失。信用中介化與流動性風險惡性循環(huán)機制如圖2所示。

信用中介化實質(zhì)上并沒有緩釋借貸雙方的信息不對稱狀況，還在一定程度上干擾了投資人出借行為，強化了非理性決策風險，引致流動性風險的市場化。傳統(tǒng)出借行為理論模型并未充分考慮網(wǎng)絡(luò)借貸平臺性質(zhì)帶來的影響，僅從出借人主觀感知能力進行探究，且對感知風險影響不顯著的原因解釋不充分。本文基于信用中介化與流動性風險惡性循環(huán)機制，對此進行補充闡釋。

如圖3所示，法律監(jiān)管部門應(yīng)對交叉嵌套的互聯(lián)網(wǎng)金融產(chǎn)品進行定性和處置，建立第三方支付機構(gòu)客戶備付金集中存管制度，監(jiān)測并處置虛假廣告片面宣傳或促銷，捏造、散布虛假信息或不完整信息損害他人商業(yè)信譽的行為，推動互聯(lián)網(wǎng)金融信用體系建設(shè)。同時，大數(shù)據(jù)風險監(jiān)測與預(yù)警不僅要對借款人風險做出預(yù)警，還應(yīng)考慮平臺信用中介化帶來的流動性風險，因為法律監(jiān)管不可能面面俱到，且法律法規(guī)的出臺具有時滯性，所以第三方大數(shù)據(jù)風險監(jiān)測與預(yù)警在廣告、宣傳等方面應(yīng)做好輿情監(jiān)測，進行多元化的數(shù)據(jù)采集與分析。一方面監(jiān)測借款人風險，另一方面監(jiān)測平臺信用中介化風險。

征信體系的建設(shè)是對借貸雙方信息不對稱問題最直接有效的解決方式，這使得借款人借款信息的初始評級更加可靠，繼而提高第三方風險監(jiān)測與預(yù)警的準確率，為投資人提供更加有效的投資決策依據(jù)。如圖3所示，可從建立信貸資產(chǎn)標的“穿刺”行業(yè)披露機制、強化行業(yè)數(shù)據(jù)共享機制建設(shè)及搭建信用中國數(shù)據(jù)庫等方面入手，完善征信體系，構(gòu)建信貸市場有序化發(fā)展的良性契約基礎(chǔ)。

基于信用中介化與流動性風險惡性循環(huán)機制的理論分析，平臺的信用中介化會扭曲傳統(tǒng)出借行為結(jié)構(gòu)模型，弱化變量對出借意愿影響的顯著性水平（如感知風險對出借意愿的影響及感知信息質(zhì)量對感知風險的影響等）。上述網(wǎng)絡(luò)借貸出借行為優(yōu)化結(jié)構(gòu)模型從法律監(jiān)管和第三方風險監(jiān)測預(yù)警角度對平臺的信用中介化進行有效控制，阻斷了主體融資風險的傳導(dǎo)，使得流動性風險和借款人風險向平臺轉(zhuǎn)移，強化了感知風險對出借意愿的影響。

宜信資產(chǎn)端“線上線下結(jié)合”模式：宜信開辟大量線下的銷售隊伍，審核借款人資質(zhì)，尋找信用好的借款人，以保證信息的可靠性和貸款質(zhì)量。雖然這種方式人力成本高，但在我國當下征信體系不完善的情況下，不失為一種可靠的風控手段。宜信線上采用大數(shù)據(jù)風控，對投資人和借款人的資格條件、信息真實性、融資項目真實性及合法性等進行必要審核，引導(dǎo)投資人小額分散方式參與網(wǎng)絡(luò)借貸，并對客戶身份進行識別，提交可疑交易報告，利用信息化手段實施反洗錢、反恐怖融資。

本文藉由網(wǎng)絡(luò)借貸出借行為優(yōu)化結(jié)構(gòu)模型挖掘P2P網(wǎng)絡(luò)借貸市場流動性風險根源，闡釋平臺的信用中介化對流動性風險的引致機制與效應(yīng)，為出臺相關(guān)法律法規(guī)提供理論支撐。規(guī)范平臺的性質(zhì)與定位，識別平臺信用中介化及借款人風險，是未來P2P網(wǎng)絡(luò)借貸行業(yè)治理的主要方向。通過法律手段，從根源上實現(xiàn)P2P借貸平臺信息中介的本質(zhì)回歸，限制平臺通過風險轉(zhuǎn)移的手段吸引投資，并實行第三方支付機構(gòu)客戶備付金集中存管措施，使平臺脫離對投資人資金的掌握，有利于疏解流動性風險的市場系統(tǒng)化。

下文主要針對借款人風險的第三方大數(shù)據(jù)風控問題（即第二道風控），挖掘借款信息中影響壞賬指標的關(guān)鍵因素，實證檢驗在有限數(shù)據(jù)即信息不對稱的條件下，決策樹算法在預(yù)警過程中的預(yù)測效果。

三、信息不對稱條件下決策樹算法的預(yù)警檢驗

（一）數(shù)據(jù)來源與變量選取

本文選取了拍拍貸2015年1月1日至2017年1月30日291 336支信用標數(shù)據(jù)展開分析，通過LCIS（Loan Characteristics Investment Status）所包括LC部分21個字段的借款人成交特征及IS部分15個字段的借款當期特征④，構(gòu)建主體融資風險要素體系。

拍拍貸是國內(nèi)純信用無擔保網(wǎng)絡(luò)借貸平臺，同時也是一家由工商部門批準，獲得“金融信息服務(wù)”資質(zhì)的互聯(lián)網(wǎng)金融服務(wù)平臺⑤。目前正逐步上線征信授權(quán)查詢功能，用戶簽署征信查詢授權(quán)書后，拍拍貸的合作持牌金融機構(gòu)就有權(quán)利查詢、報送用戶的征信。借款人一旦逾期，合作持牌金融機構(gòu)就有權(quán)將逾期記錄報送至中國人民銀行征信系統(tǒng)，其他的銀行或金融機構(gòu)也可查詢到借款人的相關(guān)記錄。

根據(jù)拍拍貸平臺的網(wǎng)站信息，該平臺自主開發(fā)的風險評估系統(tǒng)——魔鏡系統(tǒng)（Mag？ ic Mirror System）將提供一個風險評分來反映對借款人逾期率的預(yù)測。借貸雙方都能看到此評級，AA至F的風險依次遞增。此外，其評級主要基于以下信息：歷史還款記錄、個人債務(wù)、個人信息、信用記錄、第三方數(shù)據(jù)等。這些借款人的基本信息對投標結(jié)果具有重要影響[ 11 ]，所以此次研究則利用了魔鏡系統(tǒng)，將借款人的初始評級作為借款人當期違約風險的重要參考依據(jù)之一。

本文將影響壞賬狀態(tài)的因素分為個人信息、借款屬性、平臺依賴度和還款屬性四個方面，并在此基礎(chǔ)上從借款信息中尋找子影響因素作為實證分析的自變量。具體信息如表2所示。其中，個人信息作為借款人的基本信息屬性，其初始評級具有重要影響，初始評級越高，借款利率越低，當期標的出現(xiàn)壞賬的可能性越低。此外，借款人如果是首標，出現(xiàn)壞賬的可能性會相對低于非首標借款人。借款屬性側(cè)面描述了借款人的借款意圖，借款期限長、借款金額高、借款類型為APP閃電或非安全標的的借款人值得借貸平臺或投資人警惕。平臺依賴度從借款人的歷史成功借款金額和投資金額兩個角度反映了借款人（當其進行投資時則成為投資人）對該平臺的黏性，對平臺比較信任的用戶此項屬性表現(xiàn)為依賴度更高，從而其出現(xiàn)壞賬的可能性往往會低于依賴度很低的用戶。平臺可從如何提升用戶黏性的角度進一步優(yōu)化運營管理，提出相應(yīng)的用戶挽留機制，對于偏投資型客戶則要做好客戶流失預(yù)警，對偏借貸型客戶做好違約風險預(yù)警。還款屬性針對的是借款方，主要包括已還本金和待還本金，當已還本金相對過低或者出現(xiàn)大量待還本金時，則需對平臺發(fā)出預(yù)警信號，重點關(guān)注還款率低于一定水平的借款人，這個水平的制定則需根據(jù)借貸平臺業(yè)務(wù)自身特點和需求而自主擬定。

（二）描述性統(tǒng)計與回歸分析

本文首先對拍拍貸交易數(shù)據(jù)的借款人初始評級（描述統(tǒng)計參見表3）做可視化處理，形成帕累托直方圖，如圖4所示。

初始評級A、B、C、D、AA的樣本占總樣本的90%以上，其中安全標和低信用等級標占比較小。

做壞賬標志與自變量的描述性統(tǒng)計如表4所示。

可以發(fā)現(xiàn)，當期壞賬標志的借款人歷史平均借款金額和當期借款金額都要高于非壞賬標志的借款人。從最大值和最小值來看，壞賬與非壞賬標志借款人的借款金額比較接近，但壞賬標志的借款金額標準差要大于非壞賬標志，可見當期壞賬的不同借款人借款金額波動較大，當然也有一定的可能是由于壞賬樣本量與非壞賬樣本量的不平衡造成的。此外，當期壞賬借款人的初始評級低于非壞賬借款人，說明初始評級可以作為預(yù)測出現(xiàn)壞賬可能性的參考因素。從借款期限來看，壞賬借款人的借款期限更長，借款期限的延長會增加出借人或者P2P平臺的風險，相對來說對借款方更有利，所以更加容易產(chǎn)生壞賬?；诖€本金角度，壞賬借款方明顯要高于非壞賬借款人，而已還本金則相對少很多。投資金額的數(shù)量可以反映客戶對平臺的用戶黏性和信任度，黏性高、信任平臺的人不容易出現(xiàn)壞賬，這從表4的投資金額的平均值和最大值可以看出。

在選擇回歸模型時，考慮到因變量（即壞賬狀態(tài)），是二值選擇變量，所以在傳統(tǒng)OLS回歸模型的基礎(chǔ)上，考慮用Logit回歸模型或Probit模型來替代。誤差項不會正常分布，會出現(xiàn)異方差性，預(yù)測值將超出0和1的邏輯邊界。Logit模型和Probit模型在底層分布的假設(shè)上有所不同。Logit假設(shè)分布是邏輯的（即結(jié)果發(fā)生或不發(fā)生）；Probit模型假設(shè)基礎(chǔ)分布是正常的，這基本上意味著觀察到的結(jié)果發(fā)生或不發(fā)生，但這反映了正常分布的潛在變量滿足某個閾值。如果觀察邊際效應(yīng)（意味著結(jié)果的預(yù)測平均值對平均值保持其他協(xié)變量或平均值超過觀察值），Logit模型和Probit模型將基本上做出相同的預(yù)測。本文選擇Probit模型作為分析模型。

由于涉及金額的變量單位數(shù)量級有差異，所以回歸系數(shù)更加直觀，在此對其單位進行轉(zhuǎn)換：借款金額單位為萬元，歷史成功借款金額單位為十萬元，總待還本金單位為萬元，我的投資金額單位為百元，已還本金單位為十元，待還本金單位為十元。

在表5中，列（1）是OLS模型的基準回歸結(jié)果，列（2）是Logit模型的基準回歸結(jié)果，列（3）是Probit模型的基準回歸結(jié)果的邊際效應(yīng)?？梢园l(fā)現(xiàn)，基于OLS模型的回歸很大程度上低估了各變量的影響效應(yīng)。列（3）回歸結(jié)果表明，借款金額、借款期限、歷史成功借款金額、已還本金和待還本金正向影響出現(xiàn)壞賬的可能性，而初始評級、借款類型、是否首標、歷史逾期還款期數(shù)和我的投資金額負向影響出現(xiàn)壞賬的可能性。其中，初始評級每增加一級，出現(xiàn)壞賬的概率理論上相應(yīng)減少24%，首標借款人出現(xiàn)壞賬的概率比非首標借款人低4%。

基準回歸結(jié)果如表5列（1）、列（2）和列（3）所示。

本文進一步通過改變樣本來考察基準回歸結(jié)果的穩(wěn)健性，如表5列（4）和列（5）所示。其中，列（4）估計了31～40歲借款人的子樣本的邊際效應(yīng)，列（5）考察了借款人之中沒有進行手機認證、戶口認證、視頻認證、學歷認證、征信認證以及淘寶認證的借款人的子樣本的邊際效應(yīng)。可以看到，基準結(jié)果的邊際效應(yīng)在上述子樣本中都保持了高度穩(wěn)健態(tài)勢。

“我的投資金額”變量反映借款人對平臺的依賴度。壞賬狀態(tài)與平臺的依賴度可能存在反向的因果關(guān)系，即“我的投資金額”變量可能是內(nèi)生解釋變量，這會導(dǎo)致一般的Probit回歸所得系數(shù)不具有一致性，所以還需要對“我的投資金額”變量進行內(nèi)生性檢驗。本文將借款類型、是否首標作為內(nèi)生性解釋變量“我的投資金額”的工具變量。一方面滿足借款類型、是否首標與我的投資金額的相關(guān)性，另一方面滿足借款類型、是否首標不直接影響壞賬狀態(tài)的外生性，即間接影響壞賬狀態(tài)。IV Probit估計的結(jié)果如表5列（6）所示。對比列（3）和列（6）結(jié)果，一般的Probit模型估計時，“我的投資金額”變量的內(nèi)生性，將低估借款期限、歷史成功借款金額、我的投資金額、已還本金和待還本金對出現(xiàn)壞賬概率的影響，同時高估借款金額和初始評級對出現(xiàn)壞賬概率的影響。弱工具識別檢驗結(jié)果如表6所示，J和AR統(tǒng)計量的p值均在1%的置信水平上顯著，所以應(yīng)該拒絕“內(nèi)生變量與工具變量不相關(guān)”的原假設(shè)，即本文所選取的工具變量不是弱工具變量。

四、風險預(yù)警體系仿真模擬

（一）數(shù)據(jù)預(yù)處理

由回歸分析從借款信息中篩選出關(guān)鍵自變量，所得系數(shù)通過顯著性檢驗，變量之間不存在多重共線性，所以系數(shù)的正負可以假設(shè)與實際情況相符，即自變量對因變量的影響方向與實際情況一致。在此基礎(chǔ)上，才可以利用所得系數(shù)進行回歸預(yù)測分析。本文在預(yù)測這一環(huán)節(jié)采用決策樹算法來代替?zhèn)鹘y(tǒng)回歸預(yù)測的方法，基于包含了291 336個樣本、39個字段的LCIS_2.csv數(shù)據(jù)集，為了應(yīng)用機器學習CART算法，將該數(shù)據(jù)集劃分為train.csv和test.csv的訓練集和測試集。訓練集和測試集都包含借款金額、借款期限、初始評級、借款類型、是否首標、歷史成功借款金額、我的投資金額、已還本金、待還本金和壞賬狀態(tài)10個字段，其中訓練集樣本量為250 000，測試集樣本量為41 336。

（二）決策樹算法

分類與回歸樹（CART）是一種相對有效的非參數(shù)分類和回歸方法。它通過構(gòu)建二叉樹模型達到預(yù)測目的。

該模型是基于昆蘭（Quinlan）于1986年提出的ID3和1993年提出的C4.5兩種方法的改進算法，比ID3和C4.5算法具有更好的抗噪聲性能[ 12 ]，并且已經(jīng)在統(tǒng)計領(lǐng)域和數(shù)據(jù)挖掘領(lǐng)域普遍使用。它采用與傳統(tǒng)統(tǒng)計學完全不同的方式構(gòu)建預(yù)測準則，以二叉樹的形式給出，很容易理解、使用和解釋。在很多情況下，由CART模型構(gòu)建的預(yù)測樹比傳統(tǒng)的統(tǒng)計方法構(gòu)建的代數(shù)學模型預(yù)測準則更加準確，而且數(shù)據(jù)越復(fù)雜、變量越多，算法就顯得更優(yōu)越⑥，模型的關(guān)鍵在于預(yù)測準則的構(gòu)建。這里采用python機器學習庫sklearn中的決策樹CART算法對樣本進行分析。從本地導(dǎo)入train.csv和test. csv分別作為訓練樣本和測試樣本，并從訓練樣本和測試樣本中分別提取出自變量和因變量X_train，X_test，y_train和y_test（都是向量形式），得出訓練集和測試集上的混淆矩陣（參見表7）。

由壞賬狀態(tài)的精準率可知，預(yù)測借款人此標為壞賬的所有樣本中有86%的樣本確實是壞賬；由召回率可知，借款人此標實際會成為壞賬的所有樣本中只有13%的樣本被預(yù)測到。由此次樣本數(shù)據(jù)得到的結(jié)果表明，預(yù)測借款人是壞賬的精準率能達86%，但預(yù)測偏保守（參見表8）。

由于許多相關(guān)借款及借款人數(shù)據(jù)的不可得性，與現(xiàn)實相比，本文的模擬過程僅利用了非常有限的借款信息，但預(yù)測精準率卻能達到86%，可見大數(shù)據(jù)算法在數(shù)據(jù)相對豐富且多元化的現(xiàn)實應(yīng)用場景（比如在P2P網(wǎng)絡(luò)借貸行業(yè)的第三方風險監(jiān)測與預(yù)警過程中）具有較好的推廣價值。

五、結(jié)論與建議

（一）研究結(jié)論

1.第三方大數(shù)據(jù)風險監(jiān)測與預(yù)警有利于規(guī)制P2P網(wǎng)絡(luò)借貸平臺信用中介化下的主體融資風險

本文基于信用中介化與流動性風險惡性循環(huán)機制的理論分析，優(yōu)化了網(wǎng)絡(luò)借貸出借行為結(jié)構(gòu)模型。如圖3所示，在法律監(jiān)管的基礎(chǔ)上，大數(shù)據(jù)風險監(jiān)測與預(yù)警應(yīng)綜合考慮借款人風險和平臺信用中介化風險，做好輿情監(jiān)測，以填補法律監(jiān)管的空缺。

此外P2P網(wǎng)絡(luò)借貸平臺應(yīng)該定位為信息中介。因為P2P網(wǎng)絡(luò)借貸平臺信用中介化破壞市場契約環(huán)境引致信貸市場系統(tǒng)性失范。對出借人來說，一方面，信用中介化干擾了其對借款人的感知風險，間接增加了其對借款人的信任，即低估了借款人的違約風險。信用中介化與流動性風險的惡性循環(huán)機制使得平臺流動性風險積累到超出其可承受的范圍，使借款人出現(xiàn)資金鏈斷裂，從而跑路或停業(yè)，使出借人蒙受巨大損失；另一方面，使得詐騙平臺有機可乘，造成出借人的直接損失。

對平臺自身來說，信用中介化使其受到由宏觀的政策性風險引發(fā)的流動性風險。因為借款方違約率受整體宏觀經(jīng)濟的影響，在經(jīng)濟低迷期違約率通常會提高。此外，投資者也會根據(jù)宏觀經(jīng)濟環(huán)境調(diào)整投資信心，一旦投資信心大幅下降，P2P平臺出現(xiàn)大量資金出逃現(xiàn)象，行業(yè)資金凈流出加劇，流動性風險就會增加。

2.借款人借款信息與大數(shù)據(jù)算法是風控預(yù)警的重要支柱

本文實證部分基于分類視角從借款信息各變量歸納出四個基本屬性，挖掘變量的內(nèi)在關(guān)聯(lián)，分別為個人信息、借款屬性、平臺依賴度和還款屬性。其中，平臺依賴度的子影響因素——我的投資金額變量是內(nèi)生性解釋變量，即借款人的平臺依賴度與壞賬狀態(tài)存在反向因果關(guān)系。這意味著違約風險高的借款人存在欺詐行為的可能性較大，容易出現(xiàn)一次性借巨款和多平臺借款的行為，呈現(xiàn)出極低的平臺依賴度?；诖?，本文建議網(wǎng)絡(luò)借貸平臺在第二道風控環(huán)節(jié)中設(shè)計借款人平臺依賴度相關(guān)測度指標，從如何提升用戶黏性的角度進一步優(yōu)化運營管理，建立相應(yīng)的用戶挽留機制，對于偏投資型客戶則要做好客戶流失預(yù)警，對于偏借貸型客戶做好違約風險預(yù)警，嚴格設(shè)置借款人的借款金額上線，監(jiān)測類似的欺詐行為。

本文的風險預(yù)警模擬過程利用有限的借款信息，預(yù)測精準率達到86%。體現(xiàn)了大數(shù)據(jù)算法在P2P網(wǎng)絡(luò)借貸行業(yè)第三方風險監(jiān)測與預(yù)警過程中的推廣價值，所以大數(shù)據(jù)算法在風控預(yù)警過程中的應(yīng)用是必然趨勢。這正符合當今監(jiān)管科技模式從主要通過社會舉報信息、網(wǎng)絡(luò)輿情信息和基礎(chǔ)信息收集研判，實現(xiàn)金融風險監(jiān)測預(yù)警和監(jiān)管向以交易大數(shù)據(jù)為主，結(jié)合網(wǎng)絡(luò)輿情信息、社會舉報信息、基礎(chǔ)信息等構(gòu)建監(jiān)測預(yù)警體系轉(zhuǎn)變升級的理念⑦。充分利用交易信息，通過關(guān)口前移、源頭布控，對金融風險早發(fā)現(xiàn)、早識別、早預(yù)警、早核實、早打擊，繼而降低監(jiān)管成本，提升監(jiān)管效率。

（二）政策建議

為了回歸P2P網(wǎng)絡(luò)借貸平臺的信息中介定位，加強平臺性質(zhì)“變異”過程中第三方風控預(yù)警的能力，提出以下政策建議：

1.落實平臺信息中介政策，嚴懲信用中介化網(wǎng)絡(luò)借貸平臺

結(jié)合已有相關(guān)法律法規(guī)，P2P網(wǎng)絡(luò)借貸要堅持平臺功能，定位信息中介業(yè)務(wù)，為借款人與出借人實現(xiàn)直接借貸提供信息搜集、信息公布、資信評估、信息交互、信貸撮合等服務(wù)；不得偏離信息中介的角色，實際掌握資金的供給和需求，隔斷資金供求雙方的直接聯(lián)系和信息交流，更不得挪用、詐騙客戶資金，也不能吸收存款和發(fā)放貸款；充當信用中介的角色，應(yīng)該實行第三方支付機構(gòu)客戶備付金集中存管制度。

2.引導(dǎo)行業(yè)數(shù)據(jù)共享，完善征信體系建設(shè)

雷陽等[ 13 ]曾提出“征信體系是P2P回歸信息中介的關(guān)鍵”。征信體系建設(shè)是對借貸雙方信息不對稱問題最直接有效的解決方式，這使得借款人借款信息的初始評級更加可靠，繼而提高第三方風險監(jiān)測與預(yù)警的準確率，為投資人提供更加有效的投資決策依據(jù)。從建立信貸資產(chǎn)標的“穿刺”行業(yè)披露機制、加強行業(yè)數(shù)據(jù)共享機制建設(shè)、搭建信用中國數(shù)據(jù)庫等方面入手，完善征信體系，構(gòu)建信貸市場有序化發(fā)展的良性契約基礎(chǔ)。

3.加強投資人金融知識教育，增強投資人風險感知能力

基于本文“信用中介化與流動性風險惡性循環(huán)機制”，投資人出借行為是網(wǎng)絡(luò)借貸交易過程中的重要環(huán)節(jié)，投資人的風險感知能力會影響投資人的理性決策。中國人民銀行在2017年發(fā)布的全國消費者金融素養(yǎng)指數(shù)的平均分為63.71⑧。數(shù)據(jù)表明，我國消費者金融素養(yǎng)水平有待提升，應(yīng)有針對性地普及金融知識，將金融知識納入國民教育體系。應(yīng)通過市場管理介入強化信貸市場，尤其是平臺化市場范疇中市場主體的風險規(guī)制，建立政府—平臺—主體“三位一體”的風險規(guī)制體系，強化平臺信息披露、風險提示及風險預(yù)警建設(shè)，緩釋平臺信用中介化對于投資人的金融風險傳導(dǎo)。與此同時，完善市場準入機制和平臺動態(tài)監(jiān)管預(yù)警機制，補充建立網(wǎng)絡(luò)信貸平臺保證金制度、平臺主體信息披露制度與信用中介化平臺處置機制，解決網(wǎng)絡(luò)信貸市場平臺—主體間的信息失范問題、權(quán)責錯位問題、風險分攤問題及不良處置問題，建立良好、有序的網(wǎng)絡(luò)信貸市場。

注釋：

①本文將網(wǎng)絡(luò)借貸平臺脫離信息中介本質(zhì)的過程稱為“信用中介化”。

②大數(shù)據(jù)風控可以理解為金融科技，所以本文提出的第二道風控屬于傳統(tǒng)意義上的金融科技的第二道風控。提出第一道風控和第二道風控概念的原因在于本文關(guān)于網(wǎng)絡(luò)借貸中風險控制的脈絡(luò)基于這兩個層次，即風險防控機制和預(yù)警體系。

③信用中介化具體類型的定義詳見《P2P網(wǎng)絡(luò)借貸平臺相關(guān)法律法規(guī)及案例》。

④拍拍貸互聯(lián)網(wǎng)金融數(shù)據(jù)訓練營網(wǎng)址：https：//www.kesci. com/apps/home/dataset/58c614aab84b2c48165a262d/files。

⑤拍拍貸網(wǎng)址：https：//help.ppdai.com/Home/List/7。

⑥C4.5算法步驟和CART算法簡述詳見http：//blog.sina.com. cn/s/blog_7399ad1f01014oic.html。

⑦詳見人民網(wǎng)，http：//money.people.com.cn/n1/2018/1111/c4 2877-30393475.html。

⑧詳見人民網(wǎng)，http：//politics.people.com.cn/n1/2017/0714/c1 001-29404027.html。

參考文獻：

[1]趙鷂，殷實.P2P網(wǎng)絡(luò)平臺的異化[J].中國金融，2015（15）：90-92.

[2]盧馨，李慧敏.P2P網(wǎng)絡(luò)借貸的運行模式與風險管控[J].改革，2015（2）：60-68.

[3]鄭揚揚.我國P2P平臺的角色定位與治理研究[D].杭州：浙江大學，2016.

[4]馮果，蔣莎莎.論我國P2P網(wǎng)絡(luò)貸款平臺的異化及其監(jiān)管[J].法商研究，2013，30（5）：29-37.

[5]王陽陽，趙峰.網(wǎng)絡(luò)借貸的流動性風險管理分析[J].金融經(jīng)濟：下半月，2018（3）：75-77.

[6]GHATAK M.Group lending，local information and peer se？ lection1[J].Journal of development economics，1999，60（1）：27-50.

[7]互聯(lián)網(wǎng)金融協(xié)會.P2P網(wǎng)絡(luò)借貸平臺相關(guān)法律法規(guī)及案例[M].北京：中國金融出版社，2016：12.

[8]陳冬宇，朱浩，鄭海超.風險，信任和出借意愿——基于拍拍貸注冊用戶的實證研究[J].管理評論，2014，26（1）：150.

[9]宋逢明，譚慧.VaR模型中流動性風險的度量[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2004（6）：114-123.

[10]張超宇，陳飛.P2P網(wǎng)絡(luò)借貸平臺模式異化及去擔保化問題研究[J].南方金融，2018（1）：68-74.

[11]李悅雷，郭陽，張維.中國P2P小額貸款市場借貸成功率影響因素分析[J].金融研究，2013（7）：126-138.

[12]張瑋，楊善林，劉婷婷.基于CART和自適應(yīng)Boosting算法的移動通信企業(yè)客戶流失預(yù)測模型[J].中國管理科學，2014，22（10）：90-96.

[13]雷陽，黃卓.征信體系是P2P回歸信息中介的關(guān)鍵[J].征信，2016（4）：24-28.

On P2P Network Lending Platform’s Risk Prevention Mechanism and Early-warning System

——Based on the Perspective of Credit Intermediation and Liquidity Risk

Research Group

（Zhejiang Gongshang University，Hangzhou，Zhejiang310018，China）

Abstract：The authors mainly discuss the risk prevention and control mechanism and early-warning system of P2P network lending platform from the perspective of credit intermediation and liquidity risk. Firstly，the authors theoretically analyze the optimization of the structural model of the network lending behavior when considering the factors of credit intermediation and liquidity risk deteriorating circle mechanism. Secondly，they empirically analyze the effect of the borrowing strategy caused by the borrowing information variables with the OLS model，Logit model and Probit model，and simulate the risk alerting process through the variables selected by the big data decision tree algorithm. The empirical results show a significant relationship between the systemic effect of the financing risk market and the credit intermediary of the P2P network lending platform. The third-party big data risk monitoring and early warning is conducive to regulating the transmission of the main financial risk from the P2P network lending platform of credit intermediary services. Finally，the authors put out some suggestions to enhance the third party’s capability for risk control and early warning，we should implement the platform’s policy of positioning the information intermediary business，severely punish the online lending platform of credit intermediary services，promote the share of industrial data，perfect the construction of credit reference system，lay the solid foundation for the orderly development of credit market，strengthen the education of financial risk，perfect the mechanism of market access and dynamic supervision and early-warning of platforms，and establish the sound and orderly online credit market.

Key words：P2P network lending；credit intermediation；liquidity risk；information intermediation