P2P网贷平台借款人信用风险影响因素研究

【摘要】本文分析影响P2P网络借贷借款人信用风险的影响因素，并且利用“新新贷”等P2P网贷平台上的数据做实证分析，结果发现，P2P网络借贷借款人的学历、婚姻、房产、车产、工作情况和提供的材料数量对借款人的信用风险均有显著的正向影响，婚姻和工作情况的影响较大。最后，针对P2P网贷平台借款人信用风险提出对策建议。

【关键词】P2P网贷平台 信用风险 影响因素

一、引言

“互联网金融”时代的到来，为中国经济注入了一股新的力量。而作为“互联网金融”重要组成部分的P2P网络借贷表现得尤其突出。2007年，中国第一家P2P网贷平台“拍拍贷”在上海成立，“拍拍贷”把先进的理念与网络技术相结合，在中国率先实践了P2P网络借贷模式。随后，P2P网络借贷行业在中国快速发展，截至2016年10月，全国共有P2P网贷平台4278家。P2P网贷平台的出现缓解了中国经济对资金需求的紧张程度，特别是对于那些从正规金融渠道借不到钱的人群。

P2P网络借贷（peer to peer lending）是把p2p借贷与网络技术相结合而产生的一种新的金融服务模式。其基本流程是借款人在P2P借款平台上注册，通过审核后在平台上借款信息，投资者或是放款人在平台上看到借款信息后进行筛选并对合意的借款人进行投资，借贷双方在借款金额、利率、期限方面达成一致即可交易。相比正规金融机构借贷，P2P网络借贷具有经营成本低、效率高、覆盖广等特点。

信用风险是P2P网络借贷中所蕴含的一种主要风险。信用风险指借款人没有能力还款或者不愿还款而给放款人造成损失的风险。在传统借贷行为中，对借款人信用风险的准确评估依赖于借款人的详细信息。然而，在P2P网络借贷中对借款人信息的了解有限。P2P网贷平台借款人信用风险的影响因素有哪些？如何在P2P网贷平台借款人的有限信息中找出对其信用风险有显著影响的因素？这正是本文要研究的问题。

二、文献综述

Freedman（2008）指出，借款人为了在平台上成功借到款会隐瞒对自己借款不利的信息，甚至可能故意编造虚假信息以获得贷款，致使投资者或放款人遭受损失的风险增大。Klafft（2008）利用从美国P2P网络借贷平台Prosper获取的数据研究借款人的信用等级对借贷的影响，结果发现，信用等级越高，越容易获得贷款，并且贷款的利率越低。Barasinska（2009）认为性别影响网络借贷行为。Iyer et al（2010）J为除了信用等级，借款人的债务收入比也会对借贷行为产生重要影响。Pope，Sydnor（2011）认为年龄也是影响网络借贷行为的一个重要因素。Emekter等（2015）指出信用等级对P2P网络借贷的信用风险有重要影响，借款人的信用等级越低发生违约的风险越高。

王新娟（2012）研究了国内主要的P2P网贷平台，发现网贷平台资质良莠不齐，管理不规范，存在很大的信用风险。袁羽（2014）对Prosper公司的信贷违约风险进行Logistic模型分析，结果发现，信用等级、借款利率、借款期限等指标对信用风险均有影响。刘本喜（2014）利用“e速贷”、“人人贷”、“微贷网”等P2P网贷平台数据对信用风险的影响因素进行实证研究，结果发现，20至29岁年龄段的借款人信用风险最大。肖曼君等（2015）从借款人个人特征、借款信息、历史表现等方面对影响P2P网络借贷的信用风险的因素进行研究，结果发现，借款人的年龄、性别、认证等级等会影响信用风险的大小。宋丽萍，张利坤，徐玮（2015）利用BP神经网络模型研究借款人的信用风险影响因素，结果表明，借款人自身的客观条件、还款能力、历史表现对借款人的信用风险有重要影响。姚凤阁，隋昕（2016）基于P2P网贷平台“拍拍贷”上的数据，研究借款人信用等级、投标成功次数、借款总额、利率、年龄、性别等指标对信用风险的影响，结果发现，借款人信用等级与信用风险显著负相关，借款人投标成功次数与信用风险显著负相关。

通过文献可知，P2P网贷平台借款人信用风险是学者们研究是一个重点问题，这些研究有助于解决现实中P2P网络借贷行业面临的难题。本文在总结已有文献的基础上，从P2P网络借贷借款人的一些特征及历史表现等方面来研究影响信用风险的因素。

三、P2P网贷平台借款人信用风险影响因素分析

本文从借款人本身的特征入手，研究P2P网络借贷借款人信用风险的影响因素。可以从四个方面来研究，借款人自身的客观条件、还款能力、还款意愿、历史表现。

（一）借款人自身的客观条件

借款人自身的客观条件包括性别、年龄、学历、婚姻状况等。性别可能是影响借款人信用风险的一个因素，这是因为男性在外应酬较多，不必要的开销较大；而且，一般来说，传统女性比男性还债意识更强。年龄可能是影响借款人信用风险的另一个因素，因为不同年龄的人工作能力不同；另外，不同年龄段的人开销也不同，有研究指出，35至45岁的人收入较多，开销较少，还款能力较强。学历也可能是影响借款人信用风险的一个因素，因为，从平均数来说，学历高的人平均收入高于学历低的人。另外，婚姻状况稳定的已婚家庭由于夫妻关系和睦，双方共同努力工作，一起偿还债务，可能为了家庭的稳定而不愿违约，因此，信用风险较小。而离异的家庭，没有另一半在精神上与经济上的帮助，出现违约的可能性较大，信用风险也较大。所以，婚姻状况也可能是影响借款人信用风险的一个因素。

（二）借款人的还款能力

从客观上来说，还款能力强的借款人信用风险较小，还款能力弱的借款人信用风险较大。借款人的资产是衡量其还款能力最直接的指标，包括收入、房产、车产等。收入越高，还款能力越强；房产价值越高，越有能力还款；车产价值越高，越有能力还款。另外，工作情况也会影响还款能力。工作越稳定，未来收入流越稳定，还款来源越有保证；在不同的行业工作，可能工资高低会有不同，还款能力也不相同。

（三）借款人的还款意愿

借款人的还款意愿是影响信用风险大小的一个重要因素，还款意愿强的人违约可能性小，信用风险低；还款意愿弱的人违约可能性大，信用风险高。但是，由于信息不对称，借款人的真实还款意愿很难得知。在P2P网贷平台上即使要求借款人填写还款意愿，也无法判别其真实性。因此，大多数P2P网贷平台不要求借款人填写还款意愿。所以，本文研究也并未涉及借款人的还款意愿。

（四）借款人的历史表现

借款人的历史表F可以从两方面来考察，一是信用信息，二是提供的证明材料。信用信息包括逾期记录和征信报告，没有逾期记录并且征信较好，则信用风险越低。提供的证明材料包括身份认证、房产证、个人银行流水、手机清单等，这些信息可以反映借款人以往的状况。自身条件不好的借款人由于害怕真实情况被借贷平台或放款人知道后会借不到款而故意提供较少证明材料，自身条件较好的借款人会提供较多证明材料以区分资质差的借款人。因此，提供材料的数量可能在一定程度上弥补信息不对称问题，可以从数量上来判断借款人历史表现的好坏。

四、实证研究

（一）数据选取说明

本文数据来源于“新新贷”、“人人贷”和“温商贷”官网，选取数据的时间是2016年10月23日至2016年11月1日。本文共提取了64个样本，删除一些有问题的数据，最后剩50个样本进行回归分析。从上述三个P2P网贷平台提取的信息主要有借款人的基础信息：性别（X1）、年龄（X2）、学历（X3）、婚姻（X4）；资产信息：收入（X5）、房产（X6）、车产（X7）；工作信息（X8）；信用信息：有无逾期（X9）、有无征信（X10）；提供材料（X11）；信用等级（Y）。

（二）数据处理方法说明

在以上指标变量中可以直接量化的是年龄（X2）、收入（X5）、房产（X6）、车产（X7）和提供材料数量（X11），其余均是定性变量。年龄（X2）和提供材料数量这两个变量的值可以直接从上述三个P2P网贷平台官网上直接看到，因此年龄和提供材料数量（X11）取相应的数值作为指标变量的值。收入（X5）、房产（X6）、车产（X7）在三个P2P网贷平台官网上只能看到取值范围或者估值，因此对收入（X5）、房产（X6）、车产（X7）三个变量采取分段赋值的方法处理。对于定性变量性别（X1）、学历（X3）、婚姻（X4）、工作信息（X8）、有无逾期（X9）、有无征信（X10）和信用等级（Y）采用赋值的办法处理。本文在参考已有文献的基础上，对变量具体赋值如下：

性别（X1）：男，赋值为7；女，赋值为9；

学历（X3）：小学，赋值为0；初中，赋值为2；高中，赋值为4，；专科，赋值为6；本科，赋值为8；研究生，赋值为10；

婚姻（X4）：离异，赋值为7；未婚，赋值为8；已婚，赋值为9；

收入（X5）：0～2万，赋值为5；2～5万，赋值为7；大于5万，赋值为9；

房产（X6）：无房，赋值为5；有房但有房贷，赋值为7；有房且没房贷，赋值为9；

车产（X7）：无车，赋值为5；有车但有车贷，赋值为7；有车且无车贷，赋值为9；

工作情况（X8）：个体户，赋值为5；私企，赋值为6；国企，赋值为7；事业单位，赋值为8；政府机关，赋值为9；

有无逾期（X9）：无，赋值为10；1～10次，赋值为5；大于10次，赋值为0；

有无征信（X10）：有，赋值为10；无，赋值为5；

信用等级（Y）：AAA，赋值为85～95；AA，赋值为75～85；A，赋值为65～75；B，赋值为55～65；C，赋值为45～55；D，赋值为35～45；E，赋值为25～35；HR，赋值为15～25。

其中，对信用等级赋的值是一个范围，但由于网贷平台上显示的是借款人的信用等级，没有具体数值，因此在进行回归分析时对借款人信用等级（Y）取区间范围的平均值。例如，一个借款人的信用等级是AA，则相应的信用等级Y取75和85的平均值，即Y=80。

（三）回归分析

利用EViews软件进行如下普通最小二乘回归

在得到的回归结果中删除最不显著的一个变量，再对剩余变量进行回归；再从回归结果中删除最不显著的一个变量，再对剩余变量回归；重复上述过程，直至得到的每个变量的系数都显著。最后，得到

其中，X3，X6，X7，X8，X11就在5%水平上显著，X4在10%水平上显著。

从回归结果来看，R2=0.74，对于整体拟合结果还是可以接受的。经检验各解释变量间不存在高度相关关系。使用怀特检验法检验是否存在异方差，经检验，结果显示不存在异方差。

X3、X4、X6、X7、X8、X11的系数均为正，信用等级（Y）与学历（X3）、婚姻（X4）、房产（X6）、车产（X7）、工作情况（X8）、提供材料数量（X11）均是正相关关系，这与实际相符。从系数绝对值大小来看，婚姻（X4）、工作情况（X8）的系数都大于3，明显大于其它系数，这说明婚姻和工作情况对信用等级影响较大。性别（X1）、年龄（X2）对借款人信用等级（Y）无显著影响。对于收入（X5）的系数不显著，解释如下。本文中收集到的借款人收入信息不够精确，大多是一个比较大的范围，如0到2万，2到5万，5万以上。另外，样本中很多收入都是5万以上，而收入是5万以上的借款人中信用等级从低到高都有，这就不能反映出信用等级（Y）与收入（X5）有相关关系。最后，可能是借款人为了故意显示自己有还款能力而夸大自己的收入。借款人有无逾期记录（X9）和有无征信报告（X10）对借款人的信用风险并没有显著的影响。

五、结论及对策

通过回归分析得出，P2P网络借贷借款人的学历、婚姻、房产、车产、工作情况和提供的材料数量对借款人的信用风险均有显著影响，且都是正向相关关系。其中，婚姻和工作情况对借款人的信用风险影响最大。收入和信用情况对借款人信用风险并无显著影响，这可能是因为样本容量不够大造成的。

最后，由本文的研究成果和对已有文献的解读来提出对于解决P2P网贷平台借款人信用风险问题的一些对策。第一，完善相关法律和监管。目前，P2P网络借贷行业缺乏相关法律的约束，也没有很完善的监管。第二，完善个人征信体系。这要从征信体系的覆盖范围和深度入手，把每个人都纳入征信系统，使得每个人的信用记录都比较完整。第三，改善P2P网贷平台对个人信用的认证方式，注重线下认证，采取线上认证与线下认证相结合的方式。第四，注重借款人的婚姻状况和工作情况，这两方面因素对借款人的信用风险有较大影响。第五，信息更加透明化，尤其是要P2P网贷平台把借款人的信息更加透明化，这有助于投资者或放款人正确识别借款人的信用风险。

参考文献

[1]王会娟，廖理.中国P2P网络借贷平台信用认证机制研究[J].中国工业经济，2014，（4）：136-147.

[2]宋丽平，张利坤，徐玮.P2P网络借贷个人信用风险评估[J].财会月刊，2015，（35）：94-96.

[3]肖曼君，欧缘媛，李颖.我国P2P网络借贷信用风险影响因素研究――基于排序选择模型的实证分析[J].财经理论与实践，2015（1）.

[4]姚凤阁，隋昕.P2P网络借贷平台借款人信用风险影响因素研究――来自“拍拍贷”的经验依据[J].哈尔滨商业大学学报（社会科学版），2016，（1）：3-10.

[5]Freedman S and G.Z.Jin. Do social networks solve information problems for

peer-to-peer lending？Evidence from [R].2008.

[6]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）.

作者简介：董文奎（1990-），男，汉族，河南周口人，硕士，云南财经大学金融学院2014级金融学硕士研究生，研究方向：小微金融。