姚鳳閣，隋　昕

(1.哈爾濱商業(yè)大學(xué) 商業(yè)經(jīng)濟研究院，哈爾濱150028；2.哈爾濱商業(yè)大學(xué) 金融學(xué)院，哈爾濱150028)

?

金融理論與實務(wù)

P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險影響因素研究——來自“拍拍貸”的經(jīng)驗依據(jù)

姚鳳閣1，隋昕2

(1.哈爾濱商業(yè)大學(xué) 商業(yè)經(jīng)濟研究院，哈爾濱150028；2.哈爾濱商業(yè)大學(xué) 金融學(xué)院，哈爾濱150028)

摘要：基于我國P2P網(wǎng)絡(luò)借貸平臺中“拍拍貸”網(wǎng)站中2014年4月至2015年8月的借款人信息數(shù)據(jù)，研究分析了借款人信用等級、投標(biāo)成功次數(shù)、投標(biāo)流標(biāo)次數(shù)、借款總額、利率、期限、每月還款、用戶年齡、性別等9個指標(biāo)對P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險的影響。研究結(jié)果表明，借款人信用等級與借款人信用風(fēng)險之間存在顯著的負相關(guān)關(guān)系，借款人投標(biāo)成功次數(shù)與借款人信用風(fēng)險之間存在顯著的正相關(guān)關(guān)系，借款人投標(biāo)失敗次數(shù)與借款人信用風(fēng)險之間存在顯著的正相關(guān)關(guān)系，借款人借款的利率與借款人信用風(fēng)險之間存在顯著的正相關(guān)關(guān)系，借款人的借款總額與借款人信用風(fēng)險之間存在顯著的正相關(guān)關(guān)系。借款人借款期限、借款人性別、借款人年齡與借款人信用風(fēng)險之間不存在相關(guān)關(guān)系。研究結(jié)果既可以為防范P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險提供新的思路，也可以為完善我國P2P網(wǎng)絡(luò)借貸行業(yè)治理提供新的經(jīng)驗證據(jù)。

關(guān)鍵詞：P2P；網(wǎng)絡(luò)借貸；信用風(fēng)險

引言

作為21世紀最偉大的科技發(fā)明之一，P2P網(wǎng)絡(luò)借貸(Peer to Peer Lending)正在逐步改變著金融體系舊有的運行模式和市場結(jié)構(gòu)。在此期間，由于P2P網(wǎng)絡(luò)借貸行業(yè)“無從業(yè)門檻、無行業(yè)標(biāo)準(zhǔn)、無監(jiān)管機構(gòu)”等原因，使P2P行業(yè)面臨很大的信用風(fēng)險。據(jù)網(wǎng)貸之家統(tǒng)計，截至2015年5月，因惡意詐騙、經(jīng)營不善等問題而倒閉、跑路的問題平臺已累計達600多家。2013年全年累計有74家P2P網(wǎng)絡(luò)借貸平臺出現(xiàn)提現(xiàn)困難、倒閉或者跑路的現(xiàn)象，數(shù)量約占當(dāng)時市場的10%。其中，34家問題平臺待還金額達11億元，估計2013年全年問題平臺待還金額超過15億元，平均每家問題平臺待還金額約為3 300萬元。居于待還金額首位的網(wǎng)贏天下待還金額達2億元，而它的注冊資金僅為2 000萬元，如此大的資金杠桿顯示一些P2P網(wǎng)絡(luò)借貸平臺隱藏著巨大的信用風(fēng)險。然而，這只是造成P2P網(wǎng)絡(luò)借貸行業(yè)信用風(fēng)險的表面現(xiàn)象，造成P2P網(wǎng)絡(luò)借貸行業(yè)信用風(fēng)險的實質(zhì)影響是由于信息不對稱和道德風(fēng)險造成的借款人的個人信用風(fēng)險，指借款人因種種原因，不愿或無力履行合同條件而構(gòu)成違約，致使投資者遭受損失的可能性。張玉梅(2010)指出由于目前我國還沒有建立起完善的個人信用體系，故在網(wǎng)絡(luò)上由個人發(fā)起的借款就更難通過個人的信用情況判斷了，因此個人信用風(fēng)險在一定程度上制約了P2P網(wǎng)絡(luò)貸款的發(fā)展，也正是因為這樣，P2P網(wǎng)絡(luò)貸款的信用風(fēng)險判斷也就存在更大難度。艾金娣(2012)針對P2P網(wǎng)絡(luò)貸款風(fēng)險從制度風(fēng)險和信用風(fēng)險兩個角度闡述，指出P2P網(wǎng)絡(luò)貸款雖然可以通過電話、網(wǎng)絡(luò)等渠道對借款人的基本信息進行核查，但是對于借款人的信用、實際的經(jīng)營情況以及最終的貸款用途卻很難進行跟蹤，這是最大的風(fēng)險所在。要找出造成P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險的影響因素，我們不僅僅需要看借款人信用風(fēng)險造成的嚴重性，更為重要的是看影響借款人信用風(fēng)險的因素。因此，本文認為，基于P2P借款人信用風(fēng)險的研究或許更加準(zhǔn)確和更具有價值。

當(dāng)前，是否能夠有效地控制P2P網(wǎng)絡(luò)借貸平臺的信用風(fēng)險，成為影響P2P網(wǎng)絡(luò)借貸行業(yè)發(fā)展的關(guān)鍵性因素。由于我國關(guān)于P2P網(wǎng)絡(luò)借貸平臺的征信體系并不完善，與之相關(guān)的監(jiān)管也并不完善，因此，目前采用信用評分體系進行信用風(fēng)險度量和管理存在很大的不足。何曉玲、王玫(2013)表明P2P網(wǎng)絡(luò)貸款帶來的主要風(fēng)險包括缺乏監(jiān)管、信用風(fēng)險以及企業(yè)自身的風(fēng)險這三大部分，可能存在網(wǎng)絡(luò)上有人冒用他人名義進行借款或者一個人注冊多個賬戶騙取借款等情況，同時由于P2P平臺之間的信息不能共享，可能存在一人在多家P2P網(wǎng)絡(luò)借貸平臺上進行借款，最終卻無力償還。這表明，P2P網(wǎng)絡(luò)借貸平臺中的信用等級不足以評估其信用風(fēng)險。那么，采用哪些指標(biāo)來衡量信用風(fēng)險更具說服性呢？如果可以，那么具體的影響呢？對于這些問題的回答正是本研究的主要動機。

本文選取了2014年4月至2015年8月的拍拍貸網(wǎng)絡(luò)借貸平臺中借款人信息作為研究數(shù)據(jù)，研究分析借款人信息中用戶年齡、性別、信用等級、成功次數(shù)、流標(biāo)次數(shù)、借款總額、利率、期限、每月還款等9個指標(biāo)對借款人信用風(fēng)險的影響。由于拍拍貸網(wǎng)絡(luò)借貸平臺是我國第一家P2P網(wǎng)絡(luò)借貸平臺，目前也是國內(nèi)P2P網(wǎng)絡(luò)借貸平臺中規(guī)模最大、用戶最活躍的借貸平臺。所以本文選擇以拍拍貸網(wǎng)站上的借款人信息作為研究P2P信用風(fēng)險的對象。本文選取的數(shù)據(jù)均來自拍拍貸網(wǎng)站中的借款人信息，并且本文通過建立爬蟲程序，對網(wǎng)站信息進行挖掘。通過網(wǎng)絡(luò)編程對數(shù)據(jù)進行挖掘統(tǒng)計，本文共選取了60 273個具體借款人的信息，刪除信息統(tǒng)計不全的借款列表，剩余59 366個借款列表。

一、文獻綜述

大量研究均表明，隨著互聯(lián)網(wǎng)金融的高速發(fā)展，P2P網(wǎng)絡(luò)借貸平臺的信用風(fēng)險作為其最主要的風(fēng)險越來越受到學(xué)者們的關(guān)注。蔡瑞媛和溫小霓(2013)介紹了P2P 網(wǎng)貸平臺的特點以及工作原理、國內(nèi)外發(fā)展現(xiàn)狀，指出P2P 網(wǎng)貸平臺存在一定的風(fēng)險以及相應(yīng)的研究對策，肯定其對信貸市場的創(chuàng)新和改革。網(wǎng)絡(luò)借貸平臺作為中間交易平臺，需要提供借款者的個人信息，用來作為投資者的風(fēng)險評估依據(jù)，對此Stiglitz and Weiss(1981)很早以前就提出，盡管借款人的信用歷史信息(如信用等級、歷史表現(xiàn))是公開給所有投資者，但網(wǎng)絡(luò)匿名性可能會加劇網(wǎng)絡(luò)借貸的典型信息不對稱問題。早期的P2P網(wǎng)絡(luò)借貸研究表明，平臺中借款者的個體特征差異不大，但是信用風(fēng)險卻十分顯著。Akerlof(1970)、Stiglitz和Weiss(1981)認為P2P網(wǎng)絡(luò)借貸會導(dǎo)致逆向選擇和道德風(fēng)險問題，由于信息的不對稱性引發(fā)借貸市場的危機，如美國的數(shù)次金融危機。馬運全(2012)認為目前中國的P2P平臺在業(yè)務(wù)開展過程中存在“資金安全缺乏保障、個人信息泄露、涉嫌非法集資”與逆向選擇、道德風(fēng)險等問題，并提出要加強立法監(jiān)管，出臺各類配套措施。Sufi(2007)與Michael Klafft(2008)認為，如同在一般的金融市場一樣，網(wǎng)絡(luò)借貸市場也存在信息不對稱，此外，由于投資者缺乏經(jīng)驗，網(wǎng)絡(luò)環(huán)境下貸款的信用風(fēng)險更高。王興娟(2012)通過研究國內(nèi)主要網(wǎng)絡(luò)借貸平臺提出，近幾年來由于網(wǎng)絡(luò)借貸平臺資質(zhì)良莠不齊，發(fā)展模式并不規(guī)范，帶來很大的信用風(fēng)險。陳初(2010)也認為，由于沒有規(guī)范管理，一些P2P 網(wǎng)絡(luò)平臺可能泄露用戶重要的信息，加之貸款用途難以核實，所以道德風(fēng)險很大。鈕明(2012)認為目前P2P 網(wǎng)絡(luò)借貸主要存在的風(fēng)險包括四個方面：一是缺乏資金安全保障，二是資金的真實意圖無法驗證，三是個人信息可能泄露，四是缺乏對P2P借貸平臺的有效監(jiān)管。

盡管上述研究從不同理論角度闡述了影響P2P網(wǎng)絡(luò)平臺信用風(fēng)險的因素，然而卻沒有更加細致地找出由于借款人信用風(fēng)險對我國P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險的影響。歐緣媛(2014)選取了人人貸網(wǎng)站的數(shù)據(jù)進行實證分析，結(jié)果表明，信用等級與違約行為呈正相關(guān)關(guān)系。Iyer et al.(2009)從信用評分、歷史信用等方面研究發(fā)現(xiàn)，信用評分、歷史信用等對信用風(fēng)險都有相關(guān)影響。Katherine (2009)分析了Prosper 的交易數(shù)據(jù)，發(fā)現(xiàn)許多投資者作出了次優(yōu)的投資決策，選擇了信用等級較低、利率較高的借款者。袁羽(2014)利用Logistic回歸模型的方法對Prosper公司的信貸違約風(fēng)險進行度量，結(jié)果表明，信用等級、借款期限、借款利率等基礎(chǔ)指標(biāo)進行違約風(fēng)險度量，并且均通過了顯著性檢驗。借款人的年齡也會在一定程度上影響借款人的行為，劉本喜(2014)選取了e速貸、全民貸、人人貸、人人聚財、微貸網(wǎng)、中寶投資等P2P網(wǎng)絡(luò)借貸平臺的用戶交易信息進行分析，結(jié)果表明，違約者的年齡段主要分布在20—29歲之間，將近占到了違約人數(shù)的一半?？梢姡瑢杩钊藗€人信用風(fēng)險的研究或許是更為重要和緊迫的。

基于此，本文選取了2014年4月至2015年8月的拍拍貸網(wǎng)絡(luò)借貸平臺中借款人信息作為研究數(shù)據(jù)，研究分析借款人信息中9個指標(biāo)對信用風(fēng)險的影響。本文主要從以下四個方面改進了以往研究的結(jié)果，豐富了理論界關(guān)于P2P信用風(fēng)險影響因素的認識：(1)本文選取了拍拍貸網(wǎng)貸平臺中借款人信息中的用戶年齡、性別、信用等級、成功次數(shù)、流標(biāo)次數(shù)、借款總額、利率、期限、每月還款9個指標(biāo)來研究對借款人信用風(fēng)險的影響；(2)本文采用了Logit回歸模型和Probit回歸模型，更加直觀地展示了所選取的9個變量與借款人信用風(fēng)險之間的關(guān)系；(3)本文采用信息挖掘法，通過建立爬蟲程序，對網(wǎng)站信息進行挖掘，收集到所需的數(shù)據(jù)；(4)本文采用了ROC曲線來展示模型的精確程度。

二、理論分析與研究設(shè)計

下面主要從理論上簡要闡述影響我國P2P網(wǎng)絡(luò)借貸行業(yè)信用風(fēng)險的因素，并在此基礎(chǔ)上提出本文的研究設(shè)計。

(一)理論分析

1.P2P信用風(fēng)險

信用風(fēng)險作為網(wǎng)絡(luò)借貸面臨的最主要風(fēng)險，又稱違約風(fēng)險，是指P2P網(wǎng)絡(luò)借貸平臺對出借人的違約，網(wǎng)絡(luò)借貸平臺為借款人提供擔(dān)保，將借款以債權(quán)轉(zhuǎn)讓的方式出讓給投資人，并承諾一定的收益率，這就形成了一種契約關(guān)系。若網(wǎng)站無法履行這些承諾，導(dǎo)致投資人利益受損，就形成了網(wǎng)絡(luò)平臺對出借人的違約，也就是網(wǎng)絡(luò)平臺的信用風(fēng)險。

P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險大概是由以下原因造成：(1)雖然P2P網(wǎng)絡(luò)平臺每筆貸款的數(shù)額并不大，但由于其覆蓋面廣，參與人較多，總的交易金額較大，這就需要平臺有較為雄厚的資金提供保障，但實際上，有些網(wǎng)站的資本實力非常有限。(2)由于網(wǎng)站的收益主要來源于借貸成功的手續(xù)費，如果網(wǎng)站收益太小以至于不能覆蓋其成本，無法持續(xù)運營時，網(wǎng)站被迫倒閉，對投資人的資金安全構(gòu)成了一定的威脅。哈哈貸和眾貸網(wǎng)的被迫關(guān)閉就是如此。(3)有些網(wǎng)站更是帶有不良企圖，利用金融監(jiān)管的漏洞，騙取投資人的錢財，對網(wǎng)絡(luò)借貸中的資金出借人造成極大的傷害。

2.借款人信用風(fēng)險

借款人信用風(fēng)險是指借款人未能履行合約，無法按期償還所借本金和利息而給P2P網(wǎng)絡(luò)借貸平臺和出借人帶來經(jīng)濟利益損失的風(fēng)險。由于借款者自身的原因使得借款無法如期償還，就形成了借款人信用風(fēng)險。雖然很多平臺，如宜信貸、紅嶺創(chuàng)投等都會對借款者的個人信用等級進行劃分，以防范信用風(fēng)險，但都是由借款者向平臺提供信息，由平臺作出信用等級的評價。由于個人提交信息的真實性還有待確認，其信用等級也僅僅可以作為一個參考，而人民銀行的個人征信系統(tǒng)并不對網(wǎng)絡(luò)借貸平臺開放，全國性的個人信用評價系統(tǒng)又尚未建立，借款者在其他平臺上的信息無法實現(xiàn)共享，都會影響所發(fā)放貸款的質(zhì)量。此外，P2P網(wǎng)絡(luò)上的借款者多為低收入群體或是小型企業(yè)，有一部分由于不能向銀行借貸而轉(zhuǎn)向網(wǎng)絡(luò)平臺，所貸資金的實際用途難以確定，也增加了逾期貸款發(fā)生的可能性。即使有些平臺對借款提供擔(dān)保，但如果發(fā)生較大規(guī)模的逾期貸款，壞賬規(guī)模大于其實際資產(chǎn)時，出借人的資金安全同樣難以得到保障。

(二)研究設(shè)計

1.樣本選取

本文選取拍拍貸網(wǎng)站中借款人的年齡、性別、信用等級、成功次數(shù)、流標(biāo)次數(shù)、借款總額、利率、期限、每月還款等9個指標(biāo)作為數(shù)據(jù)進行分析研究，研究數(shù)據(jù)以拍拍貸網(wǎng)站中的借款人信息為基礎(chǔ)，選取了2014年4月至2015年8月在拍拍貸網(wǎng)站上進行借款的60 237個相關(guān)的用戶信息為樣本。為了使數(shù)據(jù)更具有可靠性和完整性，刪除了數(shù)據(jù)不完整的用戶信息，最終59 366個用戶信息進入樣本。本文通過建立爬蟲程序，對網(wǎng)站信息進行挖掘。本文數(shù)據(jù)均來自拍拍貸網(wǎng)站的借款人信息。

2.變量構(gòu)建

本文的研究主要針對拍拍貸網(wǎng)站信息中的借款人信息。

(1)被解釋變量。為了準(zhǔn)確度量P2P網(wǎng)絡(luò)借貸平臺的信用風(fēng)險，本文選取借款人是否具有違約行為來表示P2P網(wǎng)絡(luò)借貸交易中的借款人信用風(fēng)險。并且采用袁羽(2014)的研究方法，采用Logistic回歸模型中的二值選擇模型更為直觀地分析P2P網(wǎng)絡(luò)借貸平臺的借款人信用風(fēng)險。即若借款人發(fā)生違約行為，則用1表示，借款人未發(fā)生違約行為，則用0表示。

(2)解釋變量。解釋變量選取了拍拍貸借款人信息中的借款人年齡、性別、信用等級、成功次數(shù)、流標(biāo)次數(shù)、借款總額、利率、期限、每月還款等9個指標(biāo)。在拍拍貸上借款人的年齡段分為20—25歲、26—31歲、32—38歲和大于39歲，在實證過程，把它們分別用1、2、3、4來代替。在本文研究數(shù)據(jù)樣本中有男性和女性兩個樣本，為了研究方便，將男性賦值“1”，女性賦值“0”。

3.主要變量的描述性統(tǒng)計及相關(guān)性分析

下表2為本文主要變量的描述統(tǒng)計，包括拍拍貸網(wǎng)站中2015年4—8月的借款人信息數(shù)據(jù)。通過表2主要變量描述統(tǒng)計得出，作為被解釋變量，信用風(fēng)險的平均值是0.08。最大值是1，最小值是0。對于解釋變量credit的均值為5.00，success的均值為3.36，rate的均值為13.01，time的均值為8.17，total的均值為4069.83。

表1　變量定義

表2　主要變量的描述統(tǒng)計

三、實證分析

為了系統(tǒng)地考察P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險的影響因素，本節(jié)重點考察了拍拍貸網(wǎng)站借款人信息中的用戶年齡、性別、信用等級、成功次數(shù)、流標(biāo)次數(shù)、借款總額、利率、期限、每月還款對借款人信用風(fēng)險的影響。本節(jié)采用的計量模型如下所示：

risk=α1creαdit+α2success+α3fail+α4total+α5rate+α6time+α7monthly+α8gender+α9age+ε

(1)

其中，信用風(fēng)險risk為被解釋變量，α為系數(shù)。credit，success，fail，total，rate，time，monthly，gender，age為解釋變量，ε為隨機擾動項。通過排序選擇模型進行l(wèi)ogit回歸和Probit回歸，實證結(jié)果見表3。

從表3可以看出，Probit回歸模型的實證結(jié)果與Logit回歸模型的結(jié)果十分相似。在拍拍貸借款人信息中，除了借款時間、借款人性別、借款人年齡對信用風(fēng)險的影響不顯著之外，其余的6個變量借款人信用等級、投標(biāo)成功次數(shù)、投標(biāo)失敗次數(shù)、借款總額、利率、每月還款額對信用風(fēng)險的影響都非常顯著。其中，借款人信用等級、借款總額對信用風(fēng)險的影響呈現(xiàn)出顯著的負相關(guān)關(guān)系。借款人投標(biāo)成功次數(shù)、投標(biāo)失敗次數(shù)、利率、每月還款額對信用風(fēng)險的影響呈現(xiàn)出顯著的正相關(guān)關(guān)系。

表3　拍拍貸網(wǎng)絡(luò)借貸平臺信用風(fēng)險影響因素分析結(jié)果

注：*、**、***分別代表在10%、5%、1%水平下顯著。

由分析結(jié)果可知，對信用風(fēng)險影響最大的是借款人投標(biāo)的成功次數(shù)，呈顯著正相關(guān)。由于當(dāng)前網(wǎng)絡(luò)借貸平臺征信體系和監(jiān)管措施不完善，導(dǎo)致有人惡意在網(wǎng)絡(luò)借貸平臺中填寫關(guān)于個人投標(biāo)成功次數(shù)等信息，達到提高借款成功率的目的。由于有些借款人的中標(biāo)次數(shù)是惡意刷級產(chǎn)生的，導(dǎo)致借款人在到期時未能按照約定還款付息，這大大地提高了P2P網(wǎng)絡(luò)借貸平臺的信用風(fēng)險。其次是借款人信用等級，呈顯著負相關(guān)。由于信用等級評分低的借款人其信用水平比較低，在借款之后更容易發(fā)生違約行為，從而導(dǎo)致對信用風(fēng)險的正相關(guān)關(guān)系。再次是借款人投標(biāo)流標(biāo)次數(shù)和借款利率呈顯著正相關(guān)。由于利率越大就越增大借款人還款壓力，使得借款人不能如期還款付息，從而導(dǎo)致對信用風(fēng)險的正相關(guān)關(guān)系。借款人借款總額與信用風(fēng)險之間呈現(xiàn)顯著的負相關(guān)關(guān)系，由于借款人多數(shù)都是出現(xiàn)暫時性資金困難的中小企業(yè)或者是貧困戶，其借入款項的金額不大，但是在合約到期時未能償付本息就造成了違約行為，從而導(dǎo)致對信用風(fēng)險的負相關(guān)關(guān)系。借款人每月還款與信用風(fēng)險之間呈現(xiàn)顯著的正相關(guān)關(guān)系，由于每月的還款額大，給借款人造成了一定的還款壓力，導(dǎo)致借款人未能每月都按約還款，從而加大了信用風(fēng)險。借款人借款期限、借款人性別、借款人年齡與借款人信用風(fēng)險之間不存在相關(guān)關(guān)系。

為了判斷上述Logit回歸模型和Probit回歸模型的準(zhǔn)確性，表4給出了判別準(zhǔn)確性檢驗的結(jié)果。結(jié)果表明，總體分類準(zhǔn)確率達到95.50%，分析效果很理想。

ROC(Receiver Operating Characteristic)曲線可以通過圖形的方式直觀地展示模型的精確程度，該曲線利用與45度線的偏離程度來判斷模型的擬合情況。同時與ROC一起判斷的還有一個指標(biāo)AUC(Area Under the ROC Curve)，即ROC曲線下方的面積，通過該模型的種AIJC=0.9347可以很快地判斷出ROC曲線偏離45度線的程度，說明該模型的擬合效果很好,具體ROC曲線如圖1所示。

表4　判斷準(zhǔn)確性檢驗

圖1　樣本數(shù)據(jù)的ROC曲線

四、結(jié)論

本文基于我國P2P網(wǎng)絡(luò)借貸平臺中拍拍貸網(wǎng)站中2015年4—8月的借款人信息數(shù)據(jù)，實證考察了借款人信息中借款人年齡、性別、信用等級、成功次數(shù)、流標(biāo)次數(shù)、借款總額、利率、期限、每月還款等9個指標(biāo)與P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險的關(guān)系，為今后發(fā)展改革P2P網(wǎng)絡(luò)借貸行業(yè)并防范P2P行業(yè)借款人信用風(fēng)險提供了有力的實證分析。

本文得到的結(jié)論是，從2014年4月至2015年8月的拍拍貸網(wǎng)站中的借款人信息來看，對借款人信用風(fēng)險影響最大的是借款人投標(biāo)的成功次數(shù)，呈顯著正相關(guān)。其次是借款人信用等級，呈顯著負相關(guān)。再次是借款人投標(biāo)流標(biāo)次數(shù)和借款利率，呈顯著正相關(guān)。借款人借款總額與借款人信用風(fēng)險之間呈現(xiàn)顯著的負相關(guān)關(guān)系，借款人每月還款與借款人信用風(fēng)險之間呈現(xiàn)顯著的正相關(guān)關(guān)系。借款人借款期限、借款人性別、借款人年齡與借款人信用風(fēng)險之間不存在相關(guān)關(guān)系。在研究特色上：(1)本文選取了拍拍貸網(wǎng)站用戶信息中的用戶年齡、性別、信用等級、成功次數(shù)、流標(biāo)次數(shù)、借款總額、利率、期限、每月還款等9個指標(biāo)來衡量與借款人信用風(fēng)險的關(guān)系。(2)本文采用了Logit回歸模型和Probit回歸模型，更加直觀地展示了所選取的9個變量與借款人信用風(fēng)險之間的關(guān)系。(3)本文采用信息挖掘法，通過建立爬蟲程序，對網(wǎng)站信息進行挖掘，收集到所需的數(shù)據(jù)。(4)本文采用了ROC曲線來展示模型的精確程度。

本文的研究表明，我國P2P網(wǎng)絡(luò)借貸平臺可以通過加強監(jiān)管措施、建立統(tǒng)一規(guī)范的信用評分系統(tǒng)、加強用戶信用審查、加強用戶信息保護等方式來防范P2P網(wǎng)絡(luò)借貸平臺的借款人信用風(fēng)險。

參考文獻

[1] 張玉梅.P2P小額網(wǎng)絡(luò)貸款模式研究[J].生產(chǎn)力研究,2012,(10)：170-173.

[2]艾金娣.P2P網(wǎng)絡(luò)借貸平臺風(fēng)險防范[J].中國金融,2012,(14):76-78.

[3]何曉玲,王玫.P2P網(wǎng)絡(luò)借貸現(xiàn)狀及風(fēng)險防范[J].中國商貿(mào),2013, (20):85.

[4]蔡瑞媛,溫小霓.現(xiàn)代信用借貸的創(chuàng)新模式：P2P 網(wǎng)貸平臺[J].中國軟科學(xué)增刊，2013.

[5]Joseph E. Stiglitz and Andrew Weiss. Credit Rationing in Markets with Imperfect Information[J].The American Economic Review,1981,(6):393-410.

[6]Ahlin C,R Townsend. Selection into and Across Credit Contracts: Theory and Field Research[J].Journal of Econometrics Forthcoming,2007,136(2):665-698.

[7]馬運全.P2P網(wǎng)絡(luò)借貸的發(fā)展、風(fēng)險與行為矯正[J].新金融,2012,(2):48-51.

[8]Sufi, A. Information asymmetry and financing arrangements :evidence from syndicated loans[J]. Journal of Finance,2007,62(2):23-29.

[9]Michael Klafft .Peer to Peer Lending: Auctioning Microcredits over the Internet. Proceedings of the International Conference on Information Systems [J]. Technology and Management,2008,(2):1-8.

[10]王興娟.小微企業(yè)融資背景、困境及對策[J].學(xué)術(shù)交流,2012,(7):118-121.

[11]陳初.對中國“P2P”網(wǎng)絡(luò)融資的思考[J].人民論壇,2010,(26):128-129.

[12]鈕明.“草根”金融P2P信貸模式探究[J].金融理論與實踐,2012,(2):58-61.

[13]肖曼君,歐緣媛,李穎.我國P2P網(wǎng)絡(luò)借貸信用風(fēng)險影響因素研究[J].財經(jīng)理論與實踐,2015,(1):1-6.

[14]Iyer, R., Khwaja, A. I., Luttmer, E. F. P., &Shue, K. Screening in New Credit Markets Can Individual Lenders Infer Borrower Creditworthiness in Peer-to-Peer Lending[J].Management. Cambridge, MA.2009,(3):4-10.

[15]Katherine.K, Sergio.H. Do Lenders Make Optimal Decisions in a Peer-to-Peer Network [J].IEEE,2009.

[責(zé)任編輯：趙春江]

Influential Factors of the Borrower’s Credit Risk in the P2P Network Lending Platform

——The Experience Based on PPDAI

YAO Feng-ge1，SUI Xin2

(1.Institute of Business& Economic Research, Harbin University of Commerce, Harbin 150028,China;

2.Finance College, Harbin University of Commerce, Harbin 150028,China)

Abstract:This article is based on the borrower’s information data from P2P network lending platform on PPDAI during April ,2014 to July, 2015, the research analyzes the relevance between the borrower’s user age, gender, credit rating, successful number of times, flow number of times, loan amount, interest rate, term, monthly payments, nine indexes and whether the borrower default behavior happen. The research shows that it is a significant negative correlation between the borrower’s credit rating and the credit risk. It is a significant positive correlation between the successful number of times and the credit risk, it is a significant positive correlation between the flow number of times and the credit risk. It is a significant positive correlation between the borrower loan interest rates and the borrower default behavior, there is a significant positive correlation between the loan amount and the credit risk. It is on relationship between the gender, age and the borrower and the credit risk. In this paper, the results of the research, can not only provides the new ideas to the credit risk of loan in P2P network platform, but also provides empirical evidence to our P2P network industry government.

Key words:P2P ; network lending; borrower’s credit risk

中圖分類號：F830.5

文獻標(biāo)志碼：A

文章編號：1671-7112(2016)01-0003-08

作者簡介：姚鳳閣(1971-)，男，山東黃縣人，教授，博士生導(dǎo)師，管理學(xué)博士，主要從事農(nóng)村金融理論與政策研究。

基金項目：哈爾濱商業(yè)大學(xué)2015年研究生創(chuàng)新科研資金項目(YJSCX2015-348HSD)

收稿日期：2015-08-19