董竹+柏向昱+王冕

摘要：運(yùn)用Cox回歸模型和因子分析方法，基于網(wǎng)貸之家等數(shù)據(jù)平臺(tái)信息，對(duì)中國(guó)314家網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)進(jìn)行評(píng)估。Cox回歸分析認(rèn)為中國(guó)網(wǎng)貸平臺(tái)的實(shí)繳資本每增加100萬(wàn)元，其出現(xiàn)問(wèn)題的概率降低約5%；貸款利率每提高1個(gè)百分點(diǎn)，平臺(tái)出現(xiàn)問(wèn)題的概率增長(zhǎng)約4.5%；非民營(yíng)系平臺(tái)的存活率大約是民營(yíng)系平臺(tái)的6.5倍。進(jìn)一步應(yīng)用因子分析法得出結(jié)論，平臺(tái)的風(fēng)險(xiǎn)主要由平臺(tái)的內(nèi)部控制結(jié)構(gòu)、產(chǎn)品設(shè)計(jì)、資金保障模式和平臺(tái)類(lèi)型等因素決定。這有利于平臺(tái)控制自身風(fēng)險(xiǎn)和投資者客觀了解平臺(tái)，以確保網(wǎng)貸行業(yè)的健康發(fā)展。

關(guān)鍵詞：網(wǎng)貸平臺(tái)；風(fēng)險(xiǎn)評(píng)估；因子分析法；貸款利率；互聯(lián)網(wǎng)金融

中圖分類(lèi)號(hào)：F832 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-2101（2018）02-0055-08

一、引言

互聯(lián)網(wǎng)的迅速發(fā)展催生了網(wǎng)貸行業(yè)，自從2007年P(guān)2P借貸的模式進(jìn)入中國(guó)，中國(guó)的網(wǎng)絡(luò)借貸行業(yè)已逐漸發(fā)展為全球最大、最具活力的在線(xiàn)借貸市場(chǎng)。這種不同于傳統(tǒng)商業(yè)銀行信貸也不同于民間借貸的新型貸款模式，滿(mǎn)足了資金雙方的需求，成為傳統(tǒng)金融體系的有益補(bǔ)充，提高了中小企業(yè)的融資效率，極大擴(kuò)展了投融資渠道。

盡管中國(guó)的網(wǎng)貸平臺(tái)發(fā)展時(shí)間比西方國(guó)家晚了兩年，可是發(fā)展速度卻極快，從2007年的1家迅速發(fā)展成2015年的1 312家。但由于互聯(lián)網(wǎng)金融市場(chǎng)尚不成熟、政府監(jiān)管政策不到位、社會(huì)信用體系不完善等原因，中國(guó)的網(wǎng)貸行業(yè)長(zhǎng)期以來(lái)處于“野蠻”生長(zhǎng)的階段，經(jīng)營(yíng)不善、跑路等失敗的平臺(tái)層出不窮，給廣大投資者帶來(lái)了不可預(yù)估的損失，也不利于整個(gè)行業(yè)的長(zhǎng)期正向發(fā)展。

對(duì)中國(guó)現(xiàn)存的諸多網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)進(jìn)行識(shí)別和評(píng)估，是非常值得探討的問(wèn)題。鑒于現(xiàn)有關(guān)于中國(guó)網(wǎng)貸行業(yè)的研究多跟平臺(tái)的發(fā)展現(xiàn)狀等淺層問(wèn)題有關(guān)，研究影響網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)指標(biāo)和體系的較少，筆者旨在建立一個(gè)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)評(píng)估體系對(duì)中國(guó)網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)進(jìn)行分析評(píng)級(jí)，進(jìn)而給出合理的風(fēng)險(xiǎn)預(yù)警方案。

二、網(wǎng)貸平臺(tái)發(fā)展現(xiàn)狀

網(wǎng)絡(luò)貸款是新型的互聯(lián)網(wǎng)金融形式之一，P2P模式在其中占據(jù)重要地位。P2P網(wǎng)絡(luò)借貸（Peer-to-Peer Lending）也被稱(chēng)作P2P互聯(lián)網(wǎng)金融，有助于借款者和融資方直接進(jìn)行融通。隨著網(wǎng)絡(luò)技術(shù)的成長(zhǎng)和信息流通的加速，借款和貸款的需要逐漸呈現(xiàn)多樣化的特點(diǎn)，已有的借貸渠道難以滿(mǎn)足不斷增長(zhǎng)的不同特點(diǎn)的投融資群體，P2P也就在這種情形下出現(xiàn)了，市場(chǎng)也被更細(xì)致地進(jìn)行了細(xì)分。2005年，英國(guó)建立了第一家P2P平臺(tái)ZOPA；2007年，拍拍貸等中國(guó)P2P平臺(tái)也建立起來(lái)，P2P網(wǎng)貸模式憑借其簡(jiǎn)便快捷等突出優(yōu)點(diǎn)被越來(lái)越多的投融資個(gè)人和群體關(guān)注，P2P網(wǎng)絡(luò)借貸市場(chǎng)不斷發(fā)展壯大。

網(wǎng)貸平臺(tái)一般被分為民營(yíng)系、上市公司系、銀行系和國(guó)資系等四大類(lèi)別，也可以通過(guò)是否接受風(fēng)投等條件進(jìn)行細(xì)分。其基本特點(diǎn)是吸引的客戶(hù)一般風(fēng)險(xiǎn)比較高，多為舊融資模式下很難或無(wú)法貸到款的人群，如收入不穩(wěn)定的人群和非大型企業(yè)等，風(fēng)險(xiǎn)較高的同時(shí)也代表了較高的收益，交易的方式也較多變。

P2P網(wǎng)絡(luò)借貸的誕生為中國(guó)眾多的小額融資者提供了更多新的融資方法。2007年，拍拍貸誕生之后，中國(guó)的網(wǎng)絡(luò)借貸行業(yè)開(kāi)始逐漸興起；截至2017年12月24日，中國(guó)正在運(yùn)營(yíng)的網(wǎng)貸平臺(tái)數(shù)量約2 000家，并且平臺(tái)數(shù)量仍在持續(xù)增加。據(jù)網(wǎng)貸之家數(shù)據(jù)統(tǒng)計(jì)，中國(guó)網(wǎng)貸行業(yè)成交額在2016年上半年突破了2萬(wàn)億元人民幣的成交額，且數(shù)量還在繼續(xù)遞增。2017年11月，網(wǎng)貸行業(yè)的成交量達(dá)到2 278.43億元，成交量環(huán)比上升4.33%，同時(shí)2017年1-11月累計(jì)成交量突破了60 090億元，比去年同期累計(jì)上升88.68%。

互聯(lián)網(wǎng)金融行業(yè)在持續(xù)壯大的同時(shí)，金融風(fēng)險(xiǎn)也在急劇上升。如一些網(wǎng)貸平臺(tái)通過(guò)粉飾項(xiàng)目、虛高投資回報(bào)或自設(shè)資金池來(lái)籌集資金，之后發(fā)生大量“跑路”風(fēng)波以及集資詐騙事件。2017年12月新增問(wèn)題平臺(tái)有42家，其中提現(xiàn)困難的有9家，經(jīng)偵介入1家；停業(yè)的平臺(tái)有31家，其中1家已經(jīng)跑路。截至2017年12月24日，累計(jì)問(wèn)題平臺(tái)總數(shù)突破4 000家，其中2013年有76家；2014年增長(zhǎng)到275家；2015年則有896家，是2014年的3.26倍。只在這3年間，出問(wèn)題的網(wǎng)貸平臺(tái)數(shù)量平均增速就已經(jīng)超過(guò)了300%。

2015年是P2P網(wǎng)貸平臺(tái)問(wèn)題集中爆發(fā)的一年，共896家平臺(tái)出現(xiàn)失聯(lián)等情況，分析這一年中的失敗平臺(tái)可以發(fā)現(xiàn)，半數(shù)以上平臺(tái)生存時(shí)間在1年以下，甚至有的低于1個(gè)月；只有少部分的平臺(tái)在經(jīng)營(yíng)了1年以上才出現(xiàn)倒閉等問(wèn)題，這部分平臺(tái)的占比不超過(guò)40%。和2014年相比，2015年很多運(yùn)營(yíng)時(shí)間超過(guò)1年的平臺(tái)是由于宏觀經(jīng)濟(jì)和自身運(yùn)營(yíng)狀況等原因失敗。同時(shí)，平臺(tái)非法集資的問(wèn)題更為惡劣，尤其是“e租寶”事件中上演的龐氏騙局，非法吸收了近90萬(wàn)投資人的500多億元人民幣，讓廣大投資者對(duì)大多數(shù)中國(guó)網(wǎng)貸平臺(tái)產(chǎn)生極深的負(fù)面情緒。因此，對(duì)網(wǎng)貸平臺(tái)的指標(biāo)進(jìn)行分析，設(shè)計(jì)準(zhǔn)確的網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)識(shí)別和評(píng)估體系，對(duì)于中國(guó)互聯(lián)網(wǎng)金融的健康發(fā)展具有重大意義。

三、文獻(xiàn)綜述

筆者通過(guò)整理中國(guó)網(wǎng)貸平臺(tái)相關(guān)的文獻(xiàn)資料，發(fā)現(xiàn)目前的研究方向主要集中在以下幾個(gè)方面。

1. 對(duì)網(wǎng)貸平臺(tái)在國(guó)內(nèi)發(fā)展模式的研究。李鵬（2016）[1]認(rèn)為P2P網(wǎng)貸平臺(tái)在降低借貸交易成本方面存在很大優(yōu)勢(shì)，使資金的配置變得更加有效。這給傳統(tǒng)的金融模式帶來(lái)了很大沖擊，與傳統(tǒng)銀行之間既存在著競(jìng)爭(zhēng)也存在著互補(bǔ)。錢(qián)金葉、楊飛（2012）[2]認(rèn)為相比于銀行借貸對(duì)個(gè)人信用貸款的較高要求、復(fù)雜手續(xù)及有限的信貸額度，網(wǎng)絡(luò)借貸融資容易且效率高，多為中低收入人群的小額無(wú)抵押借貸。因此，P2P網(wǎng)絡(luò)借貸為需要資金的人提供了新的融資渠道和融資便利。錢(qián)淑芳、張向陽(yáng)（2016）[3]基于放貸人制度與信息協(xié)同共享機(jī)制，總結(jié)出具有中國(guó)本土化特色的P2P網(wǎng)絡(luò)借貸4C協(xié)同共贏運(yùn)營(yíng)模式，即貸款者、借款者、中間商、金融機(jī)構(gòu)等四方的公共信息平臺(tái)構(gòu)架體系，以保證多方合作，為促進(jìn)我國(guó)P2P網(wǎng)絡(luò)借貸產(chǎn)業(yè)健康發(fā)展提出了相應(yīng)的對(duì)策和建議。陳冬宇（2014）[4]以社會(huì)認(rèn)知理論為基礎(chǔ)，研究認(rèn)為只有加強(qiáng)了信息質(zhì)量、網(wǎng)絡(luò)信息和平臺(tái)安全保障這三方面的建設(shè)，才能促進(jìn)中國(guó)網(wǎng)貸行業(yè)中信任機(jī)制的形成。endprint

2. 對(duì)網(wǎng)貸行業(yè)成長(zhǎng)過(guò)程中存在問(wèn)題和風(fēng)險(xiǎn)的研究。陳霄等（2013）[5]認(rèn)為過(guò)高的平臺(tái)信用風(fēng)險(xiǎn)會(huì)打擊投資者的投資信心和積極性，助長(zhǎng)不良借貸行為的發(fā)生，削弱其發(fā)揮傳統(tǒng)金融借貸市場(chǎng)工具的補(bǔ)足功能，不利于網(wǎng)絡(luò)借貸市場(chǎng)的健康發(fā)展。林蔚（2015）[6]在研究P2P網(wǎng)貸平臺(tái)商業(yè)運(yùn)行邏輯時(shí)分析部分平臺(tái)失敗原因，把融資端、投資端和信息端確定為P2P網(wǎng)貸平臺(tái)最重要的三個(gè)功能端。宋琳、郝光亮（2015）[7]以委托代理為出發(fā)點(diǎn)，得出P2P網(wǎng)貸平臺(tái)存在層層委托代理關(guān)系、委托人和代理人彼此掌握的信息存在高度不對(duì)稱(chēng)、并且委托人與代理人的目標(biāo)也不盡一致等結(jié)論，并提出從逆向選擇和道德風(fēng)險(xiǎn)角度解決問(wèn)題。Eric C.Chaffee和 Geoffrey C.Rapp（2012）[8]提出解決網(wǎng)貸風(fēng)險(xiǎn)的措施，認(rèn)為美國(guó)證券委員會(huì)應(yīng)該要求P2P網(wǎng)貸平臺(tái)每日?qǐng)?bào)告經(jīng)營(yíng)狀況、披露平臺(tái)相關(guān)信息，這樣有利于促進(jìn)行業(yè)的規(guī)范化發(fā)展，提高渠道的應(yīng)用價(jià)值。

3. 對(duì)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)評(píng)估體系進(jìn)行研究。嚴(yán)復(fù)雷、李浩然（2016）[9]認(rèn)為中國(guó)學(xué)者普遍認(rèn)為網(wǎng)貸平臺(tái)具有傳統(tǒng)金融的性質(zhì)，可以采用針對(duì)傳統(tǒng)金融行業(yè)的信用評(píng)級(jí)方法。例如對(duì)保險(xiǎn)公司的信用評(píng)估體系，美國(guó)對(duì)商業(yè)銀行的駱駝評(píng)級(jí)法等。顧慧瑩、姚錚（2015）[10]基于WDW上海直營(yíng)店的數(shù)據(jù)，運(yùn)用Logistic回歸模型和Cox回歸模型，分析了各類(lèi)信息影響借款人違約行為的表現(xiàn)形式，從而為線(xiàn)上線(xiàn)下相結(jié)合的P2P網(wǎng)絡(luò)借貸平臺(tái)分析和構(gòu)建借款人違約影響指標(biāo)提供了實(shí)踐指導(dǎo)。肖曼君等（2015）[11]采用排序選擇模型，基于excelVBA數(shù)據(jù)挖掘技術(shù)對(duì)平臺(tái)信用風(fēng)險(xiǎn)的影響因素進(jìn)行實(shí)證分析，結(jié)果表明：個(gè)人特征、信用變量、歷史表現(xiàn)、借款信息分別對(duì)網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)存在正向影響，這也證明了投資者會(huì)根據(jù)平臺(tái)給出的信息進(jìn)行有選擇性的投資，從而控制整體的投資風(fēng)險(xiǎn)。范超等（2017）[12]分析了中國(guó)444家P2P平臺(tái)的公開(kāi)信息，利用文本挖掘技術(shù)和11種統(tǒng)計(jì)模型提取了重要的信息，找出重要指標(biāo)的同時(shí)也對(duì)指標(biāo)的經(jīng)濟(jì)含義進(jìn)行了定義和說(shuō)明，在研究過(guò)程中發(fā)現(xiàn)平臺(tái)的風(fēng)險(xiǎn)與基本信息、交易信息和外部信息間存在復(fù)雜的非線(xiàn)性關(guān)系，同時(shí)發(fā)現(xiàn)SVM和樹(shù)類(lèi)模型等非線(xiàn)性模型能更好地預(yù)判P2P平臺(tái)的風(fēng)險(xiǎn)。

中國(guó)學(xué)者對(duì)網(wǎng)絡(luò)借貸行業(yè)和平臺(tái)等方面的研究成果主要集中在通過(guò)文字闡述中國(guó)網(wǎng)貸平臺(tái)的現(xiàn)狀、營(yíng)運(yùn)模式、監(jiān)管等問(wèn)題，而對(duì)于網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)識(shí)別、評(píng)估方面缺乏深入的實(shí)證研究，或選取的樣本和指標(biāo)較少，從而缺乏說(shuō)服力。為了彌補(bǔ)相關(guān)方面的空白，筆者選取314家平臺(tái)數(shù)據(jù)，先通過(guò)經(jīng)濟(jì)統(tǒng)計(jì)學(xué)方法和Cox回歸分析模型，分析中國(guó)網(wǎng)貸平臺(tái)的主要風(fēng)險(xiǎn)影響因素，其中包括平臺(tái)的實(shí)繳資本、貸款利率和平臺(tái)類(lèi)型等。然后，進(jìn)一步運(yùn)用因子分析方法將149家運(yùn)營(yíng)平臺(tái)的各項(xiàng)經(jīng)營(yíng)指標(biāo)進(jìn)行綜合分析，擴(kuò)大了指標(biāo)的選取范圍，得到量化的評(píng)分標(biāo)準(zhǔn)，從而對(duì)網(wǎng)貸平臺(tái)進(jìn)行較為客觀的排名。其目的就是希望通過(guò)對(duì)中國(guó)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)評(píng)估的理論及實(shí)證分析，厘清中國(guó)網(wǎng)絡(luò)借貸平臺(tái)監(jiān)管的未來(lái)發(fā)展方向和投資者選擇投資平臺(tái)所需面對(duì)的一些主要問(wèn)題，從而為實(shí)現(xiàn)網(wǎng)貸市場(chǎng)的健康發(fā)展提供借鑒。

四、指標(biāo)設(shè)定與模型選擇

（一）Cox回歸分析

Cox模型的基本形式為：

h（t/x）=h0（t）exp（β1X1+β2X2+…+βpXp）（1）

其中，h0（t）表示基礎(chǔ)風(fēng)險(xiǎn)函數(shù)，即所有變量取0時(shí)的t時(shí)刻的風(fēng)險(xiǎn)函數(shù)；X1、X2……Xp是影響因素；β1、β2……βp是回歸系數(shù)[13]。

本文應(yīng)用的基本模型是：

S=F（i，k，m）（2）

其中S指存活率，i指利率，K指實(shí)繳資本，m指平臺(tái)類(lèi)型。存活率可以用二項(xiàng)指示器或者存活天數(shù)來(lái)衡量。

基于以上，本文Cox回歸模型的表達(dá)式為：

h（t，b，e，m）=h0（t）exp（β1×b+β2×e+β3×m）（3）

t表示時(shí)間，b表示利率，e表示實(shí)繳資本，m表示平臺(tái)類(lèi)型，其中“1”代表民營(yíng)類(lèi)，“0”代表非民營(yíng)類(lèi)。其中b，e，m是協(xié)變量；β1，β2，β3是回歸系數(shù)，由樣本估計(jì)而得。當(dāng)β>0時(shí)，則表明該協(xié)變量是危險(xiǎn)因素，這時(shí)值越大該變量會(huì)導(dǎo)致生存時(shí)間越短；當(dāng)β<0時(shí)，則表明該協(xié)變量是保護(hù)因素，這時(shí)相應(yīng)的數(shù)值越大則表示生存時(shí)間越長(zhǎng)。h0（t）是標(biāo)準(zhǔn)狀態(tài)或全部協(xié)變量都為0下的風(fēng)險(xiǎn)函數(shù)。

傳統(tǒng)觀念認(rèn)為，網(wǎng)貸公司的低資本和高利率常常意味著更高的破產(chǎn)風(fēng)險(xiǎn)。筆者通過(guò)對(duì)網(wǎng)貸之家的數(shù)據(jù)進(jìn)行分析來(lái)驗(yàn)證這一觀點(diǎn)。根據(jù)網(wǎng)貸之家的數(shù)據(jù)，截至2016年9月，共有網(wǎng)貸平臺(tái)3 462家，其中停業(yè)及問(wèn)題平臺(tái)1 582家。因此，筆者采用分層抽樣選取了314家平臺(tái)，其中倒閉平臺(tái)128家。

首先，應(yīng)用SPSS對(duì)平臺(tái)運(yùn)營(yíng)狀態(tài)與利率、實(shí)繳資本和平臺(tái)類(lèi)型分別進(jìn)行相關(guān)分析，結(jié)果如表1所示，表1顯示平臺(tái)運(yùn)營(yíng)狀態(tài)與三者之間確實(shí)存在明顯的相關(guān)關(guān)系。

表1結(jié)果表明，在0.01的顯著水平下，平臺(tái)運(yùn)營(yíng)狀況與實(shí)繳資本之間存在明顯的負(fù)相關(guān)，即資本量越高，平臺(tái)倒閉的幾率越小。平臺(tái)的運(yùn)營(yíng)狀況和平臺(tái)利率呈正相關(guān)，即利率水平越高，平臺(tái)倒閉的可能性越大；平臺(tái)運(yùn)營(yíng)狀況與平臺(tái)類(lèi)型存在著明顯的相關(guān)關(guān)系，即民營(yíng)系的平臺(tái)倒閉的可能性大。

其次，運(yùn)用SPSS中Cox回歸模型分析數(shù)據(jù)，分析結(jié)果如表2和圖1所示。表2顯示了各項(xiàng)指標(biāo)的模型系數(shù)（B）、系數(shù)標(biāo)準(zhǔn)誤（SE）、Wald檢驗(yàn)值、自由度（df）、p值、HR值（Exp（B））和置信區(qū)間，其中P值小于0.1則認(rèn)為加入此變量是合理的。

通過(guò)表2和圖1可得到三個(gè)結(jié)論：（1）實(shí)繳資本為影響運(yùn)營(yíng)狀況的獨(dú)立因素。資本量越大，存活率越高（HR=0.950<195%，CI：0.936-0.964），且實(shí)繳資本增加100萬(wàn)元，其出現(xiàn)問(wèn)題的概率降低100%-100%×0.950=5%。（2）利率為影響運(yùn)營(yíng)狀況的獨(dú)立因素。利率水平越高，存活的概率越低（HR=1.045>195%，CI：1.027-1.064），且利率每增加1個(gè)百分點(diǎn)，出現(xiàn)問(wèn)題的概率平均增長(zhǎng)100%×1.045-100%=4.5%。（3）平臺(tái)類(lèi)型為影響運(yùn)營(yíng)狀況的獨(dú)立因素。非民營(yíng)系平臺(tái)，即平臺(tái)類(lèi)型為“0”的平臺(tái)生存的幾率大約是民營(yíng)系平臺(tái)的6.5倍，具體體現(xiàn)在生存函數(shù)圖1中“平臺(tái)類(lèi)型=1”的曲線(xiàn)在“平臺(tái)類(lèi)型=0”的曲線(xiàn)之下。endprint

引入宏觀經(jīng)濟(jì)因素，即同時(shí)反映現(xiàn)實(shí)和潛在購(gòu)買(mǎi)力的廣義貨幣M2，并對(duì)M2進(jìn)行分析。通過(guò)各時(shí)期問(wèn)題平臺(tái)數(shù)目的條形圖，發(fā)現(xiàn)除2011—2013年由于宏觀經(jīng)濟(jì)狀況相對(duì)穩(wěn)定和網(wǎng)貸平臺(tái)數(shù)目較少等原因出現(xiàn)問(wèn)題平臺(tái)數(shù)目相對(duì)較少外，2014—2016年出現(xiàn)問(wèn)題網(wǎng)貸平臺(tái)急劇增多。這種問(wèn)題平臺(tái)爆發(fā)式增長(zhǎng)的狀況離不開(kāi)宏觀經(jīng)濟(jì)因素對(duì)網(wǎng)貸行業(yè)造成的沖擊，如M2的H-P濾波圖所示，當(dāng)宏觀經(jīng)濟(jì)狀況向下大幅度波動(dòng)時(shí)，網(wǎng)貸行業(yè)也受到大規(guī)模沖擊，基礎(chǔ)較弱的平臺(tái)紛紛倒閉。

央行為了阻止M2大幅度下浮曾在2015年2月兩次降準(zhǔn)，在2015年8月再次降準(zhǔn)降息，并在10月上旬采取量化寬松政策，這使得M2的濾波曲線(xiàn)回升至0值并且在其附近波動(dòng)。雖然央行采取一系列手段來(lái)穩(wěn)定宏觀經(jīng)濟(jì)，但是經(jīng)濟(jì)的大幅度波動(dòng)依然給網(wǎng)貸行業(yè)帶來(lái)較大沖擊，一些平臺(tái)即便支撐過(guò)這次經(jīng)濟(jì)波動(dòng)，但是企業(yè)的內(nèi)部控制也已經(jīng)失效，導(dǎo)致大量平臺(tái)繼續(xù)出現(xiàn)問(wèn)題。具體體現(xiàn)在，2015年下半年雖然宏觀經(jīng)濟(jì)形勢(shì)較穩(wěn)定，但問(wèn)題平臺(tái)數(shù)量不僅沒(méi)有下降，反而大幅度上升（見(jiàn)圖2）。

（二）因子分析

因子分析模型的描述如下：

X=（x1，x2，…，xp）是可觀測(cè)隨機(jī)向量，文中p為13，分別代表成交量、歷史待還、待還借款人數(shù)、平均借款期限、待收投資人數(shù)、借款標(biāo)數(shù)、生存月數(shù)、平臺(tái)類(lèi)型、平均收益率、實(shí)繳資本、接受風(fēng)投、資金托管、投標(biāo)保障。

其中，均值向量為E（X）=0，協(xié)方差陣為Cov（X）=∑，且協(xié)方差陣∑與相關(guān)矩陣R相等。

F=（F1，F(xiàn)2，…，F(xiàn)m）是不可測(cè)的向量，該向量的各分量是相互獨(dú)立的，其均值向量為E（F）=0，協(xié)方差矩陣為Cov（F）=1。

e=（e1，e2，…，ep）與F向量是相互獨(dú)立的，且E（e）=0，各分量e之間相互獨(dú)立，e的協(xié)方差陣∑是對(duì)角陣，該模型是因子分析模型，模型中各因子是正交的。因子分析模型的矩陣形式表示為：X=AF+e。

X1=a11F1+a12F2+…+a1mFm+e1

X2=a21F1+a22F2+…+a2mFm+e2

……

Xp=ap1F1+ap2F2+…+apmFm+ep

其中F是因子，也稱(chēng)為公共因子；A稱(chēng)為因子載荷矩陣；aij為因子載荷，是i個(gè)原有變量在第j個(gè)因子上的負(fù)荷；e是特殊因子，表示原有變量中不能被因子解釋的部分[14]。

在用Cox回歸模型對(duì)相關(guān)的主要指標(biāo)進(jìn)行分析之后，筆者進(jìn)一步采用SPSS作為統(tǒng)計(jì)分析軟件，用其因子分析程序?qū)τ绊懫脚_(tái)運(yùn)營(yíng)狀況的13個(gè)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，并得到了KMO檢驗(yàn)結(jié)果和Bartlett球行檢驗(yàn)結(jié)果（見(jiàn)表3）。統(tǒng)計(jì)數(shù)據(jù)來(lái)源于網(wǎng)貸之家公布的目前還在運(yùn)營(yíng)的149家網(wǎng)貸平臺(tái)的統(tǒng)計(jì)資料。

KMO統(tǒng)計(jì)量的值達(dá)到0.7可以接受。表3中KMO取值0.734，所以可以接受。Bartlett球行檢驗(yàn)統(tǒng)計(jì)量的sig值<0.01，由此否定零假設(shè)，相關(guān)矩陣不是單位矩陣。由此可以確定認(rèn)為各變量之間存在著顯著的相關(guān)性。

表4中選取了4個(gè)公共因子，且4個(gè)公共因子解釋的累積方差達(dá)到67.25%，這說(shuō)明在總體中有大于67.25%的信息可以被這4個(gè)公共因子解釋。由于鄧曉宇等（2014）[15]認(rèn)為因子載荷是變量與公共因子的相關(guān)系數(shù)，對(duì)于一個(gè)變量來(lái)說(shuō)，載荷絕對(duì)值較大的因子與其關(guān)系更密切，也更能代表這個(gè)變量。

按照這一觀點(diǎn)，第一個(gè)公共因子更能代表成交量、歷史待還、待還借款人數(shù)，可以把第一個(gè)公共因子解釋為經(jīng)營(yíng)狀況因素，方差貢獻(xiàn)率為24.114%；類(lèi)似地，第二個(gè)公共因子更能代表平均借款期限、待收投資人數(shù)、借款標(biāo)數(shù)，可以把第二個(gè)公共因子解釋為產(chǎn)品設(shè)計(jì)因素，方差貢獻(xiàn)率為19.152%；第三個(gè)公共因子更能代表平臺(tái)類(lèi)型，可以解釋為平臺(tái)類(lèi)型，方差貢獻(xiàn)率為13.256%；第四個(gè)公共因子更能代表資金托管、投標(biāo)保障，可以解釋為資金保障因素，方差貢獻(xiàn)率為10.729。這樣就可以用新提取的4個(gè)潛在因素，對(duì)樣本中149家平臺(tái)的風(fēng)險(xiǎn)狀況加以描述。

由表5可得最終的因子得分公式：

F1=0.043×存活月數(shù)+0.108×實(shí)繳資本+…+0.064×平均收益率（4）

F2=0.091×存活月數(shù)-0.091×實(shí)繳資本+…+0.082×平均收益率（5）

F3=0.092×存活月數(shù)+0.250×實(shí)繳資本+…-0.422×平均收益率（6）

F4=0.159×存活月數(shù)-0.142×實(shí)繳資本+…-0.218×平均收益率（7）

運(yùn)用上述公式可以計(jì)算出各個(gè)平臺(tái)的因子得分，并據(jù)以分析各個(gè)平臺(tái)的優(yōu)勢(shì)。

為了研究各網(wǎng)貸平臺(tái)的綜合實(shí)力，應(yīng)通過(guò)相應(yīng)的綜合評(píng)分進(jìn)行比較。因此，可以對(duì)以上各平臺(tái)的4個(gè)公共因子的得分進(jìn)行加權(quán)求和，相應(yīng)的加權(quán)系數(shù)是相應(yīng)公共因子的方差貢獻(xiàn)率。4個(gè)旋轉(zhuǎn)后公共因子的方差貢獻(xiàn)率分別是24.114%、19.152%、13.256%和10.729%，筆者采用這些方差貢獻(xiàn)率作為公共因子的權(quán)重，得出平臺(tái)綜合得分的計(jì)算公式：

Zf=24.114%×FAC1_1+19.152%×FAC2_1+13.256%×FAC3_1+10.729%×FAC4_1（8）

根據(jù)公式（8），可以得到各個(gè)平臺(tái)的綜合得分和排名（表6列出部分平臺(tái)的得分和排名情況）。就總體而言，筆者選取的149家平臺(tái)，綜合得分的均值為0，其中得分大于均值的共56家，得分小于均值的共90家，表明中國(guó)網(wǎng)貸平臺(tái)的發(fā)展處于一種不均衡的狀態(tài)，質(zhì)量差的平臺(tái)相對(duì)較多。

另外四個(gè)公共因子的均值也為0，其中第一個(gè)因子得分大于均值的平臺(tái)有31家；第2個(gè)因子得分大于均值的平臺(tái)有43家；第三個(gè)因子得分大于均值的平臺(tái)有55家；第四個(gè)因子得分大于均值的平臺(tái)有84家。由此可以看出中國(guó)網(wǎng)貸平臺(tái)在第一和第二個(gè)因子方面整體發(fā)展情況較差，在第四個(gè)因子方面發(fā)展較好。因此要改善中國(guó)網(wǎng)貸平臺(tái)整體的現(xiàn)狀，應(yīng)從經(jīng)營(yíng)狀況和產(chǎn)品設(shè)計(jì)兩方面考慮。endprint

就個(gè)體而言，陸金所的第一個(gè)因子得分最高，表明其在經(jīng)營(yíng)狀況方面具有絕對(duì)優(yōu)勢(shì)；同理，愛(ài)錢(qián)進(jìn)在第二個(gè)因子得分最高，表明其在產(chǎn)品設(shè)計(jì)方面具有絕對(duì)優(yōu)勢(shì)；聚寶匯在第三個(gè)因子得分最高，表明其在平臺(tái)類(lèi)型方面具有絕對(duì)優(yōu)勢(shì)；團(tuán)貸網(wǎng)在第四個(gè)因子得分最高，表明其在資金保障方面擁有絕對(duì)優(yōu)勢(shì)。這四個(gè)平臺(tái)在實(shí)際運(yùn)營(yíng)中也確實(shí)排在同類(lèi)平臺(tái)的前列，這和其相對(duì)優(yōu)勢(shì)是密不可分的。

五、結(jié)論

筆者運(yùn)用經(jīng)濟(jì)統(tǒng)計(jì)學(xué)方法、Cox回歸模型和因子分析模型，對(duì)影響中國(guó)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)的主要因素進(jìn)行深入研究，得出以下結(jié)論：（1）資本量越大存活率越高，且實(shí)繳資本每增加100萬(wàn)元，其出現(xiàn)問(wèn)題的概率就降低5%。（2）利率水平越高存活的概率越低，且利率每增加1個(gè)百分點(diǎn)，出現(xiàn)問(wèn)題的概率就平均增長(zhǎng)4.5%。（3）非民營(yíng)系平臺(tái)的生存率大約是民營(yíng)系平臺(tái)的6.5倍。（4）對(duì)宏觀經(jīng)濟(jì)指標(biāo)M2的濾波圖分析，得出宏觀經(jīng)濟(jì)環(huán)境不景氣會(huì)導(dǎo)致平臺(tái)倒閉率急速增加。（5）影響中國(guó)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)的關(guān)鍵因子依次是經(jīng)營(yíng)狀況因子、金融產(chǎn)品設(shè)計(jì)因子、平臺(tái)類(lèi)型因子和用戶(hù)資金安全因子。（6）根據(jù)旋轉(zhuǎn)后的因子載荷矩陣可知成交量、歷史待還、待還借款人數(shù)等指標(biāo)共同作用于第一個(gè)因子，即經(jīng)營(yíng)狀況因子；平均借款期限、待收投資人數(shù)、借款標(biāo)數(shù)是平臺(tái)結(jié)構(gòu)因子的主要影響指標(biāo)；平臺(tái)類(lèi)型指標(biāo)直接影響平臺(tái)類(lèi)型因子；資金托管、投標(biāo)保障兩個(gè)指標(biāo)是用戶(hù)資金安全的主要影響指標(biāo)。

同時(shí)，筆者進(jìn)行綜合打分計(jì)算評(píng)定，驗(yàn)證了模型的有效性，發(fā)現(xiàn)平臺(tái)關(guān)于風(fēng)險(xiǎn)的分?jǐn)?shù)排名和網(wǎng)貸之家中的評(píng)估基本相符。根據(jù)這一結(jié)果，可以對(duì)中國(guó)網(wǎng)貸平臺(tái)進(jìn)行較為客觀、全面的排名，排名相對(duì)靠后的公司可以根據(jù)打分低的因子進(jìn)行風(fēng)險(xiǎn)分析，進(jìn)而降低平臺(tái)風(fēng)險(xiǎn)。同時(shí)，利用本文模型進(jìn)行分析，能發(fā)現(xiàn)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)集中的薄弱環(huán)節(jié)，提出合理的預(yù)警方案，為中國(guó)綜合整治網(wǎng)貸平臺(tái)提供有力支持。監(jiān)管部門(mén)應(yīng)以此對(duì)處于末位的相關(guān)網(wǎng)貸平臺(tái)進(jìn)行預(yù)警，亦可以結(jié)合各指標(biāo)得分對(duì)其薄弱環(huán)節(jié)提出整改意見(jiàn)，預(yù)警方案的提出可以對(duì)相應(yīng)的危險(xiǎn)平臺(tái)起到約束作用。同時(shí)，投資者也可以清晰地認(rèn)識(shí)到各家P2P平臺(tái)的風(fēng)險(xiǎn)，使投資者可以合理控制自己的投資風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1]李鵬.我國(guó)P2P網(wǎng)貸平臺(tái)的本土異化及其治理[J].經(jīng)濟(jì)體制改革，2016（5）：106-112.

[2]錢(qián)金葉，楊飛.中國(guó)P2P網(wǎng)絡(luò)借貸的發(fā)展現(xiàn)狀及前景[J].金融論壇，2012（1）：46-51.

[3]錢(qián)淑芳，張向陽(yáng).我國(guó)P2P網(wǎng)絡(luò)借貸公共信息平臺(tái)構(gòu)架與運(yùn)營(yíng)模式研究[J].科技管理研究，2016（2）：208-212.

[4]陳冬宇.基于社會(huì)認(rèn)知理論的P2P網(wǎng)絡(luò)放貸交易信任研究[J].南開(kāi)管理評(píng)論，2014（3）：44-48.

[5]陳霄，丁曉裕，王貝芬.民間借貸成本研究——基于P2P網(wǎng)絡(luò)借貸的實(shí)證分析[J].金融經(jīng)濟(jì)學(xué)研究，2013（11）：65-72.

[6]林蔚.完善P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)防范的法律思考[J].華南師范大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2015（3）：135-140.

[7]宋琳，郝光亮.委托代理視角下P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)防控研究[J].山東社會(huì)科學(xué)，2015（3）：108-112.

[8]Eric C.Chaffee，Geoffrey C.Rapp. Regulating Online Peer to Peer Lending in the Aftermath of Dodd-Frank：In Search of an Evolving Regulatory Regime for an Evolving Industry[J].Washington and Lee Law Review，2012（4）：485-524.

[9]嚴(yán)復(fù)雷，李浩然.P2P網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)影響因素分析[J].西南金融，2016（10）：13-17.

[10]顧慧瑩，姚錚.P2P網(wǎng)絡(luò)借貸平臺(tái)中借款人違約風(fēng)險(xiǎn)影響因素研究[J].上海經(jīng)濟(jì)研究，2015（11）：37-46.

[11]肖曼君，歐緣媛，李穎.我國(guó)P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)影響因素研究[J].財(cái)經(jīng)理論與實(shí)踐，2015（1）：2-6.

[12]范超，王磊，解明明.新經(jīng)濟(jì)業(yè)態(tài) P2P 網(wǎng)絡(luò)借貸的風(fēng)險(xiǎn)甄別研究[J].統(tǒng)計(jì)研究，2017（2）：33-43.

[13]盧娣.我國(guó)發(fā)明專(zhuān)利審查周期的影響因素探析[J].科研管理，2017（7）：137-144.

[14]寧連舉，李萌.基于因子分析法構(gòu)建大中型工業(yè)企業(yè)技術(shù)創(chuàng)新能力評(píng)價(jià)模型[J].科研管理，2011（3）：51-58.

[15]鄧曉宇，楊俊峰，申杰，劉思思.基于因子分析的電信用戶(hù)入網(wǎng)綜合評(píng)價(jià)[J].信息通信，2014（2）：236-237.

責(zé)任編輯：李金霞

Abstract： Through using Cox regression model and factor analysis method， based on the platforms' data information such as Wang Dai Zhi Jia， the risk of 314 online loan platforms in China was evaluated. Cox regression analysis shows that for each additional 1 million yuan of paid-up capital of China's online lending platform， the probability of problems is reduced by about 5%； for each 1% increase in lending rates， the probability of a platform problem increases by about 4.5%； and the survival rate of non-private department platform is about 6.5 times in compared with the private. And further application of factor analysis concluded that the risk of the platform is mainly determined by the internal control structure， product design， financial security model and platform type and other factors of the platform， which can benefit the platform to control their own risks and investors to understand the objective platform ，so as to ensure the healthy development of the net loan market.

Key words： Lending Platform；Risk Evaluation； Factor Analysis； Lending Rates； Internet Financeendprint