P2P网络借贷平台中借款人违约风险影响因素研究，本文主要内容关键词为：借款人论文,因素论文,风险论文,平台论文,网络论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言 近年来，P2P网络借贷已成为互联网时代下重要的金融补充手段。相比于银行、证券、信托、保险等成熟的传统金融机构，P2P网络借贷以低门槛、高效率的借贷方式弥补了中小企业及个人的资金缺口。根据网贷之家《中国P2P网贷行业2014年度运营简报》，截至2014年年底，全国平台数已达1575家，累计成交量超过3829亿元，是2013年的2.39倍。 但是目前P2P网络借贷平台缺乏合理规范的制度监督及行业监督，尚未形成完整成熟的监控体系，导致平台违约频生。例如中汇在线、文妥财富分别于2014年12月和2015年1月披露无法提现的道歉公告，不仅给投资人带来了巨大损失，而且对平台整体的社会声誉造成了严重的负面影响。事实上，截至2014年12月我国问题平台数已高达92家，2015年跑路平台数量也呈持续上升趋势，甚至连具有国资背景的平台金宝会也于2015年7月1日发布公告称其一笔500万元借款项目已严重违约，平台的坏账事件频发让不少投资人心有余悸。所以，对投资人而言，P2P网络借贷平台如何进行风险管理是其选择平台的关键。 WDW是专注于汽车抵押借贷业务的P2P网络借贷平台。截至2014年12月31日，WDW全国各地正式成立的分公司达到50家，被中国社会科学院金融研究所评选为20家A级网贷企业之一。在网贷第三方平台的行业评级中，WDW的排名也基本维持在前五位。 WDW采用线上和线下相结合的信用认证模式强化风险管理，WDW先对平台上申请借款的借款人进行初步审核，通过后再对借款人信息进行现场审核，现场审核分为车辆信息审核和个人信息审核。尽管WDW有严格的信息审核机制，很多借款人依旧会提供虚假信息以逃避还款责任，还有借款人即使提供了真实的信息，还是会逾期偿还债务，这时WDW不得不拖车抵债，但也有部分借款人最后人车均“失踪”。所以在审核借款人的过程中，到底哪些信息更能影响借款人的违约风险是平台关注的焦点，也是本文亟需解决的问题。本文将重点关注WDW的核心风险特征，获取WDW上海直营店360条借款人特征信息及交易数据，对平台借款人的违约率和违约速率进行有效评估与预测，以期提高平台对借款人违约风险的控制能力。 二、文献综述 与传统银行金融服务不同的是P2P网络借贷平台能够自动形成社交网络并传播相关信息(谢平、邹传伟，2012)，实现投资人和借款人资金的对接，降低交易成本。然而高效率的资金对接的前提假设是，市场中的参与者拥有完全对称的信息，而现实中借款人通常具有更强的信息优势，违约信息也掌握在借款人一方(廖理等，2014)。借款人和投资人之间的信息不对称将产生逆向选择和道德风险问题(Yum et al.，2012)。例如，为了快速获得贷款，借款人在获得贷款前很可能隐瞒对自己不利的信息甚至虚构有利信息，获得借款后，借款人又单方面违约(Greiner & Wang，2009)。若平台不对借款人信息进行甄别筛选，这些问题很可能使得投资人失去对平台的信任并撤出资金，这又会大大增加平台流动性风险，形成一个恶性循环。 针对平台面临的借款人潜在的机会主义行为风险(Chen et al.，2014)，较多研究认为平台可以通过组建人工社交网络、利用朋友圈和鼓励联合借款的方式降低参与者之间的信息不对称(Yum et al.，2012)。另一方面，平台也可以通过加强对借款人信息的审核降低借款人发生道德风险的可能性。目前，平台审核方式主要还是采用相对传统的认证指标，例如工作认证指标、收入认证指标、视屏认证指标、车产和房产认证指标(王会娟、廖理，2014)，尽管认证机制能够在一定程度上缓解由信息不对称导致的道德风险问题，但是平台差异化的审核机制和风险控制能力使得平台两极化发展趋势明显。规模小、抗风险能力弱的平台不仅面临投资人的信任危机，还面临借款人的违约风险，数个借款人违约就可能对整个平台造成冲击，所以揭示平台中借款人群体隐藏的违约风险，分析主要影响因素对P2P网络借贷平台甚至整个行业的长期生存发展至关重要。已有文献大多论证平台中借款人信息如何影响借贷行为(王会娟、廖理，2014)、借款成功率(Kumar，2007)和借款利率(Iyer et al.，2009)，鲜有文献全面系统的分析借款人各项信息指标对借款人违约行为的影响程度以及平台对借款人信用评价的准确程度。所以本文更关注平台在对借款人审核过程中收集的各类信息及其对借款违约率和违约速率的影响。 三、研究假设 借款人分类信息对借款人违约率有不同的影响。Iyer et al.(2009)把借款人信息分为硬信息和软信息，认为两种信息的相互补充可以提升信息质量并增加投资人对信息的信任程度。硬信息是能够被客观证实的内容，包括借款人特征信息(例如祖籍、种族等)和借款特征信息(例如借款金额、借款期限等)；而软信息是不能被直接证实的内容，例如借款人对借款目的等的文字描述等，尽管软信息可能存在虚假成分，但是Larrimore & Jiang(2011)发现软信息可以增强借款人与投资人之间的亲和度，从而提高借款成功率。Greiner & Wang(2010)则把借款人信息分为经济信息和社会信息，经济信息衡量借款人的还款能力，社会信息衡量借款人的借款能力并以借款人是否参与联合借款作为判断标准①。参考上述分类标准，本文将借款人信息分为硬信息和软信息两个大类，并把硬信息再细分为借款人特征信息和借款人经济信息。WDW在审核借款人的过程中，收集的信息主要是硬信息，是能被立即证实的信息，包括借款人特征信息(性别、年龄、户籍、婚姻状况、历史借款记录和历史违约记录)、借款人经济信息(债务收入比、房屋产权和抵押物价值)。WDW对借款人提供的无法直接验证的信息及在审核过程中表现出的异常行为被视为软信息，包括借款人职业、所属行业②、参与社保、家人知晓和借款目的，平台根据上述信息进行综合分析后得出平台评价信息(信用评级、贷款规模)。 (一)借款人特征信息 借款人特征信息包括借款人性别、年龄等与借款人个人特征相关的信息，借款人个人特征往往能反映借款人某种个性趋势或社会化趋势，并影响投资人的投资决策(Ravina，2008)。例如较多文献认为女性比男性更加趋于风险规避，所以女性借款人比男性借款人更可能按时偿还借款，违约率更低(Dinh & Kleimeier，2007；Roslan & Mohd，2009)。所以本文假设： H1：相比于女性借款人，男性借款人与借款违约率正相关。 Arminger et al.(1997)等发现年龄越大的借款人越趋于风险规避并且更具有责任心，相比于年长的借款人，年轻的借款人不够成熟也相对缺乏责任心，更容易违约。所以本文认为： H2：借款人年龄与借款违约率负相关。 国外研究未把户籍作为影响借款违约率的因素，然而中国特别是上海等大城市对异地户口迁移实行严格的行政控制，且本地户籍为借款人提供了获得城市资源的必要条件，极大的增加借款人“失踪”的隐性成本，所以相比于外地借款人，本地人会更自觉偿还借款。所以本文认为： H3：外地借款人与借款违约率正相关。 婚姻状况往往被视为能够承担责任的标志之一。尽管多数学者认为单身借款人缺乏责任心(Vogelgesang，2003)，但是Dinh & Kleimeier(2007)却发现已婚借款人偿还借款的可能性低，因为已婚借款人家庭负担更重，经济压力更大，更容易违约。但是在我国社会中婚姻被认为是个人成熟的标志，而且婚姻状况不同反映家庭收入来源的不同，双职工家庭偿还债务能力更强，而单身甚至离异借款人偿还债务能力较弱，所以本文认为： H4：单身(包括离异)借款人与借款违约率正相关。 关于P2P平台借款人的历史借款记录是平台借款人违约风险研究的重要基础，借款人的历史行为特征很多时候反映了其还款能力及意愿。Kumar(2007)等发现借款人的历史拖欠率将正向影响借款风险溢价，历史借款记录与借款人信誉度相关，所以历史借款记录对违约率有负向影响，而历史违约记录对违约率有正向影响。所以本文认为： H5：历史借款记录与借款违约率负相关，历史违约记录与借款违约率正相关。 (二)借款人经济信息 经济指标是衡量借款人偿还能力的重要指标之一。借款人的经济强度和努力程度对借款违约率有较大的影响。经济强度最重要的衡量指标是债务收入比(Lin et al.，2013)，债务收入比越高，说明借款人月收入越高，偿还借款能力越强，越能快速还款。所以本文认为： H6：借款人债务收入比与借款违约率负相关。 借款人是否拥有房屋产权对借款违约率也有影响(Greiner and Wang，2009)，对于有房产的借款人，工作生活相对稳定，也有一定还款能力，借款违约率较低，所以本文认为： H7：借款人拥有房屋产权与借款违约率负相关。 鉴于WDW主要以借款人自有汽车作为主要借款抵押物，对抵押物价值的衡量是决定实际放贷金额的重要因素，WDW会先对汽车估值后才会决定贷款规模，一般贷款规模要按比例小于汽车估值。在访谈中发现，WDW内部会根据借款人信用评级决定担保物折价率和贷款规模。这种情况下抵押物价值与贷款规模相关，为避免重复假设，本文并未对其做出相关假设。 (三)借款人软信息 基于高昂的交易成本，WDW不会对借款人提供的软信息进行详尽核实，但是软信息可以从侧面反映借款人的借款动机、借款偿还意愿和偿还能力。借款人职业与借款人的收入高低、稳定性和未来发展趋势密切相关，国家公务员、事业单位人员和一些垄断行业的职员收入较高且稳定性较好，所以本文认为： H8a：借款人职业稳定性与借款人违约率负相关。 同时，对于借款人特别是私营业主和公司股东，所属行业不同，风险也不尽相同。Baesens et al.(2011)发现农业收入最稳定而服务业最易受到市场风险的波及，Lehmann和Neuberger(2001)按行业抵抗风险的能力把行业分为工业、贸易业、建筑业、服务业，并认为上述4类行业的风险由低到高，参考上述分类标准，本文把借款人所属行业分为5种类型，并认为农业稳定性最高，工业、贸易业和建筑业次之，最后是服务业。并且本文认为： H8b：借款人所属行业稳定性与借款人违约率负相关。 现阶段少有研究把借款人是否参与社会保障作为衡量借款违约率影响因素，但本文认为相比未参与社会保障的借款人，参与社会保障的借款人往往工作更加稳定，还款来源更固定，所以还款能力越强，所以本文认为： H9：参与社会保障的借款人与借款违约率负相关。 现阶段未有研究把借款人家人是否知晓借款事项作为衡量借款违约率的影响因素，本文认为借款人家人和朋友的支持对借款人偿还意愿有正向影响，且访谈中发现当借款人无法偿还借款时，家人很可能会帮助借款人偿还借款，所以本文认为： H10：家人知晓借款事项与借款违约率负相关。 较多学者把借款目的分为两类：初始创业和业务扩展，当借款人计划进行业务扩展时，一般认为借款人在原有业务上已经开展了一段时间，有较为稳定的业绩和收入来源，风险较小(Roslan et al.，2009；Bhatt and Tang，2002)，借款违约率较低。而初始创业的借款人因涉足新领域，缺乏经验，失败风险较高。本研究样本显示借款人借款目的还包括个人用途所需，例如装修婚房、炒股等，该情况还款来源不稳定，风险更高，所以本文认为： H11：处于业务扩展的借款人违约率较低，初始创业的借款人次之，而借款用于个人用途时借款人违约率最高。 (四)平台信息 较多学者认为信用评级是借款违约率的决定性因素之一(Emekter et al.，2015)。在中国，因为征信体系的不完善，多数借款人都缺乏信用记录，所以对于每一个借款人，WDW审核员都会综合分析借款人软、硬信息后做出借款人的信用评级，并根据信用评级决定是否发放贷款及贷款规模。本文认为信用评级指标与借款违约率直接相关，且借款人信用评级越高，借款违约率越低，所以本文认为： H12：借款人信用评级与借款违约率负相关。 实际放贷金额也是由平台决定的，较多研究把放贷金额的自然对数值作为控制变量以控制贷款规模对违约率的影响(Baklouti，2013；廖理等，2014)，且实证结果均显示贷款规模越大，借款人偿还本金和利息的压力越高，违约风险越大。所以本文认为： H13：贷款规模与借款违约率正相关。 同时，WDW上海直营店对所有借款人设定了基本相同的借款利率，还款方式均为按月还息，到期还本，所以借款利率对不同借款人违约行为的影响较为有限，本文并未做出相关假设。 四、数据和变量定义 (一)样本和变量度量 本文的主要研究目的是分析影响借款人违约的因素，所以本文共获取WDW上海直营店内部360条真实交易数据(因WDW网站公布的竞拍标的已根据放贷金额和借款期限对标的进行多次分拆，所以网站发布标的的数量远远高于实际借款数量，为避免重复数据，本文已对数据进行了整理合并)，按照标的的状态分为正常还款中的交易共307条和未正常还款、拖车后结清及无法还款的交易共53条，在对变量进行处理时我们将正常还款情况赋值为0，其余的三种状态(“拖延还款”、“拖车后结清”、“无法还款”)均赋值为1。因此因变量只存在两种状态，即正常为0和违约为1。表1显示自变量相关假设和操作化定义。
标签：p2p论文; p2p网贷论文; p2p网络借贷平台论文; 网络贷款论文; 相关性分析论文; 信用贷款论文; p2p系统论文; p2p模式论文; 企业信用评级论文; 信用政策论文; p2p网络借贷论文; p2p金融论文;