P2P网络小额贷款信用风险的影响因素识别.docxVIP

P2P网络小额贷款信用风险的影响因素识别 　　摘要：2018年以来，p2p网络小额贷款风险频发，严重侵害到大众投资者利益，扰乱市场经济秩序。为此，本文以人人贷为例，运用logit模型，重点从借款人视角考察p2p网络小额贷款的信用风险及其影响因素，旨在通过理论与实证分析，识别影响p2p网络借贷信用风险的关键要素，为我国p2p网络小额信贷市场健康发展提出相关政策建议。 　　关键词：p2p信用风险人人贷 　　一、引言 　　2018年以来，p2p网络小额贷款风险频发，严重侵害到大众投资者利益，扰乱市场经济秩序。根据网贷之家的数据，2018年2月到2018年12月，全国新增841家问题平台，累计停业及问题平台数达5410家，约占总数的84%。停业及问题平台历史累计涉及的投资人数约为215.4万人（不考虑去重情况），涉及贷款余额约为1766.5亿元，占2018年12月底行业贷款余额的比例约为22.39%。因此，亟待需要找到影响p2p信用风险发生的原因与解决对策，降低p2p网络借贷信用风险，促进p2p行业健康发展。为了更加清楚的识别p2p网贷信用风险的影响因素，本文首先借鉴现有文献，从理论上对借款人信用风险影响因素进行探讨;其次利用信息挖掘法，搜集大量样本数据，运用logit模型进行实证分析;最后在互联网大数据的背景下，结合软信息和硬信息提出相关建议。 　　二、文献综述 　　关于p2p信用风险的影响因素研究，iyer（2010）等人提出评估借款人信用风险的指标应包括标准的银行指标及个体特征等非标准指标。在标准的银行指标中，一般包括硬信息和经过验证的财务信息。非标准银行指标则包括软信息和未经验证的信息。pope和sydnor（2011）、gonzalez（2016）研究发现借款人的年龄会影响信用评估，并且35到60岁的群体比35岁以下的借款成功率更高。袁羽（2014）基于logistic模型进行研究，认为信用等级，借款期限、借款利率对信用风险具有显著影响。李广明（2011）、刘鹏翔（2017）通过构建多元线性回归模型，发现借款人的学历越高信用风险越小。宁欣（2013）、刘峙廷（2013）通过对英国lendingclub平台2009年～2011年的数据研究分析，认为婚姻产生的社会关系使得已婚者的违约成本较高，违约率比未婚者低。王会娟等（2014）通过对“人人贷”数据分析，发现对借款者的贷款行为有较大影响的是收入认证、工作认证、视频认证和房产、车产认证等认证指标。 　　基于影响因素的分析，学者针对如何降低信用风险展开了探讨。mingfenglin（2009）通过对prosper平台2007年1月到2008年5月的数据研究分析认为借款人的社会资源越丰富，获得贷款的成本就越低，违约率就越低。李悦雷（2013）、yum（2015）和闫琳（2017）认为在p2p借贷中引入对社交资本的应用能够降低借款者的信用风险。柳向东（2016）通过对“人人贷”数据分析，认为应推动建立和完善以大数据为基础的新型信用评分体系，引入用户行为的分析将对平台在信用风险控制方面起到很好的推动作用。 　　三、模型设定与数据 　　（一）模型设定 　　在对借款者的信用风险影响因素分析中，被解释变量为借款人信用风险。因为借款人信用风险是二值选择变量，借款人违约存在信用风险记为1，借款人履约不存在信用风险为0，故文章采用logit模型进行分析。 　　根据现有文献，以及受数据可得性的影响，文章最终从三个维度具体选取借款金额，借款利率，借款期限，年龄，学历，婚姻，月收入，信用分数8个解释变量，分别记为loan，interest，time，age，education，marry，wage，score，μ为误差项。 　　具体的待估方程表达式如下： 　　（1） 　　（二）数据选取 　　目前国内p2p平台众多，如人人贷，拍拍贷，陆金所，红岭创投等，人人贷是中国最早基于互联网的p2p网络借贷信息中介机构之一，具有代表性。本文从人人贷网站共收集2012—2016年部分借款人原始数据25729条，其中借款成功的数据有9143条，有16586条借款失败。借款成功的数据中有70条被标记为坏账，有830条数据存在逾期，有4872条数据正在偿还中，有4194条数据是成功完成，有7条数据是延期的。利用r软件进行logit回归分析。 　　人人贷平台上借款者的每一条数据包含id，借款金额，利率、描述，公司规模等共计36個变量。其中，借款人的违约状况表明了借款者是否按合同履行了约定，可作为被解释变量信用风险的代理变量，记为risk。基于现有文献以及对人人贷的分析，我们选取了以下几类自变量。