P2P校园贷款个人违约风险因素指标探析.docxVIP

? ? P2P校园贷款个人违约风险因素指标探析 ? ? 　　 一、引言 　　 在我国，随着互联网技术、通信信息技术的不断创新以及与金融业的快速融合，互联网金融中的重要组成部分——P2P网络借贷得到了快速的发展。P2P(Peer to Peer Lending)是指借贷双方不经过金融中介机构，直接在线交易的金融借贷服务模式。P2P在促进普惠金融发展、提升金融服务质量和效率、满足多元化投融资需求等方面发挥了积极作用，展现出了其巨大的市场空间和发展潜力。2017年6月底，全国网贷平台贷款余额为10449.65亿元，历史累计成交量达到了48245.23亿元，可以看出，其已成为一个新兴的万亿级市场。 　　 值得注意的是，网贷当中的活跃群体——高校学生需要多元化的消费，但他们的经济尚未完全独立，因此成为网络信贷市场上重要的借款人群。据“网贷之家”对高校学生网络借贷数据统计，西部地区学生借款占比最大，达到总量的73.53%；借款需求度排前五位的依次为甘肃(11.2)、青海(9.95)、贵州(8.99)、内蒙古(6.66)、宁夏(6.37)。可见，校园网络贷款作为国家助学贷款的补充，为低收入地区高校学生提供了有力的经济支持，起到了一定的“帮弱扶弱”作用。 　　 然而，学生贷款普遍存在违约几率较高的问题。2006年全国学生资助管理中心公布的数据显示，31所中央部署高校和118所地方高校中，助学贷款平均违约率为18.53%。2009年，助学贷款的不良率达30%，是普通贷款坏账的15倍。校园网络借款情况更加不容乐观，总体逾期几率和违约几率分别达到36.74%、10.28%，其中用于创业的借款违约率最高，为11%。同时，除了少数恶性行为以外，“裸条”“暴力催收”等一系列负面事件的发生使校园贷款蒙上灰色。导致这些事件发生的根本原因是高校学生经济尚未独立，缺乏还款保障和自我保护意识。2017年5月27日，银监会、教育部、人力资源社会保障部下发了《关于进一步加强校园贷规范管理工作的通知》，要求未经银行业监管部门批准设立的机构禁止提供校园贷款服务，且现阶段网贷机构一律暂停校园贷款业务，对于存量业务要制定整改计划，明确退出时间表。 　　 无论P2P校园网络贷款这一在我国曾经服务过几十万在校学生的金融工具是否消失，也无论其会再以哪种新模式服务高校学生，都十分有必要对其进行重新审视。发现与高违约相关的重要个人风险因素，对构建校园网络贷款的安全线、降低借款违约几率、保护在校学生权益、培养大学生的信用意识以及加强P2P网贷平台个人信用风险防范管理都具有重要的意义。 　　 二、相关研究及启示 　　 与P2P网络贷款相关的研究尚处于起步阶段，而对大学生P2P网络贷款行为的研究更为鲜见，但P2P网贷中关于个人信用的研究方法可以作为借鉴和参考。 　　 目前国内外的研究多考察借款发起人的“软信息”和“硬信息”对其违约风险和贷款获得产生的影响。“软信息”是不能用准确的数值或者指标表示的信息，如社会资本、受欢迎程度；“硬信息”是指能用准确数值或者指标表示的信息(刘峙廷，2011)，如年龄、性别、财务状况等。 　　 在评价个人信用的方法上，以统计学和运筹学方法为主，如判别分析法、Logistic回归法、线性回归法、ZEAT模型等。此外，信用评分的非参数统计方法也得到了很快的发展，如决策树法、K-近邻判别分析法等。20世纪80年代，基于人工智能的信用评价方法，如神经网络、遗传算法等，为解决评价中的复杂问题提供了新的思路。在评估方法方面，混合方法比单一方法显示出更高的精度和更强的解释力(Blanco,2013; Oreski,2014; Lopez、Jeronimo,2015)。在利用数据挖掘技术构建的评分模型中，Logistic回归模型整体准确率比较高(Bekhet、Eletter,2014)。Lyer(2014)认为对于小规模借款人，非标准的财务信息数据筛选机制十分重要。 　　 国内学者多基于“拍拍贷”数据，从评估方法上展开研究，如进化的神经网络模型(喻敏、吴江，2011)、决策树和神经网络组合模型(杨胜刚等，2013)、非线性主成分法结合神经网络及Logistic法(熊志斌，2013)、模糊近似支持向量机(姚潇、余乐安，2012)。国内网络贷款平台对借款人的信息采集多偏向“硬信息”，这使得与“软信息”相关的研究难以开展。 　　 鉴于我国对于高校学生P2P网络借贷个人信用风险因素研究尚处于空白阶段，且国内P2P平台缺少“软信息”数据，本文采用美国网络贷款平台Lending Club公开脱敏数据，运用机器学习和数据挖掘方法，得到P2P校园贷款个人违约风险因素重要字段，并据此提出降低P2P校园网络贷款个人违约风险、保护在校学生的措施。 　　 三、数据分析 　　 美国目前P2P网络