p2p網(wǎng)絡(luò)借貸成功率影響因素分析

p2p網(wǎng)絡(luò)借貸成功率影響因素分析

一、p2p網(wǎng)絡(luò)借貸市場綜述p2p在線信用貸款是貸款中介機(jī)構(gòu)直接通過金融部門在線交易的財務(wù)管理模式。這種新的金融交易模式在2005年英國Zopa在線交易網(wǎng)站創(chuàng)立后得到快速發(fā)展。美國的Prosper是目前運(yùn)行中最大的P2P交易平臺,已擁有超過160萬的會員,資助超過5億美元的貸款。在Prosper平臺上,借款人發(fā)布2000美元到35000美元之間的借款請求,單個投資者投資在每筆借款上的最少量是25美元。除了信用積分、信用等級和歷史記錄,投資者還可以參考借款人的借款描述、朋友的推薦和社團(tuán)關(guān)系。Prosper平臺在提供服務(wù)時代表著借貸雙方的利益,英美國家P2P在線交易正成長為可替代傳統(tǒng)儲蓄投資工具的一種新型投資模式。在歐亞國家,許多P2P借貸網(wǎng)站開始對公眾服務(wù)(Slavin,2007)。在中國,P2P網(wǎng)絡(luò)借貸平臺作為一種新型的民間借貸模式,使有資金且有投資理財想法的個人通過第三方網(wǎng)絡(luò)平臺將資金貸給其他有借款需求的個人。作為互聯(lián)網(wǎng)金融的一個創(chuàng)新,P2P網(wǎng)絡(luò)信貸平臺加快了金融脫媒的步伐。近幾年來,得益于國內(nèi)個人經(jīng)營消費(fèi)貸款及個人投資理財?shù)凝嫶笫袌鲂枨?且隨著互聯(lián)網(wǎng)使用的普及和P2P平臺自身的不斷完善,該行業(yè)呈“爆炸式增長”,平臺貸款年均增長率高達(dá)300%,截至2012年年末,其線上融資金額已經(jīng)達(dá)到104億元。P2P網(wǎng)絡(luò)借貸市場在快速發(fā)展的同時,也遇到越來越多的問題?；ヂ?lián)網(wǎng)金融市場的多樣化發(fā)展也為P2P借貸市場的發(fā)展帶來一定的威脅和挑戰(zhàn)。從借貸平臺外部來看,P2P網(wǎng)絡(luò)借貸平臺目前仍面臨著政府監(jiān)管空白、法律規(guī)范缺失、借款人缺乏約束機(jī)制等問題,急需監(jiān)管部門推出相應(yīng)的政策,以推動行業(yè)健康運(yùn)行;從借貸平臺內(nèi)部來看,借款成功率低、借款成本高,是制約平臺發(fā)展的主要問題。近年來國內(nèi)外學(xué)者開始更多地關(guān)注P2P網(wǎng)絡(luò)借貸的發(fā)展,國外學(xué)者主要通過Prosper提供的二手?jǐn)?shù)據(jù)進(jìn)行研究和分析;國內(nèi)的研究主要集中在P2P網(wǎng)絡(luò)借貸的起源和發(fā)展、P2P網(wǎng)絡(luò)借貸發(fā)展模式的比較及國內(nèi)外發(fā)展?fàn)顩r的比較等,這些均是對P2P借貸市場的定性分析,而研究P2P網(wǎng)絡(luò)借貸中借貸人行為的影響因素和平臺運(yùn)行規(guī)律的文獻(xiàn)相對缺乏。金融體系的核心是信用,中小企業(yè)之所以融資難,歸根結(jié)底是因為信息不透明,信用無保障。在這個意義上,互聯(lián)網(wǎng)最大的作用尚不在于其能提供怎樣的金融服務(wù),而在于其能夠搜集和整理信息,形成信用的評價體系,即所謂的大數(shù)據(jù)理論。傳統(tǒng)金融模式面臨的問題主要有三個:信息不對稱、交易成本大、風(fēng)險定價復(fù)雜。隨著互聯(lián)網(wǎng)的發(fā)展,信息數(shù)據(jù)化程度不斷提高,未來互聯(lián)網(wǎng)金融的模式將是大數(shù)據(jù)、云計算、高度計算和社區(qū)網(wǎng)絡(luò)的綜合運(yùn)用,且運(yùn)用連續(xù)的風(fēng)險定價模型能有效地減少信息不對稱,節(jié)約成本。本文以上海拍拍貸交易數(shù)據(jù)為研究對象,結(jié)合網(wǎng)站最新的發(fā)展趨勢來分析影響借款成功的因素,從而更有效地提高平臺的借貸成功率;同時,結(jié)合拍拍貸的內(nèi)部機(jī)制對結(jié)果進(jìn)行分析,使網(wǎng)絡(luò)借貸平臺能夠健康穩(wěn)定地發(fā)展,適應(yīng)金融市場化改革的趨勢,更好地為中小企業(yè)融資提供服務(wù)。二、未來網(wǎng)絡(luò)借貸風(fēng)險與風(fēng)險與其他在線交易一樣,P2P網(wǎng)絡(luò)借貸面臨的最基本的問題就是借款人和貸款人之間的信息不對稱,從而引起一系列信任危機(jī)和風(fēng)險控制的危機(jī)(GreinerandWang,2010)。因此,減少信息不對稱是P2P網(wǎng)絡(luò)借貸市場要解決的關(guān)鍵問題。為了解決這個問題,許多P2P網(wǎng)絡(luò)借貸平臺建立了包含有“硬信息”和“社會資本”的信用制度。國外學(xué)者在P2P網(wǎng)絡(luò)借貸領(lǐng)域的許多實證研究集中分析了借款人的“硬信息”和“社會資本”因素對貸款結(jié)果的影響,尤其是對后者的研究較多?！坝残畔ⅰ敝傅氖悄切┠軌虮痪_量化、容易存儲且有效傳輸?shù)男庞眯畔?Lin,etal.,2012)。采用“硬信息”信用制度的P2P網(wǎng)絡(luò)借貸平臺一般提供用戶的個人信息,如信用記錄、教育情況、年齡等。當(dāng)借款人申請貸款時,平臺會要求他們提供個人信息給貸款人,用以評估他們的信貸風(fēng)險,來決定是否對借款人投標(biāo)并確定貸款利率(CollierandHampshire,2010)。Iyer等(2009)研究發(fā)現(xiàn)貸款人主要依靠標(biāo)準(zhǔn)的銀行征信系統(tǒng)信息來推斷借款人的信用情況。另外,許多研究發(fā)現(xiàn)硬信息對貸款成功率、貸款利率及違約率等有影響。例如,Lin等(2012)研究發(fā)現(xiàn)借款人的信用等級越低,其獲得貸款的可能性越小,貸款利率和違約率越高。Puro等(2010)發(fā)現(xiàn)借款數(shù)量對借款成功率和借款利率都有負(fù)的影響。Collier和Hampshire(2010)研究結(jié)果表明借款人的財務(wù)狀況及拍賣方式對借款利率均有影響。在小額信貸研究領(lǐng)域,主要通過將金融負(fù)債和人際關(guān)系聯(lián)合來減少信息不對稱帶來的風(fēng)險(Everett,2010)。許多P2P網(wǎng)絡(luò)借貸平臺建立“社會資本”信用制度來解決信息不對稱問題。例如,Prosper和拍拍貸允許他們的用戶互相之間建立社團(tuán)或朋友關(guān)系;LendingClub的會員之間可以互相分享職業(yè)背景信息;英國的Zopa為它的會員建立論壇。P2P網(wǎng)絡(luò)借貸領(lǐng)域之前的許多文獻(xiàn)研究表明借款人的社會資本對借貸結(jié)果有正面影響。Everett(2010)證明來自借款人社會網(wǎng)絡(luò)的投標(biāo)越多,借款違約率越低且利率越低。Lin等(2012)集中于網(wǎng)絡(luò)關(guān)系的社會聯(lián)系方面,研究顯示借款人的關(guān)系網(wǎng)絡(luò)對借款結(jié)果(借款概率、違約時間和利率)有重要指示作用。Lopez(2009)研究表明邀請朋友或社團(tuán)成員參與競標(biāo)會增加獲得貸款的可能性。國內(nèi)關(guān)于這方面的研究起步較晚,且多是關(guān)于理論方面的研究。目前國內(nèi)出現(xiàn)的網(wǎng)絡(luò)借貸模式有典型的創(chuàng)業(yè)型公司如拍拍貸、宜信、人人貸等,以及一些行業(yè)內(nèi)大公司下屬的網(wǎng)絡(luò)融資平臺如平安集團(tuán)下屬的陸金所,證大集團(tuán)下屬的證大e貸等。但另一方面網(wǎng)絡(luò)借貸具有的互聯(lián)網(wǎng)和金融的雙重屬性,目前其監(jiān)管空白,充滿危機(jī)。李雪靜(2013)介紹了英、美等國對P2P網(wǎng)絡(luò)借貸的監(jiān)管模式,對規(guī)范中國P2P借貸平臺提出相應(yīng)的政策建議。張宏波(2013)提出P2P借貸作為新興的金融服務(wù)形式,對其監(jiān)管政策的出臺要謹(jǐn)慎,如何對其法律定位、層級甄別及與國家征信系統(tǒng)的數(shù)據(jù)補(bǔ)充等方面進(jìn)行合理化監(jiān)管,是相關(guān)政府部門所面臨的巨大挑戰(zhàn)。李廣明(2011)對P2P網(wǎng)絡(luò)融資平臺中具有拖欠行為的小額貸款者的基本特征進(jìn)行描述性分析,提取關(guān)鍵特征,從而有助于借出者識別貸款對象和控制拖欠貸款風(fēng)險的發(fā)生。另外一些學(xué)者借鑒國外的方法對影響貸款結(jié)果的因素進(jìn)行分析,陳冬宇等(2012)將邏輯回歸算法應(yīng)用于網(wǎng)絡(luò)借貸滿標(biāo)率的研究,構(gòu)建了一個借款人的決策輔助工具,且模型對訓(xùn)練集的綜合預(yù)測率達(dá)到89.6%。吳小英和鞠穎(2012)采用最小二乘法對美國最大的借貸網(wǎng)站Prosper的數(shù)據(jù)進(jìn)行實證研究,分析網(wǎng)絡(luò)借貸中借款用途對借款成功率的影響,模型得到借款金額、借款利率、信用評分等對借款成功率的影響,結(jié)果與已有文獻(xiàn)的結(jié)論一致。三、研究設(shè)計(一)“已撤回”及“已還完”的三種狀態(tài)本文研究的目的是分析借款人成功借款的因素,通過設(shè)計程序在拍拍貸上共獲取2013年的16189條真實交易數(shù)據(jù)(數(shù)據(jù)均為匿名取得,不涉及個人隱私),按照標(biāo)的的狀態(tài)分為:投標(biāo)中7003條,流標(biāo)960條,已撤回1140條,批準(zhǔn)失敗2209,已還完1206,成功3671①。本文主要研究對象是已完成的9186條數(shù)據(jù)。在五種狀態(tài)中,有“成功”和“已還完”是成功借款,在對變量進(jìn)行處理中我們將這兩種情況賦值為1,其余的三種狀態(tài)(“已撤回”、“流標(biāo)”、“批準(zhǔn)失敗”)均賦值為0。因此因變量只存在兩種狀態(tài),即成功1、不成功0。各自變量及其定義如表1所示:(二)擬合二分類變量的擬合線性回歸模型本文采用二分類Logistic回歸對數(shù)據(jù)進(jìn)行分析,來研究多個自變量對因變量(貸款結(jié)果)的影響。建立模型,可以預(yù)測觀測量相對于某一事件發(fā)生的概率:其中,β0是與諸因素xi無關(guān)的常數(shù)項,β1,β2,…,βm是回歸系數(shù),表示諸因素xi對P的貢獻(xiàn)量。如果Q=1-P,表示某一事件不發(fā)生的概率,則:由(4)式可知,logit變換產(chǎn)生了參數(shù)β0,β1,…,βm的一個線性函數(shù)?？梢?擬合二分類變量的Logistic回歸模型(1)的參數(shù)問題轉(zhuǎn)換為擬合線性模型(4)的參數(shù)。本文建立的回歸模型是采用基本借款因素、硬信息因素和軟信息因素相結(jié)合的模式。具體的回歸模型如下:其中,C為截距向量,Binfo為基本借款因素,Hinfo為硬變量因素,Sinfo為軟變量因素,B,H,S分別為三者的系數(shù)向量,ε代表模型的誤差。(三)借款模型檢驗本次分析中,以借款是否成功作為因變量,其他部分作為自變量,由于借款金額和借出信用數(shù)值較大,分析過程出現(xiàn)異常,因此選用其對數(shù)進(jìn)行研究以縮小取值范圍,減少異常值的影響。解釋變量的篩選采用基于條件參數(shù)估計的逐步篩選策略(Forward:condi-tional),Forward向前選擇法。表3分類列出了觀測值與預(yù)測值的交叉表,參加建模的數(shù)據(jù)中,狀態(tài)為“0”(即借款未成功)的貸款判斷正確率為93.1%,狀態(tài)為“1”(借款成功)的貸款判斷正確率為88.4%,對整體數(shù)據(jù)的回判正確率為90.7%,這說明模型的預(yù)測效果不錯,模型較為穩(wěn)定。通過數(shù)據(jù)處理和模型檢驗得到的回歸結(jié)果如表4所示。從表4中可以看出在顯著性水平為0.05的條件下,所有變量的Sig值均小于0.05,可見這9個變量對能否成功借款有顯著的影響。則借款成功的概率為:(四)借款成功率分析對上述模型運(yùn)用crystalball軟件進(jìn)行蒙特卡洛模擬,來預(yù)估借貸成功率,模擬次數(shù)為5000次,得出的借貸成功率的統(tǒng)計分布圖(見圖1)及借貸成功率對各解釋變量的敏感程度(見圖2)。圖1中模擬結(jié)果中大于0.5的分布為41.10%,5000模擬數(shù)的平均值為0.44,說明拍拍貸平臺的成交率并不是很高,所以只有不斷對平臺進(jìn)行優(yōu)化,充分利用平臺產(chǎn)生的信息數(shù)據(jù)進(jìn)行信用評估和風(fēng)險評估才能進(jìn)一步增加用戶的信任度,提高平臺的交易量。圖2表明用戶的借款成功次數(shù)、失敗次數(shù)、信用積分對借款成功率的影響較大。這樣就要求拍拍貸上用戶在借貸的過程中要更加注重信用積分的積累和歷史交易次數(shù)的影響。四、借款利率和借方利率1.首先基本借款因素(Binfo)方面,利率的系數(shù)為-6.617,代入模型,利率增加與借貸成功率是反向的關(guān)系,這與之前學(xué)者研究結(jié)論不同。我們將研究樣本按利率均值分為兩類,利率高于平均值的標(biāo)的有5794個,借款成功標(biāo)的占27.67%;利率低于平均值的標(biāo)的有3392個,借款成功標(biāo)的占96.52%,這與模型分析結(jié)果一致。本文分析主要原因是受拍拍貸機(jī)制的影響,相比傳統(tǒng)金融機(jī)構(gòu)拍拍貸更看重借款人的違約成本,如果經(jīng)過評估后的違約成本很高,就意味著借款人可以承擔(dān)更高的貸款額度,因而更看重個人的信用和信譽(yù)。網(wǎng)站根據(jù)積累的大量數(shù)據(jù),通過借款人在社交網(wǎng)站、微博、微信上的行為和關(guān)系評估個人的違約成本,相應(yīng)地評估出借款人的信用等級,然后給出可以貸款的額度和借方利率的區(qū)間。因此信用等級低的用戶,借款利率一般較高,且借款成功率較低。另一方面,本文將樣本數(shù)據(jù)中各個期限的成功借款標(biāo)的的利率均值與上海同業(yè)拆借中心(SHIBOR)2013年下半年各期利率均值比較,如表5所示。對于投資人來說,P2P平臺的高回報率具有很大的吸引力,因此相對來說更看重資金的安全性,高利率伴隨著高風(fēng)險,隨著互聯(lián)網(wǎng)金融的發(fā)展,網(wǎng)絡(luò)上新興的投資渠道越來越多樣化,風(fēng)險中立型投資者可能更傾向于利率適中,風(fēng)險適中的投資產(chǎn)品。金額的系數(shù)為0.311,對借貸結(jié)果的影響為正,這與之前學(xué)者研究結(jié)果一致(陳冬宇等,2012),因為在拍拍貸平臺上,用戶的信用等級越高,通過審核的資料越全面真實,平臺會相應(yīng)地增加其借款額度,借款滿標(biāo)的可能性也越高。另外研究顯示借款期限對借貸結(jié)果無影響,拍拍貸主要促成的是小額短期借貸,且采用風(fēng)險分散機(jī)制,每個投資者可同時參與多項標(biāo)的的投資,每個標(biāo)的也可有多個投資人投標(biāo),這樣人均投標(biāo)額較小,在一定程度上減少了投資人對借款期限的關(guān)注。2.在“硬信息”因素方面,歷史成功次數(shù)、借入信用、借出信用、審核項目數(shù)對借款成功的影響是正的,本文認(rèn)為一個用戶的歷史成功次數(shù)越多,借入信用積分和借出信用積分越高,給投資人回饋更積極的信號,認(rèn)為用戶在拍拍貸較為活躍,且資金實力強(qiáng),借款相對安全。而審核項目越多,會給投資人提供更多關(guān)于借款人可證實的信息,從而更有效地減少信息不對稱,所以一定程度上對借款成功有利。歷史失敗次數(shù)的系數(shù)是負(fù)的,為-0.572,這與之前學(xué)者研究的結(jié)果一致,用戶的歷史失敗次數(shù)越多,越不利于借款的成功,這更加激勵拍拍貸用戶按照規(guī)定按時還款,且借款過程中要按照平臺要求提供相應(yīng)的審核資料,否則很容易造成流標(biāo)。3.最后在“軟信息”因素方面,模型最后保留的“軟信息”有性別和住宅情況,剔除的變量有年齡、婚姻狀況和教育情況。其中,性別的系數(shù)為0.256,說明在拍拍貸借貸過程中男性用戶更容易借到資金,主要是因為拍拍貸的用戶大多為男性用戶,樣本中男性用戶占比近85%;住宅情況的系數(shù)為-0.431,說明用戶的房產(chǎn)情況為自置有按揭將有助于借款,本文認(rèn)為