翼龍貸網(wǎng)絡(luò)借貸平臺借款人的信用風(fēng)險

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了翼龍貸網(wǎng)絡(luò)借貸平臺借款人的信用風(fēng)險范文，希望能給你帶來靈感和參考，敬請閱讀。

【摘要】近年來，眾多的互聯(lián)網(wǎng)金融業(yè)務(wù)模式通過網(wǎng)絡(luò)的力量被迅速普及和推廣，在加劇了金融市場競爭的同時，也提高了資產(chǎn)配置的效率。隨著P2P網(wǎng)貸平臺的接連上線，雖然解決了部分小微企業(yè)融資難的問題，但隨之而來的信用風(fēng)險、市場風(fēng)險、操作風(fēng)險和政策風(fēng)險等多種風(fēng)險，正面臨著日趨嚴峻考驗。本研究以翼龍貸網(wǎng)絡(luò)借貸平臺為對象，研究其借款人的基本信息、借款行為、資產(chǎn)及信用狀況等，通過信息增益技術(shù)對可能影響信用風(fēng)險的相關(guān)影響因子進行篩選，然后基于Logistic回歸建立借款人的信用風(fēng)險評估模型，以提高平臺對借款人償債能力判別的準確度。

【關(guān)鍵詞】P2P網(wǎng)絡(luò)借貸平臺;信用風(fēng)險;風(fēng)險評估

一.信用風(fēng)險產(chǎn)生的原因

在互聯(lián)網(wǎng)金融行業(yè)迅速發(fā)展的新時期，P2P網(wǎng)絡(luò)借貸異軍突起，迅速成為互聯(lián)網(wǎng)金融中一種重要的形式。截止2017年9月，P2P網(wǎng)絡(luò)借貸平臺有5929家，當月成交量為2351億元，綜合收益率約為9.53%左右（數(shù)據(jù)來自網(wǎng)貸之家），基本保持穩(wěn)定。翼龍貸的運營，類似于民間小額借貸，所以其本身具有民間借貸中存在的風(fēng)險因素，包括借款人對還款能力的錯誤估計，導(dǎo)致無法正常還款等等。由于網(wǎng)絡(luò)借貸行為發(fā)生具有其特殊性，因此其存在的風(fēng)險存在被放大的可能，具體的風(fēng)險因素體現(xiàn)在以下幾個方面：

（一）運營都是通過互聯(lián)網(wǎng)完成，每一個環(huán)節(jié)都存在風(fēng)險發(fā)生的可能

在申請過程中，借款人提供的資料大多由其本人填寫完成，存在編造及篡改的技術(shù)可能，會增加借款人蓄意欺詐的風(fēng)險；這種運營模式采用第三方支付方式完成轉(zhuǎn)賬，在提高轉(zhuǎn)賬效率的同時，也增加了轉(zhuǎn)賬資金的風(fēng)險，為非法轉(zhuǎn)移資金提供了可能。

（二）具有跨地域性的特征，在拓寬借貸范圍的同時，也增加了投資者的資金風(fēng)險

傳統(tǒng)民間借貸都是在一定的小范圍中進行，通過熟人關(guān)系開展，借貸雙方有一定的了解，貸款人對借款人的還款能力可以進行初步的判斷，同時由于雙方關(guān)系，出現(xiàn)賴賬的幾率很?。患词褂袎馁~出現(xiàn)，催收還款也較為便利。但是翼龍貸的跨地域運營，會出現(xiàn)異地借款行為，而異地催收難度較大，目前采用的短信、電話、打官司等催收方式并不能取得理想的效果，導(dǎo)致逾期甚至賴賬行為時有發(fā)生。

（三）發(fā)展迅速，但是相關(guān)的監(jiān)管制度卻并未及時出臺

目前政府并未出臺專門針對互聯(lián)網(wǎng)金融行業(yè)監(jiān)管的法律法規(guī)，隨著網(wǎng)絡(luò)及金融創(chuàng)新日新月異的發(fā)展，傳統(tǒng)的監(jiān)管措施顯然無法滿足對于風(fēng)險的管控，規(guī)范的監(jiān)管迫在眉睫。

二、翼龍貸風(fēng)險評價體系的構(gòu)建

（一）翼龍貸借款人信用風(fēng)險影響因子分析

借款人在申請借款時，翼龍貸會要求其提供個人基本信息，包括身份信息、基本資產(chǎn)狀況、年齡、學(xué)歷、工作等，而后通過授權(quán)第三方認證平臺對借款人提供的信息進行認證，根據(jù)認證結(jié)果初步評定借款人的信用等級，再將借款人信息及評定結(jié)果在網(wǎng)站上公示，供投資者參考。1.年齡。一般情況下，不同年齡層的借款人，其發(fā)生違約的概率也不一樣，年齡較小的借款人收入來源有限，且本身并不具備良好的消費習(xí)慣，缺乏儲蓄，其違約風(fēng)險較高；30歲至45歲的借款人收入相對穩(wěn)定，經(jīng)濟狀況良好，具備一定的經(jīng)濟基礎(chǔ)，其違約風(fēng)險較低；年齡稍大的借款人收入水平較低，面臨更多的突發(fā)消費，導(dǎo)致違約風(fēng)險較高；2.婚姻狀況。不同的婚姻狀況，其違約風(fēng)險不同，已婚的借款人家庭和收入相對穩(wěn)定，還款能力較強；而未婚或離異的借款人，信用狀況可能偏低；3.教育程度。隨著教育程度的不斷提高，發(fā)生道德違約的幾率也隨之降低，因此，本文可以大膽假設(shè)教育程度與違約風(fēng)險呈反比，教育程度越高違約風(fēng)險越低；4.職業(yè)信息。職業(yè)信息包含所從事的行業(yè)及公司、職級以及工作年限等，國企、事業(yè)單位相對而言收入穩(wěn)定，違約風(fēng)險較低，而個體、小型私營單位競爭激烈，收入來源不穩(wěn)定，故而違約風(fēng)險較高；職級、工作年限與違約風(fēng)險呈反比，職級越高，工作年限越長，其違約的風(fēng)險越低；5.房產(chǎn)信息。一般情況下，房產(chǎn)代表著個人的經(jīng)濟基礎(chǔ)，有無住房及住房是否有貸款，都會對違約風(fēng)險造成影響；6.借款人信用信息。本文根據(jù)翼龍貸所披露的信用等級來確定借款人的信用信息，翼龍貸通過與第三方認證機構(gòu)合作，對借款人的進行信用評估，從而確定其信用等級，信用等級越高者，違約風(fēng)險越低。

（二）數(shù)據(jù)收集與預(yù)處理

本文用于模型分析的數(shù)據(jù)為2014～2016年度“翼龍貸”網(wǎng)站上的標的信息。翼龍貸比較全面的披露了每一標的借款人的信息，筆者利用網(wǎng)站數(shù)據(jù)爬取軟件獲取了其中62137條數(shù)據(jù)，通過整理，最終得到56544條完整數(shù)據(jù)，收集到的客戶信息包含姓名、借款金額、利率、期限、信用等級、借款類型、性別、年齡、教育程度、工作年限、商業(yè)保險、職稱、社保信息、房產(chǎn)、長期居住地、年收入、婚姻狀況、職業(yè)、貸款記錄、信用卡額度、征信報告、人擔保、車擔保、房擔保、是否有流標等。接著對數(shù)據(jù)進行預(yù)處理，主要包括數(shù)據(jù)清理和數(shù)據(jù)轉(zhuǎn)換兩階段。數(shù)據(jù)清理即刪除采集來的與個人信用風(fēng)險評估無關(guān)的數(shù)據(jù)，以免建模效果受到影響，例如客戶姓名、合同編號、借款日期、標的編號等，如果將無關(guān)數(shù)據(jù)加入到模型中，會影響預(yù)測的準確性；數(shù)據(jù)轉(zhuǎn)換即按照同一格式、同一規(guī)則將部分不規(guī)范的數(shù)據(jù)進行轉(zhuǎn)換。將處理好的數(shù)據(jù)集通過隨機劃分，將其分成互不相交的兩個部分，保持數(shù)據(jù)分布大致一致，分別作為訓(xùn)練集和測試集。一般情況下按照訓(xùn)練集：測試集=3:1的比例劃分，其中3/4的數(shù)據(jù)集用于模型的建立，1/4的數(shù)據(jù)集用于模型的驗證測試，驗證模型的性能。因此，訓(xùn)練樣本集數(shù)量為42408條，測試樣本集數(shù)量為14136條。。

（三）翼龍貸借款人信用風(fēng)險評估影響因子的選取

參考我國商業(yè)銀行個人信用風(fēng)險評估體系的各項指標，同時借鑒國外P2P網(wǎng)絡(luò)借貸平臺信用風(fēng)險的評估要素，結(jié)合翼龍貸平臺公布的借款人基本信息、職業(yè)信息、資產(chǎn)信息、收入及負債狀況、借款信息等信息，按照個人信用風(fēng)險影響因子的選取原則，以實用、易獲取、操作簡便為目的，確定了翼龍貸借款人信用風(fēng)險評估備選影響因子：不同的備選影響因子對其被解釋變量的影響不同，可大可小，因此本文采取信息增益技術(shù)進行篩選，首先計算出備選影響因子對其被解釋變量的貢獻度，然后對比計算結(jié)果，選出對被解釋變量影響大的結(jié)果，作為個人信用風(fēng)險評估影響因子。采用信息增益法的計算過程如下：樣本全集為S，樣本數(shù)s個。自變量為A（影響借款人信用風(fēng)險的因素），A={a1,a2,a3,…,ai}，每一個自變量ai可取k個值。si代表具有ai特征的樣本數(shù)量，sik代表具有ai特征的樣本中取k值的數(shù)量。Cj代表借款人是否發(fā)生違約行為，Cj={C1,C2},C1代表借款人未發(fā)生違約行為（正?？蛻簦珻2代表借款人發(fā)生違約行為（風(fēng)險客戶）。sj代表借款人發(fā)生違約行為或者未發(fā)生違約行為的樣本數(shù)量，sikj代表具有ai特征且取k值的樣本中屬于Cj的樣本數(shù)量。pj=sj/s，指的是樣本中發(fā)生違約行為或者未發(fā)生違約行為的概率pikj=sikj/sj，指的是sik中屬于Cj的概率A變量的信息增益結(jié)果為Gain(A)，按照以上步驟計算，得出所有變量的結(jié)果。各風(fēng)險影響因子計算結(jié)果如下：分析上述結(jié)果可以看到，年齡、性別、職業(yè)、借款期限、借款類不大，可以模型里排除。由此得到的結(jié)論是借款人的年齡、性別、職業(yè)、借款期限以及借款類型對其違約率僅有極小影響，可以不考慮。剩下的變量，即為對個人信用風(fēng)險有較大影響的，它們是教育程度、婚姻狀況、借款人長期居住地、工作年限、征信報告、房產(chǎn)、年收入、是否有流標、借款金額、利率、信用等級、職稱、商業(yè)保險、信用卡額度，以這些變量為基礎(chǔ)進行Logistic回歸分析。

三、基于Logistic回歸模型的信用風(fēng)險評估

（一）將離散變量用WOE值替代原值計算

根據(jù)Logistic回歸分析中對因變量的定義，本研究將其客戶分為正?？蛻艉惋L(fēng)險客戶。按期還款、未發(fā)生過逾期行為的客戶即為正?？蛻簦瑯擞洖?；歷史發(fā)生過逾期還款行為的客戶即為風(fēng)險客戶，標記為1。用WOE（WeightofEvidence）值表示不同風(fēng)險影響因子的取值對違約風(fēng)險的影響。在本研究中得到樣本模型那么，違約概率：PD=exp(z)/[1+exp(z)]注：若PD＞15%，則可判斷客戶違約（參考商業(yè)銀行判斷標準）

四、研究結(jié)論

借款人基本信息中，對信用風(fēng)險產(chǎn)生重大影響的因素主要包括借款人的受教育程度、婚姻狀況、借款人長期居住地、信用等級等。翼龍貸為降低借款人信用風(fēng)險發(fā)生的概率，可以從以下幾個方面入手：

（一）借款人基本信息

在借款人基本信息中，借款人的受教育程度、婚姻狀況、借款人長期居住地、信用等級對其信用風(fēng)險影響較大，選擇高教育、擁有正常健康的婚姻家庭、居住地相對繁華且信用等級高的客戶，能有效降低違約的風(fēng)險；

（二）借款人職業(yè)信息

借款人從事的具體行業(yè)對其信用風(fēng)險并沒有太大的影響，而其工作職稱及工作年限，對其違約的風(fēng)險影響較大，職稱越高、工作年限越長，發(fā)生違約風(fēng)險的概率越低，因此選擇工齡較長、具有高級職稱的客戶，能有效降低違約的風(fēng)險；

（三）借款人資產(chǎn)信息

在借款人有房貸、車貸的情況下，其貸款占比越小，發(fā)生違約的風(fēng)險越低，因此選擇無貸款的客戶可以有效降低違約的風(fēng)險；

（四）借款人收入及負債狀況

借款人本身購買過商業(yè)保險，月收入越高，其發(fā)生違約的風(fēng)險越低；若借款人當前存在違約債務(wù)，并不一定提高其違約風(fēng)險，但若歷史上存在流標狀況，則大大提高了其違約風(fēng)險，因此選擇高收入且無違約記錄的客戶能有效降低違約風(fēng)險；同時若借款人具有信用卡且額度較高，還能提供信用報告，則會大大降低其違約風(fēng)險；

（五）借款人借款產(chǎn)品信息

借款人借款金額越大，其發(fā)生違約的風(fēng)險越低；借款人名義年利率越低，其發(fā)生違約的風(fēng)險越低，因此綜合考慮借款人的借款用途、借款期限、借款金額、名義年利率等影響因子，降低違約風(fēng)險。

參考文獻

[1]SmithJ.P2PlenderProsperisback.andbetterthanever[J].Fortune,July,2009.

[2]陳建中,寧欣.P2P網(wǎng)絡(luò)借貸中個人信息對借貸成功率影響的實證研究———以人人貸為例[J].財務(wù)與金融,2015,(6):13-17.

[3]范英惠.借款合同法律保護及影響[J].經(jīng)濟論壇,2013(11):116-116.

[4]江維國,李立清.新型農(nóng)業(yè)經(jīng)營主體構(gòu)建與財政金融支農(nóng)創(chuàng)新研究[J].南方金融,2014(9):54-57.

[5]葉湘榕.P2P借貸的模式風(fēng)險與監(jiān)管研究[J].金融監(jiān)管研究,2014(3):71-82.

作者:涂俊 劉升學(xué) 單位:南華大學(xué)