P2P网络借贷违约行为因素研究：农村金融角度

P2P网络借贷违约行为影响因素实证研究

——以“红岭创投”为例

文/王重润  孔兵

摘要：P2P网络借贷存在违约风险，对违约风险的控制是P2P平台以及投资者所关心的问题。论文以“红岭创投”的交易数据为研究对象，选取借款者违约行为的9个特征因素建立Logit模型进行实证分析。结果显示，借款利率、借款期限、借款用途、提前还款次数和逾期还款次数对借款者的违约行为（违约率）有显著的正向影响，借款金额、信用积分、户口所在地和正常还款次数对借款者的违约行为（违约率）有显著负向影响，其中借款利率对借款者的违约行为影响程度最高。

P2P网络借贷作为互联网金融模式之一，是对我国金融市场的补充和完善，也为小微企业及个人的投融资开创了新路径。在我国金融市场中，民间资本多投资难、中小企业多融资难的“两多两难”问题尤为突出。P2P网络借贷可以看作是民间借贷的阳光化，将借款者和投资者直接进行匹配。交易过程中既实现了借款者以较低的成本获得资金，又实现了投资者以高于银行存款的收益进行投资理财。这一金融安排，不仅盘活了民间闲置资金而且弥补了传统金融的匹配失灵问题。

P2P网络借贷极大拓展了金融交易边界，良好促进了“金融脱媒”进程，有效实现了金融民主化、普惠化。但这一新兴的金融模式也带来了很多亟待解决的问题。其中P2P行业的违约率偏高的问题尤为突出。目前一些平台公布的坏账率指标大都为2%至3%，但行业人士分析实际坏账率约为5%至8%。P2P平台的不良贷款率偏高阻碍着平台的健康发展，部分平台信贷技术欠缺，无法控制和应对突发的违约事件，导致平台倒闭。2015年1月22日，北京P2P平台“里外贷”因借款者未能及时还贷而无法运营，待收金额达9.34亿元，成为全国不良贷款金额最高的问题平台。P2P行业的违约风险不仅让投资者的利益遭受损失，也严重影响了整个行业的稳定发展。

P2P网络借贷的违约率偏高是因为其经营模式为无抵押的信用借款，贷款者通常为中小微企业主和被排斥在正规银行体系之外的群体，这类借款者一般缺乏良好的征信报告等相关信息；投资者多为非专家类的普通人，在借贷过程中存在严重的信息不对称。在这种完全依靠信用的借贷模式中，投资人只能依靠借款信息来判断借款者的信用水平，从而规避因信息不对称引起的逆向选择和道德风险。P2P网络借贷是一个对征信体系、诚信环境和数据支持依赖度较高的业务。目前我国P2P行业发展不充分，征信体系尚不完善，加上诚信环境不佳，在缺乏成熟的违约风险管控技术背景下，有必要通过对借款者的行为特征进行分析来判断违约概率。因此，从定量的角度及借款者的借款信息出发，分析其中的违约影响因素，对研究借款者的行为特征有重要作用。

文献综述

网络借贷最早发源于英国在2005年成立的Zopa，之后在美国得到发展，并在2011年之后传入我国。自网络借贷出现以来，由于具有不同于传统银行借贷行为的特点，网络借贷行为就成为理论研究的热点问题。国外学者主要基于Prosper和Lending Club平台的数据展开，运用实证方法研究了信息不对称环境下网络借贷市场以及违约行为特征。例如，Freedman等（2011）针对Prosper的研究发现，借贷双方之间的信息不对称会导致P2P行业的逆向选择和信用风险。Chapman（2014）认为借贷过程中的信息不对称使得P2P平台不能保证借贷双方信息的真实性。交易中投资者获得高收益的同时也面临着失去本金的投资风险。Berger（1995）在研究借贷双方的信息不对称问题时指出，借款者和投资者之间的人际关系对借款成功与否有重要影响。Herzenstein（2011）在研究Prosper中借款者的行为特征时发现，借款者对自身信息的描述是有选择性的，如果借款者的信用等级低，其会有策略的进行借款信息描述，并指出投资者应当倾向于着重描述道德和信用特征而不仅仅是财务困难的投资者。对于违约行为特征的研究，Kumar（2007）认为信用级别越高和借款者对资金账户认证信息的描述与借款者的违约率呈现负向影响，借款金额与借款者的违约率呈正向影响。在对P2P网络借贷中借款信息的“软信息”方面进行分析中，Duarte（2012）认为“软信息”如照片长相等看上去越易被信任的借款者借款成功率越高，并且借款利率越低，其指出长相易被信任的借款者的违约概率确实比较低。

国内P2P网络借贷正经历爆发式发展阶段，学者在相关理论研究的同时也开始了对借贷过程中的行为特征和行为影响因素的定量研究。谢平等（2012）研究了互联网金融的支付方式、资源配置和信息处理，认为互联网金融可以提高资源配置的效率和降低交易的成本，从而产生巨大的社会效益。信用风险是P2P网络借贷面临的最严重问题，吴晓光（2012）研究认为网络借贷存在虚拟性，容易滋生欺诈现象。对于P2P网络借贷的行为特征，廖理等（2014）对人人贷平台数据的实证结果表明，非完全市场化利率环境下的投资者可发现没有被利率包含的信用风险。对信用风险的识别能力可以从项目订单的投标人数上直接反映，还可从成功借款的项目订单的满标时间上间接反映。李焰等（2014）对拍拍贷平台研究证明，描述性信息中包含有效信息会影响投资决策，借款者提供更多描述性信息可提高借款成功率，并且借款者信用等级越低就越会提供较多的描述性信息。王会娟等（2015）以人人贷的交易观测作为研究样本，研究了借款描述对P2P网络借贷行为的影响。他们的研究证实了李焰（2014）以及Herzenstein（2011）的发现，即借款人信用等级高低与借款描述内容的多少之间存在负相关。特别是借款描述中展示的不同人格对借贷行为有显著影响，“勤奋”人格对借款成功率和投标人数的影响最大，而“成功”人格对投标完成时间和借款违约率的影响最大。

综合来看，国内外学者从多个角度研究了在信息不对称环境下网络借贷行为特征，包括人际关系、借款信息的描述、满标时间和投标人数等软信息对借款人违约率的影响。但是借款人的其他特征比如性别、年龄、居住地经济差异、教育程度，借款特征如借款金额、利率、期限、用途以及历史借款信息等对借款行为的影响没有得到足够多的研究。本文即以历史数据为基础，从标的信息、历史借款记录、借款人信息等角度多维度针对影响借款者违约行为展开进一步研究。

实证设计

（一）数据来源及样本选取

“红岭创投”成立于2009年3月，为红岭创投电子商务股份有限公司旗下的互联网金融服务平台，具有成熟的运营模式，现已发展为国内规模较大的P2P网络借贷平台。据零壹数据显示，截至2015年9月底，“红岭创投”累计成功投资金额855.45亿元，成功完成借款204万笔，居全国首位。“红岭创投”有较完善的信息披露机制，有黑名单公示机制，所有历史违约的借款者信息全部公布在黑名单中，并且“红岭创投”会在每天1时至7时公布所有成功借款的信息。基于以上原因，我们选择“红岭创投”作为数据来源研究对象。

通过长期测试发现，在一天中17时至23时是借贷双方频繁操作的时间段，故为了保证所收集数据的有效性，我们在2015年6月20日至2015年8月28日每天定时不定量的随机选取样本。最终随机选取了“红岭创投”的950条借款标的信息，剔除了这些信息中的重复借款者和数据资料不全的借款标的，最终确定了769条借款标的数据作为研究样本。

（二）理论假设与变量选取

理论上，影响借款人违约行为的因素主要包括借款项目本身的基本因素，如借款项目的金额、利率、期限和用途等。还包括与借款者收入水平和个人信用有关的因素，如借款人所在地区经济发展程度、信用状况和历史借款情况等。理论预测结果是：借款金额越大、借款利率越高、期限越长，意味着借款人的债务负担越重，违约率越高。在借款用途上，用于个人消费的借款违约率要小于生产经营借款违约率，因为生产经营存在失败的风险，用于还债的现金流不稳定，而消费贷款的还款来源通常是个人收入，相对稳定和可预期。就个人信用而言，显然信用报告等级越高意味着借款人违约率越小，而历史借款情况如逾期还款次数则可以揭示借款人的信用状况。在地区差异对违约率的影响方面，我们认为经济发达地区投资机会更多，收入更高也更稳定，所以我们预期经济发达地区的违约率要小于经济不发达地区。

基于理论假设，我们选取了反映借款项目本身的变量如借款项目的金额、利率、期限和用途等，还选取了反映借款者收入和个人信用有关的变量如信用状况、地区和历史借款情况等。另外，为了观察个体特征对违约行为是否产生影响，我们还选取了借款人性别和年龄因素。根据“红岭创投”的运营模式和交易特征，我们将这些影响违约行为的因素划分为标的信息、信用信息、个人信息和历史借款信息四个维度进行实证研究。各影响因素的详细说明见表1。

（三）模型选择

我们将借款人是否违约作为被解释变量，借款人只有两种选择——违约或者不违约，所以被解释变量只取两个值（1,0），故选用二元选择模型（binary choice model）进行分析。根据随机扰动项概率分布函数的类型，二元选择模型主要分为Probit模型、Logit模型两类。其中Logit模型对应于逻辑分布函数，应用更加广泛，简单直接。所以我们假设随机扰动项概率分布服从逻辑分布，尝试建立Logit模型。利用Eviews6.0软件进行参数估计。根据模型定义，构建Logit模型如下：

其中β₀、β₁、…β₁₁为回归系数，ε为随机扰动项。借款违约的概率为：。

实证分析

（一）模型检验

1.模型显著性检验

对模型整体显著性问题，LR统计量类似于线性回归模型中的F统计量，用来测试模型整体的显著性水平。模型估计输出结果显示，LR统计量为280.79，其概率为0.000，说明此模型整体显著。

2.变量显著性检验

本模型共有11个解释变量，应对所有解释变量进行筛选，剔除对模型不显著的变量，在此选用逐步回归筛选法。逐步回归筛选法分为前进筛选法和后退筛选法。前进筛选法是将变量逐个引入模型进行筛选，后退筛选法是先将所有解释变量全部放入模型中，再逐个剔除不显著的变量。由于此模型是因素分析，适用后退筛选法。检验结果显示年龄（Age）和性别（Sex）这两个变量Z统计量对应的P值都大于0.05（见表2），表明这两个变量在5%的显著性水平上对模型不显著，故应剔除。

剩余9个解释变量，分别是借款金额、借款利率、借款期限、借款用途、信用积分、户口所在地、正常还款次数、提前还款次数以及逾期还款次数。

（二）实证结果分析

通过极大似然法（ML）估计该模型，结果如表3所示，所有解释变量在5%的显著性水平上均对模型有显著影响。Logit模型中估计的系数大小不能被解释为对因变量的边际影响，故系数的大小没有经济含义，但其系数的符号表明了解释变量对因变量的正负向影响。估计的系数如果为正，表明解释变量越大，则因变量取1的概率越大。即影响因素的估计系数若为正，则表明该因素对借款者违约行为有正向影响，反之亦然。

(www.chuimin.cn)

1.在标的信息方面

借款金额的系数为-3.161，表明借款金额对借款者的违约行为产生了负向的影响，即借款金额越大违约率越低。这与理论预测相反，这是因为网络借贷的程序与传统银行借贷不同，在网络借贷中，借款者的借款金额越大，平台要求借款者的信用状况越高，而且一般金额大的借款是用作企业经营投资，平台会对借款者进行线下尽职调查，所以其违约率较低。P2P网络借贷是服务于小额借贷，信用借款的额度较低，但是这部分信用借款没有任何抵押而只依靠信用担保，是违约风险的高发区。

借款利率的系数为32.133，表明借款利率对借款者的违约行为产生了正向的影响，这与理论预测相符。借款利率越高，借款者的借款成本越大，还款负担越重，当借款者的财务状况出现意外事故时，借款者就很容易出现违约行为。目前P2P平台只能依靠个人上传的一些资料判断借款者的信用状况，容易产生一些借款者持恶意虚报材料，以高利率为诱饵发布借款标的的主动违约行为。

借款期限的系数为0.81，表明借款期限对借款者的违约行为有正向的影响，符合理论预期。这是因为借款期限较长，借款者的财务状况受不确定因素的影响越大，产生违约行为的可能性越大。

借款用途的系数为0.974，借款用途是按个人消费、经营投资和短期周转依次递增赋值，说明借款用途为短期周转的借款违约概率较大，符合理论预期。这是因为短期周转的借款多是用于以贷还贷的债务周转，在周转过程中任何一个环节的资金出现问题都很容易造成资金链断裂，从而发生违约行为。

2.在信用积分信息方面

信用积分的系数为-2.02，表明信用积分对借款者的违约行为有负向影响，即信用状况越好违约率越低，符合理论预期。说明P2P平台的信用积分制度对借款者的信用评级是有效的，借款者在投资和借款过程中的信用积累表明借款者的信用状况良好，产生违约行为的概率也越小。

3.在个人信息方面

户口所在地的系数为-2.061，在模型中借款者的地区是按照中国经济地带划分为东中西部，东部地区赋值最小，西部地区的赋值最大，说明东部地区的借款者的违约概率较大。这不符合理论预期。原因是P2P网络借贷在中国发展还不均匀，东部地区P2P网络借贷比较活跃，又疏于监管，相应的违约行为较其他地区多。这也和我国P2P行业在广东、浙江、山东和江苏等地区频频出现违约现象相符。

4.在历史借款信息方面

正常还款次数的系数为-0.008，说明正常还款次数对借款者的违约行为有负向影响，与理论预期相符。因为借款正常还款次数越多，表明借款者信用越好，其违约行为发生的可能性越小。逾期还款次数的系数为1.243，表明逾期还款次数对借款者的违约行为有正向影响。这是因为借款者的历史借款的逾期次数越多，说明该借款者的信用状况越差，越容易产生违约行为，符合理论预期。提前还款次数的系数为0.019，说明提前还款次数对借款者的违约行为产生了正向影响，这出乎意料。合理的解释是，有违约倾向的借款人会通过提前还款的方式来伪装成为不违约借款人。因为这可以给投资者制造资金状况良好的假象，从而为以后的大金额借款违约制造机会。另外，也可能是这些借款者的借款没有运用于实际生产经营，提前偿还部分借款可以降低其违约成本。

（三）模型预测效果

用预留的270个样本对模型预测的准确性进行检验，结果如表4。从本模型预测的准确性来看，模型对借款者正常还款预测的准确率为88.27%，对借款者违约行为预测的准确率为82.43%，模型整体的预测准确率为86.67%，表明该模型对借款者的违约行为预测效果较好，上述实证结果有较好的稳健性。

结论及建议

（一）结论

本文以“红岭创投”的数据为研究对象，建立Logit模型分析了借款者违约行为的影响因素，并对模型的稳健性进行检验。实证结果显示，借款利率、借款期限、借款用途、提前还款次数和逾期还款次数对借款者的违约行为有正向影响，借款金额、信用积分、户口所在地和正常还款次数对借款者的违约行为有负向影响，其中借款利率对违约行为影响最大。

（二）建议

P2P网络借贷中，借款者的违约行为会提高P2P平台的坏账率指标，影响平台的经营效益及平台声誉，同时会使投资者遭受损失。P2P网络借贷中产生违约行为的根本原因就是信息不对称，这也是我国P2P网络借贷行业进一步发展的最大障碍。为了减少P2P网络借贷中的违约行为，针对我国P2P平台有如下建议：

一是平台对借款标的制定合理的利率范围。从实证结果来看，借款利率是P2P借贷违约行为最大的影响因素。有良好信用的借款者一般不会选择利率过高的借款，并且过高的借款利率会增加资金的使用成本，导致违约风险增大。P2P平台要结合借款基准利率、风险溢价、投资期望收益、资金机会成本等对不同类别的借款标的设定一个参考利率范围，使借贷双方在这个范围内确定最终借贷利率，从而避免因利率过高导致P2P违约，同时还要防止利率过低不能吸引投资者而阻碍P2P行业的发展。

二是实现P2P行业数据联通，逐步与国家征信系统对接。目前我国P2P平台并未或仅在小范围内实现行业数据互联，这远远不够。应该尽快成立全国性P2P行业协会，建立全国范围内的P2P借贷数据库。因为从实证结果看，影响P2P借贷违约的各因素体现了借款者的行为特征，全国范围内数据库的缺失不利于各平台对借款者的信用评估。而通过P2P行业数据的互联或国家征信系统的接入来增大借款者的违约成本，在行业内实现“人人有信用，信用有价值”，能有效减少P2P借贷行业的违约行为。

三是平台要完善信息披露，建立信息披露层级制。2015年7月18日央行等部门联合发布的《关于促进互联网金融健康发展的指导意见》中明确了我国网络借贷为信息中介的性质，作为“金融超市”的P2P平台要更加完善信息披露制度，从向监管机构披露、向行业协会披露、向投资人披露、对媒体披露等不同层面建立信息披露层级制度。尤其要重视针对投资者披露借款标的的完整信息，包括借款者信息、借款利率、借款用途等在内的详细信息，加大风险信息提示，从而使投资者通过信息披露决定项目的可投资性，同时也要注意保护借款者的隐私。

四是平台要重视大数据研究，利用大数据挖掘完善风险控制。P2P平台对历史借款数据的整合研究能降低风控成本及违约风险。P2P平台要建立完善的大数据分析系统，通过对借款行为、投资人行为等特征的研究对所有信息进行分类，借助非线性逻辑回归、决策树分析等方法建立基于大数据的风控模型或打分卡系统，并将大数据挖掘与风控审批制度和业务流程制定结合，能很大程度上降低由人工信用审核带来的高成本和避免人工审核标准不一致的问题，增加P2P平台信息提供的价值。

主要参考文献：

1.廖理，李梦然，王正位.聪明的投资者：非完全市场化利率与风险识别——来自P2P借贷的证据[J].经济研究.2014(07)：125-137.

2.李焰，高戈君，李珍妮，才子豪，王冰婷，杨宇轩.借款人描述性信息对投资人决策的影响——基于P2P网络借贷平台的分析[J].经济研究. 2014 (S1)：143-155.

3.王会娟，何琳.借款描述对P2P网络借贷行为影响的实证研究[J].金融经济学研究.2015（01）：77-85.

4.吴晓光.论P2P网络借贷平台的客户权益保护[J]．金融理论与实践, 2012（02）：54-57.

5.谢平,邹传伟．互联网金融模式研究[J]．金融研究,2012（12）：11-22.

6.Berger, A.N. , and G.F. Udell. Relationship Lendingand Lines of Credit in Small Firm Finances[J].Journal of Business. 1995(03): 351-381.

7.Chapmanand Cutler LLP. The Regulation of Peer-to-Peer Leading：ASummary of thePrincipal Issues，April 2014.

8.Duarte, J. , S. Siegel, and L. Young. Trust andCredit: the Role of Appearance in Peer-to-peer Lending [J]. Review of FinancialStudies.2012(25):2455-2484.

注：本文系河北省高等学校人文社会科学研究项目“河北省中小企业金融服务体系研究”（项目编号SD123003）阶段性成果。

作者单位：河北经贸大学金融学院