翼龙贷网络借贷平台借款人的信用风险

【摘要】近年来，众多的互联网金融业务模式通过网络的力量被迅速普及和推广，在加剧了金融市场竞争的同时，也提高了资产配置的效率。随着P2P网贷平台的接连上线，虽然解决了部分小微企业融资难的问题，但随之而来的信用风险、市场风险、操作风险和政策风险等多种风险，正面临着日趋严峻考验。本研究以翼龙贷网络借贷平台为对象，研究其借款人的基本信息、借款行为、资产及信用状况等，通过信息增益技术对可能影响信用风险的相关影响因子进行筛选，然后基于Logistic回归建立借款人的信用风险评估模型，以提高平台对借款人偿债能力判别的准确度。

【关键词】P2P网络借贷平台;信用风险;风险评估

一.信用风险产生的原因

在互联网金融行业迅速发展的新时期，P2P网络借贷异军突起，迅速成为互联网金融中一种重要的形式。截止2017年9月，P2P网络借贷平台有5929家，当月成交量为2351亿元，综合收益率约为9.53%左右（数据来自网贷之家），基本保持稳定。翼龙贷的运营，类似于民间小额借贷，所以其本身具有民间借贷中存在的风险因素，包括借款人对还款能力的错误估计，导致无法正常还款等等。由于网络借贷行为发生具有其特殊性，因此其存在的风险存在被放大的可能，具体的风险因素体现在以下几个方面：

（一）运营都是通过互联网完成，每一个环节都存在风险发生的可能

在申请过程中，借款人提供的资料大多由其本人填写完成，存在编造及篡改的技术可能，会增加借款人蓄意欺诈的风险；这种运营模式采用第三方支付方式完成转账，在提高转账效率的同时，也增加了转账资金的风险，为非法转移资金提供了可能。

（二）具有跨地域性的特征，在拓宽借贷范围的同时，也增加了投资者的资金风险

传统民间借贷都是在一定的小范围中进行，通过熟人关系开展，借贷双方有一定的了解，贷款人对借款人的还款能力可以进行初步的判断，同时由于双方关系，出现赖账的几率很小；即使有坏账出现，催收还款也较为便利。但是翼龙贷的跨地域运营，会出现异地借款行为，而异地催收难度较大，目前采用的短信、电话、打官司等催收方式并不能取得理想的效果，导致逾期甚至赖账行为时有发生。

（三）发展迅速，但是相关的监管制度却并未及时出台

目前政府并未出台专门针对互联网金融行业监管的法律法规，随着网络及金融创新日新月异的发展，传统的监管措施显然无法满足对于风险的管控，规范的监管迫在眉睫。

二、翼龙贷风险评价体系的构建

（一）翼龙贷借款人信用风险影响因子分析

借款人在申请借款时，翼龙贷会要求其提供个人基本信息，包括身份信息、基本资产状况、年龄、学历、工作等，而后通过授权第三方认证平台对借款人提供的信息进行认证，根据认证结果初步评定借款人的信用等级，再将借款人信息及评定结果在网站上公示，供投资者参考。1.年龄。一般情况下，不同年龄层的借款人，其发生违约的概率也不一样，年龄较小的借款人收入来源有限，且本身并不具备良好的消费习惯，缺乏储蓄，其违约风险较高；30岁至45岁的借款人收入相对稳定，经济状况良好，具备一定的经济基础，其违约风险较低；年龄稍大的借款人收入水平较低，面临更多的突发消费，导致违约风险较高；2.婚姻状况。不同的婚姻状况，其违约风险不同，已婚的借款人家庭和收入相对稳定，还款能力较强；而未婚或离异的借款人，信用状况可能偏低；3.教育程度。随着教育程度的不断提高，发生道德违约的几率也随之降低，因此，本文可以大胆假设教育程度与违约风险呈反比，教育程度越高违约风险越低；4.职业信息。职业信息包含所从事的行业及公司、职级以及工作年限等，国企、事业单位相对而言收入稳定，违约风险较低，而个体、小型私营单位竞争激烈，收入来源不稳定，故而违约风险较高；职级、工作年限与违约风险呈反比，职级越高，工作年限越长，其违约的风险越低；5.房产信息。一般情况下，房产代表着个人的经济基础，有无住房及住房是否有贷款，都会对违约风险造成影响；6.借款人信用信息。本文根据翼龙贷所披露的信用等级来确定借款人的信用信息，翼龙贷通过与第三方认证机构合作，对借款人的进行信用评估，从而确定其信用等级，信用等级越高者，违约风险越低。

（二）数据收集与预处理

本文用于模型分析的数据为2014～2016年度“翼龙贷”网站上的标的信息。翼龙贷比较全面的披露了每一标的借款人的信息，笔者利用网站数据爬取软件获取了其中62137条数据，通过整理，最终得到56544条完整数据，收集到的客户信息包含姓名、借款金额、利率、期限、信用等级、借款类型、性别、年龄、教育程度、工作年限、商业保险、职称、社保信息、房产、长期居住地、年收入、婚姻状况、职业、贷款记录、信用卡额度、征信报告、人担保、车担保、房担保、是否有流标等。接着对数据进行预处理，主要包括数据清理和数据转换两阶段。数据清理即删除采集来的与个人信用风险评估无关的数据，以免建模效果受到影响，例如客户姓名、合同编号、借款日期、标的编号等，如果将无关数据加入到模型中，会影响预测的准确性；数据转换即按照同一格式、同一规则将部分不规范的数据进行转换。将处理好的数据集通过随机划分，将其分成互不相交的两个部分，保持数据分布大致一致，分别作为训练集和测试集。一般情况下按照训练集：测试集=3:1的比例划分，其中3/4的数据集用于模型的建立，1/4的数据集用于模型的验证测试，验证模型的性能。因此，训练样本集数量为42408条，测试样本集数量为14136条。。

（三）翼龙贷借款人信用风险评估影响因子的选取

参考我国商业银行个人信用风险评估体系的各项指标，同时借鉴国外P2P网络借贷平台信用风险的评估要素，结合翼龙贷平台公布的借款人基本信息、职业信息、资产信息、收入及负债状况、借款信息等信息，按照个人信用风险影响因子的选取原则，以实用、易获取、操作简便为目的，确定了翼龙贷借款人信用风险评估备选影响因子：不同的备选影响因子对其被解释变量的影响不同，可大可小，因此本文采取信息增益技术进行筛选，首先计算出备选影响因子对其被解释变量的贡献度，然后对比计算结果，选出对被解释变量影响大的结果，作为个人信用风险评估影响因子。采用信息增益法的计算过程如下：样本全集为S，样本数s个。自变量为A（影响借款人信用风险的因素），A={a1,a2,a3,…,ai}，每一个自变量ai可取k个值。si代表具有ai特征的样本数量，sik代表具有ai特征的样本中取k值的数量。Cj代表借款人是否发生违约行为，Cj={C1,C2},C1代表借款人未发生违约行为（正常客户），C2代表借款人发生违约行为（风险客户）。sj代表借款人发生违约行为或者未发生违约行为的样本数量，sikj代表具有ai特征且取k值的样本中属于Cj的样本数量。pj=sj/s，指的是样本中发生违约行为或者未发生违约行为的概率pikj=sikj/sj，指的是sik中属于Cj的概率A变量的信息增益结果为Gain(A)，按照以上步骤计算，得出所有变量的结果。各风险影响因子计算结果如下：分析上述结果可以看到，年龄、性别、职业、借款期限、借款类不大，可以模型里排除。由此得到的结论是借款人的年龄、性别、职业、借款期限以及借款类型对其违约率仅有极小影响，可以不考虑。剩下的变量，即为对个人信用风险有较大影响的，它们是教育程度、婚姻状况、借款人长期居住地、工作年限、征信报告、房产、年收入、是否有流标、借款金额、利率、信用等级、职称、商业保险、信用卡额度，以这些变量为基础进行Logistic回归分析。

三、基于Logistic回归模型的信用风险评估

（一）将离散变量用WOE值替代原值计算

根据Logistic回归分析中对因变量的定义，本研究将其客户分为正常客户和风险客户。按期还款、未发生过逾期行为的客户即为正常客户，标记为0；历史发生过逾期还款行为的客户即为风险客户，标记为1。用WOE（WeightofEvidence）值表示不同风险影响因子的取值对违约风险的影响。在本研究中得到样本模型那么，违约概率：PD=exp(z)/[1+exp(z)]注：若PD＞15%，则可判断客户违约（参考商业银行判断标准）

四、研究结论

借款人基本信息中，对信用风险产生重大影响的因素主要包括借款人的受教育程度、婚姻状况、借款人长期居住地、信用等级等。翼龙贷为降低借款人信用风险发生的概率，可以从以下几个方面入手：

（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、婚姻状况、借款人长期居住地、信用等级对其信用风险影响较大，选择高教育、拥有正常健康的婚姻家庭、居住地相对繁华且信用等级高的客户，能有效降低违约的风险；

（二）借款人职业信息

借款人从事的具体行业对其信用风险并没有太大的影响，而其工作职称及工作年限，对其违约的风险影响较大，职称越高、工作年限越长，发生违约风险的概率越低，因此选择工龄较长、具有高级职称的客户，能有效降低违约的风险；

（三）借款人资产信息

在借款人有房贷、车贷的情况下，其贷款占比越小，发生违约的风险越低，因此选择无贷款的客户可以有效降低违约的风险；

（四）借款人收入及负债状况

借款人本身购买过商业保险，月收入越高，其发生违约的风险越低；若借款人当前存在违约债务，并不一定提高其违约风险，但若历史上存在流标状况，则大大提高了其违约风险，因此选择高收入且无违约记录的客户能有效降低违约风险；同时若借款人具有信用卡且额度较高，还能提供信用报告，则会大大降低其违约风险；

（五）借款人借款产品信息

借款人借款金额越大，其发生违约的风险越低；借款人名义年利率越低，其发生违约的风险越低，因此综合考虑借款人的借款用途、借款期限、借款金额、名义年利率等影响因子，降低违约风险。

参考文献

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

[2]陈建中,宁欣.P2P网络借贷中个人信息对借贷成功率影响的实证研究———以人人贷为例[J].财务与金融,2015,(6):13-17.

[3]范英惠.借款合同法律保护及影响[J].经济论坛,2013(11):116-116.

[4]江维国,李立清.新型农业经营主体构建与财政金融支农创新研究[J].南方金融,2014(9):54-57.

[5]叶湘榕.P2P借贷的模式风险与监管研究[J].金融监管研究,2014(3):71-82.

作者:涂俊 刘升学 单位:南华大学