互联网P2P借贷信用风险借款人影响因素实证,本文是信用风险类专科开题报告范文与信用风险和实证研究和借贷有关论文写作参考范文.
信用风险论文参考文献：
摘 要：互联网P2P借贷作为互联网信息技术与资金借贷相结合的新兴金融模式,存在一定的信用风险.从借款人特征角度,采用logistic回归分析的方法,基于“人人贷”网站的数据,实证检验借款人因素影响互联网P2P借贷的信用风险；研究结果发现：借款人的区域差异、综合素质水平、借款人的经济实力和流情况对互联网P2P借贷平台信用风险有显著影响；最后,基于上述影响因素对互联网P2P借贷信用风险管理提出相应的对策和建议.
关键词：互联网P2P借贷 信用风险 借款人因素 对策建议
中图分类号：F830 文献标识码：A
文章编号：1004-4914（2018）04-110-03
一、引言
互联网P2P借贷自2006年引入中国以来快速发展,迅速形成一定规模,为缓解中小微企业的融资困难,促进中小微企业发展提供了新的金融服务方式.但互联网P2P借贷问题平台的不断出现成为阻碍互联网P2P借贷行业发展的重要因素,而信用风险是互联网P2P借贷问题平台产生的重要原因.Klafft（2008）认为互联网P2P借贷的信用风险会随着投资人对网络环境下的匿名借贷的不熟悉程度而增加.随着互联网P2P借贷在我国的不断发展,国内学者冯果,蒋莎莎（2014）认为互联网P2P借贷的信用风险可以分为：借款人使用虚假的身份获取贷款、借款人非正常使用贷款资金以至于无法偿还而导致违约和借款人主观拖延或拒绝致使的信用风险三类；而信用风险产生的原因主要表现在评级手段有限、风控指标体系不明确、融资成本高、无行业标准等方面.随着研究的深入,关于互联网P2P借贷信用风险的定量研究也不断增多.基于违约概率测算的logistic回归模型、BP神经网络模型、排序选择模型是研究互联网P2P借贷平台信用风险问题的常用工具.研究表明个人特征、信用变量、历史表现和借款信息等因素以及P2P借贷平台的信用认证机制对互联网P2P借贷信用风险存在一定的影响力.
本文从借款人特征角度,基于“人人贷”网站的数据,通过logistic回归分析的方法,选取适当的指标,实证检验借款人特征对互联网P2P借贷中信用风险产生的影响.
二、实证研究的指标选取及数据处理
（一）实证研究的指标选取
本文的研究对象是借款人特征对互联网P2P借贷信用风险的影响,采用的研究方法是logistic回归法.基本思想是：假设y表示借款人与互联网P2P借贷平台发生的一项借款业务,用y等于1表示借款人违约,用y等于0表示借款人履约,其中,“0”和“1”是被解释变量进行回归分析的取值.本文预期得到借款人违约的可能性,即被解释变量取值“1”的概率.
本文对互联网P2P借贷信用风险评估指标的选取和分类借鉴了我国商业银行个人信用风险评估体系的指标设计,并结合我国互联网P2P借贷的特征信息,遵循数据的易得性、真实性和针对性原则,确定以下因素为借款人信用风险评估的指标：
1.借款人基本属性相关指标.该类指标包括借款人年龄、性别、受教育程度、婚姻状况、所在地等.该类信息能够反映投资人的基本属性特征,且数据可得性较高.
2.借款人职业属性相关指标.该类指标包括借款人公司行业、工作年限等.该类指标能够体现借款人偿债来源稳定性.
3.借款人偿债能力相关指标.该类指标包括借款人的资产（房产和车产）情况、负债（房贷和车贷）情况以及月收入情况.该类指标能够体现借款人的偿债能力.
4.标的属性相关指标.该类指标包括借款标的类型、标的总额、月还本息、借款利率、还款期限等,该类指标都是影响借款人发生信用风险的关键指标.
5.借款人信用价差相关指标.该类指标包括信用等级、违约数额.该类指标可以反映借款人以往社会活动所体现出的信用水平以及资金缺口情况.
（二）数据来源与样本预处理
1.数据来源.本文用于logistic回归分析的数据取自“人人贷”网站上2016年1月-2016年12月的标的信息.2016年,人人贷共完成交易133687笔,全年成交总额约达111.9亿元,同比增长84.7%.本文根据标的状态,将数据划分为流标标的、成功标的、还款中标的、逾期标的和坏账标的进行研究,并剔除了流标标的和还款中标的,最后从20余万条数据中筛选出了26022条有效标的信息.其中,成功标的23439条,逾期标的210条,坏账标的228条.表1是依据信用等级划分统计的样本信息.
收集到的标的信息包括：借款人的姓名、性别、年龄、学历、婚姻状况、公司行业、公司规模、工作时间、工作城市、收入范围、资产（房产和车产）情况、负债（房贷和车贷）情况、信用等级、借款用途、标的类型、标的总额、借款利率、月还本息、还款期限、保障方式、还款方式等.
2.样本数据预处理.为了不影响logistic回归建模效果和预测结果的准确性,本文在实证研究前对采集数据进行预处理.其中,删除了采集数据中与借款人信用风险无关的数据信息,如：借款人的姓名、标的编号和满标用时等.并将部分不规范的数据按照统一格式进行了转换.
（1）样本数据的分类.在选取的指标中,很多指标都是数值众多的离散变量,如年龄、标的总额和工作年限等.可能会出现某些特征变量没有足量的样本对其进行稳定性分析,或是出现过多的特征变量导致模型运算趋于复杂的情况.因此,需进行量化分类处理.分类依据是：充分考虑其经济学含义,分组能够使绝大多数情况得以涵盖且准确反映信息的分布情况；将一些样本容量较小的特征项进行合并,确保模型的稳定性和有效性；参考银行信用风险评估指标的分类情况.
综上所述,本文对选取指标分类情况如表2所示.
（2）样本数据的筛选.在数据预处理和指标分类中,不同指标对被解释变量的影响程度也具有差异性.之所以要对选择和分类的指标进行研究,就是要筛选出影响程度大的指标,并剔除影响程度小的指标.因此,本文将选用信息增益方法,求解出各指标对被解释变量的贡献度,为下文的研究打下基础.
综上,Gain（A）即变量A的信息增益.因此,可按照上述步骤计算出所有变量的信息增益：Gain(年龄)＝0.0001；Gain(性别)＝0.0001；Gain(教育程度)＝0.0008；Gain(婚姻状况)＝0.0042；Gain(所在地)＝0.0006；Gain(公司行业)＝0.0001；Gain(工作年限)＝0.0061；Gain(是否有房)＝0.0072；Gain(是否有车)＝0.0077；Gain(是否有负债) ＝0.0049；Gain(平均月收入)＝0.0091；Gain(标的类型)＝0.0031；Gain(借款期限)＝0.0001；Gain(标的总额)＝0.0070；Gain(月还本息)＝0.0310；Gain(借款利率)＝0.0010；Gain(借款用途)＝0.0001；Gain(信用等级)＝0.0423；Gain(违约数额)＝0.0001.
根据上述计算结果可得,借款人年龄、性别、公司行业、借款期限和借款用途等属性的信息增益太小,即该类指标对被解释变量的影响微弱,可以从模型中剔除.由此可得,借款人年龄、性别、公司行业、借款期限和借款用途对互联网P2P借人信用风险发生的概率影响极小,可以忽略.而借款人的教育程度、婚姻状况、所在地区、工作年限、是否有房、是否有车、是否有负债、平均月收入、标的类型、标的总额、月还本息、借款利率、信用等级对互联网P2P借贷信用风险有较大影响.
（三）互联网P2P借贷信用风险评估指标的woe值替代
由于本研究所涉及的离散变量众多,若均以虚拟变量进行处理,可能会导致研究结果准确性降低.2002年,史密斯提出了woe值的概念,求解出分类变量所对相应的woe值,通过该方法转变分类变量为连续变量,以便后续研究.
根据logistic回归中对被解释变量的定义,本文将其分为履约借款人和违约借款人.履约借款人即为按期还款、未发生过逾期及坏账的借款人,标记为0；违约借款人即为未按期还款、发生过逾期或坏账的借款人,标记为1.本文中：woe等于ln(履约借款人占分类中履约借款人总体的比值／违约借款人占分类中违约借款人总体的比值),即
通过计算,不同变量的woe值如下：
三、实证研究结果与分析
随着信用等级的降低,借款成功率也呈现下降趋势,其中,信用等级为HR的借款人申请的借款标的数最多,成功率最低,违约率最高.从统计结果看,借款人的借款成功率较高及成功借款违约率较低,可能是样本数据量的局限性导致的,但其总体趋势与一般规律相符.根据上文样本数据预处理及评估指标的woe值替代,将每一分类woe值代替原值,利用stata12软件构建logistic回归模型,结果如表4所示.
由logistic回归分析结果,可得样本模型为：
由stata12软件进行logistic回归,其结果显示：（1）借款人婚姻状况对借款人信用风险没有显著影响,说明婚姻状况对借款人经济实力和财富创造的影响越来越小；（2）所在地区和标的总额对借款人信用风险存在部分显著相关,这可能是由地区经济发展水平决定的,说明互联网P2P借贷平台在信用风险评估中需要考虑区域差异因素；（3）教育程度、工作年限、是否有房、是否有车、是否有负债、平均月收入、标的类型、月还本息、借款利率和信用等级等指标与借款人信用风险显著相关,其中教育程度、信用等级反映了借款人的综合素质水平,而工作年限、是否有房、是否有车、是否有负债、平均月收入反映了借款人的经济实力和流情况.综合借款人经济实力以及标的类型、月还本息和借款利率等指标,可以初步评估借款人的还款压力及风险承受能力.说明互联网P2P借贷平台需重视对借款人此类指标的审查和评估,以提高互联网P2P借贷质量和风险控制.
四、基于借款人因素互联网P2P借贷平台信用风险管理对策
为了有效地加强互联网P2P借贷平台借款人信用风险管理,本文从以下几个方面提出对策与建议：
（一）建立互联网P2P借贷平台大数据征信体系
首先,尽快将人民银行征信系统和社会征信系统对互联网P2P借贷行业开放；引导和促进传统金融与互联网金融的合作,形成多层次、全方位的征信格局；其次,促进互联网P2P借贷平台之间的信息共享,搭建民间数据信息交流平台.
（二）构建互联网P2P借贷平台借贷人风险测评体系
以教育程度、工作年限、是否有房、是否有车、是否有负债、平均月收入、标的类型、月还本息、借款利率和信用等级等为指标,构建借贷人风险测评体系.对借款人的综合素质进行打分,按分数划分信用等级,针对评估结果建立客户信用数据库,筛选出信用等级良好的客户,淘汰信用等级较低的客户.
（三）加强对互联网P2P借贷平台借款人资金流的监管
构建金融信息共享平台,将传统金融机构、小贷公司、互联网P2P借贷平台等纳入系统,对借款人资金去向进行追踪,并在信息共享平台进行信息共享,对借款人的资金流进行监控.规避借款人利用传统金融机构贷款利率与互联网P2P借贷平台利率之差进行的投机活动,降低借款人违约风险,对平台的信用风险进行控制.
[本文为江苏省高校哲学社会科学研究项目“P2P网贷支持小微企业发展的机制创新与监管研究”（编号:2015SJB083）的部分研究成果.]
参考文献：
[1] KlafftM.Online Peer-to-Peer Lending: A Lenders´ Perspective[J]. Social Science Electronic Publishing, 2008(2)
[2] 冯果,蒋莎莎.论我国P2P网络贷款平台的异化及其监管[J].法商研究,2013(5)
[3] 艾金娣.互联网P2P借贷平台风险防范[J].中国金融,2012(14)
[4] 于立勇,詹捷辉.基于Logistic回归分析的违约概率预测研究[J].财经研究,2004(9)
[5] 杨昌玉.网络网贷平台信用风险的测度和控制研究[J].金融经济（理论版）,2014(20)
[6] 肖曼君,欧缘媛,李颖.我国P2P网络借贷信用风险影响因素研究——基于排序选择模型的实证分析[J].财经理论与实践,2015(1)
[7] 王会娟,廖理.中国P2P网络网贷平台信用认证机制研究——来自“人人贷”的经验证据[J].中国工业经济,2014(4)
[8] 王梦佳.基于Logistic回归模型的互联网P2P借贷平台借款人信用风险评估[D].北京外国语大学,2015
(作者单位：南京工业大学经济与管理学院 江苏南京 211816)
[作者简介：赵成国,博士,南京工业大学经济与管理学院院长助理兼金融系系主任,教授,硕士生导师,主要研究方向：金融工程与风险管理、互联网金融等；熊侣珊,南京工业大学经济与管理学院硕士生,研究方向：公司金融、金融风险管理等；胡艾,南京工业大学经济与管理学院硕士生,研究方向：金融工程与风险管理、互联网金融等.]（责编：贾伟）
上文总结:此文为一篇关于信用风险和实证研究和借贷方面的相关大学硕士和信用风险本科毕业论文以及相关信用风险论文开题报告范文和职称论文写作参考文献资料.
旅游APP用户E-忠诚的影响因素实证以赴青岛游客为例
【摘要】面对激烈的旅游竞争市场,怎样才能维持旅游APP 用户E 忠诚对运营商来说至关重要 文章以青岛为例,将信任、感知价值、品牌形象、服务质量和满意度五个维度作为旅游APP 用户E 忠诚的影响因素,采.
人才培养的跨边界协同影响因素实证
刘泽双余德银(西安理工大学经济与管理学院,陕西 西安710054)摘 要在已有研究的基础之上,构建了创新人才培养的跨边界协同影响因素的理论框架 以260位高校、企业、科研院所的科研人员与管理者.
从P2P借贷看互联网＋背景下中小企业融资现状与应略
摘要随着网络信贷的兴起,P2P网络信贷成为中小企业融资的一种新型的方式,这种方式的出现在一定程度上缓解了中小企业融资难的问题,对于中小企业的发展还是具有一定的促进作用 但通过网络平台进行相应的借贷活动.
医学微生物学教学与授课影响因素
摘要随着教学改革的深化,我国许多高校已经逐步开展了教学 临床 科研一体化的新型教学模式,有效地提高了教学效果 但在此过程中仍存在着很多值得探讨的问题,本文即主要从授课、实践和考试三个方面,通过系统阐述.