网贷参与者分期付款行为的影响因素分析

网贷参与者分期付款行为的影响因素分析

p2p网络信用平台，即“点”信用平台，是个人通过网络平台将自己的闲置资金（或投资目的）借给资金短缺的新贷款形式。在这个过程中，通过网络对债权人的数据进行了审查和融资操作。p2p网络信用平台也被称为个人贷款的“在线体验”。P2P网络贷款以其方便、快捷、门槛低、收益高的特点在国内迅速发展。P2P网络借贷在提供了新的融资渠道和融资便利的同时,由于自律性较差以及国内个人信用体系建设尚不健全,没有专门针对P2P网络借贷相关规范等原因也带来了诸多问题(钱金叶等,2012),其中以网贷参与者的逾期行为最为突出,逾期还款不仅会对网贷平台造成运营风险,而且也会对整个网贷行业带来不良的影响。因此,我们将实证分析网贷用户逾期行为,研究网贷参与者逾期行为产生的主要影响因素,为对投资者与政府等部门制定相关政策规范网贷平台市场提供参考。本文分五个部分,第一部分是文献综述;第二部分对网贷参与者逾期行为进行分类探讨;第三部分是研究方法与数据说明;第四部分对影响逾期行为的各个因素进行实证分析;第五部分是结论和政策建议。一、借款额度、利息国外P2P网贷平台发展较早,因此对网贷的研究比较丰富。Rstadsand(2004)分析了挪威的网络借贷与金融及非金融机构借贷的矛盾,并指出网络借贷与网络金融交易对于金融市场的重要作用。Puro等(2010)通过实证分析验证了借款额度会对借款成功率和借款利率产生显著影响,为了降低借款利率并提高借款成功率,借款人必须降低借款额度。Lin等(2013)通过样本分析,认为社交网络能够增加融资成功的概率,并使融资成本即借款利率降低,同时也能降低事后违约率。国内学者李广明等(2011)应用描述性分析方法,对P2P网贷平台中具有拖欠贷款行为借款者的基本特征进行分析,发现对于小额网络融资来说,贷款者具有贷款数目少、贷款期限短、贷款利息要求低等要求。贷款者的学历、贷款项目、所在城市、本身所从事的职业等信息同贷款行为密切相关。吴小英等(2012)通过对Prosper网站2007年以来的数据进行实证分析,发现借款金额、利率等对借款成功率具有一定的影响。陈冬宇等(2012)通过对“拍拍贷”的用户数据进行实证分析,构建了一个决策辅助工具,并得出了借款人信用等级、利率水平、借款期限、借款金额等对满标的概率具有显著性的影响。国内外学者对参与网贷投融资者的特点都做了具体而细致的研究,但是多数集中在成功借款人的影响因素以及逾期借款人的描述性分析上,关于逾期还款因素实证分析方面的研究较少,因此,我们将逾期还款因素分为四个维度特征进行实证分析。二、防范借款风险,考虑预测条件在进行实证分析之前,我们首先需要对网贷参与者的逾期行为进行分析。从网贷用户的逾期成本而言,逾期行为的发生会对其信用产生一定的负面影响,用户下次发布借款标的的网贷平台会限制借款额度和提高借款门槛,基于此网贷参与者会权衡利弊,综合考虑逾期的机会成本。我们认为造成网贷用户逾期行为发生的原因分别是主动逾期与被迫逾期,下面我们分别对其进行分析。(一)自动停止1.市场信用危机在网络借贷的流程中,借款人的各项资料审核以及融资行为等都是通过网络实现的,借款人对自己的实际情况可以选择公开或者隐瞒,因此可能会由于信息的不完全和非对称性、道德风险及人的有限理性而引起借款人主动逾期行为的发生,信用的缺失和监管力度不足导致逾期成本较小以及逾期损失较大,这种情况一旦出现将会导致“逆向选择”即网贷市场遭遇信用危机,优质借款人被劣质借款人“挤出”网贷市场,最后结果是无人愿意参与网络借贷。我们认为,借款人逾期策略的决定因素在于逾期成本,出借人对借款人采取何种策略的判断主要依据网贷平台提供的信息,倘若网贷平台信息真实性强且市场上有一个强有力的信用监督和惩罚系统,则借款人会受到逾期成本提高的影响而不会轻易采取逾期策略。2.平台对劳动市场的规范与监管不足在这里我们引入网贷平台的因素考虑当借款人采取逾期策略时,出借者和网贷平台的行为。借款人和出借人达成的协议将会受到外部性影响,那就是网贷平台的因素,网贷平台的存在虽然提高了双方的交易成本,但是它也提高了社会小额闲散资金的使用效率。一方面,出借者会认为网贷平台对借款人逾期行为的发生负有一定的责任,因此寄希望于平台这台“便车”,而实际上由于目前中国还未出台相应的规章制度,许多平台对于逾期还款情况严重的借款人只是通过电话催还或者公开借款人信息的方式来对其施加压力,无法对借款人采取进一步的措施;另一方面,由于出借人的出借金额小,当出借人采取集体行动进行追偿时固有的“搭便车”问题将会暴露出来,出借人的金额大小不一,一位“理性人”采取追偿行为的前提必然只有追偿所得要高于追偿成本,大多数网贷平台的出借者可以在每笔金额不小于50元的前提下进行投标,一笔借款可以有很多个出借者共同投标完成,在没有任何激励措施的前提下,对逾期借款人采取的追偿行为往往使出借人的追偿成本要高于追偿所得,因此很多出借人没有追偿积极性,但是希望分享他人的追偿行为给自己带来的好处。根据上述分析,借款人在充分了解网贷平台的资料和信息之后也会对逾期行为“有恃无恐”。(二)多平台洗钱的风险根据支付能力理论,借款人被迫逾期行为的发生与个人财务状况有关,支付能力的变化往往发生在借款发生之后,借款人或者借款人家庭财务状况发生重大事故进而影响借款人还款,包括由于特殊事务而导致的重大开支、失业、婚姻破裂等。个人职业和收入水平是借款人被迫逾期的重要影响因素,若借款人职业稳定且收入水平较高,则其抗风险能力较强,面对突发状况时也有充足的流动性来应对。被迫逾期还与宏观因素有关,如股市风险、经济低迷导致的失业或者网贷平台的系统性风险等,也会影响借款人的逾期行为。这里需要注意的是由于借款人“以贷还贷”而产生的被迫逾期行为,作为金融中介的网络借贷平台能有效提高借款人的信用状况,减少借款人与出借人之间信息不对称的问题(Popeetal.,2011),但是由于目前没有统一的信息系统,容易出现多平台套利的现象。如表1所示,多平台套利者首先以借款者身份从甲网贷平台发布虚假的借款信息,假设借款金额为A,还款时间为T,利息为R,且不存在交易费用,在从甲平台获得这笔资金后投资于乙平台中利息为R+r(r>0),时间为T-t(t>0)的借款标的,以达到在约定的时间T内将本息返还给甲平台,并获得收益Ar的目的。多平台套利者的行为割裂了实际借款人和投资者之间的联系,同时影响了资金的使用效率。若网贷平台中出现大量的套利者,则一旦出现网贷平台的系统性风险或流动性紧缩,很可能会造成大范围的被迫逾期行为的发生,加剧网贷平台运营中的风险管理难度。三、方法和数据解释(一)统计量:808信贷”网贷之家公布的数据显示“808信贷”2012年成交额超过6.4亿元,排名第六位,在中国众多网贷平台中较为活跃。更重要的一点是“808信贷”对逾期还款用户的数据公布相比国内其他网贷平台而言更加详细,不仅是逾期用户的个人信息,对逾期用户所发布的逾期标的信息也予以公开。为确保实证分析的有效性,我们提取“808信贷”平台公布的用户信息,在成功还款用户的选择中剔除了大量重复出现的用户,再进一步剔除成功还款及逾期还款中资料缺失的用户,最终确定135名不同的用户,其中72名用户为逾期还款用户,63名为成功还款用户。(二)ault的计算我们的被解释变量为是否逾期还款(Default),逾期则为1,没有则为0。网贷借款者逾期因素受到很多方面的影响,我们可以将其分为四种成因维度进行分析:1.信用积分及展望用户在平台内的信用积分(Credit):信用积分越多则信用等级越高,信用状况越好,越容易获得网贷投资者的青睐,信用等级低则用户的逾期行为往往不受其他因素的影响,“808信贷”平台中借款人的信用等级是按照用户的信用积分来划分的,因此我们选择信用积分来表示用户在平台中的信用状况。逾期还款笔数(Yqhk):代表以往的网络借款中的逾期笔数,若用户的逾期还款笔数越多,则逾期风险越高。有无银行逾期(Yhyq):用户可能会由于经历银行逾期而给自身所带来损失,因而更加重视自己的信用状况,我们引入虚拟变量进行分析,若用户有银行逾期则为1,反之为0。2.从用户生活水平指标衡量包括个人生活状况、居住地址、教育水平、收入、性别。其中,平台所公布的个人生活状况(Living):婚姻状况可以反映收入的来源是单薪还是双薪;有无房车可以衡量借款人的资产状况及资信程度;是否拥有社保则可以反映借款人的职业差别;有无子女可以反映该家庭的经济能力,具体量化为已婚为1,未婚或离异为0,子女、住房、购车及社保,有则为1反之为0。我们用这五项内容的加总来衡量用户的生活水平。居住地区(Region):不同的地区有着不同的产业结构以及经济发展水平和消费水平,我们根据中国的经济地带划分为东中西三个地区,用户位于东部地区则赋值3,位于中部地区赋值2,西部地区则赋值1。教育水平(Edu):教育水平可以代表借款者的个人素质以及收入状况,一般来说高学历者收入比较稳定且逾期率低,我们根据用户的受教育年限进行衡量和赋值,小学为6、初中为9、高中及职专为12、专科为15、本科为16、研究生为19、博士为22。收入(Inc):直接衡量个人的偿债能力,低收入者出现财务危机时伴随着较高的逾期率。性别(Gender):一般认为妇女更愿意从事风险较小的生产经营活动,能获得稳定收入并按时还款(Zeller,1998),我们同样引入虚拟变量进行分析,男性为1,女性为0。3.借款金额及借款期限指借款人发布的借款信息。借款人发布标的中的借款利率(Rate):发布的借款利率过高则借款人可能会产生理性逾期或被迫逾期的行为。借款金额(Amount):一般而言,借款金额越高,则每期的还款压力也越大,若借款人财务恶化很容易出现逾期行为。借款期限(Time):借款期限越长则不确定性因素越多。总投标数(Bid):总投标数可以衡量投资者数量,投资者越多借款者可能会由于投资者出现“搭便车”行为而导致逾期率高。4.借款次数和贷款量用来表示借款人在网贷平台中曾经的借还款记录,对判断用户是否逾期的行为有一定的参考作用,包括成功借款次数(Suc)、提前还款次数(Prepay)和按时还款次数(Ashk)。一般来说,这几个指标越高则说明借款人信用状况越好,逾期率越低,但是也不排除借款人为提高信用额度而做“表面功夫”,其中提前还款数是提前一个月还款和提前三天还款次数的加总。(三)网络贷款条件下的借贷影响因素分析在二元选择模型(BinaryChoiceModel)中,被解释变量只有两种选择,本文选择二元Logit模型对网络贷款中还款的影响因素进行实证分析。按照定义,Logit模型的标准格式可以写成如公式(1)所示,其中Xi为解释变量,ε为随机扰动项:(四)统计统计分析1.住房年龄及融资数额我们将这63位用户的数据利用Eviews6.0软件进行描述统计分析,结果如表2所示。这63位用户中有银行逾期记录的共有4位。全部都是已婚人士,有35位拥有子女,60位拥有住房,52位购买了车辆,42位拥有社保。现居住地为东部地区的有54位,中部地区的有8位,西部地区的只有1位,其中东部地区中以江苏省为主共有39位,我们认为这与“808信贷”网贷平台所在地位于江苏省有关。拥有本科及以下学历的用户共有61位,两位为博士学历。47位男性,16位女性。所发布标的的借款年化利率为20%~22%的共有44位,借款期限在90天及以下的用户共有46位,总投标数在16个及以内的有50个。大部分用户的还款方式为按月分期还款,借款用途全都为个人资金周转。2.车辆的使用情况这72位逾期借款的用户中曾有银行逾期记录的共有5位;58位为已婚人士,51位有子女,61位拥有住房,40位购买了车辆,还有31位有社保。东部地区的用户共有43位,中部地区的有15位,西部地区的有14位;本科及以下学历的共有70位,其他两位为研究生学历;男性60位,女性12位;所发布的借款年化利率在22%及以上的有49位,借款金额在5万元及以下的共有68位,借款期限在90天及以上的共有52个,总投标数在10个及以下的共有60个。3.平台垫款金额统计“808信贷”公布的逾期黑名单信息的资料较为详尽,我们可以从中发现成功还款用户没有公开的信息,如表3所示。其中包括逾期期数(Yqqs),即用户没有按照还款方式按期还本付息的期数总和。逾期天数(Day)记录的是用户在网贷平台违约时间最长的一笔贷款的逾期天数。逾期总额(Yqze)是将逾期天数也计算在内用户需要偿还的本金和利息的总额。平台垫付笔数(Dfbs)是平台对用户愈期期数所自行垫付的笔数。垫付金额(Dfje)是网贷平台对于逾期用户所欠款项进行垫付的金额综述。平台公布的资料数(Date)包括姓名、身份证、现居地址、父母地址、单位情况、手机号码、家庭联系电话、第二联系人资料八项内容。用户年龄(Age)我们用2013减去平台公布的身份证号中的用户出生年份得出。这72位逾期用户的逾期总数累计共有2276期,累计逾期天数共有33792天,用户的逾期天数全都在两年以内,逾期天数在1年以上的共有57位。逾期总额累计达11828086元,平均每期逾期金额为5196元,逾期总额在20万元以下的用户为53位。平台总垫付笔数为2270笔,垫款金额数在20万以下的共有60位,平台对5万元以内的逾期款全部自行垫付,对20万以上的逾期款只垫付其中的一部分,这解释了虽然累计逾期期数与平台累计垫付笔数之差只有6笔,但是其中很多笔网贷平台并未全额垫付。累计垫款金额为3871878元,累计逾期总额与累计垫款的金额之差达7956028元,这意味着这将近800万元的逾期款,将由出借人自行承担损失。72位用户的姓名、身份证、手机号码、第二联系人信息网贷平台全都予以记录并进行公开,而现居地址、家庭电话及父母住址71位有记录,单位信息全部公开的只有66位,说明逾期还款者更加在意由于逾期信息公开而为自己和所在单位带来的社会影响。30岁及以下的逾期者有25位,30岁以上至40岁的逾期者有43位。四、示范分析(一)模型回归方法我们以用户是否逾期为被解释变量,以影响逾期的四个特征维度为解释变量进行回归。常数项在本文的Logit回归中没有实际意义,因此在回归中不加入常数项。在参数设置中,为控制各个模型可能存在异方差情况,我们选择QML方法进行回归。去除了常数项的模型结果不显示衡量模型拟合程度的McFaddenR-squared统计量,因此我们对每个模型都进行Hosmer-Lemerhow检验以衡量模型的拟合优度,在模型的最后两项中H-LSta为H-L统计量,Pro(8).为其在自由度为8的卡方分布相应概率值,最终得到回归结果如表4所示。上述模型用逻辑分布的函数式来表示即为:(二)成功研究的结果1.计算被充放电的日期H-L统计值也比较低,最高的也仅为6.209,因此我们可以认为这八个模型的拟合效果是不错的。我们还可以根据逻辑分布的函数式进行逾期预测,如(2)式所示,当Pi>0.5时,则该笔借款很可能会发生逾期的情况,在模型的实际应用中,将用户的相关数据输入模型,对其逾期的概率进行定量分析。由于这里一共有八个模型,我们既可以根据加权平均值来进行判别,也可以通过相互之间的比较分析来进行有效逾期预测。2.借贷主体的期望能力从回归结果中看到信用积分(Credit)在六个模型中均通过了显著性检验,系数均为负值,说明用户的信用积分或信用等级越高则用户的逾期率越低,信用良好的客户往往希望能够与网贷平台及投资者进行长期的合作,因此比较珍惜自己的信誉。逾期还款(Yqhk)在八个模型中均在1%的显著水平通过了检验,系数均为正值,说明逾期还款次数越多的借款者其逾期率更大,网贷参与者中存在着“马太效应”,即信用状况越好越注重自己的信用,信用条件越差者其逾期行为越不受客观因素的影响。银行逾期(Yhyq)在六个模型中只有一个通过了显著性检验,其系数均为负值,说明有过银行逾期记录的用户可能遭受过由于银行逾期而给自己带来影响,因此在网贷平台中更加注重信用状况。3.经济发展水平对用户实际生活水平的影响生活状况(Living)在七个模型中有六个模型通过了显著性检验,并且系数均为负值,说明用户在婚姻、子女、房、车、社保这五项中拥有的项数越多则逾期率越低,即生活水平和生活条件越好的用户发生逾期行为的概率较低。居住地区(Region)的系数项方向不太稳定,在五个模型中未通过检验的两个模型系数为正值,三个在1%的显著水平通过了检验的模型中系数为负值,我们认为经济发展水平高的地区人们的收入及生活水平相对要好,因此逾期率相对较低,在模型中出现的系数不稳定的情况与东中西部地区用户的数量有关。教育水平(Edu)在四个模型中的三个通过了显著性检验,一般来说高学历者收入比较稳定且逾期率低,但是这里的系数均为正值,说明受教育水平较高的用户逾期率也较高,对此,我们的解释是,由于大部分用户学历是在本科及以下,平均受教育水平未达到本科,用户的社会实践经验可能较为丰富,社会阅历及社会资本较多,具有一定的经济基础,资产流动性较好,更加清楚信用对个人的重要性,因此逾期率较低。收入(Inc)在六个模型中的四个都通过了显著性检验,且斜率项系数都为负值,说明收入越高则用户的还款额占总收入的比例越低,因此流动性好,抗风险能力强,逾期率低。性别(Gender)在七个模型中的四个都通过了显著性检验,且系数均为正值,说明男性发生逾期行为的概率要高于女性,我们认为可能有两个原因,一是参与网络借贷的用户主要由男性构成,二是女性贷款主要用于家庭,而且社会贷款对于女性来说更加有效,所以在实践中女性的还款率要高于男性。4.借款时间、融资时间与追偿成本借款利率(Rate)在三个模型中均在1%的显著性水平通过了检验,斜率项系数均为正值,且系数值较高,一般认为逾期风险是借款利率的增函数,利率越高则负担越重,若有重大意外情况发生则很容易导致被迫逾期的发生。另外,由于道德风险的原因或许一些借款人在发布标的之前就打算主动逾期,为使尽快满标而故意设置较高的利率水平,因此借款利率的变动对逾期风险有非常重大的影响。借款金额(Amount)对用户的逾期风险没有显著影响,在模型中均未能通过显著性检验,但是其系数均为负值,我们认为产生这种结果的原因是借款金额较大者往往信用状况良好,平台的授信额度也相对较高,因此会对其进行相应的担保或者风险补偿,而且通过平台审核的高额借款一般而言其用户的经济状况也相对较好。借款时间(Time)对逾期行为有显著的影响,在五个模型中通过显著性检验的有四个模型,其系数均为正值,未通过显著性检验的模型只有一个其系数为负值,我们认为借款时间越长则变数越大,用户逾期受到的各种不确定性因素影响越强,因此会增加其逾期的概率。总投标数(Bid)对用户逾期没有显著的影响,但是其系数为正值,说明投标数即投资者越多,用户的逾期率越高。网络借贷的一个特点是为众多中小投资者提供获得稳定收益的平台,因此投标数越多,每笔的投标金额可能越小。基于科斯定理的断言:只有协商成本会阻碍自愿谈判而达到帕累托有效,我们认为对个人投资者而言,对逾期还款者的追偿其成本要高于其追偿所获收益,因而个人投资者在对逾期还款者的追偿过程中存在“搭便车”行为,即只要个人的追偿成本小于该追偿的收益,那么个人投资者就没有参与追偿的积极性。而网贷平台对逾期用户的追偿行为也是有限度的,这也间接导致了逾期还款用户的“有恃无恐”。5.提前收款次数成功借款次数(Suc)在四个模型中通过了显著检验,虽然在系数的方向上存在不稳定,但是在通过检验的模型中其系数均为负值,说明成功借款次数越多,则用户的信用状况及个人条件越可能被投资者和平台所认可,且自身也具备按时还款的条件,因此逾期率较低。提前还款次数(Prepay)在五个模型中均通过了显著性检验,但是其系数均为正值,表明提前还款次数越多则逾期风险愈高,对此结果,我们认为原因可能是,用户在采取逾期行为之前可能会多次提前还款以提高信用额度,进而最大化地降低逾期成本,由于信息不对称的原因,这种“表明功夫”使投资者和平台很容易被误导。按时还款(Ashk)在四个模型中均通过了显著性检验,且系数为负值,按时还款次数越多则逾期概率越小,由此我们可以看出按时还款次数与逾期之间是此消彼长的关系,按时还款同时也可以体现用户的还款能力和还款意愿。五、借款实际资料及最优回归模型本文在对网贷参与者逾期行为进行理论分析的基础上,将影响逾期行为的因素分为信用、个人、标的及往期借款四个特征维度,认为网贷平台应当关注借款人的信用状况、个人生活状况、偿还历史及往期借款等各项指标。通过建立Logit回归模型进行实证分析,发现借款人信用等级、生活状况、居住地区、个人收入、成功借款次数和按时还款次数对借款人逾期率具有显著的负向影响,逾期还款次数、受教育年限、借款利率、借款时间和提前还款次数对借款人逾期率具有显著的正向影响,男性借款人更容易发生逾期行为,而有无银行逾期、借款金额及投标笔数对借款人逾期率不存在显著影响。结合我们的研究,我们对网贷行业提出如下建议。(一)政府及金融部门应充分借鉴并管理网贷平台面对强大的市场需求,P2P网络借贷平台近年来有了膨胀式的发展,但到目前为止,对网贷平台的监管还处于空白,现已成为中国“影子银行”的组成部分,网贷平台中存在的坏账及运营风险成为了制约网贷平台发展规模和影响力的主要原因,因此,我们认为:(1)政府及金融部门有必要将网贷平台纳入当前监管范围,或者建立相应的部门专门对其进行宏观管理,制定相应的规章制度规范网贷平台的行为及准入机制,定期公布行业的发展变化情况;(2)探索将网贷参与者信息纳入央行征信系统的可能性,建立网贷平台信用数据库,使网贷参与者信息能够及时有效及充分地反映到各网贷平台,避免网贷参与者出现多平台借款情况的发生,