互联网贷款个人信用风险影响因素研究综述

来源:用户上传      作者:李焱文 刘小勇

　　摘要：随着科技金融的规范发展，互联网贷款在满足小微金融需求方面日益重要。2020年5月9日，银保监会发布《商业银行互联网贷款管理办法》（征求意见稿），个人信用风险备受关注。本文查阅大量文献，从人口学特征、贷款特征和社会资本等三个方面，对互联网贷款个人信用风险影响因素进行了系统引证对比分析，归纳出详细的影响因素脉络，指出了目前研究中存在的缺陷与不足，为未来研究提供了建议和参考。
　　关键词：互联网贷款  个人信用  违约因素
　　一、引言
　　互联网贷款是一种“无面签、无抵押、无担保”的线上小额金融信贷服务，相比传统信贷，具有“触达广泛、便利快捷和边际成本低”的优势，近年来迅速发展。商业银行纷纷推出互联网信贷产品，如招商银行闪电贷、中信银行信秒贷、工商银行融e借等，互联网银行也应运而生，如微众、网商和新网银行等。同时，各省级金融主管部门陆续审批设立了一批 “不吸收存款、通过网络在全国线上发放贷款”的互联网小额贷款公司。需指出的是，互联网贷款是现代信息科技的零售金融业态，不局限于P2P网贷，将互联网贷款等同P2P的理解是片面的。
　　2020年5月9日，银保监会发布《商业银行互联网贷款管理办法》（征求意见稿），正式对互联网贷款进行规范管理。作为现代科技金融的重要业态，互联网贷款相比传统贷款，违约风险高，系统研究其违约因素，对控制金融风险具有重大意义。本文研阅了互联网贷款信用风险影响因素的国内外文献，从人口学特征、贷款特征、社会资本、监管政策缺失和风险传染五个方面进行了归纳，期望本综述能总结研究现状和成果，为未来研究提供参考和方向。
　　二、人口学特征的影响
　　（一）第一类特征——个体显性特征
　　许多研究认为借款人的“学历、职业、性别、年龄、婚姻和收入”等对网络小贷信用风险有明显影响。这些特征是直接标识人口画像的显性特质，作者称这些为第一类特征，即个体显性特征。
　　廖理（2015）[1]和（ 2018 ）[2]认为高等教育年限增强了P2P网贷借款人的自我学习和约束能力，学历高的借款人实际违约率更低。Terano et al.（2015）[3]和隋昕（2017）[4]研究发现职业稳定性与网络贷款违约率呈现显著负相关，近期工作年限較长、职业稳定的借款人违约较少。Mota et al.（2018）[5]的研究显示私有企业主比任职受雇人士更倾向拖欠贷款，制造职业比从事服务业者还款表现更好，但加工制造的私有企业主更易拖欠贷款。
　　蔡闽（2016）[6]和 Serrano et al.（2016）[7]对在线小额信贷的实证研究表明，女性相比男性更谨慎信用风险更低、年龄较大的借款人违约率更低、受教育程度与违约率呈负相关、已婚人士比未婚和单身人士信用更优，婚姻稳定者违约率较低，收入较高的借款人拥有更低的违约率，Mirpourian et al.（2016）[8]和晏翔（2018）[9]等对商业银行小额信贷的违约因素研究，也印证了上述观点。
　　（二）第二类特征——个体关联特征
　　学者们也关注到“家庭、财产、户籍、区域、种族和国籍”对互联网贷款借款人信用风险也有重要影响。这些特征是间接标识人口画像的关联信息，其代表的关联或共同特性会影响个体，作者称这些为第二类特征，即个体关联特征。
　　顾慧莹（2015）[10]对P2P网贷的研究表明家庭收入较低者信用风险更大，外地户籍较本地户籍更易违约，王福林等（2005）[11]对商业银行住房抵押贷款的违约研究也有相同结论。雷舰（2019）[12]实证研究表明网络小贷借款人的家庭拥有车产和房产者违约率会更低，Copestake et al.（2007）[13]对小额信贷的研究也有类似结论。李广明等（2011）[14]对网络小贷的研究认为，在珠三角特别是广东区域的打工者具有更高的逾期违约率，信用风险较高。Mota et al.（2018）[5]研究认为种族和肤色对网络小贷违约率具有明显影响，有色人种如黑人付出的贷款利率更高，违约风险也更大，外国人比本国人更易拖延还款。
　　三、贷款特征的影响
　　（一）产品属性特征
　　在考察人口学特征影响违约风险的同时，学者们也研究“贷款用途、金额、利率、期限、还款方式、借款人盈利能力与抵押物”等因素对借款人信用风险的影响，这些因素是放贷机构在设计贷款服务时的产品要素，作者概括为贷款产品属性特征。
　　吴晓昀（2017）[15]和张彤进等（2019）[16]对人人贷、拍拍贷和其他网络小贷研究后认为，贷款金额、利率、期限和用途对违约风险有明显影响，贷款利率越高、期限越长、金额越大，违约概率越大，贷款用途真实的借款人违约概率更低，其中影响最大的是贷款利率和期限。Mahjabeen（2008）[17]对银行小额信贷的研究也表达了相近的结论。
　　Collier （2010）[18]和隋昕（2017）[4]等研究认为，网贷借款人的“月收入、每月还款额、还款方式和线下抵押状态”对其信用风险具有重要影响，月还款占收入比例大、等额还款相比等本还款、贷款抵押成数高者，更容易违约。王福林等（2005）[11]和 Abdou et al.（2016）[19]对商业银行住房抵押与零售贷款的研究也证实了这些观点。
　　（二）记录属性特征
　　在关注产品属性特征对网贷信用风险影响的同时，学者们也考察了贷款“申请次数、成功次数、失败次数、还清笔数、欠款笔数、逾期次数”及“其他贷款状态”等影响，这些因素属于借款人贷款过程的历史记录，作者概述为贷款的记录属性特征。
　　李帅（2016）[20]等对P2P网络借贷研究认为，贷款的“申请次数、成功次数、失败次数和逾期次数”，对违约有直接影响，成功次数多者，违约概率小，失败次数多者，违约概率大，逾期次数与违约概率直接正相关，成功次数多者申请次数越多，违约比例越小，同时，违约较多发生在申请次数较少的新借款人中。隋昕（2017）[4]和雷舰（2019）[12]对互联网贷款的研究表明，“欠款笔数、其他贷款和贷记卡状态”对违约有重要影响，欠款笔数较多者更易违约，其他贷款余额较大者更易违约。 　　四、社会资本的影响
　　社会资本被认为是一种具有近似价值观和认知范式行为的社会关系网络，可给人带来未来收益，并往往以声誉、人缘和口碑等形式体现出来，相关研究主要包括两个方面。
　　一是，研究社会资本作为借款人软信息对解决信息不对称和抑制信用风险的作用。王锁柱（2004）[21]认为信息包括硬信息和软信息，硬信息是反映客观事实的信息，软信息是含有主观判断的信息，硬信息对客观事实回答是或非的问题，软信息包含“涉及价值观念和知识结构”的主观判断，不完全是是非辨别，而是一种偏好。互联网贷款借款人的硬信息，是不具个性化特征、能用准确指标量化或传递的信息;软信息是不能用准确数值指标表示、难以量化处理的信息，借款人的社会资本与网络是典型软信息。
　　Iyer et al.（2009）[22]研究国际知名网络小贷Prosper.com时发现，软信息，如朋友人数、朋友圈投资人的数量和金额、家人和主要朋友网络的信用状况、在家人和朋友及社群组织中的评价与口碑等，能弥补其硬信息的不足，有助于识别违约风险，这种识别效应与社交网络的紧密与丰富程度密切相关，社交网络越紧密丰富，越有助于降低借款人违约风险，Lin et al.（2013）[23]的研究也印證了这种观点。
　　扈震等（2014）[24]和Chen et al.（2017）[25]研究互联网贷款时认为，社会资本所包含的人际与社会关系网络，能减少信息不对称，促成交易并降低违约风险，Berger et al.（2002）[26]在研究商业银行小企业信贷时也肯定了前述观点。金虎斌（2017）[27]进一步指出，硬信息评价网络小贷借款人还款能力，软信息如人脉关系影响力、好友信用状况等，则有助判断借款人品质、评价其还款意愿，防范和降低信用风险。
　　二是，研究社会资本影响网络小贷借款人信用风险的路径、方式和效果。Lin et al.（2013）[27]和陈冬宇（2013）[28]对国内外网络小贷的研究认为，嵌入熟识朋友圈的关系、地位、信任与推荐，有助判断借款人的可信程度，评估在线借款人的信用状况，预测借款人的违约概率，降低其信用风险，缪莲英（2014）[29]对国外知名网络小贷prosper.com的实证研究进一步证明了这些观点。Everett （2015）[30]和顾慧莹（2015）[10]研究认为，“家人和亲属”等血缘情感性社会资本，具隐性担保价值，可约束借款人及时偿还债务，降低借款人违约概率，不被家人或亲属知晓或支持的互联网贷款更容易违约。
　　缪莲英等（2014）[29]和Everett（2015）[30]等研究认为，互联网贷款借款人加入借贷群组，因组内定例和规则，可以实现群组的社交强监督与惩戒效应，迫使借款人及时履约，群组成员越多，这种效应越强，同时，群组内的经济共享或互助信息，能帮助借款人提高收入能力偿还贷款，这些都有助降低借款人的信用风险，但群租若存在推荐收费机制，则这种效应会减弱，Chen et al.（2017）[25]对在线贷款的实证研究中得出了相同结论。
　　五、评述性结论
　　现有文献对互联网小额贷款个人信用风险影响因素的研究，主要是五个方面：一是借款人的人口学特征，包括第一类特征即个体显性特征，如学历、性别、年龄、婚姻、职业和收入等，第二类特征即个体关联特征，如家庭、财产、户籍、区域、种族和国籍等;二是贷款特征，包括贷款的产品属性特征，如贷款用途、金额、利率、期限、还款方式、借款人盈利能力与抵押物等，贷款的历史记录属性特征，如申请借款次数、借款成功次数、借款失败次数、还清笔数、欠款笔数、历史违约次数、其他贷款、贷记卡状态等;三是借款人的社会资本，主要包括社会资本或网络作为软信息的影响、社会资本通过亲属、朋友圈和群组的影响路径、方式和效果。
　　已有文献对网络小贷个人信用风险的影响因素进行了大量细致研究，但仍存在不足：
　　第一，将网络小贷等同于P2P网贷，对P2P网贷平台的研究较多，但对正规持牌金融机构如互联网银行、网络小额贷款公司的线上小额信贷业务研究较少，对P2P网贷机构的道德信用风险关注过多，对互联网技术创新下的小额信贷业务信用风险的探索不够。
　　第二，对借款人信用风险影响因素的的分析，大多局限在人口特征或贷款特征的某些方面，研究呈碎片化，研究维度不充分，结合人口特征、贷款特征和社会资本各个维度进行多方面系统性研究较少，系统性评价借款人信用风险影响因子不够。
　　第三，社会资本的影响，国外研究多，国内研究少，在信贷需求与约束、信贷渠道与可获得性方面研究较多，关于社会资本对网络小贷借款人信用风险影响机理的关注少，研究局限在现象解释层面，实证研究少，社会资本替代变量的解释性和说服力不够。
　　后续研究可以从现有不足切入，结合行业与业态发展的现状，深入研究互联网贷款个人信用风险的影响因素，为互联网贷款良性发展和风险控制提供理论与方法支持。
　　参考文献：
　　[1]廖理，吉霖，张伟强.借贷市场能准确识别学历的价值吗？——来自P2P平台的经验证据[J].金融研究.2015（03）：146-159.
　　[2]廖理，向佳，王正位.P2P借贷投资者的群体智慧[J].中国管理科学.2018，26（10）：30-40.
　　[3]Terano R，Mohamed Z，Jusri J H H.Effectiveness of microcredit program and determinants of income among small business entrepreneurs in Malaysia[J].Journal of Global Entrepreneurship Research.2015，5（1）：22.
　　[4]隋昕.基于Logit模型的P2P网络借贷平台借款人信用风险影响因素研究[D].哈尔滨商业大学，2017. 　　[5]Mota J，Moreira A C，Brando C.Determinants of microcredit repayment in Portugal：analysis of borrowers，loans and business projects[J].Portuguese Economic Journal.2018，17（3）：141-171.
　　[6]蔡闽.流量覆盖风险——网络小额信贷风险控制新思路[J].金融研究.2016（09）：131-144.
　　[7]Serrano-Cinca C，Gutiérrez-Nieto B.The use of profit scoring as an alternative to credit scoring systems in peer-to-peer （P2P） lending[J].Decision Support Systems.2016，89：113-122.
　　[8]Mirpourian S，Caragliu A，Di Maio G，et al.Determinants of loan repayment performance among borrowers of microfinance institutions：Evidence from India[J].World Development Perspectives.2016，1：49-52.
　　[9]晏翔.商业银行个人贷款风险因素实证分析[J].农村金融研究.2018（05）：47-49.
　　[10]顾慧莹，姚铮.P2P网络借贷平台中借款人违约风险影响因素研究——以WDW为例[J].上海经济研究.2015（11）：37-46.
　　[11]王福林，贾生华，邵海华.个人住房抵押贷款违约风险影响因素实证研究——以杭州市为例[J].经济学（季刊）.2005（02）：739-752.
　　[12]雷舰.P2P网贷借款人信用风险因素分析与对策[J].金融理论与实践.2019（12）：31-39.
　　[13]Copestake J.Mainstreaming Microfinance：Social Performance Management or Mission Drift？[J].World Development.2007，35（10）：1721-1738.
　　[14]李广明，诸唯君，周欢.P2P网络融资中贷款者欠款特征提取实证研究[J].商业时代.2011（01）：41-42.
　　[15]吴晓昀.P2P借款者违约率影响因素分析[D].湖南大学，2017.
　　[16]张彤进，刘永亮.P2P网络小额贷款信用风险的影响因素识别——基于Logit模型的实证研究[J].时代金融.2019（11）：12-13.
　　[17]Mahjabeen R.Microfinancing in Bangladesh：Impact on households，consumption and welfare[J].Journal of Policy Modeling.2008，30（6）：1083-1092.
　　[18]Collier B，Hampshire R.Sending mixed signals：Multilevel reputation effects in peer-to-peer lending markets[Z].Savannah，Georgia，USA，February 6-10，2010.：2010197-206.
　　[19]Abdou H A，Tsafack M D D，Ntim C G，et al.Predicting creditworthiness in retail banking with limited scoring data[J].Knowledge-Based Systems.2016，103：89-103.
　　[20]李帅.P2P网络借贷借款人信用风险评估指标研究[D].对外经济贸易大学，2016.
　　[21]王锁柱，李怀祖.硬信息与软信息的内涵及其关系研究[J].情报雜志.2004（04）：60-61.
　　[22]Iyer R，Khwaja A，Luttmer E，et al.Screening in New Credit Markets：Can Individual Lenders Infer Borrower Creditworthiness in Peer-to-Peer Lending？[J].Harvard University，John F.Kennedy School of Government，Working Paper Series.2009.
　　[23]Lin M，Prabhala N R，Viswanathan S.Judging Borrowers by the Company They Keep：Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending[J].Management Science.2013，59（1）：17-35.
　　[24]扈震，王学武.P2P网贷信息不对称问题研究[J].中国市场.2014（32）：46-51.
　　[25]Chen R，Chen Y，Liu Y，et al.Does team competition increase pro-social lending？ Evidence from online microfinance[J].Games and Economic Behavior.2017，101：311-333.
　　[26]Berger A N，Udell G F.Small Business Credit Availability and Relationship Lending：The Importance of Bank Organisational Structure[J].The Economic Journal.2002，112（477）：F32-F53.
　　[27]金虎斌，张成虎.网络借贷平台的信息处理与信用评级效率分析——基于人人贷与Prosper的实证对比检验[J].上海经济研究.2017（10）：45-58.
　　[28]陈冬宇，赖福军，聂富强.社会资本、交易信任和信息不对称——个人对个人在线借贷市场的实验研究[J].北京航空航天大学学报（社会科学版）.2013，26（04）：75-83.
　　[29]缪莲英，陈金龙.P2P网络借贷中社会资本对借款者违约风险的影响——以Prosper为例[J].金融论坛.2014，219（03）：9-15.
　　[30]Everett C.Group Membership，Relationship Banking and Loan Default Risk：The Case of Online Social Lending[J].Banking and Finance Review.2015，7：15-54.
　　基金项目：本研究获2019年国家社会科学基金一般项目“新时代区域协调发展的财政体制研究”（批准编号19BJL045）资助。
　　作者单位：华南理工大学经济与贸易学院
转载注明来源:https://www.xzbu.com/3/view-15383933.htm