毕业论文代写,职称论文发表
当前位置: > 免费论文 > 经济论文 > 经济学理论论文 > >>查看论文

中国网贷平台风险评估

logo设计

分享到: 本站编辑:gengxin 日期: 2018-03-08 10:16 点击:

   摘要:运用Cox回归模型和因子分析方法,基于网贷之家等数据平台信息,对中国314家网贷平台的风险进行评估。Cox回归分析认为中国网贷平台的实缴资本每增加100万元,其出现问题的概率降低约5%;贷款利率每提高1个百分点,平台出现问题的概率增长约4.5%;非民营系平台的存活率大约是民营系平台的6.5倍。进一步应用因子分析法得出结论,平台的风险主要由平台的内部控制结构、产品设计、资金保障模式和平台类型等因素决定。这有利于平台控制自身风险和投资者客观了解平台,以确保网贷行业的健康发展。 
  关键词:网贷平台;风险评估;因子分析法;贷款利率;互联网金融 
  中图分类号:F832 文献标识码:A 文章编号:1007-2101(2018)02-0055-08 
  一、引言 
  互联网的迅速发展催生了网贷行业,自从2007年P2P借贷的模式进入中国,中国的网络借贷行业已逐渐发展为全球最大、最具活力的在线借贷市场。这种不同于传统商业银行信贷也不同于民间借贷的新型贷款模式,满足了资金双方的需求,成为传统金融体系的有益补充,提高了中小企业的融资效率,极大扩展了投融资渠道。 
  尽管中国的网贷平台发展时间比西方国家晚了两年,可是发展速度却极快,从2007年的1家迅速发展成2015年的1 312家。但由于互联网金融市场尚不成熟、政府监管政策不到位、社会信用体系不完善等原因,中国的网贷行业长期以来处于“野蛮”生长的阶段,经营不善、跑路等失败的平台层出不穷,给广大投资者带来了不可预估的损失,也不利于整个行业的长期正向发展。 
  对中国现存的诸多网贷平台的风险进行识别和评估,是非常值得探讨的问题。鉴于现有关于中国网贷行业的研究多跟平台的发展现状等浅层问题有关,研究影响网贷平台风险指标和体系的较少,笔者旨在建立一个网贷平台风险评估体系对中国网贷平台的风险进行分析评级,进而给出合理的风险预警方案。 
  二、网贷平台发展现状 
  网络贷款是新型的互联网金融形式之一,P2P模式在其中占据重要地位。P2P网络借贷(Peer-to-Peer Lending)也被称作P2P互联网金融,有助于借款者和融资方直接进行融通。随着网络技术的成长和信息流通的加速,借款和贷款的需要逐渐呈现多样化的特点,已有的借贷渠道难以满足不断增长的不同特点的投融资群体,P2P也就在这种情形下出现了,市场也被更细致地进行了细分。2005年,英国建立了第一家P2P平台ZOPA;2007年,拍拍贷等中国P2P平台也建立起来,P2P网贷模式凭借其简便快捷等突出优点被越来越多的投融资个人和群体关注,P2P网络借贷市场不断发展壮大。 
  网贷平台一般被分为民营系、上市公司系、银行系和国资系等四大类别,也可以通过是否接受风投等条件进行细分。其基本特点是吸引的客户一般风险比较高,多为旧融资模式下很难或无法贷到款的人群,如收入不稳定的人群和非大型企业等,风险较高的同时也代表了较高的收益,交易的方式也较多变。 
  P2P网络借贷的诞生为中国众多的小额融资者提供了更多新的融资方法。2007年,拍拍贷诞生之后,中国的网络借贷行业开始逐渐兴起;截至2017年12月24日,中国正在运营的网贷平台数量约2 000家,并且平台数量仍在持续增加。据网贷之家数据统计,中国网贷行业成交额在2016年上半年突破了2万亿元人民币的成交额,且数量还在继续递增。2017年11月,网贷行业的成交量达到2 278.43亿元,成交量环比上升4.33%,同时2017年1-11月累计成交量突破了60 090亿元,比去年同期累计上升88.68%。 
  互联网金融行业在持续壮大的同时,金融风险也在急剧上升。如一些网贷平台通过粉饰项目、虚高投资回报或自设资金池来筹集资金,之后发生大量“跑路”风波以及集资诈骗事件。2017年12月新增问题平台有42家,其中提现困难的有9家,经侦介入1家;停业的平台有31家,其中1家已经跑路。截至2017年12月24日,累计问题平台总数突破4 000家,其中2013年有76家;2014年增长到275家;2015年则有896家,是2014年的3.26倍。只在这3年间,出问题的网贷平台数量平均增速就已经超过了300%。 
  2015年是P2P网贷平台问题集中爆发的一年,共896家平台出现失联等情况,分析这一年中的失败平台可以发现,半数以上平台生存时间在1年以下,甚至有的低于1个月;只有少部分的平台在经营了1年以上才出现倒闭等问题,这部分平台的占比不超过40%。和2014年相比,2015年很多运营时间超过1年的平台是由于宏观经济和自身运营状况等原因失败。同时,平台非法集资的问题更为恶劣,尤其是“e租宝”事件中上演的庞氏骗局,非法吸收了近90万投资人的500多亿元人民币,让广大投资者对大多数中国网贷平台产生极深的负面情绪。因此,对网贷平台的指标进行分析,设计准确的网贷平台风险识别和评估体系,对于中国互联网金融的健康发展具有重大意义。 
  三、文献综述 
  笔者通过整理中国网贷平台相关的文献资料,发现目前的研究方向主要集中在以下几个方面。 
  1. 对网贷平台在国内发展模式的研究。李鹏(2016)[1]认为P2P网贷平台在降低借贷交易成本方面存在很大优势,使资金的配置变得更加有效。这给传统的金融模式带来了很大冲击,與传统银行之间既存在着竞争也存在着互补。钱金叶、杨飞(2012)[2]认为相比于银行借贷对个人信用贷款的较高要求、复杂手续及有限的信贷额度,网络借贷融资容易且效率高,多为中低收入人群的小额无抵押借贷。因此,P2P网络借贷为需要资金的人提供了新的融资渠道和融资便利。钱淑芳、张向阳(2016)[3]基于放贷人制度与信息协同共享机制,总结出具有中国本土化特色的P2P网络借贷4C协同共赢运营模式,即贷款者、借款者、中间商、金融机构等四方的公共信息平台构架体系,以保证多方合作,为促进我国P2P网络借贷产业健康发展提出了相应的对策和建议。陈冬宇(2014)[4]以社会认知理论为基础,研究认为只有加强了信息质量、网络信息和平台安全保障这三方面的建设,才能促进中国网贷行业中信任机制的形成。

 2. 对网贷行业成长过程中存在问题和风险的研究。陈霄等(2013)[5]认为过高的平台信用风险会打击投资者的投资信心和积极性,助长不良借贷行为的发生,削弱其发挥传统金融借贷市场工具的补足功能,不利于网络借贷市场的健康发展。林蔚(2015)[6]在研究P2P网贷平台商业运行逻辑时分析部分平台失败原因,把融资端、投资端和信息端确定为P2P網贷平台最重要的三个功能端。宋琳、郝光亮(2015)[7]以委托代理为出发点,得出P2P网贷平台存在层层委托代理关系、委托人和代理人彼此掌握的信息存在高度不对称、并且委托人与代理人的目标也不尽一致等结论,并提出从逆向选择和道德风险角度解决问题。Eric C.Chaffee和 Geoffrey C.Rapp(2012)[8]提出解决网贷风险的措施,认为美国证券委员会应该要求P2P网贷平台每日报告经营状况、披露平台相关信息,这样有利于促进行业的规范化发展,提高渠道的应用价值。 
  3. 对网贷平台风险评估体系进行研究。严复雷、李浩然(2016)[9]认为中国学者普遍认为网贷平台具有传统金融的性质,可以采用针对传统金融行业的信用评级方法。例如对保险公司的信用评估体系,美国对商业银行的骆驼评级法等。顾慧莹、姚铮(2015)[10]基于WDW上海直营店的数据,运用Logistic回归模型和Cox回归模型,分析了各类信息影响借款人违约行为的表现形式,从而为线上线下相结合的P2P网络借贷平台分析和构建借款人违约影响指标提供了实践指导。肖曼君等(2015)[11]采用排序选择模型,基于excelVBA数据挖掘技术对平台信用风险的影响因素进行实证分析,结果表明:个人特征、信用变量、历史表现、借款信息分别对网络借贷信用风险存在正向影响,这也证明了投资者会根据平台给出的信息进行有选择性的投资,从而控制整体的投资风险。范超等(2017)[12]分析了中国444家P2P平台的公开信息,利用文本挖掘技术和11种统计模型提取了重要的信息,找出重要指标的同时也对指标的经济含义进行了定义和说明,在研究过程中发现平台的风险与基本信息、交易信息和外部信息间存在复杂的非线性关系,同时发现SVM和树类模型等非线性模型能更好地预判P2P平台的风险。 
  中国学者对网络借贷行业和平台等方面的研究成果主要集中在通过文字阐述中国网贷平台的现状、营运模式、监管等问题,而对于网贷平台的风险识别、评估方面缺乏深入的实证研究,或选取的样本和指标较少,从而缺乏说服力。为了弥补相关方面的空白,笔者选取314家平台数据,先通过经济统计学方法和Cox回归分析模型,分析中国网贷平台的主要风险影响因素,其中包括平台的实缴资本、贷款利率和平台类型等。然后,进一步运用因子分析方法将149家运营平台的各项经营指标进行综合分析,扩大了指标的选取范围,得到量化的评分标准,从而对网贷平台进行较为客观的排名。其目的就是希望通过对中国网贷平台风险评估的理论及实证分析,厘清中国网络借贷平台监管的未来发展方向和投资者选择投资平台所需面对的一些主要问题,从而为实现网贷市场的健康发展提供借鉴。 
  四、指标设定与模型选择 
  (一)Cox回归分析 
  Cox模型的基本形式为: 
  h(t/x)=h0(t)exp(β1X1+β2X2+…+βpXp)(1) 
  其中,h0(t)表示基础风险函数,即所有变量取0时的t时刻的风险函数;X1、X2……Xp是影响因素;β1、β2……βp是回归系数[13]。 
  本文应用的基本模型是: 
  S=F(i,k,m)(2) 
  其中S指存活率,i指利率,K指实缴资本,m指平台类型。存活率可以用二项指示器或者存活天数来衡量。 
  基于以上,本文Cox回归模型的表达式为: 
  h(t,b,e,m)=h0(t)exp(β1×b+β2×e+β3×m)(3) 
  t表示时间,b表示利率,e表示实缴资本,m表示平台类型,其中“1”代表民营类,“0”代表非民营类。其中b,e,m是协变量;β1,β2,β3是回归系数,由样本估计而得。当β>0时,则表明该协变量是危险因素,这时值越大该变量会导致生存时间越短;当β<0时,则表明该协变量是保护因素,这时相应的数值越大则表示生存时间越长。h0(t)是标准状态或全部协变量都为0下的风险函数。 
  传统观念认为,网贷公司的低资本和高利率常常意味着更高的破产风险。笔者通过对网贷之家的数据进行分析来验证这一观点。根据网贷之家的数据,截至2016年9月,共有网贷平台3 462家,其中停业及问题平台1 582家。因此,笔者采用分层抽样选取了314家平台,其中倒闭平台128家。 
  首先,应用SPSS对平台运营状态与利率、实缴资本和平台类型分别进行相关分析,结果如表1所示,表1显示平台运营状态与三者之间确实存在明显的相关关系。 
  表1结果表明,在0.01的显著水平下,平台运营状况与实缴资本之间存在明显的负相关,即资本量越高,平台倒闭的几率越小。平台的运营状况和平台利率呈正相关,即利率水平越高,平台倒闭的可能性越大;平台运营状况与平台类型存在着明显的相关关系,即民营系的平台倒闭的可能性大。 
  其次,运用SPSS中Cox回归模型分析数据,分析结果如表2和图1所示。表2显示了各项指标的模型系数(B)、系数标准误(SE)、Wald检验值、自由度(df)、p值、HR值(Exp(B))和置信区间,其中P值小于0.1则认为加入此变量是合理的。 
  通过表2和图1可得到三个结论:(1)实缴资本为影响运营状况的独立因素。资本量越大,存活率越高(HR=0.950<195%,CI:0.936-0.964),且实缴资本增加100万元,其出现问题的概率降低100%-100%×0.950=5%。(2)利率为影响运营状况的独立因素。利率水平越高,存活的概率越低(HR=1.045>195%,CI:1.027-1.064),且利率每增加1个百分点,出现问题的概率平均增长100%×1.045-100%=4.5%。(3)平台类型为影响运营状况的独立因素。非民营系平台,即平台类型为“0”的平台生存的几率大约是民营系平台的6.5倍,具体体现在生存函数图1中“平台类型=1”的曲线在“平台类型=0”的曲线之下。

 引入宏观经济因素,即同时反映现实和潜在购买力的广义货币M2,并对M2进行分析。通过各时期问题平台数目的条形图,发现除2011—2013年由于宏观经济状况相对稳定和网贷平台数目较少等原因出现问题平台数目相对较少外,2014—2016年出现问题网贷平台急剧增多。这种问题平台爆发式增长的状况离不开宏观经济因素对网贷行业造成的沖击,如M2的H-P滤波图所示,当宏观经济状况向下大幅度波动时,网贷行业也受到大规模冲击,基础较弱的平台纷纷倒闭。 
  央行为了阻止M2大幅度下浮曾在2015年2月两次降准,在2015年8月再次降准降息,并在10月上旬采取量化宽松政策,这使得M2的滤波曲线回升至0值并且在其附近波动。虽然央行采取一系列手段来稳定宏观经济,但是经济的大幅度波动依然给网贷行业带来较大冲击,一些平台即便支撑过这次经济波动,但是企业的内部控制也已经失效,导致大量平台继续出现问题。具体体现在,2015年下半年虽然宏观经济形势较稳定,但问题平台数量不仅没有下降,反而大幅度上升(见图2)。 
  (二)因子分析 
  因子分析模型的描述如下: 
  X=(x1,x2,…,xp)是可观测随机向量,文中p为13,分别代表成交量、历史待还、待还借款人数、平均借款期限、待收投资人数、借款标数、生存月数、平台类型、平均收益率、实缴资本、接受风投、资金托管、投标保障。 
  其中,均值向量为E(X)=0,协方差阵为Cov(X)=∑,且协方差阵∑与相关矩阵R相等。 
  F=(F1,F2,…,Fm)是不可测的向量,该向量的各分量是相互独立的,其均值向量为E(F)=0,协方差矩阵为Cov(F)=1。 
  e=(e1,e2,…,ep)与F向量是相互独立的,且E(e)=0,各分量e之间相互独立,e的协方差阵∑是对角阵,该模型是因子分析模型,模型中各因子是正交的。因子分析模型的矩阵形式表示为:X=AF+e。 
  X1=a11F1+a12F2+…+a1mFm+e1 
  X2=a21F1+a22F2+…+a2mFm+e2 
  …… 
  Xp=ap1F1+ap2F2+…+apmFm+ep 
  其中F是因子,也称为公共因子;A称为因子载荷矩阵;aij为因子载荷,是i个原有变量在第j个因子上的负荷;e是特殊因子,表示原有变量中不能被因子解释的部分[14]。 
  在用Cox回归模型对相关的主要指标进行分析之后,笔者进一步采用SPSS作为统计分析软件,用其因子分析程序对影响平台运营状况的13个指标进行标准化处理,并得到了KMO检验结果和Bartlett球行检验结果(见表3)。统计数据来源于网贷之家公布的目前还在运营的149家网贷平台的统计资料。 
  KMO统计量的值达到0.7可以接受。表3中KMO取值0.734,所以可以接受。Bartlett球行检验统计量的sig值<0.01,由此否定零假设,相关矩阵不是单位矩阵。由此可以确定认为各变量之间存在着显著的相关性。 
  表4中选取了4个公共因子,且4个公共因子解释的累积方差达到67.25%,这说明在总体中有大于67.25%的信息可以被这4个公共因子解释。由于邓晓宇等(2014)[15]认为因子载荷是变量与公共因子的相关系数,对于一个变量来说,载荷绝对值较大的因子与其关系更密切,也更能代表这个变量。 
  按照这一观点,第一个公共因子更能代表成交量、历史待还、待还借款人数,可以把第一个公共因子解释为经营状况因素,方差贡献率为24.114%;类似地,第二个公共因子更能代表平均借款期限、待收投资人数、借款标数,可以把第二个公共因子解释为产品设计因素,方差贡献率为19.152%;第三个公共因子更能代表平台类型,可以解释为平台类型,方差贡献率为13.256%;第四个公共因子更能代表资金托管、投标保障,可以解释为资金保障因素,方差贡献率为10.729。这样就可以用新提取的4个潜在因素,对样本中149家平台的风险状况加以描述。 
  由表5可得最终的因子得分公式: 
  F1=0.043×存活月数+0.108×实缴资本+…+0.064×平均收益率(4) 
  F2=0.091×存活月数-0.091×实缴资本+…+0.082×平均收益率(5) 
  F3=0.092×存活月数+0.250×实缴资本+…-0.422×平均收益率(6) 
  F4=0.159×存活月数-0.142×实缴资本+…-0.218×平均收益率(7) 
  运用上述公式可以计算出各个平台的因子得分,并据以分析各个平台的优势。 
  为了研究各网贷平台的综合实力,应通过相应的综合评分进行比较。因此,可以对以上各平台的4个公共因子的得分进行加权求和,相应的加权系数是相应公共因子的方差贡献率。4个旋转后公共因子的方差贡献率分别是24.114%、19.152%、13.256%和10.729%,笔者采用这些方差贡献率作为公共因子的权重,得出平台综合得分的计算公式: 
  Zf=24.114%×FAC1_1+19.152%×FAC2_1+13.256%×FAC3_1+10.729%×FAC4_1(8) 
  根据公式(8),可以得到各个平台的综合得分和排名(表6列出部分平台的得分和排名情况)。就总体而言,笔者选取的149家平台,综合得分的均值为0,其中得分大于均值的共56家,得分小于均值的共90家,表明中国网贷平台的发展处于一种不均衡的状态,质量差的平台相对较多。 
  另外四个公共因子的均值也为0,其中第一个因子得分大于均值的平台有31家;第2个因子得分大于均值的平台有43家;第三个因子得分大于均值的平台有55家;第四个因子得分大于均值的平台有84家。由此可以看出中国网贷平台在第一和第二个因子方面整体发展情况较差,在第四个因子方面发展较好。因此要改善中国网贷平台整体的现状,应从经营状况和产品设计两方面考虑。

 就个体而言,陆金所的第一个因子得分最高,表明其在经营状况方面具有绝对优势;同理,爱钱进在第二个因子得分最高,表明其在产品设计方面具有绝对优势;聚宝匯在第三个因子得分最高,表明其在平台类型方面具有绝对优势;团贷网在第四个因子得分最高,表明其在资金保障方面拥有绝对优势。这四个平台在实际运营中也确实排在同类平台的前列,这和其相对优势是密不可分的。 
  五、结论 
  笔者运用经济统计学方法、Cox回归模型和因子分析模型,对影响中国网贷平台风险的主要因素进行深入研究,得出以下结论:(1)资本量越大存活率越高,且实缴资本每增加100万元,其出现问题的概率就降低5%。(2)利率水平越高存活的概率越低,且利率每增加1个百分点,出现问题的概率就平均增长4.5%。(3)非民营系平台的生存率大约是民营系平台的6.5倍。(4)对宏观经济指标M2的滤波图分析,得出宏观经济环境不景气会导致平台倒闭率急速增加。(5)影响中国网贷平台风险的关键因子依次是经营状况因子、金融产品设计因子、平台类型因子和用户资金安全因子。(6)根据旋转后的因子载荷矩阵可知成交量、历史待还、待还借款人数等指标共同作用于第一个因子,即经营状况因子;平均借款期限、待收投资人数、借款标数是平台结构因子的主要影响指标;平台类型指标直接影响平台类型因子;资金托管、投标保障两个指标是用户资金安全的主要影响指标。 
  同时,笔者进行综合打分计算评定,验证了模型的有效性,发现平台关于风险的分数排名和网贷之家中的评估基本相符。根据这一结果,可以对中国网贷平台进行较为客观、全面的排名,排名相对靠后的公司可以根据打分低的因子进行风险分析,进而降低平台风险。同时,利用本文模型进行分析,能发现网贷平台风险集中的薄弱环节,提出合理的预警方案,为中国综合整治网贷平台提供有力支持。监管部门应以此对处于末位的相关网贷平台进行预警,亦可以结合各指标得分对其薄弱环节提出整改意見,预警方案的提出可以对相应的危险平台起到约束作用。同时,投资者也可以清晰地认识到各家P2P平台的风险,使投资者可以合理控制自己的投资风险。 
  参考文献: 
  [1]李鹏.我国P2P网贷平台的本土异化及其治理[J].经济体制改革,2016(5):106-112. 
  [2]钱金叶,杨飞.中国P2P网络借贷的发展现状及前景[J].金融论坛,2012(1):46-51. 
  [3]钱淑芳,张向阳.我国P2P网络借贷公共信息平台构架与运营模式研究[J].科技管理研究,2016(2):208-212. 
  [4]陈冬宇.基于社会认知理论的P2P网络放贷交易信任研究[J].南开管理评论,2014(3):44-48. 
  [5]陈霄,丁晓裕,王贝芬.民间借贷成本研究——基于P2P网络借贷的实证分析[J].金融经济学研究,2013(11):65-72. 
  [6]林蔚.完善P2P网贷平台风险防范的法律思考[J].华南师范大学学报(社会科学版),2015(3):135-140. 
  [7]宋琳,郝光亮.委托代理视角下P2P网贷平台风险防控研究[J].山东社会科学,2015(3):108-112. 
  [8]Eric C.Chaffee,Geoffrey C.Rapp. Regulating Online Peer to Peer Lending in the Aftermath of Dodd-Frank:In Search of an Evolving Regulatory Regime for an Evolving Industry[J].Washington and Lee Law Review,2012(4):485-524. 
  [9]严复雷,李浩然.P2P网贷平台信用风险影响因素分析[J].西南金融,2016(10):13-17. 
  [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[J].上海经济研究,2015(11):37-46. 
  [11]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[J].财经理论与实践,2015(1):2-6. 
  [12]范超,王磊,解明明.新经济业态 P2P 网络借贷的风险甄别研究[J].统计研究,2017(2):33-43. 
  [13]卢娣.我国发明专利审查周期的影响因素探析[J].科研管理,2017(7):137-144. 
  [14]宁连举,李萌.基于因子分析法构建大中型工业企业技术创新能力评价模型[J].科研管理,2011(3):51-58. 
  [15]邓晓宇,杨俊峰,申杰,刘思思.基于因子分析的电信用户入网综合评价[J].信息通信,2014(2):236-237. 
  责任编辑:李金霞 
  Abstract: Through using Cox regression model and factor analysis method, based on the platforms' data information such as Wang Dai Zhi Jia, the risk of 314 online loan platforms in China was evaluated. Cox regression analysis shows that for each additional 1 million yuan of paid-up capital of China's online lending platform, the probability of problems is reduced by about 5%; for each 1% increase in lending rates, the probability of a platform problem increases by about 4.5%; and the survival rate of non-private department platform is about 6.5 times in compared with the private. And further application of factor analysis concluded that the risk of the platform is mainly determined by the internal control structure, product design, financial security model and platform type and other factors of the platform, which can benefit the platform to control their own risks and investors to understand the objective platform ,so as to ensure the healthy development of the net loan market. 
  Key words: Lending Platform;Risk Evaluation; Factor Analysis; Lending Rates; Internet Finance


  

本文出自:http://www.starlunwen.net/jjxll/186123.html

本文TAGS:

上一篇浅谈企业的经营发展之路 下一篇:没有了