我国P2P平台网络借贷逾期行为和羊群行为研究_吕勇斌

网络出版地址：http://www.cnki.net/kcms/detail/42.1009.C.20160310.0809.043.html

DOI:10.13546/j.cnki.tjyjc.2016.04.043财经纵横我国P2P平台网络借贷逾期行为和羊群行为研究

吕勇斌1，姜艺伟1，张小青2

（1.中南财经大学金融学院武汉430074；2.国家统计局湖北调查总队，武汉430071）

摘要：通过对P2P网贷平台人人贷数据的持续跟踪与抓取，对参与的借款人-平台-出借人的借贷逾期行

为和羊群行为进行定量分析。研究发现，对逾期行为造成显著性影响的变量有借款金额、借款期限、借款利率、借款人性别、借款人收入、借款人受教育程度、借款人有无房贷、借款人婚姻状况、借款人信用等级、借款人已偿清比率、借款人成功借款比率等。P2P网贷存在显著的羊群行为。

关键词：P2P网络借贷；逾期行为；羊群行为中图分类号：F830.5文献标识码：A文章编号：1002-87（2016）04-0162-04

互联网平台的P2P借贷平台拍拍贷成立，从2011年起我

0引言

自2005年以来，以Zopa、Lendingclub、Prosper为代表的P2P网络借贷模式在欧美兴起，之后该模式被广泛复制，迅速在世界范围内推广开来，在“被遗忘的金融市场”做了惠普金融和金融民主化意义的事情，表现出了旺盛的生命力和持续的创新能力。2007年8月，我国第一家基于

国P2P借贷市场开始爆发，平台数量和年度总交易额均以每年4—5倍的速度递增，其发展的速度和规模早已超过欧美等国家。

在我国P2P网贷高速成长的同时，问题平台大幅上升，严重影响到正常平台的运营。另据网贷之家研究院统计，2014年全年问题平台达275家，是2013年的3.6倍，12月问题平台高达92家，超过2013年全年问题平台数量。

基金项目：高校基本科研业务费资助项目（31541310503）作者简介：吕勇斌（1978—），男，湖北鄂州人，博士后，副教授，研究方向：区域金融。（2）汇率变化在短期内对消费者价格也存在着显著但是不稳定的非对称性影响。消费者价格在短期内的调整路径复杂多变，且向新均衡水平的调整过程较为冗长。因此，建立在长期非对称性基础上的通货膨胀预测更可靠、更稳定，同时也说明短期通货膨胀的预测更困难。

（3）人民币汇率变化对消费者价格的非对称性影响在为货币当局预测未来通货膨胀提供可靠依据的同时，也使货币当局面临两难境地。一方面，维持并扩大现有的贸易优势使货币当局存在着币值低估的激励；另一方面，币值低估对消费者价格的提高程度远远大于币值高估时消费者价格下降的程度。在相机抉择货币框架下，货币当局以经济增长为目标的逆风而行使得汇率出现交错性的升值与贬值波动。假设每次的升值与贬值程度相同，如此交错下去，尽管汇率仍然处于均衡水平，但是由于贬值带来的物价上涨程度高于升值导致的物价下降程度，因此，长期内通货膨胀将面临着上涨的压力。而要维持物价水平的长期稳定，那就要货币升值程度高于货币贬值程度，而这又会导致人民币在长期内现出更大的升值压力，市场主体升值预期增强，不利于贸易优势的维持及经济持续、稳定增长。

（4）实证检验表明，尽管对称性ARDL模型中的汇率与消费者价格也存在着显著的协整关系。但是，由于没有

162

统计与决策２０16年第4期·总第448期

注意到汇率传递的非对称性，从而高估了汇率传递。尤其是在货币升值10%时，对称性ARDL模型的汇率传递为-2.1%，而非对称性下的货币升值时，汇率传递为-0.69%。可见，对称性ARDL模型严重高估了汇率传递。这也使得建立在对称性ARDL模型基础上的通货膨胀预测存在严重偏误，并进而影响了货币制定与执行的强度。

参考文献：

[1]YangJ.IsExchangeRatePass-ThroughSymmetric?EvidenceFrom[2]WickremasingheG,SilvapulleP.ExchangeRatePass-ThroughtoTrade,2004,(6).

USImports[J].AppliedEconomics,2007,39(2).

ManufacturedImportPrices:TheCaseofJapan[J].International

[3]BussièreM.ExchangeRatePass-ThroughToTradePrices:TheRoleofNon-LinearitiesandAsymmetries[Z].EuropeanCentralBankWorkingPaperSeries,2007.

[4]NogueiraR,Leon-LedesmaM.ExchangeRatePass-ThroughIntoIn⁃flation:TheRoleofAsymmetriesandNonLinearities[J].StudiesinEconomics,2008,(1).

[5]Brouwer,Ericsson.ModellingInflationinAustralia[Z].ReserveBankofAustraliaResearchDiscussionPaper,1995.

（责任编辑/浩天）

财经纵横贷款余额突破千亿大关的背后，意味着网贷平台将面临前所未有的兑付高压，许多平台被曝光出现提现困难。国内相关研究主要是以理论阐述和定性分析的方法为主，围绕P2P网络借贷的起源和发展、内涵与特征、运营模式、法律监管、国内外比较等问题展开，而从P2P借贷平台的内部视角，研究P2P网络借贷行为的影响因素的文献仍然相对缺乏。本研究认为，深入了解交易双方的行为特征是制定科学合理的基础。本研究从出借人的行为、借款人的行为以及平台的信息三个维度出发，重点对P2P网络借贷中出现的逾期行为和羊群行为进行定量分析，以丰富P2P借贷过程中涉及到的行为因素。1理论假设与数据准备1.1理论假设逾期行为在借贷关系中为普遍存在的行为，依据常识理解，本研究对逾期行为做出如表1所示的假设。表1假设H1内容逾期行为的假设假设依据用户信息变量（U）i借款信息变量（L）i表2指标类别变量变量赋值释意

变量的取值定义认证方式“机构担保标”赋值为3；“实地认证标”赋值为2；（Certification）“信用认证标”赋值为1借款金额（Amount）借款期限（Time）借款利率（Rate）年龄（Age）性别（Gender）借款金额赋值：（0，10000]、（10000，50000]、（50000，100000]、（100000，+∞)分别为1、2、3、4借款期限按1-12个月、12-18个月、18-24个月、24个月以上分别赋值为1、2、3、4借款年利率按0%-12%、12%-15%、15%-20%、20%及以上分别赋值为1、2、3、4年龄段按照20岁以下、20-30岁、30-40岁、40-50岁、50以上分别赋值为1、2、3、4、5“男性”赋值为2、“女性”赋值为1婚姻状况“丧偶”赋值为4；“离异”赋值为3；“已婚”赋值为（Marriage）1；“未婚”赋值为0房产（House）车产（Car）学历（Education）收入情况（Income）信用等级（Credit）逾期比率（OverdueR）信用变量（C）i已清偿比率（PayoffR）有房赋值为1；无房赋值为0有车赋值为1；无车赋值为0大专/高中以下赋值为1；本科赋值为2；研究生及以上赋值为3收入赋值：（0，2000]、（2000，5000]、（5000，10000]、（10000，20000]、（20000，50000]、（50000，+∞）分别为1、2、3、4、5、6信用等级按照A、B、C、D、E、F分别赋值为6、5、4、3、2、10%，1%-99%，100%分别赋值为0，1，20%，1%-99%，100%分别赋值为0，1，2借款金额越少、利率越低、期限越短，借款金额、借款利率、借款期限借款人的还款压力就越小，逾期行为与逾期发生概率正相关发生的概率也越小男性比较愿意去尝试高风险的事情，男性借款者的逾期率高于女性逾期的可能性更大年龄越大的人越稳重，逾期的情况会年龄与逾期发生的概率负相关较之于年轻人好一些未婚借款着的逾期率高于已婚未婚借款者还款来源相对而言比较不借款者稳定，逾期发生的可能性会较大借款者的收入与逾期发生的概借款人收入越高，还款保障越强，逾期率负相关发生的可能性越小借款者的信用等级与逾期发生借款人信用等级越高，资质越好，逾期的概率负相关发生的可能性就越小H2H3H4H5H60%-10%，10%-20%，20%-30%，30%-40%，成功借款比率40%-50%，50%-60%，60%-70%，70%-80%，（SuccessR）80%-90%，90%-100%分别赋值为1，2，3，4，5，6，7，8，9，10表3变量年龄总额利率期限表4认证方式信用认证标实地认证标机构担保标表5

性别性别女男次数13530009比例（%）17.482.6婚姻未婚已婚离异丧偶主要变量描述性统计结果数量77539775397753977539最小值15300083最大值625000002436平均数31.56655.0413.79119.551.2数据准备（1）数据来源本研究的数据来源于两部分：第一是人人贷，选取的主要分频变量的频数统计结果（1）认证方式次数58167171042268比例（%）7522.12.9学历大专及以下本科研究生或以上教育程度次数60794156861059比例（%）78.420.21.4时间段为2014年1月1日至2014年9月30日，共跟踪和抓取9427有效数据，在对数据进行分类并剔除无用数据后，本文所使用的数据共有77539条数据；第二来源于第三方网贷平台的数据记录，将近一年来的评级分数求均值，以对各平台进行比较。

本研究对人人贷上所抓取的数据做赋值处理见表2。（2）描述性统计

对借款人信息所做的描述性统计如表3所示。主要分类变量的频数统计结果如表4、表5所示。从表4—表5可以看出，在认证方式中信用认证标占比达到了75%，说明尽管人人贷的业务模式是线上+线下，但主要还是以线上交易为主。在受教育程度上，主要为大专及以下的借款人借款需求较多，比例达到了78.4%。在性别上面，主要以男性借款为主，比例达到了82.4%。在婚姻状况方面，已婚的借款者比例最多，达到了55.3%。这也说明我国目前的P2P网络借贷平台主流借款人还是以信用担保为主，受教育程度较低的已婚男性。

主要分频变量的频数统计结果（2）

婚姻状况次数293804225068199比例（%）37.955.36.50.32实证分析2.1

P2P网络借贷中逾期行为分析

既然P2P网络借贷是借款者和出借者对资金需求的一个匹配，那么便必然存在着借款者逾期还款的风险。逾期行为分析所需变量如表6所示。

我们建立logistic回归模型如下：

统计与决策２０16年第4期·总第448期

163

财经纵横表6

借款者逾期行为分析所需要的变量

自变量名因变量名借款信息变量（Loan）借款金额（Amount）借款人是否逾期Y1借款期限（Time）用户信息变量（Userinfo）年龄（Age）婚姻状况（Marriage）信用变量（Credit）信用等级（Credit）逾期比例（OverdueR）已还清比率（PayoffR）已成功比率（SuccessR）表9

变量Amount(借款金额)Rate（借款利率）Time（借款期限）Gender（性别）Income（收入）Education(学历)HouseL(房贷)Marriage（婚姻）Credit（信用等级）显著性变量的分析说明（逾期）

系数说明-0.406系数为负，说明借款金额越大，借款人逾期***（0.000）的可能性越小0.385系数为正，说明借款利率越低，借款人逾期***（0.000）的可能性越小-0.21系数为负，说明借款期限越长，借款人逾期***（0.000）的可能性越小0.268系数为正，说明女性与男性相比，逾期的可**（0.076）能性更小0.222系数为正，说明在人人贷网站上，收入较低***（0.000）的人，逾期的可能性较小-0.410系数为负，说明学历越高的人，逾期的可能***（0.000）性越小-0.411系数为负，说明有房贷的借款人逾期的可能*（0.006）性更大0.235系数为正，说明未婚的借款人逾期的可能性*（0.008）更小系数为正，说明信用等级低的借款者发生逾0.246期的可能性较小，这主要是因为评级为HR**（0.004）(赋值为1)的借款者大多是第一次借款没有逾期行为记录系数为正，但不具备参考性实际上清偿比率1.238为0的借款人占比为92%对结果有一定的（0.000***）误导，清偿比率1-99%、100%的逾期率分别为36%、16%性别有无房产（House）（Gender）有无房贷（HouseL）有无车产（Car）借款利率学历（Rate）（Education）认证方式收入（Certification）（Income）P(Y1=1)ln=b0+β1iLi+β2iDi+β3iCi+εP(Y1=0)其中，b0为在不被任何自变量影响的情况下，因变量逾期和不逾期的事件概率之比的对数值。β1i、β2i、β3i为相对应的系数，当改变一个单位时，因变量逾期与不逾期发生概率之比的对数变化值。本研究对模型预测的成功率进行分频分析，如表7所示。由分频表我们可以看出，尽管模型的整体解释比高达90.7%，但模型对于逾期行为（赋值为“1”）的预测程度仅只有6.9%，对不存在逾期行为的解释力度达到了98.8%。这主要是因为在借款成功的散标中，有91%的借款项目均是没有逾期行为的，有逾期行为的样本仅占所有成功借款项目的8%，样本占比过小。整体模型预测成功率为90.7%，说明模型的解释力度是十分可信的。回归结果如表8所示。其中显著的变量及分析如表9所示。对假设的验证如表10所示。表7观察值步骤逾期行为整体百分比表8变量AmountRateTimeGenderIncomeAgeHouseEducationHouseLCarMarriageCarLCreditPayoffRSucceseR常数方程的系数（逾期）Beta系数-.406.358-.210.268.222-.029.091-.410-.411-.127.235-.221.2461.238.179-4.195P显著性.000***.000***PayoffR(已清偿比率)系数为正，但不具参考性。实际上借款成功SucessR0.179率在50-80%的借款人，由于样本量较少呈（借款成功比率）（0.000***）现出逾期率上升的趋势表10假设H1内容假设的验证及说明（逾期）结论说明分频表（逾期）预测值逾期行为001596054017340正确百分比98.86.990.7借款利率与逾期发生情况正借款金额、借款利率、借款期限部分同意相关，而借款金额和借款期与逾期发生概率正相关限与此负相关男性借款者的逾期率高于女性年龄与逾期发生的概率负相关未婚借款着的逾期率高于已婚借款者借款者的收入与逾期发生的概率负相关借款者的信用等级与逾期发生的概率负相关同意待定不同意女生的逾期概率要小于男性从回归模型结果来看，年龄变量并不显著未婚借款者的逾期率要低于已婚的借款者H2H3H4H5Exp（B）.6661.431.8111.3071.248.9711.096.6.663.8811.265.8021.2793.4471.196.015H6从样本数据来看，借款人的不同意收入与逾期发生的概率是正相关的待定由于评级为B、C、D的样本数量较小，无法简单根据系数为正来判定.000***.076**.000***相互；（3）非权力集中化。P2P借贷平台均满足这三项条件，体现出在P2P网络借贷的过程中会出现羊群行为。P2P网贷中的羊群行为是指平台上的每一个出借人容易受其它出借人的影响，在一定程度上，会因为其它出借人所选中的借款项目而影响自身对借款项目的判断。我国P2P网贷行业处于发展的初期阶段，而且国内的个人征信不完善，大多数为第一次借款的用户。考虑到如此复杂并且不确定的投资环境，面临近百个借款项目，缺失经验的出借者往往需要关注其他出借者的决策，依赖其他出借者的决策进行投标。由此，中国P2P网贷中的羊群行为更为明显。

本研究将样本分为两类：样本1为此前有借款记录的借款项目；样本2为此前无借款记录的项目。二者对比如

.516.417.000***.006*.317.008*.323.004**.000***.000***.000***2.2P2P网络借贷的羊群行为分析

Surowiecki（2004）指出，当以下三个条件同时被满足

时，一个集体行为就会产生：（1）个体多样化；（2）个体成员

1

统计与决策２０16年第4期·总第448期

财经纵横表11所示。

表11

借款成功借款失败样本分析表

样本111.188.9（单位：%）样本26.793.3此外，在实证分析中，尽管有部分自变量对因变量的影响显著，但系数的正负并不能很好的用常理来进行解释。这说明了我国P2P网络借贷行为仍有部分行为不合常理的参与者。因此，我国应该在P2P网络借贷平台大力发展之时，加强对平台的监管，并对平台的操作提出指导性的建议，以规范平台运营及操作方式，出借人才能够尽可能降低风险，借款人也越发能够以最低的成本进行借款。

参考文献：

[1]陈冬宇，赖福军，聂富强.社会资本、交易信任和信息不对称——个会科学版），2013，（4）.

[2]陈宵，丁晓裕，王贝芬.民间借贷逾期行为研究——基于P2P网络借贷的实证分析[J].金融论坛，2013，（11）.研究[J].商业时代，2011，（1）.

[3]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[4]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，（3）.拍拍贷的实证研究[J].现代财经，2014，（7）.大学，2013.

[5]曾江洪，杨帅.P2P借贷出借人的羊群行为及其理性经验——基于[6]周曼.P2P网络借贷投资行为影响因素的实验研究[D].苏州：苏州[7]LeeE,LeeB.HerdingBehaviorinOnlineP2PLending:AnEmpiri⁃tions,2012,11（5）.

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

由表11可以看出，当有借款者之前的借款记录作为参考的时候，借款人借款成功的概率为11.1%，要高于第一次借款的借款成功率6.7%。这说明出借人在选择借款项目时，会考虑经过其它出借人筛选过后的成功项目。这也体现了出借人会考虑他人的投资情况来为自己的选择作为参考。此外，有相关研究表明，借款成功率对借款成功与否的影响是显著的且成正比，这也说明了借款人此前良好的借款记录会对最新一次的借款项目有正向的引导作用。3结论与建议

在我国P2P借贷平台迅猛发展之时，我们不能忽略平台存在的各种问题。通过研究P2P网络借贷的逾期行为，可以使出借人在借款初期预测该借款项目逾期的风险大小；通过研究P2P网络借贷的羊群行为，可以促使平台加强借款人与出借人、出借人与出借人的联系。这都是研究P2P网贷行为带来的启示。

以人人贷数据为例，有成功借款记录的借款人的逾期概率仅有8%，说明有过一次成功借款记录的投资者在还款期内表现十分良好，逾期概率低。这也说明平台的借款人也十分在意对自己信用记录的维护，均按时还款，这也为后期的借款成功率的提高提供了保障。

通过实证部分的分析，当有借款者之前的借款记录作为参考的时候，借款人借款成功的概率为11.1%，要高于第一次借款的借款成功率6.7%，P2P借贷行为中是存在显著的羊群行为的。由于P2P网络借贷环境的不确定性，加上参与网络借贷的低门槛，虽然有借款者提供了各种相关的资料证明，但没有实际观察到具体情况的出借人还是难以估计借款者的违约风险。于是出借人便只能凭借借款人之前的表现来进行选择，之所以会参考借款人之前的表现，主要是因为借款人先前的借款申请不管是申请成功或是失败，已经经过其它出借人筛选过，值得新投标的出借人进行借鉴。

calInvestigation[J].ElectronicCommerceResearchandApplica⁃

[8]LinM,PrabhalaNR,ViswanathanS.JudgingBorrowersByTheCom⁃panyTheyKeep:FriendshipNetworksandInformationAsymmetryinOnlinePeer-to-PeerLending[J].ManagementScience,2013,59（1）.

[9]KlafftM.OnlinePeer-to-PeerLending:ALenders'Perspective[C]//ProceedingsofTheInternationalConferenceonE-Learning，E-Busi⁃ness，EnterpriseInformationSystemsandE-Government,EEE,2008.

[10]RaynH.ATrustedInfrastructureforP2P-basedMarketPlaces.

on,2008.

Peer-to-PeerComputing[Z].IEEENinthInternationalConference

[11]YumH,LeeB,ChaeM.FromTheWisdomofCrowdstoMyOwn

JudgmentinMicrofinanceThroughOnlinePeer-to-PeerLendingPlatforms[J].ElectronicCommerceResearchandApplications,2012,11（5）.

（责任编辑/聂慧丽）

统计与决策２０16年第4期·总第448期

165