借款人信用評分的高低對借款利率的影響分析

劉會敏

【摘要】本文通過對借款人披露的信息進(jìn)行整合，分析出每個(gè)借款人信用的綜合得分，在信息整合的過程中采用了因子分析法對所選指標(biāo)提取公因子，并將每個(gè)因子的方差貢獻(xiàn)率占比作為權(quán)重整合獲得綜合得分。利用多元線性回歸考察借款利率與借款人信用得分之間關(guān)系，回歸結(jié)果顯示借款人信用得分與借款利率之間的關(guān)系呈現(xiàn)負(fù)相關(guān)關(guān)系。

【關(guān)鍵詞】人人貸 信用評分 借款利率

一、引言

網(wǎng)絡(luò)借貸是隨著互聯(lián)網(wǎng)發(fā)展而興起的一種金融創(chuàng)新模式。目前降低P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)的一個(gè)合理可行的思路就是加強(qiáng)信息披露，大規(guī)模的信息可為評價(jià)借款人信用提供依據(jù)，從而緩解借貸行為中固有的信息不對稱與道德風(fēng)險(xiǎn)。借款描述作為一種典型的軟信息，是借款人所寫的供潛在出借人閱讀的，關(guān)于自身以及借貸事項(xiàng)的描述?？蠲枋鐾ǔ０杩钊说慕杩罱?jīng)歷和當(dāng)前狀況，可側(cè)面反映借款人的某種品質(zhì)和人格。

二、文獻(xiàn)綜述

國內(nèi)外有很多關(guān)于影響借款利率的因素分析，其中陳霄葉德珠（2016）就指出借款人年齡、婚姻及教育水平能夠顯著地提高借款人的定價(jià)效率。[1]苑言方（2017）指出借款金額、借款期限與借款利率正相關(guān)，還款方式與借款利率負(fù)相關(guān)。[2]楊理（2015）實(shí)證結(jié)果發(fā)現(xiàn)P2P網(wǎng)絡(luò)借貸平臺中信用等級越高的人，借款利率越低，即網(wǎng)絡(luò)借貸平臺對借款人的信用評級對投資人起到了實(shí)質(zhì)性的幫助;借款期限越短，借款利率越低;借款金額越高，借款利率越高。[3]姚鳳閣和隋昕（2016）分析了借款人信用等級、投標(biāo)成功次數(shù)等9個(gè)指標(biāo)對P2P網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險(xiǎn)的影響。信用水平的有效媒介。[4]

陳麗（2016）指出借款人的信用風(fēng)險(xiǎn)主要有兩方面的原因：一是借款人的還款能力因素;二是借款人的道德因素。[5]鄭彥彥（2016）利率、還款期限和還清筆數(shù)成為借款人違約風(fēng)險(xiǎn)的預(yù)測因素。[6]李焰君等（2014）指出描述性信息會對投資人決策產(chǎn)生影響。這篇文章主要研究了個(gè)人經(jīng)歷、品質(zhì)、性格等信息的影響。[7]Petersen&Rajan（1994）認(rèn)為，當(dāng)存在嚴(yán)重的信息不對稱時(shí)，借款人與投資人之間的人際關(guān)系對借款成功起著非常重要的作用。[8]

三、數(shù)據(jù)來源

本文選取2016年1月15號至2016年2月24號人人貸數(shù)據(jù)進(jìn)行分析。我們總共得到了8545條借款人信息，因?yàn)槲覀冞@里主要研究的是借款人的信用問題，故而在此選取信用認(rèn)證的378條數(shù)據(jù)。我們選取的借款人的信用指標(biāo)主要有年齡、學(xué)歷、婚姻、公司規(guī)模、收入、房產(chǎn)、房貸、車產(chǎn)、車貸、申請次數(shù)、成功次數(shù)、還清次數(shù)。

四、實(shí)證分析

從KMO 和 Bartlett ‘s Test 的檢驗(yàn)結(jié)果得到 KMO 的值為0.687，比較適合做因子分析。Bartlett 球形檢驗(yàn)的P值為0.00，表明變量之間存在相關(guān)關(guān)系，適合做因子分析。

變量的共同度越接近1，說明被變量公共因子解釋的程度越高，因子分析的效果越好。求解變量的前幾個(gè)主成分，進(jìn)行簡單的數(shù)學(xué)變換就可以得到因子載荷矩陣。與主成分分析類似，可以根據(jù)因子的累計(jì)貢獻(xiàn)率確定因子的個(gè)數(shù)。

我們選取了6了因子以求達(dá)到更高的解釋力，減少偏差。由于此時(shí)得到的未旋轉(zhuǎn)因子的實(shí)際意義不好解釋，因此對公共因子進(jìn)行方差最大化正交旋轉(zhuǎn)，使輸出的載荷矩陣中各列按載荷系數(shù)大小排列，在同一個(gè)公共因子上具有較高載荷的變量排在一起。

計(jì)算因子得分，并以各因子的方差貢獻(xiàn)率占三個(gè)因子的總方差貢獻(xiàn)率的比重作為權(quán)重進(jìn)行加權(quán)匯總，得出綜合得分。

F=（22.768F1+13.833F2+12.988F3+12.033F4+8.856F5+8.664F6）/ 79.142

為防止出現(xiàn)異方差還進(jìn)行了穩(wěn)健性回歸，發(fā)現(xiàn)回歸結(jié)果變化不大，說明異方差存在不明顯，影響不大，故而這里選用了普通回歸結(jié)果，從回歸的結(jié)果得在控制借款期限及借款金額兩大影響因素之后，信用得分與借款利率負(fù)相關(guān)，并且是顯著的。貸款期限與借款利率正相關(guān)，貸款金額與借款利率負(fù)相關(guān)，也是顯著的。

五、結(jié)論

從上面的結(jié)論可以給借款人以提示，在借款時(shí)，會由于自身的財(cái)產(chǎn)狀況使借款利率收到影響。從而促進(jìn)借款人在對自己不利的方面努力改善自身狀況。另一方面，對于投資人來說，由于借款人的信用程度較低時(shí)，就會有更高的風(fēng)險(xiǎn)回報(bào)，但是投資人應(yīng)考慮好在自己承受能力范圍內(nèi)進(jìn)行投資，從而努力實(shí)現(xiàn)超額回報(bào)。

參考文獻(xiàn)：

[1]陳霄，葉德珠. 定價(jià)效率、不確定性與借款利率— —來自P2P網(wǎng)絡(luò)借貸的經(jīng)驗(yàn)證據(jù)[J]. 國際商務(wù)（對外經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào)）， 2016（5）：113-121.

[2]苑言方. P2P網(wǎng)貸平臺借款利率影響因素實(shí)證研究[J]. 黑龍江工業(yè)學(xué)院學(xué)報(bào)，2017，17（7）：91-95.

[3]楊理. 我國P2P網(wǎng)絡(luò)借貸利率的影響因素分析[D]. 廣西：廣西師范大學(xué)，2015.04.

[4]姚鳳閣，隋昕. P2P 網(wǎng)絡(luò)借貸平臺借款人信用風(fēng)險(xiǎn)影響因素研究———來自“拍拍貸”的經(jīng)驗(yàn)依據(jù)[J]. 哈爾濱商業(yè)大學(xué)學(xué)報(bào)（社會科學(xué)版），2016（1）：3-10.

[5]陳麗.p2p借款人信用風(fēng)險(xiǎn)研究[D].上海：華東政法大學(xué)，2016.04.

[6]鄭彥彥.我國P2P網(wǎng)絡(luò)借貸借款人信用風(fēng)險(xiǎn)研究[D].河南：河南大學(xué)，2016.06.

[7]李焰，高弋君，李珍妮，才子豪，王冰婷，楊宇軒[J].經(jīng)濟(jì)研究，2014（增1）：143-155

[8]Berger， A， N.，and G.F.Udell， “Relationship Lending and Lines of Credit in Small Firm Finances”， Journal of Business，1995，68（03）：351-381.