摘要: 随着金融科技(FinTech)的快速发展，P2P (Peer-to-Peer)网贷模式经历了显著的变革。本研究旨在探讨金融科技如何影响P2P网贷业务模式，特别是在风险评估和信用评分精准度方面的作用。通过综合分析金融科技的核心技术——包括人工智能(AI)、大数据、区块链技术——本文揭示了这些技术如何帮助金融机构提高信用评分的准确性和风险管理的效率。本文以“人人贷”为案例，利用Logistic回归模型分析了贷款人信用风险评定的影响因素，突出了金融科技在优化信用评估流程中的关键作用。结果表明，通过利用AI和大数据进行深入分析，可以更准确地识别借款人的信用风险，从而减少违约率并优化贷款决策过程。此外，本研究讨论了金融科技在提高P2P网贷监管效率和促进行业健康发展中的潜力。然而，金融科技的应用也带来了隐私保护和数据安全等挑战。文章最后建议，通过建立健全的监管框架和加强技术安全措施，可以最大化金融科技的积极影响，同时降低潜在风险。
Abstract:
With the rapid development of financial technology (FinTech), the P2P (Peer-to-Peer) online lending model has experienced significant changes. This study aims to explore how FinTech affects the P2P online lending business model, especially in terms of risk assessment and credit scoring accuracy. By comprehensively analyzing core fintech technologies, including artificial intelligence (AI), big data, and blockchain technology, this paper reveals how these technologies can help financial institutions improve the accuracy of credit scoring and the efficiency of risk management. Taking “Renren Loan” as a case study, the paper analyzes the influencing factors of credit risk assessment of lenders using logistic regression model, highlighting the key role of fintech in optimizing the credit assessment process. The results show that through in-depth analysis using AI and big data, the credit risk of borrowers can be identified more accurately, thus reducing the default rate and optimizing the loan decision-making process. In addition, this study discusses the potential of fintech in improving the efficiency of P2P lending regulation and promoting the healthy development of the industry. However, the application of fintech also brings challenges such as privacy protection and data security. The article concludes by suggesting that the positive impact of fintech can be maximized while reducing potential risks by establishing a robust regulatory framework and strengthening technological security measures.
1. 引言
自2018年起，P2P (Peer-to-Peer)借贷行业面临诸多挑战，包括行业内的问题频发以及监管机构的加强监督。这段时期见证了对P2P平台的严格审查，众多地方政府相继开展了针对P2P平台的立案调查，这些措施旨在识别并消除金融风险，保护投资者利益。到2020年11月中旬，大量未符合监管要求的P2P平台在法律上被彻底清理。这一系列的监管举措不仅反映了政府对金融安全的重视，也标志着P2P借贷行业进入新的整合与规范化阶段。此外，这个过程中积累的经验和教训对于未来金融科技领域的发展具有重要意义。首先，监管框架的不断完善是确保金融科技健康发展的基石。其次，对P2P平台的严格监管揭示了金融创新与风险管理之间的微妙平衡。最后，这段历史强调了透明度和合规性在维护市场稳定中的关键作用，为金融科技行业提供了宝贵的参考。
党的二十大报告把“科技自立自强能力显著提升”作为未来五年我国发展的主要目标任务之一。近年来，中国在多个区域推进了科创金融改革试验区的建设。科技创新金融试验区的实施，象征着我国在科技创新金融领域的发展步入了一个崭新的时期。这不仅涉及金融产品与服务体系的进一步完善，更延伸至促进科技、产业与金融三者之间的健康循环。因此，试验和创新成为科创金融发展的关键焦点。
金融科技(FinTech)的快速发展为P2P (Peer-to-Peer)网贷模式带来了深刻的变革和创新潜能。P2P网贷，作为金融科技领域的一个重要组成部分，指的是通过线上平台将贷款需求者与资金供给者直接连接起来，从而绕过传统的金融中介机构进行借贷的一种模式。然而，随着技术的进步和市场的发展，P2P网贷面临着新的机遇与挑战，这对其模式创新产生了重要影响。首先，区块链技术的应用是推动P2P网贷创新的关键因素之一。区块链技术以其去中心化、透明化、不可篡改的特性，为解决P2P网贷中的信任问题和降低交易成本提供了有效途径。例如龚强，班铭媛&张一林(2021) [1]提到基于区块链技术的数字供应链金融将成为一种更加高效、普惠的金融支持手段。其次Chulawate N. & Kiattisin S (2023) [2]聚焦于P2P平台成功的关键影响因素，解析信息因素对P2P借贷者决策的影响。对于网贷平台风险管理以及监管层面，叶湘榕(2014) [3]学者认为监管应确定金融创新容忍、行为监管、监管一致性和消费者保护的原则，根据不同P2P模式的性质和风险情况制定有针对性的监管方案，同时加强行业自律。余庆泽，杨玉国，毛为慧等(2019) [4]从行业规范发展视角对P2P网贷以及科技金融服务平台发展提出了对策建议。尽管上述文献为我们提供了金融科技对P2P网贷模式创新的深入理解，但仍存在一些研究空白，在P2P网贷中，消费者(包括借款人和投资者)的行为对平台的成功至关重要，但目前关于金融科技如何影响消费者行为的研究还不够深入以及虽然有研究探讨了特定技术在风险管理中的应用，但关于如何综合运用多种金融科技工具进行风险管理的研究仍然不足。
基于以上背景，本文首先运用Logistic回归模型对于传统P2P平台人人贷的贷款人信用风险的评定影响因素进行实证分析，并借由此分析P2P网络借贷平台的风险，加强我们对P2P网贷平台演变的理解;其次关注金融科技对P2P网贷模式创新的潜在影响；最后就金融科技对未来P2P网贷形式的转换以及创新发展进行展望，以期为进一步开展相关研究提供参考。
2. 金融科技概述
金融科技，通常被称为FinTech，指的是一群利用技术手段使金融服务变得更加高效的公司形成的经济行业。这些金融科技公司常常旨在颠覆那些传统的、技术不够先进的大型金融企业和系统。金融科技公司利用人工智能(AI)、区块链(Blockchain)、云计算(Cloud Computing)和大数据(Big Data)等技术来推动服务和行业的创新，这些技术通常被统称为金融科技的“ABCD”。爱尔兰国家数字研究中心(NDRC)定义金融科技为“金融服务创新”，这一概念广泛适用于利用技术的各个领域，包括消费性产品、新兴和现有企业间的竞争，以及区块链和比特币等创新技术。金融科技在全球金融服务领域的应用正迅速扩展，引领了一系列创新和变革的发展趋势。目前，金融科技的全球监管面临着跨境扩展的挑战，数字支付和移动银行应用作为其最普遍的应用形式之一，已显著改善了支付便捷性和用户体验。此外，金融科技公司还开发了诸多个人财务管理工具，助力用户跟踪消费、规划预算和优化投资，极大地便利了人们的生活。然而，在监管合作方面，尚存在明显不足。
3. P2P网贷业务模式——以人人贷为例
3.1. 人人贷现状
截至2020年9月30日，人人贷平台的总借贷余额达到近250.5亿元人民币，拥有约189,065名出借人。尽管官方数据显示逾期率为零，平台却未能履行对出借人的本息支付义务，导致出借人被迫选择以折扣价通过“应急转让通道”退出，从而可能留存近45亿元人民币资产于平台，其归属未明。面对加强的政府监管和行业合规要求，人人贷及其他多个P2P平台面临关闭或转型的压力。人人贷正在执行资金清退方案，并努力适应严格的监管要求，尽管出借人资金回收存在难度。
3.2. 人人贷网贷平台贷款人信用风险评定影响因素实证分析
3.2.1. 数据来源以及指标选取
本文选择贷款人信用风险等级测定作为分析对象，将因变量作为一个二元变量，贷款人信用风险评定等级高，则赋值为1，贷款人信用风险评定等级低，有违约的可能性，不能够按时还清贷款，则赋值为0。主要从以下三个大方面分析贷款人信用风险等级评定的影响因素，包括贷款人个人信息、贷款人交易信息、以及贷款人历史借贷信息。为了能够得出数据量化的分析结果，分别对上面提到的三个大方面对信用评定影响因素赋值(表1)。
Table 1. Assignment of credit risk rating influencing factors
表1. 信用风险评定影响因素赋值
变量分类 |
变量名称 |
变量赋值 |
贷款人个人信息 |
年龄 |
借款人年龄18~25岁赋值1，26~33岁赋值2，34~41岁，赋值3，42~49岁赋值4，50~59岁赋值5 |
性别 |
男性赋值0，女性赋值1 |
职业 |
自由职业赋值0，学生赋值1，自媒体网络业主赋值2，私营业主赋值3，工薪阶层赋值4 |
贷款人交易信息 |
贷款用途 |
实体经营赋值1，电商经营赋值2，创业经营赋值3，个人消费赋值4 |
利率 |
贷款人在人人贷平台借款时的利率 |
贷款期限 |
贷款人在人人贷平台借款时的还款期限 |
贷款规模 |
贷款人实际得到的贷款金额 |
每月还款额 |
贷款人每月应还贷款数额 |
平台历史借款 |
首次平台贷款赋值0，第二次极其以上赋值1 |
贷款人历史借贷信息 |
中标次数 |
贷款人在当次借款前成功次数 |
流标次数 |
贷款人在当次借款前失败次数 |
3.2.2. 基于Logistic回归模型的实证分析
本文从网贷之家网站中2015~2019年间年报中借款人信息、人人贷网站以及问卷调查平台提取贷款人借款指标相关数据作为研究分析对象。Logistic回归为概率型非线性回归模型，在本文中分析风险与上文提到的影响因素之间的关系。
对于表1，11个变量分别将其命名为X1，X2，X3，X4，X5，X6，……，X11，在这11个自变量的影响下，人人贷网贷平台贷款人信用风险Logistic回归模型公式如下：
(1)
Age X1，gende rX2，profession X3，purpose X4，rate X5，time X6，total X7，monthly X8，history X9，success X10，fail X11，根据公式1将以上11个变量导入SPSS22.0软件中进行回归分析，回归分析见表2。
Table 2. Logistic analysis
表2. Logistic分析
credit |
Coef. |
Std. |
Err. |
z |
P > |z| |
[95% Conf. Interval] |
age |
−0.0302627 |
0.1169285 |
−0.26 |
0.796 |
−0.2594383 |
0.1989129 |
gender |
0.4382802 |
0.1724 |
2.54 |
0.011 |
0.1003824 |
0.7761781 |
profession |
1.194599 |
0.0879815 |
13.58 |
0.000 |
1.022159 |
1.36704 |
purpose |
0.3673717 |
0.093047 |
3.95 |
0.000 |
0.185003 |
0.5497404 |
rate |
0.0094459 |
0.0227182 |
0.42 |
0.678 |
−0.0350809 |
0.0539726 |
time |
0.0195916 |
0.0120153 |
1.63 |
0.103 |
−0.0039581 |
0.0431412 |
total |
−4.84e-06 |
1.92e-06 |
−2.52 |
0.012 |
−8.61e-06 |
−1.08e-06 |
monthly |
5.83e-06 |
0.0000119 |
0.49 |
0.625 |
−0.0000176 |
0.0000292 |
history |
−0.5832731 |
0.1436506 |
−4.06 |
0.000 |
−0.8648232 |
−0.301723 |
success |
−0.1836755 |
0.0176422 |
10.41 |
0.000 |
0.1490974 |
0.2182535 |
fail |
0.0155112 |
0.0108545 |
−1.43 |
0.153 |
−0.0367858 |
0.0057633 |
cut1 |
−2.151506 |
0.6016261 |
|
|
−3.330671 |
−0.9723403 |
根据表2分析结果所得，人人贷信用风险评级Logistic回归方程为：
(2)
在此模型中贷款人年龄以及历史平台贷款次数和在当次平台借款前的中标次数与贷款人信用评级呈负相关；而贷款人性别，自身职业，贷款用途，贷款利率，贷款期限以及流标次数则与贷款人信用风险评级呈正相关。
本模型分析显示，贷款人的年龄、历史贷款次数及之前在该平台的中标次数与其信用评级成负相关关系；相反，贷款人的性别、职业、贷款目的、利率、期限及流标次数与信用风险评级呈正相关。具体来看，年龄因子表现出负向关系，意味着年龄越大，经济基础更加稳固，信用风险较低，尽管P值分析显示，年龄与信用风险评级的相关性不强。历史贷款次数的系数为−0.585，显示出强烈的负向相关，即在平台上贷款次数越多的借款人违约风险较高。此外，从其他平台获得的中标次数多，表明较高的信用度和履约能力。借款目的的相关性显著，表明将贷款用于现有市场产业或个人消费的风险低于创业用途。性别方面，男性相较女性有更高的信用违约风险。职业的稳定性和平均月收入的高低也与违约风险成强相关，稳定且高收入的职业表现出较低的违约风险。
综上分析结果显示，决定借款人信用风险的关键因素主要包括职业、贷款利率和借款历史等，而其他个人贷款信息与信用风险之间的相关性相对较弱。实证研究结果进一步证明，所考虑的指标对借款人的违约风险均存在一定的影响。与此同时，与借款操作相关的指标相比，借款人的个人信息，如年龄和性别，对风险的影响较小。这表明，与借款人的职业、借款目的、借款历史、利率、贷款期限、信用评级、贷款规模、每月还款额、流标和中标次数等十个主要指标相比，年龄和性别等个人信息的影响较为有限。通过对比模型预测结果与平台实际数据，发现该预测模型的正确率超过了80%，证明其具备有效的预测和预警能力。对贷款人进行信用风险评估，核心在于了解并核实其个人还款能力及历史信用记录，并通过实施严格的违约处罚机制，对贷款人进行警告与处罚，从而有效减少贷款人的违约风险。
4. 金融科技对P2P网贷业务模式的影响
在近年的发展中，中国政府对P2P领域的监管力度显著加强，导致多个顶尖的P2P平台，包括陆金所、拍拍贷、宜人金科等，面临退出网贷市场、寻求业务转型或完全关闭的决定。这些平台在探索新的商业模式方面采取了不同策略，如拓展海外业务、转型为贷款及金融科技服务提供者等。然而，这一转型过程充满了挑战。相比之下，国际上的Lending Club和Zopa等平台通过融入金融科技，例如应用大数据和机器学习来优化信用评估和风险控制，成功完成了商业模式的转型。
蚂蚁集团的花呗和借呗服务则展现了金融科技在中国P2P网贷业务转型过程中的有效应用，通过运用大数据分析和高效信用评估机制，显著提升了借贷服务的效率与安全性。不同于传统P2P平台的中介角色，花呗和借呗直接通过蚂蚁金服集团构建的信贷平台向用户提供贷款，这一模式主要基于与银行等金融机构的合作关系。采用大数据、人工智能及云计算技术，这种新模式优化了信用评价和风险管理流程，简化了借款程序，从而提升了服务的效率和安全性。蚂蚁金服利用这些技术不仅加速了贷款审批过程，也减少了运营风险，并扩展了金融服务的覆盖范围，体现了金融科技在现代金融体系中的重要角色。
5. 结论与建议
本文以“人人贷”平台为例，探讨了其信用认证机制对借贷行为的影响。信息不对称性限制了平台监控借款人在其他P2P平台的贷款活动以及逾期行为的能力。尽管网络借贷平台面临风险，但随着监管加强、征信体系完善和信息披露制度改进，网络借贷行业的规范化发展趋势明显，不诚信平台将逐步消失，P2P金融预计将恢复其为小微企业融资和为闲置资金提供投资渠道的初衷。
对于P2P网贷平台转型升级方面，金融科技对未来P2P网贷形式的转换以及创新发展进行展望。金融科技通过使用高级算法、大数据、人工智能(AI)、机器学习(ML)、区块链等技术，显著提高了风险评估和信用评分的精准度。第一大数据分析层面：网贷平台可以融合金融科技公司使用大数据分析技术来收集和处理用户的财务交易、社交媒体行为、网络搜索习惯等多源数据。这种数据丰富性使得金融机构能够获得更全面的客户画像，从而更准确地评估信用风险。第二人工智能和机器学习方面：在个性化评分模式下AI和ML技术能够学习并预测个体的还款行为，这允许金融机构开发出更加个性化的信用评分模型。与传统模型相比，这些高度个性化的模型能够更准确地反映一个人的信用风险。在动态评分模式下利用AI技术，信用评分可以根据最新数据实时更新，这意味着评分能够反映借款人最新的财务状况和行为变化，提高了评分的准确性和时效性。第三在预测分析方面：通过预测分析，金融科技可以预测市场趋势、消费者行为等因素，这些都是影响信用风险的重要因素。这种能力允许金融机构更好地理解和预测潜在的风险，从而做出更准确的信贷决策。金融科技通过集成和应用先进的技术，提供了一种更精细、动态和全面的方式来评估风险和信用评分。这不仅使金融机构能够更准确地评估借款人的信用风险，还提高了金融服务的可及性，特别是对于那些传统信用记录不足以证明其信用状况的借款人。然而，这些技术的应用也带来了隐私保护和数据安全等新的挑战，需要通过适当的监管和技术措施来解决。
基金项目
云南民族大学管理学院(会计学院)学生高水平培育项目。