949 浏览摘要
现金贷是指无需抵押的小额信用贷款，作为消费金融领域的创新产品，它的出现是 对消费金融市场的补充与完善，面向的客户大多是征信缺失的个人和中小型民营企业。 截止2017年，我国现金贷用户数量达到3000万，人均年贷款额约2000元，现金贷行 业体量大约为6000亿至1万亿。与传统的银行信贷不同，现金贷不需要线下递交材料 而是所有审核由线上审批。但是由于现金贷行业拥有大量的长尾受众群体，并且征信模 型仍不完善，使得多头借贷现象普遍，行业风控面临严峻的挑战。因此，如何提高风控 能力、完善征信数据库，成为现金贷行业亟待解决的问题。
本文以现金贷信用风险为研究分析对象，从国内外对现金贷信用风险的研究入手， 结合我国现金贷款平台的特色运作模式，探讨现金贷款信用风险的评估指标体系。通过 构建逻辑线性回归模型，运用SPSS程序对P平台200个随机样本数据进行实证研究。 实证结果表明生活城市级别与职业对借贷人是否违约的测算结果影响显著，借款金额与 借款期限指标存在共线性，文化程度、职业以及月收入指标存在共线性，性别、婚姻指 标对于违约概率影响并不显著。为此应构建更加完善的信用风险体系，落实互联网金融 征信系统的建立，以实现现金贷行业的稳健发展。
关键词：现金贷；互联网金融；信用风险
目录
摘要 I
Abstract II
目录 Ill 第1章绪论 1
1.1选题背景与意义 1
1.1.1选题背景 1
1.1.2研究意义 3
1.2国内外研究现状 4
1.2.1关于现金贷的研究 4
1.2.2关于互联网金融风险控制的硏究 5
1.2.3文献研究总结 6
1.3本文的基本内容与结构 7
第2章我国现金贷发展现状与商业模式分析 8
2.1我国现金贷的发展现状 8
2.1.1我国现金贷行业规模 8
2.1.2我国现金贷发展驱动因素 9
2.2我国现金贷的行业特征 10
2.2.1我国现金贷行业平台数量及其地域分布 10
2.2.2我国现金贷行业业务特征 11
2.3我国现金贷的客户群体分析 12
2.3.1我国现金贷借贷人员分析 12 2.3.2我国现金贷借贷用途分析 14
2.4我国现金贷的商业模式分析 15
III
2.4.1现金贷产品形态 15
2.4.2现金贷资金来源 17
2.4.3现金贷案例平台贷款的经济实质 19
2.4.4现金贷平台获客引流 21
2.5本章小结 22
第3章现金贷信用风险的理论分析 23
3.1现金贷信用风险相关理论 23
3.1.1信用风险相关理论概述 23
3.1.2我国现金贷信用风险的来源 24
3.1.3我国现金贷信用风险的识别 25
3.2现金贷信用风险的计量方法 26
3.2.1现金贷信用风险计量方法概述 26
3.2.2已有现金贷信用风险计量方法存在的问题 29
3.3现金贷信用风险的管理与控制 30
3.3.1现金贷行业现有风控手段 30
3.3.2当前现金贷信用风险管控存在的问题 33
3.4本章小结 35
第4章现金贷信用风险模型的构建 36
4.1建模目的与建模方法分析 36
4.1.1建模目的及其基本要求 36
4.1.2建模理论与方法 37
4.2模型变量的选择 38
4.2.1模型所需变量及其选择方法 38
4.2.2变量间关系分析 39
4.3模型的推导与构建 41
4.3.1模型的基本原理与推导过程 41
IV
4.3.2基本假设与约束条件分析 43
4.3.3模型的运算方法 44
4.4本章小结 44
第5章实证研究 46
5.1实证目的及样本选取 46
5.1.1实证目的及其基本要求 46
5.1.2样本选择原则与方法 46
5.1.3样本说明 47
5.2实证方法说明 48
5.2.1实证方法的选择 48
5.2.2运算原理与步骤 48
5.2.3检验原则与预期目标分析 53
5.3实证结果分析 55
5.3.1输出结果的技术分析 55
5.3.2实证结果的理论和政策含义分析 55
5.4本章小结 56
第6章研究成果及结论 57
6.1研究成果 57
6.2 研究结论 57
6.3展望 58
参考文献 59
致谢 63
作者简介 64
第1章绪论
1.1选题背景与意义
1.1.1选题背景
消费是拉动经济增长的重要元素，但在高杠杆环境下，居民可支配收入仍然存在很 多限制，因此近几年消费增长率并没有相应的提高，增速甚至低于10知但网络消费近 凡年增速达到30%,成为提升经济增长的新动能。中国银行业协会2018年发布《中国银 行卡产业发展蓝皮书》，指出全国信用卡发卡数量在2017年年底已累计7. 9亿张，但 限额在3万元以上的用户比例不足19%,这表明无征信记录、收入较低且不稳定的居民 无法从正规金融渠道获得充足贷款。短期消费信贷产品应运而生，它们为居民在H常消 费、紧急用款时提供便利，其中最具特色的现金贷业务越来越受到互联网金融和消费金 融行业的青睐。
图1-1短期消费信贷规模（单位：万元）
目前国内学术界对现金贷并没有明确定义，在实际操作中监管机构将无担保、无抵 押、无消费场景也无特定用途的个人贷款统称为现金贷。我国的现金贷快速发展得益于 线上运营模式，作为一种线上消费金融产品，现金贷主要特点是在线申请、实时贷款、 审查速度快、可循环借贷，无需任何抵押担保等等借款人在申请贷款时承诺按时偿 还贷款，并需支付利息及服务费，借款期限不长普遍在3个月到•年之间，借款金额在 三千到五万之间。现金贷的目标客户包括收入较低并且不稳定、无法申请到信用卡、征 信记录缺失或者有污点的普通客户，以及部分无法再传统金融机构获得贷款的中小型民 企⑵。现金贷平台通过互联网渠道提供方便快速的贷款服务，业务流程简单，具有超高 用户体验，依靠大数据技术建立风控系统，与传统金融行业相比具有明显优势。
2007年我国首家线上现金贷平台拍拍贷成立I随后，宜人贷、趣店、信而富等平台 相继进入市场，P2P与消费金融等领域也纷纷试水现金贷业务。由于居民对投资理财需 求急速增加，同时中小民企融资需求缺口不断扩张，现金贷体量和平台数量都呈现爆炸 发展趋势。截止2017年，我国现金贷用户数量达到3000万，每人每年平均贷款约2000 元。由此估计，我国的现金贷行业体量大约为6000亿至1万亿。另外，现金贷平台数 量已经超过了上千家。
现金贷的快速发展解决了消费者的迫切资金需求，但滞后的监管给行业带来了许多 问题。2017年《关于规范和整顿现金贷业务的通知》发布，通知肯定了现金贷快速发展 对正常消费信贷起到积极作用，但也指出行业存在很多风险漏洞，包括风险控制落后、 产品利率过高、多头借贷现象严重团。近几年来，监管向现金贷、校园贷等线上短期贷 款开刀，平台纷纷主动进行转型，现金贷行业规模及商业模式势必告别快速扩张转为理 性发展，包括规范申请放贷牌照、减少资金来源成本、降低杠杆、对产品利率进行规范、 完善平台风控手段。可以预见，大量缺乏风险控制、违约率高的中小借贷平台将被清理， 风险控制严格、实力雄厚的平台将稳健发展。
现金贷起源于发薪日贷款(Payday Loan),贷款期限不超过一个月，借款人在收到工 资后马上还款。美国的发薪日贷款是在2014年开始迅速扩张，同时争议质疑也逐渐增 多。在行业发展初期，美国并没有对放贷平台做出具体监管规定，这对行业的野蛮生长 埋下了伏笔。意识到监管缺失之后，FCA针对发薪日贷款利率高、重复率高、违约率高 的弊端，在2014年颁布《消费贷款管理细则》.此规定将发薪日贷款与其他金融机构 一样列为监管范畴,一起被列入监管行业的还有类似的高成本短期贷。随后，美国在2016 年发布关于发薪日贷款的规定征求意见稿，对行业做出了监管限制。如今美国监管机构 己经发布全面监管发薪日贷款的特别措施，发薪日贷款产品和服务得到逐步改善，发展 也趋于稳定，整个行业进入调整期〔4】。美国发薪日贷款行业体量约为每年600亿美元， 收入每年能达到130亿美元。
英国发薪日贷款在2012规模快速发展到20-22亿英镑，随着2013年监管介入导致 行业借贷规模降低。英国发薪日贷款行业马太效应显著，领头平台市场份额相对集中， 最大的三家发薪日贷款公司是Cash EuroNet、Dollar以及Wonga,这三家在2012年总收 入占据市场份额的70%,排名前十的公司所占份额甚至超过90%。由于限定价格和利率 的监管影响，平台的放贷营收能力进一步降低，导致越来越多企业无奈退出同。
现金贷补充了传统金融机构在个人消费及中小企业融资需求上的缺口，其本身具有 合理性和社会价值。但是现金贷本身面对的客户征信有缺失，另外利率畸高及风险控制 不完善让行业面临很多风险⑹。具体来看：
（1） 行业进入门槛低。现金贷行业利润巨大，不仅金融机构，就连非金融机构也想 撬动这块蛋糕，于是纷纷进入该行业。近几年，现金贷行业体信迅速扩大，平台竞争加 剧，市场份额被各路资本抢夺。
（2） 行业风控不到位。由于现金贷平台面向的客户限制，使得大部分借贷方信用状 况较差，甚至并没有贷款记录。因此，平台普遍利用第三方数据（包括身份信息、电话 信息及其他个人信息），再运用大数据进行风险评估。但这种风控方式带来金融风险： 一方面，第三方信息数据真实性可靠性无法得到保证；另一方面，大数据风控应用仍未 得到准确考究。
另外，现金贷目标客户群体收入较少且不稳定，现金贷无形中为这类消费者增加了 经济负担，并引导他们过度消费。在经济负担加重无法按时偿还款的情况下，借贷方普 遍会在其他平台再次借款，以贷养贷现象由此产生，借贷方陷入借贷还贷、还贷借贷的 恶性循环。“老赖”群体也由此产生，他们自认为平台记录并不影响央行征信，同时平 台在强监管下无法再进行暴力催收。
（3） 暴力催收现象存在。现金贷平台很少在风控上下功夫，而是着力于坏账催收。 坏账催收机构一般有三种：平台自身的催收部门、正式催收机构和非正式催收机构。平 台自身无暇对坏账进行催收，普遍会寻求第三方机构，于是暴力催收现象屡禁不止。由 于监管介入，平台被要求使用短信和电话来进行文明催收，但是对于催收机构而言，如 果从成本效益角度权衡，暴力催收有着难以覆盖的好处，因此，行业非法催收机构仍然 在釆取骚扰等软暴力方式对老赖进行催收却。
行业过快增长必定伴随着风险，良币混杂大量劣币，非法集资、利率畸高、暴力催 收、套路贷等问题日益突出。2017年底，监管限制下大量中小型平台无法承受36%利率 限制纷纷倒下；同时，大量老赖在文明催收下故意逃贷，行业多头借贷情况非常严重， 这促使平台纷纷寻求转型。现金贷业务模式的粗放型快速发展和借贷者的多头借贷等问 题，严重影响正常金融秩序。本文通过对现金贷行业的特点、客户群体、潜在风险的研 究，对国内现金贷的风险控制进行研究，通过模型建立及实证样本研究提供完善的信用 风险评估体系。
1.1.2研究意义
（1）理论意义。本文对于现金贷信用的研究有助于进一步丰富我国现金贷行业信用风险理论基础。联系当前现金贷行业实际情况，借鉴传统金融行业和外国优秀平台的风 控经验，在风险管理理论的基础上，运用相关模型和研究方法，加深对现金贷信用风险 的探索和研究，为现金贷监管或信贷平台风控管理提供理论支持。
(2)现实意义。本文有利于互联网金融体系监管研究的完善。当前普遍认为，我国 金融风险总体可控，但隐藏风险仍不容忽视。本文立足于现金贷平台风险控制的发展前 景，研究其对互联网金融风险防控的意义，为更好地完善互联网金融监管体系提供理论 支撑和学术研究依据。
1.2国内外研究现状
1.2.1关于现金贷的研究
对于国外发薪日贷款以及我国现金贷的分析研究，国内外学者主要从平台运营与违 约风险两个方面展开。
(1)现金贷的平台运营存在潜在风险。Namvar和Naderpour (2018)认为，金融 危机后发薪日贷款行业得到迅速发展，当时部分跨国公司在多个国家同时从事发薪日贷 款业务，但随着行业野蛮发展，一系列特点及弊病逐渐被监管发现，最显著的特点是高 效率、高风险、借款成本低于其他金融产品，尤其发薪日贷款长期借款利率极高罔。
国内学者对现金贷进行了研究。胡光志和周强(2014)认为现金贷为居民超前消费、 短期急用起到了积极作用；但同时由于行业准入门槛过低，部分平台利息直逼高利贷， 为金融隐患埋下伏笔[9]0霍兵和张延良(2015)认为，现金贷的诞生背景是因为部分没 有个人征信的居民和难以在银行融资的中小民企强烈融资需求，它为传统金融行业做了 重要补充，体现了普惠金融的理念卩气许多奇(2018)研究了苏宁金融研究院对于国内 现金贷行业的调查问卷，结果显示现金贷对于社会的发展确实起到了一定的积极作用叫。
(2)现金贷的监管研究分析。在行业发展前期，发薪日贷款借贷行为非常不规范， 这导致行业存在巨大金融风险，所以监管有必要弥补监管缺失，确保行业安全平稳发展。 Han等(2018)通过对美国、英国发薪日贷款的监管规定进行研究，发现监管从行业平 台进行限制，对他们的资金获取途径、业务经营的资格审查下手卩1 Ana (2017)研究 发现美国每个州都制定了相应政策，根据私人资本流动来规范借贷活动冋。Kamath和 Ramanathan (2015)研究英国对于发薪日贷款监管，英国对于申请贷款的客户数量进行 限制，信贷审批率和贷款金额都不同程度减少卩4】。
对于快速发展的现金贷行业而言，我国金融监管确实存在缺位。国内学者对于现金 贷监管建议提了很多看法。赵增强(2018)认为，我国现在对于现金贷行业的监管有两
个重要的决定：一是确定了 36%利率红线，对于平台收费情况作了明确限制；二是要求 各平台按照市场化监管手段对重要公司数据进行披露卩5】。郭建辉(2018)认为，现金贷作 为金融产品自带原罪，它不可避免存在非常多弊端，但普惠金融理念并不能被制止，监 管应该弥补制度的缺失，对整个行业加以限制，避免金融风险的同时引导行业正常发展 ［16］。
1.2.2关于互联网金融风险控制的研究
对于互联网金融风险控制的研究，国外学者集中在对互联网金融存在的潜在风险与 行业存在的共性风险进行研究。Evropeytsev (2017)认为互联网金融行业风险包括两个 方面，一方面是借贷人带来的信用风险，另一方面是外部环境的监管政策风险［,7］» Lamia (2015)将互联网金融风险评估及风险管理作为研究对象，他指出平台在设置自己安全 网络时需格外注意，黑客对于网站的攻击会造成无法弥补的创伤卩8〕。Youngseok(2018) 研究了借贷方个人信用评级的重要性，认为平台需对借贷方作出准确信用评估，对其分 级后要在放贷时设置不同标准，以此确保风控安全卩气“软信息”和“硬信息”是目前国内外专家学者对网络贷款信用风险的研究方向。 软信息一般指借款人的性格特点，借款人朋友质量等等。硬性信息是指借款人能被查询 到的数据信息，如月收入、单位状况、征信记录、是否有抵押等等。平台在用户注册信 息时查询借款者详细历史征信数据以及借款人基本信息，运用大数据来评估借款人违约 风险。国外学者在研究构建网上贷款信用评价指标时发现，信用指标体系包含借款人基本 特征、以往财务信息、历史贷款信息、社交网络数据等方面。Lin和Prabhala (2009) 研究注册上传的照片对信贷的影响0】，发现借款人性别、年龄和外貌因素会影响平台的 贷款决策，平台会倾向于放贷给中年人，但是对于大学生却缺少放贷欲望。Emekter等 (2015)专家学者认为网络社会资本是借贷信用的重要信息⑵］,社会资本充裕的借贷方 更容易获得平台贷款并且利率较低，违约风险也相对较低。QinweiChi等(2017)学者 对Lending Club平台数据进行了分析发现伝勾，信用评级、负债收入比例、贷款期限会 影响到违约风险。朱丽欣(2018)利用微贷网络数据研究互联网金融风控模型，发现是 否为本地户籍、婚姻状况、历史违约记录都与借款违约率有关系囚］。王会娟等(2014) 利用人人贷的数据【24〕，研究发现评价个人信用风险的主要依据包括年龄、性别、公司信 息、月收入、接待的目的等。丁杰(2018)利用数据挖掘技术研究P2P网站数据并进行 实证分析研究，发现基本信息、历史借贷信息分别对贷款信用风险有积极影响〔2习。
郑迎飞(2018)认为互联网金融风险最重要的是企业管理风险和网络技术风险，除此之外还需要关注监管政策风险和洗钱犯罪风险〔26】。廖天虎(2018)运用网络神经方法 对P2P平台小额贷款公司的信用风险进行评估，提出在小额短期贷款产品中信用风险至 关重要3】。阮素梅(2018)对互联网金融法律风险进行研究分析，他站在监管者的角度 上对现金贷等网贷产品的监管提出建议，提出需建立更加完善的行业数据披露制度〔2句。 田秀娟(2018)提出，现金贷行业初期，平台没有确切的黑名单用来规避坏账风险，只 能提高贷款利率与逾期手续费，但随着监管对于利率红线的设置，行业盈利模式收到了 巨大冲击，监管需参考央行征信系统对网贷行业做统一征信系统［29］。
国外征信体系比较完善，原有风险控制环境较好。国外学者对发薪日贷款风险控制 的研究主要集中在行业的定性研充上。Konstantinos (2017)提出早期Payday Loan的风 险控制基本依赖于简单的人工审核，行业效率及其低下，并且平台坏账率较高。金融科 技公司出现后，行业引入大数据等技术来进行审核，效率提升的同时坏账率有所改善。 通过大数据技术和AI技术，金融科技公司为现金贷行业建立了一套技术风控系统，这 套系统大大降低了行业坏账率，同时降低了借贷方承担的利率成本
国内学者刚刚开始研兖现金贷风控。刘绘(2015)提出，我国的现金贷平台提高风 控水平的手段有：数据建模、信用评分、智能反欺诈等，这使得现金贷业务的快速发展 得到了有力的技术支持°此姜琪(2018)认为，初期的现金贷公司不愿意分享客户信息， 随着行业扩张黑名单的完善以及监管对于平台数据的披露要求，行业会积累自身的用户 数据及违约数据，势必引导行业风险控制水平提升【32］。
1.2.3文献研究总结
从互联网金融风控与现金贷研究现状来看，我国现金贷发展过程与Payday Loan极 其相似，都是经过最初疯狂扩张然后暴露行业金融风险，随后进入调整转型期。由于我 国现金贷起步较晚，所以行业与监管一直摸索中前进，同样专家学者对于现金贷的研究 刚刚开始。另外一方面，网贷行业数据披露制度仍不完善，这也为专家对于行业深入研 究设定限制。对现有研究做出总结如下：
(1)国外学者用实证研究以及模型分析对于Payday Loan行业做了全面研究，着重 研究这款金融产品的利弊’I,对监管手段及目的做了全面阐述。对于现金贷风险控制， 国外学者对于Payday Loan该如何建立个人信用风控评级做了多方演练：国内学者对于 现金贷的产品研究主要集中在利弊方面的定性理论分析，研究也并未深入。在监管方面, 国内学者更加注重分析监管对于现金贷行业的确实并提出部分建议。风险控制方面，国 内专家学者以模型和理论尝试构建现金贷个人信用风险评估系统，但是体系刚刚起步， 仍待完善。
（2）国外学者对于互联网金融风险控制的研究倾向于模型搭建；国内学者在理论上 对于现金贷和互联网金融风控模式进行对比分析，并且对监管政策提出理论建议。由此 可见，国内专家学者并未过多重视对于构建互联网贷款风控体系的研究，对于现金贷行 业的风控研究则更少。因此，现金贷风险控制体系的构建是未来互联网金融领域急需填 补的理论空白。
1.3本文的基本内容与结构
本文研究内容主要由如下六个部分组成：
第一部分为绪论。这一部分着重论述现金贷行业及发展背景、研究意义、研究思路。 第二部分为我国现金贷发展现状与商业模式分析。目的是通过对现金贷运营流程、 特点和发展现状的阐述，从理论上对现金贷网络信贷风险的定义与不良影响进行初步分 析，引岀整个话题为下文中具体探讨研究现金贷网络信贷平台的信用风险做铺垫。
第三部分为现金贷信用风险的理论分析。详细分析了现金贷平台的共性风险与潜在 风险，并对逾期水平及现有风控水平进行了详细的统计，借用信用风险案例分析对现金 贷平台的风险做了演示。
第四部分是现金贷信用风险模型的构建。对最常用的信用风险模型神经网络模型、 Logistic线性回归模型、支持向量机、随机森林模型进行了比较，选取最合适的模型用 来进行现金贷平台的信用风险模型，同时分析模型的解释变量。
第五部分是实证研究。在Logistic逻辑回归模型通过P平台随机的200组样本数据 进行实证研究。对模型结果进行评估，对自变量进行共线性分析，并进一步优化模型。
第六部分为研究成果与结论。
本文的研究方法主要有：
（1） 文献分析法。通过对大量、广泛的文献资料搜集和整理，以此为基础，重点研 究与现金贷网络信贷风险特别是信用风险影响因素、实证研究和风险防范与监管等相关 国内外文献资料。
（2） 定性分析法：通过文字描述、统计图表（饼状图、柱状图等）对各个现金贷网 络信贷平台的信用风险问题及其影响因素进行定性分析，完善并增强文章严谨性。
（3） 实证研究与逻辑分析结合：通过分析P平台网络信贷平台上历史交易数据作 为样本，通过模型分析变量指标体系。
第2章我国现金贷发展现状与商业模式分析
2.1我国现金贷的发展现状
2.1.1我国现金贷行业规模
近年来居民消费行为及消费习惯发生巨大变化，伴随2014年电子商务爆发的契机, 互联网金融逐步兴起，一系列互联网小额贷款产品陆续出现，现金贷随之迅速发展。与 校园贷、消费贷、P2P相比，现金贷兴起相对较晚。中国现金贷行业的诞生真正开始于 2014年，并在过去三年中呈现出井喷式增长状态。国内典型现金贷形式为：用户通过简 单注册加线上申请，经过快速系统审核便申请到可提现的贷款。此外，现金贷客户是在 传统金融上无法得到贷款的群体，他们对高利率不敏感。快速、高回报的业务模式使得 现金贷业务迅速成为国内资本追逐的风口【34】。如图2-1所示，我国现金贷发展过程有两 个阶段。
图2-1国内现金贷发展过程
(])线上+线下模式阶段；国内第一家以信用转移模式运营的企业宜信于2006年成 立，至2013年宜信从线下债券转移模式发展到“线上+线下”模式，现金贷业务应运而 生。与此同时，例如人人贷、信而富、友金所等众多现金贷平台陆续出现。
(2)纯线上模式阶段；互联网金融兴起于2014年，大数据、人工智能、云计算等 各种新型技术应用到行业中。随着短期、超短期小额信贷发展，现金贷发展模式逐步兴 起卩5]。截止2017年，国内贷款用户数量达到3000万，每人每年平均贷款约2000元。 由此估计，我国现金贷行业金额有望达到六千亿乃至一万亿元。现金贷平台数量也在增 加，国内现有现金贷平台已经超过三千家。
2.1.2我国现金贷发展驱动因素
现金贷的出现伴随历史带动，这与我国改革开放40年金融政策、经济发展、社会进 步和技术创新发展密切相关。用P. E. S. T模型对现有现金贷行业发展因素进行了深入分 析，得到以下结论：
（1） P（金融政策）：当前国家鼓励全民消费，但对于现金贷这类新兴行业监管还是 不明确。国务院、人民银行、原银监会等多部门纷纷出台政策鼓励行业开展金融创新， 然而监管并却未紧紧跟1-.O 2017年原银监会发布《银行业风险防控指引》之前，监管机 构并没有设定准确的监管准则来限制现金贷行业。
（2） E（经济发展）：如图2-2所示，我国居民的个人消费支出在近年来呈现逐年增 长，但消费指出占GDP的比重与发达国家相比还存在很大空间。并且，中国居民的消 费杠杆率发展空间也很大。如图2-3所示，从中国和美国的家庭负债率来看，中国的消 费负债率、杠杆率仍有非常大的提升范围EM。
图2-3 2008-2016年中美居民杠杆率对比
（3） S （社会进步）：根据第三方机构的调查发现，近45%的40岁以下的居民使用 过分期付款等其他消费方式，超过30%的40岁以下的居民没有使用过但对其非常感兴趣。 当前居民的消费水平仍然在制约着消费行为，居民存在着更加超前的消费意愿。
（4） T（技术创新）：如图2-4,我国移动互联网用户的规模在近年来不断扩大。随 着移动互联时代逐步走进人民生活，线上发展的现金贷行业也伴随着爆发式的发展。另 外大数据，人工智能等科技创新也为现金贷的发展提供了有力的支持⑶】。
2.2我国现金贷的行业特征
2.2.1我国现金贷行业平台数量及其地域分布
据不完全统计，2017年我国正常运营现金贷平台2693家，现金贷行业普遍通过三 个渠道进行业务推广：网站广告，微信平台和APP应用程序（见图2-5）。在网络借贷平 台中从事现金借贷业务的至少有600家左右，大约占平台的15%。另外，非现金贷网络 借贷平台大约八白家左右。
2.2.2我国现金贷行业业务特征
我国现金贷行业快速扩张中暴露出很多问题，包括行业马太效应过于明显、多头共 债情况愈发严重、老赖比例在不断增加、行业借贷风险也有显著升高。现金贷平台众多， 但50%的现金贷产品占据将近70%的市场份额，行业马太效应明显"I。参考融慧金科多 头借贷指数，现金贷行业内多头借贷指数2017年提高了 28%。数据表明行业多头借贷现 象愈发严重四。把贷款人群比例与多头借贷指数相比来看，现金贷行业在飞速发展，同 时风险也在激增。借贷人数的增加和共债情况的加剧，直接导致借款人风险状况恶化O
见图2-7,高风险人群比例在2017年第二、三季度不断增加。因为彼时现金贷行业 的监管仍存在漏洞，平台为抢占市场忽视风险控制，这种情况无法避免。分析现金贷行 业借贷人群的地域分布，一、二、三线城市的贷款人数在快速增长。四线城市的贷款人 群增长率相比较低，充其原因该群体信用评级最难获取，贷款需求并不旺盛，所以平台 推广也不枳极。二线城市贷款人群激增最为明显，这与该群体对于短期信贷的需求最多 有关系，金融机构也势必大力推广业务。
根据多头借贷指数数据分析得知，多头借贷的总体数据都在激增。再分析不同级别 城市的情况，-线城市多头借贷的情况与其他城市相比最低，二线城市最为严重。
分析一、
数量都有所提升，其中一线城市与其他城市相比数量最为明显。分析其中的原因，因为 现金贷行业的政策在一线城市的信贷条件较为宽松，这势必也导致了较高的信贷风险。 2.3我国现金贷的客户群体分析
2.3.1我国现金贷借贷人员分析
我国现金贷群体较大，分析这千万借贷人的特征对于分析现金贷行业特点有着重要 的意义。由于现金贷行业的监管仍存在不足，对于整个行业的数据仍没有最官方的统计， 但是根据第三方机构的测算，现金贷活跃人群大约在四千万人左右"A根据部分官方公布的数据来看，2017年我国现金贷有近1亿用户数。其中，用户数 量超过100万的城市或者地区有22个，用户数量差不多占据了城市总人数的40%,其中 数据最为多的包括广州、北京和深圳，这些城市的用户数量超过300万人，上海紧随其 后用户数量也超过200万。此外，现金贷行业的恶意欺诈行为比例高达66%。年龄段在 20-39岁之间的人群是现金贷行业最为活跃的人群。在官方统计的数据中发现，近66% 的现金贷用户在20-39岁之间〔43】。
第三方机构对万份样本的借款人数据进行了分析，其中对于职业数据来看，现金贷 行业的借款人占比中公司职员最高，有33. 84%；其次是比例为16. 73%的工人群体；个 体户占群体比为14. 87%,企业主管和负责人群体占比为11.28%,服务员占比为8. 62%。 在普通公司职员人群中，销售人群占比最高，为16%；厨师人群占比10%。
根据借款人年龄分布的统计来看，借款年龄最多的群体分布在20-30岁，这群借款 人占据了大半比例°除了企业主管和公务员，其他职业群体中近80%的用户年龄都在35 岁以下。从教育程度方面来看，借款人学历为本科以下占据了 90%以上，高中及以下学 历在其中的占比是最多的，例如工人、服务员和保安这些群体中的占比甚至达到了达到 80%。
■咼中及以下 KL 木円及以上
2.3.2我国现金贷借贷用途分析
根据第三方机构对借贷人借款用途的分析结果来看，超过50%的借款人会将这笔贷 款用于个人资金周转，18%的贷款会在生活中用于急用，用途为购物的贷款占比为17%。 在其中一组数据较为引人关注，有大约18%的贷款群体贷款的目的是为了偿还其他的信 用贷款，这也就是多头借贷的情况。薪金贷接待人群根据职业不同，借款的用途也不同。 其中，工人，服务员，营业员，保安以及快递员租房用途的比例明显高于其他的群体。 然而公司职员，保安，工人和服务员会选择将现金贷借款更多地用于购物/在选择借款用途为还其他类型贷款中，使用借款偿还信用卡的比例最高。企业主管 和快递员更多地将借款用于偿还房贷和车贷，工人、服务员和保安将借款用于偿还网贷 的比例稍高于其他职业人群。
2.4我国现金贷的商业模式分析
2.4.1现金贷产品形态
（1） 传统现金贷产品。广义现金贷放贷主体在广义上来说大致分为四类，包括传统 商业银行、电子商务、持牌消金公司以及互联网公司。银行系的现金贷产品在早期有建 设银行的“快贷”、招商银行的“闪电贷”等，但是以为后期监管为防止过度资金进入 股市房地产区域，所以银行系的现金贷产品都转型为消费贷或者民企支持快贷等等；电 商系的现金贷产品有蚂蚁金服的“借呗”、京东金融的“京东白条”等等；由于现金贷 的快速发展，消费金融公司也很会进入这个行业，捷信消费金融、中银消费金融等公司 就是其中典型的代表。除了广义的消费贷平台之外，狭义现金贷的放贷主体包括现金巴 士及魔法现金等等典类似发薪日贷款产品的平台。
根据第三方机构统计的数据来看，现金贷行业一般通过三种载体推广自己的金融产 品，包括网站、微信公众号、APP程序。在这三种载体之中，网站已高于44%的占比排 名第一。
监管部门针对现金贷监管时，尝试把现金贷区分两种形态：一种是微额短期产品， 借款金额不超过2000元，借款周期不超过30天，每日收费不得超过1%,即不得超过 20元，还款宽限期7天，债务封顶为总收费不超过借款本金的50%,保证债务总额不超 过借款金额的1.5倍。另一种微额分期产品，借款金额不超过5000元，借款周期不超 过12月，每日收费不得超过0. 3%,即不得超过20元，还款宽限期7天，债务总额亦不 得超过借款金额的1.5倍。
现金贷产品的利率与普通的贷款产品有所不同，银行的现金贷产品一般年化收益率 会控制在10%左右，电商系及消金公司的现金贷产品的年化收益率会控制在20%-36%之 间，除此之外早期的一些大型的现金贷平台年化利率会达到50%-100%,甚至有极小一部 分平台的年化收益率超过了 100%,是名副其实的高利贷。监管趋严之前，网贷之家曾发 布数据表示，当时现金贷产品的年化收益率平均在158%,最高的产品收益率高达600%〔22］。 大部分现金贷平台在收费方面，呈现给借款人的信息及各方面的收费标准并不透明，砍 头息的行为在行业内普遍存在。
（2） 变种现金贷。现金贷行业虽然监管趋严，不少现金贷平台通过整改也有明显的 改善，但是由于现金贷行业进入门槛低的特性，存在不少平台通过“换马甲”的方式躲
避监管的现象，同时多数平台也不符合《关于规范整顿“现金贷”业务的通知》中提出 的“未依法取得经营放贷业务资质，任何组织和个人不得经营放贷业务”这一规定，也 就是说许多平台其实并不具备放贷资质。此外，当前市场上各种类型的变种现金贷模式 也层出不穷。如图2-12所示，现金贷行业当前的变种模式存在以下几类。
手机回租是回租模式中最常见的，具体的模式和流程见下图。通过手机评估给予借 款额度，然后通过虚拟的回租合同，变相完成高利率借贷，这是手机回租的本质。一般 情况下，回租平台会以评估费、租金的形式收取砍头息，或者直接给出综合费用费率, 其借款利率远超法律规定的36%的上限，若借款人出现逾期，其后续的逾期费用更高。
缴纳会员费的模式是指平台要求借款人先缴纳会员费，然后平台审核后，给予借款 额度，借款人进行申请借款，平台放款。此类模式除了可能存在高额砍头息的风险，还 有部分平台虽承诺审核不通过将退还会员费，但在收取会员费后，审核不通过并不退还, 将此费用定性为审核评估费用。根据聚投诉的数据显示，被投诉审核不通过且并不退还 会员费最多的是借贷平台。
虚假消费较为常见的场景是购物、游戏充值返现、房租，购物场景一般是平台提供 一个虚假商城，登录上传认证资料后即可获得白条可用额度，根据额度选择等价的商品， 然后选择白条支付，账单周期一般为7天或14天，白条支付成功后申请退款即可提现 到账；游戏充值返现的套路与虚假购物基本一致，选择游戏币充值即可获得返现，7天 后还款。
故意逾期指的是部分平台以借款利率和其他管理费用相对较低为诱饵吸引借款人， 当借款到期时以各种手段故意致使借款人逾期，从而收取高额的逾期费用。较为常用的 故意逾期手段主要有以下两种：第一种是平台故意弱化或未设置还款提醒；第二种是通 过技术手段布置还款障碍，让借款人无法如约还款，比如平台服务器异常、借款人扣款 失败等。
随着数字货币市场的快速发展，持有数字货币的群体增加，部分现金贷平台看中此 类群体有巨大的借款需求，同时认为通过数字货币收取利息的交易可规避监管要求的利 率上限。具体模式主要是借款人将持有的数字货币抵押到平台指定的钱包，平台根据数 字货币价值的50%-60%进行放款，还款时采用数字货币结算。
（3） “714高炮"。中央电视台315晚会曝光了另外一种风险极大的现金贷产品“714 高炮”。所谓“714高炮”，指的是借款周期在7天或14天，年利率畸高（通常超过 100%甚至上千）、需要交纳砍头息及高额逾期费用的贷款平台。被央视曝光的“714高 炮”包括，快易借、速贷宝、小肥羊、天天花、机有米、闪到、钱太太、金蝉钱包、复 星宝、向钱贷、皮皮花、丁丁贷、易乐贷、蛋花花、轻松花等现金贷平台。
随着央视3-15曝光影响，被点名的快易借、小肥羊、天天花、机有米、闪到、钱 太太等多款被点名APP下架。类似于“贷上钱”这样的网络借贷平台仍数不胜数。在 市面上这样的APP至少有几十万个，而且乎都没有从业资质。国家对互联网金融行业 的监管越来越严，这些公司应对的手段就是打一枪换一个地方，所以每隔几个月，他们 就会更换APP。在业内人士看来，“714高炮”这类纯线上运作的现金贷公司，几个月 就改头换面，公司名也往往隐藏，在线下很难找到其经营地，难以监管。
2.4.2现金贷资金来源
“现金贷”公司放贷的资金来源有三方面：一是小贷公司自身资本金，但太多现金 贷公司没有持牌经营，因此仅是股东借款；二是助贷模式，即从银行业金融机构、P2P 处获取资金，由银行等直接批量投放给借款人；三是资产证券化（ABS）模式，除蚂蚁 金服、京东、百度等少数大型公司参与外，其他现金贷公司也涌入市场。
所谓助贷，是指助贷机构向资金方推荐借款人，并获取相关服务费的业务。一位股 份制商业银行互联网金融负责人对记者表示，目前，银行与网贷平台合作的助贷模式共 有三种，一是保证金模式、二是配资模式、三是联合放贷模式。
所谓保证金模式，即由助贷平台进行获客及风控,银行作为资金方与平台约定利率， 助贷平台在银行抵押保证金，如出现不良，助贷平台的保证金将被用来兜底。对于银行 来说，在这种模式中，银行是资金方，获得固定收益。据了解，国内某知名助贷平台就 采用了这种模式。资模式也可以理解为联合贷模式，即银行与助贷平台共同出资，由银 行提供大头资金，助贷平台提供小额资金，出现风险后双方共同承担。这种模式对于银 行来说风险较小，比如在催收上，银行也可以使用自己的催收团队，从而规避暴力催收 等政策风险。同时在风控上，又有现金贷平台的风控与银行风控同时进行过滤。
第三种模式为联合放贷模式，即由银行把资金提供给现金贷平台，由平台自行放款， 但用哪种科目来走并不固定，例如贷款、资产嵌套等方式都可以。助贷平台只需提供抵 押担保物即可，至于资金去向、风控等其他方面银行并不过多干涉。
资金来源对现金贷平台的硬件要求（资产要求和团队要求）呈现正相关关系。行业 内较大的现金贷平台基本上持有自己的网络小贷经营牌照，可直接通过平台放贷。他们 大部分资金来源为银行贷款或者其他持牌机构的资金，其中来自银行资金的成本大约在 7%-10%之间〔46〕。而对于整个现金贷行业来说，大部分的资金来源为P2P产品的融资资金, 这部分资金成本约为12-20%之间。
有助贷和信托通道融资是持牌金融机构提供资金普遍选择的方式。以上市公司趣店 为例，从趣店的招股书中可以看出，趣店在2018年与某商业银行签订战略合作协议， 该商业银行多次向趣店提供资金，最高达到了 20亿元。而招股说也说明了，商业银行 通过趣店收集到的信息进行大数据的评估，筛选出其中银行无法进行放贷的客户群体, 趣店根据银行提供的名单再次进行审查，并对银行提供信贷额度的建议。如果借款人最 后选择了该产品，他们会直接通过支付宝等平台收到贷款，今后的还款付息直接交于银 行，银行会在这些还款中扣除本金和一些成本费用，所有的剩余金额则归趣店所有。如 果出现了违约坏账的情况，那么这部分的全部损失则有趣店来承担印］。
信托通道融资的方式则运用得更为普遍。例如，渤海信托曾在2018年7月为趣店发 行过一期名为“渤海信托•普安6号（趣店）个人消费贷款1期”的产品。趣店招股书 显示，2018年上半年趣店的资金来源分布为：48%来自银行等传统金融机构，44%则来自 自有资金。
目前大部分贷款企业并没有相关牌照，股东企业质量良莠不齐。过去银行在选择时 会挑有互联网小贷牌照，且有优质股东背景的现金贷公司合作。虽然目前银监会并未明 文禁止或窗口意见指导限制与“现金贷”平台合作，但岀于对监管预期及政策风险的考
虑，许多银行与助贷机构的合作都在收紧。除了与银行合作，现金贷公司与P2P合作也 很普遍。小贷公司与网贷平台合作的模式是，由网贷平台进行线上获客、数据风控，资 金方再进行二次风控后，由资金方放款。借款人需签订两份合同。一份是与网贷平台签 署的服务协议，网贷平台收取服务费，服务费用根据平台不同而有所差别；一份是借款 人与资金方签署的贷款合同，资金方向借款人收取利息。
2.4.3现金贷案例平台贷款的经济实质
费率、收费模式等因素都会影响现金贷贷款经济效益的大小和分布。在此，研究将 对每笔贷款的经济实质进行分析，并探讨收费模式、服务费率、出借利率与平台、借款 人、出借人之间的关系。
对于现金贷而言，收入来源包括贷款撮合服务费、出借人服务费（利息管理和服务 费）以及其他费用（债权转让、催收费用等）。其中，平台向借款人收取的贷款撮合服 务费是收入的主要来源，以上市的四家现金贷平台为例，在2018年第四季度，其占总 收入的比重均超过90%o
一般而言，借款人的综合成本包括出借人利息、平台贷款撮合费以及信用增强的相 关支出，如缴付的质保专款、风险准备金、担保费和保费等。平台从服务费确认到净收 入过程中，还需要剔除相应的风险准备以及获客激励。
图2-15和信贷2018年第四季度百元贷款经济效益（单位：元）
以宜人贷与和信贷为例，两者均为借款人提供期限较长、额度较高的信贷服务，进 件条件和综合费率也接近。不过，由于两者在收费模式、信用增强（质保计划vs履约 险）以及对于收入的会计处理上（线下渠道费用的计算）存在差异，所以两者促成单位 贷款所产生的经济过程和效益略有不同，但每笔贷款背后的经济实质基本一致。
2.4.4现金贷平台获客引流
金融领域在成长到一定规模后会面临瓶颈难题，现金贷领域也不例外，行业在经过 多年发展的当下，业内平台己经覆盖大量的用户，在获客方面行业出现了新增注册用户 增速放缓的问题。因此，现金贷平台对于获客的需求越来越强烈，平台们开始加大用户 获取力度。现金贷的特点是小额、短期，这就决定了如果不扩大规模，平台则无法实现 盈利。
在早期监管放松的环境下，刚刚起步的现金贷平台会选择靠用户的复借次数来实现 盈利。根据行业内部人士的分析，现金贷平台的复借率颇高，一半会达到90%以上。第 三方机构一本财经在现金贷平台调研中发现，现金贷平台的客户中，老客户的占比能达 到75%-90%。由此可见，对于现金贷平台而言，客户流量至关重要。现金贷平台的客户 流量一般通过以下几个渠道：网站上的贷款超市、与其合作的流量导流、投放广告和各 大手机APP商城的优先搜索等等。体量较大的现金贷公司都是通过扩张流量来实现用 户的活跃网。
(1)贷款超市。2017年大量贩卖流量的现金贷导流平台促使贷款超市成为现金贷 平台的主要获客渠道。贷款超市聚合各类现金贷贷款产品，为各个平台提供大量的流量 及用户，它们专为各现金贷平台做导流服务。贷款超市无需控制坏账，无需获取资金, 只要提供现金贷平台的链接将客户引流就能盈利。作为链接B端与C端的产品，贷款超 市桥梁作用明显，所以伴随贷款超市上线平台的积累，用户更加集中到头部现金贷平台， 更多的现金贷平台加入其中，形成了双赢的局面。
贷款超市是为重度借贷用户打造的产品，其客户是忠诚度最低的群体，他们普遍选 择下款速度快、利息低的现金贷平台。贷款超市上最醒目的5-10个广告位，会被热门 现金贷产品占据。其他近百个广告位所在的平台只能接受不断被拒或未在前面平台申请 到贷款的用户，其风险控制可想而知。长期使用贷款超市的用户普遍为多头借贷者或者 黑中介。因此客群质量太差而通过率低是几乎所有现金贷平台都面临的问题，而每家平 台的风控标准都不同。
(2)广告投放。广告投放是根据广告主和广告内容，在数字媒体交易平台、采媒在 线广告投放平台或网络号系统平台上，选择特定的目标和区域，采用文字、图片或视频 三种形式，精准的将广告投放用户。相对于传统的多管齐下密集投放广告，新的精准广 告投放策略可以帮助现金贷企业面向受众提供更具有针对性的服务产品。以实现现金贷 平台和受众群体的双向选择。新一代的投放渠道具有精准投放、形式灵活、效果可控, 服务优质等优点，受到现金贷平台企业越来越多的青睐。
(3)平台导流。部分背靠优质股东的现金贷平台会选择其优质的平台进行用户导流, 如马上借通过马上消费金融APP导流，百度金融超市通过百度系各类APP进行导流。 此类导流方式可以将风控减少到最小，以趣店为例，趣店除了普通的广告投放之外有着 非常优秀的导流入口：支付宝。支付宝提供窗口可以跳转至趣店贷款窗口，并为趣店提 供一定的信贷信息。趣店在招股书中也表示，支付宝为其带来了至少40%的新客户，而 这些导流成本较小，趣店2016年的获客成本人均仅34元。趣店的获客成本与其他现金 贷平台而言非常之小，信而富在2016年公布的获客成本就高达17美元，这是趣店的好 几倍。
根据第三方机构的统计，体量较大的现金贷平台的获客成本一般在百元左右，体量 中等的平台及体量较小的平台获客成本则相比之下较高一些，在150元-200元之间。近 一年来现金贷平台快速发展，各个导流入口的成本也在剧增，根据行业内部人士说法, 现金贷平台的流量成本翻了一倍之多"10
2.5本章小结
本章对我国现金贷行业的发展现状与商业模式进行了概述。首先通过回溯我国现金 贷行业的起源，展示了整个行业的发展过程。时代背景的融资消费需求，以及现金贷产 品理念和线上经营模式，共同成为行业快速发展的驱动因素。经过爆发式发展，行业马 太效应逐步明显，但同时也无法阻止多头借贷现象的产生。
本章同时也全面介绍了借贷客群的详细分布及平台的经营模式。根据统计，在近1 亿现金贷用户中，20-39岁的群体占据了 66%的比例，企业职工的借贷比例比其他职业 略高，从借款用途来看超过50%的借款被用于资金周转。最后本章在现金贷产品形态、 平台资金来源以及获客渠道上对各类平台进行了全面的介绍。
第3章现金贷信用风险的理论分析
3.1现金贷信用风险相关理论
3.1.1信用风险相关理论概述
（1） 信息不对称理论。信息不对称理论。该理论就是在市场活动中，各个参与的个 体对于信息的掌握并不完全相同，因而对于同样的事件会存在着不一样的判断。从普遍 意义上来说，卖方对于信息的掌握总会相对于买房具备更大的优势，他们掌握的信息更 多，而这种状态是普遍存在的。举例而言，卖方对于商品以及市场信息的了解更为全面， 卖方可以选择性的向买方传递部分信息；从买方角度来看最大程度的获取更多产品信息 以求实现信息对称的目的，而卖方和买方的诉求可以通过市场交易的行为实现平衡。信 息不对称现象存在在各个经济领域，包括股市、就业、金融产品等等。信息不对称问题 在一定程度上阻碍市场经济活动正常运营，监管部门需要调控以确保市场正常
对于现金贷行业来说，信息不对称的现象尤为明显：借款人以实现最大金额的借款 为目的，为了实现这一诉求，在借款过程中可能会故意隐瞒真实的财务信息，通过虚假 的信息填报来骗取平台的借款；平台对于贷款利率设定畸高，并且暴力催收时有发生。 正是由于信息的不平衡性，信用评估失效的现象时有发生，而有效控制信息不对称是风 险控制过程中必须要解决的问题。所以现金贷平台的持续健康发展优先需要解决的就是 通过优化风险控制体系来降低甚至消除买卖双方的信息不对称现象。
（2） 信用风险理论。任何存在信用活动的行业都伴随着信用风险。不管是传统借贷 行业还是新兴的互联网金融行业，最为重要的风险都是信用风险。2008年的危机发生后， 甚至全世界的货币市场共同基金都因为美国房贷证券化资产的毒性牵连而广泛暴露于 风险之中，通常人们都认为高度安全的金融机构突然饱受质疑，市场中谁也不相信谁， 谁也不肯融出资金，严重的信用危机随后爆发。股市危机引爆后的一大恐怖之处在于， 整个经济金融体系会陷入“债务紧缩陷阱”（Debt deflation trap）的恶性循环中。当时， 政府迫于无奈出面拯救了三家大型银行机构，一些中小金融机构如果不能被并购只能倒 闭。以股市暴跌30%、贝尔斯登、雷曼轰然倒下为标志，2008年次贷危机爆发后，“全 球资本主义的心脏”华尔街沦陷，整个信用市场立即受到致命的收缩。“就象一个病重 的哮喘病人，进入肺部的空气持续消散，喘息中的经济也渐渐窒息，急需输氧”，政府 抓狂地寻找救市良方。
从金融危机到目前的P2P网贷平台跑路、现金贷平台纷纷倒闭、老赖现象突发，种
种非正常现象的出现使得金融市场的风险变得更加难以控制，互联网金融行业比传统的 信贷更加复杂，源于信贷透明度低，平台的披露政策并不完善，因此信用风险的控制也 变得越来越困难。加上我国现有的互联网金融类产品的诚信体系非常不健全，因此针对 信用风险的研究是十分必要的。
(3)长尾理论。长尾理论是指只要产品的存储和渠道足够，即使是销帑不佳的产品 也能够匹敌热销产品，也就是聚沙成塔。即使是不被传统市场认可的新兴产品，如果能 在渠道上获得足够的支持，其行业体量也不可忽视。
长尾理论及时适合匹配现金贷行业。现金贷产品的性质是无抵押、无担保、无消费 场景、无贷款用途的产品，具有放贷速度快的特点。现金贷的本质属于普惠金融，服务 的对象是中小民企及个人，这部分人并不在传统的金融体系内服务客户之内，可以称之 为社会的“草根阶层”。但就是这部分群体基数非常之大，并且贷款需求也大，聚沙成 塔现金贷行业必将是一个潜力巨大的市场f521o
3.1.2我国现金贷信用风险的来源
现金贷平台的发展有其背景，一方面，现有国内中小型民营企业普遍存在融资困难 窘境，虽然央行相继出台一系列措施来鼓励商业银行对中小民企放贷，但是实际成效却 微乎其微。另一方面，人们对于生活追求已不断提高，对于各种投资方式的需求也随之 增加，现有传统投资行为与投资对象已无法满足正常需求。在众多历史背景下，现金贷 行业开始兴起。现金贷产品体现了普惠金融的理念。他面向于所有群体与阶层，让人民 群众切实享受到实体经济发展带来的红利，并且享受到更多金融服务。
现金贷市场进入门槛低，导致行业风控并不到位。随着行业规模的迅速增大，行业 内部的竞争也不断加剧，现金贷平台更加注重相互间的竞争以谋求更大的市场份额，但 对于风险控制的体系却缺乏了有效的控制。以下几点构成了当前现金贷行业的共性风险。
(1)借款利率偏高。现金贷行业建立初期风险控制过于简单，只通过人工审核便进 行放款，部分逾期还账平台会平摊在其他借贷人的借贷利率和服务费率之上。这样的风 控手段直接导致全行业的利率偏高，成为现金贷行业的重要争议点之一。据统计，目前 全行业大约有三千家现金贷平台正常运营，除了几家头部公司之外，其他平台的综合年 化利率普遍高于36%。在金融市场相对成熟的发达国家，部分现金贷平台的利率甚至超 过了 150%,这也是现金贷被部分借贷人被称之为变相高利贷的原因。此外，现金贷平台 普遍存在“砍头息”，即现金贷平台在放款之前，就将收取的利息、手续费等其他费用 从本金中扣除，借贷人拿到的金额直接少于合同中的借贷金额。“砍头息”的做法实际 上是提高借款利率的一种变相方式。
（2） 多头借贷、共债情况严重。所谓多头借贷是指一个借贷者同一时间在多个现金 贷平台借款的行为。我国尚未建立成熟的互联网金融征信系统，同时各个平台信息尚未 互通，形成一个个信息孤岛，再加上现金贷并没有特定的消费场景，这导致行业多头借 贷现象居高不下，这也是现金贷行业当前最主要的风险之一。借款人的还款能力是固定 并有限的，在多家平台同时接待必然极大的提高了违约戒律几率。
（3） 暴力催收问题时有发生。现金贷的借款人多为长尾客户，信用状况有缺失或者 并没有信贷记录，现金贷的借款人大部分缺少稳定的收入，所以违约率普遍较高。根根 据统计，目前全国现金贷全行业逾期率高达20%到30%。贷款的催收往往是通过自身的 催收部门或者第三方催收企业来完成，由于催收成本较高，所以大部分平台未建立自身 的催收部门，而是选择第三方。第三方在监管空白的下，多选择暴力方式来进行催收。 方式为先采用短信、电话等简单方式对借贷人进行催收，如果借贷人仍逾期，则会通过 威胁恐吓等方式为借贷人施压，甚至通过威胁借款人家人以实现催收目的。
（4） 个人信息存在非法收集问题。现金贷平台的营收方式是为了获得更多的利润便 要获得更多的客流，所以部分现金贷平台为了获客会通过各种渠道收集用户信息，甚至 通过黑产。所有现金贷平台所面临的最大问题是如何保护借款客户的信息以避免侵犯个 人隐私行为的发生。在行业内部，借款人的用户资料在平台间与平台中介件流通已成为 了公开的秘密。加之网络技术的发展，许多不发平台会利用各种的爬虫软件非法釆集借 款人信息并进行出售以谋取非法利益I%】。
（5） 监管政策存在不确定性。现金贷行业前期发展监管并未介入，这与国内金融方 面的监管一直滞后有关，但是2018年监管对于行业的利率以及服务费都做出了严格的 限制，也导致了现金贷行业严冬的到来。现金贷平台确实面临法律法规等监管的变化, 会引起平台因业务转型不及时造成的损失。在上市现金贷行业的招股书中，也都监管政 策风险列为非常重要的一项。
3.1.3我国现金贷信用风险的识别
信用风险又称违约风险，
通常是指因为种种原因，借款人、交易对方或者证券发行人拒绝或者无力履行合同 条件而发生的违约现象，进而导致合同当事人因此岀现损失。
信用风险是互联网金融行业的首要风险，具有积累周期性、潜在性、难控制性和破坏性 等体征。具体表现为以下三个方面。
（1）还款风险。该风险是出借方和借款平台应该严格防范的风险之一，主要指借款 人故意或者是无力偿还借款的成本和利息。无论是借款方有已拒绝还是无力偿还，都将
25
严重质疑网贷产品的安全性。对于出借平台来说，在缺乏担保的前提下，借款人无法偿 还贷款会造成平台巨大的损失。如果借款方不遵守还款时间所产生的信用风险，可以通 过逾期率来衡量延时还款的情况。出现逾期现象后，借款平台的资金出现滞留，变相的 提高了放贷的成本，应得利益难以维持。如果借款方选择提前償还贷款，只会计算借款 期间所产生的利息，对于平台而言获利也将明显低于预期
(2)信息风险。
在现金贷行业的发展初期，其运营模式完全借鉴传统信贷业务，用户注册、审核、 放贷、收款等一系列操作都完全在线上进行。借款人的信用风险在没有指定征信的条件 下尤为突出。为了在短时间内获得最大程度的贷款额度，借款方往往会通过不法手段伪 造个人信息，将自己伪装成优质借款人，而将这些虚假信息投送到网络上。
(3)资金用途风险。借款人获得资金后，资金的真实流向是平台难以控制的，资金 用途存在道德风险。在信息不平衡的前提下，借款方不承担行动的后果，为谋求自身利 益最大化做出的不利于他人的非道德行为。在现金贷模式中，借款方为实现利益最大化, 往往将得到的贷款用于风险更大的投资行为当中，例如二次放贷、买卖股票等。当岀现 投资失利时，往往选择放弃偿还贷款，甚至以贷养贷，给平台带来极大的风险困扰。
3.2现金贷信用风险的计量方法
3.2.1现金贷信用风险计量方法概述
信用风险计量一直落后于市场风险，主要有三方面的原因。首先，信用风险相比市 场风险而言要复杂很多；其次，行业内研究的信用风险模型多起源与市场风险方面的理 论研究；最后，许多从事金融的平台自认为对于信用风险非常了解，所以把更多的资金 和精力放在市场风险领域。但是历史告诫我们，信用风险如果控制不好，则是对金融企 业致命的打击。
金融行业内最常使用的风险计量模型有：KMV模型、信用计量术模型、宏观模拟 模型、信用风险附加法模型和死亡率模型等等。这些都是传统金融机构较常选用的风险 计量模型。
(1) KMV模型。KMV公司发明了违约预测模型KMV模型，模型是利用默顿的期 权定价理论研究开发，预期违约频率EDF (expected delinquency frequency)是该模型的 核心分析工具。KMV模型的原理是，将银行向债务人发放的贷款作为一个看跌期权， 企业是否有能力偿还贷款是分析其资产市场价值是否超过负债，当企业的市场价值低于 企业负债时，企业被动行使期权，这意味着企业违约。传统的KMV模型一般会针对借 款方的当期股市市值的波动计算EDF,且损失额度也会根据EDF来计算。因此KMV 模型最大的优势是一种动态模型，可以将通过股票市值将借款公司当前的经济态势转化 为信用信息。借款公司的质量变化可以敏感的体现在模型当中，具备较强的模型预测能 力。
当然，KMV模型在实际运用的过程中也存在明显的不足之处，具体体现在：第一 着重于违约行为的预测，对企业的信用等级变化并不敏感，在评估信贷资产与企业资产 价值的过程存在较强的局限性；第二受限于只能针对借款公司的估价波动进行分析，改 模型只能对上市公司的信用进行风险评估。具体到我国，由于国内股市并不是一个有效 的资本市场，各大上市公司的实际运营状况普遍与公司市值之间存在较大的差距，企业 资产特别是国有企业资产受政策引导性较强，从而影响了改模型预测效果的准确性；第 三模型的结构主要基于资产价值服从正态分布，该假设往往偏离实际，模型很难对中长 期债务的不同类型进行有效分辨。
(2)信用计量术模型(Credit metrics model)。信用计量术模型是由JP.摩根公司 于1997年推出的自主研发模型体系，属于盯市类(market to market)模型。研究发现， 不仅是债务人员信用等级的转移会影响组合价值的变化，债务人的违约行为同样会对组 合价值造成很大的影响。信用计量术模型通过求解信贷资产在信用品质变迁影响下的价 值分布，计算当前信用风险值，估算约束时间、约束置信区间上，可能发生的信贷损失 最大值。由于改模型属于MTM模型，并根据市场变化调整信用风险值，所以该模型与 现有现金贷平台的经营理念吻合。同时，此类模型第一次将组合管理的理念引入了风险 评估领域，可根据借款人现有的经济状况有的放矢的调整现金贷的借款金额以及借款组 合，具有较强的可操作性。
但是该模型在现金贷信用计量方面也存在着很多局限，并不能对现金贷中所有的风 险进行有效计量：第一，信用计量术模型过分依赖借款人或者借款企业现有的征信等级， 对于我国现有的金融环境，个人征信体系较为混乱，容易造成较大的损失。第二，信用 计量术模型会预设信用等级转移的概率遵循稳定的马尔科夫过程，无法结合借款人过去 的征信变化进行综合性分析。第三，此类模型会默认固定的无风险利率，而我国的金融 产品平台有各自的评价体系，缺乏有效的数据个共享，此类设定会影响现金贷平台的风 险计量。第四，我国目前缺乏较为客观和权威的第三方信用评级企业，同时缺乏完善的 借款人征信评估机制，在现金贷平台的风险计量过程中，存在较大的不确定性，影响平 台的风险控制。第五，此类模型在实际应用的过程中对于信用评估操作人员的整体素质 要求较高，此外该模型主要应用运算量较大的蒙特卡罗模拟，现有的现金贷平台特别是 小规模的现金贷企业，无法具备如此强大的服务器运算体系，所以每次的风险运算值都
至少需要几小时甚至长达几十小时的模拟计算，从而无形的影响到产品定制以及放贷时 限，无法满足行业发展的需要。
(3)宏观模拟模型(Macroscopic Simulation Model)。麦肯锡公司参考Wilson模型思 想，根据宏观经济周期中的各种因素会对借款人的信用等级转移产生影响，将宏观因素 与转移概率间的关系进行模型化处理，建立宏观模拟模型的计量方法。但是因为我国现 有哦的信用风险量化体系并不成熟，缺乏一套完善的数据查询系统，所以这种模型不符 合我国现有的基础条件。
(4)信用风险附加法模型(Credit risk plus model)。该模型是瑞士银行的金融开发部 门在1998年研发出来的。这一模型的基本思路是借鉴保险经济学中精算方法，对于风 险的暴露按照频段的不同进行不同等级的分类，从而大大提高计量的准确性。这种方法 的有点在于可以集中分析债务人的违约性，并且所需指标变量较少，只需要违约分布与 风险暴露分布即可。信用风险附加法模型处理能力较强，但劣势在于模型只纳入了违约 风险，缺乏对于市场风险的评估。并没有将违约风险与资本结构有机统一，同时没有考 虑信用评级的迁移，所以所有借款人的债务定价机制固定不变，无法依赖贷款平台的信 用品质和远期利率进行变化和波动。
(5)死亡率模型(Mortality models)。阿尔特曼基于寿险精算的思想开发的该模型， 该模型和确定寿险保费的方法与思路近似。它的基本思路是通过估算在贷款周期中每一 年的违约率和周期内累计违约率，计算出预计损失之，进一步可以估算出预计之外的损 失。此模型是从大量样本中统计出来的模型，所用参数较少。但是该模型无法准确分析 宏观经济对风险计量的影响。
伴随监管趋严以及行业的转型，现金贷行业的信用风险评估与计量渐渐被行业所重 视。随着金融行业的蓬勃发展，对信贷资产的安全性、效益性的要求都日益升高。现金 贷平台的盈利情况与传统的金融公司相似，决定其盈利情况的包括流量的陈本、风险控 制能力、坏账情况及资金成本。现金贷行业内体量较大的平台至少会在其中的某一项中 拥有自身的优势，有一些甚至再会多项都拥有优势。现金贷产品的特点是金额较小、抵 款期限较短，这也决定了只能扩大规模平台才能实现盈利。
现金贷信用风险计量是现金贷平台在放贷时的系列评估方式，通常用来计量对于平 台的影响、损失的预估和出现风险的概率。通过对贷款业务进行风险平评估，借款平台 可以对借款方进行分类或者标注。不仅如此，通过上述计量分析，现金贷平台也能够了 解在运营过程中会出现哪些风险与不可控因素，以实现对风险的预警行为。充分计量信 贷业务风险，可以有效的降低损失。
风控的核心思路是基于大量真实的样本数据，将逾期用户的身份、行为与数据特征
28 进行提炼，从概率学的角度上进行剔除，从而保障到剩余用户群的逾期概率处于一个相 对较低的区间。而对数据的提炼与作用过程，将使用到“参数”的定义。“参数”决定 了区间和上下限范围，一条风控规则通常作用于某一数据类型，依据此数值是否满足“参 数”的定义范围，得出是否可通过风控的结论。
考虑到经济运行存在着周期性，企业或个人的金融行为中存在着不可抗因素从而导 致信用风险的发生。当前我国影响信贷定价的信用风险主要由违约概率、违约风险暴露、 违约损失、有效期限和信用评级转移等因素。
而国内互金企业一般使用大数据技术来实现风险计量。蚂蚁金服通过信用服务体系 芝麻信用的建立，收集大量个人信息、网络交易等行为数据，通过量化形成蚂蚁信用分 值，为自己导流的趣店等现金贷平台提供风控计算基础。腾讯设立的民营银行微众银行 推了现金贷产品“微粒贷”，其风控核心基础是腾讯收集的大数据信，息与央行征信数据 相结合，来评估用户的还款意愿及还款能力［岡。
以现金贷平台Y平台为例，产品风控包括四个要素：利率（包括各种费率）、期限、 额度、目标人群。Y平台人为，对于每一类目标人群而言，他们在流动性需求、未来可 预期现金流、消费观念、收入水平以及信用状况等维度上都具有一定的规律和共性，进 而影响其申请额度、贷款利息的接受水平、还款能力和还款意愿等。因此，合理地设计 产品，能在有效降低风控难度的同时，将收入最大化。例如，对于白领人群，其按月发 薪的特点更适合一个月及以内的借款期限。
3.2.2已有现金贷信用风险计量方法存在的问题
作为市场经济的产物，征信系统对现金贷行业健康发展至关重要，但行业信用风险 计量依赖的大数据风控的有效性仍待考量。一般的商业银行会给予规避风险的需求，在 —般贷款用户的贷款行为中，要求用户或者与用户存在关联的第三方提供有效的信用担 保、抵押、承诺等等风险缓释工具，此类工具可以再某种程度上将贷款用户的违约风险 和银行损失程度控制在合理的范围内，不同形式的风险缓释工具影响者贷款定价过程中 的风险成本计量。
而对于广大现金贷平台而言，现金贷信用风险计量使用的参数沿用了国外互联网金 融信用风险参数。由于我国互联网金融起步较晚，这方面的应用都无法达到发达国家的 完善和先进。国内参数的选择一般会借鉴Prosper和Lending Club等较为成熟的网贷平 台，但是对于国内市场来说，现有的信用风险计量方法仍不能满足市场的需要。
模型方面，只有极少数的头部平台拥有自身的个人信用风控模型，大部分的平台选 择直接购买外包公司现成的模型，这导致很多平台模型大体一致，对审核人的结果基本
29
没有变化。而另外一部分买不起模型的现金贷创业公司而言，只能选择“以贷放贷”的 方式，也就是头部平台为借款人放贷多少，自己也放贷多少，相当于信用风险运营完全 依靠同业平台的风控能力。
对于我国实际情况来说，现金贷的诞生-开始并没有得到监管的重视，也没有得到 传统银行的肯定，初期的野蛮生长完全依靠于市场消费及融资的需求。可以说，现金贷 行业发展至今，并没有享受央行增信系统带来的数据便利。行业发展初期是一边急速发 展，一边建立自己的征信数据库。部分创立较早、规模较大的行业建立自己的数据库可 谓是付出了代价，因为没有明确的“黑名单”能为平台对于违约风险较高的用户进行剔 除，所有违约造成的坏账成本，只能通过产品利率的提高进行弥补。等到平台依靠用户 及时间积累了一定的信用数据，但是并不乐意与行业共享，及时分享也是小氛围内抱团 取暖。所以，并不是所有的用户在注册时都能拿到信用指标。
现金贷产品存在隐形高利率使得贷款成本过高的现象，贷款利率远远超过现有法律 的保护范围，使现金贷的风险计量过程存在隐患。根据最高人民法院出台的《关于审理 民间借贷案件适用法律的若干问题规定》，当民间借贷双方之间约定的年化利率超过百 分之三十六，超出部分的利息将不会受到法律的保护。但是现有的现金贷产品中，存在 着部分互联网现金贷平台通过各种途径来掩饰过高的贷款利率，如管理费等。而对于贷 款用户的还款能力以及违约几率缺乏有效的计量分析。这种在法律规定和行业规则之间 打擦边球的行为，同样不利于信用风险计量体系的健康发展。
随着金融行业的蓬勃发展，对信贷资产的安全性、效益性的要求都日益升高，现金 贷行业的信用风险资本计量渐渐被行业所重视。
3.3现金贷信用风险的管理与控制
3.3.1现金贷行业现有风控手段
现金贷产品的风险控制手段主要关注以下四个方面：产品营销、贷前筛选、贷前贷 汇总以及贷后管理。
产品营销是现金贷风险控制的最重要一环，现金贷平台需要准确分析目标客户，为 目标用户画像，并寻找合适的目标用户，再进行后续投入。同时需要建立有效的用户关 系图谱，对目标人群进行有效分类，对症下药
贷前筛选主要包括用户的行为检测、贷款环境监测等等。通过分析贷款用户的金融 行为以及相关金融信息，提前预测并识别风险。
贷前贷中的主要目的是细化用户群体，建立有效的分群及分级机制，然后针对不同 的用户群体进行有针对性的风险测评，这样可以给现金贷平台提供全周期价值的有效数 据。
贷后管理主要是指贷款过程中的服务策略以及催收行为策略。现金贷平台为了实现 较高的盈利空间，会尽可能的创造用户复贷行为.所以完善这 环节，也可以提升现金 贷企业的风控体系。
风险控制是对经过识别和评估之后的风险采取一定的方法手段包括风险的分散、对 冲、缓释、转移、规避、补偿等，进行行之有效管控的过程。现金贷平台的风控工作的 目的就是为了分析借贷方是否具备借贷条件，是否能有较髙的还贷能力。现金贷行业的 现有风控审核主要包括三个环节：开户审核、放款审核以及贷后风控。
合借贷条件，在此过程中拦截拥有不良信用的用户、有违约记录的用户，以及列在黑名 单的用户，初步防止由于预判失误对平台造成损失。一般情况在开户时，平台会收集用 户提供基本信息，包括的姓名、身份证号，手机号、银行卡信息等个人信息，以此进行 大数据技术初步审核。
(2)放款审核：对开户成功的用户申请借款后进行评估。放贷审核的目的主要有两 方面：一方面，平台需要判断现有资金池是否充足、申请借款的现状是否是在平台允许 的容量内，这足以保障现金贷平台借贷流程能够正常顺畅进行。另一方面，平台需要对 个人信用评分进行再次评估，查看是否有变化，是否在其他平台新增黑名单之内，这一 步防止借贷人欺诈行为的产生，以此能够保障平台的利益，也维护平台安全的借贷环境。
因此，反欺诈是现金贷风险控制的重要一环。当前线上贷款存在着很多欺诈行为, 如机器行为、信息盗用、身份冒用、中介代办、串联交易和团伙作案等行为。为了针对 上述欺诈现象，往往会采用交叉检验、强特征筛选、用户行为数据分风险关系控制等纺 织。
第二，多头借贷行为的识别。多头借贷是指同一借款人在多个贷款机构有过贷款行 为。目前，多头借贷行为的识别包括两个方面。
（1） 获取多头借贷数据。现金贷所针对的目标群体多为传统信贷机构难以涉及到 的长尾人群，其用户征信数据門重确实。因此，现金贷运营平台之间往往会通过合作来 实现贷款信息的共享。不仅如此，现金贷平台在通过第三方征信机构查询贷款申请记录 的同时，也会留下贷款申请人的个人信贷信息。此类信息可以通过查询异常检测的方法 过滤以后产生一个庞大且可靠地多头信贷数据库。
（2） 恶性多头借贷行为的识别。恶性多头借贷行为指贷款人借新还旧或者在同一 时期有大笔多头借贷。对于借新还旧行为的识别可以结合贷款申请间隔和贷款期限。如 果贷款申请间隔明显小于贷款期限，说明该笔贷款申请有较大的借新还旧风险。
3.3.2当前现金贷信用风险管控存在的问题
现金贷行业出息的风控状态并不理想，一方面是同质化严重的众多现金贷处于数据 孤岛，另一方面被征信数据抛弃的借贷者疯狂使用现金贷产品并且资金去向不明。行业 违约率可想而知，据媒体报道，部分平台的违约率甚至高达70%以上。
（1）逾期率居高不下。从网贷之家公布的数据可以发现，体量较大的现金贷平台 逾期率控制在较好的水平。趣店2018上半年第一季度的逾期率为0.5%,这源于其流量 和风控方式的特殊性；二三四五贷款王2016年底第四季度的贷款损失率为3% [56]。相 比于其他贷款领域的数据来看，信用卡2016年年底平均不良率为1.9%,金东金融的京 东白条第三季度的逾期率为1.8%。根据中金测算，2016年的第三季度对于持牌消费的 金融公司，其不良贷款率约为4.1%。
各家金融机构的逾期率的统计口径是有区别存在的，这导致逾期的绝对数值在研究 中意义不大。从另一个方面来讲，现金贷领域的多头借贷情况日益严重，逾期率也没有 办法展示借贷者的真实风险水平。
（2）征信系统不完善。行业发展初期，现金贷平台无法拿到银行数据与央行征信数 据，只能边扩大规模边完善自身信用数据库，但因行业发展速度过快，导致自身信用制 度建立严重滞后，这导致行业多头借贷现象严重。随着行业的发展，部分行业领头公司 开始各自抱团共享数据信息，或者投靠芝麻信用等第三方征信平台，违约记录的“黑名 单”也随之更加完善。但中小型现金贷平台被剔除在外无法享受到数据的红利，而且由 于监管的确实，大站的的个人信息被行业滥用或交易。
在2018年上半年，央行向百行征信颁发了个人征信牌照，该机构为首家通过市场化 运营的个人征信机构°截止2018年9月，百行征信已经和241家金融机构签订了征信 信息共享协议，这241家机构包括网贷信息中介机构、消费金融公汽车金融哦公司、租 赁公司、融资企业、民营银行、金融科技公司等等。
作为完全而场化运营的个人征信企业，该机构和其他金融类放贷机构之间，采取互 利共赢的商业理念，区别于传统的征信中心的信息采集行为。该机构的初期业务合作主 要是针对…些具备-定资质的网贷机构。为了有力管控现金贷行业中的“老赖”，尤联 网金融风险专项整治工作领导小组办公室还下发通知，敦促各地方及时上报逃废债的信 息，包括失联或者跑路的行业高管的信息，都将会纳入到征信系统当中。
目前，百行征信己经连个部分金融机构开始了接入测试工作，并且于2018年底面向 市场提供了个人征信服务。该机构能够和央行的征信中心在业务范围上实现充分互补, 而且，双方对于失信人员的惩戒力度没有差别。无论借款方在哪个平台出现了违约行为, 都会产生失信记录，国家将根据失信记录对违约者享有的社会及经济权利进行控制与限 定。自此，我国己经初步形成了国家金融信用信息基础数据库与市场化征信机构错位发 展、功能互补的市场格局，覆盖全社会的征信系统己经初步建立。
3.4本章小结
本章对现金贷信用风险的理论做了全面分析，为之后的风险模型的构建以及变量指 标的选取做好了理论基础。现金贷产品的优点是线上审核、放贷速度快，但同样给行业 带来了诸多潜在风险。由于无法使用央行征信系统的数据便利，而且行业仍未建立起自 己的征信体系，所以只能通过大数据计算来实现贷前审核的计量。但是行业现有的风控 手段仍不完善，导致坏账率居高不下，行业只能通过提高利率还弥补损失。但是监管对 于利率红线的设定使得大批量中小型平台倒闭，所以信用风控制度的完善是现金贷平台 最重要的任务。
第4章现金贷信用风险模型的构建
4.1建模目的与建模方法分析
4.1.1建模目的及其基本要求
现金贷最初行业准入口槛低，监管因为并未重视所以环境相对宽松，我国对现金贷 行业的监管相对与行业发展较为滞后，对风险控制、信息安全、行业准入都缺乏规定， 这也是现金贷平台的最近频繁爆雷原因之一，问题平台数量不断增加。
伴随近几年个人信用消费的持续扩大，消费信贷规模也在不断提高。如今金融行业 的个人征信制度并不完善，居民个人信贷的金融风险也随之日益显现，商业银行的用户 个人信贷不良资产率也在逐年攀升。我国四大国有商业银行年度报表公布的数据能看到 相关信息，其中个人消费贷款的不良贷款率在2%-3%左右，对于现金贷平台的不良贷款 率相比于商业银行则更多，而我国现金贷行业的个人消费贷款信用风险评估体系仍在建 立在基本的评估系统上，仍然缺乏科学性"。现金贷的个人信用评分一般是对客户的违 约可能性做一个估计，这个估计会对申请贷款者的相关指标的能查询到的历年来数据为 依据，在此基础上运用科学的统计方法对还贷能力进行分析，并对违约可能性进行预测。 这种评估的目的，便是得测算金贷借贷方在未来特定时间内是否有违约的可能性，这种 评估将借贷者进行信用分级，对其潜在的违约行为进行科学预测，这样的评估势必为现 金贷平台是否提供贷款、贷款金额及贷款期限的设定提供依据。
对于现金贷产品个人信用风险评估，对不同等级的借贷方进行分类，并且用科学的 信用评分模型对借贷方的各方面数据进行量化。发达国家的现金贷平台经历了疯狂发展 后趋于稳定，自有一套个人信用评估系统，但我国现金贷行业发展较晚，在疯狂扩张期 间平台较为忽视风控研究，这使得现金贷行业的个人信用评估体系尚在摸索阶段，现如 今的评估体系虽然加入了 A1技术、大数据数据分析等方式，但是构建的模型在实际应 用中还是存在不少问题，这在多头借贷、老赖情况的事实面前也反应出来。
信用评价的指标特征会随着评价对象的不同而进行一些列调整。个人信用特征是现 金贷信用对象的主要对象，但是如果不采用定量的方法有效筛选信用指标，将冗余和无 关的个人信息进行筛除，将无形中增加样本运算量，或者对实际信用评价造成干扰。采 用有效的方法可以大大缓解信息不对称所造成的信用风险。对贷款用户的软信息进行有 效提取，建立合理的现金贷风险模型，是当前信用贷风险计量模型研究中遇到的新的挑 战。
4.1.2建模理论与方法
从普遍学者肯定的信用评分模型来看，通常被选择的方法是神经网络和Logistic模 型，除此之外还有判别分析方法，支持向量机，以及KWV模型等等牌，下面对主要几 个模型进行理论分析。
（1）神经网络模型
神经网络（Artificial neural network）即BP神经网络，也被称为连接机模型，神经网 络模型在智能识别和智能控制领域内被广泛应用。BP神经网络模型是对生物神经网络系 统的模拟，其处理功能是由网络单元的输入输出特性、网络的拓扑结构所决定的，人工 神经网络对问题的求解方式与传统方法不同，它是经过训练来解答问题的.训练一个人 工神经网络是把同一系列的输入例子和理想的输出作为训练的“样本”，根据一定的训 练算法对网络进行足够的训练，使得人工神经网络能够学会包含在“解”中的基本原理。 当训练完成后，该模型便可用来求解相同的问题。
一方面，此模型具有大规模并行、自我组织、自我学习、分布式处理等优点；另一 方面，此模型不需要在建模或者应用过程中给到明确的函数，所以很大程度可以避免主 观误差。
（2） Logistic回归模型
回归是用于建模和分析变量之间关系的一种技术，分析变量是如何影响结果的。线 性回归是指完全由线性变量组成的回归模型。从简单情况开始，单变量线性回归（Single variable linear regression）是一种用于使用线性模型来建模单个输入自变量（特征变量） 和输出因变量之间关系的技术。更-般的情况是多变量线性回归（Multi variable linear regression）,它体现了为多个独立输入变量（特征变量）与输出因变量之间的关系。 Logistic逻辑回归模型是典型的研究因变量引起非连续型的变量情况分析模型。
（3） 支持向量机
支持向量机（S叩port vector machine,简称SVM）是90年代中期发展起来的基于统计 学习理论的一种机器学习方法，通过寻求结构化风险最小来提高泛化能力，实现经验风 险和置信范围的最小化。针对线性不可分情况，通常引入核函数将非线性可分的特征向 量空间映射到线性可分的特征向量空间，简化映射空间中的内积运算，避免直接在高维 空间中进行计算，然后再利用线性可分的支持向量机进行分类。它在解决小样本、非线 性及高维模式识别中表现出许多特有的优势。支持向量机的基本思想是寻找一个满足分 类要求的超平面，使其在保证分类精度的同时最大化超平面两侧的空白区域。
（4）随机森林
随机森林（Random forest,简称RF）是通过自助法重采样技术，从原始训练样本集N 中有放回地随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分 类树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定.单棵树的 分类能力可能很小，但在随机产生大量的决策树后，一个测试样品需要经过每一棵树分 类决策，统计后的结果更接近于正确分类.随机森林对多元共线性不敏感，对缺失数 据和非平衡的数据比较稳健，可以很好地预测多达几千个解释变量的作用。
4.2模型变量的选择
4.2.1模型所需变量及其选择方法
现金贷贷前审核是通过大数据对贷款审批用户进行全面扫描，但由于现金贷审批快、 无抵押的特点，所以快速准确一直是行业贷前审批的目标，其中，如何在众多身份信息 中找到会影响信用的指标，并通过运算将其量化，是实现风险控制的前提。通过查看国 内国外的相关研究文献，并参考传统金融行业对借款人的信用评估指标选取方法，以及 结合我国现金贷行业的借款人风险特点。
由于我国现金贷发展较其他国家晚，所以不管是监管法律体系还是征信统计体系都 要滞后，不过国外现金贷行业的统计及成熟现金贷平台的经验却值得我们借鉴。国外较 为成功的网贷平台有Prosper和Lending Club,他们对于信息及数据的统计较为充实完 善，这两家平台也是国内外学者经常参考的案例实证。国外学者对于平台的研究可以发 现，常备用于信用风险变量的指标包括：资产债务比、信用评分、借款总额、用户年龄、 收入情况等指标。
国内学者对现金贷信用风险的评估指标进行了研究。吴斌等认为影响现金贷的评估 指标包括借贷人的性别、年龄、文化程度、婚姻、车产、房产状况等个人基本信息，职 业、收入范围、工作年限等职业信息，借款金额、年利率、借款期限等贷款基本信息, 身份、实地、机构担保、征信报告、房产、车产、工作收入认证等审核认证情况。唐艺 军认为现金贷风控的指标体系应该包括：信用特征（信用积分、逾期次数、是否存在银 行逾期行为）：个人特征（婚姻情况、固定资产情况、现有贷款情况、居住所在地、受 教育程度、性别）；指标特征（投标总数、贷款期限、贷款额度、贷款利率）；历史借 款特征（有效借款次数、提前还款次数、及时还款次数）。王会娟等认为借款人的个人 情况、信用评级、工作状况、固定资产状况、和历史借款记录借款投标人数都是现金贷 风控的重要评估指标。
根据以上对于用户评估指标的统计发现，除个别指标以外，大部分指标并不能简单 用来决定违约风险，所以多个指标的结合更能完善对于申请借贷用户的“画像”，画像 约为精准，信用风险的计量就会越准确。现金贷的最重要的特点之一为无担保，所以在 大部分现金贷平台申请贷款时，个人信息中并未添加资产负债的内容，所以对于现金贷 信用风险模型的建立，信用指标及资产负债指标被剔除。
4.2.2变量间关系分析
个人信用风险涉及多种因素，包括主观因素、客观因素、现实因素与潜在因素。而 我们期望能通过指标的分析进行风险的量化，指标的选取变得极为重要。上小结将个人 信用指标分为了个人自然特征指标和经济特征指标。将这些指标揉在一起进行提炼，期 望能获得潜在规律，找到可以量化的信用风险模型。
（1） 个人自然特征指标
年龄指标：年龄阶段的不同会影响用户信用风险计量。25岁以下的用户没有收入或 者刚步入社会收入较少，但这部分群体会担心征信记录；26-45岁之间的用户收入较稳 定，有一定的资产及存款，但也承担一定的负债及生活、工作压力；年龄较大的用户有 着晚辈财政的支持，但身体状况风险较大，有突发性消费的产生。
性别指标：有统计称，男性相对于女性来说更加喜欢冒险，贷款数量也比女性要多。
生活城市指标：不同级别的城市用户特点不同。一线城市现金贷市场充足，多头借 贷现象较少，二线城市对于现金贷的需求较为明显，四线城市市场尚未成熟，借贷人群 级别更低。
职业指标：不同的职业违约风险也不相同。职业更加稳定的用户违约风险与制定并 不稳定的用户相比有着明显的优势。
婚姻指标：婚姻状况也会影响用户信用风险的计量。未婚用户家庭压力较小，但违 约压力也小；己婚家庭势必会担忧违约对整个家庭造成的影响，但财政较未婚相比更加 充足。
文化程度指标：高教育群体对于违约的风险更加清楚，但这部分群体借贷的目的多 为将贷款流入房地产、股票、大众交易等资产或者风险较高的投资；低教育群体借贷的 目的多为应急或消费，但对于违约的风险并不敏感。
（2） 经济特征指标
月收入指标：与文化程度相类似，收入较高的群体借现金贷的目的多为参与高风险 的投资，并且投资的预计收率必须高于现金贷的利息及手续费用，高收益必将承担高风 险，但月收入如何影响用户信用评级仍待验证。
资产负债比指标：资产负债比较小的客群经济压力小，但大部分为没有资产但收入 并不稳定的用户；资产负债比的用户有一部分为高净值人群，但财政压力过大也势必会 对违约概率造成影响。
信用指标：信用较好的群体再次贷款的违约可能性势必比有信用污点的群体要高。
贷款金额指标:贷款金额较大的群体一方面手握大笔现金贷款，有相应的违约风险， 但另一方面，预计贷款金额比较大的意愿势必因为对于今后的还款情况有更清楚的认知。
贷款期限指标:贷款期限长的用户因为时间较长，还款金额筹备时间也会较为充裕， 但是不确定性也随之增加。
4.3模型的推导与构建
4.3.1模型的基本原理与推导过程
Logistic回归又称Logistic回归分析，是一种广义的线性回归分析模型，常用于数据 挖掘，疾病自动诊断，经济预测等领域。国内的学者习惯用Logistic模型进行信贷产品 的风险评估，Logistic模型根据大量的数据样本统计分析出来的结果，运用w非线性回 归的方式来预测用户的信贷风险可能性，己有不少学者在利用Logistic模型对各个金融 领域的产品进行风险因素研究:气对于个人信用评分领域的应用和研究说，Logistic回归 模型相比于神经网络、判别分析方法等其他模型比较成熟。Logistic回归模型的优点有 很多方面：模型较为稳健、分辨能力较强、坏客户识别能力较好，并且Logistic模回归 型非常易于研究者理解并应用，得到的测算结果相比于其他模型也比较精确。因此对现 金贷产品的个人信用评分模型的研究而言，Logistic回归模型是当下模型中最有效的风险 评估的工具。
本文在建立现金贷行业的个人信用评分模型运用到经典的二元Logistic回归模型。 Logistic逻辑冋归模型是典型的研究因变量引起非连续型的变量情况分析模型。在这个 模型中，极大似然估计法是解决模型问题的核心方法而。在建模过程中，由于变量值过 多，模型会用WOE值来代替原变量值进行回归测算，用本方法来建立现金贷网贷借款 人信用评估模型，以期对中国现金贷其他平台提供借鉴。
给定一组客户样本T = {(x,, y,)}嵩，其中％是客户的特征变量，乂是二分类属性变 量，y,=l表示第1个客户是履约客户，乂=0表示第i客户是违约客户。首先建立一般线 性模型：
E(K) = A) + P\x\ + Ax2 + ••••+(4-1)
对于0-1的变量Y (此处为Y=0或者1),
E(y)= P(K = l) = F (4-2)
P 二片 + +回工2 + ,…+ +£ (4-3)
为简化此模型，对P进行变换：
Logit(P) = ln(P/l -户)=冋 +崗当 + 丹+.•.• + RXk +£ (4~4)
a 仇 x\+0g+-+8E
P = — - -
I + ©為）+0内+庭：+“ +" | + e」.+K'i+奴+ …+凡叫+G
优势为oddos=上这是是事件概率中发生与不发生之比。
1-F
所以：
(4-5)
\n{odds) - Logil(P)二属 + /?)x, + /32x2 + ….+。齐 + £
(4-6)
则当X|增加一个单位:
\n(odd / x,+]) = \n(odd / x,) + 0
(4-7)
\n(odd / xM)-\n(odd / x,) = 0
(4-8)
.ln °dd 1 Xr = W / x* odd / xt ' odd / X,
(4-9)
由此结果，可以看到逻辑回归莫衷中P{Y=1|X}的预测结果:若以0.5为界限来说， 若果P估计值＞0.5,则Y取1值；如果P的估计值＜0.5,则Y取0值。
3.设Y为0-1之间的变量，X. X,、…、X.则是与Y变量相关的自变量，那么观 测数据则为（X”、X,?、…、X*、Y、）（i = l、2、…、n）,则Y,、丫八…、Y“的似然函数就 为：
ik、
z=it 助)=n ”3,)” [i-p(x,
扌=1 心
(4-10)
等式两边同时取自然对数:
z = £ 成(崗 + 旅,1 + 卽,2 + •••• + 卽“)Tn(l +/""小井"•)]
>=1
分别对8 °、引、6 2、…、8,求偏微分导数，取最大似然函数值，求到闫，们，8 …，伉的近似值。
由于常规的二乘法模型的不适宜性，因此本文在此基础上采用最大似然估计法，由 此解决了部分难题让其既适用线性模型，而且也可以用于更为复杂的非线性。Logistic 回归模型釆用最大似然估计法后对应表示为以下公式：
P _ [ /挪’
'l + eTa+内)]+』伽
(4-12)
数值Pi是由解释变量数值Xi构成的非线性函数，意义表示为第i中样本中发生事 件概率的可能性，为了计算方便本文将其转变为线性函数。由于此函数为事件发生的概 率，则对应不发生的条件概率公示如下所示：
伽 I
F = k (4-⑶
则将两个数据进行对比可以得岀事件发生与不发生的概率之比：
史」=即 (4-14)
1-P,
因为是事件发生概率，所以0<pi<l,由此对公式取对数，则可以获得以下线性函数：
ln(M-) = 8+ 伽 (4-15)
1-P,
以上公式对Logistic回归模型函数进行了自然对数的转换，也就是1 ogit(y)o这个转 换对于模型的建立非常重要，由于pi是事件发生概率，所以取值范围在0和1之间。而 logit(y)对于这些参数来说是线性的方式出现，所以值域变成了负无穷值到正无穷值，这 个转变解决了概率估计值有可能超过概率值域的逻辑问题。
4.3.2基本假设与约束条件分析
一般Logistic回归方法中的最基本假设是似然比的自然对数为线性：
ln{L(X| //J/(以XI 反|)}=用+ "X (4-16)
”是做判别的系数，即评估各项指标时的权重。公式4-16算出后验概率的简单形式:
Pr(H,| x) = exp(腐+lnK + 0x)/{exp(腐+lnK+/?7x)} (4-17)
其中，假设Hs(s=l，2)是履约人群类别Hs中的样本点数在总样本中的比例，那么 K =指。一旦腐'，0, K被估计出来，则此概率仅取决于线性函数小lnK +伊X。
另外，不管变量是连续性还是离散型甚至二者间有，对0的估计方法均为一致，并 且不需要对样本最任何进一步分布假设。
4.3.3模型的运算方法
本文使用Logistic回归模型对现金贷个人信用风险进行研兖评估，模型的构架全程 使用 SPSS 软件实现。SPSS (Statistical product and service Solutions),“统计产品与 服务解决方案”软件。最初软件全称为“社会科学统计软件包”(Solutions statistical package for the social sciences)，但是随着SPSS产品服务领域的扩大和服务深度的增 加，SPSS公司已于2000年正式将英文全称更改为“统计产品与服务解决方案”，这标 志着SPSS的战略方向正在做出重大调整。SPSS为IBM公司推出的一系列用于统计学 分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有 Windows和Mac OS X等版本。1984年SPSS总部首先推出了世界上第一个统计分析软 件微机版本SPSS/PC+,开创了 SPSS微机系列产品的开发方向，极大地扩充了它的应用 范围，并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多 有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐 全等方面给予了高度的评价。
SPSS可以通过简单的设置，自定确定各项指标的筛选标准。SPSS内进行Logistic 回归模型分析之前，需将分析的各个自变量数据转变为SPSS变量形式，每组数据都有 相对应的变量。所有的因变量(被解释变量)取值为{0,1},及时相关的因变量无法直 接用二值变量量化，也可以通过SPSS简单的操作来实现。
SPSS在进行Logistic回归统计时，可通过“Method”的选择来改变自变量的筛选策 略。最常见的aMethod”。
4.4本章小结
对现金贷信用风险模型进行了构建与推导，为下一章的实证研究做好了理论基础。 首先对最常用的信用风险模型进行了介绍，对神经网络模型、Logistic线性回归模型、 支持向量机、随机森林四中模型进行了比较，通过决定选取Logistic线性回归模型用来 进行现金贷平台的信用风险模型。同时，通过分析决定了将年龄、性别、生活城市、职 业、婚姻等共9各变量作为模型的解释变量。最后对Logistic线性回归进行了推导，并 决定运用SPSS程序来进行实证研究。
第5章实证研究
5.1实证目的及样本选取
5丄1实证目的及其基本要求
通过对现金贷行业信用风险控制现状的分析，可以发现，行业授信在平台运营中占 据了重要的位置，在行业健康发展中起到至关重要的作用。但是由于现金贷行业拥有大 量的长尾受众群体，并且征信模型仍不完善，使得多头借贷现象非常严重，行业风控面 临严峻的挑战。另外，面对居高不下的违约率，平台忽视对于风控能力的完善，而是粗 暴的提高利率及服务费来弥补损失。但是过高的利率恰恰使得平台面临更高的违约风险 如何提高风控能力、尽快完善征信数据库，成为现金贷行业最严峻的挑战。行业现有风 控水平仍然满足不了行业的需求，在信用风险管控的实际操作中仍然缺少有利的实证检 验。研究关于现金贷用户个人信用风险的评估，对于控制市场的风险，促进行业平稳发 展具有重大意义。而实证研究则是在理论基础上，经过实际信息的提炼，得到最有效的 行业经验，推进现金贷行业风控制度更加完善。
接下来本文利用某平台的贷款信息数据，从实证研究的角度岀发，首先通过SPSS 交叉分组分析法对个样本数据进行对比分析，再通过SPSS输入方法包括虚拟变量分配 200组样本的每个索引到逻辑回归方程,Logistic回归进行初步分析后对多重共线性进行 分析并优化模型，进而有依据有数据的对现金贷信用风险计量这一问题进行分析。希望 能够引导行业合理利用个人信息，构建和完善现金贷信用风险体系，为行业稳健发展奠 定良好基础。
5丄2样本选择原则与方法
经过国内外众多学者研究实践表明，合适数量的样本数据的选择是建立有效模型的 基础。在建立个人信用评分模型之前必须要明确模型所要评估的对象和甄别客户属于哪 类群体。考虑的是评分模型所要评分的对象是哪类客户群体。在选择客户样本时，首先 要明确两个目标：第一，用于评分的历史客户样本是否对未来潜在的贷款申请人有代表 性；第二，进入模型的客户样本应该包括足够多的不同类还款行为，使得模型具有很大 的可信度。
在建立个人信用评分模型过程中，除了合理运用Logistic回归模型外，如果出现客 户样本数据过少的情况，在一定程度上会降低了样本的代表性，甚至出现无用，从而使 得模型拟合效果不理想，造成分析时出现非代表性风险。样本规模小于100时对模型进 行模拟可能就会存在风险，但是样本量大于200时模型能得到比较精确的結果。同时如 果在模型中指标变量较多时，就需要较大规模的样本数据，且当模型的解释变量的分类 大于2时，需要的样本数也必须大于100。为了探究哪些指标才是影响现金贷个人信用 风险的显著因素，本文选取了 P网贷平台现金贷业务的200组样本数据。
5.13样本说明
P平台成立于2014年，在2014年到2015年之间靠校园贷得以快速发展。因为校园 贷后期裸条和暴力催收事件不断频出，校园贷被推上风口浪尖，2016年4月教育部和原 银监会联合出台相关规定，要求加强对校园贷的监管力度。随即，P平台在2016年下 半年也正是宣布退岀校园市场，业务发展的主要方向由消费贷变成了以来分期为主的现 金贷。
根据年报及披露数据显示，P平台2018年全年总收入达到47. 754亿元，相较2016 年的14. 428亿元增长231. 0%；净利润达到21.645亿元，相较2013同期的5. 767亿元 增长 275. 3%。
2018年度P平台注册用户达到6240万，授信用户数达到2620万，其中690万用户 为活跃借贷用户。平均每笔现金分期交易额约为960元，每笔商品分期交易额约为1400 元；现金分期平均信贷周期为2.1个月，商品分期的平均信贷周期为8. 8个月。
P平台营收与活跃人数的快速增长，得益于可以通过国内最大的支付平台进行导流。 但在P平台披露的2018年三季报显示，截至2018年9月30日，P平台的注册用户数 总数达7000万，比2018年9月30日增长了 23, 7%。但活跃用户却仅为490万人，比 2018年同期630万人下滑22.2%,这与导流支付平台终止与P平台合作不无关系。二季 报中，P平台曾透露2018年8月后不再与支付平台续签与用户参与有关的协议。虽然 当时P平台称与终止与支付平台的合作不会影响趣店正常的业务，但是从用户活跃度来 看，平台的业务还是受到了一定程度的影响。
P平台可谓是国内现金贷行业中最为典型的平台之一，业务覆盖面广，涵盖了所有 级别的城市。把P平台作为实证研究的对象，更能通过模型探讨出现金贷行业的规律。 此次的样本，是P平台现金贷业务在一周内所有满标数据中随机提取的200组样本数据。
在P网贷平台随机抽取的200份样本中，涵盖了年龄、性别、生活城市、职业、婚 姻、文化程度、月收入、贷款金额、贷款期限这些指标变量。按照现金贷平台的规定， 借款人在规定期限内若是不能偿还贷款，或者偿还金额并未达到合同规定，则视为违约 行为。随机抽取的样本数据中正常履约样本有138,违约样本有62。
5.2实证方法说明
5.2.1实证方法的选择
结合我国现金贷平台信用评估所面临的现实问题，部分模型一般都很难给出信用分 值，即使给出也因为带有较强的主观性或是过分依赖专家的经验而导致可信度不高。神 经网络模型虽然是一种变结构模型，可以通过网络对新样本的学习，调整其内部的结构， 从而适应系统变量的变化，但是其与传统技术的接口并不成熟。此外,神经网络很难解释, 缺少一个完整、成熟的理论体系支撑，无法单独解决信用风险评估中的所有问题,在目前 的应用中受到了限制。
国内外学者的大量实证研究表明，回归模型的判别能力较高，仅次于神经网络，优于 各种基于会计数据的线性判别模型，能够很好地解决非线性向题,近年来被学术界视为 主流方法。回归分析是信用评分模型非常广泛的应用统计技术，虽然结构简单，但在处 理多指标组成的复杂数据系统时，能够排除个别异常数据点的影响，这优于受少数异常 数据点影向非常大的分类方法。由于现代计算机技术的应用，基于回归分析的模型可以 运用于多指标海量数据的处理,因此在解决信贷风险评估问题时有很大的优势。
Logistic回归在处理定性数据上有一定的优越性,理论上优于线性回归方法。对于离 散变量和连续变量在处理方法上是一样的，这是相对其它方法最为突出的优点。影响个 人信用状况的因素是多种多样的，既要考虑其收入、资产等经济指标，又要考虑它的信用 历史、基本情况等个性指标。这些指标有定量的、也有定性的。Logistic回归能够综合 考虑多种影响因素的作用，最大限度的保证了评估指标的全面性。
5.2.2运算原理与步骤
在本文建立的Logistic逻辑回归模型中，变量设定为是否能正常还款，艮卩“履约”。 解释性变量的赋值基于其相应的属性（见表4-2）,属性“真” =“1”，属性“假”二 “0”。以其中的相关变量“职业”举例来说：指标为企业员工时，虚拟变量“单位1” =1,其他虚拟变量=0；指标为个体户时，虚拟变量“单位2”=1,其他虚拟变量=0；指 标为无稳定工作服务人员时，虚拟变量“单位3”=1,其他虚拟变量=0；指标为个体户 及其他职业时，虚拟变量“单位4” =0。
对200组样本客户的信用状况利用SPSS的交叉分组分析法进行初步分析。对于“年 龄”变量的统计结果，如表5-2所示，25岁以下样本履约比为5. 6/1,远高于26岁-45 岁群体，45岁以上的贷款群体履约率最低。
本文利用Hosmer和Lemeshow检验对模型的拟合度进行检验□ Hosmer和Lemeshow 检验随机性表可直观模型预测效果，此检验是对拟合概率P进行10个decile分组，如 果两个分组的拟合值与观测值差别不大，说明拟合效果较好结果见表5-13,认为回归模 型拟合性较好。如表5-14所示，Hosmer和Lemeshow检验两组结果中的观察值与期望 值差距较小，并且sig远远高于0. 05,说明此逻辑回归模型的拟合度较好。
本文逻辑模型中，sig值最小的变量为生活城市1、生活城市2、生活城市3、贷款 金额3,表明这四个自变量与被解释变量的线性关系是显著的。sig较大，并不代表次自 变量不是违约结果的显著变量，而是在其他变量存在的情况下，此自变量并未能提高回 归模型的拟合度。sig值较高的自变量包括职业1、职业2、文化程度1、文化程度2、 贷款金额1、贷款金额2、贷款期限1、贷款期限2。结果表明，在其它特征存在的情况 下，单个自变量有可能不是明显的违约指标。结果可得，在自变量中存在共线性.
为了消除多重共线性，需要对本模型再次进行优化，本文利用SPSS中"Backward: LR”是对共线性进行消除。通过SPSS模型优化后得到回归结果见表5-15。所有自变量 的sig全部小于0. 05,认为模型中的自变量与被解释变量呈统计显著。
对优化后的模型结果进行混淆矩阵检验，结果见表5-16,认为优化模型后的混淆矩 阵结果与优化前的数据一致，说明准确率未发生改变。
5.3实证结果分析
5.3.1输岀结果的技术分析
从Logistic回归模型检验结果来看模型中的变量，原有的年龄、性别、生活城市、 职业、婚姻、文化程度、月收入、贷款金额、贷款期限对应的指标变量中，年龄1、婚 姻1、性别1、生活城市1、生活城市2、生活城市3、贷款金额3、贷款期限3这些自 变量sig值较小，应拒绝回归方程显著性检验的原假设。其中sig值最少的四个自变量 是生活城市1、生活城市2、生活城市3、贷款金额3,可认为生活城市、贷款金额对借 贷人是否违约的测算结果影响显著。
通过消除多重共线性，优化后的模型输出结果表明，生活城市1、生活城市2、生 活城市3和职业1对于是否测算是否违约影响显著，生活城市、贷款金额、职业变量指 标之间存在相关性。
5.3.2实证结果的理论和政策含义分析
实证研究结果标明，在使用现金贷的群体时，年龄在25岁以下的用户较为关注信 用问题，很少出现违约情况；年龄在45岁以上的用户违约风险更大。分析为年龄较大 的用户如果需要现金贷筹款，表明自身资产情况并不理想，贷款如果发生突发性事件很 难按时还款。另外，一小部分年龄较大的群体并不关心征信情况，甚至在贷款申请时便 打算逾期。
虽然理论上未婚的用户没有家庭伦理的束缚，更有可能产生违约风险，但实证结果 显示，婚姻状况对于违约风险并没有太大的影响。而对于性别来说也出现了同样的情况, 理论中的男性违约可能性也仅仅比女性稍高，非常不明显。性别与婚姻的特征并未给违 约风险产生较大的影响。
借款金额与借款期限两个指标存在共线性，一般情况下，贷款期限较长的产品一般 借贷金额较多，而贷款期限较短的产品一般借款金额少。在现实情况下，贷前审核级别 较低的用户无法申请到金额较多的产品，所以在金额较少、借贷期限较短的产品面向的 就是这-•群体客户，这批人存在非常高的违约风险。
同样存在共线性还有文化程度、职业以及月收入这三个因素。文化收入在本科及以 上的用户就职于常规企业，小部分作为个体户；文化程度为大专的，大部分就职于企业， 还有一部分以个体户身份存在；而学历在高中以下的群体，大部分没有稳定工作或者没
有工作，还有一部分从事个体户经营活动。以实证研究最为显著的指标职业来讲：就职 于企业的借贷者申请借贷的原因多为消费、投资，并且投资项目会更有规划性，因为有 稳定工作所以这是最不可能发生违约的群体。职业为个体户的群体多用于房租、店铺经 营、投资，若非出现非常严重的突发性事件，否则这部分群体也极少会出现违约事件。 对于工作并不稳定的用户来说，他们借贷的目的多为房租、应急以及消费，虽然工作不 稳定，但这部分群体较为节俭而且能够申请下来的贷款金额并不多，所以出现违约的概 率也并不明显。在职业分类中，无就业群体违约率较高，这部分群体分为两类，一类是 社会上的游散人员，因为没有职业收入，所以在申请贷款时就做好了违约的打算，而在 现金贷平台个人数据仍待完善的背景下，依然有此类人员能在现金贷平台拿到金额较少 的贷款，但是他们会在不同的平台同时进行借贷，这也是多有借贷最严重的群体。
借贷者所生活的城市级别度对于信用风险的影响非常显著。二、三线城市的借贷者 违约率风险最低，四线城市的借贷者违约风险最高。虽然现金贷平台在前期将大部分的 推广力度放在一、二线城市，但是随着行业马太效应的逐步显著，大部分平台在一、二 线市场饱和的背景下，开始涌入三、四线城市，由于四线城市留守人口较多，并且并不 关心信用问题，在岀现经济突发事件下，发生违约的风险自然变高。
5.4本章小结
本章在Logistic逻辑回归模型理论基础上，选取P平台随机200组样本数据进行实 证研究。实证结果表明生活城市级别与职业对借贷人是否违约的测算结果影响显著，借 款金额与借款期限指标存在共线性，文化程度、职业以及月收入指标存在共线性，性别、 婚姻指标对于违约概率影响并不显著。
第6章研究成果及结论
6.1研究成果
本文按照“提出问题、分析问题、解决问题”的逻辑，对现金贷平台的信用风险进 行了全面深入的研究。
首先通过回溯我国现金贷行业的起源，回顾行业发展过程；通过对产品形态的分析， 对现金贷行业能够快速发展的驱动因子做了全面阐述；在研究行业现状以及客群分布时, 引出多头借贷现象的严重性，并研究分析对于现金贷行业的发展影响。之后，通过对现 金贷潜在信用风险的统计，提出对于现有风控水平的质疑。
其次，对最常用的信用风险模型进行介绍，对神经网络模型、Logistic线性回归模 型、支持向量机、随机森林四中模型进行比较，选取Logistic线性回归模型用来进行现 金贷平台的信用风险评估模型。同时，通过分析决定将年龄、性别、生活城市、职业、 婚姻等共9各变量作为模型的解释变量。最后对Logistic线性回归进行了推导，并决定 运用SPSS程序来进行实证研究。
最后，将P平台200个随机样本数据通过Logistic逻辑回归模型进行实证研究，通 过交叉分组分析对每个指标的履约比有了清楚的认知，通过对Logistic逻辑回归模型的 优化挑选出最显著的指标。
本文在现金贷平台信用风险的研究过程中，对国内外现金贷行业做了对比分析，对 国内现金贷平台潜在风险进行深度挖掘，在现有的信用风险模型中选取最适合的模型， 将实证研究的结果做了全面深度的分析，力求能为现金贷风控制度的完善提供分析思路, 促使我国现金贷行业得以健康发展。
6.2研究结论
现金贷这一产品是金融业的一大创新，但是由于缺乏外部的监管以及有力的内部风 险判断，现金贷行业内部存在着很大的风险隐患。现金贷行业应当有效完善行业风险控 制制度，保证互联网金融行业可以较快稳定的发展，现将本文结论总结如下：
(1)当前现金贷行业的主要特点体现在：无需抵押，没有担保，没有消费场景也 没有特定用途。时代背景的融资消费需求，以及现金贷产品理念和线上经营模式，共同 成为行业快速发展的驱动因素。经过爆发式发展，行业马太效应逐步明显，但同时也无 法阻止多头借贷现象的产生。
(2)现金贷产品的优点是线上审核、放贷速度快，但同样给行业带来了诸多潜在 风险。由于无法使用央行征信系统的数据便利，而且行业仍未建立起自己的征信体系， 所以只能通过大数据计算来实现贷前审核的计量。但是行业现有的风控手段仍不完善， 导致坏账率居高不下，行业只能通过提高利率还弥补损失。但是监管对于利率红线的设 定使得大批量中小型平台倒闭，所以信用风控制度的完善变得至关重要。
（3）对于现金贷信用风险评估而言，生活城市级别与职业是最显著的两个指标。 借款金额与借款期限变量存在共线性，文化程度、职业以及月收入变量存在共线性，性 别、婚姻对于违约概率影响不大。实证研究表明，四线城市的群体和无工作的群体违约 风险都非常高。
6.3展望
现金贷的诞生与发展有着历史时代意义，在一定程度上它弥补了传统金融行业的服 务缺口。作为面向基层百姓的金融产品，现金贷需提升自身金融的服务体系，以便让多 的寻常百姓可以享受到普惠金融的红利，这也是我国金融领域改革的方向。
现金贷行业应当树立普惠理念，完善其自身价值，以一个开放的姿态打破数据孤岛 的限制；适当利用市场的杠杆，完善风险评估机制，提高反欺诈手段与多头借贷的识别。 同时，互联网金融征信系统的建设应当加快推进，尽快成立国家金融信用信息基础数据 库与市场化征信机构错位发展、功能互补的市场格局。相信在网贷行业征信制度的逐步 建立下，现金贷行业的风控水平能得到质的发展，行业也会稳步前进。
参考文献
[1]李鹏,王翠娜.现金贷消费者保护:侵权表现、困境与出路[J].新金融,2018,04:43-49.
[2]谢平，邹传伟,刘海二.互联网金融的基础理论[J].金融研究,2015,08:1-12.
[3]谢平，邹传伟，刘海二.互联网金融监管的必要性与核心原则卩].国际金融研 究,2014(08):3-9.
[4]王达.美国互联网金融的发展及中美互联网金融的比较一一基于网络经济学视角的研 究与思考卩].国际金融研究,2014(12):47-57.
[5]李猛.发薪日贷款:特点、争论和启示[J].国际经贸探索,2008(05):74-78.
[6]李继尊.关于互联网金融的思考卩].管理世界,2015(07):1-7+16.
[7]巴曙松，侯鑫賤，张帅.基于生存模型的P2P平台生存规律与政策模拟研究[J].当代财 经,2018,01:44-56.
[8]Namvar A, Naderpour M. Handling Uncertainty in Social Lending Credit Risk Prediction with a Choquet Fuzzy Integral Model[J]. arXiv preprint arXiv:l 804.10796, 2018.
[9]胡光志，周强.论我国互联网金融创新中的消费者权益保护[J].法学评 论,2014,32(06):135-143.
[10]霍兵涨延良.互联网金融发展的驱动因素和策略一一基于长尾理论视角卩]・宏观经 济研究,2015(02):86-93+108.
