王慧媛

[摘要]基于人人貸網(wǎng)絡借貸平臺的數(shù)據(jù)，通過利用二分類logistic回歸模型，分析探究P2P網(wǎng)絡借貸中借款年利率對借款成功率的影響。結果發(fā)現(xiàn)：當借款年利率不超過12%時，隨著借款年利率的上升，借款成功率上升；當借款年利率超過12%時，隨著借款年利率的上升，借款成功率下降。這主要是因為當借款年利率小于12%時，隨著借款年利率的上升，出借人的收益率增加，因此，出借人的投資意愿上升，借款成功率隨之上升；而當借款年利率大于12%時，隨著借款年利率的上升，借款人的違約風險增加，因此，出借人的投資意愿降低，借款成功率隨之降低。

[關鍵詞]P2P網(wǎng)絡借貸；借款年利率；借款成功率；人人貸；違約風險

[DOI]1013939/jcnkizgsc201607078

1文獻綜述與假設提出

P2P網(wǎng)絡借貸是指借款人和出借人依托網(wǎng)絡借貸平臺而完成借貸的新型金融模式，其實質(zhì)為民間借貸的“互聯(lián)網(wǎng)化”。隨著全球第一家網(wǎng)絡借貸平臺Zopa于2005年成立于英國倫敦，世界各國相繼出現(xiàn)眾多的網(wǎng)絡借貸平臺，如美國的Prosper、Lending Club和 Kiva，瑞典的Trustbuddy，日本的maneo，印度的Faircent等。近年來，網(wǎng)絡借貸平臺在我國的發(fā)展也較為迅速。2007年我國第一家網(wǎng)絡借貸平臺拍拍貸在上海成立，隨后國內(nèi)P2P網(wǎng)貸平臺大規(guī)模興起，如人人貸、紅嶺創(chuàng)投、我開、陸金所等代表性網(wǎng)貸平臺出現(xiàn)。截至2014年年底，我國網(wǎng)貸運營平臺達1537家；中國網(wǎng)貸行業(yè)有史以來累計成交量突破3829億元，其中2013年、2014年的全年累計成交量分別高達1058億元、2528億元。網(wǎng)貸之家：《中國P2P網(wǎng)貸行業(yè)2014年度運營簡報》。

P2P網(wǎng)貸行業(yè)的蓬勃發(fā)展引起了學術界的高度關注。相關實證研究主要集中于對P2P網(wǎng)絡借貸中借款成功率（陳建中等，2013；宋文等，2013；王會娟等，2013；李淵博等，2014）、違約風險（馮新月，2014；歐緣媛，2014）、出借人的投資策略（王會娟，2014）、融資成本（陳霄，2014；郭弈，2011）以及法律監(jiān)管（李龍，2014）等方面的影響因素的分析。其中針對P2P網(wǎng)貸平臺借款成功率的分析，大多數(shù)學者均將借款年利率作為重要的影響因素列入，但實證分析結果有一定的差異。溫小霓等（2014）、王會娟等（2014）的研究結果表明借款年利率越高，借款成功率越低；宋文等（2013）、李龍（2014）的研究結果則相反：借款年利率越高，借款成功率越高；并且不同學者的研究結果中借款年利率對借款成功率的影響程度有顯著差異?；谇叭说难芯?，筆者提出自己的觀點：借款年利率對借款成功率的影響并非簡單的正相關或負相關關系，而是隨著借款年利率的變化而變化。因此，本文提出假設——隨著借款年利率的上升，借款成功率先上升后下降。

2研究設計

21數(shù)據(jù)準備

文章選擇人人貸網(wǎng)絡借貸平臺上發(fā)布的借款編號為141400-400000人人貸網(wǎng)站上每一個借款信息有一個單獨的網(wǎng)頁存儲，對應著一個以借款編號為結尾的URL（如http：//wwwrenrendaicom/lend/detailPageaction？loanId=141400）。

的散標投資區(qū)人人貸網(wǎng)站上理財區(qū)分為薪計劃、U計劃、債權轉讓和散標投資，其中薪計劃、U計劃為自動投標工具，債權轉讓是符合規(guī)定的債權買賣平臺，散標投資為借款人發(fā)布借款信息、出借人投標的平臺。借款為研究區(qū)間，等距的選擇其中10000筆者通過在火車頭采集器（LocoySpiderV8）上編寫采集規(guī)則，以等距的方法采集相應研究區(qū)域的信息。個樣本。選擇研究樣本的理由為：第一，人人貸網(wǎng)貸平臺成立時間較長，借款信息豐富；第二，人人貸網(wǎng)貸平臺在2014年網(wǎng)貸平臺發(fā)展評級表中高居第二，其2014年整年貸款余額位列前三位；上海盈燦商務咨詢公司、清華大學中國金融研究所、網(wǎng)貸之家：《2014年中國網(wǎng)絡借貸行業(yè)年報》。第三，人人貸平臺自2013年10月起開始改版，為了保持樣本的統(tǒng)一性，筆者選取了大約位于2014年1月至2015年1月的樣本。初始樣本為10000個，剔除網(wǎng)頁過期和信息不全的觀測樣本，最終樣本為6543個。

從表1中我們可以看出，6543個樣本中最低借款年利率為8%，最高借款年利率為24%，借款年利率位于111%～13%的借款樣本高達3647個，約占總樣本數(shù)的55%。因此，在本文中筆者將111%～13%的利率定為正常利率，將低于此區(qū)間的利率定為低利率區(qū)間，將高于此區(qū)間的利率定為高利率區(qū)間。

22變量選擇與模型構造

本文借鑒已有文獻（王會娟等，2014；宋晨，2014；陳建中，2013等）的做法，選擇表2所示的變量。

人人貸平臺中借款狀態(tài)分為四類，分別為REPAYING、BADDEBT、FAILED和CLOSED。其中REPAYING代表借款人已經(jīng)開始償還貸款；BADDEBT代表借款人未按期償還貸款；FAILED代表借款失敗，即借款申請未通過人人貸審核或未在規(guī)定時間內(nèi)滿標；而CLOSED則代表借款人主動撤回借款申請。因此，REPAYING和BADDEBT均表示借款成功，F(xiàn)AILED和CLOSED則代表借款失敗。其次，由于人人貸平臺將借款人的月收入分為類，因此，為量化債務收入比指標，本文將“1001～2000元”的收入組視為1500、“2000～5000元”的收入組視為3500、“5000～10000元”的收入組視為7500、“10000～20000元”的收入組視為15000、“20000～50000元”的收入組視為35000，而鑒于“1000元以下”和“50000元以上”的兩個收入組無法一致處理，并且位于兩個極限組的樣本較少，因此視為缺失，即剔除346個收入位于極限組的樣本，最終樣本為6197個。

結合上文的假設H，筆者將借款年利率設為啞變量，同時，根據(jù)對變量和數(shù)據(jù)的分析，本文將利用二分類logistic回歸對數(shù)據(jù)進行分析，以借款成功與否為因變量，以其他變量為自變量，模型構造如下：

3實證過程及結果分析

在SPSS19中輸入相關變量，為篩選解釋變量，選擇逐步篩選策略：以最大似然比（LR）為篩選條件的逐步向后篩選法；其次，啞變量Rate默認最后一個類別為參照水平。

文中對變量Rate的分類取值，表3表示分類變量Rate的編碼情況，由上可知：當Rate=1，即利率處于低利率區(qū)間時，Rate（1）=1，Rate（2）=0；當Rate=2，即利率處于正常利率區(qū)間時，Rate（1）=0，Rate（2）=1；當Rate=3，即利率處于高利率區(qū)間時，Rate（1）=0，Rate（2）=0，因此該分類變量是以高利率水平為參照水平的。

小于005，應該拒絕零假設，認為最終模型中所有回歸系數(shù)不同時為0，解釋變量全體與LnP（Success=1）P（Success=0）的線性關系顯著，所以最終模型是整體有效的。

表5顯示了在逐步篩選過程中每步回歸方程的解釋度。由下表可知，最終模型的Nagelkerke R Square為0826，表示因變量（借款成功率）的變差的826%能夠被最終回歸方程中的自變量解釋，考慮到樣本數(shù)量較多，筆者認為該方程的解釋度較為良好，說明模型設立合理。

表6表示最終回歸方程的觀測值與預測值的交叉表?？偣?197組樣本中，實際觀測中Success為“0”（即借款未成功）的樣本數(shù)為4358個，而其中回歸模型預測正確的個數(shù)為4157個，正確率達到954%；在所有樣本中，實際觀測中Success為“1”（即借款成功）的樣本數(shù)為1839個，而其中回歸模型預測正確的個數(shù)為1706個，正確率達到928%，整體正確率達到946%。因此，最終回歸方程對借款是否成功做出了很不錯的預測。

表7表示經(jīng)過多次篩選后，最終模型回歸結果。由表可知，15個初始解釋變量中有8個解釋變量被剔除，最終模型中包含7個解釋變量。我們發(fā)現(xiàn)被剔除的變量相對過多，對此筆者提出以下解釋：初始模型中的解釋變量（共15個）過多，相比而言，樣本容量是有限的，因此，通過篩選后，只有最顯著的解釋變量留在模型中。

根據(jù)表7，對回歸結果的簡單分析如下。

第一，借款期限（Loloan）。借款期限對借款成功的影響為正，每增加1個月，發(fā)生比（[SX（]P（Success=1）[]P（Success=0）[SX）]）變?yōu)樵瓉淼?047倍。說明出借人更喜歡借款期限較長的借款標的，原因是：出借人為了得到穩(wěn)定的現(xiàn)金流回報，愿意投資期限更長的借款標的。

第二，信用評級（Credit_R）。借款人信用評級對借款成功的影響為負。在變量定義中我們將信用評級定義為有序分類變量，并且隨著信用評級的降低，數(shù)值為增大。所以，該變量的回歸結果可以理解為：隨著信用評級的降低，借款成功的可能性降低，具體來說，當信用評級每降低1級時，發(fā)生比變?yōu)樵瓉淼?08%。

第三，有無房產(chǎn)（House）。借款人有無房產(chǎn)對借款成功的影響為正。在變量定義中我們將有無房產(chǎn)定義為名義變量，其值在有房產(chǎn)時取1，否則取0。因此回歸結果可以解釋為：借款人有房產(chǎn)使得借款更容易成功，具體來說，當借款人有房產(chǎn)時，借款發(fā)生比為沒有房產(chǎn)的1431倍。

第四，借款標的分類（Classification）。借款標的分類對借款成功的影響為正。人人貸中借款標的分為三種：信用認證標、實地認證標和機構擔保標。在變量定義中我們將借款標的分類定義為有序分類變量：信用認證標、實地認證標和機構擔保標分別取1、2、3。由回歸結果可知：當該變量的取值每增加1，發(fā)生比變?yōu)樵档?7798倍。原因是信用認證標、實地認證標和機構認證標的風險是遞減的，所以，發(fā)生比是遞增的。

第五，借款年利率（Rate）。在變量定義中我們將借款年利率定義為無序分類變量，即啞變量。編碼是以高利率區(qū)間作為參考類別，相當于低利率區(qū)間的系數(shù)為-2327，正常利率區(qū)間的系數(shù)為0836，高利率區(qū)間的系數(shù)為0。因此，隨著利率由低利率區(qū)間升高至正常利率區(qū)間的過程中，借款成功的可能性是上升的（由于0836>-2327）；接著當利率由正常利率區(qū)間升高至高利率區(qū)間時，借款成功的可能性是下降的（由于0<0836）。具體來說，同高利率區(qū)間相比，低利率區(qū)間的發(fā)生比是其98%，正常利率區(qū)間的發(fā)生比是其2307倍。所以，概括來說，借款成功的可能性隨著利率的升高先升高后降低。

第六，歷史成功次數(shù)（Num_S）。借款人的歷史成功借款次數(shù)對借款成功的影響為正。具體來說，借款人的歷史成功借款次數(shù)每增加1次，發(fā)生比為原來的2957倍。原因是：當借款人的歷史成功借款次數(shù)較多時，出借人相信借款人的信用比較良好，違約風險較低。

第七，債務收入比（DIR）。借款人的債務收入比對借款成功的影響為負。具體來說，債務收入比每增加1，發(fā)生比為原來的924%。原因是：隨著借款人的債務收入比增加，其違約風險也升高。

4單一自變量模型設計及結果分析

以上實證結果表明借款成功率隨著借款年利率的上升先升高后降低，為進一步分析借款年利率對借款成功率的影響，筆者構建以下針對借款年利率的單一自變量模型：

式中β′0為模型截距，ε′為模型誤差，變量Rate′為未經(jīng)分段的借款年利率，變量Rate′2為變量Rate′的平方。此次模型中的因變量為借款年利率初始值，即將借款年利率不經(jīng)分段、直接以數(shù)值形式加入模型；為方便分析，借款年利率仍然擴大100倍。

表8顯示了回歸方程的解釋度。由表8可知，此次模型的Nagelkerke R Square為0202，表示因變量（借款成功率）的變差的202%能夠被回歸方程中的自變量解釋，雖然該解釋程度不高，但考慮到此次模型中只涉及借款年利率一個因變量，筆者認為該方程的解釋度尚能接受。

因此，Ln[SX（]P（Success=1）[]P（Success=0）[SX）]為開口向下的拋物線，為求頂點值，令上式導數(shù)為0，求得頂點值Rate′*約為12；又因為模型中的借款年利率擴大了100倍，所以實際借款年利率的頂點值約為12%。我們發(fā)現(xiàn)，該頂點值正好處于上文中借款年利率的正常區(qū)間（111%～13%），說明該值與上文中的結論相互驗證。

5假設驗證及結論

本文以人人貸網(wǎng)站中2014年1月至2015年1月的抽樣借款交易信息作為研究樣本，研究借款年利率對借款成功率的影響。初步研究發(fā)現(xiàn)：隨著借款年利率的升高，借款成功率先上升后下降；通過進一步構建針對借款年利率的單一自變量模型，筆者發(fā)現(xiàn)借款年利率的分段頂點值約為12%?？傮w來說，隨著借款年利率升高直至12%，借款成功率上升；當借款年利率從12%繼續(xù)上升時，借款成功率下降，即前文中的假設H成立。這主要是因為當借款利率低于12%時，隨著借款年利率的升高，出借人的收益是增加的，因此，此時出借人的借款意愿逐步增強，具體表現(xiàn)為借款成功率逐漸上升；但當借款年利率上升至12%后，隨著借款年利率的繼續(xù)升高，借款人的違約風險增加，此時出借人的借款意愿逐步降低，具體表現(xiàn)為借款成功率逐步降低。

參考文獻：

[1]溫小霓，武小娟P2P網(wǎng)絡借貸成功率影響因素分析——以拍拍貸為例[J].金融論壇，2014，219（3）：3-8

[2]王會娟P2P網(wǎng)絡借貸中出借人的投資策略[J].金融論壇，2014，226（10）：29-36

[3]陳建中，寧欣P2P網(wǎng)絡借貸中個人信息對借貸成功率影響的實證分析——以人人貸為例[J].財務與金融，2013，146（6）：13-17

[4]宋文，韓麗川P2P網(wǎng)絡借貸中投資者出借意愿影響因素分析[J].西南民族大學學報：自然科學版，2013，39（5）：795-799

[5]王會娟，廖理中國P2P網(wǎng)絡借貸平臺信用認證機制研究——來自“人人貸”的經(jīng)驗證據(jù)[J].中國工業(yè)經(jīng)濟，2014，313（4）：136-147

[6]馮新月P2P網(wǎng)絡借貸違約風險的影響因素研究[J].中國商貿(mào)，2014（11）：72-74

[7]宋文P2P網(wǎng)絡借貸行為的實證研究[D].上海：上海交通大學，2013

[8]宋晨P2P網(wǎng)絡借貸影響因素的實證研究[D].揚州：揚州大學，2014

[9]劉瑯P2P網(wǎng)絡借貸在小微企業(yè)融資中的應用研究[D].上海：華東政法大學，2014

[10]李龍我國P2P網(wǎng)絡借貸的風險與監(jiān)管探討[D].杭州：浙江大學，2014

[11]丁捷我國P2P網(wǎng)絡借貸平臺及借款人行為研究——以拍拍為例[D].成都：西南財經(jīng)大學，2012

[12]張玨敏信息不對稱下P2P網(wǎng)絡借貸行為的實證研究[D].成都：西南財經(jīng)大學，2014

[13]林鑫P2P網(wǎng)絡借貸緩解中小企業(yè)融資難問題的探討[J].中國市場，2015（30）

[14]朱珺，蔡珉我國民間金融的發(fā)展現(xiàn)狀及規(guī)范化管理——以P2P網(wǎng)絡借貸平臺為例[J].中國市場，2013（18）