姚　博

(北京大學 互聯(lián)網(wǎng)金融研究中心/國家發(fā)展研究院，北京 100871)

?

基于收入與城市青睞現(xiàn)象的網(wǎng)貸信用認證有效性分析

姚博

(北京大學 互聯(lián)網(wǎng)金融研究中心/國家發(fā)展研究院，北京 100871)

收入與城市青睞現(xiàn)象在金融借貸市場比較常見，但是有關它們與借貸行為之間關系的研究卻較為缺乏。借助人人貸網(wǎng)站平臺交易數(shù)據(jù)，本文研究了兩個問題，一是網(wǎng)貸過程中出借人是否對借款人的收入與城市特征表現(xiàn)出特有的青睞現(xiàn)象；二是不斷完善的信用認證機制是否有助于改善這種青睞現(xiàn)象帶來的借貸匹配效率損失。結果表明，網(wǎng)絡借貸確實降低了交易成本和信息不對稱性，促進了陌生人之間發(fā)生借貸的可能性，同時，信用認證機制的逐步完善，有效地解決了網(wǎng)貸過程中出現(xiàn)的不合理的收入與城市外在標簽青睞現(xiàn)象，推動借貸匹配效率進一步提升。

信用認證；網(wǎng)貸；收入與城市；借款標的

一、前言與文獻綜述

關于青睞現(xiàn)象的研究，在經(jīng)濟學領域也是一個重要的話題，現(xiàn)實生活中，當一個人具備一些優(yōu)異特征就會容易獲得別人的青睞，尤其是在人與人之間存在嚴重信息不對稱的時候，例如：勞動經(jīng)濟學認為帶有經(jīng)濟和非經(jīng)濟性質的個人特征(包括收入、家庭背景、學歷、戶口所在地、工作城市、從事行業(yè)及身份等)都會引起勞動者在社會地位、金融借貸領域受到不同的待遇，還有一些學者的研究明確指出高收入的人群在社會地位和影響力方面具有一定的優(yōu)勢，生活在發(fā)達城市的人們具有先進和健康的工作生活理念，更容易引領年輕大眾追隨潮流。

不過，金融借貸領域對這種青睞現(xiàn)象的研究卻比較少見，主要是由于缺乏大量微觀個體層面的數(shù)據(jù)。然而，近年來新興的網(wǎng)絡借貸市場作為一種互聯(lián)網(wǎng)金融商業(yè)模式備受關注，比如，網(wǎng)貸平臺公開有大量的個人借貸數(shù)據(jù)，包括借款人個體的收入與城市等信息，這就為我們研究網(wǎng)貸市場上的收入和城市青睞現(xiàn)象提供了寶貴的契機。從理論上講，網(wǎng)絡借貸平臺正是為借貸雙方提供了一個不需要面對面交易的機會，平臺上匯集有大量關于借貸的信息，巨大地降低了交易成本和信息不對稱性，提高了借貸雙方的匹配選擇效率，極大地提升了各自的收益[1]。但是，實際上中國的網(wǎng)絡借貸發(fā)展時間并不長，發(fā)展現(xiàn)狀也可謂是亂象叢生，各種提現(xiàn)困難、平臺跑路、網(wǎng)絡欺詐、非法集資案件也是不斷地涌現(xiàn)和暴露出來[2]，另外，信用記錄缺失也會導致在實際網(wǎng)絡借貸過程中，出借人在網(wǎng)貸平臺的投資決策都會存在有對某些外在特征的青睞現(xiàn)象，不過，信用認證機制的逐步完善和信用信息的不斷更新，會使得這些青睞現(xiàn)象發(fā)生的越來越少。基于此,本文依據(jù)人人貸網(wǎng)站平臺數(shù)據(jù)的收集情況，進行一系列理論與實證分析，探討網(wǎng)貸過程中的收入與城市青睞現(xiàn)象以及逐步改善的信用認證機制對這種青睞現(xiàn)象產(chǎn)生的有效性影響。

在網(wǎng)絡借貸行為中，有關借款人個體特征如何影響投資人決策行為的主要研究文獻我們整理如下： Herzenstein等[3]利用美國Prosper網(wǎng)貸平臺數(shù)據(jù)，研究了性別、種族和婚姻對借款人融資的影響作用。Pope and Sydnor[4],Duarte等[5]研究得出一些較為有趣的結論，在網(wǎng)絡借貸中，長相可信和善良的借款人比較容易獲得出借人的青睞，因此他們的借款成功率較大，實際上，這些人的信用得分也很高，違約率確實很低。Ravina[6]的研究發(fā)現(xiàn)投資人與借款人具有共同特征(包括城市、學歷、身份、職業(yè)等)，那么借款人標的吸引投資人的可能性就會大大增加。Lin and Viswanathan[7]認為網(wǎng)絡借貸中的投資趨向具有一些地區(qū)偏好情況，投資人尤其青睞那些來自本地的借款標的。廖理等[8]發(fā)現(xiàn)在網(wǎng)絡借貸過程中出借人會對借款人產(chǎn)生一些不理性的地域歧視。

一些文獻還主要研究了網(wǎng)絡借貸中的信用認證機制作用，Iyer等[9]認為網(wǎng)絡借貸中的信用認證機制具有很強的甄別能力，在給定的信用級別內，出借人完全有足夠的能力區(qū)別出同一信用級別內的借款人信用差異。Berger and Gleisner[10]肯定了網(wǎng)貸平臺在降低信息不對稱性方面發(fā)揮的重要作用，它們可以顯著提高借款人的信用質量，對于那些信用記錄不佳的個體來說，所發(fā)揮的中介作用格外明顯。廖理等[11]的研究指出學歷高的借款人確實表現(xiàn)出較低的違約率，但是，網(wǎng)貸市場上的投資人并不會表現(xiàn)出對高學歷借款人的青睞，故得出通過學歷來識別借款人的信用風險存在些許偏差的結論。

具體而言，本文主要從兩個方面來開展研究：一是借款人的收入與城市青睞現(xiàn)象在網(wǎng)絡借貸中是否存在，即出借人的投資決策是不是更青睞那些具有高收入和來自發(fā)達城市的借款標的；二是信用認證機制的有效性研究，也即收入與城市青睞現(xiàn)象顯然是降低了借貸匹配效率，那么不斷發(fā)展完善的信用認證機制是否會緩解這種現(xiàn)象，實現(xiàn)網(wǎng)絡借貸匹配效率的有效提升。以下本文的結構安排是：第二部分為理論分析探討，第三部分介紹有關變量、模型和統(tǒng)計描述，第四部分為實證驗證結果，第五部分為結論與政策含義。

二、理論分析

本文基于文學舟和梅強[12]的有關研究，探討在互聯(lián)網(wǎng)金融模式下，網(wǎng)絡借貸中的大數(shù)據(jù)信息處理及其形成的信用認證約束機理，它們是如何有助于借款人實現(xiàn)成功融資的問題。具體地講，下面討論網(wǎng)絡借貸情形下，借貸各方的行為以及借款人在借貸模型中的均衡分析。

(一)借貸主體三方的行為假設

(1)

(二)借款人在借貸模型中的均衡分析

在互聯(lián)網(wǎng)借貸模式中，信息不對稱性得到極大降低，借貸交易信息的大數(shù)據(jù)處理和云計算，有助于形成關鍵信息束，甚至是信用認證評價的集合。良好的借款人信息可以轉變成信用資本，擁有較高的信用得分能夠成為出借人采取投資決策時的重要參考，相反，劣質的借款人信息會影響其信用得分和信用評價。

小微企業(yè)借款人可以提供的信用抵押品為D*δ，那么其借貸行為模型變?yōu)椋?/p>

πα=P*D(h-1-r-α-β)+D(1-P)(0-γ-α-β-δ)

(2)

同時，借款人擁有較好的信用記錄會形成高信用得分，在以后借貸中就可以作為信用資本μ，以便跟出借人進行溢價，故出借人的放貸合約模型變?yōu)椋?/p>

r=φ(k+μ,c+D*δ)

(3)

依據(jù)Stiglitz and Weiss[13]提出的信貸模型技術處理方法，構造方程組：

(4)

對上式聯(lián)立可以解出：

(5)

那么經(jīng)過處理可得，利率r對項目融資成功概率的邊際影響為：

(6)

同樣可得，擔保費用α對項目融資成功概率的邊際影響為：

(7)

信用抵押對項目融資成功概率的邊際影響為：

(8)

(三)借款人在網(wǎng)貸過程中所面臨的總體狀況分析

參與網(wǎng)絡借貸的借款人基本都是小微企業(yè)個體，這些借款人提供的抵押品c很小，但是在互聯(lián)網(wǎng)大數(shù)據(jù)背景條件下創(chuàng)造的信用資本μ和信用抵押D*δ有助于提升借款人的信用認證評價信息，使得出借人愿意提供一個較低的放貸合約，并且，網(wǎng)貸平臺也愿意為其提供擔保服務，擔保費用也會有逐漸降低的內在趨向優(yōu)勢。從(6)(7)(8)三個等式可以看出，在網(wǎng)絡借貸模式下，借款人的項目融資成功概率還是會不斷提高的，借貸市場面臨的逆向選擇和道德風險也會逐步降低，借款人所處的借貸環(huán)境也在變得越來越好。

值得注意的是，在當前我國實際的網(wǎng)絡借貸過程中，信用積累和信用認證機制完善是一個系統(tǒng)性工程，網(wǎng)貸平臺對借款人的信用評價也是各有千秋，差異很大，尤其是在當下能夠運用到的借款人信用資本和信用抵押信息非常有限的情況下，使得實際借款過程中會出現(xiàn)依據(jù)借款人標簽性信息進行感知判斷的普遍現(xiàn)狀，比如，收入越高的借款人和來自發(fā)達城市的借款人更容易受到出借人的青睞，從本質上講，這種特殊的青睞現(xiàn)象正是由于不完善的信用認證機制造成的。由理論分析模型我們可以看出，互聯(lián)網(wǎng)大數(shù)據(jù)所不斷積累和創(chuàng)造的借款人信用信息終究是會改善借貸環(huán)境的，有利于提升網(wǎng)貸中的借貸效率。因此，我們預計在不久的將來，隨著網(wǎng)絡借貸的不斷發(fā)展成熟，信用認證機制實現(xiàn)規(guī)范和有效監(jiān)管，出借人對借款人的收入與城市青睞現(xiàn)象會逐步減少。

三、變量、模型與描述統(tǒng)計

本研究依據(jù)的是人人貸網(wǎng)站平臺交易的借貸數(shù)據(jù)，選取數(shù)據(jù)區(qū)間為2012年1月——2015年1月，這是由于雖然人人貸平臺于2010年成立，但是從2012年以后進入一段快速發(fā)展期，借款標的出現(xiàn)較多，數(shù)據(jù)完整性較好。初始樣本有大約17萬個，去掉一些信息缺失嚴重、有機構擔保和借款失敗的觀測樣本之后，大致有15萬個成功借款樣本，7800多個借款違約樣本。

(一)根據(jù)研究需要設置變量

設置的被解釋變量有：

借款成功率(succ)：借款標的能夠成功籌集到款項，那么該變量取值為1，否則取值為0。借款違約率(defa)：當一個標的籌集到款項后，如果在規(guī)定的還款時間內借款人超過一個月沒有還款，網(wǎng)站平臺會自動記錄為還款逾期，超過三個月仍沒有還款，網(wǎng)站平臺出于本金保障的約定，會為投資人墊付本金，網(wǎng)站平臺這時會記錄為已墊付，本文將這兩種狀態(tài)均視為借款違約，出現(xiàn)這些現(xiàn)象該變量即取值為1，否則取值為0。投標人數(shù)(bids)：一個籌款成功的標的參與投資人的個數(shù)。滿標時間(minu)：借款標的完成募集款項所用的時間，人人貸網(wǎng)站規(guī)定競標時間不能超過7天，但往往一個標的在幾個小時內很快即可以完成，本文用分鐘來表示，文中取對數(shù)。

設置的借款標的特征有：

借款利率(rate)：每個借款標的都會要求借款人設置一個利率。人人貸網(wǎng)站在2012年以前規(guī)定借款利率不得超過銀行貸款利率的4倍，2012年以后規(guī)定最高利率不得超過24%。借款金額(lnmoney)：借款人會在標的里面設置借款額度，人人貸網(wǎng)站規(guī)定貸款額度必須是0.3萬-50萬之間，并且是50元的倍數(shù)，文中對其取對數(shù)。借款期限(limit)：借款人會對借款標的設定一個還款期限，一般在1-36個月之間，可以是3、6、9、12、18、24個月。借款用途(use)：按照借款人借款的輕重緩急劃分為，創(chuàng)業(yè)投資記為5，個體或公司用款記為4，資金周轉記為3，個人消費記為2，累積信用和試驗標記為1。

設置的其它變量有：

信用認證得分(credit)：網(wǎng)貸平臺會根據(jù)用戶的信息描述、信用情況和借貸交易記錄給出每個人的信用認證得分，共有7個級別，分別記為HR=1、E=2、D=3、C=4、B=5、A=6、AA=7，其中HR是信用認證級別最差的得分。銀行貸款(loan)：借款人在銀行有房貸或車貸的情況，只要有一項存在該變量記為1，否則記為0。固定資產(chǎn)(asset)：有購房記為1，無購房記為0。婚否(marr)：已婚、離異和喪偶記為1，未婚記為0。收入水平(inco)：為借款人的月收入情況，當月收入在0.2萬元以下取值為1，在0.2萬-0.5萬元之間取值為2，在0.5萬-1萬元之間取值為3，在1萬-2萬元之間取值為4，在2萬-5萬元之間取值為5，在5萬元以上取值為6。城市層次(city)：根據(jù)網(wǎng)站平臺提供的用戶生活城市和工作地點描述，將借款人所屬城市層次*統(tǒng)計省會城市和地級市時不包括副省級城市。結合中央機構編制委員會[1994]1號文件，副省級城市有：廣州、沈陽、南京、武漢、成都、西安、大連、長春、哈爾濱、濟南、青島、杭州、寧波、廈門、深圳。劃分為直轄市取值為6、副省級城市取值為5、省會城市取值為4、地級市取值為3、縣城取值為2、鄉(xiāng)鎮(zhèn)及其它取值為1。

(二)模型

本文借鑒Michels[14]、王會娟和何琳[15]的做法，構建如下模型：

Y=β0+α1inco+α2city+α3rate+α4lnmoney+α5limit+α6use+α7loan+α8asset+α9marr+ε

(9)

在式(9)中，模型的被解釋變量Y分別指代借款成功率(succ)、借款違約率(defa)、投標人數(shù)(bids)、滿標時間(minu)指標。

(三)描述性統(tǒng)計

表1給出的是主要變量的描述統(tǒng)計結果，可以看到，借款成功的標的平均值達到20.4%，出現(xiàn)借款違約現(xiàn)象的標的平均有5%左右，每個標的平均需要31個投標人次、43分鐘即可完成競標，最多有289個投標人參與，最長花費將近6個小時才完成標的競標。所有標的的利率在4.3%——24%之間，平均利率也有17.5%，借款金額的對數(shù)值平均為6.77，借款期限一般在14個月左右，借款用途更多的是用于商業(yè)和急用所需。信用得分平均較低，處于HR、E、D、C得分級別居多，大多借款人具有一定的銀行貸款，有購房情況多于無購房情況，已婚狀態(tài)多于未婚狀態(tài)。此外，成功借款和借款違約樣本在各個信用得分的分布情況如圖1所示，可以看出，在低信用得分層次，尤其是在HR、E、D、C得分級別，成功借款標的累計之和與借款違約標的累計之和分別占到各自標的總數(shù)的90%和85%以上，而在高信用得分層次B、A、AA級得分上，成功借款標的累計之和與借款違約標的累計之和分別占各自標的總數(shù)大約在10%和15%左右。

表2和表3分別為不同收入水平和不同城市層次的分組統(tǒng)計結果。從表2中可以看出，月收入5萬元以上、2萬-5萬元之間、1萬-2萬元之間、0.5萬-1萬元之間、0.2萬-0.5萬元之間、0.2萬元以下的借款人籌款成功率分別為28%、23%、20%、16%、11%、3%左右，借款人的違約率分別為:5.34%、6.47%、7.38%、8.42%、10.63%、10.41%上下。也就是說，隨著借款人月收入水平的下降，借款標的成功率也在逐漸降低，借款標的違約率卻在不斷上升，同時，在不同級別的收入水平上，借款標的的投標人數(shù)與滿標時間分別和借款標的成功率與違約率的變動趨勢相仿，另外，借款人的月收入水平越高，其對應的信用得分也越高，發(fā)布籌集較多款項的標的時不需要提供太高的利率就可以完成競標，借款人的信用得分與其設定的利率高低基本上是一種反向關系。從表3中可以看出，借款人所屬城市分別為直轄市、副省級城市、省會城市、地級市、縣城、鄉(xiāng)鎮(zhèn)及其它層次時，借款標的的投標人數(shù)分別為：67.59、59.36、54.72、48.35、44.37、30.19，借款人標的的滿標時間分別為：210.28、236.61、240.37、280.63、306.28、315.41。也即隨著借款人所屬城市層次的降低，其標的所能夠吸引到的投資人數(shù)將會越來越少，并且完成競標需要越來越長的滿標時間。在不同級別的城市層次上，標的的借款成功率與借款違約率分別和標的的投標人數(shù)與滿標時間變動狀況基本一致。借款人所屬城市是直轄市層級時，相應的信用得分較高，其標的還具有借款利率低、借款期限短、借款金額大等特點，借款人所屬城市是鄉(xiāng)鎮(zhèn)層級時，個人具有信用得分低，固定資產(chǎn)少等特征，其標的也容易表現(xiàn)出借款利率高、借款期限長、借款金額小等特點。

表1　變量歸類描述

圖1　不同信用得分的借款分布情況

注：圖1橫軸為信用得分，左縱軸為成功借款標的在各個信用得分的分布，右縱軸為借款違約標的在各個信用得分的分布。

表4為主要變量之間的相關系數(shù)及顯著性，可以看出，借款成功率大的標的對應借款人的信用認證得分高，會吸引到更多的投資人競標，需要的滿標時間會變短，同時，標的會表現(xiàn)出借款利率低，借款期限短等特征。不過，還有一些其他變量之間的相關性也很有意義，例如：違約率越高的標的，其借款人的信用認證得分較低，該標的利率會表現(xiàn)偏高。從投標人數(shù)和滿標時間兩個變量來看，投標人數(shù)多的標的自然是具有借款利率高、借款金額大、借款期限長、信用認證得分高的特點，滿標時間長的標的也反映了存在有借款金額大、借款利率低、借款期限長、借款人信用認證得分低等特征。事實上，借款成功率與借款違約率、投標人數(shù)與滿標時間均表現(xiàn)為負相關關系，這也符合借貸交易的一般規(guī)律，不過變量之間的相關性只是一種簡單描述，還需要有更為嚴謹?shù)膶嵶C分析來進行檢驗。

表2　不同收入水平的變量均值描述

表3　不同城市層次的變量均值描述

表4　主要變量相關系數(shù)表

注：***、**、*分別表示在1%、5%、10%置信水平上顯著。

四、實證檢驗結果

(一)收入與城市青睞現(xiàn)象檢驗

經(jīng)過前文的分析發(fā)現(xiàn)，網(wǎng)絡借貸過程中，收入與城市青睞現(xiàn)象是存在的，出借人的投資決策會受到借款人的收入與城市層次的影響，本文從借款標的的成功率、違約率、投標人數(shù)和滿標時間等角度全面地考察了收入與城市青睞現(xiàn)象對借貸行為的作用效果，分析結果如表5所示。

表5　收入與城市青睞現(xiàn)象的估計檢驗

表5中模型(1)為借款標的成功率受借款人收入與城市層次的影響情況，從其中可以發(fā)現(xiàn)，收入和城市對標的成功率的影響系數(shù)分別為0.592和0.480，均在1%水平上顯著，反映了借款人的收入每增加一個級別，所屬城市每提高一個發(fā)展層次，將導致其借款標的成功率分別提升0.592和0.480，可以這樣認為，出借人更愿意投資給那些收入高和來自發(fā)達城市的借款人標的，借款人具有收入高和來自發(fā)達城市的特征，那么其標的受到的關注度會更高，也更容易受到投資人的青睞，并且收入因素帶來的影響要比城市因素更為明顯一些。進一步地講，在不考慮信用認證因素條件下，借款人的收入與城市層次確實會影響到出借人的投資決策，進而作用于標的的籌款成功率。

表5中模型(2)為借款標的違約率受借款人收入與城市層次的影響結果，收入和城市對借款違約率的影響系數(shù)分別為-0.213和-0.206，均在1%水平上顯著，反映了借款人的收入每增加一個級別，所屬城市每提高一個發(fā)展層次，其借款違約率的可能性將分別降低0.213和0.206，可以看出那些收入高和來自發(fā)達城市的借款人違約概率相對要低一些，這也從側面反映了他們具備一定還款能力優(yōu)勢，容易獲得投資人青睞，在不考慮信用認證因素的條件下，借款人的收入與城市層次和其違約可能性具有一定的負向關聯(lián)。

表5中模型(3)為投標人數(shù)受借款人收入與城市層次的影響情況，發(fā)現(xiàn)收入和城市對標的投標人數(shù)的影響系數(shù)分別為4.785和3.318，均在1%水平上顯著，意味著借款人的收入每增加一個級別，所屬城市每提高一個發(fā)展層次，將使得其標的的投標人數(shù)可能分別會提升4個和3個以上人次，由此可見，投資人更加青睞那些高收入和來自經(jīng)濟發(fā)達城市的借款人，借款人的收入越高，所屬城市越發(fā)達，就越能夠吸引到更多的投資人參與競標，收入水平增長因素比城市層次提升因素所能夠吸引到的投標人數(shù)增加程度還要更為顯著一些。在不考慮信用認證機制條件下，借款人的收入與城市層次對吸引標的的投標人數(shù)具有很大影響，同時二者所產(chǎn)生的影響具有一定的差異性。

表5中模型(4)為滿標時間受借款人收入與城市層次的影響，具體地，收入和城市對滿標時間的影響系數(shù)分別為-1.627和-1.140，均在1%水平上顯著，意味著借款人的收入每增加一個級別，所屬城市每提高一個發(fā)展層次，將引起該標的的滿標時間可能會分別降低1.627和1.140，投資人傾向于青睞那些來自高收入和發(fā)達城市的借款人標的，因而這些標的的滿標時間相對要縮短一些。在不考慮信用認證機制條件下，借款人的收入與城市層次容易受到出借人青睞，導致那些來自高收入和發(fā)達城市的借款人標的很快就會實現(xiàn)滿標。

借款人的收入與城市層次對借款標的的成功率、違約率、投標人數(shù)、滿標時間變量的影響結果，表明出借人對借款人的收入與城市特征青睞現(xiàn)象確實影響了網(wǎng)絡借貸行為。此外，表5中借款成功率、借款違約率、投標人數(shù)、滿標時間與借款利率、借款金額、借款期限、借款用途、銀行貸款、固定資產(chǎn)和婚否都有一定的關系。具體地，借款利率越高，標的越容易籌款成功，不過借款人違約風險概率會陡增，同時吸引到眾多投標人參與競標，標的也能夠很快完成籌款。借款金額越大，標的成功籌款就相對要困難一些，違約率表現(xiàn)也很高，同時需要更多的投標人數(shù)和更長的競標時間才能完成籌款。借款期限越長的標的，其籌款就不容易完成，違約風險會加大，需要投標人數(shù)增多，滿標時間也會延長。借款用途的系數(shù)顯著性要低一些，用于商用的籌款標的違約風險表現(xiàn)會加劇。在銀行有貸款的借款人反映了他們具備一定的銀行信譽證明，因此會吸引到更多的投標人數(shù)，借款標的也容易籌款成功。借款人擁有固定資產(chǎn)意味著其具有可擔保抵押產(chǎn)品，會受到諸多競標投資人的信賴，更容易在短時間內完成籌款標的。相比于未婚借款人，具有一定抗風險能力的已婚借款人更容易獲得出借人青睞，其借款標的會在較短時間內成功實現(xiàn)籌款。

(二)考慮信用認證條件下收入與城市青睞現(xiàn)象的再驗證估計

在不完善的信用認證機制狀況下，出借人做出投資決策時，對借款標的會產(chǎn)生收入與城市特征青睞現(xiàn)象，這也正是網(wǎng)絡借貸發(fā)展初期表現(xiàn)的突出現(xiàn)狀，隨著互聯(lián)網(wǎng)金融逐漸向穩(wěn)定成熟期發(fā)展，信用認證機制在網(wǎng)絡借貸過程中發(fā)揮的作用會越來越明顯，在這些狀況下，借款人的收入與城市特征對其借款融資的影響是否會發(fā)生變化呢？我們依據(jù)“人人貸”網(wǎng)站平臺給出的信用認證7個得分級別，分別驗證不同信用得分情形下借款人的收入與城市層次對借貸行為四個因變量的作用效果。

表6為信用認證條件下收入與城市對借款成功率影響的驗證狀況?？梢钥闯觯杖肱c城市對借款成功率的影響系數(shù)均較為顯著，具體地講，收入對借款成功率的影響系數(shù)在不同信用認證級別情形下分別為0.784，0.631，0.529，0.413，0.106，-0.037，0.226，城市對借款成功率的影響系數(shù)在不同信用認證級別情形下分別為0.326，0.289，0.234，0.177，0.109，0.008，-0.201，影響系數(shù)及其顯著性是在逐漸降低。隨著借款人信用認證級別的提高，借款成功率受收入和城市因素的影響作用逐漸減小，顯著性也越來越弱，信用認證機制促使出借人對借款人收入和城市因素的青睞關注程度越來越不明顯。此外，在不同信用認證級別情形下，借款成功率與借款利率正相關，與借款金額和借款期限負相關，表明借款利率越高，借款金額越少，借款期限越短，借款標的越容易籌款成功。借款用途對借款成功率影響較小，傾向于商業(yè)貸款的標的更容易籌到借款，借款人如果具有銀行貸款記錄、具備固定資產(chǎn)的特點，那么，其標的相對容易籌款成功。

表7為信用認證條件下收入與城市對借款違約率的影響驗證結果?？梢钥闯?，收入對借款違約率的影響系數(shù)在不同信用認證級別情形下依次為-0.124，-0.118，-0.112，-0.107，-0.103，-0.101，0.116，城市對借款違約率的影響系數(shù)在不同信用認證級別情形下依次為-0.074，-0.069，-0.063，-0.055，-0.038，-0.020，-0.007，收入與城市對借款違約率的影響系數(shù)均是顯著負相關，顯著性逐漸降低，即借款人的收入與城市層次越高，相應的違約率就會降低，具體地，當借款人的信用認證級別較低時，收入與城市層次的提高有助于降低借款人的違約率，而隨著借款人信用認證級別的提升，違約率依賴收入與城市標簽特征的識別作用將越來越小，信用認證機制有效地降低了借款違約率依據(jù)收入與城市層次的識別效果。同時，我們發(fā)現(xiàn)在每一個的信用認證級別當中，借款利率、借款金額、借款期限與借款違約率正相關，也就是說，借款利率越高、借款金額越大，借款期限越長，借款違約風險越顯著。借款用途、固定資產(chǎn)對借款違約率沒有明顯的相關關系。銀行貸款與借款違約率負相關，主要是由于在銀行有貸款經(jīng)歷意味著存在銀行信譽記錄，相應地借款人違約的可能性也會大大降低。相比于未婚人群，已婚人群違約率也會明顯減小。

表6　信用認證條件下收入與城市對借款成功率的估計結果

表7　信用認證條件下收入與城市對借款違約率的估計結果

表8為信用認證條件下收入與城市對借款標的投標人數(shù)影響的驗證結果?？梢钥闯?，收入與城市對投標人數(shù)的影響系數(shù)均較為顯著，具體地，收入對投標人數(shù)的影響系數(shù)在不同信用認證級別情形下分別為1.343，1.426，1.215，1.043，0.895，0.521，0.147，城市對投標人數(shù)的影響系數(shù)在不同信用認證級別情形下分別為0.491，0.392，0.314，0.239，0.186，0.104，0.066。隨著借款人信用認證級別的提升，憑借收入與城市特征能夠吸引到的投標人數(shù)會越來越少，換句話說，在信用認證級別很高時，出借人對借款人的收入與城市特征不再過于青睞，信用認證機制有效地降低了借款人的收入與城市特征對投資人的吸引力，提升了網(wǎng)絡借貸的匹配效率。進一步的分析表明，借款利率、借款金額、借款期限與標的的投標人數(shù)成正比，也即借款利率越高、借款金額越大，借款期限越長，吸引到的投標人數(shù)會越多。信用認證級別較低時，用于經(jīng)商用途的借款標的相對會吸引到更多的投標人數(shù)，信用認證級別較高時，用于商業(yè)周轉的借款標的對投標人的吸引力與自用借款用途的標的差別不大。此外，在各個信用認證級別下，投標人數(shù)均與銀行貸款、固定資產(chǎn)、已婚正相關，意味著在銀行有貸款記錄、具有固定資產(chǎn)和已婚特征的借款人，其標的均能夠吸引到更多的投標人數(shù)。

表9為信用認證條件下收入與城市對借款標的滿標時間影響的驗證結果?？梢钥闯?，收入對滿標時間的影響系數(shù)在不同信用認證級別情形下依次為-3.199，-3.217，-3.068，-2.890，-2.574，-2.131，-1.849，城市對滿標時間的影響系數(shù)在不同信用認證級別情形下依次為-1.562，-1.739，-1.284，-0.805，-0.513，-0.218，-0.105，收入與城市因素對滿標時間的影響均為顯著負相關，系數(shù)絕對值大體是在減小，即在信用認證低級階段，借款人的收入與城市層次提升，相應的滿標時間就會大幅降低，當信用認證級別處于高級階段時，借款人的收入與城市層次提升只能夠引起滿標時間有限地降低，信用認證機制的完善，降低了投標人對借款人的收入與城市層次特征的青睞，尤其是當借款人的信用認證級別較高時，該類標的需要較短的時間就可以實現(xiàn)滿標。另外，借款金額越大，借款期限越長，都會延長借款標的滿標時間，而借款利率高的話，滿標則只需要較短的時間就可以完成。借款用途對滿標時間的影響系數(shù)大多不顯著，銀行貸款、固定資產(chǎn)和已婚對滿標時間的影響作用均為負相關，也就是說，在銀行有貸款、擁有固定資產(chǎn)、已婚狀態(tài)都有利于借款人的標的很快完成競標。

表8　信用認證條件下收入與城市對投標人數(shù)的估計結果

表9　信用認證條件下收入與城市對滿標時間的估計結果

五、結論與政策含義

在目前的網(wǎng)絡借貸模式中，當信用認證機制不夠完善時，出借人投資行為總會對借款人的收入與城市等特征表現(xiàn)出一定青睞現(xiàn)象，那么通過考察信用認證機制發(fā)展進程，探討這種青睞現(xiàn)象及其所受到的影響，繼而說明信用認證機制有效性問題，正是本文的研究核心所在。依據(jù)人人貸網(wǎng)站平臺借貸交易數(shù)據(jù)，我們主要驗證了借貸行為受借款人的收入與城市青睞現(xiàn)象的影響，以及在信用認證機制條件下，出借人的投資決策(包括標的成功率、違約率、競標人數(shù)、滿標時間)受借款人收入與城市青睞現(xiàn)象影響的變化情況。本文研究結論有：

第一，信用認證機制不夠完善情況下，借款人的收入與城市層次每提升一個級別，其標的的投標人數(shù)都會有明顯增加，籌款成功率也有大幅提高，對于來自較高收入與發(fā)達城市層次的籌款標的，完成滿標所需要的時間會有所縮短，這些標的表現(xiàn)出的違約率也較為低下，據(jù)此印證了網(wǎng)貸市場中確實存在有對借款人的收入與城市特征青睞的現(xiàn)象。

第二，當信用認證機制比較完善，即篩選出借款人的信用認證等級條件時，分析發(fā)現(xiàn)隨著借款人信用認證等級的提高，收入與城市層次對借款標的的成功率和投標人數(shù)所產(chǎn)生的正向影響逐漸降低，借款標的的違約率和滿標時間對借款人的收入與城市層次識別功能以及它們之間的負向影響關系也在削弱，意味著出借人的投資決策不再受借款人的收入與城市青睞現(xiàn)象的干擾，表明信用認證機制有效地降低了信息不對稱性，抑制了借貸中的人為印象感知因素的狀況發(fā)生，促進了借貸匹配效率的大幅提升。

該研究具有以下政策含義：

1.支持網(wǎng)絡借貸地平臺創(chuàng)新活動，有效規(guī)范行業(yè)發(fā)展標準。網(wǎng)貸極大地克服了借貸主體的信息不對稱性問題，提高了資金配置效率，這也是諸多學者認為互聯(lián)網(wǎng)金融是一種新金融觀點的重要依據(jù)[16]，互聯(lián)網(wǎng)借貸的最大優(yōu)勢就是提升了人與人之間借貸的便利性。值得注意的是，當前中國的網(wǎng)絡借貸正處于蓬勃發(fā)展的初期階段，自身還存在一些交易風險與不完善的信用認證規(guī)范性問題，尤其是各個借貸平臺之間的信用認證標準具有很大的差異，這就使得政府應該鼓勵網(wǎng)絡借貸平臺的創(chuàng)新與競爭，提倡允許一些機構成立網(wǎng)絡借貸協(xié)會，規(guī)范行業(yè)標準，識別借貸交易風險，采取一些防范措施，保障網(wǎng)絡借貸的健康發(fā)展。

2.構建行業(yè)內信用認證評價機制。目前國際上最有影響力的信用認證機制是美國的FICO信用評分體系，該體系主要包括借款人的道德品質、還款能力、擔保經(jīng)營情況，并進一步將其分為二級和三級指標，從而充分反映借款人的信用結構潛質成因。國內常見的信用認證細分原則是將其分為必要和可選指標，這種劃分還不夠詳細，例如網(wǎng)站要求借款人提供收入的銀行流水單據(jù)，并沒有嚴格區(qū)別是固定收入還是偶然收入，是淡季收入還是旺季收入。因此如何構建一個完整而又有層次的信用認證機制就顯得至關重要，需要說明的是，隨著時間的推移，借款人與出借人的年齡、工作、收入、所在環(huán)境都可能會影響其信用變動，所以這些指標都要階段性地及時更新，故該信用認證機制體系又需要是動態(tài)的和可調整的。

3.加強政府對網(wǎng)絡借貸信用認證機制的引導與監(jiān)管。為了維護好信用認證機制的有效實施，建立一個引導與監(jiān)管體系也是十分有必要的，首先，應該明確引導與監(jiān)管主體，可以聯(lián)合成立一個獨立于“一行三會”的職能管理部門進行實施；其次，整合與協(xié)調有關個人信用認證評價的法律規(guī)章，強化對個人重要信息的保密，規(guī)定正確獲取借款人信息的途徑辦法，明確借貸雙方的權利和義務，確保各方的正當合法權益；最后，要努力創(chuàng)造條件，引導實現(xiàn)已有各方征信系統(tǒng)資源與網(wǎng)貸平臺信用認證信息的共享對接，最終形成一個完善合理且更加有效的信用認證機制。

[1]皮天雷，趙鐵. 互聯(lián)網(wǎng)金融：邏輯、比較與機制[J].中國經(jīng)濟問題，2014(7)：98-108.

[2]黃益平，沈艷，王靖一. 哪類P2P平臺最容易出問題？[R].北京：北京大學國家發(fā)展研究院工作論文，2015.

[3]Herzenstein M, Sonenshein S, Dholakia U. Tell me a good story and I may lend you my money: the role of narratives in peer-to-peer lending decisions [J]. Journal of Marketing Research, 2011, 48:138-149.

[4]Pope D G, Sydnor J R. What’s in a picture? evidence of discrimination from prosper.com [J]. Journal of Human Resources, 2011, 46: 53-92.

[5]Duarte J, Siegel S, Lance Y. Trust and credit: the role of appearance in peer-to-peer lending [J]. Review of Finance Studies, 2012, 25: 2455-2484.

[6]Ravina E. The effect of beauty and personal characteristics in credit markets[R]. Working Paper of Columbia University, 2008.

[7]Lin M F, Viswanathan S. Home bias in online investments: an empirical study of an online crowd funding market[R]. Working Paper, 2013.

[8]廖理，李夢然，王正位. 中國互聯(lián)網(wǎng)金融的地域歧視研究[J].數(shù)量經(jīng)濟技術經(jīng)濟研究，2014(5)：54-70.

[9]Iyer R, Khwaja A I, Luttmer E P, et al. Screening in new credit markets: can individual lenders infer borrower credit worthiness in peer-to-peer lending? [R]. Working Paper, 2009.

[10]Berger S, Gleisner F. Emergence of financial intermediaries in electronic markets: the case of online P2P lending [J]. BuR Business Research Journal, 2009, 2: 39-65.

[11]廖理，吉霖，張偉強. 借貸市場能準確識別學歷的價值嗎？——來自P2P平臺的經(jīng)驗證據(jù)[J].金融研究，2015(3)：146-159.

[12]文學舟，梅強. 中國三種模式信用擔保機構研究[M].北京：中國社會科學出版社，2012.

[13]Stiglitz J E, Weiss A M. Credit rationing in markets with imperfect information [J]. American Economic Review, 1981, 71:393-410.

[14]Michels J. Do unverifiable disclosures matter? evidence from peer-to-peer lending [J]. The Accounting Review, 2012, 87: 1385-1413.

[15]王會娟，何琳. 借款描述對P2P網(wǎng)絡借貸行為影響的實證研究[J].金融經(jīng)濟學研究，2015(1)：77-85.

[16]謝平，鄒傳偉. 互聯(lián)網(wǎng)金融模式研究[J].金融研究，2012(12)：11-22.

責任編輯、校對：郭燕慶

2016-02-20

中國博士后科學基金第58批面上項目(2015M580002)。

姚博(1988-)，河南省南陽市人，北京大學互聯(lián)網(wǎng)金融研究中心/國家發(fā)展研究院，博士后，研究方向：金融學。

A

1002-2848-2016(04)-0030-12