(呼倫貝爾學(xué)院 數(shù)學(xué)與統(tǒng)計學(xué)院，內(nèi)蒙古 021008)

一、引言

P2P(Peer to Peer Lending)網(wǎng)絡(luò)借貸屬于互聯(lián)網(wǎng)金融產(chǎn)品的一種，又稱為點對點網(wǎng)絡(luò)借款，是一種將小額資金聚集起來借貸給有資金需求人群的一種民間小額借貸模式(謝平、鄒傳偉，2012)。其最大的優(yōu)越性是，突破了地域、熟人關(guān)系、貸款抵押等傳統(tǒng)限制，使傳統(tǒng)銀行難以覆蓋的借款人在虛擬世界里能充分享受到貸款的高效與便捷(Michels，2012)。近年來，P2P網(wǎng)絡(luò)借貸平臺迅速增長，迄今比較活躍的有350家左右，2016年整體成交額突破2萬億元，呈現(xiàn)出良好的發(fā)展前景。在這種非面對面的借貸模式中，借款人個人信息的公布成為投資人的重要決策依據(jù)。然而，借款人信息的公布也引起了嚴(yán)重的歧視問題，比如性別歧視、年齡歧視、地域歧視、身份歧視、種族歧視等，這些都引起了國內(nèi)外眾多學(xué)者的深入研究。

勞動力市場中對于婚姻歧視的定義，是指那些具有相同能力、教育、培訓(xùn)和經(jīng)歷并最終表現(xiàn)出相同的勞動生產(chǎn)率的勞動者，由于個人婚姻狀況的特征所引起的在就業(yè)、職業(yè)選擇、晉升、工資水平、接受培訓(xùn)等方面受到的不公正待遇。在互聯(lián)網(wǎng)金融的信貸市場中，婚姻歧視通常指還款能力相同的借款人，由于婚姻狀況的不同在網(wǎng)絡(luò)借貸市場上受到了不公平的待遇。從借款角度，如果已婚借款人相比較未婚借款人，其在網(wǎng)絡(luò)借貸中更容易獲得投資人的信任而成功獲得借款。那么，我們將其稱為第一類婚姻歧視。從還款角度，如果未婚借款人相比較已婚借款人，其擁有更低的借款違約率，但在獲得借款的可能性上卻與已婚借款人沒有明顯差別。那么，我們將其稱為第二類婚姻歧視。本文主要實證分析在中國互聯(lián)網(wǎng)金融市場中是否存在婚姻歧視及其具體表現(xiàn)形式。

網(wǎng)絡(luò)借貸平臺的迅速發(fā)展目前已經(jīng)引起了國內(nèi)外學(xué)者的廣泛關(guān)注。在借款成功率影響因素方面，Ravina(2008)和Herzenstein and Andrews(2008)發(fā)現(xiàn)，種族、年齡、性別、體重對于借款人的借款成功率均有顯著影響；李悅雷、郭陽、張維(2013)通過對拍拍貸平臺的實證分析發(fā)現(xiàn)，借款訂單基本屬性、借款人基本信息、借款人的社會資本對借貸成功率均有顯著的影響；彭紅楓、趙海燕、周洋(2016)和李焰等(2014)研究了借款人的描述性信息對于借款成功率的影響。在借款違約率影響因素方面，陳霄、丁曉裕、王貝芬(2013)通過對808信貸平臺的借款進(jìn)行分析發(fā)現(xiàn)，借款人信用等級、生活狀況等對借款人逾期率有顯著的負(fù)向影響，逾期還款次數(shù)、受教育年限等對借款人逾期率有顯著的正向影響；顧慧瑩和姚錚(2015)使用WDW上海直營店的運(yùn)營數(shù)據(jù)研究發(fā)現(xiàn)，外地戶籍、已婚和歷史違約記錄與借款違約率和違約速率均為正相關(guān)關(guān)系，同時，家人知曉借款和借款目的的真實性與借款違約率和違約速率均為負(fù)相關(guān)關(guān)系。在羊群行為研究方面，廖理等(2015)和張科、裴平(2016)分別針對人人貸平臺數(shù)據(jù)研究發(fā)現(xiàn)，在我國P2P網(wǎng)絡(luò)借貸中存在羊群效應(yīng)，借款完成進(jìn)度所引發(fā)的羊群行為呈現(xiàn)邊際遞減趨勢，且信息不對稱是影響貸款人羊群效應(yīng)的重要因素。

在歧視研究方面，經(jīng)濟(jì)學(xué)中提出兩種歧視：第一種是Phelps(1972)提出的有效統(tǒng)計歧視；第二種是Becker(1957)提出的非有效偏好歧視。關(guān)于身份歧視，吳小英和鞠穎(2012)的研究發(fā)現(xiàn)，投資人對于學(xué)生身份存在一定的歧視;莊雷和周勤(2015)的研究發(fā)現(xiàn)，如果將借款人身份細(xì)分為網(wǎng)店店主、私營業(yè)主、工薪階層、學(xué)生、其他五類的話，則在網(wǎng)絡(luò)借貸中存在身份歧視。關(guān)于性別歧視，Barasinska and Schaefer(2010)通過對歐洲最大的P2P網(wǎng)絡(luò)借貸平臺Smava進(jìn)行研究，發(fā)現(xiàn)在網(wǎng)絡(luò)借貸中并不存在性別歧視的現(xiàn)象，但是對女性借款人傾向于設(shè)定更高的借款利率；陳霄和葉德珠(2016)通過人人貸數(shù)據(jù)進(jìn)行實證分析后發(fā)現(xiàn)，女性違約率更低，但其借款成功率與男性相比卻無明顯差異，但是，單身的女性借款人容易受到借款歧視。關(guān)于地域歧視，廖理等(2014)通過對人人貸平臺的交易分析發(fā)現(xiàn)存在明顯的地域歧視，同時，被歧視省份的訂單違約率并未明顯高于其他省份，說明屬于非理性歧視行為；蔣彧和周安琪(2016)的研究發(fā)現(xiàn)，地域歧視具有異質(zhì)性，高學(xué)歷、高信用等級、認(rèn)證數(shù)量多、借款金額低的借款人未受到明顯的地域歧視，而低學(xué)歷、低信用等級、認(rèn)證數(shù)量少、借款金額高的借款人受到了投資人明顯的地域歧視。關(guān)于學(xué)歷歧視，廖理等(2015)的研究發(fā)現(xiàn)，高學(xué)歷借款者如約還款概率更高，但并未明顯受到投資者的青睞，說明網(wǎng)絡(luò)借貸市場中對于學(xué)歷對違約風(fēng)險影響的認(rèn)識還存在偏差。

以上研究成果為我們提供了很好的啟示，但仍存在一些不足：一是缺少對于網(wǎng)絡(luò)借貸中婚姻歧視的研究；二是缺少從性別和婚姻的交互效應(yīng)角度來考察婚姻歧視問題；三是缺少從借款違約率角度考慮婚姻歧視是否為理性歧視的研究?；诖耍疚囊浴叭巳速J”網(wǎng)絡(luò)借貸平臺的借款數(shù)據(jù)為例，從上述三個方面進(jìn)行探討。

二、研究設(shè)計

(一)數(shù)據(jù)來源

人人貸，系人人友信集團(tuán)旗下公司及獨(dú)立品牌。自2010年5月成立至今，服務(wù)范圍已覆蓋全國30余個省的2000多個地區(qū)，服務(wù)了幾十萬名客戶。本文選取2015年1月1日至2015年6月30日期間人人貸網(wǎng)站的全部借貸數(shù)據(jù)作為初始樣本，共287359個。借鑒相關(guān)文獻(xiàn)的處理方式，對原始數(shù)據(jù)完成了如下預(yù)處理：一是剔除了機(jī)構(gòu)擔(dān)保和實地認(rèn)證的借款；二是剔除了借款人年齡在18周歲以下的借款；三是剔除了信息有缺失的借款；四是港澳臺三個地區(qū)由于借款數(shù)量很少，予以剔除，最終得到有效樣本數(shù)100592個，其中：借款成功樣本67367個，借款失敗樣本33225個，借款成功率為66.97%。在借款成功的樣本中，借款違約331個，違約率為0.33%。

(二)變量的選擇

本文將借款人信息的主要變量分為標(biāo)的特征、個人特征和信用特征三部分。

1.標(biāo)的特征。包括以下幾個方面：

(1)借款成功(success)：啞變量，借款成功時取1，否則取0。

(2)借款違約(default)：啞變量，借款逾期或者已由人人貸墊付時均視為違約，違約取1，否則取0。

(3)借款期限(duration)：反映借款人的還款期限。

(4)借款金額(amount)：反映借款金額，文中對其取了對數(shù)(ln_amount)。

(5)借款利率(rate)：反映借款人設(shè)定的借款利率。

2.個人特征。包括以下幾個方面：

(1)已婚狀況(marriage)：啞變量，已婚取1，其他情況取0。

(2)離異狀況(divorce)：啞變量，離異取1，其他情況取0。

(3)已婚男性(marriage_male)：考察已婚和性別交叉因素，啞變量，已婚男性取1，否則取0。

(4)離異男性(divorce_male)：考察離異和性別交叉因素，啞變量，離異男性取1，否則取0。

(5)性別(gender)：啞變量，是重要的解釋變量，男性取1，女性取0。

(6)年齡(age)：對借款人年齡進(jìn)行分組處理，30歲及以下取1，31～40歲取2，41～50歲取3，50歲以上取4。

(7)教育水平(education)：對借款人學(xué)歷進(jìn)行分組處理，高中及以下取1，大專取2，本科取3，研究生及以上取4。

(8)公司規(guī)模(scale)：對借款人所在公司的規(guī)模進(jìn)行分組處理，10人以下取1，10～100人取2，100～500人取3，500人以上取4。

(9)工作年限(workingtime)：對借款人的工作年限進(jìn)行分組處理，1年(含)以下取1，1～3年(含)取2，3～5年(含)取3，5年以上取4。

(10)所在城市(city)：根據(jù)2015年《中國統(tǒng)計年鑒》數(shù)據(jù)，按照城鎮(zhèn)居民可支配收入進(jìn)行排序。排名前10的省級行政區(qū)取1，表示高收入地區(qū)；排名11～20名的省級行政區(qū)取2，表示中收入地區(qū)；其他省級行政區(qū)取3，表示低收入地區(qū)。

(11)房貸(houseloan)：啞變量，有房貸取1，否則取0。

(12)車貸(carloan)：啞變量，有車貸取1，否則取0。

3.信用特征。即信用等級(credit)：反映借款人的信用評級情況，平臺分為AA、A、B、C、D、E、HR共7個級別。HR取1，D和E取2，B和C取3，AA和A取4。信用評級越高，則取值越大。

(三)變量特征分析

表1

借款狀態(tài)描述

從表1列示的借款狀態(tài)描述可以看出，在全部借款樣本中，已婚借款人占比為72.63%，離異借款人占比為7.93%。在借款成功的樣本中，已婚借款人和未婚借款人占比分別為81.15%和18.85%，離異借款人和非離異借款人占比分別為9.51%和90.49%。在借款違約的樣本中，已婚借款人和未婚借款人占比分別為68.88%和31.12%，離異借款人和非離異借款人占比分別為9.06%和90.94%?？梢钥闯?，已婚借款人和未婚借款人、離異借款人和非離異借款人在借款成功率和借款違約率上均有較大差異。

表2

借款人信用等級描述

從表2列示的借款人信用等級描述可以看出，在7個信用等級中，已婚借款人在最高信用等級AA中的占比最高，達(dá)到91.67%；在最低信用等級HR中的占比最低，僅為55.72%。說明在平臺上信用等級越低的借款人中未婚借款人的占比越高。同時可以看出，離異借款人在信用等級A中的占比最高，達(dá)到9.96%，比其他信用等級中離異借款人的比例都高，說明在平臺上大部分離異借款人的信用等級都較好。

表3

差異性檢驗結(jié)果

注：*、**、***分別表示在10%、5%、1%的水平顯著。

表3為差異性檢驗結(jié)果。由于差異檢驗的變量為分類變量，因此采用2檢驗的方法。從表3檢驗結(jié)果可以看出，已婚借款人和未婚借款人、離異借款人和非離異借款人在借款成功率上均有顯著差異，但在借款違約率上均沒有顯著差異。即平均來看，一方面，相比較未婚借款人，已婚借款人的借款成功率更高，同時借款利率更低、借款金額更多、期限更長、信用等級更高、年齡更大、受教育程度更低、更多人擁有房貸和車貸。另一方面，相比較非離異借款人，離異借款人的借款成功率顯著更低。

(四)模型選擇

由于借款成功率和借款違約率均屬于0～1取值變量，因此，本文選擇 Probit 模型進(jìn)行實證分析。模型中包括4個重要的解釋變量，分別為marriagei、divorcei、marriage_malei、divorce_malei。經(jīng)過計算發(fā)現(xiàn)，marriagei和marriage_malei的相關(guān)系數(shù)為0.661，divorcei和divorce_malei的相關(guān)系數(shù)為0.774，且均通過1%顯著性水平的檢驗，說明這兩組變量顯著相關(guān)，具有較強(qiáng)的共線性。為了消除共線性的影響，本文將marriagei和divorcei、divorce_malei和marriage_malei兩組變量分別進(jìn)行建模。

首先，利用Probit方法檢驗借款成功率在已婚借款人和未婚借款人、離異借款人和非離異借款人之間是否有顯著差異，建立如下模型(1)：

Pr(successi)=Φ(α+β1×marriagei+β2×divorcei+γ×LoanInformationi+λ×PersonalInformationi+εi)

(1)

其中，α、β1、β2、γ、 λ是模型待估參數(shù)，successi表示第i個借款的借款成功情況，marriagei表示第i個借款借款人的婚姻狀況，divorcei表示第i個借款借款人的離異狀況，Pr表示借款成功的概率?？刂谱兞堪ń杩钚畔⒔M(LoanInformationi)和個人信息組(PersonalInformationi)兩部分。εi表示誤差項；Φ表示標(biāo)準(zhǔn)正態(tài)分布函數(shù)。如果β1系數(shù)顯著為正，則說明已婚借款人的借款成功率顯著高于未婚借款人；如果β2系數(shù)顯著為負(fù)，則說明離異借款人的借款成功率顯著低于非離異借款人。

然后，利用Probit方法檢驗借款違約率在已婚借款人和未婚借款人、離異借款人和非離異借款人之間是否有顯著差異，建立如下模型(2)：

Pr(defaulti)=Φ(α+β1×marriagei+β2×divorcei+γ×LoanInformationi+λ×PersonalInformationi+εi)

(2)

其中，defaulti表示第i個借款的借款違約情況， Pr表示借款違約的概率，其他變量的說明與模型(1)相同。如果β1系數(shù)顯著為負(fù)，則說明已婚借款人的借款違約率顯著低于未婚借款人；如果β2系數(shù)顯著為正，則說明離異借款人的借款違約率顯著高于非離異借款人。

本文采用廖理(2014)提出的理性歧視鑒別方法，如果未婚借款人的借款成功率更低且同時借款違約率更高，則投資人對于未婚借款人的歧視屬于理性歧視行為；否則為非理性歧視行為。如果離異借款人的借款成功率更低且同時借款違約率更高，則說明投資人對于離異借款人的歧視屬于理性歧視行為；否則為非理性歧視行為。

進(jìn)一步，為了考察婚姻和性別交互作用對于借款成功率的影響，建立如下模型(3)：

Pr(successi)=Φ(α+β1×marriage_malei+β2×divorce_malei+γ×LoanInformationi

+λ×PersonalInformationi+εi)

(3)

為了考察婚姻和性別交互作用對于借款違約率的影響，建立如下模型(4)：

Pr(defaulti)=Φ(α+β1×marriage_malei+β2×divorce_malei+γ×Loanlnformationi

+λ×Personallnformationi+εi)

(4)

模型(3)和模型(4)中的 marriage_malei均表示第i個借款借款人的性別和婚姻狀況，divorce_malei均表示第i個借款借款人的性別和離異狀況，其他變量的說明與模型(1)和模型(2)相同。

三、實證分析

(一)婚姻歧視是否存在

從表4列示的借款成功率在不同婚姻狀況上的差異分析結(jié)果可以看出，在同時包含了借款信息和個人信息的模型7中，婚姻狀況變量(marriage)的系數(shù)顯著為正，說明已婚借款人相比較未婚借款人具有顯著更高的借款成功率；離異狀況變量(divorce)的系數(shù)顯著為負(fù)，說明離異借款人相比較非離異借款人具有顯著更低的借款成功率。在同時包含了借款信息和個人信息的模型8中，已婚男性變量(marriage_male)的系數(shù)顯著為正，說明已婚男性借款人相比較其他借款人具有顯著更高的借款成功率；離異男性變量(divorce_male)的系數(shù)未通過顯著性檢驗，說明離異男性在借款成功率上與其他借款人沒有顯著差異。綜上來看，投資人對于已婚及已婚男性借款人有明顯的青睞，但對于離異借款人存在歧視。在其他變量方面，我們發(fā)現(xiàn)年齡越大、學(xué)歷越高、信息認(rèn)證個數(shù)越多、工作時間越長且信用等級越高的借款人更能獲得投資人的青睞，也更容易成功獲得借款。

表4

借款成功率在婚姻狀況上的差異分析

注：*、**、***分別表示在10%、5%、1%的水平顯著，括號中為Z統(tǒng)計量。

(二)婚姻歧視是否為理性歧視

表5

借款違約率在婚姻狀況上的差異分析

注：*、**、***分別表示在10%、5%、1%的水平顯著，括號中為Z統(tǒng)計量。

從表5列示的借款違約率在不同性別上的差異分析結(jié)果可以看出，在同時包含了借款信息和個人信息的模型7和模型8中，婚姻變量(marriage)的系數(shù)顯著為正，說明已婚借款人相比較未婚借款人具有顯著更高的借款違約率；已婚男性變量(marriage_male)的系數(shù)顯著為正，說明已婚男性相比較其他借款人具有顯著更高的借款違約率；離異變量(divorce)和離異男性變量(divorce_male)的系數(shù)均未通過顯著性檢驗，說明離異借款人和離異男性借款人與其他借款人在借款違約率上均沒有顯著差異。在其他變量方面，我們發(fā)現(xiàn)年齡越大、受教育程度越低、信用等級越低的借款人越容易違約，即具有顯著更高的借款違約率。

結(jié)合表4中的分析結(jié)果，已婚借款人、已婚男性借款人的借款成功率更高，但借款違約率也更高，因此，投資人對于已婚借款人和已婚男性借款人的青睞屬于非理性行為。離異借款人的借款成功率更低，但并沒有表現(xiàn)出更高的借款違約率，因此，投資人對于離異借款人的歧視也屬于非理性歧視行為。

(三)穩(wěn)健性檢驗

為了驗證上述分析結(jié)果的穩(wěn)健性，本文參考陳霄、葉德珠(2016)的方法，通過選取不同樣本和更換計量方法來分別進(jìn)行檢驗。

1.選取不同樣本檢驗。為了考察表4和表5中的結(jié)論在不同的樣本范圍是否依然成立，此處選擇借款金額為10萬元以下的樣本進(jìn)行建模(彭紅楓等，2016)，樣本數(shù)為92088個。從表6列示的穩(wěn)健性檢驗結(jié)果可以看出，在借款成功率和借款違約率的模型中，各主要解釋變量系數(shù)的正負(fù)號和顯著性水平均沒有發(fā)生顯著變化，只是在具體數(shù)值上有一些差異，說明前文的結(jié)論具有較好的穩(wěn)健性。

表6

穩(wěn)定性檢驗：借款總金額在10萬元以下

注：*、**、***分別表示在10%、5%、1%的水平顯著，括號中為Z統(tǒng)計量。

2.更換計量方法檢驗。本文在表4和表5中使用Probit方法分析了各因素對于借款成功率和借款違約率的影響，為了排除計量方法的選擇偏誤，此處使用Logit方法進(jìn)行回歸檢驗，結(jié)果如表7所示。從表7結(jié)果可以看出，在更換了計量方法之后，各主要解釋變量系數(shù)的正負(fù)號和顯著性水平均沒有發(fā)生顯著變化，從而驗證了本文結(jié)果的穩(wěn)健性。

表7

穩(wěn)定性檢驗：使用Logit方法檢驗

注：*、**、***分別表示在10%、5%、1%的水平顯著，括號中為Z統(tǒng)計量。

四、結(jié)論及啟示

隨著國內(nèi)互聯(lián)網(wǎng)金融的發(fā)展，P2P網(wǎng)絡(luò)借貸市場越來越受到學(xué)者們的關(guān)注。本文借助于“人人貸”交易平臺的實際數(shù)據(jù)，實證考察了在互聯(lián)網(wǎng)借貸行為中的婚姻歧視現(xiàn)象。分別建模分析了已婚借款人和未婚借款人、離異借款人和非離異借款人、已婚男性借款人和其他借款人、離異男性借款人和其他借款人在借款成功率和借款違約率上是否有顯著差異。借款成功率的結(jié)果顯示，投資人對已婚借款人和已婚男性借款人明顯青睞、對離異借款人存在明顯歧視，對離異男性借款人無明顯態(tài)度傾向。而借款違約率的結(jié)果顯示，相比較其他借款人，已婚借款人和已婚男性借款人均表現(xiàn)出更高的違約概率，但他們的借款成功率也很高，說明投資人對于已婚人士和已婚男性的青睞屬于非理性行為。同時，離異借款人并未體現(xiàn)出更高的違約率，但他們的借款成功率卻很低，說明投資人對于離異人士的投資歧視屬于非理性歧視行為。最后，對于上述結(jié)論本文通過了兩種方法的穩(wěn)健性檢驗，說明本文結(jié)論是穩(wěn)健的。

在P2P網(wǎng)絡(luò)借貸市場中，投資者能否有效識別出借款人公開信息的風(fēng)險和價值是非常重要的。根據(jù)本文的研究結(jié)果，一方面，投資人對于離異借款人的非理性歧視會降低市場配置的效率；另一方面，投資人對于已婚借款人和已婚男性的偏好青睞容易給自身帶來投資風(fēng)險，并且也會增加平臺的壞賬率。因此，平臺監(jiān)管者應(yīng)注重對于網(wǎng)絡(luò)借貸平臺中婚姻歧視行為的正確引導(dǎo)，使得投資人盡可能摒棄對網(wǎng)絡(luò)借款人婚姻狀況的偏見，同時重視離異借款人的投資需求，從而在合理控制風(fēng)險的條件下達(dá)到資金配置效率的最大化。另外，對于離異的借款人而言，平時應(yīng)注重對于個人信用等級、學(xué)歷水平等方面的提升，從而保障自身在網(wǎng)絡(luò)借貸平臺中獲得更多的優(yōu)勢地位。

[1]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．

[2]Michels.Do Unverifiable Disclosures Matter?——Evidence from Peer -to -Peer Lending[J].Accounting Review，2012(4)：1385-1413.

[3]Ravina E..Beauty，Personal Characteristics，and Trust Incredit Markets[M].New York:NY,2007.

[4]Herzenstein M.，Andrews R.L..The Democratization of Personal Consumer Loans——Determinants of Success in Online Peer-to-Peer Loan Auctions[J].Bulletin of the University of Delaware，2008(15)：274-277．

[5]李悅雷,郭陽,張維.中國P2P小額貸款市場借貸成功率影響因素分析[J].金融研究，2013(7)：126-138.

[6]彭紅楓，趙海燕，周洋.借款陳述會影響借款成本和借款成功率嗎? ——基于網(wǎng)絡(luò)借貸陳述的文本分析[J].金融研究，2016(4)：158-173.

[7]李焰，高弋君，李珍妮，才子豪，王冰婷，楊宇軒.借款人描述性信息對投資人決策的影響——基于 P2P 網(wǎng)絡(luò)借貸平臺的分析[J].經(jīng)濟(jì)研究，2014(S1)：143-155.

[8]陳霄,丁曉裕，王貝芬.民間借貸逾期行為研究——基于 P2P 網(wǎng)絡(luò)借貸的實證分析[J].金融論壇，2013(11)：65-72.

[9]彭紅楓，楊柳明，譚小玉.地域差異如何影響P2P平臺借貸的行為——基于“人人貸”的經(jīng)驗數(shù)據(jù)[J].當(dāng)代經(jīng)濟(jì)科學(xué)，2016(5)：21-34.

[10]顧慧瑩，姚錚.P2P網(wǎng)絡(luò)借貸平臺中借款人違約風(fēng)險影響因素研究[J].上海經(jīng)濟(jì)研究，2015(11)：37-46.

[11]廖理，李夢然，王正位，賀裴菲.觀察中學(xué)習(xí): P2P 網(wǎng)絡(luò)投資中信息傳遞與羊群行為[J].清華大學(xué)學(xué)報(哲學(xué)社會科學(xué)版)，2015(1)：156-165.

[12]張科，裴平.信息不對稱、貸款人類型與羊群效應(yīng)[J].經(jīng)濟(jì)管理，2016(6)：125-137.

[13]Phelps E..The Statistical Theory of Racism and Sexism[J].American Economic Review，1972(62)：659-661.

[14]Becker G..The Economics of Discrimination Chicago[M].University of Chicago Press，1957.

[15]吳小英，鞠穎.基于最小二乘法的網(wǎng)絡(luò)借貸模型[J].廈門大學(xué)學(xué)報(自然科學(xué)版)，2012(6)：980-984．

[16]莊雷，周勤．身份歧視:互聯(lián)網(wǎng)金融創(chuàng)新效率研究——基于P2P網(wǎng)絡(luò)借貸[J].經(jīng)濟(jì)管理，2015(4)：136-147.

[17]N Barasinska,D.Schaefer.Does Gender Affect Funding Success at the Peer-to-Peer Credit Markets? ——Evidence from the Largest German Lending Platform[Z].Discussion Papers of Diw Berlin,2010.

[18]陳霄，葉德珠.中國互聯(lián)網(wǎng)金融中的性別歧視研究[J].金融評論，2016(2)：1-15.

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

[20]蔣彧，周安琪.P2P網(wǎng)絡(luò)借貸中存在地域歧視嗎?——來自“人人貸”的經(jīng)驗數(shù)據(jù)[J].中央財經(jīng)大學(xué)學(xué)報，2016(9)：29-39.

[21]廖理，吉霖，張偉強(qiáng).借貸市場能準(zhǔn)確識別學(xué)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.