吳楠

（湖南省委直屬機關黨校，湖南長沙410011）

一、引 言

P2P網(wǎng)貸平臺在短短十幾年內(nèi)從萌芽到興盛至較穩(wěn)定的發(fā)展獲得了金融界內(nèi)外足夠的關注度。尤其在中國，從2013年至今，P2P平臺最高峰時期有六千多家，①數(shù)據(jù)來源：網(wǎng)貸之家共收錄6606個平臺信息。截至2018年2月，還有一千多家運營，②數(shù)據(jù)來源：網(wǎng)貸之家。同時零壹財經(jīng)給出的數(shù)據(jù)是截至2017年年底，正常運營的平臺數(shù)目為1539。此間經(jīng)歷的起伏既是行業(yè)發(fā)展的全景圖，也是新金融不斷演進的一個側面反映。針對P2P的研究在最近幾年可謂多角度、多層次、全方位展開，課題組從2015年開始專門針對網(wǎng)貸違約人特征展開研究，取得了一些成果，伴隨著研究的深入和更多機構人員的參與，一個研究細分領域進入課題組成員的視野，即網(wǎng)貸研究領域的研究者能否真實客觀判斷網(wǎng)貸借款人的違約概率。在文獻研究中，課題組發(fā)現(xiàn)國內(nèi)外研究者都對違約人特征進行了研究，其中涉及大量假設，研究人員通過實證分析認定或否定假設來確定違約人的群體特征。這些假設都是根據(jù)研究者對人群研究的基礎得出來的，從某種程度上而言，研究者一般都會盡量客觀判斷，因此我們可以稱這些假設為“理性判斷”，在實證結果中有的“理性判斷”被證實，有的則被證偽。研究者設定的“理性判斷”究竟多大程度上符合“真實理性”呢？①本文所指“真實理性”即“理性判斷”通過數(shù)據(jù)、實證驗證后確認與判斷一致的理性分析。如，在本文實證分析中接受原假設的即為“真實理性”。課題組成員通過對文獻的大量閱讀并結合研究經(jīng)驗構建Logit模型帶入數(shù)據(jù)驗證，發(fā)現(xiàn)實際上理性假設大都不能通過實證驗證。

二、研究基礎

（一）文獻研究基礎

國外學者對網(wǎng)貸違約人問題研究起步比較早，幾乎伴隨Lendingclub和Prosper兩大P2P平臺上線就開始關注這一群體特征。Kumar（2007）指出借款額度與借款者違約率正相關，而信用級別和認證信息與借款者違約率負相關。Dholakia和Herzenstein（2011）以Prosper上的借款申請為樣本，歸納了“可靠”、“成功”、“經(jīng)濟困難”、“宗教信仰”、“品德高尚”、“勤奮”等六個語言維度，發(fā)現(xiàn)信用級別低的借款人會傾向于用更多的描述性信息，而實際中確實描述性信息越多越容易借款成功，但結果卻是違約率更高。Pope（2011）通過對違約人年齡分布分析發(fā)現(xiàn)35-60歲之間的人違約概率相比其他年齡段更低。Duarte等（2012）全面分析了容貌對P2P網(wǎng)絡借貸交易的影響。通過對網(wǎng)貸平臺上上傳借款者照片的信息進行研究，他們發(fā)現(xiàn)從照片上看起來比較可靠的人具有更高的借款成功率。進一步發(fā)現(xiàn)，長相可靠的人信用評級比較高，違約的可能性也比較低。Nowak A（2015）等通過實證分析指出收入越高的人，違約概率也越低。

國內(nèi)研究者對P2P平臺的研究早期側重在平臺模式、平臺風險以及投資人選擇模式等角度，從2013年開始有較多學者開始關注網(wǎng)貸違約人特征。陳霄等（2013）在對P2P網(wǎng)絡借貸參與者逾期行為理論分析的基礎上，采用Logit回歸分析得出結果：借款方信用等級、個人收入、居住地區(qū)、生活狀況、成功借款次數(shù)和按時還款次數(shù)對借款方逾期率具有顯著的負向作用；受教育年限、逾期還款次數(shù)、借款利率、借款時間等對借款人逾期率具有顯著的正向作用。繆蓮英等（2014）以推薦信任與小組關系、朋友關系作為社會資本的代理變量分析其對借款者違約風險的制約機制，以Prosper網(wǎng)絡借貸平臺的數(shù)據(jù)進行實證檢驗，研究發(fā)現(xiàn)在P2P網(wǎng)絡借貸中，社會資本能夠降低借款人違約風險。王會娟和廖理（2014）以53653個“人人貸”的網(wǎng)站數(shù)據(jù)，研究P2P網(wǎng)絡借貸平臺的信用認證機制對借貸行為的影響，結果表明，較高信用評級會提高借款成功率。文章也詳細分析了認證指標和認證方式對P2P借貸行為的影響。他們指出，工作認證、收入認證、視頻認證和車產(chǎn)、房產(chǎn)認證等認證指標對P2P借貸行為的影響較為顯著。不僅如此，實證結果表明“人人貸”的信用認證可以起到提示信用風險的作用，進而降低了借貸雙方信息不對稱程度。文章也指出評級指標過于單一，這使得其風險提示作用有限。顧慧瑩等（2015）對WDW車貸平臺的數(shù)據(jù)做研究，找到了借款人違約的關鍵因素，指出軟信息更能體現(xiàn)借款動機和償還意愿，平臺信用評級和違約率存在顯著負相關。王重潤等（2016）從“紅嶺創(chuàng)投”的交易數(shù)據(jù)中選取了借款人相關的9個特征因素，用Logit分析表明，借款利率、期限、用途、提前還款次數(shù)和逾期還款次數(shù)對借款者違約行為有顯著正向影響，而借款金額、信用積分、戶口所在地和正常還款次數(shù)對違約行為有顯著負向影響。汪濤等（2017）通過衡量外部大環(huán)境的各項經(jīng)濟指標指出經(jīng)濟環(huán)境指數(shù)、信用環(huán)境指數(shù)、金融環(huán)境指數(shù)都會對網(wǎng)貸行業(yè)形成區(qū)域性差異影響，在人口素質較高的區(qū)域，借貸雙方都在借貸過程中更趨于理性。

（二）本研究的前提基礎

綜合而言，國內(nèi)外學者針對違約人行為展開了多層次的研究，對其中涉及網(wǎng)貸人特點的方方面面都有展開。在研究中，會對某些特征予以確認，于是涉及到的假設也都經(jīng)過驗證，或確認或否認。課題組發(fā)現(xiàn)有時在針對網(wǎng)貸人同一個特征的研究中，不同學者的研究會得出不同甚至相反的結論，這是很有意思的一個現(xiàn)象，于是課題組在前人的研究上繼續(xù)展開，設計了一個幾乎納含所有和網(wǎng)貸行為相關的Logit分析模型，并通過自行獨立爬取數(shù)據(jù)來驗證假設通過率。在此需要說明的是，課題組選取的網(wǎng)貸人行為相關特征是綜合參考前人文獻及本課題組前期研究的成果而來，其中的假設也是同樣進行了多方面參考。因此可以認為，這些假設都是經(jīng)過了“理性判斷”的。這種理性判斷究竟在多大程度上能夠通過實際驗證，正是課題組想要研究的中心問題。

二、研究設計

（一）數(shù)據(jù)來源和樣本選取

“人人貸”平臺成立于2010年，是較早一批平臺中公信力及各項指標都保持平穩(wěn)的典型平臺，在網(wǎng)貸之家、網(wǎng)貸天眼等第三方評級網(wǎng)站中排名一直較為靠前（前10名內(nèi)）。因此，本文選取“人人貸”平臺上的數(shù)據(jù)作為研究對象，應該能較好的反映網(wǎng)貸人群的真實特點。課題組利用網(wǎng)絡爬蟲這一技術手段爬取了2015年“人人貸”平臺上的借款數(shù)據(jù)信息，①選擇2015年數(shù)據(jù)的原因為：確認為壞賬的時間。因為網(wǎng)貸期限大部分分布在1個月到36個月之間。如選擇2017年數(shù)據(jù)，則無壞賬呈現(xiàn)。建立了一個全國隨機樣本（簡稱為Sample1），共有數(shù)據(jù)1326條，將通過實證分析研究來驗證假設中“理性判斷”的真實性。

（二）理論假設和變量選擇

本課題的基本前提假設即：借款人的某些信息與借款違約行為是有概率聯(lián)系的。理論上來看，借款人違約的影響因素應包括項目本身的基本要素，如借款目的、金額、利率、期限等，還有與借款人本身相關的各類因素，如借款人經(jīng)濟狀況、信用狀況等。Lyeretal（2009）將借款人信息分為“硬”和“軟”兩類，“硬”信息指能夠被客觀證實的內(nèi)容，如借款人身份信息、借款項目信息；而“軟”信息則是指不能被直接證實的內(nèi)容，如借款人對借款目的的文字描述等。Greiner&Wang（2010）則把借款人信息分為經(jīng)濟信息和社會信息，經(jīng)濟信息用以衡量借款人的還款能力，社會信息衡量借款人的借款能力并以借款人是否參與聯(lián)合借款作為判斷標準。本課題組除參考以上分類方式外，還借鑒了顧慧瑩（2015）、王重潤（2016）等研究者的信息分類方法，將獲得的數(shù)據(jù)分為四類，分別是借款人自身特征信息、借款人經(jīng)濟信息、借款標的信息和平臺信息，詳細分類說明和假設如下：

1.借款人的自身特征信息，包括性別、年齡、婚姻狀況、教育水平。此類信息能夠反映借款人的社會分類屬性和某些個體特點，較多文獻都通過定性和定量分析傾向于認為女性比男性更可能按時償還借款（Dinh&Kleimeier，2007；Roslan&Mohd，2009）。課題組在此處假設：

H1：相較于女性借款人，男性借款人更傾向于違約。

一般認知中會認為年齡大的借款人會比年齡小的借款人更具有風險規(guī)避性，傾向于完成承諾，按時還款。Armingeretal.等（1997）通過實證分析也確認了這一點，即年輕借款人的不夠成熟和缺乏耐心，更傾向于違約。所以課題組假設：

H2：借款人年齡和違約率負相關。

婚姻狀況在我國文化認知中是一個人趨于穩(wěn)定的象征，一般會認為已婚人士因為有家庭責任而更傾向于履約。但在Dinh&Kleimeier（2007）的研究中卻發(fā)現(xiàn)已婚人群的還款性更低，解釋為已婚借款人由于家庭負擔，經(jīng)濟壓力更大，因此更容易違約。課題組經(jīng)過探討，認為在我國婚姻仍舊是一個人走向成熟穩(wěn)定的標志，婚姻中如兩人都有工作則家庭整體償債能力上升，而單身、離異或喪偶的借款人相較于核心家庭償債能力會弱一些。故而課題組仍舊假設：

H3：處于婚姻狀態(tài)中的借款人相較于不處于婚姻狀態(tài)中的借款人（未婚、離異、喪偶）違約率更低，即已婚狀態(tài)與網(wǎng)貸違約率負相關。

教育水平在國內(nèi)外多個學者的研究中都是與違約率負相關，即借款人所受教育年限越長，學歷越高，借款違約率越低（Gathergood，2012；廖理，2015）。這也符合一般認知，課題組假設：

H4：高學歷借款人違約風險較低，即學歷和網(wǎng)貸違約率負相關。

2.借款人經(jīng)濟信息：債務收入比，有無房產(chǎn)，有無車產(chǎn)，有無房貸，有無車貸。此類信息是衡量借款人償債能力的重要指標，基本都是直接與償還能力相關。其中最直接的就是債務收入比，Linetal.（2013）認為經(jīng)濟強度最重要的指標就是債務收入比，比值越高，說明借款人償債能力強。課題組經(jīng)過對數(shù)據(jù)的考量，將債務收入比與Linetal.的比法剛好做一個倒數(shù)處理，①即Lin用的是年收入/借款金額，而本課題中用的是借款金額/月收入，這是由于平臺提供原始數(shù)據(jù)的不同而做的相應處理。實際衡量結果的表征意義不會改變，只是正負相關解釋剛好相反，且數(shù)據(jù)都變成了非小數(shù)，利于數(shù)據(jù)衡量的穩(wěn)定性。

H5：借款人的債務收入比與網(wǎng)貸違約率正相關。

借款人的房屋產(chǎn)權對借款違約率也會產(chǎn)生影響，Greiner&Wang（2009）分析檢驗了有房產(chǎn)的借款人生活相對穩(wěn)定，還款能力強。中國人的傳統(tǒng)觀念里也普遍認可，有恒產(chǎn)者有恒心。所以課題組假設：

H6：借款人是否擁有房屋與借款違約率負相關。

借款人擁有車產(chǎn)的衡量意義較少納入國外學者的研究范疇中，因為在國外（特別是歐洲、美國）車只是作為一種代步交通工具，納入個人財產(chǎn)考量意義不大。但課題組經(jīng)過探討認為，在國內(nèi)車產(chǎn)目前仍舊可以作為一個財產(chǎn)衡量標志，是否擁有車輛在中國人的認知范疇內(nèi)是一個家庭或者個人經(jīng)濟實力或社會勞動能力的體現(xiàn)。②在這里主要是指某人或某個家庭是否需要一輛車來完成家庭收入的需要，如跑運輸?shù)幕驑I(yè)務活動量大的工作等。因此假設：

H7：擁有車產(chǎn)說明家庭經(jīng)濟實力較強或勞動能力強，所以與網(wǎng)貸違約率負相關。

在具體的個人經(jīng)濟信息中分類中，擁有房產(chǎn)和車產(chǎn)償債能力則被認可為更強；但從另一方面看，現(xiàn)代社會對金融工具的應用使得個人加杠桿情況增加，因此在個人在有房有車的情況下，可能還有房貸和車貸，房貸與車貸一般都是按月償還，對個人收入穩(wěn)定性要求比較高，自然會擠壓借款人的資金空間，因此課題組假設∶

H8：有房貸需要償還與網(wǎng)貸違約率正相關。

H9：有車貸需要償還與網(wǎng)貸違約率正相關。

3.借款標的信息：借款金額、利率、期限、用途。借款標的信息是直接反映借款需求并影響投資者決策的最主要信息，其中借款金額因為方差較大，所以在變量選擇時將其與收入結合，形成債務收入比，在借款人經(jīng)濟信息中已經(jīng)納含，故此處不再重復使用。大部分的研究中借款利率都被認為與違約率正相關（Stiglitz&Weiss，1987；王重潤，2016），因為借款利率高說明借款人必須用高利率來吸引投資者，一方面說明借款人質量低，同時也反映出借款人的融資成本高，償還更加困難。故而課題組假設：

H10：借款利率越高，借款人質量越低，與網(wǎng)貸違約率正相關。

借款期限在平臺上一般為1-36個月，王重潤（2015）通過實證分析證明借款期限對違約行為有正向影響，符合一般認知，因為借款期限長，說明可能借款者的財務狀況不確定更大，違約行為可能性也越大。故而假設：

H11：借款期限與網(wǎng)貸違約率正相關。

借款用途是不太好權衡的一個變量，課題組經(jīng)過探討認為個人消費的貸款違約率應該小于投資經(jīng)營和短期周轉，因為后兩者屬于生產(chǎn)經(jīng)營范疇，面臨的各類風險大，而消費貸款的還款來源一般是個人和家庭收入，相對穩(wěn)定和可預期。因此假設：

H12：偏消費的借款類型與網(wǎng)貸違約率負相關。

4.平臺信息：平臺認證個數(shù)，描述指數(shù)。平臺信息主要反映P2P網(wǎng)貸平臺作為信息中介對借款人信用的第三方測度?！叭巳速J”平臺上有專屬的平臺信用打分，但因為是后向打分，即分數(shù)會根據(jù)借款人的行為調整，所以不取這一分數(shù)，而取用的是平臺認證個數(shù)和描述指數(shù)。其中平臺認證個數(shù)是借款人在發(fā)布借款信息前后愿意提交的各類個人信息認證，如身份證、電話、短信、頭銜、工作地點等，總數(shù)目多達24個，課題組認為認證的個數(shù)越多，該借款人的違約率越低。描述指數(shù)是人人貸平臺根據(jù)借款人在平臺上填寫的各類信息以及借款說明等給出的一個平臺打分。一般而言，描述指數(shù)越高的會靠前推薦給投資人，所以課題組傾向于認可描述指數(shù)越高，違約率越低。給出假設如下：

H13：平臺認證個數(shù)與網(wǎng)貸違約率負相關。

H14：平臺描述指數(shù)與網(wǎng)貸違約率負相關。

（三）實證模型設計

本模型因變量只有兩種可能，即違約或不違約，所以因變量只有兩個取值0或1。研究中將發(fā)生違約賦值為1，未發(fā)生違約賦值為0。這類二元選擇模型根據(jù)隨機擾動項概率分布函數(shù)的類型，主要有Logit和Probit兩種，其中Logit模型對應邏輯分布函數(shù)，應用更加廣泛。本文假設隨機擾動項概率服從邏輯分布函數(shù)，因此嘗試建立Logit模型。如下：

其中β0，……，β14為回歸系數(shù)，ε為隨機擾動項（殘差）。借款違約的概率為變量說明見表1。

三、實證分析

（一）模型檢驗

1.模型整體性顯著性檢驗

對模型整體顯著性檢驗在Logit分析中有一步模型系數(shù)綜合檢驗（Omnibus Tests of Model Coefficients），檢驗似然比（LR）統(tǒng)計量，可以測定模型是否整體顯著。Sample1輸出結果見表2。

可見Sig.值都小于0.05，可以拒絕原假設，而且在此檢驗中，Sample1的Sig.值都小于0.01，說明差異極顯著，模型整體顯著性較好。

2.變量顯著性檢驗

本文設計模型中功有14個解釋變量，數(shù)目較多，因此需要對更有解釋力的變量進行篩選。二元Logit模型中有篩選方法可供選擇，分為前進篩選法和后退篩選法。其中前進篩選法是將變量逐個引入模型進行篩選，后退篩選法則是先將所有解釋變量放入模型，再逐個剔除不顯著的變量。針對本文中的模型，更適合采用后退篩選法。Sample1的檢驗結果如表4所示。

表1 實證分析中選取的變量說明

（二）實證結果分析

1.總體分析

如表3中展示，Sample1中最后的解釋變量Sig.值都小于0.05，說明留下的變量都在5%的顯著性水平上對模型有顯著影響。由于Logit模型中的變量系數(shù)不能被解釋為對因變量的邊際影響，故系數(shù)大小沒有特定的經(jīng)濟解釋意義，但系數(shù)符號能充分說明自變量對因變量的正負相關關系。如果解釋變量系數(shù)為正，則表明解釋變量對因變量有正向影響，則因變量取值為1的概率越大，在本模型中，即違約概率越大。啞變量的正負系數(shù)可參照啞變量設定時的解釋意義分析，如房產(chǎn)這一啞變量，設定有為0，無為1，回歸模型中系數(shù)為負值，與假設H6一致，接受原假設，即借款人是否擁有房屋與借款違約率負相關。

表2 Sample1模型系數(shù)綜合檢驗

表3 Sample1模型中通過檢驗的變量

2.對Sample1的實證結果分析

經(jīng)過二元Logit向后回歸篩選6次，Sample1中共留下9個變量。變量列表和假設對比檢驗見表4。

被篩選出局的 5個變量分別是性別（sex）、年齡（age）、婚姻狀況（marriage）、車貸（carloan）、借款用途（borrowtype）。其中前三個來自于借款人自身特征信息，剩下兩個分別來自借款人經(jīng)濟信息和借款標的信息。也即言，大部分關于借款人自身身份特征的信息與是否違約相關度不大，更加重要的是借款人的經(jīng)濟信息和標的信息和平臺信息。其中車貸信息被篩選掉比較容易理解，因為該指標在兩個樣本中取值為1的（即有車貸的）均占比不到10%，難有明確解釋意義呈現(xiàn)。而借款用途被篩選掉與王重潤（2016）研究結果不一致，課題組認為這可能與平臺信息呈現(xiàn)方式不同有關。

表4 Sample1 Logit回歸變量列表及與假設對比

剩下的9個變量中，4個相關性符合原假設設定，5個不符合原假設，不符合假設的值得進一步研究。

債務收入比與違約率呈現(xiàn)負相關是非常值得注意的拒絕原假設的實證結果。單獨分析結果表面意義，即從收入角度看，償還能力越?。ń杩罱痤~/月收入），違約率越低。這不符合理解邏輯，同時與顧慧瑩（2015）的研究結果不一致。課題組為了解釋這個問題，對數(shù)據(jù)再次進行處理，將借款收入比還原為兩個變量：借款金額和收入，再次納入模型回歸，結果見表5。

在變量還原分析中結果也都是與理論推測相反，一般認為借款金額越大，違約率越高，而實證分析說明，借款金額越大違約率越低。但結合平臺授信分析就能推測出：這是因為能在平臺上獲取較大額度貸款的一般是作為企業(yè)投資經(jīng)營需要，平臺會自行進行盡責的線下調查；而較小額度的貸款一般是無抵押靠信用擔保，違約風險也會高發(fā)。同時這一實證結果與王重潤（2016）研究成果一致。另一個變量收入與違約率正相關，也不符合理論預測，一般會認為收入越高的人償債能力也越強。于是課題組對收入這一變量做具體描述分析，結果見表6和圖1。

從數(shù)據(jù)分布的偏度和豐度指標來看都在可接受范圍內(nèi)，但從直方圖可以評估該分布不符合正態(tài)分布，呈現(xiàn)尖峰頂右偏狀態(tài)?？梢耘袛嗟氖?，變量數(shù)據(jù)的分布形態(tài)與平臺數(shù)據(jù)呈現(xiàn)有關，因為“人人貸”平臺在讓借款人輸入收入數(shù)據(jù)是給定數(shù)據(jù)范圍，如收入是小于2000，2000到 5000之間，5000到10000之間……。課題組對數(shù)據(jù)做了平均化處理，因此可以判斷該數(shù)據(jù)在真實意義上不能很好反映借款者的真實收入水平。另外，數(shù)據(jù)呈現(xiàn)右偏狀態(tài)也能夠判斷人們在借款時傾向于高報自己的真實收入，故而就比較好解釋實證分析中的正相關狀態(tài)了，即人們在為取得貸款時傾向于虛報收入，所以導致數(shù)據(jù)呈現(xiàn)上的收入越高和違約率也越高。

實證結果表明借款期限與網(wǎng)貸違約率負相關，拒絕原假設。課題組經(jīng)過探討認為，原假設忽略了期限是一個主觀選擇量，即在網(wǎng)貸平臺和傳統(tǒng)信用中介不同，是由借款者主動選擇借款期限。理性借款人會合理分配自己的資金流，選擇更長期限的借款人應該是合理規(guī)劃了每個月的資金流，給出的理性借款時間。而更短的借款期限要么的確是用于短期周轉，本身存在更高風險，要么借款人本身給出較短期限就是為了能快速拿到貸款，而沒有合理規(guī)劃自身資金流，更容易導致違約情況的發(fā)生。

表5 Sample1還原變量二元Logit回歸

表6 Sample1中income變量描述分析

圖1 Sample1中變量income分析直方圖

房貸（mortgage）這一解釋變量與網(wǎng)貸違約率負相關，即有房貸者更傾向于履約，和原理論假設不符。經(jīng)過探討課題組認為，其實將情景放于真實借款場景中就比較好理解了：首先，有房貸者說明其有購房能力，是經(jīng)濟實力的一方面體現(xiàn)；其次，有無房貸平臺和投資者都不會去確認，但給出有房貸在身的借款者傾向于更加誠實，也就是說將實際不利于自身借款的信息公開給投資人，此類人群在履約方面也更加盡職。

車產(chǎn)（car）這一解釋變量與網(wǎng)貸違約率正相關，同屬于財產(chǎn)性質的物品，與房產(chǎn)出現(xiàn)了相反的結論，即有車產(chǎn)者違約率上升，拒絕原假設的負相關設定。課題組深入挖掘原因時發(fā)現(xiàn)網(wǎng)貸之家對違約人數(shù)據(jù)分析后有同樣的結論：“雖然車能在一定程度上象征財力，但卻對降低違約率沒有幫助”。這一方面說明模型驗證度較好，另一方面也可反映房產(chǎn)和車產(chǎn)在實際財產(chǎn)效應中的不同表現(xiàn)。

平臺認證個數(shù)與網(wǎng)貸違約率正相關，不符合理論預期，拒絕原假設。通過仔細分析認證類型，課題組認為，本來平臺認證信息應該對違約率相關性方向是一致的，但實際上選取的兩個平臺認證其認證方式并不一致。其中拒絕原假設的認證數(shù)目變量絕大部分是借款人主動給出，而描述指數(shù)則是平臺根據(jù)借款人給出的信息，結合后臺算法客觀打出的一個分析分數(shù)。也即言，前者偏主觀，后者偏客觀。因此平臺認證個數(shù)會與違約率正相關就好解釋了：對于真正具有良好信用的借款人來說，他并不需要通過更多的認證來證明其信用；相反是急需貸款，或本身信用有缺失的人群，才會主動通過更多認證來證明自己有還款能力。而且在認證設置上本研究只取了數(shù)目，但實際中不同類認證對于借款人信用衡量是權重不一的，如手機、短信、相片認證相對容易，而房產(chǎn)、職位、住所等認證則難度更大。

四、結 論

本文以“人人貸”上的借款人數(shù)據(jù)為研究對象，建立二元Logit模型，用全國隨機樣本研究了對借款人違約行為產(chǎn)生較顯著影響的因素。實證結果顯示，負債收入比、借款期限、學歷、房產(chǎn)、房貸、描述指數(shù)對違約行為有負向影響，而借款利率、車產(chǎn)、認證個數(shù)對借款者違約行為有正向影響。所設立的14個假設中，通過實證驗證保留了9個解釋變量，這9個保留下來的解釋變量中5個拒絕了原假設。也即言，變量篩選通過率為64.3%，在Logit二元分布分析中這種篩選留成率還可以，說明變量選擇較為理性。但留存的變量中假設通過率僅為44.4%，對半概率線未過，這說明僅通過邏輯分析是無法說明解釋變量對因變量的影響方向的，實證分析結果能更好的發(fā)掘人們對解釋變量的認識深度。

同時，值得注意的是，本課題研究參考了大量學者研究經(jīng)驗，但不論是在與網(wǎng)貸違約率相關的解釋變量的選擇上，還是解釋變量通過后假設的認定與否，本研究中樣本實證的結果有部分與其他學者研究的結論呈現(xiàn)不一致狀態(tài)。如借款人自身特征信息，在本樣本研究中基本都被實證模型篩去，而國外學者的研究中則呈現(xiàn)較高的解釋性。而留存解釋變量的沖突在論文第三部分都做了詳盡的分析，或與平臺信息呈現(xiàn)相關，或與地域數(shù)據(jù)選擇相關。因此，在實際探尋違約人特征的研究中不能依賴前人研究成果，因為實際情況可能會與很多因素相關，人群、文化、地域都可能對研究結果產(chǎn)生較大影響。

最后課題組認為，網(wǎng)貸領域研究者的“理性判斷”是不完備的，即在某些方面，如特征變量選擇，在參考大量研究成果后呈現(xiàn)結果符合預期，但在另一些方面，如在對解釋變量對違約率的影響方面與真實情況差距較大。因此，在此研究領域研究者對頭腦中的預設（假設）一定要采取實證驗證，不然則可能與實證分析數(shù)據(jù)呈現(xiàn)的真實情況出現(xiàn)較大不一致。