文/盧旭旭，廣西大學(xué)商學(xué)院

1 引言

P2P網(wǎng)絡(luò)借貸(Peer to Peer Lending)將互聯(lián)網(wǎng)技術(shù)、金融服務(wù)模式及電子商務(wù)模式融合起來，通過互聯(lián)網(wǎng)這一大平臺為小微企業(yè)和小額資金需求者提供新的融資渠道，實(shí)現(xiàn)了與民間借貸資本市場的有機(jī)結(jié)合。我國第一家網(wǎng)貸公司是2007年成立的拍拍貸。據(jù)網(wǎng)貸之家的統(tǒng)計(jì)，截止到2018年12月，我國P2P網(wǎng)貸平臺累計(jì)已達(dá)6449家。已有超過400萬人進(jìn)行投資和借款，每月成交量基本都在1100億元以上。然而這種飛速發(fā)展必然會伴隨各式各樣的問題。在網(wǎng)貸之家上公布的信息中，我們可以發(fā)現(xiàn)截止到2019年1月已有2667家問題平臺存在。大部分網(wǎng)貸平臺都有著10%以上的壞賬率，這顯著高于傳統(tǒng)金融借貸。近兩年發(fā)生資金鏈斷裂導(dǎo)致跑路的網(wǎng)貸平臺不在少數(shù)，比如米寶理財(cái)、余盆、融金橋、點(diǎn)聚財(cái)、平安理財(cái)?shù)鹊?。并且由于借貸雙方在交易中互不相識僅通過網(wǎng)絡(luò)上的信息產(chǎn)生聯(lián)系，借款人的真實(shí)信息通常是借款人所掌握，對比投資人有著明顯的信息優(yōu)勢。這種信息不對稱在交易過程中會產(chǎn)生諸多問題，大大影響網(wǎng)貸的交易成功率。這給平臺的監(jiān)管和運(yùn)營以及投資人造成了很多困難，因此基于信息不對稱，學(xué)術(shù)界關(guān)于P2P網(wǎng)絡(luò)借貸的研究也日漸增多。

2 研究綜述

在P2P網(wǎng)貸交易過程中，投資人主要依據(jù)借款人提供的借款信息來決定是否進(jìn)行投資行為。Ravina(2008)通過收集Prosper平臺的數(shù)據(jù)，分析了借款人個(gè)人生理特征對借貸交易的影響，研究得出借款人的種族和相貌對其能否順利借到款項(xiàng)影響最大。Lee等(2012)利用韓國網(wǎng)貸數(shù)據(jù)，分析了韓國P2P市場上投資者中存在“羊群效應(yīng)”行為。在國內(nèi)，郭峰(2016)關(guān)注借款人在平臺上使用昵稱情況對借款成功率的影響，他通過實(shí)證分析發(fā)現(xiàn)借款人在P2P網(wǎng)貸平臺上使用真實(shí)姓名作為昵稱時(shí)并沒有得到投資人更多的信任。王會娟、何琳(2015)對借款描述對P2P網(wǎng)貸行為的影響進(jìn)行了實(shí)證研究，即在網(wǎng)絡(luò)借貸中，借款人都會通過一段話表述自己的借款用途、個(gè)人品德、還款來源及能力意愿等作為借款描述，實(shí)證發(fā)現(xiàn)，這些借款描述會對借款成功與否產(chǎn)生顯著影響。廖理、吉霖和張偉強(qiáng)(2015)同樣對借貸市場中語言對借款成功與否產(chǎn)生的作用進(jìn)行了研究。張海洋和蔡航(2018)借助人人貸數(shù)據(jù)，研究借款人的崗位頭銜對借款成功與否的影響，他們發(fā)現(xiàn)如果借款人使用華麗頭銜而非樸實(shí)頭銜，那么借款成功率會顯著增加，并且對來自小規(guī)模公司的借款人這種效應(yīng)更加明顯。

本文從網(wǎng)貸平臺這一角度，依據(jù)友金服這一平臺的數(shù)據(jù)進(jìn)行實(shí)證分析，對網(wǎng)貸平臺借款利率微觀層面的影響因素進(jìn)行研究，豐富了P2P網(wǎng)貸的研究領(lǐng)域，有助于對網(wǎng)貸平臺利率決定機(jī)制有更加直觀的認(rèn)識。

3 數(shù)據(jù)和模型

3.1 數(shù)據(jù)來源及處理

本文所用的實(shí)證數(shù)據(jù)來源于友金服平臺的真實(shí)借款信息，通過python爬蟲抓取了友金服平臺上起息日從2014年9月30日到2018年3月6日期間共64028條借貸人的信息，在剔除了部分異常值與缺失值之后，保留了63899條有效數(shù)據(jù)。本文所用變量每條數(shù)據(jù)包含的信息分為借款標(biāo)的信息，包括起息日、年化利率、借款金額及借款期限四個(gè)屬性，和借款人信息，包括姓名、性別、年齡、婚姻、學(xué)歷、從業(yè)時(shí)間等等。本文基于友金服這些微觀層面的借貸信息，研究平臺在決定借貸利率時(shí)會考慮哪些因素，換句話說就是研究哪些因素會影響平臺的利率決定。

3.2 變量說明及模型設(shè)定

通過觀察友金服2014年9月30日—2018年3月6日這期間6 3899條有效數(shù)據(jù)特點(diǎn)，將被解釋變量年化利率rate分為兩類，其中年化利率大于9%的設(shè)定為1，表示平臺會對借款人收取較高利息。年化利率小于等于9%設(shè)定為0，表示平臺對這些人設(shè)定較低利率。解釋變量則有借款金額amount，借款期限limit，借款人性別(男為1，女為0)，年齡，婚姻 (已婚為1，未婚、離婚及喪偶均為0)，學(xué)歷，學(xué)歷分布為初中及以下、高中/中專、大專、本科、碩士及以上五大類，本文用數(shù)字1,2,3,4,5表示學(xué)歷等級，數(shù)字越大學(xué)歷越高。此外解釋變量還有從業(yè)時(shí)間，借款人是否有房產(chǎn)，有房貸(有為1，無為0)，還款來源(工資收入設(shè)為1，經(jīng)營收入設(shè)為0)，最后還有貸款近6個(gè)月最高逾期次數(shù)。

本文基于友金服的數(shù)據(jù)研究平臺設(shè)定借貸利率的影響因素，由數(shù)據(jù)特點(diǎn)及變量說明，選取Logistic回歸模型進(jìn)行實(shí)證分析。Logis tic回歸模型如下：

4 實(shí)證分析

4.1 描述性統(tǒng)計(jì)

給出主體變量的描述性統(tǒng)計(jì)，見表1。表1中可以看到，借款人平均借款金額為190508.9元，最少3萬元，最多50萬元，跨越幅度很大，因此有很大的標(biāo)準(zhǔn)差105363.4，表示借款金額波動很大。在63899個(gè)樣本中，所有人的借款期限都至少在一年以上，沒有短期借款，偏向于長期貸款。借款人的年齡分布也較廣，覆蓋了25歲到59歲，平均40.93552歲。借款者從業(yè)時(shí)間最少1年，最多的則有39年，平均從業(yè)時(shí)間在6.058326年。這表明網(wǎng)上借貸的人大多是中年人，在事業(yè)或者家庭方面需要較多資金用來經(jīng)營周轉(zhuǎn)或者消費(fèi)等。學(xué)歷水平平均是2.806382，最小為1，最大為5，可以大致看出網(wǎng)上借貸的人群學(xué)歷至少都在高中或中專水平以上。

表1 主體變量描述統(tǒng)計(jì)表

4.2 Logistic回歸分析

在進(jìn)行Logistic回歸前，首先檢驗(yàn)變量間的是否存在多重共線性。為了判斷多重共線性，計(jì)算變量間的相關(guān)矩陣，由于篇幅原因未給出相關(guān)矩陣表，感興趣的可向作者索要。從相關(guān)系數(shù)矩陣可以看出只有房貸和房產(chǎn)之間的相關(guān)系數(shù)達(dá)到了1，存在共線性。因此為了盡可能減小兩個(gè)變量間的共線性對Logistic回歸結(jié)果的影響，本文在做Logistic回歸時(shí)會刪去有無房貸，即去除?_這一變量。

表2 Logistic回歸結(jié)果

剔除此變量后，得到Logistic回歸結(jié)果見表2。從表2的Lo gistic回歸結(jié)果來看，可以發(fā)現(xiàn)所有解釋變量都會顯著影響因變量年化利率t，并且所有變量顯著性水平都在5%水平之上。在回歸結(jié)果中，借款標(biāo)的方面借款金額越多網(wǎng)貸平臺越可能對借款人收取較高利率，但這種影響相較于其他變量來說很微弱。借款期限越長，平臺則傾向于為借款者設(shè)定較低利率。另一方面對于借款人信息，平臺設(shè)定借貸利率時(shí)，相比男性，女性借貸者的年化利率要偏高一些。年齡越大，從業(yè)時(shí)間越久，還款來源是工資收入的借款者，其借款的年化利率也傾向于更低些，這說明平臺更偏愛工作穩(wěn)定，成熟的男性借款人。碩士及以上學(xué)歷的人相比初中及以下學(xué)歷的借款者會有較低的借款利率。已婚借貸人在網(wǎng)貸平臺借款的利率會高于未婚、離婚及喪偶人士。另外如果借貸人沒有個(gè)人獨(dú)立的房產(chǎn)，那么借款利率會低于有獨(dú)立房產(chǎn)的借貸人。是否已婚及是否擁有獨(dú)立房產(chǎn)從一方面反映了個(gè)人的收入水平，已婚和擁有獨(dú)立房產(chǎn)可從側(cè)面說明個(gè)人或家庭收入較高。這兩方面綜合表明個(gè)人收入水平低的，借款利率相對較低，收入水平高的，平臺為了盈利會對這類人設(shè)定較高利率，從中收取更多手續(xù)費(fèi)。最后從貸款近6個(gè)月內(nèi)貸款人的最高逾期次數(shù)來看，逾期次數(shù)越高，平臺則會對這類借款者設(shè)定較高利率。這也是網(wǎng)貸平臺對借款人信用風(fēng)險(xiǎn)的一種識別手段，從借貸人角度來說，這增加了更高的逾期成本。

5 結(jié)論及意義

本文通過網(wǎng)絡(luò)爬蟲對網(wǎng)貸平臺友金服進(jìn)行數(shù)據(jù)挖掘，抓取了6 3899條借款信息，并采用Logistic模型對網(wǎng)貸平臺借貸利率的影響因素進(jìn)行了實(shí)證分析。平臺比較青睞于年齡成熟，工作穩(wěn)定，有固定工資的男性借貸人。網(wǎng)貸平臺或多或少會存在學(xué)歷歧視現(xiàn)象，即借款人學(xué)歷越高，借款利率較低。已婚和擁有房產(chǎn)的人士進(jìn)行借款會面臨較高利息。

本文最大的研究意義在于把研究P2P網(wǎng)絡(luò)借貸的著眼點(diǎn)放在了平臺利率的決定因素上，這與目前P2P網(wǎng)貸的主流研究領(lǐng)域不一樣，豐富了這一領(lǐng)域的研究范圍。從網(wǎng)貸平臺借款人信息的微觀層面研究其對借貸利率的影響，找出了對借貸利率有顯著影響的因素，為以后綜合微觀數(shù)據(jù)信息、網(wǎng)貸平臺的競爭機(jī)制及銀行借款利率對借貸利率決定機(jī)制的研究提供了參考。