◎趙莉娜 周丹

引言

利用網(wǎng)絡(luò)與通訊技術(shù)，網(wǎng)絡(luò)借貸拓展了傳統(tǒng)金融機(jī)構(gòu)營(yíng)業(yè)的地理限制，降低了交易成本，在業(yè)務(wù)上提高了金融交易的包容性（謝平等，2015；王博等，2017）。

但傳統(tǒng)研究認(rèn)為，“距離”是金融機(jī)構(gòu)向借款人提供資金等金融服務(wù)時(shí)會(huì)考慮的重要因素之一。如Petersen and Rajan(2002)的研究證明，銀行在向小企業(yè)提供貸款時(shí)會(huì)更關(guān)注與借款人的距離遠(yuǎn)近。Guiso et al.(2004)的經(jīng)典研究也認(rèn)為，距離因素對(duì)于銀行業(yè)務(wù)來說是至關(guān)重要的。而“距離”不僅表現(xiàn)為地理空間上的遠(yuǎn)近，而且也體現(xiàn)在文化、傳統(tǒng)和信用環(huán)境等方面的相似性。Hahn(2014)、Fisman et al.(2017)等研究發(fā)現(xiàn)，借貸雙方間的文化相似性(Cultural Proximity)會(huì)有助于提升貸款規(guī)模，保證貸款質(zhì)量和減少貸后的違約風(fēng)險(xiǎn)。Giannetti and Yafeh(2012)和Beck et al.(2018)的研究證明，銀行的貸款規(guī)模、利率及銀行的貸款決策都會(huì)顯著受到交易雙方文化相似性(Culture similarity)或文化距離(Culture Distance)的影響。

對(duì)于處于體制外的民間金融交易來說1，其借貸契約也多遵從地域性的“鄉(xiāng)規(guī)”“俗例”，多依賴血緣、地緣或熟人網(wǎng)絡(luò)來保證借貸交易的達(dá)成與風(fēng)險(xiǎn)控制2（彭凱翔等，2008；張龍耀等，2013；張博、范辰辰，2018）。如根據(jù)張博、范辰辰（2018）的調(diào)查，小額貸款公司本地員工的占比為95.7%，總經(jīng)理為本地人的比率達(dá)到95.5%，89%的小貸業(yè)務(wù)需要熟人推薦，保證貸款的占比為76%，熟人貸款的占比則達(dá)到了63%。而在網(wǎng)絡(luò)貸款平臺(tái)的平穩(wěn)發(fā)展時(shí)期，其與小額貸款公司類似，在其所促成的信用貸款交易中，借貸雙方也都有著明顯的本地化傾向(Lin and Viswanathan， 2015) 。

隨著我國(guó)信用制度與信用環(huán)境的不斷改善，在當(dāng)前許多金融科技的交易場(chǎng)景中（包括網(wǎng)絡(luò)借貸），信用要素已經(jīng)取代抵質(zhì)押物成為融資者獲取金融資源支持的唯一條件。信用環(huán)境越好，銀行越會(huì)降低企業(yè)和個(gè)人的融資擔(dān)保要求，而發(fā)放更多消費(fèi)貸款和信用貸款（Biggart and Castanias， 2001；錢先航、曹春方，2013）。如Guiso et al.(2004， 2008)的研究證實(shí)，地方金融發(fā)展中的信用環(huán)境、社會(huì)資本，對(duì)于制度不完善的地區(qū)來說作用更為明顯3。Ang et al.(2009)也指出，在法律執(zhí)行弱的地區(qū)，社會(huì)資本（含信用要素）發(fā)揮了保證金融交易順利達(dá)成的關(guān)鍵作用。因此，通過信用制度環(huán)境，地方金融發(fā)展的實(shí)質(zhì)性經(jīng)濟(jì)影響也會(huì)得到越來越多的表現(xiàn)（潘越等，2010）。

如前所述，本文從網(wǎng)絡(luò)借貸訂單的微觀影響因素著眼，實(shí)證研究地方金融發(fā)展是否在宏觀經(jīng)濟(jì)影響之外，在微觀層面依然會(huì)顯著影響網(wǎng)絡(luò)借款訂單的達(dá)成、借款金額和借款利率等。針對(duì)長(zhǎng)尾借款群體，互聯(lián)網(wǎng)金融的網(wǎng)絡(luò)借貸業(yè)務(wù)是否已擺脫了地方金融要素的地域限制？處于金融科技時(shí)代的普惠金融，互聯(lián)網(wǎng)金融的業(yè)務(wù)是否會(huì)降低了地方金融發(fā)展的重要性？這些問題契合了對(duì)于互聯(lián)網(wǎng)金融創(chuàng)新業(yè)務(wù)發(fā)展的反思，在現(xiàn)有文獻(xiàn)中也少有專門與系統(tǒng)的實(shí)證研究，本文研究的新貢獻(xiàn)主要體現(xiàn)在：1.從網(wǎng)絡(luò)借款訂單的微觀視角，從“借貸可得性”“借款金額”“借貸成本”三方面，實(shí)證檢驗(yàn)了地方金融發(fā)展作用于網(wǎng)絡(luò)金融交易的經(jīng)濟(jì)影響；2.將金融發(fā)展的影響歸結(jié)為了對(duì)借款人信用信息的甄別機(jī)制；3.針對(duì)長(zhǎng)尾群體的借款需求，強(qiáng)調(diào)要在信用建設(shè)的基礎(chǔ)上，利用信用信息的收集、傳播、甄別和利用，實(shí)現(xiàn)金融科技與信用建設(shè)的結(jié)合、信用資本與融資需求的結(jié)合、網(wǎng)貸交易與地方金融協(xié)同發(fā)展的結(jié)合。

理論框架與實(shí)證設(shè)計(jì)

金融發(fā)展對(duì)互聯(lián)網(wǎng)金融的參與率和微觀層面的交易成本都存在著影響4，而隨著信息化的發(fā)展，伴隨著金融組織結(jié)構(gòu)和信息獲取方式的變革，傳統(tǒng)金融發(fā)展與互聯(lián)網(wǎng)金融之間的替代效應(yīng)變得更強(qiáng)，網(wǎng)絡(luò)借貸方式已成為長(zhǎng)尾借款群體選擇融資渠道的一項(xiàng)新選擇（王博等，2019）。

網(wǎng)絡(luò)借貸平臺(tái)（包括但不限于P2P）的定位是信息服務(wù)中介，在借貸市場(chǎng)上它向投資人提供了兩類借款人的信息，其一是標(biāo)準(zhǔn)化的硬信息，傾向于反映借款人是否具備了充足的還款能力；其二是記錄信用歷史的軟信息，側(cè)重于反映借款人是否擁有信用歷史和是否養(yǎng)成并保持了恪守誠(chéng)信的金融交易習(xí)慣。這兩類信息構(gòu)成了借款人在網(wǎng)絡(luò)交易平臺(tái)上的無(wú)形資產(chǎn)和信譽(yù)符號(hào)，通過相互補(bǔ)充5和支持，網(wǎng)貸平臺(tái)實(shí)現(xiàn)了交易型貸款（基于硬信息）和關(guān)系型貸款（基于軟信息）的技術(shù)結(jié)合，達(dá)到了向長(zhǎng)尾借款群體提供必要金融支持的目的（王博等，2017）。地方金融發(fā)展作為金融借貸活動(dòng)的外部環(huán)境和制度載體，其對(duì)網(wǎng)貸借款訂單的影響作用，主要是通過信號(hào)機(jī)制來改變交易主體的決策和選擇而實(shí)現(xiàn)。

因此，地方金融發(fā)展作為外在的環(huán)境與條件制約，會(huì)顯著影響交易者個(gè)人的收入、消費(fèi)、金融意識(shí)及金融習(xí)慣，這些逐步累積會(huì)變成交易者個(gè)人的財(cái)富與信用資本（吳晶妹，2013）。在參與網(wǎng)貸交易時(shí)，借款人的信用信息（包括硬信息和軟信息）會(huì)通過P2P平臺(tái)而實(shí)現(xiàn)低成本的有效傳播，這些將影響和決定借款人能否成功獲得借款，以及能獲得多大規(guī)模的資金融通。

由于金融發(fā)展對(duì)借貸交易微觀影響的機(jī)制，在于借款人所擁有的信用信息質(zhì)量，因此對(duì)于不同信用水平的借款人來說，地方金融發(fā)展對(duì)其參與網(wǎng)絡(luò)借貸的影響也將會(huì)表現(xiàn)出差異化的效應(yīng)。比如，擁有硬信息的借款人，其可能較少受到金融發(fā)展的外在約束；而如果缺乏必要和過硬的信用信息，借款人則將可能直接受制于金融發(fā)展及其信用環(huán)境的缺失，而大大降低其參與網(wǎng)絡(luò)借貸的可能性，以及借款的成功率。

由此本文給出假設(shè)1（借貸可得性）：地方金融發(fā)展水平越高，借款人獲取網(wǎng)貸借款的成功概率也越高，其系數(shù)估計(jì)顯著為正；地方金融發(fā)展對(duì)借款人網(wǎng)貸借款成功率的影響，會(huì)隨著借款人信用水平的提高而呈現(xiàn)邊際效應(yīng)遞減，也就是說，對(duì)于擁有不同信用水平的借款人，地方金融發(fā)展所發(fā)揮的影響將是非對(duì)稱的。

由于我國(guó)區(qū)域經(jīng)濟(jì)顯著存在著空間關(guān)聯(lián)性（陳秀山、張可云，2005；張曉旭、馮宗憲，2008；潘文卿，2012等）6，為控制其對(duì)實(shí)證結(jié)果的可能影響，本文實(shí)證模型也將采用空間計(jì)量的模型形式，以保證實(shí)證結(jié)果的穩(wěn)健。

由此而構(gòu)建的實(shí)證模型為：

其中state為虛擬變量，1表示借款人借款成功，0表示借款不成功；fin_local代表地方金融發(fā)展的指標(biāo)；h_info表示借款人的標(biāo)準(zhǔn)化可驗(yàn)證硬信息；rep代表反映借款人信用歷史的軟信息；Z為其他控制變量。而本文實(shí)證模型的空間計(jì)量形式將根據(jù)實(shí)際參數(shù)檢驗(yàn)的結(jié)果來設(shè)置7。

在增加借款金額的機(jī)制方面，金融發(fā)展和借款人硬信息會(huì)形成正向的相互影響。即借款人的個(gè)人信用狀況越好，地方金融發(fā)展發(fā)揮微觀借貸影響的作用才會(huì)越強(qiáng)；而當(dāng)?shù)胤浇鹑诎l(fā)展越健康，規(guī)模、質(zhì)量都有提高的情形下，網(wǎng)貸借款人的信用聲譽(yù)，也將會(huì)得到更有效的傳播。結(jié)果是，地方金融發(fā)展與借款人的標(biāo)準(zhǔn)化硬信息會(huì)形成正向互補(bǔ)的協(xié)同效應(yīng)，會(huì)顯著提高借款人所可能獲取的借款額度。

由此提出假設(shè)2（借款深度）：地方金融發(fā)展會(huì)顯著影響借款人的借款金額；地方金融發(fā)展與借款人標(biāo)準(zhǔn)化硬信息的交叉項(xiàng)，其系數(shù)估計(jì)值將顯著為正。

實(shí)證模型的設(shè)定為：

其中In_amount是借款人所獲借款金額的對(duì)數(shù)值。

地方金融環(huán)境中的信用環(huán)境越好，借款、融資擔(dān)保的要求就會(huì)相對(duì)越少，消費(fèi)貸款和信用貸款的發(fā)放也會(huì)相應(yīng)更多8（Biggart and Castanias， 2001；錢先航、曹春方，2013）。但信用環(huán)境須在個(gè)人信用信息充足的情況下，才能顯著降低借款人的借貸成本。也即地方金融發(fā)展作為網(wǎng)貸交易的外部環(huán)境和制度載體（如信用制度），其影響微觀借貸交易的渠道仍是依賴對(duì)信用信息的傳播與鑒別。對(duì)于擁有充足標(biāo)準(zhǔn)化硬信息的借款人來說，地方金融、信用環(huán)境越良好，借款人就會(huì)獲得更優(yōu)惠的借款條件，更有利于降低網(wǎng)貸借款的籌資成本。

由此提出假設(shè)3（借貸成本）：地方金融發(fā)展指標(biāo)與借款人標(biāo)準(zhǔn)化硬信息的交互項(xiàng)，系數(shù)估計(jì)顯著為負(fù)，即金融發(fā)展降低借貸成本的作用條件是借款人自身的信用信息質(zhì)量。

實(shí)證模型表示為：

其中interest是借款人所報(bào)的借款利率，為年化的利率指標(biāo)。

變量與描述性統(tǒng)計(jì)

1.主要變量及數(shù)據(jù)來源

P2P網(wǎng)貸平臺(tái)以信用貸款業(yè)務(wù)為主，對(duì)抵質(zhì)押或擔(dān)保物的要求不高，且又借助于互聯(lián)網(wǎng)平臺(tái)來進(jìn)行交易，因而受到了實(shí)體經(jīng)濟(jì)中面臨融資約束群體的青睞，在2007年后經(jīng)歷了較大規(guī)模的發(fā)展（柏亮、李耀東，2015）。網(wǎng)貸平臺(tái)數(shù)據(jù)，一方面為本文的實(shí)證提供了很充分的交易金融數(shù)據(jù)，另一方面也契合本文對(duì)于互聯(lián)網(wǎng)微觀主體借貸與地方金融（環(huán)境）發(fā)展間關(guān)系的研究目標(biāo)設(shè)計(jì)。本文利用爬蟲技術(shù)，爬取并整理了“人人貸”平臺(tái)2011年“散標(biāo)”借款人的微觀借貸數(shù)據(jù)，訂單編號(hào)范圍從00001到20000。此段時(shí)間的借貸交易屬于包括“人人貸”平臺(tái)在內(nèi)的P2P網(wǎng)貸業(yè)務(wù)的規(guī)范且平穩(wěn)的發(fā)展時(shí)期，數(shù)據(jù)信息能更有利于反映微觀信貸交易的影響因素及其本質(zhì)性規(guī)律。

按文獻(xiàn)和研究的邏輯，本文實(shí)證的被解釋變量，分為“是否借款成功”state（信貸可得性，借款成功取值為1，否則取值為0），“借款金額”amount（信貸深度，借款的金額大小，回歸時(shí)其值取對(duì)數(shù)）和“借款利率”interest（融資成本，借款的年化利率，且符合借貸利率的上下限制）三個(gè)類別。這三個(gè)類別分別衡量了網(wǎng)絡(luò)借貸的金融普惠特性，反映了不同的借貸特征。

關(guān)于解釋變量，包括：（1）借款人的信用特征變量，分為12項(xiàng)指標(biāo)。具體為①性別(gender)，女性取值為0，男性取值為1；②借款人年齡(age)；③婚姻狀況(marriage)，未婚取值為0，其他取值為1；④學(xué)歷(education)，類別變量，按高中或以下、大專、本科和研究生或以上，依次賦值為1～4；⑤收入水平(income)，按月收入2000元以下、2000～5000元、5000～10000元、10000～20000元和20000元以上，依次賦值為1～5；⑥工作年限(experience)，按1年以下、1～3年、3～5年和5年以上，依次賦值為1～4；⑦借款類型(type)，根據(jù)借款人工作職位、從事行業(yè)和所在公司規(guī)模等信息，采用文本分析的方法將借款類型分為工薪貸、網(wǎng)商貸和私營(yíng)企業(yè)主貸，依次賦值為1～3；⑧房產(chǎn)(house)，擁有房產(chǎn)取值為1，否則為0；⑨房貸(house_debt)，背負(fù)房貸取值為1，否則取值為0；⑩車產(chǎn)(car)，擁有車產(chǎn)取值為1，否則為0；車貸(car_debt)，持有車貸取值為1，否則取值為0；信用等級(jí)(credit_rate)，即借款人的信用狀況，劃分為AA、A、B、C、D、E和HR共7個(gè)等級(jí)。

（2）地方金融發(fā)展，分為2項(xiàng)指標(biāo)。分別是①傳統(tǒng)的金融發(fā)展指標(biāo)(loan_gdp)，利用各借款人所在地市（及以上城市）的“貸款余額/GDP”指標(biāo)來進(jìn)行衡量9；以及②信用環(huán)境指數(shù)(credit_sc)，數(shù)據(jù)來源于中國(guó)城市商業(yè)信用環(huán)境指數(shù)網(wǎng)站(http://www.chinacei.org)，反映了各借款人所在地市（及以上城市）的金融誠(chéng)信環(huán)境。

（3）借款人信用記錄，包含2項(xiàng)指標(biāo)，分別是歷史借款成功率（hbs）和歷史還清借款比率（payoff）10，用以衡量借款人累積的“軟性”信用信息。根據(jù)金融借貸聲譽(yù)理論，借款人在借貸過程中積累的聲譽(yù)，能夠降低今后交易的信息不對(duì)稱程度、減少信息的傳遞成本；聲譽(yù)的約束激勵(lì)機(jī)制還會(huì)抑制借款人的投機(jī)行為，減小貸后的道德風(fēng)險(xiǎn)，促使借款人能夠按時(shí)地足額還款（Kreps and Wilson， 1982；李延喜等，2010）。

（4）其他變量。包括：①借款期限(term)，以月度為單位，期限變化范圍從3個(gè)月到36個(gè)月；②借款人所在省份(prov)，排除掉港澳臺(tái)地區(qū)的借款人（因受其他數(shù)據(jù)來源的限制），所剩共31個(gè)省市區(qū)，以虛擬變量來控制借款人所在地的省份效應(yīng)；③借款人所在城市(city)11，是借款人所在地級(jí)及以上城市，也是測(cè)算借款人所在地方金融發(fā)展指標(biāo)的地域范圍；④中國(guó)各地市的地理坐標(biāo)，由地理坐標(biāo)而計(jì)算的各地市間兩兩距離的倒數(shù)，以及由此而構(gòu)造形成的“空間權(quán)重矩陣”(W)。

2.“修正信用評(píng)分(h_info)”指標(biāo)的計(jì)算

網(wǎng)貸平臺(tái)的信用評(píng)價(jià)主要是依賴借款人可供驗(yàn)證、且標(biāo)準(zhǔn)化的“硬”信息來進(jìn)行信用質(zhì)量的判別，比如身份認(rèn)證、收入認(rèn)證和工作認(rèn)證等。而一些網(wǎng)貸平臺(tái)，比如“人人貸”，同時(shí)還制定了加減分的規(guī)則12，以實(shí)現(xiàn)對(duì)借款人信用評(píng)級(jí)的動(dòng)態(tài)調(diào)整。限于數(shù)據(jù)的可得性，我們需要參照孫永苑等（2016）和王博等（2017）的辦法，利用模型回歸來進(jìn)行估算借款人經(jīng)過修正后的信用評(píng)分(h_info)。這一修正后的信用評(píng)分不僅更準(zhǔn)確地評(píng)價(jià)了借款人的信用狀況，而且也成為匯總了借款人信用特征信息的一項(xiàng)新指標(biāo)，即借款人可驗(yàn)證的“硬”信息（可信的信用信息）。

解釋變量中信用等級(jí)(credit_rate)指標(biāo)，其AA、A、B、C、D、E和HR七個(gè)等級(jí)對(duì)應(yīng)的信用評(píng)分范圍分別為210+、180～209、150～179、130～149、110～129、100～109和0～99。已有文獻(xiàn)的做法是選取借款人的信用評(píng)分作為被解釋變量，然后對(duì)借款人的信用特征變量（前11項(xiàng)指標(biāo)）進(jìn)行回歸，回歸的殘差項(xiàng)即為剔除了借款人標(biāo)準(zhǔn)信用信息（硬信息）影響后的、針對(duì)信用評(píng)分的動(dòng)態(tài)調(diào)整項(xiàng)（加減分?jǐn)?shù)項(xiàng)），而模型回歸的擬合值也即為我們需要估算的，經(jīng)修正后的借款人信用評(píng)分(h_info)。

式中的scoreij為“人人貸”平臺(tái)對(duì)借款人的原始信用評(píng)分，i代表省份，j代表個(gè)體借款人；h_infoij為借款人的各項(xiàng)信用特征變量；ei是所在省份的虛擬變量。

3.變量的描述性統(tǒng)計(jì)與空間自相關(guān)檢驗(yàn)

表1對(duì)本文的主要變量，包含解釋變量和被解釋變量進(jìn)行了描述性統(tǒng)計(jì)，從表中所反映的統(tǒng)計(jì)信息，可初步發(fā)現(xiàn)如下一些網(wǎng)絡(luò)借貸的表象特征：（1）在網(wǎng)貸平臺(tái)規(guī)范、平穩(wěn)的發(fā)展時(shí)期，網(wǎng)絡(luò)借款訂單的成功概率平均值并不高，為13.33%。即每100個(gè)借款人大約平均只有13人可成功獲得借款；（2）從借款人修正后的信用評(píng)分(h_info)，歷史借款成功率(hbs)和歷史還清借款比率(payoff)的分布情況可以看出，借款人的“硬”信用信息和“軟”信用信息的中位數(shù)均小于其均值，反映借款人擁有較理想信用狀況的人偏少，這符合網(wǎng)貸市場(chǎng)長(zhǎng)尾人群所具有的信用狀況特征，表明他們既不擁有過硬的標(biāo)準(zhǔn)化資產(chǎn)或收入，同時(shí)也未積累起來太多軟性、優(yōu)良的信用記錄，在金融的信貸市場(chǎng)上處于弱勢(shì)和受排斥的地位；（3）地方金融發(fā)展指標(biāo)中，信用環(huán)境指數(shù)(credit_sc)的分布較對(duì)稱，而金融發(fā)展指標(biāo)(loan_gdp)則呈現(xiàn)為右偏分布，反映我國(guó)地方金融發(fā)展存在著較明顯的分化特征；（4）借款金額(amount)、借款利率(interest)和借款期限(term)的統(tǒng)計(jì)特征則顯示，網(wǎng)貸借款成交的多是金額?。〝?shù)千元）、期限短（6個(gè)月以內(nèi)）而借款成本相對(duì)較高（年化10%左右）的信用貸款。這一方面反映了網(wǎng)絡(luò)借貸借款人在交易中所處的交易地位及其融資偏好，另一方面也間接表明地方正規(guī)金融機(jī)構(gòu)在服務(wù)當(dāng)?shù)貙?shí)體經(jīng)濟(jì)與中小微借款人時(shí)所可能存在的欠缺（見表1）。

同時(shí)，本文也利用爬蟲技術(shù)爬取到了全國(guó)288個(gè)地級(jí)市的經(jīng)緯度坐標(biāo)數(shù)據(jù)，由于樣本中參與了網(wǎng)貸交易的城市只涉及188個(gè)，因此本文構(gòu)造的空間權(quán)重矩陣的維數(shù)即為188。利用空間權(quán)重矩陣，表2計(jì)算匯報(bào)了部分存在空間自相關(guān)變量的檢驗(yàn)結(jié)果。表格顯示，state、hbs和payoff都顯著存在著正空間自相關(guān)，即在交易結(jié)果和借款人的信用聲譽(yù)形成方面，網(wǎng)絡(luò)借貸存在著支持交易空間關(guān)聯(lián)的統(tǒng)計(jì)證據(jù)，這也為進(jìn)一步空間實(shí)證分析提供了前提（見表2）。

表2 ：變量空間自相關(guān)檢驗(yàn)結(jié)果

表1：各變量的描述性統(tǒng)計(jì)值

表3：網(wǎng)貸借款的微觀影響因素模型

實(shí)證分析結(jié)果

按本文實(shí)證設(shè)計(jì)的安排，本文實(shí)證分析按照“不考慮地方金融發(fā)展的基本模型——考慮金融發(fā)展的擴(kuò)展模型——針對(duì)‘借款深度’的擴(kuò)展模型——針對(duì)‘借款成本’的擴(kuò)展模型”的順序依次遞進(jìn)展開。

1. 不考慮地方金融發(fā)展的基本模型

在表3中反映了網(wǎng)貸平臺(tái)借款成功與否的微觀實(shí)證分析結(jié)果，回歸所應(yīng)用的基本實(shí)證模型是二元選擇模型的Probit估計(jì)。表3中的第1、第2列是普通Probit模型，借款人的信用軟信息，分別采用的是“歷史借款成功率（hbs）”和“歷史還清借款比率（payoff）”作為解釋變量，回歸結(jié)果與文獻(xiàn)和理論描述一致?；镜陌l(fā)現(xiàn)是，借款人硬信用信息的代理變量“修正后信用評(píng)分”能充分反映借款人是否具備還款能力，能夠正向影響其獲取借款的可能性，回歸系數(shù)0.01也均在1%的顯著性水平下顯著為正。與之相似，借款人的信用歷史信息作為借款申請(qǐng)的軟信用信息，其發(fā)揮的作用與“修正后信用評(píng)分”形成了聲譽(yù)信號(hào)理論中的互補(bǔ)關(guān)系。一方面它們反映了借款人是否具備信用意識(shí)，是否有著良好的還款習(xí)慣，借款后能否保證穩(wěn)定的按期足額還款；另一方面信用軟信息hbs和payoff也表示了借款人與網(wǎng)貸借款間的緊密關(guān)系，是借款人進(jìn)一步在網(wǎng)貸平臺(tái)借款的重要無(wú)形資產(chǎn)，它們的回歸系數(shù)也都在1%的顯著性水平下顯著為正。硬信息h_info和軟信息hbs、payoff間的交互項(xiàng)分別都在1%的顯著性水平下顯著為負(fù)，說明對(duì)于不同信用水平的借款人，比如信用評(píng)分高和信用評(píng)分低的借款人相對(duì)比，有一定長(zhǎng)度且良好的信用記錄，對(duì)于欠缺標(biāo)準(zhǔn)化硬資產(chǎn)的借款人來說，其對(duì)成功借款的作用和意義更大；反之，對(duì)于擁有不同信用狀況記錄的借款人來說，修正后的信用評(píng)分（及硬信息h_info）所起到的作用也是非對(duì)稱的，兩者在作用機(jī)制上能構(gòu)成一定的互補(bǔ)關(guān)系。第1、第2列的偽R方分別達(dá)到0.797和0.776，LR統(tǒng)計(jì)量也都在1%的顯著性水平下顯著，模型的整體顯著性程度較高。

由于借款人和借款類型的差異較大，借款金額、借款期限的變化范圍較廣，因而針對(duì)借款人個(gè)體進(jìn)行的Probit回歸可能會(huì)受到異方差的影響，表3第3、第4列給出了允許異方差設(shè)定的Hetprobit模型回歸結(jié)果13。如表所示，異方差檢驗(yàn)的結(jié)果證明存在著異方差，檢驗(yàn)結(jié)果均在1%的顯著性水平下拒絕了同方差的原假設(shè)。但第3、第4列的回歸結(jié)論卻并未發(fā)生實(shí)際變化，兩列中各解釋變量的系數(shù)大小仍然與Probit回歸基本保持一致，顯著性也都在1%的水平下系數(shù)顯著。

普通的Probit模型可能還存在遺漏變量，如借款人的其他債務(wù)信息14，它可能與借款人的修正后信用評(píng)分(h_info)、借款成功的可能性(state)都存在著相關(guān)關(guān)系，從而導(dǎo)致實(shí)證模型的內(nèi)生性問題，并進(jìn)一步而導(dǎo)致了有偏的模型估計(jì)。為解決遺漏變量所可能導(dǎo)致的錯(cuò)誤模型估計(jì)，表3中的第5、第6列進(jìn)行了基于工具變量的Ivprobit模型估計(jì)。本文選擇了兩個(gè)不同的變量作為修正后信用評(píng)分h_info的工具變量，其一是參照尹志超等（2014）、Du et al. (2014)和王博等（2017）所應(yīng)用的方法，利用借款人所在省份，并且相同年份和相同收入層次的其他借款人所擁有的平均汽車數(shù)量作為內(nèi)生變量（即本文的h_info）的工具變量；其二是利用“人人貸”平臺(tái)的借款人信用評(píng)分（score）作為h_info的工具變量，理由是score與h_info存在著直接相關(guān)關(guān)系，但score作為歷史和滯后變量，并不會(huì)通過其他渠道來影響投資人的貸款決策。表中Wald內(nèi)生性檢驗(yàn)的結(jié)果均顯著（1%水平下顯著），表明本文對(duì)內(nèi)生性變量的判斷是正確的，工具變量的選取也較為合理。Ivprobit模型估計(jì)的結(jié)果在考慮了內(nèi)生性問題的影響后，系數(shù)回歸的結(jié)果與前4列依然保持一致，基本結(jié)論不變，只是系數(shù)估計(jì)值的絕對(duì)值有了一定幅度的提高。

主要控制變量的回歸結(jié)果也印證了已有文獻(xiàn)對(duì)于網(wǎng)貸借款利率、規(guī)模和期限等訂單特征的發(fā)現(xiàn)結(jié)論（王博等，2017），如借款利率interest對(duì)借款成功概率state的影響具有非線性的、呈現(xiàn)倒U型的變化規(guī)律；借款金額log_amount的影響在1%的水平下顯著為正；借款期限(term)的增加則基本顯著降低了借款人獲取相同條件借款的概率大小。

表4：地方金融發(fā)展影響下的網(wǎng)貸借款影響因素模型

2. 考慮金融發(fā)展的擴(kuò)展模型

在網(wǎng)貸借款微觀影響因素模型的基礎(chǔ)上，表4中加入地方金融發(fā)展作為理論與實(shí)證模型的擴(kuò)展。如本文理論分析部分所說明的，地方金融發(fā)展作為金融借貸活動(dòng)的外部環(huán)境和制度載體，其會(huì)影響甚至改變交易主體的決策與選擇。表4中的結(jié)果顯示，地方金融發(fā)展loan_gdp會(huì)提高借款人獲取網(wǎng)貸借款的可能性，但模型的設(shè)定必須要正確，如表4的第5列和第6列，即需要在考慮模型內(nèi)生性的基礎(chǔ)上來構(gòu)建和估計(jì)模型。loan_gdp表示的是當(dāng)?shù)兀ǖ丶?jí)市以上）金融機(jī)構(gòu)貸款總額占當(dāng)?shù)谿DP的比率，該指標(biāo)衡量了地方總體的金融發(fā)展水平，是對(duì)當(dāng)?shù)亟鹑跈C(jī)構(gòu)和金融業(yè)務(wù)整體規(guī)模的一項(xiàng)度量。表4中的回歸結(jié)果顯示，借款人所在城市的金融發(fā)展水平越高，那么他即使是通過理論上無(wú)地域限制的網(wǎng)貸平臺(tái)來進(jìn)行借款，獲取借款的成功概率也要相對(duì)更高。其中的機(jī)制是因?yàn)榻鹑诎l(fā)展作為金融交易主體的外在環(huán)境與條件制約，會(huì)顯著影響交易者個(gè)人的收入、消費(fèi)、金融意識(shí)和金融習(xí)慣，這些又會(huì)逐步累積并形成交易主體的個(gè)人財(cái)富與信用資本（吳晶妹，2013）。當(dāng)參與網(wǎng)貸交易時(shí)，借款人擁有的“個(gè)人財(cái)富與信用資本”就會(huì)轉(zhuǎn)化為低成本傳播的、標(biāo)準(zhǔn)化的信用硬信息和反映歷史、記錄的信用軟信息，這些最后都將決定借款人能否成功獲得網(wǎng)貸借款(state)，以及他能獲得多大規(guī)模的信用資金支持(log_amount)。

值得注意的是，地方金融發(fā)展loan_gdp和借款人修正后信用評(píng)分h_info的交互項(xiàng)系數(shù)，都在1%的顯著性水平下顯著為負(fù)，這也從另一側(cè)面進(jìn)一步佐證了本文的上述觀點(diǎn)。loan_gdp和h_info都是正向影響借款人的借款概率，它們的交互項(xiàng)卻顯著為負(fù)，這反映金融發(fā)展loan_gdp對(duì)借款人網(wǎng)貸借款成功(state)的影響，會(huì)隨著借款人修正后信用評(píng)分(h_info)的提高而呈現(xiàn)出邊際效應(yīng)的遞減。這也即是說對(duì)于擁有不同信用硬信息(h_info)的借款人，地方金融發(fā)展(loan_gdp)的作用將是非對(duì)稱性的。掌握充分硬信息的借款人，金融發(fā)展對(duì)其施加的影響、約束將會(huì)比較有限，反之，對(duì)于不掌握關(guān)鍵和必要信用硬信息的借款人來說，地方經(jīng)濟(jì)金融乃至信用環(huán)境的發(fā)展變化，則可能直接決定了他尋求借貸交易成功的可能性。因此可以認(rèn)為，在增加長(zhǎng)尾借款人的貸款可得性方面，地方金融發(fā)展(loan_gdp)和借款者個(gè)人信用信息(h_info)可以進(jìn)行必要的相互補(bǔ)充，借款人個(gè)人，可以通過積累自身的信用資本；政府與政策制定者，則可以配合以改善的地方金融發(fā)展，來協(xié)同達(dá)到金融普惠和緩解小微經(jīng)濟(jì)融資難的目的。

表4中其他解釋變量的符號(hào)與顯著性與表3所得的結(jié)論基本一致，回歸結(jié)果都保持穩(wěn)健。

3. 針對(duì)“借款深度”的擴(kuò)展模型

由于借款不成功的借款訂單顯示的借款金額都為零，因此對(duì)借款金額(log_amount)進(jìn)行建模，需要使用以零為左歸并點(diǎn)的歸并回歸。表5采用的是基于Tobit模型的實(shí)證方法，第1、第2列是普通Tobit回歸，第3、第4列則考慮了解釋變量的內(nèi)生性，采用了基于工具變量的Tobit回歸。并且經(jīng)heckman兩步法檢驗(yàn)，本文的樣本數(shù)據(jù)也并不存在顯著的樣本選擇偏誤，Tobit模型是合理的模型估計(jì)方法。

表5 ：網(wǎng)貸“借款深度”的影響因素模型

與借款可得性不同，表5對(duì)借款人“借款深度”的回歸結(jié)果顯示，地方金融發(fā)展(loan_gdp)和修正后信用評(píng)分(h_info)對(duì)借款金額(log_amount)的直接效應(yīng)均顯著為負(fù)，這表明在“人人貸”平臺(tái)上進(jìn)行借款的相對(duì)優(yōu)質(zhì)的借款人15更偏好資金規(guī)模小的借款，其資金用途主要用于短期周轉(zhuǎn)。還可能的解釋，是“人人貸”平臺(tái)上的投資人也同樣更偏愛規(guī)模小的借款訂單（王博等，2017），以控制和降低投資風(fēng)險(xiǎn)。

研究組患者在治療后食物嵌塞2例（4.4%），無(wú)咬合性接觸1例（2.2%），其他2例（4.4%），并發(fā)癥的總體發(fā)生率為11.1%，對(duì)照組患者在治療后食物嵌塞5例（11.1%），無(wú)咬合性接觸4例（8.9%），其他6例（13.3%），并發(fā)癥的總體發(fā)生率為33.3%，兩組患者的并發(fā)癥發(fā)生率比較，研究組患者的并發(fā)癥發(fā)生率低于對(duì)照組，差異具有統(tǒng)計(jì)學(xué)意義（χ2=5.598，P=0.017）。

表6：網(wǎng)貸“借款成本”的影響因素模型

在增加借款金額的機(jī)制方面，金融發(fā)展(loan_gdp)和借款人硬信息(h_info)都需要以對(duì)方作為自身發(fā)揮作用的條件。表5中二者的交互項(xiàng)均在1%水平下顯著為正，這說明借款人的個(gè)人信用狀況(h_info)越好，金融發(fā)展(loan_gdp)的功能作用才會(huì)越強(qiáng)；而當(dāng)?shù)胤浇鹑诎l(fā)展越健康、規(guī)模質(zhì)量都有改善的情況下，網(wǎng)貸借款人的信用聲譽(yù)，也才會(huì)得到更有效的傳播，并且獲取更大程度的認(rèn)可。表5中，屬于借款人信用軟信息的“歷史借款成功率（hbs）”和“歷史還清借款比率（payoff）”，其與借款人修正后信用評(píng)分(h_info)的相互作用關(guān)系也與金融發(fā)展(loan_gdp)類似，信用軟信息需要硬信息作為信息傳播的前提和基礎(chǔ)，在增加借款深度的功能上，“軟”、“硬”信用信息又需要相互依賴，并且表現(xiàn)出顯著為正（1%顯著性水平下顯著）的協(xié)同效應(yīng)。

控制變量中，借款利率interest和借款期限term都與借款深度(log_amount)顯著正相關(guān)，借款人需要為更多的融資額而付出更高的融資成本。表5中第3、第4列的Wald檢驗(yàn)顯著拒絕了外生解釋變量的原假設(shè)，工具變量估計(jì)(Ivtobit模型)是正確的選擇。

4. 針對(duì)“借款成本”的擴(kuò)展模型

金融發(fā)展是否還會(huì)影響微觀網(wǎng)貸交易的借款成本？表6列示了實(shí)證檢驗(yàn)的結(jié)果。經(jīng)過試驗(yàn)，本文針對(duì)借款人借款成本(interest)建模，所應(yīng)用的地方金融發(fā)展指標(biāo)選取的是借款人所在城市的信用環(huán)境指數(shù)(credit_sc)。也即是說，應(yīng)用信用環(huán)境指數(shù)(credit_sc)代理地方金融發(fā)展，更能反映金融資源和環(huán)境給予微觀金融交易成本的影響。

表6分別應(yīng)用了“OLS”“OLS+穩(wěn)健標(biāo)準(zhǔn)誤”和“工具變量法”來對(duì)借款成本的實(shí)證模型進(jìn)行估計(jì)，樣本只限借款成功的訂單。可以看到，雖然回歸方法存在差別，但模型回歸結(jié)果的總體結(jié)論卻始終保持一致。借款人所在城市的信用環(huán)境指數(shù)(credit_sc)和借款人自身的信用評(píng)分(h_info)在直接效應(yīng)上都增加了網(wǎng)貸借款的借款成本，這反映，在包括“人人貸”網(wǎng)貸平臺(tái)在內(nèi)的P2P借款業(yè)務(wù)中，借款人往往需要承擔(dān)更高的利息成本才能保證借款訂單成功滿標(biāo)。但是從credit_sc和h_info交互項(xiàng)系數(shù)的估計(jì)結(jié)果看，交互項(xiàng)系數(shù)在1%水平下顯著為負(fù)，說明信用環(huán)境(credit_sc)在個(gè)人信用(h_info)充足的情況下是能顯著降低借款人的借款成本的。這也再次說明，金融發(fā)展作為網(wǎng)貸交易的外部環(huán)境和制度載體（如信用制度等），它影響微觀金融交易的機(jī)制仍然是通過改變交易主體的信用信息質(zhì)量而得以實(shí)現(xiàn)，改善地區(qū)金融環(huán)境、建設(shè)信用制度體系的微觀基礎(chǔ)之一，也是改善信用主體的信用信息質(zhì)量。同理，如果地方信用環(huán)境越佳，擁有同樣標(biāo)準(zhǔn)化硬信息的借款人也會(huì)獲得更加優(yōu)惠的借款條件，更加有利于降低借貸成本。

表7：基于空間計(jì)量框架的實(shí)證分析結(jié)果

表6中，hbs和payoff的系數(shù)估計(jì)值在不同的回歸方法中都顯著為負(fù)（1%顯著性水平下），且系數(shù)絕對(duì)值還相對(duì)更大，即借款人信用軟信息在降低借款成本上的作用更明顯。作為反映借款人聲譽(yù)的信用軟信息，其成為了借貸交易中借款人最重要的“信用擔(dān)保”，它比標(biāo)準(zhǔn)化的硬信息，比單純的收入、財(cái)富還更加具有對(duì)還款承諾的保證。以“歷史借款成功率（hbs）”和“歷史還清借款比率（payoff）”為代理指標(biāo)的信用軟信息，分別代表了借貸雙方聯(lián)系的緊密程度，以及貸后借款人的道德風(fēng)險(xiǎn)水平。

因?yàn)椤叭巳速J”平臺(tái)允許投資人持有債權(quán)90天后，在債權(quán)未發(fā)生逾期的情況下通過債權(quán)轉(zhuǎn)讓系統(tǒng)轉(zhuǎn)讓已持有的借款訂單，并且借款訂單的期限大多集中于6個(gè)月以內(nèi)，因此表6中多數(shù)的回歸結(jié)果借款金額(log_amount)和借款期限(term)的回歸系數(shù)都不顯著。在表6第5和第6列中，DWH內(nèi)生性檢驗(yàn)的統(tǒng)計(jì)量分別為30.6832和30.7507，均在1%水平下顯著拒絕了借款人修正后信用評(píng)分(h_info)為外生變量的原假設(shè)，工具變量回歸為合理的選擇。

5. 基于空間關(guān)聯(lián)的穩(wěn)健性檢驗(yàn)

結(jié)論與政策啟示

網(wǎng)絡(luò)借貸作為一種信息中介，發(fā)揮了信息聚集與信息監(jiān)督的功能，經(jīng)過信用審核、認(rèn)證及信用信息的披露，網(wǎng)絡(luò)借貸能以較低的成本生成和傳遞借款人的各類信用信息，這一過程重塑了金融形態(tài)、降低了交易成本、提升了金融交易的效率。

1. 研究結(jié)論

借款人的可驗(yàn)證硬信息與信用軟信息，均有助于提升網(wǎng)貸交易的信息透明度、降低交易成本和借貸成本。金融發(fā)展作為金融交易主體的外在環(huán)境與條件制約，其會(huì)顯著影響交易者個(gè)人的收入、消費(fèi)、金融意識(shí)和金融習(xí)慣，這些又會(huì)逐步累積并形成交易主體的個(gè)人財(cái)富與信用資本。當(dāng)參與網(wǎng)貸交易時(shí)，借款人擁有的“個(gè)人財(cái)富與信用資本”會(huì)轉(zhuǎn)化為低成本傳播的，標(biāo)準(zhǔn)化的信用硬信息和反映歷史、記錄的信用軟信息，這些信用信息最終將決定網(wǎng)貸借款訂單是否能成功獲得借款，以及可獲得多大規(guī)模的借款。另外，地方金融發(fā)展對(duì)借貸可得性和借款深度的影響，會(huì)隨著借款人修正后信用評(píng)分的提高而呈現(xiàn)出邊際效應(yīng)的遞減，即地方金融發(fā)展的微觀作用機(jī)制具有非對(duì)稱性。

信用環(huán)境在個(gè)人信用充足時(shí)，可顯著降低借款人的借款成本。隨著地方金融、信用環(huán)境的改善與優(yōu)化，擁有必要信用硬信息和軟信息的借款人，其將會(huì)獲得更加優(yōu)惠的借款條件，享受到更加便利的金融服務(wù)與低成本的資金支持。

2. 政策啟示

本文研究發(fā)現(xiàn)，互聯(lián)網(wǎng)金融業(yè)務(wù)的發(fā)展，無(wú)法也絕不應(yīng)脫離于地方金融體系的支持及其制度約束。從控制信貸風(fēng)險(xiǎn)的角度講，以互聯(lián)網(wǎng)金融為代表的新金融體系，需要立足于服務(wù)地方實(shí)體經(jīng)濟(jì)，特別是在信貸市場(chǎng)上受到了融資約束的長(zhǎng)尾借款群體。要在信用建設(shè)的基礎(chǔ)上，加大對(duì)信用信息的收集、甄別、傳播和利用，實(shí)現(xiàn)金融科技與信用建設(shè)的結(jié)合；信用資本與融資需求的結(jié)合；網(wǎng)貸交易與地方金融協(xié)同發(fā)展的結(jié)合。

（1）培育借款人的信用意識(shí)，加強(qiáng)信用知識(shí)的宣傳與教育，樹立“信用資本、誠(chéng)信借貸”的金融交易觀念。

（2）重視對(duì)借款人信用信息的收集、整理及利用，積極把握行業(yè)合作和信用信息共享的機(jī)會(huì)，運(yùn)用金融科技手段發(fā)掘和傳播平臺(tái)借貸客戶的信用信息。主動(dòng)、定期地向地方金融監(jiān)管部門匯報(bào)平臺(tái)的經(jīng)營(yíng)狀況，特別是和反映借貸風(fēng)險(xiǎn)變化有關(guān)的預(yù)警信息。

（3）地方金融監(jiān)管部門要著力培育誠(chéng)信的金融環(huán)境，健全社會(huì)信用制度體系。通過信用建設(shè)推動(dòng)傳統(tǒng)金融機(jī)構(gòu)與互聯(lián)網(wǎng)金融業(yè)務(wù)的協(xié)同發(fā)展。地方政府和金融監(jiān)管部門仍需要重視對(duì)地方中小金融機(jī)構(gòu)的培育和支持，“質(zhì)與量”共同推進(jìn)地方金融體系的發(fā)展，在金融科技時(shí)代，與互聯(lián)網(wǎng)金融創(chuàng)新業(yè)務(wù)相結(jié)合，協(xié)同達(dá)到金融普惠和緩解實(shí)體經(jīng)濟(jì)融資難的目的。

（4）建立全面的監(jiān)管框架，加強(qiáng)監(jiān)管科技在地方金融監(jiān)管中的應(yīng)用，利用大數(shù)據(jù)、云計(jì)算和人工智能等，識(shí)別風(fēng)險(xiǎn)隱患，及時(shí)發(fā)現(xiàn)違規(guī)、違法及經(jīng)營(yíng)不善的平臺(tái)，加大對(duì)違規(guī)、違法網(wǎng)貸平臺(tái)的處罰與追懲力度，妥善化解金融風(fēng)險(xiǎn)，守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的底線。

注釋：

1 網(wǎng)絡(luò)借貸在交易特點(diǎn)上與非正式金融相似。

2 地域、文化、身份認(rèn)同所形成的社會(huì)網(wǎng)絡(luò)和社會(huì)資本，會(huì)有助于降低借貸過程中的交易成本，減小貸款違約的風(fēng)險(xiǎn)。

3 本文的地方金融發(fā)展是相對(duì)于金融中心建設(shè)而言的、地方性的金融要素發(fā)展。由于體制的約束，我國(guó)金融資源跨地區(qū)流動(dòng)的各項(xiàng)壁壘依然廣泛存在；金融交易中由地理距離引致的市場(chǎng)摩擦尤為嚴(yán)重。這些非均衡的金融發(fā)展格局也進(jìn)一步增強(qiáng)了我國(guó)發(fā)展地方金融的必要性與緊迫性（陶鋒等，2017）。

4 通過融資渠道、市場(chǎng)競(jìng)爭(zhēng)和機(jī)會(huì)成本等渠道而發(fā)揮影響。

5 當(dāng)某一信息缺乏時(shí)，另一信息也會(huì)起到替代效應(yīng)的作用，在一定程度上保持了借款人的信用穩(wěn)定。

6 如全域范圍的正的空間自相關(guān)（含局域性的空間集聚），以及空間溢出效應(yīng)等是我國(guó)地區(qū)經(jīng)濟(jì)聯(lián)系的重要影響因素，忽視這些空間關(guān)聯(lián)效應(yīng)會(huì)造成模型參數(shù)的估計(jì)偏差。

7 可能的模型形式包括：空間自回歸模型（SAR）、空間杜賓模型（SDM）、空間誤差模型（SEM）以及一般化、綜合的空間計(jì)量模型等。

8 通常情況信用貸款的利率比擔(dān)保貸款的利率要高，從降低借款人利率負(fù)擔(dān)的角度講，外部信用環(huán)境需要結(jié)合借款者個(gè)人的信用狀況，才能達(dá)到改善借款融資條件和融資成本的目的。

9 數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫(kù)，并根據(jù)指標(biāo)要求計(jì)算獲得。

10 平臺(tái)上借款人的歷史信用記錄包括：借款次數(shù)、成功借款次數(shù)和還清筆數(shù)等，歷史借款成功率（hbs）的計(jì)算方法為：hbs=成功借款次數(shù)/借款次數(shù)；歷史還清借款比率（payoff）的計(jì)算方法為：payoff=還清筆數(shù)/借款次數(shù)。

11 和獲取所在省份(prov)指標(biāo)的計(jì)算方法相似，借款人所在城市(city)指標(biāo)的計(jì)算也是采用文本分析的方法，從“人人貸”散標(biāo)借款訂單的借款人所在地的信息中爬取并整理得到。

12 其中的規(guī)則規(guī)定，如果借款人每月正常還款、未出現(xiàn)逾期，則信用評(píng)分會(huì)增加1分，每月增長(zhǎng)的上限也為1分；相反，如果借款人在當(dāng)月有30天內(nèi)的逾期，則信用評(píng)分將會(huì)被扣減3分，扣分無(wú)上限限制。

13 因?yàn)樵诳赡芤甬惙讲畹淖兞块g（借款金額、借款期限等）存在著較強(qiáng)的相關(guān)性，因此本文構(gòu)造異方差使用的解釋變量為借款期限term。

14 這一信息一方面因?yàn)榫W(wǎng)絡(luò)平臺(tái)未公布，另一方面也可能因?yàn)榇嬖谥m報(bào)而造成數(shù)據(jù)的不準(zhǔn)確。

15 指經(jīng)濟(jì)條件和個(gè)人信用狀況較好的借款人。