李明初

【摘 要】 面對國內網(wǎng)絡借貸行業(yè)快速發(fā)展、行業(yè)風險逐步暴露、法律監(jiān)管體系尚不完善的發(fā)展現(xiàn)狀，文章在明確清晰地界定了網(wǎng)絡借貸，特別是P2P網(wǎng)貸范圍后，以拍拍貸為例，通過抓取拍拍貸平臺上最近的75 450條交易數(shù)據(jù)并利用Probit二元選擇模型，分別從影響投資人借款認可度因素以及影響平臺借款認可度因素兩個層次，對影響借款人借款成功的因素進行了實證分析。根據(jù)實證分析結果，針對借款人如何提高投資人和網(wǎng)貸平臺借款認可度提出可行性建議。

【關鍵詞】 P2P網(wǎng)貸； Probit模型； 借款成功因素

中圖分類號：F724.6；F832.4 文獻標識碼：A 文章編號：1004-5937（2016）04-0100-07

一、引言

（一）選題背景

P2P網(wǎng)絡借貸是peer to peer lending的縮寫，亦被稱為“人人貸”。即由具有資質的P2P網(wǎng)絡借貸平臺（第三方公司）作為中介平臺，借款人在平臺上發(fā)放借款標，擁有資金并有投資理財意愿的投資人，通過該平臺獲取信息、參與競標、進行交易操作，從而將資金貸給資金需求方的行為。P2P網(wǎng)絡借貸平臺，是在互聯(lián)網(wǎng)上為借貸雙方提供信息發(fā)布、交流溝通以及促成交易的第三方金融服務網(wǎng)站，其僅作為交易的技術支持方，而本身并不作為借貸資金的債權債務方。一般來說，P2P網(wǎng)絡借貸平臺的具體服務形式包括：借貸信息公布、資格審核以及信用評級、投資咨詢、風險控制、逾期貸款追償以及其他增值服務等。

自2007年起至今，P2P網(wǎng)絡借貸公司發(fā)展經(jīng)歷了由零起點到爆發(fā)式增長的過程。據(jù)國內第三方網(wǎng)貸資訊平臺網(wǎng)貸之家的統(tǒng)計與估算數(shù)據(jù)，2013年P2P行業(yè)整體貸款存量約268億元，出借人數(shù)更是遠超20萬人。本文正是基于國內P2P網(wǎng)貸行業(yè)快速發(fā)展、行業(yè)風險逐步暴露、法律監(jiān)管體系尚不完善的發(fā)展現(xiàn)狀，試圖通過以拍拍貸為例探究P2P平臺下影響借款成功的可能因素，建立判斷借款成功的預測模型，并以此來指導借款人通過有針對性地提高某些影響因素以提升P2P平臺借款成功率，從而確保P2P網(wǎng)貸平臺的良性平穩(wěn)健康發(fā)展。

（二）文獻綜述

1.國外文獻綜述

國外學者對于借款人借款成功率以及借款利率的影響因素研究表明，借貸行為的影響因素主要為財務信息、人口特征、信用評級以及社交網(wǎng)絡等軟信息。

Freedman & Jin（2008）在研究中發(fā)現(xiàn)，在借貸平臺要求借款人提供了自己更多的財務信息后，借款人的借款成功率將會上升。Herzenstein（2008），Ravina（2008），Pope & Sydnor（2008）等的研究表明，借款人的年齡、性別、外表以及種族等人口特征對借款成功率和借貸利率具有顯著的影響。Klafft（2008）通過對Prosper平臺的交易數(shù)據(jù)進行分析，證明借款人的信用評級是對借款利率影響最大的因素。然而不同的是，當研究的被解釋變量變成借款是否成功時，借款人銀行賬戶的存在與否卻成為決定借款能否成功的最重要因素。

Lin et al.（2009）在針對社交網(wǎng)絡中的關系嵌入維度進行研究后，最終的結論是：關系型社會資本可以有效降低由信息不對稱帶來的逆向選擇風險。Greiner et al.（2010），Sergio Herrero-Lopez（2009），Steh Freedman（2010）等的研究進一步肯定了Lin等的研究結論，認為當借款人擁有的社會資本越多時，其借款成功幾率越高，借款利率越低，并且違約概率更低。

Laura Larrimore et al.（2011）通過分析借款人列表上的語言描述來檢驗P2P借貸環(huán)境下語言使用和說服成功之間的關系，從而為借款人增強對投標人的借款說服力提供了指導建議。類似的，Sonenshein，Herzenstein，Dholakia（2011）的研究同樣表明了信用等級較低的借款人仍可以通過合理的解釋贏得投資人的信任，從而影響投標人的借出決定。

Eunkyoung Lee & Byungtae Lee研究證實了P2P網(wǎng)絡借貸中的羊群效應，表明投標的參與度越高，借款人與投標人之間的互動與交流越多，越容易吸引更多的出借人參與投標。同樣的，Puro et al.（2010）對P2P平臺上的從眾行為進行了實證分析，發(fā)現(xiàn)競標過程中貸款人的從眾心理是顯著的。

2.國內文獻綜述

與國外的研究重點不同，我國國內學者對P2P網(wǎng)貸平臺的研究主要集中在P2P網(wǎng)絡借貸的發(fā)展歷程及發(fā)展模式、平臺介紹、作用與意義、風險與監(jiān)管以及少量的實證分析等方面。溫小霓、武小娟等（2014）利用拍拍貸平臺上的交易數(shù)據(jù)進行實證分析，結果發(fā)現(xiàn)借款金額、借款人歷史成功次數(shù)、信用積分、審核項目數(shù)對借款結果有正的影響。這一結果與郭奕（2011）、李文佳（2011）等的實證基本一致。陳霄（2014）通過對平臺內存在的“羊群行為”進行分析后發(fā)現(xiàn)標的特征、信用和地區(qū)因素對借款人成本具有顯著影響。張娜（2010）從社會資本的角度出發(fā)，認為出借人對借貸平臺以及借款人的信任、借款人的信用和借款人的社會關系資本會顯著影響出借人對借款人的信任。

3.文獻述評及本文創(chuàng)新

由國內外有關P2P網(wǎng)貸的研究重點差異可見，我國有關P2P網(wǎng)貸平臺主要還是集中在P2P網(wǎng)貸模式的比較分析，以及P2P網(wǎng)貸面臨的主要風險方面，對P2P網(wǎng)貸的實證研究比較缺乏，雖然已有部分學者已經(jīng)對相關實證研究進行了初步探索，但無論是在數(shù)據(jù)的選取與設定上，還是在模型的選擇上，都還有一定的提升空間。

基于目前我國P2P網(wǎng)貸研究的現(xiàn)狀，本文擬以拍拍貸平臺為例，希望通過對借款人分別贏得投標人以及網(wǎng)貸平臺信任的影響因素的分析，深入探究影響借款人借款成功的因素，并尋找能夠較為準確地預測借款人的借款成功可能性的回歸模型，在彌補目前P2P網(wǎng)貸實證分析不足的同時，也能夠為借款人的行為提供有效的指導。

本文最大的亮點就在于分贏得投資人信任和在贏得投資人信任之后贏得網(wǎng)貸平臺信任兩個階段來探究P2P網(wǎng)貸中借款成功的影響因素。從兩個階段的分析方式可以很明顯地看出，對于投資人和平臺來說，雙方的關注重點差異。投資人希望以最小的風險爭取最大的收益，而平臺則更在意借款人的真實還款能力和提供信息的可靠性，其目的在于保護投資者權益。此外，在數(shù)據(jù)的抓取與處理上，與以往僅抓取網(wǎng)頁部分指標不同，本文利用了網(wǎng)站現(xiàn)有公開的全部信息，同時對原始數(shù)據(jù)根據(jù)網(wǎng)頁存儲數(shù)據(jù)特點進行了一定調整，力求最大限度地還原投資人投資歷史時期下所見借款信息。同時，本文抓取的是最近交易的7萬余條數(shù)據(jù)，時效性最強、數(shù)據(jù)量最大。

二、研究樣本和變量

（一）數(shù)據(jù)來源

在變量的設置以及選取上，本文基于Microsoft Excel VBA編程環(huán)境，采取了可擴展超文本傳輸請求（XMLHttpRequest）方法，在拍拍貸平臺上抓取了75 450樣本數(shù)據(jù)，并以拍拍貸平臺上顯示的全部公開信息為依據(jù)，將變量分成了三個大類：借款信息（X）、借款人信息（Y）以及歷史借款信息（Z）。借款信息表明本次借款標的對貸款人的吸引程度，由定量的借款基本信息（X1）和定性的借款其他信息（X2）兩個子分類構成；借款人信息說明了貸款人對借款人本人的認可程度；歷史借款信息則表示了貸款人對平臺的認可程度。

最終，匯總本文所涉及的全部變量如表1所示。

（二）變量描述性統(tǒng)計

由表2描述性統(tǒng)計結果可以看出，是否滿標的平均值為0.335，表明樣本滿標率僅為33.5%，僅有33.5%的借款人能夠爭取到投資人信任；而借款狀態(tài)的平均值僅為0.228，說明最終借款成功率僅為22.8%，占滿標的67.9%，說明在爭取到投資人信任后，僅有一半多的借款人能夠獲得平臺認可?？梢姡壳芭呐馁J平臺上借款人面對的兩大問題就在于如何爭取到更多的投資人信任以及如何獲得平臺的認可。

三、實證檢驗結果與分析

（一）相關性分析

從表3變量間的相關系數(shù)可以看出，除變量C4與C5之間相關系數(shù)超過0.5外，其他各變量間的相關系數(shù)均未超過0.5，說明變量之間相關性不強，因此，可以認為模型基本上不存在多重共線性。對于是否審錯就賠付（C4）以及是否已通過預審（C5）之間存在相關性的問題，在之后的模型中采取了保留是否已通過預審這一變量的策略。

（二）模型建立

在探究影響借款人借款成功的因素時，投標是否滿標（RES）是一個二元因變量，而在解釋變量中如性別、借款目的等變量都是離散變量，因此本文采用了二元選擇模型中的Probit模型進行回歸分析。

二元離散模型定義為：

{yi}是一組取值為1或0的獨立離散隨機變量，xi是已知常數(shù)的K維向量，β0是未知參數(shù)的K維向量，F(xiàn)是已知函數(shù)。

一般而言，F(xiàn)函數(shù)形式應用頻率較高的是線性概率模型、Probit和Logit模型。由于線性概率模型具有明顯的缺點：F的取值并沒有限制在0和1之間，因此線性函數(shù)并不是一個合適的分布函數(shù)。而由中心極限定理可以證明Probit模型的合理性，Logit模型與Probit模型類似。Probit模型可以有效地解決二元因變量的回歸問題，同時在處理離散解釋變量時也能夠很好地將其轉化為啞變量并進行回歸。其函數(shù)形式如下：

本文將借款人由提交借款申請到最終獲得借款成功細分為兩個過程：首先借款人發(fā)布借款信息后在結束時間前達到滿標狀態(tài)是獲得借款成功的第一步，即由足夠多的投標人愿意借錢給借款人并表現(xiàn)為投標完成，也可以說借款人贏得了投標人的認可；其次投標完成的借款項目將會遞交至拍拍貸平臺進行借款審核，只有通過借款審核的借款標的才會最終獲得資金，這一步體現(xiàn)了借款人是否贏得了平臺的認可。因此在具體的建模過程中，本文同樣分為兩個部分：一是探究借款人贏得投標人認可的影響因子，以借款標的是否滿標，也就是投標是否完成為被解釋變量；二是在借款人已贏得投標人認可的基礎上，探究借款人贏得平臺認可的影響因子，以借款是否成功為被解釋變量。

四、影響借款人借款成功因素的實證分析

（一）影響投資人借款認可度因素的實證分析

由前文所述，借款人需要獲得足夠多投資人的認可才能使借款標的被投滿，這是借款人獲得借款的第一步。因此首先以是否滿標（RES）為二元因變量，以借款信息、借款人信息以及歷史借款信息為解釋變量，探究影響投資人對借款判斷的因素。要特別注意的是，由于借入信用（C_1）是Di（i=1，2，…，9）之和，因此本文僅以C_1作為借款人的綜合借入信用而不進一步對其進行拆分。如無特別說明，此規(guī)定適合于本文的全部模型。在剔除了不顯著變量后，本文得到的回歸結果如表4。

表4下方是模型的擬合優(yōu)度檢驗，從表中所示Andrews和Hosmer-Lemeshow檢驗的結果表明，模型擬合效果十分顯著。

進一步的，表5為根據(jù)概率Pr（yi=1|xi）的預測值是否高于分界概率0.5的情況下模型的期望-預測表（E-P）表。

由表5中數(shù)據(jù)不難發(fā)現(xiàn)，模型依照概率劃分而得出的正確百分比（96.65%）預測的準確率非常高，這說明在現(xiàn)有模型下，對借款人借款是否成功的預測誤差率幾乎可以控制在5%之內。

對于二元選擇模型，其系數(shù)的經(jīng)濟解釋比較麻煩，不能直接理解為對被解釋變量的邊際效應，因此本文主要從解釋變量系數(shù)的正負符號來定性地對回歸結果加以說明。表6列出了通過模型回歸得出的各解釋變量對被解釋變量的影響方向。

（二）影響平臺借款認可度因素的實證分析

在借款人獲得了投資人認可之后，即投標完成，也就是滿標之后，借款人接下來面臨的就是平臺的審核環(huán)節(jié)，換句話說，就是借款人需要進一步得到平臺的認可后，才能成功籌得資金。類似的，本文仍采用Probit模型，以借款成功（FIN）為二元因變量，以借款信息、借款人信息以及歷史借款信息為解釋變量進行建模，希望以此來為借款人提高借款成功率作出指導。

在數(shù)據(jù)的調整上，本文在原有調整得到的60 837條數(shù)據(jù)中，將投標未完成的借款全部剔除，僅留下已經(jīng)獲得投資人認可，但借款尚需平臺核準的樣本數(shù)據(jù)。同時，模型同樣剔除了對是否借款成功影響并不顯著的解釋變量T、C4、L2、L3、L5、G、A。經(jīng)過篩選，最終留下了20 406條借款信息。

對以上樣本進行建模，同樣的，得到結果如表7，可以看到模型的擬合優(yōu)度也十分顯著。

表8顯示的E-P表表明，依照概率劃分而得出的正確百分比為91.78%，其預測的準確率相較上一模型有所下降，但仍保持了90%以上的預測準確性。由此說明，在投資人依照現(xiàn)有公布的信息已經(jīng)做出“是”的判斷的情況下，平臺對借款的最終審核除了依靠對外公布的信息外，還加入了一些非公開信息的因素的考量，導致了模型預測準確性的降低。雖然預測的錯誤率相較之前的確有了一定程度的升高，但是整體的預測效果依然是可以接受的。最終，同樣得到了各解釋變量對被解釋變量影響方向的匯總表，見表9。

（三）回歸結果分析

通過表9和表6的對比發(fā)現(xiàn)，在選取的解釋變量上，兩者已經(jīng)產生了很大程度的分歧，這說明投資者和平臺借款審核者的關注點并不完全一致，這種不一致使借款安全性進一步增強。其差異具體表現(xiàn)在如下方面：

1.借款信息

在借款基本信息上，借款金額對借款成功的影響進一步削弱，說明平臺更有理由相信借款金額與借款人信用評級有密切的相關性；借款期限對借款成功帶來了負效應，說明投資人和拍拍貸平臺在借款期限上的看法是一致的，期限越長，風險越高。特別要注意的是，投資人和拍拍貸平臺在借款年利率的看法上出現(xiàn)了明顯的分歧，借款年利率對借款成功的影響產生了負效應。因為對于拍拍貸平臺而言，高收益并不是其審核的核心，而有效控制借款風險才是平臺審核的重點。在同等條件下，借款人的借款利率越高，說明平臺與借款人之間的信息不對稱可能就越嚴重，那么投資人遭受的違約可能性就越大。因此，平臺會考慮控制一部分具有過高借款利率的借款標的的發(fā)布。

在借款其他信息上，特別需要注意的是非提現(xiàn)標變量的負系數(shù)。這表明平臺對于非提現(xiàn)標的態(tài)度是比較謹慎的，事實上，這樣的態(tài)度具有一定的合理性。因為非提現(xiàn)標指的是借款人在獲得借款后資金不會變現(xiàn)，而僅僅會在平臺上進行投資流轉，這表面看起來似乎保障了借款在平臺控制下的安全，但實際上擴大了平臺風險，一旦一筆資金通過多筆非提現(xiàn)標進行轉手后，在每一次借款利率進行積累的同時，借款風險也不斷加大，當鏈條末端的最后一個借款人無法投資到比借款利率更高的產品時，他就將選擇違約，那么這個違約風險將會順著債權債務關系層層擴大，最終可能引發(fā)平臺借款的大規(guī)模違約事件，導致平臺的倒閉。因此，平臺對非提現(xiàn)標采取謹慎的態(tài)度有利于對平臺風險的掌控。

2.借款人信息

在借款人信息上，性別和年齡已經(jīng)不是平臺審核借款的重點，與投資人更為不同的是，平臺在借款審核中更看重借款人的身份。由回歸結果可以看出，無論是工薪族、學生，還是私營業(yè)主、網(wǎng)店賣家，這些身份對借款的最終成功都具有顯著且較強的正效應，但這四個變量的系數(shù)相差并不是很大，說明在平臺看來，借款人身份的差異對借款成功影響造成的波動并不大。這說明平臺在審核借款資質的過程中，更加注重借款人信息和資料的完整性，如果借款人對自身信息披露較為充分，那么毫無疑問他將更容易獲得平臺更大的認可度。

3.歷史借款信息

在歷史借款信息中，成功次數(shù)、流標次數(shù)以及借入信用給平臺借款審核帶來的影響與給投資人投資帶來的影響基本一致，這反映了平臺對于平臺本身統(tǒng)計數(shù)據(jù)的認可程度。

五、總結與建議

本文通過建立Probit二元選擇模型，探究了顯著影響投資人以及網(wǎng)貸平臺對于借款判斷的可能因素，并通過擬合優(yōu)度等檢驗進一步加強了模型結論的可靠性。經(jīng)過對模型解釋變量的逐步調整后，本文最終得到了對投資人行為預測具有95%以上準確率、對網(wǎng)貸平臺借款審核結果預測具有90%以上準確率的回歸模型。這是目前為止，在國內對P2P網(wǎng)貸平臺上借款人借款成功影響因素的實證研究中，準確性最高、涉及變量最為全面的模型結果。

經(jīng)過以上兩個回歸過程，可以對借款人如何提高投資人和網(wǎng)貸平臺的認可度提出如下建議：

在借款信息上，合理設定借款年利率以及注意對特殊標的類型的申請。借款年利率應設定在自己能夠承受且對投資人有足夠吸引的范圍內，同時要注意過高的年利率可能對平臺認可度造成的負面影響；同時，要注意盡可能申請?zhí)厥鈽说念愋?，以便大大提高投資人對借款的認可度，特別是安全標等，會對借款的成功起到極大的推動作用。

在借款人信息上，雖然對于性別和年齡產生的或負或正的影響不是借款人所能左右的，但是意識到這些固有因素的潛在影響，有利于借款人通過其他方面的改善來得以彌補。特別是在個人職業(yè)等軟信息上，借款人要特別注意資料的真實完整性，這對于爭取投資人和平臺的信任都具有顯著效果。

在歷史借款信息上，借款人要慎重申請借款，確保借款記錄的良好對于以后借款所產生的持續(xù)放大作用具有極為重要的意義。特別要警惕借款流標的可能性，可以通過本文的回歸模型加以預測，并有針對性提高借款成功的可能性，有效避免流標情況的發(fā)生。這一方面對積累個人信用具有重要作用，同時較低的流標次數(shù)也會對投資人和網(wǎng)貸平臺釋放積極的信號，有利于達到最終借款成功的目的。

到目前為止，由于P2P網(wǎng)貸平臺尚處在新興發(fā)展階段，市場各方力量還在不斷成長，尚不成熟，因此其借款利率還沒有實現(xiàn)資源的最優(yōu)配置，平臺的風險控制機制還有待實踐的檢驗，平臺所面臨的政策風險還有待進一步明確和評估。隨著P2P網(wǎng)貸平臺的進一步發(fā)展，行業(yè)自律組織以及相關法律法規(guī)的不斷成熟，P2P網(wǎng)貸平臺將會更大程度地發(fā)揮其普惠金融的優(yōu)勢，這不但能讓更多的人享受到P2P網(wǎng)貸發(fā)展帶來的福利，同時對提高我國利率市場化程度將產生巨大的影響。

【主要參考文獻】

[1] SETH F，GINGER Z J. Do social networks solve information problems for peer-to-peer lending？ evidence from prosper. com[D]. NET Institute Working Paper， 2008.

[2] GREINER M， WANG E H.The role of social capital in people-to-people lending marketplaces[D]. ICIS Proceeding Paper，2009.

[3] LEE E，LEE B. Herding behavior in online P2P lending： An empirical investigation[J]. Electronic Commerce Research and Applications， 2012， 11（5）： 495-503.

[4] LIN M， PRABHALA N， VISWANATHAN S. Judging borrowers by the company they keep： friendship networks and information asymmetry in online peer-topeer lending[J]. Management Science， 2011， 59（1）： 17-35.

[5] PETER R. Lending Club 簡史[M]. 北京：中國經(jīng)濟出版社，2013.

[6] 第一財經(jīng)新金融研究中心.中國P2P借貸服務行業(yè)白皮書（2013）[M].北京：中國經(jīng)濟出版社，2013.

[7] 芮曉武，劉烈宏.中國互聯(lián)網(wǎng)金融發(fā)展報告（2013版）[M].北京：社會科學文獻出版社，2014.

[8] 謝平，鄒傳偉.互聯(lián)網(wǎng)金融手冊[M].北京：中國人民大學出版社，2014：167-189

[9] 陳霄.民間借貸成本研究——基于P2P網(wǎng)絡借貸的實證分析[J].金融經(jīng)濟學研究，2014（1）：37-48.

[10] 溫小霓，武小娟.P2P網(wǎng)絡借貸成功率影響因素分析——以拍拍貸為例[J].金融論壇，2014（3）：3-8.

[11] 牛瑞芳. 我國網(wǎng)絡借貸行業(yè)的發(fā)展問題及對策研究[J].會計之友，2014（19）：15-17.

[12] 廖理，李夢然，王正位.聰明的投資者：非完全市場化利率與風險識別——來自P2P網(wǎng)絡借貸的證據(jù)[J].經(jīng)濟研究，2014（7）：125-137.

[13] 李廣明，諸唯君，周歡.P2P網(wǎng)絡融資中貸款者欠款特征提取實證研究[J].商業(yè)時代，2011（1）：41-42.

[14] 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.

[15] 張娜.P2P在線借貸研究述評[J].經(jīng)營管理者，2010（8）：299.