郭 峰

?

網(wǎng)絡(luò)昵稱與P2P借貸的成功率和違約率*

郭 峰

（北京大學(xué)國家發(fā)展研究院 北京 100871）

在網(wǎng)絡(luò)時(shí)代，使用網(wǎng)絡(luò)昵稱還是使用真實(shí)姓名，哪個(gè)更容易得到信任?這是一個(gè)有趣也有意義的問題。本文利用我國P2P網(wǎng)絡(luò)借貸行業(yè)代表性企業(yè)“人人貸”的大數(shù)據(jù)樣本，創(chuàng)新地探討了在P2P網(wǎng)絡(luò)借貸市場中，使用網(wǎng)絡(luò)昵稱和真實(shí)姓名，對借款成功率和借款違約率的影響。實(shí)證結(jié)果表明，相對于使用網(wǎng)絡(luò)昵稱，使用真實(shí)姓名的借款人，借款成功率更低，使用真實(shí)姓名的借款人在P2P借貸市場上并沒有得到更高信任。同時(shí)，針對借款違約率的分析也表明，使用真實(shí)姓名的借款人，較實(shí)用網(wǎng)絡(luò)昵稱的借款人，借款違約率更高。違約率和成功率的對比分析則表明，使用真實(shí)姓名的借款人，得到的信任還是太盲目。本文的政策含義是應(yīng)該加強(qiáng)P2P網(wǎng)絡(luò)借貸信息披露的監(jiān)管。

網(wǎng)絡(luò)昵稱 信用識別 網(wǎng)絡(luò)借貸

一、引 言

我們生活在網(wǎng)絡(luò)時(shí)代，在使用自己的真實(shí)姓名與人打交道的同時(shí)，也在網(wǎng)絡(luò)上注冊使用了各式各樣有個(gè)性的網(wǎng)絡(luò)昵稱。那么在網(wǎng)絡(luò)上，究竟是使用真實(shí)姓名，還是使用網(wǎng)絡(luò)昵稱更容易得到信任？本文我們以P2P網(wǎng)絡(luò)借貸平臺上的個(gè)人對個(gè)人的借貸為例，考察出借人更容易信賴使用網(wǎng)絡(luò)昵稱還是使用真實(shí)姓名的借款人，即考察使用網(wǎng)絡(luò)昵稱和真實(shí)姓名的借款人誰更容易得到借款?并且進(jìn)一步考察使用網(wǎng)絡(luò)昵稱和真實(shí)姓名的借款人，其借款成功后的借款違約率是否相同，從而就可以分析這種信任究竟是否值得。

P2P網(wǎng)絡(luò)借貸（Peer to Peer Lending）是指出借人與借款人之間通過網(wǎng)絡(luò)借貸平臺而不是金融機(jī)構(gòu)產(chǎn)生的直接借貸，作為一種新型融資模式，P2P網(wǎng)絡(luò)借貸迅速擴(kuò)張。這種借款模式起源于英國，2005年3月，英國Zopa的成立標(biāo)志著P2P融資模式的形成，之后美國相繼出現(xiàn)了Prosper和Lending Club等P2P平臺公司，隨后迅速推廣到全世界。2007年6月，我國第一家P2P平臺公司——上海拍拍貸金融信息服務(wù)有限公司設(shè)立。截至2015年12月底，網(wǎng)貸行業(yè)運(yùn)營平臺達(dá)到了2595家，相比2014年底增長了1020家，2015年全年網(wǎng)貸成交量達(dá)到了9823.04億元，相比2014年全年網(wǎng)貸成交量（2528億元）增長了288.57%（網(wǎng)貸之家和盈燦咨詢，2016）。

與傳統(tǒng)金融中介式的借貸模式不同，在P2P網(wǎng)絡(luò)借貸中，P2P平臺只是提供了一個(gè)信息撮合的中介，出借人根據(jù)借款人提供的信息，來決定是否將錢借給借貸人。以中國具有代表性的網(wǎng)貸平臺之一“人人貸”為例，借款人在人人貸網(wǎng)貸平臺中，首先要提供一個(gè)有效的電子郵件地址和手機(jī)號碼進(jìn)行注冊，在注冊成功后需要提供一些個(gè)人信息，如身份證、學(xué)歷、房產(chǎn)證及住址等。在通過網(wǎng)貸平臺的一系列驗(yàn)證過程后，借款人可以創(chuàng)建一個(gè)借款訂單（也可稱為“標(biāo)的”），借款訂單會包含所有關(guān)于借款人和借款的信息（Duarte等，2012）。此外，P2P平臺根據(jù)借款人所提供的資料的完整程度賦予借款人不同的信用等級，并且在每一筆借款訂單頁面會列示借款人的借款金額、利率、期限等詳細(xì)內(nèi)容?；陔[私原則，借款人的真實(shí)姓名等信息是不被公開的，但借款人注冊時(shí)可以自由選定一個(gè)昵稱，這個(gè)昵稱可以是其真實(shí)姓名，也可以是其他漢字、字母或數(shù)字的隨意組合。出借人根據(jù)借款人所提供的包括昵稱在內(nèi)的信息，決定是否提供投資。

在本文，我們通過收集我國P2P行業(yè)代表性企業(yè)“人人貸”（renrendai.com）的大數(shù)據(jù)樣本，研究使用網(wǎng)絡(luò)昵稱和真實(shí)姓名的借款人得到的信任程度是否有不同。具體而言，本文將從兩個(gè)層面研究真實(shí)姓名的影響，一是對借款成功率的影響，考察使用網(wǎng)絡(luò)昵稱和真實(shí)姓名的借款人，在獲得借款的難度上是否有系統(tǒng)差異；二是對借款違約率的影響，通過對違約率的考察，可以進(jìn)一步分析使用網(wǎng)絡(luò)昵稱和真實(shí)姓名的借款人，借款違約率是否有系統(tǒng)差異。特別地，對比分析使用網(wǎng)絡(luò)昵稱和真實(shí)姓名的借款人的借款違約率和借款成功率的差異，還可以得到更豐富的結(jié)論。

本文的結(jié)構(gòu)安排如下，第二部分回顧現(xiàn)有相關(guān)文獻(xiàn)；第三部分是研究設(shè)計(jì)，介紹實(shí)證方法以及我們使用到的相關(guān)變量和數(shù)據(jù)；第四部分是實(shí)證結(jié)果分析；第五部分總結(jié)全文。

二、文獻(xiàn)綜述

P2P網(wǎng)絡(luò)借貸行業(yè)在全球范圍內(nèi)方興未艾，與之對應(yīng)的P2P行業(yè)的學(xué)術(shù)研究也蓬勃興起。P2P平臺上會披露借款人的各類信息，積累了大量的金融借貸數(shù)據(jù)，為我們深入研究網(wǎng)絡(luò)上人們決策的影響因素創(chuàng)造了條件。各國學(xué)者，從各個(gè)角度，利用P2P網(wǎng)絡(luò)借貸提供的條件和數(shù)據(jù)，深入考察了各種因素在影響個(gè)人借貸決策上的作用，特別是什么樣的借款人更容易得到信任，以及他們借款成功后的借款違約率是否一致，即這種信任是理性的還是非理性的。如果出借人特別信賴某一種人群，更傾向于向這類人提供借款，而這種人群的違約率也恰好更低，那么這種信賴就是理性的（當(dāng)然還要考察信任的程度和低違約率是否匹配），否則就是非理性的。具體而言，我們可以將這些文獻(xiàn)分成以下幾類。

一類文獻(xiàn)主要是從基礎(chǔ)人口特征討論哪些借款人更容易得到出借人的信任，從而借款成功率更高。Herzenstein等（2008）利用美國P2P平臺Prosper的數(shù)據(jù)，探討了P2P平臺上性別、種族和婚姻狀況對融資結(jié)果的影響。Pope和Sydnor（2011）基于Prosper利率拍賣機(jī)制的數(shù)據(jù)，發(fā)現(xiàn)非裔美國人借貸成功的概率比與其信用評級相似的白人更低，同時(shí)非裔美國人最終的借款利率比白人獲得借款的利率更高。Herzenstein等（2011）也證實(shí)了這一結(jié)論，他們發(fā)現(xiàn)非裔美國人相比其他種族的人確實(shí)具有更低的借款成功率。Pope和Sydnor（2011）同時(shí)還發(fā)現(xiàn)網(wǎng)絡(luò)借貸中存在年齡歧視的問題，與35-60歲的群體相比，35歲以下的借款人具有更高的借款成功率，60歲以上的借款者借款成功率則更低。廖理等（2015）發(fā)現(xiàn)高學(xué)歷借款者如約還款概率更高，高等教育年限增強(qiáng)了借款人的自我約束能力，但是，投資者卻并未青睞高學(xué)歷借款人。Chen等（2014）發(fā)現(xiàn)在中國P2P網(wǎng)絡(luò)借貸市場上，存在顯著的女性性別歧視，但梁琪和肖曉蒙（2015）則得到了與之恰好相反的結(jié)論。Barasinska和Sehafer（2014）研究了德國P2P平臺Smava，其研究結(jié)果并不支持個(gè)人借貸市場上存在性別歧視的說法。

還有一類文獻(xiàn)主要從信用等級和財(cái)務(wù)情況等來考察什么樣的人更容易在P2P平臺上獲得借款。例如Freedman和Jin（2011）、Lin等（2009，2013）指出借款人的基本信息是投資者對其還款可能性進(jìn)行評估的主要參照因素，借款人的信用等級越低，其借款成功率越低，違約率越高。Iyer等（2009）發(fā)現(xiàn)借款人的財(cái)務(wù)狀況對其借款成功率有顯著影響。Puro等（2010）認(rèn)為借款成功率的主要影響因素包括：信用得分、總負(fù)債償還比率、當(dāng)前拖欠記錄，等等。王會娟和廖理（2014）研究發(fā)現(xiàn)，借款人信用高低是影響P2P平臺穩(wěn)健運(yùn)行的關(guān)鍵，借款人的信用評級越高，交易越容易成功，且借款成本越低，盡管這種認(rèn)證工作是由P2P平臺完成的。

與本文關(guān)注的借款人名稱的影響相似，也有文獻(xiàn)特別考察了一些“軟信息”對P2P平臺上借款成功率和違約率的影響。Duarte等（2012）發(fā)現(xiàn)長相更可信的人在P2P平臺上更容易融資成功，并且這些人也確實(shí)信用分?jǐn)?shù)較高，違約率較低。Ravina（2012）的研究指出長相漂亮的借款人更容易借到款項(xiàng)，而且利率一般比較低。李焰等（2014）發(fā)現(xiàn)提供更多描述性信息的借款人更容易成功借款。但彭紅楓等（2015）則發(fā)現(xiàn)描述文本長度和借款成功率存在“倒U型”關(guān)系，并且認(rèn)為借款陳述中不同類型的詞語都會影響網(wǎng)絡(luò)借貸行為。陳霄和葉德珠（2015）的研究則發(fā)現(xiàn)借款項(xiàng)目描述當(dāng)中的標(biāo)點(diǎn)符號都會影響到P2P平臺上的借款成功率和違約率。

就本文的研究對象——借款者的“名字”而言，在更廣的范圍內(nèi)，不少文獻(xiàn)研究了“名字”的重要價(jià)值，無論是公司、股票的名字，還是人的名字等等，因?yàn)槊之?dāng)中包含了重要的信息。例如，在資本市場，Green和Jame（2013）發(fā)現(xiàn)有著簡短、容易發(fā)音的名字的公司有更高的投資者認(rèn)同、更高的換手率、更高的估值。而張鳴等（2013）的研究則發(fā)現(xiàn)股票名稱中反映了所在行業(yè)信息的公司，收益率與行業(yè)收益率之間就具有相對較高的一致波動性。在學(xué)術(shù)領(lǐng)域，Einav 和 Yariv（2006）研究發(fā)現(xiàn)，姓氏字母排名靠前的經(jīng)濟(jì)學(xué)研究者更有可能獲得終身教職，更有可能成為計(jì)量經(jīng)濟(jì)學(xué)會院士，這是因?yàn)樵诮?jīng)濟(jì)學(xué)領(lǐng)域，學(xué)術(shù)論文發(fā)表時(shí)作者署名通常按姓氏字母排序，因此姓氏靠前的相對受到更多的關(guān)注，影響力更大，而在心理學(xué)系，由于合著并不按照音序排列，因此姓氏靠前的研究人員，就并沒有更高的成就。

三、研究設(shè)計(jì)和數(shù)據(jù)

（一）實(shí)證模型

如前所述，本文主要考察對象是在網(wǎng)絡(luò)借貸平臺上，網(wǎng)絡(luò)昵稱和真實(shí)姓名哪個(gè)更容易得到信任。為此，我們首先可以考察在網(wǎng)絡(luò)借貸平臺上，在控制了其他因素之后，使用網(wǎng)絡(luò)昵稱和真實(shí)姓名，哪類借款人借款成功率更高。此外，我們還可以考察使用網(wǎng)絡(luò)昵稱和真實(shí)姓名的借款人，哪類借款人違約率更高，從而可以檢驗(yàn)他們得到的信任之間的差異是否是“理性”的。

由于借款人是否可以成功借款和是否違約作為被解釋變量時(shí)是一個(gè)虛擬變量，因此我們主要采取Probit模型對其進(jìn)行估計(jì)，即估計(jì)如下模型：

或者

（二）數(shù)據(jù)選取

本文搜集了人人貸網(wǎng)站（www.renrendai.com）的借貸數(shù)據(jù)。人人貸是我國P2P行業(yè)的代表性平臺之一，成立于2010年5月，當(dāng)年10月正式上線。人人貸發(fā)展迅速，到2015年8月，人人貸已經(jīng)累計(jì)撮合借款800多萬人次，撮合總金額超過100億。根據(jù)人人貸網(wǎng)站規(guī)定，借款人在注冊時(shí)，都要填寫一個(gè)昵稱，但并不要求實(shí)名，因此一部分借款人使用真實(shí)姓名，另一部分借款人則使用昵稱。

此外，借款人在申請不同訂單種類進(jìn)行借款時(shí)，分別有相應(yīng)的認(rèn)證信息需要提交人人貸網(wǎng)站進(jìn)行審核。對于信用認(rèn)證標(biāo)，必須提交審核的材料包括身份證復(fù)印件、個(gè)人征信報(bào)告、帶公司公章的勞動合同或工作證明以及近3個(gè)月工資卡銀行流水等。此外，借款人在填寫借款申請時(shí)，還被要求填寫少于14個(gè)字的借款標(biāo)題和20-500字的借款描述。為了吸引投資，借款人還可以主動提供更多的資料給人人貸審核，如房產(chǎn)、車產(chǎn)、技術(shù)職稱、結(jié)婚證、居住地證明、學(xué)歷證明等等。

當(dāng)一個(gè)借款人發(fā)起一個(gè)訂單時(shí)，投資者可以進(jìn)行投標(biāo)，投標(biāo)的最低金額是50元，因此對于同一個(gè)訂單，可能會有多個(gè)投資者共同參與，每個(gè)投資者投資的額度也不盡相同。一個(gè)訂單自掛出后，當(dāng)所有投資者的出資額度相加等于借款人需要借款的數(shù)額時(shí)，表示該訂單籌款成功，即使期限未到，訂單也不能再繼續(xù)接受投資者投標(biāo)；如果在規(guī)定期限內(nèi)未能籌到款或是所有投資者愿意投資的額度相加不能達(dá)到訂單需要借款的數(shù)額時(shí)，則訂單籌款失敗。

我們采用爬蟲軟件從人人貸網(wǎng)站抓取了該網(wǎng)站自2010年10月12日上線至2015年8月7日間的借款標(biāo)的信息。人人貸網(wǎng)站的投標(biāo)種類分為四種：信用認(rèn)證標(biāo)、實(shí)地認(rèn)證標(biāo)、機(jī)構(gòu)擔(dān)保標(biāo)以及智能理財(cái)標(biāo)。由于實(shí)地認(rèn)證標(biāo)、機(jī)構(gòu)擔(dān)保標(biāo)和智能理財(cái)標(biāo)的擔(dān)保方式和信息披露方式與我們要考察的目標(biāo)存在較大的差異，并且在我們的樣本期間違約率基本為零，因此本文主要對信用認(rèn)證標(biāo)進(jìn)行深入研究，剔除了其他三類訂單樣本。對每一筆借款，我們抓取的信息主要包括：借款標(biāo)的編碼、類型、金額、利率、保證形式、還款方式、預(yù)期或者壞賬信息、借款描述、借款標(biāo)題，以及借款人編碼、昵稱、性別、年齡、受教育程度、婚姻狀況、工作城市、單位規(guī)模、職業(yè)、工作時(shí)間、收入、畢業(yè)的學(xué)校、房產(chǎn)情況、車產(chǎn)情況及房貸、車貸等信息。需要說明的是，我們的樣本中剔除一些異常值，主要包括年齡小于18歲或大于80歲的樣本，以及借款金額小于1000元，或大于50萬的樣本。因此，本文使用的樣本可視作“全樣本”，而不是常見的“抽樣樣本”，不存在選擇性偏誤。此外，在網(wǎng)絡(luò)借貸平臺上，出借人是根據(jù)借款人在該網(wǎng)站上披露的信息進(jìn)行投資的，而這些信息我們基本上已經(jīng)全部定量化，并全部納入了回歸分析，因此本文的回歸也不存在遺漏變量的問題。

（三）主要變量說明

1. 被解釋變量。P2P平臺上獨(dú)特的數(shù)據(jù)樣本可以讓我們從不同的角度分析網(wǎng)絡(luò)借貸的結(jié)果：是否成功借款（），以及是否借款違約（）。是否成功借款反映的是投資者對于借款人該筆借款的認(rèn)可程度，是投資者觀點(diǎn)的集中體現(xiàn)。是否違約反映的是借款人最終行為結(jié)果，是借款人信用風(fēng)險(xiǎn)的真實(shí)揭露。將借款結(jié)果分為兩個(gè)層面探討的好處之一是可以將兩個(gè)層面的研究結(jié)果相互對比分析，進(jìn)而得到投資者認(rèn)知與借款人真實(shí)風(fēng)險(xiǎn)的差異。具體而言，相關(guān)變量構(gòu)造說明如下：

成功借款（）：啞變量，如果標(biāo)的狀態(tài)顯示為借款失敗，則啞變量借款成功取值為0，如果標(biāo)的狀態(tài)為還款中、已結(jié)清、逾期、壞賬，則啞變量成功借款取值為1。根據(jù)描述性統(tǒng)計(jì)可知，在本文樣本中，所有訂單中大約有4.7%的訂單籌款成功。

借款違約（）：啞變量，若訂單違約（逾期、壞賬）則取值為1，否則如果借款已結(jié)清則為0。由于正在還款的訂單無法考察其最終的違約情況，因此不計(jì)算在內(nèi)，但在下文我們也將這種情況作為一種穩(wěn)健性分析。

當(dāng)一個(gè)訂單完成籌款后，如果未能按時(shí)還款超過約定時(shí)間30天后，人人貸網(wǎng)站將這種行為認(rèn)定為嚴(yán)重逾期，網(wǎng)站對于該訂單的狀態(tài)會顯示為“逾期”；另有一些訂單逾期時(shí)間超過90天，人人貸網(wǎng)站將按照對投資者“本金保障”的約定，墊付本金，這時(shí)網(wǎng)站對于該訂單的狀態(tài)會顯示為“已墊付”。本文將這兩種狀態(tài)下的訂單都視作違約訂單。在本文樣本中，人人貸網(wǎng)站上，訂單違約比率約為15.4%。我們的借款違約率高于一些其他基于人人貸進(jìn)行研究的文獻(xiàn)，如廖理等（2014a）統(tǒng)計(jì)的違約率約為6%。他們的樣本僅到2013年4月份，這說明，隨著時(shí)間的演進(jìn)，網(wǎng)絡(luò)借貸中積累的違約風(fēng)險(xiǎn)逐步上升。最終本文包含了514607個(gè)投標(biāo)記錄，其中流標(biāo)490560個(gè)，在成功借款的投標(biāo)中，8988個(gè)標(biāo)的仍然在還款，12743個(gè)標(biāo)的已結(jié)清，350個(gè)標(biāo)的逾期，1966個(gè)壞賬。

表1 描述性統(tǒng)計(jì)：借款狀態(tài)

2．核心解釋變量。借款人是使用網(wǎng)絡(luò)昵稱還是真實(shí)姓名，是本文考察的核心解釋變量（），為啞變量，真實(shí)姓名為1，網(wǎng)絡(luò)昵稱為0。需要進(jìn)一步解釋說明的是，由于人人貸平臺并不強(qiáng)制注冊人使用真實(shí)姓名，因此借款人是使用網(wǎng)絡(luò)昵稱，還是真實(shí)姓名，是完全自愿的。而且，由于出借人無法驗(yàn)證一個(gè)名字究竟是不是真實(shí)姓名，因此這里的真實(shí)姓名只是一個(gè)看起來更像是真名的名稱。①與此相對應(yīng)，我們劃分真實(shí)姓名和網(wǎng)絡(luò)昵稱的辦法也是根據(jù)常識，進(jìn)行人工判斷。我們對50多萬個(gè)借款者名稱進(jìn)行逐一判斷，看起來像中國人名稱的，就認(rèn)定為真實(shí)姓名，否則即為網(wǎng)絡(luò)昵稱。全英文、拼音者或數(shù)字者認(rèn)定為昵稱，但在下文的分析中，也將這些樣本刪除，作為一個(gè)穩(wěn)健性分析。因?yàn)槿∶Q非常自由，因此這種人工識別的方式優(yōu)于機(jī)器識別，通過不同人員對抽樣樣本的交叉核實(shí)，我們的識別誤差非常小。①在全樣本中，使用真實(shí)姓名的比例約為15.9%。而在借款成功的子樣本中，使用真實(shí)姓名的借款人比例為9.9%，低于全樣本。這可能意味著借款人使用真實(shí)姓名，反而更不易得到出借人的信任，當(dāng)然，對此還需要進(jìn)一步的計(jì)量分析。

表2 描述性統(tǒng)計(jì)：借款人真實(shí)姓名使用情況

3．控制變量。本文控制變量主要包括借款人特征和借款標(biāo)的特征等。借款人特征包括借款人性別、婚姻狀況、年齡、收入情況、受教育程度、資產(chǎn)情況（住房和汽車）等。借款標(biāo)的特征主要包括借款金額、借款期限等。此外，我們還在回歸方程中進(jìn)一步增加了不同年份和省份的虛擬變量，年份虛擬變量可以用來控制全國性宏觀政策和趨勢的共同影響，地區(qū)虛擬變量則可以用來控制出借人對不同地區(qū)借款人的相對信任程度，廖理等（2014a）發(fā)現(xiàn)我國的P2P網(wǎng)絡(luò)借貸交易中存在地域歧視問題，并且還是偏好性歧視，不是理性行為，即一些地區(qū)借款成功率更低，但其實(shí)違約率并非更高。具體而言，本文主要變量的變量定義如表3所示。

表3 主要變量定義表

續(xù)表3

變量類型變量名變量含義 控制變量house住房，借款人有住房為1，無住房為0 car汽車，借款人有汽車為1，無汽車為0 house_loan房貸，借款人有房貸為1，無房貸為0 car_loan車貸，借款人有車貸為1，無車貸為0 term借款期限，借款人發(fā)布發(fā)布訂單的借款期限，單位月 lnmoney借款金額，借款人在平臺內(nèi)發(fā)布該筆借款的借款金額，單位元，取對數(shù)

表4是本文主要變量的描述性統(tǒng)計(jì)。除上面已經(jīng)介紹過的主要變量之外，我們也可以粗略了解一下其他變量的主要特征。男性借款人在網(wǎng)貸市場中比較活躍，占比86.1%，已婚人士占到42.6%，借款人的年齡平均剛剛超過30歲。大專及以上教育水平的借款人占據(jù)全部借款人的 59.7%，參與網(wǎng)絡(luò)借貸的借款人學(xué)歷普遍高于社會平均水平。31.5%的借款人擁有房產(chǎn)，低于中國城市住房擁有率，可能是因?yàn)楹芏嗳藳]有認(rèn)證房產(chǎn)信息，18.3%的借款人擁有車產(chǎn)，擁有房貸和車貸的比例則分別為10.1%和4.2%。82.2%的借款人有超過一年的工作經(jīng)驗(yàn)，另外，收入?yún)^(qū)間為2001-10000的借款人占比約為73.1%。

表4 主要變量描述性統(tǒng)計(jì)

四、實(shí)證結(jié)果

本文的實(shí)證部分主要回答以下問題：借款人在注冊信息中使用網(wǎng)絡(luò)昵稱，還是使用真實(shí)姓名，是否會影響借款人在P2P平臺上成功獲得借款的可能性，并考察使用網(wǎng)絡(luò)昵稱和使用真實(shí)姓名的借款違約率是否有所不同。

（一）借款成功率

在本文，我們的解釋變量數(shù)目很多，為檢驗(yàn)解釋變量是否存在多重共線性，我們用方差膨脹因子（Variance Inflation Factor，VIF）檢驗(yàn)了回歸模型的有效性，所有解釋變量的方差膨脹因子均小于2，在可接受范圍之內(nèi)，因此本文解釋變量之間不存在多重共線性問題。①

本文的基準(zhǔn)回歸使用Probit模型，以啞變量是否借款成功為被解釋變量，以啞變量真實(shí)姓名（真實(shí)姓名=1，網(wǎng)絡(luò)昵稱=0）為核心解釋變量，以其他借款標(biāo)的特征和借款人特征為控制變量。回歸結(jié)果見表5。表5第1列結(jié)果顯示在單變量回歸中，啞變量真實(shí)姓名的點(diǎn)估計(jì)系數(shù)為-0.247，在1%的水平上顯著，這意味著，在未控制其他變量的情況下，相對于網(wǎng)絡(luò)昵稱，使用真實(shí)姓名成功獲得借款的可能性不是更高，反而是更低了。表5第2-4列，我們分別加上不同的控制變量，發(fā)現(xiàn)在控制了其他影響因素之后，真實(shí)姓名系數(shù)的絕對值有所下降，但仍然在1%的水平上顯著為負(fù)。在表5第5列，我們進(jìn)一步增加了不同年份和省份的虛擬變量，此時(shí)回歸結(jié)果顯示，啞變量真實(shí)姓名仍然在1%水平上顯著為負(fù)，系數(shù)為-0.0564。計(jì)算可得，在控制了其他影響因素之后，真實(shí)姓名的平均半彈性系數(shù)為-0.128，即使用真實(shí)姓名，比使用網(wǎng)絡(luò)昵稱，使得借款成功率下降0.128%。相對于本來就不高的平均4.7%的借款成功率而言，使用真實(shí)姓名并沒有使得借款成功率再下降太大幅度。

從各個(gè)控制變量系數(shù)的情況看，已婚人士、女性、年齡大、受教育程度高、收入高、工作時(shí)間長、信用等級高的借款人容易獲得借款。擁有住房對借款成功率沒有顯著影響，但擁有房貸對借款成功率有顯著影響，與此恰恰相反的是，擁有汽車對借款成功率有顯著正向影響，但擁有車貸則對借款成功率沒有顯著影響。對于借款標(biāo)的特征而言，借款期限越長，越容易獲得借款，而借款金額越大，則越不容易獲得借款。

表5 借款成功率回歸結(jié)果

續(xù)表5

（1）success（2）success（3）success（4）success（5）success income0.0514***（0.003）0.188***（0.004）0.185***（0.004） crdg1.789***（0.011）1.676***（0.011）1.703***（0.012） house-0.0317***（0.009）-0.00746（0.009）0.00299（0.010） car0.0735***（0.009）0.120***（0.010）0.129***（0.010） house_loan0.0818***（0.011）0.0993***（0.012）0.107***（0.012） car_loan-0.00197（0.016）0.0171（0.017）0.0149（0.017） term0.00483***（0.001）0.00392***（0.001） lnmoney-0.353***（0.004）-0.392***（0.004） 省份效應(yīng)不含不含不含不含含 年度效應(yīng)不含不含不含不含含 N514607371603370868370868368769 Pseudo0.003830.05540.2320.2910.297

注：*、**、***分別代表在10%、5%、1%的水平下顯著。括號內(nèi)數(shù)字為穩(wěn)健性標(biāo)準(zhǔn)誤。

（二）借款違約率

本部分我們繼續(xù)對借款違約率進(jìn)行回歸，以啞變量是否違約為被解釋變量（違約=1，借款已結(jié)清=0），以啞變量真實(shí)姓名（真實(shí)姓名=1，網(wǎng)絡(luò)昵稱=0）為核心解釋變量，以其他借款標(biāo)的特征和借款人特征為控制變量?；貧w結(jié)果見表6。表6第1列回歸結(jié)果顯示，在單變量回歸中，啞變量真實(shí)姓名的點(diǎn)估計(jì)系數(shù)為0.412，在1%的水平上顯著，這意味著，在未控制其他變量的情況下，相對于網(wǎng)絡(luò)昵稱，使用真實(shí)姓名的借款者，違約率更高。如同上文一樣，表6第2-4列，我們分別加上不同的控制變量，發(fā)現(xiàn)在控制了其他影響因素之后，真實(shí)姓名的系數(shù)有所下降，但仍然在1%的水平上顯著為正。在表6第5列，我們進(jìn)一步增加了不同年份和省份虛擬變量，此時(shí)回歸顯示，啞變量真實(shí)姓名仍然在1%水平上顯著為正，系數(shù)大小為0.233。計(jì)算可得，在控制了其他影響因素之后，真實(shí)姓名的平均半彈性系數(shù)為0.527，即使用真實(shí)姓名的借款人的違約率，較實(shí)用網(wǎng)絡(luò)昵稱的借款人的違約率高0.527%。

從各個(gè)控制變量系數(shù)的情況看，男性、年齡大、有車貸、借款期限長以及借款金額高的借款人或借款項(xiàng)目，違約率更高，而結(jié)婚人士、受教育程度高、工作時(shí)間長、信用等級高、有汽車或房貸的借款人或借款項(xiàng)目，違約率更低。

表6 借款違約率回歸結(jié)果

綜合借款成功率和借款違約率的回歸結(jié)果，借款人使用真實(shí)姓名，并沒有讓其更易得到出借人的信任，借款成功率反而更低，而出借人對借款人使用真實(shí)姓名的不信任，也是理性的，因?yàn)槭褂谜鎸?shí)姓名的借款人，借款違約率也更高了。這是個(gè)有趣而并不太直觀的解釋，對此我們猜測可能是由于以下幾個(gè)原因：其一，真實(shí)姓名對違約后的追討并沒有什么幫助。因?yàn)樵谀壳暗慕?jīng)營模式下，網(wǎng)絡(luò)借貸違約后的追討，都是由P2P平臺代為負(fù)責(zé)的，而平臺是從頭到尾知道借款人真實(shí)姓名的，并不依賴于借款人披露給出借人的用戶名。其二，在沒有信息披露監(jiān)管機(jī)制的情況下，平臺也對借款人昵稱的使用沒有約束，因此借款人雖然使用真實(shí)姓名，但其真實(shí)性其實(shí)并無法保障。其三，在P2P網(wǎng)站并沒有要求借款人一定要使用真實(shí)姓名，真實(shí)姓名也沒有什么實(shí)質(zhì)信用信息的情況下，出借人更多的“信息披露”，反而可能意味著借款人的底氣不足，即使用真實(shí)姓名可能反而意味著借款人是要誘導(dǎo)出借人，即出現(xiàn)了一種“逆向選擇”的現(xiàn)象。張偉強(qiáng)等（2015）在一篇相關(guān)的研究中發(fā)現(xiàn)，雖然公務(wù)員在中國被普遍認(rèn)為是一個(gè)收入穩(wěn)定、福利和社會保障良好、社會地位高的群體，在商業(yè)銀行借貸市場上也被定位為優(yōu)質(zhì)客戶，但他們利用P2P網(wǎng)絡(luò)借貸平臺的交易數(shù)據(jù)實(shí)證研究發(fā)現(xiàn)，公務(wù)員群體的借款成功率、利率與違約率與其他群體之間不存在顯著差異，并沒有表現(xiàn)出優(yōu)質(zhì)客戶的特征，他們認(rèn)為這就是一種逆向選擇的原因。其四，這也可能跟借款人的風(fēng)險(xiǎn)偏好有關(guān)，沒有使用真實(shí)姓名的人，可能更加厭惡風(fēng)險(xiǎn)（害怕自己的個(gè)人信息被泄露），而使用真實(shí)姓名的人，可能有更強(qiáng)的風(fēng)險(xiǎn)偏好，從而暴露了更多的個(gè)人信息而不自知。而我們的回歸結(jié)果也表明，這種“倒掛”的異常現(xiàn)象也已經(jīng)被出借人所識破，因而使用真實(shí)姓名的借款人，反而不被信任，借款成功率更低。并且，從真實(shí)姓名啞變量的系數(shù)大小而言，使用真實(shí)姓名的借款人違約率更高，但其得到的更不信任的程度則較小，這說明雖然出借人已經(jīng)意識到使用真實(shí)姓名的借款人并一定可靠，但仍然表現(xiàn)出了對真實(shí)姓名的某種盲目信任。

在這些解釋當(dāng)中核心邏輯是優(yōu)質(zhì)借款人，無所謂是否使用真實(shí)姓名，因而使用真實(shí)姓名比例反而相對更低；而次級借款人則由于借款的先天條件不足，才驅(qū)使他們采用真實(shí)姓名來意圖增加其可信度。為檢驗(yàn)這一邏輯，我們以是否真實(shí)姓名為被解釋變量，借款人相關(guān)特征為解釋變量，進(jìn)行回歸。①表7的回歸結(jié)果顯示，確實(shí)是條件越差的借款人，越傾向于使用真實(shí)姓名，例如受教育程度更高、工作年限更長、信用等級更高的借款人更不傾向于使用真實(shí)姓名，“逆向選擇”的邏輯得到了初步的證實(shí)。②

表7 以“真實(shí)姓名”為被解釋變量

續(xù)表7

（1）name（2）name（3）name（4）name age-0.00493***（0.000）-0.00504***（0.000）-0.00571***（0.000）-0.00554***（0.000） edu-0.192***（0.003）-0.184***（0.003）-0.189***（0.003）-0.188***（0.004） worktime-0.00718**（0.003）-0.00314（0.003）-0.00824***（0.003）-0.0122***（0.003） income0.0118***（0.002）-0.00211（0.003）0.00104（0.003） crdg-0.288***（0.014）-0.242***（0.015）-0.231***（0.015） house0.0246***（0.006）0.0220***（0.006）0.0210***（0.006） car-0.0283***（0.007）-0.0292***（0.007）-0.0331***（0.007） house_loan-0.0360***（0.009）-0.0420***（0.009）-0.0462***（0.009） car_loan0.00409（0.012）-0.00324（0.012）-0.00203（0.013） term0.00372***（0.000）0.00385***（0.000） lnmoney0.0331***（0.003）0.0359***（0.003） N371603370868370868368809 Pseudo0.01180.01330.01530.0203

（三）穩(wěn)健性分析

1．回歸方法的穩(wěn)健性。在上文的基本回歸中，我們使用了Probit模型，為了檢驗(yàn)回歸方法是否會影響我們的基本結(jié)論，本部分我們分別使用OLS和Logit回歸，回歸結(jié)果見表8?；貧w結(jié)果顯示，無論是OLS回歸，還是Logit回歸，啞變量真實(shí)姓名都對借款成功率有顯著的負(fù)向影響，對借款違約率有顯著的正向影響。OLS的回歸更為常用，結(jié)果也更直觀，從中我們可以看出，使用真實(shí)姓名的借款人，借款成功率下降0.359%，幅度并不算太大，但使用真實(shí)姓名的借款人的借款違約率卻高出5.48%。對于Logit回歸，幾率比（odds ratio）分析表明使用真實(shí)姓名的借款人借款成功率，是使用網(wǎng)絡(luò)昵稱借款成功率的88.5%（exp（-0.122）），使用真實(shí)姓名的借款違約率，是使用網(wǎng)絡(luò)昵稱借款違約率的148.5%（exp（0.395））。對于二值選擇模型，不同的回歸方法，回歸系數(shù)隱含的經(jīng)濟(jì)價(jià)值差異較大，因此我們下文將主要關(guān)注回歸系數(shù)的顯著性和方向。

表8 回歸方法的穩(wěn)健性分析

2．剔除純字母的昵稱。在關(guān)于借款人的名稱究竟是真實(shí)姓名還是網(wǎng)絡(luò)昵稱的認(rèn)定中，我們將純英文或拼音，全部認(rèn)定為昵稱。然而，嚴(yán)格說來，在英文或拼音的名稱中，也存在“真實(shí)姓名”（如姓名拼音和英文姓名）和純粹昵稱的區(qū)分，但考慮到識別方法的局限，無法做到理想的區(qū)分。為了進(jìn)一步檢驗(yàn)本文關(guān)于真實(shí)姓名的認(rèn)定是否受此影響，我們將名稱為全英文或者全拼音的樣本進(jìn)行剔除，僅比較真實(shí)中文姓名與中文網(wǎng)絡(luò)昵稱（可以含有部分字母或數(shù)字）的影響。此時(shí)的回歸結(jié)果見表9，回歸結(jié)果顯示，剔除全英文和全拼音的昵稱后，回歸結(jié)果仍然十分非常顯著，系數(shù)方向也和上文完全一致，并且對不同的回歸方法，皆如此。我們的結(jié)果具有較強(qiáng)的穩(wěn)健性。

表9 剔除純字母的昵稱

3．違約率的穩(wěn)健性。在上述關(guān)于借款違約率的回歸中，我們是在已違約項(xiàng)目和已成功結(jié)清項(xiàng)目中定義違約率的，即違約項(xiàng)目為1，結(jié)清項(xiàng)目為0。然而，由于人人貸還款機(jī)制一般都是每月等額還款，因此并不一定非要等借款項(xiàng)目結(jié)束之后，才能判斷其是否違約，可能在項(xiàng)目還款過程中，就會出現(xiàn)違約事件，即上述定義可能會高估真實(shí)違約率。為此，在本部分我們使用第二種違約率的計(jì)算，即違約項(xiàng)目對應(yīng)的不僅僅是已結(jié)清項(xiàng)目，還同時(shí)包括正在正常還款項(xiàng)目。根據(jù)此定義的違約率為9.6%，低于上文方法計(jì)算的違約率。

此時(shí)的回歸結(jié)果見表10。表10第（1）-（3）列分別使用了Probit、OLS和Logit回歸，回歸結(jié)果顯示，對于不同的回歸方法，啞變量真實(shí)姓名對違約率都有顯著的正向影響，這說明對于不同的違約率定義標(biāo)準(zhǔn)，回歸結(jié)果都是穩(wěn)健的。具體數(shù)值上，表9啞變量真實(shí)姓名對違約率的影響系數(shù)均較上文有所減小，這可能跟這里定義的違約率本身就較小有關(guān)。

表10 不同違約率的定義

五、結(jié) 論

在網(wǎng)絡(luò)時(shí)代，使用一個(gè)網(wǎng)絡(luò)昵稱還是真實(shí)姓名，是我們都要面對的選擇。然而，使用網(wǎng)絡(luò)昵稱還是使用真實(shí)姓名，哪個(gè)更容易得到信任？這是一個(gè)有趣也有意義的問題。本文利用我國P2P網(wǎng)絡(luò)借貸行業(yè)代表性企業(yè)“人人貸”的大數(shù)據(jù)樣本，獨(dú)辟蹊徑地探討了在P2P網(wǎng)絡(luò)借貸市場中，使用網(wǎng)絡(luò)昵稱和真實(shí)姓名，對借款成功率和借款違約率的影響。實(shí)證結(jié)果表明，相對于使用網(wǎng)絡(luò)昵稱，使用一個(gè)真實(shí)姓名的借款人，借款成功率更低，即使用真實(shí)姓名的借款人在P2P借貸市場上并沒有得到更高信任。同時(shí)，針對借款違約率的分析也表明，所謂使用真實(shí)姓名的借款人，較實(shí)用網(wǎng)絡(luò)昵稱的借款人，借款違約率更高。違約率和成功率的對比分析則表明，所謂使用真實(shí)姓名的借款人，得到的信任還是有些盲目。

就本文的政策涵義而言，監(jiān)管者應(yīng)該加強(qiáng)對P2P平臺信息披露的監(jiān)管。所謂信息披露是指P2P企業(yè)將其經(jīng)營信息、財(cái)務(wù)信息、風(fēng)險(xiǎn)信息以及標(biāo)的信息等向監(jiān)管者和社會公眾履行告知義務(wù)的行為。真實(shí)姓名之所以沒有比網(wǎng)絡(luò)昵稱得到更多的信任，就是因?yàn)檫@些所謂真實(shí)姓名，其真實(shí)性其實(shí)是無法保障的。而且，如果最終借款人違約，是否使用了真實(shí)姓名，對借款人的追討和出借人權(quán)益的維護(hù)，都并沒有太多的幫助。在無法核實(shí)和制約的情況下，取一個(gè)看起來像真實(shí)姓名的名稱，反而可能意味著是要誘導(dǎo)出借人。而我們的回歸結(jié)果也表明，這種“倒掛”的異常現(xiàn)象也已經(jīng)被出借人所識破，因而使用看起來像是真實(shí)姓名的借款人，反而不被信任，借款成功率更低。這種局面并不是一個(gè)理想局面，而打破它就有賴于信息披露機(jī)制和信息披露審查機(jī)制的建立和完善。

1. 陳霄、葉德珠：《標(biāo)點(diǎn)符號有用嗎？——來自P2P網(wǎng)絡(luò)借貸的經(jīng)驗(yàn)證據(jù)》[D]，暨南大學(xué)經(jīng)濟(jì)學(xué)院工作論文，2015年。

2. 李焰、高弋君、李珍妮、才子豪、王冰婷、楊宇：《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年第1期。

3. 廖理、吉霖、張偉強(qiáng)：《借貸市場能準(zhǔn)確識別學(xué)歷的價(jià)值嗎？——來自P2P平臺的經(jīng)驗(yàn)證據(jù)》[J]，《金融研究》2015年第3期。

4. 廖理、李夢然、王正位：《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年第5期。

5. 廖理、李夢然、王正位：《聰明的投資者：非完全市場化利率與風(fēng)險(xiǎn)識別——來自P2P網(wǎng)絡(luò)借貸的證據(jù)》[J]，《經(jīng)濟(jì)研究》2014年第7期。

6. 梁琪、肖曉蒙：《性別歧視是理性的吧？——來自P2P網(wǎng)絡(luò)借貸平臺的經(jīng)驗(yàn)依據(jù)》[D]，南開大學(xué)工作論文，2015年。

7. 彭紅楓、趙海燕、林川：《借款陳述如何影響借款成功率和借款成本——基于“人人貸”的文本分析》[D]，武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院工作論文，2015年。

8. 網(wǎng)貸之家、盈燦咨詢：《2015年中國網(wǎng)絡(luò)借貸行業(yè)年報(bào)》[D]，網(wǎng)貸之家網(wǎng)站，2016年。

9. 王會娟、廖理《中國P2P網(wǎng)絡(luò)借貸平臺的信用認(rèn)證機(jī)制研究》[J]，《中國工業(yè)經(jīng)濟(jì)》2014年第4期。

10. 張鳴、稅煜、陳明端：《股票名稱、選擇牲關(guān)注與殷價(jià)的行業(yè)同步牲》[J]，《財(cái)經(jīng)研究》2013年第11期。

11. 張偉強(qiáng)、廖理、王正位：《淮南之橘還是淮北之枳？——P2P網(wǎng)絡(luò)借貸市場的逆向選擇問題研究》[D]，清華大學(xué)王道口金融學(xué)院工作論文，2015年。

12. Barasinska, N., and Schafer, D. 2014, “Is Crowdfunding Different? Evidence on the Relation between Gender and Funding Success from a German Peer-to-Peer Lending Platform” [J],,Vol.15, NO.4: 436-452.

13. Chen, D., Li, X., and Lai, F., 2014, "Gender Discrimination in Online Peer-to-Peer Credit Lending: Evidence From Lending Platform in China "[D], Pacis 2014 Proceedings. Paper 106.

14. Duarte, J., Siegel, S., and Young, L., 2012, “Trust and Credit: the Role of Appearance in Peer-to-Peer Lending” [J],, Vol.25: 2455-2484.

15. Einav, L., and Yariv, L. 2006, “What's in a Surname? The Effects of Surname Initials on Academic Success” [J],, Vol.20, No.1: 175-188.

16. Freedman, S, and Jin, G., 2011, “Learning by Doing with Asymmetric Information: Evidence from Prosper.corn” [D], NBER Working Paper, No. 16855.

17. Green, T. C., and Jame, R, 2013, “Company Name Fluency, Investor Recognition, and Firm Value” [J],Vol.109: 813-834.

18. Herzenstein, M., Andrews, R., Dholakia, U., and Lyandres, E., 2008, “The Democratization of Personal Consumer Loans? Determinants of Success in Online Peer·to-peer Lending Communities” [D], SSRN working paper.

19. Herzenstein,M., Sonenshein, S., Dholakia, U. M., 2011, “Tell Me a Good Story and I May Lend You Money:The Role of Narratives in Peer-to-Peer Lending Decisions” [J],Vol.48, No.1: 138-149.

20. Iyer, R., Khwaja, A. I., Luttmer, E., and Shue, K., 2009, “Screening in New Credit Markets: Can Individual Lenders Infer Borrower Creditworthiness in Peer-to-Peer Lending?” [D], Working Paper.

21. Lin, M., Prabhala, N. R., and Viswanathan, S., 2009, “Can Social Networks Help Mitigate Information Asymmetry in Online Markets?” [D], ICIS 2009 Proceedings, Paper 202.

22. Lin, M., Prabhala, N. R., and Viswanathan, S., 2013, “Judging Borrowers by the Company They Keep: Social Networks and Adverse Selection in Online Pee-to-peer Lending” [J], Management Science, Vol.59: 17-35.

23. Pope, D. G., and Sydnor, J. R., 2011, “What’s in Picture? Evidence of Discrimination from Prosper.Com” [J],, Vol.46: 53-92.

24. Puro, L., Teich, J., Wallenius, H., and Wallenius, J., 2010, “Borrower Decision Aid for People-to-people Lending” [J],, Vol.49, No.1: 52-60.

25. Ravina, E., 2012, “Love & Loans: The Effect of Beauty and Personal Characteristics in Credit Markets” [D], SSRN Working paper.

（G）

①雖然所謂真實(shí)姓名不能完全確定為真實(shí)姓名，但這種偏差應(yīng)該主要體現(xiàn)在借款人以“張小三”為名，但其真實(shí)姓名其實(shí)是“張三”，而“張三”偏誤到“李四”的可能性不大，因此我們這里仍然使用“真實(shí)姓名”的用詞。

①這是一個(gè)非常耗時(shí)的工作，因?yàn)槿绻L時(shí)間來人工識別，就很難集中精力，因此為為了降低誤差率，我們每次識別時(shí)長都控制在幾十分鐘之內(nèi)，因此共耗時(shí)兩個(gè)多月，才完成這一工作。

①此處感謝匿名審稿人的寶貴意見。

* 本文獲得國家社會科學(xué)基金青年項(xiàng)目（批準(zhǔn)號：16CJY065）、中國博士后科學(xué)基金面上項(xiàng)目（批準(zhǔn)號：2015M580901）的資助。本文曾在上海對外經(jīng)貿(mào)大學(xué)、湘潭大學(xué)和香樟經(jīng)濟(jì)學(xué)Seminar（上海）等處報(bào)告，感謝張海洋、何曉波、許志偉等人的建議和幫助，感謝匿名審稿人的寶貴意見。作者郭峰，北京大學(xué)國家發(fā)展研究院博士后，上海新金融研究院研究員。