魏麗萍, 陳德棉, 謝勝?gòu)?qiáng)

誰(shuí)動(dòng)了“我”的績(jī)效？
——P2P平臺(tái)成交量的驅(qū)動(dòng)要素和影響機(jī)制研究

魏麗萍, 陳德棉, 謝勝?gòu)?qiáng)

（同濟(jì)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，上海 200092）

以P2P企業(yè)的生存發(fā)展為立場(chǎng)，試圖從供需機(jī)制、借款利率及網(wǎng)絡(luò)口碑三個(gè)方面探究成交量的驅(qū)動(dòng)要素以及變量間協(xié)同演變的路徑機(jī)制。研究結(jié)果顯示：（1）融資需求和投資需求是P2P平臺(tái)績(jī)效的關(guān)鍵驅(qū)動(dòng)要素。（2）借款利率的提高沒(méi)有引致成交量的增加；相反，隨平臺(tái)成交量的增加，借款利率反而降低，這與現(xiàn)實(shí)現(xiàn)象一致，從一定程度上反映了P2P行業(yè)發(fā)展正趨于理性。（3）負(fù)面口碑對(duì)成交量的影響不明顯，這從側(cè)面表明社會(huì)存在P2P剛性需求；另外，隨成交量的增加，平臺(tái)負(fù)面口碑也增加，這暗示了P2P行業(yè)的客戶(hù)體驗(yàn)欠佳，服務(wù)質(zhì)量以及口碑建設(shè)還存在很大的提升空間。最后，本研究提出了一個(gè)整合模型，有助于深入認(rèn)識(shí)和理解各變量間協(xié)同演變的路徑機(jī)制，對(duì)指導(dǎo)P2P企業(yè)抓取關(guān)鍵要素、提升平臺(tái)績(jī)效也具有一定的實(shí)踐意義。

成交量；投資需求；融資需求；借款利率；負(fù)面口碑

一、引言

近年來(lái)P2P行業(yè)異軍突起，成為制度創(chuàng)業(yè)實(shí)踐的重要力量。盡管整個(gè)行業(yè)野蠻生長(zhǎng)、亂象叢生，諸如資金斷裂、自融、跑路等現(xiàn)象接二連三、飽受詬病，但其巨大的發(fā)展前景還是吸引了大量新創(chuàng)P2P企業(yè)爭(zhēng)先恐后投身其中，行業(yè)競(jìng)爭(zhēng)異常激烈。然而，隨著《關(guān)于促進(jìn)互聯(lián)網(wǎng)金融健康發(fā)展的指導(dǎo)意見(jiàn)》以及《網(wǎng)絡(luò)借貸信息中介機(jī)構(gòu)業(yè)務(wù)活動(dòng)管理暫行辦法》等政策的接連出臺(tái)，行業(yè)監(jiān)管逐漸到位，低門(mén)檻也不復(fù)存在，整個(gè)行業(yè)面臨重新洗牌。在此種背景之下，行業(yè)的競(jìng)爭(zhēng)與淘汰狀況愈演愈烈，各平臺(tái)的生存與發(fā)展問(wèn)題堪憂(yōu)。因此，正確識(shí)別P2P企業(yè)經(jīng)營(yíng)發(fā)展的驅(qū)動(dòng)要素及其影響機(jī)制，有助于指引P2P企業(yè)的生存發(fā)展之路。

P2P企業(yè)的運(yùn)營(yíng)主要表現(xiàn)為交易的促成，成交量（率）是反映企業(yè)績(jī)效水平的重要指標(biāo)。目前有關(guān)P2P的研究多關(guān)注微觀層面，著眼于借款人信息、借款訂單屬性以及投資者“羊群行為”等特征對(duì)借貸成功率的影響（郭陽(yáng)，2012）；相對(duì)而言，從中觀層面出發(fā)，關(guān)注供需機(jī)制對(duì)成交量影響的研究還比較少見(jiàn)。對(duì)P2P平臺(tái)而言，理論上高額借款利率可以吸引投資者的關(guān)注，進(jìn)而增加平臺(tái)的人氣和成交量；然而現(xiàn)有證據(jù)也多顯示在微觀層面，如溫小霓和武小娟（2014）研究認(rèn)為，借款年利率越高，則借款成功率越高；但中觀層面是否成立尚未可知。另外，P2P圈子為實(shí)現(xiàn)共同的利益訴求，經(jīng)常通過(guò)互聯(lián)網(wǎng)進(jìn)行經(jīng)驗(yàn)分享或口碑傳播，這些可能會(huì)影響到投資者的投資決策，對(duì)成交量產(chǎn)生一定的影響。遺憾的是，現(xiàn)有研究較少關(guān)注這些方面的問(wèn)題。

基于以上討論，本文試圖從供需機(jī)制、借款利率以及網(wǎng)絡(luò)口碑三個(gè)方面入手探討P2P平臺(tái)成交量的驅(qū)動(dòng)要素以及變量間協(xié)同演變的路徑機(jī)制。具體而言，探究以下問(wèn)題：（1）融資需求是否以及如何影響P2P平臺(tái)的績(jī)效？（2）投資需求是否以及如何影響P2P平臺(tái)的績(jī)效？（3）融資需求、投資需求和成交量之間是否以及存在怎樣的路徑機(jī)制？（4）高額借款利率是否以及如何影響P2P企業(yè)績(jī)效？（5）網(wǎng)絡(luò)口碑是否以及如何影響P2P平臺(tái)的績(jī)效？這些問(wèn)題的研究有助于豐富和擴(kuò)展P2P主題的研究范圍，對(duì)于指導(dǎo)P2P企業(yè)抓取關(guān)鍵要素、提升平臺(tái)績(jī)效也具有一定的實(shí)踐意義。

本文主要貢獻(xiàn)體現(xiàn)在三個(gè)方面：（1）目前有關(guān)P2P領(lǐng)域的研究主要涉及借款成功率及違約行為（李焰等，2014；Chen等，2016；彭紅楓等，2016）、信息不對(duì)稱(chēng)、投資者決策及“羊群行為”（Yum等，2012；Luo和Lin，2013；張科和裴平，2016）；信任機(jī)制（陳冬宇，2014；王會(huì)娟和廖理，2014）、P2P監(jiān)管及法律規(guī)制問(wèn)題（姚海放等，2013；宮曉林，2014）等；就P2P平臺(tái)自身的經(jīng)營(yíng)發(fā)展而言，我們知之甚少。本文以我國(guó)P2P平臺(tái)生存發(fā)展為立場(chǎng)，探討影響平臺(tái)績(jī)效的關(guān)鍵要素及其影響的路徑機(jī)制，這擴(kuò)展了中國(guó)情境下P2P領(lǐng)域研究的范圍。（2）以往有關(guān)P2P的研究多從微觀層面出發(fā)，以個(gè)體投資者或借款者為視角；本研究嘗試引入供需機(jī)制、借款利率以及負(fù)面口碑三個(gè)方面的要素，探討其對(duì)P2P平臺(tái)成交績(jī)效的影響，這豐富了中觀視角下P2P領(lǐng)域研究的相關(guān)理論。（3）通過(guò)深入考察成交量與投資需求、融資需求、借款利率以及負(fù)面口碑之間的關(guān)系，本研究提出了一個(gè)整合性的研究框架，這有助于深入認(rèn)識(shí)和理解各變量間協(xié)同演變的路徑機(jī)制，為后續(xù)研究提供一定的參考。

二、理論分析與研究假設(shè)

（一）融資需求、投資需求與P2P平臺(tái)的成交量

投資需求和融資需求的現(xiàn)實(shí)存在是驅(qū)使P2P行業(yè)發(fā)展的重要因素。徐軍輝（2015）指出，中國(guó)經(jīng)濟(jì)存在的“兩多兩難”問(wèn)題，即中小企業(yè)多但融資難和居民財(cái)富多但投資難，是互聯(lián)網(wǎng)金融快速發(fā)展的主要?jiǎng)右?。一方面，央行近年?lái)持續(xù)降息、銀行實(shí)際存款利率近乎負(fù)值，加之普通居民投資渠道相對(duì)較少，導(dǎo)致民間資本“投資難”現(xiàn)象加?。ㄔ⒚?，2015）。另一方面，長(zhǎng)尾人群信貸資金需求巨大，但傳統(tǒng)融資方式包容度低，種種限制使得金融需求難以通過(guò)正式途徑得以滿(mǎn)足，從而“融資難”問(wèn)題也日益突出。P2P正是在這種情境下應(yīng)運(yùn)而生的，它的興起恰恰使得大量個(gè)性化、碎片化的金融服務(wù)需求得以釋放和滿(mǎn)足。鄭志來(lái)（2015）也認(rèn)為，P2P直接對(duì)接投資需求和融資需求，在小微企業(yè)貸款方面顯現(xiàn)出比較優(yōu)勢(shì)，彌補(bǔ)了傳統(tǒng)金融無(wú)法覆蓋的空白，從而導(dǎo)致其迅速發(fā)展。根據(jù)以上理論分析，我們提出如下假設(shè)：

H1：融資需求正向影響P2P平臺(tái)的成交量，即借款人數(shù)越多，平臺(tái)成交量越大。

H2：投資需求正向影響P2P平臺(tái)的成交量，即投資人數(shù)越多，平臺(tái)成交量越大。

基于P2P平臺(tái)的交易模式，借款人通過(guò)P2P平臺(tái)發(fā)布融資需求，提交諸如借款項(xiàng)目、借款金額、可承受的利率水平及借款期限等必要的信息（王會(huì)娟和廖理，2014），投資人在平臺(tái)上自由選擇交易對(duì)象，并以信用貸款的形式將資金貸給有融資需求的人（廖理等，2014）。通常情況下，一個(gè)借款人的融資需求需由多個(gè)投資人投標(biāo)才能滿(mǎn)足。因此，隨著借款人數(shù)的增加，投資人數(shù)往往也增加。基于以上分析，我們進(jìn)一步提出如下假設(shè)：

H3：P2P平臺(tái)上的融資需求正向影響投資需求，即借款人數(shù)越多，投資人數(shù)也越多。

（二）借款利率與P2P平臺(tái)的成交量

超額收益率是指超過(guò)正常預(yù)期的收益率，在P2P網(wǎng)絡(luò)借貸行業(yè)，常表示為超過(guò)無(wú)風(fēng)險(xiǎn)投資利率（央行定期年利率）的差值。P2P行業(yè)發(fā)展之初，以誘人的超額收益吸引了投資者的關(guān)注，并由此逐漸發(fā)展成為民間資本投資的重要渠道。研究證據(jù)也表明，高額收益率會(huì)提升P2P成交的可能性，如溫小霓和武小娟（2014）和馬麗敏（2015）研究發(fā)現(xiàn)，借款者給出的借款年利率越高，則借款的成功率也就越高。

理論上，較高的超額收益往往伴隨著較高的違約風(fēng)險(xiǎn)。盡管一個(gè)理性的投資者在決策符合預(yù)期收益率的借款項(xiàng)目的同時(shí)，應(yīng)判斷和估計(jì)借款人的違約概率以最大限度的減少預(yù)期收益所伴隨的風(fēng)險(xiǎn)（金靜松，2016）。但就目前而言，我國(guó)居民的金融素養(yǎng)普遍偏低（尹志超，2014），普通投資者受高額收益誘惑往往忽視背后隱藏的風(fēng)險(xiǎn)，盲目?jī)A向于借款利率較高的平臺(tái)。因而，借款利率水平較高的平臺(tái)可能會(huì)更受投資者的青睞，平臺(tái)的成交量也會(huì)更高。理論如此，但尚未得到實(shí)證檢驗(yàn)。本文擬借助“網(wǎng)貸之家”公布的各平臺(tái)收益率指標(biāo)，考察借款利率對(duì)平臺(tái)成交量的影響?；谝陨戏治觯岢鲆韵录僭O(shè)：

H4：借款利率正向影響P2P平臺(tái)的成交量，即借款利率越高，平臺(tái)成交量越大。

（三）負(fù)面口碑與P2P平臺(tái)的成交量

P2P企業(yè)因制度創(chuàng)業(yè)而迅速崛起、野蠻生長(zhǎng)的同時(shí)問(wèn)題不斷（East等，2015），以致行業(yè)整體信譽(yù)度偏低、社會(huì)口碑欠佳。在行業(yè)信息不透明的條件下，投資者難以獲取真實(shí)有效的企業(yè)信息，無(wú)法對(duì)平臺(tái)的質(zhì)量及前景做出準(zhǔn)確地判斷。為提高決策的正確性，其投資選擇更多地依賴(lài)于從他人那里獲取經(jīng)驗(yàn)。同時(shí)，擁有直接經(jīng)驗(yàn)的投資者為滿(mǎn)足自我表現(xiàn)或利他需求，或提高其在社會(huì)網(wǎng)絡(luò)中的地位和話(huà)語(yǔ)權(quán)，往往愿意給無(wú)直接經(jīng)驗(yàn)的投資者提供某平臺(tái)使用經(jīng)驗(yàn)的參考，以幫助其降低投資風(fēng)險(xiǎn)和不確定性。在這種情境下，口碑作為一種有效的經(jīng)驗(yàn)傳播的工具，在P2P投資者的交流互動(dòng)中起到重要的作用。

口碑有正面和負(fù)面之分。許多文獻(xiàn)研究證實(shí)，較正面口碑而言，負(fù)面口碑對(duì)消費(fèi)者的態(tài)度和認(rèn)知的影響力更大（Fiske，1980；宋曉兵等，2011；唐雪梅等，2012）。Ahluwalia（2002）表明，消費(fèi)者通常認(rèn)為負(fù)面信息比正面信息更具有判斷價(jià)值，所以才會(huì)在購(gòu)買(mǎi)決策時(shí)更多地依賴(lài)負(fù)面信息，因而其決策受負(fù)面口碑的影響會(huì)更大。袁乾（2015）指出，負(fù)面口碑具有傳播迅速、破壞能力強(qiáng)等特征，消費(fèi)者為規(guī)避潛在的損失，一旦接觸負(fù)面口碑往往就難以轉(zhuǎn)變其觀點(diǎn)。負(fù)面口碑對(duì)P2P網(wǎng)絡(luò)借貸的影響，尚未有文獻(xiàn)進(jìn)行實(shí)證研究，難以定論。本文擬借助“網(wǎng)貸之家”平臺(tái)數(shù)據(jù)中的用戶(hù)點(diǎn)評(píng)數(shù)據(jù)，考察負(fù)面口碑對(duì)P2P平臺(tái)績(jī)效的影響?；谝陨戏治觯岢鲆韵录僭O(shè)：

H5：負(fù)面口碑負(fù)向影響成交量，即負(fù)面口碑越多，平臺(tái)成交量越小。

鑒于“網(wǎng)貸之家”平臺(tái)中進(jìn)行用戶(hù)點(diǎn)評(píng)的主體大多是網(wǎng)絡(luò)借貸的參與者（即借款人和投資人），因此，負(fù)面點(diǎn)評(píng)語(yǔ)的多少與借款人數(shù)和投資人數(shù)之間可能存在一定的關(guān)系。一般而言，參與某P2P平臺(tái)的人數(shù)越多，進(jìn)行點(diǎn)評(píng)的數(shù)據(jù)也越多。因此，相較于其他平臺(tái)，該平臺(tái)負(fù)面點(diǎn)評(píng)語(yǔ)出現(xiàn)的概率越大。根據(jù)以上分析，我們提出如下假設(shè)：

H6：借款人數(shù)正向影響負(fù)面口碑，即借款人數(shù)越多，負(fù)面口碑越多。

H7：投資人數(shù)正向影響負(fù)面口碑，即投資人數(shù)越多，負(fù)面口碑越多。

綜合以上假設(shè)，本研究提出的理論模型如圖1所示。

圖1 本研究理論模型

三、研究設(shè)計(jì)

（一）變量測(cè)量

（1）P2P平臺(tái)成交量（Volume）。P2P企業(yè)的運(yùn)營(yíng)主要表現(xiàn)為交易的促成，因而成交量是衡量P2P企業(yè)績(jī)效的重要指標(biāo)。本研究以“網(wǎng)貸之家”提供的截至2016年11月28日近30天的動(dòng)態(tài)成交量指標(biāo)來(lái)測(cè)量。

（2）融資需求（BD）和投資需求（ID）。以“網(wǎng)貸之家”提供的截至2016年11月28日近30天的動(dòng)態(tài)借款人數(shù)和投資人數(shù)指標(biāo)來(lái)測(cè)量。

（3）借款利率（Rate）。以“網(wǎng)貸之家”提供的截至2016年11月28日近30天的平臺(tái)平均收益率指標(biāo)來(lái)測(cè)量。

（4）負(fù)面口碑（NWOM）?！熬W(wǎng)貸之家”平臺(tái)數(shù)據(jù)中設(shè)有“我要點(diǎn)評(píng)”欄目，讓用戶(hù)在給出的點(diǎn)評(píng)語(yǔ)（如不透明、老板牛、還不錯(cuò)、無(wú)語(yǔ)、標(biāo)難搶、坑爹、沒(méi)人氣、還算透明、平臺(tái)不負(fù)責(zé)任、收益低、收益高、網(wǎng)站很low、垃圾網(wǎng)站、高危、債權(quán)轉(zhuǎn)讓方便、騙錢(qián)、提現(xiàn)快、不誠(chéng)信、零費(fèi)用、服務(wù)差、自融等）中進(jìn)行選擇性評(píng)價(jià)，以實(shí)現(xiàn)平臺(tái)與用戶(hù)以及用戶(hù)與用戶(hù)之間的交流互動(dòng)。本研究中負(fù)面口碑以負(fù)面點(diǎn)評(píng)語(yǔ)出現(xiàn)的頻數(shù)來(lái)測(cè)度，每個(gè)評(píng)語(yǔ)出現(xiàn)一次均計(jì)1分。

（5）控制變量。包括平臺(tái)的注冊(cè)資金（Fund）、上線天數(shù)（Days）以及平臺(tái)背景（Ground）。其中，注冊(cè)資金以P2P平臺(tái)名義注冊(cè)資金來(lái)測(cè)量。上線天數(shù)以P2P平臺(tái)上線日始至2016年11月28日止（平臺(tái)仍然存續(xù)時(shí)）計(jì)算的總天數(shù)。平臺(tái)背景包括國(guó)資系、民營(yíng)系、銀行系和上市系四種類(lèi)型。

（二）主效應(yīng)模型

考察融資需求和投資需求、借款利率以及負(fù)面口碑對(duì)P2P平臺(tái)績(jī)效影響的主效應(yīng)，構(gòu)建模型M0：

該模型的因變量為平臺(tái)交易量（Volume），自變量為融資需求（BD）、投資需求（ID）、借款利率（Rate）?？刂谱兞堪ǎ鹤?cè)資金（Fund）、上線天數(shù)（Days）以及平臺(tái)背景（Ground）。ε0為擾動(dòng)項(xiàng)。

（三）路徑機(jī)制模型

1. 考察融資需求和投資需求影響P2P平臺(tái)績(jī)效的路徑機(jī)制，構(gòu)建模型M1、M2和M3：

模型M1的因變量為投資需求（ID），自變量為融資需求（BD）。模型M2、M3的因變量為平臺(tái)績(jī)效（Volume），自變量為融資需求（BD）、投資需求（ID）。兩個(gè)模型的控制變量均包括：注冊(cè)資金（Fund）、上線天數(shù)（Days）以及平臺(tái)背景（Ground）。ε1、ε3分別為其擾動(dòng)項(xiàng)。

2. 考察融資需求、投資需求、成交量與借款利率的路徑機(jī)制，構(gòu)建模型M4、M5和M6：

模型M4的因變量為借款利率（Rate），自變量為融資需求（BD）。模型M5的因變量為借款利率（Rate），自變量為融資需求（BD）、投資需求（ID）。模型M6的因變量為借款利率（Rate），自變量為融資需求（BD）、投資需求（ID）、成交量（Volume）。三個(gè)模型的控制變量均包括：注冊(cè)資金（Fund）、上線天數(shù)（Days）以及平臺(tái)背景（Ground）。ε4、ε5、ε5分別為其擾動(dòng)項(xiàng)。

3. 考察融資需求、投資需求、成交量以及負(fù)面口碑的路徑機(jī)制，構(gòu)建模型M7、M8和M9：

模型M7的因變量為負(fù)面口碑（NWOM），自變量為融資需求（BD）。模型M8的因變量為負(fù)面口碑（NWOM），自變量為融資需求（BD）、投資需求（ID）。模型M9的因變量為負(fù)面口碑（NWOM），自變量為融資需求（BD）、投資需求（ID）、成交量（Volume）。三個(gè)模型的控制變量均包括：注冊(cè)資金（Fund）、上線天數(shù)（Days）以及平臺(tái)背景（Ground）。ε7、ε8、ε9分別為其擾動(dòng)項(xiàng)。

（四）樣本選擇與數(shù)據(jù)來(lái)源

本文以“網(wǎng)貸之家”公布的P2P平臺(tái)為研究對(duì)象，用網(wǎng)絡(luò)爬蟲(chóng)軟件隨機(jī)抓取了2016年11月的725家平臺(tái)的數(shù)據(jù)。對(duì)數(shù)據(jù)進(jìn)行整理和篩選，剔除停業(yè)、跑路、提現(xiàn)困難、經(jīng)偵介入、數(shù)據(jù)缺失以及上線時(shí)間非常短暫的平臺(tái)，剩余242家平臺(tái)可作研究樣本。

四、數(shù)據(jù)分析與假設(shè)檢驗(yàn)

（一）描述性統(tǒng)計(jì)分析

表1顯示了所有變量的均值、標(biāo)準(zhǔn)差以及皮爾遜相關(guān)系數(shù)。由表知，借款人數(shù)與成交量顯著正相關(guān)（r=0.382，p＜0.01），這與假設(shè)1一致；投資人數(shù)與成交量顯著正相關(guān)（r=0.662，p＜0.01），這與假設(shè)2一致；而投資人數(shù)與借款人數(shù)顯著正相關(guān)（r=0.431，p＜0.01），這與假設(shè)3一致。借款利率與成交量顯著負(fù)相關(guān)（r=–0.275，p＜0.01），這與假設(shè)4的方向不一致。負(fù)面口碑與成交量顯著正相關(guān)（r=0.553，p＜0.01），這與假設(shè)5的方向不一致。此外，借款人數(shù)、投資人數(shù)分別與負(fù)面口碑顯著正相關(guān)。綜上，單個(gè)主要變量與成交量的關(guān)系都是顯著相關(guān)的，但假設(shè)4與假設(shè)5在正負(fù)關(guān)系上與原假設(shè)不一致。所有變量?jī)蓛芍g的相關(guān)系數(shù)均小于0.70，屬于中低度相關(guān)；且每個(gè)變量的方差膨脹因子VIF均小于2（最大值1.904），故不存在嚴(yán)重的多重共線性問(wèn)題。

表1 變量描述性統(tǒng)計(jì)

（二）主效應(yīng)模型檢驗(yàn)

考慮到變量量綱的不同，會(huì)造成模型中變量的系數(shù)缺乏直接的含義，不能直觀的反映每個(gè)變量的解釋能力（量綱過(guò)小甚至?xí)棺兞康娘@著性受到影響），故本研究在回歸分析時(shí)對(duì)所有變量進(jìn)行了標(biāo)準(zhǔn)化處理?；貧w結(jié)果如表2中模型M0所示：（1）借款人數(shù)與成交量呈現(xiàn)正相關(guān)（β=0.095，p＜0.05），投資人數(shù)與成交量呈現(xiàn)正相關(guān)（β=0.460，p＜0.01），故假設(shè)1、假設(shè)2得到驗(yàn)證。這說(shuō)明，在其他條件不變的條件下，隨著融資需求的增加，成交量增加；隨著投資需求的增加，成交量也明顯提升。（2）借款利率與成交量顯著負(fù)相關(guān)（β=–0.153，p＜0.01），這與假設(shè)4方向不一致。即當(dāng)借款利率每提高1單位，引起平臺(tái)成交量下降0.153個(gè)單位；考慮極端值情況，當(dāng)借款利率趨近于0時(shí)，成交量趨近于最大值；這一結(jié)論在經(jīng)濟(jì)意義上也是說(shuō)不通的；然而，此刻我們并無(wú)法否認(rèn)借款利率與成交量相關(guān)的顯著性（p＜0.01）因而考慮借款利率與成交量的關(guān)系可能是因果倒置的，即隨著成交量的增加，借款利率隨之降低，后文將對(duì)這一猜測(cè)進(jìn)行驗(yàn)證。（3）負(fù)面口碑與成交量顯著正相關(guān)（β=0.201，p＜0.01），這與假設(shè)5的方向不一致。即當(dāng)負(fù)面口碑增加，成交量隨之提高，這在實(shí)際意義上也是講不通的；然而，也無(wú)法否認(rèn)負(fù)面口碑與成交量顯著相關(guān)這一事實(shí)（p＜0.01）；由此，推斷負(fù)面口碑與成交量的因果關(guān)系也可能是倒置的，即隨著成交量的提高，負(fù)面口碑的數(shù)量也增加，后文將對(duì)這一推斷進(jìn)行驗(yàn)證。

表2 不同因變量模型的回歸分析結(jié)果

（三）路徑模型檢驗(yàn)

1. 融資需求和投資需求與成交量的路徑機(jī)制

回歸結(jié)果見(jiàn)表2，模型M1中，借款人數(shù)正向影響投資人數(shù)（β=0.384，p＜0.01），假設(shè)3得到驗(yàn)證。模型M2顯示，借款人數(shù)正向影響成交量（β=0.343，p＜0.01）。模型M3顯示，加入投資人數(shù)這一變量后，借款人數(shù)仍然正向影響成交量（β=0.123，p＜0.05），但系數(shù)變小，而投資人數(shù)正向影響成交量（β=0.572，p＜0.01）。由此可知，投資人數(shù)部分中介了借款人數(shù)對(duì)成交量的影響。

2. 融資需求、投資需求、成交量與借款利率的路徑機(jī)制

回歸結(jié)果見(jiàn)表2，模型M2顯示，借款人數(shù)正向影響成交量（β=0.343，p＜0.01）。模型M3顯示，投資人數(shù)正向影響成交量（β=0.572，p＜0.01）。模型M4顯示，借款人數(shù)對(duì)借款利率的影響不顯著（β=–0.101，ns.）；模型M5顯示，加入投資人數(shù)這一變量后，借款人數(shù)對(duì)借款利率的影響仍不顯著（β=–0.076，ns.），而投資人數(shù)對(duì)借款利率的影響也不顯著（β=–0.067，ns.）。模型M6顯示，繼續(xù)加入成交量這一變量后，借款人數(shù)和投資人數(shù)對(duì)借款利率的影響仍然都不顯著；但成交量對(duì)借款利率的回歸系數(shù)顯著為負(fù)（β=–0.331，p＜0.01）。由此推斷，成交量完全中介了借款人數(shù)對(duì)借款利率的影響；成交量也完全中介了投資人數(shù)對(duì)借款利率的影響。

3. 融資需求、投資需求、成交量以及負(fù)面口碑的路徑機(jī)制

回歸結(jié)果見(jiàn)表2，由模型M2知，借款人數(shù)正向影響成交量（β=0.343，p＜0.01）；由模型M3知，投資人數(shù)也正向影響成交量（β=0.572，p＜0.01）。模型M7顯示，借款人數(shù)正向影響負(fù)面口碑（β=0.280，p＜0.01）；模型M8顯示，加入投資人數(shù)這一變量后，借款人數(shù)對(duì)負(fù)面口碑的影響不再顯著（β=–0.085，ns.），而投資人數(shù)正向影響負(fù)面口碑（β=0.507，p＜0.01）；模型M9顯示，繼續(xù)加入成交量這一變量后，借款人數(shù)對(duì)負(fù)面口碑的影響仍不顯著（β=–0.053，ns.），而投資人數(shù)仍然正向影響負(fù)面口碑（β=0.359，p＜0.01），但系數(shù)變小，而成交量正向影響負(fù)面口碑（β=0.258，p＜0.01）。又模型M1中，借款人數(shù)正向影響投資人數(shù)（β=0.384，p＜0.01）。由此說(shuō)明，成交量部分中介了借款人數(shù)對(duì)負(fù)面口碑的影響；成交量也部分中介了投資人數(shù)對(duì)負(fù)面口碑的影響；同時(shí)，假設(shè)6和假設(shè)7均得到驗(yàn)證。

綜合以上分析，各變量的路徑機(jī)制如圖2所示。實(shí)線箭頭表示已經(jīng)證明且具有實(shí)際意義的因果路徑，虛線部分表示仍存在質(zhì)疑的因果路徑關(guān)系。

圖2 路徑機(jī)制模型

（四）最佳模型識(shí)別與中介效應(yīng)檢驗(yàn)

為進(jìn)一步檢驗(yàn)負(fù)面口碑與成交量、借款利率與成交量之間是否互為因果關(guān)系，以及互為因果關(guān)系的模型是否優(yōu)于單向因果關(guān)系的模型，借鑒吳明隆（2010）和Wong和Law（1999）等人的做法，構(gòu)建一組競(jìng)爭(zhēng)模型進(jìn)行比較。

由于本研究所涉及的組合模型較多，故以AMOS模型界定搜尋程序獲取最佳適配模型。模型界定搜尋是由研究者提出一個(gè)自由度較少的模型或飽和模型，界定少數(shù)幾條必含的路徑，其余路徑由AMOS組合排列并估計(jì)各組合模型的適配度統(tǒng)計(jì)量，然后挑選出一個(gè)與原先理論架構(gòu)最為符合、適配度較佳且較為精簡(jiǎn)的模型，進(jìn)行參數(shù)估計(jì)與模型修正。

以圖2模型為初始模型。界定所有實(shí)線表示的路徑為必須存在的路徑，并界定路徑參數(shù)標(biāo)簽名稱(chēng)；其余2條虛線路徑為可選擇的路徑，暫不界定路徑參數(shù)標(biāo)簽名稱(chēng)。執(zhí)行模型界定搜尋程序，結(jié)果見(jiàn)表3。

表3 模型界定搜尋結(jié)果

通過(guò)模型呈現(xiàn)，四個(gè)競(jìng)爭(zhēng)模型中，競(jìng)爭(zhēng)模型1設(shè)定為成交量為因，負(fù)面口碑和借款利率分別為果的遞歸模型；競(jìng)爭(zhēng)模型2設(shè)定為成交量與借款利率單向因果關(guān)系、成交量與負(fù)面口碑互為因果關(guān)系的非遞歸模型；競(jìng)爭(zhēng)模型3設(shè)定為成交量與負(fù)面口碑單向因果關(guān)系、成交量與借款利率互為因果關(guān)系的非遞歸模型；競(jìng)爭(zhēng)模型4設(shè)定為成交量與負(fù)面口碑、成交量與借款利率均互為因果的非遞歸模型。

由表3知，只有競(jìng)爭(zhēng)模型1的CMIN/DF處于（1，2）之間。根據(jù)BIC0信息準(zhǔn)則，競(jìng)爭(zhēng)模型1的BIC0值為0，表明該模型與樣本數(shù)據(jù)最為適配；競(jìng)爭(zhēng)模型3的BIC0介于（2，4）之間，表明有證據(jù)反對(duì)該模型。據(jù)此，競(jìng)爭(zhēng)模型1是與樣本數(shù)據(jù)最為適配的模型，在該模型中，負(fù)面口碑與成交量、借款利率與成交量之間均呈現(xiàn)以成交量為因的單項(xiàng)因果關(guān)系（見(jiàn)圖3）。該模型的成立同時(shí)也表明，成交量與負(fù)面口碑以及成交量與借款利率之間并不存在嚴(yán)重的互為因果效應(yīng)。

圖3 最優(yōu)競(jìng)爭(zhēng)模型

對(duì)競(jìng)爭(zhēng)模型1進(jìn)行實(shí)證檢驗(yàn)。擬合優(yōu)度指標(biāo)顯示：p=0.375，CMIN/DF=1.038，RSMEA=0.012，RMR=0.023，GFI、NFI、CFI均大于0.90，模型適配良好。路徑分析結(jié)果表明，除借款人數(shù)對(duì)負(fù)面口碑的影響不顯著外，其余變量之間的路徑系數(shù)均達(dá)顯著水平。

（五）中介效應(yīng)檢驗(yàn)

以競(jìng)爭(zhēng)模型1建構(gòu)結(jié)構(gòu)方程模型，借助偏差校正的非參數(shù)百分位Bootstrap方法檢驗(yàn)可能存在的中介效應(yīng)。從原始數(shù)據(jù)（N=242）中，隨機(jī)重復(fù)再抽取2 000個(gè)Bootstrap樣本。如表4所示，借款人數(shù)對(duì)成交量的間接效應(yīng)均值為0.263，占總效應(yīng)的68.85%，Bias corrected 95%CI=[0.075，1.228]，不包含0，說(shuō)明投資人數(shù)在借款人數(shù)對(duì)成交量影響中的部分中介效應(yīng)是顯著的。同理，在借款人數(shù)對(duì)負(fù)面口碑的影響中，由投資人數(shù)和成交量所產(chǎn)生的部分中介效應(yīng)也是顯著的，其間接效應(yīng)均值為0.282，占總效應(yīng)的80.11%，Bias corrected 95%CI=[0.096，0.913]。在借款人數(shù)對(duì)借款利率的影響中，由投資人數(shù)和成交量所產(chǎn)生的完全中介效應(yīng)也是顯著的，其間接效應(yīng)均值為–0.105，占總效應(yīng)的100%，Bias corrected 95%CI=[–0.194，–0.062]。而在投資人數(shù)對(duì)負(fù)面口碑的影響中，成交量產(chǎn)生的部分中介效應(yīng)并不是顯著的，該效應(yīng)均值為0.138，Bias corrected 95%CI =[–0.016，0.333]，包含0。在投資人數(shù)對(duì)借款利率的影響中，成交量產(chǎn)生的中介效應(yīng)均值為–0.168，占總效應(yīng)的100%，Bias corrected 95%CI=[–0.334，–0.083]，不包含0，說(shuō)明該完全中介效應(yīng)是顯著的。

（六）穩(wěn)健性分析

第一，本研究中各潛變量間的相關(guān)系數(shù)（見(jiàn)表1）均低于0.70，這說(shuō)明多重共線性問(wèn)題并不嚴(yán)重。第二，通過(guò)對(duì)遞歸模型和非遞歸模型的檢驗(yàn)和對(duì)比（見(jiàn)表3），發(fā)現(xiàn)本研究互為因果效應(yīng)并不嚴(yán)重，這進(jìn)一步佐證了所得結(jié)構(gòu)模型的穩(wěn)健性。第三，為進(jìn)一步驗(yàn)證結(jié)構(gòu)模型的穩(wěn)定性，本文重新抓取截至2017年1月9日近30天的樣本數(shù)據(jù)，剔出無(wú)效數(shù)據(jù)后，有效樣本容量為181家平臺(tái)。穩(wěn)健性檢驗(yàn)結(jié)果顯示如下：p=0.126，CMIN/DF=1.906，RSMEA=0.074，RMR=0.045，GFI、NFI、CFI均大于0.90，模型適配良好。路徑分析結(jié)果表明，除借款人數(shù)對(duì)負(fù)面口碑的直接路徑系數(shù)顯著性發(fā)生變化外（β=–0.109，p＜0.05），其余變量的系數(shù)和符號(hào)都比較穩(wěn)定（見(jiàn)表4），其顯著性水平也沒(méi)有明顯變化，這說(shuō)明本研究的結(jié)果具有較好的穩(wěn)健性。

表4 中介效應(yīng)檢驗(yàn)（Bootstrap法）

五、研究結(jié)論與討論

（一） 結(jié)論與討論

本文考察風(fēng)險(xiǎn)投資、網(wǎng)絡(luò)口碑與超額收益率對(duì)P2P平臺(tái)成交量的影響，主要結(jié)論如下：（1）融資需求和投資需求是P2P平臺(tái)績(jī)效的關(guān)鍵驅(qū)動(dòng)要素。（2）借款利率的提高，并不能引致平臺(tái)的成交量增加；相反，隨著平臺(tái)成交量的增加，借款利率反而降低，這與現(xiàn)實(shí)現(xiàn)象（李光磊，2015）是一致的，也從一定程度上反映了高額借款利率不再是投資者偏好的首要因素，P2P行業(yè)的發(fā)展正趨于理性。（3）成交量受負(fù)面口碑的影響并不明顯，這從側(cè)面表明了P2P行業(yè)剛性需求的存在，同時(shí)也從理論上反駁了對(duì)P2P行業(yè)持有“消亡”態(tài)度的觀點(diǎn)。此外，隨著成交量的增加，平臺(tái)的負(fù)面口碑也隨之增加，這表明，行業(yè)的客戶(hù)體驗(yàn)欠佳，服務(wù)質(zhì)量以及行業(yè)建設(shè)還存在很大的提升空間。

（二）管理啟示

本研究首次構(gòu)建了融資需求、投資需求、負(fù)面口碑以及超額收益與P2P平臺(tái)成交量的因果路徑模型，揭示了P2P企業(yè)績(jī)效的關(guān)鍵驅(qū)動(dòng)因素。這對(duì)處于激烈競(jìng)爭(zhēng)環(huán)境中的P2P企業(yè)具有重要的參考和實(shí)踐意義。首先，平臺(tái)需要增加對(duì)資產(chǎn)端和負(fù)債端的吸力以提高成交量、增強(qiáng)競(jìng)爭(zhēng)力；這不僅要求平臺(tái)具有成功開(kāi)展?fàn)I銷(xiāo)業(yè)務(wù)的能力，還需具備正確評(píng)估參與者的金融素養(yǎng)與風(fēng)險(xiǎn)承擔(dān)水平的能力，借此開(kāi)發(fā)多樣化的、個(gè)性化的產(chǎn)品，以獲取投資者青睞。其次，隨著成交量提升，收益趨于下跌，P2P產(chǎn)品對(duì)普通投資者的吸引力將會(huì)越來(lái)越小，此時(shí)，加強(qiáng)自身的合規(guī)建設(shè)和信譽(yù)建設(shè)，降低交易風(fēng)險(xiǎn)，是平臺(tái)運(yùn)行的必經(jīng)之路。最后，成交量提升導(dǎo)致負(fù)面口碑的增加，表明P2P行業(yè)亟需改善服務(wù)水平，提高客戶(hù)體驗(yàn)，這是平臺(tái)運(yùn)營(yíng)的長(zhǎng)久之計(jì)。

（三）研究不足與展望

本研究存在一定的局限性，仍需在今后的研究中做進(jìn)一步的改善。首先，以借款人數(shù)和投資人數(shù)來(lái)測(cè)度P2P情境下的投融資需求，這種測(cè)量方式比較粗略，后期可以采用更為精確的測(cè)量標(biāo)準(zhǔn)。其次，盡管借貸供需機(jī)制是成交量的重要驅(qū)動(dòng)因素，但并不是全部，未來(lái)研究還需繼續(xù)探討存在哪些關(guān)鍵要素影響P2P企業(yè)績(jī)效。第三，考慮到本研究中負(fù)面口碑的測(cè)度方式可能會(huì)受到平臺(tái)上線天數(shù)的影響，本研究樣本數(shù)據(jù)排除了部分新上線的平臺(tái)，這對(duì)研究結(jié)論可能會(huì)產(chǎn)生一定的影響，后期可以考慮更為嚴(yán)謹(jǐn)?shù)脑O(shè)計(jì)以避免該類(lèi)情況。

[1]陳冬宇. 基于社會(huì)認(rèn)知理論的P2P網(wǎng)絡(luò)放貸交易信任研究[J]. 南開(kāi)管理評(píng)論, 2014,（3）: 40–48, 73.

[2]宮曉林. P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)與監(jiān)管——基于有限理性假設(shè)的分析[J]. 投資研究, 2014,（6）: 29–40.

[3]郭陽(yáng). 中國(guó)P2P小額貸款市場(chǎng)借貸成功率影響因素分析[D]. 天津: 天津大學(xué), 2012.

[4]金靜松. P2P借貸提前償付對(duì)投資收益率影響的研究[D]. 南京: 南京大學(xué), 2016.

[5]李焰, 高弋君, 李珍妮, 等. 借款人描述性信息對(duì)投資人決策的影響——基于P2P網(wǎng)絡(luò)借貸平臺(tái)的分析[J]. 經(jīng)濟(jì)研究, 2014,（S1）: 143–155.

[6]廖理, 李夢(mèng)然, 王正位. 聰明的投資者: 非完全市場(chǎng)化利率與風(fēng)險(xiǎn)識(shí)別——來(lái)自P2P網(wǎng)絡(luò)借貸的證據(jù)[J]. 經(jīng)濟(jì)研究, 2014,（7）: 125–137.

[7]呂勇斌, 姜藝偉, 張小青. 我國(guó)P2P平臺(tái)網(wǎng)絡(luò)借貸逾期行為和羊群行為研究[J]. 統(tǒng)計(jì)與決策, 2016,（4）: 162–165.

[8]馬麗敏. 中國(guó)P2P網(wǎng)絡(luò)借貸成功率影響因素研究[D]. 天津: 天津財(cái)經(jīng)大學(xué), 2015.

[9]彭紅楓, 趙海燕, 周洋. 借款陳述會(huì)影響借款成本和借款成功率嗎?——基于網(wǎng)絡(luò)借貸陳述的文本分析[J]. 金融研究, 2016,（4）: 158–173.

[10]舒海棠, 陶瑩. 互聯(lián)網(wǎng)金融發(fā)展的驅(qū)動(dòng)力研究——基于P2P行業(yè)資產(chǎn)端和負(fù)債端的經(jīng)驗(yàn)證據(jù)[J]. 金融與經(jīng)濟(jì), 2016,（4）: 21–26, 45.

[11]宋曉兵, 叢竹, 董大海. 網(wǎng)絡(luò)口碑對(duì)消費(fèi)者產(chǎn)品態(tài)度的影響機(jī)理研究[J]. 管理學(xué)報(bào), 2011,（4）: 559–566.

[12]唐雪梅, 賴(lài)勝?gòu)?qiáng), 朱敏. 網(wǎng)絡(luò)口碑信息特征對(duì)受眾再傳播意愿影響研究[J]. 情報(bào)雜志, 2012,（4）: 133–137, 121.

[13]王會(huì)娟, 廖理. 中國(guó)P2P網(wǎng)絡(luò)借貸平臺(tái)信用認(rèn)證機(jī)制研究——來(lái)自“人人貸”的經(jīng)驗(yàn)證據(jù)[J]. 中國(guó)工業(yè)經(jīng)濟(jì), 2014,（4）: 136–147.

[14]魏鵬. 中國(guó)互聯(lián)網(wǎng)金融的風(fēng)險(xiǎn)與監(jiān)管研究[J]. 金融論壇, 2014,（7）: 3–9, 16.

[15]溫小霓, 武小娟. P2P網(wǎng)絡(luò)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.

[16]吳明隆. 結(jié)構(gòu)方程模型: AMOS的操作與應(yīng)用[M]. 重慶: 重慶大學(xué)出版社, 2010.

[17]謝廣營(yíng), 徐二明. P2P網(wǎng)貸企業(yè)績(jī)效的影響因素——來(lái)自482家企業(yè)的經(jīng)驗(yàn)數(shù)據(jù)[J]. 中國(guó)流通經(jīng)濟(jì), 2016,（7）: 73–79.

[18]徐軍輝. 中國(guó)互聯(lián)網(wǎng)金融的爆發(fā)式增長(zhǎng): 動(dòng)因與風(fēng)險(xiǎn)[J]. 理論月刊, 2015,（10）: 5–10.

[19]姚海放, 彭岳, 肖建國(guó), 等. 網(wǎng)絡(luò)平臺(tái)借貸的法律規(guī)制研究[J]. 法學(xué)家, 2013,（5）: 94–110.

[20]袁乾. 社會(huì)化媒體中面向負(fù)面口碑的信息資源管理方法[D]. 武漢: 華中科技大學(xué), 2015.

[21]張科, 裴平. 信息不對(duì)稱(chēng)、貸款人類(lèi)型與羊群效應(yīng)——基于人人貸網(wǎng)絡(luò)借貸平臺(tái)數(shù)據(jù)的研究[J]. 經(jīng)濟(jì)管理, 2016,（6）: 125–137.

[22]曾耿明. 互聯(lián)網(wǎng)金融的商業(yè)模式及對(duì)傳統(tǒng)金融的沖擊[J]. 金融與經(jīng)濟(jì), 2015,（5）: 52–56.

[23]鄭志來(lái). 互聯(lián)網(wǎng)金融對(duì)我國(guó)商業(yè)銀行的影響路徑——基于“互聯(lián)網(wǎng)+”對(duì)零售業(yè)的影響視角[J]. 財(cái)經(jīng)科學(xué), 2015,（5）: 34–43.

[24]Ahluwalia R. How prevalent is the negativity effect in consumer environments?[J]. Journal of Consumer Re-search, 2002, 29（2）: 270–279.

[25]Chen D Y, Lai F J, Lin Z X. A trust model for online peer-to-peer lending: A lender’s perspective[J]. Infor-mation Technology and Management, 2014, 15（4）: 239–254.

[26]Chen X R, Zhou L N, Wan D F. Group social capital and lending outcomes in the financial credit market: An empirical study of online peer-to-peer lending[J]. Electronic Commerce Research and Applications, 2016, 15: 1–13.

[27]East R, Uncles M D, Romaniuk J, et al. Measuring the impact of positive and negative word of mouth: A reap-praisal[J]. Australasian Marketing Journal, 2015, 24（1）: 54–58.

[28]Fiske S T. Attention and weight in person perception: The impact of negative and extreme behavior[J]. Journal of Personality and Social Psychology, 1980, 38（6）: 889–906.

[29]Luo B J, Lin Z X. A decision tree model for herd behavior and empirical evidence from the online P2P lending market[J]. Information Systems and e-Business Management, 2013, 11（1）: 141–160.

[30]Wong C S, Law K S. Testing reciprocal relations by nonrecursive structural equation models using cross-sectional data[J]. Organizational Research Methods, 1999, 2（1）: 69–87.

[31]Yum H, Lee B, Chae M. From the wisdom of crowds to my own judgment in microfinance through online peer-to-peer lending platforms[J]. Electronic Commerce Research and Applications, 2012, 11（5）: 469–483.

Who Moved “My” Performance? Driving Factors and Effect Mechanism for P2P Trading Volume

Wei Liping, Chen Demian, Xie Shengqiang

（School of Economics and Management, Tongji University, Shanghai 200092, China）

Taking the survival and development of P2P enterprises as the standpoint, this paper explores the driving factors of P2P trading volume and path mechanism of co-evolution among variables in the aspects of supply-demand mechanism, borrowing rate and word-of-mouth. It arrives at the following conclusions: firstly, financing demand and investment demand are two key driving factors for P2P platform performance; secondly, the increase in borrowing rate does not result in the rise in trading volume; on the contrary, with the increase in P2P trading volume, the borrowing rate reduces instead, which is consistent with the reality and to a certain extent shows that the development of P2P enterprises is becoming more and more rational; thirdly, negative word-of-mouth does not have the significant effect on P2P trading volume, showing that there is the rigid demand for P2P from one aspect; in addition, with the increase in P2P trading volume, negative word-of-mouth of P2P platforms also rises, implying that customer experience in P2P industry is poor and there is plenty of room for improvement in services quality and word-of-mouth construction. Finally, it proposes an integrated framework, which helps to understand the path mechanism of co-evolution among variables and to some extent is of practice significance to the grab of key elements by guiding P2P enterprises and the improvement of P2P platform performance.

trading volume; investment demand; financing demand; borrowing rate; negative word-of-mouth

F270

A

1001-4950(2017)06-0114-11

（責(zé)任編輯：子 文）

10.16538/j.cnki.fem.2017.06.009

2016-10-20

魏麗萍（1988—），女，同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院博士研究生（通訊作者）；陳德棉（1962—），男，同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院教授；謝勝?gòu)?qiáng)（1969—），男，同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院副研究員。