苑言方

(安徽大學(xué) 經(jīng)濟學(xué)院，安徽 合肥 230601)

P2P網(wǎng)貸平臺借款利率影響因素實證研究

苑言方

(安徽大學(xué) 經(jīng)濟學(xué)院，安徽 合肥 230601)

以P2P網(wǎng)貸平臺紅嶺創(chuàng)投為例，對影響借款利率的因素進(jìn)行了理論分析，并通過設(shè)立模型對影響借款利率的因素進(jìn)行了實證檢驗。研究結(jié)果表明：借款金額、借款期限與借款利率正相關(guān)，還款方式與借款利率負(fù)相關(guān)，與理論分析結(jié)果相一致；但是借出信用、還款保障與借款利率之間關(guān)系不顯著，這說明我國P2P網(wǎng)貸平臺的借款利率未能反映出借款者的風(fēng)險狀況。

P2P網(wǎng)貸平臺；借款利率；互聯(lián)網(wǎng)金融；紅嶺創(chuàng)投

一、文獻(xiàn)綜述

2006年，互聯(lián)網(wǎng)金融開始在我國興起。互聯(lián)網(wǎng)金融是一種有別于傳統(tǒng)金融機構(gòu)間接融資、也有別于資本市場直接融資的第三種融資模式。[1]2013年，互聯(lián)網(wǎng)金融在我國掀起一股熱潮，同時開始產(chǎn)生分化。目前，互聯(lián)網(wǎng)金融已分化出六種不同領(lǐng)域的業(yè)務(wù)類型，即第三方支付、網(wǎng)絡(luò)借貸(P2P網(wǎng)絡(luò)借貸等小額貸款)、股權(quán)眾籌融資、互聯(lián)網(wǎng)基金銷售、互聯(lián)網(wǎng)保險、互聯(lián)網(wǎng)信托和互聯(lián)網(wǎng)消費金融。[2]P2P網(wǎng)絡(luò)借貸是一種以P2P網(wǎng)貸平臺為中介，借款者與貸款者可直接或間接進(jìn)行資金撮合的融資模式。P2P網(wǎng)貸發(fā)展十分迅速，據(jù)網(wǎng)貸之家統(tǒng)計，截止到2017年3月底，我國P2P網(wǎng)貸平臺累計已達(dá)5888家，相比于2016年3月底增加8.92%，比2015年3月底增加77.78%。

我國學(xué)者對P2P網(wǎng)絡(luò)借貸進(jìn)行了大量研究，研究內(nèi)容主要分為三類。一是對P2P網(wǎng)貸模式、風(fēng)險與監(jiān)管建議等的研究。該部分研究最多且為理論定性分析。葉相容(2014)研究了P2P網(wǎng)貸的主要模式、運作機制和風(fēng)險，并提出了監(jiān)管建議。[3]張正平等(2013)對比分析了國內(nèi)外P2P的發(fā)展現(xiàn)狀、模式和特點，揭示了我國P2P網(wǎng)貸的問題，并提出了政策建議。[4]盧馨等(2015)分析了我國P2P網(wǎng)貸的問題并從政府、平臺和借貸雙方三個層面提出了解決建議。[5]劉繪等(2015)揭示了我國P2P網(wǎng)貸的問題，并通過分析國際經(jīng)驗，給出了相關(guān)監(jiān)管建議。[6]二是對P2P網(wǎng)貸借貸成功率的研究。該部分研究為實證分析。溫小霓等(2014)以拍拍貸為例分析了影響借貸成功率的因素。[7]王慧媛(2016)研究了P2P網(wǎng)貸中借款利率對借款成功率的影響。[8]孟東梅等(2016)研究了影響P2P網(wǎng)貸成功率的影響因素，結(jié)果表明，借款年利率、借入人信用、借款人歷史失敗次數(shù)等對借貸成功率會產(chǎn)生影響。[9]三是對P2P借款利率的研究。該部分研究為實證分析。陳虹等(2016)研究了P2P行業(yè)的利率定價模式，研究發(fā)現(xiàn)，成交利率與投資者人數(shù)與借款者人數(shù)比值之間存在一定的反向關(guān)系。[10]降富樓等以某區(qū)域性平臺為例，得出了銀行利率是主導(dǎo)P2P網(wǎng)貸借貸利率的主要因素。[11]

目前，我國對P2P網(wǎng)貸平臺借款利率影響因素的實證研究較少，尚未從風(fēng)險溢價的角度分析借款利率的影響因素，且現(xiàn)有實證分析均以人人貸、拍拍貸為例。P2P網(wǎng)貸平臺不同，對借款利率的影響因素就會有所差異。因此，本文以紅嶺創(chuàng)投為例，從風(fēng)險溢價角度出發(fā)，選取相關(guān)樣本數(shù)據(jù)，通過模型設(shè)定分析了影響借款利率的影響因素。

二、理論分析

P2P網(wǎng)貸是一種基于借款者信用狀況，以P2P網(wǎng)貸平臺為中介，借款者在平臺上發(fā)布借款信息，經(jīng)平臺審核后，投資者可在平臺上進(jìn)行貸款的借貸雙方直接進(jìn)行借貸交易的新型的小額貸款模式。借款利率是維系P2P網(wǎng)貸平臺正常進(jìn)行的核心，是借款者獲取借款的成本，也是貸款者進(jìn)行投資的收益。由資本資產(chǎn)定價模型可知，預(yù)期收益率與風(fēng)險有正相關(guān)關(guān)系，即風(fēng)險越大、收益率越高。而借款利率正是反映了借款者的風(fēng)險狀況，因此風(fēng)險影響著P2P網(wǎng)貸平臺借款利率的大小。

P2P網(wǎng)貸中的風(fēng)險包括信用風(fēng)險、流動性風(fēng)險、操作風(fēng)險、道德風(fēng)險、市場風(fēng)險等，其中，最常見的就是信用風(fēng)險和流動性風(fēng)險。信用風(fēng)險是指借款者違約的風(fēng)險，可有借款者的借出信用、借入信用和還款保障反映。借出信用是指用戶作為投資者的信用狀況，借出信用越大，說明借款者的還款能力越大、違約風(fēng)險越小，借款利率也就越小。借入信用是指用戶作為借款者的信用狀況，借入信用越大，說明借款者的信用違約風(fēng)險越小，借款利率也就越小。還款保障是指當(dāng)借款者出現(xiàn)違約時，平臺對投資者資金的保障。平臺為追求利益最大化，只會對違約風(fēng)險小的借款者采取違約保障。因此保障程度越深，說明借款者的信用風(fēng)險越小，故借款利率越小。流動性風(fēng)險是針對債權(quán)轉(zhuǎn)讓功能產(chǎn)生的，可由借款金額、借款期限和還款方式反映。借款金額越大，說明流動性越小，流動性風(fēng)險越大，故借款利率越大。借款期限越長，說明資金周轉(zhuǎn)率越小，流動性風(fēng)險越大，故借款利率越大。盡快收回資金的還款方式，會使資金周轉(zhuǎn)次數(shù)增加，流動性風(fēng)險減少，故借款利率越小。

三、數(shù)據(jù)選取與模型設(shè)定

1.數(shù)據(jù)選取

借款利率的確定有兩種方式，一種是平臺根據(jù)借款人信用、資產(chǎn)等信息以及借款信息自行確定借款利率；另一種是在利率范圍內(nèi)，借貸雙方自行競價決定。本文研究的是在借貸雙方自行競價決定借貸利率的情況下，借款成交利率的影響因素。為此，本文以P2P網(wǎng)貸平臺“紅嶺創(chuàng)投”為研究對象，通過爬蟲軟件抓取了該平臺官方網(wǎng)站近期公布的2867條借貸成功的交易數(shù)據(jù)，剔除數(shù)據(jù)缺失項后剩余2810條有效數(shù)據(jù)，并以此作為樣本數(shù)據(jù)。

2.變量選取與模型設(shè)定

紅嶺創(chuàng)投官網(wǎng)上發(fā)布的借貸成功的交易數(shù)據(jù)中含有借款金額、借款利率、借款期限等基本借貸信息，還款方式，還款保障，借款者借入借出信用、還款信用詳情，認(rèn)證信息、投標(biāo)記錄、待還信用等其他信息。因為紅嶺創(chuàng)投在審批借款申請時，特別是凈值標(biāo)標(biāo)的，當(dāng)借款者在紅嶺創(chuàng)投有投資時，會自動審核該借款信息，借入信用給分也會相對較高，因此，借出信用和借入信用存在一定的相關(guān)性，兩者相關(guān)系數(shù)高達(dá)0.8636，而其他各解釋變量之間的相關(guān)性均很小。因此，為了保證變量選取的有效性以及避免變量自相關(guān)，本文在參考相關(guān)文獻(xiàn)變量選取的基礎(chǔ)上，選取了以下數(shù)據(jù)變量(見表1)。

表1 變量選取及解釋

在表1中，還款方式分為三種，在回歸分析時將這三種還款方式按照資金回收速度分別進(jìn)行賦值，即按月到期全額還款賦值為1，按天一次性還款賦值為2，按月分期還款賦值為3；還款保障分為2種，按照保障強度進(jìn)行賦值，即賬戶凈值額度保障賦值為1，凈值標(biāo)保障賦值為2。此外，紅嶺創(chuàng)投對借款者信用狀況采取分?jǐn)?shù)制，最低0分，為避免該數(shù)值相對較大從而影響回歸結(jié)果，在回歸分析時以萬分為單位。

本文采用多元線性回歸模型進(jìn)行回歸分析研究影響P2P網(wǎng)貸借款利率的因素?；灸Ｐ腿缦拢?/p>

Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+ε

(1)

3.描述性統(tǒng)計分析

本文將篩選出的2810條有效交易數(shù)據(jù)導(dǎo)入State12.0，運用該軟件對變量進(jìn)行了描述性統(tǒng)計分析，統(tǒng)計結(jié)果見表2。由表2可知，紅嶺創(chuàng)投借款年利率的最小值為3.650%，最大值為10.950%，最小值與最大值之間差額為7.300%，說明紅嶺創(chuàng)投不同借款標(biāo)的之間的借款利率差額較大；紅嶺創(chuàng)投借款年利率的均值為7.327%，而據(jù)中國人民銀行相關(guān)統(tǒng)計，截止到2017年4月7日，央行一年期貸款基準(zhǔn)利率為4.35%，央行一年期存款基準(zhǔn)利率為1.5%，一年期國債收益率為2.996%，由此可知，紅嶺創(chuàng)投借款利率較高，風(fēng)險也相對較大，說明P2P網(wǎng)貸行業(yè)借款利率應(yīng)適當(dāng)下調(diào)。由統(tǒng)計結(jié)果可知，紅嶺創(chuàng)投借款金額均值為3.363萬元，最小值為250元，最大值為40萬元，借款期限均值為22天，最短為1天，最長為180天，這基本符合P2P網(wǎng)貸行業(yè)小額借貸的定義。而三種還款方式中，按月到期全額還款占比59.22%，按天一次性還款占比31.32%，按月分期還款占比9.47%；兩種還款保障中，凈值標(biāo)保障占比57.83%，賬戶凈值額度保障占比42.17%，說明紅嶺創(chuàng)投還款方式以按月到期全額還款為主，保障方式以凈值標(biāo)保障為主。

表2 變量描述性統(tǒng)計結(jié)果

四、回歸結(jié)果及分析

表4 OLS回歸及檢驗結(jié)果

注：*、**、***分別表示在10%、5%、1%的水平下顯著

針對上述OLS回歸結(jié)果中解釋變量X4和X5不顯著的問題，因所使用的2810條數(shù)據(jù)為截面數(shù)據(jù)，故考慮可能是存在異方差和多重共線性。為此，文章通過懷特檢驗和BP檢驗來檢驗回歸模型是否存在異方差，通過方差膨脹因子VIF來檢驗回歸模型是否存在多重共線性，檢驗結(jié)果見表5。由表5可知，在方差膨脹因子VIF檢驗中，解釋變量中最大的VIF值為1.38，遠(yuǎn)小于10，故認(rèn)為回歸模型不存在嚴(yán)重的多重共線性；而懷特檢驗的P值與BP檢驗的P值均為0.0000，故拒絕同方差的原假設(shè)，認(rèn)為回歸模型存在異方差。

為解決回歸模型存在異方差的問題，本文采用加權(quán)最小二乘法WLS對模型進(jìn)行回歸?；貧w結(jié)果中，解釋變量X1、X2、X3對應(yīng)的P值均小于0.01，說明在1%的顯著性水平下，解釋變量X1、X2、X3仍是顯著的；而解釋變量X4、X5對應(yīng)的P值均大于0.10，仍是不顯著的。

在用WLS法解決異方差后，解釋變量X4、X5、X6仍然不顯著，說明模型設(shè)定不正確，因此本文采用向后篩選策略建立新的回歸方程并進(jìn)行多元線性回歸，回歸結(jié)果見表6。由表6可知，在模型1、模型2和模型3的回歸結(jié)果中，均存在解釋變量X4或X5不顯著的情況，說明借出信用、還款保障與借款利率之間關(guān)系不顯著，故第4個模型為最終模型。在模型4中，解釋變量X1、X2、X3對應(yīng)的P值均小于0.01，說明在1%的顯著性水平下，解釋變量X1、X2、X3均是顯著的；且解釋變量X1、X2對應(yīng)的參數(shù)均為正值，解釋變量X3對應(yīng)的參數(shù)為負(fù)值，說明解釋變量X1、X2與被解釋變量Y存在正相關(guān)關(guān)系，即借款金額越大、借款期限越長，借款利率越大；解釋變量X3與被解釋變量Y存在負(fù)相關(guān)關(guān)系，即采用按月分期還款的還款方式會使借款利率變小。

表5 異方差與多重共線性檢驗結(jié)果

表6 多元線性回歸結(jié)果

注：*、**、***分別表示在10%、5%、1%的水平下顯著

五、結(jié)論與建議

本文以P2P網(wǎng)貸平臺紅嶺創(chuàng)投為例，首先對影響P2P網(wǎng)貸平臺借款利率的因素進(jìn)行了理論分析，然后通過收集該平臺公布的2810條有效數(shù)據(jù)，運用多元線性回歸模型對影響P2P網(wǎng)貸借款利率的因素進(jìn)行了實證檢驗，研究結(jié)果表明借款金額、借款期限與借款利率正相關(guān)，還款方式與借款利率負(fù)相關(guān)，與理論分析結(jié)果相一致；但是借出信用、還款保障與借款利率之間關(guān)系不顯著，這說明我國P2P網(wǎng)貸平臺的借款利率未能反映出借款者的風(fēng)險狀況。因此建立完善的利率定價機制是P2P網(wǎng)貸平臺當(dāng)務(wù)之急，為此我們有以下建議。

1.建立健全P2P網(wǎng)貸行業(yè)的信用體系。完善的利率定價機制能夠充分反映P2P網(wǎng)貸平臺中借款者的風(fēng)險狀況。但是現(xiàn)階段，P2P網(wǎng)貸平臺的借款利率卻無法完全反映出借款者的風(fēng)險狀況。原因在于P2P網(wǎng)貸平臺對借款者信用信息的審核多依賴于借款者自身提供的信用數(shù)據(jù)，無法完全保證數(shù)據(jù)的可用性和準(zhǔn)確性。為此，建立健全P2P網(wǎng)貸行業(yè)的信用體系，P2P網(wǎng)貸行業(yè)就要建立起自己的征信系統(tǒng)，且建立起P2P網(wǎng)貸平臺之間的信息共享機制，或者積極引入央行的征信系統(tǒng)。

2.引進(jìn)專業(yè)的金融風(fēng)險管理人才。P2P網(wǎng)貸平臺是互聯(lián)網(wǎng)和金融的緊密結(jié)合體，而借款利率又是鏈接整體P2P網(wǎng)貸平臺的紐帶，與風(fēng)險呈正相關(guān)關(guān)系，于是識別各類風(fēng)險和制定合理的利率定價機制成為P2P網(wǎng)貸行業(yè)健康發(fā)展的前提。P2P網(wǎng)貸平臺利率定價的根本依據(jù)是要有完備的風(fēng)險識別和控制體系[12]。通過引進(jìn)具有先進(jìn)經(jīng)驗的國內(nèi)外金融風(fēng)險管理人才能夠?qū)︼L(fēng)險進(jìn)行有效識別、制定嚴(yán)格的風(fēng)險管理和監(jiān)控體系以及完善平臺利率定價機制。

3.促進(jìn)P2P網(wǎng)貸平臺各類數(shù)據(jù)信息規(guī)范且透明?，F(xiàn)階段，P2P網(wǎng)貸平臺一個較大的問題就是信息不透明且不規(guī)范。信息不透明、不規(guī)范是學(xué)者對網(wǎng)貸平臺借款利率、借款成功率等現(xiàn)有狀況進(jìn)行實證研究較少的主要原因。不透明的交易數(shù)據(jù)使得廣大學(xué)者難以獲得有效的數(shù)據(jù)進(jìn)行實證研究，且即使有些P2P網(wǎng)貸平臺會公布交易數(shù)據(jù)，但由于平臺每日都會達(dá)成新的借貸交易數(shù)據(jù)，信息量較大，交易數(shù)據(jù)也不易采集；不規(guī)范的交易數(shù)據(jù)使學(xué)者無法對眾多平臺進(jìn)行對比分析。因此，相關(guān)監(jiān)管部門要規(guī)范P2P網(wǎng)貸行業(yè)的各項數(shù)據(jù)指標(biāo)，P2P網(wǎng)貸平臺也要積極對交易數(shù)據(jù)進(jìn)行披露。

[1]謝平，鄒傳偉.互聯(lián)網(wǎng)金融模式研究[J].金融研究,2012(12).

[2]中國人民銀行等十部委.關(guān)于促進(jìn)互聯(lián)網(wǎng)金融健康發(fā)展的指導(dǎo)意見[Z].2015-07-18.

[3]葉湘榕.P2P借貸的模式風(fēng)險與監(jiān)管研究[J].金融監(jiān)管研究,2014(3).

[4]張正平,胡夏露.P2P網(wǎng)絡(luò)借貸:國際發(fā)展與中國實踐[J].北京工商大學(xué)學(xué)報，2013(2).

[5]盧馨,李慧敏.P2P網(wǎng)絡(luò)借貸的運行模式與風(fēng)險管控[J].財政稅收與資本市場,2015(2).

[6]劉繪,沈慶劼.我國P2P網(wǎng)絡(luò)借貸的風(fēng)險與監(jiān)管研究[J].財經(jīng)問題研究，2015(1).

[7]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).

[8] 王慧媛.P2P網(wǎng)貸中借款年利率對借款成功率影響的理論與實證研究[J].金融創(chuàng)新，2016(7).

[9] 孟東梅，楊雪梅.我國P2P網(wǎng)絡(luò)借貸成功率影響因素研究[J].金融創(chuàng)新，2016(42).

[10]陳虹，馬永鍵.P2P網(wǎng)貸行業(yè)利率定價模式研究[J].當(dāng)代財經(jīng)，2016(5).

[11]降富樓，張海亮，田甜銘梓.P2P網(wǎng)絡(luò)借貸利率決定-基于某區(qū)域型平臺的實證分析[J].上海金融，2016(5).

[12]傅小順.國內(nèi)外P2P小額信貸利率定價模式比較研究[J].經(jīng)濟研究，2015(11).

Class No.:F832.4 Document Mark：A

(責(zé)任編輯：宋瑞斌)

Influencing Factors of Interest Rate of P2P Lending Platform

Yuan Yanfang

(School of Economics, Anhui University, Hefei, Anhui 230601，China)

Taking P2P lending platform in my809.com as an example, this paper analyzes the factors influencing the interest rate, and empirically tests the results through the model established . The results show that the loan amount, loan term and interest rate are positively correlated, and the repayment method is negatively correlated with the interest rate, which is consistent with the theoretical analysis. However, the relationship between lending credit, repayment guarantee and interest rate is not significant, which shows that the interest rate of P2P lending platform does not reflect the risk of the borrower.

P2P lending platform；interest rate；Internet finance；Hongling Investment

苑言方，在讀碩士，安徽大學(xué)經(jīng)濟學(xué)院。研究方向：互聯(lián)網(wǎng)金融。

1672-6758(2017)07-0091-5

F832.4

A