孟 娜 娜，粟 勤

（1.對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)金融學(xué)院，北京市100029；2.石家莊郵電職業(yè)技術(shù)學(xué)院，河北石家莊050023）

一、引言

個(gè)人對(duì)個(gè)人（P2P）網(wǎng)絡(luò)借貸是借助互聯(lián)網(wǎng)技術(shù)為廣大居民提供普惠金融服務(wù)的互聯(lián)網(wǎng)金融產(chǎn)品，具有方便、快捷且易于操作等特點(diǎn)。作為正規(guī)金融工具的補(bǔ)充，P2P網(wǎng)絡(luò)借貸有助于在一定程度上降低金融中介成本，緩解金融排斥，為借款人與投資人（即貸款人）搭建高效的網(wǎng)絡(luò)互動(dòng)平臺(tái)，提高社會(huì)參與者的金融服務(wù)可獲得性，促進(jìn)全社會(huì)普惠金融發(fā)展[1]。P2P網(wǎng)絡(luò)借貸商業(yè)模式，為經(jīng)濟(jì)社會(huì)中難以通過(guò)正規(guī)渠道獲得借款的資金需求者和擁有閑置資金且期望尋求較高投資收益的資金供給者搭建了便利的網(wǎng)絡(luò)交易渠道[2]。

通過(guò)P2P網(wǎng)貸平臺(tái)，投資人可以貸出資金以獲得較高的收益回報(bào)，而借款人則可以用較低的融資成本來(lái)滿足自身資金需求。但是隨著P2P網(wǎng)貸平臺(tái)數(shù)量與交易規(guī)模的爆發(fā)式增長(zhǎng)，其內(nèi)在的和外在的金融風(fēng)險(xiǎn)不斷加劇。尤其是P2P網(wǎng)絡(luò)借貸平臺(tái)在經(jīng)營(yíng)過(guò)程中存在的征信不足、違約率較高等問(wèn)題，在一定程度上制約著P2P網(wǎng)絡(luò)借貸平臺(tái)的發(fā)展。此外，P2P網(wǎng)貸平臺(tái)借貸雙方之間存在嚴(yán)重的信息不對(duì)稱，進(jìn)一步導(dǎo)致平臺(tái)客戶違約風(fēng)險(xiǎn)問(wèn)題突出，由此違約風(fēng)險(xiǎn)也成為P2P網(wǎng)絡(luò)借貸交易中最主要的風(fēng)險(xiǎn)類型之一[3]。在缺乏抵押擔(dān)保機(jī)制的P2P網(wǎng)絡(luò)借貸交易中，借款人自愿披露信息的真實(shí)可靠性問(wèn)題最為突出[4]。P2P網(wǎng)絡(luò)借貸平臺(tái)的借款人總是傾向于公開(kāi)有助于提升自身信用等級(jí)并且能夠順利獲得借款的有利信息，而貸款人（投資人）則僅僅通過(guò)借款人在平臺(tái)公布的相關(guān)信息做出是否向借款人借款以及是否存在違約風(fēng)險(xiǎn)的大致評(píng)估。

一、理論基礎(chǔ)與研究假設(shè)

（一）軟信息對(duì)于借款獲得的影響

軟信息（Soft Information）是相對(duì)于可量化的財(cái)務(wù)數(shù)據(jù)、資產(chǎn)抵押和信用評(píng)估等“硬信息”而言的，是能夠反映借款人的償債能力與償債意愿的、具有個(gè)性化特征且難以量化的增量信息。“軟信息”在很大程度上可以代替“硬信息”，彌補(bǔ)由于借款人財(cái)務(wù)信息不完善、抵押品匱乏等導(dǎo)致的信貸缺口，進(jìn)而有助于改善借款人不利的信貸條件[5-6]。在傳統(tǒng)金融市場(chǎng)中，借款用途等軟信息對(duì)于能否成功融資具有很大影響，無(wú)論是商業(yè)銀行等正規(guī)金融機(jī)構(gòu)還是民間借貸的貸款人，都會(huì)參考借款用途等“軟信息”判斷借款人的信用風(fēng)險(xiǎn)。盡管P2P網(wǎng)絡(luò)借貸模式通過(guò)互聯(lián)網(wǎng)信息技術(shù)促進(jìn)了借貸雙方的資金匹配，但是P2P網(wǎng)絡(luò)借貸雙方依然存在嚴(yán)重的信息不對(duì)稱，并且極易引發(fā)逆向選擇與道德風(fēng)險(xiǎn)[7]。米歇爾斯（Michels J）[8]提出在 P2P網(wǎng)絡(luò)借貸中，投資人（貸款人）的投資決策（貸款）不僅依賴于借款人提供的“硬信息”，借款人提供的“軟信息”在很大程度上也發(fā)揮重要作用。莊雷等[9]提出P2P網(wǎng)絡(luò)借款中，借款用途等軟信息的披露有助于生產(chǎn)型借款訂單的達(dá)成，可以作為中小微企業(yè)融資的有效途徑，促進(jìn)互聯(lián)網(wǎng)金融創(chuàng)新對(duì)于實(shí)體經(jīng)濟(jì)發(fā)揮積極作用。此外，大量的實(shí)證研究表明，年齡、性別、相貌、體重、地域、種族以及借款人的文字描述等軟信息都會(huì)對(duì)借款成功率產(chǎn)生顯著影響[10-13]。

（二）軟信息對(duì)于違約風(fēng)險(xiǎn)的影響

在小微貸款審批過(guò)程中，軟信息與硬信息形成有效的補(bǔ)充，當(dāng)作為硬信息不能獲得充分認(rèn)可時(shí)，借款者通常會(huì)運(yùn)用軟信息來(lái)體現(xiàn)自身的還款能力。弗里德曼和吉恩（Freedman S&Jin G Z）[14]對(duì)美國(guó)的Prosper網(wǎng)貸平臺(tái)交易數(shù)據(jù)進(jìn)行實(shí)證研究發(fā)現(xiàn)，引入反映社交關(guān)系的軟信息能夠有效降低借款合約的違約率。林等（Lin M et al）[15]則通過(guò)實(shí)證研究發(fā)現(xiàn)，提供可驗(yàn)證的強(qiáng)社會(huì)關(guān)系的軟信息不僅能夠有效提高借款合約的簽約率，還能夠降低借款合約的違約率，并有效降低借款人的借款成本。王會(huì)娟等[16]提出，借款訂單中的“借款描述”能夠作為有效的“軟信息”彌補(bǔ)借款人“硬信息”不足的劣勢(shì)，在一定程度上實(shí)現(xiàn)借款人的信用增進(jìn)，進(jìn)而有助于降低P2P網(wǎng)貸平臺(tái)借款人的違約風(fēng)險(xiǎn)。格雷戈?duì)柕龋℅regor D et al）[17]以歐洲Auxmon?ey（https：//www.auxmoney.com/）和 Smava（https：//www.smava.de/）兩個(gè)P2P網(wǎng)貸平臺(tái)的借款人數(shù)據(jù)作為研究樣本，運(yùn)用含內(nèi)生解釋變量的Probit模型進(jìn)行實(shí)證分析，結(jié)果顯示，借款人“借款描述”中的拼寫(xiě)錯(cuò)誤、文本長(zhǎng)度雖然都會(huì)顯著影響借款人的借款成功率與借款成本，但是卻很難對(duì)借款人的違約概率產(chǎn)生影響。葉德珠和陳霄[18]以“人人貸”（https：//www.renrendai.com/）平臺(tái)數(shù)據(jù)為基礎(chǔ)，運(yùn)用Logit模型實(shí)證分析借款人的“借款描述”中所包含的標(biāo)點(diǎn)數(shù)量和字?jǐn)?shù)對(duì)于借款成功率、借款成本以及違約風(fēng)險(xiǎn)的影響，發(fā)現(xiàn)“借款描述”中所包含的標(biāo)點(diǎn)數(shù)量越多，借款成功率與借款成本越低；“借款描述”中所包含的字?jǐn)?shù)越多，借款成功率與借款成本越高，但是兩者對(duì)借款違約風(fēng)險(xiǎn)并未產(chǎn)生顯著影響。

（三）研究假設(shè)

基于上述文獻(xiàn)綜述與總結(jié)，提出本文的研究假設(shè)如下：

假設(shè)1：“人人貸”網(wǎng)貸平臺(tái)的借款人樣本數(shù)據(jù)中，“借款描述”項(xiàng)所包含的內(nèi)容影響平臺(tái)借款人的借款獲得。內(nèi)容越充分和完整，越有助于投資者對(duì)于借款人及其借款需求的真實(shí)“了解”，與借款訂單的其他選擇性信息形成互補(bǔ)，降低“信息不對(duì)稱”造成的借款訂單匹配失敗率，進(jìn)而有助于借款人的借款獲得。

假設(shè)2：“人人貸”網(wǎng)貸平臺(tái)的借款人樣本數(shù)據(jù)中，“借款描述”項(xiàng)所包含的內(nèi)容能夠反映借款人的違約風(fēng)險(xiǎn)。充分和完整的內(nèi)容，能夠在一定程度上披露借款人的真實(shí)借款意圖以及風(fēng)險(xiǎn)信息，進(jìn)而有助于投資者對(duì)于借款人的真實(shí)“信用狀況”進(jìn)行判斷。

假設(shè)3：“人人貸”網(wǎng)貸平臺(tái)的借款人樣本數(shù)據(jù)中，“借款描述”項(xiàng)的借款人情緒反映影響平臺(tái)借款人的借款獲得。借款人的個(gè)性化情緒越明顯，越不利于投資者對(duì)于借款人及其借款需求的理性判斷，再加上借款訂單的其他選擇性信息披露不充分，會(huì)提高“信息不對(duì)稱”造成的借款訂單匹配失敗率，進(jìn)而不利于借款人的借款獲得。

假設(shè)4：“人人貸”網(wǎng)貸平臺(tái)的借款人樣本數(shù)據(jù)中，“借款描述”項(xiàng)的借款人情緒反映影響平臺(tái)借款人的違約風(fēng)險(xiǎn)。個(gè)性化情緒越明顯，借款人的違約風(fēng)險(xiǎn)越高。

二、模型構(gòu)建

（一）數(shù)據(jù)來(lái)源與變量選取

自2005年3月第一家P2P網(wǎng)絡(luò)借貸平臺(tái)Zopa（http：//www.zopa.com/）在英國(guó)倫敦上線運(yùn)營(yíng)以來(lái)，P2P網(wǎng)絡(luò)借貸商業(yè)模式迅速發(fā)展，遍布全球。由于我國(guó)監(jiān)管部門(mén)對(duì)于互聯(lián)網(wǎng)金融的“包容”態(tài)度與開(kāi)放、審慎觀察和適度監(jiān)管的政策導(dǎo)向，再加上長(zhǎng)期以來(lái)的金融抑制以及經(jīng)濟(jì)穩(wěn)健增長(zhǎng)的發(fā)展趨勢(shì)，使得P2P網(wǎng)絡(luò)借貸在我國(guó)呈現(xiàn)爆發(fā)式增長(zhǎng)。截止到2017年7月底，全國(guó)銀行存管P2P平臺(tái)達(dá)到380家，獲得電信與信息服務(wù)業(yè)務(wù)經(jīng)營(yíng)許可證（ICP）的平臺(tái)達(dá)到293家，全行業(yè)累計(jì)成交量突破5萬(wàn)億元。盡管如此，P2P網(wǎng)貸平臺(tái)的借款人違約風(fēng)險(xiǎn)問(wèn)題仍然非常突出。

作為我國(guó)最早的網(wǎng)絡(luò)借貸信息中介服務(wù)平臺(tái)之一，“人人貸”網(wǎng)貸平臺(tái)在成交量、風(fēng)控能力、透明度等諸多方面保持著行業(yè)排名居前的位置。2017年7月，“網(wǎng)貸之家”聯(lián)合盈燦咨詢對(duì)外發(fā)布的《2017年5月網(wǎng)貸平臺(tái)發(fā)展指數(shù)評(píng)級(jí)》中，“人人貸”發(fā)展指數(shù)僅次于宜信貸和陸金所，排名第三。鑒于“人人貸”網(wǎng)貸平臺(tái)運(yùn)營(yíng)的穩(wěn)健性和數(shù)據(jù)的可獲得性，本文利用“人人貸”網(wǎng)貸平臺(tái)2014年1月1日至2015年12月31日的全部借款訂單數(shù)據(jù)作為研究樣本，通過(guò)構(gòu)建Probit模型進(jìn)行實(shí)證分析，以求客觀有效地評(píng)估“借款描述”在P2P網(wǎng)絡(luò)借貸市場(chǎng)中是否發(fā)揮作用，以及發(fā)揮什么作用。在剔除重復(fù)借貸和無(wú)借款描述信息的數(shù)據(jù)后，最終確定了119 899個(gè)樣本數(shù)據(jù)，其中“未獲得借款”（Failed）樣本90 160個(gè)，“還款中”（Repaying）樣本28 923個(gè)，“已還款”（Closed）樣本636個(gè)，“逾期”（Overdue）樣本78個(gè)，“壞賬”（Baddebt）樣本102個(gè)。

1.被解釋變量

（1）獲得借款（Granted）：虛擬變量，表示借款人是否獲得借款。若獲得借款取值為1，未獲得借款取值則為0。在樣本數(shù)據(jù)中，“項(xiàng)目目前情況”欄的選項(xiàng)為“借款失敗”的樣本，即為借款人未獲得借款的樣本；而選項(xiàng)為“已還款”“壞賬”“逾期”“還款中”的樣本，即為借款人獲得借款的樣本。

（2）違約（Default）：虛擬變量，表示已獲得借款的借款人在還款過(guò)程中是否違約。若違約取值為1，正常還款、未違約則取值為0。在樣本數(shù)據(jù)中，“項(xiàng)目目前情況”欄的選項(xiàng)為“壞賬”和“逾期”的樣本為違約樣本，“還款中”和“已還款”的樣本為正常還款、未違約樣本。

2.解釋變量

（1）內(nèi)容（Contents）：表示“借款描述”項(xiàng)所包含的信息類別數(shù)量。在樣本數(shù)據(jù)中，“借款描述”項(xiàng)是借款人對(duì)于該筆借款相關(guān)的信息補(bǔ)充，屬于借款人為貸款人提供的個(gè)性化“增量”信息，主要包括三類：借款人的還款能力描述、借款人的還款意愿描述以及預(yù)期借款使用計(jì)劃描述。本文采用抓取“借款描述”項(xiàng)關(guān)鍵詞的方法，確定內(nèi)容變量所包含的信息類別數(shù)量。其中，包含“收入”“房”“車(chē)”等相關(guān)關(guān)鍵詞的“借款描述”項(xiàng)，即為包含反映借款人償債能力的信息；包含“信用”“無(wú)不良征信記錄”等相關(guān)關(guān)鍵詞的“借款描述”項(xiàng)，即為包含反映借款人償債意愿的信息；包含“預(yù)期用于……”“籌備……”等相關(guān)關(guān)鍵詞的“借款描述”項(xiàng)，即為反映預(yù)期借款使用計(jì)劃的信息。當(dāng)“借款描述”項(xiàng)僅為借款人不相關(guān)描述時(shí)，內(nèi)容為0；包含一類內(nèi)容時(shí)，內(nèi)容為1；包含二類內(nèi)容時(shí)，內(nèi)容為2；包含三類內(nèi)容時(shí)，內(nèi)容為3。

（2）情緒（Emotion）：虛擬變量，表示借款人對(duì)于該筆借款的情緒反映。在部分樣本數(shù)據(jù)中，“借款描述”項(xiàng)包含了借款人對(duì)于借款事項(xiàng)的情緒反應(yīng)信息。本文采用抓取“借款描述”項(xiàng)包含“急需”“幫忙”“感謝”等相關(guān)關(guān)鍵詞，作為判斷和反映借款人對(duì)于該筆借款的情緒反應(yīng)。若包含上述關(guān)鍵詞，情緒為1；若不包含上述關(guān)鍵詞，情緒則為0。

3.控制變量

（1）借款事項(xiàng)控制變量。1）借款金額（Into?tal）：用借款金額的對(duì)數(shù)表示；2）借款利率（Inrate）：用借款利率的對(duì)數(shù)表示；3）借款期限（Duration）：以借款月數(shù)來(lái)表示，取值范圍為1～36。

（2）借款人基本信息控制變量。1）性別（Sex）：虛擬變量。男性為1，女性則為0。2）年齡（Age）。借款人的實(shí)際自然年齡。3）受教育程度（Educa?tion）：虛擬變量。在“學(xué)歷”項(xiàng)中，“高中或以下”的樣本，受教育程度為1；“大專”和“本科”的樣本，受教育程度為2；“研究生或以上”的樣本，受教育程度為3。4）婚姻狀態(tài)（Married）：虛擬變量。在“婚姻”項(xiàng)中，“已婚”的樣本，婚姻狀態(tài)為1，“未婚”“喪偶”以及“離異”的樣本，婚姻狀態(tài)均為0。5）工作年限（Job）。在“工作時(shí)間”項(xiàng)中，“1年（含）以下”的樣本，工作年限為1，“1年到3年（含）”的樣本，工作年限為2，“3年到5年（含）”的樣本，工作年限為3，“5年以上”的樣本，工作年限為4。6）收入水平（Income）。在“收入范圍”項(xiàng)中，“1 000元（含）以下”的樣本，收入水平為1，“1 001～2 000元”的樣本，收入水平為2，“2 001～5 000元”的樣本，收入水平為3，“5 001～10 000元”的樣本，收入水平為4，“10 001～20 000元”的樣本，收入水平為5，“20 001～50 000元”的樣本，收入水平為6，“50 000元以上”的樣本，收入水平為7。7）房產(chǎn)（Estate）：虛擬變量。在“房產(chǎn)”（Es?tate）項(xiàng)中，“有”為1，“無(wú)”為0。8）車(chē)產(chǎn)（Car）：虛擬變量。在“車(chē)產(chǎn)”項(xiàng)中，“有”為1，“無(wú)”為0。

（3）借款人信用控制變量。1）信用等級(jí)（Grade）?！叭巳速J”網(wǎng)貸平臺(tái)將借款人信用劃分為7個(gè)級(jí)別，分別為HR、E、D、C、B、A、AA。借款人信用狀況越好，其信用等級(jí)越高。若借款人信用級(jí)別為HR，則信用等級(jí)為1，若借款人信用級(jí)別為E，則信用等級(jí)為2，若借款人信用級(jí)別為D，則信用等級(jí)為3，若借款人信用級(jí)別為C，則信用等級(jí)為4，若借款人信用級(jí)別為B，則信用等級(jí)為5，若借款人信用級(jí)別為A，則信用等級(jí)為6，若借款人信用級(jí)別為AA，則信用等級(jí)為7。2）信用報(bào)告（Report）：虛擬變量。若借款人在P2P借款時(shí)提供信用報(bào)告為1；若沒(méi)有提供信用報(bào)告則為0。3）房貸（E-loan）：虛擬變量。若借款人在網(wǎng)貸平臺(tái)登記有房貸，則房貸為1，否則為0；4）車(chē)貸（C-loan）：虛擬變量。若借款人在網(wǎng)貸平臺(tái)登記有車(chē)貸，則為1，否則為0。

（4）其他控制變量。1）地區(qū)變量（Region）：虛擬變量。按照借款人所在省份不同，設(shè)置為1～31的虛擬變量。2）年度變量（Year）：虛擬變量。若為2014年的借款訂單，則年度變量為1；否則為2。

（二）模型構(gòu)建

本文的研究對(duì)象是P2P網(wǎng)貸平臺(tái)借款人是否獲得投資人的借款，以及獲得借款的借款人在還款過(guò)程中是否違約，因此被解釋變量均為二元選擇虛擬變量?；谝陨献兞康倪x取，本文采用Pro?bit二元選擇模型對(duì)借款人“有沒(méi)有”獲得借款以及“有沒(méi)有”違約的二元決策問(wèn)題進(jìn)行實(shí)證研究。Probit的具體表達(dá)式為：

式（1）中，ε服從標(biāo)準(zhǔn)正態(tài)分布，即ε～N（0，1）。由此，Probit二元離散模型則表示為：

三、實(shí)證結(jié)果

（一）描述性統(tǒng)計(jì)

從數(shù)值變量的統(tǒng)計(jì)特征（參見(jiàn)表1）來(lái)看，借款金額、借款期限、借款人年齡存在明顯的分布不均。借款金額最高為500 000元（Intotal為13.122）；最低為3 000元（Intotal為8.006）。其中，借款金額為3 000～20 000元的借款人數(shù)占總借款人數(shù)的25%；借款金額為3 000～50 000元的借款人數(shù)占總借款人數(shù)的50%；借款金額為3 000～60 000元的借款人數(shù)占總借款人數(shù)的75%；借款金額為60 000～500 000元的借款人數(shù)占總借款人數(shù)的25%。因此可以看出，“人人貸”借款人借款主要集中為60 000元以內(nèi)的小額貸款。借款期限為12個(gè)月以內(nèi)的借款人數(shù)占總借款人數(shù)的25%，借款期限為12～24個(gè)月的借款人數(shù)占總借款人數(shù)的50%以上（其中借款期限為24個(gè)月的占比就達(dá)到25%）。在以獲得借款為被解釋變量的樣本數(shù)據(jù)中，借款人的年齡在35歲以內(nèi)的占比為75%（均值為31.066），而在以違約為被解釋變量的樣本數(shù)據(jù)中，借款人的年齡在35歲以內(nèi)的占比則為50%（均值為36.020）。以獲得借款為被解釋變量的樣本數(shù)據(jù)中，“借款描述”項(xiàng)的字符數(shù)（Words）均值為60.629，而以違約為被解釋變量的樣本數(shù)據(jù)中，“借款描述”項(xiàng)字符數(shù)均值則達(dá)到了107.40。這說(shuō)明獲得借款的借款人樣本數(shù)據(jù)中，“借款描述”項(xiàng)字符數(shù)明顯高于未獲得借款的借款人。

從分類變量相對(duì)分布的統(tǒng)計(jì)特征（參見(jiàn)表2）來(lái)看，“人人貸”借款人獲得借款的比例為24.8%（將近1/4）。而獲得借款的借款人違約頻率則為0.61%，相對(duì)較低。在以獲得借款為被解釋變量的樣本數(shù)據(jù)中，“借款描述”項(xiàng)存在情緒反應(yīng)的借款人占比為22.86%，內(nèi)容完整性（contents=3）占比為31.94%，但是在以違約為被解釋變量的樣本數(shù)據(jù)中，顯示情緒反應(yīng)的借款人占比僅為3.14%，內(nèi)容完整性（contents=3）占比則高達(dá)79.17%。這說(shuō)明“人人貸”投資人（貸款人）決定是否向借款人提供借款時(shí)，更加傾向于內(nèi)容完整、不含情緒反應(yīng)的“借款描述”。此外，“人人貸”借款人中工作時(shí)間在1年（含）以內(nèi)的男性占比較高，而獲得借款的借款人特征主要體現(xiàn)為：男性、已婚、提供信用報(bào)告、接受過(guò)高等教育（大專及本科）、工作時(shí)間在1年（含）以內(nèi)、月收入在5 001～10 000元、信用級(jí)別為A的占比較高。

表1 數(shù)值變量的描述性統(tǒng)計(jì)

（二）內(nèi)容、情緒與借款獲得

在控制了借款事項(xiàng)、借款人基本信息以及借款人信用三類因素影響的基礎(chǔ)上，通過(guò)構(gòu)建四個(gè)模型，分別探討內(nèi)容、情緒以及內(nèi)容和情緒是否有助于促進(jìn)借款人的借款獲得，提高借款人的借款成功率。在表3中，模型1的實(shí)證結(jié)果為，以全部控制變量作為解釋變量的Probit模型中，各控制變量對(duì)于借款人借款獲得的影響。模型2-1的實(shí)證結(jié)果為，以內(nèi)容作為解釋變量的Probit模型中，排除控制變量影響之后，“借款描述”的內(nèi)容項(xiàng)對(duì)于借款人借款獲得的影響。模型3-1的實(shí)證結(jié)果為，以情緒作為解釋變量的Probit模型中，排除控制變量影響之后，“借款描述”的情緒項(xiàng)對(duì)于借款人借款獲得的影響。模型4-1的實(shí)證結(jié)果為，以內(nèi)容和情緒均作為解釋變量的Probit模型中，排除控制變量影響之后，“借款描述”的內(nèi)容項(xiàng)和情緒項(xiàng)對(duì)于借款人借款獲得的影響。此外，模型2-2、模型3-2和模型4-2分別代表模型2-1、模型3-1和模型4-1中各解釋變量（含控制變量）對(duì)于被解釋變量影響的平均邊際效應(yīng)。

模型1的估計(jì)結(jié)果顯示，各變量對(duì)借款人借款獲得的影響均顯著。其中，借款金額的系數(shù)為負(fù)，即借款金額越小，借款人獲得投資人（貸款人）借款的成功率越高；借款利率的系數(shù)為正，即借款利率越高，借款人獲得投資人（貸款人）借款的可能性越大；借款期限的系數(shù)為負(fù)，即借款期限越長(zhǎng)，借款人獲得借款的成功率越低；性別的系數(shù)為負(fù)，意味著相對(duì)于女性而言，男性獲得借款的成功率較低；年齡的系數(shù)為正，即借款人的自然年齡越大，越有助于借款人獲得借款；受教育程度的系數(shù)為正，即借款人受教育程度越高，獲得借款的成功率越高；婚姻狀態(tài)的系數(shù)為正，即已婚的借款人更容易獲得借款；工作年限的系數(shù)為正，即借款人工作時(shí)間越長(zhǎng)，越有助于借款人獲得借款；房產(chǎn)和車(chē)產(chǎn)的系數(shù)均為正，即借款人擁有房產(chǎn)或者車(chē)產(chǎn)均有助于借款人獲得借款；房貸和車(chē)貸的系數(shù)均為正，即有房貸和車(chē)貸的借款人更容易獲得借款；信用報(bào)告的系數(shù)為正，即提供信用報(bào)告有助于借款人獲得借款；信用等級(jí)的系數(shù)為正，即借款人的信用等級(jí)越高，獲得借款的成功率也就越高。

表2 分類變量相對(duì)分布的描述性統(tǒng)計(jì)%

在模型2-1中，“借款描述”內(nèi)容項(xiàng)的系數(shù)為0.119，且在1%的置信水平上顯著，即“借款描述”所包含的反映借款人還款能力、還款意愿以及預(yù)借資金使用計(jì)劃的內(nèi)容越多，獲得借款的成功率越高，驗(yàn)證了本文的假設(shè)1。而且在模型2-2中，內(nèi)容項(xiàng)的邊際效應(yīng)為0.004（在1%的置信水平上顯著）。在模型3-1中，借款描述的情緒項(xiàng)的系數(shù)為-0.062，且在5%的置信水平上顯著，即包含情緒反應(yīng)的借款描述不利于借款人獲得借款，并在一定程度上降低借款人獲得借款的成功率，驗(yàn)證了本文的假設(shè)2。而且在模型3-2中，情緒項(xiàng)的邊際效應(yīng)為-0.002（在5%的置信水平上顯著）。在模型4-1中，借款描述的內(nèi)容項(xiàng)系數(shù)為0.118（在1%的置信水平上顯著），相比模型2-1的系數(shù)變小，說(shuō)明在情緒項(xiàng)解釋變量的影響下，內(nèi)容項(xiàng)對(duì)于借款成功率的影響顯著降低。情緒項(xiàng)的系數(shù)為-0.051（在5%的置信水平上顯著），該系數(shù)絕對(duì)值相對(duì)于模型3-1的系數(shù)絕對(duì)值變小，說(shuō)明在內(nèi)容項(xiàng)解釋變量的影響下，情緒項(xiàng)對(duì)于借款成功率的影響也顯著下降。此外，在模型4-2中，內(nèi)容項(xiàng)與情緒項(xiàng)的邊際效應(yīng)（分別為0.004和-0.002）相對(duì)于模型2-2的內(nèi)容項(xiàng)邊際效應(yīng)和模型3-2的情緒項(xiàng)邊際效應(yīng)絕對(duì)值而言，均顯著降低。且模型2-1以內(nèi)容項(xiàng)作為解釋變量的模型和模型4-1以內(nèi)容項(xiàng)和情緒項(xiàng)作為解釋變量的模型的預(yù)測(cè)準(zhǔn)確率為97.8%，比模型1以所有控制變量作為解釋變量的模型的預(yù)測(cè)準(zhǔn)確率高0.01%。

首先，“借款描述”的內(nèi)容項(xiàng)作為有助于借款人獲得借款的增量信息，在一定程度上反映了借款人對(duì)于自身借款意愿、還款能力以及預(yù)借資金使用等方面的自我意愿性披露，盡管屬于不規(guī)范性的非正式文字描述，但是能夠在一定程度上提高投資人（貸款人）對(duì)于借款人的信任感，進(jìn)而提高借款人獲得借款的成功率。其次，“借款描述”的情緒項(xiàng)反映了借款人獲得借款的非理性信息，在一定程度上會(huì)影響借款人客觀、有效的自我信息披露，降低投資人（貸款人）對(duì)于借款人的信任感，從而降低借款人獲得借款的成功率。

表3 內(nèi)容、情緒與借款獲得估計(jì)結(jié)果

（三）內(nèi)容、情緒與違約風(fēng)險(xiǎn)

在控制了借款事項(xiàng)、借款人基本信息以及借款人信用三類變量影響的基礎(chǔ)上，通過(guò)構(gòu)建四個(gè)模型，分別探討內(nèi)容、情緒以及內(nèi)容和情緒是否能夠揭示借款人的違約風(fēng)險(xiǎn)，有助于投資人（貸款人）規(guī)避借款人的違約風(fēng)險(xiǎn)。在表4中，模型1的實(shí)證結(jié)果為，以全部控制變量作為解釋變量的Probit模型中，各控制變量對(duì)于借款人違約風(fēng)險(xiǎn)的影響。模型2-1的實(shí)證結(jié)果為，以內(nèi)容作為解釋變量的Probit模型中，排除控制變量影響之后，“借款描述”的內(nèi)容項(xiàng)對(duì)于借款人違約風(fēng)險(xiǎn)的影響。模型3-1的實(shí)證結(jié)果為，以情緒作為解釋變量的Probit模型中，排除控制變量影響之后，“借款描述”的情緒項(xiàng)對(duì)于借款人違約風(fēng)險(xiǎn)的影響。模型4-1的實(shí)證結(jié)果為，以內(nèi)容和情緒均作為解釋變量的Probit模型中，排除控制變量影響之后，“借款描述”的內(nèi)容項(xiàng)和情緒項(xiàng)對(duì)于借款人違約風(fēng)險(xiǎn)的影響。此外，模型2-2、模型3-2和模型4-2分別代表模型2-1、模型3-1和模型4-1的Probit模型中各解釋變量（含控制變量）對(duì)于被解釋變量影響的平均邊際效應(yīng)。

模型1的估計(jì)結(jié)果顯示，借款金額、借款利率、借款期限、年齡、受教育程度、婚姻狀態(tài)、房產(chǎn)、房貸、信用等級(jí)等變量對(duì)于借款人違約風(fēng)險(xiǎn)的影響顯著。其中，借款金額的系數(shù)為負(fù)，即借款金額越高，借款人違約的可能性越大；借款利率的系數(shù)為負(fù)，即借款利率越高，借款人的違約風(fēng)險(xiǎn)越高；借款期限的系數(shù)為正，即借款期限越長(zhǎng)，借款人的違約風(fēng)險(xiǎn)越高；性別的系數(shù)為正，意味著相對(duì)于女性而言，男性的違約風(fēng)險(xiǎn)更高；年齡的系數(shù)為正，即借款人的自然年齡越大，違約的可能性越大；受教育程度的系數(shù)為負(fù)，即借款人受教育程度越高，違約風(fēng)險(xiǎn)越低；婚姻狀態(tài)的系數(shù)為負(fù)，即相對(duì)于未婚而言，已婚借款人的違約風(fēng)險(xiǎn)較低；工作年限的系數(shù)為負(fù)，即工作時(shí)間越長(zhǎng)，借款人的違約風(fēng)險(xiǎn)越低；房產(chǎn)和車(chē)產(chǎn)的系數(shù)均為正，即擁有房產(chǎn)和車(chē)產(chǎn)的借款人違約的可能性較低；房貸和車(chē)貸的系數(shù)均為負(fù)，即有房貸和車(chē)貸的借款人的違約風(fēng)險(xiǎn)相對(duì)較低；信用報(bào)告的系數(shù)為正，即提供信用報(bào)告的借款人的相對(duì)違約風(fēng)險(xiǎn)更高；信用等級(jí)的系數(shù)為負(fù)，即借款人的信用等級(jí)越高，則借款人的違約風(fēng)險(xiǎn)越低。

表4 內(nèi)容、情緒與還款違約估計(jì)結(jié)果

在模型2-1中，“借款描述”的內(nèi)容項(xiàng)的系數(shù)為-0.084，即“借款描述”所包含的反映借款人還款能力、還款意愿以及預(yù)借資金使用計(jì)劃的內(nèi)容越多，借款人的違約風(fēng)險(xiǎn)越低。而且在模型2-2列中，內(nèi)容項(xiàng)的邊際效應(yīng)為-0.001。在模型3-1中，“借款描述”的情緒項(xiàng)的系數(shù)為0.081，即包含情緒反應(yīng)的“借款描述”，借款人的違約風(fēng)險(xiǎn)相對(duì)較高，而且在模型3-2中，情緒項(xiàng)的邊際效應(yīng)為0.001。在模型4-1中，借款描述的內(nèi)容項(xiàng)系數(shù)為-0.082，相比模型2-1的系數(shù)絕對(duì)值變小，說(shuō)明在情緒項(xiàng)解釋變量的影響下，內(nèi)容項(xiàng)對(duì)于借款人違約風(fēng)險(xiǎn)的影響顯著降低。情緒項(xiàng)系數(shù)為0.074，相對(duì)于模型3-1的系數(shù)變小，說(shuō)明在內(nèi)容項(xiàng)解釋變量的影響下，情緒項(xiàng)對(duì)于借款成功率的影響也顯著下降。此外，在模型4-2中，內(nèi)容項(xiàng)與情緒項(xiàng)的邊際效應(yīng)分別為-0.001和0.001，且模型1、模型2-1、模型3-1以及模型4-1的預(yù)測(cè)準(zhǔn)確率均為99.16%。但是相對(duì)于模型1而言，模型2-1以內(nèi)容項(xiàng)作為解釋變量的模型的PseudoR2提升了0.12%，模型3-1以情緒項(xiàng)作為解釋變量的模型的PseudoR2僅提升了0.05%，模型4-1以內(nèi)容項(xiàng)和情緒項(xiàng)作為解釋變量的模型的PseudoR2提升了0.15%。實(shí)證結(jié)果顯示，盡管“借款描述”的內(nèi)容項(xiàng)和情緒項(xiàng)能夠反映借款人的違約風(fēng)險(xiǎn)，但是內(nèi)容項(xiàng)和情緒項(xiàng)對(duì)于投資人（貸款人）的借款人違約風(fēng)險(xiǎn)判斷所提供的增量信息作用有限，導(dǎo)致其揭示作用不顯著，因此假設(shè)3和假設(shè)4在本研究中沒(méi)有得到有效證實(shí)。

四、穩(wěn)健性檢驗(yàn)

為了使得結(jié)論更具穩(wěn)健性和可行性，本文從三個(gè)方面進(jìn)行穩(wěn)健性分析。第一，改變解釋變量。以借款描述項(xiàng)的字符數(shù)代替內(nèi)容項(xiàng)，以借款描述項(xiàng)的標(biāo)點(diǎn)符號(hào)數(shù)代替情緒項(xiàng)，運(yùn)用Probit模型進(jìn)行檢驗(yàn)。借款描述項(xiàng)的字符數(shù)體現(xiàn)了借款描述為投資人（貸款人）提供增量信息的多少，可以客觀反映內(nèi)容項(xiàng)的有效性程度；借款描述項(xiàng)的標(biāo)點(diǎn)符號(hào)數(shù)從行為金融角度而言，可以作為借款人情緒反應(yīng)的直接表現(xiàn)。采用“借款描述”的字符數(shù)和標(biāo)點(diǎn)符號(hào)數(shù)分別作為解釋變量，運(yùn)用Probit模型實(shí)證分析的結(jié)果依然支持前述結(jié)論，即反映內(nèi)容項(xiàng)的字符數(shù)量越多，越有助于提高借款人的借款成功率，反映情緒項(xiàng)的標(biāo)點(diǎn)符號(hào)數(shù)量越多，越不利于借款人獲得借款。此外，盡管字符數(shù)量越多，借款人的違約風(fēng)險(xiǎn)傾向越低，且標(biāo)點(diǎn)符號(hào)數(shù)量越多，借款人違約的可能性越大，但是這兩種影響都不顯著，與前述結(jié)論一樣，也很難得出強(qiáng)有力的結(jié)果支持。第二，調(diào)整樣本容量，增加2013年“人人貸”平臺(tái)借款人數(shù)據(jù)，運(yùn)用Probit模型進(jìn)行檢驗(yàn)，實(shí)證結(jié)果也支持前述結(jié)論。第三，為解決可能存在的內(nèi)生性問(wèn)題，調(diào)整年度控制變量為月度控制變量，省份地區(qū)控制變量改為地市地區(qū)控制變量，對(duì)借款人的借款獲得以及違約風(fēng)險(xiǎn)進(jìn)行回歸分析，結(jié)果表明，本文基本結(jié)論依然成立。通過(guò)三類穩(wěn)健性檢驗(yàn)可以證實(shí)，本文的結(jié)論是穩(wěn)健的。

五、結(jié)論

從本質(zhì)上而言，P2P網(wǎng)絡(luò)借貸模式屬于共享金融的典型范式，屬于共享經(jīng)濟(jì)范疇。在經(jīng)濟(jì)新常態(tài)時(shí)期，P2P網(wǎng)絡(luò)借貸平臺(tái)的有效運(yùn)用，有助于破解“小微”群體的融資困境，提高“小微”群體普惠金融的可獲得性，促進(jìn)金融高效供給與實(shí)體經(jīng)濟(jì)資金需求之間的有效匹配。然而，當(dāng)前P2P網(wǎng)絡(luò)借貸發(fā)展面臨最突出的問(wèn)題就是平臺(tái)投資人（貸款人）與借款人之間嚴(yán)重的信息不對(duì)稱問(wèn)題。平臺(tái)投資人（貸款人）可以根據(jù)借款人提供的“軟信息”和“硬信息”做出是否借款的決策，并承擔(dān)借款人違約的全部風(fēng)險(xiǎn)。

基于此，本文結(jié)合“人人貸”網(wǎng)貸平臺(tái)2014—2015年借款人數(shù)據(jù)，通過(guò)Probit模型實(shí)證分析“借款描述”中隱含的軟信息對(duì)于平臺(tái)借款人的借款獲得以及違約風(fēng)險(xiǎn)是否存在影響。為了實(shí)現(xiàn)對(duì)于“借款描述”軟信息的有效量化，本文選取“借款描述”所包含的內(nèi)容以及情緒反應(yīng)作為解釋變量，分析這兩個(gè)解釋變量對(duì)于借款人的借款獲得與違約風(fēng)險(xiǎn)的影響。以借款獲得作為被解釋變量的Pro?bit模型實(shí)證結(jié)果顯示，內(nèi)容以及情緒與借款人的借款獲得顯著相關(guān)，具有明顯的信息“增量”作用，且在控制了借款事項(xiàng)、借款人基本信息以及借款人信用等因素并進(jìn)行穩(wěn)健性檢驗(yàn)之后，結(jié)論依然成立。結(jié)果證實(shí)，內(nèi)容的完整性有助于提高借款人的借款成功率；而情緒反應(yīng)的存在卻顯著降低了借款人的借款成功率。然而，以違約作為被解釋變量的Probit模型實(shí)證結(jié)果顯示，內(nèi)容以及情緒與借款人的違約風(fēng)險(xiǎn)很難得到有效的結(jié)果支持。盡管內(nèi)容的完整性傾向于降低借款人的違約風(fēng)險(xiǎn)，而情緒反應(yīng)的存在提高了借款人的違約風(fēng)險(xiǎn)，但是這兩種影響并不顯著，模型預(yù)測(cè)準(zhǔn)確率也未提升，所以很難有效支持本文假設(shè)3和假設(shè)4的論斷。

[1]趙雅敬.P2P網(wǎng)絡(luò)借貸緩解科技型中小企業(yè)融資難問(wèn)題研究[J].經(jīng)濟(jì)研究參考，2014（25）：57-64.

[2]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.

[3]談超，王冀寧，孫本芝.P2P網(wǎng)絡(luò)借貸平臺(tái)中的逆向選擇和道德風(fēng)險(xiǎn)研究[J].金融經(jīng)濟(jì)學(xué)研究，2014，29（5）：100-108.

[4]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，2014，49（S1）：143-155.

[5]ALLEN N BERGER，GREGORY UDELL.Small business credit availability and relationship lending：the importance of bank organisational structure[J].Economic journal，2002，112（477）：3253.

[6]JONATHAN SCOTT.Small business and the value of comm unity financial institutions[J].Journal of financial services research，2004，25（2-3）：207-230.

[7]BACHMANN A，BECKER A，et al.Online peer-to-peer lending：a literature review[J].Journal of internet banking&commerce，2011，16（2）：203-253.

[8]MICHELS J.Do unverifiable disclosures matter?evidence from peer-to-peer lending[J].Accounting review，2012，87（4）：1385-1413.

[9]莊雷，周勤，伏玉林.P2P網(wǎng)絡(luò)借貸用途、投資偏向效應(yīng)與軟信息價(jià)值[J].國(guó)際商務(wù)（對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào)），2015（6）：77-85.

[10]HERZENSTEIN M，ANDREWS RL.The democratization of personal consumer loans?determinants of success in on?line peer-to-peer loan auctions[J].Bulletin of the universi?ty of delaware，2008，15（3）：274-277.

[11]IYER R，KHWAJA AI，Luttmer E F P，et al.Screening in new credit markets：can individual lenders infer borrower creditworthiness in peer-to-peer lending?[J].Scholarly arti?cles，2009（15 242）：9-31

[12]DEVIN G POPE，JUSIN R SYDNOR.What′s in a picture?evidence of discrimination from prosper.com[J].Journal of human resources，2011，46（1）：53-92.

[13]LIN M，VISWANATHAN S.Home bias in online invest?ments：an empirical study of an online crowd-funding mar?ket[J].Management science，2013，62（5）：1 393-1 414.

[14]FREEDMAN S，JIN G Z.Do social networks solve informa?tion problems for peer-to-peer lending?evidence from prosper.com[J].Seth freedman，2008（1）：8-43.

[15]LIN M，PRABHALA NR，VISWANATHAN S.Judging b orrowers by the company they keep：friendship networks and information asymmetry in online peer-to-peer lending[J].Manage science，2013，59（1）：17-35.

[16]王會(huì)娟，何琳.借款描述對(duì)P2P網(wǎng)絡(luò)借貸行為影響的實(shí)證研究[J].金融經(jīng)濟(jì)學(xué)研究，2015，30（1）：77-85.

[17]GREGOR D，CHRISTOPER P，STEPHANIE S，et al.De?scription-text related soft information in peer-to-peer lending-evidence from two leading european platforms[J].Journal of banking and finance，2016，64：169-187.

[18]葉德珠，陳霄.標(biāo)點(diǎn)與字?jǐn)?shù)會(huì)影響網(wǎng)絡(luò)借貸嗎——來(lái)自人人貸的經(jīng)驗(yàn)證據(jù)[J].財(cái)貿(mào)經(jīng)濟(jì)，2017，38（5）：65-79.