借款人聲譽對融資成本的影響研究——來自P2P網(wǎng)絡(luò)借貸平臺“拍拍貸”的經(jīng)驗證據(jù)

——————————--

借款人聲譽對融資成本的影響研究——來自P2P網(wǎng)絡(luò)借貸平臺“拍拍貸”的經(jīng)驗證據(jù)

錢炳1,2

(1.中國社會科學(xué)院經(jīng)濟(jì)研究所,中國北京100836;2.常州工學(xué)院經(jīng)濟(jì)與管理學(xué)院,江蘇常州213022)

摘要:基于P2P網(wǎng)絡(luò)借貸平臺“拍拍貸”從2007年7月至2013年12月的50000筆借款數(shù)據(jù),運用傾向得分匹配法,研究了借款人聲譽對融資成本的影響。研究發(fā)現(xiàn),相比低聲譽借款人,高聲譽借款人具有顯著的融資成本優(yōu)勢,借款利率約低0.02。區(qū)分了不同職業(yè)和不同年齡的檢驗結(jié)果也表明,高聲譽顯著降低了融資成本,在不同職業(yè)的借款人中,聲譽對利率降低的范圍在0.040~0.044之間;在分年齡的借款人中,聲譽對利率降低的范圍在0.038~0.047之間。P2P網(wǎng)絡(luò)借貸平臺的信息傳遞機(jī)制有效地降低了信息不對稱的程度。

關(guān)鍵詞:借款人; 聲譽; 融資成本; 傾向得分匹配法

doi:10.15936/j.cnki.1008-3758.2015.02.006

收稿日期:2014-10-25

基金項目:國家自然科學(xué)基金資助項目(71341013);中國博士后科學(xué)基金面上資助項目(2014M561132);教育部人文社會科學(xué)研究青年基金資助項目(11YJC790146);江蘇省高校哲學(xué)社會科學(xué)基金資助項目(SJD790012);江蘇省青藍(lán)工程資助項目。

作者簡介:錢炳(1973-),男,江蘇常州人,中國社會科學(xué)院博士后研究人員,常州工學(xué)院副教授,主要從事產(chǎn)業(yè)組織理論研究。

中圖分類號:F062.9

文獻(xiàn)標(biāo)志碼:A

文章編號:1008-3758(2015)02-0141-07

Abstract:Based on 50000 micro data of the peer-to-peer (P2P) lending platform paipai.com from 2007 to 2013, this paper explored the effect of borrowers’ reputation on borrowing cost with propensity score matching (PSM). It was found that individuals of higher reputation have a significant advantage on borrowing cost compared to those of lower reputation, with the lending rate decreasing roughly by 0.02. The test results of different occupation and age groups showed that high reputation exerts a significant effect on borrowing cost as well, with the lending rate decreasing by 0.040~0.044 in occupation and 0.038~0.047 in age. Moreover, the information transmission mechanism of P2P platforms could effectively lower the degree of information asymmetry.

Effect of Borrowers’ Reputation on Borrowing Cost

——Based on the P2P Lending Platform—paipai.com

QIANBing1,2

(1. Institute of Economics, Chinese Academy of Social Sciences, Beijing 100836, China; 2. School of Economics and Management, Changzhou Institute of Technology, Changzhou 213022, China)

Key words:borrower; reputation; borrowing cost; propensity score matching (PSM)

網(wǎng)絡(luò)借貸P2P(peer-to-peer)是一種既不同于商業(yè)銀行間接融資也不同于資本市場直接融資的互聯(lián)網(wǎng)金融模式[1],匿名的資金供需雙方通過網(wǎng)絡(luò)達(dá)成交易。資金供需雙方之間的“信息不對稱”是影響交易成功的關(guān)鍵問題,因為信息不對稱會產(chǎn)生逆向選擇和道德風(fēng)險[2],導(dǎo)致市場參與者交易意愿下降,交易成本上升,最終使得市場失敗[3]。因此要使P2P網(wǎng)絡(luò)借貸市場有效運行,首先要解決市場參與者之間的信息不對稱問題。

聲譽是解決信息不對稱的有效機(jī)制。在網(wǎng)絡(luò)借貸平臺上,聲譽能夠在借貸雙方之間建立起信任關(guān)系,以彌補缺乏抵押物的不足,并且對逆向選擇和道德風(fēng)險也具有抑制作用。目前國內(nèi)外學(xué)者對于P2P網(wǎng)絡(luò)借貸的研究主要集中在借款人聲譽對借款成功或違約風(fēng)險的影響[4];借款人個人特征對融資可得性的影響[5];借款人的社會網(wǎng)絡(luò)、擔(dān)保和團(tuán)隊聯(lián)系對融資的影響[6]。現(xiàn)有文獻(xiàn)并未從定量的角度分析借款人聲譽對融資成本的影響,因此從實證角度檢驗借款人聲譽對融資成本的具體影響既有理論意義,也有實踐價值。

本文基于網(wǎng)絡(luò)借貸平臺“拍拍貸”2007年7月第一筆成功借款至2013年12月16日的50000筆借款數(shù)據(jù),運用傾向得分匹配法就借款人聲譽對融資成本的影響及影響程度進(jìn)行定量研究。

一、 數(shù)據(jù)、變量與方法

1. 樣本來源

網(wǎng)絡(luò)借貸平臺“拍拍貸”成立于2007年8月,總部位于上海,“拍拍貸”是國內(nèi)第一家P2P無擔(dān)保抵押的網(wǎng)絡(luò)借貸平臺,也是目前國內(nèi)P2P借貸平臺中用戶最活躍的,因此本文主要以“拍拍貸”上的借貸行為作為研究對象。

本研究利用網(wǎng)頁抓取軟件,獲取了“拍拍貸”從2007年7月第一筆成功借款至2013年12月16日的50000筆借款數(shù)據(jù)。在剔除了缺漏值和對數(shù)據(jù)進(jìn)行處理后,得到了45561個有效樣本。為了減少離群值和極端值的影響,我們對關(guān)鍵變量進(jìn)行了上下1%的縮尾處理。

2. 變量選取

(1) 聲譽(repu)。“拍拍貸”對于借款人的信用等級會有一個借入信用評分,分為A、B、C、D、E、HR六個等級,等級越高,風(fēng)險越小,A等級的借款人風(fēng)險最小。為了研究不同的聲譽等級對融資成本的影響,我們設(shè)置了聲譽的虛擬變量,如果借款人聲譽等級為A、B、C,我們定義其為高聲譽組,h_repu=1,如果借款人聲譽等級為D、E、HR,我們定義其為低聲譽組,h_repu=0。

(2) 借款利率(rate)。出借人因為借款而從借款人手中獲得的報酬。在“拍拍貸”平臺上,利率是由借款人以一口價的形式形成的。在本研究中,我們把借款利率作為融資成本的代理變量,借款利率越高,表示融資成本越高。

(3) 借款人借款完成進(jìn)度(fin)。借款人在“拍拍貸”上發(fā)布借款信息后借款完成的進(jìn)度情況。我們用這個指標(biāo)來表示融資的可得性。這個值介于0和1之間,越接近于1表示借款完成情況越好。

(4) 借款期限(per)。“拍拍貸”上的借款期限,以月為單位。

(5) 借款金額(amo)。借款人在“拍拍貸”平臺上發(fā)布的借款金額,以元為單位。

(6) 借款人網(wǎng)頁被瀏覽數(shù)(vis)。借款人在“拍拍貸”上發(fā)布借款信息后,該信息被投資人瀏覽的數(shù)量。

(7) 出借人投標(biāo)數(shù)(bid)。借款人在“拍拍貸”上發(fā)布借款信息后,出借人累計的投標(biāo)數(shù)。

(8) 歷史借款成功次數(shù)(suc)。借款人以前在“拍拍貸”網(wǎng)絡(luò)平臺上成功獲得資金的次數(shù)。

(9) 歷史流標(biāo)數(shù)(fai)。借款人以前在“拍拍貸”借貸平臺上借款失敗的次數(shù),即:借款人以前發(fā)布過借款信息,但是并沒有成功借到自己所需資金的次數(shù)。

(10) 性別(male)。借款人的性別,如果借款人是男性,我們定義male=1;如果借款人是女性,我們定義male=0。

(11) 年齡(age)?！芭呐馁J”規(guī)定,只有年滿20周歲的中國大陸地區(qū)公民,才能申請成為借入者,本研究設(shè)定了四個年齡組,age2、age3、age4 分別表示26~31歲、32~38歲、大于38歲三個年齡段,以20~25歲年齡段為基準(zhǔn)組。

(12) 職業(yè)(occu)。在“拍拍貸”上發(fā)布借款需求的主要有四類人:工薪族、私營業(yè)主、網(wǎng)店賣家和學(xué)生。設(shè)定occ1、occ2、occ3分別表示借款人為工薪族、私營業(yè)主和網(wǎng)店賣家,以學(xué)生為基準(zhǔn)組。

(13) 戶口認(rèn)證(hukou)。如果借款人選擇通過全國公民身份信息系統(tǒng)(NCIIS)進(jìn)行認(rèn)證,則記為1,否則為0。

(14) 視頻認(rèn)證(vid)。如果借款人選擇視頻認(rèn)證(借款人錄一段視頻,承認(rèn)自己提供資料為有效,并允許“拍拍貸”在借款人未能按時歸還借款時,采取曝光資料等一切必要措施),則記為1,否則為0。

(15) 學(xué)歷認(rèn)證(edu)。如果借款人選擇通過學(xué)信網(wǎng)進(jìn)行學(xué)歷認(rèn)證,則記為1,否則為0。

(16) 手機(jī)認(rèn)證(mob)。如果借款人選擇通過運營商合作進(jìn)行手機(jī)實名認(rèn)證,則記為1,否則為0。

表1是主要變量的描述性統(tǒng)計。在統(tǒng)計的45561個樣本中,低聲譽等級的借款人有44237人,占了總借款人數(shù)的97%,高聲譽等級的借款人只有3%。這可能是因為聲譽的累積是一個過程,而網(wǎng)絡(luò)借貸出現(xiàn)的時間不長,在網(wǎng)絡(luò)借貸平臺的初期,借款人的聲譽不高是可以理解的。借款人的平均利率為20%,借款金額最小為100元,最大值為100000元,平均借款金額為6462元,有一半的借款人借款金額為3000元,表明網(wǎng)絡(luò)借貸平臺主要以小額貸款為主。借款期限最短為1個月,最長為18個月,平均借款期限約半年。借款人平均每筆借款信息會得到108次瀏覽,有大約17個出借人會投標(biāo)。借款人歷史借款成功的平均數(shù)約是借款失敗平均數(shù)的1.5倍。

表1　主要變量的描述性統(tǒng)計

表2是對借款人人口分布特征進(jìn)行的描述性統(tǒng)計。從表2中我們可以看出,在45561筆借款數(shù)據(jù)中,26~31歲年齡段的借款人最多,占全部比例的40.54%,20~25歲年齡段和32~38歲年齡段占比分別為31.73%和19.84%,大于38歲年齡段的借款人最少,只有不到8%。在全部借款人中,男性占了絕大多數(shù),比例高達(dá)85.43%,女性借款人占比不到15%。借款人的職業(yè)方面,工薪族最多,占比超過3/4,私營業(yè)主和網(wǎng)店賣家其次,學(xué)生貸款者最少,不到3%。

表2　拍拍貸網(wǎng)絡(luò)借貸平臺上的人口分布特征

3. 傾向得分匹配法(PSM)

為了解決可能產(chǎn)生的樣本選擇偏誤和內(nèi)生性問題,我們選擇了傾向得分匹配方法(PSM),使用這個方法,我們可以得到傾向得分(PS),用來衡量高聲譽組和低聲譽組在多個維度上差異的程度。我們將樣本分成兩個部分:①處理組。指具有較高聲譽的借款人,用h_repu表示,我們將借款人聲譽等級為A、B、C的借款人定義為高聲譽,h_repu=1。②控制組。如果借款人聲譽等級為D、E、HR,我們定義為低聲譽,h_repu=0。

(1) 傾向得分(PS)

傾向得分是指給定處理前的特征,處理組接受處理的條件概率[7]。

其中,X是控制組的多維向量特征;D是指示變量,高聲譽組時D=1,低聲譽組時D=0。如果我們能夠估計出傾向得分(PS),那么高聲譽組和低聲譽組在潛在產(chǎn)出(融資成本)上的差異ATT(average treatment effect on the treated)就可以被估計出來[8],見式(2)。

其中,Y1i、Y0i分別代表高聲譽組和低聲譽組的潛在產(chǎn)出。

沿用Dehejia & Wahba(2002)[7]的方法,我們用Logit模型估計傾向得分(PS)。

式(3)中,X是影響借款人聲譽的多維解釋變量向量;β是估計系數(shù)向量,傾向得分通過Logit模型估計。

(2) 配對方法

由于傾向得分是一個連續(xù)變量,對于具體的數(shù)值無法找到對應(yīng)的單位,因此我們無法通過式(2)直接估計高聲譽組和低聲譽組的平均差異。本研究使用最近鄰匹配法,然后用半徑匹配法進(jìn)行穩(wěn)健性檢驗。

二、 實證結(jié)果

1. OLS估計結(jié)果

表3給出了聲譽對借款利率影響的估計結(jié)果。為了糾正可能的異方差,我們使用了White(1980)[9]的方法,給出了穩(wěn)健的標(biāo)準(zhǔn)誤差。模型1到模型3的可決系數(shù)在0.007到0.09之間,具有一定的解釋力。F統(tǒng)計量在1%的水平上拒絕了全部系數(shù)為0的原假設(shè)。模型1的結(jié)果顯示,在沒有控制其他變量的情況下,高聲譽的借款人比低聲譽的借款人的借款利率低0.025(見列1)。在分別加入了借款金額、借款期限、認(rèn)證、年齡、職業(yè)和性別等控制變量后,高聲譽借款人的在融資成本上的優(yōu)勢下降,利率只比低聲譽借款人低約0.01。

上述結(jié)果表明:借款人聲譽能顯著降低融資成本,在引入了更多的控制變量后,這一結(jié)果仍然成立。但是,OLS回歸方法無法解決樣本的自選擇問題,可能有一些研究中沒有涉及的因素也對利率產(chǎn)生了負(fù)向的影響,而我們沒有觀察到。因此,我們沒有辦法推斷確實是聲譽對融資成本產(chǎn)生了影響。為了糾正OLS估計可能存在的偏誤,得到聲譽對融資成本的“凈效應(yīng)”,我們采用PSM方法進(jìn)行驗證。

表3　聲譽對借款利率的影響(OLS估計結(jié)果)

注: ***、**、*分別表示在1%、5%和10%水平上顯著; 括號中為穩(wěn)健標(biāo)準(zhǔn)誤。

2. PSM估計結(jié)果

要得到平均處理效應(yīng)(ATT)的估計值,我們首先要估計傾向得分PS,傾向得分能夠把影響聲譽的多維信息變成一維信息,通常采用Logit方法選擇匹配變量。表4是用Logit方法選擇聲譽匹配變量的結(jié)果。因為模型的設(shè)定對于選擇匹配變量非常重要,我們選擇了PseudoR2和在ROC曲線下的面積AUC兩個指標(biāo)來作為模型判定的標(biāo)準(zhǔn)。

三個模型的PseudoR2在0.24~0.33之間, 顯示出模型有較好的擬合度。 模型3的AUC為0.923, 綜合兩個指標(biāo), 我們選擇模型3來估計傾向得分PS, 然后比較不同聲譽組對融資成本的影響。 表5和表6分別報告了對主要變量匹配前后誤差消減結(jié)果和傾向得分匹配的處理效應(yīng)。 從表5可以看出, 匹配后除了戶口認(rèn)證以外, 各匹配變量標(biāo)準(zhǔn)偏差的絕對值均顯著小于5%, 拒絕了高聲譽組和低聲譽組樣本存在顯著差異的原假設(shè)。 因此可認(rèn)為選取的匹配變量是合適的。 表6的結(jié)果也顯示, 匹配后高聲譽組和低聲譽組的個體特征存在顯著差異的原假設(shè)被拒絕, 可以說,兩組之間的樣本已經(jīng)不存在明顯差異, 配對結(jié)果較好。

表4　Logit模型的估計結(jié)果

注: 被解釋變量為h_repu,高聲譽組時h_repu=1,否則為0; ***、**、*分別表示在1%、5%和10%水平上顯著,括號中為t值;AUC表示在ROC曲線下的面積。

表5　變量誤差消減狀況

表6　傾向得分匹配的處理效應(yīng)

在得到了理想的配對樣本之后,我們使用最近鄰匹配法(1∶2)估計了借款人聲譽對借款利率的影響(見表7)。結(jié)果顯示:高聲譽借款人的平均利率為0.166,低聲譽借款人的平均利率為0.186,高聲譽借款人比低聲譽的借款人利率低0.02,而且在1%的水平上顯著。未經(jīng)配對處理會高估聲譽對融資成本的影響程度,高估的程度達(dá)到25%。

為了對估計進(jìn)行穩(wěn)健性檢驗,我們使用半徑匹配法進(jìn)行了配對估計(選擇半徑r=0.001)。結(jié)論顯示,在全樣本下,高聲譽借款人利率比低聲譽借款人低0.019,未配對處理確實高估了聲譽對降低融資成本的作用。

3. 匹配樣本的異質(zhì)性檢驗

本研究還對匹配樣本的異質(zhì)性進(jìn)行了檢驗,我們針對不同職業(yè)、不同年齡的借款人進(jìn)行了配對分析(表8、表9)。結(jié)果顯示,不同職業(yè)的借款人中,聲譽同樣對降低融資成本具有顯著的影響,聲譽對利率降低的范圍在0.040~0.044之間,而且都在1%的水平上顯著。在職業(yè)為工薪族的借款人中,高聲譽對融資成本的影響最大,其次是網(wǎng)店賣家和私營業(yè)主。使用半徑匹配法進(jìn)行穩(wěn)健性檢驗也得到了類似的結(jié)論,只是影響的程度不同,高聲譽對融資成本的影響下降到0.024~0.025之間。同樣地,我們使用半徑匹配法進(jìn)行了穩(wěn)健性估計,得到了類似的結(jié)論,在全樣本下,高聲譽借款人利率比低聲譽借款人低0.019,未配對處理確實高估了聲譽對融資成本的作用。

表9　分年齡ATT估計結(jié)果

在分年齡段的借款人中,聲譽同樣對降低融資成本具有顯著的影響,聲譽對利率降低的范圍在0.038~0.047之間,而且在5%或1%的水平上顯著。其中26~31歲年齡段的高聲譽借款人融資成本優(yōu)勢最大,其次是32~38歲和大于38歲年齡組。半徑匹配法的結(jié)論相同,只是影響程度有差別,高聲譽對融資成本的影響下降到0.020~0.025之間,但結(jié)論是穩(wěn)健的。

三、 結(jié)論

本文運用PSM方法研究了P2P網(wǎng)絡(luò)借貸平臺上借款人聲譽對和融資成本的影響。本文的主要結(jié)論如下:

(1) 高聲譽借款人具有明顯的融資成本優(yōu)勢

不論是全樣本還是考慮不同年齡和職業(yè)的子樣本,本研究都發(fā)現(xiàn),相比低聲譽借款人,高聲譽借款人融資成本更低。在使用了最近鄰匹配法進(jìn)行配對處理后的結(jié)果顯示:高聲譽借款人的平均利率為0.166,低聲譽借款人的平均利率為0.186,高聲譽借款人比低聲譽的借款人利率低0.02,而且在1%的水平上顯著。

(2) 高聲譽在不同職業(yè)和年齡的借款人中同樣具有明顯的融資成本優(yōu)勢

本研究還針對不同職業(yè)、不同年齡的借款人進(jìn)行了配對分析。結(jié)果顯示不同職業(yè)的借款人中,聲譽同樣對降低融資成本具有顯著的影響,聲譽對利率降低的范圍在0.040~0.044之間,而且都在1%的水平上顯著。在工薪族中,高聲譽借款人對融資成本的影響最大,其次是網(wǎng)店賣家和私用業(yè)主。在分年齡的借款人中,聲譽同樣對降低融資成本具有顯著的影響,聲譽對利率降低的范圍在0.038~0.047之間,而且都在1%的水平上顯著。其中26~31歲年齡段的高聲譽借款人融資成本優(yōu)勢最大,其次是32~38歲和大于38歲年齡組。

(3) P2P網(wǎng)絡(luò)借貸平臺的信息傳遞機(jī)制有效地解決了信息不對稱

P2P網(wǎng)絡(luò)平臺本質(zhì)上是一種信息中介。在P2P網(wǎng)絡(luò)平臺上,借款人可以通過平臺的各種認(rèn)證提供標(biāo)準(zhǔn)化信息展示自身的類型;投資人也可以通過借款人的聲譽等級、以往借款記錄等判斷借款人的可信度和違約風(fēng)險。P2P網(wǎng)絡(luò)平臺通過現(xiàn)代化的信息傳播技術(shù),使借款人的相關(guān)信息以極低的成本迅速傳播;具有信息優(yōu)勢的借款人為了更快并且以更低的成本獲得融資,會主動選擇將自身的信息披露給處于信息劣勢的一方,即出借人,出借人也能以較低的成本發(fā)現(xiàn)和挖掘另一方的信息。這種信息傳遞和信息溝通的機(jī)制有效地解決了金融市場中普遍存在的信息不對稱問題。

參考文獻(xiàn):

[1] 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.

[2] Holmstrom B. The Provision of Services in a Market Economy[R]. Philadelphia: University of Pennsylvania, 1984.

[3] Akerlof G A. The Market for “Lemons”: Quality Uncertainty and the Market Mechanism[J]. Quarterly Journal of Economics, 1970,84(3):488-500.

[4] Avery R B, Calem E A. Consumer Credit Scoring: Do Situational Circumstances Matter[J]. Journal of Banking & Finance, 2004,28(4):835-856.

[5] Freedman S, Jin G Z. Do Social Networks Solve Information Problems for Peer-to-Peer Lending? —Evidence from Prosper.com[R]. South Drive: Indiana University, 2008.

[6] 葉康濤,張然,徐浩萍. 聲譽、制度環(huán)境與債務(wù)融資[J]. 金融研究, 2010(8):171-183.

[7] Dehejia R H, Wahba S. Propensity Score-matching Methods for Nonexperimental Causal Studies[J]. Review of Economics and Statistics, 2002,84(1):151-161.

[8] Becker S, Ichino A. Estimation of an Average Treatment Effects Based on Propensity Scores[J]. The Stata Journal, 2002,4(2):358-377.

[9] White H. A Heteroskedasticity-consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity[J]. Econometrica, 1980,48(4):817-838.

(責(zé)任編輯:王薇)