平臺信息披露、信用評級對P2P平臺融資成功率影響研究

丁永健　呂　姝　張宇航

(大連理工大學(xué)，大連　116024)

平臺信息披露、信用評級對P2P平臺融資成功率影響研究

丁永健呂姝張宇航

(大連理工大學(xué)，大連116024)

〔摘要〕平臺信息披露與信用評級是影響出資人意愿，進(jìn)而影響P2P平臺融資成功率的重要因素。本文綜合考慮了平臺、出資人、借款人三方的相互影響，并以中國第一家P2P借貸平臺網(wǎng)站——拍拍貸在2014年1～12月的真實交易數(shù)據(jù)為樣本，研究P2P平臺的融資成功率影響因素。研究發(fā)現(xiàn)：借款詳情描述字?jǐn)?shù)越多，融資成功率越低，這也驗證了出資人存在“懶人效應(yīng)”。借款金額、利率、期限以及歷史失敗次數(shù)均會降低融資成功率。而歷史成功次數(shù)、性別、工作、平臺評級、認(rèn)證均與融資成功率呈顯著的正向關(guān)系。其中年齡與融資成功率沒有直接關(guān)系。在所有影響因素中，平臺評級在所有促進(jìn)融資成功的變量中系數(shù)最大。本文研究對規(guī)范P2P平臺，提高平臺融資成功率具有意義。

〔關(guān)鍵詞〕P2P平臺信用評級信息披露融資成功率

1　問題提出

P2P網(wǎng)絡(luò)借貸是互聯(lián)網(wǎng)金融創(chuàng)新的重要形式。2008年全球金融危機(jī)爆發(fā)，各國經(jīng)濟(jì)形勢不斷惡化，使得國內(nèi)眾多小微企業(yè)和個人面臨著資金鏈斷裂和融資困境，但傳統(tǒng)的銀行無法滿足小微企業(yè)與個人的借貸服務(wù)。P2P借貸平臺作為全新的為小微企業(yè)與個人提供借貸的金融服務(wù)平臺，在銀行收縮小微企業(yè)與個人借貸門檻的時機(jī)抓住了此次機(jī)會，從而在國內(nèi)取得了十分快速的發(fā)展。然而，P2P平臺的發(fā)展還很不完善，據(jù)搜狐財經(jīng)官方統(tǒng)計，僅2015年前10個月，出現(xiàn)問題的平臺企業(yè)就達(dá)684家，遠(yuǎn)超2014年全年的122家。某種意義上說明，人們在經(jīng)歷短暫的好奇之后，參與P2P平臺的熱情在迅速消退。

網(wǎng)絡(luò)借貸與傳統(tǒng)的金融方式相比，出資人只能通過網(wǎng)絡(luò)了解借款人的信息，并且一般情況下借款人的所有信息都來自于P2P平臺的披露。因此，平臺的信息披露特別是對借款人的信用評級是否準(zhǔn)確，是決定出資人意愿、進(jìn)而影響平臺融資成功率的重要因素。實際上，當(dāng)前多數(shù)平臺的融資成功率都較低。據(jù)拍拍貸官方統(tǒng)計，其平臺的企業(yè)P2P融資成功率為27%左右。那么，平臺信息披露特別是信用評級到底會在多大程度上影響P2P融資成功率呢？這不論對平臺企業(yè)還是政府監(jiān)管機(jī)構(gòu)都具有重要的意義。

本文的意義還在于，它為研究人們的互聯(lián)網(wǎng)金融參與行為提供了一個新的視角。一種觀點認(rèn)為，P2P興起的重要原因是所謂“懶人效應(yīng)”，也即多數(shù)人有參與的愿望，通過P2P獲得高利率，但又不想花費(fèi)太多時間和精力用于甄別每筆貸款的風(fēng)險，只愿意做一個點擊鼠標(biāo)的“懶人”?；蛘哂捎诔鼋璧拿抗P資金較少，出資人在甄別風(fēng)險和監(jiān)督借款人問題上更傾向于“搭便車”。因此互聯(lián)網(wǎng)金融提供可信的信貸評級，是吸引“懶人”參與的重要手段。這種效應(yīng)存在嗎？本文的研究也是對“懶人效應(yīng)”的一個驗證。

2　文獻(xiàn)綜述

現(xiàn)有關(guān)于P2P的研究主要包括兩部分：(1)闡明P2P出現(xiàn)的原因；(2)理論或者實證檢驗影響P2P融資成功率的因素及存在的違約風(fēng)險。

首先是P2P借貸出現(xiàn)的原因：Conlin(1999)最先在美國及加拿大提出了平等的群體之間相互借貸的概念，他研究得出選擇P2P借貸的主要原因是P2P借貸成本是固定的，所以P2P借貸能夠有效的控制成本，從而可以最小化期間費(fèi)用[1]；Ashta和Assadi(2008)通過調(diào)查Web2.0，發(fā)現(xiàn)科技的發(fā)展使得人與人之間的相互交往更加頻繁，從而促進(jìn)了P2P借貸平臺的發(fā)展，但是P2P借貸平臺的低成本融資是其迅速發(fā)展的主要原因[2]。

較多文獻(xiàn)對影響P2P融資成功率及違約風(fēng)險做了研究。Gomez、Santor(2003)利用加拿大的信用數(shù)據(jù)研究發(fā)現(xiàn)：團(tuán)體借貸比個人借貸的違約風(fēng)險低[3]。陳東宇(2012)通過對拍拍貸真實的交易數(shù)據(jù)研究發(fā)現(xiàn)：信用等級對貸款建立的可能性是有影響的，而利率的影響較小，而且信用等級高的借款人違約風(fēng)險較低[4]。Larrimore等(2011)研究發(fā)現(xiàn)：給出有關(guān)借款人更明確的個人特征及其品質(zhì)的描述會促進(jìn)融資成功，而與其不相干的比如：外貌等描述過多則會降低融資成功率[5]。Galak等(2011)研究顯示：投資人更愿意投資給與自己特征相似的借款者，尤其是在職業(yè)、性別和性氏方面[6]。Duaret等(2012)指出：信用得分高的借款人更容易貸款成功并且違約風(fēng)險較低[7]。Qiu等(2012)揭示了借款金額，可接受的最大的利率水平以及借款期限能夠顯著的影響融資是否成功[8]。吳小英、鞠穎(2012)使用了Prosper網(wǎng)站2007年以來的數(shù)據(jù)來研究網(wǎng)絡(luò)借貸中借款用途對借貸成功率的影響，發(fā)現(xiàn)在相同情況下，學(xué)生較其他借款群體的借款成功率要低[9]。Lin等(2013)主要研究了信用風(fēng)險對融資成功率的影響，研究發(fā)現(xiàn)：具有較強(qiáng)社會關(guān)系的借款人的融資成功率較高并且違約風(fēng)險較小[10]。Freeman、Jin(2014)研究表明：擁有良好的社會關(guān)系會使借款者融資成功可能性加大，并且會降低利率減少融資成本。但是其也指出：風(fēng)險依舊存在于借款人和投資人之間[11]。Riza等(2015)研究主要表明了選擇歧視問題的存在，不同的借款人特征會使投資人選擇不同[12]。

與歷史文獻(xiàn)的研究相比，本文綜合考慮P2P平臺、借款人和出資人三方的相互影響，并在此基礎(chǔ)上應(yīng)用Logit模型研究P2P平臺信息披露和信用評級對借款者融資成功率的影響。

3　基于拍拍貸網(wǎng)站的研究設(shè)計

3.1變量的選擇與說明

本研究采取網(wǎng)頁數(shù)據(jù)抓取的方法獲得了拍拍貸平臺上2014年1～12月交易記錄中52375條借款記錄，剔除掉存在數(shù)據(jù)缺失的樣本，本文最終選定48810個有效樣本進(jìn)行實證檢驗。因為拍拍貸平臺采取“零或全部”的閥值機(jī)制，因此，籌資的借款金額達(dá)到預(yù)設(shè)目標(biāo)才算成功，否則視為流標(biāo)(失敗)。因此，本文將是否成功融資作為模型的因變量(Status)，設(shè)融資成功編碼為1，融資失敗編碼為0，通過Logisitic回歸方法進(jìn)行數(shù)據(jù)處理。各變量及其代表含義詳見表1。

表1　各變量及其代表含義

續(xù)　　表

3.2變量的統(tǒng)計性描述

表2為變量的統(tǒng)計性描述：Status均值為0.273，即融資成功的比率均值是27.3%。借款利率的均值是0.192，而借款利率的標(biāo)準(zhǔn)誤只有0.052，表明所有樣本借款利率的波動非常小，都集中在19%左右。借款期限從1天至36個月不等，均值6.791 表明借款期限在6個月左右的比較多。而歷史成功次數(shù)、失敗次數(shù)的均值代表同一借款人歷史記錄中成功次數(shù)、失敗次數(shù)的平均值，這兩項的標(biāo)準(zhǔn)誤差非常大，說明不同的借款人其歷史融資成功/失敗經(jīng)歷有顯著不同。性別的平均值是0.837，說明男性有更多的借款需求。而在年齡這一指標(biāo)上，均值1.204，表明26～31歲這一年齡段的人有更高的借款需求，其次是32～28，20～25。認(rèn)證項的均值為9.395表明經(jīng)過平臺認(rèn)證的借款人比例比較高，說明超過90%的借款人必須先通過平臺認(rèn)證才能發(fā)布自己的借款標(biāo)。

表2　全部樣本的描述性統(tǒng)計分析

信用評級均值為2.517，表明絕大多說借款者信用評級較低。結(jié)合表3數(shù)據(jù)分析可知，平臺評級為E的借款人最多，為20931人，占到了總借款人的42.88%，其次是平臺評級為D的借款人，為12973人，再次是評級為HR的借款人，即級別低的借款人較多。而評級為A的借款總?cè)藬?shù)最少，只有259人。另外，評級為B的融資成功率為70.46%，小于C的融資成功率(73.21%)，究其原因在于評級為B的借款利率較低，不能對出資人產(chǎn)生足夠的吸引力。顯然，HR的融資成功率最低，只有1.89%。

表3　全部樣本按照平臺評級劃分的借款人分布情況

將所有樣本歸為融資成功，失敗兩大類的描述性統(tǒng)計分析：在所有48810個樣本中，成功樣本共13317，失敗樣本共35493。分別來看，在成功樣本中，借款金額對數(shù)均值為8.601即借款金額在2000元左右，從最大值和最小值來看，最高的借款金額大概是13000元，而最小的金額在1000元左右，可見借貸成功的金額不是很大。而失敗樣本的借款均值在8400元左右，峰值比成功樣本低，t統(tǒng)計量說明這兩組樣本數(shù)據(jù)存在顯著差別，見表4。而在利率方面，借款利率均值表明成功融資的貸款利率大致在17%左右，而失敗的利率則在20%左右。

兩組數(shù)據(jù)中有明顯差別的是歷史成功次數(shù)以及信用評級。成功樣本中歷史成功記錄的均值達(dá)到11.248，說明借款人歷史融資成功次數(shù)高對當(dāng)前融資成功有顯著的正向影響；而失敗樣本中這一數(shù)據(jù)只為1.3，說明歷史融資成功次數(shù)低，則當(dāng)前融資成功率也不高。在信用評級維度兩組樣本也存在顯著差別。成功樣本的均值為3.435，說明信用評級越高，越有助于借款成功，一般而言信用評級在3級以上的融資成功率比較高。

表4　按借款狀態(tài)分樣本的描述性統(tǒng)計分析

注：t統(tǒng)計量用于檢驗兩組數(shù)值間是否有顯著的差別，t越大說明數(shù)值差異越顯著。

在建立模型之前，進(jìn)行Person相關(guān)系數(shù)估計。如表5所示，可以得出變量相關(guān)性系數(shù)檢驗嚴(yán)格小于1，且變量之間的相關(guān)性檢驗均在1%的水平下顯著。借款成功狀態(tài)與借款金額、歷史成功次數(shù)、性別、年齡、工作、平臺信用評級、認(rèn)證的相關(guān)系數(shù)為正，據(jù)此我們可以預(yù)測借款成功率與借款金額、歷史成功次數(shù)、性別、年齡、工作、平臺信用評級以及認(rèn)證呈正向的相互影響關(guān)系。而借款狀態(tài)與借款利率、期限以及歷史失敗次數(shù)呈負(fù)向的線性影響關(guān)系，可以預(yù)測說明借款利率高、期限長、歷史失敗次數(shù)多會抑制融資的成功率。平臺信用評級對融資成功率的影響是55.6%，且在1%的水平下顯著，說明平臺信用評級越高，融資成功率將會越高。

表5　變量的相關(guān)系數(shù)

續(xù)　　表

注：*表示在0.01的水平下顯著。

3.3模型設(shè)計

3.3.1Logit回歸模型的建立

為了研究融資是否成功，考慮的變量有借款金額LnGoal、借款利率Interest、借款期限D(zhuǎn)uration、歷史借款成功次數(shù)Success、歷史借款失敗次數(shù)Failure、借款人性別Gender、年齡Age、工作Job、網(wǎng)站給出的信用評級Credit、借款人標(biāo)的詳情Number以及網(wǎng)站的認(rèn)證Identity。因此本文建立的回歸模型是采用上述各影響因素相結(jié)合的模式，具體的回歸模型如下：

3.3.2Probit回歸模型的建立

為保證結(jié)果的可靠性，本節(jié)再次運(yùn)用Probit回歸進(jìn)行檢驗，即用Probit命令估計這些影響因素對融資成功率的作用。則具體的回歸模型為：

Status=1[σ0+σ1LnGoal+σ2Interest+σ3Duration+σ4Success+σ5Failture+σ6Gender+σ7Age+σ8Job+σ9Credit+σ10Number+σ11Idenity+v>0]

4　模型回歸結(jié)果

本文的回歸分析主要分為兩大類：(1)依據(jù)不同的借款原因：①應(yīng)急周轉(zhuǎn)、②創(chuàng)業(yè)、③消費(fèi)、④投資、⑤體驗而做的分類回歸分析；(2)所有樣本的進(jìn)行的全部解釋變量的回歸分析。

4.1借款詳情描述對借款結(jié)果的影響

借款詳情描述的仔細(xì)與否對于借款結(jié)果非常重要，所以首先單獨(dú)對其進(jìn)行一次回歸分析，結(jié)果見表6。(1)為只考慮借款詳情描述的Probit回歸，(2)為全部變量Probit回歸，結(jié)果發(fā)現(xiàn)提供詳細(xì)描述的標(biāo)的結(jié)果反而容易失敗。這一結(jié)論也適用于Logit回歸的結(jié)果分析，發(fā)現(xiàn)借款詳情描述得越詳細(xì)，流標(biāo)的概率會越大。這一結(jié)論與預(yù)期不同。并且從這一結(jié)果可以得出，出資人實際上只關(guān)心借款人性別、年齡、職業(yè)等關(guān)鍵信息，以及平臺給出的信用評級。如果借款人給出的信息過多，并且多為非關(guān)鍵信息，出資人反而會喪失耐心——這同時驗證了“懶人效應(yīng)”的存在，即出資人在對借款人進(jìn)行評估時，更傾向于搭便車。

表6　考慮借款詳情描述的回歸結(jié)果

續(xù)　　表

注：回歸方法為Probit和Logit回歸：***，**，*分別表示1%，5%，10%的顯著性水平。

4.2對不同借款原因進(jìn)行分類回歸分析

為了檢驗?zāi)Ｐ图捌浞€(wěn)健性，本文按借款原因類型將樣本帶入回歸，形成模型(1)～(5)，而(6)為整體檢驗，如表7。在應(yīng)急周轉(zhuǎn)類借款需求中，歷史成功借款次數(shù)、性別、工作、平臺評級和認(rèn)證對最終借款成功的影響呈正向關(guān)系，且呈現(xiàn)1%和5%的顯著性，這一結(jié)果符合預(yù)期。而借款金額、利率、期限、歷史失敗次數(shù)對最終借款成功的影響呈負(fù)向關(guān)系，且呈現(xiàn)1%的顯著性，說明借款金額高、利率高且歷史失敗次數(shù)較多的借款結(jié)果容易失敗。但是在模型(2)(3)(4)中，性別對借款成功都沒有顯著影響。在創(chuàng)業(yè)類借款需求中，金額、期限、歷史失敗次數(shù)與借款成功呈反向相關(guān)關(guān)系，且呈現(xiàn)1%的顯著性。而歷史成功次數(shù)、工作、平臺評級對借款成功呈正向的影響。其中，平臺評級的系數(shù)均為各模型中所有系數(shù)的最大值，即其對融資成功的促進(jìn)作用最大，且也是最顯著的。這一結(jié)果與模型(3)(4)一致。而與前四類模型不同的是，在體驗類模型(5)中，年齡對借款成功是有顯著影響的，且處于26～31歲之間的借款者借款成功比率更高一些，這也符合預(yù)期，這一年齡段的借款者工作事業(yè)正處于上升期，所以還款能力更強(qiáng)。

總體來看模型(6)，在1%的顯著性水平下，借款金額、利率、期限以及歷史失敗次數(shù)對融資成功呈顯著的負(fù)向關(guān)系。而歷史成功次數(shù)、性別、工作、平臺評級、認(rèn)證對借款成功呈顯著的正向關(guān)系。年齡對借款成功沒有直接的影響。說明借款金額越高、利率越高、期限越長、歷史失敗次數(shù)越高在投資者看來，投資風(fēng)險較高，不確定性較大，因此投資人投資積極性較低，借款者借款失敗率越高；相反則成功率越高。而歷史成功次數(shù)越高、男性借款者、工作為網(wǎng)店買主、平臺給出較高的信用評級且經(jīng)過認(rèn)證的借款人比較有能力吸引投資人，降低投資風(fēng)險，從而促進(jìn)借款人融資成功。

表7　Logit回歸結(jié)果分析

注：***、**、*分別表示 1%、5%、10%的顯著性水平。

4.3邊際效應(yīng)分析

由Logit回歸結(jié)果邊際分析結(jié)果見表8。在第一種融資原因——應(yīng)急周轉(zhuǎn)類模型中，對融資結(jié)果影響較大的解釋變量是平臺信用評級。當(dāng)平臺信用評級每提高一個單位時，融資成功率、失敗率之比會提高近250%。而借款金額、借款利率、期限、歷史借款失敗次數(shù)每提高一個單位，融資成功率、失敗率之比分別會降低13.5%、99.9%、3.1%、26.5%。而歷史成功次數(shù)、性別、工作、以及認(rèn)證每提高一個單位時，融資成功率會得到相應(yīng)比率的提高。在第2類融資原因——創(chuàng)業(yè)類模型中，與第1類不同的是，歷史成功次數(shù)的提高對融資成功的結(jié)果沒有那么高的影響。在第3類消費(fèi)類模型中，隨著借款金額的增加，最終融資成功率、失敗率之比也會增加，相應(yīng)的增加比例為15.3%，這是與其他類模型不同的結(jié)果，本文給出的解釋是P2P市場存在“逆向選擇”問題，使得投資者認(rèn)為較小的金額進(jìn)行借貸消費(fèi)行為具有較強(qiáng)的不確定性，存在較大違約風(fēng)險?？紤]全部解釋變量的模型(6)，結(jié)論與模型(1)相似。

表8　Logit回歸結(jié)果邊際分析

續(xù)　　表

注：***、**、*分別表示 1%、5%、10%的顯著性水平。

對實證結(jié)果的分析，可以總結(jié)出以下結(jié)論：(1)借款人借款原因最多的是用于應(yīng)急周轉(zhuǎn)(占58.7%)，其次是消費(fèi)類(占21.9%)，而創(chuàng)業(yè)、投資及體驗的比例較少，占比分別為9.6%、2.25%以及4.5%。(2)Logit模型的回歸結(jié)果、借款詳情描述項目的回歸結(jié)果和全部解釋變量的回歸結(jié)果均顯示：借款詳情描述字?jǐn)?shù)越多，融資成功率反而降低，這也印證了“懶人效應(yīng)”的存在。(3)平臺評級在所有分組的回歸中，均有1%級別的顯著影響，對融資成功率影響巨大。(4)Logit邊際分析模型回歸結(jié)果顯示：借款金額、利率、期限以及歷史失敗次數(shù)均與融資成功率呈顯著的負(fù)向關(guān)系。而歷史成功次數(shù)、性別、工作、平臺評級、認(rèn)證均與融資成功率呈顯著的正向關(guān)系。年齡與融資成功率沒有直接的影響。

5　結(jié)論與啟示

本文以拍拍貸網(wǎng)站真實交易數(shù)據(jù)為研究對象，對影響 P2P 融資成功率的要素進(jìn)行了研究，并重點探討了平臺評級對融資成功率的影響情況。通過理論和實證分析，本文有以下發(fā)現(xiàn)：(1)借款金額、利率、期限以及歷史失敗次數(shù)均與融資成功率呈顯著的負(fù)向關(guān)系。而歷史成功次數(shù)、性別、工作、平臺評級、認(rèn)證均與融資成功率呈顯著的正向關(guān)系。年齡與融資成功率沒有直接的影響。(2)平臺評級在所有促進(jìn)融資成功的變量中系數(shù)最大，即其對融資成功率的影響最大。(3)借款詳情描述字?jǐn)?shù)越多，融資成功率反而降低，說明出資人在評估借款項目時存在“懶人效應(yīng)”。

基于此，本文對平臺企業(yè)提出如下建議：

(1)提高平臺評級水平。①確定規(guī)范的信用評級標(biāo)準(zhǔn)體系，對于每個借款人的個人借款信息進(jìn)行詳細(xì)地等級劃分，并通過對借款人每次的借款記錄來幫助其進(jìn)行信用等級的積累以及對每個借款人實施動態(tài)信用評級，以持續(xù)、有效、同步地反應(yīng)出每個借款人與出資人的借貸行為。②提高平臺審核信用信息的能力，以防借款人利用假資料來提高自身的信用等級，從而出現(xiàn)評級錯誤的現(xiàn)象發(fā)生。

(2)注意有效激發(fā)出資人的出資意愿。①加強(qiáng)P2P借貸平臺信息披露和風(fēng)險監(jiān)測，通過發(fā)布網(wǎng)絡(luò)信貸的人數(shù)、信貸額度和信貸產(chǎn)品，提供平臺的相關(guān)數(shù)據(jù)，以供出資人進(jìn)行參考，另外通過加強(qiáng)披露信息的實時性和動態(tài)性建設(shè)，使出資人能夠準(zhǔn)確掌握借款人的實時動態(tài)信息；②建立借貸、保險、用戶的三方平臺，通過讓出資者按照收益的一定比例向平臺繳納保險金，以保障出資人的投資金額因借款人違約無法歸還時，其本金在第一時間可以得到補(bǔ)償，讓出資人能夠安心出資。

(3)加強(qiáng)對借款人的征信與管理。①建立完善統(tǒng)一的信用體系，應(yīng)當(dāng)逐步完善征信內(nèi)容，實現(xiàn)征信內(nèi)容的實時化和動態(tài)化，并結(jié)合國外信用評級的理論和理念，實現(xiàn)個人信用體系包括P2P平臺的全覆蓋。②推行P2P平臺“實名制”制度，以降低平臺的運(yùn)行風(fēng)險以及緩解P2P平臺、借款人與出資人三方的信息不對稱問題，從而提高出資人的出資意愿和借款人的融資成功率。

參考文獻(xiàn)

[1]Conlin,M.Peer Group Micro-lending Programs in Canada and the United States[J].Journal of Development Economics,1999,60:249～269

[2]Ashta,A.and Assadi,D.Do Social Cause and Social Technology Meet?Impact of Web2.0 Technologies on Peer-to-peer Lending Transactions[R].Working Paper,2008

[3]Gomez,R.and Santor,E.Do Peer Group Members Outperform Individual Borrowers?[R].A Test of Peer Group Lending Using Canadian Micro-credit Data,2003

[4]陳冬宇.交易信任、心理感知與出借意愿——P2P在線借貸平臺的出借意愿影響因素分析[A].中國管理現(xiàn)代化研究會.第五屆(2010)中國管理學(xué)年會——信息管理分會場論文集[C].中國管理現(xiàn)代化研究會,2010:10

[5]Larrimore,L.Jiang,L.Larrimore,J.et al.Peer to Peer Lending:The Relationship Between Language Features,Trustworthiness,and Persuasion Success[J].Journal of Applied Communication Research,2011,39:19～37

[6]Galak,J.Small,D.and Stephen,A.Microfinance Decision Making:A Field Study of Prosaically Lending[J].Journal of Marketing Research,2011,48:7～S130

[7]Duarte,J.Siegel,S.and Young,L.Trust and Credit:The Role of Appearance in Peer-to-peer Lending[J].Review of Financial Studies,2012,25:84～2455

[8]Qiu,J.Lin,Z and Luo,B.Effects of Borrower-defined Conditions in the Online Peer-to-peer Lending Market.E-life:Web-enabled Convergence of Commerce,Work,and Social Life[J].Lecture Notes in Business Information Processing,2012,108:79～169

[9]吳小英，鞠穎.中國P2P網(wǎng)絡(luò)小額貸款運(yùn)營模式研究——基于拍拍貸、宜農(nóng)貸的案例分[J].新金融,2012，(2):42～45

[10]Lin,M,Prabhala,N.and Viswanathan,S.Judging Borrowers by the Company they Keep:Friendship Networks and Information Asymmetry in Online Peer-to-peer Lending[J].Management Science,2013,59:17～35

[11]Freedman,S.and Jin,G.The Signaling Value of Online Social Networks:Lessons From Peer-to-peer Lending[R].America:NBER,2014

[12]Riza Emekter,Yanbin Tu,Benjamas Jirasakuldech and Min Lu.Evaluating Credit Risk and Loan Performance in Online Peer-to-Peer Lending[J].Applied Economics,2015,47:1,54～70

[13]狄為，喬曉杰．管理層權(quán)力、信息披露質(zhì)量與投資效率[J]．工業(yè)技術(shù)經(jīng)濟(jì)，2014，(3)：58～65

[14]Eunkyong Lee.Friendships in Online Peer-to-Peer Lending:Pipes,Prisms,and Social Herding[J].Prisms,and Social Herding,2013,(5):52～61

(責(zé)任編輯：王平)

The Research on the Effects of Platform Information Disclosure and Credit Rating to the Success Rate of P2P Loan Funding

Ding YongjianLv ShuZhang Yuhang

(Dalian University of Technology，Dalian 116024，China)

〔Abstract〕The information disclosure and credit rating greatly influence the success rate of P2P loan funding.This paper considers platform,investors and borrowers at the same time and sheds light on the first company in China based on P2P lending platform site on loan from January to December 2014 with the real transaction data as samples.Then we get the conclusion the more the loan details description words,the lower the success rate of financing and verify“the effect of lazy people”.The loan amount,interest rate,duration and historical failure frequency and funding success rate significantly negatively affect it.The historical success number,gender,working condition,platform rating and certification significantly positively impact it.The influence of age is not direct.Platform rating is the most powerful factor.The significant meaning of this paper is to make P2P loan funding platform more normal and improve the success rate of borrowing of it.

〔Key words〕P2P platform;credit rating;information disclosure;the success rate of P2P loan funding

〔中圖分類號〕F832

〔文獻(xiàn)標(biāo)識碼〕A

DOI：10．3969/j．issn．1004-910X．2016．10．002

作者簡介：丁永健，大連理工大學(xué)管理與經(jīng)濟(jì)學(xué)部副教授，博士，研究方向：產(chǎn)業(yè)經(jīng)濟(jì)學(xué)。呂姝，大連理工大學(xué)管理與經(jīng)濟(jì)學(xué)部碩士研究生。研究方向：產(chǎn)業(yè)經(jīng)濟(jì)學(xué)。張宇航，大連理工大學(xué)管理與經(jīng)濟(jì)學(xué)部碩士研究生。研究方向：金融學(xué)。

基金項目：國家社科基金重大項目“加快我國傳統(tǒng)產(chǎn)業(yè)向中高端升級發(fā)展的微觀機(jī)制和政策創(chuàng)新研究”(項目編號：ZDA025)，中央高?；究蒲袠I(yè)務(wù)費(fèi)資助項目(項目編號：DUT13RW301)。

收稿日期：2016—04—07