地域差異如何影響P2P平臺(tái)借貸的行為
——基于“人人貸”的經(jīng)驗(yàn)證據(jù)

彭紅楓，楊柳明，譚小玉

(武漢大學(xué) 經(jīng)濟(jì)與管理學(xué)院，湖北 武漢 430072)

?

地域差異如何影響P2P平臺(tái)借貸的行為
——基于“人人貸”的經(jīng)驗(yàn)證據(jù)

彭紅楓，楊柳明，譚小玉

(武漢大學(xué) 經(jīng)濟(jì)與管理學(xué)院，湖北 武漢 430072)

本文以人人貸平臺(tái)的借貸交易數(shù)據(jù)為樣本，分別從各省經(jīng)濟(jì)水平、金融生態(tài)環(huán)境、教育程度和正規(guī)金融普及程度等四個(gè)角度，考察了地域差異對P2P網(wǎng)絡(luò)借貸行為的影響。研究結(jié)果表明：我國P2P借貸市場上，不同地域之間的借款成功率存在顯著的差異，地域歧視已經(jīng)存在于互聯(lián)網(wǎng)金融領(lǐng)域。具體而言，經(jīng)濟(jì)水平越高、金融生態(tài)環(huán)境越好、教育程度越高的省份的借款人更容易獲得借款；而正規(guī)金融普及程度對借款成功率有負(fù)向影響，表明P2P網(wǎng)絡(luò)借貸是正規(guī)金融的有效補(bǔ)充。本文的結(jié)果為深入理解互聯(lián)網(wǎng)金融地域歧視背后的原因，以及創(chuàng)造公平和諧的網(wǎng)絡(luò)借貸環(huán)境提供了啟示。

地域歧視；P2P網(wǎng)絡(luò)借貸；借款成功率

一、問題提出

隨著以互聯(lián)網(wǎng)為代表的現(xiàn)代信息科技的高速發(fā)展，基于移動(dòng)支付、社交網(wǎng)絡(luò)、搜索引擎和云計(jì)算等的互聯(lián)網(wǎng)金融模式正在改變傳統(tǒng)金融體系的價(jià)值創(chuàng)造和服務(wù)方式，其中P2P(Peer-to-Peer)網(wǎng)絡(luò)借貸正是一種融合互聯(lián)網(wǎng)技術(shù)的新型金融模式[1-2]。

作為金融和互聯(lián)網(wǎng)融合發(fā)展的產(chǎn)物，P2P網(wǎng)絡(luò)借貸以其貸款門檻低、覆蓋面廣、信息流通快、交易手續(xù)便捷、涉及金額小、借款期限較短等優(yōu)點(diǎn)備受借款人和投資者的青睞，但是由P2P網(wǎng)絡(luò)信息不對稱性而造成的逆向選擇和道德風(fēng)險(xiǎn)等信用問題正成為P2P行業(yè)發(fā)展的障礙。為了減少信息不對稱程度，幫助投資者在獲取有效信息的基礎(chǔ)上做出理性決定，P2P網(wǎng)貸平臺(tái)往往要求借款人提供財(cái)務(wù)和個(gè)人情況等相關(guān)信息，其中個(gè)人特征信息包括性別、年齡、種族等。在勞動(dòng)經(jīng)濟(jì)學(xué)領(lǐng)域，已有多名學(xué)者[3-6]研究了一些諸如性別、年齡、種族、外貌、所在地等個(gè)人特征信息引起的社會(huì)對勞動(dòng)者在就業(yè)和工資等方面的不平等待遇，即“歧視”問題。類似的歧視問題也存在于互聯(lián)網(wǎng)金融領(lǐng)域，在不需要進(jìn)行面對面交流的網(wǎng)絡(luò)借貸市場上，貸款人同樣會(huì)由于借款人個(gè)人特征的差異而做出不同的貸款決定。目前已有多名學(xué)者對個(gè)人特征信息如何影響P2P網(wǎng)絡(luò)借貸行為的問題進(jìn)行了研究，例如Ravina[7]和Herzenstein and Andrews[8]研究發(fā)現(xiàn)，種族、年齡、性別、體重和外貌可信對借款成功率有顯著影響，上述結(jié)論得到了Pope and Sydnor[9]的驗(yàn)證，具體而言，非裔美國人的借款成功率比信用相近的白人低34%，35-60歲借款人的借款成功率比年齡小于35歲的借款人高40%。除了考察個(gè)人特征信息差異對借款成功率的影響之外，部分學(xué)者還從借款違約率角度對歧視形成的原因展開了研究，例如Ravina[10]發(fā)現(xiàn)長相可信的借款人有更高的信用等級(jí)和更低的違約率；相對于白種人而言，黑種人較難獲得貸款，且違約概率比白種人高。此外，吳小英和鞠穎[11]利用Prosper網(wǎng)站交易數(shù)據(jù)進(jìn)行研究，發(fā)現(xiàn)在同等條件下，學(xué)生借款比其他人借款的成功率低3.4%，表明貸款人對學(xué)生存在直覺歧視。更進(jìn)一步地，這種P2P借貸中的身份歧視現(xiàn)象與信息披露質(zhì)量有關(guān)，莊雷和周勤[12]將借款人身份細(xì)分為網(wǎng)店店主、私營業(yè)主、工薪階層、學(xué)生、其他等五種，以“拍拍貸”網(wǎng)站的交易數(shù)據(jù)為樣本研究互聯(lián)網(wǎng)金融中的身份歧視問題，發(fā)現(xiàn)當(dāng)信息披露質(zhì)量較低時(shí)，存在著顯著的身份歧視，隨著信息披露質(zhì)量上升，身份歧視問題便不再顯著。

從現(xiàn)有研究來看，目前鮮有學(xué)者從借款人所在地的角度研究地域差異對網(wǎng)絡(luò)借貸行為的影響，即互聯(lián)網(wǎng)金融的地域歧視問題。地域歧視是基于地域差異而形成的一種“區(qū)別對待”，它是由地域文化差異以及經(jīng)濟(jì)發(fā)展不平衡等因素引發(fā)的，自古以來便存在[13]。我國地理疆域遼闊、人口眾多，各省份經(jīng)濟(jì)發(fā)展程度、生活狀況等各方面存在顯著差異，由此形成的地域歧視問題在我國較為普遍。我國勞動(dòng)力市場中的地域歧視問題已經(jīng)凸顯[14-16]，并且目前已經(jīng)滲透到互聯(lián)網(wǎng)金融領(lǐng)域。P2P平臺(tái)上的借款人來自我國不同省、自治區(qū)、直轄市，那么各省份的差異對其借貸成功有無影響，如果有影響，那么地域的差異性會(huì)如何影響借貸行為？廖理等[17]對此進(jìn)行了深入的探討，他們將各省份訂單成功率的差異性定義為“地域歧視”，發(fā)現(xiàn)各省份P2P網(wǎng)絡(luò)借貸中存在地域歧視問題，并且指出這種歧視為偏好性歧視，即非理性歧視。以上研究為本文提供了很好的啟迪，然而現(xiàn)有研究尚存兩個(gè)方面的問題：第一，對地域歧視的定義尚停留在物理概念上，沒有涉及到各地區(qū)的經(jīng)濟(jì)水平、金融生態(tài)環(huán)境、文化傳承差異及市場化程度等差異，而這些差異對P2P借貸成功率及借款利率存在很大的影響。第二，未將微觀借貸行為與宏觀狀況結(jié)合分析，對造成P2P借貸地域歧視的成因缺乏合理的探討。

針對以上兩個(gè)問題，本文從四個(gè)角度分析地域歧視的成因。首先，經(jīng)濟(jì)發(fā)展程度衡量了該省整體承擔(dān)債務(wù)的能力，貸款人更傾向于選擇位于經(jīng)濟(jì)發(fā)展水平高的省份的借款人。其次，金融生態(tài)環(huán)境衡量了該省市場化發(fā)展水平和程度、信息傳遞及金融運(yùn)作效率，較高的市場化水平意味著良好的法律環(huán)境及市場秩序，有利于塑造“誠信”形象，從而提高該省的借款成功率。再次，教育程度衡量了該省居民整體素質(zhì)，受過良好教育的借款人在撰寫借款陳述及提供認(rèn)證信息(如教育認(rèn)證)等方面存在優(yōu)勢，也會(huì)較為重視自己的個(gè)人信用記錄。最后，正規(guī)金融普及程度衡量了該省居民通過正常渠道借款的難易水平，目前大多數(shù)借款人主要通過銀行等傳統(tǒng)金融渠道獲取貸款，對于正規(guī)金融普及程度較高的省份，P2P平臺(tái)上的大部分借款人是被正規(guī)金融拒貸或者雖被放貸、但額度不足的群體，即傳統(tǒng)金融機(jī)構(gòu)篩選后的“次級(jí)客戶”，信用級(jí)別較低；但是對于正規(guī)金融普及程度較低的省份，有較好信譽(yù)的借款人通過銀行等正規(guī)金融渠道也較難獲得貸款，此時(shí)會(huì)選擇P2P網(wǎng)絡(luò)融資，因此整體而言，借款成功率隨正規(guī)金融普及程度提高而降低。

鑒于此，本文將地域差異分為各省經(jīng)濟(jì)水平差異、各省金融生態(tài)環(huán)境差異、各省教育程度差異、各省正規(guī)金融普及程度差異這四種，以中國P2P網(wǎng)貸平臺(tái)的領(lǐng)軍者“人人貸”平臺(tái)的交易數(shù)據(jù)為樣本，探討互聯(lián)網(wǎng)金融地域歧視背后的原因。實(shí)證結(jié)果表明：在我國P2P借貸市場上，不同省份間的借款成功率存在顯著的差異性，具體而言，經(jīng)濟(jì)水平越高、金融生態(tài)環(huán)境越好、教育程度越高的省份的借款人更容易獲得貸款，但正規(guī)金融普及率越低的省份的借款人更容易獲得貸款，可以看出P2P網(wǎng)絡(luò)借貸是正規(guī)金融的有效補(bǔ)充。本文有助于豐富和完善P2P網(wǎng)絡(luò)借貸行為的研究，并為解決互聯(lián)網(wǎng)金融的“地域歧視”問題提出相關(guān)政策性建議。

二、研究設(shè)計(jì)

(一)研究思路

為了探討地域差異如何影響P2P平臺(tái)的借貸行為，本文首先檢驗(yàn)不同省份之間的P2P借款成功率是否存在差異，如果有差異，則說明P2P網(wǎng)絡(luò)借貸中存在地域歧視；在此基礎(chǔ)上，進(jìn)一步分析這種地域歧視是由地域間的何種差異造成的。

本文將地域差異分為各省經(jīng)濟(jì)水平差異、各省金融生態(tài)環(huán)境差異、各省教育程度差異、各省正規(guī)金融普及程度差異等四種，其中本文采用各省人均GDP衡量經(jīng)濟(jì)水平差異、各省樊綱指數(shù)①樊綱指數(shù)即市場化指數(shù)，由五個(gè)方面的指數(shù)組成：政府與市場的關(guān)系、非國有經(jīng)濟(jì)的發(fā)展、產(chǎn)品市場的發(fā)育程度、要素市場的發(fā)育程度、市場中介組織發(fā)育和法律制度環(huán)境，概括了該省市場化發(fā)展水平和程度、信息傳遞及金融運(yùn)作效率。本文使用《中國市場化指數(shù):各地區(qū)市場化相對進(jìn)程2011年報(bào)告》一書中統(tǒng)計(jì)的2009年中國各省數(shù)據(jù)。衡量金融生態(tài)環(huán)境差異、各省每十萬人中大學(xué)生人數(shù)衡量各省教育程度差異，各省每十萬人享有的金融機(jī)構(gòu)數(shù)量衡量各省正規(guī)金融普及程度差異，除樊綱指數(shù)外，以上指標(biāo)均采用截止到2013年底的統(tǒng)計(jì)數(shù)據(jù)，數(shù)據(jù)來源為Wind數(shù)據(jù)庫。

(二)數(shù)據(jù)描述及預(yù)處理

本文選取2014年1月1日至2014年12月31日期間人人貸網(wǎng)站的全部借貸數(shù)據(jù)作為初始樣本，因?yàn)槿巳速J網(wǎng)站于2013年10月進(jìn)行了改版并步入快速平穩(wěn)發(fā)展階段，在此時(shí)期的借款標(biāo)的較多，數(shù)據(jù)的完整性相對較高。共有253321個(gè)觀測值，所有樣本都為競標(biāo)完成狀態(tài)下的借貸數(shù)據(jù)。本文對初始樣本進(jìn)行如下預(yù)處理：①剔除性別、婚姻、學(xué)歷、公司規(guī)模、工作年限、月收入、借款年限、所在地等信息不全的68505個(gè)觀測數(shù)據(jù)；②因同一借款人每個(gè)賬號(hào)存在多筆貸款，考慮到研究需要，本文在相同賬號(hào)中隨機(jī)抽取一筆貸款記錄作為樣本。同時(shí)，為了保證樣本的有效性，本文將借款人的年齡段設(shè)定為18歲至60歲②民法規(guī)定，十八歲的公民有完全行為能力；《勞動(dòng)法》規(guī)定，六十歲為法定退休年齡。，并將借款金額設(shè)定在20萬元以下③《最高人民法院關(guān)于審理非法集資刑事案件具體應(yīng)用法律若干問題的解釋》規(guī)定，個(gè)人吸收公眾存款20萬元以上觸及非法集資標(biāo)準(zhǔn)。，由此共刪除89888個(gè)觀測數(shù)據(jù)；③因港、澳、臺(tái)地區(qū)訂單數(shù)量較少，剔除這三個(gè)地區(qū)借款共158個(gè)觀測數(shù)據(jù)，最終整理得到94770個(gè)有效觀測數(shù)據(jù)。

(三)地域歧視檢驗(yàn)的模型設(shè)定

為了檢驗(yàn)P2P借款成功率在不同省份之間是否存在差異，本文將模型設(shè)定如下：

successi=α+∑βn×provincen+λ×Controlsi+εi

(1)

其中，successi是第i份訂單的借款成功與否，當(dāng)借款人借款成功時(shí)取1，失敗時(shí)取0；provincen表示是否為第個(gè)省份，其中香港、澳門、臺(tái)灣的訂單數(shù)量較少，剔除這三個(gè)地區(qū)后共有31個(gè)省份。本文選擇重慶為對照組，共使用30個(gè)虛擬變量，Controlsi表示借款人在P2P借貸平臺(tái)上注冊時(shí)提供的各類信息，比如訂單信息(借款金額、期限等)和借款人自身信息(性別、年齡等)，εi表示誤差項(xiàng)。

在模型(1)中，如果回歸系數(shù)β1=β2=β3=…=β30是聯(lián)合顯著的，則可以推斷不同省份訂單成功率的地域差異是不顯著的，即不存在地域差異；反之，表明訂單成功率存在地域差異。

(四)地域差異對借貸行為影響的模型設(shè)定

若上述檢驗(yàn)結(jié)果表明P2P借貸中的地域歧視確實(shí)存在，本文進(jìn)一步探討這種歧視背后的原因，根據(jù)前文所述，將地域差異分為各省經(jīng)濟(jì)水平差異、金融生態(tài)環(huán)境差異、教育程度差異和正規(guī)金融普及程度差異等四種，本文將設(shè)定如下四個(gè)模型：

successi=α+β×Per_GDPprovincen+λ×Controlsi+εi

(2)

successi=α+β×Financial_Environmentprovincen+λ×Controlsi+εi

(3)

successi=α+β×Per_College_Studentsprovincen+λ×Controlsi+εi

(4)

successi=α+β×Financial_Institutionsprovincen+λ×Controlsi+εi

(5)

本文將根據(jù)模型(2)-(5)，在控制了其他因素的影響后，研究地域間的何種差異會(huì)導(dǎo)致各省P2P借貸成功率的差異化。

其中，模型(2)為經(jīng)濟(jì)水平差異對借貸行為影響，Per_GDPprovincen代表第n個(gè)省份的經(jīng)濟(jì)水平，采用各省份人均GDP衡量該省份的經(jīng)濟(jì)實(shí)力；模型(3)為金融生態(tài)環(huán)境差異對借貸行為影響，F(xiàn)inancial_Environmentprovincen代表第n個(gè)省份的金融生態(tài)環(huán)境，采用各省份樊綱指數(shù)作為衡量指標(biāo)；模型(4)為教育程度差異對借貸行為影響，Per_College_Studentsprovincen代表第n個(gè)省份每十萬人中大學(xué)生人數(shù)，以此衡量該省份的教育程度；模型(5)為正規(guī)金融普及程度差異對借貸行為影響，F(xiàn)inancial_Institutionsprovincen代表第n個(gè)省份每十萬人享有的金融機(jī)構(gòu)數(shù)量，以此衡量該省份的正規(guī)金融普及程度?；貧w系數(shù)β代表各省經(jīng)濟(jì)水平、金融生態(tài)環(huán)境、教育程度和正規(guī)金融普及程度等四種差異對借貸行為影響。

(五)變量說明

根據(jù)已有文獻(xiàn)對P2P借貸行為影響因素的研究[18-21]以及本文的研究需要，本文選取以下控制變量進(jìn)行分析：“訂單自身信息”中的借款利率、借款期限、借款金額、借款目的以及“借款人各類信息”中的信用等級(jí)、性別、年齡、婚姻狀態(tài)、所在公司規(guī)模、工作年限、教育程度、收入水平、信用認(rèn)證個(gè)數(shù)、有無車產(chǎn)、有無房產(chǎn)、有無車貸、有無房貸等17個(gè)變量。下面對本文的研究變量做進(jìn)一步說明。

表1 變量定義表

1.本文主要研究的因變量

借款成功(success):當(dāng)借款成功募集到預(yù)期數(shù)額時(shí)取1，否則取0。

2.訂單自身信息變量

(1)借款利率(Rate)：每一個(gè)訂單中，借款人都會(huì)給出一個(gè)自己可以接受的借款利率。

(2)借款期限(Term)：借款人還款期限，按月衡量，最短為3個(gè)月，最長為36個(gè)月。

(3)借款金額對數(shù)值(Log_Money)：借款人預(yù)期借款金額，本文取其對數(shù)。

(4)借款目的(Purpose)：本文將借款目的分為兩類：購車、購房、裝修、婚禮籌備及投資創(chuàng)業(yè)等實(shí)物投資目的的借款記為1；短期周轉(zhuǎn)、個(gè)人消費(fèi)、教育培訓(xùn)、醫(yī)療支出及其他借款等非實(shí)物投資目的的借款記為0。

3.借款人的各類信息變量

(1)信用等級(jí)(CreditRating)：“人人貸”平臺(tái)對借款人提交的信用認(rèn)證材料進(jìn)行審核和判斷，然后進(jìn)行信用評(píng)級(jí)，共分為AA、A、B、C、D、E、HR七個(gè)級(jí)別，對其做虛擬變量處理，令HR=1，其他信用等級(jí)為0。

(2)性別(sex)：虛擬變量，當(dāng)性別為男性時(shí)取1，女性時(shí)取0。

(3)年齡(Age)：借款人提供的年齡信息。

(4)婚姻狀態(tài)(Marry)：當(dāng)借款人已婚、離異或喪偶時(shí)取1，未婚時(shí)取0。

(5)所在公司規(guī)模(Scale)：借款人所在公司的規(guī)模，10人以下取1，10-100人取2，100-500人取3，500人以上取4。

(6)工作年限(Worktime)：借款人的工作年限，工作一年(含)以下取1，1-3年(含)取2，3-5年(含)取3，5年以上取4。

(7)教育程度(Edu)：借款人的學(xué)歷，高中或以下取1，?？迫?，本科取3，研究生或以上取4。

(8)收入水平(Income)：借款人月收入狀況，1000元以下取1，1000-2000元取2，2000-5000元取3，5000-10000元取4，10000-20000元取5，20000-50000元取6，50000元以上取7。

(9)信用認(rèn)證個(gè)數(shù)(Certification Number)：借款人在注冊“人人貸”賬戶時(shí)，需要提交信用認(rèn)證材料，具體包括身份認(rèn)證(Identity Certification)、學(xué)歷認(rèn)證(Education Certification)、信用報(bào)告(Credit Report)、居住地證明(Residence Certification)、婚姻認(rèn)證(Marriage Certification)、工作認(rèn)證(Job Certification)、微博認(rèn)證(Blog Certification)、房產(chǎn)認(rèn)證(House Certification)、車產(chǎn)認(rèn)證(Car Certification)、手機(jī)認(rèn)證(Mobile phone Certification)、收入認(rèn)證(Income Certification)、視頻認(rèn)證(Video Certification)等12種認(rèn)證，當(dāng)借款人提交某種認(rèn)證時(shí)，該認(rèn)證變量取1，統(tǒng)計(jì)信用認(rèn)證的總個(gè)數(shù)。

(10)房產(chǎn)(House)：借款人是否有房產(chǎn)，擁有房產(chǎn)時(shí)取1，沒有取0。

(11)車產(chǎn)(Car)：借款人是否有車產(chǎn)，擁有車產(chǎn)時(shí)取1，沒有取0。

(12)房貸(House_Loan)：借款人是否有房貸，擁有房貸時(shí)取1，沒有取0。

(13)車貸(Car_Loan)：借款人是否有車貸，擁有車貸時(shí)取1，沒有取0。

表1給出了本文涉及變量的名稱及相關(guān)定義。

三、實(shí)證結(jié)果分析

(一)描述性統(tǒng)計(jì)

表2計(jì)算了各省份的借款成功率，可以看出，各省份的借款成功率中最低的是西藏，僅為2.78%，最高的是重慶，高達(dá)80.27%。表2展示了不同地區(qū)的借款信息的描述性統(tǒng)計(jì)。

表2 各省份借款信息的描述性統(tǒng)計(jì)

從圖1可知，不同省份的借款成功率存在顯著差異，下面本文將在控制“訂單自身的信息”和“借款人的各類信息”兩類變量影響的基礎(chǔ)上，進(jìn)一步探究各省份借款成功率出現(xiàn)差異的原因。

圖1 各省借款成功率統(tǒng)計(jì)圖

表3列示了變量的描述性統(tǒng)計(jì)。從表3可以看出，觀測樣本中42.4%的借款人成功獲得貸款。對于各省人均GDP、樊綱指數(shù)、每十萬人中大學(xué)生數(shù)以及每十萬人享有的金融機(jī)構(gòu)數(shù)等四個(gè)變量，最大值與最小值相差較大，兩級(jí)分化嚴(yán)重。從訂單自身信息變量來看，全部借款的利率平均值為0.132，最大的借款利率為0.240，最小的借款利率為0.080。借款期限平均為22.310，最短的為3個(gè)月，最長的為36個(gè)月，中位數(shù)為24個(gè)月，說明P2P網(wǎng)絡(luò)借貸的借款期限大多數(shù)約為2年。借款金額最小的為3000元，最大的為200000元。大多數(shù)借款人的借款目的是短期周轉(zhuǎn)、個(gè)人消費(fèi)、教育培訓(xùn)、醫(yī)療支出及其他借款等非實(shí)物投資，約占74.3%左右。從借款人的各類信息變量來看，全部借款人中，信用等級(jí)為HR的借款人占比為56.4%，表明借款人的信用等級(jí)普遍偏低。借款人平均年齡為33.322歲，已婚的占67.3%，其中男性占比為79.8%，大多數(shù)人所在公司規(guī)模在10-100人之間，工作年限在1-3年之間，并且大多數(shù)借款人為專科畢業(yè)，收入在5000-10000之間，表明大多數(shù)借款人都屬于中等收入、工作時(shí)間普遍較短且學(xué)歷較低。借款人的提交的信任認(rèn)證個(gè)數(shù)均值小于1，說明大多數(shù)借款人提供的有效認(rèn)證較少，個(gè)人信息認(rèn)證披露程度低。此外，48.3%的借款人有房產(chǎn)，24.6%的借款人有車產(chǎn)，26.1%的借款人有房貸，6.8%的借款人有車貸。

表3 變量描述性統(tǒng)計(jì)

各個(gè)自變量與控制變量的相關(guān)系數(shù)見附表1。從相關(guān)系數(shù)大小來看，不存在多重共線性問題。

(二)地域歧視的實(shí)證檢驗(yàn)

在控制了“訂單自身的信息”和“借款人的各類信息”兩類變量影響的基礎(chǔ)上，本文探討不同省份的地域差異對借款成功率的影響，對模型(1)進(jìn)行回歸，回歸結(jié)果如表4所示。

表4列示了借款成功率對不同省份的回歸結(jié)果，在控制其他變量的情況下，除個(gè)別省份外，大多數(shù)省份的回歸系數(shù)在5%的置信水平上都是顯著的。從各個(gè)省份與對照組差異性的F檢驗(yàn)來看，F(xiàn)值為6.31，拒絕原假設(shè)，表明不同省份之間的回歸系數(shù)存在顯著差異，即不同省份對借款成功率是有影響的。

此外，大部分控制變量在5%的置信水平上對借款成功率產(chǎn)生影響。具體而言，訂單信息中的借款利率、借款金額對借款成功率有顯著的負(fù)向影響，而實(shí)物投資目的的借款以及長期借款都能提高借款成功率。其中，借款利率越高，其風(fēng)險(xiǎn)溢價(jià)越高，違約風(fēng)險(xiǎn)越大，因此成功率較低；借款金額越大，償還難度越大，成功率越低；借款目的為實(shí)物投資時(shí)，跑路的可能性較小，并且借款人擁有足夠長的借款期限，還款壓力較輕，二者提高了借款成功率。借款人信息中，借款人信用等級(jí)越低，借款成功率越低；性別為男性的借款成功率較低，說明投資者對性別存在一定的歧視；年齡越大、已婚、所在公司規(guī)模越大、工作年限越長、教育程度越高、收入越高以及在人人貸網(wǎng)站上提供信用認(rèn)證個(gè)數(shù)較多的借款人的借款成功率較高，這類群體一般都是工薪階層，信用等級(jí)及個(gè)人素質(zhì)較高，有一定的還款能力。此外，擁有車貸、房貸的借款人有一定的債務(wù)償付能力，借款成功率較高。最后，該模型的R2為88.47%，說明本文選取的變量對借款成功率有較強(qiáng)的解釋力。

表4的回歸結(jié)果表明，在控制了“訂單自身的信息”和“借款人的各類信息”兩類變量的基礎(chǔ)上，不同省份之間的借款成功率不同，即P2P網(wǎng)絡(luò)借貸中存在地域歧視，這與廖理[17]的研究結(jié)果是一致的。

表4 省際地域歧視的回歸和F檢驗(yàn)

(三)探討地域歧視的原因

上述分析驗(yàn)證了P2P借款中存在地域歧視，為了進(jìn)一步分析地域歧視形成的原因，本文將地域差異分為經(jīng)濟(jì)水平差異、金融生態(tài)環(huán)境差異、教育程度差異以及正規(guī)金融普及程度差異，分別用人均GDP、樊綱指數(shù)、每十萬人中大學(xué)生人數(shù)以及每十萬人享有的金融機(jī)構(gòu)數(shù)量進(jìn)行衡量，將借款成功率分別對上述四項(xiàng)指標(biāo)進(jìn)行回歸，即模型(2)-(5)，得到的回歸結(jié)果如表5所示。

表5 四種地域差異對借款成功與否的影響

表5列示了經(jīng)濟(jì)水平差異、金融生態(tài)環(huán)境差異、教育程度差異以及正規(guī)金融普及程度差異對借款成功與否的影響。結(jié)果顯示：首先，對于人均GDP，從回歸系數(shù)可以看出，人均GDP越大，借款成功率越高，表明經(jīng)濟(jì)水平對借款成功與否存在顯著的正向影響，這是因?yàn)楦魇》莸娜司鵊DP在一定程度上衡量了該省整體承擔(dān)債務(wù)的能力，投資者明顯傾向于選擇經(jīng)濟(jì)發(fā)展水平高的省份的借款人。其次，對于樊綱指數(shù)，從回歸系數(shù)可以看出，樊綱指數(shù)越大，借款成功率越高，表明樊綱指數(shù)對借款成功與否存在顯著的正向影響，由于各省份的樊綱指數(shù)在一定程度上衡量了該省的金融發(fā)展環(huán)境狀況、法律環(huán)境及市場秩序，投資者更加青睞于金融生態(tài)環(huán)境好的省份的借款人。再次，對于每十萬人中大學(xué)生人數(shù)，該變量衡量了各省份的教育狀況和居民的整體素質(zhì)，投資者明顯傾向于選擇教育程度高的省份的借款人。最后，對于每十萬人享有的金融機(jī)構(gòu)數(shù)量，從回歸系數(shù)可以看出，每十萬人享有的金融機(jī)構(gòu)數(shù)量越少，即正規(guī)金融普及程度越低，借款成功率越高。

圖2為各省每十萬人享有的金融機(jī)構(gòu)數(shù)量。

圖2 每十萬人中享有的金融機(jī)構(gòu)數(shù)

對比圖1和圖2，我們發(fā)現(xiàn)借款成功率較高的重慶、貴州、吉林等省份正規(guī)金融普及程度非常低，這些省份中有良好信譽(yù)的借款人通過銀行等正規(guī)金融渠道較難獲得貸款，此時(shí)轉(zhuǎn)而尋求P2P網(wǎng)絡(luò)融資，表明投資者明顯傾向于正規(guī)金融普及程度低的省份的借款人，這也驗(yàn)證了本文在引言中提出的假設(shè)，據(jù)此可以看出，P2P網(wǎng)絡(luò)借貸已經(jīng)成為了傳統(tǒng)金融的一種有效補(bǔ)充，這也印證了央行提出的“互聯(lián)網(wǎng)金融是現(xiàn)有金融體系的有益補(bǔ)充”這一論斷①見《2013年第二季度中國貨幣政策執(zhí)行報(bào)告》。。

四、穩(wěn)健性檢驗(yàn)

為了驗(yàn)證上述實(shí)證結(jié)果的穩(wěn)健性，本文將采用以下三種方法進(jìn)行檢驗(yàn)：一是選取不同的樣本，二是替換相關(guān)變量，三是計(jì)量方法選擇。

(一)樣本選擇

前文研究地域差異如何影響P2P平臺(tái)借貸行為使用的樣本是借款額度小于20萬元的數(shù)據(jù)，此處本文選取借款額度為10萬元以下的數(shù)據(jù)作為樣本，考察對于不同的借款額度，之前的結(jié)果是否依然成立，表6顯示了穩(wěn)健性檢驗(yàn)的結(jié)果?？梢钥闯?，與之前的結(jié)果相比，主要研究變量的系數(shù)和符號(hào)都比較穩(wěn)定，其顯著性水平也沒有明顯變化，說明前文的結(jié)果具有較好的穩(wěn)健性。

(二)變量替換

在前文的變量設(shè)置中，信用認(rèn)證是由12種認(rèn)證組成，以借款人提供的信用認(rèn)證個(gè)數(shù)總和進(jìn)行衡量。此處，本文選擇身份認(rèn)證(Identity Certification)、學(xué)歷認(rèn)證(Education Certification)、信用報(bào)告(Credit Report)、居住地證明(Residence Certification)、婚姻認(rèn)證(Marriage Certification)、工作認(rèn)證(Job Certification)、微博認(rèn)證(Blog Certification)、房產(chǎn)認(rèn)證(House Certification)、車產(chǎn)認(rèn)證(Car Certification)、手機(jī)認(rèn)證(Mobile phone Certification)、收入認(rèn)證(Income Certification)、視頻認(rèn)證(Video Certification)等12個(gè)虛擬變量來替代“認(rèn)證個(gè)數(shù)”這一變量，對模型(2)-(5)重新進(jìn)行回歸，得到的回歸結(jié)果如表7所示，其結(jié)果依然具有穩(wěn)健性。

表6 穩(wěn)健性檢驗(yàn)：借款額度在10萬元以下

續(xù)表6

表7 穩(wěn)健性檢驗(yàn)：認(rèn)證個(gè)數(shù)替換

(三)計(jì)量方法

為了統(tǒng)計(jì)檢驗(yàn)以及分析的便利性，前文回歸采用的是OLS回歸，借款成功率是二元選擇變量，Probit模型更適用于此種二元變量，為排除計(jì)量方法的選擇偏誤，本文使用Probit模型來回歸檢驗(yàn)，結(jié)果如表8所示。在更換計(jì)量方法后，各變量的系數(shù)符號(hào)和顯著性水平也沒有發(fā)生變化，唯一不同的是各系數(shù)大小存在局部差異，驗(yàn)證了本文結(jié)果的穩(wěn)健性。

表8 穩(wěn)健性檢驗(yàn)：計(jì)量方法——Probit

綜上所述，無論是在樣本選擇、變量替換還是計(jì)量方法方面，都驗(yàn)證了四種地域差異對借貸行為的不同影響，而且按上述三種穩(wěn)健性檢驗(yàn)的方法所得回歸結(jié)果與前文分析結(jié)果一致，表明本文的研究結(jié)論是穩(wěn)健的。

五、結(jié)論與啟示

本文以P2P網(wǎng)絡(luò)借貸行業(yè)的領(lǐng)軍者——人人貸的交易記錄作為樣本，研究了P2P借款成功率在不同地域之間是否存在差異。實(shí)證結(jié)果顯示，在我國P2P借貸市場上，不同省份之間的借款成功率確實(shí)存在顯著的差異性，互聯(lián)網(wǎng)借貸領(lǐng)域存在“地域歧視”問題。

進(jìn)一步地，本文將地域差異分為各省經(jīng)濟(jì)水平差異、各省金融生態(tài)環(huán)境差異、各省教育程度差異、各省正規(guī)金融普及程度差異等四種，分別用各省人均GDP、樊綱指數(shù)、每十萬人中大學(xué)生人數(shù)以及各省每十萬人享有的金融機(jī)構(gòu)數(shù)量進(jìn)行衡量。回歸結(jié)果顯示，經(jīng)濟(jì)水平越高、金融生態(tài)環(huán)境越好、教育程度越高的省份的借款人更容易獲得借款，而正規(guī)金融普及程度對借款成功率存在負(fù)向影響。

本文的研究結(jié)果表明，互聯(lián)網(wǎng)金融領(lǐng)域的“地域歧視”是由各省經(jīng)濟(jì)水平、金融生態(tài)環(huán)境、教育程度、正規(guī)金融普及程度等差異造成，因此對于地方政府來說，在大力發(fā)展經(jīng)濟(jì)的同時(shí)也不能忽視金融市場和教育的發(fā)展，應(yīng)努力優(yōu)化互聯(lián)網(wǎng)金融環(huán)境，提高信息傳遞及金融運(yùn)作效率，完善征信系統(tǒng)，為互聯(lián)網(wǎng)金融的發(fā)展塑造良好的法律環(huán)境和市場秩序，這樣才能有助于減輕地域歧視問題。此外，正規(guī)金融普及程度越低的省份借款成功率越高，說明互聯(lián)網(wǎng)金融是對傳統(tǒng)金融的有益補(bǔ)充，對于傳統(tǒng)金融難以普及的省份和地區(qū)，互聯(lián)網(wǎng)金融從一定程度上緩解了該地區(qū)融資難的問題。

[1] 皮天雷,趙鐵. 互聯(lián)網(wǎng)金融:范疇、革新與展望[J]. 財(cái)經(jīng)科學(xué),2014(6):22-30.

[2] 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.

[3] Arrow K. The theory of discrimination[J]. Discrimination in Labor Markets, 1973, 3(10): 3-33.

[4] Black D A. Discrimination in an equilibrium search model[J]. Journal of Labor Economics, 1995，13(13): 309-334.

[5] 謝嗣勝,姚先國. 農(nóng)民工工資歧視的計(jì)量分析[J]. 中國農(nóng)村經(jīng)濟(jì),2006(4):49-55.

[6] 孫婧芳. 中國城鎮(zhèn)勞動(dòng)力市場對農(nóng)民工歧視的研究進(jìn)展[J]. 經(jīng)濟(jì)學(xué)動(dòng)態(tài),2015(7):91-99.

[7] Ravina E. Beauty, personal characteristics, and trust in credit markets[EB/OL]. http://ssrn.com/abstract=972801, 2008-1-2/2011-8-21.

[8] Herzenstein M, Andrews R L.The democratization of personal consumer loans? Determinants of success in online peer-to-peer loan auctions[J]. Bulletin of the University of Delaware, 2008, 15(3):274-277.

[9] Pope D G, Sydnor J R. What's in a picture? evidence of discrimination from prosper com[J]. Journal of Human Resources, 2011, 46(1):53-92.

[10] Ravina E. Love and loans: the effect of beauty and personal characteristics in credit markets[EB/OL].http://ssrn.com/abstract=1101647, 2008-3-16/2013-2-9.

[11] 吳小英,鞠穎. 基于最小二乘法的網(wǎng)絡(luò)借貸模型[J]. 廈門大學(xué)學(xué)報(bào)(自然科學(xué)版),2012(6):980-984.

[12] 莊雷,周勤. 身份歧視:互聯(lián)網(wǎng)金融創(chuàng)新效率研究——基于P2P網(wǎng)絡(luò)借貸[J]. 經(jīng)濟(jì)管理,2015(4):136-147.

[13] 譚小芬, 李翀. 中國地區(qū)經(jīng)濟(jì)差距成因問題的研究綜述[J]. 經(jīng)濟(jì)學(xué)動(dòng)態(tài), 2004 (2): 89-94.

[14] 章元,高漢. 城市二元?jiǎng)趧?dòng)力市場對農(nóng)民工的戶籍與地域歧視——以上海市為例[J]. 中國人口科學(xué),2011(5):67-74+112.

[15] 章元,王昊. 城市勞動(dòng)力市場上的戶籍歧視與地域歧視:基于人口普查數(shù)據(jù)的研究[J]. 管理世界,2011(7):42-51.

[16] 朱宏飛,鄭浩. 中國城鎮(zhèn)勞動(dòng)力市場上的地域工資差距——以上海為例[J]. 財(cái)貿(mào)經(jīng)濟(jì),2013(7):115-125.

[17] 廖理,李夢然,王正位. 中國互聯(lián)網(wǎng)金融的地域歧視研究[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2014(5):54-70.

[18] 廖理,李夢然,王正位. 聰明的投資者:非完全市場化利率與風(fēng)險(xiǎn)識(shí)別——來自P2P網(wǎng)絡(luò)借貸的證據(jù)[J]. 經(jīng)濟(jì)研究,2014(7):125-137.

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

[20] Michels J. Do unverifiable disclosures matter? Evidence from peer-to-peer lending[J]. The Accounting Review, 2012, 87(4): 1385-1413.

[21] Iyer R, Khwaja A I, Luttmer E F P, et al. Screening in new credit markets: can individual lenders infer borrower creditworthiness in peer-to-peer lending?[EB/OL].http://ssrn.com/abstract=1570115, 2010-3-15.

責(zé)任編輯、校對：李斌泉

2015-12-31

武漢大學(xué)“70后學(xué)術(shù)學(xué)者計(jì)劃”項(xiàng)目;“武漢大學(xué)自主科研項(xiàng)目(人文社會(huì)科學(xué))階段性研究成果”;“中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金”資助。

彭紅楓(1976-)，江西省奉新市人，武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院教授，博士生導(dǎo)師，研究方向：互聯(lián)網(wǎng)金融發(fā)展與監(jiān)管；楊柳明(1991-)，山東省泰安市人，武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院金融系碩士研究生，研究方向：互聯(lián)網(wǎng)金融；譚小玉(1990-)，女，湖北省武漢市人，武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院金融系博士研究生，研究方向：國際金融。

A

1002-2848-2016(05)-0021-14