關于網(wǎng)絡借貸市場“學歷偏好”分析

趙公民 李寧 武勇杰

摘要：為探析學歷水平對網(wǎng)絡借貸市場的影響，以人人貸網(wǎng)絡借貸平臺交易數(shù)據(jù)為經(jīng)驗證據(jù)，采用Probit模型，分析了學歷高低對于借款成功率和借款違約率的作用大小。結果表明，借款成功率與學歷高低呈正相關關系，而借款違約率與學歷高低呈負相關關系。進一步研究表明，網(wǎng)貸借貸市場在一定程度上存在“學歷偏好”，即投資者更青睞大專與本科學歷的人，而高中及以下、研究生及以上學歷的借款人借款成功率較低。

關鍵詞：學歷偏好;網(wǎng)絡借貸;借款成功率;違約率

中圖分類號：F830.5? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2019）05-0123-06

Abstract： Using the Renrendai online lending platform transaction data as empirical evidence， the Probit model is used to analyze the effect of academic level on the success rate of borrowing and the default rate of borrowing to analyze the impact of academic qualifications on the online lending market.The research results show that the success rate of borrowing is positively correlated with the level of education， while the default rate of borrowing is negatively correlated with the level of education. Further research shows that the online lending market has a certain degree of "educational preference"， that is， investors prefer college and undergraduate degrees， while borrowers with high school and below， graduate students and above have lower success rates.

Key words： academic preference; online lending; success rate of borrowing; default rate

學歷指學習的經(jīng)歷或者受教育的程度。T·舒爾茨在《論人力資本投資》中提出，教育改變著國民收入分配。在勞動力市場中，學歷的作用不言而喻：一方面，學歷至少能決定求職者的起始工資水平;另一方面，受教育水平較高的人收入水平也較高。以往人們對于學歷高低與就業(yè)市場的聯(lián)系局限于勞動關系層面，即如果學歷較高則可以獲得較高的勞動報酬和較穩(wěn)定的工作，相應也具備了較為良好的資金償付能力，也就是較佳的履約能力。

本研究探析高受教育人群是否在誠實守信和還款意愿方面優(yōu)于較低受教育人群，將學歷高低作為“較高信用人群和較低信用人群”的標簽之一，通過標簽可以在一定程度上對于以前不可預計的誠信因素做出大概率判斷。

互聯(lián)網(wǎng)金融的出現(xiàn)影響了傳統(tǒng)金融業(yè)的格局并催生了新的融資模式，一方面降低了融資的門檻，另一方面?zhèn)€人的錢財通過第三方專業(yè)機構進入借貸市場比個人直接進入相對來說更加保險，切實緩解了中小企業(yè)和普通民眾的融資壓力，為民間資本提供了投資新渠道，大大促進了中國金融業(yè)的發(fā)展，其中，P2P（Peer-to-Peer Lending）網(wǎng)絡借貸是互聯(lián)網(wǎng)金融的重要形式之一。

本研究選取P2P行業(yè)的代表性平臺人人貸上的數(shù)據(jù)，研究借款人的學歷水平在網(wǎng)貸中的信用識別價值，探究借貸市場能否準確識別學歷的價值。一是探討借款人學歷水平對借款成功率的影響，考察不同受教育程度的借款人在獲得貸款的難度上是否存在差異;二是研究借款人學歷水平對借款違約率的影響，考察受教育程度是否能對借款人如期還款產(chǎn)生約束性作用，反向論證學歷對借款成功率產(chǎn)生影響的原因。

1? 文獻綜述

國內(nèi)外學者從各個角度深入分析了P2P網(wǎng)貸能識別借款人風險的因素。較多的文獻從借款人性別、婚姻狀況、種族、年齡、地域等“硬信息”出發(fā)，還有一部分從借款人網(wǎng)絡昵稱、借款描述、朋友圈等“軟信息”出發(fā)來研究這些因素的信用風險能否被網(wǎng)貸平臺識別。

“硬信息”方面，Herzenstein等[1]利用美國P2P平臺Prosper上的數(shù)據(jù)，分析了P2P網(wǎng)貸平臺上性別、種族和婚姻狀態(tài)對借款結果的影響，研究發(fā)現(xiàn)，相比其他種族，非裔更難借到款。Pope等[2]發(fā)現(xiàn)網(wǎng)絡借貸中存在著年齡歧視現(xiàn)象，相比35～60歲的群體，35歲以下的借款人借款成功率更高，60歲以上借款人的借款成功率最低。Berger等[3]研究發(fā)現(xiàn)，群組有利于降低網(wǎng)貸市場上存在的信息不對稱現(xiàn)象，信用評分較低的借款人可以通過加入群組、被群組領導人推薦或者投標來提高借款成功率且降低借款利率。Lin等[4]發(fā)現(xiàn)朋友關系能夠作為衡量借款人信用水平的一項重要信息，朋友較多的借款人更容易貸到款，違約率更低，借款利率也較低。趙樂峰[5]利用拍拍貸上的數(shù)據(jù)研究發(fā)現(xiàn)，借款人如若提供完善且良好的財務信息更能獲得投資人的青睞，提高借款成功率，且借款金額、借款期限、借款次數(shù)會對借款成功率產(chǎn)生顯著的影響。

“軟信息”方面，Larrimore等[6]研究發(fā)現(xiàn)，借款人無法核實的信息相比較借款人客觀確定的信息對網(wǎng)貸借款成功率的影響更大。Herzenstein等[7]從借款人的借款描述角度出發(fā)，通過統(tǒng)計借款陳述文本的“具體性、數(shù)量性、人性細節(jié)和推理性”4方面的詞語所占比重，經(jīng)實證研究發(fā)現(xiàn)，借款陳述中若增加與借款人財務狀況相關的詞語數(shù)量會有利于提高借款的成功率，若增加關于人性細節(jié)的描述和推理性描述則會降低借款的成功率。郭峰[8]則從借款人網(wǎng)絡昵稱這一創(chuàng)新性視角出發(fā)，探討在P2P網(wǎng)貸市場上，借款人使用網(wǎng)絡昵稱和真實姓名是否會對借款成功率和違約率造成影響，通過實證分析發(fā)現(xiàn)，使用網(wǎng)絡昵稱的借款人借款成功率更高，投資人并未青睞使用真實姓名的借款人。

考慮到數(shù)據(jù)的可獲得性與真實性，本研究選擇不會隱藏滿標數(shù)據(jù)的人人貸平臺上的數(shù)據(jù)進行研究，采取爬蟲軟件從人人貸平臺上爬取了2015年1—12月的數(shù)據(jù)，并按照規(guī)則篩選出有效數(shù)據(jù)67 469條。運用Probit模型進行實證分析，探究學歷水平在網(wǎng)貸中的信用識別價值。

2? 變量選擇與模型構建

2.1? 實證模型

本研究通過借款成功率與學歷高低的相關性來判斷投資者在進行投資決策時是否存在“學歷偏好”;再進一步探討違約率與借款人學歷的相關性，對網(wǎng)絡借貸市場存在“學歷偏好”的行為做出合理解釋。由于被解釋變量借款成功率與借款違約率都是虛擬變量，選擇Probit模型來進行實證分析，估計模型如下：

2.2? 數(shù)據(jù)來源及說明

本研究搜集了人人貸網(wǎng)站（www.renrendai.com） 2015年1—12月的數(shù)據(jù)。人人貸成立于2010年5月，于2010年10月正式上線且發(fā)展迅速，是中國P2P行業(yè)最具影響力和代表性的P2P網(wǎng)絡借貸平臺之一。為了避免平臺成立初期的測試數(shù)據(jù)干擾以及由于投資者經(jīng)驗不足引起的非理性權衡，同時也考慮2016年網(wǎng)貸行業(yè)問題頻發(fā)會干擾投資者情緒，最終決定選取2015年1—12月發(fā)布的借貸數(shù)據(jù)作為原始研究樣本。人人貸網(wǎng)站設立信用認證標、實地認證標、機構擔保標以及智能理財標4種投標種類。但實地認證標、機構擔保標和智能理財標的擔保方式和信息審核方式與P2P網(wǎng)貸典型形式信用認證標有較大差異，故剔除了這三類標，僅對信用認證標進行研究。為降低樣本的選擇性偏誤，對初始數(shù)據(jù)進行了如下處理：剔除借款人年齡在18歲以下及80歲以上的訂單;剔除借款金額在1 000元以下及20萬以上的訂單;剔除信息披露不完整的訂單。最終得到的樣本觀測數(shù)為67 469條。

2.3? 變量設定

2.3.1? 被解釋變量? 為研究學歷對借款成功率和違約率的影響，被解釋變量為是否借款成功（Success）和是否違約（Default）。若標的信息顯示的借款狀態(tài)為已還清、還款中、逾期、由平臺墊付表示借款成功，則啞變量成功借款取值1，若標的信息顯示借款狀態(tài)為借款失敗，則啞變量成功借款取值0。若標的狀態(tài)顯示“已還清”，表明借款人不僅成功獲得借款，且如約還清借款，并未發(fā)生違約行為，此時啞變量借款違約取值1;若標的狀態(tài)顯示“已墊付”或“逾期”，則表示借款人雖借款成功，但是發(fā)生違約行為，此時啞變量借款違約取值0。

2.3.2? 核心解釋變量? 借款人的學歷狀況是本研究所要考察的核心解釋變量。原始數(shù)據(jù)中，借款人學歷狀況有本科、大專、高中或以下、研究生及以上 4種類型，對其賦值為：高中或以下取值1，大專取值2，本科取值3，研究生或以上取值4。全樣本中，擁有高中及以下學歷的借款人數(shù)有14 792人，占樣本總數(shù)的21.9%;擁有大專學歷的借款人數(shù)有32 039人，占樣本總數(shù)的47.5%;擁有本科學歷的人數(shù)有19 612人，占樣本總數(shù)的29.1%;擁有研究生及以上學歷的有1 026人，占樣本總數(shù)的1.5%。

2.3.3? 控制變量? 綜合其他學者選擇的變量與人人貸平臺上的信息，本研究選擇如下控制變量：借款人年齡、性別、婚姻狀況、月收入、工作時間、是否有房、是否有車、是否有房貸、是否有車貸、信用等級、借款金額。具體賦值情況見表1。

2.4? 變量特征分析

將樣本數(shù)據(jù)進行描述性統(tǒng)計分析，經(jīng)整理得到表2，對學歷這一核心解釋變量的相關數(shù)據(jù)進行了描述性統(tǒng)計分析。由表2可以看出，全部樣本數(shù)據(jù)中，高中及以下學歷借款成功率為17.3%，大專學歷借款成功率為49.6%，大學本科學歷借款成功率為31.6%，研究生及以上學歷借款成功率為1.5%?？梢?，高中及以下學歷和大專及以上學歷為高學歷和較低學歷的分水嶺，尤其是到達本科及以上學歷階段，更加注重其他因素，學歷對于借款成功率的提升到達臨界點。同時，大專及以上學歷所占比重為總數(shù)的78.1%，借款成功的樣本中，大專及以上學歷占全部樣本的82.7%。通過上述數(shù)據(jù)可以看出，大專及以上學歷人群以78.1%的申請借款人數(shù)占有82.7%的成功借款人數(shù)比例，明顯高學歷人群在申請借款成功率方面更加具有優(yōu)勢。

相關變量的描述性統(tǒng)計結果見表3。由表3可以看出，控制變量方面，借款人性別（Male）均值為0.742，表明在樣本數(shù)據(jù)中借款人以男性居多，占比為74.2%;借款人婚姻狀況（Marriage）均值為0.692，說明借款人中已婚者居多，占比為69.2%;借款金額（Amount）均值為55 159，樣本中借款人平均借款金額為55 159元;借款人年齡（Age）均值為36.34，表明借款人以中年人居多;收入（Income）均值為3.179，借款人平均收入?yún)^(qū)間為50 001～10 000元;工作時間（Worktime）均值為2.206，借款人平均工作年限為1～3年;擁有房產(chǎn)的用戶比例明顯高于擁有車產(chǎn)的用戶比例，且需要還房貸的用戶也明顯高于需要還車貸的用戶;信用評級（Crdg）的均值只有0.266，說明在借貸市場上大多數(shù)是信用等級較低的借款人，尤其是在被解釋變量P2P網(wǎng)貸借款成功率為74.6%的情況下，可明顯判斷出P2P網(wǎng)貸比銀行等金融機構審核條件要寬松很多，相對應地，風險率和由高風險率帶來的風險補償金也要高很多。

4? 實證結果

4.1? 不同學歷對借貸成功率的影響

分別考察了4種學歷（高中或以下、大專、本科、研究生及以上）對借貸成功率的影響，見表4。表4中回歸結果（1）、（2）、（3）、（4）分別表示借款成功與否（Success）對研究生及以上（Edu4）、本科（Edu3）、大專（Edu2）、高中及以下（Edu1）的回歸結果，可以看出學歷對借款成功率的影響顯著性在大學本科到達峰值，隨后回落。說明學歷對借款成功率有顯著影響，但是這種影響不是無限增長的，大學本科作為一個拐點，大學本科以上學歷雖然對于借款成功率仍然有較為顯著的正向影響，但是相較于大學本科及以下學歷區(qū)間內(nèi)，顯著性有所回落?；貧w結果（5）表明高學歷對借款成功率有正向的影響。

本研究將學歷劃分成4個等級，已知其他三類學歷，第四類學歷一定會被推斷出來，故一定有一種學歷存在多重共線性問題，剔除高中及以下學歷（Edu1）來排除多重共線性。上述回歸結果只考慮學歷單個因素的影響，為了使結果更加合理，本研究也加入其他控制變量來檢驗學歷水平對借款成功率的邊際影響如何受到其他變量的影響，得到的回歸結果見表5?；貧w結果（2）、（3）、（4）表明依次加入其他變量后，學歷對借款成功率的影響仍然是顯著的。

4.2? 不同學歷對借貸違約率的影響

不同學歷對借貸違約率的影響回歸結果見表6。表6回歸系數(shù)表明，學歷越高，回歸系數(shù)越小，這說明學歷越高的人借款后違約率越低，投資者風險越小，風險補償金的超額回報率越高，因此投資者更加偏向于借款給高學歷的人，為高學歷的人更容易獲得貸款現(xiàn)象做出了合理解釋。表6中回歸結果（5）的系數(shù)也驗證了前述結論。

同時，本研究綜合對比了其他因素對違約率的影響見表7。表7回歸結果表明，研究生的違約率相當于名下有房人的違約率，本科生違約率相當于名下有車人的違約率。研究生及以上學歷回歸變量的系數(shù)在4個模型中均是顯著的，表明研究生及以上學歷的人借款違約率相比于其他學歷的人低。從表7的回歸結果（3）、（4）可以看出，有房子、車子和車貸的人的借貸違約率也較低，提示P2P網(wǎng)絡借貸平臺可以多關注這一類人的借款需求。

5? 結論與啟示

隨著互聯(lián)網(wǎng)金融在中國迅速發(fā)展，尤其是P2P網(wǎng)絡借貸市場的出現(xiàn)，為中國經(jīng)濟發(fā)展貢獻了重要力量，但是由于是新生事物，缺乏應對經(jīng)驗，P2P網(wǎng)絡借貸在為中國經(jīng)濟發(fā)展做出巨大貢獻的同時，也暴露出了巨大的問題。由于P2P網(wǎng)絡借貸行為的實質(zhì)是借貸行為，該行為最大的風險是誠信風險，雖然國內(nèi)外學者給予網(wǎng)貸領域越來越多的關注，但是在目前的研究體系中，很難基于現(xiàn)有數(shù)據(jù)和指標將誠信風險進行量化或做出預測性評價，本研究希望能起到拋磚引玉的作用，使大家能夠跳出機械化的用數(shù)量統(tǒng)計方式計算大概率事件，轉(zhuǎn)向研究各指標與誠信之間的關系，根據(jù)基礎信息研究出誠信風險預測評價系統(tǒng)，從根源上提升P2P網(wǎng)絡借貸市場的運行效率。

本研究主要探究網(wǎng)貸市場上是否存在學歷偏好，通過人人貸平臺上2015年全年的數(shù)據(jù)，采取Probit方法進行實證分析，研究發(fā)現(xiàn)網(wǎng)貸平臺在一定程度上對學歷有所偏好，投資人更偏好大專與本科學歷，但是不青睞高中及以下、研究生及以上學歷的借款人。并從違約率角度來說明產(chǎn)生這一偏好的原因。實證結果表明，借款人學歷與違約率呈嚴格的負相關關系，借款人學歷越高違約率越低，學歷水平越高的借款人守約能力越佳，受教育程度能在一定程度上約束借款人的道德行為。但是研究生及以上學歷的借款人借款成功率并不高，這可能與研究生及以上學歷的人大多時間放在學術研究上，社會實踐能力有所欠缺有關。

本研究結論有一定啟示：①對于網(wǎng)貸平臺而言，學歷在網(wǎng)貸市場上有重要的信用識別作用，網(wǎng)貸平臺可以將學歷納入借款人信用評估指標體系中;②對于國家而言，教育水平在網(wǎng)貸市場上有重要作用，國家應繼續(xù)加大對教育的重視與投入;③對于借款人而言，學歷越高借款成功率不一定越高，借款人不僅需要提高學術素養(yǎng)，更應該提高自身的實踐能力，所受到的教育應該盡快轉(zhuǎn)化成為生產(chǎn)力，才能學以致用。

參考文獻：

[1] HERZENSTEIN M，SONENSHEIN S，DHOLAKIA U M.Tell me a good story and I may lend you money：The role of narratives in Peer-to-Peer lending decisions[J].Journal of marketing research，2011，48（SPL）：S138-S149.

[2] POPE D G，SYDNOR J R.Whats in a picture？Evidence of discrimination from prosper.com[J].The journal of human resources，2011，46（1）：53-92.

[3] BERGER S，F(xiàn)ABIAN G.Emergence of financial intermediaries in electronic markets：The case of online P2P lending[J].Bur business research journal，2009，2（1）：39-65.

[4] LIN M F，NAGPURNANAND R，PRABHALA，et al.Judging borrowers by the company they keep：Friendship networks and information asymmetry in online Peer-to-Peer lending[J].Management science，2013，59（1）：17-35.

[5] 趙樂峰.P2P網(wǎng)絡借貸融資可得性分析[D].石家莊：河北經(jīng)貿(mào)大學，2013.

[6] 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（1）：19-37.

[7] 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.

[8] 郭? 峰.網(wǎng)絡昵稱與P2P借貸的成功率和違約率[J].經(jīng)濟科學，2016（6）：102-116.

[9] 程? 瑤.學歷水平在借貸市場上的作用——來自P2P市場的經(jīng)驗證據(jù)[J].上海金融，2018（2）：48-55.

[10] 廖? 理，吉? 霖，張偉強.借貸市場能準確識別學歷的價值嗎？——來自P2P平臺的經(jīng)驗證據(jù)[J].金融研究，2015（3）：146-159.

[11] 鄭聯(lián)盛.中國互聯(lián)網(wǎng)金融：模式、影響、本質(zhì)與風險[J].國際經(jīng)濟評論，2014（5）：103-118.

[12] 彭紅楓，劉歆茹.P2P網(wǎng)絡借貸研究述評[J].武漢大學學報（哲學社會科學版），2016，69（4）：72-78.