互聯(lián)網(wǎng)P2P用戶借貸行為實(shí)證研究

陳帥 王景

★基金項(xiàng)目：上海理工大學(xué)科技發(fā)展項(xiàng)目（項(xiàng)目編號(hào)：2017KJFZ017）。

摘要：通過綜述國內(nèi)、外文獻(xiàn)，本文將美國互聯(lián)網(wǎng)P2P平臺(tái)Lending Club用戶作為研究對(duì)象，將被解釋變量分為顯性信息和隱性信息，以借款人“借款是否滿標(biāo)”和“借款是否違約”為目標(biāo)變量，通過廣義線性混合模型實(shí)證研究了美國投資者決策影響因素和借款人按期償還貸款影響因素。結(jié)果表明：借款人自愿提供工作職位對(duì)借款按時(shí)償還有顯著正向影響。其次，借款人對(duì)投資者表達(dá)感謝對(duì)“借款滿標(biāo)”有顯著正向影響。投資者決策時(shí)不但考慮借款人信用狀況、借款目的和投資報(bào)酬率等，而且與借款人產(chǎn)生了共鳴，促使借款人和投資者建立起社會(huì)價(jià)值認(rèn)同感。最后提出了美國互聯(lián)網(wǎng)P2P用戶借貸行為對(duì)我國市場發(fā)展的啟示。

關(guān)鍵詞：互聯(lián)網(wǎng)P2P用戶；借貸行為；廣義線性混合模型；美國

引言

作為全球最大互聯(lián)網(wǎng)P2P平臺(tái)，位于美國加州Lending Club截至2015年底已經(jīng)實(shí)現(xiàn)259.8億美元貸款總額，成為互聯(lián)網(wǎng)借貸平臺(tái)佼佼者。2008年金融危機(jī)使銀行緊縮銀根，越來越多企業(yè)和個(gè)人通過P2P網(wǎng)貸平臺(tái)參與投資和貸款。為了降低壞賬率，減少投資損失風(fēng)險(xiǎn)，美國對(duì)投資者審查要求日益苛刻。2012年6月，Lending Club的貸款總額和收入均已躍居美國P2P行業(yè)首位，Prosper排名第2緊隨其后。根據(jù)貸款期限和貸款評(píng)級(jí)的不同，這兩大P2P平臺(tái)的貸款利率從3.9%-31.7%不等，違約率從1.3%到11.2%浮動(dòng)，如表1所示（數(shù)據(jù)來源：網(wǎng)貸之家）。一些傳統(tǒng)金融機(jī)構(gòu)的管理層也以董事或投資者的身份參與到P2P企業(yè)中，表明這種新興金融模式逐漸成為主流。從貸款限額方面來說，Lending Club允許借款人申請(qǐng)1000美元到4000美元不等的非擔(dān)保貸款需求，標(biāo)準(zhǔn)期限為3年期。2014年，Lending Club成功上市，IPO首發(fā)10億美元，成為當(dāng)年美國科技型企業(yè)之最。

1、國內(nèi)、外文獻(xiàn)綜述

Lin等（2012）認(rèn)為借款人社會(huì)資本越豐富，越容易以較低成本獲得貸款，而且違約率越低。Everett（2010）研究發(fā)現(xiàn)借款人社會(huì)網(wǎng)絡(luò)越多，貸款違約率和利率越低。Puro（2010）研究發(fā)現(xiàn)，個(gè)人總負(fù)債償還率、信用評(píng)價(jià)和違約記錄是貸款成功率主要因素。Malekipirbazari等（2015）等提出通過隨機(jī)森林算法預(yù)測借款者的未來信用風(fēng)險(xiǎn)，比利用信用評(píng)分的預(yù)測準(zhǔn)確程度更高。Zhang等（2016）提出貸款信息、社交信息和評(píng)級(jí)信息是決定貸款人是否違約的主要因素。Cai等（2016）以拍拍貸為例，探究了首次借款人、沒有投資經(jīng)歷的多次借貸人和有投資經(jīng)歷的多次借貸人3種不同類型借款人借款成功的因素。Chen等（2016）研究發(fā)現(xiàn)群體成員和群體可信性、群體可認(rèn)證性對(duì)借款成功率和違約概率影響不顯著，而群體包容性對(duì)借款成功率和違約概率有負(fù)向影響。Dorfleitner等（2016）以歐洲兩大P2P借款平臺(tái)為對(duì)象，從借款人描述信息出發(fā)，發(fā)現(xiàn)錯(cuò)誤拼寫、描述字?jǐn)?shù)對(duì)借款成功率和違約率有指示作用。SerranoCinca等（2015）發(fā)現(xiàn)貸款目的、年收入、目前住房狀況和信用狀況與貸款是否違約相關(guān)性最強(qiáng)，其中最能解釋信用違約的是借款人信用等級(jí)指標(biāo)，但是如果在解釋變量中加入其他因素，會(huì)提升模型解釋效果。Chen等（2014）通過拍拍貸用戶數(shù)據(jù)發(fā)現(xiàn)借款人信用程度對(duì)借款成功率有影響。對(duì)P2P平臺(tái)信任程度顯著影響投資者投資意愿。Lu（2012）認(rèn)為Smava平臺(tái)投資者直接訴求不會(huì)產(chǎn)生對(duì)借款人的憐憫之心，反映了市場中理性投資者占大多數(shù)。Lopez（2009）揭示了社會(huì)家庭成員關(guān)系參與會(huì)增加貸款滿標(biāo)可能性。劉巧莉等（2017）發(fā)現(xiàn)訂單風(fēng)險(xiǎn)等級(jí)、借款人年齡、借款人身份照片等信息披露對(duì)投資行為有顯著影響，信用評(píng)價(jià)指標(biāo)中信用評(píng)分對(duì)投資行為存在顯著正向作用，并且信用評(píng)價(jià)和借款利率之間存在顯著相關(guān)關(guān)系，風(fēng)險(xiǎn)較高的借款人提高利率對(duì)投資意愿正向影響作用更大。

2、變量、數(shù)據(jù)和模型

2.1 變量選取

本文選取了Lending Club平臺(tái)從2012年1月1日至2016年9月30日共計(jì)410228條完結(jié)貸款記錄，這些貸款狀態(tài)不包含“Current”的記錄。經(jīng)過檢查刪除835條缺失屬性值的記錄，最終得到共計(jì)409393條完結(jié)貸款記錄。表2，表3和表4顯示，為了研究社會(huì)價(jià)值認(rèn)同隱性信息對(duì)借貸雙方投資行為的影響，本文將投資者的決策過程分為“借款是否滿標(biāo)”和“借款是否違約”2個(gè)方面。其中，“借款是否滿標(biāo)”由借款人是否在規(guī)定期限內(nèi)全額獲得第3方投資者的資金為標(biāo)準(zhǔn)來判斷，若借款人申請(qǐng)借款金額（loan_amnt）金額等于Lending Club平臺(tái)第3方投資者（funded_amnt_inv）的投資金額，則將該記錄的“借款是否滿標(biāo)”（is_full_funded）字段設(shè)定為1，否則設(shè)定為0。Lending Club根據(jù)每筆借款的狀態(tài)不同而進(jìn)行標(biāo)記，共分為“Current”，“Fully Paid”，“Default”，“Charged Off”，“In Grace Period”，“Late（16-30 days）”和“Late（31-120 days）”，分別代表“正在履約”，“完全償還”，“拖欠”，“已沖銷”，“在寬限期”，“未還款16天到30天”和“未還款30天到120天”。而“借款是否違約”（is_bad）可以根據(jù)借款人是否到期還本付息來決定。因此，本文將“Default”，“Charged Off”，“In Grace Period”，“Late（16-30 days）”和“Late（31-120 days）”貸款記錄的“借款是否違約”（is_bad）字段設(shè)定為1，將“Fully Paid”設(shè)定為0。由此，本文建立2個(gè)二元被解釋變量，第1組模型研究借款人是否獲得第3方投資者全額貸款，第2組模型研究借款人是否到期償還借款本金和利息。

2.2 數(shù)據(jù)處理

借款人所在美國的州（區(qū)）不同，借款人性質(zhì)有很大差異?？傮w上，對(duì)于不同州（區(qū)）來說，借款人的平均年薪越高，其借款利率越低。對(duì)于收入較高的州（區(qū)）的借款人，其借貸金額相對(duì)偏高，負(fù)債收入比相對(duì)偏低，包括經(jīng)濟(jì)條件較為富裕的加利福尼亞州、新澤西州、新罕布什爾州、康涅狄格州和馬薩諸塞州負(fù)債收入比低于美國平均水平，占據(jù)領(lǐng)先位置，而中部和南部地區(qū)相對(duì)欠發(fā)達(dá)州的負(fù)債收入比相對(duì)偏高，包括內(nèi)布拉斯加州、密西西比州和愛達(dá)荷州等。對(duì)美國數(shù)據(jù)的描述性統(tǒng)計(jì)如圖1所示（數(shù)據(jù)來源：基于R軟件運(yùn)行結(jié)果）。

由密度曲線圖來看，當(dāng)用戶信用等級(jí)較高時(shí)，借款用戶的借貸金額集中在10000美元上下，即大多數(shù)借款為小額信貸，只有少數(shù)借款達(dá)到40000美元借款上限。但是當(dāng)借款人信用等級(jí)越低，借款金額越大，當(dāng)信用等級(jí)最低時(shí)，絕大多數(shù)貸款集中在金額較大的35000美元上下，如圖2所示（數(shù)據(jù)來源：基于R軟件運(yùn)行結(jié)果）。因此，本文將grade（信用評(píng)級(jí)），purpose（貸款用途）和addr_state（借款人所在州）選擇為隨機(jī)效應(yīng)加入廣義線性混合模型，考察模型中3個(gè)變量對(duì)模型中的反應(yīng)變量產(chǎn)生變異的影響，即籌款成功或者違約。

2.3 建立模型

廣義線性混合模型的一般形式為：

其中，Y為N？1維列向量組成的目標(biāo)變量；X為N？p維矩陣組成的解釋變量；β為p？1維列向量，作為固定效應(yīng)的回歸系數(shù)；Z為N？q維矩陣組成的q個(gè)隨機(jī)效應(yīng)的系數(shù)矩陣；γ為q？1維列向量組成模型中的隨機(jī)效應(yīng)；最后，ε為N？1維列向量組成的誤差項(xiàng)系數(shù)列向量，包含Xβ+Zγ中無法解釋的部分。本文首先對(duì)擬合變量進(jìn)行標(biāo)準(zhǔn)化處理，消除變量間的量綱關(guān)系，從而使數(shù)據(jù)具有可比性。由于信用等級(jí)grade、借款用途purpose和借款人所在州（區(qū)）addr_state不同，貸款利率在不同群組之間存在很大差異，貸款記錄之間不符合一般邏輯回歸的獨(dú)立性假設(shè)，因而采用混合效應(yīng)模型。將信用等級(jí)grade、貸款用途purpose和借款人所在州（區(qū)）addr_state設(shè)定為“隨機(jī)效應(yīng)”加入模型，反映這些類別之間個(gè)體的差異性。

3、實(shí)證研究

3.1 控制模型：顯性信息對(duì)目標(biāo)變量的實(shí)證分析

在模型1中，本文選擇將所有相關(guān)顯性信息變量分別對(duì)“借款是否滿標(biāo)”（is_full_funded）和“借款是否違約”（is_ bad）建立廣義線性混合模型。如表5所示（數(shù)據(jù)來源：基于R軟件運(yùn)行結(jié)果），借款人年收入水平、工作年限和債務(wù)收入比對(duì)借款是否滿標(biāo)影響不顯著，而在0.1%的顯著性水平對(duì)借款是否違約有顯著影響，即借款人年收入越高，工作年限越長，債務(wù)收入比越小，借款人違約的可能性越小。最近1次受詢查至今的月數(shù)和目前使用的銀行卡開戶個(gè)數(shù)均對(duì)借款是否滿標(biāo)和借款人是否違約有顯著影響，即投資人認(rèn)為借款人在5年以前接受詢查相比1年以內(nèi)接受詢查不重要，因而受詢查至今的月數(shù)越大，投資者越有可能參與投資，借款者違約風(fēng)險(xiǎn)也更高。而借款人目前的銀行卡開戶數(shù)對(duì)投資者是否參與投資有反向影響，借款人銀行賬戶越多，借款滿標(biāo)率越低者反映投資者對(duì)借款人財(cái)務(wù)管理能力的判斷?！白罱淮毋y行卡不良行為至今的月數(shù)”指標(biāo)，即銀行卡有不良行為記錄的時(shí)間約久遠(yuǎn)，投資者其認(rèn)為對(duì)當(dāng)前決策判斷的負(fù)面影響就越小。借款人過去12個(gè)月除醫(yī)療費(fèi)用欠款外的欠款總額（collections_12_mths_ex_med）顯著與“借款是否滿標(biāo)”負(fù)相關(guān)，這表明借款人相關(guān)欠款越高，投資者在選擇投資標(biāo)的時(shí)越謹(jǐn)慎，投資金額越小，但是這項(xiàng)看似對(duì)借款人不利的信用不良行為卻不是其借款違約的顯著指標(biāo)。借款人稅收留置權(quán)的個(gè)數(shù)對(duì)于“借款是否滿標(biāo)”在10%的置信水平下有負(fù)相關(guān)的顯著影響，但是對(duì)“借款是否違約”在0.1%的置信水平下有負(fù)向顯著影響。而FICO信用評(píng)分是“借款是否違約”的重要影響因素，但是投資者沒有引起足夠重視，因?yàn)檫@項(xiàng)指標(biāo)對(duì)“借款是否滿標(biāo)”不存在顯著影響。借款描述的字符數(shù)（desc_char）和其中的數(shù)字個(gè)數(shù)（num_desc）與借款是否滿標(biāo)存在顯著負(fù)相關(guān)，反映投資者并沒有由于借款人的更加冗長的信息披露而做出投資決策，反而負(fù)面影響了借款人的借款成功率。另一方面，借款描述字符數(shù)與借款違約率成反向關(guān)系，這表明選擇自愿分享更多額外信息的借款人更加愿意履行信用約定，借款人對(duì)特定群體的承諾會(huì)增加其履約壓力，從而減小違約的概率。而不分享較少額外信息或者不分享額外信息的借款人趨向于違反借款合約。相比于36個(gè)月期限的貸款，60個(gè)月的貸款更不容易從投資者籌集資金，借款人也更傾向于違約。因?yàn)長ending Club的投資者重視貸款的流動(dòng)性，不愿承擔(dān)較長期限的無擔(dān)保信用借貸潛在的風(fēng)險(xiǎn)。和預(yù)期結(jié)果一致，借款初始狀態(tài)（initial_list_status）為全額（Whole）時(shí)，對(duì)“借款是否滿標(biāo)”存在顯著的正向影響，即投資者在此條件下只能選擇投資全部金額。但是全額投資的貸款也往往是貸款發(fā)生壞賬的重要因素。關(guān)于收入核實(shí)狀態(tài)的變量系數(shù)均為負(fù)，即收入已被核實(shí)的借款人不容易獲得滿標(biāo)貸款，而且較易發(fā)生借款違約行為。另外，投資者對(duì)于借款人住房狀況的信息披露不敏感。

3.2 實(shí)驗(yàn)?zāi)Ｐ停猴@性信息和隱性信息對(duì)目標(biāo)變量的實(shí)證分析

將前文設(shè)定的模型的隱性信息變量加入到模型1中，得到含有所有顯性信息和隱性信息變量的模型2，將模型1中的變量作為控制變量。模型的擬合結(jié)果如表6所示（數(shù)據(jù)來源：基于R軟件運(yùn)行結(jié)果），可以看出，借款人是否自愿提供工作職位（is_emp_title1）對(duì)投資者的投資決策影響不顯著，但是對(duì)于借款是否按時(shí)償還有顯著的正向關(guān)系，即自愿披露其工作職位的借款人違約概率明顯低于不主動(dòng)提供工作職位的借款人，這表明為解決借貸雙方信息不對(duì)稱，提供信息解決問題的借款人有意愿約束自己的信用行為，按照合同的約定履行責(zé)任和義務(wù)。但是行為對(duì)于投資者來說有相反的作用，使得潛在投資者不愿意參與資金配置。從模型擬合結(jié)果來看，借款人是否披露的有關(guān)婚姻、教育等個(gè)人信息的影響并不顯著，表明它們并不是投資者是否參與投資的考慮因素。而對(duì)于借款者在借款描述中披露與職業(yè)相關(guān)的信息可以增加借款滿標(biāo)的概率，提高借款成功率。借款人描述中使用帶有強(qiáng)烈情感的表達(dá)方式對(duì)投資者的決策沒有顯著影響。另外，借款人對(duì)投資者表示感謝（thk_ desc1）變量對(duì)“借款是否滿標(biāo)”顯著正相關(guān)，表明了Lending Club的P2P平臺(tái)投資者決策時(shí)并非僅僅考慮借款人信用狀況、借款目的或投資報(bào)酬率等因素，而且對(duì)于借款人的感謝和訴求產(chǎn)生了共鳴，這種由道德情感引發(fā)的投資行為表明了借款人和投資者之間建立起了社會(huì)價(jià)值的認(rèn)同感，當(dāng)投資者與群體其他成員的心理聯(lián)系之后，容易產(chǎn)生對(duì)投資對(duì)手的信任感和幫助借款人完成其某項(xiàng)活動(dòng)的社會(huì)責(zé)任感，從而促進(jìn)借款交易的形成。但是借款人的感激和訴求沒有對(duì)借款違約提供更多信息。

3.3 模型檢驗(yàn)

在模型檢驗(yàn)時(shí)，選擇AIC和BIC指標(biāo)最小的模型。本文通過似然比檢驗(yàn)比較2組不同的模型，研究結(jié)果如表7和表8所示（數(shù)據(jù)來源：基于R軟件運(yùn)行結(jié)果）。加入隱性信息變量的模型AIC和BIC下降，Chisq檢驗(yàn)量顯著，P值很小。

通過模型檢驗(yàn)表明：不論是“借款是否滿標(biāo)”，還是“借款是否違約”，隱性信息變量對(duì)于模型的反映變量產(chǎn)生了顯著影響，表明隱性信息使模型具有高準(zhǔn)確度，加入這些因素是必要的。

4、結(jié)論和啟示

本文以互聯(lián)網(wǎng)P2P平臺(tái)借貸用戶雙方的影響為基礎(chǔ)建立實(shí)證模型，根據(jù)美國Lending Club平臺(tái)用戶行為受顯性信息和隱性信息影響的假設(shè)，研究發(fā)現(xiàn)美國市場用戶不同于其他互聯(lián)網(wǎng)P2P貸款平臺(tái)的行為特征。第1，無論是對(duì)于“借款是否滿標(biāo)”還是“借款是否違約”，在其他P2P網(wǎng)貸平臺(tái)上有很顯著解釋能力的顯性信息在Lending Club中對(duì)借款償還和投資決策的影響不明顯。第2，借款者的年收入水平、受雇傭年限和負(fù)債收入比顯著影響借款人到期償還借款，但是這些因素與投資者參與投資的決策無關(guān)。借款人過去12個(gè)月除醫(yī)療費(fèi)用欠款外的欠款總額的增加顯著地抑制了投資者的投資金額，但是與借款人是否到期償還借款無關(guān)，即投資者在貸款風(fēng)險(xiǎn)判斷時(shí)考慮的因素與影響實(shí)際貸款償還的因素不同。這些結(jié)論也證明了對(duì)其他P2P平臺(tái)用戶行為有影響的顯性信息對(duì)于Lending Club無效，即互聯(lián)網(wǎng)P2P借款平臺(tái)的平臺(tái)間存在差異性。第3，研究表明借款人在借款描述中額外披露的隱性信息和社會(huì)價(jià)值相關(guān)信息有效地解釋了Lending Club平臺(tái)借貸雙方用戶的決策行為?；橐龊徒逃隣顩r對(duì)其他平臺(tái)有效，而對(duì)Lending Club用戶行為缺乏解釋能力。第4，在隱性信息方面投資者更加關(guān)注借款人的工作相關(guān)的額外信息，但是借款人披露其職位信息顯著影響了借款是否違約。第5，Lending Club平臺(tái)投資者表現(xiàn)出明顯的群體歸屬感和責(zé)任感，受借款人的感激影響顯著，而在其他平臺(tái)Prosper對(duì)投資者的投資有抑制作用。P2P平臺(tái)的營運(yùn)制度和政策改變了借貸雙方的偏好假設(shè)，導(dǎo)致不同的經(jīng)濟(jì)行為。

參考文獻(xiàn)：

[1] Lin M.， Prabhala N.R. and Viswanathan S. Judging borrowers by the company they keep： Social networks and adverse selection in online peer-to-peer lending[J]. Management Science，2012，59（1）：17-35.

[2] Everett C. Group membership， relationship banking and loan default risk： The case of online social lending[J]. Banking and Finance Review，2011，21（9）： 118-124.

[3] Lauri Puro，Jeffrey E. Teich，Hannele Wallenius and Jyrki Wallenius. Borrower decision aid for people-to-people lending[J]. Decision Support Systems，2010，49（1）：52-60.

[4] Milad Malekipirbazari and Vural Aksakalli. Risk assessment in social lending via random forests[J].Expert Systems with Applications，2015，42（10）：4621-4631.

[5] Yuejin Zhang， Hengyue Jia， Yunfei Diao， Mo Hai and Haifeng Li. Research on credit scoring by fusing social media information in online peer-to-peer lending[J]. Procedia Computer Science，2016，91：168-174.

[6] Shun Cai， Xi Lin， Di Xu and Xin Fu. Judging online peer-to-peer lending behavior： A comparison of firsttime and repeated borrowing requests[J]. Information & Management，2016，53（7）：857-867.

[7] Xiangru Chen， Lina Zhou and Difang Wan. Group social capital and lending outcomes in the financial credit market： An empirical study of online peer-to-peer lending[J].Electronic Commerce Research and Applications， 2016，15：1-13.

[8] Gregor Dorfleitner， Christopher Priberny， Stephanie Schuster， Johannes Stoiber， Martina Weber， Ivan de Castro and Julia Kammler. Description-text related soft information in peer-to-peer lending-Evidence from two leading European platforms[J].Journal of Banking & Finance，2016，64：169-187.

[9] Serrano-Cinca C， Gutiérrez-Nieto B and López-Palacios L. Determinants of default in P2P lending[J].PLoS ONE， 2015，10（10）：e0139427.

[10] Dongyu Chen， Fujun Lai and Zhangxi Lin. A trust model for online peer-to-peer lending： A lenders perspective[J].Information Technology and Management，2014，15（4）：239-254.

[11] 劉巧莉，溫浩宇.P2P網(wǎng)絡(luò)信貸中投資行為影響因素研究——基于拍拍貸平臺(tái)交易的證據(jù)[J].管理評(píng)論，2017（6）：13-22.

作者簡介：

陳帥，上海理工大學(xué)管理學(xué)院，講師、碩士生導(dǎo)師，研究方向：電子商務(wù)；

王景，上海理工大學(xué)管理學(xué)院，碩士研究生，研究方向：電子商務(wù)。