地方金融約束下網絡借貸的普惠金融功能研究

◎趙莉娜 周丹

引言

利用網絡與通訊技術，網絡借貸拓展了傳統(tǒng)金融機構營業(yè)的地理限制，降低了交易成本，在業(yè)務上提高了金融交易的包容性（謝平等，2015；王博等，2017）。

但傳統(tǒng)研究認為，“距離”是金融機構向借款人提供資金等金融服務時會考慮的重要因素之一。如Petersen and Rajan(2002)的研究證明，銀行在向小企業(yè)提供貸款時會更關注與借款人的距離遠近。Guiso et al.(2004)的經典研究也認為，距離因素對于銀行業(yè)務來說是至關重要的。而“距離”不僅表現(xiàn)為地理空間上的遠近，而且也體現(xiàn)在文化、傳統(tǒng)和信用環(huán)境等方面的相似性。Hahn(2014)、Fisman et al.(2017)等研究發(fā)現(xiàn)，借貸雙方間的文化相似性(Cultural Proximity)會有助于提升貸款規(guī)模，保證貸款質量和減少貸后的違約風險。Giannetti and Yafeh(2012)和Beck et al.(2018)的研究證明，銀行的貸款規(guī)模、利率及銀行的貸款決策都會顯著受到交易雙方文化相似性(Culture similarity)或文化距離(Culture Distance)的影響。

對于處于體制外的民間金融交易來說1，其借貸契約也多遵從地域性的“鄉(xiāng)規(guī)”“俗例”，多依賴血緣、地緣或熟人網絡來保證借貸交易的達成與風險控制2（彭凱翔等，2008；張龍耀等，2013；張博、范辰辰，2018）。如根據(jù)張博、范辰辰（2018）的調查，小額貸款公司本地員工的占比為95.7%，總經理為本地人的比率達到95.5%，89%的小貸業(yè)務需要熟人推薦，保證貸款的占比為76%，熟人貸款的占比則達到了63%。而在網絡貸款平臺的平穩(wěn)發(fā)展時期，其與小額貸款公司類似，在其所促成的信用貸款交易中，借貸雙方也都有著明顯的本地化傾向(Lin and Viswanathan， 2015) 。

隨著我國信用制度與信用環(huán)境的不斷改善，在當前許多金融科技的交易場景中（包括網絡借貸），信用要素已經取代抵質押物成為融資者獲取金融資源支持的唯一條件。信用環(huán)境越好，銀行越會降低企業(yè)和個人的融資擔保要求，而發(fā)放更多消費貸款和信用貸款（Biggart and Castanias， 2001；錢先航、曹春方，2013）。如Guiso et al.(2004， 2008)的研究證實，地方金融發(fā)展中的信用環(huán)境、社會資本，對于制度不完善的地區(qū)來說作用更為明顯3。Ang et al.(2009)也指出，在法律執(zhí)行弱的地區(qū)，社會資本（含信用要素）發(fā)揮了保證金融交易順利達成的關鍵作用。因此，通過信用制度環(huán)境，地方金融發(fā)展的實質性經濟影響也會得到越來越多的表現(xiàn)（潘越等，2010）。

如前所述，本文從網絡借貸訂單的微觀影響因素著眼，實證研究地方金融發(fā)展是否在宏觀經濟影響之外，在微觀層面依然會顯著影響網絡借款訂單的達成、借款金額和借款利率等。針對長尾借款群體，互聯(lián)網金融的網絡借貸業(yè)務是否已擺脫了地方金融要素的地域限制？處于金融科技時代的普惠金融，互聯(lián)網金融的業(yè)務是否會降低了地方金融發(fā)展的重要性？這些問題契合了對于互聯(lián)網金融創(chuàng)新業(yè)務發(fā)展的反思，在現(xiàn)有文獻中也少有專門與系統(tǒng)的實證研究，本文研究的新貢獻主要體現(xiàn)在：1.從網絡借款訂單的微觀視角，從“借貸可得性”“借款金額”“借貸成本”三方面，實證檢驗了地方金融發(fā)展作用于網絡金融交易的經濟影響；2.將金融發(fā)展的影響歸結為了對借款人信用信息的甄別機制；3.針對長尾群體的借款需求，強調要在信用建設的基礎上，利用信用信息的收集、傳播、甄別和利用，實現(xiàn)金融科技與信用建設的結合、信用資本與融資需求的結合、網貸交易與地方金融協(xié)同發(fā)展的結合。

理論框架與實證設計

金融發(fā)展對互聯(lián)網金融的參與率和微觀層面的交易成本都存在著影響4，而隨著信息化的發(fā)展，伴隨著金融組織結構和信息獲取方式的變革，傳統(tǒng)金融發(fā)展與互聯(lián)網金融之間的替代效應變得更強，網絡借貸方式已成為長尾借款群體選擇融資渠道的一項新選擇（王博等，2019）。

網絡借貸平臺（包括但不限于P2P）的定位是信息服務中介，在借貸市場上它向投資人提供了兩類借款人的信息，其一是標準化的硬信息，傾向于反映借款人是否具備了充足的還款能力；其二是記錄信用歷史的軟信息，側重于反映借款人是否擁有信用歷史和是否養(yǎng)成并保持了恪守誠信的金融交易習慣。這兩類信息構成了借款人在網絡交易平臺上的無形資產和信譽符號，通過相互補充5和支持，網貸平臺實現(xiàn)了交易型貸款（基于硬信息）和關系型貸款（基于軟信息）的技術結合，達到了向長尾借款群體提供必要金融支持的目的（王博等，2017）。地方金融發(fā)展作為金融借貸活動的外部環(huán)境和制度載體，其對網貸借款訂單的影響作用，主要是通過信號機制來改變交易主體的決策和選擇而實現(xiàn)。

因此，地方金融發(fā)展作為外在的環(huán)境與條件制約，會顯著影響交易者個人的收入、消費、金融意識及金融習慣，這些逐步累積會變成交易者個人的財富與信用資本（吳晶妹，2013）。在參與網貸交易時，借款人的信用信息（包括硬信息和軟信息）會通過P2P平臺而實現(xiàn)低成本的有效傳播，這些將影響和決定借款人能否成功獲得借款，以及能獲得多大規(guī)模的資金融通。

由于金融發(fā)展對借貸交易微觀影響的機制，在于借款人所擁有的信用信息質量，因此對于不同信用水平的借款人來說，地方金融發(fā)展對其參與網絡借貸的影響也將會表現(xiàn)出差異化的效應。比如，擁有硬信息的借款人，其可能較少受到金融發(fā)展的外在約束；而如果缺乏必要和過硬的信用信息，借款人則將可能直接受制于金融發(fā)展及其信用環(huán)境的缺失，而大大降低其參與網絡借貸的可能性，以及借款的成功率。

由此本文給出假設1（借貸可得性）：地方金融發(fā)展水平越高，借款人獲取網貸借款的成功概率也越高，其系數(shù)估計顯著為正；地方金融發(fā)展對借款人網貸借款成功率的影響，會隨著借款人信用水平的提高而呈現(xiàn)邊際效應遞減，也就是說，對于擁有不同信用水平的借款人，地方金融發(fā)展所發(fā)揮的影響將是非對稱的。

由于我國區(qū)域經濟顯著存在著空間關聯(lián)性（陳秀山、張可云，2005；張曉旭、馮宗憲，2008；潘文卿，2012等）6，為控制其對實證結果的可能影響，本文實證模型也將采用空間計量的模型形式，以保證實證結果的穩(wěn)健。

由此而構建的實證模型為：

其中state為虛擬變量，1表示借款人借款成功，0表示借款不成功；fin_local代表地方金融發(fā)展的指標；h_info表示借款人的標準化可驗證硬信息；rep代表反映借款人信用歷史的軟信息；Z為其他控制變量。而本文實證模型的空間計量形式將根據(jù)實際參數(shù)檢驗的結果來設置7。

在增加借款金額的機制方面，金融發(fā)展和借款人硬信息會形成正向的相互影響。即借款人的個人信用狀況越好，地方金融發(fā)展發(fā)揮微觀借貸影響的作用才會越強；而當?shù)胤浇鹑诎l(fā)展越健康，規(guī)模、質量都有提高的情形下，網貸借款人的信用聲譽，也將會得到更有效的傳播。結果是，地方金融發(fā)展與借款人的標準化硬信息會形成正向互補的協(xié)同效應，會顯著提高借款人所可能獲取的借款額度。

由此提出假設2（借款深度）：地方金融發(fā)展會顯著影響借款人的借款金額；地方金融發(fā)展與借款人標準化硬信息的交叉項，其系數(shù)估計值將顯著為正。

實證模型的設定為：

其中In_amount是借款人所獲借款金額的對數(shù)值。

地方金融環(huán)境中的信用環(huán)境越好，借款、融資擔保的要求就會相對越少，消費貸款和信用貸款的發(fā)放也會相應更多8（Biggart and Castanias， 2001；錢先航、曹春方，2013）。但信用環(huán)境須在個人信用信息充足的情況下，才能顯著降低借款人的借貸成本。也即地方金融發(fā)展作為網貸交易的外部環(huán)境和制度載體（如信用制度），其影響微觀借貸交易的渠道仍是依賴對信用信息的傳播與鑒別。對于擁有充足標準化硬信息的借款人來說，地方金融、信用環(huán)境越良好，借款人就會獲得更優(yōu)惠的借款條件，更有利于降低網貸借款的籌資成本。

由此提出假設3（借貸成本）：地方金融發(fā)展指標與借款人標準化硬信息的交互項，系數(shù)估計顯著為負，即金融發(fā)展降低借貸成本的作用條件是借款人自身的信用信息質量。

實證模型表示為：

其中interest是借款人所報的借款利率，為年化的利率指標。

變量與描述性統(tǒng)計

1.主要變量及數(shù)據(jù)來源

P2P網貸平臺以信用貸款業(yè)務為主，對抵質押或擔保物的要求不高，且又借助于互聯(lián)網平臺來進行交易，因而受到了實體經濟中面臨融資約束群體的青睞，在2007年后經歷了較大規(guī)模的發(fā)展（柏亮、李耀東，2015）。網貸平臺數(shù)據(jù)，一方面為本文的實證提供了很充分的交易金融數(shù)據(jù)，另一方面也契合本文對于互聯(lián)網微觀主體借貸與地方金融（環(huán)境）發(fā)展間關系的研究目標設計。本文利用爬蟲技術，爬取并整理了“人人貸”平臺2011年“散標”借款人的微觀借貸數(shù)據(jù)，訂單編號范圍從00001到20000。此段時間的借貸交易屬于包括“人人貸”平臺在內的P2P網貸業(yè)務的規(guī)范且平穩(wěn)的發(fā)展時期，數(shù)據(jù)信息能更有利于反映微觀信貸交易的影響因素及其本質性規(guī)律。

按文獻和研究的邏輯，本文實證的被解釋變量，分為“是否借款成功”state（信貸可得性，借款成功取值為1，否則取值為0），“借款金額”amount（信貸深度，借款的金額大小，回歸時其值取對數(shù)）和“借款利率”interest（融資成本，借款的年化利率，且符合借貸利率的上下限制）三個類別。這三個類別分別衡量了網絡借貸的金融普惠特性，反映了不同的借貸特征。

關于解釋變量，包括：（1）借款人的信用特征變量，分為12項指標。具體為①性別(gender)，女性取值為0，男性取值為1；②借款人年齡(age)；③婚姻狀況(marriage)，未婚取值為0，其他取值為1；④學歷(education)，類別變量，按高中或以下、大專、本科和研究生或以上，依次賦值為1～4；⑤收入水平(income)，按月收入2000元以下、2000～5000元、5000～10000元、10000～20000元和20000元以上，依次賦值為1～5；⑥工作年限(experience)，按1年以下、1～3年、3～5年和5年以上，依次賦值為1～4；⑦借款類型(type)，根據(jù)借款人工作職位、從事行業(yè)和所在公司規(guī)模等信息，采用文本分析的方法將借款類型分為工薪貸、網商貸和私營企業(yè)主貸，依次賦值為1～3；⑧房產(house)，擁有房產取值為1，否則為0；⑨房貸(house_debt)，背負房貸取值為1，否則取值為0；⑩車產(car)，擁有車產取值為1，否則為0；車貸(car_debt)，持有車貸取值為1，否則取值為0；信用等級(credit_rate)，即借款人的信用狀況，劃分為AA、A、B、C、D、E和HR共7個等級。

（2）地方金融發(fā)展，分為2項指標。分別是①傳統(tǒng)的金融發(fā)展指標(loan_gdp)，利用各借款人所在地市（及以上城市）的“貸款余額/GDP”指標來進行衡量9；以及②信用環(huán)境指數(shù)(credit_sc)，數(shù)據(jù)來源于中國城市商業(yè)信用環(huán)境指數(shù)網站(http://www.chinacei.org)，反映了各借款人所在地市（及以上城市）的金融誠信環(huán)境。

（3）借款人信用記錄，包含2項指標，分別是歷史借款成功率（hbs）和歷史還清借款比率（payoff）10，用以衡量借款人累積的“軟性”信用信息。根據(jù)金融借貸聲譽理論，借款人在借貸過程中積累的聲譽，能夠降低今后交易的信息不對稱程度、減少信息的傳遞成本；聲譽的約束激勵機制還會抑制借款人的投機行為，減小貸后的道德風險，促使借款人能夠按時地足額還款（Kreps and Wilson， 1982；李延喜等，2010）。

（4）其他變量。包括：①借款期限(term)，以月度為單位，期限變化范圍從3個月到36個月；②借款人所在省份(prov)，排除掉港澳臺地區(qū)的借款人（因受其他數(shù)據(jù)來源的限制），所剩共31個省市區(qū)，以虛擬變量來控制借款人所在地的省份效應；③借款人所在城市(city)11，是借款人所在地級及以上城市，也是測算借款人所在地方金融發(fā)展指標的地域范圍；④中國各地市的地理坐標，由地理坐標而計算的各地市間兩兩距離的倒數(shù)，以及由此而構造形成的“空間權重矩陣”(W)。

2.“修正信用評分(h_info)”指標的計算

網貸平臺的信用評價主要是依賴借款人可供驗證、且標準化的“硬”信息來進行信用質量的判別，比如身份認證、收入認證和工作認證等。而一些網貸平臺，比如“人人貸”，同時還制定了加減分的規(guī)則12，以實現(xiàn)對借款人信用評級的動態(tài)調整。限于數(shù)據(jù)的可得性，我們需要參照孫永苑等（2016）和王博等（2017）的辦法，利用模型回歸來進行估算借款人經過修正后的信用評分(h_info)。這一修正后的信用評分不僅更準確地評價了借款人的信用狀況，而且也成為匯總了借款人信用特征信息的一項新指標，即借款人可驗證的“硬”信息（可信的信用信息）。

解釋變量中信用等級(credit_rate)指標，其AA、A、B、C、D、E和HR七個等級對應的信用評分范圍分別為210+、180～209、150～179、130～149、110～129、100～109和0～99。已有文獻的做法是選取借款人的信用評分作為被解釋變量，然后對借款人的信用特征變量（前11項指標）進行回歸，回歸的殘差項即為剔除了借款人標準信用信息（硬信息）影響后的、針對信用評分的動態(tài)調整項（加減分數(shù)項），而模型回歸的擬合值也即為我們需要估算的，經修正后的借款人信用評分(h_info)。

式中的scoreij為“人人貸”平臺對借款人的原始信用評分，i代表省份，j代表個體借款人；h_infoij為借款人的各項信用特征變量；ei是所在省份的虛擬變量。

3.變量的描述性統(tǒng)計與空間自相關檢驗

表1對本文的主要變量，包含解釋變量和被解釋變量進行了描述性統(tǒng)計，從表中所反映的統(tǒng)計信息，可初步發(fā)現(xiàn)如下一些網絡借貸的表象特征：（1）在網貸平臺規(guī)范、平穩(wěn)的發(fā)展時期，網絡借款訂單的成功概率平均值并不高，為13.33%。即每100個借款人大約平均只有13人可成功獲得借款；（2）從借款人修正后的信用評分(h_info)，歷史借款成功率(hbs)和歷史還清借款比率(payoff)的分布情況可以看出，借款人的“硬”信用信息和“軟”信用信息的中位數(shù)均小于其均值，反映借款人擁有較理想信用狀況的人偏少，這符合網貸市場長尾人群所具有的信用狀況特征，表明他們既不擁有過硬的標準化資產或收入，同時也未積累起來太多軟性、優(yōu)良的信用記錄，在金融的信貸市場上處于弱勢和受排斥的地位；（3）地方金融發(fā)展指標中，信用環(huán)境指數(shù)(credit_sc)的分布較對稱，而金融發(fā)展指標(loan_gdp)則呈現(xiàn)為右偏分布，反映我國地方金融發(fā)展存在著較明顯的分化特征；（4）借款金額(amount)、借款利率(interest)和借款期限(term)的統(tǒng)計特征則顯示，網貸借款成交的多是金額?。〝?shù)千元）、期限短（6個月以內）而借款成本相對較高（年化10%左右）的信用貸款。這一方面反映了網絡借貸借款人在交易中所處的交易地位及其融資偏好，另一方面也間接表明地方正規(guī)金融機構在服務當?shù)貙嶓w經濟與中小微借款人時所可能存在的欠缺（見表1）。

同時，本文也利用爬蟲技術爬取到了全國288個地級市的經緯度坐標數(shù)據(jù)，由于樣本中參與了網貸交易的城市只涉及188個，因此本文構造的空間權重矩陣的維數(shù)即為188。利用空間權重矩陣，表2計算匯報了部分存在空間自相關變量的檢驗結果。表格顯示，state、hbs和payoff都顯著存在著正空間自相關，即在交易結果和借款人的信用聲譽形成方面，網絡借貸存在著支持交易空間關聯(lián)的統(tǒng)計證據(jù)，這也為進一步空間實證分析提供了前提（見表2）。

表2 ：變量空間自相關檢驗結果

表1：各變量的描述性統(tǒng)計值

表3：網貸借款的微觀影響因素模型

實證分析結果

按本文實證設計的安排，本文實證分析按照“不考慮地方金融發(fā)展的基本模型——考慮金融發(fā)展的擴展模型——針對‘借款深度’的擴展模型——針對‘借款成本’的擴展模型”的順序依次遞進展開。

1. 不考慮地方金融發(fā)展的基本模型

在表3中反映了網貸平臺借款成功與否的微觀實證分析結果，回歸所應用的基本實證模型是二元選擇模型的Probit估計。表3中的第1、第2列是普通Probit模型，借款人的信用軟信息，分別采用的是“歷史借款成功率（hbs）”和“歷史還清借款比率（payoff）”作為解釋變量，回歸結果與文獻和理論描述一致。基本的發(fā)現(xiàn)是，借款人硬信用信息的代理變量“修正后信用評分”能充分反映借款人是否具備還款能力，能夠正向影響其獲取借款的可能性，回歸系數(shù)0.01也均在1%的顯著性水平下顯著為正。與之相似，借款人的信用歷史信息作為借款申請的軟信用信息，其發(fā)揮的作用與“修正后信用評分”形成了聲譽信號理論中的互補關系。一方面它們反映了借款人是否具備信用意識，是否有著良好的還款習慣，借款后能否保證穩(wěn)定的按期足額還款；另一方面信用軟信息hbs和payoff也表示了借款人與網貸借款間的緊密關系，是借款人進一步在網貸平臺借款的重要無形資產，它們的回歸系數(shù)也都在1%的顯著性水平下顯著為正。硬信息h_info和軟信息hbs、payoff間的交互項分別都在1%的顯著性水平下顯著為負，說明對于不同信用水平的借款人，比如信用評分高和信用評分低的借款人相對比，有一定長度且良好的信用記錄，對于欠缺標準化硬資產的借款人來說，其對成功借款的作用和意義更大；反之，對于擁有不同信用狀況記錄的借款人來說，修正后的信用評分（及硬信息h_info）所起到的作用也是非對稱的，兩者在作用機制上能構成一定的互補關系。第1、第2列的偽R方分別達到0.797和0.776，LR統(tǒng)計量也都在1%的顯著性水平下顯著，模型的整體顯著性程度較高。

由于借款人和借款類型的差異較大，借款金額、借款期限的變化范圍較廣，因而針對借款人個體進行的Probit回歸可能會受到異方差的影響，表3第3、第4列給出了允許異方差設定的Hetprobit模型回歸結果13。如表所示，異方差檢驗的結果證明存在著異方差，檢驗結果均在1%的顯著性水平下拒絕了同方差的原假設。但第3、第4列的回歸結論卻并未發(fā)生實際變化，兩列中各解釋變量的系數(shù)大小仍然與Probit回歸基本保持一致，顯著性也都在1%的水平下系數(shù)顯著。

普通的Probit模型可能還存在遺漏變量，如借款人的其他債務信息14，它可能與借款人的修正后信用評分(h_info)、借款成功的可能性(state)都存在著相關關系，從而導致實證模型的內生性問題，并進一步而導致了有偏的模型估計。為解決遺漏變量所可能導致的錯誤模型估計，表3中的第5、第6列進行了基于工具變量的Ivprobit模型估計。本文選擇了兩個不同的變量作為修正后信用評分h_info的工具變量，其一是參照尹志超等（2014）、Du et al. (2014)和王博等（2017）所應用的方法，利用借款人所在省份，并且相同年份和相同收入層次的其他借款人所擁有的平均汽車數(shù)量作為內生變量（即本文的h_info）的工具變量；其二是利用“人人貸”平臺的借款人信用評分（score）作為h_info的工具變量，理由是score與h_info存在著直接相關關系，但score作為歷史和滯后變量，并不會通過其他渠道來影響投資人的貸款決策。表中Wald內生性檢驗的結果均顯著（1%水平下顯著），表明本文對內生性變量的判斷是正確的，工具變量的選取也較為合理。Ivprobit模型估計的結果在考慮了內生性問題的影響后，系數(shù)回歸的結果與前4列依然保持一致，基本結論不變，只是系數(shù)估計值的絕對值有了一定幅度的提高。

主要控制變量的回歸結果也印證了已有文獻對于網貸借款利率、規(guī)模和期限等訂單特征的發(fā)現(xiàn)結論（王博等，2017），如借款利率interest對借款成功概率state的影響具有非線性的、呈現(xiàn)倒U型的變化規(guī)律；借款金額log_amount的影響在1%的水平下顯著為正；借款期限(term)的增加則基本顯著降低了借款人獲取相同條件借款的概率大小。

表4：地方金融發(fā)展影響下的網貸借款影響因素模型

2. 考慮金融發(fā)展的擴展模型

在網貸借款微觀影響因素模型的基礎上，表4中加入地方金融發(fā)展作為理論與實證模型的擴展。如本文理論分析部分所說明的，地方金融發(fā)展作為金融借貸活動的外部環(huán)境和制度載體，其會影響甚至改變交易主體的決策與選擇。表4中的結果顯示，地方金融發(fā)展loan_gdp會提高借款人獲取網貸借款的可能性，但模型的設定必須要正確，如表4的第5列和第6列，即需要在考慮模型內生性的基礎上來構建和估計模型。loan_gdp表示的是當?shù)兀ǖ丶壥幸陨希┙鹑跈C構貸款總額占當?shù)谿DP的比率，該指標衡量了地方總體的金融發(fā)展水平，是對當?shù)亟鹑跈C構和金融業(yè)務整體規(guī)模的一項度量。表4中的回歸結果顯示，借款人所在城市的金融發(fā)展水平越高，那么他即使是通過理論上無地域限制的網貸平臺來進行借款，獲取借款的成功概率也要相對更高。其中的機制是因為金融發(fā)展作為金融交易主體的外在環(huán)境與條件制約，會顯著影響交易者個人的收入、消費、金融意識和金融習慣，這些又會逐步累積并形成交易主體的個人財富與信用資本（吳晶妹，2013）。當參與網貸交易時，借款人擁有的“個人財富與信用資本”就會轉化為低成本傳播的、標準化的信用硬信息和反映歷史、記錄的信用軟信息，這些最后都將決定借款人能否成功獲得網貸借款(state)，以及他能獲得多大規(guī)模的信用資金支持(log_amount)。

值得注意的是，地方金融發(fā)展loan_gdp和借款人修正后信用評分h_info的交互項系數(shù)，都在1%的顯著性水平下顯著為負，這也從另一側面進一步佐證了本文的上述觀點。loan_gdp和h_info都是正向影響借款人的借款概率，它們的交互項卻顯著為負，這反映金融發(fā)展loan_gdp對借款人網貸借款成功(state)的影響，會隨著借款人修正后信用評分(h_info)的提高而呈現(xiàn)出邊際效應的遞減。這也即是說對于擁有不同信用硬信息(h_info)的借款人，地方金融發(fā)展(loan_gdp)的作用將是非對稱性的。掌握充分硬信息的借款人，金融發(fā)展對其施加的影響、約束將會比較有限，反之，對于不掌握關鍵和必要信用硬信息的借款人來說，地方經濟金融乃至信用環(huán)境的發(fā)展變化，則可能直接決定了他尋求借貸交易成功的可能性。因此可以認為，在增加長尾借款人的貸款可得性方面，地方金融發(fā)展(loan_gdp)和借款者個人信用信息(h_info)可以進行必要的相互補充，借款人個人，可以通過積累自身的信用資本；政府與政策制定者，則可以配合以改善的地方金融發(fā)展，來協(xié)同達到金融普惠和緩解小微經濟融資難的目的。

表4中其他解釋變量的符號與顯著性與表3所得的結論基本一致，回歸結果都保持穩(wěn)健。

3. 針對“借款深度”的擴展模型

由于借款不成功的借款訂單顯示的借款金額都為零，因此對借款金額(log_amount)進行建模，需要使用以零為左歸并點的歸并回歸。表5采用的是基于Tobit模型的實證方法，第1、第2列是普通Tobit回歸，第3、第4列則考慮了解釋變量的內生性，采用了基于工具變量的Tobit回歸。并且經heckman兩步法檢驗，本文的樣本數(shù)據(jù)也并不存在顯著的樣本選擇偏誤，Tobit模型是合理的模型估計方法。

表5 ：網貸“借款深度”的影響因素模型

與借款可得性不同，表5對借款人“借款深度”的回歸結果顯示，地方金融發(fā)展(loan_gdp)和修正后信用評分(h_info)對借款金額(log_amount)的直接效應均顯著為負，這表明在“人人貸”平臺上進行借款的相對優(yōu)質的借款人15更偏好資金規(guī)模小的借款，其資金用途主要用于短期周轉。還可能的解釋，是“人人貸”平臺上的投資人也同樣更偏愛規(guī)模小的借款訂單（王博等，2017），以控制和降低投資風險。

研究組患者在治療后食物嵌塞2例（4.4%），無咬合性接觸1例（2.2%），其他2例（4.4%），并發(fā)癥的總體發(fā)生率為11.1%，對照組患者在治療后食物嵌塞5例（11.1%），無咬合性接觸4例（8.9%），其他6例（13.3%），并發(fā)癥的總體發(fā)生率為33.3%，兩組患者的并發(fā)癥發(fā)生率比較，研究組患者的并發(fā)癥發(fā)生率低于對照組，差異具有統(tǒng)計學意義（χ2=5.598，P=0.017）。

表6：網貸“借款成本”的影響因素模型

在增加借款金額的機制方面，金融發(fā)展(loan_gdp)和借款人硬信息(h_info)都需要以對方作為自身發(fā)揮作用的條件。表5中二者的交互項均在1%水平下顯著為正，這說明借款人的個人信用狀況(h_info)越好，金融發(fā)展(loan_gdp)的功能作用才會越強；而當?shù)胤浇鹑诎l(fā)展越健康、規(guī)模質量都有改善的情況下，網貸借款人的信用聲譽，也才會得到更有效的傳播，并且獲取更大程度的認可。表5中，屬于借款人信用軟信息的“歷史借款成功率（hbs）”和“歷史還清借款比率（payoff）”，其與借款人修正后信用評分(h_info)的相互作用關系也與金融發(fā)展(loan_gdp)類似，信用軟信息需要硬信息作為信息傳播的前提和基礎，在增加借款深度的功能上，“軟”、“硬”信用信息又需要相互依賴，并且表現(xiàn)出顯著為正（1%顯著性水平下顯著）的協(xié)同效應。

控制變量中，借款利率interest和借款期限term都與借款深度(log_amount)顯著正相關，借款人需要為更多的融資額而付出更高的融資成本。表5中第3、第4列的Wald檢驗顯著拒絕了外生解釋變量的原假設，工具變量估計(Ivtobit模型)是正確的選擇。

4. 針對“借款成本”的擴展模型

金融發(fā)展是否還會影響微觀網貸交易的借款成本？表6列示了實證檢驗的結果。經過試驗，本文針對借款人借款成本(interest)建模，所應用的地方金融發(fā)展指標選取的是借款人所在城市的信用環(huán)境指數(shù)(credit_sc)。也即是說，應用信用環(huán)境指數(shù)(credit_sc)代理地方金融發(fā)展，更能反映金融資源和環(huán)境給予微觀金融交易成本的影響。

表6分別應用了“OLS”“OLS+穩(wěn)健標準誤”和“工具變量法”來對借款成本的實證模型進行估計，樣本只限借款成功的訂單?？梢钥吹剑m然回歸方法存在差別，但模型回歸結果的總體結論卻始終保持一致。借款人所在城市的信用環(huán)境指數(shù)(credit_sc)和借款人自身的信用評分(h_info)在直接效應上都增加了網貸借款的借款成本，這反映，在包括“人人貸”網貸平臺在內的P2P借款業(yè)務中，借款人往往需要承擔更高的利息成本才能保證借款訂單成功滿標。但是從credit_sc和h_info交互項系數(shù)的估計結果看，交互項系數(shù)在1%水平下顯著為負，說明信用環(huán)境(credit_sc)在個人信用(h_info)充足的情況下是能顯著降低借款人的借款成本的。這也再次說明，金融發(fā)展作為網貸交易的外部環(huán)境和制度載體（如信用制度等），它影響微觀金融交易的機制仍然是通過改變交易主體的信用信息質量而得以實現(xiàn)，改善地區(qū)金融環(huán)境、建設信用制度體系的微觀基礎之一，也是改善信用主體的信用信息質量。同理，如果地方信用環(huán)境越佳，擁有同樣標準化硬信息的借款人也會獲得更加優(yōu)惠的借款條件，更加有利于降低借貸成本。

表7：基于空間計量框架的實證分析結果

表6中，hbs和payoff的系數(shù)估計值在不同的回歸方法中都顯著為負（1%顯著性水平下），且系數(shù)絕對值還相對更大，即借款人信用軟信息在降低借款成本上的作用更明顯。作為反映借款人聲譽的信用軟信息，其成為了借貸交易中借款人最重要的“信用擔保”，它比標準化的硬信息，比單純的收入、財富還更加具有對還款承諾的保證。以“歷史借款成功率（hbs）”和“歷史還清借款比率（payoff）”為代理指標的信用軟信息，分別代表了借貸雙方聯(lián)系的緊密程度，以及貸后借款人的道德風險水平。

因為“人人貸”平臺允許投資人持有債權90天后，在債權未發(fā)生逾期的情況下通過債權轉讓系統(tǒng)轉讓已持有的借款訂單，并且借款訂單的期限大多集中于6個月以內，因此表6中多數(shù)的回歸結果借款金額(log_amount)和借款期限(term)的回歸系數(shù)都不顯著。在表6第5和第6列中，DWH內生性檢驗的統(tǒng)計量分別為30.6832和30.7507，均在1%水平下顯著拒絕了借款人修正后信用評分(h_info)為外生變量的原假設，工具變量回歸為合理的選擇。

5. 基于空間關聯(lián)的穩(wěn)健性檢驗

結論與政策啟示

網絡借貸作為一種信息中介，發(fā)揮了信息聚集與信息監(jiān)督的功能，經過信用審核、認證及信用信息的披露，網絡借貸能以較低的成本生成和傳遞借款人的各類信用信息，這一過程重塑了金融形態(tài)、降低了交易成本、提升了金融交易的效率。

1. 研究結論

借款人的可驗證硬信息與信用軟信息，均有助于提升網貸交易的信息透明度、降低交易成本和借貸成本。金融發(fā)展作為金融交易主體的外在環(huán)境與條件制約，其會顯著影響交易者個人的收入、消費、金融意識和金融習慣，這些又會逐步累積并形成交易主體的個人財富與信用資本。當參與網貸交易時，借款人擁有的“個人財富與信用資本”會轉化為低成本傳播的，標準化的信用硬信息和反映歷史、記錄的信用軟信息，這些信用信息最終將決定網貸借款訂單是否能成功獲得借款，以及可獲得多大規(guī)模的借款。另外，地方金融發(fā)展對借貸可得性和借款深度的影響，會隨著借款人修正后信用評分的提高而呈現(xiàn)出邊際效應的遞減，即地方金融發(fā)展的微觀作用機制具有非對稱性。

信用環(huán)境在個人信用充足時，可顯著降低借款人的借款成本。隨著地方金融、信用環(huán)境的改善與優(yōu)化，擁有必要信用硬信息和軟信息的借款人，其將會獲得更加優(yōu)惠的借款條件，享受到更加便利的金融服務與低成本的資金支持。

2. 政策啟示

本文研究發(fā)現(xiàn)，互聯(lián)網金融業(yè)務的發(fā)展，無法也絕不應脫離于地方金融體系的支持及其制度約束。從控制信貸風險的角度講，以互聯(lián)網金融為代表的新金融體系，需要立足于服務地方實體經濟，特別是在信貸市場上受到了融資約束的長尾借款群體。要在信用建設的基礎上，加大對信用信息的收集、甄別、傳播和利用，實現(xiàn)金融科技與信用建設的結合；信用資本與融資需求的結合；網貸交易與地方金融協(xié)同發(fā)展的結合。

（1）培育借款人的信用意識，加強信用知識的宣傳與教育，樹立“信用資本、誠信借貸”的金融交易觀念。

（2）重視對借款人信用信息的收集、整理及利用，積極把握行業(yè)合作和信用信息共享的機會，運用金融科技手段發(fā)掘和傳播平臺借貸客戶的信用信息。主動、定期地向地方金融監(jiān)管部門匯報平臺的經營狀況，特別是和反映借貸風險變化有關的預警信息。

（3）地方金融監(jiān)管部門要著力培育誠信的金融環(huán)境，健全社會信用制度體系。通過信用建設推動傳統(tǒng)金融機構與互聯(lián)網金融業(yè)務的協(xié)同發(fā)展。地方政府和金融監(jiān)管部門仍需要重視對地方中小金融機構的培育和支持，“質與量”共同推進地方金融體系的發(fā)展，在金融科技時代，與互聯(lián)網金融創(chuàng)新業(yè)務相結合，協(xié)同達到金融普惠和緩解實體經濟融資難的目的。

（4）建立全面的監(jiān)管框架，加強監(jiān)管科技在地方金融監(jiān)管中的應用，利用大數(shù)據(jù)、云計算和人工智能等，識別風險隱患，及時發(fā)現(xiàn)違規(guī)、違法及經營不善的平臺，加大對違規(guī)、違法網貸平臺的處罰與追懲力度，妥善化解金融風險，守住不發(fā)生系統(tǒng)性風險的底線。

注釋：

1 網絡借貸在交易特點上與非正式金融相似。

2 地域、文化、身份認同所形成的社會網絡和社會資本，會有助于降低借貸過程中的交易成本，減小貸款違約的風險。

3 本文的地方金融發(fā)展是相對于金融中心建設而言的、地方性的金融要素發(fā)展。由于體制的約束，我國金融資源跨地區(qū)流動的各項壁壘依然廣泛存在；金融交易中由地理距離引致的市場摩擦尤為嚴重。這些非均衡的金融發(fā)展格局也進一步增強了我國發(fā)展地方金融的必要性與緊迫性（陶鋒等，2017）。

4 通過融資渠道、市場競爭和機會成本等渠道而發(fā)揮影響。

5 當某一信息缺乏時，另一信息也會起到替代效應的作用，在一定程度上保持了借款人的信用穩(wěn)定。

6 如全域范圍的正的空間自相關（含局域性的空間集聚），以及空間溢出效應等是我國地區(qū)經濟聯(lián)系的重要影響因素，忽視這些空間關聯(lián)效應會造成模型參數(shù)的估計偏差。

7 可能的模型形式包括：空間自回歸模型（SAR）、空間杜賓模型（SDM）、空間誤差模型（SEM）以及一般化、綜合的空間計量模型等。

8 通常情況信用貸款的利率比擔保貸款的利率要高，從降低借款人利率負擔的角度講，外部信用環(huán)境需要結合借款者個人的信用狀況，才能達到改善借款融資條件和融資成本的目的。

9 數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫，并根據(jù)指標要求計算獲得。

10 平臺上借款人的歷史信用記錄包括：借款次數(shù)、成功借款次數(shù)和還清筆數(shù)等，歷史借款成功率（hbs）的計算方法為：hbs=成功借款次數(shù)/借款次數(shù)；歷史還清借款比率（payoff）的計算方法為：payoff=還清筆數(shù)/借款次數(shù)。

11 和獲取所在省份(prov)指標的計算方法相似，借款人所在城市(city)指標的計算也是采用文本分析的方法，從“人人貸”散標借款訂單的借款人所在地的信息中爬取并整理得到。

12 其中的規(guī)則規(guī)定，如果借款人每月正常還款、未出現(xiàn)逾期，則信用評分會增加1分，每月增長的上限也為1分；相反，如果借款人在當月有30天內的逾期，則信用評分將會被扣減3分，扣分無上限限制。

13 因為在可能引起異方差的變量間（借款金額、借款期限等）存在著較強的相關性，因此本文構造異方差使用的解釋變量為借款期限term。

14 這一信息一方面因為網絡平臺未公布，另一方面也可能因為存在著瞞報而造成數(shù)據(jù)的不準確。

15 指經濟條件和個人信用狀況較好的借款人。