信用评估是否限制了在线贷款行为中地区和学术背景的偏好？_信用评价论文

信用评价是否抑制了网贷行为中的地区与学历偏好，本文主要内容关键词为：抑制论文,信用评价论文,学历论文,地区论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      自古以来在社会生活的各个领域里，地区与学历偏好一直是一个普遍存在的现象。当前由于中国金融环境不够开放和借贷效率相对较低等原因，使得借贷市场上的地区与学历偏好问题显得尤为突出。在传统金融借贷市场，发达地区获得贷款审批的优势要比落后地区明显，高学历群体要比低学历群体更容易获得贷款，借贷市场上存在的这种偏好主要是由于偏向性政策支持、信息不对称以及信用评价缺乏等因素造成的(Claessens，Feijen和Laeven，2008)。在这里，偏向性政策支持是贷款机构出于某种特殊目的而做出的贷款行为，信息不对称和信用评价缺失则是造成多数借贷主体出现偏向性好感的主要成因。在不健全的信用评价机制状况下，借款人的一些标签性信息就会发挥一定的信号传递作用，使得出借人在做出投资决策时，不能够正确地选择恰当的借款人，造成借贷市场匹配效率低下。

      在网络金融借贷市场，从理论上讲，互联网的飞速传播和信息处理技术的不断提高降低了借贷各方的信息不对称程度，提升了信用评价机制的边际效用，促成了借贷之间更合理的匹配(Mollick，2014)，与传统金融相比，这种新金融能够缓解借贷过程中的地区与学历偏好问题(Lin，Viswanathan和Prabhala，2012)。但事实上，我国的网贷市场只是经历了一段短暂的蓬勃发展期，信用评价机制并不健全，网贷市场中的借贷行为出现地区与学历偏好现象也在所难免，不过，随着信用评价机制的改善，这种现象必定会有所减缓。基于此，本文着重探讨不断完善的信用评价机制在网贷行为中是否对地区与学历偏好现象产生了抑制性。

      关于从地区与学历偏好性视角来探讨借贷市场中的投资行为问题，在既有文献中已存在一些类似研究，例如：王永进、盛丹(2012)分析了不同地区与所有制背景的企业在获得融资过程中的差异，发现来自发达地区与具有国企背景的企业获得融资的机会更多一些。Din(2005)与Bai，Lu和Tao(2006)的研究成果反映了不同学历层次和级别地位的企业家获得金融机构贷款的额度有所区别。Agrawal，Catalini和Goldfarb(2010)认为网络众筹融资渠道主要是发挥了自身巨大的互联网低成本交易优势，与传统金融融资方式相比，网络融资不存在地域上的选择性偏好。廖理、吉霖、张伟强(2015)的研究还发现高学历借款人的受教育程度使得他们具有一定的自我约束力，因而他们的还款记录或许较为优良，但是与普通学历借款人相比，高学历人群优先得到出借人投资的优势却并不是很明显。

      当然，还有一些文献从年龄、种族、共有特征角度研究了类似的问题，Barasinska和Schafer(2010)认为网络借贷中处于年龄段两端越大和越小的人群，考虑到生命周期因素，使得他们具备的收入能力有限，从而获得网络借款的成功率较低。Pope和Sydnor(2011)采用Prosper拍卖平台的数据，指出非裔美国人要比白人获得贷款的利率高，并且与其他种族人群相比，非裔美国人获得贷款的成功率更低一些。Ravina(2008)研究发现具有一些共同特征的人更容易获得借款融资，比如借款人与出借人具有共同的教育背景或学历层次，抑或是来自同样的地区和临近的区域，都会更加容易促使出借人产生投资好感。

      借贷市场中的地区与学历偏好问题在某种意义上可以衡量一个经济体的发展程度，也就是说，经济体越发达，社会信用评价机制越完善，地区与学历偏好问题就应该越不明显，在互联网借贷市场里，由于具有普适性质的信用评价机制飞速发展，地区与学历偏好所受到的抑制性会更为迅猛一些。从此话题视角出发，本文着重研究网贷市场中的地区与学历偏好存在性问题以及信用评价机制对其影响的趋向，进而为制定有关政策建议提供帮助。

      二、理论分析

      在网贷市场上，借款人与出借人之间掌握着不同的信息，二者之间最主要的问题就是信息不对称，网络虽然有利于借贷双方彼此进行信息匹配，但是随着交易范畴和交易对象的扩大，信息不对称问题可能会被放大得更为明显(陈霄，2014；Akerlof，1970)。本文借鉴Akerlof模型来探讨网贷中的信用评价在不同品质借款人与出借人之间借贷匹配成功的作用机制。

      假设市场上有一群出借人，每一个出借人的效用函数为：

      

      其中，G即为效用函数，

为出借人的网贷投资，L=1表示选择投资，L=0表示选择不投资，H是出借人对网贷平台可靠性和借款人品质的一种评价函数，S为借款人的个人信息和订单信息的描述程度，设定出借人的预算约束为：

      

      这里，

为出借人的收益，R为出借人愿意接受的利率，虽然出借人并不熟悉借款人的品质和能力，但可以通过借款人标示出的利率和平台给出的信用评价做出大体判断，假定期望所有借款人的平均品质为E(S)=Q，出借人投资一笔订单的期望效用为：

      

      其中，出借人借款时的效用若要有所提高，需满足如下情形：HQ＞R。

      同样，假设市场上有一群借款人，每一个借款人的效用函数为：

      

      这里，

为借款人的网贷借款，r=1表示借款失败，r=0表示借款成功，T为借款人对网贷平台的评价参数和从借款中获得效用的感受，R为借款人愿意给出的利率，文中设定借款人的借贷约束为：

      

      上式中，

为借款人的收入。若个人信息和订单信息S是公开有效的，那么借贷双方匹配成功，就都实现了各自的效用；若个人信息和订单信息S是不公开或为错误隐瞒的，那么借贷双方将无法实现共赢。将借款人的借贷约束代入其效用函数，即得出借款人订单筹款成功的期望效用为：

      

      这里，借款人要想借款成功，需满足以下情况：TS＜R。

      在网贷交易过程中，若出现借贷双方不能达成交易的问题，则主要是由于HQ≠TS。实际上，出借人会按照HQ＞R来决定是否对订单进行投资交易，但是，借款人个人信息和订单信息S的平均品质Q是由出借人根据借款人愿意出的利率R决定的。因此均衡利率实际上是参与了Q的决定过程，假定S为均匀分布，也即优质借款人和劣质借款人各占1/2，那么当R＞TS时，会导致优质借款人逐步退出网贷平台。不过由于优质借款人的还款率高，现实中的情况是优质借款人也有其他展示他们信用的方式，以便以较低的利率融资成本获得借款。Bester(1985)认为优质借款人在信用市场上通常会用担保抵押品和信用记录来传递其信用信号，而劣质借款人则会选择支付高额利息来弥补其较少的信用风险以便获取出借人的青睐。这样，不同的信用评价和信息描述记录(包括个人信息和订单信息)对优质借款人和劣质借款人获得借款成功所产生的影响就有很大差异。

      在网络借贷行为中，出借人一开始并无法获知借款人的信用品质，他们通常会基于常识与感知来判断自己投资于某个借款人的订单是否安全，比如会借助于借款人所属地区与拥有学历背景之类的外在标签。当借款人来自一些经济发达的地区时，出借人可能认为该订单所属人具有一定的资金周转能力和盈利能力；当借款人拥有高学历背景时，出借人也许认为该订单所属人具备正直的品德、勤奋的精神和优良的信誉(李焰等，2014)。当然，出借人做出投资决策时依赖的这种地区与学历偏好程度是基于市场上不健全的信用评价机制所完成的。也就是说，网络借贷发展的初期，会出现网贷平台对用户的信息和信用评价口径不一，以及出借人对借贷平台信用认证的信心缺乏等情形，使得网贷决策行为存在一些针对订单自身标签的偏好倾向；不过，随着网贷的有序发展，信用评价机制不断得到规范，信用认证越发可靠，出借人对信用评价的信心逐渐递增，会使得他们在网贷决策中不由自主地产生的地区与学历层次偏好问题不断得到缓解。也可以这样认为，信用评价机制的深入发展，会逐步抑制网贷过程中的地区与学历偏好，进一步地，若信用评价机制最终得到全面完善，那么就会使出借人的借贷决策依据真正依靠的是订单自身的项目融资、经营盈利和还贷能力等。

      三、研究变量、描述统计与模型

      “人人贷”网站平台①于2010年成立，该平台规定借贷利率不得超过银行贷款的4倍，2012年以后该平台对借贷利率有了新的规定。为了避免受到该措施的影响，本文选取2012年以后该网贷平台的交易数据，具体采用2012年1月—2015年5月的借款订单作为分析样本，共有大约18万个有效订单。在成功借款的订单中，去掉仍在还款、正在投标的订单，剩余16.38万个借款订单。

      借款人在申请借款时，网贷平台会要求用户提供一些个人信息，包括借款用途、性别、年龄、婚姻状况、受教育程度、生活城市、房产、车产，以及对借款详情的描述等。另外还需提供一些进行身份验证的信息，包括手机号、身份证号、户口和居住证明、征信报告证明、工作证复印件、收入证明、银行存折、驾驶证等。借款人将订单信息发布后，出借人可以参与投资竞标，投标总额达到订单筹款额，该订单即筹款成功。由于大多数订单样本聚集在10万元以下，因此，本文把筹款额在10万元以内的借款订单作为主要研究对象。

      (一)研究变量

      因变量包括，借款成功率(succ)：订单最终成功筹集到资金，该变量为虚拟变量，成功记为1，失败记为0。借款利率(intr)：借款人对订单设定的利率，2012年以后“人人贷”平台规定利率上限范围在24%以内。竞标人次(bids)：一个订单参与投资的出借人个数。竞标时长(bidt)：订单成功募集到资金所用的时间，往往会在几个小时内可以完成，用分钟来表示，文中取对数。

      主要解释变量包括，借款金额(lnmone)：“人人贷”平台规定贷款必须是0.3万～50万元之间，且只能是50元的倍数，回归中为了解决异方差问题，对其取对数。借款期限(term)：借款人订单的借款期限最短为1个月，通常有3、6、9、12、18、24个月。信用(cred)：网贷平台会根据用户的信息描述、信用认证情况和借贷交易记录给出每个人的信用得分，共有7个级别，HR=1、E=2、D=3、C=4、B=5、A=6、AA=7，其中HR是信用级别最差的得分。本文分析时，根据计算所需，选取HR、D、B、AA级的信用得分进行分组。年龄(age)：即借款人的年龄，统计发现参与网贷行为的大多数用户在22～50岁之间。性别(sex)：当借款人是男性时为1，是女性时取0。婚姻(mar)：已婚、离异和丧偶状态取值为1，未婚状态取值为0。工作时长(work)：为借款人的工作年限，工作1年以内取值为1，工作1～3年取值为2，工作3～5年取值为3，工作5年以上取值为4。月收入(inco)：当月收入在0.1万元以下、0.1万～0.2万元、0.2万～0.5万元、0.5万～1万元、1万～2万元、2万～5万元、5万元以上时，分别取值为1、2、3、4、5、6、7。地区层次(regi)：根据网站提供的用户生活城市和工作地点，将所属地区归类为一类地区、二类地区、三类地区、四类地区，②分别取值为4、3、2、1。学历层次(educ)：根据网站提供的用户受教育程度，将借款人所属学历归类为研究生及以上、本科、专科、高中及以下，分别取值为4、3、2、1。

      (二)变量描述

      表1给出了变量的描述统计情况。从表1中可以看到如下情形，全部借款中只有23.7%的借款订单成功募集到资金，平均借款利率为16.9%，最低借款利率和最高借款利率分别为5.1%和24.2%，订单的竞标人次平均为34.51，竞标时长为41分钟，借款金额的对数值为13.72，借款期限大约在16个月左右，信用平均值为2.896，介于E和D信用得分之间，借款人的平均年龄为30岁，男性多于女性，已婚状态多于未婚状态，平均参加工作3～5年，月收入在0.5万-1万元区间较为普遍。

      

      另外，根据地区与学历层次对样本进行分组的统计情况如表2所示。从地区层次分组来看，随着地区经济发达程度的降低，借款订单成功率逐渐减少，均值依次为0.4271、0.3367、0.2443、0.1808，利率大体是在抬升，均值依次为15.42、18.41、16.73、20.39，竞标人次和竞标时长的变化趋势分别与订单成功率和利率相仿；从学历分组来看，随着学历背景水平的下降，竞标人次逐渐减少，均值依次为41.38、30.42、18.48、8.96，竞标时长基本在上升，均值依次为269.05、271.43、305.72、311.64，订单成功率和利率的变化趋势分别与竞标人次和竞标时长大体一致；此外，值得注意的是，信用得分降低趋势相应会与订单成功率降低、利率提高、竞标人次降低、竞标时长增加的趋势相一致。当然，从简单的描述统计可以看出，大多数借款人的信用得分在D级以下。

      

      (三)计量模型

      判断网贷行为中是否存在地区与学历偏好，最主要是看不同地区与学历层次的借款人之间订单筹款成功的差异性，但是订单筹款成功还受到其他一些因素的影响。因此在考虑地区与学历对订单筹款的影响时，还需要控制一些其他变量。为了验证信用评价在网贷行为中对地区与学历偏好的抑制性，本文将依据借款人的信用得分进行分组，若随着信用得分和评价的提升，地区与学历对订单筹款的影响越来越不明显，则表明出借人的投资决策受借款人的地区与学历偏好影响的作用效果不断削弱，即信用评价机制抑制了网贷投资行为中的地区与学历偏好。本文借鉴王会娟、廖理(2014)的研究成果，构建实证模型如下：

      

      其中，因变量Y依次为筹款订单的成功率(succ)、利率(intr)、竞标人次(bids)、竞标时长(bidt)，核心解释变量是地区(regi)、学历(educ)，其他因素为一般解释变量。

      四、研究过程

      (一)基本分析

      下面将以订单的成功率、利率、竞标人次、竞标时长为研究对象，考察出借人对借款人的地区与学历偏好程度。回归结果如表3所示。

      

      表3中的模型(一)为订单成功率是否受地区与学历偏好影响的估计结果，借款人所属地区对订单成功率的影响系数为0.385(在1%水平上显著)，借款人学历对订单成功率的作用系数为0.418(在1%水平上显著)，反映了借款人所属地区每提高一个级别，学历每提高一个层次，促使订单成功率分别提升0.385和0.418。这说明了借款人所属地区越发达，其拥有学历越高，越容易受到出借人关注，获得贷款的概率越大，尤其是在不考虑借款人的信用评价情况下，借款人所属地区和学历传递的信号更容易左右出借人的投资决策。

      模型(二)为订单利率受地区与学历影响的估计结果，借款人所属地区对订单利率的作用系数为-0.213(在1%水平上显著)，借款人学历对订单利率的影响系数为-0.320(在1%水平上显著)，表明借款人所属地区发展程度每提高一个级别，拥有学历每提高一个层次，促使订单利率分别降低0.213和0.320。这意味着在不考虑借款人的信用评价情况下，借款人所属地区越发达，其拥有学历越高，出借人越容易接受借款人为订单设置的偏低利率。

      模型(三)为订单竞标人次受地区与学历偏好影响的估计结果，借款人所属地区对订单竞标人次的影响系数为4.261(在1%水平上显著)，借款入学历对订单竞标人次的作用系数为3.258(在1%水平上显著)，反映了借款人所属地区每提高一个级别，拥有学历每提高一个层次，将导致借款订单分别提高大约4个和3个竞标人次。这表明订单竞标人次分别与借款人所属地区和学历成正比，在不清楚借款人信用的情况下，出借人更愿意投资给那些来自经济发达地区和具有高学历的借款人。

      模型(四)为订单竞标时长受地区与学历影响的估计结果，借款人所属地区对订单竞标时长的作用系数为-1.326(在1%水平上显著)，借款人学历对订单竞标时长的影响系数为-0.894(在1%水平上显著)，表明借款人所属地区发展程度每提高一个级别，拥有学历每提高一个层次，将促使订单竞标时长分别降低1.326和0.894。这表明订单竞标时长分别与借款人所属地区和学历成反比，在不清楚借款人信用的情况下，来自经济发达地区和拥有高学历的借款人订单由于更容易受到大多数出借人的青睐，因此募集筹款所需要的竞标时间较短。

      由模型(一)、(二)、(三)、(四)订单的成功率、利率、竞标人次、竞标时长检验结果可以看出，出借人的投资决策行为对借款人的地区与学历具有一定的偏好，来自经济发达地区和拥有高学历的人群订单更容易吸引出借人投资，能够较好地完成订单的竞标过程。同时，从表3中还可以发现，借款金额越多，订单募集成功率越低，融资利率提高，需要有更多的出借人投资，也需要有更长的竞标时间才能完成订单。借款期限越短，越容易融资成功，利率也会越高，不过较长的借款期限需要有更多的出借人竞标以及需要更长的竞标时间才能完成该订单。当然，如果借款人具有年龄大、月收入高、为男性这些特征，那么其订单就容易筹款成功，吸引更多的人次竞标，同时如果设置的融资利率高，那么订单募资过程就会迅速完成。参加工作时间长和具有已婚特征的借款人则有助于降低出借人对其设置过高利率的期望。

      (二)划分借款人在不同信用情形下的进一步分析

      在网络借贷行为中，借款人的信用信息描述，对出借人做出投资决策具有一定的影响，不过每个出借人对借款人信用信息描述的判断却是因人而异。在这种不完善的信用信息评价机制下，出借人对借款人的地区和学历存在一定的投资偏好也是人之常情，那么就有必要探讨在网贷平台给出借款人的信用得分情形下，出借人的投资决策是否有变化，尤其是该信用评价信息是否会影响到投资人对借款人地区与学历偏好的决策行为?接下来本文依据“人人贷”平台给出的借款人信用得分对样本进行分组，选出HR级、D级、B级、AA级信用得分的借款人信息，验证投资人的决策是否存在对地区与学历偏好的异质性。

      表4为在HR级、D级、B级、AA级信用得分情形下订单成功率受借款人所属地区与学历层次偏好影响的估计结果。从中可以看出，借款人所属地区对订单成功率的作用系数在不同信用得分情形下分别为0.289(在5%水平上显著)、0.118(在5%水平上显著)、0.064(在10%水平上显著)、-0.143(不显著)；借款人学历对订单成功率的作用系数在不同信用得分情形下分别为0.415(在1%水平上显著)、0.205(在5%水平上显著)、0.113(在10%水平上显著)、-0.062(不显著)。这表明随着信用得分越来越高，当出借人对借款人的信任度表现增加时，在决策行为中对借款人的地区和学历偏好就没有那么强烈，说明信用评价机制确实抑制了投资决策中对借款人的地区与学历偏好。同时，可以看出，在同一信用得分水平下，订单成功率与借款金额和借款期限负相关，表明借款金额越多，借款期限越长，订单募资成功可能性相对越低。从借款人的其他特征来看，出借人更倾向于投资那些年龄大一些、已婚、月收入较高的借款人订单。

      

      表5为在HR级、D级、B级、AA级信用得分情形下订单利率受借款人所属地区与学历偏好影响的估计结果。从中可以看出，借款人所属地区对订单利率的作用系数在不同信用得分情形下依次分别为-2.342(在1%水平上显著)、-1.785(在5%水平上显著)、-0.361(在5%水平上显著)、0.677(不显著)；借款人学历对订单利率的作用系数在不同信用得分情形下依次分别为-3.167(在1%水平上显著)、-1.908(在5%水平上显著)、-0.845(在5%水平上显著)、0.905(不显著)。这表明在低信用得分情形下，地区和学历层次的提升有助于降低借款人的利率，而在高信用得分情形下，当出借人从其他方面了解到的信息有助于强化其对借款人的信任度时，借款人的地区和学历层次提升则无助于为其赢得一个更为便宜的融资利率。从其他变量来看，借款金额越多，借款期限越长，利率越高，随着信用得分的提升，出借人可以接纳逐渐降低的借款订单利率。另外，月收入高和年龄较大的借款人通常会设置较高的订单利率。

      

      表6为在HR级、D级、B级、AA级信用得分情形下订单竞标人次受借款人所属地区与学历层次影响的估计结果。从中可以看出，借款人所属地区对订单竞标人次的作用系数在不同信用得分情形下分别为5.261(在1%水平上显著)、3.204(在1%水平上显著)、1.063(在5%水平上显著)、-0.068(不显著)；借款入学历对订单竞标人次的作用系数在不同信用得分情形下分别为4.378(在1%水平上显著)、2.061(在1%水平上显著)、0.983(在5%水平上显著)、-0.130(不显著)。这表明随着信用得分的提高，地区与学历偏好对订单竞标人次的影响越来越弱，侧面反映了随着出借人对借款人的信用信息掌握得越来越多，出借人就会越来越不看重其来源地区的经济发展水平和拥有学历的层次水平。另外，借款金额越多、借款期限越长的订单就越需要更多的竞标人次才能完成订单筹款，借款人具有已婚、月收入较高和参加工作时间长这些特征会有助于吸引更多的出借人参与投资其订单。

      

      表7为在HR级、D级、B级、AA级信用得分情形下订单竞标时长受借款人所属地区与学历层次影响的估计结果。从中可以看出，借款人所属地区对订单竞标时长的作用系数在不同信用得分情形下分别为-2.508(在1%水平上显著)、-2.116(在1%水平上显著)、-1.407(在5%水平上显著)、-0.369(不显著)；借款人学历对订单竞标时长的作用系数在不同信用得分情形下分别为-3.464(在1%水平上显著)、-3.125(在5%水平上显著)、-2.063(在5%水平上显著)、-0.954(不显著)。这表明在信用提升的过程中，D级信用得分以下(包括HR级、E级、D级)，借款人所属地区发展程度和学历每提高一级，借款订单的竞标时长会明显降低很多，在B级信用得分区域，投资人并没有快速选择参与竞标那些所属发达地区与学历高的借款人订单，实际上，在AA级信用得分以上，订单竞标时长的降低程度与借款人所属的地区和学历偏好已经没有明显正向显著关系。此外，借款金额大和借款期限长的订单均需要较长的竞标时间才能完成筹款，已婚和月收入较高的借款人订单所需要的竞标时长相对要短一些。

      

      从地区与学历对借款订单成功率、利率、竞标人次、竞标时长的影响结果来看，随着信用得分的提高，出借人对借款人的信任度得到提升，出借人的决策行为受借款人所属地区与学历偏好的影响越来越小。也就是说，网络借贷过程中的信用机制有助于出借人更加客观地评价借款人的借款行为，有效地抑制了心理上的地区与学历偏好。实际上，信用评价提供给出借人的是一个综合性的科学评判信息，它会极大地降低网络借贷的信息不对称性和交易风险。

      (三)划分在不同借款额度和不同交易时间段的扩展分析

      事实上，不同信用评价的借款人意味着出借人对其偏好程度会有差异，尤其是在信用得分不高情形下，借款人的地区与学历层次更会影响出借人的决策行为，不过随着信用评价机制的完善，借款人所属地区和学历层次对出借人的决策偏好影响会逐渐降低。另外，借款额度可能会影响出借人对借款订单成功率和利率的判断，借款订单提交时间也会对竞标人次和竞标时长产生影响(廖理、李梦然、王正位，2014)。因此，本文接着从不同借款额度和不同交易时间段对该结论做扩展验证分析。③

      表8、表9、表10、表11是考察0～5万元和10万～50万元借款额度情况下，借款人的地区与学历层次对订单成功率和利率的影响结果。当订单借款额度为0～5万元以及信用得分在B级时，借款人的地区和学历层次对订单成功率的影响系数分别为0.056(在10%水平上显著)、0.043(在10%水平上显著)，显著性明显大大降低，借款人的地区和学历对订单利率的影响系数分别为-0.338(在10%水平上显著)、-0.114(不显著)，基本不明显了，也就是说，信用得分程度在B级以上，订单成功率和利率已经几乎不受地区和学历的影响，若借款人的信用得分达到B级以上，就有可能完全抑制了出借人做出投资决策时考虑的订单所属人的地区与学历偏好。当订单金额在10万～50万元之间以及信用得分在D级时，借款人的地区和学历层次对订单成功率的影响系数分别为0.082(不显著)、0.199(在10%水平上显著)，借款人的地区和学历层次对订单利率的影响系数分别为-1.319(在10%水平上显著)、-1.961(在10%水平上显著)，而信用得分在B级时，借款人的地区和学历层次对订单成功率和利率的影响则完全不显著，表明D级信用得分已经极大地抑制了出借人对10万～50万元借款订单所属人的地区与学历偏好。

      

      表12、表13、表14、表15是考察订单交易低峰时间段晚21点——次日早9点和交易高峰时间段早9点——晚21点情况下，借款人的地区与学历层次对订单竞标人次和竞标时长的影响结果。当订单交易在低峰时间段晚21点——次日早9点以及信用得分在B级时，借款人的地区和学历层次对订单竞标人次的影响系数分别为0.473(在10%水平上显著)、0.932(在10%水平上显著)，借款人的地区和学历对订单竞标时长的影响系数分别为-0.105(在10%水平上显著)、-0.834(在10%水平上显著)。这表明借款人信用在B级得分以上时，出借人对借款人的地区与学历偏好大大降低，这类订单的竞标人次增多，所需要的竞标时长也大为减少。当订单交易在高峰时间段早9点——晚21点以及信用得分在D级时，借款人的地区和学历层次对订单竞标人次的影响系数分别为1.940(在5%水平上显著)、2.152(在5%水平上显著)，借款人的地区和学历对订单竞标时长的影响系数分别为-2.167(在10%水平上显著)、-3.644(在10%水平上显著)，显著性均较低；而借款人信用在B级得分时，借款人的地区和学历层次对订单竞标人次和竞标时长的影响已经完全不显著了。也就是说，信用得分从D级上升到B级，信用评价信息已经对借款人的地区与学历偏好产生了很大的抑制作用。

      通过划分不同借款额度和不同交易时间段地区与学历对订单的成功率、利率、竞标人次、竞标时长产生影响的结果发现，信用评价信息的提升，尤其是当信用得分从D级跨越到B级阶段，借款人的地区与学历层次对订单的成功率、利率、竞标人次、竞标时长的影响效果越来越不明确。也可以这样讲，出借人对此类订单所属人的地区与学历偏好不再敏感，或者说有效地抑制了信息不对称情况下网贷行为中的地区与学历偏好。

      

      

      五、结论与启示

      在网络借贷发展的很长一段时期里，借款人的信息描述和网贷平台的信息核实对借贷双方的决策行为至关重要。网贷交易平台通过对借款人赋予信用得分所建立的信用评价机制，有效地降低了出借人对借款人的标签性信息(地区与学历)偏好程度。

      研究表明：(1)在信用评价机制不健全情况下，出借人会对不同地区和学历层次的借款人表现出相应的偏好性，主要表现为借款人的地区与学历层次对订单的成功率和竞标人次产生正向影响，即出借人更倾向于投资那些来自发达地区和拥有高学历借款人的订单，并且有更多的出借人愿意参与竞标；借款人的地区与学历层次对订单的利率和竞标时长产生负向影响，即出借人更愿意接受那些来自发达地区和拥有高学历借款人的较低利率的订单，并且该类订单所需要的竞标时长也很短。(2)随着信用评价机制的完善，在信用得分提高的过程中，借款人的地区与学历层次对订单的成功率和竞标人次产生的正向影响越来越不明显，借款人的地区与学历层次对订单的利率和竞标时长产生的负向影响同样也越来越不显著，即出借人并不会再过分偏好关注借款人的地区与学历层次，借款人的地区与学历优势所受到的优待也会越来越不明显，信用评价机制确实抑制了网贷决策中对借款人的地区与学历偏好。(3)通过做扩展分析，在考察不同借款额度区间0-5万元、10万-50万元情形下订单成功率和利率受借款人的地区与学历层次的影响效果，以及不同网上交易低峰时间段晚21点—次日早9点、高峰时间段早9点—晚21点情形下订单竞标人次和竞标时长受借款人的地区与学历层次的影响效果发现，在D级或B级信用得分阶段，出借人对借款订单所属人的地区与学历偏好所产生的抑制作用效果最为突出。

      信用评价机制对解决网贷的信息不对称性和交易风险具有重要作用。网络借贷与传统借贷的最大区别就是网贷过程中的交易成本和信息不对称性会有极大的降低，借贷匹配效率和小额借贷成功率有了明显的提升。可以说，互联网改变了金融借贷的模式和渠道，但是网络借贷本身发展的时间并不长，经济学家对其评价也是褒贬不一，关注焦点仍然是其网络交易安全风险以及网贷平台对借贷信息的核实能力。目前，传统金融存在借贷市场的压抑性，而网络借贷则在日新月异地发展变化着，这种变化导致其更加丰富了金融借贷方式的多元化成长。因此，借着“互联网+”产业链的兴起，我们应该鼓励网络借贷创新活动，促进各种网贷平台之间充分竞争，同时还要规范网贷行业标准，防范网贷安全风险，提供差异化借贷服务，有效地推动金融体制改革。

      信用评价机制是网贷双方尤其是对借款方考评因素的重要组成部分。一方面，当前的信用评价机制是由网贷平台自己制定的，各个网贷平台之间的信用评价标准也是差异很大，尤其是在对借款人的信用记录和信用信息的核实方面存在很大的出入；另一方面，借款人在各个网贷平台描述不同的借款订单信息和自身信用信息，无疑加大了网贷中的交易成本和信息统一管理问题，扰乱了网贷平台的信息审核方式。对此，严格规范网贷平台的信用评价机制和借款人在各个平台的关键信息共享机制，对网贷行为的健康有序发展具有重要作用。政府机构可以引导成立网络借贷协会，操作制定信用评价机制和借款人订单项目关键信息共享机制。这些机制在网贷行为中都会极大地削弱出借人印象中借款订单所属人的标签式偏好，提高网络借贷的匹配效率。从长远来说，还需要引入金融借贷考评的信用体系，包括扩大当前央行征信内容的适用性和开放性，拓展征信内容、信用记录与网络信用评价机制的衔接，最终形成一个更加具有广泛意义和普适性质的信用评价机制体系。

      作者感谢匿名审稿人提出的宝贵意见和建议，同时感谢北京大学互联网金融研究中心、国家发展研究院黄益平教授和西安交通大学经济与金融学院魏玮教授为本文所做的指导工作。当然，文责自负。

      ①目前，“人人贷”网站平台主要公布了借款订单及所属人的一系列详细信息，以便出借人做投资决策时进行参考，而出借人的信息并不公开。因此，本文研究中没有展示出借人的自身特征及其与借款人特征之间的关系。另外，在横截面设计过程中，为了研究主题更加明确，本文着重关注借款人的所属地区与学历变量，因而没有对借款人的其他特征进行详细考察。

      ②结合国发[2000]33号文件，本文将全国31个省市区(不含港澳台)依据发展层次划分为以下几类。一类地区：东部沿海地带有北京、上海、广东、天津、江苏、浙江、福建、山东、海南；二类地区：东北地带有辽宁、吉林、黑龙江；三类地区：中部地带有河北、山西、河南、湖北、湖南、江西、安徽；四类地区：西部地带有重庆、四川、陕西、内蒙古、云南、贵州、广西、新疆、甘肃、宁夏、青海、西藏。

      ③由于篇幅所限，这里表8～表15只列出了核心考察变量的影响结果。

标签：信用评价论文;  出借人论文;  网贷论文;  信用政策论文;  投资论文;  信用论文;