摘要:P2P网络借贷的在我国的发展已经形成一定的规模。本文选取“拍拍贷”平台的历史交易数据作为研究样本,同时将股票价格指数因素引入交易影响因素研究中,基于Logit回归分析,研究发现:股票价格指数对网络借贷交易有显著正向影响,该研究结果对P2P网络借贷平台的发展具有一定的借鉴意义。 关键字:P2P;网络借贷;交易行为;Logit回归分析 P2P(Person-to-Person)网络借贷,是一种以互联网技术为媒介而形成的新型民间借贷模式,它将借款人和放款人联系在一起,在一定程度上缓解了中小企业及个人的融资难问题。P2P网络借贷在我国发展至今已经是第八个年头了,据统计截至2015年12月,我国P2P网络借贷平台数量累计有3858家,其中正常运营平台有2595家,环比下降0.65%。虽然国内网络借贷平台的数量在不断地增加,但据汇付天下发布的报告显示:P2P平台的交易成功率偏低,只有34.3%。国内外目前针对影响网络借贷交易成功率的研究,多是从平台内部因素出发,通过平台的交易数据或问卷调查数据进行分析,鲜有学者考虑股市等平台外部环境因素对网络借贷交易的影响。因此,本文将探讨影响P2P网络借贷交易的主要因素,并检验股市对网络借贷市场的影响作用。 1、文献回顾 P2P网络借贷发展至今,仍然处于不够成熟的阶段,但其快速扩张的发展势头却受到众多学者的关注。网络借贷交易的参与者所关注的最基本问题就是交易结果如何、交易能否成功,因此对网络借贷交易的影响因素研究是一个研究的焦点。 国外学者对于网络借贷交易的实证研究已经取得了许多成果。Klafft[1]选取美国最大网络借贷平台Prosper的真实交易数据,研究发现借款人的信用评级对网络借贷交易成功率的影响最大;Lee[2]选取韩国最大的P2P网络借贷平台中大量的实时交易数据,采用多项Logit模型研究证明了P2P网络借贷市场存在着羊群效应,并且发现贷款人群体的羊群行为存在边际递减规律。Lin[3]等以美国的Prosper网络借贷平台数据为研究样本,研究发现社会资本如借款人的朋友关系网和社会信息对网络借贷交易的成功率有正向影响,不仅能够降低借款成本,并且违约率相对较低。 国内对于P2P网络借贷平台的实证研究也逐渐丰富。宋文等[4]以“拍拍贷”平台的数据为研究样本,发现借款利率和借款期限对出借者的出借意愿有显著影响,其中信任变量是影响出借意愿的最重要因素。温小霓等[5]以拍拍贷平台为例,采用二元logistic回归模型研究影响网络借贷交易成功率的因素,研究表明借款利率、借款金额、失败次数、成功次数等均对网络借贷交易结果有显著影响。 总体来说,国内外学者在实证研究中都是选取平台的交易数据作为研究样本,鲜有学者考虑平台以外的因素。随着股市的动荡,网贷市场的交易额也出现较大波动,众多业内人士纷纷预测股市波动将会增加网贷市场交易额。因此,本文推测股票价格指数的提高会对网贷交易有正向促进作用。 综上所述,本文以“拍拍贷”平台的交易数据为基础,构建影响网贷交易的模型,研究股市对网贷交易的影响。在模型构建中,同时考虑平台的个人信息、标的信息、信用信息、历史借款信息对P2P网贷交易的影响。 2、研究设计 2.1 数据来源 为确保实证研究的有效性,本文在“拍拍贷”平台上随机选取了555位不同用户的历史交易数据进行实证分析。股市的数据,来源于中国人民银行。 2.2 变量定义 股市的主要指标是股票价格指数,本文选取的是期末收盘的上证综合指数作为股票价格的代表。张彬[6]等学者都曾在实证研究中使用上证综指作为股票价格。 从“拍拍贷”平台上选取的个人信息、标的信息、信用信息和历史借款信息,以及股市的变量说明如下。 个人信息:年龄(Age),分为20-25岁、26-31岁、32-38岁和39岁以上4个年龄段,分别赋值1、2、3、4;性别(Gender),男性赋值为1,女性为0。 标的信息:借款金额(Amount),借款人发布的借款项目中所需要的金额;借款利率(Interest),借款人发布借款项目时自身愿意接受的利率;借款期限(Time),借款人发布的借款项目的借款期限;逾期赔付标(Indemnity),借款人发布标的时的选择,“是”为1,“否”为0。 信用信息:列表安全等级(Level),分为F、E、D、C、B、A、AA、AAA,共8级,等级依次赋值为1-8。 历史借款信息:成功借款次数(Success) ,借款人以往在平台上借款成功的总次数;流标次数(Fail) ,借款人以往在平台上借款失败的总次数。 股市:股票价格指数(SI),使用上证综指作为股票价格。 2.3 模型构建 网络借贷交易的最终结果表现为借款完成和流标两种情况,本文将借款是否成功作为因变量,来研究影响网贷交易的主要因素。本文将借款成功记为1,流标记为0,并选择二元Logit模型来研究多个自变量对P2P网络借贷交易结果的影响。本文建立的Logit回归模型如下:
其中,P(Y=1)为交易成功,P(Y=0)为流标,为随机扰动项,β0为常数项。 2.4 数据的描述统计 变量的描述性统计如表1所示。在个人信息方面,网络借贷平台的男性用户多于女性,26-31岁这一年龄段的用户较多。在标的信息方面,平均借款金额为5118元,说明了网络借贷的“小额”特点;平均借款利率为13.25%;平均借款时间为7.092个月。 从统计特征可以看出借款金额和股票价格指数两个变量的数值较大,在数据处理过程会出现异常,因此对以上数据进行对数处理来减少异常值的影响。 表1 变量的描述性统计 Variable | Mean | Min | Max | Y | 0.879 | 0 | 1 | Gender | 0.771 | 0 | 1 | Age | 2.481 | 1 | 4 | Success | 10.74 | 0 | 90 | Fail | 0.944 | 0 | 11 | Level | 6.085 | 1 | 8 | Interest | 13.25 | 7 | 24 | Amount | 5118 | 1000 | 200000 | Time | 7.092 | 1 | 12 | Indemnity | 0.611 | 0 | 1 | SI | 3112 | 2202 | 4612 |
3、实证分析与结果 本文模型所选择的自变量有10个,在研究中选择逐步回归,并选用后退法筛选出最终有影响的变量,逐步回归时选入变量的p值为0.05,剔除变量的p值为0.1。回归结果如表2所示。 表2 网络借贷交易影响因素实证结果 | (1) | (2) | Indemnity | 1.463*** | 1.935*** | | (2.90) | (3.47) | Amount | 0.862** | 0.811** | | (2.32) | (2.21) | Gender | 0.670* | 0.767* | | (1.65) | (1.87) | Interest | 0.326*** | 0.377*** | | (4.81) | (5.07) | Success | 0.0770*** | 0.0741*** | | (3.76) | (3.72) | Fail | -0.815*** | -0.763*** | | (-7.13) | (-6.92) | Level | 0.601*** | 0.578*** | | (4.40) | (4.06) | SI | | 2.975*** | | | (2.92) | _cons | -13.77*** | -38.08*** | | (-3.87) | (-4.10) | Pseudo R2 | 0.3955 | 0.4179 |
t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 模型(1)是平台基本交易变量对网络借贷交易的影响结果;模型(2)是将股票价格指数加入模型,结果显示股票价格指数对交易结果有显著的正向影响。 通过以上分析,模型(2)的解释力度更高。 (1)由模型(2)可知,股票价格指数对网络借贷交易存在显著的正向影响,股票价格指数对网络借贷影响。 (2)在影响交易的平台基本信息中,对网贷交易影响最大的是逾期赔付标,呈显著的正向影响;其次是借款金额,呈显著正向影响;然后是性别、列表安全等级、借款利率和成功借款次数,均呈显著的正向影响;历史流标次数,呈显著的负向影响。这些研究结论均与以往学者的研究结果一致。 (3)年龄、借款期限两个变量没有通过显著性检验,借款期限对网贷交易没有影响。 4、结论 本文在借鉴国内外研究学者对P2P网络借贷研究的基础上,首次考虑了股市对网络借贷交易的影响,并建立模型进行了研究。研究结果肯定了以往学者关于网络借贷交易信息中的个人信息、标的信息、信用信息、历史借款信息等因素对交易结果的显著影响,重要的是,通过研究发现股市对P2P网络借贷交易的成功有显著影响,丰富了网络借贷交易影响因素的相关研究,同时对P2P网络借贷交易市场的健康发展具有一定的实践指导意义。
参考文献 [1] Klafft, M. Peer to Peer Lending: AuctioningMicrocredits over the Internet. Proceedings of the 2008 Int’l Conference onInformation Systems, Technology and Management (pp. 1-8). Dubai: IMT. [2] Lee E , Lee B. Herding behavior in online P2Plending : An empirical investigation [J]. Electronic Commerce Research andApplications,2012,11(5):495-503. [3] Lin,M.F.,Prabhala ,N.R.,and Viswanathan,S.,2013. Judging Borrowers by the Company They Keep:FriendshipNetworks and Information Asymmetry in Online Peer-to-Peer Lending [J]. ManagementScience,(1):17-35. [4] 宋文.P2P 网络借贷中投资者出借意愿影响因素分析[J].西南民族大学学报(自然科学版),2013,05:795-799. [5] 温小霓,武小娟.P2P网络借贷成功率影响因素分析--以拍拍贷为例[J].金融论坛,2014,03:3-8. [6] 张彬.利率调整对股票价格的影响实证研究[J].合作经济与科技,2012,15:65-66. 作者简介: 王小宁,博士,副教授,西安石油大学经济管理学院,主要从事电子商务与网络经济等方面的教学与研究工作。 张盼,研究生,西安石油大学经济管理学院管理科学与工程专业。 郑蕊,博士,讲师,西安石油大学经济管理学院,主要从事金融学、投资学的教学与研究工作。
|