利率市場(chǎng)化背景下P2P網(wǎng)貸成交量的影響因素

余少輝++劉陽++李成峰

摘要：隨著中國利率市場(chǎng)化改革的不斷深入，以及經(jīng)濟(jì)下行壓力和平臺(tái)合規(guī)成本的上升等因素的影響，國內(nèi)網(wǎng)貸行業(yè)綜合利率持續(xù)下降。影響P2P平臺(tái)日成交量變化的因素有哪些？這些因素與日成交量的變化有怎樣的關(guān)聯(lián)？以陸金服平臺(tái)數(shù)據(jù)分析利率與日成交量的相關(guān)關(guān)系，通過建立多元線性回歸模型實(shí)證分析，發(fā)現(xiàn)：投資人數(shù)、借款人數(shù)和平均借款期限對(duì)日成交量具有顯著正相關(guān)關(guān)系；借款利率與日成交量具有分段相關(guān)性，利率處于較高水平時(shí)，其與日成交量具有較低的正向相關(guān)性，利率處于較低水平時(shí)，其與日成交量具有顯著的負(fù)相關(guān)關(guān)系；因此不同的時(shí)期應(yīng)重點(diǎn)關(guān)注不同的影響因素，促進(jìn)網(wǎng)貸平臺(tái)健康可持續(xù)發(fā)展。

關(guān)鍵詞：P2P平臺(tái)；利率市場(chǎng)化；信息不對(duì)稱；網(wǎng)貸成交量

中圖分類號(hào)：F83文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.19311/j.cnki.16723198.2017.32.062

1引言

目前，我國金融行業(yè)正快速發(fā)展，P2P作為一種近年來出現(xiàn)的互聯(lián)網(wǎng)金融新模式，正急速成長(zhǎng)。截至2016年7月底，P2P歷史累計(jì)成交量為23904.79億元，2016年累計(jì)成交量就突破10000億元，是2015年的2.68倍。P2P成為民間借貸的重要渠道與平臺(tái)，有效改善了資本的配置效率。但是，P2P平臺(tái)也開始面臨挑戰(zhàn)。目前，利率市場(chǎng)化改革不斷加快，逐步形成由市場(chǎng)需求與供給來決定金融機(jī)構(gòu)存貸款利率的市場(chǎng)利率體系。面對(duì)利率市場(chǎng)化沖擊，競(jìng)爭(zhēng)加劇，不少P2P企業(yè)開始逐步下調(diào)利息，收益率從15%下降達(dá)如今8%-9%。

近年來頻頻發(fā)生的P2P平臺(tái)跑路事件，使得投資者進(jìn)一步加劇了對(duì)平臺(tái)風(fēng)控能力的擔(dān)憂，一些擁有強(qiáng)大風(fēng)控能力的平臺(tái)更受到投資者的關(guān)注。而且，國家層面的監(jiān)管開始加強(qiáng)，2016年發(fā)布管理辦法明確P2P平臺(tái)角色，將個(gè)人和法人在同一平臺(tái)的借款余額限定在了20萬和100萬。平臺(tái)逐步開始轉(zhuǎn)型，優(yōu)勝劣汰趨勢(shì)明顯。本文將在利率市場(chǎng)化這一背景下對(duì)P2P成交量的影響因素進(jìn)行定量的實(shí)證研究，以具有典型性的P2P平臺(tái)——陸金服作為研究對(duì)象，分析各影響因素的變化對(duì)日成交量的時(shí)間演化路徑，為轉(zhuǎn)型中的平臺(tái)提供借鑒思路。

2文獻(xiàn)綜述

國內(nèi)有關(guān)P2P的研究中，主要是研究監(jiān)管模式、發(fā)展路徑、利率及成交量影響因素研究為主。金家棟（2016）提出加強(qiáng)監(jiān)管、去問題平臺(tái)、降不良貸款來推動(dòng)P2P可持續(xù)發(fā)展。降富樓等（2016）提出，銀行利率仍然是主導(dǎo)P2P網(wǎng)貸利率的主要因素，同時(shí)市場(chǎng)力量對(duì)P2P利率的影響也不容忽視，張立煒（2016）提出百度指數(shù)對(duì)平臺(tái)成交量有正向影響，且存在滯后效應(yīng)。陸松新（2015）通過研究風(fēng)險(xiǎn)投資，第三方資金監(jiān)管對(duì)成交量的影響，結(jié)果表明，法律與監(jiān)管缺位下，這些因素對(duì)成交量不顯著。李振磊（2016）研究經(jīng)營特征要素對(duì)P2P成交量的影響，研究結(jié)論是由于征信體系不完善，風(fēng)險(xiǎn)準(zhǔn)備金對(duì)交易額沒有顯著影響。

國外研究特別關(guān)注風(fēng)險(xiǎn)控制方面，Yanhong Guo等（2016）用數(shù)據(jù)挖掘的方法對(duì)P2P平臺(tái)的信用風(fēng)險(xiǎn)評(píng)價(jià)及投資決策進(jìn)行了研究。Riza Emekter等（2015）發(fā)現(xiàn)信用等級(jí)，債務(wù)收入比以及FISO評(píng)分都會(huì)對(duì)影響貸款是否出現(xiàn)違約。對(duì)高風(fēng)險(xiǎn)的借款人實(shí)行高利率并不能減少其貸款違約的可能性，重要的是平臺(tái)需要吸引高信用評(píng)分的借款人。Ravina （2012）發(fā)現(xiàn)在美國Prosper中，女性更容易獲得貸款，而且借款人的照片越清晰，越美貌貸款成功越高，借款利率也越低。但是在德國的調(diào)研中未發(fā)現(xiàn)性別歧視現(xiàn)象。

本文在利率市場(chǎng)化的大背景下，利用“網(wǎng)貸之家”的數(shù)據(jù)，從投資人、借貸人、利率、借款標(biāo)的數(shù)與期限來研究影響交易量的因素。

3研究假設(shè)與模型設(shè)計(jì)

3.1研究假設(shè)

經(jīng)過文獻(xiàn)梳理和探討，P2P網(wǎng)貸平臺(tái)面向的大眾是小額投資借款人，有限理性假設(shè)背景下，雙方在投資和借款時(shí)會(huì)考慮到平臺(tái)利率的變化對(duì)自身利益造成的影響，因此我們認(rèn)為平臺(tái)平均利率會(huì)對(duì)成交量產(chǎn)生影響。同時(shí)理論研究發(fā)現(xiàn)，P2P網(wǎng)貸平臺(tái)具有較為明顯的交叉網(wǎng)絡(luò)外部性，借款人和投資人任何一方數(shù)量的變化都會(huì)影響另外一方人數(shù)的變化，進(jìn)而對(duì)平臺(tái)成交量產(chǎn)生影響。P2P網(wǎng)貸平臺(tái)包含的雙邊用戶是具有一定的信息隱蔽性，對(duì)于平臺(tái)雙方用戶來說，存在信息不對(duì)稱的現(xiàn)象，因此我們認(rèn)為投資人數(shù)和借款人數(shù)會(huì)對(duì)平臺(tái)平均利率產(chǎn)生不同方向的影響。借款標(biāo)數(shù)和平均借款期限關(guān)系到投資人和借款人的利益，同時(shí)也較為直接的對(duì)平臺(tái)成交量具有一定的影響。基于此，我們提出了以下研究假設(shè)：

假設(shè)1：日成交量與平臺(tái)平均利率呈負(fù)相關(guān)關(guān)系。

假設(shè)2：日成交量與投資人數(shù)及借款人數(shù)均呈正相關(guān)關(guān)系。

假設(shè)3：平臺(tái)平均利率與投資人人數(shù)正相關(guān)，與借款人數(shù)負(fù)相關(guān)。

3.2數(shù)據(jù)情況說明

陸金服具有龐大的用戶和較高的評(píng)級(jí)指數(shù)，平臺(tái)標(biāo)的期限分布較為全面，投資和借款人數(shù)基數(shù)龐大，具有一定的穩(wěn)定性和典型性，由此我們將以陸金服為例進(jìn)行實(shí)證分析來驗(yàn)證假設(shè)。

數(shù)據(jù)來源于國內(nèi)權(quán)威的第三方網(wǎng)貸資訊平臺(tái)——“網(wǎng)貸之家”，共截取184個(gè)有效樣本數(shù)據(jù)。選取日成交量（amount）、投資人數(shù)（Investors）、借款人數(shù)（Debtors）、平臺(tái)平均利率（Rate）、借款標(biāo)數(shù)（Biaoshu）、借款期限（term）等為主要變量。日成交量為因變量，其他為自變量。

表1是對(duì)184個(gè)有效樣本數(shù)據(jù)的描述性統(tǒng)計(jì)分析，可以看到，陸金服平臺(tái)平均借款期限為23個(gè)月，日平均成交量為65607萬，平均借款人數(shù)為12569，比平均投資人數(shù)高出2500人左右；平均利率為7.18%，離散系數(shù)為1.03，表明平臺(tái)的利率相對(duì)較為穩(wěn)定，波動(dòng)幅度處在一定合理的范圍。同時(shí)，可以觀察到debtors， investors， amount， biaoshu的離散系數(shù)都很大，說明樣本數(shù)據(jù)的波動(dòng)幅度比較大。

對(duì)各個(gè)變量之間做相關(guān)系數(shù)矩陣得到表2，可以得到解釋變量之間的相關(guān)性，其中，借款期限與投資人數(shù)、借款人數(shù)的相關(guān)系數(shù)均為負(fù)，與平臺(tái)利率相關(guān)系數(shù)為正，且從相關(guān)系數(shù)絕對(duì)值大小來看，借款期限與投資人數(shù)的相關(guān)性比其與借款人數(shù)的相關(guān)性更大。利率與投資人數(shù)和借款人數(shù)均為負(fù)相關(guān)關(guān)系，由此可證假設(shè)3不成立。這種相關(guān)性的解釋只能從表面上看到兩個(gè)變量之間的聯(lián)系，并不能確定二者之間的內(nèi)在因果關(guān)系，基于此，我們進(jìn)一步做回歸分析，對(duì)假設(shè)結(jié)果進(jìn)行驗(yàn)證。endprint

3.3實(shí)證模型的建立

為了使得各個(gè)變量之間的基數(shù)一致，并反映出日成交量與各個(gè)影響因素的普遍性回歸關(guān)系，采用取對(duì)數(shù)法來統(tǒng)一衡量不同變量之間的相對(duì)大小關(guān)系，使得結(jié)果更具有科學(xué)性。

我們根據(jù)理論分析假設(shè)及上述分析結(jié)果選取投資人數(shù)、借款人數(shù)、標(biāo)數(shù)、利率以及借款期限為影響因素，即自變量；選取日成交量為因變量，建立多元線性回歸模型：

lnamount=β0+β1lninvestors+β2lndebtors+β3lnbiaoslu+β4rate+β5term+ε

其中，amount為平臺(tái)日成交量，βi為相對(duì)應(yīng)變量的回歸系數(shù)，反映了各個(gè)自變量對(duì)因變量的影響權(quán)重和影響方向。其中，β0為常數(shù)項(xiàng)，ε為自由擾動(dòng)項(xiàng)。

4實(shí)證結(jié)果

首先進(jìn)行穩(wěn)定性檢驗(yàn)，即ADF檢驗(yàn)。經(jīng)過檢驗(yàn)可以得到各個(gè)變量指標(biāo)在5%置信水平下均為通過檢驗(yàn)，即所有變量都存在單位根。

由此進(jìn)行一階差分處理。首先采用一階自相關(guān)處理，排除自相關(guān)性；其次考慮滯后影響；最后考慮到某些變量的分段相關(guān)性，將不完全共線性的變量進(jìn)行分階段回歸處理，以2016年6月4日為時(shí)間節(jié)點(diǎn)，分為前后兩個(gè)階段，利用逐步回歸方法處理多重共線性。

根據(jù)已有理論和相關(guān)系數(shù)分析，投資人數(shù)、借款人數(shù)、平均利率與日成交量關(guān)聯(lián)最大，作為基礎(chǔ)變量。然后逐步引入其他變量，形成模型1、模型2、模型3、模型4，確定最適合的多元回歸模型。

經(jīng)過優(yōu)化處理后得到回歸結(jié)果如表3。

表3的分段回歸結(jié)果顯示，模型1中，在5%的顯著性水平下，借款人數(shù)、投資人數(shù)、利率等對(duì)日成交量的影響均具有顯著性，結(jié)合描述性分析結(jié)果可以看到，借款人數(shù)和投資人數(shù)對(duì)日成交量具有顯著的正向影響，且系數(shù)表明投資人數(shù)對(duì)日成交量的影響更大，盡力發(fā)展投資人數(shù)是提高日成交量的有效方式。利率對(duì)日成交量為顯著正向影響，系數(shù)顯示影響程度較??；這也表明當(dāng)利率處于較高水平時(shí)，日成交量變化幅度較小?；貧w結(jié)果中的R2和 F值表明模型1有較好的回歸效果。

模型4所有變量均通過了顯著性檢驗(yàn)，并且模型整體擬合效果明顯改善。模型4對(duì)日成交量變動(dòng)的解釋效力非常好，得出以下結(jié)論：

（1）在第二階段，借款人數(shù)和投資人數(shù)依然對(duì)日成交量具有非常顯著的正向影響，驗(yàn)證假設(shè)2成立。借款人數(shù)的系數(shù)為08758，表明借款人數(shù)每增長(zhǎng)1%，會(huì)帶來日成交量08758%的增長(zhǎng)，投資人數(shù)的系數(shù)為01339，表明投資人數(shù)每增長(zhǎng)1%，會(huì)帶來日成交量01339%的增長(zhǎng)?？梢娊杩钊藬?shù)對(duì)日成交量的影響更大，給平臺(tái)帶來的增值更高，因此在第二階段，借款人數(shù)的增加會(huì)給平臺(tái)注入更大的活力。

（2）借款期限也對(duì)日成交量具有顯著正向影響，系數(shù)為01081，表明平均借款期限每增加1個(gè)月，平臺(tái)日成交量將提升01081%。因此該平臺(tái)可嘗試發(fā)一些期限更長(zhǎng)，從而利率也更高的一些借款標(biāo)，以進(jìn)一步提高成交量。

（3）利率在這一階段則對(duì)成交量具有非常顯著的負(fù)向影響，并且影響程度很大。其系數(shù)為-08772，表明當(dāng)利率每下降1%，平臺(tái)日成交量將提高08772%，這也驗(yàn)證了假設(shè)1成立，當(dāng)利率處于中低的水平時(shí)，利率下降會(huì)帶來顯著的成交量上升。因此降低利率提高成交量可以拉動(dòng)平臺(tái)快速發(fā)展。

5研究結(jié)論

經(jīng)過本文的實(shí)證分析，投資與借款人均對(duì)成交量有促進(jìn)作用。不同時(shí)間投資人數(shù)和借款人數(shù)對(duì)成交量的影響程度不同。投資人數(shù)會(huì)隨著借款人數(shù)的增加而增加，存在雙邊市場(chǎng)效應(yīng)。這可能是由于房?jī)r(jià)飛漲，大家的資產(chǎn)配置不斷向房地產(chǎn)領(lǐng)域轉(zhuǎn)移，對(duì)資金的需求增加有關(guān)，不過對(duì)于這背后的詳細(xì)原因以及這種增長(zhǎng)與房地產(chǎn)的相關(guān)程度，仍需要接下來進(jìn)行深入研討。

對(duì)于P2P企業(yè)，我們建議平臺(tái)要密切關(guān)注消費(fèi)金融的需求，設(shè)計(jì)更多消費(fèi)金融類產(chǎn)品，吸引更多借款人群，拉動(dòng)需求，同時(shí)及時(shí)關(guān)注外部經(jīng)濟(jì)狀況和我國居民的資產(chǎn)配置情況，根據(jù)外部經(jīng)濟(jì)環(huán)境調(diào)整相關(guān)的互聯(lián)網(wǎng)產(chǎn)品、調(diào)整戰(zhàn)略，推動(dòng)網(wǎng)貸健康可持續(xù)發(fā)展。

參考文獻(xiàn)

[1]金家棟. 推進(jìn)P2P網(wǎng)貸行業(yè)供給側(cè)改革的政策建議[J]. 中國經(jīng)貿(mào)導(dǎo)刊， 2016，（22）.

[2]降富樓， 張海亮， 田甜銘梓. P2P網(wǎng)絡(luò)借貸利率決定——基于某區(qū)域型平臺(tái)的實(shí)證分析[J]. 上海金融， 2016，（5）：6064.

[3]張立煒. 網(wǎng)絡(luò)關(guān)注度對(duì)P2P平臺(tái)成交量的影響——基于百度指數(shù)的實(shí)證研究[J]. 投資研究， 2016，（6）：130148.

[4]陸松新， 蘭虹. 風(fēng)險(xiǎn)投資、第三方資金托管與中國P2P網(wǎng)絡(luò)借貸平臺(tái)成交量——基于P2P網(wǎng)絡(luò)借貸投資者的視角[J]. 西南金融， 2015，（11）：5057.

[5]李振磊. 我國P2P網(wǎng)絡(luò)借貸平臺(tái)經(jīng)營特征要素對(duì)交易額的影響研究[D]. 濟(jì)南：山東財(cái)經(jīng)大學(xué)， 2016.

[6]Yanhong Guo，Wenjun Zhou，Chunyu Luo，Chuanren Liu，Hui Xiong. Instance-based credit risk assessment for investment decisions in P2P lending[J]. European Journal of Operational Research，2016.

[7]Riza Emekter，Yanbin Tu，Benjamas Jirasakuldech，Min Lu. Evaluating credit risk and loan performance in online Peer-to-Peer （P2P） lending[J]. Applied Economics，2015.

[8]Ravina E.， Love & Loans. The Effect of Beauty and Personal Characteristics in Credit Markets[Z]. Working Paper， Columbia Business SchoolFinance and Economics. 2012.endprint