P2P網(wǎng)貸出借人投資行為影響因素研究

宋　華,金穎婕

(武漢理工大學(xué) 管理學(xué)院，湖北 武漢 430070)

P2P(peer to peer)網(wǎng)貸是一種以點(diǎn)對(duì)點(diǎn)形式進(jìn)行的互聯(lián)網(wǎng)民間借貸模式。近年來(lái)，互聯(lián)網(wǎng)金融的發(fā)展勢(shì)頭越來(lái)越強(qiáng)勁，P2P憑借其低門(mén)檻、方便快捷的特性受到了人們的熱捧。在我國(guó)缺少資金實(shí)力的中小企業(yè)普遍存在融資難的問(wèn)題，成為企業(yè)發(fā)展滯緩的主要因素之一，所以P2P信貸的產(chǎn)生從某種程度上來(lái)說(shuō)是個(gè)人和中小企業(yè)的福音。對(duì)于這種金融脫媒的信貸渠道，很大程度上加快了金融資本的流動(dòng)速度，緩解了企業(yè)融資壓力，從而促進(jìn)了企業(yè)與國(guó)家經(jīng)濟(jì)的發(fā)展。然而，由于出借人與借款人之間存在的信息不對(duì)稱(chēng)而產(chǎn)生逆向選擇，使得許多本可以成交的融資活動(dòng)以失敗告終。筆者將探討影響出借人投資意愿的因素以期提高借貸成功率。另外，由于相關(guān)學(xué)術(shù)研究起步較晚，監(jiān)管體系不夠健全，因此對(duì)于P2P網(wǎng)絡(luò)借貸市場(chǎng)進(jìn)行研究有著重要的意義。

1　文獻(xiàn)綜述

國(guó)外對(duì)于網(wǎng)絡(luò)信貸研究起步較早，網(wǎng)絡(luò)信貸行為影響因素的文獻(xiàn)也較多。FREEDMAN等[1]利用Prosper平臺(tái)上2006年6月至2008年7月的數(shù)據(jù)進(jìn)行研究，發(fā)現(xiàn)隨著Prosper平臺(tái)的不斷發(fā)展和改善，要求借款人提供的信用信息更加詳細(xì)，出借人的逆向選擇程度有所減輕，從而促進(jìn)借款成功率的提高。LIN等[2]研究表明借款人的信用等級(jí)、社交網(wǎng)絡(luò)影響著其借款成功率。IYER等[3]指出，出借人會(huì)根據(jù)借款人豐富的硬信息和軟信息評(píng)判借款人的信用表現(xiàn)。HERZENSTEIN等[4]通過(guò)對(duì)人口特征、經(jīng)濟(jì)實(shí)力和努力程度等變量的分析,發(fā)現(xiàn)種族、性別因素對(duì)于融資成功率的影響遠(yuǎn)小于經(jīng)濟(jì)實(shí)力和努力程度的影響。POPE等[5]不僅分析出各影響因素及其不同取值產(chǎn)生的影響大小，還指出年齡與借款成功率成反比。由于國(guó)外擁有健全的征信系統(tǒng)，出借人對(duì)于信用等級(jí)的信任程度遠(yuǎn)大于國(guó)內(nèi)出借人，不同的金融市場(chǎng)背景也會(huì)對(duì)研究結(jié)果產(chǎn)生影響，因此國(guó)內(nèi)的研究對(duì)于筆者更具有參考價(jià)值。但國(guó)內(nèi)的研究起步較晚，早期研究主要是闡述P2P存在的風(fēng)險(xiǎn)及監(jiān)管模式。近年來(lái)，已有較多學(xué)者對(duì)網(wǎng)絡(luò)信貸行為進(jìn)行研究。如董梁等[6]利用社會(huì)網(wǎng)絡(luò)分析法對(duì)P2P網(wǎng)絡(luò)借貸領(lǐng)域的研究現(xiàn)狀和發(fā)展階段進(jìn)行分析，認(rèn)為P2P網(wǎng)貸研究已逐漸成為學(xué)術(shù)界關(guān)注的熱點(diǎn)。宋文[7]研究表明，網(wǎng)貸行為最重大的影響因素是P2P平臺(tái)的抵押擔(dān)保信息和借款人的信用信息，極大程度上影響了借款成功率和融資成本。王會(huì)娟等[8-9]認(rèn)為線(xiàn)上與線(xiàn)下相結(jié)合的信用認(rèn)證機(jī)制能夠提高融資成功率，降低借貸雙方的信息不對(duì)稱(chēng)性；且不同的人格特征會(huì)對(duì)信貸行為產(chǎn)生不同程度的影響。從上述文獻(xiàn)可以發(fā)現(xiàn)，以借款人詳細(xì)的個(gè)人信息作為影響因素進(jìn)行研究是必要的。在借款人信息中，不同信息的影響強(qiáng)弱均有差別，同時(shí)在研究?jī)?nèi)容上更趨向于精細(xì)化。

現(xiàn)有的研究中，主要使用計(jì)量模型對(duì)影響因素進(jìn)行建模，而筆者采用數(shù)據(jù)挖掘的方法進(jìn)行分析，避免了傳統(tǒng)量化研究中的先驗(yàn)假設(shè)，不需要理性人假設(shè)以及變量的優(yōu)先級(jí)，僅利用行為數(shù)據(jù)進(jìn)行挖掘，這在研究不足的探索性問(wèn)題上有更強(qiáng)的適用性[10]。

2　研究方法

2.1　樣本選擇與變量定義

筆者選擇人人貸網(wǎng)站的數(shù)據(jù)作為樣本。人人貸建立于2010年5月，是國(guó)內(nèi)P2P平臺(tái)的領(lǐng)軍者之一，并且人人貸的借貸人的信息披露較為完善，數(shù)據(jù)豐富。筆者隨機(jī)選取了不同時(shí)間段的散標(biāo)投資數(shù)據(jù)，利用Gooseeker網(wǎng)絡(luò)爬蟲(chóng)軟件，對(duì)網(wǎng)頁(yè)中的主要借貸數(shù)據(jù)進(jìn)行采集。初始樣本為1 488個(gè)，剔除有缺失值的樣本數(shù)據(jù)后，最終樣本為1 440個(gè)。選取的變量主要可以分成兩大類(lèi)：標(biāo)的信息和借款人信息。篩選后的具體變量如表1所示。

表1　變量定義

對(duì)數(shù)據(jù)進(jìn)行了如下處理：對(duì)某些數(shù)值型變量的類(lèi)型進(jìn)行處理，將信用評(píng)分按照網(wǎng)站的信用評(píng)級(jí)機(jī)制進(jìn)行處理，分為AA,A,B,C,D,E,HR 7個(gè)等級(jí)；對(duì)連續(xù)性變量進(jìn)行分箱處理；對(duì)二分類(lèi)型變量進(jìn)行0-1化處理。將散標(biāo)狀態(tài)作為目標(biāo)變量，即“成交”變量，其中已流標(biāo)的樣本散標(biāo)狀態(tài)記為0，成交的記為1。選取65%的樣本數(shù)據(jù)作為訓(xùn)練集，35%作為測(cè)試集。

2.2　研究模型建立

由于所采集的樣本變量中含有許多分類(lèi)變量，用一般的計(jì)量模型時(shí)需要對(duì)這些變量進(jìn)行轉(zhuǎn)化，而決策樹(shù)算法、貝葉斯網(wǎng)絡(luò)可以直接對(duì)分類(lèi)變量進(jìn)行有效分析，因此作為首選模型。筆者嘗試?yán)肅5.0決策樹(shù)算法、貝葉斯網(wǎng)絡(luò)得出的結(jié)果進(jìn)行綜合分析，并得出最終結(jié)論。

2.2.1C5.0決策樹(shù)算法

C5.0決策樹(shù)算法用于建立多叉的分類(lèi)樹(shù)，要求輸入變量為數(shù)值型或分類(lèi)型，輸出變量為分類(lèi)型。其原理是通過(guò)比較信息增益率大小，選擇信息增益率最大者作為最佳分組變量。

信息增益率是在信息增益的基礎(chǔ)上得到的，而信息增益又是通過(guò)信息熵進(jìn)行計(jì)算的。信息熵表示信息量的期望值，是在信息未知情況下的平均不確定性，即先驗(yàn)熵。其數(shù)學(xué)表達(dá)式為：

(1)

當(dāng)信宿收到vj后獲得的對(duì)信號(hào)U的信息度量值，即后驗(yàn)熵。其數(shù)學(xué)表達(dá)式為：

Ent(U|V)=

(2)

其中，P(ui|vj)表示在已知vj信息的條件下，ui信號(hào)產(chǎn)生的概率。信息增益反映了收到信息后所消除的不確定性，記為Gains(U,V)。

Gains(U,V)=Ent(U)-Ent(U|V)

(3)

為消除類(lèi)別數(shù)目所帶來(lái)的影響，C5.0引入信息增益率作為選擇標(biāo)準(zhǔn)。其數(shù)學(xué)表達(dá)式為：

GainsR(U,V)=Gains(U,V)/Ent(V)

(4)

因此，信息增益率最大說(shuō)明增加此信息可以消除信宿對(duì)信源的不確定性最大，因此將該變量作為最佳分組變量，同時(shí)也說(shuō)明該變量對(duì)信宿影響最大。對(duì)于數(shù)值型變量，通常是先進(jìn)行分箱處理，再根據(jù)以上步驟進(jìn)行判斷。同時(shí)，為了防止出現(xiàn)過(guò)度擬合的現(xiàn)象，對(duì)C5.0決策樹(shù)進(jìn)行修剪，通過(guò)設(shè)置置信度來(lái)確定決策樹(shù)的深度。

2.2.2貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)利用概率的思想計(jì)算后驗(yàn)概率，比較在不同已知條件下目標(biāo)變量發(fā)生的概率,從中選擇概率最大的作為最具影響力的變量。貝葉斯公式，則有：

P(y|x1,x2,…,xn)=

(5)

式中：x1,x2,…,xn為輸入變量X1,X2,…,Xn對(duì)應(yīng)的一個(gè)取值集合；y為輸出變量。另外，式(5)成立的前提為輸入變量之間有條件獨(dú)立，即：

(6)

將式(6)代入式(5)中，可得后驗(yàn)概率為：

P(y|x1,x2,…,xn)=

(7)

在對(duì)測(cè)試集數(shù)據(jù)的輸出變量進(jìn)行預(yù)測(cè)時(shí)，可利用訓(xùn)練集中的相關(guān)變量取值集的后驗(yàn)概率大小來(lái)預(yù)測(cè)最終結(jié)果。然而，貝葉斯網(wǎng)絡(luò)的假設(shè)前提要求各輸入變量相互獨(dú)立，使其不適用于許多實(shí)際情況。由于輸入變量間可能存在依賴(lài)性，因此概率乘法公式為：

P(x1,x2,…,xn)=P(x1)P(x2|x1)·

P(x3|x1,x2)…P(xn|x1,x2,…，xn-1)

(8)

因?yàn)楫?dāng)變量之間相互獨(dú)立時(shí)，P(xi|x1,x2,…，xi-1)=P(xi)，所以，只要確定哪些變量之間有依賴(lài)性，即可將變量之間相互獨(dú)立的條件概率簡(jiǎn)化。貝葉斯網(wǎng)絡(luò)圖能夠更直接地觀測(cè)各輸入變量之間的關(guān)聯(lián)性并簡(jiǎn)化計(jì)算。馬爾科夫毯網(wǎng)絡(luò)是貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的一種，其構(gòu)建方式主要是利用條件獨(dú)立性檢驗(yàn)，筆者采用條件對(duì)數(shù)似然率檢驗(yàn)的方法。對(duì)數(shù)似然率檢驗(yàn)的原假設(shè)(H0)為變量Xi和變量Xj獨(dú)立。采用的檢驗(yàn)統(tǒng)計(jì)量為：

(9)

在原假設(shè)成立時(shí)，檢驗(yàn)統(tǒng)計(jì)量服從(|Xi|-1)×(|Xj|-1)個(gè)自由度的卡方分布。若檢驗(yàn)統(tǒng)計(jì)量對(duì)應(yīng)的概率小于指定的顯著性水平，則拒絕原假設(shè)，并刪除對(duì)應(yīng)變量節(jié)點(diǎn)間的連接弧線(xiàn)。馬爾科夫毯網(wǎng)絡(luò)并不要求輸出變量必須是所有輸入變量的父節(jié)點(diǎn)，因此適合于筆者所研究的樣本情況。

3　實(shí)證研究與分析

3.1　實(shí)驗(yàn)結(jié)果

利用SPSS Modeler軟件建立上述模型，從誤差和收益兩個(gè)方面對(duì)模型質(zhì)量進(jìn)行評(píng)估。表2所示為C5.0決策樹(shù)模型和馬爾科夫毯網(wǎng)絡(luò)模型的誤差分析，分別記錄了訓(xùn)練樣本集和測(cè)試樣本集的正確率和錯(cuò)誤率。

表2　C5.0決策樹(shù)模型和馬爾科夫毯網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

從各模型預(yù)測(cè)結(jié)果的正確率來(lái)看，C5.0決策樹(shù)和馬爾科夫毯網(wǎng)絡(luò)所構(gòu)建模型的整體預(yù)測(cè)精度均較為理想。圖1所示為不同模型的收益圖，可以直觀地看出這兩個(gè)模型的累計(jì)散點(diǎn)圖十分接近最優(yōu)模型線(xiàn)。因此，筆者選擇通過(guò)C5.0決策樹(shù)與馬爾科夫毯網(wǎng)絡(luò)所得出的預(yù)測(cè)變量重要性的結(jié)果來(lái)分析出借人意愿的影響因素，可信度較高。

3.1.1C5.0決策樹(shù)結(jié)果分析

當(dāng)輸入輸出變量均為分類(lèi)型時(shí)，利用卡方檢驗(yàn)方法中的似然比卡方預(yù)測(cè)變量重要性；當(dāng)輸入變量為數(shù)值型、輸出變量為分類(lèi)型時(shí)，利用方差分析法預(yù)測(cè)變量重要性，再自動(dòng)計(jì)算對(duì)應(yīng)的1-p，在此基礎(chǔ)上進(jìn)行轉(zhuǎn)換得到一個(gè)相對(duì)值，將第i個(gè)輸入變量的重要性定義為：

(10)

圖2所示為運(yùn)用C5.0決策樹(shù)算法計(jì)算得出的各影響因素的重要性，可以看出保障方式、信用等級(jí)、利率是眾多變量中較為重要的影響借款成功的因素。其形成的決策樹(shù)如圖3所示，其中根結(jié)點(diǎn)“是”表示成交，“否”表示流標(biāo)。

圖1　C5.0決策樹(shù)模型與馬爾科夫毯網(wǎng)絡(luò)模型收益圖

圖2　C5.0決策樹(shù)得出的預(yù)測(cè)變量重要性

圖3　借款成功決策樹(shù)

3.1.2馬爾科夫毯網(wǎng)絡(luò)結(jié)果分析

運(yùn)用馬爾科夫毯網(wǎng)絡(luò)分析各影響因素的重要性，如圖4所示。其中預(yù)測(cè)變量重要性的測(cè)度指標(biāo)是輸入、輸出變量獨(dú)立性檢驗(yàn)的1-p，經(jīng)歸一化處理后的結(jié)果。

圖4　馬爾科夫毯網(wǎng)絡(luò)得出的預(yù)測(cè)變量重要性

從圖4可以得出，保障方式、利率和還款期限是所有解釋變量中最重要的。標(biāo)的信息的重要性更加凸顯，出借人對(duì)于標(biāo)的信息的偏好也更趨于一致性。另外，由于P2P網(wǎng)貸市場(chǎng)的開(kāi)放性和低門(mén)檻性，出借人的背景、價(jià)值取向也是多種多樣的，因此不同價(jià)值取向的出借人表現(xiàn)出對(duì)借款人信息的不同偏好。

3.2　影響因素分析

出借人對(duì)于標(biāo)的信息的偏好更趨于一致性，但對(duì)借款人信息的信賴(lài)程度不同，整體上標(biāo)的信息比借款人信息對(duì)出借人的決策影響略強(qiáng)。筆者主要對(duì)重要性程度高的因素進(jìn)行分析。

3.2.1標(biāo)的信息的影響

(1)保障方式。保障方式是所有因素中最能影響出借人出借意愿的。用戶(hù)利益保障機(jī)制是人人貸網(wǎng)站為保護(hù)出借人的共同利益而建立的信用風(fēng)險(xiǎn)承擔(dān)機(jī)制,取代了以前的本金制度。與本金保障相比，用戶(hù)利益保障機(jī)制增加了合作機(jī)構(gòu)保障的內(nèi)容，對(duì)于信用等級(jí)較低的借款人保證金計(jì)提比例提高了0.5個(gè)百分比，這說(shuō)明了用戶(hù)利益保障機(jī)制增強(qiáng)了保障力度。由此可見(jiàn)，人人貸網(wǎng)站保障力度的提高有助于借款成功率的提升，出借人對(duì)于保障力度強(qiáng)的借款出借意愿更強(qiáng)。

(2)利率。出借人傾向于選擇利率介于10%～13%之間的散標(biāo)，過(guò)低或過(guò)高的利率都更容易流標(biāo)。由此可見(jiàn)，大多數(shù)出借人是較為理性的，對(duì)于風(fēng)險(xiǎn)的把握較為穩(wěn)妥。

(3)還款期限。出借人更傾向于還款期限較長(zhǎng)的散標(biāo)，對(duì)于期限為3個(gè)月、6個(gè)月的這種短期借款出借意愿不強(qiáng)。

3.2.2借款人信息的影響

(1)成功借款數(shù)。出借人也十分重視借款人的歷史成功借款記錄，成功借款次數(shù)越多，所獲得的借款成功的概率就越大。

(2)信用等級(jí)。信用等級(jí)與成交狀態(tài)散點(diǎn)圖分布如圖5所示(為避免樣本重疊，筆者設(shè)置圖形顯示方式為點(diǎn)散開(kāi))，可以看出信用等級(jí)與借貸成功率并不完全呈正相關(guān)關(guān)系，反映出出借人對(duì)于信用等級(jí)高的借款人的認(rèn)可度不一，但信用等級(jí)低普遍會(huì)給出借人帶來(lái)不好的印象。這與國(guó)外許多文獻(xiàn)中認(rèn)為的信用等級(jí)越高，其借款成功率越高的結(jié)論不符。主要原因在于國(guó)外的征信系統(tǒng)十分完善，投資者對(duì)于信用等級(jí)的真實(shí)性較為相信，而中國(guó)征信系統(tǒng)尚不完善并且筆者研究的信用等級(jí)是網(wǎng)站根據(jù)借款人在該網(wǎng)站上的信息進(jìn)行評(píng)分得出的，并不能全面真實(shí)地反映借款人的信用情況，因此，出借人對(duì)其認(rèn)可度不一。根據(jù)信任理論，信賴(lài)度的提升能夠降低交易成本，保證交易過(guò)程的順利進(jìn)展[11]，因此提高信用等級(jí)的信賴(lài)度對(duì)于提高借款成功率很有幫助。

圖5　信用等級(jí)與成交狀態(tài)散點(diǎn)圖分布

(3)學(xué)歷。學(xué)歷與借款成功率呈正相關(guān)關(guān)系，研究生或以上、本科、大專(zhuān)、高中或以下4類(lèi)借貸人的成交率分別為88.9%、82.5%、80.0%、56.6%，學(xué)歷為高中及以下的人群成交率最低。

4　結(jié)論

筆者利用數(shù)據(jù)挖掘技術(shù)從標(biāo)的信息和借款人信息兩個(gè)方面研究了P2P網(wǎng)貸出借人行為的影響因素，最終得出結(jié)論，認(rèn)為出借人對(duì)于標(biāo)的信息的偏好更趨于一致，其中保障方式、利率、還款期限對(duì)于投資者出借意愿的影響較大。出借人更偏好保障度高、利率適中、還款期限較長(zhǎng)的借款。在借款人信息中，信用等級(jí)、歷史借款信息、學(xué)歷、收入等因素都會(huì)影響出借人的出借行為，但年齡、婚姻對(duì)于出借人影響不顯著。高學(xué)歷、歷史成功借款數(shù)多的借款人更容易獲得借款，信用等級(jí)高的不一定借款成功率高，但信用等級(jí)低的借款成功率普遍低?？傮w而言，出借人會(huì)綜合考慮標(biāo)的信息和借款人信息來(lái)進(jìn)行投資。

根據(jù)上述結(jié)論，對(duì)目前的P2P市場(chǎng)及相關(guān)角色提出了一些建議。首先，從P2P平臺(tái)角度考慮，為出借人提供更多樣化的投資保障能在一定程度上提高出借人的投資熱情；同時(shí)，P2P平臺(tái)可以針對(duì)不同風(fēng)險(xiǎn)的借款制定利率上下限，這樣一方面可以避免利率過(guò)高帶來(lái)的違約率的提高，一方面又能防止利率過(guò)低而無(wú)法吸引出借人的投資熱情；另外，P2P平臺(tái)應(yīng)加強(qiáng)對(duì)借款人身份的核實(shí)，增強(qiáng)信用等級(jí)的認(rèn)可度，對(duì)借款人信息的真實(shí)性進(jìn)行把關(guān)。其次，借款人可以通過(guò)完善個(gè)人信息以及保持良好的歷史履約記錄來(lái)降低融資成本。最后，監(jiān)管部門(mén)應(yīng)加大力度建設(shè)完善個(gè)人征信系統(tǒng)，規(guī)范違約懲處措施，提高信用等級(jí)評(píng)判的準(zhǔn)確性，從而提高投資者對(duì)其的信賴(lài)度。個(gè)人征信系統(tǒng)的完善使借款人更重視違約后果的嚴(yán)重性，從而有效降低P2P市場(chǎng)的道德風(fēng)險(xiǎn)，信用評(píng)級(jí)可信度的提升也將很大程度地降低出借人的逆向選擇問(wèn)題，從而促使P2P市場(chǎng)的發(fā)展走向成熟。

參考文獻(xiàn)：

[1]FREEDMAN S M, JIN G Z. Learning by doing with asymmetric information: evidence from prosper.com[R]. Cambridge, MA: National Bureau of Economic Research,2011.

[2]LIN M.F, PRABHALA N R, VISWANGTHAN S. Can social networks help mitigate information asymmetry in online markets[R]. Phoenix: Thirtieth International Conference on Information Systems,2009.

[3]IYER R, KHWAJA A I, LUTTMER E F P, et al. Screening in new credit markets can individual lenders infer borrower credit worthiness in peer-to-peer lending management[R]. Cambridge, MA: Harvard Kennedy School of Government,2010.

[4]HERZENSTEIN M, ANDREWS R L, DHOLAKIA U M, et al. The democratization of personal consumer loans? determinants of success in online peer-to-peer lending communities[J]. Bulletin of the University of Delaware, 2008,15(3):274-277.

[5]POPE D G, SYDNOR J R. What′s in a picture: evidence of discrimination from prosper. com[J]. Journal of Human Resources,2011,46(1):53-92.

[6]董梁,胡明雅.基于社會(huì)網(wǎng)絡(luò)分析法的P2P網(wǎng)絡(luò)信貸研究評(píng)述[J].武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版),2016,38(4):508-511.

[7]宋文.P2P網(wǎng)絡(luò)借貸行為的實(shí)證研究[D].上海：上海交通大學(xué),2013.

[8]王會(huì)娟,廖理.中國(guó)P2P網(wǎng)絡(luò)借貸平臺(tái)信用認(rèn)證機(jī)制研究：來(lái)自“人人貸”的經(jīng)驗(yàn)證據(jù)[J].中國(guó)工業(yè)經(jīng)濟(jì),2014(4):136-147.

[9]王會(huì)娟,何琳.借款描述對(duì)P2P網(wǎng)絡(luò)借貸行為影響的實(shí)證研究[J].金融經(jīng)濟(jì)學(xué)究,2015,30(1):77-85.

[10]盛浙湘,尹優(yōu)平,盛輝.中國(guó)P2P信貸市場(chǎng)中的借貸行為監(jiān)管研究：基于前景理論的PPDai數(shù)據(jù)挖掘[J].公司金融研究,2015(2):1-23.

[11]SUH B, HAN I. The impact of customer trust and perception of security control on the acceptance of electronic commerce[J]. International Journal of Electronic Commerce,2003,7(3):135-161.