借款描述对P2P网络借贷行为影响的实证研究

未央网 作者: 王会娟 何琳

摘要:以P2P 网络借贷行业的领军者———人人贷的交易观测作为研究样本,研究借款描述对P2P 网络借贷行为的影响。结果发现: 借款人信用等级越低,越倾向于添加借款描述,以降低借贷双方的信息不对称问题; 在控制了其他变量的情况下,借款描述展示的人格数量越多,越能吸引投标人,满标用时越快,借款人越容易获得借款且借款违约率越低; 进一步分析借款描述中展示的不同人格对借贷行为影响的程度,发现“勤奋”人格对借款成功率和投标人数的影响最大,而“成功”人格对投标完成时间和借款违约率的影响最大,其余的人格也都对借贷行为产生不同程度的影响。

关键词:P2P 网络借贷;借款描述;人格;借款成功率

一、引言

P2P 网络借贷是出借人与借款人之间通过网络借贷平台而不是金融机构产生的无抵押贷款( Lin et al. 2009)[1]。P2P 网络借贷平台扮演的是交易中介的角色,借款人在平台上发布借款需求,出借人根据自己的风险承受能力在平台上寻求借款,一旦双方在借贷额度、利率方面达成一致,交易即可达成,资金进行划拨,之后借款人定期还本付息并向平台支付一定的中介费。P2P 网络借贷的准入门槛比较低①,并且参与方式比较灵活使得借贷双方具有广泛性。然而P2P 网络借贷平台上的借款人多为无法从传统金融机构获取借款的,甚至是可能是传统金融机构筛选后的“次级客户”。此外,出借人并非专业投资者,由于金融知识缺乏和投资观念偏差,他们很容易被高收益吸引,却不具备良好的风险识别和风险承受能力,因此,参与主体的这些特点加之交易无抵押,交易完全基于信用进行,使得信用风险成为P2P 网络借贷交易的最大风险,这引起了监管层和学者们的关注。

P2P 网络借贷交易虽然在互联网上完成,但借贷双方之间仍然存在信息不对称。存在信息不对称就可能引发两种行为倾向: 逆向选择或道德风险,这两种行为都会降低市场的效率。信用评级机制能够在一定程度上缓解由信息不对称导致的逆向选择和道德风险问题( Klafft,2008)[2],然而中国缺少欧美发达国家高度透明的个人信用体系,个人信用等级完全由P2P 网络借贷平台进行评估得出,并且目前没有统一的评估标准和评估方法,因此,出借人不能仅依靠平台做出的信用评级做出合理的放贷决策。借款人在平台上发布借款需求时,会提供一些个人信息供出借人参考,这些信息包括定量信息,如年龄、收入情况等; 也包括一些定性信息,婚姻状况、教育情况和对于借款描述等。在经济行为中,当交易对方客观的定量信息难以获得、不充足或者不可靠时,决策者可能会转向主观的、未经核对但却可能极具诊断性的定性信息( Michels,2012)[3]。以往的研究表明经济行为人的自我描述会对经济行为结果产生一定的影响。Martens et al. ( 2007)[4]研究发现好的描述能够为创业者确保自己创业所需的资源。Chen et al. ( 2009)[5]发现在创业企业家的商业策划书中,描述会隐藏虚假的财务信息,进而对商业策划书使用者的决策产生影响。那么在P2P 网络借贷这种新兴的经济行为中,借款人的描述扮演怎样的角色? 因此本文首先要研究的问题是哪些借款人更倾向于对借款进行描述? 然后考察借款人描述能否影响P2P 网络借贷行为?如果能够影响,借款描述影响P2P 网络借贷行为的具体途径是什么?

二、文献回顾与研究假设

信用风险是P2P 网络借贷交易中最主要的风险,有效防范信用风险的方法就是在借贷交易达成之前,对信用风险做出正确的评价( 王会娟和廖理,2014)[6]。根据信息不对称理论,信用评级能够揭示借款人的信用风险,降低借贷双方的信息不对称问题,因此出借人可依据借款人的信用评级做出合理的放贷决策。Klafft( 2008) 利用美国最大的P2P 网络借贷平台Prosper 的数据,实证检验了借款人信用评级对借贷行为的影响。结果发现,信用评级对借贷行为的影响程度最大,信用评级越高,越容易获得贷款,贷款利率越低,并且逾期还款率越低。Iyer et al. ( 2010)[7]认为除了信用评级之外,借款人的债务收入比也是影响借贷行为的一个重要因素。Freedman and Jin( 2008)[8]认为借款人提供的财务信息越多越容易获取贷款。除此之外,已有研究表明借款人年龄、性别、种族和外貌等特征都会影响借贷行为。在经济行为中,当交易对方客观的定量信息难以获得、不充足或者不可靠时,决策者可能会转向主观的、未经核对但却可能极具诊断性的定性信息( Michels,2012) 。因此,有些借款人除了向P2P 网络借贷平台提供工作收入、年龄、性别和种族等信息外,还会对借款详情进行描述。Rosenfeld et al. ( 1995) [9]研究发现人们会策略性的运用描述创造或保持自己期望的人格。对于P2P 网络借贷来说,借贷双方存在信息不对称,借款人为了获得借款,则会通过借款描述策略性的展示自己期望的人格。Herzenstein et al. ( 2011) [10]发现借款人至少会展示一种他们认为最能获得支持的人格。那么哪种借款人更倾向于对借款进行描述呢? 当借款人提供的客观信息足以供出借人参考时,则不需要对借款进行描述。当借款人提供的客观信息不足以出借人参考时,则他们会通过对借款进行策略性描述,提供额外的定性信息,例如,对于自己较差的信用进行解释,阐释自己的经济困难,或者展示自己的诚信人格。通过这种策略性的借款描述,增加出借人的信任,进而获得贷款。Klafft( 2008) 发现借款人信用评级对借贷行为的影响程度最大,因此本文使用信用评级作为借款人客观信息的代理变量。基于以上分析,本文推测信用评级低的借款人更倾向于进行借款描述来获得贷款。据此,提出本文的假说1。

H1: 信用评级越低的借款人越倾向于对借款描述。

描述是持续性的、结构化的揭露,以赋予描述者发生的事件意义。例如,描述可能解释了一个人过去的经历、现在的状况和未来的希望。通过描述,描述者打开了一扇窗子,通过这扇窗子,人们看到了描述者如何定义自己,以及自身的人格。以往的研究发现经济行为人的自我描述会对经济行为结果产生一定的影响。Martens et al.( 2007) 研究发现好的描述能够为创业者确保自己创业所需的资源。Chen et al.( 2009) 发现在创业企业家的商业策划书中,描述会隐藏虚假的财务信息,进而对商业策划书使用者的决策产生影响。此外,描述者由于野心或者为了对他人产生影响而对描述进行策略性运用,描述者只会提供对于其所经历事件的诸多解读中的一种,而这种描述一般会选择他们最期望的人格的解读。Herzenstein et al. ( 2011) 研究了借款人
描述对借款行为的影响,结果发现未经验证的信息对借款结果的影响大于经验证的信息,随着借款人展示人格数量的增加,借款成功率随之提高。借款描述能够在一定程度上降低借贷双方的信息不对称问题,因此本文推测借款描述的质量越高,则越容易获得借款,吸引越多的投标人,且满标用时会越短。此外,借款描述所体现的借款人的人格数量越多,从某种程度上反映了借款人还款的能力或意愿越强,进而降低借款违约率。据此,提出本文的假说2。

H2: 借款描述展示的人格越多,则越能提高借款成功率和投标人数,且降低满标所用时间和借款违约率。

三、研究设计

( 一) 数据与样本

本文采用2012 年3 月1 日到2013 年3 月1 日人人贷网站上发布的全部借款作为初始样本,初始样本为53071 个观测。剔除信息不全和机构担保的观测①,最终样本为49966 个观测,期中23594 个观测有借款描述。衡量借款描述变量时需要人工读取描述然后计算得出变量值,工作量较大,因此本文运用了简单随机抽样的方法选择样本。在有借款描述的观测中随机抽取了2000 个观测,然后剔除借款描述提供无效信息的观测( 如无意义符号或文字) 的52 个观测,剩余1948 个观测检验假说2。

( 二) 研究模型与变量定义

借款描述对P2P网络借贷行为影响的实证研究

X 为自变量,衡量借款描述。本文采用借款描述中展现的借款人人格( Identities)作为借款描述质量的代理变量。借款描述中展现的人格可以增加出借人的信任并积极引导出借人做出合理的决策。Mayer et al.(1995)[11]认为信任由三个组成部分:第一部分是正直,即借款人坚持着出借人认可的原则;第二部分是能力,即借款人掌握履行义务的全部技能;第三部分是善意,即借款人向出借人表达了向善的倾向。参考Herzenstein et al.(2011) 的做法并结合中国传统文化本文将人格进行如下划分。首先,诚信、踏实和勤奋归纳为正直的体现,因为这三种人格让出借人相信借款人会履行义务。诚信和踏实符合中国文化中对于本分正直人格的传统定义,勤奋的人则常常坚定而独立,这使他们会成为问题的解决者,因此把这三种人格归为一类。其次,成功增强了能力的感知,从一定程度上表达描述者能兑现承诺的感觉,虽然成功只能描述过去或现在,但它却预示着很可能的未来( 即借款人会继续保持成功) 。最后,本文把情义和经济困难可归类为善行的体现。有情义的品质是以人类美好感情为基础的,这极易唤起贷款人善良的共鸣,产生同情或怜悯之心。与之相似的,经济困难暗示了一种直率,当借款人把自己目前的窘境无保留的暴露在陌生的对方面前时,贷款人往往会读到信任和期待,进而产生想要帮助其改变命运的善良情怀。结合人人贷平台上借款人的描述实例,以及中国社会特有的文化和心理特征,将借款人的人格展示划分为“诚信”、“成功”、“勤奋”、“踏实”、“经济困难”、“情义”六个维度,分别设定6 个哑变量Identities1 ~ Identities6,当描述中展示了这类人格记为1,否则为0。因此衡量借款描述质量的变量Identities 为六个哑变量的和,该变量最小为0,最大为6。

由于抽样样本中的观测只有B 和HR 两个评级,因此将评级为HR 时,Level 取值为1,否则取值为0。模型中Sex 为借款人性别,当借款人为男性时取1,女性时取0;Age 为借款人年龄;Marry 为借款人的婚姻状况,当借款人已婚、离异或丧偶时取1,未婚时取0; Edu 为借款人的学历,当学历为高中或以下时取1,专科取2,本科取3,研究生或以上取4;Income 为借款人的月收入状况,当收入在1000 元以下时取1,1000 ~2000 元取2,2000 ~ 5000 元时取3,5000 ~ 10000 元时取4,10000 ~ 20000 元时取5,20000 ~ 50000 元时取6,50000 元以上取7;Worktime 为借款人的工作年限,工作1 年( 含) 以下取1,1~ 3 年( 含) 取2,3~ 5 年( 含) 取3,5年以上取4;House 为借款人是否拥有房产,拥有房产时取1,否则取0;Car 为借款人是否已购车,已购车取1,否则取0;House_D 表示借款人是否有房贷,有房贷时取1,否则取0; Car_D 表示借款人是否有车贷,有车贷时取1,否则取0; PR_G 为借款人之前在人人贷网站的还款记录情况,借款人至少有一笔借款并还清的记录时取1,否则取0。模型中其他变量定义同模型( 1)中的变量定义。