P2P網貸違約人是否具有區域性特征

吳楠

摘?要?借助網絡爬蟲技術手段獲取“人人貸”平臺上借款人的各項信息，提取兩個樣本：分為全國隨機樣本和湖南省隨機樣本，構建二元Logit回歸模型，分析其中對違約率有顯著影響的變量.研究表明，負債收入比、借款期限、學歷、房產、房貸、描述指數對違約行為有負向影響，而借款利率、車產、認證個數對借款者違約行為有正向影響.同時，通過對兩個樣本最終回歸模型的比較，發現湖南省違約人特征與全國隨機樣本中體現的違約人特征基本一致，但其中較為特殊的是，在湖南擁有房產和車產不能作為網絡借款人履約能力提升的標志.

關鍵詞?P2P網絡借貸平臺;地域特點;違約人特征

中圖分類號?F832.4文獻標識碼?A

Abstract?This paper obtains the information of the borrowers on the "renrendai"net loan platform with the help of the web crawler technology， and extracts two samples： the random samples of the whole country and the random samples of Hunan province. A binary Logit regression model is built to analyze the variables which have significant influence on the default rate. The study shows that the debt-to-income ratio， the maturity of the loan， the educational background， the property， the mortgage and the description index have a negative impact on the default behavior， while the interest rate of the loan， owning cars and the number of certification have a positive impact on the default behavior of the borrowers.At the same time， through the comparison of the final regression model of two samples， it is found that the characteristics of the defaulters in Hunan province is basically consistent with the random samples of the whole country， but especially， the ownership of real estate and car can not help to improve the performance of network borrowers in Hunan.

Key words?P2P net loan platform;regional characteristics;characteristics of defaulter

1?引?言

P2P網貸平臺在短短十幾年內從萌芽到興盛至較穩定的發展獲得了金融界內外足夠的關注度.尤其在中國，從2013年至今，P2P平臺由最高峰時期的六千多家，此間經歷的起伏既是行業發展的全景圖，也是新金融不斷演進的一個側面反映.針對P2P的研究在最近幾年可謂多角度、多層次、全方位展開，課題組從2015年開始專門針對湖南省內的網貸平臺進行研究，取得了一些成果，而隨著研究的深入，和更多機構人員的參與，網貸違約人的特點開始逐漸進入課題組視野.

相較于正規金融的高門檻、嚴監管，P2P網貸平臺因其審核簡單，授信要求低成為許多被正規金融拒絕的借款人首選，因此網貸平臺違約率偏高也是在意料之中.而平臺投資人由于只能看到借款人發布的信息，缺乏其他手段判斷對方的實際信用，很難規避因真實信息不對稱帶來的逆向選擇和道德風險.而我國目前P2P行業內征信體系不完善，也不能接入正規金融的征信系統當中，加之整體征信環境尚待成熟，在這種缺乏完善違約風險管控技術的背景中，用技術手段對借款者表現特征進行分析進而判斷違約概率是很有必要的.因此，課題組吸取了多個研究文獻和研究團隊的經驗，結合湖南省實際，選取對違約率有可能有影響的借款信息要素，構建二元Logit回歸模型，分析了其中有顯著影響的違約人特征信息，并通過省域樣本和全國樣本的結果比照，得出湖南省網貸違約人區別于全國樣本的特點，對區域內網貸使用人信用評價有一定的啟示作用.

2?文獻綜述

國外學者對網貸違約人問題研究起步比較早，幾乎伴隨lending club和prosper兩大P2P平臺上線就開始關注這一群體特征.Kumar（2007）指出借款額度與借款者違約率正相關，而信用級別和認證信息與借款者違約率負相關[1].Herzenstein等（2011）以Prosper上的借款申請為樣本，歸納了“可靠”、“成功”、“經濟困難”、“宗教信仰”、“品德高尚”、“勤奮”等6個語言維度，發現信用級別低的借款人會傾向于用更多的描述性信息，而實際中確實描述性信息越多越容易借款成功，但結果確是違約率更高[2].Pope等（2011）通過對違約人年齡分布發現35～60歲之間的人違約概率相比其他年齡段更低[3].Duarte 等 （2012）全面分析了容貌對 P2P 網絡借貸交易的影響.通過對網貸平臺上上傳借款者照片的信息進行研究，他們發現從照片上看起來比較可靠的人具有更高的借款成功率.進一步發現，長相可靠的人信用評級比較高，違約的可能性也比較低[4].Nowak等（2015）等通過實證分析指出收入越高的人，違約概率也越低[5].

國內研究者對P2P平臺的研究早期側重在平臺模式、平臺風險以及投資人選擇模式等角度，從2013年開始有較多學者開始關注網貸違約人特征.陳霄等（2013）在對 P2P 網絡借貸參與者逾期行為理論分析的基礎上，采用 Logit回歸分析得出結果：借款方信用等級、個人收入、居住地區、生活狀況、成功借款次數和按時還款次數對借款方逾期率具有顯著的負向作用;受教育年限、逾期還款次數、借款利率、借款時間等對借款人逾期率具有顯著的正向作用.繆蓮英和陳金龍（2014）以推薦信任與小組關系、朋友關系作為社會資本的代理變量分析其對借款者違約風險的制約機制[6]，以 Prosper 網絡借貸平臺的數據進行實證檢驗，研究發現在 P2P 網絡借貸中，社會資本能夠降低借款人違約風險.王會娟和廖理（2014）以53653個“人人貸”的網站數據，研究 P2P 網絡借貸平臺的信用認證機制對借貸行為的影響，結果表明，較高信用評級會提高借款成功率[7].文章也詳細分析了認證指標和認證方式對 P2P 借貸行為的影響.他們指出，工作認證 、收入認證、視頻認證和車產、房產認證等認證指標對 P2P 借貸行為的影響較為顯著.不僅如此，實證結果表明“人人貸”的信用認證可以起到提示信用風險的作用，進而降低了借貸雙方信息不對稱程度.文章也指出評級指標過于單一，這使得其風險提示作用有限.廖理等（2014）運用 6453 個來源于人人貸的有效訂單驗證實了我國互聯網金融存在地區偏好性歧視現象，即地區差異對訂單成功率有影響，對違約率沒有影響，并指出這是一種非理性的歧視[8].顧慧瑩等（2015）對WDW車貸平臺的數據做研究，找到了借款人違約的關鍵因素，指出軟信息更能體現借款動機和償還意愿，平臺信用評級和違約率存在顯著負相關[9].王重潤等（2016）以“紅嶺創投”的交易數據中選取了借款人相關的9個特征因素，用Logit分析表明，借款利率、期限、用途、提前還款次數和逾期還款次數對借款者違約行為有顯著正向影響，而借款金額、信用積分、戶口所在地和正常還款次數對違約行為有顯著負向影響[10].于軍（2017）從語言信息含量和內容兩個角度研究描述性信息和違約之間的關系，實證分析表明描述性信息信息量越大，借款人越不容易違約[11].

綜合而言，國內外學者針對違約人行為展開了多層次的研究，涉及人際關系、借款人“硬”“軟”信息呈現、地域歧視等.但針對某一區域違約人是否存在明顯的區域特征還未有研究呈現.因此，課題組針對湖南省網貸違約人特征展開了進一步研究.

3?研究設計

3.1?數據來源和樣本選取

“人人貸”平臺成立于2010年，是較早一批平臺中公信力及各項指標都保持平穩的典型平臺，在網貸之家、網貸天眼等第三方評級網站中排名一直較為靠前（前10名內）.因此，本文選取“人人貸”平臺上的數據作為研究對象，應該能較好地反映網貸人群的真實特點.課題組利用網絡爬蟲這一技術手段爬取了2015年

選擇2015年數據的原因為：確認為壞賬的時間.因為網貸期限大部分分布在1個月到36個月之間.如選擇2017年數據，則無壞賬呈現. “人人貸”平臺上的借款數據信息，建立了兩個樣本庫，一個為全國隨機樣本（簡稱為Sample1），共有數據1326條，另一為湖南省隨機樣本（簡稱為Sample2），共有數據442條.將通過對兩個樣本的實證研究來驗證違約人特征是否具有區域性特點.

3.2理論假設和變量選擇

本課題的基本前提假設即：借款人的某些信息與借款違約行為是有概率聯系的.理論上來看，借款人違約的影響因素應包括項目本身的基本要素，如借款目的、金額、利率、期限等，還有與借款人本身相關的各類因素，如借款人經濟狀況、信用狀況等.Iyer等（2009）將借款人信息分為“硬”和“軟”兩類，“硬”信息指能夠被客觀證實的內容[12]，如借款人身份信息、借款項目信息;而“軟”信息則是指不能被直接證實的內容，如借款人對借款目的的文字描述等.Greiner&Wang（2010）則把借款人信息分為經濟信息和社會信息，經濟信息用以衡量借款人的還款能力，社會信息衡量借款人的借款能力并以借款人是否參與聯合借款作為判斷標準[13].本課題組除參考以上分類方式外，還借鑒了顧慧瑩、王重潤等研究者的信息分類方法，將獲得的數據分為四類，分別是借款人自身特征信息、借款人經濟信息、借款標的信息和平臺信息.詳細分類說明和假設為：

借款人的自身特征信息，包括性別、年齡、婚姻狀況、教育水平.

此類信息能夠反映借款人的社會分類屬性和某些個體特點，較多文獻都通過定性和定量分析傾向于認為女性比男性更可能按時償還借款（Dinh & Kleimeier，2007;Roslan & Karim，2009）[14-15].課題組在此處假設：

H1?相較于女性借款人，男性借款人更傾向于違約.

一般認知中會認為年齡大的借款人會比年齡小的借款人更具有風險規避性，傾向于完成承諾，按時還款.Arminger等（1997）等通過實證分析也確認了這一點，即年輕借款人的不夠成熟和缺乏耐心，更傾向于違約[16].所以課題組假設：

H2?借款人年齡和違約率負相關.

婚姻狀況在我國文化認知中是一個人趨于穩定的象征，一般會認為已婚人士因為有家庭責任而更傾向于履約.但在Dinh&Kleimeier（2007）的研究中卻發現已婚人群的還款性更低，解釋為已婚借款人由于家庭負擔，經濟壓力更大，因此更容易違約.課題組經過探討，認為在我國婚姻仍舊是一個人走向成熟穩定的標志，婚姻中如兩人都有工作則家庭整體償債能力上升，而單身、離異或喪偶的借款人相較于核心家庭償債能力會弱一些.故而課題組仍舊假設：

H3?處于婚姻狀態中的借款人相較于不處于婚姻狀態中的借款人（未婚、離異、喪偶）違約率更低，即已婚狀態與網貸違約率負相關.

教育水平在學者的研究中都是與違約率負相關，即借款人所受教育年限越長，學歷越高，借款違約率越低（廖理，2015）.這也符合一般認知，課題組假設：

H4?高學歷借款人違約風險較低，即學歷和網貸違約率負相關.

借款人經濟信息：債務收入比，有無房產，有無車產，有無房貸，有無車貸.

此類信息是衡量借款人償債能力的重要指標，基本都是直接與償還能力相關.其中最直接的就是債務收入比，Lin等（2013）認為經濟強度最重要的指標就是債務收入比，比值越高，說明借款人償債能力強[17].課題組經過對數據的考量，將債務收入比與Lin等的比法剛好做一個倒數處理，即Lin用的是年收入/借款金額，而本課題中用的是借款金額/月收入，這是由于平臺提供原始數據的不同而做的相應處理，實際衡量結果的表征意義不會改變，只是正負相關解釋剛好相反，且數據都變成了非小數，利于數據衡量的穩定性.

H5?借款人的債務收入比與網貸違約率正相關.

借款人的房屋產權對借款違約率也會產生影響，Greiner&Wang（2009）分析檢驗了有房產的借款人生活相對穩定，還款能力強.中國人的傳統觀念里也普遍認可，有恒產者有恒心.所以課題組假設：

H6?借款人是否擁有房屋與借款違約率負相關.

借款人擁有車產的衡量意義較少納入國外學者的研究范疇中，因為在國外（特別是歐洲、美國）車只是作為一種代步交通工具，納入個人財產考量意義不大.但課題組經過探討認為，在國內車產目前仍舊可以作為一個財產衡量標志，是否擁有車輛在中國人的認知范疇內是一個家庭或者個人經濟實力或社會勞動能力的體現

在這里主要是指某人或某個家庭是否需要一輛車來完成家庭收入的需要，如跑運輸的，或業務活動量大的工作等..因此假設：

H7?擁有車產說明家庭經濟實力較強或勞動能力強，所以與網貸違約率負相關.

在具體的個人經濟信息中分類，擁有房產和車產償債能力則被認可為更強，但從另一方面看，現代社會對金融工具的應用使得個人加杠桿情況增加，因此在個人在有房有車的情況下，可能還有房貸和車貸，房貸與車貸一般都是按月償還，對個人收入穩定性要求比較高，自然會擠壓借款人的資金空間，因此課題組假設：

H8?有房貸需要償還與網貸違約率正相關.

H9?有車貸需要償還與網貸違約率正相關.

借款標的信息：借款金額、利率、期限、用途.

借款標的信息是直接反映借款需求并影響投資者決策的最主要信息，其中借款金額因為方差較大，所以在變量選擇時將其與收入結合，形成債務收入比，在借款人經濟信息中已經納含，故此處不再重復使用.大部分的研究中借款利率都被認為與違約率正相關（王重潤，2016），因為借款利率高說明借款人必須用高利率來吸引投資者，一方面說明借款人質量低，同時也反映到借款人的融資成本高，償還更加困難.故而課題組假設：

H10?借款利率越高，借款人質量越低，與網貸違約率正相關.

借款期限在平臺上一般為1～36個月，王重潤（2015）通過實證分析證明借款期限對違約行為有正向影響，符合一般認知，因為借款期限長，說明可能借款者的財務狀況不確定更大，違約行為可能性也越大.故而假設：

H11?借款期限與網貸違約率正相關.

借款用途是不太好權衡的一個變量，課題組經過探討認為個人消費的貸款違約率應該小于投資經營和短期周轉，因為后兩者屬于生產經營范疇，面臨的各類風險大，而消費貸款的還款來源一般是個人和家庭收入，相對穩定和可預期.因此假設：

H12?偏消費的借款類型與網貸違約率負相關.

平臺信息：平臺認證個數，描述指數.

平臺信息主要反映P2P網貸平臺作為信息中介對借款人信用的第三方測度.“人人貸”平臺上有專屬的平臺信用打分，但因為是后向打分，即分數會根據借款人的行為調整，所以不取這一分數.而取用的是平臺認證個數和描述指數.其中平臺認證個數是借款人在發布借款信息前后愿意提交的各類個人信息認證，如身份證、電話、短信、頭銜、工作地點等等，總數目多達24個，課題組認為認證的個數越多，該借款人的違約率越低.描述指數是人人貸平臺根據借款人在平臺上填寫的各類信息以及借款說明等給出的一個平臺打分.一般而言，描述指數越高的會靠前推薦給投資人，所以課題組傾向于認可描述指數越高，違約率越低.給出假設如下：

H13?平臺認證個數與網貸違約率負相關.

H14?平臺描述指數與網貸違約率負相關.

3.3?實證模型設計

4?實證分析

4.1?模型檢驗

4.1.1?模型整體性顯著性檢驗

對模型整體顯著性檢驗在Logit分析中有一步模型系數綜合檢驗（Omnibus Tests of Model Coefficients），檢驗似然比（LR）統計量，可以測定模型是否整體顯著.Sample1和Sample2輸出結果見表2和表3.

可見Sig.值都小于0.05，可以拒絕原假設，而且在此檢驗中，兩個樣本的Sig.值都小于0.01，說明差異極顯著，模型整體顯著性較好.

4.1.2?變量顯著性檢驗

本文設計模型中功有14個解釋變量，數目較多，因此需要對更有解釋力的變量進行篩選.二元Logit模型中有篩選方法可供選擇，分為前進篩選法和后退篩選法.其中前進篩選法是將變量逐個引入模型進行篩選，后退篩選法則是先將所有解釋變量放入模型，再逐個剔除不顯著的變量.針對本文中的模型，更適合采用后退篩選法.Sample1和Sample2的檢驗結果見表4和表5.

經過二元Logit模型后向篩選，Sample1中剩余9個解釋變量，Sample2中剩余4個解釋變量.Sample2中剩余的解釋變量全部包含與Sample1中，一方面說明全國隨機樣本解釋力較強，另一方面也說明需要探尋為何有些變量在Sample2中被剔除的原因.為了更好的展示解釋變量在Sample1和Sample2中的關系，用圖1表示為：

4.2?實證結果分析

4.2.1?總體分析

從表4和表5中可以看出，Sample1和Sample2中最后的解釋變量Sig.值都小于0.05，說明留下的變量都在5%的顯著性水平上對模型有顯著影響.由于Logit模型中的變量系數不能被解釋為對因變量的邊際影響，故系數大小沒有特定的經濟解釋意義，但系數符號能充分說明自變量對因變量的正負相關關系.若解釋變量系數為正，則表明解釋變量對因變量有正向影響，則因變量取值為1的概率越大，在本模型中，即違約概率越大.啞變量的正負系數可參照啞變量設定時的解釋意義分析，如房產這一啞變量，設定有為0，無為1，回歸模型中系數為負值，與假設H6一致，接受原假設，即借款人是否擁有房屋與借款違約率負相關.課題組發現所有Sample1和Sample2共有的解釋變量正負號一致，即相關性一致（見表6）.

這里有三點值得說明，第一，兩個樣本的解釋變量具有特征一致性，且符合包含邏輯，大樣本包含小樣本中所有解釋變量特征.第二，說明全國隨機樣本的解釋范疇更寬.第三，兩個樣本之間沒有出現異常解釋變量——即Sample2中出現Sample1中被剔除的變量，說明兩個樣本符合隨機邏輯，模型對比擬合度比較好.

4.2.2?對Sample1的實證結果分析

經過二元Logit向后回歸篩選6次，Sample1中共留下9個變量.變量列表和假設對比檢驗見表7.

被篩選出局的5個變量分別是性別（sex）、年齡（age）、婚姻狀況（marriage）、車貸（carloan）、借款用途（borrow-type）.其中前3個來自于借款人自身特征信息，剩下2個分別來自借款人經濟信息和借款標的信息.也即言，大部分關于借款人自身身份特征的信息與是否違約相關度不大，更加重要的是借款人的經濟信息和標的信息和平臺信息.其中車貸信息被篩選掉比較容易理解，因為該指標在兩個樣本中取值為1的（即有車貸的）均占比不到10%，難有明確解釋意義呈現.而借款用途被篩選掉與王重潤（2016）研究結果不一致，課題組認為這可能與平臺信息呈現方式不同有關.剩下的9個變量中，4個相關性符合原假設設定，5個不符合原假設，不符合假設的值得進一步研究.

債務收入比與違約率呈現負相關是非常值得注意的拒絕原假設實證結果.單獨分析結果表面意義解讀，即從收入角度看，償還能力越?。ń杩罱痤~/月收入），違約率越低.這不符合理解邏輯，同時與顧慧瑩（2015）的研究結果不一致.課題組為了解釋這個問題，對數據再次進行處理，將借款收入比還原為兩個變量：借款金額和收入，再次納入模型回歸，結果見表8.

在變量還原分析中結果也都是與理論推測相反，一般認為借款金額越大，違約率越高，而實證分析說明，借款金額越大違約率越低.但結合平臺授信分析就能推測出：這是因為能在平臺上獲取較大額度貸款的一般是作為企業投資經營需要，平臺會自行進行盡責的線下調查;而較小額度的貸款一般是無抵押靠信用擔保，違約風險也會高發.同時這一實證結果與王重潤（2016）研究成果一致.另一個變量收入與違約率正相關，也不符合理論預測，一般會認為收入越高的人償債能力也越強.于是課題組對收入這一變量做具體描述分析，結果見表9和圖2.

從數據分布的偏度和豐度指標來看都在可接受范圍內，但從直方圖可以評估該分布不符合正態分布，呈現尖峰頂右偏狀態.可以判斷的是，變量數據的分布形態與平臺數據呈現有關，因為“人人貸”平臺在讓借款人輸入收入數據是給定數據范圍，如收入是小于2000，2000～5000之間，5000～10000之間……，課題組對數據做了平均化處理，因此可以判斷該數據在真實意義上不能很好反映借款者的真實收入水平.另外，數據呈現右偏狀態也能夠判斷人們在借款時傾向于高報自己的真實收入，故而就比較好解釋實證分析中的正相關狀態了，即人們在為取得貸款時傾向于虛報收入，所以導致數據呈現上的收入越高和違約率也越高.

實證結果表明借款期限與網貸違約率負相關，拒絕原假設.課題組經過探討認為，原假設忽略了期限是一個主觀選擇量，即在網貸平臺和傳統信用中介不同，是由借款者主動選擇借款期限.理性借款人會合理分配自己的資金流，選擇更長期限的借款人應該是合理規劃了每個月的資金流，給出的理性借款時間.而更短的借款期限可能是用于短期周轉，本身存在更高風險，或者借款人本身給出較短期限就是為了能快速拿到貸款，而沒有合理規劃自身資金流，更容易導致違約情況的發生.

房貸（mortgage）這一解釋變量與網貸違約率負相關，即有房貸者更傾向于履約，和原理論假設不符.經過探討課題組認為，其實將情景放于真實借款場景中就比較好理解了：首先，有房貸者說明其有購房能力，是經濟實力的一方面體現;其次，有無房貸平臺和投資者都不會去確認，但給出有房貸在身的借款者傾向于更加誠實，也就是說將實際不利于自身借款的信息公開給投資人，此類人群在履約方面也更加盡職.

車產（car）這一解釋變量與網貸違約率正相關，同屬于財產性質的物品，與房產出現了相反的結論，即有車產者更違約率上升，拒絕原假設的負相關設定.課題組深入挖掘原因時發現“網貸之家”對違約人數據分析后有同樣的結論：“雖然車能一定程度上象征財力，但卻對降低違約率沒有幫助”

網貸之家《揭秘網貸圈老賴真實畫像，有車產并不能降低違約率》2018-03-06，https：//www.wdzj.com/hjzs/ptsj/20180306/588267-1.html.這一方面說明模型驗證度較好，另一方面也可反映房產和車產在實際財產效應中的不同表現.

平臺認證個數與網貸違約率正相關，不符合理論預期，拒絕原假設.通過仔細分析認證類型，課題組認為，本來平臺認證信息應該對違約率相關性方向是一致的，但實際上選取的兩種平臺認證其認證方式并不一致.其中拒絕原假設的認證數目變量絕大部分是借款人主動給出，而描述指數則是平臺根據借款人給出的信息，結合后臺算法客觀打出的一個分析分數.也即言，前者偏主觀，后者偏客觀.因此平臺認證個數會與違約率正相關就好解釋了：對于真正具有良好信用的借款人來說，他并不需要通過更多的認證來證明其信用;相反是急需貸款或本身信用有缺失的人群，才會主動通過更多認證來證明自己有還款能力.而且在認證設置上本研究只取了數目，但實際中不同類認證對于借款人信用衡量是權重不一的，如手機、短信、相片認證相對容易，而房產、職位、住所等認證則難度更大.

4.2.3?對Sample2的實證結果分析

Sample2的分析過程與Sample1一致，部分結果在前文總體分析中已經給出，此處不在贅述.對比兩個樣本，實際值得注意的是：有5個變量在Sample1中顯著，但在Sample2的實證結果中被剔除了.為何會被剔除？這是值得研究的問題.

首先，課題組從數據分布角度入手研究，即產生變量剔除的原因是否因為Sample1和Sample2在某變量分布上有較大不一致性.其中是否擁有房產這一變量在頻數分析中凸顯出來，見圖3和圖4.觀察數據可以發現在Sample1中house這一變量分布是符合假設的，即擁有房產者有更強的履約能力，而違約人中持有房產者占比偏少;但在Sample2中數據呈現的是違約人中持有房產者占比更多.從數據表現意義上來看，房產擁有在湖南樣本中不能作為借款人的履約能力的經濟實力證明.

在數據分布中，認證個數變量雖然不像房產變量出現了顯著性差別，但也可以發現Sample1和Sample2的不同，見圖5和圖6.顯然全國隨機樣本中的分布更符合一般邏輯，而湖南樣本數據頻數變化較大.課題組認為這可能與樣本數量相關，如果能擴大Sample2中數據數量，應該能消除這一問題.

其次，課題組再次考察在Sample2歷次回歸篩選中被剔除的納含在Sample1變量中，其中是否擁有車產（變量car）在第三次篩選中被剔除，變量house，mortgage，renzheng-num和degree分別在8，9，10和11次篩選中被剔除.也即言，較早剔除的變量只有car，而其他幾個變量都是在最后幾步篩選中剔除.另外值得關注的是，在Sample1中，解釋變量car與違約率是一個正相關關系，見表7;而在Sample2中，雖然較早被剔除，但它在模型中呈現的關系是負相關，且Sig.值大于0.05，不能證明其顯著性，見表10.也即言，在Sample1中得到顯著性檢驗的變量car，在Sample2中無法通過顯著性檢驗.同房產一樣，車產在湖南樣本中也無法作為履約能力提升的體現.

變量house和mortgage分別在第8步和第9步被篩選剔除，前文頻數分析中已經解析了house被剔除原因，此處不再贅文.但容易理解的是，house變量被剔除后，mortgage變量自然會隨之被剔除.因為兩者存在包含關系，且一致性在實證分析拒絕假設8（H8）時也得到了驗證.學歷變量degree在最后一步被剔除，說明該變量雖然沒有達到5%的顯著性標準，但和其他已被剔除的變量相比，對因變量影響更大一些，課題組認為如果Sample2數據量可以擴大，學歷這一解釋變量有可能最后保留在模型中.

5?結論與建議

5.1?結?論

本文以“人人貸”上的借款人數據為研究對象，建立二元Logit模型，用兩個樣本研究了對借款人違約行為產生較顯著影響的因素，其中全國隨機樣本實證結果顯示，負債收入比、借款期限、學歷、房產、房貸、描述指數對違約行為有負向影響，而借款利率、車產、認證個數對借款者違約行為有正向影響.Sample1中保留的9個解釋變量，拒絕了5個原假設，這說明僅通過邏輯分析是無法說明解釋變量對因變量的影響方向的，實證分析結果能更好地發掘人們對解釋變量的認識深度.Sample2中保留了4個解釋變量，保留的解釋變量影響方向和Sample1一致，而剔除的5個變量中，其中3個（house、mortgage、car）有其地域特征原因，另外2個（renzheng-num和degree）應該與樣本數量相關.此外，在Sample1中，對違約率影響特別明顯的解釋變量有利率、房產、車產，Sample2中對違約率影響顯著的是利率，這從實證角度再次說明，利率與違約率的強正相關關系（本例中的實證結果顯示，Sample1中，利率每提高1個點，違約概率上升6個點;Sample2中，利率每提高1個點，違約概率上升7個點.看表4和表5中Exp（B）值）.

5.2?建?議

P2P網貸平臺一方面的確為長期被正規金融所排斥的借款者提供了資金來源渠道，也為投資人提供了收益較高的資金貸放方式，另一方面由于當前平臺建設還不夠完善，面臨較嚴重的信息不對稱、逆向選擇等問題，也集聚了大量違約風險.本課題組將研究重點指向湖南省的網貸違約人特征，是目前該領域研究中尚未涉及的范疇，通過對數據搜集、整理、分析，取得了一定突破.現就研究成果對湖南省在網貸領域信用評價體系建設建議如下：

第一，大方向上與全國普遍使用的信用評價要素保持一致即可.從實證結果可知，對湖南省網貸借款人有顯著影響的因子并未超出全國樣本的范圍，兩者一致性較強.不需要抽出某些特定要素作為湖南省內個人信用評價體系的特色來使用.

第二，湖南省地方特色個人信用評價體系中對財產的擁有（特指房產與車產）不需要賦予高權重.一般財產的擁有是個人經濟實力的象征，但從實證分析可知，湖南樣本中房產和車產的擁有都不能夠作為其信用提升的佐證.這也是與全國隨機樣本的最大差異所在.但要注意的是，本研究不是說房產和車產作為財產證明不重要，而是指其重要程度及對信用的影響關系需要進一步考量.

參考文獻

[1]?KUMAR S. Bank of one：empirical analysis of peer-to-peer financial marketplaces[C]// Reaching New Heights. Americas Conference on Information Systems， Keystone， Colorado， USA， 2007：305.

[2] HERZENSTEIN M， SONENSHEIN S， DHOLAKIA U M.Tell me a good story and I may lend you money：the role of narratives in peer-to-peer lending decisions[J]. Journal of Marketing Research， 2011， 48（SPL）：138.

[3] POPE D G， SYDNOR J R. Whats in a ?picture？ Evidence of discrimination from Prosper.com[J]. Journal of Human Resources， 2011， 46（1）：53-92.

[4] DUARTE J， SIEGEL S， YOUNG L. Trust and credit： the role of appearance in peer-to-peer lending[J]. Review of Financial Studies， 2012， 25（8）：2455-2484.

[5] NOWAK A， ROSS A， YENCHA C. Small business borrowing and peer-to-peer lending： evidence from lending Club[J].Contemporary Economic Policy，2018，36（2）：318-336.

[6] 繆蓮英， 陳金龍. P2P 網絡借貸中社會資本對借款者違約風險的影響——以 Prosper 為例[J]. 金融論壇， 2014，19（3）： 9-15.

[7] 王會娟，廖理.中國P2P網絡借貸平臺信用認證機制研究——來自“人人貸”的經驗證據[J].中國工業經濟，2014（4）：136-147.

[8] 廖理，李夢然，王正位.中國互聯網金融的地域歧視研究[J].數量經濟技術經濟研究，2014，31（5）：54-70.

[9] 顧慧瑩，姚錚.P2P網絡借貸平臺中借款人違約風險影響因素研究——以WDW為例[J].上海經濟研究，2015（11）：37-46.

[10]王重潤，孔兵.P2P網絡借貸違約行為影響因素實證研究——以“紅嶺創投”為例[J].農村金融研究，2016（2）：28-33.

[11]于軍.描述性信息與違約行為的關系研究——基于P2P平臺的分析[J].當代經濟管理，2017，39（5）：86-92.

[12]IYER R，KHWAJA ?A I， LUTTER， E F P，et al. Screening in new credit markets： Can individual lenders infer borrower creditworthiness in peer-to-peer lending？ [R]. Combridge， MA：National Bureau of Economic Research，Working Paper 15242，2009.

[13]GREINER M E， WANG H. Building consumer-to-consumer trust in e-finance marketplaces[C]// Reaching New Heights. Americas Conference on Information Systems， Keystone， Colorado， USA， 2007：211.

[14]DINH T H T， KLEIMEIER S. Credit scoring for vietnams retail banking market： implementation and implications for transactional versus relationship lending[D].Financial Economics，Limburg Institute of Maastricht University，2006.

[15]ROSLAN A， KARIM M. Determinants of microcredit repayment in malaysia： the case of agrobank[J]. Pertanika Journal of Social Science & Humanities， 2009， 4（1）：45-52.

[16]ARMINGER G， ENACHE D， BONNE T. Analyzing credit risk data： a comparison of logistic discrimination， classification tree analysis， and feedforward networks[J]. Social Science Electronic Publishing， 1997， 12（2）：293-310.

[17]LIN M. PRABHALA N R， VISWANATHAN S. Judging borrowers by the company they keep：friendship networks and information asymmetry in online peer-to-peer lending[J].Management Science，2013，59（1）：17-35.