P2P網絡借貸交易進度的影響因素考量

摘要：隨著互聯網金融的日漸火熱，P2P網絡借貸也越來越被大家所熟知。通過整理國內某借貸平臺的交易數據，利用多元線性回歸模型，以交易進度作為因變量，借款金額、借款利率、借入信用分和借款人的自身特征作為自變量進行數據分析。研究結果顯示，投資回報率、借款人信用和借款期限是影響網絡借貸交易進度的主要因素。

關鍵詞：P2P網絡借貸；交易進度；影響因素

互聯網金融是借助于互聯網技術提供的金融服務，而P2P網絡借貸作為互聯網金融的一個分支，是個體與個體之間、點與點之間的借貸方式，也是民間借貸的創新與延伸。自2007年8月國內第一家P2P網絡借貸平臺成立以來，這種新型的融資模式逐漸風生水起。尤其是十八屆三中全會提出要大力發展惠普金融，更加助推了P2P網絡借貸的迅速擴張。2013年國內P2P網絡借貸平臺的數量從最初的幾家擴大到了目前的上千家，交易規模達到了近千億元，無論從規模還是數量上來看，同比增長均有百倍之多。

一、P2P網絡借貸模式簡介

P2P網絡借貸模式主要有三大類：單純中介型，以 prosper和拍拍貸主要代表；混合中介型，以 Lengding club為主要代表；公益型，以kiva為主要代表。具體借貸模式及介紹見表1所示。

二、模型數據選取和變量分析

（一）數據選取

選擇國內某借貸平臺對其交易進度進行分析?？紤]到時效性，在采集數據時間方面進行了嚴格的控制，即當天采集前一天的數據，并且采集時間均是在每天早上八點。在采集數據的方式上，利用數據抓拍軟件火車采集器對數據進行采集。研究對象是網站平臺上所公布的借款人的信息，從2013年10月至2014年3月之間的共5000組數據，其中發布成功的有4823組，失敗的有177組，本文從所收集的4823組數據中提取了不重復的借款人信息，并剔除了部分信息不完整的數據，共得到有效數據3870組。樣例詳細信息見表2所示。

（二）變量介紹

1. 交易進度。該借貸平臺每天都會公布借貸的完成進度等內容，以供投資者進行選擇投資，并且每個借款人都會有一個所需借款的完成百分比，如果借款人已經籌集到自己所需的金額，將不再網站平臺公布，所以借貸進度一般都在100%以內。

2. 借款金額。從借款人在借貸平臺上所公布的金額來看，最高的金額為500000元，而最低的金額可以為3000元，僅就本文所選取的數據來看，平均借款金額為9944.76元。

3. 借款利率。該借貸平臺所公布的借款利率范圍在5%～26.24%，未超過銀行所規定的基準利率的4倍?？紤]到數據在處理時的方便性，本文在研究利率方面，對其擴大了100倍進行研究。

4. 借款期限。從該平臺上所公布的數據來看，其借款期限最長為12個月，可知該平臺上的借貸業務側重于短期融資，從而可以有效降低債務風險。

5. 借款人年齡。對于借款人的年齡，該平臺上將其分成了四段，分別是20～25歲，26～31歲，32～38歲，39歲以上。從年齡段的分類來看，20歲以下的借款人是不存在的，可能是考慮到這個年齡段的借款人的償還能力的問題，所以在進行借款審核的時候并未將其納入考慮的范圍之內。

6. 借款人性別。借款人的性別也可能是影響投資者進行投資的因素之一，所以本文在研究的過程中也將其納入了影響投資者投資的影響因素之一，考慮到此變量為名義變量，在研究的過程中需要轉換為啞變量，所以將“女性”賦值為0，“男性”賦值為1。

7. 借款人身份。由于投資者進行投資，關注的是平臺上所公布的借款人信息，主觀性比較強，所以對于借款人的身份特征本文在研究的過程中也將其納入考慮的范疇之內，該平臺共將借款人分成了五大類：私營業主、網店賣家、工薪族、學生和其他。同樣在研究的時候也將這些名義變量轉換成了啞變量，分別將其賦值為1、2、3、4、5。

三、模型建立與回歸分析

本文采用多元線性回歸的方法，以借貸完成的交易進度作為因變量，以借款金額、利率、借款期限等指標作為自變量，從而進行多元線性回歸。根據研究模型做出如下假設：H1表示借款利率越高交易進度越快；H2表示借款期限越短交易進度越慢；H3表示借入信用分值越高交易進度越快；H4表示女性借款人越多交易進度越慢。從而建立如下模型：

P=β0+β1C+β2I+β3T+β4B+β5A+β6S+β7W+ε

其中P代表交易進度，C代表借款金額，I代表借款年利率，T代表借款期限，B代表借入信用分，A代表年齡段，S代表性別，W代表身份，ε代表誤殘差項，β0，β1，……，β7分別代表相對應的系數矩陣。利用軟件spss19.0，采用“進入”的多元線性回歸方法，選擇進入概率為0.05，剔除概率為0.1，得到如下回歸結果，其中3870筆交易中的借款信息統計見表3。

從表3中可以看出，該借貸平臺上的借款年利率的均值在16.47%，未超出銀行標準年利率的四倍；借款金額在10000元左右，不屬于大額款項的范疇；平均借款期限為9個月左右，未超過1年，說明在該借貸網站上的借款大多屬于短期借款；就借款人的年齡段來講，平均年齡在26-31歲左右，說明借款人大多為年輕人；性別方面，在采集的3870組數據中，有81%的借款人為男性，且身份為網店賣家和工薪族居多。其多元回歸模型匯總見表4。

從表4中可以看出，模型共進行了四次迭代，并且最終DW檢驗值為1.514，模型的解釋度為51.9%，從數據來看，DW值和解釋度并不高，究其原因一方面由于網站可能所公布的數據有所誤差，另一方面作為投資者，在選擇投資對象的時候主觀因素所占比例比較高，所以才會導致最終的結果。并且從模型預測結果看，進入模型的變量只有利率、借入信用分、金額和期限，而借款人身份、性別和年齡并未進入，說明投資者在選擇借款人時，對于借款人的這三個因素并未考慮的太多。其系數統計見表5。

從表5來看，各個自變量T檢驗的p值均小于0.05，表明回歸效果比較好，各個自變量對于因變量有顯著影響，可以認定為回歸系數有顯著意義。從各個自變量之間的共線性容差來看，每個自變量的膨脹因子（VIF）都小于5，說明了模型中的自變量之間不存在共線性問題。就回歸系數對模型進行假設檢驗分析，其結果是：H1支持；H2不支持；H3支持；H4不支持。

四、研究結論

本文以國內某借貸平臺為例，研究了P2P網貸平臺中交易進度的影響因素，從借款利率、借入信用分、借款期限、借款人年齡、借款金額、性別和身份7個解釋變量出發，驗證了交易進度與這些解釋變量間的關系。通過建立多元線性回歸模型，導入平臺交易數據進行研究，得出如下結論。

從模型結果來看，借款年利率對于交易進度的完成有正相關作用，即利率越高，借款人越容易籌到錢，由此說明投資者更青睞于投資回報率高的借款人。

借入信用分值作為樣本借貸平臺審核借款人的信用狀況的標準之一，代表了借款人所公布的個人信息的準確度，其對于促進借款進度的完成起到了積極作用，作為投資者，更愿意將錢借給信用度高的借款人。

從還款期限來說，還款期限對于交易進度的完成有負相關作用。期限越長，投資人的風險就會越大，所以，為了降低借款人的違約風險，大多數的投資人選擇的是還款期限比較短的借款人。

借款人的年齡、性別和職業對于交易進度影響不大，說明其在選擇借款人的時候并未過多的考慮這部分因素，當然，這部分的數據也僅僅代表了該平臺在這段時間之內的投資者的一種投資狀況，而不能一概而論。

參考文獻：

[1]高彥彬.P2P 網絡借貸投資者影響因素的博弈模型分析[J].中國集體經濟，2015（21）.

[2]王小麗，丁博.P2P 網絡借貸的分析及其策略建議[J].國際金融，2013（03）.

[3]趙樂峰，杜凱.規范發展我國P2P網絡借貸平臺的思考[J].福建金融管理干部學院學報，2012（01）.

[4]吳小英，鞠穎.基于最小二乘法的網絡借貸模型[J].廈門大學學報（自然科學版），2012（06）.

[5]郭奕.P2P網絡借貸市場的融資成本和融資可獲得性研究[D].西南財經大學，2011.

（作者單位：河南理工大學經濟管理學院）