地域差異如何影響P2P平臺借貸的行為
——基于“人人貸”的經驗證據

彭紅楓，楊柳明，譚小玉

(武漢大學 經濟與管理學院，湖北 武漢 430072)

?

地域差異如何影響P2P平臺借貸的行為
——基于“人人貸”的經驗證據

彭紅楓，楊柳明，譚小玉

(武漢大學 經濟與管理學院，湖北 武漢 430072)

本文以人人貸平臺的借貸交易數據為樣本，分別從各省經濟水平、金融生態環境、教育程度和正規金融普及程度等四個角度，考察了地域差異對P2P網絡借貸行為的影響。研究結果表明：我國P2P借貸市場上，不同地域之間的借款成功率存在顯著的差異，地域歧視已經存在于互聯網金融領域。具體而言，經濟水平越高、金融生態環境越好、教育程度越高的省份的借款人更容易獲得借款；而正規金融普及程度對借款成功率有負向影響，表明P2P網絡借貸是正規金融的有效補充。本文的結果為深入理解互聯網金融地域歧視背后的原因，以及創造公平和諧的網絡借貸環境提供了啟示。

地域歧視；P2P網絡借貸；借款成功率

一、問題提出

隨著以互聯網為代表的現代信息科技的高速發展，基于移動支付、社交網絡、搜索引擎和云計算等的互聯網金融模式正在改變傳統金融體系的價值創造和服務方式，其中P2P(Peer-to-Peer)網絡借貸正是一種融合互聯網技術的新型金融模式[1-2]。

作為金融和互聯網融合發展的產物，P2P網絡借貸以其貸款門檻低、覆蓋面廣、信息流通快、交易手續便捷、涉及金額小、借款期限較短等優點備受借款人和投資者的青睞，但是由P2P網絡信息不對稱性而造成的逆向選擇和道德風險等信用問題正成為P2P行業發展的障礙。為了減少信息不對稱程度，幫助投資者在獲取有效信息的基礎上做出理性決定，P2P網貸平臺往往要求借款人提供財務和個人情況等相關信息，其中個人特征信息包括性別、年齡、種族等。在勞動經濟學領域，已有多名學者[3-6]研究了一些諸如性別、年齡、種族、外貌、所在地等個人特征信息引起的社會對勞動者在就業和工資等方面的不平等待遇，即“歧視”問題。類似的歧視問題也存在于互聯網金融領域，在不需要進行面對面交流的網絡借貸市場上，貸款人同樣會由于借款人個人特征的差異而做出不同的貸款決定。目前已有多名學者對個人特征信息如何影響P2P網絡借貸行為的問題進行了研究，例如Ravina[7]和Herzenstein and Andrews[8]研究發現，種族、年齡、性別、體重和外貌可信對借款成功率有顯著影響，上述結論得到了Pope and Sydnor[9]的驗證，具體而言，非裔美國人的借款成功率比信用相近的白人低34%，35-60歲借款人的借款成功率比年齡小于35歲的借款人高40%。除了考察個人特征信息差異對借款成功率的影響之外，部分學者還從借款違約率角度對歧視形成的原因展開了研究，例如Ravina[10]發現長相可信的借款人有更高的信用等級和更低的違約率；相對于白種人而言，黑種人較難獲得貸款，且違約概率比白種人高。此外，吳小英和鞠穎[11]利用Prosper網站交易數據進行研究，發現在同等條件下，學生借款比其他人借款的成功率低3.4%，表明貸款人對學生存在直覺歧視。更進一步地，這種P2P借貸中的身份歧視現象與信息披露質量有關，莊雷和周勤[12]將借款人身份細分為網店店主、私營業主、工薪階層、學生、其他等五種，以“拍拍貸”網站的交易數據為樣本研究互聯網金融中的身份歧視問題，發現當信息披露質量較低時，存在著顯著的身份歧視，隨著信息披露質量上升，身份歧視問題便不再顯著。

從現有研究來看，目前鮮有學者從借款人所在地的角度研究地域差異對網絡借貸行為的影響，即互聯網金融的地域歧視問題。地域歧視是基于地域差異而形成的一種“區別對待”，它是由地域文化差異以及經濟發展不平衡等因素引發的，自古以來便存在[13]。我國地理疆域遼闊、人口眾多，各省份經濟發展程度、生活狀況等各方面存在顯著差異，由此形成的地域歧視問題在我國較為普遍。我國勞動力市場中的地域歧視問題已經凸顯[14-16]，并且目前已經滲透到互聯網金融領域。P2P平臺上的借款人來自我國不同省、自治區、直轄市，那么各省份的差異對其借貸成功有無影響，如果有影響，那么地域的差異性會如何影響借貸行為？廖理等[17]對此進行了深入的探討，他們將各省份訂單成功率的差異性定義為“地域歧視”，發現各省份P2P網絡借貸中存在地域歧視問題，并且指出這種歧視為偏好性歧視，即非理性歧視。以上研究為本文提供了很好的啟迪，然而現有研究尚存兩個方面的問題：第一，對地域歧視的定義尚停留在物理概念上，沒有涉及到各地區的經濟水平、金融生態環境、文化傳承差異及市場化程度等差異，而這些差異對P2P借貸成功率及借款利率存在很大的影響。第二，未將微觀借貸行為與宏觀狀況結合分析，對造成P2P借貸地域歧視的成因缺乏合理的探討。

針對以上兩個問題，本文從四個角度分析地域歧視的成因。首先，經濟發展程度衡量了該省整體承擔債務的能力，貸款人更傾向于選擇位于經濟發展水平高的省份的借款人。其次，金融生態環境衡量了該省市場化發展水平和程度、信息傳遞及金融運作效率，較高的市場化水平意味著良好的法律環境及市場秩序，有利于塑造“誠信”形象，從而提高該省的借款成功率。再次，教育程度衡量了該省居民整體素質，受過良好教育的借款人在撰寫借款陳述及提供認證信息(如教育認證)等方面存在優勢，也會較為重視自己的個人信用記錄。最后，正規金融普及程度衡量了該省居民通過正常渠道借款的難易水平，目前大多數借款人主要通過銀行等傳統金融渠道獲取貸款，對于正規金融普及程度較高的省份，P2P平臺上的大部分借款人是被正規金融拒貸或者雖被放貸、但額度不足的群體，即傳統金融機構篩選后的“次級客戶”，信用級別較低；但是對于正規金融普及程度較低的省份，有較好信譽的借款人通過銀行等正規金融渠道也較難獲得貸款，此時會選擇P2P網絡融資，因此整體而言，借款成功率隨正規金融普及程度提高而降低。

鑒于此，本文將地域差異分為各省經濟水平差異、各省金融生態環境差異、各省教育程度差異、各省正規金融普及程度差異這四種，以中國P2P網貸平臺的領軍者“人人貸”平臺的交易數據為樣本，探討互聯網金融地域歧視背后的原因。實證結果表明：在我國P2P借貸市場上，不同省份間的借款成功率存在顯著的差異性，具體而言，經濟水平越高、金融生態環境越好、教育程度越高的省份的借款人更容易獲得貸款，但正規金融普及率越低的省份的借款人更容易獲得貸款，可以看出P2P網絡借貸是正規金融的有效補充。本文有助于豐富和完善P2P網絡借貸行為的研究，并為解決互聯網金融的“地域歧視”問題提出相關政策性建議。

二、研究設計

(一)研究思路

為了探討地域差異如何影響P2P平臺的借貸行為，本文首先檢驗不同省份之間的P2P借款成功率是否存在差異，如果有差異，則說明P2P網絡借貸中存在地域歧視；在此基礎上，進一步分析這種地域歧視是由地域間的何種差異造成的。

本文將地域差異分為各省經濟水平差異、各省金融生態環境差異、各省教育程度差異、各省正規金融普及程度差異等四種，其中本文采用各省人均GDP衡量經濟水平差異、各省樊綱指數①樊綱指數即市場化指數，由五個方面的指數組成：政府與市場的關系、非國有經濟的發展、產品市場的發育程度、要素市場的發育程度、市場中介組織發育和法律制度環境，概括了該省市場化發展水平和程度、信息傳遞及金融運作效率。本文使用《中國市場化指數:各地區市場化相對進程2011年報告》一書中統計的2009年中國各省數據。衡量金融生態環境差異、各省每十萬人中大學生人數衡量各省教育程度差異，各省每十萬人享有的金融機構數量衡量各省正規金融普及程度差異，除樊綱指數外，以上指標均采用截止到2013年底的統計數據，數據來源為Wind數據庫。

(二)數據描述及預處理

本文選取2014年1月1日至2014年12月31日期間人人貸網站的全部借貸數據作為初始樣本，因為人人貸網站于2013年10月進行了改版并步入快速平穩發展階段，在此時期的借款標的較多，數據的完整性相對較高。共有253321個觀測值，所有樣本都為競標完成狀態下的借貸數據。本文對初始樣本進行如下預處理：①剔除性別、婚姻、學歷、公司規模、工作年限、月收入、借款年限、所在地等信息不全的68505個觀測數據；②因同一借款人每個賬號存在多筆貸款，考慮到研究需要，本文在相同賬號中隨機抽取一筆貸款記錄作為樣本。同時，為了保證樣本的有效性，本文將借款人的年齡段設定為18歲至60歲②民法規定，十八歲的公民有完全行為能力；《勞動法》規定，六十歲為法定退休年齡。，并將借款金額設定在20萬元以下③《最高人民法院關于審理非法集資刑事案件具體應用法律若干問題的解釋》規定，個人吸收公眾存款20萬元以上觸及非法集資標準。，由此共刪除89888個觀測數據；③因港、澳、臺地區訂單數量較少，剔除這三個地區借款共158個觀測數據，最終整理得到94770個有效觀測數據。

(三)地域歧視檢驗的模型設定

為了檢驗P2P借款成功率在不同省份之間是否存在差異，本文將模型設定如下：

successi=α+∑βn×provincen+λ×Controlsi+εi

(1)

其中，successi是第i份訂單的借款成功與否，當借款人借款成功時取1，失敗時取0；provincen表示是否為第個省份，其中香港、澳門、臺灣的訂單數量較少，剔除這三個地區后共有31個省份。本文選擇重慶為對照組，共使用30個虛擬變量，Controlsi表示借款人在P2P借貸平臺上注冊時提供的各類信息，比如訂單信息(借款金額、期限等)和借款人自身信息(性別、年齡等)，εi表示誤差項。

在模型(1)中，如果回歸系數β1=β2=β3=…=β30是聯合顯著的，則可以推斷不同省份訂單成功率的地域差異是不顯著的，即不存在地域差異；反之，表明訂單成功率存在地域差異。

(四)地域差異對借貸行為影響的模型設定

若上述檢驗結果表明P2P借貸中的地域歧視確實存在，本文進一步探討這種歧視背后的原因，根據前文所述，將地域差異分為各省經濟水平差異、金融生態環境差異、教育程度差異和正規金融普及程度差異等四種，本文將設定如下四個模型：

successi=α+β×Per_GDPprovincen+λ×Controlsi+εi

(2)

successi=α+β×Financial_Environmentprovincen+λ×Controlsi+εi

(3)

successi=α+β×Per_College_Studentsprovincen+λ×Controlsi+εi

(4)

successi=α+β×Financial_Institutionsprovincen+λ×Controlsi+εi

(5)

本文將根據模型(2)-(5)，在控制了其他因素的影響后，研究地域間的何種差異會導致各省P2P借貸成功率的差異化。

其中，模型(2)為經濟水平差異對借貸行為影響，Per_GDPprovincen代表第n個省份的經濟水平，采用各省份人均GDP衡量該省份的經濟實力；模型(3)為金融生態環境差異對借貸行為影響，Financial_Environmentprovincen代表第n個省份的金融生態環境，采用各省份樊綱指數作為衡量指標；模型(4)為教育程度差異對借貸行為影響，Per_College_Studentsprovincen代表第n個省份每十萬人中大學生人數，以此衡量該省份的教育程度；模型(5)為正規金融普及程度差異對借貸行為影響，Financial_Institutionsprovincen代表第n個省份每十萬人享有的金融機構數量，以此衡量該省份的正規金融普及程度。回歸系數β代表各省經濟水平、金融生態環境、教育程度和正規金融普及程度等四種差異對借貸行為影響。

(五)變量說明

根據已有文獻對P2P借貸行為影響因素的研究[18-21]以及本文的研究需要，本文選取以下控制變量進行分析：“訂單自身信息”中的借款利率、借款期限、借款金額、借款目的以及“借款人各類信息”中的信用等級、性別、年齡、婚姻狀態、所在公司規模、工作年限、教育程度、收入水平、信用認證個數、有無車產、有無房產、有無車貸、有無房貸等17個變量。下面對本文的研究變量做進一步說明。

表1 變量定義表

1.本文主要研究的因變量

借款成功(success):當借款成功募集到預期數額時取1，否則取0。

2.訂單自身信息變量

(1)借款利率(Rate)：每一個訂單中，借款人都會給出一個自己可以接受的借款利率。

(2)借款期限(Term)：借款人還款期限，按月衡量，最短為3個月，最長為36個月。

(3)借款金額對數值(Log_Money)：借款人預期借款金額，本文取其對數。

(4)借款目的(Purpose)：本文將借款目的分為兩類：購車、購房、裝修、婚禮籌備及投資創業等實物投資目的的借款記為1；短期周轉、個人消費、教育培訓、醫療支出及其他借款等非實物投資目的的借款記為0。

3.借款人的各類信息變量

(1)信用等級(CreditRating)：“人人貸”平臺對借款人提交的信用認證材料進行審核和判斷，然后進行信用評級，共分為AA、A、B、C、D、E、HR七個級別，對其做虛擬變量處理，令HR=1，其他信用等級為0。

(2)性別(sex)：虛擬變量，當性別為男性時取1，女性時取0。

(3)年齡(Age)：借款人提供的年齡信息。

(4)婚姻狀態(Marry)：當借款人已婚、離異或喪偶時取1，未婚時取0。

(5)所在公司規模(Scale)：借款人所在公司的規模，10人以下取1，10-100人取2，100-500人取3，500人以上取4。

(6)工作年限(Worktime)：借款人的工作年限，工作一年(含)以下取1，1-3年(含)取2，3-5年(含)取3，5年以上取4。

(7)教育程度(Edu)：借款人的學歷，高中或以下取1，專科取2，本科取3，研究生或以上取4。

(8)收入水平(Income)：借款人月收入狀況，1000元以下取1，1000-2000元取2，2000-5000元取3，5000-10000元取4，10000-20000元取5，20000-50000元取6，50000元以上取7。

(9)信用認證個數(Certification Number)：借款人在注冊“人人貸”賬戶時，需要提交信用認證材料，具體包括身份認證(Identity Certification)、學歷認證(Education Certification)、信用報告(Credit Report)、居住地證明(Residence Certification)、婚姻認證(Marriage Certification)、工作認證(Job Certification)、微博認證(Blog Certification)、房產認證(House Certification)、車產認證(Car Certification)、手機認證(Mobile phone Certification)、收入認證(Income Certification)、視頻認證(Video Certification)等12種認證，當借款人提交某種認證時，該認證變量取1，統計信用認證的總個數。

(10)房產(House)：借款人是否有房產，擁有房產時取1，沒有取0。

(11)車產(Car)：借款人是否有車產，擁有車產時取1，沒有取0。

(12)房貸(House_Loan)：借款人是否有房貸，擁有房貸時取1，沒有取0。

(13)車貸(Car_Loan)：借款人是否有車貸，擁有車貸時取1，沒有取0。

表1給出了本文涉及變量的名稱及相關定義。

三、實證結果分析

(一)描述性統計

表2計算了各省份的借款成功率，可以看出，各省份的借款成功率中最低的是西藏，僅為2.78%，最高的是重慶，高達80.27%。表2展示了不同地區的借款信息的描述性統計。

表2 各省份借款信息的描述性統計

從圖1可知，不同省份的借款成功率存在顯著差異，下面本文將在控制“訂單自身的信息”和“借款人的各類信息”兩類變量影響的基礎上，進一步探究各省份借款成功率出現差異的原因。

圖1 各省借款成功率統計圖

表3列示了變量的描述性統計。從表3可以看出，觀測樣本中42.4%的借款人成功獲得貸款。對于各省人均GDP、樊綱指數、每十萬人中大學生數以及每十萬人享有的金融機構數等四個變量，最大值與最小值相差較大，兩級分化嚴重。從訂單自身信息變量來看，全部借款的利率平均值為0.132，最大的借款利率為0.240，最小的借款利率為0.080。借款期限平均為22.310，最短的為3個月，最長的為36個月，中位數為24個月，說明P2P網絡借貸的借款期限大多數約為2年。借款金額最小的為3000元，最大的為200000元。大多數借款人的借款目的是短期周轉、個人消費、教育培訓、醫療支出及其他借款等非實物投資，約占74.3%左右。從借款人的各類信息變量來看，全部借款人中，信用等級為HR的借款人占比為56.4%，表明借款人的信用等級普遍偏低。借款人平均年齡為33.322歲，已婚的占67.3%，其中男性占比為79.8%，大多數人所在公司規模在10-100人之間，工作年限在1-3年之間，并且大多數借款人為專科畢業，收入在5000-10000之間，表明大多數借款人都屬于中等收入、工作時間普遍較短且學歷較低。借款人的提交的信任認證個數均值小于1，說明大多數借款人提供的有效認證較少，個人信息認證披露程度低。此外，48.3%的借款人有房產，24.6%的借款人有車產，26.1%的借款人有房貸，6.8%的借款人有車貸。

表3 變量描述性統計

各個自變量與控制變量的相關系數見附表1。從相關系數大小來看，不存在多重共線性問題。

(二)地域歧視的實證檢驗

在控制了“訂單自身的信息”和“借款人的各類信息”兩類變量影響的基礎上，本文探討不同省份的地域差異對借款成功率的影響，對模型(1)進行回歸，回歸結果如表4所示。

表4列示了借款成功率對不同省份的回歸結果，在控制其他變量的情況下，除個別省份外，大多數省份的回歸系數在5%的置信水平上都是顯著的。從各個省份與對照組差異性的F檢驗來看，F值為6.31，拒絕原假設，表明不同省份之間的回歸系數存在顯著差異，即不同省份對借款成功率是有影響的。

此外，大部分控制變量在5%的置信水平上對借款成功率產生影響。具體而言，訂單信息中的借款利率、借款金額對借款成功率有顯著的負向影響，而實物投資目的的借款以及長期借款都能提高借款成功率。其中，借款利率越高，其風險溢價越高，違約風險越大，因此成功率較低；借款金額越大，償還難度越大，成功率越低；借款目的為實物投資時，跑路的可能性較小，并且借款人擁有足夠長的借款期限，還款壓力較輕，二者提高了借款成功率。借款人信息中，借款人信用等級越低，借款成功率越低；性別為男性的借款成功率較低，說明投資者對性別存在一定的歧視；年齡越大、已婚、所在公司規模越大、工作年限越長、教育程度越高、收入越高以及在人人貸網站上提供信用認證個數較多的借款人的借款成功率較高，這類群體一般都是工薪階層，信用等級及個人素質較高，有一定的還款能力。此外，擁有車貸、房貸的借款人有一定的債務償付能力，借款成功率較高。最后，該模型的R2為88.47%，說明本文選取的變量對借款成功率有較強的解釋力。

表4的回歸結果表明，在控制了“訂單自身的信息”和“借款人的各類信息”兩類變量的基礎上，不同省份之間的借款成功率不同，即P2P網絡借貸中存在地域歧視，這與廖理[17]的研究結果是一致的。

表4 省際地域歧視的回歸和F檢驗

(三)探討地域歧視的原因

上述分析驗證了P2P借款中存在地域歧視，為了進一步分析地域歧視形成的原因，本文將地域差異分為經濟水平差異、金融生態環境差異、教育程度差異以及正規金融普及程度差異，分別用人均GDP、樊綱指數、每十萬人中大學生人數以及每十萬人享有的金融機構數量進行衡量，將借款成功率分別對上述四項指標進行回歸，即模型(2)-(5)，得到的回歸結果如表5所示。

表5 四種地域差異對借款成功與否的影響

表5列示了經濟水平差異、金融生態環境差異、教育程度差異以及正規金融普及程度差異對借款成功與否的影響。結果顯示：首先，對于人均GDP，從回歸系數可以看出，人均GDP越大，借款成功率越高，表明經濟水平對借款成功與否存在顯著的正向影響，這是因為各省份的人均GDP在一定程度上衡量了該省整體承擔債務的能力，投資者明顯傾向于選擇經濟發展水平高的省份的借款人。其次，對于樊綱指數，從回歸系數可以看出，樊綱指數越大，借款成功率越高，表明樊綱指數對借款成功與否存在顯著的正向影響，由于各省份的樊綱指數在一定程度上衡量了該省的金融發展環境狀況、法律環境及市場秩序，投資者更加青睞于金融生態環境好的省份的借款人。再次，對于每十萬人中大學生人數，該變量衡量了各省份的教育狀況和居民的整體素質，投資者明顯傾向于選擇教育程度高的省份的借款人。最后，對于每十萬人享有的金融機構數量，從回歸系數可以看出，每十萬人享有的金融機構數量越少，即正規金融普及程度越低，借款成功率越高。

圖2為各省每十萬人享有的金融機構數量。

圖2 每十萬人中享有的金融機構數

對比圖1和圖2，我們發現借款成功率較高的重慶、貴州、吉林等省份正規金融普及程度非常低，這些省份中有良好信譽的借款人通過銀行等正規金融渠道較難獲得貸款，此時轉而尋求P2P網絡融資，表明投資者明顯傾向于正規金融普及程度低的省份的借款人，這也驗證了本文在引言中提出的假設，據此可以看出，P2P網絡借貸已經成為了傳統金融的一種有效補充，這也印證了央行提出的“互聯網金融是現有金融體系的有益補充”這一論斷①見《2013年第二季度中國貨幣政策執行報告》。。

四、穩健性檢驗

為了驗證上述實證結果的穩健性，本文將采用以下三種方法進行檢驗：一是選取不同的樣本，二是替換相關變量，三是計量方法選擇。

(一)樣本選擇

前文研究地域差異如何影響P2P平臺借貸行為使用的樣本是借款額度小于20萬元的數據，此處本文選取借款額度為10萬元以下的數據作為樣本，考察對于不同的借款額度，之前的結果是否依然成立，表6顯示了穩健性檢驗的結果。可以看出，與之前的結果相比，主要研究變量的系數和符號都比較穩定，其顯著性水平也沒有明顯變化，說明前文的結果具有較好的穩健性。

(二)變量替換

在前文的變量設置中，信用認證是由12種認證組成，以借款人提供的信用認證個數總和進行衡量。此處，本文選擇身份認證(Identity Certification)、學歷認證(Education Certification)、信用報告(Credit Report)、居住地證明(Residence Certification)、婚姻認證(Marriage Certification)、工作認證(Job Certification)、微博認證(Blog Certification)、房產認證(House Certification)、車產認證(Car Certification)、手機認證(Mobile phone Certification)、收入認證(Income Certification)、視頻認證(Video Certification)等12個虛擬變量來替代“認證個數”這一變量，對模型(2)-(5)重新進行回歸，得到的回歸結果如表7所示，其結果依然具有穩健性。

表6 穩健性檢驗：借款額度在10萬元以下

續表6

表7 穩健性檢驗：認證個數替換

(三)計量方法

為了統計檢驗以及分析的便利性，前文回歸采用的是OLS回歸，借款成功率是二元選擇變量，Probit模型更適用于此種二元變量，為排除計量方法的選擇偏誤，本文使用Probit模型來回歸檢驗，結果如表8所示。在更換計量方法后，各變量的系數符號和顯著性水平也沒有發生變化，唯一不同的是各系數大小存在局部差異，驗證了本文結果的穩健性。

表8 穩健性檢驗：計量方法——Probit

綜上所述，無論是在樣本選擇、變量替換還是計量方法方面，都驗證了四種地域差異對借貸行為的不同影響，而且按上述三種穩健性檢驗的方法所得回歸結果與前文分析結果一致，表明本文的研究結論是穩健的。

五、結論與啟示

本文以P2P網絡借貸行業的領軍者——人人貸的交易記錄作為樣本，研究了P2P借款成功率在不同地域之間是否存在差異。實證結果顯示，在我國P2P借貸市場上，不同省份之間的借款成功率確實存在顯著的差異性，互聯網借貸領域存在“地域歧視”問題。

進一步地，本文將地域差異分為各省經濟水平差異、各省金融生態環境差異、各省教育程度差異、各省正規金融普及程度差異等四種，分別用各省人均GDP、樊綱指數、每十萬人中大學生人數以及各省每十萬人享有的金融機構數量進行衡量。回歸結果顯示，經濟水平越高、金融生態環境越好、教育程度越高的省份的借款人更容易獲得借款，而正規金融普及程度對借款成功率存在負向影響。

本文的研究結果表明，互聯網金融領域的“地域歧視”是由各省經濟水平、金融生態環境、教育程度、正規金融普及程度等差異造成，因此對于地方政府來說，在大力發展經濟的同時也不能忽視金融市場和教育的發展，應努力優化互聯網金融環境，提高信息傳遞及金融運作效率，完善征信系統，為互聯網金融的發展塑造良好的法律環境和市場秩序，這樣才能有助于減輕地域歧視問題。此外，正規金融普及程度越低的省份借款成功率越高，說明互聯網金融是對傳統金融的有益補充，對于傳統金融難以普及的省份和地區，互聯網金融從一定程度上緩解了該地區融資難的問題。

[1] 皮天雷,趙鐵. 互聯網金融:范疇、革新與展望[J]. 財經科學,2014(6):22-30.

[2] 謝平,鄒傳偉. 互聯網金融模式研究[J]. 金融研究,2012(12):11-22.

[3] Arrow K. The theory of discrimination[J]. Discrimination in Labor Markets, 1973, 3(10): 3-33.

[4] Black D A. Discrimination in an equilibrium search model[J]. Journal of Labor Economics, 1995，13(13): 309-334.

[5] 謝嗣勝,姚先國. 農民工工資歧視的計量分析[J]. 中國農村經濟,2006(4):49-55.

[6] 孫婧芳. 中國城鎮勞動力市場對農民工歧視的研究進展[J]. 經濟學動態,2015(7):91-99.

[7] Ravina E. Beauty, personal characteristics, and trust in credit markets[EB/OL]. http://ssrn.com/abstract=972801, 2008-1-2/2011-8-21.

[8] Herzenstein M, Andrews R L.The democratization of personal consumer loans? Determinants of success in online peer-to-peer loan auctions[J]. Bulletin of the University of Delaware, 2008, 15(3):274-277.

[9] 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.

[10] Ravina E. Love and loans: the effect of beauty and personal characteristics in credit markets[EB/OL].http://ssrn.com/abstract=1101647, 2008-3-16/2013-2-9.

[11] 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(6):980-984.

[12] 莊雷,周勤. 身份歧視:互聯網金融創新效率研究——基于P2P網絡借貸[J]. 經濟管理,2015(4):136-147.

[13] 譚小芬, 李翀. 中國地區經濟差距成因問題的研究綜述[J]. 經濟學動態, 2004 (2): 89-94.

[14] 章元,高漢. 城市二元勞動力市場對農民工的戶籍與地域歧視——以上海市為例[J]. 中國人口科學,2011(5):67-74+112.

[15] 章元,王昊. 城市勞動力市場上的戶籍歧視與地域歧視:基于人口普查數據的研究[J]. 管理世界,2011(7):42-51.

[16] 朱宏飛,鄭浩. 中國城鎮勞動力市場上的地域工資差距——以上海為例[J]. 財貿經濟,2013(7):115-125.

[17] 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(5):54-70.

[18] 廖理,李夢然,王正位. 聰明的投資者:非完全市場化利率與風險識別——來自P2P網絡借貸的證據[J]. 經濟研究,2014(7):125-137.

[19] 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.

[20] Michels J. Do unverifiable disclosures matter? Evidence from peer-to-peer lending[J]. The Accounting Review, 2012, 87(4): 1385-1413.

[21] Iyer R, Khwaja A I, Luttmer E F P, et al. Screening in new credit markets: can individual lenders infer borrower creditworthiness in peer-to-peer lending?[EB/OL].http://ssrn.com/abstract=1570115, 2010-3-15.

責任編輯、校對：李斌泉

2015-12-31

武漢大學“70后學術學者計劃”項目;“武漢大學自主科研項目(人文社會科學)階段性研究成果”;“中央高校基本科研業務費專項資金”資助。

彭紅楓(1976-)，江西省奉新市人，武漢大學經濟與管理學院教授，博士生導師，研究方向：互聯網金融發展與監管；楊柳明(1991-)，山東省泰安市人，武漢大學經濟與管理學院金融系碩士研究生，研究方向：互聯網金融；譚小玉(1990-)，女，湖北省武漢市人，武漢大學經濟與管理學院金融系博士研究生，研究方向：國際金融。

A

1002-2848-2016(05)-0021-14