婚姻狀態與網絡借貸中的信用識別

郭峰

摘要：在P2P網絡借貸模式中，不同的借款人個人特征信息具有不同的價值。利用中國P2P企業“人人貸”的數據，本文探討了婚姻在網絡借貸市場中的信用識別價值。實證結果表明，相對于未婚人士，已婚人士的借款成功率更高，同時貸款違約率也更低。同時，不同特征的人結婚，對于提高自己信用所起到的作用也是不相同的。具體而言，對于提高借貸信用而言，男性結婚不如女性結婚；高年齡借款者結婚強于年輕人結婚；高學歷借款者結婚不如低學歷借款者結婚。但對于借款違約率，不同特征借款者結婚的影響差異不大。

關鍵詞：婚姻；信用識別；歧視；P2P網絡借貸

文獻標識碼：A 文章編號：1002-2848-2017（03）-0040-08

一、引言

在經濟學中，家庭被認為是最基本的決策單元。無論是日常消費，還是投資決策，已婚人士和單身人士，都會存在很大的區別。已經結婚有家庭的人士，相對于單身人士，往往會有更穩定的工作和生活，還會共享生活資源，共擔生活成本，違約的機會成本也更高，因而已婚人士理應在借貸市場上有更高的守信重諾的聲望。然而，與婚姻相對于人們的重要性極不相符的是，針對婚姻與借貸關系的深入探討還是很少。已婚人士和未婚人士哪個更容易借到款？借款成功后，哪個違約率更低？由于數據缺失，使用傳統銀行借貸，很難對此進行研究。而P2P平臺提供了包括婚姻狀況變量在內的非常全面的借款者信息，為我們研究這一問題提供了很好的機會。

作為一種新型融資模式，P2P網絡借貸（Peer toPeer Lending）迅速擴張。P2P網絡借貸，是個體網絡借貸的俗稱，即個體和個體之間通過互聯網平臺實現的直接借貸。這種業務模式，起源于英國，興盛于美國，但真正發揚光大，卻是在中國。中國最早的P2P平臺是2007年6月在上海成立的“拍拍貸”。經過幾年的迅速擴張后，P2P行業也趨于降溫，根據網貸之家的年報數據，截至2016年12月底，網貸行業正常運營平臺數量為2448家，相比2015年底減少了985家。

盡管增長迅速，然而P2P信貸相對傳統金融市場具有更大的信息不對稱和交易風險。在這種網絡借貸模式中，投資人有效判斷借款人的信用水平，規避逆向選擇和道德風險的唯一途徑就是信息。為了保護投資者的利益，P2P平臺均要求借款人提供能夠證明其身份和信用能力的各種信息。然而，P2P網絡平臺的信息披露機制又使投資人無法全面了解借款人的信息。因此，信息不對稱問題依然是這個新興市場所面臨的基本問題，這個問題甚至在很大程度上要比傳統金融市場中的更嚴重。P2P網貸市場的長期發展，在很大程度上取決于市場參與者如何利用有效信息來減少這種信息不對稱。

在本文，我們通過收集中國P2P平臺“人人貸”（renrendai.corn）的相關樣本，研究婚姻狀態在P2P網絡借貸中的信用識別價值，探究P2P網絡借貸市場能否準確識別婚姻的信用信號的價值。具體而言，本文將從兩個層面開展研究，一是對貸款成功率的影響，考察未婚人士和已婚人士，在獲得貸款的難度上是否有系統差異；二是對貸款違約率的影響，通過對違約率的考察，可以進一步分析婚姻對借款成功率的影響和貸款違約率的影響是否一致。此外，在考察婚姻狀況對借款成功率和違約率的單一影響外，我們在本文還特別考察了按性別、年齡、受教育程度和收入水平分組的婚姻狀況對借款成功率和違約率的異質性影響，從而得到更豐富的結論。

之前，由于銀行體系內部的相關數據比較難以獲得，婚姻在借貸市場中具有的信用識別價值的研究，還比較少見，本文利用了P2P平臺提供的相關數據，研究了婚姻在P2P網絡借貸市場中的信用識別價值，這是本文的一個創新之處。此外，在現有的P2P網絡借貸的研究文獻中，往往主要考察借款人個人特征的影響，在某種程度上忽略了婚姻和家庭對人們投融資決策的重要影響。研究婚姻與借貸決策的關系，有助于深入理解基本婚姻家庭單位在其他復雜因素聯合作用下，如何影響人們的行為選擇。

本文剩余部分安排為：第二部分綜述相關文獻；第三部分介紹實證回歸方法，以及本文所使用的數據；第四部分討論相關實證結果；最后一部分總結全文。

二、文獻綜述

眾所周知，婚姻是影響家庭資產配置和投融資決策的重要因素，婚姻可以給家庭金融決策者一種安全感，如Waite and Gallagher研究發現相對于未婚家庭，已婚家庭賺錢更多，財富積累也更多，Schmidt and Sevak則發現在美國，單身女性和已婚婦女在財富上存在著巨大差異。在更深入的研究中，Bertocchi等人利用意大利的數據發現，已婚女性比單身女性更多地參與風險投資，但已婚男性和單身男性對風險資產的參與沒有明顯差異，這一結論在中國的相關實證研究中也得到了印證?？紤]到這些因素之后，我們自然可以預期，人們在考慮是否向借款人借出資金時，必然會考慮到借款人的婚姻狀態，即借款人的婚姻狀態具有了信用識別的價值。本文主要利用P2P網絡借貸來考察婚姻的信用識別價值。

P2P網絡借貸行業在全球范圍內方興未艾，相應的學術研究也蓬勃發展，P2P平臺披露的各類信息，為相關研究創造了條件。如何識別借款人的風險，是P2P平臺運營的重要環節。各國學者從多個角度深入分析了P2P平臺上能夠識別借款人風險的各類因素，得到了豐富的結論。例如，Freedmanand Jin，以及Lin等人的研究指出借款人的基本信息是投資者對其還款可能性進行評估的主要參照因素，借款人的信用等級越低，其借款成功率越低，借款成功之后的違約率也越高。Iyer等人則發現借款人的財務狀況對其借款成功率也有顯著影響。Puro等人則發現信用得分、總負債償還比率、當前拖欠記錄等因素都會影響到借款成功率。王會娟和廖理基于中國P2P平臺“人人貸”的相關數據，也發現借款人信用高低是影響P2P平臺穩健運行的關鍵，借款人的信用評級越高，交易越容易成功，且借款成本越低。endprint

借款人的相關人口學特征如何影響P2P平臺上的借款成功率和違約率也得到了很多文獻的關注。Herzenstein等人利用美國P2P平臺Prosper上的數據，發現非裔借款者相比其他種族借款者確實不容易借到錢。Pope and Sydnor基于Prosper利率拍賣機制的數據，則發現非裔美國人借貸成功的概率比與其信用評級相似的白人更低的同時，貸款利率也比白人更高。此外，Pope and Sydnor的研究還發現與35-60歲的群體相比，35歲以下的借款人具有更高的借款成功率，60歲以上的借款成功率則更低，換言之，網絡借貸中存在年齡歧視的問題。Duarte等人發現長相更可信的人在P2P平臺上借錢更容易融資成功，而且這些人也確實違約率較低。這一點，在Ravina的研究中也有類似的發現，他發現長相漂亮的借款人更容易以更低的利率借到款項。在性別歧視的相關研究中，Chen等人發現在中國P2P網絡借貸市場上，存在顯著的女性性別歧視，然而，Barasinska and Sehafer基于德國P2P平臺Smava的相關數據得到的結論并不支持性別歧視的觀點。廖理等的一項研究還發現高學歷借款者如約還款概率更高，高等教育年限增強了借款人的自我約束能力，但是投資者卻并未青睞高學歷借款人。

三、研究設計

（一）實證模型

本文研究主旨在于考察婚姻狀況在P2P網絡借貸平臺上是否具有信用識別的價值。換個角度來說，其實也可以認為是考察在網絡借貸上是否存在歧視現象。為此，我們首先可以考察結婚與否，在P2P平臺上借款的成功率是否存在差異，并進一步考察婚姻狀態對P2P借款違約率的影響。由于因變量借款是否成功和借款是否違約，都是虛擬變量，因此我們使用的是Probit回歸模型。估計模型如下：

P（success=1|x）=G（鄧）

或者

P（default=1|x）=G（Xβ）

其中，G（·）表示標準累積正態分布函數，success和default分別表示是否借款成功和借款是否違約，X為下文所述的自變量向量，β為待估計系數向量?？紤]到可能存在異方差的問題，我們將估計穩健性的回歸結果。此外，為了度量自變量對因變量影響的大小，我們還將計算Probit模型估計得到邊際效應，即就上述方程對x_i求偏導數：

（二）數據選取

本文搜集了中國代表性的P2P平臺“人人貸”網站（WWW.renrendai.corn）上的所有借貸數據。人人貸成立于2010年5月，當年10月正式上線。我們采用爬蟲軟件從人人貸網站抓取了該網站自2010年10月12日上線至2015年8月7日間所有借款標的信息。人人貸網站的投標種類分為四種：信用認證標、實地認證標、機構擔保標以及智能理財標。由于實地認證標、機構擔保標和智能理財標的擔保方式和信息披露方式與我們要考察的目標存在較大的差異，并且在我們的樣本期間違約率基本為零，因此本文主要對信用認證標進行深入研究，剔除了其他三類訂單樣本。我們的樣本中剔除了一些異常值，也剔除了少量婚姻狀況不明的樣本。本文所用數據最終包含498259個投標記錄，其中流標474213個，在成功借款的投標中，8988個貸款仍然在還款中，12742個貸款已結清，350個貸款逾期，1966個壞賬。

（三）主要變量說明

1.被解釋變量。P2P平臺上獨特的數據樣本可以讓我們從不同的角度分析P2P借貸的結果：是否成功借款（Success），以及貸款是否違約（default）。是否成功借款反映的是投資者對于借款人該筆借款的認可程度，是投資者觀點的體現。貸款是否違約反映的是借款人最終行為結果，是借款人信用風險的真實揭露。將借款結果分為兩個層面探討的好處之一是可以將兩個層面的研究結果相互對比，進而得到投資者認知與借款人真實風險的差異。具體而言，相關變量構造說明如下：

成功借款（success）：啞變量，如果標的狀態為還款中、已結清、逾期、壞賬，則啞變量成功借款取值為l；如果標的狀態顯示為借款失敗，則啞變量借款成功取值為0。根據描述性統計可知，在本文樣本中，所有訂單中大約有4.6%的訂單籌款成功。

借款違約（default）：啞變量，若訂單違約則取值為1，否則為0。由于正在還款的訂單無法考察其最終的違約情況，因此不計算在內。當一個訂單完成籌款后，如果未能按時還款超過約定時間30天后，人人貸網站將這種行為認定為嚴重逾期，網站對于該訂單的狀態會顯示為“逾期”；另有一些訂單逾期時間超過90天，人人貸網站將按照對投資者“本金保障”的約定，墊付本金，這時網站對于該訂單的狀態會顯示為“已墊付”。本文將這兩種狀態下的訂單都視作違約訂單。在本文樣本中，人人貸網站上，訂單違約比率約為15.4%。這一貸款違約率高于一些其他基于人人貸進行相關研究的文獻，說明隨著時間的演進，P2P借貸中積累的違約風險逐步上升。

2.核心解釋變量。借款人的婚姻狀況（mar）是本文要考察的核心解釋變量，也為啞變量：已婚設為1，未婚設為0。在原始數據中，婚姻狀況被分為四種類型：單身、已婚、離異及喪偶?；谖覀兊难芯磕康?，在本文中我們將其簡化為兩大類：第一類為已婚，標記為1，本文全樣本中，已婚借款人比例占到42.8%；第二類為未婚，包括單身、離異或喪偶，標記為0，在全樣本中，未婚借款人比例占到57.2%。而在借款成功的子樣本中，已婚比例則為64.7%，遠高于全樣本；在訂單違約樣本中，已婚比例為61.7%，也高于全樣本，但低于借款成功樣本。

3.控制變量。本文控制變量主要包括兩大類，既包括借款人信息，也包括借款標的信息。借款人信息包括：性別、年齡、收入情況、受教育程度、資產情況（住房和汽車）等；借款標的信息主要包括借款金額、借款期限等。具體而言，主要變量的變量說明為：

性別（male）：我們設定一個性別啞變量，男性賦值為1，女性賦值為0，根據本文統計，所有借款人中男性借款者大約是86.2%。其中已婚借款者中，男性比例為85.3%，未婚借款者中，男性比例為86.8%。endprint