網絡借貸利率影響因素的實證分析

崔婷，劉家麒

（1.廣東財經大學會計學院，廣州510320；2.中國銀監會深圳監管局，廣東深圳518000）

0 引言

近年來，國內網絡借貸行業蓬勃發展，其交易平臺數量、交易規模在短期內出現爆發式的增長。據統計，截至2017年10月末，國內正常運營的P2P網貸平臺數量超過2600家，行業成交額達到1802.76億元。國內外學者對P2P網絡借貸行業的研究熱度也不斷增加，研究范圍主要包括用戶交易行為的影響因素、羊群行為、利率波動、網絡借貸風險及對策方面。其中，網貸利率的影響因素研究多以單一平臺內部風控信息為切入點，分析網絡借款人的財務信息[1]、信用評級[2]、逾期情況[3]等對網貸成交利率的影響。國內學者關于網貸利率的實證研究大多以拍拍貸平臺數據為分析對象，討論信用等級、違約情況、認證信息數量等因素與成交利率之間的關聯關系[4]。

網絡借貸行業具有典型的雙邊市場（Two-sided market）結構，與上述研究不同，本文跳出運用單一平臺內“硬信息”[5]和“軟信息”[6]等微觀信息來分析網貸利率與用戶行為的框架，從雙邊市場理論的視角建立數理模型，探究影響網絡借貸成交利率的主要因素。進而以多家國內具有代表性的P2P網貸平臺面板數據為樣本，通過設立實證模型論證數理模型中推導出的結論與命題。

1 模型構建與均衡求解

1.1 模型構建

Rochet和Tirole（2003）[7]闡述了雙邊市場的結構特征及典型范例，并率先給其進行定義：當平臺向需求雙方索取的價格總水平P=PB+PS不變時（PB為用戶B的價格，PS為用戶S的價格），任何用戶方價格的變化都會對平臺的總需求和交易量產生直接的影響，這個平臺市場被稱之為雙邊市場?？梢?，網絡借貸平臺具有典型的雙邊市場結構。其中，平臺兩邊的用戶分別為投資人和融資人。為實現平臺利潤的最大化，平臺往往通過對融資人或投資人的收益部分進行收費，計費模式一般為按成交借貸金額的固定比例收取服務費用。同時，由于雙邊市場的交叉網絡外部性的作用，投資人和融資人之間相互存在一定的正外部性，從而增加平臺雙邊用戶的總體效用。

本文的基礎模型參照Belleflamme和Peitz（2010）[8]的模型設定，并放松了其對平臺營利性質的限制。根據Armstrong（2006）[9]和Armstrong和Wright（2007）[10]的雙邊市場競爭模型，假設網絡借貸市場中投資人和融資人為同質化的，即投資人與融資人之間沒有完全隔離的界限，假設模型中投資人、融資人的效用函數為：

競爭型網絡借貸平臺外部性模型采用了標準的豪特林模型（Hotelling Model）的研究框架[10]。假設存在兩家網絡借貸平臺i和j分別位于Hotelling線性市場[0,1]的兩端，投資人和融資人通過平臺進行交易，且分別需要向平臺支付服務費用PI和PB。因此，網絡借貸平臺i的利潤函數可以設為：

將投資人的數量標準化為單位1，均勻分布在線性市場[]0,1之間。x表示平臺上投資人的類型。因此，網絡借貸平臺i和j上投資人的效用函數為：

其中，u表示投資人使用網絡借貸平臺進行投資時所獲得的基礎效用。為了簡化模型，前文已假設網絡借貸市場中投資人和融資人為同質化的，則其交叉網絡外部性系數a及組內網絡外部性系數β相同。顯然，存在a＞0，β＜0。t為投資人的“單位轉移成本（Unit transportation cost），表示網絡借貸平臺的橫向差異化對投資人效用的影響，且t＞0。

1.2 模型均衡求解及假設提出

同理，平臺i上融資人數量可以表示為：

不考慮違約風險的情況，聯立式（8）和式（9），可以解得：

其中，存在t+α-β＞0。由式（12）可以看出，網絡借貸利率提高，平臺上投資人數量會相應增加，融資人數量會減少；其他平臺借貸利率的變動會與平臺借貸利率同向變化；另外，網絡平臺對投資人、融資人收取的費用也會對平臺上借貸利率產生影響。

假設1：網貸成交利率受到平臺雙邊用戶供求關系的影響，即網貸成交利率與平臺上的投資人數量有正向關聯關系，與平臺上融資人數量存在負向關聯關系。

假設2：網貸成交利率受到市場資金成本的影響，即網貸成交利率與其他平臺借貸成交利率等存在正向關聯關系。

2 模型設定、變量選取和數據說明

2.1 模型設定

綜合上述數理模型及實證變量研究，本文試通過建立計量模型來論證網絡借貸利率的影響因素，模型的被解釋變量為網絡借貸平均成交利率指標。解釋變量包括平臺上的投資人數量、融資人數量和其他平臺借貸利率。控制變量包括行業平均成交利率、同業拆放利率、民間借貸利率指數、平臺交易規模、平臺平均借款期限和平臺借貸成交率。假設自變量rate與上述因變量之間存在線性關系，對于平臺i在時期t，設定基本實證模型為：

2.2 變量選取

本文選取主要研究變量如下：

網絡借貸平均成交利率（rate）：在網絡借貸平臺每一單撮合交易中，融資人均會自己設置一個其接受范圍內的融資利率；一旦投資人接受融資人提出的融資利率進而向其標的提供融資資金，那么這一單撮合交易便可以視為成交。被研究平臺一個交易日內所有成交利率的平均值便為網絡借貸平均成交利率。

投資人數量（num-invest）：在網絡借貸平臺上登記注冊，并參與融資標的投資的投資人數量。

融資人數量（num-borr）：在網絡借貸平臺上登記注冊，并參與融資標的發標的融資人數量。

行業平均利率指標（indus-rate）：在一個交易日內國內所有網絡借貸平臺借貸成交利率指標的平均值。

同業拆放利率（shibor）：即上海銀行間同業拆放利率，是銀行間市場、資本市場等金融市場資金是否充足的晴雨表。反映銀行機構間資金成本、資金松緊程度。

民間借貸利率指數（social-rate）：即在一個交易日內綜合民間借貸服務中心利率、小額貸款公司放款利率、民間資本管理公司融資價格、社會直接借貸利率等的民間借貸利率綜合指數。反映民間資金成本、資金松緊程度。

平臺交易規模（TOT）：在一個交易日內網絡借貸平臺待還款金額的按日余額。

平臺平均借款期限（duration）：網絡借貸平臺上每一個成交借貸中，融資人均會設定一個借款期限，從數天到數年不定，所有成交借貸中借款期限的平均值即為平臺平均借款期限。

平臺借貸成交率（deal-rate）：平臺借貸成交率是以單一平臺按日成交數量與投資人投標數量的比值來表示。

2.3 數據說明

本文實證研究的樣本包括拍拍貸、宜貸網、微貸網、紅嶺創投和積木盒子這5家國內最具有代表性的P2P網絡借貸平臺。上述5家平臺的成交額在國內P2P借貸機構中位列前茅，相對于行業內其他網絡借貸平臺，其樣本數量較多、數據質量較好，適合于描繪國內P2P網絡借貸市場各類經濟特征的輪廓。鑒于行業本身處于待規范階段，缺乏標準與系統的數據來源，難以獲得較長時間段的系統性連續數據。本文從網絡公開數據中獲得上述P2P借貸機構2017年中4月23日起共計183個交易日的有關平臺投資人、融資人交易數量、平均成交利率、平臺交易余額、平均借款期限等統計數據。通過Choice金融數據平臺獲取相同時間段的民間借貸利率、同業拆放利率等相關指標數據。

3 實證分析

表1給出了變量之間的相關系數以及顯著性水平，從表1中可以簡單看出部分變量之間存在顯著的關聯關系。一是網絡借貸成交利率與行業平均成交利率、同業拆放利率等資金成本指標呈現出較強的正向相關關系。說明網絡借貸利率的形成受到市場資金成本、資金松緊的影響；二是平臺上投資人數量與平臺借貸成交利率存在關聯，可見供求關系直接作用于借貸資金的價格；三是網絡借貸成交利率和平均借款期限、平臺交易規模、平臺借貸成交率之間有顯著的負相關關系，說明平臺間的橫向差異化水平也影響了網絡借貸利率的形成。另外，在表1中，融資人的數量與網絡借貸利率存在不顯著的負向關聯關系，這與上文數理模型推導結論以及現實經濟情況存在差異。但表中僅為簡單相關關系，為了給本文提供更嚴謹的證據，本文將會通過實證研究對網貸利率形成的影響因素進行分析。

本文運用STATA12計量軟件，對上述5家網絡借貸平臺的相關面板數據，運用多元線性回歸分析方法進行實證研究。通過Hausman檢驗，P值為0（chi2=724.77），在1%的水平上拒絕隨機效應。因此，綜合Hausman檢驗的結果和數據結構，采用固定效應（FE）穩健估計的計量方法對面板數據進行逐步回歸，并且運用以下四個計量模型分別論證供求關系、資金成本、平臺橫向差異化水平等對網絡借貸利率的影響。其中，為了論證網絡借貸利率是否受到平臺雙邊借貸用戶供求關系的影響，可以根據表2中的模型（1），以平臺上融資人和投資人的數量作為解釋變量，控制市場利率、平臺規模等因素的干擾。

從表2中模型（1）的結果可以看出，平臺上融資人數量的系數為-0.0000183，投資人的數量的系數為0.0000260，且均在1%的統計水平下顯著。同時模型的擬R2達到10.32%。該結果說明：網貸成交利率與平臺上的投資人數量有正向關聯關系，與平臺上融資人數量存在負向關聯關系。網絡借貸利率提高，平臺上投資人數量會相應增加，融資人數量會減少，反之同理。同時，其他平臺借貸利率的變動會與平臺借貸利率同向變化。假設1得證。

表2中模型（2）在解釋變量的基礎上加入指代橫向差異化的控制變量，從模型的結果能夠看出，網絡借貸交易中平臺交易規模、平均借款期限和平臺借貸成交率的系數分別為0.0000310、0.00225、0.00110，且均在1%的統計水平下顯著，模型的擬R2達到10.32%。可見，橫向差異化水平直接作用于網絡借貸利率的形成。其中，平臺交易規模與平臺借貸成交率正相關于網絡成交利率，說明融資人選擇成交率高、成交量大的借貸平臺進行交易需要付出更多的資金成本。而且長周期的借款往往伴隨的是更高的成交利率，這與Collier（2010）[11]的研究結論相似。

表1 變量相關系數

表2 網絡借貸利率的影響因素研究

那么，除了平臺上雙邊借貸用戶的供求關系，其他市場資金指標是否會對網絡借貸成交利率產生影響？通過表2中模型（3）和模型（4）可以發現，反映銀行間市場資金成本的同業拆放利率與網絡借貸成交利率存在顯著的正相關關系，且在1%的統計水平下顯著，模型的擬R2達到23.78%。另外，在模型（3）中，反映民間市場資金成本的民間借貸利率指數與網絡借貸成交利率的系數為0.0845，且在10%的統計水平下顯著，假設2得證。

4 結論

與傳統產業相比，雙邊市場所具有的交叉網絡外部性、用戶依賴性等特征會使得網絡借貸行業的市場結構特征呈現差異。本文運用雙邊市場理論對網絡借貸平臺進行模型研究和實證檢驗，通過建立數理模型推導出網貸成交利率受到平臺雙邊用戶供求關系和市場資金成本的影響。進而構建并估計關于上述數理模型結論，發現網絡借貸利率同時受到平臺上雙邊借貸用戶的供求關系以及市場資金成本的影響，且這兩大因素的影響比較顯著，其形成機制呈現出高度市場化的特征。

綜上所述，網貸成交利率的形成并非孤立因素所左右，而是其平臺內外部多重因素共同作用的結果。一方面，網絡借貸平臺內部的融資人和投資人對投融資標的的供給與需求直接作用于其平臺成交利率的形成。另一方面，網絡借貸平臺外部的其他平臺成交利率、機構間融資利率、民間借貸利率等行業內外資金成本情況也影響了平臺網貸成交利率的變動。網絡借貸行業作為互聯網金融產業的重要組成部分，為社會中的“長尾”投資人和融資人提供了投融資渠道，并形成了自成一體的撮合定價機制以及高度市場化的交易利率形成體系，將會逐漸成為傳統金融市場的有效補充。

[1]Freedman S,Jin G Z.Do Social Networks Solve Information Problems for Peer-to-Peer Lending?Evidence From Prosper.com[J].Social Science Electronic Publishing,2008,8(43).

[2]Krumme K A,Herrero S.Lending Behavior and Community Structure in an Online Peer-to-Peer Economic Network[C].International Conference on Computational Science and Engineering.IEEE Computer Society,2009.

[3]Kumar R,Liu Y,Ross K.Stochastic Fluid Theory for P2P Streaming Systems[C].INFOCOM 2007.IEEE International Conference on Computer Communications,IEEE,2007.

[4]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).

[5]Lin M F.Peer-to-peer lending:An Empirical Study[J].Doctoral Consortium,2009,(12).

[6]Petersen M A.Information:Hard and Soft[D].Illinois：Kellogg School of Management,2004.

[7]Rochet J C,Tirole J.Platform Competition in Two-sided Markets[J].Journal of the European Economic Association,2003,1(4).

[8]Belleflamme P,Peitz M.Platform Competition and Seller Investment Incentives[J].European Economic Review,2010,54(8).

[9]Armstrong M.Competition in Two-sided Markets[J].RAND Journal of Economics,2006,3(37).

[10]Armstrong M,Wright J.Two-sided Markets,Competitive Bottlenecks and Exclusive Contracts[J].Economic Theory,2007,32(2).

[11]Collier B C,Hampshire R.Sending Mixed Signals:Multilevel Reputation Effects in Peer-to-Peer Lending Markets[C].ACM Conference on Computer Supported Cooperative Work.ACM,2010.