P2P網貸平臺成交量的影響機制分析

徐梓原

內容摘要：本文立足372家網貸平臺的面板數據，聚焦平臺成交量的影響機制，構建了圍繞“借款情況、可信賴度、平臺熱度、杠桿幅度”等維度的影響因素指標體系，運用多元化的模型預檢驗方法不斷優化和校正基礎模型，而后對成交量的影響機制進入深入探討，認為成交量具有顯著的個體效應，應當采用固定效應模型和雙向固定效應模型。研究發現，預期收益率、可信賴度和平臺熱度是成交量的正向因素，借款期限是成交量的負向因素，高杠桿幅度是成交量的正向因素且其來源于平臺和投資人對于高利潤和高風險的追逐。研究進一步提出了對于網貸平臺和網貸行業進行風險管控的政策建議。

關鍵詞：P2P 網貸平臺 成交量 風險管控

緒論

自2007年我國首家P2P網絡貸款平臺“拍拍貸”在上海創立以來，國內網絡貸款行業呈現出由慢到快、由冷到熱的快速發展勢頭。從2011到2015年上半年，P2P網貸平臺的數量、成交量和參與人數都經歷了爆發式增長——正常運行的網貸平臺數量在2015年達到最高峰，數量近3500個（中國共享經濟發展年度報告，2018）。但是，隨著P2P網貸行業監管力度加碼升級，問題平臺大量出現，行業系統性風險令人堪憂——根據網貸之家數據，從2017年6月至2018年5月，月均問題平臺數量僅為18.25家，而2018年6月問題平臺數驟升至63家，同年7月問題平臺數更高達至169家。為了避免出現更大規模的網貸平臺問題反彈和大范圍的行業危機，網貸平臺巨額交易量背后的經濟規律亟需探尋。本文關注我國網貸平臺交易數據，聚焦平臺成交量影響機制探究，為網貸平臺的正常運營和風險管控提供參考。

相關研究綜述

Berger和Gleisner（2009）用14000個原始貸款數據分析了P2P網貸平臺的中介作用，認為網貸平臺顯著改善了借款人的信貸條件，減少了信息不對稱。Lee等（2012）、Zhang和Chen（2017）、廖理等（2015）分別使用韓國平臺和國內“人人貸”數據，發現投資人、借款人的羊群效應和羊群效應的邊際效應遞減問題。但是，投資人往往具有一定的投資經驗，不是完全的從眾者，更會注重對網貸交易數據的綜合研究。不少學者對于網貸交易進行了考察，比如，張立煒（2016）用四家P2P平臺181天的數據發現，平臺百度指數變化對成交量有正向影響。陳霄（2014）立足網貸個體的“賭博式融資”行為，發現標的特征、信用和地區因素對借款人成本具有顯著影響。南洋和徐鵬（2018）對網貸平臺的信息驗證與借貸效率展開實證，發現高水平的流動性未能有效促進平臺成交量與人氣的提升，反倒是高杠桿水平對于投資者更具吸引力。以上大部分研究側重交叉研究，少有聚焦網貸平臺交易內部機制。

本文立足網貸平臺交易面板數據，建立交易量影響因素指標體系，運用預檢驗方法和多類回歸模型對網貸平臺交易量的影響機制展開深入研究。

指標構建和模型假設

（一）指標體系

本文以網貸之家2017年12月至2018年6月之間的數據為基礎，篩選出372家持續正常經營的網貸平臺，以其7個月的交易數據作為平衡面板（共計2604個觀測值），從“借款情況、可信賴度、平臺熱度、杠桿幅度”四個維度，構建了以平臺成交量（VOL）為核心的影響因素指標體系，見表1所示。

（二）模型假設

相較于銀行儲蓄和借貸體系，網貸平臺具有高風險、高收益、高流動性的自然屬性，還具有投資方市場主導（借款需求往往大于投資資金供給）的獨特屬性。參與網貸平臺投資的投資人往往追逐短期高回報，所以在“借款情況”方面，成交量作用機制如假設1和假設2所示。在“可信賴度、平臺熱度”方面，成交量作用機制如假設3和假設4所示。在“杠桿幅度”方面，追求高收益高回報的網貸平臺和投資人，也會追逐高杠桿率，成交量作用機制如假設5所示。

假設1：預期收益率越高，網貸平臺成交量越大；

假設2：平均借款期限越長，網貸平臺成交量越小；

假設3：平臺可信賴度越高，網貸平臺成交量越大；

假設4：平臺熱度越高，網貸平臺成交量越大；

假設5：杠桿幅度越大，網貸平臺成交量越大。

模型構建和回歸結果

本文運用Eviews對面板數據展開單位根檢驗、協整性檢驗、格蘭杰因果檢驗等模型預檢驗，運用Stata開展面板數據回歸分析。

（一）模型構建的預檢驗

1.面板單位根檢驗。為了避免出現偽回歸問題，確保估計的有效性，本文用四種方法對各面板序列的平穩性進行檢驗（見表2）。除了自變量待還余額和運營時間在部分檢驗方法下不能拒絕有單位根的原假設外，因變量和其他自變量均在四種檢驗中，在0.001的顯著性水平上拒絕單位根原假設。為穩健起見，對待還余額和運營時間一階差分，其差分結果D.REFUND和D.SERTIME均穩健地拒絕了有單位根的原假設。即這兩個變量是一階單整I（1），而其他變量都為零階單整平穩序列I（0），本文以這兩個自變量的一階差分進行回歸。

2.協整性檢驗。指標體系中的十個變量是非同階單整，不能直接對原序列進行協整檢驗和回歸分析，所以，納入兩個具有經濟學意義的一階差分變量進行Kao協整性檢驗。為了后續建立有效的對比回歸模型，按照有無兩個差分變量分組檢驗，如表3所示。四類分組均拒絕了“不協整”的原假設，可以進一步進行格蘭杰因果檢驗，建立回歸模型。

3.格蘭杰因果檢驗。如表4所示，除了變量RATE和差分變量D.SERTIME外，其他變量均在大部分滯后期數內下拒絕了“不是成交量（VOL）的格蘭杰原因”的原假設，表明大部分自變量與因變量具有統計學因果關系，指標體系較為科學。

（二）面板數據回歸

1.混合回歸和模型校正。作為面板回歸模型的對照，首先開展混合回歸，如表5所示。考慮到面板數據的特點，即同一個體在不同時期的擾動項之間往往存在自相關，此處混合回歸采用按照個體不同時期觀測值進行聚類的聚類穩健標準差估計。混合回歸OLS_try模型納入了7個原始自變量和2個差分變量，其中差分變量D.sertime并不顯著，所以去掉，校正得到優化的OLS混合回歸基礎模型。此外，兩個模型的系數和顯著性程度基本一致，表明校正不會損失估計效率。

2.主要面板回歸模型。如表5所示，以校正后的OLS為基礎，建立多類型的固定/隨機效應面板回歸模型。固定效應模型FE、穩健型固定效應模型FE_ro的各變量系數一致，FE_ro的標準差稍大，但也在可接受的范圍。隨機效應模型RE和RE_ro與固定效應的情況類似。值得關注的是，混合回歸模型OLS的部分自變量的系數與固定和隨機效應模型的符號相反——混合回歸模型中，預期收益率RATE、借款標數OBJECT和平均借款期限/運營時間TERM_SERTIME的系數為負數，平均借款期限TERM的系數為正數，個體效應模型中的四個變量的系數與此相反——所以，有必要對兩類模型的選擇進行分析。

第一，混合回歸模型與個體效應模型。首先，從經濟學邏輯來看，本文適合采用個體效應模型：預期收益率上升，將吸引更多的投資人和借款人進入網貸平臺，平臺成交量VOL隨之上升，不可能出現得到負向作用機制，支持個體效應系數為正的結論；同樣地，借款標數OBJECT和平均借款期限/運營時間TERM_SERTIME越大，追逐更多借款標數和更短借款期限的成交量VOL也會隨之增大，支持個體效應系數為正的結論；具有較高預期收益率的風險較大，投資人偏好選擇短期投資期限，而借款期限越長，平臺為了融通借貸必須進行期限拆分，導致借投期限錯配，投資人集中提現可能引發流動性危機，所以借款期限TERM越長，平臺資金流動性風險越高，成交量自然隨之降低，支持個體效應系數為負的結論。其次，進行模型選擇的檢驗，F檢驗的結果為86.52，P值為0.0000，強烈拒絕了“所有異質性截距項ui=0的原假設”，支持固定效應模型優于OLS的判斷。BP檢驗結果的χ2值為2708.91，P值為0.0000，強烈拒絕了“不存在個體隨機效應”的原假設，支持隨機效應模型優于OLS的判斷。綜上，網貸成交量VOL具有強烈的個體異質性，納入個體異質性的個體效應模型（固定/隨機）更適合成交量影響機制研究。

第二，固定效應模型和隨機效應模型。首先，根據豪斯曼檢驗結果，χ2 值為60.02，P值為0.0000，強烈拒絕“固定效應和隨機效應模型的估計參數沒有顯著性差異”原假設，表明應該選擇固定效應模型。其次，固定效應模型FE比隨機效應模型RE的各變量回歸結果更顯著，盡管穩健型固定效應模型FE_ro中部分自變量的顯著性相較于FE有所下降，但是調整R2卻從非穩健型的0.484上升到穩健型的0.588，模型整體得到優化，網貸平臺成交量VOL有58.8%能夠由FE_ro來解釋。綜上，本文適合選擇（穩健型）固定效應模型FE/FE_ro。在“借款情況”方面，預期收益率RATE的系數為0.232，表明預期收益率越高，網貸平臺成交量越高，驗證了假設1。網貸平臺本身是高風險投融資途徑，對有較高風險偏好的投資人而言，高的預期收益率是選擇投資平臺的一個重要因素。此外，平均借款期限TERM的系數為-0.233，表明平均借款期限越長，網貸平臺成交量越小，驗證了假設2。前已述及，投資人傾向于短期投資，而借款期限越長，借投期限錯配率高，流動性風險上升，所以成交量會下降。在“可信賴度”方面，待還余額差分變量D.REFUND代表了每月和上月的待還余額差值，其表征網貸平臺的融資能力增長幅度，其系數為0.648，表明融資能力越強，平臺成交量越大，驗證了假設3。這是網貸平臺在信賴基礎上的融資滾雪球效應，即融資能力增長快的平臺能夠更容易吸納新的投資資金。運營時間SERTIME因非平穩問題未納入模型，此處不做討論。左茹霞等（2017）在發現運營時間非平穩而未做處理直接納入模型，其結論并不妥當。在“平臺熱度”方面，投資人數INVPERS、借款人數BORPERS、借款標數OBJECT的系數分別為0.063、0.048和0.002，表明投資人數、借款人數、借款標數越多，平臺越熱門，其成交量也越大，驗證了假設4。其中，借款標數系數較低，是因為不同平臺的單標借貸額度無一致規律，主營大額或小額業務的平臺均能實現規模經濟和高成交量。在“杠桿幅度”方面，融資資金杠桿VOL_RFUND和融資時間杠桿TERM_SERTIME的系數為0.979和5.967，呈正相關，驗證了假設5。表明網貸個體都為高回報而追逐資金和時間的高杠桿，推動平臺成交量上升。

3.多模型回歸對比分析。在混合回歸、固定/隨機效應模型基礎上，納入最小二乘虛擬變量模型LSDV、考慮時間效應的雙向固定效應模型FE_TW和最大似然模型MLE，觀察前述結論的穩健性，如表6所示。

在（2）-（5）的固定效應回歸中，LSDV的自變量系數和顯著程度與FE完全一致，且全部虛擬變量的系數都顯著，P值為0.000。FE_TW自變量系數與FE的系數符號一致，數值差別較小，顯著性程度一致，對該模型月度虛擬變量進行聯合顯著檢驗，P值為0.000，拒絕“無時間效應”的原假設，表明FE_TW模型也合理。所以，LSDV和FE_TW與FE和FE_ro一致，前述結論仍然成立并十分穩健。在（6）-（8）的隨機效應回歸中，MLE的系數顯著性程度與RE和RE_ro基本相同，但部分系數相差較大。結合之前豪斯曼檢驗對固定效應模型的支持，進一步表明本文適合采用固定效應的FE、FE_ro和FE_TW模型。

結論與建議

本文運用372家網貸平臺成交量面板數據，建立了網貸平臺影響因素指標體系，運用多種預檢驗法修正基礎模型，通過各類固定/隨機面板模型對比，研究發現，成交量的影響機制存在明顯的個體效應，更適合固定效應模型和雙向固定效應模型，研究結論總體符合網貸投資人追逐高風險、高利潤、短期限平臺投資的偏好特征，驗證了事前假設。

總體來看，第一，預期收益率、可信賴度和平臺熱度上升，會推動平臺成交量上升；第二，源于對高風險高回報的追逐，投資人更熱衷于在資金和時間方面激進的高杠桿平臺，這也成為了網貸行業流動性風險的一大隱憂——此結論與南洋和徐鵬（2018）的“高杠桿水平對于投資者更具吸引力”結論一致；第三，借款期限越長，借投期限更易錯配，流動性風險上升，成交量下降。對此，本文建議監管部門要建立網貸平臺進入門檻審核制度，加強對網貸平臺信息披露的要求，建立針對高杠桿幅度平臺的監管控制，引導網貸平臺和投資人正確的投資偏好，多維度、全過程、合理化地將網貸行業風險控制在可以接受的范圍內。

參考文獻：

1.陳霄.民間借貸成本研究——基于P2P網絡借貸的實證分析[J].金融經濟學研究，2014，29（1）

2.國家信息中心分享經濟研究中心，中國互聯網協會分享經濟工作委員會.中國共享經濟發展年度報告[R]，2018

3.廖理，李夢然，王正位等.觀察中學習：P2P網絡投資中信息傳遞與羊群行為[J].清華大學學報（哲學社會科學版），2015（1）

4.南洋，徐鵬.P2P網貸平臺的信息驗證與借貸效率研究——來自“網貸之家”行業評級數據的實證檢驗[J].軟科學，2018（3）

5.張立煒.網絡關注度對P2P平臺成交量的影響——基于百度指數的實證研究[J].投資研究，2016，35（6）

6.左茹霞，王言，李宇紅.P2P網絡借貸成交量影響因素分析[J].財會月刊，2017（3）