貨幣政策如何支持大眾創業

陳思遠　王雄

摘? ?要：本文以“人人貸”2015年8月25日前后的2個月的借款人信息作為研究樣本，通過FGLS和Probit模型實證研究降準降息的貨幣政策對網絡借貸平臺上創業者的借款利率和借款成功率的影響。實證結果表明，實施降準降息的貨幣政策后，創業者在P2P網貸市場上的借款利率顯著降低，借款成功率雖然顯著上升，但結果并不穩健。東部地區的創業者借款利率更低，女性創業者借款利率更低，信用評級依然是影響借款利率的重要因素，對借款人依舊存在身份歧視。

關鍵詞：貨幣政策;網絡借貸;創業者;創新創業

中圖分類號：F822.0? ?文獻標識碼：B? 文章編號：1674-2265（2019）10-0039-08

DOI：10.19647/j.cnki.37-1462/f.2019.10.006

一、引言

2014年9月，李克強總理在夏季達沃斯論壇提出“大眾創業，萬眾創新”，掀起創業浪潮。2018年9月18日，國務院下發《關于推動創新創業高質量發展打造“雙創”升級版的意見》，再一次強調了創新創業是促進我國經濟穩定發展必不可少的力量，創業能充分激發市場主體活力，并且其帶動就業效應顯著。在金融市場中，創業者是資金需求的長尾群體，在傳統金融機構中借款困難重重，創業者較小的融資規模和資本運作空間使其并不受大額資本的青睞，如何籌集到足夠資金成為創業者面臨的困難之一。

作為互聯網金融的重要組成部分，P2P網絡借貸為資金需求的長尾群體提供了新的融資渠道，以一種新型的金融服務與交易的方式服務大眾，極大地提高了長尾群體的金融服務可得性。為了進一步降低企業的融資成本，央行自2014年11月以來進行了多次降準降息，使P2P網貸市場的整體利率顯著下降。那么貨幣政策對P2P網貸平臺上創業者這一長尾群體借貸的影響如何呢？降準降息的貨幣政策會在一定程度上降低創業者在P2P網貸平臺上的融資成本，并提高他們的借款成功率嗎？研究貨幣政策對P2P網貸平臺上創業者的影響對創業者具有重要意義，也為P2P網貸平臺支持國家雙創政策、進一步實現普惠金融提供依據。

二、文獻綜述

國內外對于P2P網絡借貸中的借款利率和借款成功率的研究主要分為內部影響因素和外部影響因素。內部影響因素包括借款人特征和借款標的特征。借款人特征上除了傳統人口統計特征（性別、年齡、健康狀況等）以外，還包括借款人的后天性因素如職業、學歷、收入等。基于性別差異的研究，竇新華等（2018）發現女性借款人在中國P2P網貸市場中受到了較為嚴重的非理性偏好歧視;陳霄和葉德珠（2016）發現單身女性受到的歧視更為嚴重，高學歷背景也無助于提高她們的借款成功率。我國的網絡借貸中存在婚姻歧視，蔣彧和施一舟（2017）通過實證研究得出，相比離異的借款人，已婚借款人的借款成功率更高，并且借款利率更低。Gonzalez和Loureiro（2015）指出青年人常常會被認為是高風險和高違約率的群體，因此他們的借款成功率很低。孫武軍和樊小瑩（2016）認為，工作經歷與學歷對借款成功率有顯著的正向影響，借款人具有越豐富的工作經歷或越高的學歷，其借貸成功率越高。王子敏等（2017）與田秀娟和張智穎（2018）通過對P2P網絡借貸中借款人身份的研究，發現P2P網絡借貸中存在對借款人身份的歧視現象，相較于“小微企業主”，“工薪階層”的借款成功率更高，借款利率更低。同時，胡金焱和李建文（2018）發現創業者更受投資者的青睞，借款成功率更高，違約率較低，但融資成本卻更高。對于借款標的特征的研究，楊柳和廖波（2018）基于借款用途的不同，得出生產性用途的借款更容易借款成功。借款人上傳的借款信息對借款是否成功和借款利率的影響也是巨大的。Duarte等（2012）和郭峰（2016）的研究認為，借款人使用的借款昵稱越真實，上傳的照片看上去越值得信賴，借款成功率越高，借款利率越低，并且違約率更低。借款描述的影響也不容小覷，陳霄等（2018）與孟娜娜和粟勤（2018）發現完整性、可讀性更強的借款描述能向投資者傳遞積極信號，從而提高借款的成功率。彭紅楓和林川（2018）也發現積極類詞語和金融類詞語比重與借款成功率存在顯著正向相關關系。

外部因素對借款利率和借款成功率也有重要的影響。周耿和范從來（2016）研究表明，降息降準的貨幣政策實施對P2P市場的利率下降產生了顯著影響。Yun Xu等（2011）認為社會資本對我國的P2P借貸中借款人的借款成功率存在正向影響。Sergio Herrero-Lopez（2009）認為當出資者無法通過借款人的財務特征判斷借款可靠性時，借款人的社會特征，例如Berger和Gleisner（2009）研究的群組關系，Lin和Prabhala等（2013）、Li和Lin等（2015）、Seth和Ginger（2017）研究朋友數量與質量等會增加借款人獲得貸款的機會，同時降低借款的成本。Burtch和Ghose等（2014）發現文化習慣和地理位置對借貸的影響也是巨大的，文化習慣、地理位置與出借人更相近的借款人借款成功率更高。廖理等（2014）與孫武軍和丁歆（2017）對我國不同地域的P2P網絡借貸交易進行研究，發現P2P網貸中存在非理性偏好性地域歧視，并且歧視程度因省份所處地域不同而存在差別。同時吳雨和李潔等（2018）通過對地方房價的研究發現，房價上漲會使P2P網絡借貸市場借款利率整體上升，并且對三、四線城市的借款利率影響更強。

綜上所述，國內外對P2P網絡借貸的借款利率和借款成功率研究對于借款人特征以及借款標的特征關注較多，對外部影響因素的研究集中于貨幣政策、社會資本、房價、文化習慣和地理位置。相對于內部影響因素，現有文獻對外部影響因素的研究較少，而對貨幣政策影響因素的研究也主要集中于探索貨幣政策對平臺整體的影響，鮮有文獻研究貨幣政策如何影響平臺中具體的借款者。本文考慮貨幣政策，針對P2P借貸平臺上的創業借款人，從創業者借款成本以及借款可得性的角度，實證研究降準降息的貨幣政策是否會降低創業者的融資成本，提高借款成功率。

[?interest?area=β7+β14ptype]

[β14]反映了貨幣政策對不同地區投資創業的借款利率的差異性影響。同理可得，[β15]、[β16]分別反映了寬松貨幣政策對不同性別、信用評級的投資創業借款利率的差異性影響。對于模型（1），采用普通最小二乘法（OLS）對借款利率的檢驗進行估計。同時對模型進行White異方差檢驗，發現存在異方差。為了修正由截面數據的異方差問題造成的結果有偏與不一致，本文同時采用可行的廣義最小二乘法（FGLS）對模型進行檢驗分析，提高回歸的一致性與有效性。

其次研究寬松的貨幣政策對創業者借款成功率的影響。由于被解釋變量success是0-1二值變量，因此用Probit模型進行回歸檢驗。本文借鑒胡金焱和李建文（2018）建立的模型，得到模型（2）：

其中，[Yi]為被解釋變量，[Xi]為解釋變量，[BidInfoi]和[BorrowerInfoi]分別表示標的的特征變量和借款人的特征變量。

四、數據分析

本文使用統計軟件stata14.0計算得出實證結果，見表5和表6。

（一）對P2P網絡借貸平臺上創業者借款利率影響的實證分析

實證結果如表5所示。其中OLS和FGLS的估計結果基本相同，說明模型對計量方法并不敏感，具有較好的穩健性。絕大部分t值都比較顯著，表明解釋變量對被解釋變量具有顯著影響。

貨幣政策policy對P2P網絡借貸借款人的借貸利率的影響顯著為負，降準降息的貨幣政策會降低P2P網絡借貸平臺整體的借款利率，這與周耿和范從來（2016）的研究結果是相符的。核心解釋變量ptype的取值為負，在0.01%水平上顯著，表明實施降息降準的貨幣政策后創業者的借款利率顯著降低。并且無論是OLS估計還是FGLS估計，變量policy的絕對值都大于ptype系數，表明雖然降準降息的貨幣政策會顯著降低創業者的借款利率，但相對于對P2P網貸平臺整體借款利率的影響，貨幣政策對P2P網貸平臺上創業者借款利率的影響還是有所不足。在實施了降準降息的貨幣政策之后，借款性質為投資創業的借款比其他借款性質的借款利率下降得更多，其借款的利率比非創業者與政策實施前的創業者借款利率低37.1個百分點。

借款屬性與借款人特征對P2P借款平臺借款利率的影響與已有研究結果大致相同。借款金額（lamount）與信用評級（rank）對借款利率的影響均呈反向，借款金額越多，信用等級越差，借款利率越高。借款性質（type）的系數顯著為正，投資者更傾向非創業性借款。借款地區（area）的系數為負，東部地區借款利率更低。已婚借款人比未婚、離異或喪偶的借款人的借款利率低5.1個百分點，但男性借款人比女性借款人的借款利率反而還高1.1個百分點。對于借款人的年齡，借款人每增加10歲，借款利率下降21個基點。P2P網貸平臺存在顯著的學歷歧視，借款人的學歷越高，借款利率就越低。相對于高中及以下學歷的借款者，大專、本科、研究生及以上學歷的借款者利率都有不同程度的降低，其中研究生及以上學歷的借款人借款利率最低。這些都與之前研究結論一致。但本文研究表明借款人工作性質（job）為網商或者是私營企業主的借款人借款利率更低，這與田秀娟和張智穎（2018）的研究結果相反。

交互項[ptype×job]的符號顯著為正，表明雖然在整體的借款人中網商和私營企業主的借款利率會更低，但是在實施降準降息的貨幣政策之后，具有網商或私營企業主身份的創業者的借款利率反而會更高。因為相較于工薪階層，網商與私營企業主的收入更不穩定，投資者認為投資給這類創業者的借款發生違約風險的可能性會相較于工薪階層的創業者更高，成功還款的可能性更低。[ptype×area]與[area]的系數相同，但[ptype×area]的系數并不顯著，表明在實施降準降息之后，東部地區的借款利率并沒有顯著低于中西部地區，東中西部借款成本差異縮小。[ptype×sex]的系數為正，并在1%的水平上顯著，男性創業者的借款利率高于女性創業者，這可能是由于投資者普遍認為女性對風險的偏好更低，更愿意將資金投入風險較低的行業，因此借款違約的可能性更小，投資者能接受的借款利率也更低。[ptype×rank]的系數在0.01%的水平上顯著為正，無論是寬松的貨幣政策實施前還是實施后，無論是非創業借款人還是創業借款人，投資者都會著重考慮借款人的信用評級。

（二）對P2P網絡借貸平臺上創業者借款成功率影響的實證分析

實證結果如表6所示，全部變量t值都在0. 1%的統計水平上顯著，解釋變量對被解釋變量具有顯著影響。

P2P網絡借貸平臺的借款成功率在降準降息的貨幣政策實施后顯著提高6個基點，創業者的借款成功率提高了5個基點。利率對借款人借款成功率的影響呈倒U形，在利率達到11.40%之前，利率越高，借款成功率越高;在利率為11.40%時借款成功率達到最高點;之后借款成功率隨著利率的上升而下降。借款金額依舊與借款成功率成反比，借款金額越高，借款成功率越低。信用等級對借款成功率有很大影響，信用等級越低，借款成功率越低。網商和私營企業主的借款成功率更高，東部地區借款人也更容易獲得借款，這可能與相較于西部地區，東部經濟更發達，借款人獲得收入渠道可能更多，借款違約風險更低，借款成功率相對就更高。男性借款成功率更低，已婚人士借款成功率更高，年齡越大、學歷越高的借款人擁有越高的成功率，其中研究生及以上學歷的借款人借款可得性最高。

（三）安慰劑檢驗

參照徐思和何曉怡（2019）的研究，假定創業者在P2P網貸平臺上借款利率的降低與借款成功率的提高與降準降息的貨幣政策無關，而是隨著時代發展，創新創業的提倡，創業者自身的能力提高所致，進一步驗證實證結果的穩健性，本文通過2015年5月25日至2015年7月25日人人貸的借款數據，將2015年6月25日構造為虛擬貨幣政策實施日進行安慰劑檢驗。檢驗結果如表7和表8所示。

表7中ptype的符號在1%的水平上顯著為正，表明在虛擬的貨幣政策環境下，創業者在P2P網貸平臺的借款利率顯著提高，policy的符號也在0.1%的水平上顯著為正，虛擬的貨幣政策環境會使P2P網貸平臺的借款利率顯著上升。這與表5中ptype和policy的符號相反，表明創業者借款利率的降低是受到2015年8月25號降準降息的貨幣政策的影響，驗證了表6實證結果的穩健性。

表8中ptype和policy的符號都顯著為正，虛擬的貨幣政策環境也會使P2P網貸平臺整體借款成功率和創業者的借款成功率顯著提高。這與表6的實證結果相同，表明P2P網貸平臺上創業者借款可得性的提升不一定是受到2015年8月25日降準降息的貨幣政策的影響，可能是源于創業環境整體趨向利好，創業者整體素質的提高等因素。

五、結論與建議

本文以網絡借貸平臺“人人貸”2015年8月25日降準降息實施的前后2個月的借款人交易信息為樣本，探究了降準降息的貨幣政策對創業者在P2P網貸平臺融資成本的影響。實證結果表明，在控制了借款人特征和借款標的特征之后，中央銀行進行降準降息顯著降低了創業者在P2P網貸平臺的借款利率，并且通過安慰劑檢驗驗證了這一結果的穩健性。雖然創業者的借款可得性也有顯著的上升，但通過安慰劑檢驗發現降準降息只是創業者借款成功率提升的因素之一，創業者借款成功率還受其他因素的影響，例如創業者自身的因素等。整體來看，無論政策實施前后，東部地區的借款利率比其他地區的借款利率更低，并且借款可得性更高，這從某一程度上反映了借款依然存在地區不平衡的問題。女性創業者在降準降息后，融資成本低于男性創業者。同時，我們也發現，借款人信用評級對借款利率和借款成功率的影響是顯著的。

根據結論，提出以下建議：應加強貨幣政策對創新創業的支持力度，在維持經濟穩定發展的同時，制定針對降低創業者融資成本的相關政策，提升創業者在傳統金融機構和P2P網貸平臺上的借款可得性。創業者也應從自身出發，增強對創業項目可行性的辨識，接受社會成功創業人士、企業家的指導，提高創業成功的可能性，從根本上提高自身在P2P網貸平臺上的信用評級，增加可認證信息，保證信息的真實性，減少信息不對稱，從自身角度降低融資成本，提高借款成功率。同時，P2P網絡借貸平臺應該充分發揮其連接創業者等借款人和投資者的中介職能，更好地配置資源，緩解供需的地區不平衡問題。并且，P2P網貸平臺應不斷完善信用評級系統，加強對創業者身份的識別能力，降低創業者融資成本的同時，為投資者提供一個更為安全的平臺，使創業者在P2P網貸平臺進行的融資活動更為健康、可持續。

參考文獻：

[1]Laura Gonzalez，Yuliya Komarova Loureiro. 2014. When can A Photo Increase Credit？ The Impact of Lender and Borrower Profiles on Online Peer-to-peer Loans[J].Journal of Behavioral and Experimental Finance，2.

[2]Duarte J，Siegel S，Young L. 2012. Trust and Credit：The Role of Appearance in Peer-to-peer Lending[J]. Review of Financial Studies，25（8）.

[3]Yun X，Qiu J，Lin Z. 2011. How Does Social Capital Influence Online P2P Lending？ A Cross-Country Analysis[C]// Fifth International Conference on Management of E-commerce & E-government.

[4]Herrero-Lopez S. 2009. Social Interactions in P2P Lending[C]//Proceedings of the 3rd Workshop on Social Network Mining and Analysis，SNAKDD 2009，Paris， France， June 28，2009. DBLP.

[5]Berger S C，Gleisner F. 2009. Emergence of Financial Intermediaries in Electronic Markets： The Case of Online P2P Lending[J]. BuR-Business Research，2（1）.

[6]Lin M，Prabhala N， Viswanathan S. 2013. Judging Borrowers by the Company They Keep：Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending[J].Social Science Electronic Publishing，59（1）.

[7]Li S，Lin Z，Qiu J，et al. 2015. How Friendship Networks Work in Online P2P Lending Markets[J].Nankai Business Review International，6（1）.

[8]Freedman S，Jin G Z. 2017. The Information Value of Online Social Networks：Lessons from Peer-to-peer Lending☆[J].International Journal of Industrial Organization，51.

[9]Burtch G，Ghose A，Wattal S. 2014. Cultural Differences and Geography as Determinants of Online Prosocial Lending[J].MIS Quarterly，38（3）.

[10]周耿，范從來.貨幣政策對P2P網貸市場利率的影響研究[J].中央財經大學學報，2016，（6）.

[11]竇新華，孟鑫泊，周方召.P2P網絡借貸中的“性別歧視”——來自人人貸數據的經驗研究[J].軟科學，2018，32（8）.

[12]陳霄，葉德珠.中國互聯網金融中的性別歧視研究[J].金融評論，2016，8（2）.

[13]蔣彧，施一舟.P2P網絡借貸中的婚姻歧視現象——基于“人人貸”的經驗數據[J].財經論叢，2017，（9）.

[14]孫武軍，樊小瑩.從業經歷和教育背景是否能提高借貸成功率？——來自P2P平臺的經驗證據[J].中央財經大學學報，2016，（3）.

[15]王子敏，李嬋娟，季仁春.信息披露、投資偏好與大眾創業的互聯網金融支持——基于人人貸數據的研究[J].財經論叢，2017，（11）.

[16]田秀娟，張智穎.P2P網絡借貸職業身份的信貸歧視：基于投資者認知偏差視角[J].改革，2018，（5）.

[17]胡金焱，李建文.“雙創”背景的新型金融模式：解構P2P網絡借貸[J].改革，2018，（3）.

[18]楊柳，廖波.網貸投資者對借款用途的偏好行為研究——基于“人人貸”數據的經驗分析[J].管理現代化，2018，38（5）.

[19]郭峰. 網絡昵稱與P2P借貸的成功率和違約率[J]. 經濟科學， 2016，（6）.

[20]陳霄，葉德珠，鄧潔.借款描述的可讀性能夠提高網絡借款成功率嗎[J].中國工業經濟， 2018，（3）.

[21]孟娜娜，粟勤.軟信息對網貸平臺借款人的借款獲得與違約風險的影響——來自“人人貸”的經驗證據[J].中國流通經濟，2018，（3）.

[22]彭紅楓，林川.言之有物：網絡借貸中語言有用嗎？——來自人人貸借款描述的經驗證據[J].金融研究，2018，（11）.

[23]廖理，李夢然，王正位.中國互聯網金融的地城歧視研究[J]. 數量經濟技術經濟研究，2014，（5）.

[24]孫武軍，丁歆.地域歧視、融資者異質性與P2P網絡借貸——以四川、安徽、河南、新疆四省份為例的經驗研究. 產業組織評論， 2017，（2）.

[25]吳雨，李潔，尹志超.房價上漲對P2P網絡借貸成本的影響分析——來自“人人貸”的經驗證據[J].金融研究，2018，（11）.

[26]徐思，何曉怡，鐘凱.“一帶一路”倡議與中國企業融資約束[J].中國工業經濟，2019，（7）.