網絡借貸收窄利率定價區間的影響研究
——基于傾向性分數匹配法

董辰珂

(清華大學 五道口金融學院，北京 100083)

0 引言

當前網絡借貸的發展已經進入新的歷史階段，對網絡借貸的研究逐漸引起學術界的重視。網絡借貸提供的獨特數據結構為研究社會、經濟、金融問題提供了新的樣本，如長相偏好[2]、羊群行為[3]、本土偏好[4]等。這一類研究利用網絡借貸的數據特點研究了原本難以界定的問題。

網絡借貸作為一項金融創新，在發展過程中經歷了探索與變革的過程。平臺對自身風險和機制設計的認識逐漸深入，許多網絡借貸平臺的利率定價機制逐漸發生演變。伴隨著網絡借貸的現實發展，學者們逐漸深入對網絡借貸的學術研究，開始關注網絡借貸所體現的機制特點。利率定價是網絡借貸機制設計的核心，體現了金融的本質——對風險的定價。好的機制應當能夠降低信息不對稱，提高交易效率并降低運營成本。網絡借貸的利率定價機制演變值得學術研究，這類演變孰優孰劣需要公正的評判。

美國領先的網絡借貸平臺Prosper曾發生過利率定價機制的變化。2010年12月20日，Prosper未加預期的將原先的利率定價的競價拍賣(auction，投資人根據貸款人信用評級進行利率競價)轉變為平臺標價(postedprice，平臺根據貸款人信用狀況標定利率)。Wei和Lin記錄并分析了這次變化。他們對利率定價機制變更前后四個月的初始利率、成交利率、成交率和違約率進行傾向性分數匹配對比分析，發現競價轉變為標價后，成交利率和成交率均高于標價時期，相應的違約率也高于標價時期。但是由于平臺賺取的是成交服務費，且不承擔違約風險，所以機制變更后的平臺的凈收益是正的。文章也考察了投資人投注行為的變化，發現競價轉變為標價后，羊群效應有所減弱，這說明投資人更少的觀察、跟隨其他人的行動，投標更快且投標金額更大。這說明Prosper的利率定價機制變化確實帶來了各參與方的行為變化。由于Prosper的收益來源于對每筆貸款收取的服務費或者分成，因此變更利率定價機制的出發點是提高成交速度或者提高成交率，這一變更被證明是有效的，標價機制延續至今。

在我國，網絡借貸也經歷了一系列探索和變革，并發展出與美國網絡借貸不同的機制特點。以人人貸為例，人人貸是我國排名前三的網絡借貸平臺，截止到2017年2月7日，累計成交額超過257億元，累計交易2932萬人次，累計為用戶賺取收益24億元。從交易額、投資人數、借款人數到運營年限都在國內具有代表性。本文將以人人貸為例探索國內網絡借貸平臺利率定價機制發生變化的特點。由于中美兩國網絡借貸發展環境的不同，人人貸和Prosper的機制設計導致了不同的行為特點，表1簡述了兩個平臺交易設計的異同。

表1 Prosper.com與人人貸交易設計的異同

人人貸的貸款流程分為申貸、交易、貸后三個環節。借款人向人人貸申請借貸，提交自己的信用證明和各項信息描述，在平臺給定的利率范圍內自行選擇符合自身風險水平的利率。平臺從所有借款申請人中根據提交的各項信息進行審核篩選，將合格借款人的標的公布上網，供投資人選擇。平臺依據成交貸款收取服務費。投資人自行選擇符合自身風險偏好的貸款，并決定投注金額。如果貸款如期還款，則投資人獲得約定收益；如果借款人逾期或者違約，則由平臺和投資人共同承擔損失。其中平臺承擔大頭損失，向投資人賠償本金墊付，平臺向借款人另行催債；投資人自行承擔剩余利息損失，相當于本金的機會成本。

Prosper的機制設計中，平臺對交易干涉較少，交易行為主要以借款人和投資人為主導；人人貸屬于平臺主導型網絡借貸，平臺是識別和承擔風險的主體。可以說平臺主導是我國特有的網絡借貸形式，在國際上具有的獨特性。但由于國內金融環境的“隱形剛兌”特點，平臺主導型的網絡借貸在國內具有代表性。

人人貸于2014年12月19日平臺變更了利率定價機制，具體的變化體現在收窄了借款人可選利率區間，使得借款人在對自身風險定價利率的范圍變小。這一變化同時引起了平臺、借款人和投資人行為的變化，并對平臺風險產生了相應影響。一般來說，平臺進行機制變更通常基于提高交易效率、減低運營成本等因素考慮，我們假設人人貸調整利率區間是出于良好的出發點。因此，收窄利率區間是否能降低信息不對稱，提高風險識別效率是作者關注的問題。這次利率定價機制的調整及產生的影響尚未有學者予以記錄和分析。網絡借貸作為新興發展又處在成長階段的借貸市場，需要規范的學術研究對其利率定價機制進行剖析。由于樣本平臺與Prosper的平臺機制性質不同，“中國特色”環境下的利率機制變化在Prosper也未曾出現，本文豐富了網絡借貸領域關于利率定價機制的文獻。

從實踐角度來說，利率定價機制是國內網絡借貸平臺共同面對的問題。有業者認為國內網絡借貸平臺的利率定價機制存在較大缺陷，利率定價未能充分實現市場定價，不能體現貸款風險。造成這一問題的原因是多樣的，如網絡借貸平臺尚未形成大規模信用風險數據，難以設計有效定價機制，也有業者認為即使累積了足夠風險數據，平臺自身能力有限，也難以進行效率定價設計。因此本文對于人人貸的利率定價研究將對這次演變進行評價分析，從而為網絡借貸平臺的利率定價機制演變進行評價和建議。

文章余下部分將安排如下：第一部分推導基本假設；第二部分為數據描述及變量定義；第三部分為實證結果；第四部分為穩健性檢驗；第五部分探討利率標準差的意義；第六部分為結論和建議。

1 基本假設

1.1 利率定價機制簡述

人人貸成立于2010年5月，目前人人貸累積實現交易額超過257億，是中國排名前三的P2P網絡借貸平臺。截止到2016年10月，人人貸共成交信用標的29232筆。信用標是指借款人無需向平臺抵押物資，通過向平臺提交貸款訴求、信用情況、個人信息等，獲得投資人貸款的網絡借貸形式。本研究使用人人貸的信用標的數據，由于利率區間收窄發生在2014年12月19日，因此本文選擇該日前后三個月的數據信息。本文選用的數據來自清華大學五道口金融學院互聯網金融實驗室。

借款金額從3000元到500000不等，借款期限分為3月期、6月期、9月期、12月期、15月期、18月期、24月期、36月期，共八種期限。平臺根據積累的信用風險數據結合借款人信息進行信用打分，進行信用評級。信用評級分為AA、A、B、C、D、E、HR七個等級,其中AA表示信用情況最佳，HR表示信用情況最差。

人人貸屬于平臺主導型的網絡借貸平臺。按照交易順序可以將一個貸款形成到完成的過程劃分為三個階段：申貸、交易和貸后。利率的形成發生在貸前階段，可以分為“①提交申請-②選擇利率-③審核借款人”三個環節。其中申請利率是由借款人選擇的，但成交利率的形成發生在③環節，由平臺決定這一利率的借款人是否能夠進入交易環節。這一環節同時決定了合格借款人的資質，是平臺識別風險的最重要環節。在實際操作中，這一機制是樣本平臺最具有獨特性的部分，尚未被學術記錄和分析。可以認為這一機制是樣本平臺外在征信體系缺乏和內在信用數據不足條件下的權衡與創新。本小節將對利率形成機制進行深入探討。圖1描繪了貸前利率形成的各個環節。

圖1 利率形成機制示意

圖1可以看到，①貸款申請是借款人行為，須填寫借款事由、教育收入、信用狀況等個人信息，這類信息是平臺評估借款人信用風險的重要指標。同時借款人根據貸款期限在相應利率區間內②選擇利率，比如貸款額度為5000元、期限為6個月的貸款利率在10%～15%之間，借款人自行選擇匹配自身風險和償債能力的利率。實際上①和②是同時發生的，隨著貸款申請一同提交。作者為了更清晰的描述這一過程，將其分解講述。

③審核借款人則屬于平臺行為，由一系列子環節構成。下面對平臺的審核過程進行分解：

首先，平臺梳理審核借款人的各項指標，并評估借款人的信用狀況。根據信用水平拒絕或者吸收借款人。對于明顯不合格的貸款申請，包括信用狀況較差、個人信息不全或者其他明顯不符合要求的貸款申請予以拒絕。這一步拒絕了90%以上的貸款申請，余下是財務指標基本符合要求的貸款，接下來通過利率進行第二步審核。

當平臺對借款人的信用狀況有了大致估計后，對該信用條件下應當匹配的利率水平也有相應考慮。如果借款人自行選擇的利率水平與平臺對其估計的風險利率水平較為一致，那么該借款申請可以最終通過。如果借款申請利率與平臺預估風險利率水平有較大出入，那么該借款申請將不予通過。“較大出入”主要分為兩種情況：如果借款申請利率過高，可能超出此類借款人特征的償債能力，或者由于利率較高造成借款人主觀上失去償債意愿，從而形成違約風險；如果借款申請利率過低，那么利率水平不能客觀反映借款人的信用風險程度，也不符合平臺的授信原則，應當予以拒絕。

舉例說明：

例16月期額度為5000的貸款，其可選年化利率區間為(10%,15%)，期限利率區間長度為5%，平臺對于各風險等級的預估貸款利率區間分布如下：

表2 期限利率區間中平臺預估利率可能分布

借款人甲自己選定利率為13%。平臺對借款人的各項信息進行評估后，認為其信用等級應為D，利率應在13%至14%之間。此時借款人利率落在估計區間內(13%≤13%<14%，估計區間長度為1%)，因此貸款獲得通過。如果同樣條件借款人乙選定利率為12%或者15%，此時12%小于13%，不能體現相應信用等級貸款人的風險；如果15%大于14%，借款人借款成本高于估計水平，貸款也會被拒絕。

當平臺將所有合格借款申請在線公布后，貸款流程進入交易階段，投資人將依據自身對風險和收益的偏好進行投資決策。理性投資人對特定風險應當獲得的收益有一定估計，可以是精確估計，也可以是模糊估計。當貸款利率符合投資人對其風險補償的判斷時，投資人就會選擇投資。如果貸款利率與投資人風險判斷不符，投資人可以不選擇投資。投資人對貸款利率的選擇與平臺審核過程有共通之處，差異在于平臺考量更多的是違約風險，而投資人計較更多的是投資收益。

1.2 收窄

2014年12月19日，樣本平臺收窄了利率區間。由于無法采集到選擇利率頁面的信息，不能直接觀察期限利率定價區間及其變化，作者創造性的通過期限利率標準差(以一定時間期限為單位計算所有訂單利率的標準差)捕捉了期限利率定價區間及其變化情況。本文選擇2014年9月19日至12月18日(前期，寬利率區間)和12月19日至2015年3月18日(后期，窄利率區間)兩個時間段作為利率區間變化前后的樣本區間。在此期間共提交了181338個信用標貸款申請，其中7016個標的得到融資，截止到2017年2月，已還清4631例，正在還款1055例，逾期和違約1330例，墊付1294例。本文以兩個區間的所有信用標的為樣本，研究變化前后的平臺行為、借款人質量和投資人行為受到的影響。表3通過期限利率周度標準差描述了利率區間收窄的變化。

表3A顯示借款可選利率區間顯著收窄，表3B顯示通過審核的貸款利率區分度也顯著收窄。在“借款人選擇利率，平臺選擇借款人”的利率形成機制下，平臺收窄了期限利率區間。這意味著不同風險利率之間的利率區分度降低，而利率區分度是平臺和投資人判斷具體貸款所處利率水平的重要條件。平臺審核具體貸款利率時需要判斷其處在利率區間的水平是否符合其風險等級，利率區分度的下降勢必影響平臺識別風險的效率。利率區分度是平臺呈現的貸款風險水平的整體描述，是投資人判斷具體貸款風險的重要參考，利率區分度的下降意味著平臺呈現的風險信息質量下降，勢必影響投資人的投標行為。

表3A 所有申請訂單期限利率周度標準差在兩期的差異

表3B 成交訂單期限利率周度標準差在兩期的差異

同樣用貸款舉例說明，并與例1進行對比：

例26月期額度為5000的貸款，年化利率區間由[10%,15%]收窄為[11%,12%]。此時借款人無論處在如何信用等級只有兩個選項。表4給出了各風險等級預估利率的兩種可能分布。

表4A 期限利率區間收窄后各風險等級預估利率的可能分布

表4B 期限利率區間收窄后各風險等級預估利率的另一可能分布

假設借款人的信用等級仍然為D，那么借款人在(11%,12%)之間只有兩個選項。在第一種分布下如果選擇11%平臺接受，選擇12%則平臺拒絕。但是從AA、A到E的不同風險利率沒有區分度。在第二種分布下選擇11%或者12%都會被接受，但是所有信用等級之間利率沒有區分度。兩種情形下利率都沒有體現風險溢價的基本思想，不符合審核通過條件的風險溢價條件。回憶例1，如果借款人提供了超出預估區間的利率，平臺拒絕此類貸款。在本例中，由于不同風險的利率區間的高度重合，使得平臺無法從利率的風險溢價中篩選借款人對利率的正確評估。這意味著平臺無法從具體貸款利率在利率區間所處位置獲得更多信息。原本平臺可以從利率與風險不匹配中篩選出劣質貸款人，現在借款人無論怎樣選擇都在平臺可接受的利率區間，這意味著平臺無法通過篩選過程拒絕錯誤貸款，反而更有可能錯誤的接收錯誤貸款。

對于投資人來說，利率收窄前后平臺呈現的借款人信息種類和數量沒有變化，唯一的變化就是同一期限貸款的利率區分度下降。當平臺展示的利率風險區分度下降，意味著平臺呈現的風險信息質量下降。貸款利率是投資人進行投資的重要參考依據，貸款利率區分度是投資人判斷具體貸款所處風險水平的重要參考依據。投資人難以判斷具體貸款利率在利率區間所處的水平，換句話說平臺呈現的利率風險信息不能準確的衡量貸款的利率是否合理，這意味著平臺的信息不對稱程度反而惡化了。理性投資人敏銳的感知到這種變化，投資行為更加謹慎。

1.3 基本假設

當利率區間變得非常狹窄后，借款人仍然自行決定利率。但是平臺在審核合格借款人時，失去了利率這一重要環節的信息價值。不同貸款的利率價格差別非常小，區分度下降，風險識別難度變大，平臺難以根據利率區分出借款人的優劣。據此提出假設：

假設1平臺收窄利率區間后，平臺的風險識別部分失靈，貸款質量下降，表現為后組的違約率高于前組。

投資者的投標行為可以直接觀察。本文選擇滿標時間、投標比例和羊群行為考察投標行為在不同信息效率條件下的差異。同樣的，當投資人面對利率區分度變小的各類借款人時，利率是進行投資決策的重要信息。當利率的區分度變小時，投資人對借款標的信心不足，更多參考其他借款人的行為進行判斷，更易出現跟投和從眾現象。據此提出假設：

假設2平臺收窄利率區間后，平臺呈現的信息效率下降，投資者的認知加工時間延長，決策用時延長，表現為處理組的滿標時間高于控制組。

相應的，當利率區分度收窄時，意味著投資者識別貸款風險的難度增加，相當于貸款風險的不確定性增加。根據前景理論[5～7]，人們應該選擇有確定性收益的選項，而不是有風險但有更大收益的選項。因此，投資者更有可能采取保守的投資策略，減少投資支出，投資者的投標行為更加謹慎。據此，推出與投資者行為相關的第二個假設：

假設3平臺收窄利率區間后，風險信息質量下降，投資者投資行為更加謹慎，表現為處理組的投標比例少于控制組。

當利率區分度收窄時，投資者識別貸款風險的難度增加，平臺呈現的信息效率下降。Myer[8]認為，當個體對現實的信息知覺較為模糊時，其他人可能成為有價值的信息來源。因此，當個體面臨信息不確定時，更有可能產生羊群行為。據此，提出最后一個假設：

假設4平臺收窄利率區間后，平臺呈現的信息效率下降，投資者更傾向于參考其他投資者的行為進行投標，表現為處理組的羊群行為高于控制組。

2 數據與樣本

2.1 樣本

本章數據來自國內領先的網絡借貸平臺——人人貸。數據由清華大學互聯網金融實驗室進行收集整理。本章數據選用的是樣本平臺2014年9月19日至2015年3月18日的信用標的樣本，其中樣本包含標的數據集、投標數據集和還款數據集。標的數據集收錄借款人的借款信息，主要包括借款人申請貸款時填寫額貸款信息、個人情況和信用狀況；投標數據集是指投資人的投注信息，記錄的是投資人對于貸款的投標時間和金額；還款數據集涵蓋借款人的還款信息，包含借款人還款金額、應還款時間和實還款時間等。

2.2 主要變量

2.3 變量描述

表6A是樣本區間內所有申請標的的按照利率區間收窄后的ttest統計，其中2014年9月19日～12月18日區間(控制組)包含申請標的66350例，12月19日～2015年3月19日區間(診斷組)包含申請標的114988例。

表6A 申請訂單統計描述

表6A可以初步看出，利率區間收窄后的借款人利率顯著低于收窄前(-0.47)。貸款成交率從5%降至3%，注意到收窄前共有66350人次借款申請，收窄后共有114988人次借款申請，由于這一階段的人人貸平臺的信用標全部被秒搶。因此可以成交率的下降表明平臺放出的可投資標的比率下降，這說明平臺對于借款人的審核篩選更加嚴格。期限的顯著下降是由于36月期貸款暫停交易。

從借款人年齡、婚姻狀況、住房、教育程度、工作年限等指標看，利率區間收窄后的潛在借款人趨向更年輕、經濟條件較弱、教育程度較弱且工作年限較短，這說明借款人質量較前期有所下降，這在平臺申請貸款次數和成功還款次數等指標也有印證。不過收入和信用排名高于利率區間收窄前。

表6B是成交訂單在利率區間收窄前后的對比。在這一時間段，平臺共成交7065例貸款訂單，其中利率收窄前3434例，收窄后3582例。

表6B 成交訂單的統計描述

從表6B可以看出后期的違約率略高于前期，但ttest并未報出顯著性，尚不能驗證假設2。羊群行為顯著高于前期，單筆標的每單投注比例顯著變低。這與假設3和假設4吻合。成交標的的貸款額度有顯著下降。但是年齡、婚姻、住房、教育、工作等借款人描述變量不存在顯著區別，這說明投資人對于標的的選擇具有一致性。但是借款人申請次數、成功還款次數等于所有訂單的變化趨勢一致。

3 實證結果

由于平臺調整利率區間的出發點是更高的成交效率和更低的違約損失，我們認為平臺的成交率應當至少不高于前期，即平臺的審核標準更加嚴苛；但是由于利率區分度的下降，平臺審核的合格借款人質量反而沒有前期高，所以違約率有所上升。本文首先對這一部分進行檢驗。為了獲得更精確的對比和估計，本文借鑒Wei和Lin研究Prosper的利率定價機制變化時的方法，采用傾向性分數匹配(PropensityScoreMatch)的方法進行估計。

PSM估計需要樣本滿足共同支撐假設(commonsupport)和平行假設(balancing)，這意味著兩組樣本需要同時滿足整體上相似和各個維度的相似。因此統計上認為PSM估計相對于OLS估計更加精確。

3.1 貸款質量——平臺行為

利率區間收窄后的樣本區間是“診斷(treatment)”區間。因此在后期樣本區間的所有標的視為診斷組，前期樣本區間的所有標的視為控制組。選擇自由度為3的最近鄰傾向性得分匹配方法對前后兩期樣本標的進行估計。首先用logit估計匹配出診斷組與控制組所有標的中各方面條件相似的部分。

p(xi)=Pr(Treatedi=1|X=xi)

(2)

Treatedi是虛擬變量，當標的來自后期診斷組時，Treatedi=1；當標的來自前期控制組時，Treatedi=0。X包含了標的描述、借款人信息和信用狀況以及宏觀指標。隨后根據傾向性得分對控制組的標的調整后與診斷組進行匹配，隨后估計出調整后控制組和診斷組之間的差異大小以及是否顯著。

表7 平臺行為和貸款質量

在對模型進行匹配時，本文選擇將借款人特征、信用描述加入匹配選項，具體可見表3和表4。表5給出了PSMatch的基本結果，模型(1)是所有潛在借款人利率，模型(2)是加入上證指數日回報率的估計；(3)是成功訂單占申請訂單比例，審核通過率即成交率；(5)是成交訂單的后續表現，即違約率，也可認為貸款質量。其中ATT(AverageTreatmenton Treated)是對前后兩個樣本進行PSMatch后的值(即treatedvalue)進行的pstest檢驗。

表5 變量描述

模型(1)、(2)顯示在前后兩個樣本區間，后期的借款人利率顯著低于前期利率。這與表3的ttest的檢驗結果一致，且與圖1所示的趨勢一致。這說明在診斷組，借款申請人的借款利率有所下降。但不排除利率的下降是由于平臺收窄區間時，整體下調了利率選項，因此不對此結論做過多分析。

模型(3)、(4)是對訂單成交率的考察，結果顯示在PSMatch環境下，樣本后期比前期的訂單成功率顯著低0.008，這與ttest檢驗中的差異-0.02降低了不少，PSMatch降低了診斷組和控制組的差異。顯然匹配過程中選取了各方面特征更加接近的訂單，由于匹配后成交率仍然顯著低，我們有理由認為利率區間收窄后，成交率確實降低了。這從側面反映了平臺對借款人的審核和篩選更加嚴格，在其他條件不變的情況下，暗示著貸款質量可能更高。

模型(5)、(6)是在成交訂單中對違約率的考察，同時也是借款人質量的側面反映。因此違約率的高低反映了平臺最初審核篩選借款人的水平。如果違約率變高，那么平臺審核趨于松弛；如果違約率變低，那么平臺審核趨于嚴格。在描述性統計的ttest中，后期違約率高于前期，但是統計上并不顯著。傾向性分數匹配后的樣本顯示利率區間收窄后的顯著高于前期。如果是違約率是均衡分布的，并且同時存在未還清標時，控制組比診斷組早三個月成交，更有可能出現違約。即控制組的違約概率應該高于診斷組。但是PSM顯示后期的違約率更高，這更說明后期的貸款質量更差。這證明了假設1，但與模型(3)、(4)暗示的結論是矛盾的。

[8]Samuel P. Huntington,The Clash of Civilizations and the Remaking of World Order, New York: Simon & Schuster, 1996, p.86, 165, 278.

首先模型(3)、(4)認為平臺在第二階段的審核篩選更加嚴格，這暗示了貸款質量可能更高。但是違約率的顯著性高又暗示了貸款質量的下降。這種矛盾存在兩種可能的解釋，一是在第二階段平臺涌入了大量低質量的潛在借款人，即使平臺以更嚴格標準進行審核也難以避免漏網之魚；另一種解釋是利率機制的變化影響了平臺挑選合格借款人的有效性。但是表4的顯示診斷組和控制組成交訂單數量相差并不大，且標的信息和借款人信息并不存在顯著差別，因此對于成交貸款來說，借款人之間的差異并不足以解釋大量低質量潛在借款人。因此，有理由相信是平臺挑選合格借款人的有效性降低。

3.2 投資人行為(貸款視角)

不同的期限利率區間條件下，投資者的行為會產生怎樣的變化是本節研究的問題。當期限利率區間收窄時，平臺審核后的成交貸款利率區分度也縮小，投資者可以直接觀察到利率區分度的收窄，這勢必會影響投資者的投標行為。在樣本平臺的數據中，雖然成交率不能衡量投資者投標與否，即“投不投”，但樣本數據可以觀察投資者投標的速度、投資的金額比例，即“快與慢”和“多與少”，最后還可以通過羊群行為來觀察投資者行為，即“怎么投”。

本文根據投標記錄計算出每筆貸款的滿標時間，根據人人貸的投標數據計算出每筆貸款成交所用時長。采用王正位關于羊群效應的計算方法，計算出每筆成交標的的Herding值。用PSM的方法對前后兩時間段的滿標時間和單筆貸款投標比例進行估計。

表8 投資人行為(貸款視角)

前四組檢驗分別是對單維度指標滿標時間和單筆貸款投標比例的的PSM估計結果。結果顯示收窄后的滿標時間顯著放緩，顯示投資人需要更多的時間進行投資決策。相應的單筆貸款投標比例也減少，意味著投資人的投標行為更加謹慎。后兩組檢驗顯示當匹配了借款人特征、信用狀況和宏觀經濟環境后，利率區間收窄后的投資人的羊群行為也顯著高于前期。從兩個方面同時說明了投資人對標的把握沒有信心，羊群行為更集中說明投資人對標的信心不足，需要根據他人的投資判斷是否投標。圖2從羊群行為的分布中也可看出這一趨勢。

圖2 羊群行為在兩期的差異

3.3 投資人行為(投資人視角)

樣本數據同樣支持從投資人的角度考慮投注行為。表9給出了前后兩期投資人的投注行為描述。表9A是樣本期內所有投資人的投注狀況，其中后期的人均投注次數顯著大于前期，人均投注金額顯著大于前期，但是人均投注占比顯著小于前期。表9B是同時在兩期都有投注行為的投資人的投注狀況，能夠更準確的對比前后兩期的投資行為變化。其中人均投注次數和人均投注占比相比所有投資人的前后差異更大，且更顯著。值得注意的是橫跨兩期的投資人人均投注金額顯著低于前期，更說明投資人在收窄利率區間后投注行為更加謹慎。

表9 投標行為(投資人視角)

4 穩健性檢驗

傾向性分數匹配考慮了股票市場的影響，但是未考慮其他經濟因素的影響。貨幣發行水平和經濟狀況都有可能影響借款人和投資人的交易行為。由于樣本期內的M2和CPI都具有趨勢性，不符合傾向性分數匹配的共同支撐假設，因此在穩健性檢驗部分選擇OLS檢驗進行估計。由于樣本已進行PSM估計且同時滿足共同支撐假設和平行假設，進行OLS也具有統計上的合理性。本文對診斷組和控制組進行了最小二乘估計(OLS)，并對年、月、日控制了時間固定效應。OLS與PSM所選變量完全一致，不同之處在于OLS估計增加了具有趨勢性的M2和CPI并控制了年、月、日的固定效應。

(3)

式(3)構建了OLS估計的回歸模型。其中Performance是交易行為對應的變量，即違約率、滿標時間、投標比例、羊群效應。Treated是標記診斷組和控制組的0-1變量，X是所有控制變量，如貸款描述、借款人信用情況、宏觀形勢等。YMD分別是年、月、日等時間標記。

表10給出了OLS的回歸結果。控制了貨幣發行、消費者指數和上證指數日回報率的結果顯示了與PSM一致的結果。仍然是診斷組更低的成交率、更高的違約率和更高的羊群效應以及更低的每單平均單筆投注比例，并且都顯示了較強的顯著性。可以認為平臺審核通過率即成交率、違約率、羊群行為和每單平均單筆投注比例都相應發生了變化。

表10 穩健性檢驗

5 利率標準差的意義

前文證明了利率收窄前后的交易行為發生了變化，那么這種變化是如何產生的呢？由于利率定價機制未發生根本變化，僅是利率定價區間收斂，那么有理由認為利率區間的變化引起了變化。當利率定價區間收窄后，各期限貸款的區間幾乎收窄到同一水平，利率的區分度急劇下降，利率作為衡量風險的主要指標失去了部分信息功能。平臺和投資人在進行風險識別時都損失了大量信息，可能產生行為的偏差，體現在結果上是貸款質量的下降和羊群行為的集中。

基于以上邏輯，本文對利率區間的變化納入分析框架進行討論。首先尋找合適的變量。本文選擇期限利率周度標準差作為利率區間的代理變量。期限是指將利率標準差以期限分組計算，以確保標準差來自統一類型標的。周度是指選擇以周為單位度量標準差，樣本區間平均每周提交6000份貸款申請，約22%的申請可以獲得融資。這樣的數據規模可以獲得較為準確的標準差。計算出每一種期限的標的利率周度標準差后，再將其匹配到該周相應期限的標的獲得新變量。由于期限利率周度標準差具有趨勢性，不符合PSM共同支撐假設，此部分檢驗將使用OLS估計。式(3)將期限利率周度標準差納入解釋變量，式(4)同時將期限利率周度標準差和Treated變量納入模型。

(4)

(3)

γXi+δYMDi+εi

表11匯報了加入期限利率周度標準差的OLS回歸結果。結果顯示單獨加入期限利率標準差能夠解釋違約率和羊群效應變化，表明利率標準差越大，違約率越低，羊群行為越弱；標準差越小，違約率越高，羊群效應越強。

這說明，利率標準差全部或部分解釋了違約率和羊群行為的差異，利率的區分度能夠為平臺和投資人識別風險提供信息量。收窄利率區間的嘗試降低了利率區分度，反而提高了違約率并加重了羊群行為，未達到提高交易效率、降低運營成本的原始目的。

6 結論與建議

學術界對網絡借貸的探討與研究是逐漸深入的。隨著行業發展的更加成熟，對網絡借貸的機制研究逐漸進入學術的視野。本文以國內領先網絡借貸平臺的一次利率定價調整為樣本，探討了平臺收窄利率區間后對各交易行為的影響。即使平臺收緊了對合格借款人的審核篩選，仍然出現了更高的違約率，即較差的貸款質量，投資人的滿標時間更長、投注的比例更小、羊群行為更集中。這暗示了平臺對標的的風險識別效率降低，投資人對標的信心減弱。

本文繼而構建了期限利率周度標準差作為利率區間的代理變量，對利率定價機制調整前后的行為差異進行解釋，發現這一變量全部或部分解釋了網絡借貸交易行為的差異。當利率區間收窄后，利率作為評估借款人風險的重要指標失去了一部分信號作用，從而使得平臺在審核篩選合格借款人時存在疏漏，導致借款質量下降，投資人面臨利率區分度較低的標的選擇了更謹慎保守的投資行為。

網絡借貸平臺利率定價機制的演變應當堅持的是更深入的風險識別以減輕信息不對稱，而不是簡單的調控利率。顯然人人貸認識到了這個問題，并在2015年10月再次調整了利率定價機制，這次將利率定價權收歸平臺，實現了平臺識別風險進行標價。這又產生了怎樣的變化，董辰珂[10]進行了后續研究。