大數據賦能下網絡借貸的價值共創模式研究
——來自Lending Club 的證據

曾劍秋，謝嘉潤

（北京郵電大學 經濟管理學院，北京 100876）

一、引言

網絡借貸是長尾人群融資的有效渠道，對實踐普惠金融有重要意義。《哈佛商業評論》將之視為未來十年最重要的金融創新。然而，在經歷了十年的野蠻生長之后，網絡借貸迎來監管的強出手。這場愈演愈烈的強監管旨在“風險出清”，客觀上也是對行業的“減量增質”。正如打著區塊鏈幌子兜售“空氣幣”一樣，網絡借貸行業的“騙貸”“套路貸”現象有過之而無不及。自2007 年國內第一家網貸企業拍拍貸成立運營之后，2017 年中國網絡借貸份額已占全球總份額的75%。行業快速成長背后折射出來的是個人消費者和小微企業日益增長的融資需求和不平衡、不充分的信貸供給市場之間的矛盾。在經歷近四年的專項整治特別是近兩年的嚴監管之后，行業風險大幅出清。截至2019 年11 月，生存下來的400 余家網貸平臺處在轉型的十字路口，探尋正確的價值創造模式以實現企業和用戶的共贏不僅必要，而且十分緊迫。

目前學術界關于網絡借貸的研究大致分為三類：影響借貸行為的因素、貸款人羊群行為和社交媒體對網絡借貸的影響［1］。這些文獻為我們研究網絡借貸提供了很好的借鑒，但是其中絕大部分研究只涉及“點和線”，鮮少有“面”的研究。從理論上剖析網絡借貸的機制設計，研究網絡借貸價值創造模式的文獻十分缺乏，這是網絡借貸研究最核心、最亟需解決的問題。以銀行為代表的金融中介機構取得了巨大成功，是因為金融中介化的機制設計能夠降低投融資的交易成本、減少信息不對稱，以及風險分擔功能［2］。

美國的Lending Club 是目前全球最大、最成功的網絡借貸平臺，它于2014 年在美國納斯達克上市。截至2019 年11 月，Lending Club 服務超過300萬用戶，發放了超過500 億美元的貸款。既然網絡借貸已成為直接融資的有效渠道，其背后一定蘊藏成功的機制設計和價值創造模式。本文試圖以Lending Club 為例實證研究網絡借貸的價值創造模式，希望對網絡借貸中的價值創造研究作出貢獻，為我國相關企業發展轉型及行業監管提供借鑒。

二、研究綜述

商品主導邏輯下的價值創造模式通常強調企業的價值獨創。價值共創則是價值創造主體通過服務交換和資源整合，共同創造價值的動態過程［3］。2004 年Vargo 和Lusch 首次提出價值共創的概念，此后這一概念迅速得到豐富和發展，研究視角從顧企間的二元互動逐漸拓展至多經濟主體參與的動態網絡互動，大致經歷了從強調顧客體驗、服務主導邏輯、服務邏輯、服務科學到服務生態系統的研究發展脈絡［3］。整體來看，有關價值共創的研究主要聚焦在Who、What 和How 三方面，即價值共創的主體及主體間的關系研究，價值共創的價值內涵研究，價值共創的模式研究。

（一）共創主體：從二元關系到多元關系

大部分價值共創的研究聚焦于顧客和企業之間的二元關系。服務主導邏輯下，企業和顧客在價值共創中的作用被重新定義［4］。Prahalad et al.［5］認為價值的基礎是顧客體驗，價值共創的主體是顧客和企業，核心是顧企互動。Vargo et al.［6］提出一切經濟都是服務經濟，價值由顧客和企業共同決定和創造。Gr?nroos［7］提出了兩種顧企價值共創模型——價值促進模型和價值實現模型。促進模型中，顧客是價值創造者，企業是價值促進者；實現模型中，顧客是價值創造者，企業是價值創造的促進者和合作者，通過積極參與價值共創過程成為價值創造者。總之，在顧企二元關系的價值創造中，企業被視為服務提供方，擁有對象性資源；顧客是服務接收者，擁有對象性資源；他們能夠將技能和知識整合到價值創造過程中［6，8］，充當思想者、設計者和中介［9］。從商品邏輯到服務主導邏輯，價值共創的主導權逐漸從企業轉移到顧客。

服務科學和服務生態系統將價值共創的主體從二元關系拓展至多元關系。Spohrer et al.［10］提出，服務科學視角下的價值共創系統是一個由人、組織和技術共同組成的動態網絡。相比于早期服務主導邏輯，服務科學視角下的價值共創強調更廣泛的系統資源配置和主體互動，同時也更加強調技術對獲取共創價值的重要作用［3］。2010 年，Vargo et al.［11］提出了服務生態系統視角下的價值共創，指出其是復雜網絡下的多元參與主體基于各自價值主張，通過制度、技術和溝通所進行的價值共創活動。此后，服務生態系統視角下的價值共創成為研究熱點，其中大部分是結合典型企業的案例研究。例如，Agrawal et al.［12］研究了農村健康保險活動中政府、保險公司、醫院等六個利益相關者的價值共創模式。江積海等［13］以Airbnb 為例，研究了平臺型商業模式創新中連接屬性對價值共創的影響機理。楊學成等［14］分析了共享出行平臺Uber 上司機、乘客和平臺三者的價值共創機制，提出了共享經濟中用戶價值共創的概念，并闡釋了各參與主體的角色與作用。

（二）價值內涵：從交換價值到顧客參與和使用價值

商品主導邏輯下的價值主要指交換價值，強調顧客購買行為為企業創造價值［15］，顧客資產是該研究視角下的核心概念，定義為公司當前和未來顧客的折現預期現金流量之和［16-17］。

服務主導邏輯認為價值由企業和顧客共同創造，結果由兩者共享，這里的價值被大部分學者定義為使用價值或情景價值。Vargo et al.［6］認為價值由消費者根據使用價值感知和確定，它既可以來自對操作性資源的有效利用，也可以通過對象性資源傳輸獲得，價值是顧企交換技能和服務而獲得的效用。Gr?nroos［18］認為企業只能創造潛在價值，顧客創造的使用價值才是真正的價值。Prahalad et al.［5］認為，價值共創的根本是企業和顧客共同創造顧客體驗，顧客體驗是價值的基礎。Kumar et al.［19］用顧客參與價值來描述價值共創過程中顧客為企業創造的價值，具體包括四部分：顧客終身價值，反映顧客購買行為；顧客推薦價值，吸引新顧客的價值；顧客影響價值，通過交流互動影響已有和潛在顧客行為的價值；顧客知識價值，即顧客向公司提供反饋的價值。

（三）共創方式：從顧企互動到平臺多主體資源整合

價值共創的過程和模式是價值共創研究的最主要方面。隨著網絡平臺的崛起和研究視角的演進，價值共創的方式也從聚焦顧企互動［5-7］到強調平臺多主體的資源整合。服務主導邏輯將價值共創的所有參與者視為資源整合者［9］，企業通過操作性平臺整合市場資源、人力資源和公共資源［20］，顧客則通過整合社交資源、個人特質（如知識和經驗）等來參與價值共創［9］。企業不能傳遞價值只能提出價值主張，通過與顧客互動及資源整合共創價值。Ar?thur［21］解釋了價值共創為何需要通過資源整合來實現：一方面，參與者獲得的任何資源都不能單獨使用，必須與其他資源組合或捆綁才有價值，例如，客戶需求是一種信息資源，但必須通過IT 技術的處理分析才能體現商業價值；另一方面，創新通常來自資源重組。Ramaswamy et al.［22］提出了交互平臺和互動創造的概念。交互平臺是一個包含物理和數字資源、商業過程、交互界面和多角色參與者的實例。價值創造是價值的互動創造。在平臺互動日益數字化的世界中，它跨越傳統價值創造系統，將一個實體的活動開放給其他實體，跨越傳統價值創造系統，參與者則在交互平臺上扮演著不同角色。隨著研究視角的演進，價值共創過程的特有因素從強調顧企互動逐漸轉變為強調服務、互動、技術和制度［3］。

大部分關于價值共創模式的研究都采用案例研究法，通過一家或多家典型企業的業務研究歸納出價值共創的模式。Xie et al.［4］基于多個商業案例，研究了企業和客戶如何通過異質性資源整合和相互協作，將大數據資源轉化為合作資產從而實現價值共創。此外，共享經濟的興起似乎是推動多邊平臺價值共創模式研究的一大動力，大量關于平臺價值共創模式的研究均圍繞共享企業展開。楊學成等［14］對Uber 的價值共創活動進行了案例研究，將出行平臺的價值共創過程總結為用戶連接階段、用戶接觸階段和用戶分離階段，三階段遵循不同的價值共創模式。周文輝等［23］、趙大偉等［24］均以滴滴出行平臺為例，研究數據賦能對平臺進行價值共創和提升服務質量的促進作用。Nadeem et al.［25］對用戶參與共享平臺價值創造的意愿進行問卷調查，并利用結構方程模型分析了影響用戶參與價值共創的因素，從而提出共享平臺價值共創的管理策略。Ma et al.［26］以我國的共享單車和共享汽車為研究對象，強調消費者和共享企業之間的價值共創對可持續發展的重要作用。除共享平臺之外的其他多邊平臺，尤其是網絡借貸平臺的價值共創研究仍然相當匱乏，其中吳慶田等［27］以我國網絡借貸平臺宜人貸為例分析了平臺、借款人和投資者三者的協同關系，認為該平臺上的核心利益相關者協調發展程度較低，因而整合核心利益相關者的資源，促進核心利益相關者協同發展并實現價值共創成為影響行業可持續發展的重要因素。

經過十多年的發展，價值共創理論已經形成了豐富的研究體系。然而，基于互聯網、大數據開展服務生態系統價值共創的研究，探索多邊平臺參與者如何通過整合自身資源實現價值共創，特別是實證研究依然相當缺乏［3］，盡管數字信息系統在價值共創中扮演著越來越重要的角色，讓經濟參與者不受時空限制進行互動和資源整合［28］。網絡借貸平臺已成功在傳統金融中介機構之外另辟戰場，在直接融資領域開創先河，成長為一個依托信息技術和大數據資源服務個人消費者和小微企業的繁榮金融生態。在此背景下，對國外成熟網絡借貸平臺的價值共創模式進行實證研究，不僅能夠豐富網絡借貸和價值共創理論體系，而且有利于國內相關企業學習借鑒國外的成功經驗和模式。

三、理論分析

Lending Club 平臺上的主要參與者包括平臺、投資者和借款人。借貸流程大致是：借款人在平臺上發起借款申請，平臺基于信息搜集和分析能力對借款人進行信用審核，將合格借款訂單留在平臺。訂單內容不僅包含借款人提供的個人和借款信息，還包括平臺給出的信用評級和借款利率。投資者根據訂單信息，綜合自己的投資偏好、知識經驗確定投資標的和投資數額。如果之后借款人能夠按期還本付息直到還清債務，則平臺、投資者和借款人三者成功實現了價值共創。該過程中價值共創的主體是平臺、投資者和借款人，三者耦合共軛發揮各自資源優勢，任何一方都不可或缺。投資者付出資金成本和用于甑別風險的知識技能，獲得投資收益；平臺制定交易規則，提供交易場所和技術支持，獲得服務收入；借款人付出利息成本，獲得滿足自身效用最大化所需的流動性支持。Lending Club 的價值共創模式如圖1 所示。

圖1 網絡借貸價值共創模式

首先，借款人在平臺上發起借款申請，提供必要的個人和借款信息，這些信息是平臺審核和投資者進行投資決策的信息基礎。一方面，訂單信息決定借款人能否通過平臺審核，并最終得到投資者的投資；另一方面，平臺上海量的用戶信息客觀上形成了一筆寶貴的大數據資源，這是平臺和用戶價值共創必不可少的兩大資源基礎之一［4］，平臺基于此可以訓練更加強大的分類算法，降低對守信和違約用戶的誤分類率，從而更好地促進價值共創。用戶提供的信息不僅服務了自己，也間接服務了其他用戶（包括其他借款人和投資者）。因而，借款人不僅是服務的接受者，也是資源的貢獻者，他們提供了價值共創所需的大數據資源。

其次，平臺對借款人的借款申請進行審核，對通過審核的借款人進行信用評級并設定借款利率。信息技術的發展使得企業能夠處理用戶大數據，捕捉關鍵信息和市場變化并快速作出反應［29］。該過程平臺主要通過數據賦能促進價值共創［30］：平臺充分利用自身的信息搜集能力、資源整合能力和大數據分析能力識別潛在違約用戶，評估借款人信用風險并設定風險利率，從而有效降低借貸雙方的信息不對稱；基于大數據算法評估借款人信用風險，風險評估模型一旦成熟并投入使用，此后平臺對借款人信用評估的邊際成本近乎為零，規模經濟極大降低了交易成本。信息不對稱和交易成本正是傳統金融中介機構存在的最主要原因［2］，網絡借貸平臺通過數據賦能甚至以更有效的方式解決了這兩個問題。因而，平臺既是資源整合者，也是價值共創的促進者和合作者［7，9，20］，通過制度（借貸規則）、技術（大數據分析能力） 和互動（連接借貸雙方） 促進價值共創［11］。

再次，投資者對通過審核的借款申請進行篩選，決定投資標的和投資金額。在以往的研究中，廖理等［31］證明了網絡借貸投資者能識別相同利率背后的不同風險；胡金焱等［32］證明網絡借貸投資者具有理性意識，表現為對收益的追求和對風險的規避。投資者效用由期望收益率和投資風險決定，即U=E，式中E(r)為期望收益率，σ2為投資風險，故投資者利用自身經驗知識排除潛在違約申請，再結合風險偏好等個人特質選擇符合自身效用最大化的投資標的組合，投資者利用擁有的對象性資源參與價值共創［4，9］。

最后，借款人能自主決定是否發起借貸申請及申請的內容；投資者對自己的資金配置擁有主動權和決定權，能夠自行決定接受和提供服務［33］；平臺通過規則設計和技術手段理解用戶需求，提供滿足用戶需求的服務；該過程體現的服務邏輯是顧客主導邏輯［34-35］。由于邏輯主體已從顧客轉變為用戶，價值共創方式是遵循用戶主導邏輯的價值共創［14］。

四、研究假設與數據處理

1.研究假設。上文闡釋了網絡借貸的多邊參與者如何通過資源整合和能力互動實現價值共創。然而，以上推導和闡釋實則蘊含了兩個重要假設。

平臺能夠整合內外部資源并利用自身技術能力識別出不同信用風險的借款人，根據信用評級對借款申請進行差異化定價供不同風險偏好的投資者選擇。故提出假設1：

H1：平臺能有效識別不同借款人的違約風險，并通過信用評級提示投資者。

投資者能夠利用自身經驗知識，對借款人和平臺提供的信息進行分析判斷，從而排除潛在違約訂單。故提出假設2：

H2：投資者能有效分析不同借款人的違約風險，并選擇低風險訂單進行投資。

這兩個假設是以上價值共創模式推導成立的充分必要條件。

2.研究設計。為檢驗以上兩個假設，本文研究設計的主要思路是：將假設轉化為具體可量化、可驗證的科學問題；搜集相關數據，進行數據預處理和數據描述；選擇合適的模型以檢驗假設，得出結論。

針對H1，平臺能有效識別不同借款人的違約風險，并通過信用評級提示投資者。平臺的風險識別和定價能力主要表現為信用評級是否準確有效，如果平臺能準確識別風險，那么借款人違約風險越高則其信用評級應該越低，且借款利率越高，反之則反。故檢驗H1等價于檢驗：不同信用評級借款人的違約概率存在顯著差異，且信用評級越低違約風險越高，反之則反。

針對H2，投資者能有效分析不同借款人的違約風險，并選擇低風險訂單進行投資。Zum et al.［36］認為，投資者在進行投資決策時，會根據借款人信用風險用腳投票，而訂單完成度可以作為投票結果。借款人在平臺的申請金額為loan＿amnt，最終實際籌得借款金額inv＿amnt，inv＿amnt≤loan＿amnt，可定義借款總額的“滿標率”full＿rate=；full＿rate=1說明借款人籌得全部資金，full＿rate＜1 說明借款人未籌得全部資金。如果投資者確實能識別潛在違約者，那么潛在違約者將得不到投資，潛在還款者將得到更多投資人的青睞；或者說滿標率越高則說明訂單受到更多認可，訂單還款的概率也會越高。故檢驗H2等價于檢驗：滿標率越高，借款人還款的可能性越高。

3.數據獲取與預處理。研究數據取自Lending Club 平臺上2007—2018 年的所有有效訂單，總計為2 260 701 條數據，內容涵蓋借款人目前借款狀態（loan＿status）、最終募集金額（funded＿amnt＿inv）、平臺信用評級（grade）和借款利率（int＿rate）、借款人申請的借款金額（loan＿amnt）、借款期限（term）、債收比（dti）和房屋狀態（home＿ownership）等。變量名稱及含義見表1。

因為只考慮整個價值共創最終是否成功實現，無法確定正在還款中的用戶最后是否會違約，故排除借款狀態為還款中的用戶，只保留已償還或違約的用戶。此外，針對不同類型的變量（有序型變量、數值型變量和名義型變量），數據預處理方法和步驟如下：為減少少量異常值對實驗結果的影響，剔除債收比（dti）前后5%的截尾數據和借款金額超過25 000美元的用戶（占總樣本11.8%），將借款金額等間距劃分為5 個等級轉換為有序變量；對有n個等級的有序變量，分別賦值0～n-1；對名義型變量取虛擬變量。處理后總共獲得1 065 601 份訂單，變量名稱及說明如表2。

表1 變量名稱及含義

表2 預處理后的變量說明

表3 給出了預處理后變量的描述性統計。由表3 可知，全部訂單中有80.8%的借款人還清本息，19.2%的訂單出現違約；投資者的平均信用評級為1.66，介于B 和C 之間；借款利率平均為12.93%，最低5.31%，最高30.99%；債收比大致介于5 到33 倍之間，平均為18 倍；大部分借款人選擇的借款期限是36 個月，占比78.9%；47.7%的借款人房屋為抵押（按揭）狀態，10.6%為自有，剩下41.7%則是租賃。

表3 統計性描述

4.模型選擇。如果平臺能有效識別不同借款人的違約風險，并通過信用評級提示投資者，那么不同信用評級訂單的違約率應該顯著不同，可統計不同信用評級中違約訂單的占比并進行卡方檢驗以初步驗證假設。為檢驗平臺信用評級的有效性，投資者能有效分析不同借款人的違約風險，將借款人的還款狀態作為因變量，信用評級、滿標率分別作為核心解釋變量，借款人其他信息作為控制變量進行擬合。借款人還款狀態只包括還款和違約兩種狀態，是一個典型的二分類問題，同時需要擬合的樣本數（1 065 601份訂單）遠大于自變量的個數，因而可通過機器學習中經典的Logistic 回歸（LR）模型進行擬合。

五、實證檢驗

遵循上文研究設計的思路，綜合利用卡方檢驗和Logistic 回歸模型分別對兩個研究假設進行實證檢驗。

（一）平臺風險識別及定價能力檢驗

風險識別和定價能力是現代金融機構的核心職能，也是網絡借貸平臺最重要的能力和核心競爭力，它是支撐借貸雙方在網絡借貸平臺上有序、有效交易互動，以及平臺參與和促進價值共創的能力基礎。

為驗證假設H1，平臺能有效識別不同借款人的違約風險，并通過信用評級提示投資者。我們統計了不同信用評級中借款人的違約比例，圖2表明借款人違約率隨信用評級的降低而升高。

圖2 不同信用級別借款人還款情況

統計結果的卡方檢驗顯示p值小于0.01，說明在99%的置信區間內認為不同信用評級借款人的違約情況存在顯著差異，信用評級越低則違約風險越高，反之則反。卡方檢驗在一定程度上說明平臺通過信用評級為投資者提示風險，但仍然無法說明信用評級和借款利率在投資者決策中的重要程度。換句話說，投資者能否利用信用評級和借款利率幫助自己更好地識別風險呢？ 如果能，則平臺成功地促進了價值共創。

Logistic 回歸是二分類任務中最常用且表現最穩定的機器學習算法之一，尤其適用于解決樣本數量遠大于自變量數量的分類任務。通過在線性回歸模型中引入Sigmoid 函數，將線性回歸不確定范圍的連續輸出值映射到（0，1）范圍內，成為一個概率預測問題。也就是，根據自變量預測因變量發生的概率，當預測概率大于0.5 時輸出1，否則輸出0。其公式可抽象為：

其中，P（y=1 ｜x；θ）表示自變量為x時因變量y=1 的概率，θ是模型擬合參數，Fθ（x）是參數為θ的Logistic 函數。

借鑒廖理等［31］對網絡借貸平臺投資者風險識別能力的研究，假設在沒有平臺參與的情況下，平臺沒有對借款人作出信用評級并給出相應的借款利率，投資者根據借款人提供的信息就能推測其還款概率，即：

在平臺參與的情況下，投資者根據借款人的信息及平臺提供的信用評級和風險定價推測還款概率，即：

其中，loan＿statusi表示第i個借款人的還款狀態；bor＿infoi表示第i個借款人提供的信息，包括債收比dti、借款金額loan＿amnt、借款期限term和房屋狀態home＿ownership，為控制變量；plat＿infoi表示平臺對第i個借款人給出的信用評級grade和利率int＿rate，為核心解釋變量；F(x)=為Logistic 函數。根據公式（2）構建模型A，根據公式（3）構建模型B，選用梯度下降法（Gradient Descent）對預處理后的訂單數據進行擬合，結果如表4。

表4 模型A 和模型B 擬合結果

由模型A 可知，借款人的各項信息均在1%的統計水平下顯著，模型解釋力度為4.3%。我們更想了解的是平臺在雙方借貸中所發揮的作用，在模型B 中，包括債收比、借款金額、借款期限和房屋狀態在內的借款人信息為控制變量，平臺給出的信用評級和借款利率為核心解釋變量，回歸結果顯示所有變量均在1%的統計水平下顯著，模型的解釋力度大幅提升到7.6%，信用評級（grade）、借款利率（int＿rate）與還款狀態（loan＿status）均顯著負相關，且信用評級每下降一個等級（如從A 到B，B 到C，等等），全額還款的可能性降低23.3%（1-0.767=0.233），借款利率每提高1%，全額還款的可能性降低0.4%。實際上，以上訂單全額還款的概率為80.83%，因此以80.83%作為閾值［31］對以上兩個模型進行判斷準確度驗證。Logistic 模型預測借款人還款概率超過80.83%就判定其會守信，否則就判定其會違約。模型A 預測借款人不會違約，且實際上沒有違約的正確率為85.94%，預測借款人不會違約，但實際上違約的錯誤率為14.06%；模型B 中前者的預測準確率提高到87.89%，后者的錯誤率降低為12.11%。

綜上，我們驗證了平臺在價值共創中的促進作用，平臺通過信用評級成功提示風險，顯著降低了借貸雙方的信息不對稱。

（二）投資者風險識別能力檢驗

網絡借貸價值共創模式成立的另一個充要條件是投資者能有效分析不同借款人的違約風險，并選擇低風險訂單進行投資。換句話說，投資者能在平臺提供信息的基礎上進一步利用自身經驗知識等個人特質識別出潛在違約申請并排除。我們因此構建變量滿標率full＿rate=，其中loan＿amnt為借款人申請金額，inv＿amnt為實際籌得金額。根據假設H2，如果投資者足夠聰明，能利用自身經驗知識識別潛在違約者，那么滿標率越高則說明該訂單受到更多認可，訂單還款的概率也會越高。將以上問題轉化為Logistic 模型C：

其中，核心解釋變量為full＿ratei，控制變量包括借款人信息bor＿infoi和平臺信息plat＿infoi。在模型B 的基礎上增加變量full＿rate并擬合模型C，結果如表5 所示。

表5 模型C 擬合結果

由表5 可知，滿標率full＿rate在1%的水平下顯著，且系數為正，說明在99%的情況下，滿標率越高，借款人全額還款的可能性越高。優勢比odds ra?tios等于1.367，說明滿標率每提高一個百分點，還款概率提高0.367 個百分點。換句話說，那些最終全額還本付息的訂單，在一開始也會受到更多投資者的投資，假設H2得證。同時，我們也注意到模型C 整體擬合優度并無顯著提高，說明該變量對模型預測效果貢獻較少，這可能跟樣本數據中未滿標訂單占比太少（約占10%）有關。

六、結論與啟示

通過分析網絡借貸過程中平臺、借款人和投資者三者的互動關系和價值共創模式，并利用Lending Club 上的兩百余萬條真實訂單數據進行實證檢驗，研究得出的主要結論包括：（1）網絡借貸中，借款人不僅貢獻了投資者利息收入和平臺服務費，還貢獻了價值共創所需的大數據資源，這是平臺有效運轉，迭代增強技術服務能力的資源基礎；（2）平臺能有效利用大數據資源和能力對借款人進行信用評級和風險定價，實證結果表明借款人信用評級每降低一級，全額還款的可能性降低23.3%，借款利率每溢價1%，全額還款可能性降低0.4%，這樣的風險提示在很大程度上降低了借貸雙方的信息不對稱和交易成本，因而對促進網絡借貸生態的價值共創具有重要意義；（3）投資者不僅提供了借貸本金，而且能夠利用自身知識經驗識別潛在違約訂單并排除，進一步降低了“檸檬市場”出現的可能性并弱化其程度。借款人、平臺和投資者通過互動和資源整合成功實現了價值共創，三者缺一不可。

研究對平臺管理和行業監管的啟示是：國內網絡借貸平臺應定位為信息中介及大數據服務者角色，聚焦于提高自身的信息整合和分析能力。為彌補傳統銀行信貸渠道不足，滿足民間旺盛的借貸需求，同時降低行業風險，促進行業健康有序發展，行業監管可以重點從以下三方面著手：（1）與行業共建共享個人身份驗證、征信等公共服務平臺，保證價值共創資源基礎即用戶大數據資源的真實有效；（2）強化平臺的信息中介和大數據服務者角色，激勵平臺提高大數據分析能力，保證其能有效識別并提示借款人信用風險，更好地發揮信息中介作用；（3）加強投資者教育，灌輸“高收益高風險”觀念，鼓勵分散投資理念，打破剛性兌付心理預期，從而鞭策投資者提高風險識別和應對能力。