——————————--

借款人聲譽(yù)對(duì)融資成本的影響研究——來(lái)自P2P網(wǎng)絡(luò)借貸平臺(tái)“拍拍貸”的經(jīng)驗(yàn)證據(jù)

錢(qián)炳1,2

(1.中國(guó)社會(huì)科學(xué)院經(jīng)濟(jì)研究所,中國(guó)北京100836;2.常州工學(xué)院經(jīng)濟(jì)與管理學(xué)院,江蘇常州213022)

摘要:基于P2P網(wǎng)絡(luò)借貸平臺(tái)“拍拍貸”從2007年7月至2013年12月的50000筆借款數(shù)據(jù),運(yùn)用傾向得分匹配法,研究了借款人聲譽(yù)對(duì)融資成本的影響。研究發(fā)現(xiàn),相比低聲譽(yù)借款人,高聲譽(yù)借款人具有顯著的融資成本優(yōu)勢(shì),借款利率約低0.02。區(qū)分了不同職業(yè)和不同年齡的檢驗(yàn)結(jié)果也表明,高聲譽(yù)顯著降低了融資成本,在不同職業(yè)的借款人中,聲譽(yù)對(duì)利率降低的范圍在0.040~0.044之間;在分年齡的借款人中,聲譽(yù)對(duì)利率降低的范圍在0.038~0.047之間。P2P網(wǎng)絡(luò)借貸平臺(tái)的信息傳遞機(jī)制有效地降低了信息不對(duì)稱(chēng)的程度。

關(guān)鍵詞:借款人; 聲譽(yù); 融資成本; 傾向得分匹配法

doi:10.15936/j.cnki.1008-3758.2015.02.006

收稿日期:2014-10-25

基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(71341013);中國(guó)博士后科學(xué)基金面上資助項(xiàng)目(2014M561132);教育部人文社會(huì)科學(xué)研究青年基金資助項(xiàng)目(11YJC790146);江蘇省高校哲學(xué)社會(huì)科學(xué)基金資助項(xiàng)目(SJD790012);江蘇省青藍(lán)工程資助項(xiàng)目。

作者簡(jiǎn)介:錢(qián)炳(1973-),男,江蘇常州人,中國(guó)社會(huì)科學(xué)院博士后研究人員,常州工學(xué)院副教授,主要從事產(chǎn)業(yè)組織理論研究。

中圖分類(lèi)號(hào):F062.9

文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1008-3758(2015)02-0141-07

Abstract:Based on 50000 micro data of the peer-to-peer (P2P) lending platform paipai.com from 2007 to 2013, this paper explored the effect of borrowers’ reputation on borrowing cost with propensity score matching (PSM). It was found that individuals of higher reputation have a significant advantage on borrowing cost compared to those of lower reputation, with the lending rate decreasing roughly by 0.02. The test results of different occupation and age groups showed that high reputation exerts a significant effect on borrowing cost as well, with the lending rate decreasing by 0.040~0.044 in occupation and 0.038~0.047 in age. Moreover, the information transmission mechanism of P2P platforms could effectively lower the degree of information asymmetry.

Effect of Borrowers’ Reputation on Borrowing Cost

——Based on the P2P Lending Platform—paipai.com

QIANBing1,2

(1. Institute of Economics, Chinese Academy of Social Sciences, Beijing 100836, China; 2. School of Economics and Management, Changzhou Institute of Technology, Changzhou 213022, China)

Key words:borrower; reputation; borrowing cost; propensity score matching (PSM)

網(wǎng)絡(luò)借貸P2P(peer-to-peer)是一種既不同于商業(yè)銀行間接融資也不同于資本市場(chǎng)直接融資的互聯(lián)網(wǎng)金融模式[1],匿名的資金供需雙方通過(guò)網(wǎng)絡(luò)達(dá)成交易。資金供需雙方之間的“信息不對(duì)稱(chēng)”是影響交易成功的關(guān)鍵問(wèn)題,因?yàn)樾畔⒉粚?duì)稱(chēng)會(huì)產(chǎn)生逆向選擇和道德風(fēng)險(xiǎn)[2],導(dǎo)致市場(chǎng)參與者交易意愿下降,交易成本上升,最終使得市場(chǎng)失敗[3]。因此要使P2P網(wǎng)絡(luò)借貸市場(chǎng)有效運(yùn)行,首先要解決市場(chǎng)參與者之間的信息不對(duì)稱(chēng)問(wèn)題。

聲譽(yù)是解決信息不對(duì)稱(chēng)的有效機(jī)制。在網(wǎng)絡(luò)借貸平臺(tái)上,聲譽(yù)能夠在借貸雙方之間建立起信任關(guān)系,以彌補(bǔ)缺乏抵押物的不足,并且對(duì)逆向選擇和道德風(fēng)險(xiǎn)也具有抑制作用。目前國(guó)內(nèi)外學(xué)者對(duì)于P2P網(wǎng)絡(luò)借貸的研究主要集中在借款人聲譽(yù)對(duì)借款成功或違約風(fēng)險(xiǎn)的影響[4];借款人個(gè)人特征對(duì)融資可得性的影響[5];借款人的社會(huì)網(wǎng)絡(luò)、擔(dān)保和團(tuán)隊(duì)聯(lián)系對(duì)融資的影響[6]?，F(xiàn)有文獻(xiàn)并未從定量的角度分析借款人聲譽(yù)對(duì)融資成本的影響,因此從實(shí)證角度檢驗(yàn)借款人聲譽(yù)對(duì)融資成本的具體影響既有理論意義,也有實(shí)踐價(jià)值。

本文基于網(wǎng)絡(luò)借貸平臺(tái)“拍拍貸”2007年7月第一筆成功借款至2013年12月16日的50000筆借款數(shù)據(jù),運(yùn)用傾向得分匹配法就借款人聲譽(yù)對(duì)融資成本的影響及影響程度進(jìn)行定量研究。

一、 數(shù)據(jù)、變量與方法

1. 樣本來(lái)源

網(wǎng)絡(luò)借貸平臺(tái)“拍拍貸”成立于2007年8月,總部位于上海,“拍拍貸”是國(guó)內(nèi)第一家P2P無(wú)擔(dān)保抵押的網(wǎng)絡(luò)借貸平臺(tái),也是目前國(guó)內(nèi)P2P借貸平臺(tái)中用戶最活躍的,因此本文主要以“拍拍貸”上的借貸行為作為研究對(duì)象。

本研究利用網(wǎng)頁(yè)抓取軟件,獲取了“拍拍貸”從2007年7月第一筆成功借款至2013年12月16日的50000筆借款數(shù)據(jù)。在剔除了缺漏值和對(duì)數(shù)據(jù)進(jìn)行處理后,得到了45561個(gè)有效樣本。為了減少離群值和極端值的影響,我們對(duì)關(guān)鍵變量進(jìn)行了上下1%的縮尾處理。

2. 變量選取

(1) 聲譽(yù)(repu)?！芭呐馁J”對(duì)于借款人的信用等級(jí)會(huì)有一個(gè)借入信用評(píng)分,分為A、B、C、D、E、HR六個(gè)等級(jí),等級(jí)越高,風(fēng)險(xiǎn)越小,A等級(jí)的借款人風(fēng)險(xiǎn)最小。為了研究不同的聲譽(yù)等級(jí)對(duì)融資成本的影響,我們?cè)O(shè)置了聲譽(yù)的虛擬變量,如果借款人聲譽(yù)等級(jí)為A、B、C,我們定義其為高聲譽(yù)組,h_repu=1,如果借款人聲譽(yù)等級(jí)為D、E、HR,我們定義其為低聲譽(yù)組,h_repu=0。

(2) 借款利率(rate)。出借人因?yàn)榻杩疃鴱慕杩钊耸种蝎@得的報(bào)酬。在“拍拍貸”平臺(tái)上,利率是由借款人以一口價(jià)的形式形成的。在本研究中,我們把借款利率作為融資成本的代理變量,借款利率越高,表示融資成本越高。

(3) 借款人借款完成進(jìn)度(fin)。借款人在“拍拍貸”上發(fā)布借款信息后借款完成的進(jìn)度情況。我們用這個(gè)指標(biāo)來(lái)表示融資的可得性。這個(gè)值介于0和1之間,越接近于1表示借款完成情況越好。

(4) 借款期限(per)?！芭呐馁J”上的借款期限,以月為單位。

(5) 借款金額(amo)。借款人在“拍拍貸”平臺(tái)上發(fā)布的借款金額,以元為單位。

(6) 借款人網(wǎng)頁(yè)被瀏覽數(shù)(vis)。借款人在“拍拍貸”上發(fā)布借款信息后,該信息被投資人瀏覽的數(shù)量。

(7) 出借人投標(biāo)數(shù)(bid)。借款人在“拍拍貸”上發(fā)布借款信息后,出借人累計(jì)的投標(biāo)數(shù)。

(8) 歷史借款成功次數(shù)(suc)。借款人以前在“拍拍貸”網(wǎng)絡(luò)平臺(tái)上成功獲得資金的次數(shù)。

(9) 歷史流標(biāo)數(shù)(fai)。借款人以前在“拍拍貸”借貸平臺(tái)上借款失敗的次數(shù),即:借款人以前發(fā)布過(guò)借款信息,但是并沒(méi)有成功借到自己所需資金的次數(shù)。

(10) 性別(male)。借款人的性別,如果借款人是男性,我們定義male=1;如果借款人是女性,我們定義male=0。

(11) 年齡(age)。“拍拍貸”規(guī)定,只有年滿20周歲的中國(guó)大陸地區(qū)公民,才能申請(qǐng)成為借入者,本研究設(shè)定了四個(gè)年齡組,age2、age3、age4 分別表示26~31歲、32~38歲、大于38歲三個(gè)年齡段,以20~25歲年齡段為基準(zhǔn)組。

(12) 職業(yè)(occu)。在“拍拍貸”上發(fā)布借款需求的主要有四類(lèi)人:工薪族、私營(yíng)業(yè)主、網(wǎng)店賣(mài)家和學(xué)生。設(shè)定occ1、occ2、occ3分別表示借款人為工薪族、私營(yíng)業(yè)主和網(wǎng)店賣(mài)家,以學(xué)生為基準(zhǔn)組。

(13) 戶口認(rèn)證(hukou)。如果借款人選擇通過(guò)全國(guó)公民身份信息系統(tǒng)(NCIIS)進(jìn)行認(rèn)證,則記為1,否則為0。

(14) 視頻認(rèn)證(vid)。如果借款人選擇視頻認(rèn)證(借款人錄一段視頻,承認(rèn)自己提供資料為有效,并允許“拍拍貸”在借款人未能按時(shí)歸還借款時(shí),采取曝光資料等一切必要措施),則記為1,否則為0。

(15) 學(xué)歷認(rèn)證(edu)。如果借款人選擇通過(guò)學(xué)信網(wǎng)進(jìn)行學(xué)歷認(rèn)證,則記為1,否則為0。

(16) 手機(jī)認(rèn)證(mob)。如果借款人選擇通過(guò)運(yùn)營(yíng)商合作進(jìn)行手機(jī)實(shí)名認(rèn)證,則記為1,否則為0。

表1是主要變量的描述性統(tǒng)計(jì)。在統(tǒng)計(jì)的45561個(gè)樣本中,低聲譽(yù)等級(jí)的借款人有44237人,占了總借款人數(shù)的97%,高聲譽(yù)等級(jí)的借款人只有3%。這可能是因?yàn)槁曌u(yù)的累積是一個(gè)過(guò)程,而網(wǎng)絡(luò)借貸出現(xiàn)的時(shí)間不長(zhǎng),在網(wǎng)絡(luò)借貸平臺(tái)的初期,借款人的聲譽(yù)不高是可以理解的。借款人的平均利率為20%,借款金額最小為100元,最大值為100000元,平均借款金額為6462元,有一半的借款人借款金額為3000元,表明網(wǎng)絡(luò)借貸平臺(tái)主要以小額貸款為主。借款期限最短為1個(gè)月,最長(zhǎng)為18個(gè)月,平均借款期限約半年。借款人平均每筆借款信息會(huì)得到108次瀏覽,有大約17個(gè)出借人會(huì)投標(biāo)。借款人歷史借款成功的平均數(shù)約是借款失敗平均數(shù)的1.5倍。

表1　主要變量的描述性統(tǒng)計(jì)

表2是對(duì)借款人人口分布特征進(jìn)行的描述性統(tǒng)計(jì)。從表2中我們可以看出,在45561筆借款數(shù)據(jù)中,26~31歲年齡段的借款人最多,占全部比例的40.54%,20~25歲年齡段和32~38歲年齡段占比分別為31.73%和19.84%,大于38歲年齡段的借款人最少,只有不到8%。在全部借款人中,男性占了絕大多數(shù),比例高達(dá)85.43%,女性借款人占比不到15%。借款人的職業(yè)方面,工薪族最多,占比超過(guò)3/4,私營(yíng)業(yè)主和網(wǎng)店賣(mài)家其次,學(xué)生貸款者最少,不到3%。

表2　拍拍貸網(wǎng)絡(luò)借貸平臺(tái)上的人口分布特征

3. 傾向得分匹配法(PSM)

為了解決可能產(chǎn)生的樣本選擇偏誤和內(nèi)生性問(wèn)題,我們選擇了傾向得分匹配方法(PSM),使用這個(gè)方法,我們可以得到傾向得分(PS),用來(lái)衡量高聲譽(yù)組和低聲譽(yù)組在多個(gè)維度上差異的程度。我們將樣本分成兩個(gè)部分:①處理組。指具有較高聲譽(yù)的借款人,用h_repu表示,我們將借款人聲譽(yù)等級(jí)為A、B、C的借款人定義為高聲譽(yù),h_repu=1。②控制組。如果借款人聲譽(yù)等級(jí)為D、E、HR,我們定義為低聲譽(yù),h_repu=0。

(1) 傾向得分(PS)

傾向得分是指給定處理前的特征,處理組接受處理的條件概率[7]。

其中,X是控制組的多維向量特征;D是指示變量,高聲譽(yù)組時(shí)D=1,低聲譽(yù)組時(shí)D=0。如果我們能夠估計(jì)出傾向得分(PS),那么高聲譽(yù)組和低聲譽(yù)組在潛在產(chǎn)出(融資成本)上的差異ATT(average treatment effect on the treated)就可以被估計(jì)出來(lái)[8],見(jiàn)式(2)。

其中,Y1i、Y0i分別代表高聲譽(yù)組和低聲譽(yù)組的潛在產(chǎn)出。

沿用Dehejia & Wahba(2002)[7]的方法,我們用Logit模型估計(jì)傾向得分(PS)。

式(3)中,X是影響借款人聲譽(yù)的多維解釋變量向量;β是估計(jì)系數(shù)向量,傾向得分通過(guò)Logit模型估計(jì)。

(2) 配對(duì)方法

由于傾向得分是一個(gè)連續(xù)變量,對(duì)于具體的數(shù)值無(wú)法找到對(duì)應(yīng)的單位,因此我們無(wú)法通過(guò)式(2)直接估計(jì)高聲譽(yù)組和低聲譽(yù)組的平均差異。本研究使用最近鄰匹配法,然后用半徑匹配法進(jìn)行穩(wěn)健性檢驗(yàn)。

二、 實(shí)證結(jié)果

1. OLS估計(jì)結(jié)果

表3給出了聲譽(yù)對(duì)借款利率影響的估計(jì)結(jié)果。為了糾正可能的異方差,我們使用了White(1980)[9]的方法,給出了穩(wěn)健的標(biāo)準(zhǔn)誤差。模型1到模型3的可決系數(shù)在0.007到0.09之間,具有一定的解釋力。F統(tǒng)計(jì)量在1%的水平上拒絕了全部系數(shù)為0的原假設(shè)。模型1的結(jié)果顯示,在沒(méi)有控制其他變量的情況下,高聲譽(yù)的借款人比低聲譽(yù)的借款人的借款利率低0.025(見(jiàn)列1)。在分別加入了借款金額、借款期限、認(rèn)證、年齡、職業(yè)和性別等控制變量后,高聲譽(yù)借款人的在融資成本上的優(yōu)勢(shì)下降,利率只比低聲譽(yù)借款人低約0.01。

上述結(jié)果表明:借款人聲譽(yù)能顯著降低融資成本,在引入了更多的控制變量后,這一結(jié)果仍然成立。但是,OLS回歸方法無(wú)法解決樣本的自選擇問(wèn)題,可能有一些研究中沒(méi)有涉及的因素也對(duì)利率產(chǎn)生了負(fù)向的影響,而我們沒(méi)有觀察到。因此,我們沒(méi)有辦法推斷確實(shí)是聲譽(yù)對(duì)融資成本產(chǎn)生了影響。為了糾正OLS估計(jì)可能存在的偏誤,得到聲譽(yù)對(duì)融資成本的“凈效應(yīng)”,我們采用PSM方法進(jìn)行驗(yàn)證。

表3　聲譽(yù)對(duì)借款利率的影響(OLS估計(jì)結(jié)果)

注: ***、**、*分別表示在1%、5%和10%水平上顯著; 括號(hào)中為穩(wěn)健標(biāo)準(zhǔn)誤。

2. PSM估計(jì)結(jié)果

要得到平均處理效應(yīng)(ATT)的估計(jì)值,我們首先要估計(jì)傾向得分PS,傾向得分能夠把影響聲譽(yù)的多維信息變成一維信息,通常采用Logit方法選擇匹配變量。表4是用Logit方法選擇聲譽(yù)匹配變量的結(jié)果。因?yàn)槟Ｐ偷脑O(shè)定對(duì)于選擇匹配變量非常重要,我們選擇了PseudoR2和在ROC曲線下的面積AUC兩個(gè)指標(biāo)來(lái)作為模型判定的標(biāo)準(zhǔn)。

三個(gè)模型的PseudoR2在0.24~0.33之間, 顯示出模型有較好的擬合度。 模型3的AUC為0.923, 綜合兩個(gè)指標(biāo), 我們選擇模型3來(lái)估計(jì)傾向得分PS, 然后比較不同聲譽(yù)組對(duì)融資成本的影響。 表5和表6分別報(bào)告了對(duì)主要變量匹配前后誤差消減結(jié)果和傾向得分匹配的處理效應(yīng)。 從表5可以看出, 匹配后除了戶口認(rèn)證以外, 各匹配變量標(biāo)準(zhǔn)偏差的絕對(duì)值均顯著小于5%, 拒絕了高聲譽(yù)組和低聲譽(yù)組樣本存在顯著差異的原假設(shè)。 因此可認(rèn)為選取的匹配變量是合適的。 表6的結(jié)果也顯示, 匹配后高聲譽(yù)組和低聲譽(yù)組的個(gè)體特征存在顯著差異的原假設(shè)被拒絕, 可以說(shuō),兩組之間的樣本已經(jīng)不存在明顯差異, 配對(duì)結(jié)果較好。

表4　Logit模型的估計(jì)結(jié)果

注: 被解釋變量為h_repu,高聲譽(yù)組時(shí)h_repu=1,否則為0; ***、**、*分別表示在1%、5%和10%水平上顯著,括號(hào)中為t值;AUC表示在ROC曲線下的面積。

表5　變量誤差消減狀況

表6　傾向得分匹配的處理效應(yīng)

在得到了理想的配對(duì)樣本之后,我們使用最近鄰匹配法(1∶2)估計(jì)了借款人聲譽(yù)對(duì)借款利率的影響(見(jiàn)表7)。結(jié)果顯示:高聲譽(yù)借款人的平均利率為0.166,低聲譽(yù)借款人的平均利率為0.186,高聲譽(yù)借款人比低聲譽(yù)的借款人利率低0.02,而且在1%的水平上顯著。未經(jīng)配對(duì)處理會(huì)高估聲譽(yù)對(duì)融資成本的影響程度,高估的程度達(dá)到25%。

為了對(duì)估計(jì)進(jìn)行穩(wěn)健性檢驗(yàn),我們使用半徑匹配法進(jìn)行了配對(duì)估計(jì)(選擇半徑r=0.001)。結(jié)論顯示,在全樣本下,高聲譽(yù)借款人利率比低聲譽(yù)借款人低0.019,未配對(duì)處理確實(shí)高估了聲譽(yù)對(duì)降低融資成本的作用。

3. 匹配樣本的異質(zhì)性檢驗(yàn)

本研究還對(duì)匹配樣本的異質(zhì)性進(jìn)行了檢驗(yàn),我們針對(duì)不同職業(yè)、不同年齡的借款人進(jìn)行了配對(duì)分析(表8、表9)。結(jié)果顯示,不同職業(yè)的借款人中,聲譽(yù)同樣對(duì)降低融資成本具有顯著的影響,聲譽(yù)對(duì)利率降低的范圍在0.040~0.044之間,而且都在1%的水平上顯著。在職業(yè)為工薪族的借款人中,高聲譽(yù)對(duì)融資成本的影響最大,其次是網(wǎng)店賣(mài)家和私營(yíng)業(yè)主。使用半徑匹配法進(jìn)行穩(wěn)健性檢驗(yàn)也得到了類(lèi)似的結(jié)論,只是影響的程度不同,高聲譽(yù)對(duì)融資成本的影響下降到0.024~0.025之間。同樣地,我們使用半徑匹配法進(jìn)行了穩(wěn)健性估計(jì),得到了類(lèi)似的結(jié)論,在全樣本下,高聲譽(yù)借款人利率比低聲譽(yù)借款人低0.019,未配對(duì)處理確實(shí)高估了聲譽(yù)對(duì)融資成本的作用。

表9　分年齡ATT估計(jì)結(jié)果

在分年齡段的借款人中,聲譽(yù)同樣對(duì)降低融資成本具有顯著的影響,聲譽(yù)對(duì)利率降低的范圍在0.038~0.047之間,而且在5%或1%的水平上顯著。其中26~31歲年齡段的高聲譽(yù)借款人融資成本優(yōu)勢(shì)最大,其次是32~38歲和大于38歲年齡組。半徑匹配法的結(jié)論相同,只是影響程度有差別,高聲譽(yù)對(duì)融資成本的影響下降到0.020~0.025之間,但結(jié)論是穩(wěn)健的。

三、 結(jié)論

本文運(yùn)用PSM方法研究了P2P網(wǎng)絡(luò)借貸平臺(tái)上借款人聲譽(yù)對(duì)和融資成本的影響。本文的主要結(jié)論如下:

(1) 高聲譽(yù)借款人具有明顯的融資成本優(yōu)勢(shì)

不論是全樣本還是考慮不同年齡和職業(yè)的子樣本,本研究都發(fā)現(xiàn),相比低聲譽(yù)借款人,高聲譽(yù)借款人融資成本更低。在使用了最近鄰匹配法進(jìn)行配對(duì)處理后的結(jié)果顯示:高聲譽(yù)借款人的平均利率為0.166,低聲譽(yù)借款人的平均利率為0.186,高聲譽(yù)借款人比低聲譽(yù)的借款人利率低0.02,而且在1%的水平上顯著。

(2) 高聲譽(yù)在不同職業(yè)和年齡的借款人中同樣具有明顯的融資成本優(yōu)勢(shì)

本研究還針對(duì)不同職業(yè)、不同年齡的借款人進(jìn)行了配對(duì)分析。結(jié)果顯示不同職業(yè)的借款人中,聲譽(yù)同樣對(duì)降低融資成本具有顯著的影響,聲譽(yù)對(duì)利率降低的范圍在0.040~0.044之間,而且都在1%的水平上顯著。在工薪族中,高聲譽(yù)借款人對(duì)融資成本的影響最大,其次是網(wǎng)店賣(mài)家和私用業(yè)主。在分年齡的借款人中,聲譽(yù)同樣對(duì)降低融資成本具有顯著的影響,聲譽(yù)對(duì)利率降低的范圍在0.038~0.047之間,而且都在1%的水平上顯著。其中26~31歲年齡段的高聲譽(yù)借款人融資成本優(yōu)勢(shì)最大,其次是32~38歲和大于38歲年齡組。

(3) P2P網(wǎng)絡(luò)借貸平臺(tái)的信息傳遞機(jī)制有效地解決了信息不對(duì)稱(chēng)

P2P網(wǎng)絡(luò)平臺(tái)本質(zhì)上是一種信息中介。在P2P網(wǎng)絡(luò)平臺(tái)上,借款人可以通過(guò)平臺(tái)的各種認(rèn)證提供標(biāo)準(zhǔn)化信息展示自身的類(lèi)型;投資人也可以通過(guò)借款人的聲譽(yù)等級(jí)、以往借款記錄等判斷借款人的可信度和違約風(fēng)險(xiǎn)。P2P網(wǎng)絡(luò)平臺(tái)通過(guò)現(xiàn)代化的信息傳播技術(shù),使借款人的相關(guān)信息以極低的成本迅速傳播;具有信息優(yōu)勢(shì)的借款人為了更快并且以更低的成本獲得融資,會(huì)主動(dòng)選擇將自身的信息披露給處于信息劣勢(shì)的一方,即出借人,出借人也能以較低的成本發(fā)現(xiàn)和挖掘另一方的信息。這種信息傳遞和信息溝通的機(jī)制有效地解決了金融市場(chǎng)中普遍存在的信息不對(duì)稱(chēng)問(wèn)題。

參考文獻(xiàn):

[1] 謝平,鄒傳偉. 互聯(lián)網(wǎng)金融模式研究[J]. 金融研究, 2012(12):11-22.

[2] Holmstrom B. The Provision of Services in a Market Economy[R]. Philadelphia: University of Pennsylvania, 1984.

[3] Akerlof G A. The Market for “Lemons”: Quality Uncertainty and the Market Mechanism[J]. Quarterly Journal of Economics, 1970,84(3):488-500.

[4] Avery R B, Calem E A. Consumer Credit Scoring: Do Situational Circumstances Matter[J]. Journal of Banking & Finance, 2004,28(4):835-856.

[5] Freedman S, Jin G Z. Do Social Networks Solve Information Problems for Peer-to-Peer Lending? —Evidence from Prosper.com[R]. South Drive: Indiana University, 2008.

[6] 葉康濤,張然,徐浩萍. 聲譽(yù)、制度環(huán)境與債務(wù)融資[J]. 金融研究, 2010(8):171-183.

[7] Dehejia R H, Wahba S. Propensity Score-matching Methods for Nonexperimental Causal Studies[J]. Review of Economics and Statistics, 2002,84(1):151-161.

[8] Becker S, Ichino A. Estimation of an Average Treatment Effects Based on Propensity Scores[J]. The Stata Journal, 2002,4(2):358-377.

[9] White H. A Heteroskedasticity-consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity[J]. Econometrica, 1980,48(4):817-838.

(責(zé)任編輯:王薇)