徐梓原

內(nèi)容摘要：本文立足372家網(wǎng)貸平臺(tái)的面板數(shù)據(jù)，聚焦平臺(tái)成交量的影響機(jī)制，構(gòu)建了圍繞“借款情況、可信賴度、平臺(tái)熱度、杠桿幅度”等維度的影響因素指標(biāo)體系，運(yùn)用多元化的模型預(yù)檢驗(yàn)方法不斷優(yōu)化和校正基礎(chǔ)模型，而后對(duì)成交量的影響機(jī)制進(jìn)入深入探討，認(rèn)為成交量具有顯著的個(gè)體效應(yīng)，應(yīng)當(dāng)采用固定效應(yīng)模型和雙向固定效應(yīng)模型。研究發(fā)現(xiàn)，預(yù)期收益率、可信賴度和平臺(tái)熱度是成交量的正向因素，借款期限是成交量的負(fù)向因素，高杠桿幅度是成交量的正向因素且其來(lái)源于平臺(tái)和投資人對(duì)于高利潤(rùn)和高風(fēng)險(xiǎn)的追逐。研究進(jìn)一步提出了對(duì)于網(wǎng)貸平臺(tái)和網(wǎng)貸行業(yè)進(jìn)行風(fēng)險(xiǎn)管控的政策建議。

關(guān)鍵詞：P2P 網(wǎng)貸平臺(tái) 成交量 風(fēng)險(xiǎn)管控

緒論

自2007年我國(guó)首家P2P網(wǎng)絡(luò)貸款平臺(tái)“拍拍貸”在上海創(chuàng)立以來(lái)，國(guó)內(nèi)網(wǎng)絡(luò)貸款行業(yè)呈現(xiàn)出由慢到快、由冷到熱的快速發(fā)展勢(shì)頭。從2011到2015年上半年，P2P網(wǎng)貸平臺(tái)的數(shù)量、成交量和參與人數(shù)都經(jīng)歷了爆發(fā)式增長(zhǎng)——正常運(yùn)行的網(wǎng)貸平臺(tái)數(shù)量在2015年達(dá)到最高峰，數(shù)量近3500個(gè)（中國(guó)共享經(jīng)濟(jì)發(fā)展年度報(bào)告，2018）。但是，隨著P2P網(wǎng)貸行業(yè)監(jiān)管力度加碼升級(jí)，問題平臺(tái)大量出現(xiàn)，行業(yè)系統(tǒng)性風(fēng)險(xiǎn)令人堪憂——根據(jù)網(wǎng)貸之家數(shù)據(jù)，從2017年6月至2018年5月，月均問題平臺(tái)數(shù)量?jī)H為18.25家，而2018年6月問題平臺(tái)數(shù)驟升至63家，同年7月問題平臺(tái)數(shù)更高達(dá)至169家。為了避免出現(xiàn)更大規(guī)模的網(wǎng)貸平臺(tái)問題反彈和大范圍的行業(yè)危機(jī)，網(wǎng)貸平臺(tái)巨額交易量背后的經(jīng)濟(jì)規(guī)律亟需探尋。本文關(guān)注我國(guó)網(wǎng)貸平臺(tái)交易數(shù)據(jù)，聚焦平臺(tái)成交量影響機(jī)制探究，為網(wǎng)貸平臺(tái)的正常運(yùn)營(yíng)和風(fēng)險(xiǎn)管控提供參考。

相關(guān)研究綜述

Berger和Gleisner（2009）用14000個(gè)原始貸款數(shù)據(jù)分析了P2P網(wǎng)貸平臺(tái)的中介作用，認(rèn)為網(wǎng)貸平臺(tái)顯著改善了借款人的信貸條件，減少了信息不對(duì)稱。Lee等（2012）、Zhang和Chen（2017）、廖理等（2015）分別使用韓國(guó)平臺(tái)和國(guó)內(nèi)“人人貸”數(shù)據(jù)，發(fā)現(xiàn)投資人、借款人的羊群效應(yīng)和羊群效應(yīng)的邊際效應(yīng)遞減問題。但是，投資人往往具有一定的投資經(jīng)驗(yàn)，不是完全的從眾者，更會(huì)注重對(duì)網(wǎng)貸交易數(shù)據(jù)的綜合研究。不少學(xué)者對(duì)于網(wǎng)貸交易進(jìn)行了考察，比如，張立煒（2016）用四家P2P平臺(tái)181天的數(shù)據(jù)發(fā)現(xiàn)，平臺(tái)百度指數(shù)變化對(duì)成交量有正向影響。陳霄（2014）立足網(wǎng)貸個(gè)體的“賭博式融資”行為，發(fā)現(xiàn)標(biāo)的特征、信用和地區(qū)因素對(duì)借款人成本具有顯著影響。南洋和徐鵬（2018）對(duì)網(wǎng)貸平臺(tái)的信息驗(yàn)證與借貸效率展開實(shí)證，發(fā)現(xiàn)高水平的流動(dòng)性未能有效促進(jìn)平臺(tái)成交量與人氣的提升，反倒是高杠桿水平對(duì)于投資者更具吸引力。以上大部分研究側(cè)重交叉研究，少有聚焦網(wǎng)貸平臺(tái)交易內(nèi)部機(jī)制。

本文立足網(wǎng)貸平臺(tái)交易面板數(shù)據(jù)，建立交易量影響因素指標(biāo)體系，運(yùn)用預(yù)檢驗(yàn)方法和多類回歸模型對(duì)網(wǎng)貸平臺(tái)交易量的影響機(jī)制展開深入研究。

指標(biāo)構(gòu)建和模型假設(shè)

（一）指標(biāo)體系

本文以網(wǎng)貸之家2017年12月至2018年6月之間的數(shù)據(jù)為基礎(chǔ)，篩選出372家持續(xù)正常經(jīng)營(yíng)的網(wǎng)貸平臺(tái)，以其7個(gè)月的交易數(shù)據(jù)作為平衡面板（共計(jì)2604個(gè)觀測(cè)值），從“借款情況、可信賴度、平臺(tái)熱度、杠桿幅度”四個(gè)維度，構(gòu)建了以平臺(tái)成交量（VOL）為核心的影響因素指標(biāo)體系，見表1所示。

（二）模型假設(shè)

相較于銀行儲(chǔ)蓄和借貸體系，網(wǎng)貸平臺(tái)具有高風(fēng)險(xiǎn)、高收益、高流動(dòng)性的自然屬性，還具有投資方市場(chǎng)主導(dǎo)（借款需求往往大于投資資金供給）的獨(dú)特屬性。參與網(wǎng)貸平臺(tái)投資的投資人往往追逐短期高回報(bào)，所以在“借款情況”方面，成交量作用機(jī)制如假設(shè)1和假設(shè)2所示。在“可信賴度、平臺(tái)熱度”方面，成交量作用機(jī)制如假設(shè)3和假設(shè)4所示。在“杠桿幅度”方面，追求高收益高回報(bào)的網(wǎng)貸平臺(tái)和投資人，也會(huì)追逐高杠桿率，成交量作用機(jī)制如假設(shè)5所示。

假設(shè)1：預(yù)期收益率越高，網(wǎng)貸平臺(tái)成交量越大；

假設(shè)2：平均借款期限越長(zhǎng)，網(wǎng)貸平臺(tái)成交量越小；

假設(shè)3：平臺(tái)可信賴度越高，網(wǎng)貸平臺(tái)成交量越大；

假設(shè)4：平臺(tái)熱度越高，網(wǎng)貸平臺(tái)成交量越大；

假設(shè)5：杠桿幅度越大，網(wǎng)貸平臺(tái)成交量越大。

模型構(gòu)建和回歸結(jié)果

本文運(yùn)用Eviews對(duì)面板數(shù)據(jù)展開單位根檢驗(yàn)、協(xié)整性檢驗(yàn)、格蘭杰因果檢驗(yàn)等模型預(yù)檢驗(yàn)，運(yùn)用Stata開展面板數(shù)據(jù)回歸分析。

（一）模型構(gòu)建的預(yù)檢驗(yàn)

1.面板單位根檢驗(yàn)。為了避免出現(xiàn)偽回歸問題，確保估計(jì)的有效性，本文用四種方法對(duì)各面板序列的平穩(wěn)性進(jìn)行檢驗(yàn)（見表2）。除了自變量待還余額和運(yùn)營(yíng)時(shí)間在部分檢驗(yàn)方法下不能拒絕有單位根的原假設(shè)外，因變量和其他自變量均在四種檢驗(yàn)中，在0.001的顯著性水平上拒絕單位根原假設(shè)。為穩(wěn)健起見，對(duì)待還余額和運(yùn)營(yíng)時(shí)間一階差分，其差分結(jié)果D.REFUND和D.SERTIME均穩(wěn)健地拒絕了有單位根的原假設(shè)。即這兩個(gè)變量是一階單整I（1），而其他變量都為零階單整平穩(wěn)序列I（0），本文以這兩個(gè)自變量的一階差分進(jìn)行回歸。

2.協(xié)整性檢驗(yàn)。指標(biāo)體系中的十個(gè)變量是非同階單整，不能直接對(duì)原序列進(jìn)行協(xié)整檢驗(yàn)和回歸分析，所以，納入兩個(gè)具有經(jīng)濟(jì)學(xué)意義的一階差分變量進(jìn)行Kao協(xié)整性檢驗(yàn)。為了后續(xù)建立有效的對(duì)比回歸模型，按照有無(wú)兩個(gè)差分變量分組檢驗(yàn)，如表3所示。四類分組均拒絕了“不協(xié)整”的原假設(shè)，可以進(jìn)一步進(jìn)行格蘭杰因果檢驗(yàn)，建立回歸模型。

3.格蘭杰因果檢驗(yàn)。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(shù)內(nèi)下拒絕了“不是成交量（VOL）的格蘭杰原因”的原假設(shè)，表明大部分自變量與因變量具有統(tǒng)計(jì)學(xué)因果關(guān)系，指標(biāo)體系較為科學(xué)。

（二）面板數(shù)據(jù)回歸

1.混合回歸和模型校正。作為面板回歸模型的對(duì)照，首先開展混合回歸，如表5所示。考慮到面板數(shù)據(jù)的特點(diǎn)，即同一個(gè)體在不同時(shí)期的擾動(dòng)項(xiàng)之間往往存在自相關(guān)，此處混合回歸采用按照個(gè)體不同時(shí)期觀測(cè)值進(jìn)行聚類的聚類穩(wěn)健標(biāo)準(zhǔn)差估計(jì)?；旌匣貧wOLS_try模型納入了7個(gè)原始自變量和2個(gè)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(yōu)化的OLS混合回歸基礎(chǔ)模型。此外，兩個(gè)模型的系數(shù)和顯著性程度基本一致，表明校正不會(huì)損失估計(jì)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(chǔ)，建立多類型的固定/隨機(jī)效應(yīng)面板回歸模型。固定效應(yīng)模型FE、穩(wěn)健型固定效應(yīng)模型FE_ro的各變量系數(shù)一致，F(xiàn)E_ro的標(biāo)準(zhǔn)差稍大，但也在可接受的范圍。隨機(jī)效應(yīng)模型RE和RE_ro與固定效應(yīng)的情況類似。值得關(guān)注的是，混合回歸模型OLS的部分自變量的系數(shù)與固定和隨機(jī)效應(yīng)模型的符號(hào)相反——混合回歸模型中，預(yù)期收益率RATE、借款標(biāo)數(shù)OBJECT和平均借款期限/運(yùn)營(yíng)時(shí)間TERM_SERTIME的系數(shù)為負(fù)數(shù)，平均借款期限TERM的系數(shù)為正數(shù)，個(gè)體效應(yīng)模型中的四個(gè)變量的系數(shù)與此相反——所以，有必要對(duì)兩類模型的選擇進(jìn)行分析。

第一，混合回歸模型與個(gè)體效應(yīng)模型。首先，從經(jīng)濟(jì)學(xué)邏輯來(lái)看，本文適合采用個(gè)體效應(yīng)模型：預(yù)期收益率上升，將吸引更多的投資人和借款人進(jìn)入網(wǎng)貸平臺(tái)，平臺(tái)成交量VOL隨之上升，不可能出現(xiàn)得到負(fù)向作用機(jī)制，支持個(gè)體效應(yīng)系數(shù)為正的結(jié)論；同樣地，借款標(biāo)數(shù)OBJECT和平均借款期限/運(yùn)營(yíng)時(shí)間TERM_SERTIME越大，追逐更多借款標(biāo)數(shù)和更短借款期限的成交量VOL也會(huì)隨之增大，支持個(gè)體效應(yīng)系數(shù)為正的結(jié)論；具有較高預(yù)期收益率的風(fēng)險(xiǎn)較大，投資人偏好選擇短期投資期限，而借款期限越長(zhǎng)，平臺(tái)為了融通借貸必須進(jìn)行期限拆分，導(dǎo)致借投期限錯(cuò)配，投資人集中提現(xiàn)可能引發(fā)流動(dòng)性危機(jī)，所以借款期限TERM越長(zhǎng)，平臺(tái)資金流動(dòng)性風(fēng)險(xiǎn)越高，成交量自然隨之降低，支持個(gè)體效應(yīng)系數(shù)為負(fù)的結(jié)論。其次，進(jìn)行模型選擇的檢驗(yàn)，F(xiàn)檢驗(yàn)的結(jié)果為86.52，P值為0.0000，強(qiáng)烈拒絕了“所有異質(zhì)性截距項(xiàng)ui=0的原假設(shè)”，支持固定效應(yīng)模型優(yōu)于OLS的判斷。BP檢驗(yàn)結(jié)果的χ2值為2708.91，P值為0.0000，強(qiáng)烈拒絕了“不存在個(gè)體隨機(jī)效應(yīng)”的原假設(shè)，支持隨機(jī)效應(yīng)模型優(yōu)于OLS的判斷。綜上，網(wǎng)貸成交量VOL具有強(qiáng)烈的個(gè)體異質(zhì)性，納入個(gè)體異質(zhì)性的個(gè)體效應(yīng)模型（固定/隨機(jī)）更適合成交量影響機(jī)制研究。

第二，固定效應(yīng)模型和隨機(jī)效應(yīng)模型。首先，根據(jù)豪斯曼檢驗(yàn)結(jié)果，χ2 值為60.02，P值為0.0000，強(qiáng)烈拒絕“固定效應(yīng)和隨機(jī)效應(yīng)模型的估計(jì)參數(shù)沒有顯著性差異”原假設(shè)，表明應(yīng)該選擇固定效應(yīng)模型。其次，固定效應(yīng)模型FE比隨機(jī)效應(yīng)模型RE的各變量回歸結(jié)果更顯著，盡管穩(wěn)健型固定效應(yīng)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(diào)整R2卻從非穩(wěn)健型的0.484上升到穩(wěn)健型的0.588，模型整體得到優(yōu)化，網(wǎng)貸平臺(tái)成交量VOL有58.8%能夠由FE_ro來(lái)解釋。綜上，本文適合選擇（穩(wěn)健型）固定效應(yīng)模型FE/FE_ro。在“借款情況”方面，預(yù)期收益率RATE的系數(shù)為0.232，表明預(yù)期收益率越高，網(wǎng)貸平臺(tái)成交量越高，驗(yàn)證了假設(shè)1。網(wǎng)貸平臺(tái)本身是高風(fēng)險(xiǎn)投融資途徑，對(duì)有較高風(fēng)險(xiǎn)偏好的投資人而言，高的預(yù)期收益率是選擇投資平臺(tái)的一個(gè)重要因素。此外，平均借款期限TERM的系數(shù)為-0.233，表明平均借款期限越長(zhǎng)，網(wǎng)貸平臺(tái)成交量越小，驗(yàn)證了假設(shè)2。前已述及，投資人傾向于短期投資，而借款期限越長(zhǎng)，借投期限錯(cuò)配率高，流動(dòng)性風(fēng)險(xiǎn)上升，所以成交量會(huì)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(wǎng)貸平臺(tái)的融資能力增長(zhǎng)幅度，其系數(shù)為0.648，表明融資能力越強(qiáng)，平臺(tái)成交量越大，驗(yàn)證了假設(shè)3。這是網(wǎng)貸平臺(tái)在信賴基礎(chǔ)上的融資滾雪球效應(yīng)，即融資能力增長(zhǎng)快的平臺(tái)能夠更容易吸納新的投資資金。運(yùn)營(yíng)時(shí)間SERTIME因非平穩(wěn)問題未納入模型，此處不做討論。左茹霞等（2017）在發(fā)現(xiàn)運(yùn)營(yíng)時(shí)間非平穩(wěn)而未做處理直接納入模型，其結(jié)論并不妥當(dāng)。在“平臺(tái)熱度”方面，投資人數(shù)INVPERS、借款人數(shù)BORPERS、借款標(biāo)數(shù)OBJECT的系數(shù)分別為0.063、0.048和0.002，表明投資人數(shù)、借款人數(shù)、借款標(biāo)數(shù)越多，平臺(tái)越熱門，其成交量也越大，驗(yàn)證了假設(shè)4。其中，借款標(biāo)數(shù)系數(shù)較低，是因?yàn)椴煌脚_(tái)的單標(biāo)借貸額度無(wú)一致規(guī)律，主營(yíng)大額或小額業(yè)務(wù)的平臺(tái)均能實(shí)現(xiàn)規(guī)模經(jīng)濟(jì)和高成交量。在“杠桿幅度”方面，融資資金杠桿VOL_RFUND和融資時(shí)間杠桿TERM_SERTIME的系數(shù)為0.979和5.967，呈正相關(guān)，驗(yàn)證了假設(shè)5。表明網(wǎng)貸個(gè)體都為高回報(bào)而追逐資金和時(shí)間的高杠桿，推動(dòng)平臺(tái)成交量上升。

3.多模型回歸對(duì)比分析。在混合回歸、固定/隨機(jī)效應(yīng)模型基礎(chǔ)上，納入最小二乘虛擬變量模型LSDV、考慮時(shí)間效應(yīng)的雙向固定效應(yīng)模型FE_TW和最大似然模型MLE，觀察前述結(jié)論的穩(wěn)健性，如表6所示。

在（2）-（5）的固定效應(yīng)回歸中，LSDV的自變量系數(shù)和顯著程度與FE完全一致，且全部虛擬變量的系數(shù)都顯著，P值為0.000。FE_TW自變量系數(shù)與FE的系數(shù)符號(hào)一致，數(shù)值差別較小，顯著性程度一致，對(duì)該模型月度虛擬變量進(jìn)行聯(lián)合顯著檢驗(yàn)，P值為0.000，拒絕“無(wú)時(shí)間效應(yīng)”的原假設(shè)，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(jié)論仍然成立并十分穩(wěn)健。在（6）-（8）的隨機(jī)效應(yīng)回歸中，MLE的系數(shù)顯著性程度與RE和RE_ro基本相同，但部分系數(shù)相差較大。結(jié)合之前豪斯曼檢驗(yàn)對(duì)固定效應(yīng)模型的支持，進(jìn)一步表明本文適合采用固定效應(yīng)的FE、FE_ro和FE_TW模型。

結(jié)論與建議

本文運(yùn)用372家網(wǎng)貸平臺(tái)成交量面板數(shù)據(jù)，建立了網(wǎng)貸平臺(tái)影響因素指標(biāo)體系，運(yùn)用多種預(yù)檢驗(yàn)法修正基礎(chǔ)模型，通過(guò)各類固定/隨機(jī)面板模型對(duì)比，研究發(fā)現(xiàn)，成交量的影響機(jī)制存在明顯的個(gè)體效應(yīng)，更適合固定效應(yīng)模型和雙向固定效應(yīng)模型，研究結(jié)論總體符合網(wǎng)貸投資人追逐高風(fēng)險(xiǎn)、高利潤(rùn)、短期限平臺(tái)投資的偏好特征，驗(yàn)證了事前假設(shè)。

總體來(lái)看，第一，預(yù)期收益率、可信賴度和平臺(tái)熱度上升，會(huì)推動(dòng)平臺(tái)成交量上升；第二，源于對(duì)高風(fēng)險(xiǎn)高回報(bào)的追逐，投資人更熱衷于在資金和時(shí)間方面激進(jìn)的高杠桿平臺(tái)，這也成為了網(wǎng)貸行業(yè)流動(dòng)性風(fēng)險(xiǎn)的一大隱憂——此結(jié)論與南洋和徐鵬（2018）的“高杠桿水平對(duì)于投資者更具吸引力”結(jié)論一致；第三，借款期限越長(zhǎng)，借投期限更易錯(cuò)配，流動(dòng)性風(fēng)險(xiǎn)上升，成交量下降。對(duì)此，本文建議監(jiān)管部門要建立網(wǎng)貸平臺(tái)進(jìn)入門檻審核制度，加強(qiáng)對(duì)網(wǎng)貸平臺(tái)信息披露的要求，建立針對(duì)高杠桿幅度平臺(tái)的監(jiān)管控制，引導(dǎo)網(wǎng)貸平臺(tái)和投資人正確的投資偏好，多維度、全過(guò)程、合理化地將網(wǎng)貸行業(yè)風(fēng)險(xiǎn)控制在可以接受的范圍內(nèi)。

參考文獻(xiàn)：

1.陳霄.民間借貸成本研究——基于P2P網(wǎng)絡(luò)借貸的實(shí)證分析[J].金融經(jīng)濟(jì)學(xué)研究，2014，29（1）

2.國(guó)家信息中心分享經(jīng)濟(jì)研究中心，中國(guó)互聯(lián)網(wǎng)協(xié)會(huì)分享經(jīng)濟(jì)工作委員會(huì).中國(guó)共享經(jīng)濟(jì)發(fā)展年度報(bào)告[R]，2018

3.廖理，李夢(mèng)然，王正位等.觀察中學(xué)習(xí)：P2P網(wǎng)絡(luò)投資中信息傳遞與羊群行為[J].清華大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2015（1）

4.南洋，徐鵬.P2P網(wǎng)貸平臺(tái)的信息驗(yàn)證與借貸效率研究——來(lái)自“網(wǎng)貸之家”行業(yè)評(píng)級(jí)數(shù)據(jù)的實(shí)證檢驗(yàn)[J].軟科學(xué)，2018（3）

5.張立煒.網(wǎng)絡(luò)關(guān)注度對(duì)P2P平臺(tái)成交量的影響——基于百度指數(shù)的實(shí)證研究[J].投資研究，2016，35（6）

6.左茹霞，王言，李宇紅.P2P網(wǎng)絡(luò)借貸成交量影響因素分析[J].財(cái)會(huì)月刊，2017（3）