吳楠

（湖南省委直屬機(jī)關(guān)黨校，湖南長(zhǎng)沙410011）

一、引 言

P2P網(wǎng)貸平臺(tái)在短短十幾年內(nèi)從萌芽到興盛至較穩(wěn)定的發(fā)展獲得了金融界內(nèi)外足夠的關(guān)注度。尤其在中國(guó)，從2013年至今，P2P平臺(tái)最高峰時(shí)期有六千多家，①數(shù)據(jù)來源：網(wǎng)貸之家共收錄6606個(gè)平臺(tái)信息。截至2018年2月，還有一千多家運(yùn)營(yíng)，②數(shù)據(jù)來源：網(wǎng)貸之家。同時(shí)零壹財(cái)經(jīng)給出的數(shù)據(jù)是截至2017年年底，正常運(yùn)營(yíng)的平臺(tái)數(shù)目為1539。此間經(jīng)歷的起伏既是行業(yè)發(fā)展的全景圖，也是新金融不斷演進(jìn)的一個(gè)側(cè)面反映。針對(duì)P2P的研究在最近幾年可謂多角度、多層次、全方位展開，課題組從2015年開始專門針對(duì)網(wǎng)貸違約人特征展開研究，取得了一些成果，伴隨著研究的深入和更多機(jī)構(gòu)人員的參與，一個(gè)研究細(xì)分領(lǐng)域進(jìn)入課題組成員的視野，即網(wǎng)貸研究領(lǐng)域的研究者能否真實(shí)客觀判斷網(wǎng)貸借款人的違約概率。在文獻(xiàn)研究中，課題組發(fā)現(xiàn)國(guó)內(nèi)外研究者都對(duì)違約人特征進(jìn)行了研究，其中涉及大量假設(shè)，研究人員通過實(shí)證分析認(rèn)定或否定假設(shè)來確定違約人的群體特征。這些假設(shè)都是根據(jù)研究者對(duì)人群研究的基礎(chǔ)得出來的，從某種程度上而言，研究者一般都會(huì)盡量客觀判斷，因此我們可以稱這些假設(shè)為“理性判斷”，在實(shí)證結(jié)果中有的“理性判斷”被證實(shí)，有的則被證偽。研究者設(shè)定的“理性判斷”究竟多大程度上符合“真實(shí)理性”呢？①本文所指“真實(shí)理性”即“理性判斷”通過數(shù)據(jù)、實(shí)證驗(yàn)證后確認(rèn)與判斷一致的理性分析。如，在本文實(shí)證分析中接受原假設(shè)的即為“真實(shí)理性”。課題組成員通過對(duì)文獻(xiàn)的大量閱讀并結(jié)合研究經(jīng)驗(yàn)構(gòu)建Logit模型帶入數(shù)據(jù)驗(yàn)證，發(fā)現(xiàn)實(shí)際上理性假設(shè)大都不能通過實(shí)證驗(yàn)證。

二、研究基礎(chǔ)

（一）文獻(xiàn)研究基礎(chǔ)

國(guó)外學(xué)者對(duì)網(wǎng)貸違約人問題研究起步比較早，幾乎伴隨Lendingclub和Prosper兩大P2P平臺(tái)上線就開始關(guān)注這一群體特征。Kumar（2007）指出借款額度與借款者違約率正相關(guān)，而信用級(jí)別和認(rèn)證信息與借款者違約率負(fù)相關(guān)。Dholakia和Herzenstein（2011）以Prosper上的借款申請(qǐng)為樣本，歸納了“可靠”、“成功”、“經(jīng)濟(jì)困難”、“宗教信仰”、“品德高尚”、“勤奮”等六個(gè)語言維度，發(fā)現(xiàn)信用級(jí)別低的借款人會(huì)傾向于用更多的描述性信息，而實(shí)際中確實(shí)描述性信息越多越容易借款成功，但結(jié)果卻是違約率更高。Pope（2011）通過對(duì)違約人年齡分布分析發(fā)現(xiàn)35-60歲之間的人違約概率相比其他年齡段更低。Duarte等（2012）全面分析了容貌對(duì)P2P網(wǎng)絡(luò)借貸交易的影響。通過對(duì)網(wǎng)貸平臺(tái)上上傳借款者照片的信息進(jìn)行研究，他們發(fā)現(xiàn)從照片上看起來比較可靠的人具有更高的借款成功率。進(jìn)一步發(fā)現(xiàn)，長(zhǎng)相可靠的人信用評(píng)級(jí)比較高，違約的可能性也比較低。Nowak A（2015）等通過實(shí)證分析指出收入越高的人，違約概率也越低。

國(guó)內(nèi)研究者對(duì)P2P平臺(tái)的研究早期側(cè)重在平臺(tái)模式、平臺(tái)風(fēng)險(xiǎn)以及投資人選擇模式等角度，從2013年開始有較多學(xué)者開始關(guān)注網(wǎng)貸違約人特征。陳霄等（2013）在對(duì)P2P網(wǎng)絡(luò)借貸參與者逾期行為理論分析的基礎(chǔ)上，采用Logit回歸分析得出結(jié)果：借款方信用等級(jí)、個(gè)人收入、居住地區(qū)、生活狀況、成功借款次數(shù)和按時(shí)還款次數(shù)對(duì)借款方逾期率具有顯著的負(fù)向作用；受教育年限、逾期還款次數(shù)、借款利率、借款時(shí)間等對(duì)借款人逾期率具有顯著的正向作用。繆蓮英等（2014）以推薦信任與小組關(guān)系、朋友關(guān)系作為社會(huì)資本的代理變量分析其對(duì)借款者違約風(fēng)險(xiǎn)的制約機(jī)制，以Prosper網(wǎng)絡(luò)借貸平臺(tái)的數(shù)據(jù)進(jìn)行實(shí)證檢驗(yàn)，研究發(fā)現(xiàn)在P2P網(wǎng)絡(luò)借貸中，社會(huì)資本能夠降低借款人違約風(fēng)險(xiǎn)。王會(huì)娟和廖理（2014）以53653個(gè)“人人貸”的網(wǎng)站數(shù)據(jù)，研究P2P網(wǎng)絡(luò)借貸平臺(tái)的信用認(rèn)證機(jī)制對(duì)借貸行為的影響，結(jié)果表明，較高信用評(píng)級(jí)會(huì)提高借款成功率。文章也詳細(xì)分析了認(rèn)證指標(biāo)和認(rèn)證方式對(duì)P2P借貸行為的影響。他們指出，工作認(rèn)證、收入認(rèn)證、視頻認(rèn)證和車產(chǎn)、房產(chǎn)認(rèn)證等認(rèn)證指標(biāo)對(duì)P2P借貸行為的影響較為顯著。不僅如此，實(shí)證結(jié)果表明“人人貸”的信用認(rèn)證可以起到提示信用風(fēng)險(xiǎn)的作用，進(jìn)而降低了借貸雙方信息不對(duì)稱程度。文章也指出評(píng)級(jí)指標(biāo)過于單一，這使得其風(fēng)險(xiǎn)提示作用有限。顧慧瑩等（2015）對(duì)WDW車貸平臺(tái)的數(shù)據(jù)做研究，找到了借款人違約的關(guān)鍵因素，指出軟信息更能體現(xiàn)借款動(dòng)機(jī)和償還意愿，平臺(tái)信用評(píng)級(jí)和違約率存在顯著負(fù)相關(guān)。王重潤(rùn)等（2016）從“紅嶺創(chuàng)投”的交易數(shù)據(jù)中選取了借款人相關(guān)的9個(gè)特征因素，用Logit分析表明，借款利率、期限、用途、提前還款次數(shù)和逾期還款次數(shù)對(duì)借款者違約行為有顯著正向影響，而借款金額、信用積分、戶口所在地和正常還款次數(shù)對(duì)違約行為有顯著負(fù)向影響。汪濤等（2017）通過衡量外部大環(huán)境的各項(xiàng)經(jīng)濟(jì)指標(biāo)指出經(jīng)濟(jì)環(huán)境指數(shù)、信用環(huán)境指數(shù)、金融環(huán)境指數(shù)都會(huì)對(duì)網(wǎng)貸行業(yè)形成區(qū)域性差異影響，在人口素質(zhì)較高的區(qū)域，借貸雙方都在借貸過程中更趨于理性。

（二）本研究的前提基礎(chǔ)

綜合而言，國(guó)內(nèi)外學(xué)者針對(duì)違約人行為展開了多層次的研究，對(duì)其中涉及網(wǎng)貸人特點(diǎn)的方方面面都有展開。在研究中，會(huì)對(duì)某些特征予以確認(rèn)，于是涉及到的假設(shè)也都經(jīng)過驗(yàn)證，或確認(rèn)或否認(rèn)。課題組發(fā)現(xiàn)有時(shí)在針對(duì)網(wǎng)貸人同一個(gè)特征的研究中，不同學(xué)者的研究會(huì)得出不同甚至相反的結(jié)論，這是很有意思的一個(gè)現(xiàn)象，于是課題組在前人的研究上繼續(xù)展開，設(shè)計(jì)了一個(gè)幾乎納含所有和網(wǎng)貸行為相關(guān)的Logit分析模型，并通過自行獨(dú)立爬取數(shù)據(jù)來驗(yàn)證假設(shè)通過率。在此需要說明的是，課題組選取的網(wǎng)貸人行為相關(guān)特征是綜合參考前人文獻(xiàn)及本課題組前期研究的成果而來，其中的假設(shè)也是同樣進(jìn)行了多方面參考。因此可以認(rèn)為，這些假設(shè)都是經(jīng)過了“理性判斷”的。這種理性判斷究竟在多大程度上能夠通過實(shí)際驗(yàn)證，正是課題組想要研究的中心問題。

二、研究設(shè)計(jì)

（一）數(shù)據(jù)來源和樣本選取

“人人貸”平臺(tái)成立于2010年，是較早一批平臺(tái)中公信力及各項(xiàng)指標(biāo)都保持平穩(wěn)的典型平臺(tái)，在網(wǎng)貸之家、網(wǎng)貸天眼等第三方評(píng)級(jí)網(wǎng)站中排名一直較為靠前（前10名內(nèi)）。因此，本文選取“人人貸”平臺(tái)上的數(shù)據(jù)作為研究對(duì)象，應(yīng)該能較好的反映網(wǎng)貸人群的真實(shí)特點(diǎn)。課題組利用網(wǎng)絡(luò)爬蟲這一技術(shù)手段爬取了2015年“人人貸”平臺(tái)上的借款數(shù)據(jù)信息，①選擇2015年數(shù)據(jù)的原因?yàn)椋捍_認(rèn)為壞賬的時(shí)間。因?yàn)榫W(wǎng)貸期限大部分分布在1個(gè)月到36個(gè)月之間。如選擇2017年數(shù)據(jù)，則無壞賬呈現(xiàn)。建立了一個(gè)全國(guó)隨機(jī)樣本（簡(jiǎn)稱為Sample1），共有數(shù)據(jù)1326條，將通過實(shí)證分析研究來驗(yàn)證假設(shè)中“理性判斷”的真實(shí)性。

（二）理論假設(shè)和變量選擇

本課題的基本前提假設(shè)即：借款人的某些信息與借款違約行為是有概率聯(lián)系的。理論上來看，借款人違約的影響因素應(yīng)包括項(xiàng)目本身的基本要素，如借款目的、金額、利率、期限等，還有與借款人本身相關(guān)的各類因素，如借款人經(jīng)濟(jì)狀況、信用狀況等。Lyeretal（2009）將借款人信息分為“硬”和“軟”兩類，“硬”信息指能夠被客觀證實(shí)的內(nèi)容，如借款人身份信息、借款項(xiàng)目信息；而“軟”信息則是指不能被直接證實(shí)的內(nèi)容，如借款人對(duì)借款目的的文字描述等。Greiner&Wang（2010）則把借款人信息分為經(jīng)濟(jì)信息和社會(huì)信息，經(jīng)濟(jì)信息用以衡量借款人的還款能力，社會(huì)信息衡量借款人的借款能力并以借款人是否參與聯(lián)合借款作為判斷標(biāo)準(zhǔn)。本課題組除參考以上分類方式外，還借鑒了顧慧瑩（2015）、王重潤(rùn)（2016）等研究者的信息分類方法，將獲得的數(shù)據(jù)分為四類，分別是借款人自身特征信息、借款人經(jīng)濟(jì)信息、借款標(biāo)的信息和平臺(tái)信息，詳細(xì)分類說明和假設(shè)如下：

1.借款人的自身特征信息，包括性別、年齡、婚姻狀況、教育水平。此類信息能夠反映借款人的社會(huì)分類屬性和某些個(gè)體特點(diǎn)，較多文獻(xiàn)都通過定性和定量分析傾向于認(rèn)為女性比男性更可能按時(shí)償還借款（Dinh&Kleimeier，2007；Roslan&Mohd，2009）。課題組在此處假設(shè)：

H1：相較于女性借款人，男性借款人更傾向于違約。

一般認(rèn)知中會(huì)認(rèn)為年齡大的借款人會(huì)比年齡小的借款人更具有風(fēng)險(xiǎn)規(guī)避性，傾向于完成承諾，按時(shí)還款。Armingeretal.等（1997）通過實(shí)證分析也確認(rèn)了這一點(diǎn)，即年輕借款人的不夠成熟和缺乏耐心，更傾向于違約。所以課題組假設(shè)：

H2：借款人年齡和違約率負(fù)相關(guān)。

婚姻狀況在我國(guó)文化認(rèn)知中是一個(gè)人趨于穩(wěn)定的象征，一般會(huì)認(rèn)為已婚人士因?yàn)橛屑彝ヘ?zé)任而更傾向于履約。但在Dinh&Kleimeier（2007）的研究中卻發(fā)現(xiàn)已婚人群的還款性更低，解釋為已婚借款人由于家庭負(fù)擔(dān)，經(jīng)濟(jì)壓力更大，因此更容易違約。課題組經(jīng)過探討，認(rèn)為在我國(guó)婚姻仍舊是一個(gè)人走向成熟穩(wěn)定的標(biāo)志，婚姻中如兩人都有工作則家庭整體償債能力上升，而單身、離異或喪偶的借款人相較于核心家庭償債能力會(huì)弱一些。故而課題組仍舊假設(shè)：

H3：處于婚姻狀態(tài)中的借款人相較于不處于婚姻狀態(tài)中的借款人（未婚、離異、喪偶）違約率更低，即已婚狀態(tài)與網(wǎng)貸違約率負(fù)相關(guān)。

教育水平在國(guó)內(nèi)外多個(gè)學(xué)者的研究中都是與違約率負(fù)相關(guān)，即借款人所受教育年限越長(zhǎng)，學(xué)歷越高，借款違約率越低（Gathergood，2012；廖理，2015）。這也符合一般認(rèn)知，課題組假設(shè)：

H4：高學(xué)歷借款人違約風(fēng)險(xiǎn)較低，即學(xué)歷和網(wǎng)貸違約率負(fù)相關(guān)。

2.借款人經(jīng)濟(jì)信息：債務(wù)收入比，有無房產(chǎn)，有無車產(chǎn)，有無房貸，有無車貸。此類信息是衡量借款人償債能力的重要指標(biāo)，基本都是直接與償還能力相關(guān)。其中最直接的就是債務(wù)收入比，Linetal.（2013）認(rèn)為經(jīng)濟(jì)強(qiáng)度最重要的指標(biāo)就是債務(wù)收入比，比值越高，說明借款人償債能力強(qiáng)。課題組經(jīng)過對(duì)數(shù)據(jù)的考量，將債務(wù)收入比與Linetal.的比法剛好做一個(gè)倒數(shù)處理，①即Lin用的是年收入/借款金額，而本課題中用的是借款金額/月收入，這是由于平臺(tái)提供原始數(shù)據(jù)的不同而做的相應(yīng)處理。實(shí)際衡量結(jié)果的表征意義不會(huì)改變，只是正負(fù)相關(guān)解釋剛好相反，且數(shù)據(jù)都變成了非小數(shù)，利于數(shù)據(jù)衡量的穩(wěn)定性。

H5：借款人的債務(wù)收入比與網(wǎng)貸違約率正相關(guān)。

借款人的房屋產(chǎn)權(quán)對(duì)借款違約率也會(huì)產(chǎn)生影響，Greiner&Wang（2009）分析檢驗(yàn)了有房產(chǎn)的借款人生活相對(duì)穩(wěn)定，還款能力強(qiáng)。中國(guó)人的傳統(tǒng)觀念里也普遍認(rèn)可，有恒產(chǎn)者有恒心。所以課題組假設(shè)：

H6：借款人是否擁有房屋與借款違約率負(fù)相關(guān)。

借款人擁有車產(chǎn)的衡量意義較少納入國(guó)外學(xué)者的研究范疇中，因?yàn)樵趪?guó)外（特別是歐洲、美國(guó)）車只是作為一種代步交通工具，納入個(gè)人財(cái)產(chǎn)考量意義不大。但課題組經(jīng)過探討認(rèn)為，在國(guó)內(nèi)車產(chǎn)目前仍舊可以作為一個(gè)財(cái)產(chǎn)衡量標(biāo)志，是否擁有車輛在中國(guó)人的認(rèn)知范疇內(nèi)是一個(gè)家庭或者個(gè)人經(jīng)濟(jì)實(shí)力或社會(huì)勞動(dòng)能力的體現(xiàn)。②在這里主要是指某人或某個(gè)家庭是否需要一輛車來完成家庭收入的需要，如跑運(yùn)輸?shù)幕驑I(yè)務(wù)活動(dòng)量大的工作等。因此假設(shè)：

H7：擁有車產(chǎn)說明家庭經(jīng)濟(jì)實(shí)力較強(qiáng)或勞動(dòng)能力強(qiáng)，所以與網(wǎng)貸違約率負(fù)相關(guān)。

在具體的個(gè)人經(jīng)濟(jì)信息中分類中，擁有房產(chǎn)和車產(chǎn)償債能力則被認(rèn)可為更強(qiáng)；但從另一方面看，現(xiàn)代社會(huì)對(duì)金融工具的應(yīng)用使得個(gè)人加杠桿情況增加，因此在個(gè)人在有房有車的情況下，可能還有房貸和車貸，房貸與車貸一般都是按月償還，對(duì)個(gè)人收入穩(wěn)定性要求比較高，自然會(huì)擠壓借款人的資金空間，因此課題組假設(shè)∶

H8：有房貸需要償還與網(wǎng)貸違約率正相關(guān)。

H9：有車貸需要償還與網(wǎng)貸違約率正相關(guān)。

3.借款標(biāo)的信息：借款金額、利率、期限、用途。借款標(biāo)的信息是直接反映借款需求并影響投資者決策的最主要信息，其中借款金額因?yàn)榉讲钶^大，所以在變量選擇時(shí)將其與收入結(jié)合，形成債務(wù)收入比，在借款人經(jīng)濟(jì)信息中已經(jīng)納含，故此處不再重復(fù)使用。大部分的研究中借款利率都被認(rèn)為與違約率正相關(guān)（Stiglitz&Weiss，1987；王重潤(rùn)，2016），因?yàn)榻杩罾矢哒f明借款人必須用高利率來吸引投資者，一方面說明借款人質(zhì)量低，同時(shí)也反映出借款人的融資成本高，償還更加困難。故而課題組假設(shè)：

H10：借款利率越高，借款人質(zhì)量越低，與網(wǎng)貸違約率正相關(guān)。

借款期限在平臺(tái)上一般為1-36個(gè)月，王重潤(rùn)（2015）通過實(shí)證分析證明借款期限對(duì)違約行為有正向影響，符合一般認(rèn)知，因?yàn)榻杩钇谙揲L(zhǎng)，說明可能借款者的財(cái)務(wù)狀況不確定更大，違約行為可能性也越大。故而假設(shè)：

H11：借款期限與網(wǎng)貸違約率正相關(guān)。

借款用途是不太好權(quán)衡的一個(gè)變量，課題組經(jīng)過探討認(rèn)為個(gè)人消費(fèi)的貸款違約率應(yīng)該小于投資經(jīng)營(yíng)和短期周轉(zhuǎn)，因?yàn)楹髢烧邔儆谏a(chǎn)經(jīng)營(yíng)范疇，面臨的各類風(fēng)險(xiǎn)大，而消費(fèi)貸款的還款來源一般是個(gè)人和家庭收入，相對(duì)穩(wěn)定和可預(yù)期。因此假設(shè)：

H12：偏消費(fèi)的借款類型與網(wǎng)貸違約率負(fù)相關(guān)。

4.平臺(tái)信息：平臺(tái)認(rèn)證個(gè)數(shù)，描述指數(shù)。平臺(tái)信息主要反映P2P網(wǎng)貸平臺(tái)作為信息中介對(duì)借款人信用的第三方測(cè)度。“人人貸”平臺(tái)上有專屬的平臺(tái)信用打分，但因?yàn)槭呛笙虼蚍郑捶謹(jǐn)?shù)會(huì)根據(jù)借款人的行為調(diào)整，所以不取這一分?jǐn)?shù)，而取用的是平臺(tái)認(rèn)證個(gè)數(shù)和描述指數(shù)。其中平臺(tái)認(rèn)證個(gè)數(shù)是借款人在發(fā)布借款信息前后愿意提交的各類個(gè)人信息認(rèn)證，如身份證、電話、短信、頭銜、工作地點(diǎn)等，總數(shù)目多達(dá)24個(gè)，課題組認(rèn)為認(rèn)證的個(gè)數(shù)越多，該借款人的違約率越低。描述指數(shù)是人人貸平臺(tái)根據(jù)借款人在平臺(tái)上填寫的各類信息以及借款說明等給出的一個(gè)平臺(tái)打分。一般而言，描述指數(shù)越高的會(huì)靠前推薦給投資人，所以課題組傾向于認(rèn)可描述指數(shù)越高，違約率越低。給出假設(shè)如下：

H13：平臺(tái)認(rèn)證個(gè)數(shù)與網(wǎng)貸違約率負(fù)相關(guān)。

H14：平臺(tái)描述指數(shù)與網(wǎng)貸違約率負(fù)相關(guān)。

（三）實(shí)證模型設(shè)計(jì)

本模型因變量只有兩種可能，即違約或不違約，所以因變量只有兩個(gè)取值0或1。研究中將發(fā)生違約賦值為1，未發(fā)生違約賦值為0。這類二元選擇模型根據(jù)隨機(jī)擾動(dòng)項(xiàng)概率分布函數(shù)的類型，主要有Logit和Probit兩種，其中Logit模型對(duì)應(yīng)邏輯分布函數(shù)，應(yīng)用更加廣泛。本文假設(shè)隨機(jī)擾動(dòng)項(xiàng)概率服從邏輯分布函數(shù)，因此嘗試建立Logit模型。如下：

其中β0，……，β14為回歸系數(shù)，ε為隨機(jī)擾動(dòng)項(xiàng)（殘差）。借款違約的概率為變量說明見表1。

三、實(shí)證分析

（一）模型檢驗(yàn)

1.模型整體性顯著性檢驗(yàn)

對(duì)模型整體顯著性檢驗(yàn)在Logit分析中有一步模型系數(shù)綜合檢驗(yàn)（Omnibus Tests of Model Coefficients），檢驗(yàn)似然比（LR）統(tǒng)計(jì)量，可以測(cè)定模型是否整體顯著。Sample1輸出結(jié)果見表2。

可見Sig.值都小于0.05，可以拒絕原假設(shè)，而且在此檢驗(yàn)中，Sample1的Sig.值都小于0.01，說明差異極顯著，模型整體顯著性較好。

2.變量顯著性檢驗(yàn)

本文設(shè)計(jì)模型中功有14個(gè)解釋變量，數(shù)目較多，因此需要對(duì)更有解釋力的變量進(jìn)行篩選。二元Logit模型中有篩選方法可供選擇，分為前進(jìn)篩選法和后退篩選法。其中前進(jìn)篩選法是將變量逐個(gè)引入模型進(jìn)行篩選，后退篩選法則是先將所有解釋變量放入模型，再逐個(gè)剔除不顯著的變量。針對(duì)本文中的模型，更適合采用后退篩選法。Sample1的檢驗(yàn)結(jié)果如表4所示。

表1 實(shí)證分析中選取的變量說明

（二）實(shí)證結(jié)果分析

1.總體分析

如表3中展示，Sample1中最后的解釋變量Sig.值都小于0.05，說明留下的變量都在5%的顯著性水平上對(duì)模型有顯著影響。由于Logit模型中的變量系數(shù)不能被解釋為對(duì)因變量的邊際影響，故系數(shù)大小沒有特定的經(jīng)濟(jì)解釋意義，但系數(shù)符號(hào)能充分說明自變量對(duì)因變量的正負(fù)相關(guān)關(guān)系。如果解釋變量系數(shù)為正，則表明解釋變量對(duì)因變量有正向影響，則因變量取值為1的概率越大，在本模型中，即違約概率越大。啞變量的正負(fù)系數(shù)可參照啞變量設(shè)定時(shí)的解釋意義分析，如房產(chǎn)這一啞變量，設(shè)定有為0，無為1，回歸模型中系數(shù)為負(fù)值，與假設(shè)H6一致，接受原假設(shè)，即借款人是否擁有房屋與借款違約率負(fù)相關(guān)。

表2 Sample1模型系數(shù)綜合檢驗(yàn)

表3 Sample1模型中通過檢驗(yàn)的變量

2.對(duì)Sample1的實(shí)證結(jié)果分析

經(jīng)過二元Logit向后回歸篩選6次，Sample1中共留下9個(gè)變量。變量列表和假設(shè)對(duì)比檢驗(yàn)見表4。

被篩選出局的 5個(gè)變量分別是性別（sex）、年齡（age）、婚姻狀況（marriage）、車貸（carloan）、借款用途（borrowtype）。其中前三個(gè)來自于借款人自身特征信息，剩下兩個(gè)分別來自借款人經(jīng)濟(jì)信息和借款標(biāo)的信息。也即言，大部分關(guān)于借款人自身身份特征的信息與是否違約相關(guān)度不大，更加重要的是借款人的經(jīng)濟(jì)信息和標(biāo)的信息和平臺(tái)信息。其中車貸信息被篩選掉比較容易理解，因?yàn)樵撝笜?biāo)在兩個(gè)樣本中取值為1的（即有車貸的）均占比不到10%，難有明確解釋意義呈現(xiàn)。而借款用途被篩選掉與王重潤(rùn)（2016）研究結(jié)果不一致，課題組認(rèn)為這可能與平臺(tái)信息呈現(xiàn)方式不同有關(guān)。

表4 Sample1 Logit回歸變量列表及與假設(shè)對(duì)比

剩下的9個(gè)變量中，4個(gè)相關(guān)性符合原假設(shè)設(shè)定，5個(gè)不符合原假設(shè)，不符合假設(shè)的值得進(jìn)一步研究。

債務(wù)收入比與違約率呈現(xiàn)負(fù)相關(guān)是非常值得注意的拒絕原假設(shè)的實(shí)證結(jié)果。單獨(dú)分析結(jié)果表面意義，即從收入角度看，償還能力越?。ń杩罱痤~/月收入），違約率越低。這不符合理解邏輯，同時(shí)與顧慧瑩（2015）的研究結(jié)果不一致。課題組為了解釋這個(gè)問題，對(duì)數(shù)據(jù)再次進(jìn)行處理，將借款收入比還原為兩個(gè)變量：借款金額和收入，再次納入模型回歸，結(jié)果見表5。

在變量還原分析中結(jié)果也都是與理論推測(cè)相反，一般認(rèn)為借款金額越大，違約率越高，而實(shí)證分析說明，借款金額越大違約率越低。但結(jié)合平臺(tái)授信分析就能推測(cè)出：這是因?yàn)槟茉谄脚_(tái)上獲取較大額度貸款的一般是作為企業(yè)投資經(jīng)營(yíng)需要，平臺(tái)會(huì)自行進(jìn)行盡責(zé)的線下調(diào)查；而較小額度的貸款一般是無抵押靠信用擔(dān)保，違約風(fēng)險(xiǎn)也會(huì)高發(fā)。同時(shí)這一實(shí)證結(jié)果與王重潤(rùn)（2016）研究成果一致。另一個(gè)變量收入與違約率正相關(guān)，也不符合理論預(yù)測(cè)，一般會(huì)認(rèn)為收入越高的人償債能力也越強(qiáng)。于是課題組對(duì)收入這一變量做具體描述分析，結(jié)果見表6和圖1。

從數(shù)據(jù)分布的偏度和豐度指標(biāo)來看都在可接受范圍內(nèi)，但從直方圖可以評(píng)估該分布不符合正態(tài)分布，呈現(xiàn)尖峰頂右偏狀態(tài)。可以判斷的是，變量數(shù)據(jù)的分布形態(tài)與平臺(tái)數(shù)據(jù)呈現(xiàn)有關(guān)，因?yàn)椤叭巳速J”平臺(tái)在讓借款人輸入收入數(shù)據(jù)是給定數(shù)據(jù)范圍，如收入是小于2000，2000到 5000之間，5000到10000之間……。課題組對(duì)數(shù)據(jù)做了平均化處理，因此可以判斷該數(shù)據(jù)在真實(shí)意義上不能很好反映借款者的真實(shí)收入水平。另外，數(shù)據(jù)呈現(xiàn)右偏狀態(tài)也能夠判斷人們?cè)诮杩顣r(shí)傾向于高報(bào)自己的真實(shí)收入，故而就比較好解釋實(shí)證分析中的正相關(guān)狀態(tài)了，即人們?cè)跒槿〉觅J款時(shí)傾向于虛報(bào)收入，所以導(dǎo)致數(shù)據(jù)呈現(xiàn)上的收入越高和違約率也越高。

實(shí)證結(jié)果表明借款期限與網(wǎng)貸違約率負(fù)相關(guān)，拒絕原假設(shè)。課題組經(jīng)過探討認(rèn)為，原假設(shè)忽略了期限是一個(gè)主觀選擇量，即在網(wǎng)貸平臺(tái)和傳統(tǒng)信用中介不同，是由借款者主動(dòng)選擇借款期限。理性借款人會(huì)合理分配自己的資金流，選擇更長(zhǎng)期限的借款人應(yīng)該是合理規(guī)劃了每個(gè)月的資金流，給出的理性借款時(shí)間。而更短的借款期限要么的確是用于短期周轉(zhuǎn)，本身存在更高風(fēng)險(xiǎn)，要么借款人本身給出較短期限就是為了能快速拿到貸款，而沒有合理規(guī)劃自身資金流，更容易導(dǎo)致違約情況的發(fā)生。

表5 Sample1還原變量二元Logit回歸

表6 Sample1中income變量描述分析

圖1 Sample1中變量income分析直方圖

房貸（mortgage）這一解釋變量與網(wǎng)貸違約率負(fù)相關(guān)，即有房貸者更傾向于履約，和原理論假設(shè)不符。經(jīng)過探討課題組認(rèn)為，其實(shí)將情景放于真實(shí)借款場(chǎng)景中就比較好理解了：首先，有房貸者說明其有購房能力，是經(jīng)濟(jì)實(shí)力的一方面體現(xiàn)；其次，有無房貸平臺(tái)和投資者都不會(huì)去確認(rèn)，但給出有房貸在身的借款者傾向于更加誠(chéng)實(shí)，也就是說將實(shí)際不利于自身借款的信息公開給投資人，此類人群在履約方面也更加盡職。

車產(chǎn)（car）這一解釋變量與網(wǎng)貸違約率正相關(guān)，同屬于財(cái)產(chǎn)性質(zhì)的物品，與房產(chǎn)出現(xiàn)了相反的結(jié)論，即有車產(chǎn)者違約率上升，拒絕原假設(shè)的負(fù)相關(guān)設(shè)定。課題組深入挖掘原因時(shí)發(fā)現(xiàn)網(wǎng)貸之家對(duì)違約人數(shù)據(jù)分析后有同樣的結(jié)論：“雖然車能在一定程度上象征財(cái)力，但卻對(duì)降低違約率沒有幫助”。這一方面說明模型驗(yàn)證度較好，另一方面也可反映房產(chǎn)和車產(chǎn)在實(shí)際財(cái)產(chǎn)效應(yīng)中的不同表現(xiàn)。

平臺(tái)認(rèn)證個(gè)數(shù)與網(wǎng)貸違約率正相關(guān)，不符合理論預(yù)期，拒絕原假設(shè)。通過仔細(xì)分析認(rèn)證類型，課題組認(rèn)為，本來平臺(tái)認(rèn)證信息應(yīng)該對(duì)違約率相關(guān)性方向是一致的，但實(shí)際上選取的兩個(gè)平臺(tái)認(rèn)證其認(rèn)證方式并不一致。其中拒絕原假設(shè)的認(rèn)證數(shù)目變量絕大部分是借款人主動(dòng)給出，而描述指數(shù)則是平臺(tái)根據(jù)借款人給出的信息，結(jié)合后臺(tái)算法客觀打出的一個(gè)分析分?jǐn)?shù)。也即言，前者偏主觀，后者偏客觀。因此平臺(tái)認(rèn)證個(gè)數(shù)會(huì)與違約率正相關(guān)就好解釋了：對(duì)于真正具有良好信用的借款人來說，他并不需要通過更多的認(rèn)證來證明其信用；相反是急需貸款，或本身信用有缺失的人群，才會(huì)主動(dòng)通過更多認(rèn)證來證明自己有還款能力。而且在認(rèn)證設(shè)置上本研究只取了數(shù)目，但實(shí)際中不同類認(rèn)證對(duì)于借款人信用衡量是權(quán)重不一的，如手機(jī)、短信、相片認(rèn)證相對(duì)容易，而房產(chǎn)、職位、住所等認(rèn)證則難度更大。

四、結(jié) 論

本文以“人人貸”上的借款人數(shù)據(jù)為研究對(duì)象，建立二元Logit模型，用全國(guó)隨機(jī)樣本研究了對(duì)借款人違約行為產(chǎn)生較顯著影響的因素。實(shí)證結(jié)果顯示，負(fù)債收入比、借款期限、學(xué)歷、房產(chǎn)、房貸、描述指數(shù)對(duì)違約行為有負(fù)向影響，而借款利率、車產(chǎn)、認(rèn)證個(gè)數(shù)對(duì)借款者違約行為有正向影響。所設(shè)立的14個(gè)假設(shè)中，通過實(shí)證驗(yàn)證保留了9個(gè)解釋變量，這9個(gè)保留下來的解釋變量中5個(gè)拒絕了原假設(shè)。也即言，變量篩選通過率為64.3%，在Logit二元分布分析中這種篩選留成率還可以，說明變量選擇較為理性。但留存的變量中假設(shè)通過率僅為44.4%，對(duì)半概率線未過，這說明僅通過邏輯分析是無法說明解釋變量對(duì)因變量的影響方向的，實(shí)證分析結(jié)果能更好的發(fā)掘人們對(duì)解釋變量的認(rèn)識(shí)深度。

同時(shí)，值得注意的是，本課題研究參考了大量學(xué)者研究經(jīng)驗(yàn)，但不論是在與網(wǎng)貸違約率相關(guān)的解釋變量的選擇上，還是解釋變量通過后假設(shè)的認(rèn)定與否，本研究中樣本實(shí)證的結(jié)果有部分與其他學(xué)者研究的結(jié)論呈現(xiàn)不一致狀態(tài)。如借款人自身特征信息，在本樣本研究中基本都被實(shí)證模型篩去，而國(guó)外學(xué)者的研究中則呈現(xiàn)較高的解釋性。而留存解釋變量的沖突在論文第三部分都做了詳盡的分析，或與平臺(tái)信息呈現(xiàn)相關(guān)，或與地域數(shù)據(jù)選擇相關(guān)。因此，在實(shí)際探尋違約人特征的研究中不能依賴前人研究成果，因?yàn)閷?shí)際情況可能會(huì)與很多因素相關(guān)，人群、文化、地域都可能對(duì)研究結(jié)果產(chǎn)生較大影響。

最后課題組認(rèn)為，網(wǎng)貸領(lǐng)域研究者的“理性判斷”是不完備的，即在某些方面，如特征變量選擇，在參考大量研究成果后呈現(xiàn)結(jié)果符合預(yù)期，但在另一些方面，如在對(duì)解釋變量對(duì)違約率的影響方面與真實(shí)情況差距較大。因此，在此研究領(lǐng)域研究者對(duì)頭腦中的預(yù)設(shè)（假設(shè)）一定要采取實(shí)證驗(yàn)證，不然則可能與實(shí)證分析數(shù)據(jù)呈現(xiàn)的真實(shí)情況出現(xiàn)較大不一致。