都紅雯，鄭尚洲

(杭州電子科技大學(xué) 經(jīng)濟(jì)學(xué)院，浙江 杭州 310018)

隨著互聯(lián)網(wǎng)技術(shù)的日益推進(jìn)，金融業(yè)務(wù)模式不斷創(chuàng)新，P2P網(wǎng)絡(luò)借貸憑借其進(jìn)入門檻低、便捷高效、無(wú)擔(dān)保無(wú)抵押等優(yōu)勢(shì)，逐漸成為小額借貸和民間融資的重要渠道。然而，由于網(wǎng)絡(luò)平臺(tái)的虛擬特性及征信體系不健全等多因素影響，投資者難以驗(yàn)證借款者信息的真實(shí)性，信息不對(duì)稱現(xiàn)象較傳統(tǒng)信貸更加突出，P2P模式面臨著更大的借貸違約風(fēng)險(xiǎn)與信用問(wèn)題。

據(jù)網(wǎng)貸之家2018年發(fā)布的《中國(guó)網(wǎng)絡(luò)借貸行業(yè)年報(bào)》及艾瑞咨詢的相關(guān)數(shù)據(jù)顯示，十二五以來(lái)中國(guó)網(wǎng)貸成交量呈指數(shù)型爆發(fā)增長(zhǎng)態(tài)勢(shì)，由2011年初興起時(shí)的31億元擴(kuò)大至2017年的28 048億元，年均增長(zhǎng)2.1倍。然而，2018年網(wǎng)貸規(guī)模驟減，成交額僅為17 948.01億元，首次出現(xiàn)下行趨勢(shì)，同比下降36.01%。受交易雙方操作違規(guī)、平臺(tái)風(fēng)控缺失、政府監(jiān)管滯后等多方影響，跑路、倒閉的P2P平臺(tái)也開(kāi)始野蠻生長(zhǎng)。截至2018年底，我國(guó)違規(guī)停營(yíng)企業(yè)及問(wèn)題平臺(tái)高達(dá)5 181家，覆蓋了平臺(tái)總數(shù)的4/5，其中問(wèn)題平臺(tái)集中爆發(fā)趨勢(shì)顯著。

層出不窮的問(wèn)題事件表明互聯(lián)網(wǎng)金融行業(yè)在我國(guó)的發(fā)展存在著嚴(yán)重的信用風(fēng)險(xiǎn)管理缺陷。因此，如何有效識(shí)別P2P平臺(tái)上的借款者信用風(fēng)險(xiǎn)、探究其影響因素及作用機(jī)制，是整個(gè)行業(yè)亟待解決的關(guān)鍵問(wèn)題。

一、文獻(xiàn)回顧

在P2P網(wǎng)絡(luò)借貸中，網(wǎng)貸信用風(fēng)險(xiǎn)取決于借款者的逆向選擇和道德風(fēng)險(xiǎn)，而投資者規(guī)避經(jīng)營(yíng)者安全風(fēng)險(xiǎn)的重要依據(jù)之一是精準(zhǔn)、有效地識(shí)別借款者在平臺(tái)上披露的信息。如何降低信息不對(duì)稱程度、規(guī)范信用評(píng)價(jià)體系，探索信用風(fēng)險(xiǎn)的影響因素引起了眾多研究者的關(guān)注。

總結(jié)和梳理現(xiàn)有文獻(xiàn)，國(guó)內(nèi)外研究人員早期研究普遍聚焦于財(cái)務(wù)信息、人口特征等硬信息(如身份認(rèn)證、信用評(píng)級(jí)等)，這類信息能夠被平臺(tái)驗(yàn)證，實(shí)證可操作性強(qiáng)，結(jié)論客觀，有一定的借鑒意義。而軟信息(如借款者還款意愿、借款描述等)以文本等非標(biāo)準(zhǔn)形式存在，不規(guī)則和不可直接驗(yàn)證的特殊性質(zhì)增加了研究難度。但近年來(lái)研究重心逐漸從借款人硬信息轉(zhuǎn)移至軟信息上，尤其是針對(duì)借款描述文本的探討。一方面從文本內(nèi)容展開(kāi)分析，通過(guò)人工標(biāo)注法提取出人格、情感等信息，試圖挖掘復(fù)雜軟信息中的內(nèi)容特征(Loughran et al[1]，2016；廖理等[2]，2015；蔣翠清等[3]，2017；彭紅楓等[4-5]，2018；陳霄等[6]，2018；陳林等[7]，2019等)。另一方面圍繞可量化分析的軟信息文本長(zhǎng)度進(jìn)行違約預(yù)測(cè)的實(shí)證檢驗(yàn)及借款利率的相關(guān)研究。

對(duì)于違約率的分析，已有研究呈現(xiàn)出兩類觀點(diǎn)。一些學(xué)者認(rèn)為借款描述的文本長(zhǎng)度與違約率表現(xiàn)為反向影響關(guān)系，文本長(zhǎng)度越短，內(nèi)容越單薄，因此違約率越高。王會(huì)娟等[8](2015)在研究借款文本信息對(duì)P2P網(wǎng)絡(luò)借貸行為的影響時(shí)，獲取“人人貸”平臺(tái)相關(guān)數(shù)據(jù)，統(tǒng)計(jì)分析得出借款描述的文本越長(zhǎng)，越能有效規(guī)避交易雙方的信息不對(duì)稱，因而借款者成功籌集資金的幾率較大。于軍[9](2017)從語(yǔ)言內(nèi)容及語(yǔ)言信息含量?jī)煞矫鎸?duì)描述性文本與違約行為展開(kāi)實(shí)證分析，結(jié)果顯示文本長(zhǎng)度越長(zhǎng)意味著信息量越豐富、內(nèi)容越充實(shí)，從而借款人的違約幾率越低。陳霄等[6](2018)在探究借款描述可讀性與借款成功率及違約率的相互關(guān)系時(shí)，得出借款描述中常用字字?jǐn)?shù)每縮減一單位，借款成功率將降低0.14%，而借款違約率則上升0.12%。然而，另一部分學(xué)者則持相反觀點(diǎn)，認(rèn)為軟信息文本長(zhǎng)度越長(zhǎng)，反而導(dǎo)致違約風(fēng)險(xiǎn)升級(jí)。Dorfleitner et al[10](2016)以歐洲兩大P2P網(wǎng)貸平臺(tái)為研究對(duì)象，得出在一定范圍內(nèi)借款描述的違約率與描述性文本長(zhǎng)度呈現(xiàn)負(fù)增長(zhǎng)關(guān)系，拼寫(xiě)錯(cuò)誤、語(yǔ)法使用不當(dāng)?shù)葐?wèn)題也能引起借款違約率及成功率的差異。陳林等[7](2019)從“人人貸”借款項(xiàng)目中的借款陳述文本中，通過(guò)人工識(shí)別提取了文字特征信息等來(lái)檢驗(yàn)借款人違約風(fēng)險(xiǎn)的顯著性，實(shí)證表明借款描述字?jǐn)?shù)多的文本中存在大篇幅的重復(fù)語(yǔ)句和符號(hào)，導(dǎo)致違約風(fēng)險(xiǎn)更大。

在借款利率的研究上，早期研究大多基于財(cái)務(wù)信息(如Klafft[11]，2008；王會(huì)娟等[12]，2014)、社會(huì)資本信息(如Guiso et al[13]，2004)和人口特征信息(如Beller et al[14]，2014；李悅雷等[15]，2013；廖理等[16]，2015)三個(gè)層面的借款信息，探究其與借款利率及借款成功率的相互關(guān)系，近期則聚焦于借款利率與違約率的相關(guān)關(guān)系研究(Dorfleitner et al[10]，2016；姚風(fēng)閣等[17]，2016)。然而，基于借款描述的文本挖掘角度來(lái)探究借款信息對(duì)利率變化的文獻(xiàn)甚少。Herzenstein et al[18](2011)分析了借款描述反映的身份認(rèn)同信息對(duì)借貸成功率及借款利率的變化關(guān)系。基于Prosper的數(shù)據(jù)實(shí)證得出，借款描述信息中個(gè)人身份認(rèn)同的信息含量越多，越能體現(xiàn)內(nèi)容充分和自信度，借款成功率越高，借款利率也越低。彭紅楓等[5](2018)研究發(fā)現(xiàn)利率競(jìng)拍模式下文本長(zhǎng)度與實(shí)際借款利率存在線性正向影響關(guān)系。借款人信用等級(jí)越低導(dǎo)致其對(duì)自身的資信狀況越不自信，成功借款幾率較小，因此傾向于積極提供借款陳述信息，實(shí)際借款利率越高。此外，借款陳述的迷霧指數(shù)和文本長(zhǎng)度均與借款成功率呈現(xiàn)倒“U”型關(guān)系。

現(xiàn)有文獻(xiàn)為本文探討借款描述的文本長(zhǎng)度提供了豐富的研究基礎(chǔ)，然而也存在一定的局限性，主要體現(xiàn)在：(1)研究對(duì)象大多以P2P網(wǎng)貸借款人硬信息或者軟信息中的一者進(jìn)行探討，缺乏軟、硬信息交互結(jié)合的信用風(fēng)險(xiǎn)相關(guān)研究；(2)研究視角大多以文本長(zhǎng)度與借款成功率、違約率的相互關(guān)系為切入點(diǎn)，而針對(duì)借款描述和借款利率的主題研究較少，特別是基于統(tǒng)計(jì)分析的實(shí)證研究。

基于此，本文選取2018年6月1日至2019年9月30日的“人人貸”平臺(tái)中借款者信息的相關(guān)數(shù)據(jù)為研究樣本，采用信息挖掘法，運(yùn)用Python編寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)程序，對(duì)“人人貸”平臺(tái)中借款人信息的文本長(zhǎng)度、教育程度、薪酬水平、信用等級(jí)、借款期限、借款總額等11個(gè)變量進(jìn)行挖掘收集所需數(shù)據(jù)，并采用Logistics回歸模型以及OLS回歸模型分別就借款描述的文本長(zhǎng)度對(duì)違約率、借款利率的影響進(jìn)行統(tǒng)計(jì)分析。

二、研究設(shè)計(jì)

(一)模型構(gòu)建

由于違約情況分為違約和不違約，可視為二分類變量，而借款利率又是連續(xù)變量，因此本文分別采用Logistics回歸模型以及OLS回歸模型就借款描述的文本長(zhǎng)度對(duì)違約率和借款利率的影響進(jìn)行實(shí)證檢驗(yàn)。模型構(gòu)建如下：

P(defaulti)=C+β1Length+∑αControli+δi

(1)

Ratei=C+β1Length+∑αControli+μi

(2)

∑αControli=α1Age+α2Marriage+α3House+α4Houseloan+α5Car+αtCarloan+

α7Salary+α8Level+α9Edu+α10Amount+α11Time

(3)

模型中的變量意義和賦值標(biāo)準(zhǔn)與表1相同，表1中所有的控制變量均集合為模型中的Control項(xiàng)(即(3))，δ和μ為誤差項(xiàng)。此外，為了防止數(shù)據(jù)單位和大小差距帶來(lái)的誤差，本文將所有數(shù)據(jù)都做了標(biāo)準(zhǔn)化處理。

若(1)中β1為負(fù)值，則借款描述的文本長(zhǎng)度與違約率表現(xiàn)為負(fù)向影響關(guān)系。即文本長(zhǎng)度越長(zhǎng)，借款違約率越低，反之同理。

若(2)中β1為負(fù)值，借款描述的文本長(zhǎng)度與利率也為負(fù)向影響關(guān)系。即文本長(zhǎng)度越長(zhǎng)，借款利率越低，反之同理。

(二)變量選取

本文借鑒主流的模型構(gòu)建方法并結(jié)合實(shí)際研究?jī)?nèi)容，在“人人貸”網(wǎng)站上抓取了文本長(zhǎng)度變量、借款標(biāo)的金額、借款人年齡、薪水、信用等級(jí)、婚姻狀況等數(shù)據(jù)。其中，將借款人行為抽象為違約率和借款利率兩個(gè)變量來(lái)探究P2P網(wǎng)貸市場(chǎng)中借款描述的文本長(zhǎng)度對(duì)于借款人行為的影響。被解釋變量包含是否違約(Default)和借款利率(Rate)兩個(gè)變量，前者為虛擬變量，對(duì)其進(jìn)行“0”、“1”賦值，后者按實(shí)際數(shù)值取值。解釋變量為文本長(zhǎng)度(Length)，根據(jù)訂單中借款描述的實(shí)際文本字?jǐn)?shù)進(jìn)行取值。此外，將工資水平、信用等級(jí)、學(xué)歷、借款期限等影響因素作為控制變量加入到實(shí)證模型當(dāng)中，從而增加實(shí)證回歸方程的穩(wěn)健性。總結(jié)并借鑒其他學(xué)者(吳佳哲[19]，2015；彭紅楓等[5]，2018等)對(duì)各變量的選擇和處理，具體如表1所示。

表1 實(shí)證模型中變量的選擇及處理

(三)數(shù)據(jù)選取及處理

“人人貸”成立于2010年5月，考慮到早期借款數(shù)據(jù)在網(wǎng)站上獲取難度較大且平臺(tái)運(yùn)營(yíng)初期發(fā)展尚不完善，存在許多實(shí)驗(yàn)標(biāo)，同時(shí)考慮數(shù)據(jù)的時(shí)效性，因此本文采用2018年6月1日到2019年9月30日“人人貸”網(wǎng)站上發(fā)布的全部成功借款(事先已清洗掉流標(biāo)的樣本)共40 955個(gè)數(shù)據(jù)為觀測(cè)樣本，并對(duì)其做了如下處理：(1)剔除信息不全的觀測(cè)樣本3 625個(gè)；(2)剔除借款人年齡小于18周歲的觀測(cè)樣本1 463個(gè)；(3)剔除機(jī)構(gòu)擔(dān)保的觀測(cè)樣本2 210個(gè)；(4)剔除所在地為香港、澳門及臺(tái)灣的觀測(cè)樣本2 043個(gè)。最終樣本個(gè)數(shù)為31 614個(gè)。

在展開(kāi)實(shí)證分析之前，首先對(duì)上述數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)，具體如表2所示。

表2 所選取變量描述統(tǒng)計(jì)

通過(guò)表2可以看出，從“人人貸”網(wǎng)站上所選擇的31 614筆成功借款訂單樣本數(shù)據(jù)中大約有5%左右的訂單發(fā)生了違約行為。所選訂單的借款利率值介于8%和24%之間，平均借款利率為15.70%，其中利率最大值超過(guò)同期銀行借款利率4倍以上，可見(jiàn)P2P平臺(tái)中交易的借款利率普遍偏高，因此其融資成本也相較傳統(tǒng)銀行借貸更高。借款金額方差較大，小至3 000元，最大值近300萬(wàn)，均值2.56萬(wàn)元，平均借款時(shí)長(zhǎng)約12個(gè)月，與P2P網(wǎng)貸市場(chǎng)中借款額度小且借款時(shí)間短的特征相符。借款者的信用等級(jí)普遍較低，均值為1.82，平均信用等級(jí)集中在E級(jí)與D級(jí)之間。平均受教育程度低于本科學(xué)歷，同時(shí)月均收入低于10 000元，可見(jiàn)P2P網(wǎng)貸市場(chǎng)中的借款者普遍為受教育程度不高且信用風(fēng)險(xiǎn)較大的低收入人群。此外，研究的解釋變量借款描述的文本長(zhǎng)度均值約為96個(gè)字符。其中，最少的借款描述僅有兩個(gè)字符，而最多則達(dá)到513個(gè)字符，差距明顯，為本文研究提供了條件。

通過(guò)表3對(duì)于不同信用等級(jí)下借款描述的平均文本長(zhǎng)度統(tǒng)計(jì)可以看出，隨著信用等級(jí)從HR到B的不斷上升，其對(duì)應(yīng)借款描述的文本長(zhǎng)度相應(yīng)下降。而信用等級(jí)為A與AA的借款人的借款訂單中平均文本長(zhǎng)度又有明顯增長(zhǎng)。經(jīng)分析，其原因在于信用等級(jí)為AA與A的借款人僅占總樣本5%左右的比例，人數(shù)較少，其借款描述文本長(zhǎng)度的統(tǒng)計(jì)更容易受極端值影響。所以在忽略AA與A級(jí)借款人之后，發(fā)現(xiàn)借款表述文本長(zhǎng)度隨著信用等級(jí)的上升而下降。

表3 不同信用等級(jí)的平均文本長(zhǎng)度分布

基于研究的嚴(yán)謹(jǐn)性考慮，本文將通過(guò)使用Logistics回歸模型與OLS回歸模型分別對(duì)借款描述的文本長(zhǎng)度對(duì)違約率、借款利率的影響關(guān)系構(gòu)建函數(shù)，從而進(jìn)行實(shí)證分析。

三、實(shí)證分析

(一)文本長(zhǎng)度對(duì)違約率的影響分析

表4顯示了P2P網(wǎng)貸中借款描述的文本長(zhǎng)度對(duì)借款人行為影響的回歸結(jié)果。其中第二、第三列檢驗(yàn)了文本長(zhǎng)度對(duì)違約率的影響關(guān)系。文本長(zhǎng)度(Length)的回歸系數(shù)為正(0.002)，并在1%的水平上顯著。說(shuō)明借款者的借款描述字?jǐn)?shù)越多，違約風(fēng)險(xiǎn)反而越高，越容易發(fā)生違約行為，這與本文的預(yù)測(cè)截然相反。對(duì)于這種結(jié)果，本文做出兩點(diǎn)解釋：一方面，借款描述中包括有效信息與無(wú)效信息兩個(gè)方面，一般而言隨著借款描述文本長(zhǎng)度的增長(zhǎng)，借款描述中包含的無(wú)效信息也會(huì)隨之增加，這樣會(huì)加大出借人對(duì)于借款描述理解的難度，導(dǎo)致出借人對(duì)借款訂單的違約風(fēng)險(xiǎn)做出錯(cuò)誤判斷，從而錯(cuò)誤地選擇了更高風(fēng)險(xiǎn)的借款訂單進(jìn)行投資；另一方面，雖然P2P網(wǎng)絡(luò)借貸平臺(tái)相較傳統(tǒng)金融機(jī)構(gòu)信息更加公開(kāi)、透明，但總體而言交易雙方仍存在信息不對(duì)稱的局限。部分借款者之所以添加字?jǐn)?shù)進(jìn)行借款描述，往往是由于他們的信用評(píng)級(jí)較低，對(duì)自身的資信狀況不自信，字?jǐn)?shù)較少、內(nèi)容單薄的借款描述難以實(shí)現(xiàn)成功籌款。借款人對(duì)“硬信息”內(nèi)容越不自信，越需要通過(guò)字?jǐn)?shù)更長(zhǎng)、內(nèi)容更繁復(fù)的軟信息描述來(lái)進(jìn)行自我掩飾，達(dá)到獲取融資的目的。對(duì)于投資人而言，這是一種高風(fēng)險(xiǎn)的暗示，因此投資人會(huì)對(duì)這類借款要求更高的風(fēng)險(xiǎn)補(bǔ)償，是借款描述給予決策者判斷低效率的體現(xiàn)，所以這種情況下借款人更容易發(fā)生違約行為，這類似于傳統(tǒng)文化中的“欲蓋彌彰”、“言多必失”這一類心理。

表4 文本長(zhǎng)度對(duì)P2P網(wǎng)絡(luò)借貸中借款人行為影響的回歸結(jié)果

在控制變量的分析中，除了住房情況這一變量未能通過(guò)顯著性檢驗(yàn)，剩余變量大多都通過(guò)了1%的顯著性水平。其中，信用等級(jí)(Level)、借款期限(Time)和借款金額(Amount)的回歸系數(shù)值分別為-0.031，-0.033，-0.226，均呈現(xiàn)負(fù)相關(guān)關(guān)系，表明信用評(píng)級(jí)越高，借款期限越長(zhǎng)，借款金額越大，便越不容易發(fā)生違約行為。年齡(Age)、婚姻(Marriage)、房貸(House loan)、薪酬水平(Salary)的回歸系數(shù)顯著為正，表現(xiàn)為正相關(guān)關(guān)系。

(二)文本長(zhǎng)度對(duì)借款利率的影響分析

表4中的第四、第五列展現(xiàn)了借款描述的文本長(zhǎng)度對(duì)借款利率影響的回歸結(jié)果?？芍谋鹃L(zhǎng)度Length的系數(shù)值為正(0.001)，并在1%的水平上顯著，說(shuō)明借款描述的文本長(zhǎng)度與借款利率呈正向影響關(guān)系，文本長(zhǎng)度越長(zhǎng)，借款利率則越高。與違約率的結(jié)論類似，借款人在借款描述欄中填寫(xiě)更長(zhǎng)的文字，并不等同于傳遞了更多高質(zhì)量的信息給貸款人讓其做出合理判斷，反而是一種信息傳達(dá)誤導(dǎo)的表現(xiàn)，不能在實(shí)質(zhì)上去降低貸款人決策風(fēng)險(xiǎn)，從而緩解借貸雙方信息不對(duì)稱問(wèn)題。而根據(jù)經(jīng)濟(jì)理性人的利己性，貸款決策者在網(wǎng)站上收集借款人信息的行為本質(zhì)上是一種規(guī)避風(fēng)險(xiǎn)的策略性行為。而決策者在信息不充足或者是信息低效率的情況下往往會(huì)傾向于風(fēng)險(xiǎn)厭惡。因此，在借款人對(duì)借款描述的內(nèi)容傳達(dá)信息低效率的情況下想要使得出借者借款意愿增加，就需要提高利率去刺激出借者的借款意愿，借款利率就會(huì)提高。

在控制變量的分析中，年齡和是否擁有車貸這兩個(gè)變量沒(méi)有通過(guò)顯著性檢驗(yàn)。其中，是否有房(Has house)、借款期限(Time)、工資水平(Salary)的回歸系數(shù)顯著為正，與借款利率的變動(dòng)表現(xiàn)為正相關(guān)關(guān)系。借款期限(Time)的β值為0.076，在1%水平上顯著為正，說(shuō)明借款期限越長(zhǎng)，借款利率則越高。除此以外，回歸結(jié)果表明借款人年齡越大，薪酬水平越高，利率也將隨之提高。而婚姻(Marriage)、房貸(House loan)、是否有車(Has car)、學(xué)歷(Edu)、信用等級(jí)(Level)和借款金額(Amount)的回歸系數(shù)顯著為負(fù)，與借款利率的變動(dòng)表現(xiàn)為負(fù)相關(guān)關(guān)系。信用等級(jí)(Level)和借款金額(Amount)的β值分別為-0.765和-0.098，均通過(guò)了1%的顯著性水平，說(shuō)明借款人信用等級(jí)越低、資信狀況越欠缺，其借款利率則越高，借款金額越大的訂單借款利率則越低。

四、研究結(jié)論及建議

(一)研究結(jié)論

一是借款描述的文本長(zhǎng)度對(duì)違約率呈正向影響關(guān)系。即借款描述的字?jǐn)?shù)越多、文本長(zhǎng)度越長(zhǎng)，越容易發(fā)生違約風(fēng)險(xiǎn)。這是由于借款人在借款描述中填寫(xiě)更多文本是對(duì)其借款描述的不良資信狀況或其他缺陷的掩飾。

二是借款描述的文本長(zhǎng)度對(duì)借款利率也呈正相關(guān)關(guān)系。借款描述的文本越長(zhǎng)，借款利率越高，原因在于借款描述的字?jǐn)?shù)越多會(huì)造成描述效率的下降，并不能降低借貸雙方之間的信息不對(duì)稱和表明自己信用的良好程度，再一次證明了前一個(gè)觀點(diǎn)，即借款人提供借款描述的時(shí)候不能只關(guān)注字?jǐn)?shù)，更要重視借款描述的質(zhì)量，僅僅為了更多的字?jǐn)?shù)而去填寫(xiě)一些缺乏信息含量或者會(huì)造成出借人理解困難的信息，反而由于“言多必失”而提高了借款成本。

(二)對(duì)策建議

首先，對(duì)于出借人而言，除了重點(diǎn)關(guān)注借款描述的長(zhǎng)度和質(zhì)量以外，甚至可以從標(biāo)點(diǎn)符號(hào)、情感動(dòng)詞等方面深入探索，最大可能地挖掘借款描述軟信息中暗含的隱性信息，同時(shí)也應(yīng)該關(guān)注信用等級(jí)、職業(yè)、婚姻等其他信息來(lái)謹(jǐn)慎決定是否投標(biāo)以避免違約風(fēng)險(xiǎn)，提高風(fēng)險(xiǎn)防范意識(shí)。結(jié)合軟、硬信息全面綜合評(píng)價(jià)借款者的資信狀況。

其次，對(duì)于借款人，由于其大多屬于非專業(yè)金融理財(cái)投資人員，清晰地闡述自身資信狀況及借款目的以獲取信任有助于增加借款成功率，把增強(qiáng)信任感放在首位，尤其是信用等級(jí)較差的借款人，應(yīng)該更加側(cè)重于借款描述的質(zhì)量，在更短的篇幅里提供更多有用的信息來(lái)反映借款人的信用品質(zhì)，從而得到出借人的信任，降低借款成本。

第三，相比傳統(tǒng)金融機(jī)構(gòu)借貸交易，P2P網(wǎng)絡(luò)平臺(tái)的大眾化程度更高，借貸雙方大多不具備專業(yè)的金融素養(yǎng)與風(fēng)險(xiǎn)防范意識(shí)。在傳統(tǒng)金融機(jī)構(gòu)的信貸領(lǐng)域，有經(jīng)驗(yàn)的信貸人員能夠通過(guò)與借款人面對(duì)面的交流，然后基于借款人的借款陳述對(duì)訂單的風(fēng)險(xiǎn)做出判斷并進(jìn)行風(fēng)險(xiǎn)把控，而P2P平臺(tái)缺乏類似的保障。因此，建議國(guó)內(nèi)P2P平臺(tái)學(xué)習(xí)國(guó)外成熟平臺(tái)的做法，為借款人提供預(yù)設(shè)的“借款用途”選項(xiàng)，如債務(wù)整合、日常消費(fèi)、教育投資等。借款人在自主填寫(xiě)借款描述之后，額外的在平臺(tái)已經(jīng)預(yù)設(shè)的借款用途條目中選擇相應(yīng)選項(xiàng)，或是利用國(guó)內(nèi)先進(jìn)的計(jì)算機(jī)技術(shù)研發(fā)基于借款描述文本信息識(shí)別的相關(guān)人工智能程序。通過(guò)識(shí)別借款描述透露出的深層信息，自動(dòng)給訂單進(jìn)行風(fēng)險(xiǎn)評(píng)估，實(shí)現(xiàn)將程序充當(dāng)一個(gè)“有經(jīng)驗(yàn)的信貸員”的角色，使平臺(tái)在健全硬信息指標(biāo)體系的基礎(chǔ)上，進(jìn)一步豐富軟信息尤其是借款描述的內(nèi)涵。

最后，由于P2P借貸具有較大風(fēng)險(xiǎn)，因此建議網(wǎng)絡(luò)借貸平臺(tái)及其主管部門為借貸雙方提供互聯(lián)網(wǎng)金融常識(shí)科普，從而使得借款人能夠在借款描述文本中準(zhǔn)確地提供風(fēng)險(xiǎn)評(píng)估所需要的信息，讓出借人能夠更有效地通過(guò)借款描述識(shí)別出借款訂單的風(fēng)險(xiǎn)等級(jí)。增強(qiáng)借貸雙方風(fēng)險(xiǎn)防范意識(shí)，讓投資人對(duì)投資收益有合理的預(yù)期，避免盲目跟風(fēng)，促進(jìn)P2P行業(yè)持續(xù)穩(wěn)定發(fā)展。