高雯青 江南大學(xué)商學(xué)院

一、理論分析與研究假設(shè)

P2P網(wǎng)貸平臺是指借貸雙方在無第三方金融機(jī)構(gòu)參與的情況下，通過網(wǎng)絡(luò)線上交易進(jìn)行的無擔(dān)保借款。在金融借貸中一直存在信息不完全問題，且由于缺乏金融中介機(jī)構(gòu)，這類問題在互聯(lián)網(wǎng)借貸市場中更為嚴(yán)重[1]。同時，由于我國國土面積廣大、幅員遼闊，地域間的文化背景、經(jīng)濟(jì)發(fā)展水平及生活方式等都存在一定的差異，易引發(fā)借貸關(guān)系中由于地域歧視而產(chǎn)生的不公平對待現(xiàn)象。經(jīng)濟(jì)發(fā)展水平較好、金融環(huán)境優(yōu)良、人均收入水平高地區(qū)的借款人更易獲得貸款。廖理以某P2P網(wǎng)貸平臺為例，發(fā)現(xiàn)不同省份間訂單的成功率仍存在顯著差異，體現(xiàn)了P2P網(wǎng)貸平臺的“非有效的偏好歧視”[2]。蔣彧發(fā)現(xiàn)P2P網(wǎng)絡(luò)借貸中存在由地區(qū)間收入水平不均衡引發(fā)的地域歧視現(xiàn)象[3]。已有研究對P2P網(wǎng)貸歧視現(xiàn)象的分析較為透徹，局限之處在于針對P2P平臺集中暴雷期間的地域歧視現(xiàn)象研究較少，且缺乏對緩解地域歧視現(xiàn)象的因素分析。本文試圖彌補(bǔ)研究不足，助力互聯(lián)網(wǎng)金融良性發(fā)展。

綜上分析，本文依據(jù)樣本期間的地區(qū)收入水平將借款人所在地域進(jìn)行排序，取排名前十的地區(qū)為高收入地區(qū)（上海、北京、浙江、天津、江蘇、廣東、福建、遼寧、山東、內(nèi)蒙古），取排名后十的地區(qū)為低收入地區(qū)（寧夏、四川、河南、新疆、廣西、青海、云南、貴州、甘肅、西藏），提出以下假設(shè)：

H1：相比較高收入地區(qū)借款者，低收入地區(qū)借款者在P2P網(wǎng)貸中借款成功率更低；

H2：相比較高收入地區(qū)借款者，低收入地區(qū)借款者在P2P網(wǎng)貸中借款違約率更低。

二、數(shù)據(jù)來源和研究設(shè)計

（一）數(shù)據(jù)來源

本文利用了Python進(jìn)行數(shù)據(jù)挖掘，搜集P2P網(wǎng)貸平臺的相關(guān)借貸數(shù)據(jù)，采用EViews進(jìn)行回歸分析?？紤]到2017年后某P2P網(wǎng)貸平臺針對暴雷現(xiàn)象進(jìn)行整改，將信用標(biāo)的轉(zhuǎn)為實(shí)地認(rèn)證標(biāo)，因此17年后違約量大幅減少，使17年至今的數(shù)據(jù)于本文研究意義不顯著。綜合考量，選擇2015年1月至2016年12月為樣本期間。剔除主要變量缺失的部分?jǐn)?shù)據(jù)后得實(shí)際有效樣本數(shù)據(jù)400341條。

（二）計量模型和變量定義

為檢驗(yàn)上述假設(shè)，構(gòu)造如下被解釋變量回歸模型，分別為借款成功Success和發(fā)生違約Overdue兩種回歸模型：

以Success為被解釋變量的式（1）主要研究借款人成功率與地域之間的關(guān)系，其中Success表示借款是否成功，High表示高收入水平地區(qū)，Low表示低收入水平地區(qū)，Controls為一組控制變量。

以O(shè)verdue為被解釋變量的式（2）主要研究借款人違約率與地域之間的關(guān)系，其中Overdue表示是否發(fā)生違約，解釋變量與控制變量均與式（1）一致。

本文采用Logit模型進(jìn)行回歸，并利用Probit模型對樣本進(jìn)行穩(wěn)健性檢驗(yàn)。選擇的控制變量包括Sex、Credit Rating、Age、Education、Marital Status、Income、Has House、House Loan、Has Car、Car Loan、Working Hour，11個控制變量分別用于衡量借款人性別、信用評級、年齡、教育背景、婚姻狀況、收入、房產(chǎn)及房貸、車產(chǎn)及車貸，及工作經(jīng)驗(yàn)。

三、實(shí)證檢驗(yàn)與結(jié)果分析

（一）描述性統(tǒng)計

對主要變量進(jìn)行描述性統(tǒng)計，結(jié)果如表1。

表1 主要變量的描述性統(tǒng)計

首先觀察被解釋變量，Success的均值為0.6112，表明在樣本時間段內(nèi)某P2P網(wǎng)貸平臺的借款成功率較為良好，有61%左右的借款人可以成功借入貸款；Overdue的均值較低，僅有0.0052，說明在總體借款人中約有0.5%的借款人會在成功借款后發(fā)生違約。其次觀察解釋變量，約52.87%的借款人來自高收入地區(qū)，約24.15%的借款人來自低收入地區(qū)。

（二）地域歧視假設(shè)的檢驗(yàn)分析

回歸結(jié)果見表2，除Marital Status和House的回歸系數(shù)不顯著，Sex的回歸系數(shù)在10%的水平上顯著，Income和Car的回歸系數(shù)在5%的水平上顯著，其余變量的回歸系數(shù)均在1%的水平上顯著，且模型整體的擬合優(yōu)度較好。

表2 借款者地域差異對P2P網(wǎng)貸借款成功率及違約率的影響

High的回歸系數(shù)為0.2698，且在1%的水平上顯著為正，與此同時Low的回歸系數(shù)為0.1575，同樣在1%的水平上顯著為正。這說明收入水平與借款成功率呈正相關(guān)。假設(shè)H1初步成立，即P2P平臺在借貸過程中存在一定程度的地域歧視現(xiàn)象。

控制變量上，Credit Rating、Age、Education、House Loan、Car Loan、Working Hour均在1%的顯著性水平上和P2P平臺的借款成功率呈現(xiàn)顯著的正相關(guān)，這體現(xiàn)了較高信用評級、年齡較為年長、受教育水平較好、擁有房貸車貸以及有一定工作經(jīng)驗(yàn)的借款人更容易成功獲得P2P平臺借款。

具體來看，Credit Rating回歸系數(shù)為正。信用評級等級越高，貸款人對借款人的信任程度越高，更容易獲得借款。House Loan、Car Loan的回歸系數(shù)均顯著為正，在我國借款人往往需要較好的信用才能申請到相關(guān)貸款，同時要保證每月的穩(wěn)定收入，因此擁有房貸車貸的借款人會更受互聯(lián)網(wǎng)貸款人的青睞。

為分析假設(shè)H2，本文對借款人地域信息和借款違約率進(jìn)行回歸。結(jié)果見表2，High回歸系數(shù)在1%的水平上顯著為負(fù)值，而Low回歸結(jié)果并不顯著，因此不能說明地區(qū)收入水平的高低與借款違約率存在顯著的相關(guān)關(guān)系。因此，在高收入地區(qū)與低收入地區(qū)借款者違約率并沒有明顯差異時，高收入地區(qū)借款者成功率卻顯著高于低收入地區(qū)，充分體現(xiàn)了我國P2P網(wǎng)貸市場存在一定程度的非理性偏好地域歧視現(xiàn)象。

（三）引入交互項(xiàng)分析和穩(wěn)健性檢驗(yàn)

金融借貸過程中借款人較高的學(xué)歷能反映其擁有更好的信用品質(zhì)，由此其借款成功可能性會越高、違約可能性也會越低[4]。本文進(jìn)一步分析了低收入地區(qū)借款人的學(xué)歷背景是否能緩解地域歧視。在式（1）中加入借款人地域和學(xué)歷背景的交互項(xiàng)（High×Education、Low×Education）?；貧w結(jié)果見表3，兩個交互項(xiàng)的回歸系數(shù)均在1%水平上顯著，前者為正后者為負(fù)，說明低收入地區(qū)借款者可以通過其自身的學(xué)歷背景提高借款成功率，緩解其受到的歧視現(xiàn)象。為進(jìn)行穩(wěn)健性檢驗(yàn)，本文采用Probit回歸重復(fù)上述過程，兩種回歸方法的結(jié)果相同，各回歸系數(shù)顯著性與方向均與前文一致。

表3 Success交互項(xiàng)回歸與穩(wěn)健性檢驗(yàn)

四、結(jié)論與建議

研究結(jié)果顯示，借款人地區(qū)收入水平的高低對網(wǎng)貸借款成功率有顯著影響。盡管在不同收入水平地區(qū)間的借款違約率不存在顯著差異，但高收入水平地區(qū)的借款人成功率顯著高于低收入地區(qū)借款人。但借款者較好的學(xué)歷背景對緩解地域歧視有一定的效果，借款者的學(xué)歷教育背景作為風(fēng)險識別的信號之一。地域歧視的存在需要P2P平臺加強(qiáng)與借款人間的信息透明度，弱化借貸雙方的信息不對稱性，政府部門也應(yīng)完善信用評級體系，避免非理性歧視現(xiàn)象導(dǎo)致的信用風(fēng)險，使市場資金配置更加有效。