彭紅楓, 楊柳明

抱團是否可以取暖？
——群組制度對P2P借貸行為的影響研究

彭紅楓, 楊柳明

（武漢大學 經濟與管理學院，湖北 武漢 430072）

銀行和企業(yè)通過抱團、組建聯盟來充分運用和整合市場資源，抱團能給銀行、企業(yè)注入競爭與發(fā)展的強大活力，使其攜手應對嚴峻形勢，度過“寒冬”，那么在互聯網金融領域，借款人通過抱團、加入群組，是否能夠像銀行或企業(yè)那樣“取暖”。本文選取Prosper網絡借貸平臺上的交易數據為樣本，從五個視角實證分析群組制度對P2P網絡借貸行為的影響，結果顯示不同借款人選擇是否抱團的策略不同，借款人抱團在一定程度上可以“取暖”，但不同借款人的“取暖效果”不同。具體而言：信用等級越低的借款人更傾向于加入群組，并且加入群組對其借款成功率和借款利率的影響更為明顯；加入群組可以顯著地提高借款成功率，降低借款利率，提高籌資效率，但加入群組的借款人的事后還款表現欠佳，違約率偏高。本文的研究為國內P2P網絡平臺借貸的健康發(fā)展提供了有益借鑒。

群組制度；借款成功率；借款利率；籌資效率；違約率

一、引 言

隨著現代信息科技的高速發(fā)展，基于移動支付、社交網絡、搜索引擎和云計算等的互聯網金融模式正在改變傳統(tǒng)金融體系的價值創(chuàng)造和服務方式，其中Peer-to-Peer（P2P）網絡借貸正是一種融合互聯網技術的新型金融模式（謝平和鄒傳偉，2012；皮天雷和趙鐵，2014）。P2P借貸模式從歐美國家興起并在世界各地快速發(fā)展，以英國的Zopa、美國的Prosper和Lending Club、德國的Auxmoney、日本的Aqush及內地的宜信、拍拍貸和人人貸為代表。

P2P網絡借貸具有貸款門檻低、覆蓋面廣、信息流通快、交易手續(xù)便捷、涉及金額小、借款期限較短等特點，這些是相對于正規(guī)金融機構無可比擬的競爭優(yōu)勢，在一定程度上更好地滿足了小微企業(yè)和創(chuàng)業(yè)者的融資需求。但是與線下借貸市場相比，P2P網絡借貸市場中借貸雙方信息不對稱的現象更加突出，由于網絡的虛擬性、平臺的風險控制不健全等問題，逆向選擇和道德風險成為P2P運行的最大障礙。為了使投資者能夠基于有效信息做出明智的決定，P2P網絡借貸平臺要求借款人提供由外部機構驗證的財務信息，例如月收入、住房認證、借款陳述等；此外，平臺還要求用戶提供個人信息，例如性別、年齡、照片等。Stein（2002）將以上信息劃分為硬信息和軟信息，硬信息是能被客觀量化和證實的內容，如借款的財務因素、個人特征因素等，而軟信息一般不能像硬信息那樣完全用一個數字或分數來總結（Petersen，2004），如借款人的借款陳述等。Lin等（2013）指出以上基本信息是投資者評估借款人還款可能性的主要參照因素，對于借貸行為有著重要的影響。

基于此，許多學者研究了財務因素、個人特征因素和借款陳述等對P2P平臺網絡借貸行為的影響。在財務因素方面，Puro等（2010）通過分析Prosper的數據發(fā)現借款額度會對借款成功率產生較為明顯的影響，借款人通常會通過降低借款額度來提高借款成功率，并且借款人提供的初始利率與借款成功率成正比。此外，他們根據回歸分析理論設計了一個決策輔助系統(tǒng)來幫助借款人做出有效決策，進而提高借款成功率。在個人特征因素方面，Pope和Sydnor（2011）研究表明種族、年齡、性別、體重和外貌美麗對借款成功有顯著影響，即非裔美國人比其他信用相近的白人更難獲得貸款，并且35～60歲的借款者比年齡小于35歲的借款者更容易獲得貸款。此后，Ravina（2012）發(fā)現外貌可信、種族、年齡及個人特征都會影響貸款人的決策，在違約率相同的情況下，外貌可信的借款者比相貌一般的借款者的借款成功率高1.59%，相對于白人而言，黑人更難獲得貸款，且違約概率比白人高。在借款陳述方面，Sonenshein等（2011）研究表明信用等級較低的借款人可以通過合理的借款解釋贏得貸款人的信任，影響貸款人的行為決策，但往往對借款目的和自身情況描述詳細的借款人更可能發(fā)生逾期違約事件，因此他們認為根據借款陳述的內容決定是否投資可能并不合理。王會娟和廖理（2014）以人人貸的交易數據研究了借款陳述對P2P借貸行為的影響，結果表明，借款人的借款描述字數越多，越不容易獲得借款，而借款描述展現的人格越多，越能吸引投標人，滿標時間越快，據此他們建議借款人更應注重借款描述的質量而不是數量。

此外，P2P網絡借貸平臺將Facebook、Twitter等社交網絡與傳統(tǒng)民間借貸市場的社交借貸融合，將線下的社會關系轉移到線上，在平臺引入群組（groups）制度，鼓勵借貸雙方在平臺上建立群組關系，組員之間可能具有某些相同的背景，例如相同的職業(yè)或相似的教育背景。Krumme和Sergio Herrero（2009）指出，平臺可以充分利用組員的社會關系，促進借款人和投資者之間的信息交流，投資者可以通過這種社會資本深入了解借款人，從而更好地做出投資決策。Lin等（2009）將社交網絡的相關信息歸為“軟信息”，發(fā)現社會網絡在P2P借貸市場中發(fā)揮著重要作用，加入“可信群組”的借款人的借款成功率往往比較高。同時，Greiner和Wang（2009）研究表明加入群組的借款人更容易借款成功。此外，群的級別提高和群內人數的增加也都有利于降低借款人的借款利率。

從現有研究來看，雖然有學者研究了群組制度對P2P借貸行為的影響，但研究角度較為局限，并且不能將研究的問題納入一個整體分析框架，缺乏系統(tǒng)和邏輯性，并且，這些研究大多缺乏理論模型和理論分析?；诖?，本文將從理論和實證兩方面深入分析群組制度與借貸行為之間的關系，以期更加全面地考察借款人的“群組信息”對P2P網絡借貸行為的影響。具體而言，本文旨在探究以下幾個問題：在P2P網絡借貸中，哪些借款人更傾向于加入群組？借款人加入群組能否增加投資者的信任，提高借款成功率？對于成功借款的樣本來說，其借款利率和單位時間的籌資額不盡相同，那么加入群組是否能降低借款利率，提高籌資效率？在前一個問題成立的前提下，加入群組對哪部分信用等級的借款人影響更大？最后，對于成功借款的借款人，如果繼續(xù)追蹤其還款表現，那么加入群組與不加入群組的兩部分借款人的還款表現是否存在差異？

鑒于國內P2P網貸平臺的發(fā)展尚處于初級階段，幾乎所有的平臺都尚未建立群組制度，因此本文選取美國Prosper網絡借貸平臺的數據作為研究樣本，考察群組制度對于網絡借貸行為的影響。實證結果表明，信用等級較低的借款人更傾向于加入群組，加入群組可以提高借款成功率；對于成功借款的人來說，加入群組的借款人借款利率較低、籌資效率更高；進一步地，信用等級較低的借款人加入群組對其借款成功率和借款利率的影響更為明顯，但加入群組的借款人的事后還款表現不盡如人意，違約率偏高。

本文的研究貢獻主要體現在以下幾個方面：首先，本文通過構建模型，刻畫了群組這一社會資本對借貸行為的影響；其次，本文的實證結論對于借款人和投資者參與網絡借貸具有重要啟示，例如，一方面，借款人可以通過加入群組提高借款成功率，另一方面，投資者不能偏向于具有群組屬性的借款人，因為此類借款人的事后違約風險偏高；最后，本文對于國內P2P平臺群組制度的設計提供了經驗證據，有助于P2P網貸平臺的健康發(fā)展。

二、理論分析與研究假設

（一）加入群組與借款人的信用等級、借款成功率

Collier和Hampshir（2010）運用信號理論研究了P2P平臺借貸利率的影響因素，他們將信號分為群組的結構性信號（structural signals）、個人信號（individual signals）和群組的行為信號（behavioral signals），結構性信號包括群組的規(guī)模、等級、加入條件，個人信號代表借款人的信用等級，行為信號包括群組的背書、成員交易及學習效應。廖理等（2014）提出，解決P2P平臺信息不對稱的重要方式是要借助信息披露和信號理論，并將P2P平臺上借款人披露的信息分為硬信息和軟信息，群組信息屬于軟信息的一種。因此，借助國內外學者的研究結果，本文根據信號傳遞理論，分析哪些借款人更傾向于加入群組及加入群組的借款人的借款情況。

考慮市場中存在一個借款人和投資人，借款人的信用等級θ存在兩種可能的取值，一種為低信用等級，記為θ=1；另一種為高信用等級，記為θ=2。假設借款人知道自己的信用等級情況，而投資者不知道借款人具體的信用等級情況，認為該借款人信用低（θ=1）或信用高（θ=2）的概率為0.5。借款人是否加入群組s∈{0，1}，其中，s=0代表不加入群組，s=1代表加入群組。如果借款人要加入群組，首先需要通過群組組長審核，因此需要花費一定的時間和精力去組織、完善自己的資料，這部分成本記為C(s，θ)=s/θ，表達式C(s，θ)表明，信用等級越高，加入群組的成本越低，這意味著不同信用等級的人加入群組的成本不同，因此是否加入群組有可能成為傳遞借款人信用等級的信號。通過觀察借款人是否加入群組，投資者決定其投資水平invest(s)。因此，借款人效用可以表示為U(s，θ)=invest(s)-C(s，θ)。

模型唯一、合理的均衡(是以下分離均衡①具體見Spence（1973）。：

在分離均衡中，信用等級低的借款人選擇不加入群組（s(θ=1)=0），信用等級高的借款人選擇加入群組（s(θ=2)=1）。信用等級高的借款人加入群組的成本低于信用等級低的人，因此，通過觀察借款人是否加入群組可以將信用等級高和低的借款人區(qū)分開來，即是否加入群組可成為傳遞借款人信用等級的信號；并且，投資者更傾向于投資加入群組的借款人（invest(s=1)＞invest(s=0)）。基于信號理論，在分離均衡滿足的條件下，即當較低信用等級的人加入群組的成本比較高時，我們提出如下兩個假設：

H1：信用等級高的人越傾向于加入群組。

H2：加入群組的借款人的借款成功率相對較高。

（二）加入群組與借款人籌集資金效率、借款利率

P2P中的借款人可以分為兩部分，一部分借款人加入群組，另一部分借款人未加入群組。加入群組的借款人會獲得群組內組員的出資，因為位于群組中的投資者對借款人的個人信息掌握更多，信息不對稱程度小，其投資行為類似于“眾籌”活動中“領投人”的作用。這種行為會給其他投資者釋放信號：此借款人屬于信用等級較高的籌資者，省去了投資者搜集和整理借款人信息的成本（Samuelson，1985），從而吸引更多投資者參與投資，因此對于加入群組的借款人來說，成功募集資金所需時間更少、效率更高?；谛畔⒉粚ΨQ理論，我們提出如下假設：

H3a：加入群組可以降低借款人籌集資金的時間，提高籌資效率。

另外，由于信息不對稱的存在，普通投資者總是持謹慎與懷疑態(tài)度，而群組內組員之間信息不對稱的程度會由于組內的相互交往而削弱。當群組內組員投資于群組內的借款人時，這種行為對外界釋放一種信號，普通投資者常常會跟進，羊群效應開始顯現，更多投資者的出資使得借款利率下降，即借貸成本下降?；诖?，我們提出如下假設：

H3b：加入群組的借款人的借款利率更低。

（三）加入群組對不同信用等級借款人的影響

在上述假設成立的前提下，即加入群組可以提高借款成功率、降低借款利率，那么這些影響對哪部分信用等級的借款人更大呢？

借款人的信用等級能直觀地體現借款人的信用情況，已有研究表明，在眾多影響借貸行為的因素中，借款人的信用等級對借款利率影響最大，具體表現為借款人信用等級越高，越容易獲得貸款，借款利率越低，并且違約率越低（Klafft，2008；Lin等，2013），這說明信用等級是揭示借款人信用風險的重要指標。當借款人的信用等級較低時，其信用風險較大，此時借款人可通過加入群組來增加投資者的信任度，降低交易風險，從而提高其借款成功率并降低交易成本；而對于信用等級較高的借款人，其借款成功的可能性本來就較大，并且風險溢價較低，加入群組的邊際效用相對較小，因此我們推測，當借款人的信用等級較低時，借款人加入群組更能提高借款成功率并降低借款成本。據此，我們提出本文的第四個假設：

H4：當借款人信用等級較低時，加入群組更能提高借款成功率并降低借款利率。

（四）加入群組與借款人的還款表現

對于成功借款的借款人，如果繼續(xù)追蹤其還款表現，那么加入群組與不加入群組的兩部分借款人的還款表現是否會存在差異？

以欺詐為目的的借款人會在P2P借貸平臺上注冊多個賬號，每個賬號提交一筆詐騙標的，借款成功后此賬號不再使用。因此，他們不會關心自己的賬號信用問題，更不會花費大量的時間和精力去申請加入群組（裴平和蔡越，2016），因此，未加入群組借款人的違約率相對較高。另外，Karlan（2007）和Berger（2009）等學者的研究表明，對于加入群組的借款人來說，一方面，違約會對借款人和該群組的聲譽造成顯著的負面影響；另一方面，群組組長監(jiān)督和督促組內成員進行還款。此外，具備群組屬性的借款人若出現違約行為，群組成員將對其實施一定的懲罰措施（Bestley 和 Coate，1995）?；谝延醒芯?，我們提出如下假設：

H5：加入群組的借款人還款表現更好，即借款的違約率更低。

三、數據描述及變量定義

（一）數據選取

Prosper于2006年2月5日上線，是美國第一家P2P網絡借貸交易平臺，目前有超過220萬名注冊會員和超過20億美元的交易額。Prosper運作模式可以概括如下：借款人通過Prosper尋求個人貸款，貸款額度為2 000～35 000美元，期限為3年或5年，貸款利率根據借款人的Prosper評級等確定；投資者（包括個人和機構）可以購買貸款關聯的票據進行出借，最低出借金額為25美元；平臺負責借款人的信用審核、貸款資金發(fā)放和追討等，并將借款人的還款轉給投資者，向借款人一次性收取服務費，向投資者收取管理年費。

一方面，由于網站成立之初交易記錄較少，組織架構并不完善，排除此時期樣本對研究的干擾；另一方面，近期借款樣本如2012年后的借款標的大多還未到期，處于還款狀態(tài)，其還款表現未知，因此選取美國最大的網絡借貸交易平臺Prosper網站上2007年至2012年的借貸交易數據為樣本，在此時期的借款標的多，數據的完整性高，且樣本數據都是競標處于完成狀態(tài)的借貸信息，以確保實證結果的準確性。初始樣本為34 876個觀測，本文對獲取的樣本進行如下預處理：（1）剔除Prosper平臺未提供信用等級的8 077個觀測；（2）剔除借款人信息中收入、工作狀態(tài)及期限不完整或顯示負數的觀測9 837個；（3）剔除訂單信息中借款金額、借款期限及訂單結束時間缺失的觀測2 731個觀測，去除噪聲數據后整理得到14 231個有效交易數據。

表1從是否加入群組的角度報告了借款人的基本情況，總觀測中有1 732個觀測加入群組，占比12.17%，12 499個觀測未加入群組，占比87.83%；總觀測的借款成功率為66.095 1%。

Panel A是借款人信用等級的分布情況，對于AA信用等級的借款人，其加入群組的比例最高，為22.39%，而其他信用等級的借款人加入群組的比例均明顯小于該值，但比例基本相當，因此需要做進一步回歸分析。此外，信用等級為AA的觀測最多，占比為22.978%，較低信用等級的觀測較少，說明觀測樣本中借款人的信用風險整體較??；而國內學者提供的人人貸數據表明國內借款人的信用等級普遍偏低，信用風險較高，這在一定程度上解釋了國內外P2P平臺借款成功率差異的根源。

Panel B是借款人的借款成功率分布情況，樣本中共有1 732個觀測加入群組，其中成功借款的觀測有1 724個，占加入群組觀測總數的99.54%，加入群組而未成功借款的觀測僅有8個；未加入群組的觀測借款成功率為61.46%，遠低于加入群組的借款成功率，可以初步推斷加入群組的借款人借款成功率相對較高。

Panel C是借款人籌集資金的效率、借款利率均值檢驗。Prosper平臺上每個借款人提出的借款金額不同，數額大的借款資金需要很長時間才能籌集完成，為了避免這種情況，本文采用每一筆借款的金額/借款存續(xù)時間來衡量籌集資金的效率。T檢驗的結果表明，相比于沒有加入群組的借款人而言，加入群組的借款人籌集資金所需時間更少，效率更高；另外，成功借款樣本中，加入群組的借款人的利率均值明顯低于未加入群組的借款利率均值。Prosper平臺上的利率是通過投資者競價產生的，當滿標時投資者可以繼續(xù)競標，直到產生一個合適的利率為止，這種市場化的利率機制有別于國內P2P平臺借款人自行設定利率的機制（廖理等，2014）。

Panel D是不同信用等級借款人與借款成功率檢驗、利率均值檢驗?？梢钥吹?，無論是借款成功率還是借款利率，隨著信用等級的下降，加入群組與不加入群組兩種情況下的均值差距越大，這種均值差異在1%顯著性水平下是顯著的，表明了加入群組對較低信用等級的借款人影響更大，即當借款人信用等級較低時，加入群組更能提高借款成功率并降低借款利率。

Panel E是借款人違約的分布情況，對于成功借款的樣本，其還款狀態(tài)可以分為全額償還（completed）、正在還款（current）、注銷賬戶（charge off）、違約（default）四種情形，本文借鑒Emekter等（2015）的做法，剔除正在還款的樣本，選擇借款到期的觀測作為研究樣本，將注銷賬戶和違約兩種情形定義為借款人違約，可以看到，加入群組的借款人違約率反而高出未加入群組的違約率，與原文假設并不一致。

注：均值t檢驗在1%顯著性水平下都是顯著的。

上述基于統(tǒng)計描述的分析還不足以證明本文的五個假設是否正確，因為借款成功率、籌集資金的時間、利率、違約情況等變量除了受到群組因素影響外，還可能受到訂單自身信息變量（借款期限、借款金額等）、借款人的各類信息變量（每月負債、收入水平、工作狀態(tài)等）、歷史信用信息變量（歷史借入本金、未償還本金、違約次數等）等因素影響，因此在考察群組的作用時，需要加入以上控制變量，在保證其他條件不變的情況下進行計量分析。

（二）模型構建

為了進一步檢驗前文提出的假設，基于Klafft（2008）、Michels（2012）、廖理等（2014）等學者的研究，在控制訂單自身信息變量、借款人的各類信息變量、歷史信用信息變量的影響下，本文分別構建如下模型：

本文將根據模型（1）至（7），在控制了相關變量的影響之后，研究加入群組與借款人信用等級、借款成功率、籌集資金效率、借款利率、還款表現之間的關系以及研究加入群組對不同信用等級的借款人的影響。

為了驗證H1設計模型（1），被解釋變量Group代表借款人是否加入群組，加入時取1，否則取0；解釋變量Credit代表借款人的信用等級，共有7個評級，從高到低依次為AA至HR。為了驗證H2設計模型（2），被解釋變量Success代表借款成功率，若滿標則取1，否則取0。為了驗證H3a和H3b分別設計模型（3）和（4），模型（3）和模型（4）的被解釋變量Efficient和Rate分別代表借款人籌資效率和投資者競價之后的借款利率。為了驗證假設H4，借鑒Jeremy Michels（2012）做法，通過在模型（5）和模型（6）中加入交叉項（Group×Credit）來研究加入群組對不同信用等級借款人的借款成功率和借款利率的影響。為了驗證H5設計模型（7），被解釋變量Default代表借款人的還款情況，到期借款的還款狀態(tài)可以分為全額償還、注銷賬戶和違約三種情形，若最終狀態(tài)為注銷賬戶和違約則取1，全額償還狀態(tài)取0。此外，X、W、H、Y分別代表訂單自身信息變量、借款人的各類信息變量、歷史信用信息變量和時間變量，考慮到借款人是否加入群組主要受借款人個人信息支配，因此模型（1）的控制變量選取借款人的各類信息變量W和歷史信用信息變量H，通過多元回歸分析進一步檢驗本文提出的五個假設。

（三）變量說明

根據已有文獻對P2P借貸行為影響因素的研究以及Prosper網站的設計，我們選取以下四類控制變量進行分析：訂單自身信息中的訂單總時間、借款金額和借款期限；借款人各類信息中的信用等級、債務收入比、每月負債、收入水平、工作狀態(tài)、工作期限和有無房產；歷史信用信息中的先前借款筆數、Prosper借入本金、Prosper未償還本金、當前違約賬戶數目等以及時間變量。下面對本文的研究變量做進一步說明。

1. 本文需要研究的核心變量

（1）借款成功（Success）：是否得到全額資金，其中籌集比例（percent funded）表示已籌集到的資金與目標金額的比值，滿標時取1，即為借款成功，凡是不為1的取0，代表借款失敗。

（2）籌資效率（Efficient）：定義變量，為滿標金額/滿標時間。

（3）借款利率（Borrower Rate）：不包含任何其他費用，是籌資者付給投資人的報酬，也是融資最直接和最主要的成本。

（4）是否加入組（Currently In Group）：借款人在創(chuàng)建借款標時是否加入了群組的虛擬變量，若加入群組，該值取1。群組意味著社交關系，組內成員會存在一定的監(jiān)督和相互投籌資，有些組會對組員的加入設置一定的條件。因此，加入群組會使投資者更加信任借款人。

2. 訂單自身信息變量

（1）訂單總時間：包括兩部分，一部分是發(fā)標時間（Listing Start Date），另一部分是標的結束時間（Listing End Date），二者間隔即訂單的滿標時間。

（2）借款金額（Amount）：借款人預期的借款金額，最低為1 000美元，最高為25 000美元。

（3）借款期限（Term）：借款人還款期限，按月衡量，借款人可以選擇三個借款期限，12個月、36個月和60個月。

3. 借款人的各類信息變量

（1）信用等級（Credit Rating）：平臺對借款人提交的材料進行審核和判斷，并參照第三方信用評級機構的評分及借款人歷史交易記錄進行綜合信用評級。該指標共包含7個級別，遵循大多數文獻關于信用等級的賦值方法，其數值及含義如下：1-AA，2-A，3-B，4-C，5-D，6-E，7-HR，根據數值從小到大，信用級別逐漸降低。信用等級是對籌資者既往社會活動所體現出的信用水平的綜合評定，能夠反映其目前的總體信用狀況。

（2）債務收入比（Debt-to-Income Ratio）：信用資料提交時借款人總的債務收入比。該指標值上界為10.01，Prosper平臺將所有債務收入比超過1 000%的歸入1 001%。

（3）每月負債（Monthly Debt）：借款人在創(chuàng)建借款標時的月負債狀況。

（4）收入水平（Monthly Income）：借款人在創(chuàng)建借款標時的月收入狀況，0美元取1，1～24 999美元取2，25 000～49 999美元取3，50 000～74 999美元取4，75 000～99 999美元取5，100 000美元以上取6。

（5）工作狀態(tài)（Employment Status Description）：借款人工作狀態(tài)分為三種，雇傭（employed）、自我雇傭（self-employed）以及其他（other），雇傭取1，其余兩種情形取0。

（6）工作期限（Months Employed）：借款人的工作期限，以月計。

（7）房產（Is Homeowner）：借款人是否有房產，擁有房產時取1，沒有取0。

4. 歷史信用信息

（1）先前借款筆數（Prior Loans）：借款人曾經在Prosper平臺上歷史借款筆數。

（2）Prosper借入本金（Prosper Principal Borrowed）：借款人發(fā)布借款標時曾在Prosper平臺上歷史借入總額。

（3）Prosper未償還本金（Prosper Principal Outstanding）：借款人發(fā)布借款標時曾在Prosper平臺上歷史借入本金的未償還金額。

（4）當前違約賬戶數目（Current Delinquencies）：一個借款者可以擁有多個信用賬戶，該數目代表借款人現有賬戶中總共違約的賬戶數。

（5）過去30天違約次數（Delinquencies_Over30_Days）：借款人過去30天違約次數。

（6）過去60天違約次數（Delinquencies_Over60_Days）：借款人過去60天違約次數。

（7）過去90天違約次數（Delinquencies_Over90_Days）：借款人過去90天違約次數。

（8）違約總金額（Amount Delinquent）：借款人個人賬戶中總共違約金額。

（9）過去6個月信用查詢次數（Inquires Last 6 Months）：借款人過去6個月被機構查詢的次數，反映投資者利用信用活動進行資金周轉的頻率。

（10）總信用查詢次數（Total Inquiries）：借款人歷史信用查詢次數。

（11）過去12個月的公開記錄（Public Records Last 12 Months）：借款人過去12個月的公開記錄次數，即這一時期內存在不良行為而被記錄的次數。

（12）信用卡使用（Bankcard Utilization）：借款人信用卡使用額度和總透支額度的百分比。

（13）總交易次數（Total Trade Items）：過去時間內借款人相關交易的累計次數。

（14）發(fā)布借款標時信用分數變化（Score Change at Time of Listing）：信用資料提交時借款人信用分數的變化。這是一個體現相對變化的量，如果籌資者信用變好則該值為正。

5. 時間變量

2008年11月，Prosper被SEC（美國證券交易委員會）要求暫停運營。2009年7月Prosper重新運營，相應的機制有所改變，為了避免可能對借款成功率和利率存在的影響，研究過程中引入了年份Y這個虛擬變量。

（四）描述性統(tǒng)計分析

表2給出了所有變量的描述性統(tǒng)計。從表2可以看出，觀測樣本中12%的借款人加入了群組，66%的借款人成功獲得貸款；共有9 406個觀測成功獲得借款，其中，借款人平均借款利率為17%，最大值為35%，最大成本為平均成本的2.05倍，這表明在通過Prosper平臺進行的籌資活動中，由于多種因素的影響，不同借款標的資金借貸成本存在較大差異；并且在籌款效率方面，標準差為413，借款標的滿標時間也存在較大的波動；成功獲得借款的樣本中有8 690個借款標的到期，其中違約率為25.1%，違約概率較低。借款者信用等級的均值為3.584，中位數為2，說明觀測樣本中借款人的信用等級處于中高地位。

表 2 主要變量的描述性統(tǒng)計

另外，從訂單自身信息來看，全部借款的借款金額的均值為7 720美元，最大值為35 000美元，即小額借款居多；借款期限的均值為兩年，說明Prosper平臺上籌資者大部分需要的是中長期借款。從借款人的各類信息來看，多數處于就業(yè)狀態(tài)且雇傭時間為3個月左右，多數人收入水平位于50 000～74 999美元之間，約有54.4%的借款人擁有住房。從歷史信用信息綜合看，觀測的大部分借款者擁有較低的違約記錄和較好的借款歷史。另外，可以看到，Prosper上的訂單數量在2007年至2009年呈遞減狀態(tài)，隨后至2012年達到最多，這說明了Prosper平臺改革前后的差別較大，引入“年份”作為控制變量是十分必要的。

（五）變量的相關性分析

表3給出了主要變量的Pearson相關系數矩陣。從表3中我們可以發(fā)現，Group和Credit之間的相關系數為0.123且在5%的水平下顯著，二者成正向關系，這表明信用等級越低，加入群組概率反而越大，與假設矛盾。同樣可以分析Group和Success、Rate、Efficient、Default之間的關系，從相關系數可以看到，加入群組的借款人其成功率更大、利率更低、效率更高，這和我們的假設比較相符，但加入群組的借款人事后違約率反而更大，這一定程度違反我們的直覺。然而，僅通過相關關系分析仍然無法證明本文假設的正確性，需要在控制其他變量不變的情況下進行更為嚴謹的實證分析。

表 3 Pearson相關系數矩陣

四、實證結果及討論

為了驗證上述假設，本文將以五個部分對實證結果展開分析和討論。

（一）加入群組與借款人的信用等級——假設1的分析討論

為了分析P2P借貸中哪些信用等級的借款人更傾向于加入群組，本文運用模型（1）來檢驗假設1，以是否加入群組為被解釋變量，以借款人信用等級為解釋變量，考察借款人信用等級對是否加入群組有無影響。為了排除其他因素的作用，將“借款人的各類信息變量”和“歷史信用信息變量”作為控制變量加入模型。由于被解釋變量Group是二元虛擬變量，因此本文采用Probit模型對模型（1）進行回歸，表4的第一、二列給出了回歸的結果。

從表4第一列可以看出，當模型（1）中只加入信用等級（Credit）時，Credit的系數在1%的水平下顯著為正，表明Credit數值越大，Group數值越大，意味著信用等級越低的借款人越傾向于加入群組，該結果與我們的研究假設相反。這可能有兩方面的原因，一方面在Prosper平臺上，分離均衡的條件不滿足，即較低信用等級的人加入群組的成本未必很高，因此是否加入群組失去了傳遞借款人信用等級的信號的功能；另一方面，信用等級低的人為了獲得貸款，愿意承擔加入群組的成本，但獲得貸款的收益遠遠大于此，這會促使信用等級低的人加入群組。表4第二列是加入兩類控制變量的回歸結果，從Credit的系數可以看出，加入兩類控制變量之后，該系數在1%的水平下依然顯著為正，與我們研究假設相悖。

（二）加入群組與借款成功率——假設2的分析討論

為了分析P2P網貸中加入群組的借款人的借款情況如何，本文運用模型（2）來檢驗假設2，以借款是否成功為被解釋變量，以是否加入群組為解釋變量，考察群組對借款是否成功有無預測功能。為了排除其他因素的影響，將X、W、H、Y作為控制變量加入回歸，同樣采用Probit模型對模型（2）進行回歸，表4的第三、四列給出了回歸的結果。

從表4第三列可以看到，當模型（2）中僅加入群組（Group）變量時，Group的系數在1%的水平下顯著為正，說明加入群組可以顯著提高借款人的借款成功率，這主要因為組內的成員之間往往存在親人或者朋友關系，組內借款人獲得群組內組員出資的概率更大，比僅僅依靠外部陌生投資者更容易滿標，從而獲得貸款。表4第四列是加入四類控制變量的回歸結果，主要研究變量中，信用等級對借款成功率的影響與大部分文獻結果相符（Klafft，2008；廖理等，2014），即信用等級越高，借款成功率越高；相反，利率對借款成功率的影響是負向的，利率是由資金供求情況決定的，在一定程度上能夠反映交易風險，高利率可能意味著高風險，該結果說明投資者并不偏好于風險較大的項目。從Group的系數來看，其在1%的水平下依然顯著為正，證明了假設2的推斷，即加入群組的借款人的借款成功率相對較高。

（三）加入群組與借款人籌集資金效率、借款利率——假設3的分析討論

為了考察在借款人加入群組是否能夠提高其籌資效率并降低借款利率，本文運用模型（3）和（4）來檢驗假設3，以成功借款的9 406個觀測為樣本，分別以籌資效率和借款利率為被解釋變量，以是否加入群組為核心解釋變量，同時加入四類控制變量以確保結果的準確性，探究加入群組對借貸行為的影響?；I資效率定義為借款金額/借款時間，描述了單位時間內隨機事件發(fā)生的次數，適用于Poisson回歸；利率變量是連續(xù)變量，適用于OLS回歸，兩個模型的回歸結果如表5第一、二列所示。

由表5第一列可知，Group的系數在1%的水平下顯著為正，說明加入群組可以提高借款人籌資效率，這主要是因為加入群組的借款人會獲得群組內組員的出資，而這種組內出資行為對外界釋放信號，引起投資者的關注和投資；主要研究變量中，信用等級越高，籌資效率越快；利率越高，籌資效率越慢，這同樣說明投資者并不偏好投資于風險較大的標。

由表5第二列可知，Group的系數在1%的水平下顯著為負，說明加入群組的借款人的借款利率更低，這主要是因為加入群組可以提高借款人籌資效率，羊群效應使得普通投資者跟風投標，從而壓低了競標利率；借款人信用等級越高，風險溢價越小，借款利率越低。

（四）加入群組對不同信用等級借款人的影響——假設4的分析討論

為了考察加入群組對哪部分信用等級的借款人的作用更大，本文通過加入交叉項Group×Credit，分別以全觀測和成功觀測為樣本，同時加入四類控制變量，運用模型（5）和（6）檢驗不同信用等級的借款人加入群組對借款成功率和借款利率影響的差異，兩個模型回歸結果如表5第三、四列所示。

由表5第三列可知，從核心變量的回歸系數看，Group的系數在1%的水平上顯著為正，且交叉項Group×Credit的系數在1%的水平也顯著為正，說明信用等級對Group與Success的關系存在調節(jié)效應，具體而言，Credit取值越大，即當信用等級比較低時，加入群組與借款成功率之間的正相關關系增強，表現為信用等級越差的借款人加入群組越可以明顯地增加借款成功率。

同理可以分析交叉項對借款利率的影響。由表5第四列可知，從核心變量的回歸系數看，Group的系數在1%的水平上顯著為負，且交叉項Group×Credit的系數在1%的水平上也顯著為負，說明信用等級對Group與Rate之間的關系存在調節(jié)效應，具體而言，Credit取值越大，即當信用等級比較低時，加入群組與借款成功率之間的負相關關系增強，表現為信用等級越差的借款人加入群組越可以明顯地降低借款利率。

（五）加入群組與借款人的還款表現——假設5的分析討論

為了分析加入群組的借款人的還款表現如何，本文運用模型（7）來檢驗假設5，以成功獲得借款的觀測中到期的8 690個借款標為樣本，以借款是否違約為被解釋變量，以是否加入群組為解釋變量，同時加入四類控制變量，考察群組對借款是否違約有無預測功能，本文采用Probit模型對模型（7）進行回歸，表5的第五列給出了回歸的結果。

由表5第五列可知，從核心變量的回歸系數看，Group的系數在1%的水平下顯著為正，表明加入群組的借款人不但沒有降低違約率，其還款表現反而惡化，與假設相矛盾。這可能是由于，一方面，借款人存在嚴重的道德風險，前文分析表明，信用等級越低的借款人越傾向于加入群組，低信用等級的借款人為了獲取自身利益，利用信息不對稱，通過加入群組把自己偽裝成高信用等級從而增大借款的成功率，這種“機會主義”和逐利行為促使借款人產生道德風險，所以大量低信用等級借款人的加入群組提高了違約率；另一方面，在Prosper平臺上，群組分為基于真實關系（親戚、朋友）一類和沒有實際聯系（校友集群、相同教育集群）一類，后者的群組負責人雖然獲得了提成，但是并沒有有效地管理和監(jiān)督組員，而此類群組的成員由于并不存在實際的社交紐帶，違約對于自己的實際信譽影響不大。

另外主要研究變量中，信用等級越低，意味著借款人信用風險越大，違約率越高；利率越高，違約風險越大。Emekter等（2015）運用Lending Club上的借款數據證實了這點，他們認為投資者對高風險借款人收取更高利率并不能彌補借款人違約后自身的損失，在逆向選擇和道德風險的雙重作用之下，更高的利率只會導致更高的違約風險和壞賬概率。

從前文的回歸結果來看，本文的五個假設中第二、三、四個假設得到了驗證，但實證結果并不支持第一個和第五個假設。另外，從模型（1）至（7）回歸方差的方差膨脹因子看，最大的不超過10，因此不存在多重共線性；方程通過F檢驗，并且控制變量的系數大多是顯著的，也證明了本文所選的控制變量的有效性。

五、穩(wěn)健性檢驗

為了驗證上述實證結果的穩(wěn)健性，本文將采用以下三種方法進行檢驗：一是計量方法選擇，二是選取不同的樣本，三是替換相關變量。

（一）計量方法

方程（1）、（2）、（5）中，二元虛擬變量如Group、Success作為被解釋變量，Probit回歸是基于殘差服從正態(tài)分布的假設，如果改變殘差分布函數的性質可能會導致結論發(fā)生變化。為了排除計量方法的選擇偏誤，我們采用另一種二元回歸模型——Logit模型對方程（1）、（2）、（5）進行穩(wěn)健性檢驗，以進一步考察加入群組與借款人信用等級和成功率之間的關系。結果如表6的第一、二、五列所示，可以看出，與之前的結果相比，主要研究變量的系數和符號都比較穩(wěn)定，其顯著性水平也沒有明顯變化，說明前文的結果具有較好的穩(wěn)健性。

表 6 穩(wěn)健性檢驗

（二）重選樣本

方程（4）、（6）、（7）中，利率Rate、違約率Default作為被解釋變量，采用的樣本觀測的時間點跨度為2007年至2012年，期間受2008年金融危機的影響，一方面，平臺上投資者的風險要價較其他年份大有不同；另一方面，P2P平臺上的借款人收入狀況、負債余額、資金投資回報等存在較大波動，這會影響其事后還款狀態(tài)。因此為排除宏觀經濟影響，本文選取2012年的觀測為樣本，對方程（4）、（6）、（7）進行穩(wěn)健性檢驗，以進一步考察加入群組對借款利率和違約率的影響，得到的回歸結果如表6的第四、六、七列所示，在重選樣本之后，主要研究變量的系數符號沒有發(fā)生變化，唯一不同的是各系數大小和顯著性水平存在局部差異，說明樣本時期的選擇對結果不會造成影響。

（三）變量替換

方程（3）中，籌資效率Efficient作為被解釋變量，測算時，本文采用每一筆借款的金額/借款存續(xù)時間來衡量，并且在控制變量將借款總額剔除，此處，借鑒廖理等（2014）的做法，直接采用借款存續(xù)時間衡量籌資效率，但將借款總額加入控制變量，對方程（3）進行穩(wěn)健性檢驗，結果如表6的第三列所示，Group的回歸系數表明加入群組可以降低籌資時間，進一步證實了加入群組對籌資效率的影響。

綜上所述，無論是在計量方法、樣本選擇還是變量替換方面，我們都發(fā)現群組對P2P平臺上借貸行為的影響，而且按上述三種穩(wěn)健性檢驗的方法所得回歸結果與前文分析結果一致，表明本文的研究結論是穩(wěn)健的。

六、結論與政策建議

（一）研究結論

本文選取Prosper網絡借貸平臺上2007年至2012年的借貸交易數據為樣本，實證分析了群組制度對P2P網絡借貸行為的影響，主要結論為：（1）信用等級較低的借款人更傾向于加入群組；（2）相對于未加入群組的借款人，加入群組可以提高借款人獲得貸款的概率；（3）加入群組可以顯著地降低借款利率、提高籌資效率；（4）對于信用等級較低的借款人，加入群組對借款成功率和借款利率對其影響更為明顯；（5）加入群組的借款人事后違約率偏高。

（二）政策建議

Prosper平臺具有獨特的群組功能，這是國內P2P網貸平臺尚不具備的。在目前我國征信體系尚不完善的背景下，本文的研究能夠為國內P2P網貸的進一步發(fā)展提供有益的借鑒。根據本文的實證結論，我們提出以下三點政策建議：

（1）建立適合中國目前信用體系的P2P網貸平臺的群組制度，幫助實現“軟信息”的披露，從而降低信息不對稱程度，提高借款成功率、降低借款利率、提高籌資效率，為信用等級相對較低的借款人提供一種增加信任度的渠道。

（2）如果每個借款人都能以較低的成本加入群組，那么群組屬性的“分離作用”將會失效，因此對于信用等級較低的借款人，應設置較高的加入門檻，實現“分離均衡”，讓群組具備傳遞借款人信用等級信號的功能。

（3）設計合理的群組組長激勵機制，鼓勵群組組長認真預審群組成員的借款標的。并非所有加入群組的信息都是真實可信任的，Prosper上的群組信息有一定比例是無效的，只有當群組成員在真實生活中有聯系的時候，加入組群才能顯著地降低違約風險（Everett，2015），因此在重點監(jiān)管非真實關系的群組組員還款進度的同時，需要設計合理的群組組長激勵機制，提高群組組長維護群組聲譽的積極性，促使群組組長嚴格監(jiān)控組員還款進度，督促其按時還款。

[1]方先明, 李瑞文, 李小琳. 網貸平臺資金借貸價格影響因素研究——基于Prosper平臺數據的檢驗[J]. 當代經濟科學, 2016,（1）: 48–57.

[2]廖理, 李夢然, 王正位. 聰明的投資者: 非完全市場化利率與風險識別——來自P2P網絡借貸的證據[J]. 經濟研究, 2014,（7）: 125–137.

[3]廖理, 李夢然, 王正位, 等. 觀察中學習: P2P網絡投資中信息傳遞與羊群行為[J]. 清華大學學報（哲學社會科學版）, 2015,（1）: 156–165.

[4]裴平, 蔡越. 群組制度對P2P網貸平臺借款成功率和借款利率的影響——基于Prosper.com樣本數據的實證檢驗[J]. 經濟理論與經濟管理, 2016, 36: 5–15.

[5]皮天雷, 趙鐵. 互聯網金融: 范疇、革新與展望[J]. 財經科學, 2014, （6）: 22–30.

[6]王會娟, 廖理. 中國P2P網絡借貸平臺信用認證機制研究——來自“人人貸”的經驗證據[J]. 中國工業(yè)經濟, 2014, （4）: 136–147.

[7]謝平, 鄒傳偉. 互聯網金融模式研究[J]. 金融研究, 2012, （12）: 11–22.

[8]Berger S C, Gleisner F. Emergence of financial intermediaries in electronic markets: The case of online P2P lending[J]. Business Research, 2009, 2（1）: 39–65.

[9]Duarte J, Siegel S, Young L. Trust and credit: The role of appearance in Peer-to-Peer lending[J]. Review of Financial Studies, 2012, 25（8）: 2455–2484.

[10]Emekter R, Tu Y B, Jirasakuldech B, et al. Evaluating credit risk and loan performance in online Peer-to-Peer （P2P）lending[J]. Applied Economics, 2015, 47（1）: 54–70.

[11]Guiso L, Sapienza P, Zingales L. The role of social capital in financial development[J]. American Economic Review, 2004, 94（3）: 526–556.

[12]Karlan D S. Social connections and group banking[J]. The Economic Journal, 2007, 117（517）: 52–84.

[13]Larrimore L, Jiang L, Larrimore J, et al. Peer to peer lending: The relationship between language features, trustworthiness, and persuasion success[J]. Journal of Applied Communication Research, 2011, 39（1）: 19–37.

[14]Lin M F, Prabhala N R, Viswanathan S. Judging borrowers by the company they keep: Friendship networks and information asymmetry in online Peer-to-Peer lending[J]. Management Science, 2013, 59（1）: 17–35.

[15]Liu D, Brass D, Lu Y, et al. Friendships in online Peer-to-Peer lending: Pipes, prisms, and relational herding[J]. MIS Quarterly, 2015, 39（3）: 729–742.

[16]Loughran T, McDonald B. Measuring readability in financial disclosures[J]. The Journal of Finance, 2014, 69（4）: 1643–1671. [17]Michels J. Do unverifiable disclosures matter? Evidence from peer-to-peer lending[J]. The Accounting Review, 2012, 87（4）: 1385–1413.

[18]Pope D G, Sydnor J R. What’s in a picture? Evidence of discrimination from Prosper.com[J]. Journal of Human Resources, 2011, 46（1）: 53–92.

[19]Spence M. Job market signaling[J]. The Quarterly Journal of Economics, 1973, 87（3）: 355–374.

[20]Sonenshein S, Herzenstein M, Dholakia U M. How accounts shape lending decisions through fostering perceived trustworthiness[J]. Organizational Behavior and Human Decision Processes, 2011, 115（1）: 69–84.

[21]Stein J C. Information production and capital allocation: Decentralized versus hierarchical firms[J]. The Journal of Finance, 2002, 57（5）: 1891–1921.

[22]Tan K W P, Swee D, Lim C, et al. The impact of language variety and expertise on perceptions of online political discussions[J]. Journal of Computer-Mediated Communication, 2007, 13（1）: 76–99.

Can Borrowers Hold Together for Warmth? The Effects of Group System on P2P Lending Behavior

Peng Hongfeng, Yang Liuming
（School of Economics and Management, Wuhan University, Wuhan 430072, China）

Banks and enterprises make full use of market resources and integrate them through“baotuan” and alliances. Holding together can push banks and enterprises to inject the strong vitality of competition and development, to join hands to cope with the grim situation, and to pull through the“economic winter”. Then in the field of internet finance, can borrowers hold together for warmth just like banks or enterprises? This paper uses lending transaction data from the Prosper network lending platform as the sample to test the impact of group system on lending behavior from five perspectives. The main results show that: different borrowers have different strategies on joining the groups. Borrowers can hold together for warmth to a certain extent, but the “warmth effect” varies with different borrowers. Specifically speaking, firstly, the borrowers with lower credit rating are more inclined to join the groups, and the effects of joining the groups on the success and interest rates of borrowing are more obvious; secondly, to join the groups can increase the success rate of borrowing, reduce interest rates and raise borrowing efficiency, but for the borrowers in the groups, their repayment performance is not good and they have higher default rates. It provides a useful reference for the healthy development of domestic P2P network platform lending.

group system; the success rate of borrowing; borrowing cost; borrowing efficiency; default rate

F270

A

1001-4950(2017)05-0085-15

（責任編輯：子 文）

10.16538/j.cnki.fem.2017.05.007

2016-07-28

國家自然科學基金重點項目（71631005）；湖北省教育廳哲學社會科學研究重大項目（16ZD003）；武漢大學人文社會科學青年學者學術團隊建設計劃資助（16WSKTD008）

彭紅楓（1976—），男，武漢大學經濟與管理學院教授，博士生導師；

楊柳明（1991—），男，武漢大學經濟與管理學院碩士研究生（通訊作者）。