崔婷，劉家麒

（1.廣東財(cái)經(jīng)大學(xué)會(huì)計(jì)學(xué)院，廣州510320；2.中國(guó)銀監(jiān)會(huì)深圳監(jiān)管局，廣東深圳518000）

0 引言

近年來(lái)，國(guó)內(nèi)網(wǎng)絡(luò)借貸行業(yè)蓬勃發(fā)展，其交易平臺(tái)數(shù)量、交易規(guī)模在短期內(nèi)出現(xiàn)爆發(fā)式的增長(zhǎng)。據(jù)統(tǒng)計(jì)，截至2017年10月末，國(guó)內(nèi)正常運(yùn)營(yíng)的P2P網(wǎng)貸平臺(tái)數(shù)量超過(guò)2600家，行業(yè)成交額達(dá)到1802.76億元。國(guó)內(nèi)外學(xué)者對(duì)P2P網(wǎng)絡(luò)借貸行業(yè)的研究熱度也不斷增加，研究范圍主要包括用戶(hù)交易行為的影響因素、羊群行為、利率波動(dòng)、網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)及對(duì)策方面。其中，網(wǎng)貸利率的影響因素研究多以單一平臺(tái)內(nèi)部風(fēng)控信息為切入點(diǎn)，分析網(wǎng)絡(luò)借款人的財(cái)務(wù)信息[1]、信用評(píng)級(jí)[2]、逾期情況[3]等對(duì)網(wǎng)貸成交利率的影響。國(guó)內(nèi)學(xué)者關(guān)于網(wǎng)貸利率的實(shí)證研究大多以拍拍貸平臺(tái)數(shù)據(jù)為分析對(duì)象，討論信用等級(jí)、違約情況、認(rèn)證信息數(shù)量等因素與成交利率之間的關(guān)聯(lián)關(guān)系[4]。

網(wǎng)絡(luò)借貸行業(yè)具有典型的雙邊市場(chǎng)（Two-sided market）結(jié)構(gòu)，與上述研究不同，本文跳出運(yùn)用單一平臺(tái)內(nèi)“硬信息”[5]和“軟信息”[6]等微觀信息來(lái)分析網(wǎng)貸利率與用戶(hù)行為的框架，從雙邊市場(chǎng)理論的視角建立數(shù)理模型，探究影響網(wǎng)絡(luò)借貸成交利率的主要因素。進(jìn)而以多家國(guó)內(nèi)具有代表性的P2P網(wǎng)貸平臺(tái)面板數(shù)據(jù)為樣本，通過(guò)設(shè)立實(shí)證模型論證數(shù)理模型中推導(dǎo)出的結(jié)論與命題。

1 模型構(gòu)建與均衡求解

1.1 模型構(gòu)建

Rochet和Tirole（2003）[7]闡述了雙邊市場(chǎng)的結(jié)構(gòu)特征及典型范例，并率先給其進(jìn)行定義：當(dāng)平臺(tái)向需求雙方索取的價(jià)格總水平P=PB+PS不變時(shí)（PB為用戶(hù)B的價(jià)格，PS為用戶(hù)S的價(jià)格），任何用戶(hù)方價(jià)格的變化都會(huì)對(duì)平臺(tái)的總需求和交易量產(chǎn)生直接的影響，這個(gè)平臺(tái)市場(chǎng)被稱(chēng)之為雙邊市場(chǎng)。可見(jiàn)，網(wǎng)絡(luò)借貸平臺(tái)具有典型的雙邊市場(chǎng)結(jié)構(gòu)。其中，平臺(tái)兩邊的用戶(hù)分別為投資人和融資人。為實(shí)現(xiàn)平臺(tái)利潤(rùn)的最大化，平臺(tái)往往通過(guò)對(duì)融資人或投資人的收益部分進(jìn)行收費(fèi)，計(jì)費(fèi)模式一般為按成交借貸金額的固定比例收取服務(wù)費(fèi)用。同時(shí)，由于雙邊市場(chǎng)的交叉網(wǎng)絡(luò)外部性的作用，投資人和融資人之間相互存在一定的正外部性，從而增加平臺(tái)雙邊用戶(hù)的總體效用。

本文的基礎(chǔ)模型參照Belleflamme和Peitz（2010）[8]的模型設(shè)定，并放松了其對(duì)平臺(tái)營(yíng)利性質(zhì)的限制。根據(jù)Armstrong（2006）[9]和Armstrong和Wright（2007）[10]的雙邊市場(chǎng)競(jìng)爭(zhēng)模型，假設(shè)網(wǎng)絡(luò)借貸市場(chǎng)中投資人和融資人為同質(zhì)化的，即投資人與融資人之間沒(méi)有完全隔離的界限，假設(shè)模型中投資人、融資人的效用函數(shù)為：

競(jìng)爭(zhēng)型網(wǎng)絡(luò)借貸平臺(tái)外部性模型采用了標(biāo)準(zhǔn)的豪特林模型（Hotelling Model）的研究框架[10]。假設(shè)存在兩家網(wǎng)絡(luò)借貸平臺(tái)i和j分別位于Hotelling線性市場(chǎng)[0,1]的兩端，投資人和融資人通過(guò)平臺(tái)進(jìn)行交易，且分別需要向平臺(tái)支付服務(wù)費(fèi)用PI和PB。因此，網(wǎng)絡(luò)借貸平臺(tái)i的利潤(rùn)函數(shù)可以設(shè)為：

將投資人的數(shù)量標(biāo)準(zhǔn)化為單位1，均勻分布在線性市場(chǎng)[]0,1之間。x表示平臺(tái)上投資人的類(lèi)型。因此，網(wǎng)絡(luò)借貸平臺(tái)i和j上投資人的效用函數(shù)為：

其中，u表示投資人使用網(wǎng)絡(luò)借貸平臺(tái)進(jìn)行投資時(shí)所獲得的基礎(chǔ)效用。為了簡(jiǎn)化模型，前文已假設(shè)網(wǎng)絡(luò)借貸市場(chǎng)中投資人和融資人為同質(zhì)化的，則其交叉網(wǎng)絡(luò)外部性系數(shù)a及組內(nèi)網(wǎng)絡(luò)外部性系數(shù)β相同。顯然，存在a＞0，β＜0。t為投資人的“單位轉(zhuǎn)移成本（Unit transportation cost），表示網(wǎng)絡(luò)借貸平臺(tái)的橫向差異化對(duì)投資人效用的影響，且t＞0。

1.2 模型均衡求解及假設(shè)提出

同理，平臺(tái)i上融資人數(shù)量可以表示為：

不考慮違約風(fēng)險(xiǎn)的情況，聯(lián)立式（8）和式（9），可以解得：

其中，存在t+α-β＞0。由式（12）可以看出，網(wǎng)絡(luò)借貸利率提高，平臺(tái)上投資人數(shù)量會(huì)相應(yīng)增加，融資人數(shù)量會(huì)減少；其他平臺(tái)借貸利率的變動(dòng)會(huì)與平臺(tái)借貸利率同向變化；另外，網(wǎng)絡(luò)平臺(tái)對(duì)投資人、融資人收取的費(fèi)用也會(huì)對(duì)平臺(tái)上借貸利率產(chǎn)生影響。

假設(shè)1：網(wǎng)貸成交利率受到平臺(tái)雙邊用戶(hù)供求關(guān)系的影響，即網(wǎng)貸成交利率與平臺(tái)上的投資人數(shù)量有正向關(guān)聯(lián)關(guān)系，與平臺(tái)上融資人數(shù)量存在負(fù)向關(guān)聯(lián)關(guān)系。

假設(shè)2：網(wǎng)貸成交利率受到市場(chǎng)資金成本的影響，即網(wǎng)貸成交利率與其他平臺(tái)借貸成交利率等存在正向關(guān)聯(lián)關(guān)系。

2 模型設(shè)定、變量選取和數(shù)據(jù)說(shuō)明

2.1 模型設(shè)定

綜合上述數(shù)理模型及實(shí)證變量研究，本文試通過(guò)建立計(jì)量模型來(lái)論證網(wǎng)絡(luò)借貸利率的影響因素，模型的被解釋變量為網(wǎng)絡(luò)借貸平均成交利率指標(biāo)。解釋變量包括平臺(tái)上的投資人數(shù)量、融資人數(shù)量和其他平臺(tái)借貸利率。控制變量包括行業(yè)平均成交利率、同業(yè)拆放利率、民間借貸利率指數(shù)、平臺(tái)交易規(guī)模、平臺(tái)平均借款期限和平臺(tái)借貸成交率。假設(shè)自變量rate與上述因變量之間存在線性關(guān)系，對(duì)于平臺(tái)i在時(shí)期t，設(shè)定基本實(shí)證模型為：

2.2 變量選取

本文選取主要研究變量如下：

網(wǎng)絡(luò)借貸平均成交利率（rate）：在網(wǎng)絡(luò)借貸平臺(tái)每一單撮合交易中，融資人均會(huì)自己設(shè)置一個(gè)其接受范圍內(nèi)的融資利率；一旦投資人接受融資人提出的融資利率進(jìn)而向其標(biāo)的提供融資資金，那么這一單撮合交易便可以視為成交。被研究平臺(tái)一個(gè)交易日內(nèi)所有成交利率的平均值便為網(wǎng)絡(luò)借貸平均成交利率。

投資人數(shù)量（num-invest）：在網(wǎng)絡(luò)借貸平臺(tái)上登記注冊(cè)，并參與融資標(biāo)的投資的投資人數(shù)量。

融資人數(shù)量（num-borr）：在網(wǎng)絡(luò)借貸平臺(tái)上登記注冊(cè)，并參與融資標(biāo)的發(fā)標(biāo)的融資人數(shù)量。

行業(yè)平均利率指標(biāo)（indus-rate）：在一個(gè)交易日內(nèi)國(guó)內(nèi)所有網(wǎng)絡(luò)借貸平臺(tái)借貸成交利率指標(biāo)的平均值。

同業(yè)拆放利率（shibor）：即上海銀行間同業(yè)拆放利率，是銀行間市場(chǎng)、資本市場(chǎng)等金融市場(chǎng)資金是否充足的晴雨表。反映銀行機(jī)構(gòu)間資金成本、資金松緊程度。

民間借貸利率指數(shù)（social-rate）：即在一個(gè)交易日內(nèi)綜合民間借貸服務(wù)中心利率、小額貸款公司放款利率、民間資本管理公司融資價(jià)格、社會(huì)直接借貸利率等的民間借貸利率綜合指數(shù)。反映民間資金成本、資金松緊程度。

平臺(tái)交易規(guī)模（TOT）：在一個(gè)交易日內(nèi)網(wǎng)絡(luò)借貸平臺(tái)待還款金額的按日余額。

平臺(tái)平均借款期限（duration）：網(wǎng)絡(luò)借貸平臺(tái)上每一個(gè)成交借貸中，融資人均會(huì)設(shè)定一個(gè)借款期限，從數(shù)天到數(shù)年不定，所有成交借貸中借款期限的平均值即為平臺(tái)平均借款期限。

平臺(tái)借貸成交率（deal-rate）：平臺(tái)借貸成交率是以單一平臺(tái)按日成交數(shù)量與投資人投標(biāo)數(shù)量的比值來(lái)表示。

2.3 數(shù)據(jù)說(shuō)明

本文實(shí)證研究的樣本包括拍拍貸、宜貸網(wǎng)、微貸網(wǎng)、紅嶺創(chuàng)投和積木盒子這5家國(guó)內(nèi)最具有代表性的P2P網(wǎng)絡(luò)借貸平臺(tái)。上述5家平臺(tái)的成交額在國(guó)內(nèi)P2P借貸機(jī)構(gòu)中位列前茅，相對(duì)于行業(yè)內(nèi)其他網(wǎng)絡(luò)借貸平臺(tái)，其樣本數(shù)量較多、數(shù)據(jù)質(zhì)量較好，適合于描繪國(guó)內(nèi)P2P網(wǎng)絡(luò)借貸市場(chǎng)各類(lèi)經(jīng)濟(jì)特征的輪廓。鑒于行業(yè)本身處于待規(guī)范階段，缺乏標(biāo)準(zhǔn)與系統(tǒng)的數(shù)據(jù)來(lái)源，難以獲得較長(zhǎng)時(shí)間段的系統(tǒng)性連續(xù)數(shù)據(jù)。本文從網(wǎng)絡(luò)公開(kāi)數(shù)據(jù)中獲得上述P2P借貸機(jī)構(gòu)2017年中4月23日起共計(jì)183個(gè)交易日的有關(guān)平臺(tái)投資人、融資人交易數(shù)量、平均成交利率、平臺(tái)交易余額、平均借款期限等統(tǒng)計(jì)數(shù)據(jù)。通過(guò)Choice金融數(shù)據(jù)平臺(tái)獲取相同時(shí)間段的民間借貸利率、同業(yè)拆放利率等相關(guān)指標(biāo)數(shù)據(jù)。

3 實(shí)證分析

表1給出了變量之間的相關(guān)系數(shù)以及顯著性水平，從表1中可以簡(jiǎn)單看出部分變量之間存在顯著的關(guān)聯(lián)關(guān)系。一是網(wǎng)絡(luò)借貸成交利率與行業(yè)平均成交利率、同業(yè)拆放利率等資金成本指標(biāo)呈現(xiàn)出較強(qiáng)的正向相關(guān)關(guān)系。說(shuō)明網(wǎng)絡(luò)借貸利率的形成受到市場(chǎng)資金成本、資金松緊的影響；二是平臺(tái)上投資人數(shù)量與平臺(tái)借貸成交利率存在關(guān)聯(lián)，可見(jiàn)供求關(guān)系直接作用于借貸資金的價(jià)格；三是網(wǎng)絡(luò)借貸成交利率和平均借款期限、平臺(tái)交易規(guī)模、平臺(tái)借貸成交率之間有顯著的負(fù)相關(guān)關(guān)系，說(shuō)明平臺(tái)間的橫向差異化水平也影響了網(wǎng)絡(luò)借貸利率的形成。另外，在表1中，融資人的數(shù)量與網(wǎng)絡(luò)借貸利率存在不顯著的負(fù)向關(guān)聯(lián)關(guān)系，這與上文數(shù)理模型推導(dǎo)結(jié)論以及現(xiàn)實(shí)經(jīng)濟(jì)情況存在差異。但表中僅為簡(jiǎn)單相關(guān)關(guān)系，為了給本文提供更嚴(yán)謹(jǐn)?shù)淖C據(jù)，本文將會(huì)通過(guò)實(shí)證研究對(duì)網(wǎng)貸利率形成的影響因素進(jìn)行分析。

本文運(yùn)用STATA12計(jì)量軟件，對(duì)上述5家網(wǎng)絡(luò)借貸平臺(tái)的相關(guān)面板數(shù)據(jù)，運(yùn)用多元線性回歸分析方法進(jìn)行實(shí)證研究。通過(guò)Hausman檢驗(yàn)，P值為0（chi2=724.77），在1%的水平上拒絕隨機(jī)效應(yīng)。因此，綜合Hausman檢驗(yàn)的結(jié)果和數(shù)據(jù)結(jié)構(gòu)，采用固定效應(yīng)（FE）穩(wěn)健估計(jì)的計(jì)量方法對(duì)面板數(shù)據(jù)進(jìn)行逐步回歸，并且運(yùn)用以下四個(gè)計(jì)量模型分別論證供求關(guān)系、資金成本、平臺(tái)橫向差異化水平等對(duì)網(wǎng)絡(luò)借貸利率的影響。其中，為了論證網(wǎng)絡(luò)借貸利率是否受到平臺(tái)雙邊借貸用戶(hù)供求關(guān)系的影響，可以根據(jù)表2中的模型（1），以平臺(tái)上融資人和投資人的數(shù)量作為解釋變量，控制市場(chǎng)利率、平臺(tái)規(guī)模等因素的干擾。

從表2中模型（1）的結(jié)果可以看出，平臺(tái)上融資人數(shù)量的系數(shù)為-0.0000183，投資人的數(shù)量的系數(shù)為0.0000260，且均在1%的統(tǒng)計(jì)水平下顯著。同時(shí)模型的擬R2達(dá)到10.32%。該結(jié)果說(shuō)明：網(wǎng)貸成交利率與平臺(tái)上的投資人數(shù)量有正向關(guān)聯(lián)關(guān)系，與平臺(tái)上融資人數(shù)量存在負(fù)向關(guān)聯(lián)關(guān)系。網(wǎng)絡(luò)借貸利率提高，平臺(tái)上投資人數(shù)量會(huì)相應(yīng)增加，融資人數(shù)量會(huì)減少，反之同理。同時(shí)，其他平臺(tái)借貸利率的變動(dòng)會(huì)與平臺(tái)借貸利率同向變化。假設(shè)1得證。

表2中模型（2）在解釋變量的基礎(chǔ)上加入指代橫向差異化的控制變量，從模型的結(jié)果能夠看出，網(wǎng)絡(luò)借貸交易中平臺(tái)交易規(guī)模、平均借款期限和平臺(tái)借貸成交率的系數(shù)分別為0.0000310、0.00225、0.00110，且均在1%的統(tǒng)計(jì)水平下顯著，模型的擬R2達(dá)到10.32%?？梢?jiàn)，橫向差異化水平直接作用于網(wǎng)絡(luò)借貸利率的形成。其中，平臺(tái)交易規(guī)模與平臺(tái)借貸成交率正相關(guān)于網(wǎng)絡(luò)成交利率，說(shuō)明融資人選擇成交率高、成交量大的借貸平臺(tái)進(jìn)行交易需要付出更多的資金成本。而且長(zhǎng)周期的借款往往伴隨的是更高的成交利率，這與Collier（2010）[11]的研究結(jié)論相似。

表1 變量相關(guān)系數(shù)

表2 網(wǎng)絡(luò)借貸利率的影響因素研究

那么，除了平臺(tái)上雙邊借貸用戶(hù)的供求關(guān)系，其他市場(chǎng)資金指標(biāo)是否會(huì)對(duì)網(wǎng)絡(luò)借貸成交利率產(chǎn)生影響？通過(guò)表2中模型（3）和模型（4）可以發(fā)現(xiàn)，反映銀行間市場(chǎng)資金成本的同業(yè)拆放利率與網(wǎng)絡(luò)借貸成交利率存在顯著的正相關(guān)關(guān)系，且在1%的統(tǒng)計(jì)水平下顯著，模型的擬R2達(dá)到23.78%。另外，在模型（3）中，反映民間市場(chǎng)資金成本的民間借貸利率指數(shù)與網(wǎng)絡(luò)借貸成交利率的系數(shù)為0.0845，且在10%的統(tǒng)計(jì)水平下顯著，假設(shè)2得證。

4 結(jié)論

與傳統(tǒng)產(chǎn)業(yè)相比，雙邊市場(chǎng)所具有的交叉網(wǎng)絡(luò)外部性、用戶(hù)依賴(lài)性等特征會(huì)使得網(wǎng)絡(luò)借貸行業(yè)的市場(chǎng)結(jié)構(gòu)特征呈現(xiàn)差異。本文運(yùn)用雙邊市場(chǎng)理論對(duì)網(wǎng)絡(luò)借貸平臺(tái)進(jìn)行模型研究和實(shí)證檢驗(yàn)，通過(guò)建立數(shù)理模型推導(dǎo)出網(wǎng)貸成交利率受到平臺(tái)雙邊用戶(hù)供求關(guān)系和市場(chǎng)資金成本的影響。進(jìn)而構(gòu)建并估計(jì)關(guān)于上述數(shù)理模型結(jié)論，發(fā)現(xiàn)網(wǎng)絡(luò)借貸利率同時(shí)受到平臺(tái)上雙邊借貸用戶(hù)的供求關(guān)系以及市場(chǎng)資金成本的影響，且這兩大因素的影響比較顯著，其形成機(jī)制呈現(xiàn)出高度市場(chǎng)化的特征。

綜上所述，網(wǎng)貸成交利率的形成并非孤立因素所左右，而是其平臺(tái)內(nèi)外部多重因素共同作用的結(jié)果。一方面，網(wǎng)絡(luò)借貸平臺(tái)內(nèi)部的融資人和投資人對(duì)投融資標(biāo)的的供給與需求直接作用于其平臺(tái)成交利率的形成。另一方面，網(wǎng)絡(luò)借貸平臺(tái)外部的其他平臺(tái)成交利率、機(jī)構(gòu)間融資利率、民間借貸利率等行業(yè)內(nèi)外資金成本情況也影響了平臺(tái)網(wǎng)貸成交利率的變動(dòng)。網(wǎng)絡(luò)借貸行業(yè)作為互聯(lián)網(wǎng)金融產(chǎn)業(yè)的重要組成部分，為社會(huì)中的“長(zhǎng)尾”投資人和融資人提供了投融資渠道，并形成了自成一體的撮合定價(jià)機(jī)制以及高度市場(chǎng)化的交易利率形成體系，將會(huì)逐漸成為傳統(tǒng)金融市場(chǎng)的有效補(bǔ)充。

[1]Freedman S,Jin G Z.Do Social Networks Solve Information Problems for Peer-to-Peer Lending?Evidence From Prosper.com[J].Social Science Electronic Publishing,2008,8(43).

[2]Krumme K A,Herrero S.Lending Behavior and Community Structure in an Online Peer-to-Peer Economic Network[C].International Conference on Computational Science and Engineering.IEEE Computer Society,2009.

[3]Kumar R,Liu Y,Ross K.Stochastic Fluid Theory for P2P Streaming Systems[C].INFOCOM 2007.IEEE International Conference on Computer Communications,IEEE,2007.

[4]廖理,李夢(mèng)然,王正位.聰明的投資者:非完全市場(chǎng)化利率與風(fēng)險(xiǎn)識(shí)別——來(lái)自P2P網(wǎng)絡(luò)借貸的證據(jù)[J].經(jīng)濟(jì)研究,2014,(7).

[5]Lin M F.Peer-to-peer lending:An Empirical Study[J].Doctoral Consortium,2009,(12).

[6]Petersen M A.Information:Hard and Soft[D].Illinois：Kellogg School of Management,2004.

[7]Rochet J C,Tirole J.Platform Competition in Two-sided Markets[J].Journal of the European Economic Association,2003,1(4).

[8]Belleflamme P,Peitz M.Platform Competition and Seller Investment Incentives[J].European Economic Review,2010,54(8).

[9]Armstrong M.Competition in Two-sided Markets[J].RAND Journal of Economics,2006,3(37).

[10]Armstrong M,Wright J.Two-sided Markets,Competitive Bottlenecks and Exclusive Contracts[J].Economic Theory,2007,32(2).

[11]Collier B C,Hampshire R.Sending Mixed Signals:Multilevel Reputation Effects in Peer-to-Peer Lending Markets[C].ACM Conference on Computer Supported Cooperative Work.ACM,2010.