地方金融约束下网络借贷的普惠金融功能研究

◎赵莉娜 周丹

引言

利用网络与通讯技术，网络借贷拓展了传统金融机构营业的地理限制，降低了交易成本，在业务上提高了金融交易的包容性（谢平等，2015；王博等，2017）。

但传统研究认为，“距离”是金融机构向借款人提供资金等金融服务时会考虑的重要因素之一。如Petersen and Rajan(2002)的研究证明，银行在向小企业提供贷款时会更关注与借款人的距离远近。Guiso et al.(2004)的经典研究也认为，距离因素对于银行业务来说是至关重要的。而“距离”不仅表现为地理空间上的远近，而且也体现在文化、传统和信用环境等方面的相似性。Hahn(2014)、Fisman et al.(2017)等研究发现，借贷双方间的文化相似性(Cultural Proximity)会有助于提升贷款规模，保证贷款质量和减少贷后的违约风险。Giannetti and Yafeh(2012)和Beck et al.(2018)的研究证明，银行的贷款规模、利率及银行的贷款决策都会显著受到交易双方文化相似性(Culture similarity)或文化距离(Culture Distance)的影响。

对于处于体制外的民间金融交易来说1，其借贷契约也多遵从地域性的“乡规”“俗例”，多依赖血缘、地缘或熟人网络来保证借贷交易的达成与风险控制2（彭凯翔等，2008；张龙耀等，2013；张博、范辰辰，2018）。如根据张博、范辰辰（2018）的调查，小额贷款公司本地员工的占比为95.7%，总经理为本地人的比率达到95.5%，89%的小贷业务需要熟人推荐，保证贷款的占比为76%，熟人贷款的占比则达到了63%。而在网络贷款平台的平稳发展时期，其与小额贷款公司类似，在其所促成的信用贷款交易中，借贷双方也都有着明显的本地化倾向(Lin and Viswanathan， 2015) 。

随着我国信用制度与信用环境的不断改善，在当前许多金融科技的交易场景中（包括网络借贷），信用要素已经取代抵质押物成为融资者获取金融资源支持的唯一条件。信用环境越好，银行越会降低企业和个人的融资担保要求，而发放更多消费贷款和信用贷款（Biggart and Castanias， 2001；钱先航、曹春方，2013）。如Guiso et al.(2004， 2008)的研究证实，地方金融发展中的信用环境、社会资本，对于制度不完善的地区来说作用更为明显3。Ang et al.(2009)也指出，在法律执行弱的地区，社会资本（含信用要素）发挥了保证金融交易顺利达成的关键作用。因此，通过信用制度环境，地方金融发展的实质性经济影响也会得到越来越多的表现（潘越等，2010）。

如前所述，本文从网络借贷订单的微观影响因素着眼，实证研究地方金融发展是否在宏观经济影响之外，在微观层面依然会显著影响网络借款订单的达成、借款金额和借款利率等。针对长尾借款群体，互联网金融的网络借贷业务是否已摆脱了地方金融要素的地域限制？处于金融科技时代的普惠金融，互联网金融的业务是否会降低了地方金融发展的重要性？这些问题契合了对于互联网金融创新业务发展的反思，在现有文献中也少有专门与系统的实证研究，本文研究的新贡献主要体现在：1.从网络借款订单的微观视角，从“借贷可得性”“借款金额”“借贷成本”三方面，实证检验了地方金融发展作用于网络金融交易的经济影响；2.将金融发展的影响归结为了对借款人信用信息的甄别机制；3.针对长尾群体的借款需求，强调要在信用建设的基础上，利用信用信息的收集、传播、甄别和利用，实现金融科技与信用建设的结合、信用资本与融资需求的结合、网贷交易与地方金融协同发展的结合。

理论框架与实证设计

金融发展对互联网金融的参与率和微观层面的交易成本都存在着影响4，而随着信息化的发展，伴随着金融组织结构和信息获取方式的变革，传统金融发展与互联网金融之间的替代效应变得更强，网络借贷方式已成为长尾借款群体选择融资渠道的一项新选择（王博等，2019）。

网络借贷平台（包括但不限于P2P）的定位是信息服务中介，在借贷市场上它向投资人提供了两类借款人的信息，其一是标准化的硬信息，倾向于反映借款人是否具备了充足的还款能力；其二是记录信用历史的软信息，侧重于反映借款人是否拥有信用历史和是否养成并保持了恪守诚信的金融交易习惯。这两类信息构成了借款人在网络交易平台上的无形资产和信誉符号，通过相互补充5和支持，网贷平台实现了交易型贷款（基于硬信息）和关系型贷款（基于软信息）的技术结合，达到了向长尾借款群体提供必要金融支持的目的（王博等，2017）。地方金融发展作为金融借贷活动的外部环境和制度载体，其对网贷借款订单的影响作用，主要是通过信号机制来改变交易主体的决策和选择而实现。

因此，地方金融发展作为外在的环境与条件制约，会显著影响交易者个人的收入、消费、金融意识及金融习惯，这些逐步累积会变成交易者个人的财富与信用资本（吴晶妹，2013）。在参与网贷交易时，借款人的信用信息（包括硬信息和软信息）会通过P2P平台而实现低成本的有效传播，这些将影响和决定借款人能否成功获得借款，以及能获得多大规模的资金融通。

由于金融发展对借贷交易微观影响的机制，在于借款人所拥有的信用信息质量，因此对于不同信用水平的借款人来说，地方金融发展对其参与网络借贷的影响也将会表现出差异化的效应。比如，拥有硬信息的借款人，其可能较少受到金融发展的外在约束；而如果缺乏必要和过硬的信用信息，借款人则将可能直接受制于金融发展及其信用环境的缺失，而大大降低其参与网络借贷的可能性，以及借款的成功率。

由此本文给出假设1（借贷可得性）：地方金融发展水平越高，借款人获取网贷借款的成功概率也越高，其系数估计显著为正；地方金融发展对借款人网贷借款成功率的影响，会随着借款人信用水平的提高而呈现边际效应递减，也就是说，对于拥有不同信用水平的借款人，地方金融发展所发挥的影响将是非对称的。

由于我国区域经济显著存在着空间关联性（陈秀山、张可云，2005；张晓旭、冯宗宪，2008；潘文卿，2012等）6，为控制其对实证结果的可能影响，本文实证模型也将采用空间计量的模型形式，以保证实证结果的稳健。

由此而构建的实证模型为：

其中state为虚拟变量，1表示借款人借款成功，0表示借款不成功；fin_local代表地方金融发展的指标；h_info表示借款人的标准化可验证硬信息；rep代表反映借款人信用历史的软信息；Z为其他控制变量。而本文实证模型的空间计量形式将根据实际参数检验的结果来设置7。

在增加借款金额的机制方面，金融发展和借款人硬信息会形成正向的相互影响。即借款人的个人信用状况越好，地方金融发展发挥微观借贷影响的作用才会越强；而当地方金融发展越健康，规模、质量都有提高的情形下，网贷借款人的信用声誉，也将会得到更有效的传播。结果是，地方金融发展与借款人的标准化硬信息会形成正向互补的协同效应，会显著提高借款人所可能获取的借款额度。

由此提出假设2（借款深度）：地方金融发展会显著影响借款人的借款金额；地方金融发展与借款人标准化硬信息的交叉项，其系数估计值将显著为正。

实证模型的设定为：

其中In_amount是借款人所获借款金额的对数值。

地方金融环境中的信用环境越好，借款、融资担保的要求就会相对越少，消费贷款和信用贷款的发放也会相应更多8（Biggart and Castanias， 2001；钱先航、曹春方，2013）。但信用环境须在个人信用信息充足的情况下，才能显著降低借款人的借贷成本。也即地方金融发展作为网贷交易的外部环境和制度载体（如信用制度），其影响微观借贷交易的渠道仍是依赖对信用信息的传播与鉴别。对于拥有充足标准化硬信息的借款人来说，地方金融、信用环境越良好，借款人就会获得更优惠的借款条件，更有利于降低网贷借款的筹资成本。

由此提出假设3（借贷成本）：地方金融发展指标与借款人标准化硬信息的交互项，系数估计显著为负，即金融发展降低借贷成本的作用条件是借款人自身的信用信息质量。

实证模型表示为：

其中interest是借款人所报的借款利率，为年化的利率指标。

变量与描述性统计

1.主要变量及数据来源

P2P网贷平台以信用贷款业务为主，对抵质押或担保物的要求不高，且又借助于互联网平台来进行交易，因而受到了实体经济中面临融资约束群体的青睐，在2007年后经历了较大规模的发展（柏亮、李耀东，2015）。网贷平台数据，一方面为本文的实证提供了很充分的交易金融数据，另一方面也契合本文对于互联网微观主体借贷与地方金融（环境）发展间关系的研究目标设计。本文利用爬虫技术，爬取并整理了“人人贷”平台2011年“散标”借款人的微观借贷数据，订单编号范围从00001到20000。此段时间的借贷交易属于包括“人人贷”平台在内的P2P网贷业务的规范且平稳的发展时期，数据信息能更有利于反映微观信贷交易的影响因素及其本质性规律。

按文献和研究的逻辑，本文实证的被解释变量，分为“是否借款成功”state（信贷可得性，借款成功取值为1，否则取值为0），“借款金额”amount（信贷深度，借款的金额大小，回归时其值取对数）和“借款利率”interest（融资成本，借款的年化利率，且符合借贷利率的上下限制）三个类别。这三个类别分别衡量了网络借贷的金融普惠特性，反映了不同的借贷特征。

关于解释变量，包括：（1）借款人的信用特征变量，分为12项指标。具体为①性别(gender)，女性取值为0，男性取值为1；②借款人年龄(age)；③婚姻状况(marriage)，未婚取值为0，其他取值为1；④学历(education)，类别变量，按高中或以下、大专、本科和研究生或以上，依次赋值为1～4；⑤收入水平(income)，按月收入2000元以下、2000～5000元、5000～10000元、10000～20000元和20000元以上，依次赋值为1～5；⑥工作年限(experience)，按1年以下、1～3年、3～5年和5年以上，依次赋值为1～4；⑦借款类型(type)，根据借款人工作职位、从事行业和所在公司规模等信息，采用文本分析的方法将借款类型分为工薪贷、网商贷和私营企业主贷，依次赋值为1～3；⑧房产(house)，拥有房产取值为1，否则为0；⑨房贷(house_debt)，背负房贷取值为1，否则取值为0；⑩车产(car)，拥有车产取值为1，否则为0；车贷(car_debt)，持有车贷取值为1，否则取值为0；信用等级(credit_rate)，即借款人的信用状况，划分为AA、A、B、C、D、E和HR共7个等级。

（2）地方金融发展，分为2项指标。分别是①传统的金融发展指标(loan_gdp)，利用各借款人所在地市（及以上城市）的“贷款余额/GDP”指标来进行衡量9；以及②信用环境指数(credit_sc)，数据来源于中国城市商业信用环境指数网站(http://www.chinacei.org)，反映了各借款人所在地市（及以上城市）的金融诚信环境。

（3）借款人信用记录，包含2项指标，分别是历史借款成功率（hbs）和历史还清借款比率（payoff）10，用以衡量借款人累积的“软性”信用信息。根据金融借贷声誉理论，借款人在借贷过程中积累的声誉，能够降低今后交易的信息不对称程度、减少信息的传递成本；声誉的约束激励机制还会抑制借款人的投机行为，减小贷后的道德风险，促使借款人能够按时地足额还款（Kreps and Wilson， 1982；李延喜等，2010）。

（4）其他变量。包括：①借款期限(term)，以月度为单位，期限变化范围从3个月到36个月；②借款人所在省份(prov)，排除掉港澳台地区的借款人（因受其他数据来源的限制），所剩共31个省市区，以虚拟变量来控制借款人所在地的省份效应；③借款人所在城市(city)11，是借款人所在地级及以上城市，也是测算借款人所在地方金融发展指标的地域范围；④中国各地市的地理坐标，由地理坐标而计算的各地市间两两距离的倒数，以及由此而构造形成的“空间权重矩阵”(W)。

2.“修正信用评分(h_info)”指标的计算

网贷平台的信用评价主要是依赖借款人可供验证、且标准化的“硬”信息来进行信用质量的判别，比如身份认证、收入认证和工作认证等。而一些网贷平台，比如“人人贷”，同时还制定了加减分的规则12，以实现对借款人信用评级的动态调整。限于数据的可得性，我们需要参照孙永苑等（2016）和王博等（2017）的办法，利用模型回归来进行估算借款人经过修正后的信用评分(h_info)。这一修正后的信用评分不仅更准确地评价了借款人的信用状况，而且也成为汇总了借款人信用特征信息的一项新指标，即借款人可验证的“硬”信息（可信的信用信息）。

解释变量中信用等级(credit_rate)指标，其AA、A、B、C、D、E和HR七个等级对应的信用评分范围分别为210+、180～209、150～179、130～149、110～129、100～109和0～99。已有文献的做法是选取借款人的信用评分作为被解释变量，然后对借款人的信用特征变量（前11项指标）进行回归，回归的残差项即为剔除了借款人标准信用信息（硬信息）影响后的、针对信用评分的动态调整项（加减分数项），而模型回归的拟合值也即为我们需要估算的，经修正后的借款人信用评分(h_info)。

式中的scoreij为“人人贷”平台对借款人的原始信用评分，i代表省份，j代表个体借款人；h_infoij为借款人的各项信用特征变量；ei是所在省份的虚拟变量。

3.变量的描述性统计与空间自相关检验

表1对本文的主要变量，包含解释变量和被解释变量进行了描述性统计，从表中所反映的统计信息，可初步发现如下一些网络借贷的表象特征：（1）在网贷平台规范、平稳的发展时期，网络借款订单的成功概率平均值并不高，为13.33%。即每100个借款人大约平均只有13人可成功获得借款；（2）从借款人修正后的信用评分(h_info)，历史借款成功率(hbs)和历史还清借款比率(payoff)的分布情况可以看出，借款人的“硬”信用信息和“软”信用信息的中位数均小于其均值，反映借款人拥有较理想信用状况的人偏少，这符合网贷市场长尾人群所具有的信用状况特征，表明他们既不拥有过硬的标准化资产或收入，同时也未积累起来太多软性、优良的信用记录，在金融的信贷市场上处于弱势和受排斥的地位；（3）地方金融发展指标中，信用环境指数(credit_sc)的分布较对称，而金融发展指标(loan_gdp)则呈现为右偏分布，反映我国地方金融发展存在着较明显的分化特征；（4）借款金额(amount)、借款利率(interest)和借款期限(term)的统计特征则显示，网贷借款成交的多是金额小（数千元）、期限短（6个月以内）而借款成本相对较高（年化10%左右）的信用贷款。这一方面反映了网络借贷借款人在交易中所处的交易地位及其融资偏好，另一方面也间接表明地方正规金融机构在服务当地实体经济与中小微借款人时所可能存在的欠缺（见表1）。

同时，本文也利用爬虫技术爬取到了全国288个地级市的经纬度坐标数据，由于样本中参与了网贷交易的城市只涉及188个，因此本文构造的空间权重矩阵的维数即为188。利用空间权重矩阵，表2计算汇报了部分存在空间自相关变量的检验结果。表格显示，state、hbs和payoff都显著存在着正空间自相关，即在交易结果和借款人的信用声誉形成方面，网络借贷存在着支持交易空间关联的统计证据，这也为进一步空间实证分析提供了前提（见表2）。

表2 ：变量空间自相关检验结果

表1：各变量的描述性统计值

表3：网贷借款的微观影响因素模型

实证分析结果

按本文实证设计的安排，本文实证分析按照“不考虑地方金融发展的基本模型——考虑金融发展的扩展模型——针对‘借款深度’的扩展模型——针对‘借款成本’的扩展模型”的顺序依次递进展开。

1. 不考虑地方金融发展的基本模型

在表3中反映了网贷平台借款成功与否的微观实证分析结果，回归所应用的基本实证模型是二元选择模型的Probit估计。表3中的第1、第2列是普通Probit模型，借款人的信用软信息，分别采用的是“历史借款成功率（hbs）”和“历史还清借款比率（payoff）”作为解释变量，回归结果与文献和理论描述一致。基本的发现是，借款人硬信用信息的代理变量“修正后信用评分”能充分反映借款人是否具备还款能力，能够正向影响其获取借款的可能性，回归系数0.01也均在1%的显著性水平下显著为正。与之相似，借款人的信用历史信息作为借款申请的软信用信息，其发挥的作用与“修正后信用评分”形成了声誉信号理论中的互补关系。一方面它们反映了借款人是否具备信用意识，是否有着良好的还款习惯，借款后能否保证稳定的按期足额还款；另一方面信用软信息hbs和payoff也表示了借款人与网贷借款间的紧密关系，是借款人进一步在网贷平台借款的重要无形资产，它们的回归系数也都在1%的显著性水平下显著为正。硬信息h_info和软信息hbs、payoff间的交互项分别都在1%的显著性水平下显著为负，说明对于不同信用水平的借款人，比如信用评分高和信用评分低的借款人相对比，有一定长度且良好的信用记录，对于欠缺标准化硬资产的借款人来说，其对成功借款的作用和意义更大；反之，对于拥有不同信用状况记录的借款人来说，修正后的信用评分（及硬信息h_info）所起到的作用也是非对称的，两者在作用机制上能构成一定的互补关系。第1、第2列的伪R方分别达到0.797和0.776，LR统计量也都在1%的显著性水平下显著，模型的整体显著性程度较高。

由于借款人和借款类型的差异较大，借款金额、借款期限的变化范围较广，因而针对借款人个体进行的Probit回归可能会受到异方差的影响，表3第3、第4列给出了允许异方差设定的Hetprobit模型回归结果13。如表所示，异方差检验的结果证明存在着异方差，检验结果均在1%的显著性水平下拒绝了同方差的原假设。但第3、第4列的回归结论却并未发生实际变化，两列中各解释变量的系数大小仍然与Probit回归基本保持一致，显著性也都在1%的水平下系数显著。

普通的Probit模型可能还存在遗漏变量，如借款人的其他债务信息14，它可能与借款人的修正后信用评分(h_info)、借款成功的可能性(state)都存在着相关关系，从而导致实证模型的内生性问题，并进一步而导致了有偏的模型估计。为解决遗漏变量所可能导致的错误模型估计，表3中的第5、第6列进行了基于工具变量的Ivprobit模型估计。本文选择了两个不同的变量作为修正后信用评分h_info的工具变量，其一是参照尹志超等（2014）、Du et al. (2014)和王博等（2017）所应用的方法，利用借款人所在省份，并且相同年份和相同收入层次的其他借款人所拥有的平均汽车数量作为内生变量（即本文的h_info）的工具变量；其二是利用“人人贷”平台的借款人信用评分（score）作为h_info的工具变量，理由是score与h_info存在着直接相关关系，但score作为历史和滞后变量，并不会通过其他渠道来影响投资人的贷款决策。表中Wald内生性检验的结果均显著（1%水平下显著），表明本文对内生性变量的判断是正确的，工具变量的选取也较为合理。Ivprobit模型估计的结果在考虑了内生性问题的影响后，系数回归的结果与前4列依然保持一致，基本结论不变，只是系数估计值的绝对值有了一定幅度的提高。

主要控制变量的回归结果也印证了已有文献对于网贷借款利率、规模和期限等订单特征的发现结论（王博等，2017），如借款利率interest对借款成功概率state的影响具有非线性的、呈现倒U型的变化规律；借款金额log_amount的影响在1%的水平下显著为正；借款期限(term)的增加则基本显著降低了借款人获取相同条件借款的概率大小。

表4：地方金融发展影响下的网贷借款影响因素模型

2. 考虑金融发展的扩展模型

在网贷借款微观影响因素模型的基础上，表4中加入地方金融发展作为理论与实证模型的扩展。如本文理论分析部分所说明的，地方金融发展作为金融借贷活动的外部环境和制度载体，其会影响甚至改变交易主体的决策与选择。表4中的结果显示，地方金融发展loan_gdp会提高借款人获取网贷借款的可能性，但模型的设定必须要正确，如表4的第5列和第6列，即需要在考虑模型内生性的基础上来构建和估计模型。loan_gdp表示的是当地（地级市以上）金融机构贷款总额占当地GDP的比率，该指标衡量了地方总体的金融发展水平，是对当地金融机构和金融业务整体规模的一项度量。表4中的回归结果显示，借款人所在城市的金融发展水平越高，那么他即使是通过理论上无地域限制的网贷平台来进行借款，获取借款的成功概率也要相对更高。其中的机制是因为金融发展作为金融交易主体的外在环境与条件制约，会显著影响交易者个人的收入、消费、金融意识和金融习惯，这些又会逐步累积并形成交易主体的个人财富与信用资本（吴晶妹，2013）。当参与网贷交易时，借款人拥有的“个人财富与信用资本”就会转化为低成本传播的、标准化的信用硬信息和反映历史、记录的信用软信息，这些最后都将决定借款人能否成功获得网贷借款(state)，以及他能获得多大规模的信用资金支持(log_amount)。

值得注意的是，地方金融发展loan_gdp和借款人修正后信用评分h_info的交互项系数，都在1%的显著性水平下显著为负，这也从另一侧面进一步佐证了本文的上述观点。loan_gdp和h_info都是正向影响借款人的借款概率，它们的交互项却显著为负，这反映金融发展loan_gdp对借款人网贷借款成功(state)的影响，会随着借款人修正后信用评分(h_info)的提高而呈现出边际效应的递减。这也即是说对于拥有不同信用硬信息(h_info)的借款人，地方金融发展(loan_gdp)的作用将是非对称性的。掌握充分硬信息的借款人，金融发展对其施加的影响、约束将会比较有限，反之，对于不掌握关键和必要信用硬信息的借款人来说，地方经济金融乃至信用环境的发展变化，则可能直接决定了他寻求借贷交易成功的可能性。因此可以认为，在增加长尾借款人的贷款可得性方面，地方金融发展(loan_gdp)和借款者个人信用信息(h_info)可以进行必要的相互补充，借款人个人，可以通过积累自身的信用资本；政府与政策制定者，则可以配合以改善的地方金融发展，来协同达到金融普惠和缓解小微经济融资难的目的。

表4中其他解释变量的符号与显著性与表3所得的结论基本一致，回归结果都保持稳健。

3. 针对“借款深度”的扩展模型

由于借款不成功的借款订单显示的借款金额都为零，因此对借款金额(log_amount)进行建模，需要使用以零为左归并点的归并回归。表5采用的是基于Tobit模型的实证方法，第1、第2列是普通Tobit回归，第3、第4列则考虑了解释变量的内生性，采用了基于工具变量的Tobit回归。并且经heckman两步法检验，本文的样本数据也并不存在显著的样本选择偏误，Tobit模型是合理的模型估计方法。

表5 ：网贷“借款深度”的影响因素模型

与借款可得性不同，表5对借款人“借款深度”的回归结果显示，地方金融发展(loan_gdp)和修正后信用评分(h_info)对借款金额(log_amount)的直接效应均显著为负，这表明在“人人贷”平台上进行借款的相对优质的借款人15更偏好资金规模小的借款，其资金用途主要用于短期周转。还可能的解释，是“人人贷”平台上的投资人也同样更偏爱规模小的借款订单（王博等，2017），以控制和降低投资风险。

研究组患者在治疗后食物嵌塞2例（4.4%），无咬合性接触1例（2.2%），其他2例（4.4%），并发症的总体发生率为11.1%，对照组患者在治疗后食物嵌塞5例（11.1%），无咬合性接触4例（8.9%），其他6例（13.3%），并发症的总体发生率为33.3%，两组患者的并发症发生率比较，研究组患者的并发症发生率低于对照组，差异具有统计学意义（χ2=5.598，P=0.017）。

表6：网贷“借款成本”的影响因素模型

在增加借款金额的机制方面，金融发展(loan_gdp)和借款人硬信息(h_info)都需要以对方作为自身发挥作用的条件。表5中二者的交互项均在1%水平下显著为正，这说明借款人的个人信用状况(h_info)越好，金融发展(loan_gdp)的功能作用才会越强；而当地方金融发展越健康、规模质量都有改善的情况下，网贷借款人的信用声誉，也才会得到更有效的传播，并且获取更大程度的认可。表5中，属于借款人信用软信息的“历史借款成功率（hbs）”和“历史还清借款比率（payoff）”，其与借款人修正后信用评分(h_info)的相互作用关系也与金融发展(loan_gdp)类似，信用软信息需要硬信息作为信息传播的前提和基础，在增加借款深度的功能上，“软”、“硬”信用信息又需要相互依赖，并且表现出显著为正（1%显著性水平下显著）的协同效应。

控制变量中，借款利率interest和借款期限term都与借款深度(log_amount)显著正相关，借款人需要为更多的融资额而付出更高的融资成本。表5中第3、第4列的Wald检验显著拒绝了外生解释变量的原假设，工具变量估计(Ivtobit模型)是正确的选择。

4. 针对“借款成本”的扩展模型

金融发展是否还会影响微观网贷交易的借款成本？表6列示了实证检验的结果。经过试验，本文针对借款人借款成本(interest)建模，所应用的地方金融发展指标选取的是借款人所在城市的信用环境指数(credit_sc)。也即是说，应用信用环境指数(credit_sc)代理地方金融发展，更能反映金融资源和环境给予微观金融交易成本的影响。

表6分别应用了“OLS”“OLS+稳健标准误”和“工具变量法”来对借款成本的实证模型进行估计，样本只限借款成功的订单。可以看到，虽然回归方法存在差别，但模型回归结果的总体结论却始终保持一致。借款人所在城市的信用环境指数(credit_sc)和借款人自身的信用评分(h_info)在直接效应上都增加了网贷借款的借款成本，这反映，在包括“人人贷”网贷平台在内的P2P借款业务中，借款人往往需要承担更高的利息成本才能保证借款订单成功满标。但是从credit_sc和h_info交互项系数的估计结果看，交互项系数在1%水平下显著为负，说明信用环境(credit_sc)在个人信用(h_info)充足的情况下是能显著降低借款人的借款成本的。这也再次说明，金融发展作为网贷交易的外部环境和制度载体（如信用制度等），它影响微观金融交易的机制仍然是通过改变交易主体的信用信息质量而得以实现，改善地区金融环境、建设信用制度体系的微观基础之一，也是改善信用主体的信用信息质量。同理，如果地方信用环境越佳，拥有同样标准化硬信息的借款人也会获得更加优惠的借款条件，更加有利于降低借贷成本。

表7：基于空间计量框架的实证分析结果

表6中，hbs和payoff的系数估计值在不同的回归方法中都显著为负（1%显著性水平下），且系数绝对值还相对更大，即借款人信用软信息在降低借款成本上的作用更明显。作为反映借款人声誉的信用软信息，其成为了借贷交易中借款人最重要的“信用担保”，它比标准化的硬信息，比单纯的收入、财富还更加具有对还款承诺的保证。以“历史借款成功率（hbs）”和“历史还清借款比率（payoff）”为代理指标的信用软信息，分别代表了借贷双方联系的紧密程度，以及贷后借款人的道德风险水平。

因为“人人贷”平台允许投资人持有债权90天后，在债权未发生逾期的情况下通过债权转让系统转让已持有的借款订单，并且借款订单的期限大多集中于6个月以内，因此表6中多数的回归结果借款金额(log_amount)和借款期限(term)的回归系数都不显著。在表6第5和第6列中，DWH内生性检验的统计量分别为30.6832和30.7507，均在1%水平下显著拒绝了借款人修正后信用评分(h_info)为外生变量的原假设，工具变量回归为合理的选择。

5. 基于空间关联的稳健性检验

结论与政策启示

网络借贷作为一种信息中介，发挥了信息聚集与信息监督的功能，经过信用审核、认证及信用信息的披露，网络借贷能以较低的成本生成和传递借款人的各类信用信息，这一过程重塑了金融形态、降低了交易成本、提升了金融交易的效率。

1. 研究结论

借款人的可验证硬信息与信用软信息，均有助于提升网贷交易的信息透明度、降低交易成本和借贷成本。金融发展作为金融交易主体的外在环境与条件制约，其会显著影响交易者个人的收入、消费、金融意识和金融习惯，这些又会逐步累积并形成交易主体的个人财富与信用资本。当参与网贷交易时，借款人拥有的“个人财富与信用资本”会转化为低成本传播的，标准化的信用硬信息和反映历史、记录的信用软信息，这些信用信息最终将决定网贷借款订单是否能成功获得借款，以及可获得多大规模的借款。另外，地方金融发展对借贷可得性和借款深度的影响，会随着借款人修正后信用评分的提高而呈现出边际效应的递减，即地方金融发展的微观作用机制具有非对称性。

信用环境在个人信用充足时，可显著降低借款人的借款成本。随着地方金融、信用环境的改善与优化，拥有必要信用硬信息和软信息的借款人，其将会获得更加优惠的借款条件，享受到更加便利的金融服务与低成本的资金支持。

2. 政策启示

本文研究发现，互联网金融业务的发展，无法也绝不应脱离于地方金融体系的支持及其制度约束。从控制信贷风险的角度讲，以互联网金融为代表的新金融体系，需要立足于服务地方实体经济，特别是在信贷市场上受到了融资约束的长尾借款群体。要在信用建设的基础上，加大对信用信息的收集、甄别、传播和利用，实现金融科技与信用建设的结合；信用资本与融资需求的结合；网贷交易与地方金融协同发展的结合。

（1）培育借款人的信用意识，加强信用知识的宣传与教育，树立“信用资本、诚信借贷”的金融交易观念。

（2）重视对借款人信用信息的收集、整理及利用，积极把握行业合作和信用信息共享的机会，运用金融科技手段发掘和传播平台借贷客户的信用信息。主动、定期地向地方金融监管部门汇报平台的经营状况，特别是和反映借贷风险变化有关的预警信息。

（3）地方金融监管部门要着力培育诚信的金融环境，健全社会信用制度体系。通过信用建设推动传统金融机构与互联网金融业务的协同发展。地方政府和金融监管部门仍需要重视对地方中小金融机构的培育和支持，“质与量”共同推进地方金融体系的发展，在金融科技时代，与互联网金融创新业务相结合，协同达到金融普惠和缓解实体经济融资难的目的。

（4）建立全面的监管框架，加强监管科技在地方金融监管中的应用，利用大数据、云计算和人工智能等，识别风险隐患，及时发现违规、违法及经营不善的平台，加大对违规、违法网贷平台的处罚与追惩力度，妥善化解金融风险，守住不发生系统性风险的底线。

注释：

1 网络借贷在交易特点上与非正式金融相似。

2 地域、文化、身份认同所形成的社会网络和社会资本，会有助于降低借贷过程中的交易成本，减小贷款违约的风险。

3 本文的地方金融发展是相对于金融中心建设而言的、地方性的金融要素发展。由于体制的约束，我国金融资源跨地区流动的各项壁垒依然广泛存在；金融交易中由地理距离引致的市场摩擦尤为严重。这些非均衡的金融发展格局也进一步增强了我国发展地方金融的必要性与紧迫性（陶锋等，2017）。

4 通过融资渠道、市场竞争和机会成本等渠道而发挥影响。

5 当某一信息缺乏时，另一信息也会起到替代效应的作用，在一定程度上保持了借款人的信用稳定。

6 如全域范围的正的空间自相关（含局域性的空间集聚），以及空间溢出效应等是我国地区经济联系的重要影响因素，忽视这些空间关联效应会造成模型参数的估计偏差。

7 可能的模型形式包括：空间自回归模型（SAR）、空间杜宾模型（SDM）、空间误差模型（SEM）以及一般化、综合的空间计量模型等。

8 通常情况信用贷款的利率比担保贷款的利率要高，从降低借款人利率负担的角度讲，外部信用环境需要结合借款者个人的信用状况，才能达到改善借款融资条件和融资成本的目的。

9 数据来源于CSMAR数据库，并根据指标要求计算获得。

10 平台上借款人的历史信用记录包括：借款次数、成功借款次数和还清笔数等，历史借款成功率（hbs）的计算方法为：hbs=成功借款次数/借款次数；历史还清借款比率（payoff）的计算方法为：payoff=还清笔数/借款次数。

11 和获取所在省份(prov)指标的计算方法相似，借款人所在城市(city)指标的计算也是采用文本分析的方法，从“人人贷”散标借款订单的借款人所在地的信息中爬取并整理得到。

12 其中的规则规定，如果借款人每月正常还款、未出现逾期，则信用评分会增加1分，每月增长的上限也为1分；相反，如果借款人在当月有30天内的逾期，则信用评分将会被扣减3分，扣分无上限限制。

13 因为在可能引起异方差的变量间（借款金额、借款期限等）存在着较强的相关性，因此本文构造异方差使用的解释变量为借款期限term。

14 这一信息一方面因为网络平台未公布，另一方面也可能因为存在着瞒报而造成数据的不准确。

15 指经济条件和个人信用状况较好的借款人。