借款描述对 P2P 网络借贷行为影响的实证研究
王会娟
清华大学 五道口金融学院，北京 100083 何琳
清华大学 经济管理学院，北京 100083
摘 要: 以 P2P 网络借贷行业的领军者———人人贷的交易观测作为研究样本，研究 借款描述对 P2P 网络借贷行为的影响。结果发现: 借款人信用等级越低，越倾向于添加 借款描述，以降低借贷双方的信息不对称问题; 在控制了其他变量的情况下，借款描述展 示的人格数量越多，越能吸引投标人，满标用时越快，借款人越容易获得借款且借款违约 率越低; 进一步分析借款描述中展示的不同人格对借贷行为影响的程度，发现“勤奋”人 格对借款成功率和投标人数的影响最大，而“成功”人格对投标完成时间和借款违约率的 影响最大，其余的人格也都对借贷行为产生不同程度的影响。
关键词: P2P 网络借贷; 借款描述; 人格; 借款成功率
中图分类号: F832. 4 文献标识码: A 文章编号: 1674 -1625( 2015) 01 -0077 -9
一、引言
P2P 网络借贷是出借人与借款人之间通过网络借贷平台而不是金融机构产生的
王会娟
清华大学 五道口金融学院，北京 100083 何琳
清华大学 经济管理学院，北京 100083
摘 要: 以 P2P 网络借贷行业的领军者———人人贷的交易观测作为研究样本，研究 借款描述对 P2P 网络借贷行为的影响。结果发现: 借款人信用等级越低，越倾向于添加 借款描述，以降低借贷双方的信息不对称问题; 在控制了其他变量的情况下，借款描述展 示的人格数量越多，越能吸引投标人，满标用时越快，借款人越容易获得借款且借款违约 率越低; 进一步分析借款描述中展示的不同人格对借贷行为影响的程度，发现“勤奋”人 格对借款成功率和投标人数的影响最大，而“成功”人格对投标完成时间和借款违约率的 影响最大，其余的人格也都对借贷行为产生不同程度的影响。
关键词: P2P 网络借贷; 借款描述; 人格; 借款成功率
中图分类号: F832. 4 文献标识码: A 文章编号: 1674 -1625( 2015) 01 -0077 -9
一、引言
P2P 网络借贷是出借人与借款人之间通过网络借贷平台而不是金融机构产生的
[1]
人在平台上发布借款需求，出借人根据自己的风险承受能力在平台上寻求借款，一旦
无抵押贷款 ( Lin et al. 2009)
双方在借贷额度、利率方面达成一致，交易即可达成，资金进行划拨，之后借款人定期
。P2P 网络借贷平台扮演的是交易中介的角色，借款
，并且参与
方式比较灵活使得借贷双方具有广泛性。然而 P2P 网络借贷平台上的借款人多为无
还本付息并向平台支付一定的中介费。P2P 网络借贷的准入门槛比较低
1
收稿日期: 2014 -11 -05
基金项目: 国家自然科学基金重点项目( 71232003) 、国家自然科学基金面上项目( 71273013) 和中国博士后科学 基金项目( 2014M550036) 。
作者简介: 王会娟( 1982- ) ，女，河北石家庄人，管理学博士，清华大学五道口金融学院博士后，研究方向为私募股 权投资和互联网金融; 何琳( 1989- ) ，女，黑龙江省哈尔滨人，清华大学经济管理学院硕士研究生，研究方向为互 联网金融。
1出借人只需 50 元及以上即可参与 P2P 网络借贷。 ·77·
基金项目: 国家自然科学基金重点项目( 71232003) 、国家自然科学基金面上项目( 71273013) 和中国博士后科学 基金项目( 2014M550036) 。
作者简介: 王会娟( 1982- ) ，女，河北石家庄人，管理学博士，清华大学五道口金融学院博士后，研究方向为私募股 权投资和互联网金融; 何琳( 1989- ) ，女，黑龙江省哈尔滨人，清华大学经济管理学院硕士研究生，研究方向为互 联网金融。
1出借人只需 50 元及以上即可参与 P2P 网络借贷。 ·77·
法从传统金融机构获取借款的，甚至是可能是传统金融机构筛选后的“次级客户”。
此外，出借人并非专业投资者，由于金融知识缺乏和投资观念偏差，他们很容易被高收
益吸引，却不具备良好的风险识别和风险承受能力，因此，参与主体的这些特点加之交
易无抵押，交易完全基于信用进行，使得信用风险成为 P2P 网络借贷交易的最大风
险，这引起了监管层和学者们的关注。
P2P 网络借贷交易虽然在互联网上完成，但借贷双方之间仍然存在信息不对称。
存在信息不对称就可能引发两种行为倾向: 逆向选择或道德风险，这两种行为都会降
低市场的效率。信用评级机制能够在一定程度上缓解由信息不对称导致的逆向选择
[2]
P2P 网络借贷交易虽然在互联网上完成，但借贷双方之间仍然存在信息不对称。
存在信息不对称就可能引发两种行为倾向: 逆向选择或道德风险，这两种行为都会降
低市场的效率。信用评级机制能够在一定程度上缓解由信息不对称导致的逆向选择
[2]
和道德风险问题( Klafft，2008)
，然而中国缺少欧美发达国家高度透明的个人信用体
系，个人信用等级完全由 P2P 网络借贷平台进行评估得出，并且目前没有统一的评估
标准和评估方法，因此，出借人不能仅依靠平台做出的信用评级做出合理的放贷决策。
借款人在平台上发布借款需求时，会提供一些个人信息供出借人参考，这些信息包括
定量信息，如年龄、收入情况等; 也包括一些定性信息，婚姻状况、教育情况和对于借款
描述等。在经济行为中，当交易对方客观的定量信息难以获得、不充足或者不可靠时，
决策者可能会转向主观的、未经核对但却可能极具诊断性的定性信息( Michels，
[3]
标准和评估方法，因此，出借人不能仅依靠平台做出的信用评级做出合理的放贷决策。
借款人在平台上发布借款需求时，会提供一些个人信息供出借人参考，这些信息包括
定量信息，如年龄、收入情况等; 也包括一些定性信息，婚姻状况、教育情况和对于借款
描述等。在经济行为中，当交易对方客观的定量信息难以获得、不充足或者不可靠时，
决策者可能会转向主观的、未经核对但却可能极具诊断性的定性信息( Michels，
[3]
2012)
响。Martens et al. ( 2007) [4]研究发现好的描述能够为创业者确保自己创业所需的资 源。Chen et al. ( 2009) [5]发现在创业企业家的商业策划书中，描述会隐藏虚假的财 务信息，进而对商业策划书使用者的决策产生影响。那么在 P2P 网络借贷这种新兴 的经济行为中，借款人的描述扮演怎样的角色? 因此本文首先要研究的问题是哪些借 款人更倾向于对借款进行描述? 然后考察借款人描述能否影响 P2P 网络借贷行为? 如果能够影响，借款描述影响 P2P 网络借贷行为的具体途径是什么?
响。Martens et al. ( 2007) [4]研究发现好的描述能够为创业者确保自己创业所需的资 源。Chen et al. ( 2009) [5]发现在创业企业家的商业策划书中，描述会隐藏虚假的财 务信息，进而对商业策划书使用者的决策产生影响。那么在 P2P 网络借贷这种新兴 的经济行为中，借款人的描述扮演怎样的角色? 因此本文首先要研究的问题是哪些借 款人更倾向于对借款进行描述? 然后考察借款人描述能否影响 P2P 网络借贷行为? 如果能够影响，借款描述影响 P2P 网络借贷行为的具体途径是什么?
。以往的研究表明经济行为人的自我描述会对经济行为结果产生一定的影
二、文献回顾与研究假设
信用风险是 P2P 网络借贷交易中最主要的风险，有效防范信用风险的方法就是
[6]
信用风险是 P2P 网络借贷交易中最主要的风险，有效防范信用风险的方法就是
[6]
在借贷交易达成之前，对信用风险做出正确的评价( 王会娟和廖理，2014)
。根据信
息不对称理论，信用评级能够揭示借款人的信用风险，降低借贷双方的信息不对称问
题，因此出借人可依据借款人的信用评级做出合理的放贷决策。Klafft( 2008) 利用美
国最大的 P2P 网络借贷平台 Prosper 的数据，实证检验了借款人信用评级对借贷行为
的影响。结果发现，信用评级对借贷行为的影响程度最大，信用评级越高，越容易获得
贷款，贷款利率越低，并且逾期还款率越低。Iyer et al. ( 2010) [7]认为除了信用评级之
外，借款人的债务收入比也是影响借贷行为的一个重要因素。Freedman and Jin
( 2008) [8]认为借款人提供的财务信息越多越容易获取贷款。除此之外，已有研究表
明借款人年龄、性别、种族和外貌等特征都会影响借贷行为。
在经济行为中，当交易对方客观的定量信息难以获得、不充足或者不可靠时，决策
者可能会转向主观的、未经核对但却可能极具诊断性的定性信息( Michels，2012) 。因 ·78·
者可能会转向主观的、未经核对但却可能极具诊断性的定性信息( Michels，2012) 。因 ·78·
借款描述对 P2P 网络借贷行为影响的实证研究
此，有些借款人除了向 P2P 网络借贷平台提供工作收入、年龄、性别和种族等信息外，
还会对借款详情进行描述。Rosenfeld et al. ( 1995) [9]研究发现人们会策略性的运用
描述创造或保持自己期望的人格。对于 P2P 网络借贷来说，借贷双方存在信息不对
称，借款人为了获得借款，则会通过借款描述策略性的展示自己期望的人格。Herzen-
stein et al. ( 2011) [10]发现借款人至少会展示一种他们认为最能获得支持的人格。那
么哪种借款人更倾向于对借款进行描述呢? 当借款人提供的客观信息足以供出借人
参考时，则不需要对借款进行描述。当借款人提供的客观信息不足以出借人参考时，
则他们会通过对借款进行策略性描述，提供额外的定性信息，例如，对于自己较差的信
用进行解释，阐释自己的经济困难，或者展示自己的诚信人格。通过这种策略性的借
款描述，增加出借人的信任，进而获得贷款。Klafft( 2008) 发现借款人信用评级对借贷
行为的影响程度最大，因此本文使用信用评级作为借款人客观信息的代理变量。基于
以上分析，本文推测信用评级低的借款人更倾向于进行借款描述来获得贷款。据此，
提出本文的假说 1。
H1: 信用评级越低的借款人越倾向于对借款描述。
描述是持续性的、结构化的揭露，以赋予描述者发生的事件意义。例如，描述可能 解释了一个人过去的经历、现在的状况和未来的希望。通过描述，描述者打开了一扇 窗子，通过这扇窗子，人们看到了描述者如何定义自己，以及自身的人格。以往的研究 发现经济行为人的自我描述会对经济行为结果产生一定的影响。Martens et al. ( 2007) 研究发现好的描述能够为创业者确保自己创业所需的资源。Chen et al. ( 2009) 发现在创业企业家的商业策划书中，描述会隐藏虚假的财务信息，进而对商业 策划书使用者的决策产生影响。此外，描述者由于野心或者为了对他人产生影响而对 描述进行策略性运用，描述者只会提供对于其所经历事件的诸多解读中的一种，而这 种描述一般会选择他们最期望的人格的解读。Herzenstein et al. ( 2011) 研究了借款人 描述对借款行为的影响，结果发现未经验证的信息对借款结果的影响大于经验证的信 息，随着借款人展示人格数量的增加，借款成功率随之提高。借款描述能够在一定程 度上降低借贷双方的信息不对称问题，因此本文推测借款描述的质量越高，则越容易 获得借款，吸引越多的投标人，且满标用时会越短。此外，借款描述所体现的借款人的 人格数量越多，从某种程度上反映了借款人还款的能力或意愿越强，进而降低借款违 约率。据此，提出本文的假说 2。
H2: 借款描述展示的人格越多，则越能提高借款成功率和投标人数，且降低满标 所用时间和借款违约率。
三、研究设计
( 一) 数据与样本
本文采用 2012 年 3 月 1 日到 2013 年 3 月 1 日人人贷网站上发布的全部借款作 ·79·
H1: 信用评级越低的借款人越倾向于对借款描述。
描述是持续性的、结构化的揭露，以赋予描述者发生的事件意义。例如，描述可能 解释了一个人过去的经历、现在的状况和未来的希望。通过描述，描述者打开了一扇 窗子，通过这扇窗子，人们看到了描述者如何定义自己，以及自身的人格。以往的研究 发现经济行为人的自我描述会对经济行为结果产生一定的影响。Martens et al. ( 2007) 研究发现好的描述能够为创业者确保自己创业所需的资源。Chen et al. ( 2009) 发现在创业企业家的商业策划书中，描述会隐藏虚假的财务信息，进而对商业 策划书使用者的决策产生影响。此外，描述者由于野心或者为了对他人产生影响而对 描述进行策略性运用，描述者只会提供对于其所经历事件的诸多解读中的一种，而这 种描述一般会选择他们最期望的人格的解读。Herzenstein et al. ( 2011) 研究了借款人 描述对借款行为的影响，结果发现未经验证的信息对借款结果的影响大于经验证的信 息，随着借款人展示人格数量的增加，借款成功率随之提高。借款描述能够在一定程 度上降低借贷双方的信息不对称问题，因此本文推测借款描述的质量越高，则越容易 获得借款，吸引越多的投标人，且满标用时会越短。此外，借款描述所体现的借款人的 人格数量越多，从某种程度上反映了借款人还款的能力或意愿越强，进而降低借款违 约率。据此，提出本文的假说 2。
H2: 借款描述展示的人格越多，则越能提高借款成功率和投标人数，且降低满标 所用时间和借款违约率。
三、研究设计
( 一) 数据与样本
本文采用 2012 年 3 月 1 日到 2013 年 3 月 1 日人人贷网站上发布的全部借款作 ·79·
为初始样本，初始样本为 53071 个观测。剔除信息不全和机构担保的观测1，最终样
本为 49966 个观测，期中 23594 个观测有借款描述。衡量借款描述变量时需要人工读
取描述然后计算得出变量值，工作量较大，因此本文运用了简单随机抽样的方法选择
样本。在有借款描述的观测中随机抽取了 2000 个观测，然后剔除借款描述提供无效
信息的观测( 如无意义符号或文字) 的 52 个观测，剩余 1948 个观测检验假说 2。
( 二) 研究模型与变量定义
Narrative=β0 +β1Level+β2Rate+β3Lterm+β4Log_Money+ε (1) 其中，Narrative 为虚拟变量，当借款人对借款进行了描述时取 1，没有描述的取 0;
Level 为借款人信用评级，共有 7 个评级，当信用评级为 AA 时取 1，A 时取 2，B 时取 3， C 时取 4，D 时取 5，E 时取 6，HR 时取 7; Rate 为借款利率; Lterm 为借款期限，按月衡 量，最短的借款期限为 1 个月，最长的借款期限为 36 个月; Log_Money 为借款人预期 的借款金额取自然对数。
为了检验假说 2，本文借鉴现有文献( Klafft，2008; Michels，2012) 的做法，构建如 下模型:
Y = α + β1X + β2Level + β3Rate + β4Lterm + β5Log_Money + β5Sex + β6Age
+ β7Marry + β8Edu + β9Income + β10Worktime + β11House + β12Car
+ β13House_D + β14Car_D + β15PR_G + ε ( 2)
其中，因变量 Y 为借款成功率、投标人数、满标所用时间和违约率。借款成功率 ( Success) 为虚拟变量，借款人成功筹集到预期的借款金额则取 1，否则为 0。投标人数 ( Bids) 用借款所有投标人数之和除以该借款存续的天数。满标所用时间( Minutes) 是 借款提交到借款满标所用的时间，本文用分钟来衡量。违约率( Yuqi) 为虚拟变量，当 借款人违约则取 1，否则取 0。
X 为自变量，衡量借款描述。本文采用借款描述中展现的借款人人格( Identities) 作为借款描述质量的代理变量。借款描述中展现的人格可以增加出借人的信任并积 极引导出借人做出合理的决策。Mayer et al. ( 1995) [11]认为信任由三个组成部分: 第 一部分是正直，即借款人坚持着出借人认可的原则; 第二部分是能力，即借款人掌握履 行义务的全部技能; 第三部分是善意，即借款人向出借人表达了向善的倾向。参考 Herzenstein et al. ( 2011) 的做法并结合中国传统文化本文将人格进行如下划分。首 先，诚信、踏实和勤奋归纳为正直的体现，因为这三种人格让出借人相信借款人会履行 义务。诚信和踏实符合中国文化中对于本分正直人格的传统定义，勤奋的人则常常坚 定而独立，这使他们会成为问题的解决者，因此把这三种人格归为一类。其次，成功增 强了能力的感知，从一定程度上表达描述者能兑现承诺的感觉，虽然成功只能描述过
1人人贷为了提高资金出借的安全性，引入“中安信业”和“证大速贷”作为合作伙伴，为相应的借款承担连 带保证责任，有机构担保的借款为机构担保标。本文讨论借款叙述对借贷行为的影响，主要针对无担保的借款， 有担保的借款性质有所改变，并不是本文讨论的范围，所以本文剔除这类观测。
( 二) 研究模型与变量定义
Narrative=β0 +β1Level+β2Rate+β3Lterm+β4Log_Money+ε (1) 其中，Narrative 为虚拟变量，当借款人对借款进行了描述时取 1，没有描述的取 0;
Level 为借款人信用评级，共有 7 个评级，当信用评级为 AA 时取 1，A 时取 2，B 时取 3， C 时取 4，D 时取 5，E 时取 6，HR 时取 7; Rate 为借款利率; Lterm 为借款期限，按月衡 量，最短的借款期限为 1 个月，最长的借款期限为 36 个月; Log_Money 为借款人预期 的借款金额取自然对数。
为了检验假说 2，本文借鉴现有文献( Klafft，2008; Michels，2012) 的做法，构建如 下模型:
Y = α + β1X + β2Level + β3Rate + β4Lterm + β5Log_Money + β5Sex + β6Age
+ β7Marry + β8Edu + β9Income + β10Worktime + β11House + β12Car
+ β13House_D + β14Car_D + β15PR_G + ε ( 2)
其中，因变量 Y 为借款成功率、投标人数、满标所用时间和违约率。借款成功率 ( Success) 为虚拟变量，借款人成功筹集到预期的借款金额则取 1，否则为 0。投标人数 ( Bids) 用借款所有投标人数之和除以该借款存续的天数。满标所用时间( Minutes) 是 借款提交到借款满标所用的时间，本文用分钟来衡量。违约率( Yuqi) 为虚拟变量，当 借款人违约则取 1，否则取 0。
X 为自变量，衡量借款描述。本文采用借款描述中展现的借款人人格( Identities) 作为借款描述质量的代理变量。借款描述中展现的人格可以增加出借人的信任并积 极引导出借人做出合理的决策。Mayer et al. ( 1995) [11]认为信任由三个组成部分: 第 一部分是正直，即借款人坚持着出借人认可的原则; 第二部分是能力，即借款人掌握履 行义务的全部技能; 第三部分是善意，即借款人向出借人表达了向善的倾向。参考 Herzenstein et al. ( 2011) 的做法并结合中国传统文化本文将人格进行如下划分。首 先，诚信、踏实和勤奋归纳为正直的体现，因为这三种人格让出借人相信借款人会履行 义务。诚信和踏实符合中国文化中对于本分正直人格的传统定义，勤奋的人则常常坚 定而独立，这使他们会成为问题的解决者，因此把这三种人格归为一类。其次，成功增 强了能力的感知，从一定程度上表达描述者能兑现承诺的感觉，虽然成功只能描述过
1人人贷为了提高资金出借的安全性，引入“中安信业”和“证大速贷”作为合作伙伴，为相应的借款承担连 带保证责任，有机构担保的借款为机构担保标。本文讨论借款叙述对借贷行为的影响，主要针对无担保的借款， 有担保的借款性质有所改变，并不是本文讨论的范围，所以本文剔除这类观测。
·80·
借款描述对 P2P 网络借贷行为影响的实证研究
去或现在，但它却预示着很可能的未来( 即借款人会继续保持成功) 。最后，本文把情
义和经济困难可归类为善行的体现。有情义的品质是以人类美好感情为基础的，这极
易唤起贷款人善良的共鸣，产生同情或怜悯之心。与之相似的，经济困难暗示了一种
直率，当借款人把自己目前的窘境无保留的暴露在陌生的对方面前时，贷款人往往会
读到信任和期待，进而产生想要帮助其改变命运的善良情怀。结合人人贷平台上借款
人的描述实例，以及中国社会特有的文化和心理特征，将借款人的人格展示划分为
“诚信”、“成功”、“勤奋”、“踏实”、“经济困难”、“情义”六个维度，分别设定 6 个哑变量 Identities1 ~ Identities6，当描述中展示了这类人格记为 1，否则为 0。因此衡量借款描述 质量的变量 Identities 为六个哑变量的和，该变量最小为 0，最大为 6。
由于抽样样本中的观测只有 B 和 HR 两个评级，因此将评级为 HR 时，Level 取值 为 1，否则取值为 0。模型中 Sex 为借款人性别，当借款人为男性时取 1，女性时取 0; Age 为借款人年龄; Marry 为借款人的婚姻状况，当借款人已婚、离异或丧偶时取 1，未 婚时取 0; Edu 为借款人的学历，当学历为高中或以下时取 1，专科取 2，本科取 3，研究 生或以上取 4; Income 为借款人的月收入状况，当收入在 1000 元以下时取 1，1000 ~ 2000 元取 2，2000 ~ 5000 元时取 3，5000 ~ 10000 元时取 4，10000 ~ 20000 元时取 5， 20000 ~ 50000 元时取 6，50000 元以上取 7; Worktime 为借款人的工作年限，工作 1 年 ( 含) 以下取 1，1 ~ 3 年( 含) 取 2，3 ~ 5 年( 含) 取 3，5 年以上取 4; House 为借款人是否 拥有房产，拥有房产时取 1，否则取 0; Car 为借款人是否已购车，已购车取 1，否则取 0; House_D 表示借款人是否有房贷，有房贷时取 1，否则取 0; Car_D 表示借款人是否有车 贷，有车贷时取 1，否则取 0; PR_G 为借款人之前在人人贷网站的还款记录情况，借款 人至少有一笔借款并还清的记录时取 1，否则取 0。模型中其他变量定义同模型( 1) 中的变量定义。
“诚信”、“成功”、“勤奋”、“踏实”、“经济困难”、“情义”六个维度，分别设定 6 个哑变量 Identities1 ~ Identities6，当描述中展示了这类人格记为 1，否则为 0。因此衡量借款描述 质量的变量 Identities 为六个哑变量的和，该变量最小为 0，最大为 6。
由于抽样样本中的观测只有 B 和 HR 两个评级，因此将评级为 HR 时，Level 取值 为 1，否则取值为 0。模型中 Sex 为借款人性别，当借款人为男性时取 1，女性时取 0; Age 为借款人年龄; Marry 为借款人的婚姻状况，当借款人已婚、离异或丧偶时取 1，未 婚时取 0; Edu 为借款人的学历，当学历为高中或以下时取 1，专科取 2，本科取 3，研究 生或以上取 4; Income 为借款人的月收入状况，当收入在 1000 元以下时取 1，1000 ~ 2000 元取 2，2000 ~ 5000 元时取 3，5000 ~ 10000 元时取 4，10000 ~ 20000 元时取 5， 20000 ~ 50000 元时取 6，50000 元以上取 7; Worktime 为借款人的工作年限，工作 1 年 ( 含) 以下取 1，1 ~ 3 年( 含) 取 2，3 ~ 5 年( 含) 取 3，5 年以上取 4; House 为借款人是否 拥有房产，拥有房产时取 1，否则取 0; Car 为借款人是否已购车，已购车取 1，否则取 0; House_D 表示借款人是否有房贷，有房贷时取 1，否则取 0; Car_D 表示借款人是否有车 贷，有车贷时取 1，否则取 0; PR_G 为借款人之前在人人贷网站的还款记录情况，借款 人至少有一笔借款并还清的记录时取 1，否则取 0。模型中其他变量定义同模型( 1) 中的变量定义。
四、实证结果分析
表 1
Intercept
Level Rate
表 1
Intercept
Level Rate
信用等级对借款人添加借款人描述可能性的影响
( 1)
- 3. 391*** ( -38.07)
0. 480*** ( 37. 56)
( 1)
- 3. 391*** ( -38.07)
0. 480*** ( 37. 56)
( 2)
- 9. 895***
( -84.88) 0. 527*** ( 36. 66) 1. 926*** ( 12. 68)
- 9. 895***
( -84.88) 0. 527*** ( 36. 66) 1. 926*** ( 12. 68)
Lterm -0.009**
( -2.05)
Log_Money
LR - Chi2
Pseudo R2
注:* 、**、***分别代表显著性水平为10%、5%和1%。
Pseudo R2
注:* 、**、***分别代表显著性水平为10%、5%和1%。
0. 64***
( 109. 05) 21668. 86*** 0. 314
( 109. 05) 21668. 86*** 0. 314
2022. 01***
0. 029
·81·
表 1 中模型( 1) 检验了借款人信用等级和借款人是否添加借款描述之间的关系。
回归结果表明，Level 的系数在 1% 的水平下显著为正，表明信用等级越高，其添加借款
人描述的可能性越大。模型( 2) 加入了借款相关信息借款利率、借款期限、借款金额
等控制变量，结果显示信用等级与是否添加借款人描述仍呈显著正相关关系，验证了
假设 1。以上结果说明，信用评级越低的借款者，由于其客观定性数据表现较差，因此
越容易提供额外的借款人描述，以增加贷款人的信任。
表 2 借款描述对 P2P 网络借贷行为影响的结果
表 2 借款描述对 P2P 网络借贷行为影响的结果
Success
变量 系数 p 系数 p 系数 p 系数 p
变量 系数 p 系数 p 系数 p 系数 p
Bids Minutes Yuqi
Constant
Identities
Level
Rate
Lterm
Log_Money
Sex
Age
Marry
Edu
Income
Worktime
House
Car
House_D
Car_D
PR_G
LRChi2 /F
调整的 R2
样本量
- 1. 5654***
0. 0230***
- 0. 8947***
- 2. 9843*** 0. 0057*** - 0. 1390***
-0.2999*** 0. 0141*** -0.0813***
-0.1994*** 0. 1398*** 0. 0506*** 0. 2554*** 0. 0554***
- 0. 0729*** -0.2597*** 17. 4415***
- 2. 9843*** 0. 0057*** - 0. 1390***
-0.2999*** 0. 0141*** -0.0813***
-0.1994*** 0. 1398*** 0. 0506*** 0. 2554*** 0. 0554***
- 0. 0729*** -0.2597*** 17. 4415***
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
- 218. 4647***
5.2291*
2.8091
- 106. 2300 -0.1878 30. 9019*** -4.1454
0.1347 -1.7424 1.0476 -3.4136 -0.1444
7.5625 -2.3883 3.0341 -6.1561 -9.9187
0. 4651
2.8091
- 106. 2300 -0.1878 30. 9019*** -4.1454
0.1347 -1.7424 1.0476 -3.4136 -0.1444
7.5625 -2.3883 3.0341 -6.1561 -9.9187
0. 4651
< . 0001
0. 0739
0. 8694
0. 4965
0. 8114
< . 0001
0.7029
0.7387
0.8602
0.8176
0.3178
0.9706
0.3473
0.8362
0.7861
0.6797
0.3518
- 174. 6231
- 142. 6521**
44. 7065
- 2401. 3599 2. 6982
21. 2773 -245.1772* 8.5354
-77.8942 -14.9113 68. 9295 -36.6143
-188.7742* 95. 4941
- 106 . 6748
-162.3934 219. 4123
0. 1520
102
44. 7065
- 2401. 3599 2. 6982
21. 2773 -245.1772* 8.5354
-77.8942 -14.9113 68. 9295 -36.6143
-188.7742* 95. 4941
- 106 . 6748
-162.3934 219. 4123
0. 1520
102
0. 7972
0. 0136
0. 8436
0. 2475
0. 7960
0. 7418
0.0914
0.1135
0.5529
0.8045
0.1296
0.4819
0.0788
0.5333
0.4722
0.4121
0.1220
-0.7544 0.8143
-0.6056** 0.0388
1.3074 0.1970
4.4006 0.6558
0.0416 0.3768
-0.0231 0.9395
-1.6197* 0.0616
0.0167 0.5647
-0.4319 0.4765
-0.0360 0.8994
0.2937 0.2121
-0.1831 0.4622
0.4167 0.4319
0.7887 0.2852
0.0562 0.9388
-0.9454 0.2962
0.1936 0.7835
106. 632*** 102
106. 632*** 102
493. 699***
1948
102
注:***、**、* 分别表示l%、5%、10%的显著水平。
表 2 报告了借款描述对于 P2P 网络借贷行为影响的结果。借款描述所展示人格
对借款成功率的回归结果显示，Identities 的系数在 1% 的水平上显著为正，说明借款描
述展示的人格越多越容易获得借款。当因变量为 Bids 时，结果显示 Identities 的系数
为 5. 2291，并在 10% 的水平下显著为正，表明借款描述中所展示的人格越多，越能吸
引投标人。当因变量为 Minutes 时，结果显示 Identities 的系数在 5% 的水平下显著为
负，表明借款描述体现的人格数量越多，借款满标所用时间越短。当因变量为 Yuqi
时，回归结果中 Identities 的系数为 - 0. 6056，并在 5% 的水平下显著为负，表明控制了
·82·
Intercept -1.6560***
<.0001
<.0001
0.0006
0.0012
<.0001
<.0001
<.0001
-228.2792*** <.0001 -308.9282
0.6433
0.3515
0.0006
0.1512
0.0574
0.7962
0.6149
-0.0650
-0.8097 -2.2604** - 1. 9741***
0.2518 -0.5848* 0.7676
-0.8097 -2.2604** - 1. 9741***
0.2518 -0.5848* 0.7676
0.9852
0.1611
0.0297
0.0069
0.6725
0.0806
0.6352
Identities1
Identities2
Identities3
Identities4
Identities5
Identities6
LRChi2 /F
调整的 R2
样本量
0. 1016***
0. 0479***
0. 0214***
0. 0573***
0. 1518***
0. 1431***
8. 6771**
0. 6459*
10. 6487
11.8149
21. 9563*
1. 3875
0. 4654
0. 4654
0. 0170
0. 0669
0. 3161
0.1762
0. 0681
0. 9560
101. 3096
- 692. 0042***
- 191. 8714 -209.3825 * 51. 3248 158. 9248
0. 4328
102
- 692. 0042***
- 191. 8714 -209.3825 * 51. 3248 158. 9248
0. 4328
102
借款描述对 P2P 网络借贷行为影响的实证研究
其他影响因素后，借款描述中所展示的人格数量和借款违约率呈反比，以上回归结果
验证了假说 2。回归结果说明借款描述中展示人格是经过研究者多人阅读判断后确
定的精准信息，这些正面人格或者获得了贷款人的价值认同，或者增加了贷款人对其
履行承诺的预期，或者抓住了贷款人的心理软肋，在很大程度上减轻了贷款人对于借
款人情况的不确定性，进而增加了贷款人的信任，提高借款成功率并且投标人数增多。
另外，借款描述中所展现的人格能够体现借款人的能力和正直等品质，这些品质增加
了借款款人如期还款的意愿，所以，借款描述中所展现的人格越多，该借款完成所用时
间和违约率都较低。
为了进一步考察借款描述中所展示的每种人格对 P2P 网络借贷行为的影响程 度，本文将 6 种人格变量放入模型( 2) 中进行回归，回归结果见表 3。为了节省篇幅， 省略控制变量的回归结果。Identities1 ~ Identities6 对应的人格分别是诚信、成功、经济 困难、踏实、勤奋和情义。
表 3 显示借款人描述中展示的 6 种人格与借款成功率正相关，即借款描述中展示 的每种人格都能不同程度的提高借款成功率。因此，本文比较各个人格变量对借款成 功率的影响程度。Identities5 对被解释变量的边际影响最大，影响最小的是 Identities3。 从经济意义上来看，Identities5 对投标人数影响最大，这表明投标人更倾向于借钱给具 有勤奋品质的借款人。另外，Identities2 和 Identities4 两种人格能够降低投标所用时 间，而其他人格对投标所用时间并无显著影响关系。此外，Identities2 对借款违约率的 影响程度最大，这主要是因为借款人成功的人格从一定程度上代表借款人的还款能 力，因此，借款描述中展示出成功人格的借款人其违约率较低。
表 3 借款描述的各个人格对 P2P 网络借贷影响的结果
为了进一步考察借款描述中所展示的每种人格对 P2P 网络借贷行为的影响程 度，本文将 6 种人格变量放入模型( 2) 中进行回归，回归结果见表 3。为了节省篇幅， 省略控制变量的回归结果。Identities1 ~ Identities6 对应的人格分别是诚信、成功、经济 困难、踏实、勤奋和情义。
表 3 显示借款人描述中展示的 6 种人格与借款成功率正相关，即借款描述中展示 的每种人格都能不同程度的提高借款成功率。因此，本文比较各个人格变量对借款成 功率的影响程度。Identities5 对被解释变量的边际影响最大，影响最小的是 Identities3。 从经济意义上来看，Identities5 对投标人数影响最大，这表明投标人更倾向于借钱给具 有勤奋品质的借款人。另外，Identities2 和 Identities4 两种人格能够降低投标所用时 间，而其他人格对投标所用时间并无显著影响关系。此外，Identities2 对借款违约率的 影响程度最大，这主要是因为借款人成功的人格从一定程度上代表借款人的还款能 力，因此，借款描述中展示出成功人格的借款人其违约率较低。
表 3 借款描述的各个人格对 P2P 网络借贷影响的结果
Success
PanelA 系数 p 系数 p 系数 p 系数 p
PanelA 系数 p 系数 p 系数 p 系数 p
Bids Minutes Yuqi
492. 811***
1948
99. 045***
102
102
注:***、**、* 分别表示l%、5%、10%的显著水平。
五、研究结论
本文以 2012 年 3 月 1 日至 2013 年 3 月 1 日人人贷网站上发布的全部借款作为
本文以 2012 年 3 月 1 日至 2013 年 3 月 1 日人人贷网站上发布的全部借款作为
·83·
研究样本，首先使用全样本检验了借款人信用等级对是否添加借款人描述的影响，结
果发现借款人信用等级越低，越倾向于添加借款人描述。其次，本文在有借款描述的
样本中通过随机抽样的方法得到 2000 个观测，通过人工阅读借款描述，提取展示借款
人人格的信息，考察其对借款成功率的影响，研究发现在控制了其他变量的情况下，借
款人描述中展示的人格数量越多，越容易获得借款，越能吸引更多的投标人，且满标所
用时间越少，违约率越低。最后，本文又进一步分析借款描述中展示的不同人格对
P2P 网络借贷行为影响的程度，发现“勤奋”人格对借款成功率和投标人数的影响最
大，而“成功”人格对投标完成时间和借款违约率的影响最大。本文的研究不仅丰富
了 P2P 网络借贷影响因素方面的文献，同时对借贷双方和 P2P 网络借贷平台具有一
定的启示作用。
参考文献:
[1]Lin，M. ，Prabhala，N. R. ，and Viswanathan S. ，2009. Judging Borrowers by the Company They Keep:
Social Networks and Adverse Selection in Online Peer - To - Peer Lending. Working Paper.
[2] Klafft M. ，2008. Peer to Peer Lending: Auctioning Mirco Credits over the Internet. Technology and
Management ( ICISTM 08) ，March，Dubai，United Arab Emirates.
[3] Michels J. ，2012. Do Unverifiable Disclosures Matter? Evidence from Peer - to - Peer Lending. The
Accounting Review，Vol. 87: 1385 -1413.
[ 4 ] M a r t e n s M . L . ，J e n n i n g s J . E . ，a n d J e n n i n g s P . D . ，2 0 0 7 . D o t h e S t o r i e s T h e y T e l l G e t T h e m t h e M o n -
ey They Need? The Role of Entrepreneurial Narratives in Resource Acquisition. Academy of Manage-
ment Journal，Vol. 50，No. 5: 1107 -1132.
[5]Chen X. P. ，Yao X. ，and Kotha S. ，2009. Entrepreneur Passion and Preparedness in Business Plan
Presentations: a Persuasion Analysis of Venture Capitalists’Funding Decisions. Academy of Manage-
ment Journal，Vol. 52，No. 1: 199 -214.
[6]王会娟，廖理. 中国 P2P 网络借贷平台信用认证机制研究———来自人人贷的经验证据[J]. 中国
工业经济，2014( 4) .
[7]Iyer，R. ，Khwaja，A. I. ，Luttmer，E. F. P. ，and Shue，K. ，2010. Screening in New Credit Markets: Can
Individual Lenders Infer Borrower Credit Worthiness in Peer - To - Peer Lending? Working paper. [8]FreedmanS. ，and Jin，G. Z. ，2008. Do Social Networks Solve Information Problems for Peer -To -Peer
Lending? Evidence from Prosper. Com. Working paper.
[9]Rosenfeld P. ，Giacalone R. A. ，and Riordan C. A. ，1995. Impression Management in Organizations:
Theory，Measurement，Practice.London: Routledge.
[10]Herzenstein M. ，SonensheinS. ，and Dholakia U. M. ，2011. Tell Me a Good Story and I May Lend You
My Money: The Role of Narratives in Peer - to - Peer Lending Decisions. Journal of Marketing Re-
search，Vol. 48: 138 -149.
[11]Mayer R. C. ，Davis J H. ，and Schoorman F. D. ，1995. An Integrative Model of Organizational Trust.
参考文献:
[1]Lin，M. ，Prabhala，N. R. ，and Viswanathan S. ，2009. Judging Borrowers by the Company They Keep:
Social Networks and Adverse Selection in Online Peer - To - Peer Lending. Working Paper.
[2] Klafft M. ，2008. Peer to Peer Lending: Auctioning Mirco Credits over the Internet. Technology and
Management ( ICISTM 08) ，March，Dubai，United Arab Emirates.
[3] Michels J. ，2012. Do Unverifiable Disclosures Matter? Evidence from Peer - to - Peer Lending. The
Accounting Review，Vol. 87: 1385 -1413.
[ 4 ] M a r t e n s M . L . ，J e n n i n g s J . E . ，a n d J e n n i n g s P . D . ，2 0 0 7 . D o t h e S t o r i e s T h e y T e l l G e t T h e m t h e M o n -
ey They Need? The Role of Entrepreneurial Narratives in Resource Acquisition. Academy of Manage-
ment Journal，Vol. 50，No. 5: 1107 -1132.
[5]Chen X. P. ，Yao X. ，and Kotha S. ，2009. Entrepreneur Passion and Preparedness in Business Plan
Presentations: a Persuasion Analysis of Venture Capitalists’Funding Decisions. Academy of Manage-
ment Journal，Vol. 52，No. 1: 199 -214.
[6]王会娟，廖理. 中国 P2P 网络借贷平台信用认证机制研究———来自人人贷的经验证据[J]. 中国
工业经济，2014( 4) .
[7]Iyer，R. ，Khwaja，A. I. ，Luttmer，E. F. P. ，and Shue，K. ，2010. Screening in New Credit Markets: Can
Individual Lenders Infer Borrower Credit Worthiness in Peer - To - Peer Lending? Working paper. [8]FreedmanS. ，and Jin，G. Z. ，2008. Do Social Networks Solve Information Problems for Peer -To -Peer
Lending? Evidence from Prosper. Com. Working paper.
[9]Rosenfeld P. ，Giacalone R. A. ，and Riordan C. A. ，1995. Impression Management in Organizations:
Theory，Measurement，Practice.London: Routledge.
[10]Herzenstein M. ，SonensheinS. ，and Dholakia U. M. ，2011. Tell Me a Good Story and I May Lend You
My Money: The Role of Narratives in Peer - to - Peer Lending Decisions. Journal of Marketing Re-
search，Vol. 48: 138 -149.
[11]Mayer R. C. ，Davis J H. ，and Schoorman F. D. ，1995. An Integrative Model of Organizational Trust.
Academy of Management Review，Vol. 20，No. 3: 709 -734.
·84·
( 责任编辑 张 伟)
借款描述对 P2P 网络借贷行为影响的实证研究
An Empirical Study of Borrowing Description’s
Influence on P2P Lending
Wang Huijuan1 and He Lin2
( 1. PBCSF School of Finance，Tsinghua University，Beijing 100083，China;
2. School of Economics and Management，Tsinghua University，Beijing 100083，China )
Abstract: This paper uses data from Renrendai，which is the industry leader，to test the influence borrowing description has on P2P lending behavior. Results show that: first，the lower the borrower's credit rating is，the higher the possibility of adding description is. This is because of the asymmetric information between the borrower and the lender. Second，the more personalities a borrower’s description presents ( with the same other variables) ，the easier the access to borrowing is，the more the number of bidders is，the faster the full - scale is and the lower the rate of loan default is. Third，among other personalities，“intelli- gence”has biggest influence on the rate of successful borrowing and the number of bidders while“successfulness”has biggest influence on the duration of a bid and the rate of the loan default. Other personalities also influence the lending behavior to different degrees.
Key words: P2P lending; description; personality; the success rate of loan
( 上接第 76 页)
On the Influence that Executives’Banking Background of Listed
Companies has on the Companies’Bank Credit and Private Lending Wang Fan and Feng Lili
( School of Accounting，Zhejiang Gongshang University，Hangzhou 310018，China; School of Accounting，Shijiazhuang University of Economics，Shijiazhuang 050031，China)
Abstract: The article aims to study how the executives’banking background helps the listed companies to get banks credits and then engage in private lending. The results reveal that with executives’banking background，the companies are more likely to get bank credits even in the time of monetary tightening. And with these bank credits，the companies are more likely to undertake private lending even in the time of monetary tightening. In the whole process，the executives’banking background plays a crucial role. We further divide the executives into two types and then find that companies with Type I executives have big- ger possibilities to both get bank credits and engage in successful private lending.
Key words: executives’s banking background; bank credit; private lending
An Empirical Study of Borrowing Description’s
Influence on P2P Lending
Wang Huijuan1 and He Lin2
( 1. PBCSF School of Finance，Tsinghua University，Beijing 100083，China;
2. School of Economics and Management，Tsinghua University，Beijing 100083，China )
Abstract: This paper uses data from Renrendai，which is the industry leader，to test the influence borrowing description has on P2P lending behavior. Results show that: first，the lower the borrower's credit rating is，the higher the possibility of adding description is. This is because of the asymmetric information between the borrower and the lender. Second，the more personalities a borrower’s description presents ( with the same other variables) ，the easier the access to borrowing is，the more the number of bidders is，the faster the full - scale is and the lower the rate of loan default is. Third，among other personalities，“intelli- gence”has biggest influence on the rate of successful borrowing and the number of bidders while“successfulness”has biggest influence on the duration of a bid and the rate of the loan default. Other personalities also influence the lending behavior to different degrees.
Key words: P2P lending; description; personality; the success rate of loan
( 上接第 76 页)
On the Influence that Executives’Banking Background of Listed
Companies has on the Companies’Bank Credit and Private Lending Wang Fan and Feng Lili
( School of Accounting，Zhejiang Gongshang University，Hangzhou 310018，China; School of Accounting，Shijiazhuang University of Economics，Shijiazhuang 050031，China)
Abstract: The article aims to study how the executives’banking background helps the listed companies to get banks credits and then engage in private lending. The results reveal that with executives’banking background，the companies are more likely to get bank credits even in the time of monetary tightening. And with these bank credits，the companies are more likely to undertake private lending even in the time of monetary tightening. In the whole process，the executives’banking background plays a crucial role. We further divide the executives into two types and then find that companies with Type I executives have big- ger possibilities to both get bank credits and engage in successful private lending.
Key words: executives’s banking background; bank credit; private lending
·85·