职业偏见、企业规模与网络借贷成功率——来自人人贷的经验分析

刘紫薇,孙武军

(1.新加坡国立大学 经济学系，新加坡 117570；2.南京大学 经济学院，江苏 南京 210093)

一、引 言

随着互联网技术的广泛应用，P2P(peer-to-peer)网络借贷作为互联网金融商业模式之一快速发展起来。通过聚集小额社会资金，P2P网络借贷平台有效提高了闲散资金利用率，满足了个人和小微企业的资金需求。这种互联网借贷模式的优势在于缓解了借贷的信息不对称问题，同时在不需要金融中介参与的情况下进行交易，降低了借贷成本。作为第三方信息中介平台，P2P的主要作用是整理和审核借款人以及项目信息。通过P2P平台进行投融资操作便利了借款人发布资金需求信息，也拓宽了投资者的资金使用渠道。P2P网络借贷模式最早在2005年出现于英国，其灵活性和高回报使得该模式在全球得到快速发展。早期的代表性P2P平台有英国的Zopa、美国的Lending Club和Prosper等。中国的网贷发展则相对滞后，2007年我国首家网贷平台“拍拍贷”在上海成立，随后网贷平台数量快速增加(见表1)。截至2016年底，平台数量已达到5 881家，其中以陆金所、宜人贷、人人贷、拍拍贷等为代表。

表1 国内2013年至2016年网贷平台数量统计

数据来源：整理自“网贷之家”.

网络借贷在快速发展的同时，其风险也逐渐显现出来，跑路以及兑付困难的平台越来越多。由于网络借贷市场上的借款人信息甄别困难，造成还款能力及可信度也都存疑，那么如何通过借款人信息准确评价其真实信用水平是平台和投资者都十分关注的问题。国内外学者研究表明，借款人的婚姻状况、收入水平、受教育程度等都是信用评价的重要影响因素。但是，职业属性和借款人所在企业规模对P2P借贷的影响还鲜有人涉及。借款人的职业，作为其身份标识之一，能够反映借款人的社会地位；借款人所处企业规模的大小则与借款人的职业发展潜力密切相关，这两项指标在信用评价中均具有潜在的重要影响。一般而言，白领工作者拥有更舒适的工作环境和正面的形象，蓝领工作者的工作环境及公众印象则相对较差；大企业被认为具有雄厚的实力和完善的体制，而小微企业则具有较低的可信度。职业发展状况作为个人能力及潜力的体现，对完善个人信用评价具有重要价值，但目前其所获得的关注还远远不够，这正是本文所要关注的焦点。

职业偏见在世界范围内广泛存在。所谓职业偏见，是指社会对部分职业存在歧视的现象，这与组成社会的个人素质有一定的关系。职业本身无贵贱之分，但是不同的职业可以关联到许多不同的方面，诸如收入、所从事工作的性质、所接触的社会层面等。美国于20世纪50年代提出了“蓝领”这一概念，它被视为“白领”的相对一族。根据现代汉语词典对“蓝领”一词的解释，它泛指以体力劳动为主、从事实际操作的工作人员，如农业工人、工矿工人、建筑工人、码头工作者等，其收入水平通常处于中等状态；“白领”则主要指在办公室从事脑力劳动、具有较高社会地位的人，包括专业性以及科技性工作人员，如会计、医生、教师等，以及销售人员和其他办公室工作人员。实际上，有很多蓝领工作人员也接受过良好的教育，具有较高的个人修养，甚至拥有高于部分白领职业工作人员的收入水平，但是社会仍然对蓝领职业存在一定偏见，认为他们是较为粗俗的人群代表。这种社会价值观在金融领域同样存在。在线金融搜索平台融360曾发布的《360融誉榜年2013年融度报告》显示， 80%以上的人认为银行在发放信用贷款中存在职业偏见。调查发现，不同的职业者在可申请的贷款额度、利率以及申请难易程度上有很大区别，其中公务员和国企员工最容易获得贷款，而几乎绝大多数银行对农民、工人则不提供贷款。从社会对不同职业的态度来看，在P2P网络借贷中，放贷人对于借款人的职业也可能存在这样的偏见。

除了借款人的职业性质，借款人所在企业的规模大小也是影响其借贷成功率的重要因素。企业规模大小与该企业的可靠程度和信誉度密切相关。2008年发生的金融危机给众多中小企业带来了极大的打击，很多企业面临着倒闭破产的局面，其中以中小企业居多。这是因为小企业资金不够雄厚，融资渠道有限，当面对资金链断裂的状况时会更加难以渡过难关。而大型企业有更广泛的融资渠道、更强大的社会影响力和财政支持，形成了大而不倒(too big to fall)的局面。这会让社会形成一种普遍的印象：企业规模越大，其稳定性越好，可信度也越高，在规模大的企业里任职的员工的收入水平也更加具有保障。基于这种认识，我们合理地提出这样的疑问：在网络借贷中，借款人的借款成功率是否也受到其所在企业规模大小的影响，以及借款人职业属性和所在企业规模的共同作用对于借贷成功率的影响又如何。这正是本文的研究目的所在。

二、文献述评

国民消费能力的提高，互联网使用范围的扩大，消费习惯的改变和透支习惯的养成将会促使P2P网贷平台成为互联网金融的一个重要运作模式。由于P2P网络借贷模式在欧美国家出现较早，国外学者对这一领域的研究开展亦较早。Jin(2008)[1]通过对美国第一家网贷平台Prosper的研究，发现预期收益率与借款成功率之间有正相关关系，但网络借贷中存在逆向选择现象，由于质量低的借款人对高利率表现出更大的兴趣，有时投资者追求高利率反而会带来低回报。Klafft(2008)[2]认为，网络借贷平台对降低借贷双方的中介费用和交易成本具有重要意义，使得借款人获得贷款的成本较低，投资者获得的回报率高于银行利息，构成了一种双赢的局面。Berger(2009)[3]则指出，P2P网络借贷平台利用大数据信息对申请人进行筛选和评级，并将合格的申请者分类定价，以便于投资者按照自身需求进行选择。Herzenstein(2011)[4]提出，语言表达对借贷成功率有影响：借款描述的字数和借款成功率呈正相关关系，但是与违约率也呈正相关关系，而内容的可靠性反而容易被放贷人忽略。Ravina(2012)[5]的研究则表明，种族的差异对于借贷成功与否并没有显著的影响，但是优越的外貌条件有助于提高借款的成功率。Freedman(2014)[6]在社交对网络借贷影响的研究中发现，社会关系有助于借贷关系的建立，但是可能会导致更低的回报率。

随着网络借贷在中国的兴起，相关研究逐渐丰富起来。李悦雷(2013)[7]利用“拍拍贷”的数据，对借款人的地域、年龄等基本信息和借款人的社会资本进行了统计研究，发现了它们与借贷成功率之间的密切关系以及投资者的羊群行为特征。王会娟(2014)[8]基于“人人贷”的数据，证明了高信用评级有助于提高借款成功率和降低借款成本。廖理(2015)[9]指出，学历的高低与违约率之间存在负相关关系，但是与借贷成功率并无显著联系。孙武军(2016)[10]研究发现，从业经历的丰富和受教育水平的提升对借贷成功率的提高有积极作用。针对我国P2P市场发展方面，张正平(2013)[11]指出，法律法规不完善、监管制度不到位、运行机制存在缺陷、运营过程中存在操作性风险、信用风险和流动性风险较高等是面临的主要问题。

提高研发技术，公司可以招聘有这方面研究的专业人才，从而优化机器人内部结构，由复杂变为简单。配备产品说明书，即使机器人出现了故障，普通人也能照着说明书进行简单的维修。

梳理网络借贷相关研究后我们发现，职业偏见和所在企业规模很少受到关注，更多的研究在于社会学或经济学等其他领域。下面我们对这两个因素在其他领域的研究做一简单梳理，这将有助于为我们网络借贷的研究提供新的视角与思路。

关于职业偏见的研究， Jacobson(1993)[12]提出，白领工作者和蓝领工作者在工作岗位上具有不同程度的重要性。白领职业和蓝领职业的错配在短期都会带来巨大损失，但是从长期来看，白领职业的错配带来的损失更大，蓝领职业的错配带来的影响则较微弱。这从某种程度上反映了白领职业比蓝领职业具有更高的社会认可度。Schwerdt(2010)[13]指出，社会上存在对蓝领职业的无意识的偏见。中国学者陈淮(2003)[14]的研究指出，社会存在着认为“白领”是经济增长的主要动力而传统“蓝领”的重要性将被逐渐替代的误区。许峻桦(2003)[15]则表示，对传统观念的更新和对错误的社会认知进行纠正是解决蓝领断层问题的必要措施之一。张子刚(2004)[16]指出，我国的蓝领技术工人缺失与我国的人口结构变化、相关教育的缺失、不合理的薪酬制度以及社会观念的制约有着密切的关系。

关于企业规模研究方面， Cobham(2000)[17]和Beck(2005)[18]均指出小规模企业更容易在财政支持、信息获得等方面受到局限。这意味着小规模企业面临着更加艰难的生存环境。李大武(2001)[19]指出，小企业本身的一些局限，如较大的经营风险、较弱的竞争力、信息不对称、较高的融资成本等，再加上金融机构对规模较小的企业存在认识上的偏差，导致中小企业融资相对大企业更加困难。罗晓光(2015)[20]指出，企业发展规模越大，其资金力量越雄厚，企业机制越完善，越具有稳定性和保障性，因此大企业获得的商业信用要显著高于小规模企业。相对的，小企业的发展则存在一定局限性。何光辉(2015)[21]通过对国有银行的实证分析指出，规模因素对信用违约影响并不显著，国有企业违约概率反而较高。

目前，虽然国内外学者对P2P网络借贷、职业偏见和企业规模分别进行过较为深入的研究，但是将职业偏见、所处企业规模纳入网络借贷的研究还未出现。这两项要素作为个人信用评价体系中不可或缺的指标，反映了借款人的个人能力、职业发展前景、社会地位以及声誉等信息，对网络借贷成功率具有重要影响。因此，本文将以此为切入点，利用国内代表性的网络借贷平台——“人人贷”2010年10月11日至2015年1月25日的真实交易数据，并采用Probit模型和Logit模型进行实证检验，进而为促进P2P网络借贷的持续健康发展提出建议。

三、经济学分析与研究假设的提出

目前社会上仍然存在对蓝领职业的偏见，白领职业则被视为更加稳定和体面。2014年，在线金融搜索平台360发布报告称有八成的客户在办理贷款的过程中曾经遭遇过职业不平等对待。根据调查，公务员、国有企业员工和世界500强企业职员是获得贷款成功率最高的三类人群。同样，在网络借贷平台上，放贷者对借款人的职业也可能存在相应的偏见。由于通常情况下，白领工作者比蓝领工作者接受过更加良好的教育，具有更强烈的信用意识和风险意识，放贷人会更加偏好将贷款发放给白领借款人。刘精明(2001)[22]指出，白领职业对文凭资格要求的不断提高本身形成了一定的行业进入壁垒，使得白领阶层的文化水平普遍高于蓝领阶层。王远伟(2004)[23]亦通过调查统计研究得出，社会分层会影响接受教育的机会，从而影响不同程度受教育者的职业选择，教育水平在脑力劳动者和体力劳动者之间存在明显的差异。王甫勤(2010)[24]的研究表明，受教育程度越高、接触的媒介越频繁、社会阶层越高的人具有越强的风险意识。因此，我们推测，在P2P网络借贷平台上白领工作者的违约率要普遍低于蓝领工作者。据此，本文提出如下假设：

假设1(1)： 白领工作者比蓝领工作者的借款成功率更高，白领工作者比蓝领工作者的违约率更低。

假设1(2)：白领工作者与蓝领工作者的借贷成功率和还款违约率均无显著差异。

针对难以坐位的患儿,患儿家长要抱着患儿,促使膈肌下移,促使患儿气体交换量增加,便于雾化液滴在终末细支气管内沉降。在吸入过程中,教导患儿缓慢地进行深呼吸,如果患儿不能学会这种呼吸方式,则教导其张口呼吸。在患儿在治疗过程中,护理人员要对患儿的面色、表情以及情绪进行密切观察,一旦发现患儿异常状况,要及时告知医生并采取方式处理。

假设1(1)与假设1(2)是一组相互对立的假设。如果实证研究表明，白领工作者相对蓝领工作者获得了更高的借款成功率，并且表现出更低的违约水平，则支持假设1(1)，否则支持假设1(2)。

一般而言，借款人所处的企业规模大意味着其工作更加稳定可靠。大企业通常具有更规范的制度和经营模式，更雄厚的资金来源和更强大的抗风险能力，因此在大规模企业工作的借款人的职业发展更具有保障性。反之，小企业由于其自身存在的竞争力弱、道德风险较高、管理不规范、风险较大等问题，在信誉上较大企业相对偏低(李大武，2001)[19]。罗晓光(2015)[20]也曾通过分析企业的非财务影响因素证明，企业规模越大，其信用水平就越高。基于以上分析和文献支撑，我们提出本文的第二个假设：

假设2(1)： 借款人所处企业规模越大，借款成功率越高。

seal函数用于处理挖矿的工作，需要一直递归调用，直到解决问题，解决问题之后退出。seal函数具有以下几点作用：

假设2(2)： 借款人所处企业规模大小对借款成功率并无显著影响。

Marriage表示借款人的婚姻情况。借款人为未婚状态时取值为0，非未婚状态(包括已婚、离异和丧偶等)取值为1。

如果网络借贷市场的确存在对蓝领职业的偏见现象，那么在一般情况下，其他信用指标的提升可以作为信用补偿提高其借贷成功率。为了探究较大的企业规模是否可以弥补投资者对于蓝领职业本身的偏见，本文提出以下假设：

推动式压电驱动器结构如图2所示[3]，基本步进原理与行走式类似，但区别在于行走式压电驱动器中压电驱动机构是动子，而推动式压电驱动器中压电驱动机构是定子，驱动机构推动一根输出杆(主轴)输出位移。

假设3(1)：蓝领借款人所在企业规模越大，其借款成功率越高。

假设3(2)：蓝领借款人所在企业规模大小对其借款成功率无显著影响。

本文以“人人贷”平台的真实交易数据为基础，讨论了职业偏见及借款人所在企业规模对P2P网络借贷成功率的影响。实证研究结果表明，在包含控制变量和不包含控制变量的情况下，白领工作者在网络借款上较蓝领工作者都具有显著优势，网络借贷过程中存在明显的职业偏见；同时，白领借款人的违约风险也普遍低于蓝领借款人。另一方面，在不包含控制变量情况下，企业规模与借贷成功率呈负相关关系，而在加入其他控制变量后，企业规模的增大则会给借款成功带来正效应。在对职业属性和企业规模的交互项进行研究后，发现职业属性与企业规模的综合作用可以削弱职业因素给蓝领借款人带来的不利影响和企业规模的扩大为借贷成功带来的正效应。此外，通过对包含控制变量的回归结果分析发现，信用良好、收入水平较高、受教育程度较高、年龄偏大、已经结婚以及参加工作时间较长的借款人在网络借贷中更具有优势，借款成功的机会更大。

3.3 对居家老年糖尿病患者实施健康干预需患者家属支持 糖尿病是一种慢性疾病，治疗措施不是“药到病除”的短暂过程，而是大部分时间在医院外自我管理［5］。对居家老年糖尿病患者的健康教育并非一次即可完成，需长期进行。不仅患者要受教育，家属也应了解糖尿病患者的教育内容。帮助患者克服因疾病的迁延而产生消极情绪，给予心理上的安慰和生理上的督促，使老年糖尿病患者能树立起控制疾病发展的信心，合理生活，引导患者自我管理和预防保健，使生活质量得到提高。

临床中房颤与血栓栓塞性事件密切相关，血栓栓塞也是非瓣膜性房颤患者发生残疾与死亡的重要原因之一，故血栓栓塞也是治疗房颤的重要目标。

歌言的末尾补叙葛天明女儿与杨国忠妹妹的故事。杨国忠妹妹因家道没落，改名杨梅香，出家为尼，但心里却时刻想着钟景祺；葛天明的女儿在家国破碎之际，欲赴四川投奔钟景祺，历尽艰险，一日夜宿庵堂巧遇杨梅香，互诉衷肠，互知身世及与钟景祺的关系，方知钟景祺已调回京城，身侍帝王侧，“巡司调转皇帝门，天下阔来无处问”，侯门深似海，如今山河破碎，家国板荡，容不下儿女情长，遂芳心冷似灰，与杨梅香一起归依了青灯古佛。

四、实证设计与描述性统计

(一)数据来源与模型建立

本文使用了来自“人人贷”2010年10月11日至2015年1月25日的真实借贷数据。其中原始数据共45万条，在剔除了100 055条信息不全或不可用的记录和91 465条正在申请中的申请结果还未知的记录后，最终获得的样本数量为258 489条。在考虑数据的可得性和对相关文献资料借鉴的基础上，针对假设1和假设2，构建如下计量模型：

1.借款模型

Success = β0+ β1Profession + β2Size + β3Creditrank + β4Income + β5Age + β6Sex+β7Marriage + β8House + β9Car +β10Housedebt + β11Cardebt + β12Worktime + β13Edu + ε

(1)

2.违约模型①

Default = β0+ β1Profession +β2Size+β3Creditrank + β4Income + β5Age + β6Sex + β7Marriage + β8House + β9Car + β10Housedebt + β11Cardebt + β12Worktime + β13Edu + ε

(2)

在模型(1)和(2)中：

Success表示借款人借款是否成功。借款成功，则Success取值为1；借款失败，则Success取值为0。

2.违约模型：职业属性与还款违约率的关系

Profession表示借款人的职业分类。本文以主要从事体力劳动还是脑力劳动为划分依据将借款人职业分为两类：白领类和蓝领类。其中白领类职业包括：专业性和科技性工作，如会计、设计师、程序员、法官、医生、教师等，农场以外的行政管理人员以及其他办公室工作人员；蓝领类包括：手工艺类工人，运输装置工人，建筑工人，农场以外工人如饲养、建筑、伐木工人以及服务性行业工人如农场工人、清扫工人等。借款人职业为白领类Profession取值为1，蓝领类则取值为0。

Size表示借款人所在企业的规模大小。企业规模为10人以下取值为1，10～100人取值为2，100～500人取值为3，500人以上取值为4。

Creditrank表示借款人的信用等级。本文将这一指标划分为七个等级并进行量化。AA等级取值为1，A等级取值为2，B等级取值为3，C等级取值为4，D等级取值为5，E等级取值为6，HR等级取值为7。

Income表示借款人的月收入状况。本文同样将其分为七个区间。月收入在1 000元以内取值为1，1 001元～2 000元取值为2，2 001元～5 000元取值为3，5 001元～10 000元取值为4，10 001元～20 000元取值为5，20 001元～50 000元取值为6，50 000元以上取值为7。

据不完全统计，现在银行业贷款余额中，民营企业贷款占25%，而民营经济在国民经济中的份额超过60%。民营企业从银行得到的贷款和它在经济中的比重还不相匹配、不相适应。从长远来看，银行业对民营企业的贷款支持，应该契合民营经济在国民经济中的相应比重。

Age表示借款人的年龄。本模型直接使用借款人的实际年龄进行分析。

Sex表示借款人的性别。男性借款人取值为1，女性借款人取值为0。

假设2(1)和2(2)是相互对立的，通过实证分析可以验证其中一个假设的正确性。虽然大企业具有更加强大的背景条件，从另一方面来看，市场上也存在所谓的小企业效应(Small Firm Effect)。在实际经营中，小企业具有更加灵活高效的优势，这表明很多小企业拥有更大的潜在成长空间和更高的利润空间。如果投资者考虑这一因素，企业规模越大对于借贷成功不一定会产生显著优势。在实证分析中，如果在控制了其他变量后，所处企业规模越大的借款人获得借款的成功率越高，则验证假说2(1)，反之则验证假说2(2)。

House表示借款人的房产拥有状态。无房产状态取值为0，有房产状态(一处或多处)取值为1。

Car表示借款人的车产拥有状态。无车产状态取值为0，有车产(一辆或多辆)状态取值为1。

Housedebt表示借款人的房贷状况。无房贷取值为0，有房贷取值为1。

3.加入交互项的借款模型：借款人职业属性及其所在企业规模对借贷成功率的联合影响

Worktime表示借款人的工作时间。本文将该解释变量分为三类：工作1年以内的取值为0，1年～3年的取值为1，3年～5年的取值为2，超过5年的取值为3。

Edu表示借款人的受教育水平。本文以学历作为受教育程度的衡量指标之一，并对其进行量化分类：高中及其以下学历取值为0，专科学历取值为1，本科学历取值为2，研究生及其以上学历取值为3。

3.加入职业属性和企业规模交互项的借款模型

Success = β0+ β1Profession + β2Size + αProfession*Size + γX+ε

(3)

在模型(3)中，Profession*Size代表借款人职业属性和所在企业规模大小对借款成功率的共同作用，X表示其他控制变量，反映了信用等级、收入、年龄、性别、婚姻、房产、车产、房贷、车贷、工作时间以及受教育程度的综合作用。其他变量均与模型(1)所表示含义与取值情况相同。

(二)变量描述性统计

模型(1)所使用的数据中，借款失败的数量为234 853个，借款成功的数量为23 636个，模型(2)中的观测数据则来自借款成功的23 636条记录，具体状态分布见表2。

因为负荷预测具有较高的实时性，本文采用ARMAX模型[14]对负荷进行预测。ARMAX模型主要包括模型定阶、参数优化和参数检验3方面内容，可描述为

表2 描述性统计：借款状态

表3对模型(1)中的主要变量进行了相关的描述性统计。根据所示结果，我们发现Success的均值只有0.0914，意味着仅有9.14%的申请人借款成功；核心变量Profession的均值为0.5803，表明借款人中白领工作者略多于蓝领工作者；另一核心变量Size的均值为2.3410，表示借款人平均的企业规模大小在100人左右。关于其他控制变量，Creditrank均值为6.6177，说明样本中信用级别为HR的比例较大，平均信用水平偏低；Income均值为3.9318，意味着样本借款人的平均月收入区间在5 001元～10 000元；Age的均值为30.8768，表示借款人的平均年龄为30.8767；Sex均值为0.8568，意味着样本中的借款人以男性居多；已婚的借款人大约占55.5%；拥有房产的借款人比例为41.93%；拥有汽车的借款人比例则相对较低，为24.60%；同时，借款人中房贷背负者的比例也高于车贷背负者，这两者的比例分别为13.14%和5.25%；工作时间均值1.3647，表示借款人平均已参加工作3年左右；Edu均值为0.8225，意味着样本借款人的平均学历在专科或以下水平。总体来看，借款样本呈现出信用等级较低、收入水平中等、学历水平偏低、男性居多等特征。

表3 借款模型主要变量的描述性统计

续表3 借款模型主要变量的描述性统计

表4所示的是对模型(2)中变量的相关描述性统计。被解释变量Default的均值为0.0578，说明在借款成功的人中仅有5.78%的人出现违约；核心变量Profession的均值为0.7258，明显高于借款模型中的均值，说明借款成功的人群中以白领工作者居多；控制变量方面，Creditrank均值为3.3700，较借款模型中该变量的均值显著降低，说明借款成功者的信用水平普遍较好，平均等级位于B和C之间；Income均值为4.4698，较模型(1)中均值也有所提高，平均月收入水平在10 001～20 000元；借款成功者的平均年龄为36.3776，并且仍然以男性借款者居多；已婚借款者比例升高至79.51%；房产拥有者占比41.48%；车产拥有者比例上升至36.86%；房贷和车贷拥有者占比分别为18.56%和5.34%；Work time均值为1.4668，表明成功借款者参加工作年限仍为3年左右；Edu均值0.9867，说明成功借款者的平均受教育水平也在专科及以下水平。总体而言，借款成功者呈现出的主要特征为脑力劳动者居多、男性借款者为主、已婚借款人较多、信用等级良好、收入水平中等偏上、学历水平不高等。

表4 违约模型主要变量统计性描述

(三)变量相关性检验

为了避免解释变量之间出现多重共线性现象，我们对解释变量进行了相关性检验，以进一步确认模型和解释变量的有效性。检验结果表明，职业属性(Profession)和企业规模(Size)的相关系数仅为-0.148，两者间不存在显著线性关系，因此将其作为核心变量是合理的。同时，核心变量与控制变量之间以及控制变量与控制变量之间的相关系数都位于-0.5和0.5之间，这说明解释变量间也均不存在线性关系，模型产生虚假回归的可能性很小，具有较强的解释度和可靠度。

五、实证结果及分析

由于所选被解释变量(成功借款和是否违约)均为虚拟变量，本文采用Probit作为基准回归模型，回归模型可分别表述为：

Pr(成功借款 | 职业属性，企业规模，与借款人相关的控制变量)=Φ(职业属性，企业规模，与借款人相关的控制变量)；

Pr(是否违约 | 职业属性，与借款人相关的控制变量) = Φ(职业属性，与借款人相关的控制变量)；

从实践中看，随着城市化的快速发展，城市供水设施完全由政府承担是背不了，也是背不起的。因此，可逐步尝试由国有资产管理局或国有资产经营公司负责对供水企业国有资产进行的监管和水务局对供水企业进行的行业监督管理相结合，用委托人与被委托人之间的资产纽带关系取代传统体制下政府与企业之间的行政隶属关系，供水企业在遵循严格统一的行业监管条件下，成为享有自主经营权的法人实体。政府不再直接干预企业的日常生产经营活动，企业按照市场经济原则开展生产经营活动，从而实现供水企业经营机制的根本性转换。

Pr(成功借款 | 职业属性，企业规模，职业属性与企业规模的联合影响，与借款人相关的控制变量) = Φ(职业属性，企业规模，职业属性与企业规模的联合影响，与借款人相关的控制变量)。

(一)基准回归结果

1.借款模型：职业属性、企业规模与借贷成功率的关系

表5 职业偏见、所在企业规模与成功借款(Probit回归)

注：*、**、***分别表示在10%、5%、1%的水平下显著.

表5列示的是模型(1)的回归结果。表格第2列、第3列展示了不包含控制变量情况下的核心变量对被解释变量的回归结果。在不包含控制变量的情况下，职业属性(Profession)的系数估计值为0.3169，并且在1%的水平下显著，说明白领工作者比蓝领工作者在P2P平台上更加容易获得贷款，因为白领职业给人一种更加稳定和体面的印象，从而让贷款人觉得白领借款者更可靠。然而，在不控制其他变量情况下，借款人所在企业的规模(Size)与借款成功率之间呈现1%水平下显著的负相关关系，这和我们的预期相反。说明在当今社会里，企业规模的大小不再是衡量一个人工作发展空间的最重要标准，也许只拥有几十人精英团队的高科技企业要比规模大的企业更有成长潜力，在小企业工作的人员也比在大型企业领取固定工资的人员具有更高的薪资水平。随着市场经济的发展，小企业灵活、适应性强的特性让它们能够更好地应对多变的市场需求，而制度化的大企业正面临着新一轮创业风的冲击。

表5的后两列所列示的则是包含借款人的信用状况、收入水平、婚姻状态等控制变量的回归结果。核心变量职业属性(Profession)的系数估计值为0.0914，且仍然在1%的水平下统计显著，说明在控制其他变量后，职业属性对借贷成功率的影响增强了，进一步验证了假说1(1)的前半部分。另一核心变量企业规模(Size)的系数估计值变成了正值，并且在5%的水平下显著，这说明在控制了其他因素对企业规模和借贷成功率之间关系的影响后，借贷成功率会随着企业规模的扩大而增加，即支持假说2(1)：由于大规模企业比小企业更加稳定可靠，具有更加稳固的地位，在大企业工作的人员的收入也更有保障，因此更容易获得投资人信赖。总体而言，假说1(1)的前半部分与假说2(1)得到了验证和支持。

表5中各控制变量前的偏回归系数表示了不同的控制变量对借贷成功率的影响。借款人的收入水平(Income)、年龄(Age)、婚姻状况(Marriage)、工作年限(Worktime)与借贷成功率(Success)均正相关，并且在1%的水平下统计显著。这说明，贷款人更加偏好收入水平较高、年龄较大、已经结婚以及参加工作时间较长的借款人。收入水平高意味着借款人拥有可靠的还款来源；年龄较大则被认为具有较强的社会责任感，违约的风险相对较小；结婚是一种勇于付出和实践承诺的表现，拥有家庭的借款人被视为更加稳重、成熟和具有安全感，因此已婚借款人的借贷成功概率高于未婚借款人。拥有房产(House)的申请人不受投资者青睐但拥有车产(Car)的申请人会使投资者更愿意借款，这可能是由于房产作为不动产变现能力较差，因而并不利于立即还款，而汽车作为一种变现能力较强的抵押物能够提高投资者收回本息的信心。相反，拥有房贷(Housedebt)对于借贷成功并无显著影响，车贷(Cardebt)却会对借贷成功产生负作用。这可能是由于在当前中国社会中，住房是家的象征，房子是必需品，同时高昂的房价使得背负房贷成为普遍的现象；而汽车作为消耗品存在，并且车贷还没有成为主流生活的一部分，拥有车贷则意味着其还款能力会被大大削弱。另外，借款人信用等级与借贷成功率呈现1%水平下显著的负相关，表示信用评价越高，借款成功的概率就越大。学历水平与借贷成功率则表现出5%水平下显著的正相关，这是因为高学历者通常被视为具有更强的诚信意识和更为乐观的预期收入水平(孙武军，2016)[10]。

Default表示借款人在成功借款后是否违约。出现违约情况(如逾期还款或者由人人贷代为垫付状态)，则Default取值为1；无违约情况，则Default取值为0。

表6列示的是职业属性对违约率的回归结果。从第2列与第3列的回归结果可知，在不包含控制变量的情况下，职业属性(Profession)的系数估计值为-0.2206，且在1%的水平下显著为负，说明在成功借款的样本人群中，白领工作者的违约率要普遍低于蓝领工作者，支持了假说1(1)的后半部分。这与白领工作者通常具有更高的文化水平、更好的教育背景、更强的道德意识和风险控制能力有关。同时，白领工作者更加理解信用的重要性及其对他们的社会生活和地位的影响，所以他们会更加积极地维护自己的信用，按时还款。

表6 职业偏见与是否违约 (Probit回归)

注：*、**、***分别表示在10%、5%、1%的水平下显著.

表6后两列展示的则是包含信用等级、工资水平、借款人年龄、性别、婚姻状况等控制变量的回归结果。此时核心变量职业属性(Profession)前的系数估计值为-0.0732，在5%的水平下显著为负，说明在控制了其他变量的情况下，白领借款人仍然比蓝领借款人具有更低的违约倾向，进一步使得假说1(1)的后半部分得到验证。

经治疗，观察组总有效率(56.67%)高于对照组(36.67%)(Z=-2.546，P<0.05)，见表1。

从表6后两列中其他控制变量和违约率之间的关系来看，借款人信用等级(Creditrank)和收入等级(Income)都在1%的显著性水平下为正，意味着借款人信用等级越低，收入越高，违约的可能性越高。随着信用等级的升高，违约率降低，这和我们的经验是相符合的，但是收入水平与违约率之间的正相关关系却和实际经验相背离。这可能是由于低收入者对于长期的网络借贷有更高的需求，因此更加重视维护自己的信用，降低违约率以提高长期借贷成功率；而高收入者拥有更丰富的借款资源和经济来源，对网络借贷的需求是短期的、暂时的，因此重视程度相对较低。除此之外，车辆拥有状况(Car)和房贷背负情况(Housedebt)在1%的置信水平下显著为负，即表明拥有车辆以及拥有房贷的借款人更不容易产生违约情况，这可能是因为车辆作为一项可变现抵押资产增强了借款人的还款能力，而房贷的背负现在已经成为一种普遍现象，给借款人带来的压力较小。借款人的受教育水平(Edu)与违约率也呈现1%置信水平下显著的负相关关系，表明借款人的学历越高，受教育程度越高，其违约率也越低，和实际相符。因为教育强调一个人的诚信观念和道德意识的建立，同时也强调信用对于社会和个人的重要影响，受教育程度越高，越能深刻认识到建立良好信用的必要性。此外，婚姻状况(Marriage)和房产拥有状况(House)对于违约率的影响仅在10%的水平下显著为正，即已婚的与拥有房产的借款人略微具有更高的违约率。这可能是因为已婚借款者具有更沉重的家庭赡养负担和更多的生活支出，而房产作为不动产，变现能力差，不能为借款人快速提供还款来源。年龄(Age)、性别(Sex)以及工作年限(Work time)因素则对违约率并没有显著的影响。

Cardebt表示借款人的车贷状况。无车贷取值为0，有车贷取值为1。

表7 职业属性、所在企业规模与成功借款 (带交互项的Probit回归)

注：*、**、***分别表示在10%、5%、1%的水平下显著.

表7反映了加入了借款人的职业属性和所在企业规模的交互项后解释变量对借贷成功率的回归结果。从表中结果可以得知，在不包含控制变量情况下，核心变量职业属性(Profession)的系数估计值为0.4890，企业规模(Size)的系数估计值为-0.0924，且都在1%的水平下显著；在包含控制变量的情况下，职业属性(Profession)前的系数估计值为0.3847，企业规模(Size)的系数估计值则为0.0822，均在1%水平下显著为正。这与本文之前所验证的情况相符，即白领工作者比蓝领工作者更受投资者青睐，而在排除其他变量对企业规模的影响后，规模的增大会带来借贷成功率的提高。除此之外，我们还发现，无论是包含还是不包含控制变量，交互项(Profession*Size)的系数估计值均为负数，分别为在1%的水平下显著的-0.0772与-0.1232。这说明职业属性与企业规模的共同作用可以削弱职业偏见给蓝领借款人带来的不利影响和企业规模的扩大为借贷成功带来的正效应。

在不包含控制变量情况下，职业属性的系数可以表示为(0.4890-0.0772*Size)，说明所在企业规模较大的蓝领借款人比企业规模较小的蓝领借款人更可能借到钱，且其所在企业规模每扩大一个单位，投资者对于白领职业投资偏好就降低0.0772，即对蓝领职业的偏好相应上升0.0772。但规模的扩大无法完全消除投资者对白领工作者的偏好：当Size取最大值4时，职业属性前的系数仍为正数。在包含控制变量情况下，其系数可表示为(0.3847-0.1232*Size)，此时企业规模每扩大一个单位，投资者对白领职业投资偏好降低0.1232，同时对蓝领职业投资偏好相对上升0.1232。此时如果企业规模为500人以上，即Size取值为4时，系数变为-0.1081，这说明当企业规模扩大到一定程度后，白领工作者不再具有显著借款优势。企业规模作为一种信用补偿，在一定程度上可以弥补投资人对蓝领职业的偏见。大规模企业的蓝领工作者通常会正式签订长期合同，享有完善的社会保障和企业福利、稳定的工作环境、更可靠的收入来源以及更多的升职机会；而在小规模的私人企业，蓝领工作者通常不享有完善的社会保障和退休福利，工作时间较为随意，工作流动性更大，更不稳定，随时有可能更换工作或者丢失工作，且由于其工作空间限制，也具有较小的内部职位上升空间。另一方面，由于投资者对白领工作者本身不存在歧视现象，会较少地依赖其他信用指标来提升对其的偏好程度，所以企业规模的改变对白领工作者借贷成功率产生的影响相对较弱。而且由于白领工作者通常具有良好的教育背景和较强的工作能力，在众多小企业中担任重要职务，更能发挥出自己的潜力，获得更高的回报和更好的发展空间。大企业烦琐的流程、僵化的体制和激烈的内部竞争则有可能限制白领工作者才能发挥，束缚其发展。因此，企业规模扩大更倾向于提高投资者对蓝领工作者的借款偏好。

对于另一核心变量企业规模(Size)，在不包含控制变量的情况下，其系数可表示为(-0.0924-0.0772*Profession)。当借款人为蓝领工作者，即Profession取值为0时，企业规模(Size)系数保持不变，为-0.0924；但是当借款人为白领工作者，即Profession取值为1时，企业规模(Size)的系数降低到-0.0152，进一步加强了企业规模与借贷成功之间的负相关性，说明小企业的白领借款人更受投资者的青睐。这是因为白领工作者比蓝领工作者在小规模企业可能产生更大的经济效益，他们通常为小团队中的领导人物或者高层管理者，决定着团队的发展方向。同时，部分白领工作者在小规模企业里更受到重视，处于更重要的工作地位，在摆脱大企业僵化的体制和烦琐的流程的束缚后，反而能够更好地发挥出自己的才能。在包含控制变量情况下，企业规模(Size)的系数则可表示为(0.0822-0.1232*Profession)，意味着职业属性和企业规模的联合作用削弱甚至改变了企业规模对于借贷成功率的正效应。对于蓝领工作者(Profession=0)而言，系数估计值为0.0822，企业规模的扩大仍然有利于提高其借款成功率；但是对于白领工作者(Profession=1)而言，系数估计值变为-0.041，说明企业规模的扩大对其不再具有提高借款成功率的作用。因此，在小企业里，白领工作者相对蓝领工作者更具借款优势，而小规模企业的白领则比大规模企业白领更有优势。

总的来看，表7的结果表明假设3(1)得到了验证，借款人所在企业规模与其职业属性的共同作用能够削弱放贷人对于蓝领职业的偏见。蓝领借款人所处的企业规模越大，借款成功的可能性就越大；且当企业规模扩大到一定程度后，蓝领借款人不再具有明显劣势。同时我们还发现，在小规模企业里，白领借款人较蓝领借款人有显著优势；且对于白领借款人而言，企业规模的缩减有利于其借款成功。

(二)稳健性检验

为了验证前文中所做实证检验的可靠性，本文在基准回归的基础上同时使用另一种离散选择模型——Logit模型，来考察随机变量在服从逻辑概率分布情况下借款人的职业属性及其所在企业规模分别对借贷成功率和违约率的回归结果是否与基准回归结果保持一致。

从表8可知，用Logit模型对模型(1)进行回归所得的结论与前文一致：在不包含控制变量情况下，职业属性(Profession)的系数估计值为正而企业规模(Size)的系数估计值为负，且均在1%的水平下统计显著；在包含控制变量情况下，职业属性(Profession)、收入水平(Income)、年龄(Age)、婚姻状况(Marriage)、车辆拥有状况(Car)和工作时间(Worktime)均在1%的水平下显著为正，企业规模(Size)和学历程度(Edu)则在5%的显著水平下为正，信用等级(Creditrank)、房产拥有状况(House)以及车贷拥有情况(Cardebt)均在1%的水平下显著为负，而性别因素(Sex)和房贷拥有状况(Housedebt)对借贷成功率没有显著影响。

表8 职业属性、所在企业规模与成功借款(Logit回归)

注：*、**、***分别表示在10%、5%、1%的水平下显著.

同样，职业属性与还款违约率(Default)之间的关系也与前文中实证研究结果保持一致：在包含与不包含控制变量情况下，职业属性(Profession)的系数估计值均为负，且分别在5%和1%的水平下统计显著；控制变量中，信用等级(Creditrank)与收入水平(Income)在1%的水平下显著为正，车辆拥有状况(Car)、房贷拥有状况(Housedebt)和教育水平(Edu)在1%水平下为负，婚姻状况(Marriage)和房产拥有情况(House)均为正但仅在10%的水平下显著，借款人年龄(Age)、性别(Sex)和工作时间(Worktime)与违约率之间则不呈现显著的相关关系。加入借款人职业属性和所在企业规模交互项的Logit回归结果也与前文所得结论基本一致。②

六、结论与建议

在实证检验中，我们将通过加入职业属性和企业规模的交互项来研究它们的共同作用对借贷成功率的影响。如果企业规模的扩大能够有效地削弱蓝领职业属性对借贷成功的不利影响，即验证假说3(1)，否则验证假说3(2)。

医学实习生的临床实习是医学教学的重要环节[1-2]。在传统的医院模式中，医学生都需要在较为精细分科的专科科室进行轮转实习，带教老师对患者的关注以专科为主，因此，实习生在实习的过程中也往往只注重专科的情况，对知识的掌握比较孤立，对患者的整体病情把控欠缺，这样会导致医学生从接触临床开始即局限于病种，而不是将患者看作一个整体，不利于其临床思维的培养；重庆医科大学附属第三医院是以系统疾病为主体的中心制新型教学医院，它不同于传统医院模式，它是以系统疾病为基础，多学科合作诊疗为主要手段的医院，并充分利用中心制模式对临床实习生进行培养，现将其在临床实习教学中的应用初探汇报如下。

在以上实证分析的基础上，我们针对性地提出以下建议：

在音乐教学中教师是学生学习的重要指导者，对学生各种音乐知识的学习具有重要的作用，实施对民族文化的教育也需要教师的积极参与和重视，因此需要教师积极进行对音乐教学的分析，明确音乐课程的教学目标，转变教师的教学理念，坚决贯彻民族文化传承的思维观念，积极进行对各种民族文化的教学融入，结合学生的学习能力和兴趣，进行对教学方式的有效创新，提高音乐课堂的教学质量，实现对民族文化的有效传承。

(1) 对有融资需求的蓝领工作者，要积极寻求再教育和工作经验的积累，提高自身专业能力从而获得“身份”的转型。前文研究结论表明，投资者在网络借贷过程中对蓝领职业的确存在偏见，蓝领工作者的借款成功率显著低于白领工作者。因此，对个人而言，通过加强学习和接受再教育等方式提升自己的求职竞争力，“转身”为白领工作者，可以消除借贷过程中职业偏见为蓝领工作者带来的不利影响，从而提高借款成功率。同时，由于企业规模的扩大有利于提高蓝领借款人的借款成功率，因此蓝领工作者可以通过培养自身能力、丰富工作经验等寻求进入大规模企业工作，这也有助于改善投资者对蓝领职业的偏见。

(2)对有融资需求的白领工作者，相比较而言，进入规模较小的企业能够获得更高的借款成功率。从前文分析中可以看出，企业规模的缩减有利于增强白领工作者的借款优势。白领工作者通常受教育水平较高，能力较强，在企业中许多白领工作者承担着高层管理等重要工作。由于大企业的人员关系较冗杂，体制僵化，流程烦琐，部分有才能的白领工作者无法得到重视和发挥才能的机会。小型企业具有体制机制灵活性强、发展潜力大等优势，有利于白领工作者能力的充分展现。

(3)平台投资者应更加重视职业属性和企业规模因素在借款者信用评价中的作用。本文研究证实了职业属性、企业规模与借贷成功率之间有显著的相关关系。职业属性作为借款人身份特征之一，是投资者衡量借款人信息的一项重要指标；企业规模的扩大可以为蓝领借款人提供额外的征信优势。投资者在对借款人进行信用评估时，除了关注年龄、婚姻状况、收入水平、信用等级、工作经验和受教育程度等传统指标外，还应该重视职业发展因素带来的潜在影响。

(4) P2P借贷平台作为信息中介，需严格审核借款人资料的真实性和完整程度，动态管理并评价借款人的信用等级。能够对借款人进行信用评价的指标维度很多，但常常会有一些指标被忽略或忽视它们的重要性，而未能在信用评价中被赋予一定的权重，例如本文所研究的“职业属性”与 “企业规模”。同时，平台更要关注到某些指标的动态变化，以及由这些指标变化所引起其他相关指标的变化，从而引致对借款者信用评价的改变。例如，职业属性由“蓝领工人”变化为“白领工作者”，则会引起诸如“收入、车贷、受教育程度”等指标的变化。这时更需要细致甄别这些指标的变化是由“蓝领工人”自然增长导致的，还是由于身份的转型而造成的。再者，在风险可控情况下网络借贷平台应不断提高交易的便捷程度，减少不必要的过程和冗余手续，这有助于提高网络借贷运营效率，吸引更多优质投资人和借款人进行网络交易，提升交易量。

注释：

①由于借款人所在企业规模的大小和借款人是否违约之间暂无合理的解释关系，模型(2)中不包含Size变量.

②限于篇幅问题，部分表格没有附在文章中，有兴趣的读者可以与作者联系.

参考文献：

[1]Jin G Z. Do Social Networks Solve Information Problems for Peer-to-Peer Lending? Evidence from Prosper Com[Z]. Working Paper，2008.

[2] Klafft M. Online Peer-to-Peer Lending: A Lenders' Perspective [J]. Social Science Electronic Journal, 2008, 2(2): 371-375.

[3] 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.

[4] Herzenstein M, Sonenshein S, Dholakia U M. Tell Me a Good Story and I May Lend You Money: The Role of Narratives in Peer-to-Peer Lending Decisions [J]. Journal of Marketing Research, 2011, 48: 138-149.

[5] Ravina E. The Effect of Beauty and Personal Characteristics in Credit Markets [Z]. Working paper，2012.

[6] Freedman S, Jin G Z. The signaling value of online social networks: lessons from peer-to-peer lending [Z]. Working Paper, 2014.

[7]李悦雷，郭 阳，张 维.中国P2P小额贷款市场借贷成功率影响因素分析[J].金融研究，2013,(7):126-138.

[8]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):136-147.

[9]廖 理，吉 霖，张伟强.借贷市场能准确识别学历的价值吗?——来自P2P平台的经验证据[J].金融研究，2015,(3):146-159.

[10]孙武军,樊小莹.从业经历和教育背景是否能提高借贷成功率?——来自P2P平台的经验证据[J].中央财经大学学报,2016,(3):33-41.

[11]张正平,胡夏露.P2P网络借贷:国际发展与中国实践[J].北京工商大学学报(社会科学版),2013,28(2):87-94.

[12]Jacobson L S, Lalonde R J, Sullivan D G. Earnings Losses of Displaced Workers [J]. American Economic Review, 1993, 83(4): 685-709.

[13] Schwerdt G, Ichino A, Ruf O, et al. Does the color of the collar matter? Employment and earnings after plant closure [J]. Economics Letters, 2010, 108(2): 137-140.

[14]陈 淮,江 林.蓝领就业:一个不容忽略的话题[J].经济与管理研究,2003,(1):22-25.

[15]许峻桦.由蓝领断代看人力资源素质培养[J].中国人力资源开发,2003,(4):24-26.

[16]张子刚,刘美玲.“中国制造”呼唤“高级蓝领”[J].企业经济,2004,(3):44-45.

[17]Cobham A. Making Bad Decisions: firm size and investment under uncertainty [R]. Queen Elizabeth House, University of Oxford, 2000.

[18]Beck T, Demirguec-Kunt A, Maksimovic V. Financial and Legal Constraints to Growth: Does Firm Size Matter? [J]. The Journal of Finance, 2005, 60(1): 137-177.

[19]李大武.中小企业融资难的原因剖析及对策选择[J].金融研究,2001,(10):124-131.

[20]罗晓光,宋雁超,徐海秀.企业信用非财务影响因素分析[J].科技与管理,2015,17(4):59-66.

[21]何光辉,杨咸月.中国小微企业信用违约影响因素的实证检验——来自某国有银行地区分行的证据[J].上海财经大学学报,2015，(6):67-79.

[22]刘精明.教育与社会分层结构的变迁——关于中高级白领职业阶层的分析[J].中国人民大学学报,2001,15(2):21-25.

[23]王远伟,高 巍.社会分层、高等教育与职业选择[J].高教发展与评估,2004,(5):6-9.

[24]王甫勤.风险社会与当前中国民众的风险认知研究[J].上海行政学院学报,2010，(2):83-91.