网络借贷的投资从众行为研究
——平台与投资者的双重视角

2022-07-01 02:38马秀程
东北财经大学学报 2022年2期
关键词:借款借贷金额

张 琳,史 达,马秀程

(1. 东北财经大学 萨里国际学院,辽宁 大连 116025;2. 东北财经大学 国际商学院,辽宁 大连 116025)

一、引 言

网络借贷是投资者与借款人之间通过网络平台进行的点对点的信息交换与借贷,大多以P2P为主。网络借贷起初被视为金融与科技的创新结合,可有效补充传统金融市场,提高民间融资效率。但是,随着网络借贷行业的发展,越来越多的问题逐渐暴露出来,出现大量的停业平台、跑路平台和问题平台,引发金融市场的动荡与系统风险。尽管目前中国网络借贷平台已全部出清,仅部分平台转型,但这并不意味着互联网金融的失败,两者的结合仍是中国未来金融市场发展的方向。回顾近十年的发展历程,网络借贷行业由“繁荣发展”至“限制出清”,其中的原因不仅引发金融市场参与者与监管部门的反思,也令学术界不断地深思。

早期关于网络借贷的研究文献主要围绕网络借贷平台的经营和发展、借贷效率等问题展开。伴随着网络借贷行业的发展,网络借贷的主体行为和金融风险及其控制成为研究的重点。高收益率与高风险并存的同时,网络借贷平台的暴雷问题越来越突出,致使大量投资者损失惨重,引起公众的广泛质疑和监管部门的关注。对于网络借贷行业的监管,已有研究多倾向于从网络借贷平台内部的风险信息切入,探讨网络借贷借款人的个人信息、信用评级和逾期情况等对系统性风险的影响。关于网络借贷平台外部监管的研究主要集中于网络借贷行业的监管模式与政策手段。根据中国银保监会的数据,现有网络借贷平台已全部出清,并在最大程度上保障投资者的利益,而这与网络借贷兴起之初,人们对互联网金融发展给予厚望的初衷背道而驰,也很难保证未来不再出现“换马甲”式的互联网金融新业态。因此,思考和研究网络借贷平台的运营模式与投资者行为,有利于汲取网络借贷行业的经验教训,辨识类似的风险特征。

网络借贷平台由指数增长到限制出清对正在或者即将出现的互联网金融新业态有何启示?如何有效地辨识网络借贷投资者的行为模式,降低互联网金融新业态的系统性风险?从现有研究来看,对于上述疑问尚未进行很好的回答:第一,现有文献集中于解决短期的网络借贷平台的风险管控与监管问题,尚未对网络借贷行业的限制出清和互联网金融新业态的问题进行反思。第二,大多研究聚焦在网络借贷平台、投资者和借款人等微观主体对网络借贷风险的影响,而鲜有文献由网络借贷平台的借款项目与投资者的双重视角探讨互联网金融新业态的风险特征与发展方向。第三,部分研究通过理论辨识或者仿真模拟来讨论网络借贷的相关问题,缺少网络借贷平台真实数据的佐证。由于无法有效辨识网络借贷平台的投资者与借款人的真实信息,仿真模拟效果的准确性难以保证。值得注意的是,网络借贷行业属于平台型经济,是一种介于传统的“企业—市场”之间的双边、多边的中间组织形态,以价格机制进行资源配置,通过内部规则对参与者实施管控的网络借贷平台。更确切地说,在借贷双方交易过程中,信息传递和债权确立完全通过互联网在线上进行,无须传统中介平台中借贷双方面对面地磋商、讨价还价与实物货币交付,但借贷双方的法律关系和权利义务与传统中介平台的借贷模式并无不同。因此,基于网络借贷平台与投资者的双重视角,本文利用“人人贷”平台的数据,探讨网络借贷的借款项目与投资者特征对网络借贷的投资从众行为的影响。

本文具有一定的现实意义和理论贡献:第一,网络借贷平台的投资者个体行为与从众行为均可能对金融市场的系统性风险产生影响,且投资从众行为影响更大。本文力图助力监管部门辨识互联网金融新业态的投资者行为模式,可以有效降低金融市场的系统性风险。第二,现有研究多聚焦在网络借款项目与投资者特征对网络借贷的投资从众行为的影响,而忽略了驱动投资者行为的内部机制问题。本文量化网络借贷借款项目和投资者特征等因素,探讨其对网络借贷的投资从众行为的影响机制,明晰网络借贷的投资者行为模式。第三,根据网络借贷平台纯粹的“自由定价”假设,现有研究多将利率、期限、信用等级和抵押物等借款项目因素作为研究变量。但是,实际上中国的网络借贷平台大多受到“指导定价”的影响,而非“自由定价”。本文将进一步探讨“指导定价”对于网络借贷的投资从众行为的影响,这意味着借款项目自动投标比例等因素可用于考察网络借贷平台“指导定价”对网络借贷的投资从众行为的影响。

二、理论分析与研究假设

(一)理论分析

1. 网络借贷的信息不对称

网络借贷是互联网金融发展背景下产生的平台型组织形态,作为一种非传统平台下金融活动的中介组织,拓宽金融服务场景,将资金的供给者、需求者、服务提供者和监管机构相结合,提高资金利用效率。但是,网络借贷行业的业务活动存在较为严重的信息不对称问题。具体而言,国内外学者研究网络借贷的信息不对称问题主要分为以下三个方面:第一,杨晓琴等认为,由于网络借贷的网络属性和运作模式,无法避免信息不对称问题。这意味着网络借贷的投资者多倾向于追求高收益率,而忽视网络借贷借款项目与借款人的详细信息,特别是网络借贷平台难以完备地掌握借贷双方信息以及有效地辨识信息的准确性。确切地说,网络借贷双方信息主要来自借款项目的利率、借款人的信用等级和投资者的投资经验等方面,仅通过网络借贷平台的公开信息,借贷双方无法获取全面的信息,进一步加大投资者的投资风险。投资者为规避信息不对称问题衍生的风险,往往选择观察其他投资者的行为来进行投资决策,无疑影响其对信息的判断。同样地,网络借贷行业尚未对接银行征信系统,加之第三方征信系统尚不成熟,加剧网络借贷的信息不对称程度,一定程度上降低了借款人的违约成本。值得注意的是,由于网络借贷双方的非传统性、隐藏性和网络性,整体上加大了网络借贷的信息不对称问题。第二,为解决网络借贷的信息不对称问题,章雷和胡建新认为,创新金融监管方式和利用大数据技术减少网络借贷的信息不对称问题,辅助投资者进行投资决策。Liu等认为,强调网络借贷平台呈现出借贷双方信息,提高了信息沟通的效率,在某种程度上减少借贷双方的信息不对称问题。然而,学术界对通过科学技术解决网络借贷的信息不对称问题早有讨论。客观地讲,网络借贷作为传统金融市场的有效补充,提高了借贷双方的资金利用效率,但信息真实性程度难以准确辨识,并未降低借贷双方的交流成本。这足以说明科学技术尚未彻底解决网络借贷的信息不对称问题。第三,网络借贷的信息不对称显著影响到借贷双方的交易行为。徐卫东和郭千钰通过检验网络借贷双方的责任与交易安全的关系,认为网络借贷交易风险的主要原因是信息不对称,强调信息披露可以纠正与预防信息不对称产生的交易风险。既然网络借贷的信息不对称问题无法彻底根除,投资者倾向于选择高收益率的网络借贷平台和借款项目,这也在一定程度上忽视了对网络借贷平台和借款项目的深入考察。也就是说,网络借贷的信息不对称问题加重投资者的心理压力并影响投资决策,陈伦基于网络借贷的投资者视角,探讨投资者选择网络借贷平台与借款项目的原因,认为信息不对称问题明显影响到投资者的心理判断和投资行为。在很大程度上,由于网络借贷行为的线上操作与借贷双方的信息不对称问题,极易引发投资者的非理性投资行为和借款人的违约行为,进而产生网络借贷的信任风险与金融市场的系统性风险。

2. 网络借贷的投资从众行为

自20世纪80年代起,金融领域的学者开始针对金融市场的投资者个体行为与从众行为进行相关研究,其中,以羊群效应为代表的投资从众行为备受关注,这种投资从众行为同样也存在于网络借贷行业。已有研究证实网络借贷双方的心理、网络借贷的运行机制和信息不对称等因素是网络借贷的投资从众行为的主要因素。更确切地说,网络借贷投资者比较倾向对比其他投资者或者机构的投资项目,有意识地调整投资行为,继而产生较为明显的投资从众行为。在此基础上,朱菲菲等认为网络借贷的信息不对称程度、机构投资占比和借款项目规模等均会对网络借贷的投资从众行为产生影响。Liu等和Lin等的研究认为,网络借贷借款项目的利率和规模与网络借贷的投资从众行为呈现出显著正相关关系。这意味着,网络借贷不同于传统的中介平台,提高了借贷双方辨识信息的难度。从这个角度来看,网络借贷投资者对借款人与借款项目信息辨识不充分,网络借贷的信息不对称程度增加,势必推动网络借贷投资者选择从众行为规避风险。同样地,与网络借贷的信息不对称相似,网络借贷的投资从众行为也存在一定必然性。

(二)研究假设

基于网络借贷的投资者视角,投资从众行为存在的原因主要有两个:第一,确保借款项目成功投标。网络借贷的优质借款项目具有一定稀缺性,可供投资者选择的优质项目较少,势必引起投资者的过多关注。为避免后期投资金额过低造成优质借款项目流标,投资者可能会先下手为强,抢投优质借款项目。也就是说,网络借贷的投资从众行为在某种程度上提高投资者投标的成功率。第二,规避潜在风险。网络借贷的投资者与借款人准入门槛较低,部分借款项目质量不高且违约几率较大,存在较高的风险。同时,网络借贷的投资者大多没有实际投资经验,较难辨识借款项目的优劣。由此,基于风险偏好与承受能力,部分投资者通过观察其他投资者的投资行为来降低投资风险,间接促成网络借贷的投资从众行为。换言之,网络借贷投资者利用投资从众行为降低投资风险,继而提高网络借贷的投资从众行为。

基于网络借贷的借款项目视角,廖理等认为,网络借贷的投资从众行为可能来自借款项目的特征,实证检验出借款项目与投资者特征决定着投资者的行为模式。具体而言,网络借贷项目特征主要包括以下六个方面:

⒈借款项目获得的累计投资金额

借款项目获得的累计投资金额是指在投资前平台显示的借款项目已经收到的投资金额。吴佳哲指出网络借贷的投资者观测到借款项目已收到较高的投资金额,极易认为其他投资者比较倾向于投资该项目,继而加大投资者投资项目的意愿。换言之,借款项目获得的累计投资金额越高,投资者越愿意选择跟随投资。Jiang等认为,借款项目获得的累计投资金额是辨识网络借贷的投资从众行为的关键变量。同样地,杨晓琴等认为,借款项目获得的累计投资金额是测量投资者从众行为的维度,主要在于告知投资者借款项目具有较高的成功率,从而吸引更多投资者。更确切地说,借款项目获得的累计投资金额越高,投资者越倾向于投资该项目,投资者的从众行为也越显著。因此,本文提出如下假设:

H1:借款项目获得的累计投资金额越高,投资从众行为越显著。

⒉借款项目剩余百分比

借款项目剩余百分比是指网络借贷借款项目剩余可投资金额占借款总额的百分比。吕勇斌等认为,网络借贷的借款项目剩余百分比越高,说明投资者的投资意愿越低,显著降低后续投资者的跟随行为。具体而言,网络借贷的投资者为规避借款项目流标的损失,倾向于选择投标金额比较大且可能满标的借款项目,当借款项目剩余百分比越高,投资者多认为该项目并不受欢迎,继而不愿意跟投。然而,Jiang等认为,当网络借贷的借款项目接近满标,投资从众行为仍然存在,但投资从众行为呈现出边际递减趋势。Lin等认为,随着网络借贷的借款项目剩余百分比逐渐降低,投资从众行为的程度随之降低。由此推断,网络借贷借款项目剩余百分比影响到投资从众行为。因此,本文提出如下假设:

H2:借款项目剩余百分比越高,投资从众行为越显著。

⒊借款项目参与度

借款项目参与度常以累计投资笔数表示,累计投资笔数是指网络借贷的借款项目已成功获得的投资笔数。陈胜利和张璇认为,借款项目获得的投资笔数越多,暗示该借款项目比较优质,引发其他投资者的跟投。需要注意的是,不同于累计投资金额,累计投资笔数与每笔投资的投资金额无关,仅通过借款项目的投资笔数反映借款项目参与度。也就是说,网络借贷借款项目获得越多投资笔数,越能引发投资者做出相似投资行为。因此,网络借贷借款项目参与度越高,投资者往往表现出跟随心理,继而投资从众行为显著性增强。因此,本文提出如下假设:

H3:借款项目参与度越高,投资从众行为越显著。

⒋借款项目自动投标比例

借款项目自动投标是指投资者预先在网络借贷平台的操作页面设置偏好,提前将资金存入平台账号,系统根据用户预设指标自动进行投标。由于机器行为并不属于个体行为的范畴,Duart等主张剔除自动投标变量后再进行相关研究。但是,考虑到系统自动投标与投资者手动投标存在一定的竞争性,在较大程度上自动投标降低了投资行为的非理性。值得注意的是,已有学者探讨网络借贷的自动投标对投资者行为的影响,Jiang等认为,借款项目自动投标提高了投资者的理性程度,减少投资者的非理性投资,较大降低了投资从众行为。这意味着,网络借贷借款项目自动投标比例越大,越能减少投资者的非理性投资,投资从众行为越不显著。因此,本文提出如下假设:

H4:借款项目自动投标比例越大,投资从众行为越不显著。

⒌投资者的网络借贷投资经验

现有研究多以投资者在网络借贷平台注册时间的相对值来测量投资者的投资经验。都红雯等认为,注册时间比较久的投资者默认具有较丰富的网络借贷投资经验。同样地,陈冬宇和郑海超认为,在通常情况下,网络借贷投资经验较少的投资者比较容易产生跟随投资行为。由于网络借贷的投资者准入门槛较低,大多投资者普遍缺乏投资经验,而网络借贷的投资经验多指理解网络借贷运营流程的程度以及观察其他投资者进行投资行为的经验,并非严格意义上传统金融市场的投资经验。因此,本文提出如下假设:

H5:投资者的网络借贷投资经验越多,投资从众行为越不显著。

⒍其他因素

其他因素主要包含借款人的背景特征与投资者的特征因素。现有研究多将投资者与借款人的特征因素作为网络借贷投资者行为的前因变量。同时,投资者的性别、年龄、教育程度等背景特征与借款人的信用评级、期限、抵押物等特征因素并不随着网络借贷的借款项目和投资者的变化而变化,无法体现出时间序列趋势。尽管网络借贷投资者与借款人的特征因素在特定条件下可能对投资从众行为产生统计学意义,但其中较多变量并非数值型变量,结果显著性并不高,研究意义不大。再者,考虑到网络借贷普遍采用平台项目定价模式,利率并不完全由投资者与借款人确定,还需要按照平台的指导定价进行设置。因此,上述因素不作为本文研究的主要变量,而作为控制变量整合到研究模型。

三、数据与研究设计

(一)样本与数据来源

本文通过Python抓取“人人贷”平台的借款项目、借款人和投资者等公开信息,并进行脱敏处理,总体数据库共约180万条数据。从总体数据库按年度分层抽取2012—2018年的借款项目数据,每年度各抽取2 000条,项目投资记录共计1 019 575条。之所以选择“人人贷”平台的原因在于,“人人贷”是中国网络借贷行业的领头羊,截至2019 年末,已累计成交超过995.52 亿元,累计注册用户数超过4 417万人。“人人贷”平台的借款项目和投资行为比较规范,数据容易获取,具有较高的代表性。

本文按照如下标准处理样本数据:第一,整理原始样本数据,形成小时投资数据,再对样本数据进行初步筛选,确保样本数据的完整性。第二,收集样本数据的借款项目信息与特征,并对每个样本项目进行编号,然后按照小时间隔筛选每个借款项目的项目信息和投资者信息并进行编号,且与借款项目进行对应,构建完整的样本数据集。第三,剔除借款项目大于60小时的样本数据,由于绝大部分借款项目均在60小时内完成,部分大于60小时的借款项目数据离散程度较高,这会影响到样本的稳定性。因此,剔除大于60小时的样本数据。第四,以网络借贷投资者的注册序号测量投资者的网络借贷投资经验,注册序号作为投资者在平台的身份标识,具有唯一性与序数性,注册序号大小表示投资经验的多少。同时,考虑到注册序号实际数值较大,直接带入模型严重影响到模型拟合。由此,本文将注册序号数值取自然对数作为投资者的网络借贷投资经验的相对值。

(二)变量界定

⒈被解释变量

本文参考吕勇斌等和Jiang等的研究将借款项目获得的总投资额和投资者投资借款项目的金额作为测量网络借贷的投资从众行为的变量。其中,借款项目获得的总投资额()表示借款人的借款项目获得的投资金额;投资者投资借款项目的金额()表示网络借贷投资者投资借款项目的金额。

⒉解释变量

借款项目获得的累计投资金额()表示网络借贷借款人的借款项目在某时段获得的累计投资金额;借款项目剩余百分比()表示借款项目剩余可投资金额占借款总额的百分比;借款项目参与度()表示借款项目已成功获得的投资笔数;借款项目自动投标比例()表示网络借贷借款项目投资金额中自动投标所占的比例;投资者的网络借贷投资经验()为投资者在网络借贷平台注册序号数值的自然对数。本文主要参考Jiang等的研究,将网络借贷借款项目自动投标比例作为测量投资从众行为的变量。同样地,参考都红雯等的研究,用网络借贷平台注册时间来表示投资者的网络借贷投资经验。

⒊控制变量

借款项目的期限()采用借款项目的还款期限来测量,用于反映借款项目的优劣;借款项目的利率()采用网络借贷的借款项目实际利率来测量;借款项目的金额()采用网络借贷的借款项目的实际借款金额来测量,用来显示借款项目的规模;借款项目的信用度()以样本借款项目的均值()作为分类标准,信用度等于或者高于均值的借款项目,记为1,反之取0;借款人性别()的取值为男性取1,女性取0;借款人年龄()以网络借贷平台用户的注册信息作为借款人年龄的测量指标。

(三)模型设定

为检验研究假设,本文参考Jiang等、王德和李建军的模型以及“人人贷”平台的真实数据,本文选用线性回归模型进行实证分析。同时,进一步探讨网络借贷借款项目和投资者特征对投资从众行为的影响,构建两个模型如下:

BAmt=++γRem+Bid+δAuto+θX+ε(1)

Amt=+++φV+ωX+ε(2)

其中,模型(1)是检验网络借贷借款项目对网络借贷的投资从众行为的影响程度,模型(2)是检验网络借贷的投资者特征对网络借贷的投资从众行为的影响程度。为借款项目获得的总投资额,为投资者投资借款项目的金额,为借款项目的在某时段获得的累计投资金额,为借款项目剩余百分比,为借款项目已获得的投资笔数,为借款项目自动投标比例,为投资者的网络借贷投资经验,与为控制变量,包括借款项目的期限()、利率()、金额()、信用度()、借款人性别()、借款人年龄()等,包括借款项目剩余百分比()、借款项目自动投标比例()等。此外,表示借款项目序号,表示投资者序号,表示时间,为随机误差项。

四、实证分析

(一)描述性统计分析

本文变量的描述性统计如表1所示。

表1 变量的描述性统计

在投资者方面,投资者每条投资数据记录的最小值为50元,最大值为700 000元,平均值为1 173.933 元;借款项目收到的投资记录条数的最小值为1 条,最大值为1 778 条,平均值为57.462 条;借款项目每小时累计剩余百分比的最小值为0,最大值为100%,平均值为49.600%;借款项目每小时累计自动投标比例的最小值为0,最大值为100%,平均值为15.040%。这说明网络借贷的投资者投资数据比较完备。

在借款项目方面,借款金额为3 000—3 000 000元,平均值为82 211.642元,分布比较均匀;借款项目的利率最小值为8%,最大值为24%,平均值为14.150%,呈现出近乎正态分布趋势;借款项目期限的最小值为1个月,最大值为48个月,平均值为26.500个月,以36个月的项目最多,次之是12个月、18个月和24个月的项目,其他期限项目较少。这说明网络借贷的借款项目利率较高,且以中长期项目为主。

在借款人特征方面,大部分是男性;年龄最小值为19 岁,最大值为71 岁,平均值为39.362岁,标准差为8.652,涵盖大部分年龄段,大致呈现出正态分布;绝大多数借贷项目的信用度是中低风险(大于等于均值)。

(二)网络借贷借款项目的回归拟合结果

本文以模型(1)对网络借贷借款项目的特征变量进行回归,通过GLS法对网络借贷的样本数据按照固定效应和随机效应两种方式分别进行模型拟合,实证检验网络借贷借款项目的投资从众行为的存在以及影响因素。同时,考虑到网络借贷借款项目获得的累计投资金额()和借款项目剩余百分比()之间存在一定程度相关,为降低共线性问题,在此设定交互变量“”进一步检验二者的交互作用对投资从众行为的影响,借款项目的拟合结果如表2所示。

由表2可知,网络借贷借款项目能显著影响网络借贷的投资从众行为,具体表现在借款项目获得的累计投资金额()、借款项目剩余百分比()、借款项目获得的累计投资金额与借款项目剩余百分比的交互效应()、借款项目参与度()的回归系数均为正,并且在1%水平上显著,说明网络借贷借款项目获得的累计投资金额越高、借款项目剩余百分比越高、借款项目参与度越高,网络借贷的投资从众行为越显著。另外,借款项目自动投标比例()的回归系数为负,并且在1%水平上显著,说明当借款项目自动投标比例越高,网络借贷的投资从众行为越不显著。

表2 借款项目的拟合结果

借款项目获得的累计投资金额的回归系数为0.169,说明借款项目的投资金额前期累计多获得1元,在当期借款项目收到的投资额多0.169元。相似地,对比随机效应模型的回归结果,再进行固定效应模型的回归,发现回归系数变为0.134,并且在1%水平上显著,说明在可供投资的借款项目中,网络借贷的投资者倾向于投资前一个小时获得更多资金的借款项目,且回归系数均显著为正。因此,回归结果支持H1。

借款项目剩余百分比()的回归系数为361.673,并且在1%水平上显著,说明网络借贷借款项目剩余百分比增加,当期借款项目收到的投资金额增多。当借款项目的剩余百分比每增加1%,则在当期借款项目收到的投资金额平均多361.673元。同样地,再进行固定效应模型的回归,结果说明借款项目剩余百分比的回归系数和符号类似,支持同样的结论。因此,回归结果支持H2。

借款项目获得的累计投资金额与借款项目剩余百分比交互效应()的回归系数为0.003,并且在1%水平上显著,说明网络借贷投资者仍然持续投资接近满标的借款项目。换言之,投资者比较关注累计投资金额较高、剩余百分比相对较多的借款项目。研究结果符合Lin等的观点,网络借贷的投资者以观察其他投资者的投资行为而获得的外部效用存在边际递减的现象,但投资者仍继续保持投资接近满标的借款项目。

借款项目参与度()在随机效应模型和固定效应模型中的回归系数分别为67.356 和79.845,并且在1%水平上显著,充分说明回归结果的稳健性。也就是说,网络借贷借款项目每增加1笔投资,借款项目1小时内平均会多获得67.356元或者79.845元的投资额。以借贷项目的具体投资笔数测量借款项目参与度,比较贴近网络借贷的从众行为本质。研究结果说明拥有较多投资笔数的借款项目更容易获得投资者跟随投资。也就是说,网络借贷借款项目参与度越高,投资从众行为越显著。因此,回归结果支持H3。

借款项目自动投标比例()在随机效应模型和固定效应模型中的回归系数分别为-47.966和-63.575,并且在1%水平上显著,进一步说明回归结果的可靠性。也就是说,借款项目投资前已累计的自动投标比例每多1%,在当期收到的投资额降低47.966元或者63.575元。换言之,借款项目的自动投标比例每降低1%,借款项目的投资额增加47.966 元或者63.575 元。这意味着,借款项目自动投标比例越大,投资者的非理性投资行为受到限制,投资从众行为越不显著。因此,回归结果支持H4。

(三)网络借贷投资者的回归拟合结果

本文以模型(2)对网络借贷投资者的特征变量进行回归分析,通过OLS法对投资者的样本数据按照投资者和项目聚类模型与固定效应模型两种方式分别进行回归拟合,验证投资者特征对网络借贷的投资从众行为的影响,投资者的拟合结果如表3所示。

由表3 可知,借款项目获得的累计投资金额()在聚类模型和固定效应模型中的回归系数均为0.003,并且均在1%水平上显著,说明网络借贷投资者的投资金额与借款项目获得的累计投资金额呈现出显著正相关关系。也就是说,当借款项目的累计投资金额增加时,投资者将加快跟随投资。进一步支持假设H1,证实网络借贷的投资从众行为的存在。

投资者的网络借贷投资经验对投资从众行为的影响显著。由回归结果可知,投资者的网络借贷投资经验()的回归系数在聚类模型中为-141.408,并且在5%水平上显著,在固定效应模型中为-171.298,并且在1%水平上显著。回归系数为负说明投资者的网络借贷投资经验越多,投资从众行为越不显著。在信息不对称情境下,投资者的网络借贷投资经验越少,越注重规避潜在风险的从众行为,呈现出显著负向相关关系。因此,回归结果支持H5。

表3 投资者的拟合结果

(四)稳健性检验

本文采用删除解释变量与改变聚类方式进行稳健性检验。由于模型(1)使用的是面板数据,本文参考郭妍等的方法,删除计量模型中的一个解释变量,观察其对模型产生的影响,因而删除解释变量的检验结果如表4 所示。由表4 可知,删除模型(1)的解释变量借款项目参与度(),并对模型重新进行拟合,结果发现,主要变量的回归系数及其显著性均没有发生显著变化,因而结论并没有发生实质性改变。另外,本文利用改变模型(2)的聚类方式进行稳健性检验,按投资项目单独聚类探讨解释变量的符号和显著性的变化,进而检验计量模型的稳健性,改变聚类方式的检验结果如表5 所示。由表5 可知,本文改变模型(2)的聚类方式后重新进行回归拟合,结果发现,主要变量的回归系数及其显著性均没有发生显著变化,因而结论也没有发生实质性改变。

表4 删除解释变量的检验结果

表5 改变聚类方式的检验结果

因此,本文结果通过稳健性检验。模型(1)和模型(2)的解释变量的回归系数均没有发生显著变化,尽管模型的部分解释变量的显著性程度发生变化,但也均通过了10%或5%的显著性检验,研究结果未发生实质性改变,说明计量模型通过稳健性检验。

五、研究结论与政策建议

(一)研究结论

本文结果显示:在网络借贷平台下,网络借贷的投资者为规避潜在风险,会比较关注其他投资者的行为进行跟随投资,存在明显的投资从众行为。网络借贷借款项目获得的累计投资金额、借款项目剩余百分比和借款项目参与度均与投资从众行为呈现出显著正相关关系。这意味着,网络借贷借款项目获得的累计投资金额越高、借款项目剩余百分比越高、借款项目参与度越高,极易诱发投资者的跟随心理,越能促发投资从众行为。与之不同,当网络借贷借款项目自动投标比例越高,能进一步抑制投资者的非理性行为,投资从众行为越不显著。

在互联网金融的情境下,网络借贷借款项目获得的累计投资金额、借款项目剩余百分比、借款项目参与度和借款项目自动投标比例是网络借贷的投资从众行为的充分条件。保证借款项目成功投标与规避潜在风险是网络借贷的投资从众行为的必要条件。足以说明网络借贷平台借款项目和投资者的特征共同激发网络借贷的投资从众行为。进一步研究发现,当网络借贷投资者的投资经验增多时,投资从众行为越不显著。

(二)政策建议

基于对网络借贷的投资从众行为的反思,本文提出如下政策建议:

首先,网络借贷作为互联网金融新业态,提高资源配置和资金利用效率。但是,由于存在巨大金融风险而被强制出清,金融领域需审慎地实施“互联网+”创新。金融创新模式应结合行业特征,利用互联网的优势,获取更多有价值的信息,降低信息不对称程度,有效地降低金融风险与成本。值得注意的是,金融行业关乎国计民生,需时刻审视新模式的健康性和稳健性,科学地降低系统性风险,推出安全可靠的互联网金融产品。政府监管部门要特别关注互联网金融新业态的风险性,适时推进监管政策,严格引导互联网金融发展,预防类似网络借贷模式的重现。区块链作为新型的互联网信息技术,具有数据透明、信息安全、溯源性强等优点,政府利用区块链技术创新监管方式,充分借助区块链与金融领域的结合,建立跨地域、全行业的数字化金融监管平台。

其次,金融领域的互联网创新必须有效管控风险,严格规范金融市场准入操作流程,严控金融市场参与者的信息准确性,降低违约风险系数。充分利用互联网大数据平台与数据挖掘技术,构建互联网大数据共享联盟,加强与银行系统的合作,精准辨识借款人与投资者等市场参与者的行为模式,实施更为精准的风险管控。互联网金融创新应完善信息披露和自动甄别系统,挖掘用户数据信息,提供清晰的金融产品与服务,有效降低市场参与者的信息不对称程度。互联网金融新业态应构建智能化和标准化的自动投标系统,精准判别投资者行为偏好,进一步降低系统性风险。

最后,互联网金融领域应提高准入门槛,最大限度保护投资者的权益,适当引导市场参与者学习金融知识,充分了解互联网金融新业态。在传统的中介平台下,投资者的行为比较理性和谨慎,而在互联网金融的环境下,投资者多关注金融产品项目的完成程度,而相对忽视借款人的资质、借款期限和借款金额等因素。互联网金融新业态必须构建完善的监管和评估系统,科学地评估参与者的风险偏好和承受能力,有效地规范市场参与者对金融产品项目的考察,充分地披露借款人的相关信息和资质。同时,互联网金融应注重务实,减少不合理的高收益率和高风险产品,切实利用互联网提高民间资本的利用效率,促进经济的发展。

猜你喜欢
借款借贷金额
妻子的借款该如何认定债务关系呢
立案
元代就有“按揭”
一张图看懂民间借贷“防火墙”
成交金额前10名营业部买入的前3只个股
一周资金净流出金额前20名个股
一周资金净流入(流出)金额前20名个股
民间借贷年利率超过36%无效