影响P2P网络借贷市场借贷利率的因素分析_李金阳
广东商学院学报2013年第5期(总第130期) 金融与资本市场
影响P2P 网络借贷市场借贷
利率的因素分析
1,21
李金阳,朱钧
(1.武汉大学,湖北武汉430072; 2.湖北经济学院,湖北武汉430205)
摘要:以我国最大的P2P 网络借贷网站拍拍贷为例,采用多元线性回归模型建立网络借贷的借贷
结果表明:借入者的信用等级与借款金额对借款利率具有负向影响,历史利率影响因素模型进行实证研究,
流标次数对借款利率具有正向影响,是否加入优先计划、历史借贷成功次数、是否具有视频认证等与借款利率关系不显著。
关键词:P2P 网络借贷;借贷利率;信用等级;流标次数;拍拍贷
中图分类号:F832.4
文献标识码:A
文章编号:1008-2506(2013)05-0034-07
一、引言
个人间的民间借贷是古老而又长期存在的一种融资方式,它伴随商品经济的产生而发展。随着
一种新的基于网络虚拟平台的在线借贷形式逐渐进入借贷市场,即互联网技术的快速发展与普及,
P2P 网络借贷(Online Peer-to-Peer Lending )。P2P 网络借贷平台为有借款需求及出借意愿的群体提供
对资金借出人和借款人上传到借贷平台上的信息进行审核和匹配,参与双方可以网上借贷中介服务,
在网络上约定借款数额、借款利率、借款期限等交易细则,达成一致性认识后再进行资金划转。
网络借贷是民间借贷在现代网络信息技术支持下的新发展,其出现时间较短但发展速度惊人,并
[1]
2012)。2005年,全将成为未来十年最重要的金融服务创新方式(Eunkyoung Lee 和Byungtae Lee ,
球第一家P2P 网络借贷平台Zopa 在英国上线运营,逐渐替代传统银行成为借贷中介组织,承担网络
[2]
Prosper 出现在借贷交易中的信用认证、法律文件、追讨欠账等相关事宜的处理工作;2006年2月,
美国,并发展成为全球最大的P2P 网络借贷平台。此后,世界各国相继出现众多的网络借贷网站,如
Virginmoney 、Kiva ,德国的Smava ,日本的Moneyauction ,韩国的POP Funding 等。美国的Lending Club 、
2007年第一家借贷网站拍拍贷成立,网络借贷市场近年来在我国的发展也较为迅速,目前较有影响力
E 速贷、51give 等借贷网站。宜信、人人贷、红岭创投、的有齐放网、
P2P 网络借贷市场中参与的客户群体主要有两种:一是资金出借者,即贷款人;二是需要贷款的资金借入者,即借款人。目前我国P2P 网络借贷服务的对象主要是短期、小额借贷者,借款期限多在24个月内,借款金额一般在数百元到数十万元之间;借款人获得网上贷款的目的主要是用于个人及家
■收稿日期:2013-07-11
■基金项目:湖北省人文社科重点研究基地重点课题(2012JR003)
),■作者简介:李金阳(1977-女,江西南昌人,武汉大学信息管理学院博士研究生,湖北经济学院信息管理学院讲师。
34
李金阳,朱钧:影响P2P 网络借贷市场借贷利率的因素分析
庭的资金周转,如租房、装修、旅游、购买数码产品等,以及弥补创业中的资金周转不足等。为了规避金融风险,传统金融机构借贷门槛较高,贷款的发放一般要经历调查、担保、抵押、审批等多个环节,贷
时间较长。尤其是当个体面临较大的个人或家庭支出,却没有足够的抵押资产或找不到款手续复杂、
有实力的担保人时,其从金融机构获得贷款的可能性较低。P2P 网络借贷作为正规金融的补充,主要
在有资金需求和理财需求的个人之间搭建高效的网络互是针对中低收入者以及有创业需求的群体,
P2P 网络借贷动平台。目前我国小额贷款的办理手续较繁琐,在个人投资和融资渠道较少的情况下,
具有手续方便、无需担保抵押、融资方式灵活、不受地域限制、涉及面广、传播速度快等特点,适合个体
在一定程度上满足了部分社会融资需求。之间的资金调剂,
二、研究现状
作为网络时代的新鲜事物,网络借贷这一现象引起国内外学者的广泛关注。国内方面,众多学者
[3]
围绕网络借贷的特点、风险以及发展对策等展开研究。如莫易娴(2011)总结了网络借贷的起源、现
[4]
分类及风险,指出网络借贷的未来发展趋势;孙英隽和苏颜芹(2012)认为网络借贷是电子商务状、
[5]
认为和金融业务结合的产物;吴晓光和曹一(2011)研究了P2P 网络借贷业务流程可能引发的风险,
制定监管模式和安全技术指标,以引导网络借贷健康发展;李雪静应将网络借贷纳入监管体系,
(2013)[6]借鉴美、英等国P2P 网络借贷的监管模式,就我国规范发展网络借贷平台提出政策建议;黄
[7]
提出建立以信用体系为核心和与保险相结合叶苨和齐晓雯(2012)剖析了网络借贷中的风险问题,
[8]
针对网络借贷行业征信体的两种风险控制方法;艾志锋和陈宇(2013)对我国网络平台进行了调查,
[9]
系建设提出建议;钱金叶和杨飞(2012)对中国网络借贷的发展现状及前景进行了探讨。
国外关于P2P 网络借贷市场融资问题的实证研究成果主要是基于Prosper 借贷网站的交易数据。Ashta 和Assadi (2010)[10]指出,P2P 网络借贷可分为商业性和非商业性两种类型:商业性平台主要面
非商业平台往往在全球运作,两者的主要区别在于贷款人的意图和预期回报;贷款人虽向国内市场,
但同时需承担风险,在非商业平台,贷款人只能获得较少的收益。在然能从商业性平台获取收益,
P2P 网络贷款市场中,借款人的各种特性,包括人口统计特征、贷款金额、利率以及经济实力等都被视
2008;lyer 等,2009)[11-12]。Pope 和Sydnor 为能否成功获取贷款资金的决定性因素(Herzenstein 等,
(2011)[13]分析了P2P 网络借贷中借款人的年龄对借贷成功的影响,指出35岁 60岁的人群相对于不超过35岁的人群获得贷款的机率更高;网络借贷中存在种族差异,黑人更难获得借贷资金,如能获
[14]
则贷款利率更高。Ravina(2008)的研究表明,在其他借贷信息相同的情况下,容貌美丽的得贷款,
且较少拖欠还款;在一些P2P 借贷平台上,会员可以借款人更容易获得贷款并支付较低的贷款利率,
借款者通过加入到这些群组中,尤其是成为受信任组的成员后,获得所需贷款的概率组成特殊群组,
Lopez (2009)[15]对Prosper 上更高,另外,群体的力量对成员按时还款具有一定的约束作用。Herrero-发现加入信任组群的借贷者其资金借贷成功率增加一倍以上,同时更易获得合的借贷数据进行分析,
[16]
的研究表明,对潜在的借款人组群进行筛选可以有效降低借贷中理的贷款利率。Weiss 等(2010)
逆向选择的发生。
上述研究成果说明,在P2P 网络借贷的虚拟环境中,借贷人的个人特质对借贷决策的制定、借贷借贷成功有着重要影响。利用P2P 借贷网站上获得的可用性市场和交易数据,可以对网络借贷利率、
中影响资金借贷成功的因素和借贷利率等进行研究,以揭示网络借贷过程中发挥作用的决定性因素。
——拍拍贷网站上己经完成的网络借贷交易数据为研究对象,本文选取国内最大的P2P 借贷网站—建
立多元线性回归模型,对影响P2P 网络借贷市场借贷利率的因素进行实证分析。
P2P 网络借贷利率影响因素的实证分析三、
(一)研究背景
拍拍贷成立于2007年,是国内第一家P2P 小额无担保、无抵押网络借贷平台,作为中介平台的拍
35
广东商学院学报(2013年第5期)
拍贷既不吸储也不放贷。其借贷流程是:首先,用户在拍拍贷借贷网站上注册成为会员,注册时用户要上传个人信息资料,完成必要的认证;其次,采用信用评级标准评价会员的信用级别;再次,借款人借款用途、期限和所能负担的最高年利息等)向他人借钱,有意借款的则发布借款信息(如借款金额、
可用自有资金全额或部分通过投标的方式在拍拍贷借贷网站贷出。拍拍贷网络借贷平台上的网络借贷交易有竞标完成、审核、正在竞标以及撤出这样几种状态。借款人发布的借款需求通过审核后,处
则标志着借款过程完于正在竞标状态;经过一段时期以最低和较低利率的投标组合达到借贷总金额,
成,此时切换为竞标完成的状态;借款人还款时,资金先进入拍拍贷账户再由系统自动存入贷款人账
如果借款人逾期还款,将有可能被列入网站个人信用评级黑名单,拍拍贷网站会通过电话进行提户,
醒及催收服务费用,逾期还款人还有可能面临法律诉讼(二)建立模型
[9]
。
是P2P 借贷市场的利益相关者,也是成放贷人与借款人是P2P 借贷平台上活动的主要目标群体,
[12]
功实现贷款过程的决定因素。放贷人在一定的风险水平下,为寻求投资机会和尽可能多的盈利在P2P 网站上放贷;具有不同违约风险的借款人能以灵活的方式获取所需贷款;P2P 网站作为中介机构
[14]
把贷款人与借款人组合在一起,以一定的利率水平匹配有借贷意愿的参与双方。
P2P 网站借贷利率的确定有不同方法。如prosper.com 网站使用竞拍方式,借款人设置其愿意支付的最高利率,在14天内,贷款人以他们愿意接受的最低利率和出借金额参与竞拍;德国的Smava 借贷网站根据借款人的经济和人口统计特征计算贷款利率;拍拍贷网站在借贷过程中引入竞标机制,需其他人以竞标方式参与。要借贷的个人发布信息,
[16]
信息不对称是P2P 网络借贷市场面临的重要问题。虽然放贷人希望得到有关借款人尽可能多的有效信息,但借款人可能会刻意隐瞒部分特性以获得尽可能低的贷款利率。为了让放贷人在信息完全的基础上做出有效决策,许多P2P 借贷平台督促借款人提供性别、种族或年龄等人口统计信
[2]
以及兴趣爱好、家庭背景或照片等信息,这些信息是P2P 贷款中借贷利率的决定性因素。息,
文中的研究数据来源于拍拍贷借贷网站2012年11月至2013年2月间的借贷交易数据,且全部
是竞标处于完成状态的借贷信息,以确保实证研究结果的可信性。首先对获取的数据进行预处理,删除缺失重要信息的数据,去除噪声数据后整理得到3412条有效交易数据。笔者在综合前人有关网络借贷利率影响因素成果的基础上,考虑到研究变量的可获取性,并结合拍拍贷网站的实际情况,选择以下变量作为研究变量,验证其对借贷利率的影响:
1.借入者信用等级(X1)。借贷网站对借款人提交的资料进行评估,确定不同的信用等级。例如Prosper 借贷网站将借款者的信用等级从高到低分为AA 、A 、B 、C 、D 、E 、HR七个档次,对应借款风险从低到高的程度。拍拍贷借贷平台信用等级的评价主要以网站借贷数据和用户提交的其他信息进行确定。网站借贷数据包括借入者身份认证情况、是否具有手机实名认证、视频认证情况、按时还款情况、逾期还款记录等方面,用户提交的其他信息主要包括年龄、工作情况、收入、证件、工资证明等信息。本研究采用信用分数表示借入者的信用等级。
Herzenstein 等(2008)[11]对Prosper 上的交易数据进行比较分析,发现当借款人的信用等级为AA 或A 时,贷款成功的可能性接近40%,而当借款人的信用等级是最低的HR时,贷款成功率只有4%。Iyer 等(2009)[12]指出,Prosper 上借款人的信用评级与借贷人潜在的信贷价值和可能发生的违约率有信用等级越高,借贷利率越低,反之,信用等级越低,借贷利率越高。因此,信用等级得分的密切联系,
高低对借款人而言意味着其能否以较低的利率获得所需资金。
2.借款金额(X2)。即借款者发布在拍拍贷平台上期望获得的借入资金数额。目前该网站上的借贷金额通常在3000元至20万元之间。
3.流标次数(X3)。是指借款者以前在拍拍贷平台上曾经发布过借款信息,但最终并没有借到所需资金累计的次数。36
李金阳,朱钧:影响P2P 网络借贷市场借贷利率的因素分析
4.历史借款成功次数(X4)。指借款者过去在拍拍贷平台上成功获得100%资金的累计次数。5.是否加入优先计划(X5)。拍拍贷上借入者加入优先计划需要满足下列条件:有一个以上第三方关联,如QQ 、支付宝等;资料完善者,借入信用分达到35分以上;不能出现连续2次以上的审批失败(包含撤标、流标)。拍拍贷规定对加入优先计划的借入者的借款信息在专用列表位置上靠前排列,并享有自动投标权,各项认证在1个工作日内完成。借入者优先计划帮助借入者快速提升借款额度,提高借款成功率和借款效率。本研究中将加入优先计划的取值为1,没有加入的则取值为0。
6.是否具有视频认证(X6)。拍拍贷要求借入者上传视频须为本人真实场景拍摄,且图像清晰、声音清楚。本研究中将有视频认证的取值为1,无视频认证的取值为0。
本研究采用多元线性回归的建模方法来建立实证研究模型,解释变量为借款人信用等级、借款金额、流标次数、是否加入优先计划、是否有视频认证;被解释变量为借贷利率,以此探讨P2P 平台借贷利率的影响因素。
(三)回归结果及分析
为研究网络借贷利率受哪些因素影响,本研究在统计软件SPSS15中导入收集的拍拍贷借贷网站数据,运用多元线性回归分析方法,解释变量采用强制进入策略,并做多元线性回归检测,分析结果如表1所示。
表1中的各项数据含义分别是:被解释变
调整的判量和解释变量的复相关系数为0. 852,定系数为0. 712,判定系数为0. 726,回归模型
的估计标准误差为1. 275。该回归模型中包含
表1
1
.852(a )
多元线性回归检测
.712
1.275
.726
所以应参考调整的判定系数,该系数为0. 712,较接近于1,所以检测结果表明该回归若干解释变量,
模型拟合优度较高,即被解释变量能够被模型解释的部分较多,不能被解释的部分较少。
表2
Regression
1
ResidualTotal
1987.5131525.9633513.477
多元线性回归检测结果2
9938947
220.8351.627
135.746
0.000(a )
F 表2表示被解释变量的总离差平方和为3513. 477,回归平方和为1987. 513,均方为220. 835,
检验统计量的观测值为135. 746,对应的概率P 值近似为0,在显著水平是0. 05时,被解释变量与解释变量全体的线性相关是显著的,因此方程可以进行回归方程的显著性检验。
表3
(Constant )
X1X2X3X4X5X6
23.357-0.077-2.43E -005
0.1420.0200.068-0.067
0.1240.0050.0000.0280.0170.1310.158
-0.856-0.1980.1340.0370.012-0.014
回归系数显著性检验结果
188.747-16.035-4.0355.0461.1730.518-0.424
0.0000.0000.0000.0000.2410.6050.672
0.2580.9630.6590.5130.9000.415
3.8821.0391.5171.9491.1112.412
37
广东商学院学报(2013年第5期)
表3显示了模型变量的偏回归系数、标准误差、标准化偏回归系数、显著性检验t 值、显著性概率、解释变量的容忍度和方差膨胀因子。回归系数显著性检验结果表明,当显著性水平设定为0. 05时,X2、X3的回归系数显著性t 检验的概率P 小于显著性水平0. 05,只有解释变量X1、因此这些解释变
X5、X6的回归系数显著性t 检验的概量与被解释变量借款利率间的线性关系显著;其他解释变量X4、
率P 大于显著性水平0. 05,与被解释变量间的线性关系不显著。多重共线性检验是用来说明解释变
以解释变量的容忍度和方差膨胀因子作为统计指标。研究模型的量之间是否存在线性相关的关系,
多重共线性检验结果表明,方差膨胀因子(TIF )均小于10,容忍度(Tolerance )介于0到1之间,说明研
究模型的解释变量之间不存在严重的多重共线性。
本研究采用向后筛选策略建立回归方程。表4的多元线性回归分析结果表明,显著性水平设定为0. 05时,由于前3个模型中各解释变量的回归系数存在不显著的情况,只有第4个模型表示的方程回归系数显著性检验的概率低于显著性水平0. 05,被解释变量与解释变量之间的线性关系显著,且第4个模型的容忍度和方程膨胀因子检验结果表明解释变量X1、X2和X3之间不存在多种共线性,因此该模型可以作为最终模型。
表4
1
(Constant )
X1X2X3X4X5X6
2
(Constant )
X1X2X3X4X5
3
(Constant )
X1X2X3X4
4
(Constant )
X1X2X3
23.357-0.077-2.43E -005
0.1420.0200.068-0.06723.375-0.078-2.44E -005
0.1420.0210.06523.437-0.077-2.15E -005
0.1450.01923.392-0.075-2.16E -005
0.145
0.1240.0050.0000.0280.0170.1310.1580.1160.0040.0000.0280.0170.1310.0800.0040.0000.0280.0170.0710.0030.0000.028
-0.834-0.1770.136-0.865-0.1760.1360.036-0.869-0.1990.1340.0380.011-0.856-0.1980.1340.0370.012-0.014
多元线性回归分析结果
188.747-16.035-4.0355.0461.1730.518-0.424200.836-19.860-4.0545.0351.2340.494291.350-19.902-8.1165.2051.172329.925-24.426-8.1625.204
0.6720.9860.676
1.4881.0141.480
0.3660.9630.6740.419
2.7291.0381.4852.389
0.3640.9630.6600.9050.418
2.7461.0381.5151.1052.394
0.2580.9630.6590.5130.9000.415
0.2580.9630.6590.5130.9000.415
3.8821.0391.5171.9491.1112.412表4的检验结果表明,解释变量是否加入优先计划、历史借贷成功次数、是否具有视频认证与被解释变量借款利率之间关系不显著;借入者借款金额、借入者信用等级和被解释变量借款利率之间负相关,说明P2P 网络借贷交易中借入者信用等级升高,借款金额越多,则借入者的借款利率越低;解释
说明借款者历史流标次数越多,则支付的借款利变量历史流标次数与被解释变量借款利率之间正相关,率越高。38
李金阳,朱钧:影响P2P 网络借贷市场借贷利率的因素分析
四、结论与启示
本文以拍拍贷借贷网站为例,研究P2P 借贷市场中借贷利率的主要影响因素,从借入者信用等借款金额、历史借贷成功次数、历史流标次数、是否加入优先计划、是否具有视频认证6个解释变级、
量出发,验证了这些解释变量与借款利率之间的关系。通过建立模型,导入网站交易数据进行检验,研究结论如下:
1.借入者信用等级和借款金额与借款利率呈负相关关系。本文的研究结果与Iyer 等(2009)[12]
P2P 网络借贷发生在虚拟网络平台环境下,一致。相对于传统借贷市场,贷款不需抵押且无担保,市2008;lin M 等,2009)[17-18]。场中存在的信息不对称容易导致道德风险与逆向选择问题(Klafft M ,
Bhattacharya 和Spiegel (1991)[19]认为,信息不对称可能导致资本市场交易意愿下降,资金成本增加。因此,解决参与P2P 借贷市场中借款人和放贷人的信息不对称问题是促进其持续健康发展的重要前
因此基于网络借贷平台开提。欧美发达国家已经建立了较为完善的信用评价管理制度与体系机制,
展借款业务具有良好的信用基础条件。例如Prosper 要求注册用户具有美国合法公民身份,有社会保
障号、个人税号以及银行账号等信息,并从第三方机构Experian 中得到借款人的历史信用记录。而我国目前尚未建立健全完善的社会信用体系,不同的经济管理部门以及各网上信用信息服务机构分散管理个体的信用信息,各部门与机构之间处于相对封闭的状态,信用信息难以共享,信用管理效率较监管机制不健全的环境下,社会经济活动中的违约事件时有发生。因此要促进低。在这种信用评价、网络借贷的健康发展,必须以健全的社会信用体系作支撑。
2.是否加入优先计划、历史借贷成功次数、是否具有视频认证等与借款利率关系不显著。是否具
[17]有视频认证与借款利率关系不显著这一研究结论与Klafft (2008)的研究结论一致。Klafft 指出,P2P 借贷网站上借款人是否有照片对借贷的成功性有影响,但对借贷利率高低的决定性影响甚微。
借入者历史借款成功次数以及是否加入优先计划虽然能有效证明借入者是否有还款能力,有助于借入者成功获得借贷资金,但对于借贷利率却无显著性影响。
3.历史流标次数与借款利率正相关。作为民间借贷的一种形式,网络借贷由于建立在互联网虚拟平台上,所以面临的不确定性因素较多。Klafft 指出,由于贷款人缺乏在匿名网络环境下贷款的经
贷款风险更高。网络借贷的贷款者在借贷过程中难以确切掌握借款人的资信情况、借款用途等信验,
息,如果出现假冒信息、恶意欺诈、多账户注册等违法犯罪活动,贷款人将蒙受一定程度的损失。由于多数贷款者是风险规避者,因此借款者历史流标次数越多,则借入者所需支付的借款利率越高。网络借贷是微型金融在网络时代的新趋势,从制度创新层面来看,网络借贷平台的兴起是金融民
降低了各类主体进入融资行业的门槛。从技术创新层面来看,网络借贷将互联网技主化进程的产物,
2013)[20],术与金融业务服务的优势整合在一起(伍兴龙,它所提供的简单、快速、方便的贷款服务能
在一定程度上解决参与客户的资金短缺问题。与传统融资渠道相比,二者在融资规模、筛选过程、风险评估和管理等方面均存在区别,但网络借贷的特性使其必将成为传统金融机构的有益补充
。
[1]EUNKYOUNG LEE ,BYUNGTAE LEE.Herding behavior in online P2P lending :an empirical investigation [J ].Electronic Commerce Re-search and Applications ,2012,11(5):495-503.
[2]邢增艺,2010(12):109-111.王艳.网络借贷:微型金融发展新趋势[J ].前沿,
[3]莫易娴.P2P 网络借贷国内外理论与实践研究文献综述[J ].金融理论与实践,2011(12):101-104.[4]孙英隽,2012(1):92-95.苏颜芹.微金融的发展趋势:网络借贷[J ].科技与管理,[5]吴晓光,2011(4):32-35.曹一.论加强P2P 网络借贷平台的监管[J ].南方金融,
[6]李雪静.国外P2P 网络借贷平台的监管及对我国的启示[J ].金融理论与实践,2013(7):101-104.[7]黄叶苊,2012(4):101-105.齐晓雯.网络借贷中的风险控制[J ].金融理论与实践,
39
广东商学院学报(2013年第5期)
[8]——基于第三方网络借贷资讯平台发展的视角[J ].武汉金融,2013(1):艾志锋,陈宇.我国网络借贷行业征信体系建设问题探析—
62-63.
[9]钱金叶,2012(1):46-51.杨飞.中国P2P 网络借贷的发展现状及前景[J ].金融论坛,
[10]ASHTA A ,ASSADI D.An analysis of European online micro-lending websites [J ].Innovative Marketing ,2010,6(2):7-17.
[11]HERZENSTEINM ,ANDREWSRL ,DHOLAKIA U ,et al.The democratization of personal consumer loans ?determinants of success in
online peer-to-peer lending communities [R].University of Delaware ,Wilmington ,DE ,Working paper ,2008.
[12]IYERR,KHWAJA A I ,LUTTMERE F P ,et al.Screening in new credit markets :Can individual lenders infer borrower creditworthiness
.National Bureau of Economic Research,2009.in peer-to-peer lending ?[R]
[13]POPE D G ,SYDNORJ R.What ’s in a picture ?evidence of discrimination from prosper.com [J ].Journal of Human Resources,2011,
46(1):53-92.
[14]RAVINAE.Love &loans :the effect of beauty and personal characteristics in credit markets [R].Available at SSRN1107307,2008.[15]HERRERO-LOPEZ S.Social interactions in P2P lending [R].Proceedings of the 3rd Workshop on Social Network Mining and Analysis ,
ACM ,2009:3.
[16]WEISS G ,PELGERK ,HORSCHA.Mitigating adverse selection in P2P lending —empirical evidence from prosper.com [R].Available
2010.at SSRN1650774,
[17]KLAFFT M.Online peer-to-peer lending :a lenders' perspective [C ].Proceedings of the International Conference on E-Learning ,E-Busi-Government ,EEE ,2008:371-375.ness ,Enterprise Information Systems ,and E-[18]LIN M ,PRABHALAN ,VISWANATHAN S.Social networks as signaling mechanisms :evidence from online peer-to-peer lending [R].
Phoenix ,AZ :Workshop on Information Systems and Economics ,2009.
[19]BHATTACHARYAU ,SPIEGEL M.Insiders ,outsiders ,and market breakdowns [J ].Reviewof Financial Studies ,1991,4(2):255-282.
[20]伍兴龙.我国网络借贷发展现状与监管路径探析[J ].南方金融,2013(3):43-47.
(责任编辑汤菲)
An Empirical Study of Determinants of Interest
Ratein P2P Lending Market
2
LI Jin-yang 1,,ZHU Jun 1
(1.Wuhan University ,Wuhan 430072;2.Hubei University of Economics ,Wuhan 430205,China )
the paper takes the Abstract :In order to explore the determinants of interest rate in P2P lending market ,
largest online P2P lending marketplace in China-Paipai.com as an example ,and constructs a multiple linear regression model to make an empirical research.The results reveal that the borrower's credit score and loan amount have a negative impact on interest rates ,but the number of failed auctions has a positive impact on them.
Key words :P2P lending ;interest rate ;credit score ;the number of failed auctions ;Paipai lending
40