P2P网络借贷是新兴的小额借贷创新业务，P2P平台利用信息和互联网技术，为个人与个人之间的小额借贷行为提供信息咨询、信用评级、借款标的撮合等中介服务，以期满足借款人的融资需求与出借人的投资需求[1]。P2P网络借贷充分利用互联网，实现银行等传统金融媒介所不具备的“金融脱媒”优势，先由借款人提交必要的身份信息、资信信息，经平台审核通过后与出借人达成交易，最后借款人向出借人还本付息，同时，平台收取定额或定比的佣金、手续费。P2P网络借贷平台融资门槛低、程序快捷，能够满足不同行业中小微企业及个人融资需求，具有搜寻成本低，收益高，项目种类多样，流动性好等优点，填补了传统金融体系小额借贷的缺陷与空白。自我国第一家网络借贷平台“拍拍贷”成立后，大量P2P网络借贷平台随之涌现，发展十分迅速。然而，迅速发展的同时，经营水平参差不齐，整体的存活率不高等诸多问题逐渐暴露，平台倒闭、“跑路”等现象屡屡发生。近期爆发的e租宝、“快鹿系”、易乾财富等借贷欺诈、非法集资事件，不仅危害借贷双方的合法权益，而且影响了P2P平台、互联网金融市场的健康长远发展。

P2P平台保障小微企业与个人融资需求的重要前提条件之一是具备成熟、合理的资金结构。优化平台资金结构、引导合理的成交利率，以不断满足日益增多的小微企业和个人的融资需求，从而推动平台发展是每一个平台的目标。借贷双方资金集中度反映了P2P网络借贷资金结构的风险水平，不仅影响P2P平台成交利率，而且对出借人和借款人的行为决策影响深刻;因此，深入研究借贷双方资金集中度对P2P平台成交利率的影响是多方参与者共同关注的焦点，有着重要的理论意义和现实意义。基于此，本文对借贷双方资金集中度对P2P平台成交利率的影响进行理论分析与实证研究，以丰富P2P网络借贷的相关理论。

1 文献综述

国内对P2P网络借贷的研究主要集中于理论分析，对P2P平台成交利率的影响因素研究较少。国外文献主要集中于对P2P网络借贷行为的影响因素研究。

宋文[2]以拍拍贷平台的数据为样本进行数理统计分析，看出在影响借款能否完成的因素中,信任变量对借款成功率和借款利率的高低有很大影响。王会娟等[3]基于“人人贷”上的交易数据进行研究，发现信用评级与借款成功率成正相关关系，与借款利率成负相关关系；不同的信用认证方式对借款成功率、借款利率也会产生影响。宁欣[4]同样利用了“人人贷”的交易数据对个人信息对借贷成功率的影响进行实证分析。发现信用评级、学历和年龄等借款人信息对提高借贷成功率有着显著影响。李文佳[5]通过调查问卷和对“拍拍贷”进行案例分析的方式，发现安全程度、评级规则、信用等级、借款目的、财务状况和资料完整度等是对P2P网络借贷行为影响最大的因素。李悦雷[6]通过统计研究“拍拍贷”中借款者地域、年龄和信用等级等特征，发现订单属性、借款人身份信息、社会资本以及羊群行为特征对借贷成功与否影响显著。类似的，郭奕[7]利用“拍拍贷”上的交易数据进行了实证研究，发现借款人的信用等级、总投标笔数、历史借款成功次数、借款金额、借款期限以及还款方式对融资成功率均有影响。张珏敏[8]运用信息不对称理论对网络借贷进行实证分析，发现在网络借贷中存在一定程度的逆向选择和道德风险，个人信息、担保信息和借款标的信息对借款成功率构成显著影响。

Iyer等[9]认为借贷平台对借款者信用评级的不同会造成借款利率的差异性。Klafft[10]发现借款人借款利率的高低主要取决于借款人信用评级和债务收入比，二者中信用评级影响更大，其他信息如个人照片等对借款利率影响较小。Freedman等[11]研究发现，Prosper平台通过要求借款人提供自己更多的信息，使借款人的的平均借款成功率明显提高。Barasinska[12]以性别为变量进行融资行为的研究，发现不同性别的出借人，风险意识不同。Herzenstein 等[13]提出虽然种族和性别等人口特征影响到融资成功率，但影响较小。

2)检验借款资金集中度方程中P2P平台成交利率的内生性。首先，将联立方程中影响P2P平台成交利率与前十大借款人待还金额占比的所有前定变量作为自变量、P2P平台成交利率作为因变量进行最小二乘回归，并从回归结果中导出P2P平台成交利率方程简化式的残差序列为一般的OLS残差)。即：

Ashta等[14]发现关系型社会资本可以降低逆向选择的风险，提高借款成功率的同时降低借贷成本。Greiner等[15]从借贷者双方的角度探讨社会资本对借款行为的影响，结果发现社会资本可以降低借款人的借款成本。Berger[16]发现，如果借款人加入群组，可以明显降低借款利率。类似的，Lin[17]发现社会网络是否有效对借款利率能否降低、信息不对称能否减少有较大影响。Lin等[18]利用庞大的在线P2P借贷市场Prosper相关资料研究了P2P借贷市场，发现借款人的社会资本增加了融资成功的可能性，降低了贷款利率，同时也提高了违约率。Garman等[19]发现拍卖是P2P最受欢迎的机制。开发和分析了P2P的均衡竞争竞价模型。如果市场能够自然地组成借款人的群体，那么融资成本会降低。

本文从P2P平台借贷双方资金结构的角度入手，探讨了借贷双方资金集中度对P2P平台成交利率的影响机理，选取了293家最具代表性的国内P2P网络借贷平台为研究对象，构建了借贷双方资金集中度与P2P平台成交利率的联立方程模型，进行了跨平台的实证研究。

综上所述，现有文献有以下几个缺陷：首先,是缺乏基于交易数据的国内P2P网络借贷行业跨平台的实证研究;其次,缺乏对P2P平台借贷双方资金结构的研究;最后,缺乏对P2P平台整体成交利率的研究。本文以此为核心研究切入点，对其进行深入研究。

2 借贷双方资金集中度对P2P平台成交利率的影响机理

2.1 P2P网络借贷平台的借款利率定价模式

1)基于平台的借款利率定价模式。P2P网络借贷平台按照其预定的标准设定借款利率。借款利率通常会因借款人的身份信息、信用评级、借款期限、融资目的、还款能力以及借款人的其他条件而有所差别。 大多数平台提供的实地认证标都是与合作机构合作开发的标的，由于涉及到与小贷公司、担保公司合作及线下的尽调服务等内容，这部分标的很难让借款人自行来决定借款利率。而这个定价的过程本身非常不透明，信息披露不充分，甚至一些P2P平台存在建立资金池的嫌疑。例如:Prosper从2010年开始执行预先设定借款利率的商业运作模式，即首先搜集借款人的信用报告和经济信息，按照既定算法算出的信用风险值来确定借款利率，然后由出借人选择是否愿意在平台测算出的价格水平下出借资金。

截止到2018年12月，在装有Android系统的手机等设备的应用界面，以“俄语”、“俄罗斯”为关键词搜索相关软件（不包括游戏），只有十几款。那么，俄语等级测试APP的现状就更不容乐观了。市场上可供使用的俄语等级测试APP的现状如下：只针对俄语等级测试的APP只有Bears这一款。俄语7500km虽然也涉及俄语等级测试的内容，但其全部内容却包括俄语学习的方方面面，比较宽泛。而俄语研习社、俄语摆渡专八刷题宝典、俄语堂虽同样包括俄语等级测试的内容，但皆属于微信小程序，需要依托微信平台（但微信小程序除需借助微信平台外，其他大体上与APP相似，所以在这里一并进行了分析）。

2)基于借贷双方的借款利率定价模式。该模式下的借款利率定价主要取决于P2P网络借贷市场的供需情况，即借款利率依据近期市场借贷双方的供需情况上下波动。在借贷双方都掌握一定的融资项目信息的基础上，借贷的利率水平主要由资金出借人与借款人双方采取类似“荷兰式拍卖”的形式确定，借款利率最终受借贷双方力量的影响而调整。在此种特殊的反向竞拍模式下，借款人把资金需求上传至P2P平台，内容包括借款金额、融资目的及愿意支付的(最高)借款利率等，然后出借人开始竞标，决定是否以此利率出借资金。如果出借人的投资需求旺盛，且竞价充分，则借款人可能以低于预期的价格获得较优惠的借款利率，以获得性价比更合适的借款融资。显然，出借人会优先考虑最具有吸引力(最高)的借款利率出借资金，这可能导致其他(提供较低借款利率) 的借款人无法获得借款资金。因此，借款人可能需要进行借款利率策略的调整，以更高的借款利率来吸引市场注意力。从长远来看，这种利率决定机制更有利于市场环境的成熟与稳定。国内P2P平台中，该种定价模式的代表主要为“拍拍贷”。

实际上，在这2种主流定价模式的现实情况中，P2P平台对于借款利率的定价都有不同程度的控制，平台在借款利率的定价中大多起到主导性作用，这使得P2P平台成交利率未能充分体现借款人的信用评级或借贷双方的资金供求力量导向。

2.2 贷款资金集中度对P2P平台成交利率的影响机理

贷款资金作为P2P网络借贷交易的“源头活水”，是平台市场竞争的主要目标。而贷款资金结构是衡量一家P2P平台资金来源安全性的重要指标。但广大的 P2P网络借贷出借人并没有相应的投资知识储备，缺乏对风险的识别能力，更多的情况下只是凭借并不丰富的经验做出投资决策，往往带有追逐高回报率的投资倾向，或者仅仅遵循“羊群效应"进行投资[20]。P2P网络借贷的参与主体出借人、借款人及平台三方之间存在信息不对称问题，而出借人明显处于信息劣势，而且在行业自律与监管机制建设方面，当前国内缺乏对P2P平台在关键信息的公示披露、宣传与营销上透明、公正等方面的硬性要求。在上述背景下，出借人无法获知P2P平台真实的贷款资金结构信息。对于资金集中度对P2P平台成交利率的影响机理，本文创造性的提出了风险集中效应和风险识别效应。

1)风险集中效应。如果P2P平台的贷款资金集中度过高，即借贷资金来源于较少数的出借人，一旦出现个别出借人放弃出借或者其他意外，可能导致平台贷款资金供给不足、来源不稳定等一系列问题，甚至可能出现高利贷、洗钱等违法违规的现象，这将导致风险集中，增大平台资金链发生断裂的可能性。平台借贷资金链一旦断裂，借款人将无资可融，平台将面临系统性风险，出借人的前期投资也很可能将无法收回。因此，贷款资金结构风险的集中，将推高平台借贷的成交利率。本文将这种效应称为贷款资金集中度对P2P平台成交利率的“风险集中效应”,如图1所示。

2)风险识别效应。P2P网络借贷平台的贷款资金来源集中度越高，意味着贷款资金来源于较少数的出借人，而这类出借人通常具备较专业的投资知识、较丰富的投资经验和较强的风险识别能力及承受能力，具备搜寻、识别风险较低的投资项目的能力。由此，借款人将借助借款资金启动项目，并获得项目收益,平台将获得该项目的稳定佣金收入,出借人的投资也将得到安全如期的回报;因此，贷款资金结构的集中，将降低借款融资的成本，即降低平台借贷的成交利率。本文将这种效应称为贷款资金集中度对P2P平台成交利率的“风险识别效应”,如图2所示。

肖健还有一个更大的心愿，他希望通过种植有机蔬果，帮助更多的农民。未来，他想把园子做大，让更多的农民走到有机蔬果种植这一健康、良性循环且可持续发展的道路上来。

试验组生猪头均用料量为268.03 kg，头均增重为103.48 kg，料肉比为2.59∶1；对照组生猪头均用料量为279.31 kg，头均增重为97.65 kg，料肉比为2.86∶1。试验组生猪的料肉比较对照组降低0.27，降低了9.44%，差异显著（P＜0.05），见表2。

  

图1 贷款资金集中度对P2P平台成交利率的“风险集中效应”

  

图2 贷款资金集中度对P2P平台成交利率的“风险识别效应”

2.3 借款资金集中度对P2P平台成交利率的影响机理

借款资金结构是衡量一家P2P平台资金去向安全性的重要指标。为了吸引出借人出借资金，当前国内的P2P平台大多都承诺“保本保息”。但是信息不对称问题仍然存在，出借人明显处于信息劣势，无法获知P2P平台真实的借款资金结构信息。本文认为，借款资金集中度对P2P平台成交利率的影响也存在2种效应。

Ten_D=1.125 964-1.563 599Interest+0.001 572Time-0.110 236Number_D-0.001 223×Capital+1.036

  

图3 借款资金集中度对P2P平台成交利率的“风险集中效应”

2)风险识别效应。P2P网络借贷平台的借款资金去向集中度越高，意味着借款资金集中在少数借款标的项目上，出借人能够有较多的时间精力去评估、识别项目质量，较容易识别出其中的优质稳健项目。由此，借款人、平台以及出借人都将实现期望目标;因此，借款资金结构的集中，将降低借款融资的成本，即降低平台借贷的成交利率。本文将这种效应称为借款资金集中度对P2P平台成交利率的“风险识别效应”,如图4所示。

  

图4 借款资金集中度对P2P平台成交利率的“风险识别效应”

3 借贷双方资金集中度对P2P平台成交利率影响的实证研究

3.1 变量的选取与说明

基于数据的可获得性，本文选取数据披露较为完整的306家国内P2P网络借贷平台为样本，选取2015年9月至2016年2月各平台的月度数据。对存在数据缺失或明显有误的13家平台进行必要的删减剔除，最终得到293家P2P网络借贷平台。数据来源为第三方网络借贷资讯平台“网贷之家”及各P2P网络借贷平台网站运营交易数据的手工收集、统计、整理。本文从借贷资金的待还、待收角度，选取前十大借款人待还金额占比、前十大出借人待收金额占比分别测度P2P平台借、贷双方资金的集中度。各变量及其含义,如表1所示。

 

表1 各变量及其含义

  

变量说明InterestP2P平台的成交利率，在指定时间点，该平台上所有借款标的借款利率的平均值Interestit=∑nj=1Interestit/nTen＿L在指定时间点，待收金额前十位出借人的待收金额占P2P平台上所有出借人待收金额的比例Ten＿Lit=Ten＿Amount＿Lit/All＿Amount＿LitTen＿D前十大借款人待还金额占比Ten＿Dit=Ten＿Amount＿Dit/All＿Amount＿DitTime运营时间，以月为单位Volume成交量，指定时期内，平台上所有成功借款标的资金总额Lever资金杠杆，指在指定时间点，平台上所有出借人待收金额总额与平台注册资本的比例。Quantity借款标数，指在指定时期内，平台上所有成功借款标的数量，以个为单位，并进行对数化处理Duration平均借款期限，以月为单位。F＿Time满标用时，指在指定时期内，平台上所有成功借款标被投满所需时间的平均值，以分为单位。Number＿L出借人数，指在指定时期内，平台上所有成功借款标的出借人数，以人为单位，并进行对数化处理。Number＿D借款人数，以人为单位，并进行对数化处理。Capital注册资本，以万元为单位，并进行对数化处理。

3.2 变量的描述性统计分析

统计分析结果显示,平台成交利率的均值为13.462 7%，最高利率为27.870 0%，标准差为0.037 139，表明各平台的成交利率之间存在一定的差异。前十大出借人待收金额占比的均值为25.153 5%，最高达到97.550 0%，表明各平台的出借人贷款资金集中度存在明显差异。前十大借款人待还金额占比的均值为48.734 1%，最高达到100%，表明各平台的借款人借款资金集中度存在明显差异，而且借款人借款资金集中度与出借人贷款资金集中度相比整体较高。以2016年2月为时间基准点，各平台的平均运营时间为22.622 870个月，表明国内P2P网络借贷平台的起步较晚，运营时间最长的“拍拍贷”达到105个月，运营时间的明显差异反映出P2P平台运营水平的参差不齐且不稳定。

成交量、借款标数、出借人数、借款人数和注册资本均进行对数处理。各平台的月度成交量从20万元到1 096 111.78万元不等，平均成交量为5 026.468 857万元。平均的资金杠杆为21.391 330倍，最高达到456.37倍，可见P2P平台的资金杠杆极高，具有很高的资金风险。各平台的月度借款标数在1到4 560 657个之间，平均借款标数为212个，表明各平台之间网络借贷行为的活跃度差异巨大，部分平台的交易活动极其活跃，而部分平台的活跃度则较低。平均借款期限从0.17个月到49.14个月不等，均值为4.864 215个月，表明借款标的以短期借款为主。平均满标用时为30.648 616 67小时，最短用时为0小时，即“秒标”。注意到该指标的标准差非常大，表明不同借款标的满标用时有显著差异，即市场对不同借款标的需求度存在显著差异。各平台的平均月度出借人数为1 317人，最高月度出借人数为197 283人，平均月度借款人数为61人，最高月度借款人数为176 013人，表明出借资金进行投资的人数整体上要多于借款融资的人数。平均注册资本为3 774.986 177万元，最低注册资本为100万元，如表2所示。

实施方案明确，国家水资源监控能力建设项目（2012—2014年）（以下简称项目）的建设目标是自2012年起，用3年左右时间，基本建立与用水总量控制、用水效率控制和水功能区限制纳污相适应的监控体系，基本建立国家水资源管理系统框架，初步形成与实行最严格水资源管理制度相适应的水资源监控能力，逐步增强支撑水资源定量管理和“三条红线”监督考核的能力。

 

表2 变量的描述性统计

  

变量名称变量字母均值最大值最小值标准差成交利率Interest0．1346270．2787000．0000000．037139前十大出借人待收金额占比Ten＿L0．2515350．9755000．0000000．203088前十大借款人待还金额占比Ten＿D0．4873411．0000000．0000000．326667运营时间Time22．622870105．0000006．00000013．371560成交量Volume8．52247313．9072802．9957321．784266资金杠杆Lever21．391330456．3700000．00000058．675440借款标数Quantity5．35730915．3329800．0000002．167216平均借款期限Duration4．86421549．1400000．1700005．845311满标用时F＿Time1838．917000175069．7000000．0000008158．104000出借人数Number＿L7．18343812．1923900．0000001．892167借款人数Number＿D4．10640712．0783100．0000002．323094注册资本Capital8．23615212．3013804．6051701．069962

3.3 面板数据的联立方程模型

一方面，借贷双方资金集中度对P2P平台成交利率存在影响，影响机理具体包括“风险集中效应”与“风险识别效应”2种效应;另一方面，P2P平台成交利率对借贷双方资金集中度也存在影响。在一定范围内，平台的平均成交利率越高，吸引的出借人越多，这将导致平台贷款资金来源集中度的降低。平台的平均成交利率越高，意味着借款融资成本越高，借款人数会越少，借款资金去向的集中度将越高;因此，P2P平台借贷双方资金集中度与其成交利率之间相互影响、相互作用，即应存在内生性关系。本文在分析借贷双方资金集中度对P2P平台成交利率的影响时，充分考虑到二者的内生性关系;因此，本文认为采用联立方程模型进行相关的实证研究是比较合适的。

结合前文对变量选取的说明与分析，本文将研究变量进一步地划分为内生变量与前定变量2类。除了P2P网络借贷平台成交利率与反映平台双向资金结构的前十大出借人待收金额占比、前十大借款人待还金额占比这3个关键变量间的相互作用以外，本文认为平台运营时间、成交量、资金杠杆、借款标数、平均借款期限及满标用时对P2P网络借贷平台成交利率存在影响;运营时间、出借人数、成交量、资金杠杆对出借人贷款资金的集中度存在影响;运营时间、借款人数、注册资本对借款人借款资金的集中度存在影响。鉴于上述变量与前3个关键变量无直接关系，故本文认为他们应属于前定变量。所以本文对研究模型中内生变量与前定变量的划分,如图5所示。

根据前文对借贷双方资金集中度对P2P平台成交利率的影响分析以及上图对内生变量和前定变量的划分，采用多元线性函数形式，本文构建联立方程模型表达式如下：

 

(1)

  

图5 内生变量与前定变量的划分

4 模型估计与实证结果

4.1 方程的联立性(变量的内生性)检验

1)检验贷款资金集中度方程中P2P平台成交利率的内生性。首先，将联立方程中影响P2P平台成交利率与前十大出借人待收金额占比的所有前定变量作为自变量、P2P平台成交利率作为因变量进行最小二乘回归，并从回归结果中导出P2P平台成交利率方程简化式的残差序列为一般的OLS残差)。即：

 

(2)

得到的估计结果：

601 8-0.000 468Time+0.012 309Volume+2.96E-05Lever-0.0.347 3Quantity+0.000 761Duration+5.05E-08F_Time-0.001 334×Number_L。

由于合成气中 H2和 CO是后续合成的主要原料，合成气高H2/CO比和收率有利于合成甲醇、二甲醚、低碳烯烃等能源化工品。本文化学链气化系统选择Fe2O3/C为0.5。

(3)

令此时有：

Ten_L=α1+α2Interest+α3Time+α4Number_L+

(4)

对上述方程采用最小二乘法进行回归估计，以关注ξ3是否显著，即检验变量的系数ξ3的t检验是否显著。原假设为H0∶ξ3=0。

实际回归结果如下：

Ten_L=0.257 506+2.697 955Interest-0.001 771Time-0.074 369Number_L+0.022 939×Volume+0.000 344Lever-3.470

(5)

系数ξ3的t值、p值分别为-5.059 183、0.000 0,说明与u1在1%的显著水平下相关，拒绝原假设，即贷款资金集中度方程中P2P平台成交利率变量是内生的。

对方是一个女人，声音虽然也甜，但显得猛，反问她：你是谁？皇甫一兰一愣，心想她打电话给我却问我是谁，打错了吧。皇甫一兰毕竟是淑女，有教养，再加上在服务行业工作训练有素，于是礼貌而客气地说：我是皇甫一兰。对方阴冷的声音似乎从牙缝挤进了她的耳鼓：我说你是婊子、骚狐狸、害人精，声音这么嗲，难道就是为了勾男人魂、喝男人血、吸男人精，让男人包二奶、养小三的？你这个人人可上的公交车，省省吧，叫你男人把你的责任田种好就行了，别再像大集体时大伙都能耕种几镢头。啪！手机挂了。

Interest=m1+m2Time+m3Volume+m4Lever+m5Quantity+m6Duration+m7F_Time+m8Number_D+

(6)

得到的估计结果：

447-0.000 425Time+0.010 820Volume+4.55E-05Lever-0.002 179×Quantity+0.000 738Duration+2.87E-08F_Time-0.001 797Number_D+0.001 436Capital。

深入贯彻落实十八届三中全会精神 实现农村水电改革发展新跨越…………………………………………………… 田中兴（24.53）

(7)

令此时有：

在线学习体验式 以微信为载体的学习共享平台给学员一种全新的学习体验方式，学员可以随时随地扫码进入教室空间，进入在线平台雨课堂教学课程的应用，进行自主学习和信息交互。雨课堂可以让学生将微信号和学习账号绑定起来，建立“个人中心”信息内容，会自动记录学生的学习内容、在线时间、学习状况和个人学习偏好。学生可以根据自己的学习情况、专业方向进行课表定制，在“课程地图”上找到适合自己的路径。学生既可以学习专业知识，也能拥有开放的空间去交流、提问、讨论，能够体验实时交流的便捷和快乐，寻找到志趣相同的伙伴。

本文选取三阶段最小二乘法对面板数据联立方程模型进行参数估计。实证回归得到借贷双方资金集中度与P2P平台成交利率的联立方程模型的三阶段最小二乘(3SLS)回归的相关结果，具体的拟合结果,如表3所示。

(8)

对上述方程采用最小二乘法进行回归估计，以关注ξ4是否显著，即检验变量的系数ξ4的t检验是否显著。原假设为H0∶ξ4=0

（1）设备数量庞大的分布式系统。IoT系统由多种感知设备（如传感器、射频识别（RFID）等）通过网络相互连接而成。不同于当前的互联网结构，IoT包含数以亿计的网络节点，庞大的设备数量增加了安全检测的难度；不同于软件定义网络（SDN）的架构，IoT实际上是一种大型的分布式系统，去中心化的网络特征增加了IoT集中式安全管控的难度。

实际回归结果如下：

由文献[1]表7.1可知，满足Ax.1则对于数学模型(3)有h=0,X∈{S,R,T,T-1};满足Ax.5,对于模型(3)有k=2;满足Ax.6,对于模型(3)有X∈{N,P,S,T},且指标T与S等价.于是仅须考虑模型

(6)与将全部约束方程纳入误差模型的建模方式相比，未将全部约束方程纳入误差模型的建模方式，结构误差辨识精度低，考虑测量误差时辨识出的结构误差与给定值差值最大值达到1.13 mm，大于0.1 mm，如图5b所示。

1)风险集中效应。P2P平台的借款资金集中度过高，资金集中在少数标的项目上导致风险集中，出借人和P2P平台面临更大的风险敞口，借款人还款违约风险也会增高。一旦平台集中的大客户出现大额逾期或无法还款，对其的资金追偿将变得极为困难，平台将面临极大的担保赔付压力，很可能将影响到自身的正常经营，甚至引发系统性风险，出借人的投资很可能将无法收回[21]。所以，借款资金结构风险的集中，将推高平台借贷的成交利率。本文将这种效应称为借款资金集中度对P2P平台成交利率的“风险集中效应”,如图3所示。

(9)

系数ξ4的t值、p值分别为2.694 935、0.007 1。说明与u2在1%的显著水平下相关，拒绝原假设，即借款资金集中度方程中P2P平台成交利率变量是内生的。

However, active treatment has been linked to improved outcomes in PDA compared to best supportive care(BSC)[6].

3)检验P2P平台成交利率方程中的贷款资金集中度内生性。首先，将联立方程中影响P2P平台成交利率与前十大出借人待收金额占比的所有前定变量作为自变量、前十大出借人待收金额占比作为因变量进行最小二乘回归，并从回归结果中导出贷款资金集中度方程简化式的残差序列为一般的OLS残差)。即：

 

(10)

得到的估计结果：

112+0.000 749Time+0.072 326Number_L+0.011 988Volume-0.000 212×Lever-0.013 041Quantity+0.000 766Duration+3.09E-07F_Time。

(11)

令此时有：

 

(12)

对上述方程采用最小二乘法进行回归估计，以关注ξ1是否显著，即检验变量的系数ξ1的t检验是否显著。原假设为H0∶ξ1=0。

实际回归结果如下：

Interest=0.226 608-0.173 12Ten_L-0.007 282Ten_D+0.000 432Time-0.012 459×Volume-2.77E-05Lever+0.003 308Quantity-0.000 791Duration-8.26E-08F_Time-0.012 872×

(13)

系数ξ1的t值和p值分别为-32.172 91和0.000 0。说明与u3在1%的显著水平下相关，原假设被拒绝，即P2P平台成交利率方程中前十大借人待收金额占比变量是内生的。

令此时有：

Ten_D=k1+k2Time+k3Number_D+k4Capital+

(14)

得到的估计结果：

175+0.000 199Time+0.149 603Number_D-0.014 304Capital+0.015 829×Volume-0.000 631Lever-0.061 495Quantity+0.000 798Duration-1.00E-06F_Time。

(15)

4)检验P2P平台成交利率方程中的借款资金集中度内生性。将联立方程中影响P2P平台成交利率与前十大借款人待还金额占比的所有前定变量作为自变量、前十大借款人待还金额占比作为因变量进行最小二乘回归，并从回归结果中导出借款资金集中度方程简化式的残差序列为的OLS残差)。即：

 

(16)

对上述方程采用最小二乘法进行回归估计，以关注ξ2是否显著，即检验变量的系数ξ2的t检验是否显著。原假设为H0∶ξ2=0。

实际回归结果如下：

Interest=0.239 751-0.028 00Ten_L-0.011 230Ten_D+0.000 421Time-0.013 216×Volume-2.61E-05Lever+0.003 001Quantity-0.000 810Duration-9.36E-08F_Time+0.007 101×

(17)

系数ξ2的t值和p值分别为26.607 67和0.000 0。说明与u3在1%的显著水平下相关，原假设被拒绝，即P2P平台成交利率方程中前十大借款人待还金额占比变量是内生的。

做完放疗，医生确定可以正常去上班，可单位的领导却让他在家多休息一段时间。因为周启明所在办公室里有个孕妇，担心周启明身上的辐射。

经过Hausman检验发现，P2P平台成交利率对借贷双方资金集中度有显著的内生性影响作用，而借贷双方资金集中度对P2P平台成交利率也有显著的内生性影响作用，借贷双方资金集中度与P2P平台成交利率之间的内生性是双向的关系;因此，本文对借贷双方资金集中度与P2P平台成交利率应用联立方程模型是合适的。

4.2 模型参数估计

Ten_D=β1+β2Interest+β3Time+β4Number_D+

1)贷款资金集中度方程的结果分析。本文选取了成交利率Interest、运营时间Time、出借人数Number_L、成交量Volume及资金杠杆Lever变量，并列入贷款资金集中度方程中进行实证分析。

实证结果:出借人投资回报率水平的P2P平台成交利率Interest的系数在10%的水平下显著为正，说明投资回报率水平会对P2P平台的贷款资金集中度产生正向的影响，且成交利率每提高1%，前十大出借人待收金额占比提高1.147 765%。在P2P网络借贷的投资收益率普遍高于传统的银行、保险等理财产品收益率的情况下，P2P平台成交利率越高，即投资回报率水平越高，对应的投资项目的风险水平也越高。而P2P网络借贷的投资参与者绝大部分为普通的投资理财者，其缺乏足够的风险识别能力及承受能力。与传统的较为稳健的投资理财产品相比，P2P网络借贷平台高企的投资回报率反而容易导致广大普通投资群体参与度的降低。只有投资素养专业、投资经验丰富、风险识别能力及承受能力较高的小部分投资者参与到P2P平台项目的投资活动中，同时，即便参与了投资竞标，考虑到较高的风险水平，往往也会减少投资竞标的数量，进而导致P2P平台的贷款资金集中度较高。

 

表3 联立方程模型3SLS实证结果

  

变量贷款资金集中度方程借款资金集中度方程成交利率方程前十大出借人待收金额占比(Ten＿L)-0．020915∗∗(-2．149775)前十大借款人待还金额占比(Ten＿D)-0．018930∗∗∗(-5．075396)成交利率(Interest)1．147765∗-1．608505∗∗∗(1．747241)(-4．659891)运营时间(Time)-0．0008220．001591∗∗∗0．000454∗∗∗(-1．639678)(3．362916)(6．902362)成交量(Volume)0．006963-0．011951∗∗∗(0．848742)(-13．72418)资金杠杆(Lever)0．000208∗∗∗-3．87E-05∗∗∗(2．669855)(-2．678494)借款标数(Quantity)0．001516∗∗∗(2．645516)平均借款期限(Duration)-0．000723∗∗∗(-5．274875)满标用时(F＿Time)-1．13E-07(-1．365707)出借人数(Number＿L)-0．071207∗∗∗(-18．52737)借款人数(Number＿D)-0．110500∗∗∗(-40．44560)注册资本(Capital)0．000111(0．022286)

注：括号内为T统计值，***、**、*分别代表在1%、5%、10%的水平下显著。

实证发现:出借人数Number_L的系数在1%水平下显著为负，说明出借人数会对P2P平台的贷款资金集中度产生负向的影响，市场投资参与度越高，P2P平台的贷款资金集中度则越低;资金杠杆Lever的系数在1%水平下显著为正，说明P2P平台的资金杠杆会对其贷款资金集中度产生正向的影响，即平台的偿债能力越低，其贷款资金集中度越高，但系数仅为0.000 208，说明其影响程度并不强。

2)借款资金集中度方程的结果分析。借款资金集中度方程研究哪些因素对P2P网络借贷平台的借款资金集中度构成了影响。本文分别选取了成交利率Interest、运营时间Time、借款人数Number_D、注册资本Capital变量，列入借款资金集中度方程中进行实证分析。

实证结果表明:借款人借款融资成本的P2P平台成交利率Interest、借款人数Number_D的系数在1%的水平下显著为负，说明借款成交利率、借款人数会对P2P平台的借款资金集中度产生负向的影响。当利率提高，借款人的融资成本提高，及时获得应急资金的可能性也会增大、融资的成功率越高，将吸引越多的以应急资金周转为融资目的的借款人参与借贷，进而导致P2P平台借款资金集中度越低。平台运营时间Time的系数在1%水平下显著为正，说明平台的运营时间越长，其借款资金集中度越高。

3)成交利率方程的结果分析。本文分别选取了前十大出借人待收金额占比Ten_L、前十大借款人待还金额占比Ten_D、运营时间Time、成交量Volume、资金杠杆Lever、借款标数Quantity、借款期限Duration及满标用时F_Time变量进行实证分析。

由表3可知，在成交利率方程中，P2P平台借贷双方资金集中度的前十大出借人待收金额占比Ten_L、前十大借款人待还金额占比Ten_D的系数分别在5%、1%的水平下显著为负，说明借贷双方资金集中度均会对P2P平台成交利率产生负向的影响。即贷款资金集中度越高，P2P平台成交利率越低，且贷款资金集中度每提高1%，P2P平台成交利率则下降0.020 915%；借款资金集中度越高，P2P平台成交利率越低，且借款资金集中度每提高1%，P2P平台成交利率则下降0.018 930%。该实证结果表明，在借贷双方资金集中度对P2P平台成交利率的影响中，“风险识别效应”相较于“风险集中效应”更强。成交量Volume、资金杠杆Lever及借款期限Duration的系数在1%水平下显著为负，说明成交量、P2P平台的资金杠杆和借款期限会对P2P平台的成交利率产生负向的影响。

平台运营时间Time，借款标数Quantity的系数在1%水平下显著为正，说明P2P平台的运营时间及平台的借款标的数量会对其成交利率产生正向的影响，二者系数仅为0.000 454，0.001 516，说明其影响程度很小。

4.3 模型的实证结果

根据借贷双方资金集中度与P2P平台成交利率的联立方程模型的三阶段最小二乘(3SLS)回归的系数估计结果，可将借贷双方资金集中度与P2P平台成交利率的联立方程组具体表示为

 

(18)

5 结论与政策建议

本文从借贷双方资金集中度对P2P平台成交利率的影响的角度进行相关研究。主要得到以下结论：①各平台的成交利率之间存在差异，P2P平台的资金集中度普遍较高，且借款人借款资金集中度整体上要高于出借人贷款资金集中度。P2P平台的资金杠杆极高，具有很高的资金风险。P2P网络借贷的借款标的以短期借款为主。此外，出借资金进行投资的人数整体上要多于借款融资的人数。②投资回报率水平会对P2P平台的贷款资金集中度产生正向的影响。P2P平台的资金杠杆会对其贷款资金集中度产生正向的影响，即平台的偿债能力越低，其贷款资金集中度越高。借款人数、借款融资成本会对P2P平台的借款资金集中度产生负向的影响。③借贷双方资金集中度均会对P2P平台成交利率产生负向的影响。成交量会对P2P平台的成交利率产生负向的影响。

鉴于此，本文提出以下建议:

1)P2P网络借贷出借人、借款人。为了提高P2P网络借贷的成功率，同时降低融资成本，借款人应提高自身的信用意识，主动上传真实的身份信息、财务信息、收入水平、融资项目前景等关键信息，减少信息不对称问题，并按时履约还本付息，不断积累信用评分。出借人必须强化自身的风险意识，增强风险识别能力，预防潜在的各种风险，尽量分散化投资。

2)P2P网络借贷平台。首先，由于借贷双方资金集中度与P2P平台成交利率均存在负向的关系。为了化解降低资金集中度与推高平台成交利率(借款利率)之间的矛盾，平台应努力增强对借款人信息的审核能力，提高借款标的项目的质量水平。P2P平台应该对借款人包括身份认证、财务认证、学历认证等在内的信用信息进行严格审核，保证资料信息的真实性、准确性，降低借款人信息隐瞒、信用隐患的可能性。在此基础上，努力提高本平台借款标的项目质量，提高网络借贷交易的成功率，降低借款人的借款融资成本，实现借贷良性循环。其次，信息不对称情况下，建立规范的信用评级标准体系对于P2P网络借贷交易的顺利进行以及P2P平台的健康长远发展至关重要。平台与平台之间可以建立合作机制，将借款人与出借人之间的借贷交易数据建成共享数据库，实现动态、同步地评价借款人与出借人借贷行为信用。最后，加强对借款人在借款期间可能发生信用危机的应对处理机制建设。在强化风险管理的同时，合理运用资金杠杆，发挥规模经济效益，延长借款期限，提升平台运营机制成熟度，促进平台的健康、长远发展。

参考文献:

[1] 郑学法.浅谈P2P网络借贷平台的资金监管[J].中国金融电脑,2014(7):71.

[2] 宋文.P2P网络借贷行为的实证研究[D].上海：上海交通大学,2013:1.

[3] 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.

[4] 宁欣.P2P网络借贷中个人信息对借贷成功率影响的理论与实证研究[D].长沙：中南大学,2013:1.

[6] 李文佳.基于P2P借贷网站的借贷行为影响因素分析[D].北京:对外经济贸易大学,2011:1.

[6] 李悦雷.P2P在线借贷研究评述[J].经营管理者,2013(8):43.

[7] 郭奕.P2P网络借贷市场的融资成本与融资可获得性研究[D].成都:西南财经大学,2011:1.

[8] 张珏敏.信息不对称下P2P网络借贷行为的实证研究[D].成都:西南财经大学,2014:1.

[9] IYER R,KHWAJA A I,LUTTMER E F P,et al.Screening in new credit markets can individual lenders Infer borrower creditworthiness in peer-to-peer lending[J].Management,2009(3):4.

[10] KLAFFT M.Peer to peer lending:auctioning microcredits over the Internet[A]∥Procedings of the International Conference on Information Systems[J].Technology and Management,2008(2):1.

[11] FREEDAM S,JIN G Z.Dynamic learning and selection:the early years[R].Working Paper of Maryland University，2008:1.

[12] BARASINSKA N.The role of gender in lending business:evidence from an online market for peer-to-peer lending[R].Working Paper Finess,2009:1.

[13] HERZENSTEIN M,ANDREWS R L,DHOLAKIA U M.The democratization of personal consumer loans:determinants of success in online peer-to-peer lending communities[EB/OL].2008-06-19[2013-03-12].http://ssrn.com/abstract=1147856.

[14] ASHTA A,ASSADI D.An analysis of european online micro-lending websites[R].Working Papers Ceb,2009:1.

[15] GREINER M E,WANG H.The role of social capital in people-to-people lending marketplaces[C].Thirtieth International Conference on Information Systems，2009:18.

[16] 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.

[17] LIN M.Peer-to-peer iending:an empirical study[J].Doctoral Consortium,2009(12):147.

[18] LIN M,PRABHALA N R,VISWANATHAN S.Judging borrowers by the company they keep:friendship networks and information asymmetry in online peer-to-peer lending[J].Management Science,2013,59(1):17.

[19] GARMAN S R,HAMPSHIRE R C,KRISHNAN R.Person-to-person lending:the pursuit of (More) competitive credit markets[C].International Conference on Information Systems,ICIS 2008,Paris,2008:160.

[20] 李伟军.我国P2P网络借贷的羊群行为研究[D].成都:西南财经大学,2013:1.

[21] 王利刚.P2P网贷平台风险研究[D].呼和浩特:内蒙古大学,2016:1.