货币政策如何支持大众创业

陈思远　王雄

摘   要：本文以“人人贷”2015年8月25日前后的2个月的借款人信息作为研究样本，通过FGLS和Probit模型实证研究降准降息的货币政策对网络借贷平台上创业者的借款利率和借款成功率的影响。实证结果表明，实施降准降息的货币政策后，创业者在P2P网贷市场上的借款利率显著降低，借款成功率虽然显著上升，但结果并不稳健。东部地区的创业者借款利率更低，女性创业者借款利率更低，信用评级依然是影响借款利率的重要因素，对借款人依旧存在身份歧視。

关键词：货币政策;网络借贷;创业者;创新创业

中图分类号：F822.0   文献标识码：B  文章编号：1674-2265（2019）10-0039-08

DOI：10.19647/j.cnki.37-1462/f.2019.10.006

一、引言

2014年9月，李克强总理在夏季达沃斯论坛提出“大众创业，万众创新”，掀起创业浪潮。2018年9月18日，国务院下发《关于推动创新创业高质量发展打造“双创”升级版的意见》，再一次强调了创新创业是促进我国经济稳定发展必不可少的力量，创业能充分激发市场主体活力，并且其带动就业效应显著。在金融市场中，创业者是资金需求的长尾群体，在传统金融机构中借款困难重重，创业者较小的融资规模和资本运作空间使其并不受大额资本的青睐，如何筹集到足够资金成为创业者面临的困难之一。

作为互联网金融的重要组成部分，P2P网络借贷为资金需求的长尾群体提供了新的融资渠道，以一种新型的金融服务与交易的方式服务大众，极大地提高了长尾群体的金融服务可得性。为了进一步降低企业的融资成本，央行自2014年11月以来进行了多次降准降息，使P2P网贷市场的整体利率显著下降。那么货币政策对P2P网贷平台上创业者这一长尾群体借贷的影响如何呢？降准降息的货币政策会在一定程度上降低创业者在P2P网贷平台上的融资成本，并提高他们的借款成功率吗？研究货币政策对P2P网贷平台上创业者的影响对创业者具有重要意义，也为P2P网贷平台支持国家双创政策、进一步实现普惠金融提供依据。

二、文献综述

国内外对于P2P网络借贷中的借款利率和借款成功率的研究主要分为内部影响因素和外部影响因素。内部影响因素包括借款人特征和借款标的特征。借款人特征上除了传统人口统计特征（性别、年龄、健康状况等）以外，还包括借款人的后天性因素如职业、学历、收入等。基于性别差异的研究，窦新华等（2018）发现女性借款人在中国P2P网贷市场中受到了较为严重的非理性偏好歧视;陈霄和叶德珠（2016）发现单身女性受到的歧视更为严重，高学历背景也无助于提高她们的借款成功率。我国的网络借贷中存在婚姻歧视，蒋彧和施一舟（2017）通过实证研究得出，相比离异的借款人，已婚借款人的借款成功率更高，并且借款利率更低。Gonzalez和Loureiro（2015）指出青年人常常会被认为是高风险和高违约率的群体，因此他们的借款成功率很低。孙武军和樊小莹（2016）认为，工作经历与学历对借款成功率有显著的正向影响，借款人具有越丰富的工作经历或越高的学历，其借贷成功率越高。王子敏等（2017）与田秀娟和张智颖（2018）通过对P2P网络借贷中借款人身份的研究，发现P2P网络借贷中存在对借款人身份的歧视现象，相较于“小微企业主”，“工薪阶层”的借款成功率更高，借款利率更低。同时，胡金焱和李建文（2018）发现创业者更受投资者的青睐，借款成功率更高，违约率较低，但融资成本却更高。对于借款标的特征的研究，杨柳和廖波（2018）基于借款用途的不同，得出生产性用途的借款更容易借款成功。借款人上传的借款信息对借款是否成功和借款利率的影响也是巨大的。Duarte等（2012）和郭峰（2016）的研究认为，借款人使用的借款昵称越真实，上传的照片看上去越值得信赖，借款成功率越高，借款利率越低，并且违约率更低。借款描述的影响也不容小觑，陈霄等（2018）与孟娜娜和粟勤（2018）发现完整性、可读性更强的借款描述能向投资者传递积极信号，从而提高借款的成功率。彭红枫和林川（2018）也发现积极类词语和金融类词语比重与借款成功率存在显著正向相关关系。

外部因素对借款利率和借款成功率也有重要的影响。周耿和范从来（2016）研究表明，降息降准的货币政策实施对P2P市场的利率下降产生了显著影响。Yun Xu等（2011）认为社会资本对我国的P2P借贷中借款人的借款成功率存在正向影响。Sergio Herrero-Lopez（2009）认为当出资者无法通过借款人的财务特征判断借款可靠性时，借款人的社会特征，例如Berger和Gleisner（2009）研究的群组关系，Lin和Prabhala等（2013）、Li和Lin等（2015）、Seth和Ginger（2017）研究朋友数量与质量等会增加借款人获得贷款的机会，同时降低借款的成本。Burtch和Ghose等（2014）发现文化习惯和地理位置对借贷的影响也是巨大的，文化习惯、地理位置与出借人更相近的借款人借款成功率更高。廖理等（2014）与孙武军和丁歆（2017）对我国不同地域的P2P网络借贷交易进行研究，发现P2P网贷中存在非理性偏好性地域歧视，并且歧视程度因省份所处地域不同而存在差别。同时吴雨和李洁等（2018）通过对地方房价的研究发现，房价上涨会使P2P网络借贷市场借款利率整体上升，并且对三、四线城市的借款利率影响更强。

综上所述，国内外对P2P网络借贷的借款利率和借款成功率研究对于借款人特征以及借款标的特征关注较多，对外部影响因素的研究集中于货币政策、社会资本、房价、文化习惯和地理位置。相对于内部影响因素，现有文献对外部影响因素的研究较少，而对货币政策影响因素的研究也主要集中于探索货币政策对平台整体的影响，鲜有文献研究货币政策如何影响平台中具体的借款者。本文考虑货币政策，针对P2P借贷平台上的创业借款人，从创业者借款成本以及借款可得性的角度，实证研究降准降息的货币政策是否会降低创业者的融资成本，提高借款成功率。

[?interest?area=β7+β14ptype]

[β14]反映了货币政策对不同地区投资创业的借款利率的差异性影响。同理可得，[β15]、[β16]分别反映了宽松货币政策对不同性别、信用评级的投资创业借款利率的差异性影响。对于模型（1），采用普通最小二乘法（OLS）对借款利率的检验进行估计。同时对模型进行White异方差检验，发现存在异方差。为了修正由截面数据的异方差问题造成的结果有偏与不一致，本文同时采用可行的广义最小二乘法（FGLS）对模型进行检验分析，提高回归的一致性与有效性。

其次研究宽松的货币政策对创业者借款成功率的影响。由于被解释变量success是0-1二值变量，因此用Probit模型进行回归检验。本文借鉴胡金焱和李建文（2018）建立的模型，得到模型（2）：

其中，[Yi]为被解释变量，[Xi]为解释变量，[BidInfoi]和[BorrowerInfoi]分别表示标的的特征变量和借款人的特征变量。

四、数据分析

本文使用统计软件stata14.0计算得出实证结果，见表5和表6。

（一）对P2P网络借贷平台上创业者借款利率影响的实证分析

实证结果如表5所示。其中OLS和FGLS的估计结果基本相同，说明模型对计量方法并不敏感，具有较好的稳健性。绝大部分t值都比较显著，表明解释变量对被解释变量具有显著影响。

货幣政策policy对P2P网络借贷借款人的借贷利率的影响显著为负，降准降息的货币政策会降低P2P网络借贷平台整体的借款利率，这与周耿和范从来（2016）的研究结果是相符的。核心解释变量ptype的取值为负，在0.01%水平上显著，表明实施降息降准的货币政策后创业者的借款利率显著降低。并且无论是OLS估计还是FGLS估计，变量policy的绝对值都大于ptype系数，表明虽然降准降息的货币政策会显著降低创业者的借款利率，但相对于对P2P网贷平台整体借款利率的影响，货币政策对P2P网贷平台上创业者借款利率的影响还是有所不足。在实施了降准降息的货币政策之后，借款性质为投资创业的借款比其他借款性质的借款利率下降得更多，其借款的利率比非创业者与政策实施前的创业者借款利率低37.1个百分点。

借款属性与借款人特征对P2P借款平台借款利率的影响与已有研究结果大致相同。借款金额（lamount）与信用评级（rank）对借款利率的影响均呈反向，借款金额越多，信用等级越差，借款利率越高。借款性质（type）的系数显著为正，投资者更倾向非创业性借款。借款地区（area）的系数为负，东部地区借款利率更低。已婚借款人比未婚、离异或丧偶的借款人的借款利率低5.1个百分点，但男性借款人比女性借款人的借款利率反而还高1.1个百分点。对于借款人的年龄，借款人每增加10岁，借款利率下降21个基点。P2P网贷平台存在显著的学历歧视，借款人的学历越高，借款利率就越低。相对于高中及以下学历的借款者，大专、本科、研究生及以上学历的借款者利率都有不同程度的降低，其中研究生及以上学历的借款人借款利率最低。这些都与之前研究结论一致。但本文研究表明借款人工作性质（job）为网商或者是私营企业主的借款人借款利率更低，这与田秀娟和张智颖（2018）的研究结果相反。

交互项[ptype×job]的符号显著为正，表明虽然在整体的借款人中网商和私营企业主的借款利率会更低，但是在实施降准降息的货币政策之后，具有网商或私营企业主身份的创业者的借款利率反而会更高。因为相较于工薪阶层，网商与私营企业主的收入更不稳定，投资者认为投资给这类创业者的借款发生违约风险的可能性会相较于工薪阶层的创业者更高，成功还款的可能性更低。[ptype×area]与[area]的系数相同，但[ptype×area]的系数并不显著，表明在实施降准降息之后，东部地区的借款利率并没有显著低于中西部地区，东中西部借款成本差异缩小。[ptype×sex]的系数为正，并在1%的水平上显著，男性创业者的借款利率高于女性创业者，这可能是由于投资者普遍认为女性对风险的偏好更低，更愿意将资金投入风险较低的行业，因此借款违约的可能性更小，投资者能接受的借款利率也更低。[ptype×rank]的系数在0.01%的水平上显著为正，无论是宽松的货币政策实施前还是实施后，无论是非创业借款人还是创业借款人，投资者都会着重考虑借款人的信用评级。

（二）对P2P网络借贷平台上创业者借款成功率影响的实证分析

实证结果如表6所示，全部变量t值都在0. 1%的统计水平上显著，解释变量对被解释变量具有显著影响。

P2P网络借贷平台的借款成功率在降准降息的货币政策实施后显著提高6个基点，创业者的借款成功率提高了5个基点。利率对借款人借款成功率的影响呈倒U形，在利率达到11.40%之前，利率越高，借款成功率越高;在利率为11.40%时借款成功率达到最高点;之后借款成功率随着利率的上升而下降。借款金额依旧与借款成功率成反比，借款金额越高，借款成功率越低。信用等级对借款成功率有很大影响，信用等级越低，借款成功率越低。网商和私营企业主的借款成功率更高，东部地区借款人也更容易获得借款，这可能与相较于西部地区，东部经济更发达，借款人获得收入渠道可能更多，借款违约风险更低，借款成功率相对就更高。男性借款成功率更低，已婚人士借款成功率更高，年龄越大、学历越高的借款人拥有越高的成功率，其中研究生及以上学历的借款人借款可得性最高。

（三）安慰剂检验

参照徐思和何晓怡（2019）的研究，假定创业者在P2P网贷平台上借款利率的降低与借款成功率的提高与降准降息的货币政策无关，而是随着时代发展，创新创业的提倡，创业者自身的能力提高所致，进一步验证实证结果的稳健性，本文通过2015年5月25日至2015年7月25日人人贷的借款数据，将2015年6月25日构造为虚拟货币政策实施日进行安慰剂检验。检验结果如表7和表8所示。

表7中ptype的符号在1%的水平上显著为正，表明在虚拟的货币政策环境下，创业者在P2P网贷平台的借款利率显著提高，policy的符号也在0.1%的水平上显著为正，虚拟的货币政策环境会使P2P网贷平台的借款利率显著上升。这与表5中ptype和policy的符号相反，表明创业者借款利率的降低是受到2015年8月25号降准降息的货币政策的影响，验证了表6实证结果的稳健性。

表8中ptype和policy的符号都显著为正，虚拟的货币政策环境也会使P2P网贷平台整体借款成功率和创业者的借款成功率显著提高。这与表6的实证结果相同，表明P2P网贷平台上创业者借款可得性的提升不一定是受到2015年8月25日降准降息的货币政策的影响，可能是源于创业环境整体趋向利好，创业者整体素质的提高等因素。

五、结论与建议

本文以网络借贷平台“人人贷”2015年8月25日降准降息实施的前后2个月的借款人交易信息为样本，探究了降准降息的货币政策对创业者在P2P网贷平台融资成本的影响。实证结果表明，在控制了借款人特征和借款标的特征之后，中央银行进行降准降息显著降低了创业者在P2P网贷平台的借款利率，并且通过安慰剂检验验证了这一结果的稳健性。虽然创业者的借款可得性也有显著的上升，但通过安慰剂检验发现降准降息只是创业者借款成功率提升的因素之一，创业者借款成功率还受其他因素的影响，例如创业者自身的因素等。整体来看，无论政策实施前后，东部地区的借款利率比其他地区的借款利率更低，并且借款可得性更高，這从某一程度上反映了借款依然存在地区不平衡的问题。女性创业者在降准降息后，融资成本低于男性创业者。同时，我们也发现，借款人信用评级对借款利率和借款成功率的影响是显著的。

根据结论，提出以下建议：应加强货币政策对创新创业的支持力度，在维持经济稳定发展的同时，制定针对降低创业者融资成本的相关政策，提升创业者在传统金融机构和P2P网贷平台上的借款可得性。创业者也应从自身出发，增强对创业项目可行性的辨识，接受社会成功创业人士、企业家的指导，提高创业成功的可能性，从根本上提高自身在P2P网贷平台上的信用评级，增加可认证信息，保证信息的真实性，减少信息不对称，从自身角度降低融资成本，提高借款成功率。同时，P2P网络借贷平台应该充分发挥其连接创业者等借款人和投资者的中介职能，更好地配置资源，缓解供需的地区不平衡问题。并且，P2P网贷平台应不断完善信用评级系统，加强对创业者身份的识别能力，降低创业者融资成本的同时，为投资者提供一个更为安全的平台，使创业者在P2P网贷平台进行的融资活动更为健康、可持续。

参考文献：

[1]Laura Gonzalez，Yuliya Komarova Loureiro. 2014. When can A Photo Increase Credit？ The Impact of Lender and Borrower Profiles on Online Peer-to-peer Loans[J].Journal of Behavioral and Experimental Finance，2.

[2]Duarte J，Siegel S，Young L. 2012. Trust and Credit：The Role of Appearance in Peer-to-peer Lending[J]. Review of Financial Studies，25（8）.

[3]Yun X，Qiu J，Lin Z. 2011. How Does Social Capital Influence Online P2P Lending？ A Cross-Country Analysis[C]// Fifth International Conference on Management of E-commerce & E-government.

[4]Herrero-Lopez S. 2009. Social Interactions in P2P Lending[C]//Proceedings of the 3rd Workshop on Social Network Mining and Analysis，SNAKDD 2009，Paris， France， June 28，2009. DBLP.

[5]Berger S C，Gleisner F. 2009. Emergence of Financial Intermediaries in Electronic Markets： The Case of Online P2P Lending[J]. BuR-Business Research，2（1）.

[6]Lin M，Prabhala N， Viswanathan S. 2013. Judging Borrowers by the Company They Keep：Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending[J].Social Science Electronic Publishing，59（1）.

[7]Li S，Lin Z，Qiu J，et al. 2015. How Friendship Networks Work in Online P2P Lending Markets[J].Nankai Business Review International，6（1）.

[8]Freedman S，Jin G Z. 2017. The Information Value of Online Social Networks：Lessons from Peer-to-peer Lending☆[J].International Journal of Industrial Organization，51.

[9]Burtch G，Ghose A，Wattal S. 2014. Cultural Differences and Geography as Determinants of Online Prosocial Lending[J].MIS Quarterly，38（3）.

[10]周耿，范从来.货币政策对P2P网贷市场利率的影响研究[J].中央财经大学学报，2016，（6）.

[11]窦新华，孟鑫泊，周方召.P2P网络借贷中的“性别歧视”——来自人人贷数据的经验研究[J].软科学，2018，32（8）.

[12]陈霄，叶德珠.中国互联网金融中的性别歧视研究[J].金融评论，2016，8（2）.

[13]蒋彧，施一舟.P2P网络借贷中的婚姻歧视现象——基于“人人贷”的经验数据[J].财经论丛，2017，（9）.

[14]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）.

[15]王子敏，李婵娟，季仁春.信息披露、投资偏好与大众创业的互联网金融支持——基于人人贷数据的研究[J].财经论丛，2017，（11）.

[16]田秀娟，张智颖.P2P网络借贷职业身份的信贷歧视：基于投资者认知偏差视角[J].改革，2018，（5）.

[17]胡金焱，李建文.“双创”背景的新型金融模式：解构P2P网络借贷[J].改革，2018，（3）.

[18]杨柳，廖波.网贷投资者对借款用途的偏好行为研究——基于“人人贷”数据的经验分析[J].管理现代化，2018，38（5）.

[19]郭峰. 网络昵称与P2P借贷的成功率和违约率[J]. 经济科学， 2016，（6）.

[20]陈霄，叶德珠，邓洁.借款描述的可读性能够提高网络借款成功率吗[J].中国工业经济， 2018，（3）.

[21]孟娜娜，粟勤.软信息对网贷平台借款人的借款获得与违约风险的影响——来自“人人贷”的经验证据[J].中国流通经济，2018，（3）.

[22]彭红枫，林川.言之有物：网络借贷中语言有用吗？——来自人人贷借款描述的经验证据[J].金融研究，2018，（11）.

[23]廖理，李梦然，王正位.中国互联网金融的地城歧视研究[J]. 数量经济技术经济研究，2014，（5）.

[24]孙武军，丁歆.地域歧视、融资者异质性与P2P网络借贷——以四川、安徽、河南、新疆四省份为例的经验研究. 产业组织评论， 2017，（2）.

[25]吳雨，李洁，尹志超.房价上涨对P2P网络借贷成本的影响分析——来自“人人贷”的经验证据[J].金融研究，2018，（11）.

[26]徐思，何晓怡，钟凯.“一带一路”倡议与中国企业融资约束[J].中国工业经济，2019，（7）.