当前位置:文档之家› 基于社会认知理论的P2P网络放贷交易信任研究_陈冬宇

基于社会认知理论的P2P网络放贷交易信任研究_陈冬宇

基于社会认知理论的

P2P网络放贷交易信任研究*

○?陈冬宇

摘要?个人对个人(P2P)网络借贷市场的快速发展体现了我国民间巨大的融资和投资需求。然而由于缺乏信任,该市场目前仍然处于初始发展阶段,参与者不多,借款成功率也很低。本文以社会认知理论为基础,从放贷人的角度构建交易信任理论框架,研究交易信任的形成过程及影响因素。数据分析结果表明,放贷人信任倾向、借款请求信息质量、借款人社会资本以及借贷平台安全保障水平是影响交易信任的关键因素,但是不同维度的社会资本对交易信任的影响并不相同。本文建立了理论驱动的P2P放贷行为模型,对互联网金融理论体系构建和企业管理实践都有重要的意义。

关键词?P2P网络借贷;互联网金融;信任

*本文受国家自然科学基金青年项目(71302008)、教育部社科研究基金人文社会科学研究一般项目(10Y JCZH007)资助

引言

作为互联网金融的一种尝试,个人对个人(Peer-to-Peer,P2P)网络小额借贷最近两年在我国如雨后春笋般涌现,引起了业界、政府和学者的极大关注。①P2P网络借贷主要是指不以银行等金融机构为中介、借贷双方直接通过互联网完成交易的无担保借贷。[1,2]它既是一种特殊的民间借贷形式,也是一种特殊的电子商务形式,是传统电子商务在民间金融领域的延伸。借助I T技术,P2P网络小额借贷突破了熟人、地域等条件限制,使陌生人之间的借贷成为可能。截至2012年底,我国商业性P2P网站已经超过200家,累计出借金额超过100亿人民币,年增长率超过300%。[3]

P2P网络借贷市场的快速发展体现了民间社会巨大的融资和投资需求。由于信息不对称和高交易成本,正规金融体系难以完全覆盖小微企业及个人小额贷款领域;而基于大数据的互联网金融则在一定程度上有助于克服这一问题。[4]互联网金融的优势在于一方面交易过程中积累的大数据能够有效地降低交易对象(例如借款人和放贷人)之间的信息不对称;另一方面互联网平台则可以在很大程度上降低交易成本。因此有学者认为,包括P2P网络借贷在内的互联网金融是信息技术在金融领域的重要创新,有着广阔的发展空间,有助于解决小微企业及个人贷款难问题。[5]虽然如此,目前P2P网贷尚处于初创阶段,参与者不多,借款成功率也很低。由于借贷双方时空上的分隔及历史交易数据匮乏,当前P2P网贷依然存在较严重的信息不对称和信任问题。P2P网贷市场的健康发展有赖于大量投资者以及优质借款人的参与。因此,培育借款人和放贷人之间的信任、实现高效地融资和投资并有效控制风险成为该市场健康发展的关键。

作为一种新兴的电子商务模式,P2P网络借贷与网络购物有很多本质的不同。首先,网络购物通常是标准化产品或类标准化产品,买家可以通过图片、产品介绍等信息很好地了解商品情况;但是对网络借贷来说,产品是“借款请求”,在历史数据匮乏的情况下,放贷人能够获取的有关借款人的信息非常有限,面临更大的信息不对称风险。其次,网络借贷的交易对象是资金而不是有形商品,目前难以借助信用中介服务(例如类似“支付宝”之类的第三方信用中介平台)来保证卖家(即借款人)不违约,因此买家(即放贷人)通常面临更大的道德风险。再次,有关网络借贷的法律法规及监管政策远未成熟,网络借贷在一些不良平台上可能演变成非法集资,因此比网络购物面临更大的法律风险。最后,网络借贷市场中一个借款请求可以接受多人投标,放贷人可以通过分散投标来降低投资风险。上述特征表明,

网络放贷与网络购物可能存在很大区别,基于网络购物市场的信任研究在网络借贷市场中可能并不适用。

本文以社会认知理论为基础,研究P2P网络借贷交易信任的关键影响因素。主要贡献有:第一,构建交易信任理论框架,建立理论驱动的P2P放贷行为模型;第二,发现信息质量在信任形成过程中扮演的重要作用,凸显第三方征信机构参与P2P借贷的重要价值;第三,发现社会网络信息作为重要信号会对交易信任产生显著影响,但是不同维度的社会资本影响效果并不相同。第四,发现机构保障措施不足,尤其事后惩罚措施匮乏是导致低交易信任的重要原因。

一、P2P网络借贷机制及相关文献回顾

P2P网络借贷平台主要可以分为三类: 非盈利公益型( 如Kiva) 、单纯中介型(如Prosper) 和复合中介型 (如Zopa、Lend i ng Club)。大多数P2P网贷平台只是提供投资机会,对贷款成功与违约与否并不负有责任。各P2P 网络借贷平台虽然运营模式不尽相同,但交易流程基本一致,大都以P r o s p e r模式为蓝本。P r o s p e r要求拥有有效社会保险号、F ICO信用分至少在520分以上的美国居民才可以注册成为借款人;借贷人需要提供社会保险号、驾驶证号、住址以及其他有效信息。这些信息会被严格审核,Prosper会根据这些信息直接从第三方机构获取借款人的个人信用记录。为保护用户个人隐私,无论是贷款人还是借款人,真实身份信息不会在平台上公布。因此借款信息除借款额和最高利率外,还包含借款人的历史交易记录、债务/收入比、信用等级、社会网络(如朋友和所属的群)等。P r o s p e r有两种竞拍方式:一种是密闭式竞价,一旦竞标总额达到借款额,竞拍过程立刻终止;另一种是开放式竞标,借款人规定竞拍期限,放贷人可以在一定期限内竞价,利率低者胜出。借款者需要提供有效的银行账户,借款成功后借得的款项直接汇入该账户,每月的还款也直接从该账户中扣除。如果借款人逾期两个月不还款,违约信息将被提交给信用评级机构,个人信用记录将受到影响。在国内,目前P2P借贷网站尚无法从央行获取个人征信信息,借贷网站通常要求借款人自主提供有效个人财务信息,网站会对部分信息进行审核并根据借款人提供的材料计算信用等级。目前的几个主要的P2P网络借贷平台的运营模式如表1所示。

虽然基于大数据的互联网金融具有降低交易成本和信息不对称的潜力,但是目前P2P网络借贷尚处于初创阶段,历史交易数据匮乏,借款人和放贷人之间依然存在较严重的信息不对称问题。[5]因此相关研究也主要围绕这一主题展开。

表1?主要网络平台的运营模式

平台面向群体性质借贷模式风险防范Prosper

(美国)

有小额资金

需求的市场

主体

单纯中

介盈利

出借者给定金额、利率

等信息,借款人自主投

国内完善的社会信用体

Zopa(英

国、美国

等)

有小额资金

需求的市场

主体

复合中

介盈利

出借者给定金额、利率

等信息,借款人自主投

分散贷款、划分信用等

级、强制按月还款

拍拍贷(中

国)

个人

单纯中

介盈利

采用竞标方式,利率由

借款人及竞标人的供

需市场决定

规定按月还本付息,信

用审核主要依据借款人

提供的信息

Kiva (跨

国)

收入非常低

的企业

非盈利

批量出借人+小额信贷依靠会员的捐赠运营一部分学者探讨了借款人特征信息对放贷行为的影响。Lin等对Prosper网站的数据研究发现,借款人的信用等级越低,借款的成功性越小,贷款的利率也越高。P u ro 等[6]的研究也发现,借款成功率与出借人提供的借款利率负相关,为了降低借款利率并提高借款成功率,借款人必须降低借款额度。Li n等[7]则研究了借款人的文化和地理因素对出借行为的影响,发现出借人更倾向于贷款给同文化、地理位置相近的借款人。Ravi na 等[8]对借款人的外貌特征进行研究,发现借款人的照片越清晰贷款成功越高,借款利率也越低,且拥有美丽外貌的借款人有更高的借款成功率和低贷款利率。Sydnor等[9]利用Prosper的数据发现,借款人的种族会对借款结果产生影响:相对于其他种族,黑人的借款成功率更低,借款利率也更高。

另一部分学者则分析了社会网络对放贷行为的影响。Li n等[10]使用P rosper的数据对社会网络的作用进行研究,发现社会网络能够有效降低信息不对称,同时有助于构建借款人信用。C o l l i e r等[2]的研究结果表明,对于低信用等级的人来说,积极地参与社交活动,同社区中的其他成员进行交流,为其他成员提供担保等能够给市场提供一个强烈信号,表明自己能够被信任。L o p e z等[11]研究发现,社会资本会对借款人的信用产生影响,能促进借款的成功率。从属于某一被人信任的群组能够使借款人的融资成功率提高两倍,使那些信用形象不太好的人能以合理的利率借款成功。

他人决策信息也是影响放贷决策的重要因素。Yu m 等[12]针对韩国P2P信贷市场的研究表明,当放贷人能够获取的信息很有限时,倾向于跟随其他人的放贷决策,汇集众人的意见;但是当其能够获取更多信息时,则倾向于独立决策。针对美国P r o s p e r市场的研究也发现,借款列表投标数目以及好友投标情况会显著影响潜在放贷人的决策行为,市场中存在显著的羊群行为。[13]一些学者认为,羊群行为与还款绩效之间存在正向关系,因此对放贷者个人和整体来说都是有利的;[14,15]但也有学

者认为,羊群行为会减少放贷人的收益。[13]

还有一些学者从交易成本角度研究P2P网贷利率形成机制。P2P网贷利率要比银行贷款利率高很多。一种解释是,小额信贷具有相对较高的风险和交易成本,因此需要高利率来补偿;但也有学者认为,放贷人存在搜索行为,借款人需为此支付“搜索溢价”,即更高利率。但是如何降低融资成本,目前还没有结论。Joh n k [16]认

为,虽然借款利率很高,但是由于信息不对称和交易成本,放贷人并不能从放贷活动中获得很高收益;A A等级的借款投资回报率最高,但也只有2.27%。

上述研究表明,信息不对称依然是放贷人面临的主要问题;放贷人根据借款人的个人财务信息和社会网络信息来推断其可信水平,但是尚缺乏一个完整的理论模型来描述交易信任的形成过程。更重要的是,当前研究主要基于Prosper的交易数据,很少有文献关注心理认知对交易行为的影响。在不同的交易平台上,个体的社会认知和交易行为可能会有很大差别,但现有文献尚未对此进行深入探讨。

二、理论基础与研究假设

本文以放贷人为研究对象,从社会认知理论的视角分析P2P网络借贷交易信任的形成过程。社会认知理论(Social Cog n it ion T heor y,SCT)是Bandu ra创立的关于个体行为的基本理论。[17]该理论认为,个体、个体的行为以及行为所处的环境之间不断进行着持续的相互作用,其中任意两个因素之间都存在着双向关系,并不断地变化;行为决策是个体因素和环境因素共同作用的结果。社会认知理论被广泛地用于理解和预测个体以及群体的行为特征,[18]因此适用于分析P2P网络借贷市场中交易信任的形成过程。

P2P网络借贷主要发生在陌生人之间,因此交易信任主要体现为初始信任。放贷人自身的信任倾向在初始信任的形成过程中扮演重要作用,[19]是影响交易行为的重要个体因素。交易风险不但来自借款人(违约),也来自交易平台(倒闭),因此环境因素既包括借款人也包括借款平台,放贷人对借款人和借贷平台的认知会在很大程度上影响其信任水平和交易行为。 Ba n d u r a认为,个体对他人的社会认知主要包括三个方面:外部特征的认知、性格的认知以及人际关系的认知,由于放贷人很难了解借款人的性格特征,因此交易信任主要依赖于放贷人对借款人外部特征(主要表现为个人特征)和人际关系的认知;[20]而对交易平台的认知则主要体现为对平台机构保障水平的认知。[21]基于上述分析,本文的研究框架如图1所示。

? ?

? ?

1. 个体因素

K i m等[19]认为,信任的前因变量主要可以分为四大类:认知(C o g n i t i o n-b a s e d)、情感(A f fe c t-b a s e d)、经验(E x p e r i e n c e-b a s e d)以及个性特征(P e r s o n a l i t y-based)。在构建信任的初始阶段,交易双方彼此并不熟悉,认知因素以及个性特征因素会占据主导地位。因此放贷人的个性特征以及放贷人对交易环境的认知会在很大程度上决定其对借款人的信任。随着个体间交流的增多,彼此的熟悉程度会逐渐增加,经验因素和情感因素的重要性会逐步提升,个性特征因素和认知因素的重要性会逐步下降。大量文献表明,信任倾向是决定初始信任的重要个性特征因素。[19,21]信任倾向是指个体对他人普遍意义上的信任感。[22]由于每个人的成长背景不同,经历不同,人与人之间的信任倾向也存在很大差异。这种信任并不是来自个体对被信任对象的了解,而是来自成长经历。因此,如果个体有较高的信任倾向,那么他就会对他人(包括陌生人)表现出较高程度的信任;反之,则表现出较低程度的信任。因此,假设如下:

假设1:放贷人的信任倾向会正向影响其对借款人的信任

2. 环境因素

放贷人在P2P借贷市场中面对复杂的交易环境:既要面对借款人的违约风险也要面对交易过程的安全保障风险。因此放贷人对交易环境的认知会很大程度上影响信任水平。放贷人的交易环境主要包括借款人和借贷平台两个方面。

放贷人需要各种信息来判断借款人的可信水平,这些信息包括个人信息和社会网络信息两个方面。个人信息包括收入、年龄、性别、银行交易流水等,借款人可以自主上传各种材料来证明自己的可信水平,网络借贷平台会根据借款人的情况确定其信用评级。这一类能够便捷存储并客观传播的信息被称为“硬信息”。Tadelis 等[23]针对网上二手车交易的研究表明,如果二手车卖主提供的车况报告越详细,那么在同等情况下该车的销售价格就越高。这是因为提供更详细的信息能够降低买卖双方的信息不对称,

减弱买家的不确定感。在P2P网贷市场中,放贷人同样面临信息不对称问题,借款人提供的信息越详细,借款人的不确定感就越低,对该借款人就越信任。因此,假设如下:假设2:借款人提供的信息质量越高,放贷人对他的信任程度也就越高

放贷人在网贷平台上不仅可以观察到借款人的个人信息(即“硬信息”),也可以观察到借款人的社会网络信息(即“软信息”)。当前P2P网贷平台提供了群、社区、讨论组、朋友圈等各种功能来帮助用户建立自己的社会网络。社会资本理论认为,社会资本是指嵌入在社会网络中的、个体能够获取并产生收益的资源,[24]包含三种类型:结构型、关系型和认知型。结构型社会资本是指个体在网络中的位置给个体带来的收益;关系型社会资本是指网络成员间关系质量、情感强度等给个体带来的收益;认知型社会资本则是指共同知识、共同价值观给个体带来的收益。由于网络借贷主要是一种商业交易,很少涉及共同知识和价值观问题,因此本文主要考虑结构型和关系型社会资本对交易信任的影响。信号理论认为,一个信号要起作用必须具有两个条件:很高的信号生产成本和很低的信号解读成本,[2]社会资本满足这两个条件,因此可以作为衡量借款人可信程度的重要信号,在很大程度上影响放贷人对借款人的信任水平;[1]另一方面,借款人如果违约,就会面临信誉损失成本,借款人与其他人之间的关系越亲密,这种信誉损失成本就越高。针对联保贷款(G r o u p L e n d i n g)的研究结果表明,担保人施加的压力是促使借款人按时还款的重要因素;在法律法规不完善、机制保障水平越低的地区,社会资本的影响就越显著。因此,假设如下:

假设3:借款人的结构型社会资本越多,放贷人对他的信任程度就越高

假设4:借款人的关系型社会资本越多,放贷人对他的信任程度就越高

借贷平台的特征也会影响放贷人的信任水平和决策。借贷平台通常都提供了多种服务来保障交易的安全性,例如各种认证、信息加密、贷款资金的审核、严格的内部控制措施等。但是这些措施依然不能保证交易的绝对安全。当前借贷网站鱼龙混杂,机构保障水平参差不齐,放贷人稍有不慎,就有可能血本无归。从2012年开始,国内陆续出现借贷平台高管携款潜逃事件以及所谓“秒标”诈骗活动,使大家对P2P借贷的资金安全性产生了更大的疑虑。因此,借款平台是否有好的资质、是否能够保护放贷人的利益,将成为放贷人选择中介平台的重要参考依据,将会在很大程度上影响放贷人对借贷风险的认知和对借款人的信任。因此,假设如下:假设5:借贷平台的安全保障程度越高,放贷人对借款人的信任程度就越高

3.认知过程和行为倾向

大量研究表明,信任是交易的基础。[25,26]Kim等[19]发现,买家在网络购物时会考虑各种因素,例如交易环境、个人的风险偏好、卖家的可信程度等,其中对卖家的信任是影响交易意愿的关键因素。P2P网络借贷的交易对象是资金,无法借助第三方资金托管机构来保证交易的安全,因此放贷人面临更大的交易风险。在不确定环境下,放贷人只有建立对借款人的信任才可能产生出借意愿。因此,假设如下:假设6:放贷人对借款人的信任程度越高,出借意愿就越强烈

4.控制变量

其他一些因素也可能会影响放贷人的出借意愿,例如借款人的信用等级、[1]收入、[20]年龄以及借款请求的利率[20]等。本文重点研究网络借贷市场中的交易信任,所以这些变量设计为影响出借意愿的控制变量。本文的理论模型如图2所示。

??

?

?

?

三、研究方法

我们在设计问卷时采用严格的方法来保证测量量表的有效性:[27,28]首先,所有量表都参考了已有研究(见表1);其次,与业界专家和潜在受访对象交流,根据他们的意见对量表的遣词用句进行相应修改;最后,在网贷平台用户中组织小范围的预调查,对各测量量表的信度和效度进行初步分析,根据分析结果结合预调查过程中的反馈意见对量表的语义和用词进行修改,确定最终问卷。问卷测量条目采用里克特7点打分法:1表示“非常不赞同”,7表示“非常赞同”。具体问卷内容如表2所示。

我们与某网络借贷平台合作,采用网上问卷调查的方法收集数据,受访者必须是该平台的注册用户且有放贷经历。我们要求受访者先浏览该借贷平台中的借款列表信息,根据其所关注的特定借款列表的有关信息来回

答问题。答卷者要求填写其在该平台上的注册账号、所关注的借款列表I D、借款利率及借款者的信用等级。上述措施有助于我们有效控制答卷质量,排除无效问卷的干扰。共回收有效问卷209份,无效问卷主要为注册账号和借款列表信息无法与该网贷平台提供的信息相吻合。针对问卷调查的结果,我们组织了一次小范围的访谈,交叉验证数据分析结果的有效性。

表2?问卷测量条目

建构变量测量条目参考文献

均值

(方差)

信任倾向

(DT)DT1我觉得人们通常都是真实可信的Kim等[19] 4.65(1.28) DT2我觉得人们通常都是值得信赖的Kim等[19] 4.68(1.27) DT3 我觉得人们通常都是可信任的Kim等[19] 4.73(1.25)

信息质量

(IQ)IQ1我觉得该借款人提供的信息是可靠的Kim等[19] 4.73 (1.13) IQ2投标时,我觉得该借款人提供了充分

的信息

Kim等[19] 4.59 (1.34) IQ3对该借款人提供的信息,我很满意。Kim等[19] 4.43 (1.20)

安全保障

(SP)SP1我觉得该网贷平台提供了一些措施来

保障用户的安全

Kim等.[19] 4.66(1.30) SP2我觉得该网贷平台能够保证交易信息

在网络传输过程中不会由于发生意外而

被改变或被破坏

Kim等[19] 4.89(1.15)

SP3我觉得在该网贷平台上进行出借操作

是安全的

Kim等[19] 4.88(1.20)

关系型社会资本

(RSC)RSC1该借款人在网站上很活跃,经常与朋

友进行交流

Nahapiet等[24] 4.03(1.15) RSC2该借款人对朋友的评论或提问会及

时给出反馈

Nahapiet等[24] 4.51(1.29) RSC3该借款人在该网贷平台上有良好形象

并被人尊重

Nahapiet等[24] 4.59(1.17)

结构型社会资本

(SSC)SSC1借款人在这个平台上有很多朋友Nahapiet等[24] 4.66(1.30) SSC2借款人的很多朋友其身份是出借人Nahapiet等[24] 4.89(1.15) SSC3借款人借款金额的很大一部分来自

于他的朋友

Nahapiet等[24] 4.88(1.20)

交易信任

(TB)TB1该借款人是值得信赖的Lu等[29] 4.61 (1.14) TB2该借款人是可靠的Lu等[29] 4.59 (1.18) TB3该借款人是正直的Lu等[29] 4.66 (1.07)

出借意愿

(WL)WL1我会借钱给这个借款人Gefen [30] 4.82 (1.26) WL2该借款请求很可靠,我会投标Jarvenpaa等[31] 4.81 (1.28) WL3该借款请求很有吸引力,值得投标Jarvenpaa等[31] 4.78 (1.08)

有效问卷的受访用户主要为男性,占88.04%,年龄结构偏年轻,主要介于21-30岁及31-40岁,分别占比57.42%和33.49%。受教育水平比较高,其中大专及本科学历者占67.46%;收入水平也较高,月收入3000以上者占68.90%。受访者网络借贷平台的使用年限主要是在一年以内,而网络借贷平台月使用次数则呈现两个极端,月使用1-3次及10次以上者分别占比32.06%和39.23%。我们将样本的人口统计学特征和网站全部注册用户的人口统计学特征进行对比,发现各项比例大致一致。因此该样本是合理的也是具有代表性的。更详细的样本特征信息请参阅表3。

表3?样本数据的描述性统计

类别数量比例(%)

性别男18488.04%

女2511.96%

年龄20以下5 2.39%

21-3012057.42%

31-407033.49%

40以上14 6.70%

受教育水平

高中及以下5224.88%

大专及本科14167.46%

研究生及以上167.66%

收入水平

2000以下2712.92%

2000-3000元3818.18%

3001-5000元7033.49%

5001-8000元2913.88%

8001-15000元3315.79%

15001元以上12 5.74%

网络借贷平台使用年限

1年及以下14569.38%

1-2年4722.49%

2-3年11 5.26%

3年或以上6 2.87%

平均每月访问网络借贷平台的次数

少于1次3717.70%

1-3次6732.06%

4-6次167.66%

7-9次7 3.35%

10次或以上8239.23%

四、研究结果

研究模型包括测量模型和结构模型两部分。根据A n d e r s o n等[32]的方法,首先分析测量模型,考察量表的信度和效度,然后分析结构模型,检验模型假设是否成立。本文使用P L S结构方程建模工具S m a r t P L S 2.0来分析数据;各因子载荷和路径系数的显著程度采用Bootstrapping 估算方法。[33]

1. 测量模型

为检验测量量表的可靠性和有效性,我们需要分析各量表的信度(R e l i a b i l i t y)、聚合效度 (C o n v e r g e n t Val id it y) 以及区分效度 (Disc r i m i n a nt Val id it y)。根据G e f e n.等[33]的建议,本文采用C r o n b a c h α值和组合信度(Composite Reliability,C.R.)来分析各建构变量的信度。α和C.R.值大于0.7,说明各建构变量的测量指标具有较好的内部一致性。本文中各建构变量的α值在0.71-0.89之间,组合信度值在0.83-0.92之间,说明各建构变量具有很好的信度(见表5)。

聚合效度是指测量同一概念多重指标之间的关联程度。G e f e n等[33]认为,测量变量在对应建构变量上的因子载荷大于0.7且显著时,测量量表具有较好的聚合效度;Fo r n e l l等[34]认为,测量量表要有很好的聚合

效度,各建构变量的平均抽取方差 (Av e r a g e Va r i a n c e E x t r a c t e d,AV E) 应该大于0.5。数据分析结果显示,各测量变量的因子载荷均显著且都在0.70以上(见表4),AV E在0.65-0.75之间(见表5),说明各建构变量的测量量表具有很好的聚合效度。

表4 测量变量载荷矩阵

 DT IQ SP RSC SSC TB WL

DT10.78 0.41 0.44 0.45 0.33 0.49 0.47

DT20.89 0.58 0.52 0.54 0.40 0.64 0.59

DT30.76 0.47 0.42 0.44 0.33 0.46 0.48

IQ10.540.850.540.570.550.580.53

IQ20.48 0.86 0.55 0.61 0.48 0.63 0.58

IQ30.57 0.87 0.53 0.64 0.44 0.64 0.61

SP10.41 0.49 0.79 0.52 0.44 0.50 0.47

SP20.43 0.45 0.78 0.53 0.37 0.48 0.48

SP30.53 0.55 0.83 0.59 0.37 0.63 0.57

RSC10.45 0.50 0.47 0.78 0.54 0.53 0.48

RSC20.44 0.56 0.57 0.81 0.51 0.56 0.51

RSC30.52 0.65 0.59 0.80 0.45 0.64 0.62

SSC10.39 0.50 0.46 0.58 0.89 0.48 0.48

SSC20.36 0.40 0.38 0.48 0.84 0.41 0.44

SSC20.560.580.560.530.820.430.54

TB10.56 0.61 0.58 0.61 0.44 0.84 0.63

TB20.54 0.61 0.58 0.60 0.44 0.85 0.64

TB30.56 0.62 0.54 0.61 0.40 0.82 0.65

WL10.53 0.51 0.50 0.52 0.41 0.63 0.80

WL20.53 0.57 0.54 0.59 0.47 0.64 0.86

WL30.53 0.62 0.56 0.59 0.45 0.65 0.84

区分效度是指各建构变量之间能够彼此区分的程度。区分效度可以通过以下方法进行测量[33]:(1)各测量变量在相应建构变量上的因子载荷大于其在其他建构变量上的因子载荷;(2)各建构变量的AV E均方根大于该建构变量与其他建构变量之间的相关系数。数据分析结果表明,各测量变量在对应建构变量上的因子载荷大于其在其他建构变量上的因子载荷(见表4);各建构变量的AV E均方根值显著大于其与其他建构变量的相关系数(见表5)。说明本文测量量表各建构变量之间具有较好的区分效度。

由于本研究采用李克特打分法来测量实验对象对各问卷条目的主观评价,因此数据可能存在共同方法偏差(C o m m o n Me t h o d Va r i a n c e,C M V)。Li a n g等[35]认为,将所有测量变量放在一起做因子分析,如果一个因子能够解释大部分方差,则数据可能存在同源误差。将本文数据作因子分析,发现第一个因子只解释了32.3%的方差,表明本文研究数据存在显著同源误差的机会很小。

表5 各变量的信度及变量之间的相关系数

C.R.αAVE DT IQ SP RSC SSC TB WL

DT0.910.860.710.84

IQ0.880.810.650.51 0.81

SP0.880.800.720.58 0.33 0.85 RSC0.830.710.650.59 0.42 0.480.81 SSC0.860.750.660.44 0.53 0.49 0.42 0.81

TB0.920.890.750.56 0.43 0.48 0.52 0.51 0.87 

WL0.910.860.710.54 0.48 0.64 0.48 0.53 0.57 0.84注:对角线上斜体加粗的值为各建构变量AVE值的均方根

上述分析结果表明,本文测量量表是有效、可靠的,研究数据适合做结构模型分析。

2. 结构模型分析

结构模型用于检验各建构变量之间的相互影响关系,验证各项假设是否成立。[33]它包含两方面信息,路径系数和R2:前者说明变量之间影响程度的显著性;后者表示模型中内生变量被解释的程度。[19]利用S m a r t P L S2.0软件的B o o t s t r a p p i n g 估算方法,我们可以直接得到路径系数及其显著性水平和R2。结果显示,信任倾向(b=0.23,p<0.05)、信息质量(b=0.29,p<0.05)和安全保障(b=0.20,p<0.05)对出借人的信任有显著正向影响,因此假设1、2和5得到了支持。关系型社会资本(b=0.23,p<0.05)有助于显著提升交易信任,但是结构型社会资本(b=0.02,p>0.10)则对交易信任没有显著影响。假设4得到支持,但是假设3则没有。交易信任(b=0.77,p<0.05)是出借意愿的重要决定因素,因此假设6也到了数据的支持。

3. 事后访谈

针对部分放贷人的事后访谈表明,大家普遍认为借款人提供的“硬信息”太少,很难完全了解借款人的信用情况。更严重的是,由于大部分信息由借款人自主提供,很难判断这些信息的真伪。如果能够通过权威渠道(例如央行征信系统)获取有关借款人信用情况的信息,则不确定感大大减弱,信任水平将得到很大提升。在缺乏“硬信息”情况下,只能通过其他非正式渠道获取信息(即“软信息”)来推断借款人的信用情况,这方面主要是指借款人的社交网络信息。然而,受访者并不认为所有的社交网络信息都有价值。由于平台上的社交圈是一种松散的朋友关系(任何人都可以互相加为好友,任何人也都可以建立群或者加入群),因此拥有众多好友并不意味着该借款人就一定值得信赖;只有当他投入大量资源与朋友间建立稳固的情感联系才值得信任。由于平台的社交网络主要体现为线

上的朋友关系并且所有用户都匿名,借款人违约的信誉损失成本很低,因此会面临很大的道德风险。如果社交网络不但能体现线上的朋友关系,还能体现线下的朋友关系,借款人一旦违约将在所有朋友(包括现实中的朋友)面前丢脸,则道德风险将可能大大降低。此外,当前P2P网贷平台安全保障功能较弱,这也影响了交易信任。借款人一旦违约,平台并没有好的手段来追讨贷款或者对违约者给惩罚,因此网络放贷被认为存在较高的风险。如果借款人一旦违约将会在央行征信系统中留下污点,则违约风险将可能大大降低,信任程度也将大幅提升。

然而,大部分受访者还是愿意在P2P网贷平台上进行投资,其中高达20%的名义投资回报率是最主要的原因。当前股市表现不佳、楼市泡沫严重,民众并没有很好的投资渠道,利用P2P网贷进行投资仍然是一种不错的理财方式;此外,受访者大都认为,分散化投标(每份投标的最小额度为50元)能在很大程度上降低投资风险,因此更偏爱高利率的借款请求。具体假设检验结果见表6。结构模型的路径系数及R2见图3。

表6?假设检验结果

假设支持情况

假设1:放贷人的信任倾向会正向影响其对借款人的信任支持

假设2:借款人提供的信息质量越高,放贷人对他的信任程度就

越高

支持

假设3:借款人的结构型社会资本越多,放贷人对他的信任程度

就越高

不支持

假设4:借款人的关系型社会资本越多,放贷人对他的信任程度

就越高

支持

假设5:借贷平台的安全保障程度越高,放贷人对借款人的信任

程度就越高

支持

假设6:放贷人对借款人的信任程度越高,出借意愿就越强烈支持

五、研究结论与讨论

1.主要结论

通过对P2P网站放贷用户进行问卷调查发现,个体因素和环境因素都是决定交易信任的重要前因变量,而交易信任在很大程度上决定了放贷人的出借意愿。具体来说,本文的发现主要有以下几点:

(1)信息质量是影响交易信任的重要因素。借款人披露的个人信息越充分详细、越真实可靠,放贷人的信任程度就越高。由于目前P2P网贷还处于初创阶段,借款人鱼龙混杂,提供的信息真假难辨,放贷人感受到很大的违约风险,对借款人的信任程度也很低。

(2)社交网络信息是个人信息的重要补充。当个人信息不完善时,放贷人会更多依赖社交网络信息来推断借款人的可信水平。然而并不是所有的社会资本都有价值,借款人的关系型社会资本对交易信任有显著影响,但是结构型社会资本则没有。

(3)借贷网站的安全保障服务也会在很大程度上影响放贷人的信任。较低的安全保障水平使放贷人没有安全感,对违约借款人缺乏有效的惩罚措施也使得放贷人不敢轻易放贷。如果违约借款人能够得到有效惩罚,则信任程度将大幅提升。

2. 理论贡献和实践价值

首先,本文研究了互联网金融的一种特殊形式“P2P 网贷”的交易行为,构建了交易信任理论框架,建立理论驱动的P2P网贷行为模型,并通过实证数据验证了该模型的有效性,揭示了互联网环境下放贷决策的内在规律。随着大数据时代的来临,包括P2P网贷在内的互联网金融可能对传统金融模式产生重大影响。虽然当前国内已经有不少文献对其进行分析和探讨,但是基于理论模型的实证研究还不多。本文研究成果有助于了解互联网环境下个体投资者的决策规律,尤其是在高风险环境下的决策规律,为研究和设计有效的互联网金融模式提供了有益借鉴。

其次,揭示了信息质量在信任形成过程中扮演的重要作用。P2P网贷和传统借贷模式的最大区别在于金融脱媒,即借款人和放贷人通过网贷平台直接达成借贷交易,这可能带来严重的信息不对称问题。由于借款人和放贷人之间并不熟悉,放贷人只能依据借款人提供的有限个人信息来推测其信用状况,使得交易效率很低。本文的研究结果表明,通过权威渠道(例如央行征信系统)发布更详细的个人财务信息,借款人的信任程度能够得到大幅提升,交易效率将大幅提高,对借款人、放贷人以及交易平台都是有利的。

最后,探讨了不同维度社会资本对交易信任的不同影响。借款人在P2P网贷平台上的社会资本主要包括结构型和关系型两个方面,其中关系型社会资本会对交易信任产生显著影响,但是结构型社会资本的影响则不显著。社会资本作为市场信号需要满足两个条件:高生产成本和低解读成本。如果建立朋友关系的成本很低,则其信号价

值也会很低。此外,还发现社会网络对制度缺失也具有补偿作用:关系型社会资本越多的借款人在违约时面临更大的信誉损失成本,会有更强的动力来还款;制度缺失越严重,放贷人对这种非正式手段的依赖性就越强。这一发现与Ahlerup等[36]关于社会资本的研究结论是一致的。

本文的研究结果也为市场监管者、平台运营商、网贷用户提供了一些有益的启示。首先,对于监管者来说,规范借款人信息披露内容、提高披露信息的真实性、降低借款人和贷款人之间的信息不对称是当务之急。目前P2P网贷市场还不够成熟,有关借款人信用情况的信息主要由借款人自己提供,其真实性往往受到质疑;由于没有统一标准,借款人提供的个人信息太少,这也使得放贷人很难对借款人产生信任。因此,建立规范统一的借款人信息披露标准、开放央行征信系统使放贷人可以方便地掌握借款人的真实信用信息,将有助于增进交易信任、提高市场效率。此外,由于放贷人理财技能和风险意识不足,往往把资金投向利率最高的借款列表,因此需要加强监控,警惕该市场可能爆发的大规模债务违约风险。

其次,对P2P运营平台来说,促进安全保障水平使用户放心参与借贷交易是该市场健康发展的基石。根据本文的研究结果,当前P2P网贷平台迫切需要完善两方面的功能:在技术上提升交易的安全性,在机制上加大违约借款人的惩罚力度。针对后者,一种可行的方案是网贷平台不仅体现线上的社交网络关系,还应该体现用户在线下的社交网络关系。唯有如此,借款人一旦违约会面临很高的信誉损失成本,才会有更强的动力按时还款。

再次,对借款人来说,可以通过更详细地披露个人财务信息来提高借款成功率,也可以通过培育更多的关系型社会资本来提高借款成功率。对于个人财务形象不佳的借款人,通过增加社会资本来提升自己的可信水平就显得尤为重要。此外,本文的研究表明,放贷人看中的是朋友关系的“质”而非“量”,因此借款人在平台上培育社会资本时更需要注重社会网络关系的深度而非广度。

最后,对放贷人来说,需要提升风险意识和理财水平。当前P2P网贷平台的表面收益虽然很高(接近20%),但是由于存在违约贷款,放贷人的实际收益可能并不理想。

[16]由于缺乏风险意识,放贷人往往把资金投向那些利率最高的借款列表,并期望通过分散化投标来降低风险。这可能导致市场“劣币驱逐良币”,引发大规模的借贷危机。因此,提高风险意识,将资金贷给最优质的借款人而非提供最高利率的借款人是放贷人必须注意的问题。

3. 研究局限及未来研究建议

本文研究虽然取得了一些有价值的结论,但也存在一

定的局限性:首先,本文的研究对象是某网贷平台的放贷用户。虽然该平台在业界拥有领袖地位,但是不同P2P网贷平台的用户行为特征和决策规律可能会存在一定差异,建议后续研究在多个平台上开展调研,以验证本研究结论的外部有效性。其次,本文研究方法以问卷调查为主,辅以访谈,建议后续的研究可以采用案例研究、实验研究等多种手段交叉验证本文的研究结果,形成证据三角形(Tr iang ulation),使结论更加可靠。最后,放贷人的行为规律可能会随时间动态变化,建议后续研究对放贷行为进行纵贯分析(Longitudinal Study),掌握其动态演化规律。

参考文献

[1] Lin, M.F., Prabhala, N.R., Viswanathan, S.. Judging Borrowers

by the Company They Keep: Friendship Networks and Infor-

mation Asymmetry in Online Peer-to-Peer Lending.Manage-

ment Science, 2013, 59(1): 17-35.

[2] Collier, B., Hampshire, R.. Sending Mixed Signals: Multilevel

Reputation Effects in Peer-to-Peer Lending Markets. in ACM Conference on Computer Supported Cooperative Work. 2010.

Savannah, Georhia, USA.

[3] 第一财经金融研究中心, 中国P2P借贷服务行业白皮书2013,

北京: 中国经济出版社.

[4] Manyika, J., Institute, M.G., Chui, M., Brown, B., Bughin,

J., Dobbs, R., Roxburgh, C., Byers, A.H.. Big Data: The Next Frontier for Innovation, Competition, and Productivity 2011: McKinsey Global Institute.

[5] Johnson, S., Arvind, A., Assadi, D..Online or Of?ine? The Rise

of “Peer-to-Peer” Lending in Microfinance. Journal of Elec-

tronic Commerce in Organisations, 2010, 8(3): 26-37.

[6] Puro, L., Teich, J.E., Wallenius, H., Wallenius, J..Borrower

Decision Aid for People-to-People Lending Decision Support System, 2010, (49): 52-60.

[7] Lin, M., Viswanathan, S.. Home Bias in Online Investments:

An Empirical Study of an Online Crowd Funding Market, 2013, Working Paper.

[8] Ravina, E..Love & Loans: The Effect of Beauty and Personal

Characteristics in Credit Markets Available at SSRN 1107307, 2012: Working Paper.

[9] Sydnor, J.R., Pope, D.G..What`s a Picture? Evidence of Dis-

criminations of Loan Fundability in the https://www.doczj.com/doc/ad11561329.html, Market-

place.Journal of Human Resources, 2011, 46(1): 53-92.

[10] Lin, M.F., Prabhala, N.R., Viswanathan, S..Can Social Net-

works Help Mitigate Information Asymmetry in Online Mar-

kets, in Thirtieth International Conference on Information Systems 2009: Phoenix.

[11] Lopez, S.H..Social Interactions in P2P Lending. Working Paper

2009 (cited 2011 8/15), Available from: https://www.doczj.com/doc/ad11561329.html,/ citation.cfm?id=1731014.

[12] Yum, H., Lee, B., Chae, M..From the Wisdom of Crowds to My

Own Judgment in Micro?nance through Online Peer-to-Peer Lending Platforms.Electronic Commerce Research and Appli-cations, 2012, 11(5): 469-483.

[13] Luo, B., Lin, Z..A Decision Tree Model for Herd Behavior and

Empirical Evidence from the Online P2P Lending Market. In-formation Systems and E-business Management, 2013, 11(1): 141-160.

[14] Herzenstein, M., Dholakia, U.M., Andrews, R.L..Strategic

Herding Behavior in Peer-to-Peer Loan Auctions.Journal of Interactive Marketing, 2011, 25(1): 27-36.

[15] Zhang, J.J., Liu, P..Rational Herding in Microloan Markets.

Management Science, 2012, 58(2): 892-912.

[16] Johnk, D.W.. https://www.doczj.com/doc/ad11561329.html,: Can Lenders Really Expect High

Returns?International Journal of Services and Standards, 2012, 8(2): 133-156.

[17] Bandura, A..Social Foundations of Thought and Action: A So-

cial Cognitive Theory 1986: Prentice Hall.

[18] Williams, M..Building Genuine Trust through Interpersonal

Emotion Management: A Threat Regulation Model of Trust and Collaboration across Boundaries.Academy of Management Review, 2007, 32(2): 595-621.

[19] Kim, D.J., Feeein, D.L., Rao, H.R..A Trust-based Consumer

Decision-making Model in Electronic Commerce: The Role of Trust, Perceived Risk, and Their Antecedents.Decision Support Systems, 2008, 44(2008): 544-564.

[20] Greiner, M.E., Wang, H..Building Consumer-to-Consumer

Trust in E-?nance Marketplaces: An Empirical Analysis. Inter-national Journal of Electronic Commerce, 2010, 15(2): 105-136.

[21] Kim, G., Shin, B., Lee, H.G..Understanding Dynamics between

Initial Trust and Usage Intentions of Mobile https://www.doczj.com/doc/ad11561329.html,rma-tion Systems Journal, 2009, 19(3): 283-311.

[22] Mayer, R.C., Davis, J.H., Schoorman, F.D..An Integrative Mod-

el of Organizational Trust.Academy of Management Review, 1995, 20(3): 709-734.

[23] Tadelis, S., Zettelmeyer, F..The Effect of Information on

Auction Outcomes: A Large Scale Field Experiment, 2009, UC Berkeley: Retrieved from: https://www.doczj.com/doc/ad11561329.html,/uc/ item/7t4834h2.

[24] Nahapiet, S., Ghoshal, S..Social Capital, Intellectual Capital

and the Organizational Advantage.Academy of Management Review, 1998, 23(2): 242-266.

[25] Bhattacherjee, A..Individual Trust in Online Firms: Scale De-

velopment and Initial Test.Journal of Management Information Systems, 2002, 19(1): 211-241.[26] Gefen, D., Benbasat, I., Pavlou, P..A Research Agenda for Trust

in Online Environments.Journal of Management Information Systems, 2008, 24(4): 275-286.

[27] Clark, L.A., Watson, D..Constructing Validity: Basic Issues in

Objective Scale Development.Psychological assessment, 1995, 7(3): 309-319.

[28] Moore, G.C., Benbasat, I..Development of an Instrument to

Measure the Perceptions of Adopting an Information Technol-ogy https://www.doczj.com/doc/ad11561329.html,rmation Systems Research, 1991, 2(3): 192-222.

[29] Lu, Y., Zhao, L., Wang, B..From Virtual Community Members

to C2C E-commerce Buyers: Trust in Virtual Communities and Its Effect on Consumers` Purchase Intention.Electronic Com-merce Research and Applications, 2010, 9(4): 346-360.

[30] Gefen, D.. E-commerce: The Role of Familiarity and Trust.

Omega, 2000, 28(6): 725-737.

[31] Jarvenpaa, S.L., Tracinsky, N., Vitale, M..Consumer Trust in an

Internet https://www.doczj.com/doc/ad11561329.html,rmation Technology and Management, 2000, 1(12): 45-71.

[32] Anderson, J., Gerbing, D.W..Structural Equation Modeling in

Practice: A Review and Recommended Two-step Approach.

Psychological Bulletin, 1988, 103(5): 411-423.

[33] Gefen, D., Straub, D.. A Practical Guide to Factorial Validity

Using Pls-graph: Tutorial and Annotated Example. Commu-nications of the Association for Information Systems 2005, 16(2005): 91-109.

[34] Fornell, C., Larcker, D.F..Evaluating Structural Equation Mod-

els with Unobservable Variables and Measurement Error .Jour-nal of Marketing Research, 1981, 18(1): 39-50.

[35] Liang, H., Saraf, N., Hu, Q., Xue, Y.. Assimilation of Enterprise

Systems: The Effect of Institutional Pressure and the Mediating Role of Top Management.MIS Quarterly, 2007, 31(1): 59-87. [36] Ahlerup, P., Olsson, O., Yanagizawa, D..Social Capital vsIn-

stitutions in the Growth Process.European Journal of Political Economy, 2009, 25(1): 1-14.

注释

① 2013年7月1日,央行在北京举行了网络信贷专题座谈会,

包括央行副行长刘士余在内的多位监管层人士及多家主流P2P信贷平台的代表参会。同一天,央行各分支机构也开始向当地P2P平台发放“网络金融发展状况调查问卷”,此次摸底覆盖整个P2P行业,最终形成行业报告上报给国务院。

作者简介陈冬宇,苏州大学东吴商学院副教授、博士,研究方向为互联网金融

(下转第73页)

作者简介?罗进辉,厦门大学管理学院会计系副教授、管理学博士,研究方向为公司治理与公司金融

The Star Effect of Independent Directors: From Mana-gerial Pay-Performance Sensitivity Perspective

Luo Jinhui

School of Management, Xiamen University

Abstract The prime mechanism for independent directors’ gov-ernance behavior is the reputation incentive. This is because, theo-retically, outside independent directors have incentives to develop reputations as experts in decision control. Most of them are either managers of other corporations or important decision agents in other complex organizations. The value of their human capital depends primarily on their performance as internal decision managers in oth-er organizations. However, due to the limited availability of related data, the effectiveness of this mechanism has not been fully tested in the context of China. In recent years, Internet is becoming more and more popular and the network has become one of most important information vehicles. Any individual information especially, that which concerning social stars can be easily found and quickly known to all on the Internet. It means that the network performs as a rea-sonable platform to reflect social individuals’ popularity and also an effective mechanism to discipline social individuals’ good behaviors. Taking advantage of this opportunity, this study explores to measure the extent of independent directors’ individual social reputation in-centive according to the data from the Internet Search Engine. Spe-cifically, the author searches each full name of all independent direc-tors on the largest and most popular Chinese Internet Search Engine (https://www.doczj.com/doc/ad11561329.html,) and gets the search number for each independent director. Then the author takes the cut-off point 10% to classify inde-pendent directors into star and normal ones by ranking their individ-ual network search numbers. Based on this unique data, he is able to examine the star effect of independent directors from the perspective of managerial pay-performance sensitivity. The author finds that compared with their counterparts without star independent directors, firms with star independent directors have significant lower manage-rial pay-performance sensitivity. That is, star independent directors do not increase but reduce the effectiveness of managerial compen-sation contracts. The author argues that the main reason for this is that star independent directors are inevitably captured by internal top managers and thus collude with managers to perform as a useless vase, which results in the exacerbation of manager-owner conflicts. Furthermore, the author finds that the above negative effect of star independent directors mainly reflects in private listed companies whose compensation policies are free of government regulation.

Key Words Independent Directors; Reputation Mechanism; Star Effect, Executive Compensation; Nature of Property Rights (上接第48页)

A Study of Lending Trust in the Online Peer-to-Peer Lending Marketplace Based on Social Cognitive Theory Chen Dongyu

Dongwu Business School, Soochow University

Abstract Online peer-to-peer (P2P) lending has experienced fast growth since its inception. It embodies the huge demands of financ-ing and investing for Chinese borrowers and investors. However, this online P2P lending market is still in its infancy due to a lack of trust between borrowers and lenders. By far, the number of partic-ipants on P2P lending is still small, and the funding probabilities of loan requests in this market are still very low. In order to have a bettering understating of the trust-building process of lenders in this market, a trust framework from the perspective of lenders is developed based on the social cognitive theory. The framework is empirically tested using surveyed data from 209 online lenders of a leading lending website in China. The results show that the fol-lowing factors such as a lender’s disposition to trust, information quality of borrowing listing, social capital, and the structural assur-ance of lending intermediary are critical to the formation of lending trust. Furthermore, different dimensions of social capital may have different impacts on lending trust: the relational aspect of social capital has a significant impact on lending trust, while the impact of structural social capital is not. Our study also confirms that lending trust is a primary determinant of willingness to lend. Such findings imply that, in order to develop lenders’ trust, borrowers should not only provide high-quality personal information about themselves, but also develop relational social capital to enhance their credit profiles. Moreover, for the purpose of facilitating P2P lending, lending platforms should provide high-quality services regarding security and protection. Finally, in order for the P2P lending market to run smoothly, policy makers should enact regulations regarding disclosure of borrowers’ credit information to mitigate the problem of information asymmetry between borrowers and lenders. More importantly, third party credit institutions should be encouraged to participate in this market for potential lenders to have a better judgment of borrowers. Overall, we constructed a theory-based be-havioral model for P2P lending, which has significant research and managerial implications.

Key Words Online Peer-to-Peer Lending; Internet Finance; Trust

相关主题
相关文档 最新文档