彭红枫，杨柳明，谭小玉

(武汉大学 经济与管理学院，湖北 武汉 430072)



地域差异如何影响P2P平台借贷的行为
——基于“人人贷”的经验证据

彭红枫，杨柳明，谭小玉

(武汉大学 经济与管理学院，湖北 武汉 430072)

本文以人人贷平台的借贷交易数据为样本，分别从各省经济水平、金融生态环境、教育程度和正规金融普及程度等四个角度，考察了地域差异对P2P网络借贷行为的影响。研究结果表明：我国P2P借贷市场上，不同地域之间的借款成功率存在显著的差异，地域歧视已经存在于互联网金融领域。具体而言，经济水平越高、金融生态环境越好、教育程度越高的省份的借款人更容易获得借款；而正规金融普及程度对借款成功率有负向影响，表明P2P网络借贷是正规金融的有效补充。本文的结果为深入理解互联网金融地域歧视背后的原因，以及创造公平和谐的网络借贷环境提供了启示。

地域歧视；P2P网络借贷；借款成功率

一、问题提出

随着以互联网为代表的现代信息科技的高速发展，基于移动支付、社交网络、搜索引擎和云计算等的互联网金融模式正在改变传统金融体系的价值创造和服务方式，其中P2P(Peer-to-Peer)网络借贷正是一种融合互联网技术的新型金融模式[1-2]。

作为金融和互联网融合发展的产物，P2P网络借贷以其贷款门槛低、覆盖面广、信息流通快、交易手续便捷、涉及金额小、借款期限较短等优点备受借款人和投资者的青睐，但是由P2P网络信息不对称性而造成的逆向选择和道德风险等信用问题正成为P2P行业发展的障碍。为了减少信息不对称程度，帮助投资者在获取有效信息的基础上做出理性决定，P2P网贷平台往往要求借款人提供财务和个人情况等相关信息，其中个人特征信息包括性别、年龄、种族等。在劳动经济学领域，已有多名学者[3-6]研究了一些诸如性别、年龄、种族、外貌、所在地等个人特征信息引起的社会对劳动者在就业和工资等方面的不平等待遇，即“歧视”问题。类似的歧视问题也存在于互联网金融领域，在不需要进行面对面交流的网络借贷市场上，贷款人同样会由于借款人个人特征的差异而做出不同的贷款决定。目前已有多名学者对个人特征信息如何影响P2P网络借贷行为的问题进行了研究，例如Ravina[7]和Herzenstein and Andrews[8]研究发现，种族、年龄、性别、体重和外貌可信对借款成功率有显著影响，上述结论得到了Pope and Sydnor[9]的验证，具体而言，非裔美国人的借款成功率比信用相近的白人低34%，35-60岁借款人的借款成功率比年龄小于35岁的借款人高40%。除了考察个人特征信息差异对借款成功率的影响之外，部分学者还从借款违约率角度对歧视形成的原因展开了研究，例如Ravina[10]发现长相可信的借款人有更高的信用等级和更低的违约率；相对于白种人而言，黑种人较难获得贷款，且违约概率比白种人高。此外，吴小英和鞠颖[11]利用Prosper网站交易数据进行研究，发现在同等条件下，学生借款比其他人借款的成功率低3.4%，表明贷款人对学生存在直觉歧视。更进一步地，这种P2P借贷中的身份歧视现象与信息披露质量有关，庄雷和周勤[12]将借款人身份细分为网店店主、私营业主、工薪阶层、学生、其他等五种，以“拍拍贷”网站的交易数据为样本研究互联网金融中的身份歧视问题，发现当信息披露质量较低时，存在着显著的身份歧视，随着信息披露质量上升，身份歧视问题便不再显著。

从现有研究来看，目前鲜有学者从借款人所在地的角度研究地域差异对网络借贷行为的影响，即互联网金融的地域歧视问题。地域歧视是基于地域差异而形成的一种“区别对待”，它是由地域文化差异以及经济发展不平衡等因素引发的，自古以来便存在[13]。我国地理疆域辽阔、人口众多，各省份经济发展程度、生活状况等各方面存在显著差异，由此形成的地域歧视问题在我国较为普遍。我国劳动力市场中的地域歧视问题已经凸显[14-16]，并且目前已经渗透到互联网金融领域。P2P平台上的借款人来自我国不同省、自治区、直辖市，那么各省份的差异对其借贷成功有无影响，如果有影响，那么地域的差异性会如何影响借贷行为？廖理等[17]对此进行了深入的探讨，他们将各省份订单成功率的差异性定义为“地域歧视”，发现各省份P2P网络借贷中存在地域歧视问题，并且指出这种歧视为偏好性歧视，即非理性歧视。以上研究为本文提供了很好的启迪，然而现有研究尚存两个方面的问题：第一，对地域歧视的定义尚停留在物理概念上，没有涉及到各地区的经济水平、金融生态环境、文化传承差异及市场化程度等差异，而这些差异对P2P借贷成功率及借款利率存在很大的影响。第二，未将微观借贷行为与宏观状况结合分析，对造成P2P借贷地域歧视的成因缺乏合理的探讨。

针对以上两个问题，本文从四个角度分析地域歧视的成因。首先，经济发展程度衡量了该省整体承担债务的能力，贷款人更倾向于选择位于经济发展水平高的省份的借款人。其次，金融生态环境衡量了该省市场化发展水平和程度、信息传递及金融运作效率，较高的市场化水平意味着良好的法律环境及市场秩序，有利于塑造“诚信”形象，从而提高该省的借款成功率。再次，教育程度衡量了该省居民整体素质，受过良好教育的借款人在撰写借款陈述及提供认证信息(如教育认证)等方面存在优势，也会较为重视自己的个人信用记录。最后，正规金融普及程度衡量了该省居民通过正常渠道借款的难易水平，目前大多数借款人主要通过银行等传统金融渠道获取贷款，对于正规金融普及程度较高的省份，P2P平台上的大部分借款人是被正规金融拒贷或者虽被放贷、但额度不足的群体，即传统金融机构筛选后的“次级客户”，信用级别较低；但是对于正规金融普及程度较低的省份，有较好信誉的借款人通过银行等正规金融渠道也较难获得贷款，此时会选择P2P网络融资，因此整体而言，借款成功率随正规金融普及程度提高而降低。

鉴于此，本文将地域差异分为各省经济水平差异、各省金融生态环境差异、各省教育程度差异、各省正规金融普及程度差异这四种，以中国P2P网贷平台的领军者“人人贷”平台的交易数据为样本，探讨互联网金融地域歧视背后的原因。实证结果表明：在我国P2P借贷市场上，不同省份间的借款成功率存在显著的差异性，具体而言，经济水平越高、金融生态环境越好、教育程度越高的省份的借款人更容易获得贷款，但正规金融普及率越低的省份的借款人更容易获得贷款，可以看出P2P网络借贷是正规金融的有效补充。本文有助于丰富和完善P2P网络借贷行为的研究，并为解决互联网金融的“地域歧视”问题提出相关政策性建议。

二、研究设计

(一)研究思路

为了探讨地域差异如何影响P2P平台的借贷行为，本文首先检验不同省份之间的P2P借款成功率是否存在差异，如果有差异，则说明P2P网络借贷中存在地域歧视；在此基础上，进一步分析这种地域歧视是由地域间的何种差异造成的。

本文将地域差异分为各省经济水平差异、各省金融生态环境差异、各省教育程度差异、各省正规金融普及程度差异等四种，其中本文采用各省人均GDP衡量经济水平差异、各省樊纲指数①樊纲指数即市场化指数，由五个方面的指数组成：政府与市场的关系、非国有经济的发展、产品市场的发育程度、要素市场的发育程度、市场中介组织发育和法律制度环境，概括了该省市场化发展水平和程度、信息传递及金融运作效率。本文使用《中国市场化指数:各地区市场化相对进程2011年报告》一书中统计的2009年中国各省数据。衡量金融生态环境差异、各省每十万人中大学生人数衡量各省教育程度差异，各省每十万人享有的金融机构数量衡量各省正规金融普及程度差异，除樊纲指数外，以上指标均采用截止到2013年底的统计数据，数据来源为Wind数据库。

(二)数据描述及预处理

本文选取2014年1月1日至2014年12月31日期间人人贷网站的全部借贷数据作为初始样本，因为人人贷网站于2013年10月进行了改版并步入快速平稳发展阶段，在此时期的借款标的较多，数据的完整性相对较高。共有253321个观测值，所有样本都为竞标完成状态下的借贷数据。本文对初始样本进行如下预处理：①剔除性别、婚姻、学历、公司规模、工作年限、月收入、借款年限、所在地等信息不全的68505个观测数据；②因同一借款人每个账号存在多笔贷款，考虑到研究需要，本文在相同账号中随机抽取一笔贷款记录作为样本。同时，为了保证样本的有效性，本文将借款人的年龄段设定为18岁至60岁②民法规定，十八岁的公民有完全行为能力；《劳动法》规定，六十岁为法定退休年龄。，并将借款金额设定在20万元以下③《最高人民法院关于审理非法集资刑事案件具体应用法律若干问题的解释》规定，个人吸收公众存款20万元以上触及非法集资标准。，由此共删除89888个观测数据；③因港、澳、台地区订单数量较少，剔除这三个地区借款共158个观测数据，最终整理得到94770个有效观测数据。

(三)地域歧视检验的模型设定

为了检验P2P借款成功率在不同省份之间是否存在差异，本文将模型设定如下：

successi=α+∑βn×provincen+λ×Controlsi+εi

(1)

其中，successi是第i份订单的借款成功与否，当借款人借款成功时取1，失败时取0；provincen表示是否为第个省份，其中香港、澳门、台湾的订单数量较少，剔除这三个地区后共有31个省份。本文选择重庆为对照组，共使用30个虚拟变量，Controlsi表示借款人在P2P借贷平台上注册时提供的各类信息，比如订单信息(借款金额、期限等)和借款人自身信息(性别、年龄等)，εi表示误差项。

在模型(1)中，如果回归系数β1=β2=β3=…=β30是联合显著的，则可以推断不同省份订单成功率的地域差异是不显著的，即不存在地域差异；反之，表明订单成功率存在地域差异。

(四)地域差异对借贷行为影响的模型设定

若上述检验结果表明P2P借贷中的地域歧视确实存在，本文进一步探讨这种歧视背后的原因，根据前文所述，将地域差异分为各省经济水平差异、金融生态环境差异、教育程度差异和正规金融普及程度差异等四种，本文将设定如下四个模型：

successi=α+β×Per_GDPprovincen+λ×Controlsi+εi

(2)

successi=α+β×Financial_Environmentprovincen+λ×Controlsi+εi

(3)

successi=α+β×Per_College_Studentsprovincen+λ×Controlsi+εi

(4)

successi=α+β×Financial_Institutionsprovincen+λ×Controlsi+εi

(5)

本文将根据模型(2)-(5)，在控制了其他因素的影响后，研究地域间的何种差异会导致各省P2P借贷成功率的差异化。

其中，模型(2)为经济水平差异对借贷行为影响，Per_GDPprovincen代表第n个省份的经济水平，采用各省份人均GDP衡量该省份的经济实力；模型(3)为金融生态环境差异对借贷行为影响，Financial_Environmentprovincen代表第n个省份的金融生态环境，采用各省份樊纲指数作为衡量指标；模型(4)为教育程度差异对借贷行为影响，Per_College_Studentsprovincen代表第n个省份每十万人中大学生人数，以此衡量该省份的教育程度；模型(5)为正规金融普及程度差异对借贷行为影响，Financial_Institutionsprovincen代表第n个省份每十万人享有的金融机构数量，以此衡量该省份的正规金融普及程度。回归系数β代表各省经济水平、金融生态环境、教育程度和正规金融普及程度等四种差异对借贷行为影响。

(五)变量说明

根据已有文献对P2P借贷行为影响因素的研究[18-21]以及本文的研究需要，本文选取以下控制变量进行分析：“订单自身信息”中的借款利率、借款期限、借款金额、借款目的以及“借款人各类信息”中的信用等级、性别、年龄、婚姻状态、所在公司规模、工作年限、教育程度、收入水平、信用认证个数、有无车产、有无房产、有无车贷、有无房贷等17个变量。下面对本文的研究变量做进一步说明。

表1 变量定义表

1.本文主要研究的因变量

借款成功(success):当借款成功募集到预期数额时取1，否则取0。

2.订单自身信息变量

(1)借款利率(Rate)：每一个订单中，借款人都会给出一个自己可以接受的借款利率。

(2)借款期限(Term)：借款人还款期限，按月衡量，最短为3个月，最长为36个月。

(3)借款金额对数值(Log_Money)：借款人预期借款金额，本文取其对数。

(4)借款目的(Purpose)：本文将借款目的分为两类：购车、购房、装修、婚礼筹备及投资创业等实物投资目的的借款记为1；短期周转、个人消费、教育培训、医疗支出及其他借款等非实物投资目的的借款记为0。

3.借款人的各类信息变量

(1)信用等级(CreditRating)：“人人贷”平台对借款人提交的信用认证材料进行审核和判断，然后进行信用评级，共分为AA、A、B、C、D、E、HR七个级别，对其做虚拟变量处理，令HR=1，其他信用等级为0。

(2)性别(sex)：虚拟变量，当性别为男性时取1，女性时取0。

(3)年龄(Age)：借款人提供的年龄信息。

(4)婚姻状态(Marry)：当借款人已婚、离异或丧偶时取1，未婚时取0。

(5)所在公司规模(Scale)：借款人所在公司的规模，10人以下取1，10-100人取2，100-500人取3，500人以上取4。

(6)工作年限(Worktime)：借款人的工作年限，工作一年(含)以下取1，1-3年(含)取2，3-5年(含)取3，5年以上取4。

(7)教育程度(Edu)：借款人的学历，高中或以下取1，专科取2，本科取3，研究生或以上取4。

(8)收入水平(Income)：借款人月收入状况，1000元以下取1，1000-2000元取2，2000-5000元取3，5000-10000元取4，10000-20000元取5，20000-50000元取6，50000元以上取7。

(9)信用认证个数(Certification Number)：借款人在注册“人人贷”账户时，需要提交信用认证材料，具体包括身份认证(Identity Certification)、学历认证(Education Certification)、信用报告(Credit Report)、居住地证明(Residence Certification)、婚姻认证(Marriage Certification)、工作认证(Job Certification)、微博认证(Blog Certification)、房产认证(House Certification)、车产认证(Car Certification)、手机认证(Mobile phone Certification)、收入认证(Income Certification)、视频认证(Video Certification)等12种认证，当借款人提交某种认证时，该认证变量取1，统计信用认证的总个数。

(10)房产(House)：借款人是否有房产，拥有房产时取1，没有取0。

(11)车产(Car)：借款人是否有车产，拥有车产时取1，没有取0。

(12)房贷(House_Loan)：借款人是否有房贷，拥有房贷时取1，没有取0。

(13)车贷(Car_Loan)：借款人是否有车贷，拥有车贷时取1，没有取0。

表1给出了本文涉及变量的名称及相关定义。

三、实证结果分析

(一)描述性统计

表2计算了各省份的借款成功率，可以看出，各省份的借款成功率中最低的是西藏，仅为2.78%，最高的是重庆，高达80.27%。表2展示了不同地区的借款信息的描述性统计。

表2 各省份借款信息的描述性统计

从图1可知，不同省份的借款成功率存在显著差异，下面本文将在控制“订单自身的信息”和“借款人的各类信息”两类变量影响的基础上，进一步探究各省份借款成功率出现差异的原因。

图1 各省借款成功率统计图

表3列示了变量的描述性统计。从表3可以看出，观测样本中42.4%的借款人成功获得贷款。对于各省人均GDP、樊纲指数、每十万人中大学生数以及每十万人享有的金融机构数等四个变量，最大值与最小值相差较大，两级分化严重。从订单自身信息变量来看，全部借款的利率平均值为0.132，最大的借款利率为0.240，最小的借款利率为0.080。借款期限平均为22.310，最短的为3个月，最长的为36个月，中位数为24个月，说明P2P网络借贷的借款期限大多数约为2年。借款金额最小的为3000元，最大的为200000元。大多数借款人的借款目的是短期周转、个人消费、教育培训、医疗支出及其他借款等非实物投资，约占74.3%左右。从借款人的各类信息变量来看，全部借款人中，信用等级为HR的借款人占比为56.4%，表明借款人的信用等级普遍偏低。借款人平均年龄为33.322岁，已婚的占67.3%，其中男性占比为79.8%，大多数人所在公司规模在10-100人之间，工作年限在1-3年之间，并且大多数借款人为专科毕业，收入在5000-10000之间，表明大多数借款人都属于中等收入、工作时间普遍较短且学历较低。借款人的提交的信任认证个数均值小于1，说明大多数借款人提供的有效认证较少，个人信息认证披露程度低。此外，48.3%的借款人有房产，24.6%的借款人有车产，26.1%的借款人有房贷，6.8%的借款人有车贷。

表3 变量描述性统计

各个自变量与控制变量的相关系数见附表1。从相关系数大小来看，不存在多重共线性问题。

(二)地域歧视的实证检验

在控制了“订单自身的信息”和“借款人的各类信息”两类变量影响的基础上，本文探讨不同省份的地域差异对借款成功率的影响，对模型(1)进行回归，回归结果如表4所示。

表4列示了借款成功率对不同省份的回归结果，在控制其他变量的情况下，除个别省份外，大多数省份的回归系数在5%的置信水平上都是显著的。从各个省份与对照组差异性的F检验来看，F值为6.31，拒绝原假设，表明不同省份之间的回归系数存在显著差异，即不同省份对借款成功率是有影响的。

此外，大部分控制变量在5%的置信水平上对借款成功率产生影响。具体而言，订单信息中的借款利率、借款金额对借款成功率有显著的负向影响，而实物投资目的的借款以及长期借款都能提高借款成功率。其中，借款利率越高，其风险溢价越高，违约风险越大，因此成功率较低；借款金额越大，偿还难度越大，成功率越低；借款目的为实物投资时，跑路的可能性较小，并且借款人拥有足够长的借款期限，还款压力较轻，二者提高了借款成功率。借款人信息中，借款人信用等级越低，借款成功率越低；性别为男性的借款成功率较低，说明投资者对性别存在一定的歧视；年龄越大、已婚、所在公司规模越大、工作年限越长、教育程度越高、收入越高以及在人人贷网站上提供信用认证个数较多的借款人的借款成功率较高，这类群体一般都是工薪阶层，信用等级及个人素质较高，有一定的还款能力。此外，拥有车贷、房贷的借款人有一定的债务偿付能力，借款成功率较高。最后，该模型的R2为88.47%，说明本文选取的变量对借款成功率有较强的解释力。

表4的回归结果表明，在控制了“订单自身的信息”和“借款人的各类信息”两类变量的基础上，不同省份之间的借款成功率不同，即P2P网络借贷中存在地域歧视，这与廖理[17]的研究结果是一致的。

表4 省际地域歧视的回归和F检验

(三)探讨地域歧视的原因

上述分析验证了P2P借款中存在地域歧视，为了进一步分析地域歧视形成的原因，本文将地域差异分为经济水平差异、金融生态环境差异、教育程度差异以及正规金融普及程度差异，分别用人均GDP、樊纲指数、每十万人中大学生人数以及每十万人享有的金融机构数量进行衡量，将借款成功率分别对上述四项指标进行回归，即模型(2)-(5)，得到的回归结果如表5所示。

表5 四种地域差异对借款成功与否的影响

表5列示了经济水平差异、金融生态环境差异、教育程度差异以及正规金融普及程度差异对借款成功与否的影响。结果显示：首先，对于人均GDP，从回归系数可以看出，人均GDP越大，借款成功率越高，表明经济水平对借款成功与否存在显著的正向影响，这是因为各省份的人均GDP在一定程度上衡量了该省整体承担债务的能力，投资者明显倾向于选择经济发展水平高的省份的借款人。其次，对于樊纲指数，从回归系数可以看出，樊纲指数越大，借款成功率越高，表明樊纲指数对借款成功与否存在显著的正向影响，由于各省份的樊纲指数在一定程度上衡量了该省的金融发展环境状况、法律环境及市场秩序，投资者更加青睐于金融生态环境好的省份的借款人。再次，对于每十万人中大学生人数，该变量衡量了各省份的教育状况和居民的整体素质，投资者明显倾向于选择教育程度高的省份的借款人。最后，对于每十万人享有的金融机构数量，从回归系数可以看出，每十万人享有的金融机构数量越少，即正规金融普及程度越低，借款成功率越高。

图2为各省每十万人享有的金融机构数量。

图2 每十万人中享有的金融机构数

对比图1和图2，我们发现借款成功率较高的重庆、贵州、吉林等省份正规金融普及程度非常低，这些省份中有良好信誉的借款人通过银行等正规金融渠道较难获得贷款，此时转而寻求P2P网络融资，表明投资者明显倾向于正规金融普及程度低的省份的借款人，这也验证了本文在引言中提出的假设，据此可以看出，P2P网络借贷已经成为了传统金融的一种有效补充，这也印证了央行提出的“互联网金融是现有金融体系的有益补充”这一论断①见《2013年第二季度中国货币政策执行报告》。。

四、稳健性检验

为了验证上述实证结果的稳健性，本文将采用以下三种方法进行检验：一是选取不同的样本，二是替换相关变量，三是计量方法选择。

(一)样本选择

前文研究地域差异如何影响P2P平台借贷行为使用的样本是借款额度小于20万元的数据，此处本文选取借款额度为10万元以下的数据作为样本，考察对于不同的借款额度，之前的结果是否依然成立，表6显示了稳健性检验的结果。可以看出，与之前的结果相比，主要研究变量的系数和符号都比较稳定，其显著性水平也没有明显变化，说明前文的结果具有较好的稳健性。

(二)变量替换

在前文的变量设置中，信用认证是由12种认证组成，以借款人提供的信用认证个数总和进行衡量。此处，本文选择身份认证(Identity Certification)、学历认证(Education Certification)、信用报告(Credit Report)、居住地证明(Residence Certification)、婚姻认证(Marriage Certification)、工作认证(Job Certification)、微博认证(Blog Certification)、房产认证(House Certification)、车产认证(Car Certification)、手机认证(Mobile phone Certification)、收入认证(Income Certification)、视频认证(Video Certification)等12个虚拟变量来替代“认证个数”这一变量，对模型(2)-(5)重新进行回归，得到的回归结果如表7所示，其结果依然具有稳健性。

表6 稳健性检验：借款额度在10万元以下

续表6

表7 稳健性检验：认证个数替换

(三)计量方法

为了统计检验以及分析的便利性，前文回归采用的是OLS回归，借款成功率是二元选择变量，Probit模型更适用于此种二元变量，为排除计量方法的选择偏误，本文使用Probit模型来回归检验，结果如表8所示。在更换计量方法后，各变量的系数符号和显著性水平也没有发生变化，唯一不同的是各系数大小存在局部差异，验证了本文结果的稳健性。

表8 稳健性检验：计量方法——Probit

综上所述，无论是在样本选择、变量替换还是计量方法方面，都验证了四种地域差异对借贷行为的不同影响，而且按上述三种稳健性检验的方法所得回归结果与前文分析结果一致，表明本文的研究结论是稳健的。

五、结论与启示

本文以P2P网络借贷行业的领军者——人人贷的交易记录作为样本，研究了P2P借款成功率在不同地域之间是否存在差异。实证结果显示，在我国P2P借贷市场上，不同省份之间的借款成功率确实存在显著的差异性，互联网借贷领域存在“地域歧视”问题。

进一步地，本文将地域差异分为各省经济水平差异、各省金融生态环境差异、各省教育程度差异、各省正规金融普及程度差异等四种，分别用各省人均GDP、樊纲指数、每十万人中大学生人数以及各省每十万人享有的金融机构数量进行衡量。回归结果显示，经济水平越高、金融生态环境越好、教育程度越高的省份的借款人更容易获得借款，而正规金融普及程度对借款成功率存在负向影响。

本文的研究结果表明，互联网金融领域的“地域歧视”是由各省经济水平、金融生态环境、教育程度、正规金融普及程度等差异造成，因此对于地方政府来说，在大力发展经济的同时也不能忽视金融市场和教育的发展，应努力优化互联网金融环境，提高信息传递及金融运作效率，完善征信系统，为互联网金融的发展塑造良好的法律环境和市场秩序，这样才能有助于减轻地域歧视问题。此外，正规金融普及程度越低的省份借款成功率越高，说明互联网金融是对传统金融的有益补充，对于传统金融难以普及的省份和地区，互联网金融从一定程度上缓解了该地区融资难的问题。

[1] 皮天雷,赵铁. 互联网金融:范畴、革新与展望[J]. 财经科学,2014(6):22-30.

[2] 谢平,邹传伟. 互联网金融模式研究[J]. 金融研究,2012(12):11-22.

[3] Arrow K. The theory of discrimination[J]. Discrimination in Labor Markets, 1973, 3(10): 3-33.

[4] Black D A. Discrimination in an equilibrium search model[J]. Journal of Labor Economics, 1995，13(13): 309-334.

[5] 谢嗣胜,姚先国. 农民工工资歧视的计量分析[J]. 中国农村经济,2006(4):49-55.

[6] 孙婧芳. 中国城镇劳动力市场对农民工歧视的研究进展[J]. 经济学动态,2015(7):91-99.

[7] Ravina E. Beauty, personal characteristics, and trust in credit markets[EB/OL]. http://ssrn.com/abstract=972801, 2008-1-2/2011-8-21.

[8] Herzenstein M, Andrews R L.The democratization of personal consumer loans? Determinants of success in online peer-to-peer loan auctions[J]. Bulletin of the University of Delaware, 2008, 15(3):274-277.

[9] Pope D G, Sydnor J R. What's in a picture? evidence of discrimination from prosper com[J]. Journal of Human Resources, 2011, 46(1):53-92.

[10] Ravina E. Love and loans: the effect of beauty and personal characteristics in credit markets[EB/OL].http://ssrn.com/abstract=1101647, 2008-3-16/2013-2-9.

[11] 吴小英,鞠颖. 基于最小二乘法的网络借贷模型[J]. 厦门大学学报(自然科学版),2012(6):980-984.

[12] 庄雷,周勤. 身份歧视:互联网金融创新效率研究——基于P2P网络借贷[J]. 经济管理,2015(4):136-147.

[13] 谭小芬, 李翀. 中国地区经济差距成因问题的研究综述[J]. 经济学动态, 2004 (2): 89-94.

[14] 章元,高汉. 城市二元劳动力市场对农民工的户籍与地域歧视——以上海市为例[J]. 中国人口科学,2011(5):67-74+112.

[15] 章元,王昊. 城市劳动力市场上的户籍歧视与地域歧视:基于人口普查数据的研究[J]. 管理世界,2011(7):42-51.

[16] 朱宏飞,郑浩. 中国城镇劳动力市场上的地域工资差距——以上海为例[J]. 财贸经济,2013(7):115-125.

[17] 廖理,李梦然,王正位. 中国互联网金融的地域歧视研究[J]. 数量经济技术经济研究,2014(5):54-70.

[18] 廖理,李梦然,王正位. 聪明的投资者:非完全市场化利率与风险识别——来自P2P网络借贷的证据[J]. 经济研究,2014(7):125-137.

[19] 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):136-147.

[20] Michels J. Do unverifiable disclosures matter? Evidence from peer-to-peer lending[J]. The Accounting Review, 2012, 87(4): 1385-1413.

[21] 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?[EB/OL].http://ssrn.com/abstract=1570115, 2010-3-15.

责任编辑、校对：李斌泉

2015-12-31

武汉大学“70后学术学者计划”项目;“武汉大学自主科研项目(人文社会科学)阶段性研究成果”;“中央高校基本科研业务费专项资金”资助。

彭红枫(1976-)，江西省奉新市人，武汉大学经济与管理学院教授，博士生导师，研究方向：互联网金融发展与监管；杨柳明(1991-)，山东省泰安市人，武汉大学经济与管理学院金融系硕士研究生，研究方向：互联网金融；谭小玉(1990-)，女，湖北省武汉市人，武汉大学经济与管理学院金融系博士研究生，研究方向：国际金融。

A

1002-2848-2016(05)-0021-14