董辰珂

(清华大学 五道口金融学院，北京 100083)

0 引言

当前网络借贷的发展已经进入新的历史阶段，对网络借贷的研究逐渐引起学术界的重视。网络借贷提供的独特数据结构为研究社会、经济、金融问题提供了新的样本，如长相偏好[2]、羊群行为[3]、本土偏好[4]等。这一类研究利用网络借贷的数据特点研究了原本难以界定的问题。

网络借贷作为一项金融创新，在发展过程中经历了探索与变革的过程。平台对自身风险和机制设计的认识逐渐深入，许多网络借贷平台的利率定价机制逐渐发生演变。伴随着网络借贷的现实发展，学者们逐渐深入对网络借贷的学术研究，开始关注网络借贷所体现的机制特点。利率定价是网络借贷机制设计的核心，体现了金融的本质——对风险的定价。好的机制应当能够降低信息不对称，提高交易效率并降低运营成本。网络借贷的利率定价机制演变值得学术研究，这类演变孰优孰劣需要公正的评判。

美国领先的网络借贷平台Prosper曾发生过利率定价机制的变化。2010年12月20日，Prosper未加预期的将原先的利率定价的竞价拍卖(auction，投资人根据贷款人信用评级进行利率竞价)转变为平台标价(postedprice，平台根据贷款人信用状况标定利率)。Wei和Lin记录并分析了这次变化。他们对利率定价机制变更前后四个月的初始利率、成交利率、成交率和违约率进行倾向性分数匹配对比分析，发现竞价转变为标价后，成交利率和成交率均高于标价时期，相应的违约率也高于标价时期。但是由于平台赚取的是成交服务费，且不承担违约风险，所以机制变更后的平台的净收益是正的。文章也考察了投资人投注行为的变化，发现竞价转变为标价后，羊群效应有所减弱，这说明投资人更少的观察、跟随其他人的行动，投标更快且投标金额更大。这说明Prosper的利率定价机制变化确实带来了各参与方的行为变化。由于Prosper的收益来源于对每笔贷款收取的服务费或者分成，因此变更利率定价机制的出发点是提高成交速度或者提高成交率，这一变更被证明是有效的，标价机制延续至今。

在我国，网络借贷也经历了一系列探索和变革，并发展出与美国网络借贷不同的机制特点。以人人贷为例，人人贷是我国排名前三的网络借贷平台，截止到2017年2月7日，累计成交额超过257亿元，累计交易2932万人次，累计为用户赚取收益24亿元。从交易额、投资人数、借款人数到运营年限都在国内具有代表性。本文将以人人贷为例探索国内网络借贷平台利率定价机制发生变化的特点。由于中美两国网络借贷发展环境的不同，人人贷和Prosper的机制设计导致了不同的行为特点，表1简述了两个平台交易设计的异同。

表1 Prosper.com与人人贷交易设计的异同

人人贷的贷款流程分为申贷、交易、贷后三个环节。借款人向人人贷申请借贷，提交自己的信用证明和各项信息描述，在平台给定的利率范围内自行选择符合自身风险水平的利率。平台从所有借款申请人中根据提交的各项信息进行审核筛选，将合格借款人的标的公布上网，供投资人选择。平台依据成交贷款收取服务费。投资人自行选择符合自身风险偏好的贷款，并决定投注金额。如果贷款如期还款，则投资人获得约定收益；如果借款人逾期或者违约，则由平台和投资人共同承担损失。其中平台承担大头损失，向投资人赔偿本金垫付，平台向借款人另行催债；投资人自行承担剩余利息损失，相当于本金的机会成本。

Prosper的机制设计中，平台对交易干涉较少，交易行为主要以借款人和投资人为主导；人人贷属于平台主导型网络借贷，平台是识别和承担风险的主体。可以说平台主导是我国特有的网络借贷形式，在国际上具有的独特性。但由于国内金融环境的“隐形刚兑”特点，平台主导型的网络借贷在国内具有代表性。

人人贷于2014年12月19日平台变更了利率定价机制，具体的变化体现在收窄了借款人可选利率区间，使得借款人在对自身风险定价利率的范围变小。这一变化同时引起了平台、借款人和投资人行为的变化，并对平台风险产生了相应影响。一般来说，平台进行机制变更通常基于提高交易效率、减低运营成本等因素考虑，我们假设人人贷调整利率区间是出于良好的出发点。因此，收窄利率区间是否能降低信息不对称，提高风险识别效率是作者关注的问题。这次利率定价机制的调整及产生的影响尚未有学者予以记录和分析。网络借贷作为新兴发展又处在成长阶段的借贷市场，需要规范的学术研究对其利率定价机制进行剖析。由于样本平台与Prosper的平台机制性质不同，“中国特色”环境下的利率机制变化在Prosper也未曾出现，本文丰富了网络借贷领域关于利率定价机制的文献。

从实践角度来说，利率定价机制是国内网络借贷平台共同面对的问题。有业者认为国内网络借贷平台的利率定价机制存在较大缺陷，利率定价未能充分实现市场定价，不能体现贷款风险。造成这一问题的原因是多样的，如网络借贷平台尚未形成大规模信用风险数据，难以设计有效定价机制，也有业者认为即使累积了足够风险数据，平台自身能力有限，也难以进行效率定价设计。因此本文对于人人贷的利率定价研究将对这次演变进行评价分析，从而为网络借贷平台的利率定价机制演变进行评价和建议。

文章余下部分将安排如下：第一部分推导基本假设；第二部分为数据描述及变量定义；第三部分为实证结果；第四部分为稳健性检验；第五部分探讨利率标准差的意义；第六部分为结论和建议。

1 基本假设

1.1 利率定价机制简述

人人贷成立于2010年5月，目前人人贷累积实现交易额超过257亿，是中国排名前三的P2P网络借贷平台。截止到2016年10月，人人贷共成交信用标的29232笔。信用标是指借款人无需向平台抵押物资，通过向平台提交贷款诉求、信用情况、个人信息等，获得投资人贷款的网络借贷形式。本研究使用人人贷的信用标的数据，由于利率区间收窄发生在2014年12月19日，因此本文选择该日前后三个月的数据信息。本文选用的数据来自清华大学五道口金融学院互联网金融实验室。

借款金额从3000元到500000不等，借款期限分为3月期、6月期、9月期、12月期、15月期、18月期、24月期、36月期，共八种期限。平台根据积累的信用风险数据结合借款人信息进行信用打分，进行信用评级。信用评级分为AA、A、B、C、D、E、HR七个等级,其中AA表示信用情况最佳，HR表示信用情况最差。

人人贷属于平台主导型的网络借贷平台。按照交易顺序可以将一个贷款形成到完成的过程划分为三个阶段：申贷、交易和贷后。利率的形成发生在贷前阶段，可以分为“①提交申请-②选择利率-③审核借款人”三个环节。其中申请利率是由借款人选择的，但成交利率的形成发生在③环节，由平台决定这一利率的借款人是否能够进入交易环节。这一环节同时决定了合格借款人的资质，是平台识别风险的最重要环节。在实际操作中，这一机制是样本平台最具有独特性的部分，尚未被学术记录和分析。可以认为这一机制是样本平台外在征信体系缺乏和内在信用数据不足条件下的权衡与创新。本小节将对利率形成机制进行深入探讨。图1描绘了贷前利率形成的各个环节。

图1 利率形成机制示意

图1可以看到，①贷款申请是借款人行为，须填写借款事由、教育收入、信用状况等个人信息，这类信息是平台评估借款人信用风险的重要指标。同时借款人根据贷款期限在相应利率区间内②选择利率，比如贷款额度为5000元、期限为6个月的贷款利率在10%～15%之间，借款人自行选择匹配自身风险和偿债能力的利率。实际上①和②是同时发生的，随着贷款申请一同提交。作者为了更清晰的描述这一过程，将其分解讲述。

③审核借款人则属于平台行为，由一系列子环节构成。下面对平台的审核过程进行分解：

首先，平台梳理审核借款人的各项指标，并评估借款人的信用状况。根据信用水平拒绝或者吸收借款人。对于明显不合格的贷款申请，包括信用状况较差、个人信息不全或者其他明显不符合要求的贷款申请予以拒绝。这一步拒绝了90%以上的贷款申请，余下是财务指标基本符合要求的贷款，接下来通过利率进行第二步审核。

当平台对借款人的信用状况有了大致估计后，对该信用条件下应当匹配的利率水平也有相应考虑。如果借款人自行选择的利率水平与平台对其估计的风险利率水平较为一致，那么该借款申请可以最终通过。如果借款申请利率与平台预估风险利率水平有较大出入，那么该借款申请将不予通过。“较大出入”主要分为两种情况：如果借款申请利率过高，可能超出此类借款人特征的偿债能力，或者由于利率较高造成借款人主观上失去偿债意愿，从而形成违约风险；如果借款申请利率过低，那么利率水平不能客观反映借款人的信用风险程度，也不符合平台的授信原则，应当予以拒绝。

举例说明：

例16月期额度为5000的贷款，其可选年化利率区间为(10%,15%)，期限利率区间长度为5%，平台对于各风险等级的预估贷款利率区间分布如下：

表2 期限利率区间中平台预估利率可能分布

借款人甲自己选定利率为13%。平台对借款人的各项信息进行评估后，认为其信用等级应为D，利率应在13%至14%之间。此时借款人利率落在估计区间内(13%≤13%<14%，估计区间长度为1%)，因此贷款获得通过。如果同样条件借款人乙选定利率为12%或者15%，此时12%小于13%，不能体现相应信用等级贷款人的风险；如果15%大于14%，借款人借款成本高于估计水平，贷款也会被拒绝。

当平台将所有合格借款申请在线公布后，贷款流程进入交易阶段，投资人将依据自身对风险和收益的偏好进行投资决策。理性投资人对特定风险应当获得的收益有一定估计，可以是精确估计，也可以是模糊估计。当贷款利率符合投资人对其风险补偿的判断时，投资人就会选择投资。如果贷款利率与投资人风险判断不符，投资人可以不选择投资。投资人对贷款利率的选择与平台审核过程有共通之处，差异在于平台考量更多的是违约风险，而投资人计较更多的是投资收益。

1.2 收窄

2014年12月19日，样本平台收窄了利率区间。由于无法采集到选择利率页面的信息，不能直接观察期限利率定价区间及其变化，作者创造性的通过期限利率标准差(以一定时间期限为单位计算所有订单利率的标准差)捕捉了期限利率定价区间及其变化情况。本文选择2014年9月19日至12月18日(前期，宽利率区间)和12月19日至2015年3月18日(后期，窄利率区间)两个时间段作为利率区间变化前后的样本区间。在此期间共提交了181338个信用标贷款申请，其中7016个标的得到融资，截止到2017年2月，已还清4631例，正在还款1055例，逾期和违约1330例，垫付1294例。本文以两个区间的所有信用标的为样本，研究变化前后的平台行为、借款人质量和投资人行为受到的影响。表3通过期限利率周度标准差描述了利率区间收窄的变化。

表3A显示借款可选利率区间显著收窄，表3B显示通过审核的贷款利率区分度也显著收窄。在“借款人选择利率，平台选择借款人”的利率形成机制下，平台收窄了期限利率区间。这意味着不同风险利率之间的利率区分度降低，而利率区分度是平台和投资人判断具体贷款所处利率水平的重要条件。平台审核具体贷款利率时需要判断其处在利率区间的水平是否符合其风险等级，利率区分度的下降势必影响平台识别风险的效率。利率区分度是平台呈现的贷款风险水平的整体描述，是投资人判断具体贷款风险的重要参考，利率区分度的下降意味着平台呈现的风险信息质量下降，势必影响投资人的投标行为。

表3A 所有申请订单期限利率周度标准差在两期的差异

表3B 成交订单期限利率周度标准差在两期的差异

同样用贷款举例说明，并与例1进行对比：

例26月期额度为5000的贷款，年化利率区间由[10%,15%]收窄为[11%,12%]。此时借款人无论处在如何信用等级只有两个选项。表4给出了各风险等级预估利率的两种可能分布。

表4A 期限利率区间收窄后各风险等级预估利率的可能分布

表4B 期限利率区间收窄后各风险等级预估利率的另一可能分布

假设借款人的信用等级仍然为D，那么借款人在(11%,12%)之间只有两个选项。在第一种分布下如果选择11%平台接受，选择12%则平台拒绝。但是从AA、A到E的不同风险利率没有区分度。在第二种分布下选择11%或者12%都会被接受，但是所有信用等级之间利率没有区分度。两种情形下利率都没有体现风险溢价的基本思想，不符合审核通过条件的风险溢价条件。回忆例1，如果借款人提供了超出预估区间的利率，平台拒绝此类贷款。在本例中，由于不同风险的利率区间的高度重合，使得平台无法从利率的风险溢价中筛选借款人对利率的正确评估。这意味着平台无法从具体贷款利率在利率区间所处位置获得更多信息。原本平台可以从利率与风险不匹配中筛选出劣质贷款人，现在借款人无论怎样选择都在平台可接受的利率区间，这意味着平台无法通过筛选过程拒绝错误贷款，反而更有可能错误的接收错误贷款。

对于投资人来说，利率收窄前后平台呈现的借款人信息种类和数量没有变化，唯一的变化就是同一期限贷款的利率区分度下降。当平台展示的利率风险区分度下降，意味着平台呈现的风险信息质量下降。贷款利率是投资人进行投资的重要参考依据，贷款利率区分度是投资人判断具体贷款所处风险水平的重要参考依据。投资人难以判断具体贷款利率在利率区间所处的水平，换句话说平台呈现的利率风险信息不能准确的衡量贷款的利率是否合理，这意味着平台的信息不对称程度反而恶化了。理性投资人敏锐的感知到这种变化，投资行为更加谨慎。

1.3 基本假设

当利率区间变得非常狭窄后，借款人仍然自行决定利率。但是平台在审核合格借款人时，失去了利率这一重要环节的信息价值。不同贷款的利率价格差别非常小，区分度下降，风险识别难度变大，平台难以根据利率区分出借款人的优劣。据此提出假设：

假设1平台收窄利率区间后，平台的风险识别部分失灵，贷款质量下降，表现为后组的违约率高于前组。

投资者的投标行为可以直接观察。本文选择满标时间、投标比例和羊群行为考察投标行为在不同信息效率条件下的差异。同样的，当投资人面对利率区分度变小的各类借款人时，利率是进行投资决策的重要信息。当利率的区分度变小时，投资人对借款标的信心不足，更多参考其他借款人的行为进行判断，更易出现跟投和从众现象。据此提出假设：

假设2平台收窄利率区间后，平台呈现的信息效率下降，投资者的认知加工时间延长，决策用时延长，表现为处理组的满标时间高于控制组。

相应的，当利率区分度收窄时，意味着投资者识别贷款风险的难度增加，相当于贷款风险的不确定性增加。根据前景理论[5～7]，人们应该选择有确定性收益的选项，而不是有风险但有更大收益的选项。因此，投资者更有可能采取保守的投资策略，减少投资支出，投资者的投标行为更加谨慎。据此，推出与投资者行为相关的第二个假设：

假设3平台收窄利率区间后，风险信息质量下降，投资者投资行为更加谨慎，表现为处理组的投标比例少于控制组。

当利率区分度收窄时，投资者识别贷款风险的难度增加，平台呈现的信息效率下降。Myer[8]认为，当个体对现实的信息知觉较为模糊时，其他人可能成为有价值的信息来源。因此，当个体面临信息不确定时，更有可能产生羊群行为。据此，提出最后一个假设：

假设4平台收窄利率区间后，平台呈现的信息效率下降，投资者更倾向于参考其他投资者的行为进行投标，表现为处理组的羊群行为高于控制组。

2 数据与样本

2.1 样本

本章数据来自国内领先的网络借贷平台——人人贷。数据由清华大学互联网金融实验室进行收集整理。本章数据选用的是样本平台2014年9月19日至2015年3月18日的信用标的样本，其中样本包含标的数据集、投标数据集和还款数据集。标的数据集收录借款人的借款信息，主要包括借款人申请贷款时填写额贷款信息、个人情况和信用状况；投标数据集是指投资人的投注信息，记录的是投资人对于贷款的投标时间和金额；还款数据集涵盖借款人的还款信息，包含借款人还款金额、应还款时间和实还款时间等。

2.2 主要变量

2.3 变量描述

表6A是样本区间内所有申请标的的按照利率区间收窄后的ttest统计，其中2014年9月19日～12月18日区间(控制组)包含申请标的66350例，12月19日～2015年3月19日区间(诊断组)包含申请标的114988例。

表6A 申请订单统计描述

表6A可以初步看出，利率区间收窄后的借款人利率显著低于收窄前(-0.47)。贷款成交率从5%降至3%，注意到收窄前共有66350人次借款申请，收窄后共有114988人次借款申请，由于这一阶段的人人贷平台的信用标全部被秒抢。因此可以成交率的下降表明平台放出的可投资标的比率下降，这说明平台对于借款人的审核筛选更加严格。期限的显著下降是由于36月期贷款暂停交易。

从借款人年龄、婚姻状况、住房、教育程度、工作年限等指标看，利率区间收窄后的潜在借款人趋向更年轻、经济条件较弱、教育程度较弱且工作年限较短，这说明借款人质量较前期有所下降，这在平台申请贷款次数和成功还款次数等指标也有印证。不过收入和信用排名高于利率区间收窄前。

表6B是成交订单在利率区间收窄前后的对比。在这一时间段，平台共成交7065例贷款订单，其中利率收窄前3434例，收窄后3582例。

表6B 成交订单的统计描述

从表6B可以看出后期的违约率略高于前期，但ttest并未报出显著性，尚不能验证假设2。羊群行为显著高于前期，单笔标的每单投注比例显著变低。这与假设3和假设4吻合。成交标的的贷款额度有显著下降。但是年龄、婚姻、住房、教育、工作等借款人描述变量不存在显著区别，这说明投资人对于标的的选择具有一致性。但是借款人申请次数、成功还款次数等于所有订单的变化趋势一致。

3 实证结果

由于平台调整利率区间的出发点是更高的成交效率和更低的违约损失，我们认为平台的成交率应当至少不高于前期，即平台的审核标准更加严苛；但是由于利率区分度的下降，平台审核的合格借款人质量反而没有前期高，所以违约率有所上升。本文首先对这一部分进行检验。为了获得更精确的对比和估计，本文借鉴Wei和Lin研究Prosper的利率定价机制变化时的方法，采用倾向性分数匹配(PropensityScoreMatch)的方法进行估计。

PSM估计需要样本满足共同支撑假设(commonsupport)和平行假设(balancing)，这意味着两组样本需要同时满足整体上相似和各个维度的相似。因此统计上认为PSM估计相对于OLS估计更加精确。

3.1 贷款质量——平台行为

利率区间收窄后的样本区间是“诊断(treatment)”区间。因此在后期样本区间的所有标的视为诊断组，前期样本区间的所有标的视为控制组。选择自由度为3的最近邻倾向性得分匹配方法对前后两期样本标的进行估计。首先用logit估计匹配出诊断组与控制组所有标的中各方面条件相似的部分。

p(xi)=Pr(Treatedi=1|X=xi)

(2)

Treatedi是虚拟变量，当标的来自后期诊断组时，Treatedi=1；当标的来自前期控制组时，Treatedi=0。X包含了标的描述、借款人信息和信用状况以及宏观指标。随后根据倾向性得分对控制组的标的调整后与诊断组进行匹配，随后估计出调整后控制组和诊断组之间的差异大小以及是否显著。

表7 平台行为和贷款质量

在对模型进行匹配时，本文选择将借款人特征、信用描述加入匹配选项，具体可见表3和表4。表5给出了PSMatch的基本结果，模型(1)是所有潜在借款人利率，模型(2)是加入上证指数日回报率的估计；(3)是成功订单占申请订单比例，审核通过率即成交率；(5)是成交订单的后续表现，即违约率，也可认为贷款质量。其中ATT(AverageTreatmenton Treated)是对前后两个样本进行PSMatch后的值(即treatedvalue)进行的pstest检验。

表5 变量描述

模型(1)、(2)显示在前后两个样本区间，后期的借款人利率显著低于前期利率。这与表3的ttest的检验结果一致，且与图1所示的趋势一致。这说明在诊断组，借款申请人的借款利率有所下降。但不排除利率的下降是由于平台收窄区间时，整体下调了利率选项，因此不对此结论做过多分析。

模型(3)、(4)是对订单成交率的考察，结果显示在PSMatch环境下，样本后期比前期的订单成功率显著低0.008，这与ttest检验中的差异-0.02降低了不少，PSMatch降低了诊断组和控制组的差异。显然匹配过程中选取了各方面特征更加接近的订单，由于匹配后成交率仍然显著低，我们有理由认为利率区间收窄后，成交率确实降低了。这从侧面反映了平台对借款人的审核和筛选更加严格，在其他条件不变的情况下，暗示着贷款质量可能更高。

模型(5)、(6)是在成交订单中对违约率的考察，同时也是借款人质量的侧面反映。因此违约率的高低反映了平台最初审核筛选借款人的水平。如果违约率变高，那么平台审核趋于松弛；如果违约率变低，那么平台审核趋于严格。在描述性统计的ttest中，后期违约率高于前期，但是统计上并不显著。倾向性分数匹配后的样本显示利率区间收窄后的显著高于前期。如果是违约率是均衡分布的，并且同时存在未还清标时，控制组比诊断组早三个月成交，更有可能出现违约。即控制组的违约概率应该高于诊断组。但是PSM显示后期的违约率更高，这更说明后期的贷款质量更差。这证明了假设1，但与模型(3)、(4)暗示的结论是矛盾的。

[8]Samuel P. Huntington,The Clash of Civilizations and the Remaking of World Order, New York: Simon & Schuster, 1996, p.86, 165, 278.

首先模型(3)、(4)认为平台在第二阶段的审核筛选更加严格，这暗示了贷款质量可能更高。但是违约率的显著性高又暗示了贷款质量的下降。这种矛盾存在两种可能的解释，一是在第二阶段平台涌入了大量低质量的潜在借款人，即使平台以更严格标准进行审核也难以避免漏网之鱼；另一种解释是利率机制的变化影响了平台挑选合格借款人的有效性。但是表4的显示诊断组和控制组成交订单数量相差并不大，且标的信息和借款人信息并不存在显著差别，因此对于成交贷款来说，借款人之间的差异并不足以解释大量低质量潜在借款人。因此，有理由相信是平台挑选合格借款人的有效性降低。

3.2 投资人行为(贷款视角)

不同的期限利率区间条件下，投资者的行为会产生怎样的变化是本节研究的问题。当期限利率区间收窄时，平台审核后的成交贷款利率区分度也缩小，投资者可以直接观察到利率区分度的收窄，这势必会影响投资者的投标行为。在样本平台的数据中，虽然成交率不能衡量投资者投标与否，即“投不投”，但样本数据可以观察投资者投标的速度、投资的金额比例，即“快与慢”和“多与少”，最后还可以通过羊群行为来观察投资者行为，即“怎么投”。

本文根据投标记录计算出每笔贷款的满标时间，根据人人贷的投标数据计算出每笔贷款成交所用时长。采用王正位关于羊群效应的计算方法，计算出每笔成交标的的Herding值。用PSM的方法对前后两时间段的满标时间和单笔贷款投标比例进行估计。

表8 投资人行为(贷款视角)

前四组检验分别是对单维度指标满标时间和单笔贷款投标比例的的PSM估计结果。结果显示收窄后的满标时间显著放缓，显示投资人需要更多的时间进行投资决策。相应的单笔贷款投标比例也减少，意味着投资人的投标行为更加谨慎。后两组检验显示当匹配了借款人特征、信用状况和宏观经济环境后，利率区间收窄后的投资人的羊群行为也显著高于前期。从两个方面同时说明了投资人对标的把握没有信心，羊群行为更集中说明投资人对标的信心不足，需要根据他人的投资判断是否投标。图2从羊群行为的分布中也可看出这一趋势。

图2 羊群行为在两期的差异

3.3 投资人行为(投资人视角)

样本数据同样支持从投资人的角度考虑投注行为。表9给出了前后两期投资人的投注行为描述。表9A是样本期内所有投资人的投注状况，其中后期的人均投注次数显著大于前期，人均投注金额显著大于前期，但是人均投注占比显著小于前期。表9B是同时在两期都有投注行为的投资人的投注状况，能够更准确的对比前后两期的投资行为变化。其中人均投注次数和人均投注占比相比所有投资人的前后差异更大，且更显著。值得注意的是横跨两期的投资人人均投注金额显著低于前期，更说明投资人在收窄利率区间后投注行为更加谨慎。

表9 投标行为(投资人视角)

4 稳健性检验

倾向性分数匹配考虑了股票市场的影响，但是未考虑其他经济因素的影响。货币发行水平和经济状况都有可能影响借款人和投资人的交易行为。由于样本期内的M2和CPI都具有趋势性，不符合倾向性分数匹配的共同支撑假设，因此在稳健性检验部分选择OLS检验进行估计。由于样本已进行PSM估计且同时满足共同支撑假设和平行假设，进行OLS也具有统计上的合理性。本文对诊断组和控制组进行了最小二乘估计(OLS)，并对年、月、日控制了时间固定效应。OLS与PSM所选变量完全一致，不同之处在于OLS估计增加了具有趋势性的M2和CPI并控制了年、月、日的固定效应。

(3)

式(3)构建了OLS估计的回归模型。其中Performance是交易行为对应的变量，即违约率、满标时间、投标比例、羊群效应。Treated是标记诊断组和控制组的0-1变量，X是所有控制变量，如贷款描述、借款人信用情况、宏观形势等。YMD分别是年、月、日等时间标记。

表10给出了OLS的回归结果。控制了货币发行、消费者指数和上证指数日回报率的结果显示了与PSM一致的结果。仍然是诊断组更低的成交率、更高的违约率和更高的羊群效应以及更低的每单平均单笔投注比例，并且都显示了较强的显著性。可以认为平台审核通过率即成交率、违约率、羊群行为和每单平均单笔投注比例都相应发生了变化。

表10 稳健性检验

5 利率标准差的意义

前文证明了利率收窄前后的交易行为发生了变化，那么这种变化是如何产生的呢？由于利率定价机制未发生根本变化，仅是利率定价区间收敛，那么有理由认为利率区间的变化引起了变化。当利率定价区间收窄后，各期限贷款的区间几乎收窄到同一水平，利率的区分度急剧下降，利率作为衡量风险的主要指标失去了部分信息功能。平台和投资人在进行风险识别时都损失了大量信息，可能产生行为的偏差，体现在结果上是贷款质量的下降和羊群行为的集中。

基于以上逻辑，本文对利率区间的变化纳入分析框架进行讨论。首先寻找合适的变量。本文选择期限利率周度标准差作为利率区间的代理变量。期限是指将利率标准差以期限分组计算，以确保标准差来自统一类型标的。周度是指选择以周为单位度量标准差，样本区间平均每周提交6000份贷款申请，约22%的申请可以获得融资。这样的数据规模可以获得较为准确的标准差。计算出每一种期限的标的利率周度标准差后，再将其匹配到该周相应期限的标的获得新变量。由于期限利率周度标准差具有趋势性，不符合PSM共同支撑假设，此部分检验将使用OLS估计。式(3)将期限利率周度标准差纳入解释变量，式(4)同时将期限利率周度标准差和Treated变量纳入模型。

(4)

(3)

γXi+δYMDi+εi

表11汇报了加入期限利率周度标准差的OLS回归结果。结果显示单独加入期限利率标准差能够解释违约率和羊群效应变化，表明利率标准差越大，违约率越低，羊群行为越弱；标准差越小，违约率越高，羊群效应越强。

这说明，利率标准差全部或部分解释了违约率和羊群行为的差异，利率的区分度能够为平台和投资人识别风险提供信息量。收窄利率区间的尝试降低了利率区分度，反而提高了违约率并加重了羊群行为，未达到提高交易效率、降低运营成本的原始目的。

6 结论与建议

学术界对网络借贷的探讨与研究是逐渐深入的。随着行业发展的更加成熟，对网络借贷的机制研究逐渐进入学术的视野。本文以国内领先网络借贷平台的一次利率定价调整为样本，探讨了平台收窄利率区间后对各交易行为的影响。即使平台收紧了对合格借款人的审核筛选，仍然出现了更高的违约率，即较差的贷款质量，投资人的满标时间更长、投注的比例更小、羊群行为更集中。这暗示了平台对标的的风险识别效率降低，投资人对标的信心减弱。

本文继而构建了期限利率周度标准差作为利率区间的代理变量，对利率定价机制调整前后的行为差异进行解释，发现这一变量全部或部分解释了网络借贷交易行为的差异。当利率区间收窄后，利率作为评估借款人风险的重要指标失去了一部分信号作用，从而使得平台在审核筛选合格借款人时存在疏漏，导致借款质量下降，投资人面临利率区分度较低的标的选择了更谨慎保守的投资行为。

网络借贷平台利率定价机制的演变应当坚持的是更深入的风险识别以减轻信息不对称，而不是简单的调控利率。显然人人贷认识到了这个问题，并在2015年10月再次调整了利率定价机制，这次将利率定价权收归平台，实现了平台识别风险进行标价。这又产生了怎样的变化，董辰珂[10]进行了后续研究。