付志强，吴卫星

(对外经济贸易大学金融学院，北京 100029)

一、引 言

伴随着中国经济快速增长，空气质量问题受到了广泛关注。Yang等(2013)[1]研究认为空气污染是中国居民第四大健康风险因素。大量研究表明，空气质量会对经济参与主体的行为产生影响：投资者在雾霾天气交易时，其交易表现更差[2]；差的空气质量会降低分析师预测公司业绩的准确性[3]，降低劳动生产率[4]。那么空气质量是否会对网络借贷平台借款者行为产生影响？

网络借贷平台(P2P平台)2007年传入中国，并在中国发展迅速，2019年全年成交9649.11亿元(1)数据参考新华社《金融世界》和中国互联网金融协会发布的《中国互联网金融报告》(2014)。。目前存在大量关于网络借贷平台的研究，这些研究主要从四个方面进行：网络借贷行业和平台层面、借款者行为、投资者行为以及网络借贷监管[5][6]。关于网络借贷中借款者行为，有诸多文献研究借款者自身特征对借款成功率的影响，比如学历、婚姻状况、借款描述等[7][8][9]，而少有文献讨论借款者行为及其影响因素。

基于以上两方面的背景，本文试图从外部因素视角，讨论空气质量对借款者选择利率的影响。本文综合使用人人贷微观数据、宏观经济数据和环境数据，使用面板回归方法进行研究，研究结果显示：空气质量指数上升会导致借款者选择更低的借款利率，空气质量每上升1个单位，借款利率下降1.04%。进一步研究发现，空气质量对借款者选择借款利率的影响存在异质性，空气质量对女性借款者、年龄较大的借款者影响更大(2)多项研究表明，空气质量对社会经济地位低和身体素质弱的群体影响更大[10]。。经过多项检验，结果依然稳健。

本文的主要贡献包括：第一，使用日度微观数据研究了空气质量对借款者利率选择的影响，扩展了空气质量对经济参与主体影响的研究领域；第二，从外部环境角度入手分析了网络借贷行业借款者行为，丰富了网络借贷行业借款者行为研究。

二、理论分析和假设

大量研究表明，环境会对人们的情绪产生影响，进而影响其决策。Schwarz和Clore(1983)[11]利用两项实验研究发现，人们常常以当前暂时的情感状态(高兴或悲伤)作为信息，来判断自己对生活的满意程度，也即情感状态具有信息的功能；处于令人不快的情感状态的人比处于愉快的情感状态的人更可能搜索和使用信息来解释其状态，也即情感状态具有指导功能。Cunningham(1979)[12]进行了两项实验，结果表明阳光和温度会影响人们助人的行为。有学者将其应用于金融学术领域，产生了大量的研究，如环境影响股票价格以及交易行为等[13][14][15]。近些年部分学者利用微观数据研究空气质量对人们决策的影响，如Huang(2017)[2]使用中国一家证券公司的交易者个人账户信息，发现投资者在雾霾天气比在空气质量好的天气交易收益更少，并且对女性和年长的投资者影响更大。

空气质量会影响人们的情绪。已有研究表明，空气污染程度升高会加剧人们的焦虑、紧张、低落、心烦、抑郁等情绪[16][17][18]；空气质量变差往往会降低人们的生活满意度[19][20][21]和幸福感[22][23][24][25]，甚至导致精神疾病，如抑郁症[23][24]。情绪会影响人们的决策。心理学研究表明，积极(消极)的情绪会使人们产生乐观(悲伤)的决策，进而影响决策结果[26]。情绪与事件的风险评估有关，消极的情绪会增加人们的厌恶风险程度[27][28]。

空气质量对人们行为的影响具有异质性。已有研究发现，空气质量对社会经济地位低和身体素质差的群体影响更大[10]：空气质量对年龄较大的人影响更大[29][30]，女性更容易受到环境的影响[31][32]。而空气质量变差使得年龄较大的借款者或女性借款者的风险厌恶程度下降得更快，最终影响其借款行为。

综合上述分析，我们认为空气质量变差使得借款者情绪变得消极，进而增加了借款者的风险厌恶程度，从而使得借款者选择更低的借款利率，所以我们有以下假设：

假设1：空气质量越差，P2P借款者选择的借款利率越低。

假设2：空气质量对P2P女性借款者的影响更大。

假设3：空气质量对P2P年龄大的借款者的影响更大。

三、研究设计

(一)数据来源

本文数据包括人人贷数据、宏观经济数据和环境数据(空气质量以及气象数据)。人人贷是中国较早成立的P2P平台，成立于2010年，截至2019年12月31日，该平台累计成交金额为995.5亿元(3)数据来源于人人贷官网：https://www.renrendai.com/。。人人贷的利率定价机制曾经发生了一次变化，在2015年10月14日，由“借款者选择借款利率，平台审核借款者”改为“平台审核借款者，平台标定借款利率”，经过这次调整，平台将利率定价权收归平台所有[33][34]。本文主要使用的人人贷数据为2015年10月14日之前的数据，也即借款者对利率进行选择机制下的样本。人人贷每笔借款的状态分为借款成功和流标(借款不成功)。因为流标状态下借款时间数据缺失，导致无法与每日的空气质量数据进行匹配，故本文仅涉及借款成功的样本。人人贷数据包括借款利率、借款者的人口特征(性别、年龄、教育水平、婚姻状态)、借款者的经济状况(年收入、房产信息、房贷信息、车产信息、车贷信息以及信用等级)。

宏观经济数据包括三个变量：居民消费价格指数(CPI)、基准利率(Benchmark Interest Rate)和城市生产总值(GDP)(4)宏观经济变量来源于中国宏观经济信息网的统计数据库：http://www.macrochina.com.cn/。。居民消费价格指数用各城市的月度居民消费价格指数表示；基准利率用金融机构人民币贷款基准利率表示，并且根据借款者的期限进行匹配，期限分为五个类别，即六个月以内(含六个月)、六个月至一年(含一年)、一年至三年(含三年)、三年至五年(含五年)和五年以上；城市生产总值为所在省级行政区的月度生产总值，由于数据库中只有季度的生产总值，我们按照月度进行平均处理(即将季度的生产总值除以1/3)生成月度省份生产总值，单位为千亿元。

环境数据(空气质量以及气象数据)来源于中国研究数据服务平台(CNRDS)，具体包括日度的空气质量数据、天气情况、风向和风速。空气质量数据又包括空气质量指数、空气质量等级(优、良、轻度污染、中度污染、重度污染、严重污染)、PM2.5、PM10、二氧化硫(SO2)、二氧化氮(NO2)、一氧化碳(CO)、臭氧(O3)。天气情况包括晴天、雨天、阴天、风向以及风速。

2014年之前中国空气质量并未测量PM2.5数据，而PM2.5是评估空气质量的重要成分，故本文使用2014年之后的环境数据，和人人贷数据匹配形成最终样本，样本区间为2014年1月1日～2015年10月14日。样本省份包括中国内地31个省级行政区的307个地级市。具体变量定义见表1。

表1 变量定义

(二)模型设定

本文设定如下回归模型：

InterestRateijt=β0+β1AQIijt+β2Xijt+β3Wjt+γi+θt+ijt

(1)

其中，i表示借款者，j表示城市，t表示时间。InterestRateijt表示i借款者在t时刻选择借款的利率。AQIijt表示j城市t时刻的空气质量指数，β1是本文感兴趣的系数。Xijt用来表示借款者的人口特征(BorrCharControls)和借款者的经济状况(BorrEconControls)。人口特征包括性别、年龄、教育水平、婚姻状况；经济状况包括年收入、房产信息、房贷信息、车产信息、车贷信息以及信用等级。Wjt用来控制宏观经济变量(MacroEcoControls)和气象变量(WeatherControls)。宏观经济变量包括居民消费价格指数、基准利率和城市生产总值；气象变量包括天气、温度、风的因素(风速、风向)。此外还控制了个体固定效应，用γi表示借款者公司所在行业的固定效应(IndustryFEs)和所在城市固定效应(CityFEs)。θt表示时间固定效应，包括年月固定效应(Year-monthFEs)、周几(Day-of-weekFEs)。

四、实证分析

(一)描述性统计

我们对本文所涉及的主要变量进行描述性统计，具体见表2。由表2可知，借款者选择的借款利率平均为12.03%，借款利率范围为7%～24%。AQI的均值为0.86。借款者平均年龄为37.8岁，我们将借款者收入取对数处理，其均值为9.2。

表2 描述性统计

(二)实证结果

1.基准回归

我们将基准回归结果列于表3，为了简便我们省略了控制变量的系数。在第(1)列中，我们控制了借款者人口特征(BorrCharControls)、经济状况(BorrEconControls)、宏观经济变量(MacroEcoControls)、气象变量(WeatherControls)以及年月固定效应(Year-monthFEs)。由第(1)列可知AQI的系数为-0.0181，意味着AQI上升1个单位会使得借款者选择的利率下降0.0181，结果在1%的水平下显著。第(2)～(4)列分别为依次添加周几(Day-of-weekFEs)、城市固定效应(CityFEs)以及借款者公司行业固定效应(IndustryFEs)的结果，第(3)列添加城市固定效应(CityFEs)的系数的绝对值比第(2)列的系数小38.3%，第(4)列系数为-0.0104，所有系数都在5%的水平下显著。这表明空气质量上升会使P2P借款者选择借款的利率降低。表3的结果验证了本文的假设1。

表3 基准回归结果

在表4中，我们研究了空气质量等级与借款者选择利率之间的关系，使用空气质量各个等级的零一变量代替方程(1)中的AQI连续变量。AQI50～100，空气质量指数大于50小于等于100时取1，否则取0；AQI100～150，空气质量指数大于100小于等于150时取1，否则取0；AQI150～200，空气质量指数大于150小于等于200时取1，否则取0；AQI200～300，空气质量指数大于200小于等于300时取1，否则取0；AQI300+，空气质量指数大于300时取1，否则取0。我们发现AQI在严重污染级别时，对借款利率的影响系数是-0.0767，在1%的水平上显著。表4结果说明，空气质量越差，借款者选择的利率越低。本文的假设1再一次得到验证。

表4 不同空气质量等级对借款利率的回归结果

2.空气质量对借款者利率选择的异质性分析

医学文献指出女性更容易受到环境的影响，从而空气质量变差使得女性的风险厌恶程度下降得更快[31][32]。为此我们接下来检验空气质量对不同性别的借款者选择利率的行为是否存在差异，回归结果见表5。由第(1)列可知，空气质量对男性借款者利率选择的影响系数是-0.0081，结果并不显著；由第(2)列可知，空气质量对女性借款者利率选择的影响系数是-0.0201，在1%的水平下显著。进一步加入交乘项进行回归，其中Sex为哑变量，男性时为1，女性时为0，结果见第(3)列。第(3)列交乘项系数为0.0219，在1%的水平下显著。这说明空气质量对男性借款者利率选择的影响较小，而对女性借款者的影响较大。表5的结果验证了本文的假设2。

表5 性别异质性分析

医学研究发现空气质量对年龄较大的人产生的不良影响更大[29][30]。为了检验空气质量对不同年龄的借款者利率选择影响的异质性，我们按年龄进行分组回归，结果见表6。其中第(1)列的借款者年龄小于25%的分位点(Q1)，第(2)列的借款者年龄在25%的分位点(Q1)和50%分位点(Q2)之间，第(3)列的借款者年龄在50%的分位点(Q2)和75%分位点(Q3)之间，第(4)列的借款者年龄大于75%的分位点(Q3)。由表6第(1)、(2)列和第(3)、(4)列可知，空气质量对低年龄的借款者影响不显著，对高年龄的借款者影响显著。由第(3)列和第(4)列可知，空气质量对最高年龄借款者的影响比对较高年龄借款者增加56.2%，且显著性水平提高。我们进一步加入交乘项进行回归，第(5)列交乘项系数为-0.005，在1%的水平下显著。这意味着空气质量对年龄大的借款者选择利率的影响更大。表6的结果验证了本文的假设3。

表6 年龄异质性分析

医学研究表明空气质量对未婚的人产生更多负面的影响[37]。为了检验空气质量对婚姻状况不同的借款者利率选择影响的异质性，我们按照婚姻状况与年龄分组进行回归，其中年轻表示借款者年龄小于年龄中位数，结果见表7。我们发现在不同婚姻状况下，空气质量对借款者利率选择并没显著的差异，空气质量仅对不同年龄的借款者影响显著。

表7 婚姻状况的异质性分析

3.稳健性检验

为了验证结论的可靠性，我们进行了一系列的检验，结果见表8。已有研究表明温度可以影响心情[35]，为了剔除温度的影响，我们将高温和低温去掉，低温定义为低于0摄氏度，高温定义为高于35摄氏度，回归结果见第(1)列，系数为-0.0167，在1%的水平下显著。已有研究发现雨天可以影响心情[36]，进而影响风险厌恶程度，我们将雨天去除，结果见第(2)列，系数为-0.0109，在10%的水平下显著。在第(3)列和第(4)列，我们分别将数据进行上下5%和10%的截尾处理，结果依然显著。影响空气质量的主要因素是细颗粒物PM2.5，故我们使用PM2.5代替AQI指数，回归结果见第(5)列，系数为-0.0153，在1%的水平下显著。经过一系列的检验，结果依然稳健，这进一步验证了结果的可靠性。

表8 稳健性检验

五、结论和启示

本文研究了空气质量对P2P借款者选择利率的影响，利用2014年1月1日～2015年10月14日人人贷的数据，采用面板回归的方法，我们得到结论，空气质量每上升1个单位，借款者选择的利率下降1.04%。进一步，我们讨论了借款者的异质性对结果的影响，发现相较于男性，空气质量对女性借款者影响更大；空气质量对年龄较大的借款者影响更大；空气质量对已婚和未婚的借款者影响并无差异。

我们的研究结果表明P2P借款者的借款利率选择会被环境因素所影响。大量的金融学研究者聚焦于研究环境和空气质量对股票价格和交易行为的影响，本文是对该领域的一个补充。由于数据的局限性，我们仅能证明空气质量对借款者选择借款利率的影响，而无法验证空气质量是否会通过借款利率选择的变化进而影响借款者借款的成功率。这是个更重要的问题，需要更丰富的数据去验证。