李鑫 田秀娟

【摘要】区域金融发展不均衡作为亟需解决的问题， 长期影响着我国金融系统的稳定性。 本研究从资金供给端以体现投资者偏好的借贷满标时间构建断尾模型， 实证检验非正规金融是否存在区域差异， 结果表明不同省份借款订单满标时间存在显著差异。 进一步研究发现， 低收入地区借款人倾向于更快地获得借款， 原因可能在于： 一方面正规金融的风险溢出使得放款人更倾向于低收入地区借款人; 另一方面针对不同地区的借款人， 借贷平台执行了差异化的信用审核标准。 因此， 非正规金融即使有高新技术的支持仍然存在区域差异等市场分割， 金融市场效率有待提升。

【关键词】借贷满标时间;非正规金融;区域差异;影响因素

【中图分类号】F830      【文献标识码】A      【文章编号】1004-0994（2021）18-0153-8

一、引言

我国金融业历经多年的发展， 资产规模增长迅速， 金融产品逐渐丰富， 取得了长足的进步。 但是囿于资本“嫌贫爱富”的本质以及受到资源禀赋、金融政策或制度的影响[1] ， 我国的金融业却呈现出区域发展失衡的状态。 金融资源供给与需求的空间不对称性势必导致区域金融发展不均衡， 建立一个惠及全民的金融体系的重要性毋庸置疑。 然而， 传统正规金融市场的路径依赖特性和金融制度的约束使得金融体系的均衡发展任重而道远。

非正规金融是虚拟金融活动的集合[2] ， 其作为传统正规金融的重要补充， 弥补了正规金融的服务缺位， 满足了中小企业和低收入个体等长尾人群的资金需求， 尤其是近年来凭借互联网等高新技术在我国迅速发展的网络众筹、网络借贷等。 网络借贷和众筹等模式客观上促进了金融服务的多样化[3] ， 那么非正规金融的存在是否提升了金融市场的效率？ 这是值得关注的问题。 金融市场效率体现为在资金供需双方各自追求最佳收益的目标下使得市场间的收益和成本均等化[4] ， 其中， 借款人对于最低融资成本的追求是促使金融市场效率提升的关键因素之一。 以借贷时间成本为例， 据2017年6月网贷之家公布的数据， 网络借贷借款订单平均26.4小时满标， 也就是说借款人在26.4小时内便能筹到资金， 这一融资时间相比传统资金借贷已显著缩减。 网络借贷借助技术优势突破了地域限制， 其效率应体现为各地网络借贷市场的一体化， 原因在于相比网络借贷市场分割， 一体化的借贷市场更有效[5] 。 我国各地网络借贷如果形成了一体化市场， 那么各地网络借贷时间成本应该无差异化; 反之， 如果各地网络借贷时间成本存在显著的区域差异， 则表明我国网络借贷市场是分割的， 借贷效率有待提升。 因此， 拥有技术优势的网络借贷是否存在区域差异及其影响因素便是本文研究的重点。

二、文献综述

稀缺的借贷资源使得金融资源的区域分布对借贷关系产生了重要影响。 传统金融机构若拥有金融资源， 便会对借款人实施信贷配给， 同时信贷配给中被剔除的主要是抵押品不足、资产规模较小、部分高风险和地区偏远的中小微企业或个人[6] 。 相比传统金融机构， 网络借贷由于其虚拟属性， 避免了借贷双方的直接接触， 因此对借款人更为友善[7] 。 Morales[8] 研究发现， 互联网金融平台可以完全消除借贷地域歧视。 国内也有学者认为借贷双方可以通过互联网金融平台的信息甄选、匹配等机会均等地参与金融交易， 有效缓解金融排斥[9] ， 这一交易模式及其虚拟特征使其能为各区域的客户提供普惠性的金融服务[10] ， 进而有效提升资源配置效率。 同樣， 吴本健等[11] 认为互联网金融作为传统金融的补充， 其满足了借贷双方多样性的金融需求， 是提升金融包容性的重要工具。

然而， Mollick[12] 以美国众筹网站为研究对象， 发现地域不同会显著影响众筹的成功率。 廖理、李梦然和王正位[13] 经过研究发现各省份的订单成功率存在很大差异， 但成功率较低省份的订单， 其违约率并没有显著高于其他省份， 因此认为存在偏好性歧视。 在此基础上， 低收入地区的借款人倾向于以较高的利率成本获得贷款， 而高收入地区的借款人则倾向于以较低的利率成本来获得贷款， 同时这种由于地区差异引起的借贷关系差异因借款人学历、借款金额、信用等的不同而不同， 即存在异质性[14] 。

在资金供给方面， 粟芳、方蕾[15] 认为农村互联网金融排斥主要源自供给排斥。 网络借贷的投资者具有较强的本土偏好， 更倾向于借款给本地的融资者， 与互联网金融的虚拟化背道而驰[16] 。 孙涛、苗妙[17] 发现网络借贷的投资者对金融可得水平较高区域的借款人存在偏好， 同时， 正规金融可得水平较低区域的借款人对于网络借贷有着更强烈的融资需求。 这说明目前互联网金融存在区域差异[5] ， 原因在于互联网金融是传统正规金融的延续， 其发展同样依赖于实体经济和传统金融[18，19] 。 彭红枫等[20] 在证实地域差异对借贷关系影响的基础上， 指出各地经济水平、金融发展水平和教育程度的不同是这种影响存在的根源; 同时“正规金融普及程度与借款成功率负相关”这一结论， 则为网络借贷成为正规金融的有效补充提供了机会。

基于以上文献梳理， 可以发现大多数研究都是从借贷成功率、违约率或者利率的角度来考察网络借贷是否存在区域差异。 本文的贡献体现在以下两个方面： 第一， 区别于以往研究从借贷成功率和违约率等借贷结果的角度， 本文从资金供给端出发， 以借贷满标时间观察网络借贷是否存在区域差异; 第二， 研究并不止于探析网络借贷是否存在区域差异， 而是基于此更深入地探究其影响因素。

三、实证设计

（一）实证思路

首先考察不同省份的借贷满标时间， 即网络借贷满标时间是否存在差异， 如果存在差异则说明网络借贷存在区域差异现象。 然后， 在此基础上进一步针对其影响因素进行分析。 本文通过构建不同省份的经济发展水平、居民收入、支出等实体经济因子来具体探究其影响因素。

（二）网络借贷区域差异实证模型设定

网络借贷中存在区域差异的直观表现是各省份之间的借贷满标时间存在显著差异。 但借贷满标时间除了有可能受区域差异影响， 还可能受到利率[21] 等因素的影响， 因此需要在控制借款人个人特征信息、信用信息和订单信息的基础上， 考察各省份的借贷满标时间是否存在显著差异。

不同于借贷是否成功或违约的哑变量， 借贷满标时间是离散变量。 由于借贷满标时间是从借款人发起订单至借款成功的时间间隔， 因此借贷满标时间受到借贷是否成功的影响， 数据中也只有借款成功的订单才能观测到借贷满标时间。 即：

（1）

其中： Interval为订单满标时间， Interval*为实际的订单满标时间; suci为订单i是否成功， suci=1表示借贷成功， suci=0表示借贷失败。 因此， 借贷满标时间在借贷失败时就存在左边断尾， 本文将采用断尾回归来检验如下模型设定：

Intervali=α+βn×Prn+δ×BIi+φ×OIi+γ×CIi+εi

（2）

其中： Prn表示第n个省份; BIi为借款人个人特征信息控制变量; OIi为借款订单信息控制变量; CIi为借款人信用信息控制变量; εi为误差项。 在模型（2）中， 如果回归系数β1=β2=β3=…=βn是联合显著的， 则说明不同省份借款订单满标时间没有显著差异， 即不存在区域差异; 反之， 说明网络借贷存在区域差异。

（三）网络借贷区域差异影响因素模型设定

若上述结果表明网络借贷存在区域差异， 将继续探讨其影响因素。 由于借贷满标时间反映了投资者偏好， 而模型（2）中的工作地区为哑变量， 回归系数βn的不同则体现了不同省份借贷满标时间的不同， 因此将βn作为借贷关系的代理变量。 经济发展水平和货币经济化会影响网络借贷的区域差异[22] ， 因此将各省份职工平均货币工资（Wage）和各省人均地区生产总值（GDPP）作为解释变量。 同时， 投资者在进行投资时重点考察的是借款人的还款能力， 而还款能力受到收入和生活支出的影响， 因此将房屋平均销售价格（P_estate）、人均税收（Taxp）和居民消费水平（C）作为解释变量。 另外， 将政府行政垄断力（M）、人力资本（H_capital）纳入各省经济环境因素体系进行控制， 设定如下模型：

βn=α+λ1×lnWagen+λ2×lnP_estaten+

λ3×lnTaxpn+λ4×lnCn+λ5×lnGDPPn+λ6×Mn+

λ7×lnH_capitaln+εn            （3）

模型（3）中系数λn若显著不等于零， 则说明其对应的解释变量显著影响各省借贷满标时间。 其中： 若λn>0， 说明各省借贷满标时间随解释变量的增加而增加; 若λn<0， 说明各省借贷满标时间随解释变量的增加而减少。 借贷满标时间越短表明放贷人越偏好该类借款人， λn>0表明放贷人偏好其对应解释变量的较小值， λn<0则表明放贷人偏好其对应解释变量的较大值。

四、数据选取与变量设定

（一）数据选取

本文选取了国内网络借贷综合排名前十的某平台2015年5月 ～ 2016年6月期间的借款标的作为研究对象， 共205302条数据样本。 申请借款成功的数据样本， 即可以观测到订单满标时间的借款标的有95547条， 其中订单满标时间为0的数据有960条。

本文所用数据分为借款订单信息、借款人个人特征信息、借款人信用信息。 由于篇幅有限， 详细变量及其说明参见表1。

（二）变量设定

1. 网络借贷区域差异模型。

（1）被解释变量。 被解释变量为订单满标时间（Interval）， 由于订单满标时间数值大而且较分散， 因此在估计时采用订单满标时间的对数形式， 这样也能剔除订单满标时间为0对回归结果的干扰。

（2）解释变量。 解释变量为借款人工作省份（Pr）， 选取31个哑变量进行控制， 即：

如果Pr1=Pr2=…=Prn=0， 则表明借款人未提供工作省份信息。

（3）控制变量。 现有文献表明借款人的个人特征、信用信息和订单信息会影响借贷行为[23-25] ， 因此本文引入個人特征信息（BI）、信用信息（CI）和订单信息（OI）作为控制变量。

2. 网络借贷区域差异影响因素模型。

（1）被解释变量。 基于前文所述， 被解释变量为网络借贷区域差异模型的回归系数βn。

（2）解释变量。 该模型中解释变量有： 各省职工平均货币工资（Wage）， 收入不平等会影响家庭借贷行为[26] ， 那么地区间的收入差异同样会影响地区间借贷关系; 各省人均地区生产总值（GDPP）， 彭红枫等[20] 认为人均地区生产总值的增加可以显著提升该地区网络借贷成功率; 房屋平均销售价格（P_estate）， 在家庭借贷中， 房屋按揭贷款占据主导地位， 因此各省的房屋平均销售价格能较好地衡量地方人民生活负担。 同时， 本文也将衡量生活负担的各地人均税收（Taxp）和居民消费水平（C）作为解释变量。

（3）控制变量。 该模型控制变量包括： 省地方政府行政垄断力（M）， 采用各省一般预算收入在GDP的比重作为地方政府行政垄断力的代理变量[27] ; 人力资本（H_capital）， 采用每万人中高等学校的在校生数量来衡量各省的人力资本。

由于可观测到订单满标时间的数据大部分发生在2015年， 因此网络借贷区域差异影响因素模型中的解释变量均采用2015年的年度数据， 在估计时除政府行政垄断力以外， 均采用对数形式。

在表2 的基础上， 本文统计了各省成功订单平均满标时间①和借款成功订单占比②的分布， 如图1所示。

其中， 上海每笔成功借款平均需要的时间最长， 其次为安徽省， 而西藏自治区、青海省、广西自治区、内蒙古自治区、新疆自治区和宁夏自治区平均用时较短， 其他省份成功借款订单平均用时分布在2000秒附近。 订单占比分布相对较为分散， 其中， 江苏省的订单占比最高， 其次是广东省和福建省， 其余大部分省份的订单占比则处于8%以下， 青海省、宁夏自治区、内蒙古自治区、西藏自治区、广西自治区和新疆自治区的订单占比较少， 其中青海省的订单占比最少。 巧合的是， 成功订单占比较少的省份恰恰是成功订单平均满标用时较少的省份。

五、实证结果分析

（一）网络借贷区域差异模型的实证检验

表3展示了网络借贷区域差异模型的回归结果。 为了检验结果的稳健性， 本文依次控制了借款人个人特征信息、订单信息和借款人信用信息变量。 观察检验结果可知， 绝大部分系数都不同程度地显著大于零， 说明借款人工作所在区域可以显著影响其借贷满标时间。 在逐渐增加控制变量的过程中， R2也逐渐增加并在断尾回归（3）中达到了最大值。 以断尾回归（3）为基准， 除西藏自治区外其他省份和直辖市的系数均显著大于零， 其中系数最低的三个省份为海南省、吉林省和重庆市， 海南省的系数最低为1.191; 系数最高的前三个省份为上海市、宁夏自治区和新疆自治区， 上海市的系数最高为2.439。 但在所有断尾回归中， 西藏自治区的系数都不显著， 结合各省订单占比的分布状况， 可推断为西藏自治区订单数量太少的缘故。 为了避免极端值对回归的影响且为了使得回归结果更加稳健， 本文同时进行了列（4）的中位数回归和列（5）的最小二乘回归， 其中在中位数回归中各省份系数均显著大于零， 最小二乘回归中仅海南省系数不显著。 在此基础上对断尾回归（3）的系数β1=β2=β3=…=βn进行了联合显著检验， χ2（30）=442.27显著地拒绝了系数相等的原假设， 即不同地区之间的回归系数有显著差异， 那么不同地区之间的借贷满标时间也存在显著差异。 也就是说， 网络借贷存在区域差异。 图2 更直观地展示了各省断尾回归系数情况。

（二）网络借贷区域差异影响因素模型的实证检验

由于网络借贷存在区域差异， 接下来将进一步考察网络借贷区域差异的影响因素。 还款能力是投资人最关注的因素， 而借款人的收入和支出可以体现其还款能力， 因此通过各省職工平均货币工资、人均地区生产总值、房屋平均销售价格、人均税收和消费水平等变量予以考察。 此外， 实体经济是金融的根基， 区域经济环境等因素势必影响其金融发展， 因此同时控制了各省份的政府行政垄断力和人力资本等变量。 回归结果如表4所示。

在上述回归中， 考虑到有可能存在遗漏变量以及各省份职工平均货币工资和借贷满标时间有可能存在双向因果关系而引起的内生性问题， 进行了Ramsey检验， F值为2.33， 接受无遗漏变量的原假设。 另外， 由于我国高工资地区主要集中在京津、长三江和珠三角省份以及西藏自治区、青海省和宁夏自治区， 但西藏自治区、青海省以及宁夏自治区的借款订单占比非常低， 因此选择是否为沿海省份的哑变量（CM）作为省职工平均货币工资的工具变量， 是沿海省份则为1， 否则为0， 其与职工平均货币工资的相关系数为0.3610， 且在5%的水平上显著（p值为0.0460）。 对解释变量进行豪斯曼内生性检验， 结果为接受所有解释变量均为外生的原假设， 因此仍采用最小二乘法估计的结果。 在各解释变量中， 各省份职工平均货币工资的系数在5%的水平上显著， 且大于零， 说明各省份职工平均货币工资越高， 断尾回归系数越大， 即该省借款人借贷满标时间越长， 投资人越不偏好。 这一结果与有些学者得出的贷款人倾向于向高收入地区提供资金， 而不愿向低收入地区提供资金[14，20] 的结果不同。

由于高收入地区的借款人更多地通过正规金融获得资金， 而低收入地区的借款人则更多地依赖于非正规金融借贷[26] ， 即通过网络借贷的更多的是该地区从正规金融溢出到网络借贷的高风险、低收入借款人， 这会增加投资者面临的不确定性， 导致投资者基于风险—收益的角度更倾向于将资金投向低收入地区， 减少对低收入地区的金融排斥。 广东省、福建省、江苏省和山东省等沿海发达地区居民收入水平较高， 通过网络借贷的高风险、低收入借款人占比相对较多， 因此在网络借贷中投资者并不偏好这些高收入地区， 而高收入地区订单数量较多会更加凸显这一现象。 相反在低收入地区由于自然禀赋、基础设施薄弱[28] 、政府助推互联网金融[19] 等因素导致可以通过网络借贷的更多的是该区域收入较高的人群， 还款能力反而相对较好， 得到投资者的青睐。

另外， 也有可能针对不同地区的借款人， 借贷平台实行了差异化的信贷审核制度。 上海市、江苏省、广东省等收入水平较高的地区由于经济发展迅速， 在资金供给一定的情形下不同行业的资金需求旺盛， 因此网贷平台在实际操作中执行了较为严格的信用审核制度; 相反由于低收入地区的资金需求相对较少， 网贷平台执行了较为宽松的信用审核制度。 因此， 现阶段地区收入水平显著地影响网络借贷的订单满标时间， 而且呈正相关关系。

为了保证结果的稳健性， 本文采用各省城镇居民可支配工资性收入替代职工平均工资作为解释变量进行回归， 估计结果如表5所示。

由表5可知， 城镇居民可支配工资性收入依然可以正向影响借贷满标时间， 且该影响显著。 由于可支配工资剔除了社保缴费等不可支配资金的影响， 因此借贷满标时间对于城镇居民可支配工资性收入更敏感。 城镇居民可支配工资的系数略大于职工平均货币工资系数， 结果依然稳健。

六、结论与建议

本文首先利用网络借贷国内排名前十的某平台交易数据从借贷满标时间的角度构建断尾模型， 对以网络借贷为代表的非正规金融进行区域差异研究。 研究发现， 在控制了借款人个人特征信息、信用信息和订单信息等变量后， 网络借贷显著地存在区域差异现象， 这意味着网络借贷即使是建立在先进互联网技术之上也存在区域差异的市场分割。 进一步探究网络借贷区域差异的影响因素， 发现体现放款人偏好的借贷满标时间随着区域收入水平的提高而增加。

本文的研究结果为非正规金融的相关研究提供了理论依据和数据支持： 第一， 从借贷满标时间的角度观察， 网络借贷存在显著的区域差异， 原因可能在于网络借贷平台过度介入借贷交易， 背离了信息中介的角色定位， 引起了借贷市场的混乱。 第二， 借贷满标时间与区域收入水平显著正相关。 一方面意味着由于正规金融风险的溢出， 从借贷满标时间角度来看放款人并不偏好高收入地区， 相反更青睐低收入地区的借款人; 另一方面也意味着面对不同地区的借款人， 网络借贷平台执行了差异化的信用审核标准。 因此， 本文认为针对非正规金融市场， 政府应提高非正规金融平台的准入门槛， 规范非正规金融中介的平台操作， 同时制定合理的信用审核标准和流程以加快非正规金融市场一体化建设， 提升金融市场效率。

【 注 释 】

① 某省成功订单平均满标时间为该省借款成功的订单满标时间的平均值。

② 某省成功订单占比为该省借款成功订单数量在所有提交工作省份信息且借款申请成功订单数量中的比例。

【 主 要 参 考 文 献 】

[1] 崔光庆，王景武.中国区域金融差异与政府行为：理论与经验解释[ J].金融研究，2006（6）：79 ～ 89.

[2] Andersons， Baland J.. The Economics of Roscas and Intra-householda Resource Allocation[ J].The Quarterly Journal of Econo-

mics，2002（3）：963 ～ 995.

[3] 谢平，邹传伟.互联网金融模式研究[ J].新金融评论，2012（12）：11 ～ 22.

[4] 何光辉，杨咸月，陈诗一.入世以来中国证券市场动态国际一体化研究[ J].经济研究，2012（10）：82 ～ 96.

[5] 杨何灿， 杨咸月.中国网络借贷市场的区域差异及信息引导关系研究[ J].当代经济科学，2016（5）：35 ～ 41.

[6] 王霄，张捷.银行信贷配给与中小企业贷款—— 一个内生化抵押品和企业规模的理论模型[ J].经济研究，2003（7）：68 ～ 75.

[7] Pope D. G.， Sydnor J. R.. What's in a Picture： Evidence of Discrimination from Prosper.com[ J].Journal of Human Resources，2011（1）：53 ～ 92.

[8] Morales M. F.. Financial Intermediation in a Model of Growth Through Creative Destruction[ J].Macroeconomic Dynamics，2010（7）：93 ～ 363.

[9] 郭喜才.互聯网金融风险及其监管研究[ J].江西社会科学，2015（7）：80 ～ 84.

[10] 吴晓求.互联网金融：成长的逻辑[ J].财贸经济，2015（2）：5 ～ 15.

[11] 吴本健，毛宁，郭利华.“双重排斥”下互联网金融在农村地区的普惠效应[ J].华南师范大学学报（社会科学版），2017（1）：94 ～ 100.

[12] Mollick E.. The Dynamics of Crowdfunding： An Explora-

tory study[J]. Journal of Business Venturing，2014（1）：1 ～ 16.

[13] 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.

[14] 蒋彧，周安琪.P2P网络借贷中存在地域歧视吗？——来自“人人贷”的经验数据[ J].中央财经大学学报，2016（9）：29 ～ 39.

[15] 粟芳，方蕾.中国农村金融排斥的区域差异：供给不足还是需求不足？——银行、保险和互联网金融的比较分析[ J].管理世界，2016（9）：70 ～ 83.

[16] Lin M.， Viswanathan S.. Home Bias in Online Investments： An Empirical Study of an Online Crowdfunding Market[Z].Working Paper，2013.

[17] 孙涛，苗妙.互联网金融对区域金融可得的均衡效应——基于P2P网贷交易数据的实证研究[ J].技术经济，2016（8）：118 ～ 128.

[18] Feng G.， Kong S. T.， Wang J.. General Patterns and Regional Disparity of Internet Finance Development in China： Evidence from the Peking University Internet Finance Development Index[ J].China Economic Journal，2016（3）：1 ～ 19.

[19] 姚耀军，施丹燕.互联网金融区域差异化发展的逻辑与检验——路径依赖与政府干预视角[ J].金融研究，2017（5）：131 ～ 146.

[20] 彭红枫，杨柳明，谭小玉.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[ J].当代经济科学，2016（5）：21 ～ 34.

[21] 张晓玫，王博，周玉琴.非完全利率市场化下网络借贷的利率定价有效吗——来自“人人贷”的微观借贷证据[ J].南开管理评论，2016（4）：98 ～ 110.

[22] 高鑫.区域差异视角下我国所有制结构与非正规金融关系研究[ J].经济问题探索，2015（11）：98 ～ 105.

[23] Green T. C.， Jame R.. Company Name Fluency， Investor Recognition， and Firm Value[ J].Journal of Financial Economics，2013（3）：813 ～ 834.

[24] 叶德珠，陈霄.标点与字数会影响网络借贷吗——来自人人贷的经验证据[ J].财贸经济，2017（5）：65 ～ 79.

[25] 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）：102 ～ 116.

[26] 郭新华，刘辉，伍再华.收入不平等与家庭借贷行为——家庭为追求社会地位而借贷的动机真的存在吗[ J].经济理论与经济管理，2016（5）：84 ～ 99.

[27] 王开科，曾五一，王开泳.中国省域城镇工资水平的区域分异机制与空间效应[ J].地理研究，2013（11）：2107 ～ 2120.

[28] 冯湖，张璇.中国互联网发展的区域差异与政策治理[ J].北京科技大学学报（社会科学版），2011（3）：150 ～ 157.