P2P网络借贷中存在地域歧视吗？——来自“人人贷”的经验数据

蒋 彧 周安琪

一、引言

歧视，即不平等对待，通常是由偏见的认识和态度引起的。地域歧视是基于地域差异而形成的一种区别对待，其源于地域偏见和长期负面的舆论导向，通常由地域文化差异、经济发展不平衡等因素所引发(黄国萍和姚本先，2006[1])。在借贷关系中，地域歧视会降低借贷市场的资金配置效率，同时也不利于和谐社会的构建。因此，研究借贷市场中的地域歧视现象具有重要的理论和现实意义。然而，由于银行个人借贷与传统民间借贷数据不可得，对借贷关系中的地域歧视现象研究甚少。近年来，随着互联网的普及和民间借贷的兴起，一种新兴的借贷模式——P2P(Peer-to-Peer)网络借贷——日益为公众熟知，其快捷而便利的借贷方式吸引着越来越多的人参与到网络借贷中。P2P网络借贷平台海量公开的数据，为实证研究提供了数据支撑，使得研究借贷市场中的地域歧视现象成为可能。

本文运用“人人贷” P2P网络借贷平台2011—2014年的交易数据，考察P2P网络借贷中是否存在由收入水平不均衡引发的地域歧视现象。首先，根据人均可支配收入将我国省级行政区划分为高收入地区、低收入地区和中等收入地区；其次，检验借款成功率与借款利率在不同收入水平地区之间是否存在差异；最后，分析地域歧视在不同特征借款人之间是否存在差异。实证结果表明，P2P网络借贷中存在明显的地域歧视，主要体现在两方面：对贷款人而言，倾向于向高收入地区的借款人提供资金，而不愿提供给低收入地区的借款人；对借款人而言，低收入地区的借款人倾向于设定较高的借款利率以吸引资金，高收入地区的借款人倾向于设定较低利率。同时，分样本回归的结果表明，地域歧视程度在不同特征的借款人间存在显著差异。具体来说，针对低学历、低信用、低认证数量、高借款金额借款人的地域歧视较为显著，而对高学历、高信用、高认证数量、低借款金额的借款人的地域歧视不甚明显。

二、文献综述

国外学者对P2P网络借贷中可能存在的歧视现象进行了广泛研究，发现其中存在多种形式的歧视现象，如性别歧视、种族歧视、年龄歧视等。Herzenstein等(2011)[2]以Prosper网站为研究对象，发现非裔美国人比其他种群的人贷款成功率低，存在种族歧视。Pope和Sydnor(2011)[3]根据Prosper上借款人上传的照片和借款描述数据，发现存在性别歧视和年龄歧视。Duarte等(2015)[4]以Prosper为研究样本，研究发现存在性别歧视和对西班牙裔和亚裔借款人的种族歧视。

针对P2P网络借贷中的地域歧视现象，国外学者也进行了研究。Ravina(2008)[5]研究发现借款人与贷款人间若具有相同的地域、种族及性别，则会显著提高借贷成功概率。Lin和Viswanathan(2015)[6]得出相似结论，他们以Prosper为研究样本，发现众筹交易更可能发生在同一区域的人群之间，而不是外部区域。Mollick(2014)[7]以美国众筹网站Kickstarter为研究对象，发现地域上的不同会导致众筹项目成功率的不同，即存在地域歧视。

随着我国互联网金融的蓬勃发展，国内学者对我国P2P网络借贷中可能存在的各类歧视现象也展开了深入研究。李悦雷等(2013)[8]研究发现借款利率、借款人信用等级、成功借款次数、有推荐对借贷结果有正向促进作用。王会娟和廖理(2014)[9]从信息不对称的理论框架出发，发现信用评级越高，借款成功率越高且借款成本越低。庄雷和周勤(2015)[10]研究发现，P2P网络借贷中信息披露质量总体较低，存在显著的身份歧视；在较高信息披露质量的群组中，身份歧视并不显著。廖理等(2015)[11]发现高学历借款者如约还款的概率更高，但贷款人并未青睐高学历借款人，学历价值并未得到体现。国内针对P2P网络借贷中的地域歧视现象研究较少。廖理等(2014)[12]以“人人贷”网站为研究对象，发现各省份之间的订单成功率存在显著差异，而成功率较低省份的订单违约率并没有显著高于其他省份，这说明P2P网络借贷中存在非理性的地域歧视现象。

现有文献为我们研究P2P网络借贷中的地域歧视现象提供了有益借鉴，但也存在以下不足。首先，现有文献对P2P网络借贷的地域歧视现象研究较少，尤其缺乏对收入水平不均衡引发的地域歧视的研究；其次，现有文献大多研究贷款人在选择借款订单时对借款人的地域歧视，缺少从借款人角度出发的研究。基于以上分析，我们从贷款人与借款人双向角度出发，着重研究P2P网络借贷中由收入水平不均衡引发的地域歧视现象。

三、理论分析与假设提出

本文从借贷双方的角度出发，考察P2P网络借贷是否存在地域歧视现象。从贷款人角度出发，指的是贷款人对借款人所在的地域产生歧视，从而影响借款人的借款成功率；从借款人角度出发，指的是借款人在发布借款订单时考虑到其所在的地域可能会受到歧视，进而影响其借款利率的设定。如果以上两种地域歧视现象存在，那么将分别表现为借款成功率和借款利率在地域间存在显著差异。

在我国，引起地域歧视的原因有很多，例如对经济欠发达地区的歧视、对农村地区的歧视、对低收入地区的歧视等。在借贷关系中，借款人的收入水平，尤其是可支配收入水平将直接影响借款人的还款能力和违约可能性。长期以来，我国存在地域间收入水平不均衡现象，不同地区居民收入存在较大差异，由此可能引发借贷关系中地域歧视及其造成的不公平对待现象，即低收入地区的借款人可能会受到歧视，高收入地区的借款人可能更受青睐。基于以上分析，本文根据人均可支配收入水平将我国31个省份划分为高收入地区、中等收入地区和低收入地区，进而研究高低收入地区间在借款成功率和借款利率上是否存在显著差异，以此判断P2P网络借贷是否存在由收入水平不均衡引发的地域歧视现象。

(一)贷款人的地域歧视

在借贷关系中，收入水平是借款人还款能力的保障。通常而言，高收入地区居民按时还款的可能性高，违约的可能性低；反之，低收入水平地区居民违约的可能性高。因此，在同等条件下，低收入地区的借款人会受到贷款人的地域歧视，即贷款人更青睐高收入地区的借款人，不愿借款给低收入地区的借款人。贷款人对借款人的地域歧视会影响借款成功率，表现为高收入地区借款人的借款成功率高，低收入地区借款人的借款成功率低。基于以上分析，本文提出以下假设：

假设1：贷款人在选择借款订单时，存在对借款人的地域歧视，因此，高收入地区借款人的借款成功率高，低收入地区借款人的借款成功率低。

由于借款人自身特征及其借款订单信息的不同，其受到的地域歧视可能存在差异。我们从借款人学历、信用等级、认证数量、借款金额四个方面对借款人进行分类，进一步分析不同类型借款人所受地域歧视的差异。一般而言，借款人学历越高、信用等级越高、认证数量越多，其诚信度与可靠度就越高，更受贷款人青睐，此时其所在地域将不再是贷款人关注的主要因素。与此相反，对低学历、低信用等级、少认证数量的借款人而言，贷款人无法给予更多的信任，此时借款人所在的地域将成为贷款人关注的主要因素。高金额借款订单的违约风险高，贷款人在选择借款订单时会关注借款人所在的地域，倾向于向高收入地区的借款人提供资金。低金额借款订单的违约风险低，借款人所在地域则不再受贷款人关注。基于以上分析，本文提出以下四个假设：

假设1a：贷款人在选择借款订单时，学历低的借款人容易受到贷款人的地域歧视，学历高的借款人不易受到贷款人的地域歧视。

假设1b：贷款人在选择借款订单时，信用等级低的借款人容易受到贷款人的地域歧视，信用等级高的借款人不易受到贷款人的地域歧视。

假设1c：贷款人在选择借款订单时，认证数量少的借款人容易受到贷款人的地域歧视，认证数量多的借款人不易受到贷款人的地域歧视。

假设1d：贷款人在选择借款订单时，借款金额高的借款人容易受到贷款人的地域歧视，借款金额低的借款人不易受到贷款人的地域歧视。

(二)借款人的地域歧视

借款人在发布借款订单时考虑到其所在的地域可能会受到歧视，为了提高借款成功率，低收入地区的借款人倾向于设置较高的利率，以吸引贷款人提供资金。与之相反，高收入地区的借款人考虑到其所在地域的优势，倾向于设置较低的利率，以降低借款成本。基于以上分析，本文提出以下假设：

假设2：借款人在发布借款订单时，受潜在地域歧视的影响，低收入地区的借款人会设置较高的借款利率，高收入地区借款人会设置较低的借款利率。

我们从借款人学历、信用等级、认证数量、借款金额四个方面做进一步分析。拥有高学历、高信用等级、高认证数量的借款人，由于提供了优质的个人信息，在设定借款利率时，不会轻易受到潜在地域歧视的影响。低学历、低信用等级、认证数量少的借款人，由于无法提供更多信息，会更多地顾及地域歧视的影响。金额较低的借款订单的违约风险低，借款人在设定利率时不会过多顾及地域因素，而金额较高的借款订单的违约风险高，借款人在设定利率时会顾及地域因素。基于以上分析，本文提出以下四个假设：

假设2a：借款人在发布借款订单时，学历低的借款人容易受到潜在地域歧视的影响，学历高的借款人不易受到潜在地域歧视的影响。

假设2b：借款人在发布借款订单时，信用等级低的借款人容易受到潜在地域歧视的影响，信用等级高的借款人不易受到潜在地域歧视的影响。

假设2c：借款人在发布借款订单时，认证数量少的借款人容易受到潜在地域歧视的影响，认证数量多的借款人不易受到潜在地域歧视的影响。

假设2d：借款人在发布借款订单时，借款金额高的借款人容易受到潜在地域歧视的影响，借款金额低的借款人不易受到潜在地域歧视的影响。

四、实证模型与变量说明

针对以上提出的假设，我们选取P2P网络借贷平台“人人贷”的借贷数据，构建回归模型进行实证检验。

(一)数据来源与说明

P2P网络借贷平台“人人贷”成立于2010年5月，现已成为我国最具影响力的P2P网络借贷平台之一。“人人贷”平台将所有借款订单信息公布在其网站上，我们收集了从创建初期至2014年所有借款订单数据。考虑到网站在创建初期进行了数据测试，为保证数据的可靠性，本文选取2011—2014年期间发布的所有有效借款订单数据作为原始研究样本。同时，为符合研究目的，我们对原始数据做了如下处理：(1)剔除标的类型不是信用认证标的借款订单*人人贷网站借款订单标的的类型共有信用认证标、实地认证标、机构担保标和智能理财标四种。其中，信用认证标占总样本的比例较大，为79.41%。同时，由于实地认证标和机构担保标在样本期内借款成功率接近100%，贷款人在选择此类标的时更关注担保人而非借款人信息。对于智能理财标，网站采用贷款人认购此类产品、网站统一进行分配的方法。此类标的更接近于理财产品，其中贷款人不参与对借款订单的选择。因此本文选取符合研究对象的信用认证标，剔除订单标的类型为其他三类的借款订单。；(2)剔除信息披露不完全的借款订单；(3)剔除借款人年龄在18周岁以下的借款订单*我国法律规定，十八周岁以上的公民是成年人，具有完全民事行为能力。由于借贷属于民事行为，因此，本文保留年龄在18周岁以上的观测值作为研究样本。。最终样本共包含242 062个观测值。

(二)变量选择与说明

1. 被解释变量。

成功订单(success)：哑变量，表示借款订单是否借款成功。若成功则取值为1，失败则取值为0。

借款利率(rate)：借款人在发布借款订单时设定的借款利率。平台规定借款利率的下限为同期银行一年期基准贷款利率，上限是其四倍。网站会根据市场情况，适当调整借款利率的上下限。

2.解释变量。

(1)关键解释变量。

高收入地区(high)：哑变量，表示借款人是否属于高收入地区居民。本文根据样本期内我国31个省级行政区城镇居民人均可支配收入*数据来源：《2014中国统计年鉴》。，从高到低进行排序，取收入排名前十的省级行政区为高收入地区，分别是上海、北京、浙江、江苏、广东、天津、福建、山东、辽宁、内蒙古。若借款人所在地为以上十个省级行政区之一，则认为借款人属于高收入地区居民，取值为1；否则，取值为0。

低收入地区(low)：哑变量，表示借款人是否属于低收入地区居民。根据样本期内人均可支配收入水平，取排名后十的省级行政区为低收入地区，分别是四川、江西、吉林、宁夏、贵州、西藏、黑龙江、新疆、青海、甘肃。若借款人所在地为以上十个省级行政区之一，则认为借款人属于低收入地区居民，取值为1；否则，取值为0。

(2)订单信息变量(LoanFeatures)。

借款金额(amount)：订单借款金额的对数值。“人人贷”的借款金额在3 000～1 000 000元之间，且为50的倍数。根据借款人的信用等级，平台设定其信用额度，借款人可在其信用额度范围内设定借款金额。

借款期限(duration)：订单的借款期限。“人人贷”的借款期限最短为1月，最长为36月，由借款人自行设定。

借款利率(rate)：订单的借款利率。研究借款成功率时作为被解释变量。

彭红枫等(2016)[13]研究发现，在美国Prosper网络借贷平台上，借款人提供的订单描述内容对借款利率有显著影响，但对借款成功率没有显著影响。但是，由于中美P2P网络借贷平台发展成熟度以及中美文化、语言等方面存在较大差异，因此，我们没有将订单描述作为订单信息变量。

(3)个人信息变量(PersonalChars)。

性别(gender)：哑变量，表示借款人的性别。女性取值为1，男性取值为0。

收入(income)：哑变量，反映借款人的收入水平。平台对借款人的月收入设定了7个区间，分别为1 000元及以下、1 001～2 000元、2 001～5 000元、5 001～10 000元、10 001～20 000元、20 001～50 000元，50 001元及以上。当借款人月收入为10 000元以上，取值为1；否则，取值为0。

年龄(age)：借款人的实际年龄。本文保留年龄在18周岁以上的观测值作为研究样本。

学历(education)：哑变量，反映借款人的学历水平。平台对借款人学历设定了4种类型，分别为高中或以下、大专、本科和研究生或以上。若借款人学历为本科及以上，取值为1；否则，取值为0。

婚姻(marriage)：哑变量，反映借款人的婚姻状况。平台将借款人婚姻状况分为4类，分别是未婚、已婚、离异和丧偶。若借款人已婚，取值为1；否则，取值为0。

工作年限(workingtime)：哑变量，反映借款人的工作年限。平台设定4个工作年限，分别为1年以下、1～3年、3～5年、5年以上。若借款人工作年限在3年以上，取值为1；否则，取值为0。

信用等级(credit)：哑变量，反映借款人的信用等级。平台根据借款人披露的各类信息、提交的认证报告以及在网站进行的交易记录，对每位借款人进行信用评级，由高到低分别为 AA、A、B、C、D、E、HR。若借款人信用等级为HR，取值为1；否则，取值为0。

认证数量(num_cert)：借款人有效认证的数量。平台根据借款人提供的材料对其披露的信息进行审核认证。其中，身份证认证、工作认证、收入认证和信用报告认证属于必要认证，居住地证明、学历认证、结婚认证、房产认证、购车证明属于可选认证。通过平台审核的认证数量即为有效认证数量。

借款人个人经历、性格、品质等方面的描述性信息也会对借贷双方产生影响，进而影响借贷成功率及借款利率(李焰等，2014[14]；Duarte等，2012[15])。但是，由于借款人个人经历、性格、品质等方面信息具有一定的主观性，其可信度存疑，同时，“人人贷”并未提供相关的详细信息，因此，我们没有将描述性信息作为个人信息变量。

3.其他控制变量(Control)。

房贷(debt_house)：哑变量，表示借款人是否有房贷。若有房贷，取值为1；否则，取值为0。

车贷(debt_car)：哑变量，表示借款人是否有车贷。若有车贷，取值为1；否则，取值为0。

年度变量(year2012、year2013、year2014)：哑变量，表示借款年份。样本区间涉及2011—2014年，共4个年度。为控制宏观经济波动和人人贷平台制度改革的影响，本文为2012、2013和2014年分别设定年度变量。若借款时间处在相应年份，取值为1；否则，取值为0。

(三)模型构建

基于以上变量选择，我们设定以下两个实证模型，分别考察借款成功率和借款利率在地域间是否存在显著差异，进而对假设进行检验。

模型(1)采用Probit回归模型检验借款成功率在地域间是否存在显著差异：

Pr(successi)=Φ(α0+α1highi+α2lowi

+α3LoanFeaturesi

+α4PersonalCharsi

+α5Controli+εi)

(1)

其中，α0,α1,...,α5为待估系数，Φ是标准正态分布函数，ε是误差项。若系数α1显著为正，则说明高收入地区借款人的借款成功率显著高于其他地区；若系数α2显著为负，则说明低收入地区的借款人借款成功率显著低于其他地区。

模型(2)采用OLS回归模型检验借款利率在地域间是否存在显著差异：

ratei=β0+β1highi+β2lowi+β3LoanFeaturesi

+β4PersonalCharsi+β5Controli+εi

(2)

其中，β0,β1,...,β5为待估系数，ε是误差项。若系数β1显著为负，则说明高收入地区借款人设定的借款利率显著低于其他地区；若系数β2显著为正，则说明低收入地区借款人设定的借款利率显著高于其他地区。

五、实证检验与结果分析

(一)描述性统计

表1列示了主要变量的描述性统计。由表1可知，所有借款订单中只有6.91%借款成功，说明借款人通过P2P网络借贷获得资金的可能性较低。此外，借款人主要来自高收入地区，占总数的56.04%，而低收入地区的借款人只占14.92%，这说明高收入地区居民对资金需求更大，P2P网络借贷在高收入地区发展更好。

对订单变量的分析可以发现，借款利率最低为3%，最高为24.4%，平均借款利率为14.66%，远高于银行贷款利率，说明P2P网络借贷平均成本较高。平均借款期限约为15个月，平均借款金额约为2.45万元，体现了市场对短期小额资金的迫切需求。

对借款人个人信息的分析可以发现，借款人信用等级普遍偏低，等级最低的HR占比高达95.55%。女性借款人占14.12%，说明男性在P2P网络借贷活动中更加活跃。此外，约有一半借款人月收入在1万元以下，借款人平均年龄为30岁左右，已婚占比为49.41%。多数借款人学历水平为本科以下，工作时间小于3年。这些数据说明，参与P2P网络借贷活动的借款人多为收入不高、学历不高、工作时间不长的男性年轻人。

对年度变量的分析可以发现，所有借款订单中59.05%是2014年的订单，2011、2012、2013年借款订单数分别占总订单数的8.3%、11.55%、21.1%，借款订单数量逐年增加，且2014年订单数呈爆发式增长。这说明随着互联网金融的普及与发展，越来越多的借款人通过P2P网络借贷渠道获取资金，P2P网络借贷发展势头迅猛。

表1 主要变量的描述性统计

(二)地域歧视的检验

表2列示了模型(1)和模型(2)的全样本回归结果*由于篇幅所限，本文未列出控制变量的回归系数及标准差。。模型(1)主要考察地域因素对借款成功率(success)的影响，模型(2)主要考察地域因素对借款利率(rate)的影响。

表2 借款成功率和借款利率的地域差异回归结果

表2的第1、3、5、7列报告了对借款成功率的估计结果。从结果来看，高收入地区(high)的系数均显著为正，表明高收入地区的借款人在P2P网络借贷中更易借款成功，而低收入地区(low)的系数均为负。第7列结果显示，当同时控制订单信息变量和个人信息变量时，low的系数显著为负，这表明在相同条件下，低收入地区的借款人更难在P2P网络借贷中获得资金。以上结果说明，贷款人在选择借款订单时存在对借款人的地域歧视。贷款人认为在同等条件下，高收入地区借款人按时还款的可能性高，违约的可能性低，而低收入水平地区居民违约的可能性高。因此，贷款人倾向于借款给高收入地区的借款人，而不愿借款给低收入地区的借款人。由此可知，假设1得到验证。

订单变量方面，我们发现借款金额、借款利率与借款成功率呈显著负相关关系，说明订单的借款金额越大、借款利率越高，贷款人认为其违约的可能性就越高，借款成功的可能性就越低。个人信息变量方面，我们发现收入水平、年龄、学历、工作时间、信用等级、认证数量与借款成功率之间呈显著正相关关系，说明收入越高、年龄越大、学历越高、工作时间越长、信用等级越高、认证数量越多的借款人，在P2P网络借贷中更易获得资金，借贷成功的可能性越大。

表2的第2、4、6、8列报告了对借款利率的估计结果。从结果来看，高收入地区(high)的系数均显著为负，低收入地区(low)的系数除第4列外其他列的系数均显著为正，说明高收入地区借款人会设定较低的借款利率，低收入地区的借款人会设定较高的借款利率，借款人在设定借款利率时会受地域歧视的影响。高收入地区借款人认为在同等条件下，贷款人会优先选择自己而非低收入地区的借款人，因而会降低借款利率以降低借款成本，而低收入地区的借款人认为在同等条件下，贷款人不会优先选择自己，因而倾向于设置较高利率，以吸引贷款人投资。因此，假设2得到验证。

订单变量方面，借款金额与借款利率呈显著正相关关系，借款期限与借款利率呈显著负相关关系，说明借款金额越小、期限越长，借款人设定的借款利率越高。个人信息变量方面，收入水平、年龄、工作时间与借款利率呈显著正相关关系，性别、学历水平、婚姻状况、信用等级和认证数量与借款利率呈显著负相关关系，说明收入较高，年龄较大、工作时间越久、学历越低、信用等级越低、认证数量越少的未婚男性倾向于设定较高的借款利率。

(三)地域歧视的异质性

我们进一步分析地域歧视对不同特征借款人或借款订单的影响。根据学历水平、信用等级、认证数量和借款金额对样本进行分组，进而运用模型(1)和模型(2)对每组样本进行回归。表3～表6报告了分组回归结果。

表3 按学历分组的借款成功率和借款利率的地域差异回归结果

我们根据借款人的学历水平，将研究样本分为以下四组：高中或以下、大专、本科、研究生或以上。表3列示了按学历分组的回归结果。对借款成功率(success)而言，研究生或以上学历组high和low前的系数均不显著，表明地域因素对借贷成功率影响不显著，贷款人在考虑是否借款给高学历借款人时，不存在明显的地域歧视；其余三组high前的系数均显著为正，low前的系数均显著为负，这说明贷款人对本科及以下学历借款人存在明显的地域歧视。因此，假设1a得到验证。对借款利率(rate)而言，研究生或以上组high和low前的系数均不显著，表明高学历借款人在设定利率时不会过多考虑地域因素；其余三组high前的系数均为负，low前的系数均为正，并且除个别组别外系数均显著，表明低学历借款人在设定借款利率时会受到潜在地域歧视的影响。因此，假设2a得到验证。

表4 按信用等级分组的成功借款和借款利率的地域差异回归结果

续前表

按照借款人信用等级从低到高，我们将样本分为四组：HR、E&D、C&B、A&AA。表4列示了按信用等级分组的回归结果。借贷成功率(success)的结果显示，HR组high前的系数显著为正，low前系数显著为负，其余三组high和low前的系数均不显著。这表明贷款人对信用等级低的借款人存在明显的地域歧视，而对信用等级高的借款人不存在明显的地域歧视。因此，假设1b得到验证。借款利率(rate)的结果显示，HR组high前的系数显著为正，low前的系数显著为负，说明信用等级低的借款人在设定利率时，受到潜在地域歧视的影响。其余三组high前的系数显著为负，说明信用等级较高的高收入地区借款人仍然会考虑到其地域优势而设置低借款利率；low前的系数不显著，A&AA组甚至显著为负，说明信用等级较高的低收入地区借款人没有受潜在地域歧视影响而设置高借款利率。基于以上分析，除了信用等级高的高收入地区借款人仍受潜在地域歧视的影响，假设2b得到验证。

表5 按认证数量分组的成功借款和借款利率的地域差异回归结果

根据借款人的认证数量，我们将样本分为以下四组：0～1个、2～4个、5～7个、8～9个。表5列示了按认证数量分组的回归结果。借款成功率(success)的结果显示，我们发现认证数量为0～7个的三个组high系数显著为正，认证数量为8～9的组high前的系数不显著；所有组low前的系数均不显著。这说明认证数量较多时，贷款人对借款人的地域歧视不明显；认证数量较少时，贷款人更青睐高收入地区借款人，但不歧视低收入地区借款人。因此，除了认证数量少的低收入地区借款人不受地域歧视外，假设1c得到验证。借款利率(rate)的结果显示，认证数量达到5个以上时，high前的系数不显著，说明拥有认证数量较多的高收入地区借款人在设定借款利率时，没有受到潜在地域歧视的影响；认证数量为0～4的两个组的high前的系数显著为负，说明拥有较少认证的高收入地区的借款人在设定借款利率时，受到潜在地域歧视的影响。除了2～4个认证组，其余组low前的系数均显著为正，表明低收入地区的借款人在设定借款利率时，普遍受到潜在地域歧视的影响而设置高借款利率。因此，除了认证数量多的低收入地区借款人仍受潜在地域歧视的影响外，假设2c得到验证。

表6 按借款金额分组的成功借款和借款利率的地域差异回归结果

续前表

根据订单的借款金额，并考虑各组间样本数量的均衡性，我们将样本分为以下四组：9 000元及以下、9 001～30 000元、30 001～60 000元、60 001元及以上。表6列示了按借款金额分组的回归结果。对借贷成功率(success)而言，借款金额为9 000元及以下组high前的系数不显著，其余组high前的系数均显著为正；借款金额为0～30 000元两个组low前的系数不显著，其余组low前的系数均显著为负。这说明借款金额较高时，高收入地区借款人借款成功率高，低收入地区借款人不易得到借款；借款金额较低时，借款成功率在地域间没有显著差异。因此，假设1d得到验证。对借款利率(rate)而言，除了借款金额为9 001～30 000元组high前的系数不显著，其余组high前的系数显著为负；借款金额较高的两组low前的系数显著为负，其余组low前的系数不显著。这说明在设定借款利率时，无论借款金额多少，高收入地区借款人普遍会受到潜在地域歧视的影响而设定较低的借款利率；借款金额较多的低收入地区借款人会受到潜在地域歧视的影响而设定较高的借款利率，借款金额较少的低收入地区借款人不受潜在地域歧视的影响。因此，除了借款金额较低的高收入地区借款人仍受潜在地域歧视的影响外，假设2d得到验证。

(四)稳健性检验

为检验结果的稳健性，我们将我国31个省级行政区进行重新分组：将人均可支配收入排名前五的省级行政区设为高收入地区，分别为上海、北京、江苏、浙江、广东；将排名后五的省级行政区设为低收入地区，分别为甘肃、青海、新疆、黑龙江、西藏。对此分别设哑变量high_5和low_5，若借款人属于高收入地区，则high_5取值为1，否则为0；若借款人属于低收入地区，则low_5取值为1，否则为0。我们运用模型(1)、模型(2)进行全样本回归，表7报告了回归结果。

表7 成功借款和借款利率地域差异的稳定性检验

样本分组回归结果与前述研究结果也基本一致，由于篇幅所限，结果没有一一列出。

六、结论与启示

由于我国区域收入水平不均衡，长期以来在社会经济发展中形成一种独特的地域歧视现象。本文主要研究P2P网络借贷中是否存在由收入水平不均衡引发的地域歧视。一地居民的收入水平与该地居民的偿债能力密切相关，高收入地区居民还本付息的可能性更高，低收入地区居民还本付息的可能性更低。因此，低收入地区的借款人可能受到歧视，高收入地区的借款人可能受到青睐。对此，我们提出了相关假设，并以2011—2014年“人人贷”P2P网络借贷平台的交易数据为研究样本，进行了实证检验。结果表明，P2P网络借贷中存在地域歧视现象，主要体现在两个方面：首先，贷款人对借款人的地域歧视，贷款人倾向于借款给高收入地区的借款人，而不愿借款给低收入地区的借款人。其次，借款人受地域歧视的影响，高收入地区的借款人倾向于设置较低利率以降低借款成本，低收入地区借款人倾向于设置较高利率以吸引投资。同时，我们对样本进行分组回归，结果发现地域歧视现象存在异质性，具体来说，低学历、低信用、低认证数量、高借款金额借款人受到的地域歧视较为显著，而对高学历、高信用、高认证数量、低借款金额的借款人的地域歧视不甚明显。本文的研究结论丰富了P2P网络借贷中有关歧视的研究，有助于我们更深入、理性地看待借贷活动中的地域歧视现象。

本文研究结论的启示在于：首先，作为在P2P网络借贷中提供资金的贷款人，在选择借款订单进行投资时，应摒弃固有的地域歧视观念，更多关注借款人自身的收入水平、信用等级、学历水平等个人信息以及借款订单相关信息，充分运用P2P网站提供的各类信息综合判断借款人的偿债能力与信用水平。其次，对借款人而言，应注重自身信用等级的培养，合理设计借款订单，提供更多的有效个人信息，以消除地域歧视的影响，进而提高借款成功率。最后，对P2P网络借贷平台而言，应利用平台优势，借助大数据分析技术，进一步设计和完善个人信用评价体系，发挥信用评级在P2P借贷中的重要作用；在订单信息公布中，突出能够反映借款人偿还能力的个人信息以及反映违约风险的订单信息，进而弱化地域歧视对借贷双方的影响，提高P2P网络借贷中的效率；应敦促借款人完善个人信息，为借款订单设计更为详尽的信息提供方式，尽量避免地域歧视产生的影响。

[1]黄国萍，姚本先.地域歧视与和谐社会的构建 [J].社会心理科学，2006(4)：50-52.

[2]Herzenstein M，Sonenshein S，Dholakia U M.Tell Me a Good Story and I May Lend You My Money: The Role of Narratives in Peer-to-Peer Lending Decisions [J].Journal of Marketing Research，2011，48(SPL)：138-149.

[3]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.

[4]Duarte J，Siegel S，Young L A.To Lend or Not to Lend: Revealed Attitudes towards Gender,Ethnicity,Weight,and Age in the U.S.[R/OL].Working Paper，2015，SSRN: http://ssrn.com/abstract=2473240.

[5]Ravina E.Love & Loans: the Effect of Beauty and Personal Characteristics in Credit Markets [R/OL].Working Paper，2008，SSRN: http://ssrn.com/abstract=1101647.

[6]Lin M，Viswanathan S.Home Bias in Online Investments: An Empirical Study of an Online Crowdfunding Market [J].Management Science，2015，62(5)：1393-1414.

[7]Mollick E.The Dynamics of Crowdfunding: An Exploratory Study [J].Journal of Business Venturing，2014，29(1)：1-16.

[8]李悦雷，郭阳，张维.中国P2P小额贷款市场借贷成功率影响因素分析 [J].金融研究，2013(7)：126-138.

[9]王会娟，廖理.中国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.

[10]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.

[11]廖理，吉霖，张伟强.借贷市场能准确识别学历的价值吗?——来自P2P平台的经验证据 [J].金融研究，2015(3)：146-159.

[12]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.

[13]彭红枫，赵海燕，周洋.借款陈述会影响借款成本和借款成功率吗?——基于网络借贷陈述的文本分析 [J].金融研究，2016(4)：158-173.

[14]李焰，高弋君，李珍妮，才子豪，王冰婷，杨宇轩.借款人描述性信息对投资人决策的影响——基于P2P网络借贷平台的分析 [J].经济研究，2014(S1)：143-155.

[15]Duarte J，Siegel S，Young L A.Trust and Credit: The Role of Appearance in Peer-to-peer Lending [J].Review of Financial Studies，2012，25(8)：2455-2484.