基于logistic模型的P2P信贷中同群效应的研究①

摘 要：本文分析了同群效应对人们投资P2P行为的影响。基于二元logistic回归结果显示：（1）年龄、年收入、是否在互聯网上看过有关P2P的内容、身边的人是否有在P2P平台投资的经历与人们是否参与P2P投资存在显著相关性。且人们是否投资P2P的行为受到同群效应的显著正向影响。（2）在研究同群效应对不同性别的影响中，得出结论：相比男性，女性更容易受到同群效应的影响。最后提出了对P2P平台发展的建议。

关键词：同群效应 P2P信贷 logistic模型

中图分类号：F832.4 文献标识码：A 文章编号：2096-0298（2018）07（a）-044-05

1 引言及文献综述

P2P（Peer to Peer）信贷，指的是有资金并且有投资意愿的个人，通过第三方网络平台牵线搭桥，以信用贷款的方式将资金贷给其他有借款需求的人。自2007年国外网络借贷模式引入中国以来，P2P信贷以其高收益、低技巧的特征迅速抢占国内投资市场。2015年度，我国P2P借贷行业累计交易规模约为9750亿元（数据来源于零壹财经《2015年P2P行业年度报告》），可以看出P2P信贷已经成为互联网金融中最重要的一块版图，P2P信贷被赋予金融创新的重任，也被寄予缓解中小企业融资难的厚望。

同群效应（Peer Effects），即古语所谓的“近朱者赤，近墨者黑”，较早运用于教育和公共经济学领域，近年来，同群效应也开始频繁运用于投资行为的研究分析。Ding和Lehrer（2007）认为同群效应是邻近的平等个体之间在各种社会关系中产生相互作用时，其中某一个体的行为及策略会受到同群者的行为及策略的影响。同群效应较早的运用于教育和公共经济学领域，而后在金融投资方面，同群效应也开始频繁运用于投资行为的研究分析。Kelly和Grada（2000）发现银行恐慌发生时，银行的不良消息则通过同群效应进行着传播。Madrian和Shen（2000）以及Duflo和Saez（2002）证明个体对养老基金选择受到其他同群者的行为和策略的影响。而在股票市场的个人投资方面，Ivkovic和Weisbenner（2005）则通过跟踪美国股票市场的个人投资账户，发现了同一个城市的投资者在决定所投资的股票受到显著的同群效应影响。Ivkovic和Weisbenner（2007）通过对以50英里的半径为基准划分居住区域的社会水平研究时发现位于同个区域的个人投资者存在着显著的同群效应影响。国外大量学者对基金、股票和银行投资中的同群效应进行了研究，国内学者对投资中同群效应的研究则相对甚少，李晓梅和刘志新（2010）对同群效应对基金经理的投资决策研究发现处在同一城市的基金经理更容易进行交流传递投资信息，导致基金的股票配置决策趋同。

本文是将同群效应的影响进一步扩展到P2P信贷这一创新的投资领域，并以搜集到的相关数据作为样本对假设进行实证检验。在尽可能地控制可能影响人们是否投资P2P的其他因素后，本文发现同群效应对人们投资P2P产生了显著正向的影响：工作或生活中经常使用互联网的人投资P2P的概率更高；身边有朋友投资P2P的人投资P2P的概率更高。此外，本文还发现了一些有趣的现象：在同群效应与性别的关系中，相比男性，女性投资P2P的行为更容易受到身边人的影响。

在本研究中，同群效应的识别是一个关键的技术问题。在上述文献中涉及的同群划定中，大部分以居住区域、同城等地理因素划分同群的界限。而P2P信贷是靠互联网牵线搭桥，因此在考虑同群效应识别问题的时候，有必要将互联网这一线上影响也归入同群。即同群效应既包含了线下，如身边的亲朋好友投资P2P的行为及投资选择的影响，又包括了线上，如各网站、媒体、贴吧等发的有关P2P投资的相关内容。因此基于本次研究的特殊性和数据采集的局限性，本文将工作或生活是否与互联网有密切关系（线上同群）、身边的人是否投资P2P（线下同群）作为同群效应的识别手段。

本文其余部分的结构如下：第二部分主要介绍了数据的搜集、样本特征以及本文提出的两个假设；第三部分为指标及模型的设定，分别根据假设一和假设二设定了模型一与模型二对其进行假设检验；第四部分为基于二元logistic回归的实证分析；第五部分则为本文的总结与根据本文研究提出的对P2P平台发展的建议。

2 数据说明及假设

2.1 样本特征

本文数据来源于《关于影响人们投资P2P信贷的调查问卷》（浙江工商大学“同花顺杯”金融创新挑战赛之《跟着朋友投资去？——P2P信贷中同群效应的研究》项目调查问卷，本文研究数据为其中一部分），包含了399份涵盖了不同人群的有效数据。

表1的调查对象基本数据中，包括了性别、年龄、学历、年收入、投资年龄、是否在互联网上看过有关P2P的内容、身边的朋友是否有在P2P平台投资的经历等X1～X7个解释变量以及自己是否投资过P2P这一被解释变量。

2.2 变量说明

影响一个人是否投资P2P的因素可分为内部因素与外部因素。其中，当一个人投资P2P的行为受到了其性别、年龄、学历、年收入、投资年龄这些自身的因素影响时（X1～X5），我们认为这些因素为内部因素；当一个人投资P2P的行为受到了身边的人或环境的影响时（X6～X7），则认为该影响因素为外部因素，如是否在互联网上看过有关P2P的内容、身边的人是否有在P2P平台投资的经历。

综上可以看出，内部因素对投资者自身产生直接的影响，而外部因素则在同群之间相互产生直接或间接的影响。图1还简单地列举了其中的作用机制：Yi与Yj通过外部因素相互直接产生直接的影响，而Yi与Ym，Ym与Yn等也会通过外部因素产生直接或间接的影响（图1简化了部分个体间的相互影响）。

2.3 基本假设

基于上述的样本数据及前文的分析，本文提出假设1。

假设1：人们是否投资P2P的行为受到同群效应的显著正向影响。

人们是否投资P2P行为的影响因素还包含了另外五种内部因素。已有学者对其进行过相关研究。其中，性别对P2P投资的影响，在陈小慧（2016）的研究中发现女性做资产配置更多会选择P2P网贷，男性则以股票或基金为主；女性投资保本为上，男性投资则不但要保本，有高收益也会愿意冒点风险。一般来说，男性做投资的时候更偏向于凭自己的判断做决定，他们较经得起市场起伏的压力和冲击；而大部分女性则经常拿不定注意，害怕决定错误而失利，需要找身边的人出主意。那么，在选择是否投资P2P时，女性是否比男性更易受同群效应的影响？基于此，本文提出假设2。

假设2：相比男性，女性更容易受到同群效应的影响。

3 指标及模型设定

3.1 构建模型指标

设因变量y是0-1型变量，同时设自变量为xi（i=1，2，…7）。因为当某自变量是定性变量时，该自变量不能直接进入回归模型参与回归分析，必须将其进行转换。设某个定性自变量xi划分为n个类，将其中的某一类设置为参照类，就产生了（n-1）个关注类，每个关注类就形成一个0-1型的虚拟变量，具体赋值情况如表2所示。

3.2 建立模型

3.2.1 模型一

Logistic回归分析方法是对定性变量的回归分析。在实际问题中，经常会出现因变量是定性变量的情况，本文研究的因变量不能以简单的线性关系描述，因而采用二元logistic回归模型。在经典的Logistic回归里，仅考虑是否投资P2P。是否投资P2P，受到多种因素的影响，但最终的可能性只有两个，要么投资，要么不投资。因此对于假设1，本文通过构建logistic模型进行分析。

将上式的Logistic二元回归模型转化为线性规划模型。

3.2.2 模型二

（1）对于引申出的假设2，本文先根据统计描述分析性别间同群效应的差异。统计被调查者是否投资P2P的行为与其身边的人是否投资P2P的行为一致性的频数，再计算分别占其人数的概率，对男女之间哪方更易受同群效应的影响进行比较，并设定指标TQ。

（2）根据上述统计描述的结果，还可以进一步采用模型一的方法分别对男性、女性的Y值进行回归，通过比较同群效应对其投资P2P影响的系数大小，检验判断的准确与否。具体模型与模型一类似，本文不再赘述。

4 实证分析

4.1 回归结果

本次回归使用的软件为SPSS16.0。利用模型一将数据进行二元logistic回归，首先将变量选择方式设置为“Enter”方式，即所有变量都强制引入方程，分析结果（略）显示有一部分回归系数的显著性检验未通过。于是将变量选择方式设置为“Forward： LR”，即以最大局部似然为基础作似然比概率检验，向前逐步选择自变量，得到的结果如下。

4.2.1 回归方程检验

（1）回归方程的拟合优度检验。一般采用错判矩阵（正确分类表）来反映方程拟合的效果。我们可以通过总体正确率来判断模型的好坏，总体正确率越高意味着模型越好。表4反映了本次模型预测效果检验结果。模型总体预测正确率为86.2%，说明模型的拟合效果较好。

通过直接比较Wald统计量的大小（或伴随概率），如果Wald统计量较大（或伴随概率较小），那么对应的自变量就较重要；反之，如果Wald统计量较小（伴随概率较大），那么对应的自变量就较不重要。

从表3中的Wald统计量（或伴随概率）可看出除了年收入（1）之外，其他变量的Wald统计量都较大（或伴随概率小于显著性水平），因此经过Forward： LR方式回归的结果所涵盖的自变量都较重要。

4.2.2 回归分析

（1）没有进入方程的自变量就是与是否在P2P平台上进行投资无关的变量，有：X1性别；X3最高学历；X5投资年龄。

（2）回归系数为正，表明关注类的发生比大于参照类的发生比，即关注类投资P2P的可能性更大。這些自变量有：年收入X4（1）；年收入X4（2）；年收入X4（3）；X6是否在互联网上看过有关P2P的内容；X7身边的人是否有在P2P平台投资的经历。

（3）回归系数为负表明参照类的发生比大于关注类的发生比，即参照类投资P2P的可能性更大。这些自变量有：年龄X2（1）；年龄X2（2）；年龄X2（3）。

（4）与是否在P2P平台上进行投资具有显著相关的因素之间的相对重要性比较从表3的第4列的Wald值的大小可以比较各个因素的相对重要性。从大到小排序为：X7身边的人是否有在P2P平台投资的经历；年龄X2；年龄X2（1）；年收入X4；年龄X2（3）；年龄X2（2）；常量；年收入X4（3）；X6是否在互联网上看过有关P2P的内容；年收入X4（2）；年收入X4（1）。

（5）对同一个变量不同类别的人群，其贡献率比较这可以从表3的第7列的Exp（B）值进行比较，例如以下几点。

第一，由Exp（β2（1））=1.970可知，收入50万以上的人群是收入5万以下的人群的发生比的1.970倍。而且从β4（3）>β4（2）>β4（1）可以看出，随着收入的增加，投资P2P的可能性越大。

第二，由Exp（β4（3））=-6.442可知，年龄在19～35岁的人群是年龄在35～55岁的人群的发生比的6.442倍。同理可以看出，年龄在19～35岁的人群投资P2P的可能性越大。

第三，由Exp（β6）=2.114可知，在互联网上看过有关P2P的内容的人群是没有在互联网上看过有关P2P的内容的人群的发生比的2.114倍。

第四，由Exp（β7）=4.742可知，身边的人有在P2P平台投资的经历的人群是身边的人没有在P2P平台投资的经历的人群的发生比的4.742倍。

因此，根据方程的回归可以得出年龄、年收入、是否在互联网上看过有关P2P的内容、身边的人是否有在P2P平台投资的经历等变量都与人们是否参与P2P投资存在显著相关性。且从以上分析可以看出年龄在19～35岁的人群参与P2P投资的可能性最大，因为这些人群都为年轻人，接触互联网金融相对较为频繁，也更容易接受新事物。年收入在5万以下的人群可能不太会参与P2P投资，而年收入在5万以上的投资者投资P2P的可能性较大，且可能性随着收入的增加而增加。因为，年收入越高的人群越有剩余的钱进行P2P投资，而收入少的人群可能还需要贷款，没有多余的钱拿去P2P投资。

在互联网上看过有关P2P内容的人群更容易参与P2P平台的投资，因为他们接触了更多的P2P内容，对其更为了解。同样地，更多身边的人有在P2P平台投资经历的人群也更容易参与P2P平台的投资。而这两个变量反映了同群影响的程度，也进一步证明了人们投资P2P的行为中确实存在着显著的同群效应。

4.3 性别差异中的同群效应

在logistic总体回归模型中虽然性别这一自变量没有通过显著性检验，可是为了验证假设二，本文根据模型二（1）的设定先用统计描述比较了性别差异中同群效应的差异性。

从表6中可看出P10+P12（表示女性调查对象中是否投资P2P的行为与身边人的投资情况一致的频数占女性调查对象的总人数比率）为89.3%，P00+P02为77.83%，女性的发生率高于男性，因此可以初步判断：相比男性，女性更容易受到同群效应的影响。

为了利用logistic模型进一步验证假设二，我们根据模型二（2）的设定分别计算出了女性与男性的Logistic回归方程，由于带有常数项的回归显著性检验不通过，因此该回归不加入常数项。

可以看出，β17=4.418大于β07=2.527，因此假设二也得以验证。由于该回归方程中少了其他的必要的影响因素，因此X6的系数出现了负值，但不意味着在互联网上看过有关P2P内容的人群对其投资P2P的影响是副作用。表7与表8的回归结果只适用于两者之间的比较。因此，相比男性，女性的确更容易受到同群效应的影响。可以这样认为，大部分女性较男性更为感性，做决定时更喜欢参考身边的信息，听取身边人的意见，所以在投资P2P的行为中当然也不例外。

5 结论与建议

5.1 结论

本文通过已有的文献依据探析了同群效应影响人们投资P2P的内在机理，又基于logistic模型研究了P2P信贷平台中的同群效应，利用调查数据进行回归分析并实证检验了人们投资P2P的行为的确受同群效应影响。现总结如下。

（1）P2P信贷中确实存在同群效应。由上述数据分析与实证检验结果可知，是否进行P2P信贷投资不仅受年龄、收入等自身因素影响还受同群效应的影响，且P2P信贷中的同群效应对不同性别的影响也有所不同，相比男性，女性更容易受到同群效应的影响。

（2）P2P投资者人群中存在显著的同群效应。该类群体表现出的共性是具有较高的收入，年龄在18～35之间，较多的在互联网上浏览有关P2P的内容，且身边的人也较多的在P2P平台有投资经历。

（3）从大多数非投资者没有选择P2P平台投资的主要原因分析，该类人群表现出的共性是不了解P2P，厌恶风险，周围参与P2P投资的朋友少。他们因为缺乏P2P方面的知识，从而在心理上放大P2P平台的风险，存在抵触情绪。

5.2 建议

（1）挖掘非投资者，扩大P2P信贷的受众。P2P平台应当结合非投资者不投资P2P平台的原因，一方面，针对人们对P2P不了解的现状，平台自身应该做好宣传措施，利用大数据为非投资者投递平台的产品信息，从而挖掘潜在客户，将非投资者群体转变为投资者；另一方面，针对投资风险高和服务不完善两个次要原因，平台应当完善其功能，提高服务质量，增强平台风控能力，在风险可控的基础之上给予投资者更多的收益，同時，充分利用投资者同群效应的影响，创造出良好的口碑效应，从而平台扩大投资群体的规模。

（2）充分利用P2P平台优势进行宣传，稳定P2P投资者。人们选择投资P2P的主要原因分析，重点宣传P2P信贷平台收益高、门槛低、方便易操作、期限灵活等人们认可的优势。同时，继续提高P2P平台的质量，打造优势平台。

（3）提高P2P行业准入门槛。P2P借贷中存在显著的同群效应，因此，整个P2P行业的口碑是至关重要的。人们投资时考虑因素的调查分析，降低风险性和提高收益性成为整个P2P行业改善的首要目标。所以，提高行业的准入门槛，加强对各P2P平台的监管以降低投资风险至关重要。淘汰管理不善的平台，取缔以借贷为幌子实行非法集资的平台，大力支持建设P2P收益高风险小的口碑模范平台，从而做到对P2P行业的一次重新洗牌。

（4）推广互联网理财产品，加强人们对P2P信贷等互联网理财产品的认可程度。人们更加偏好风险低的固定收益产品和股票等高风险高收益产品，对互联网理财产品的投资相对较少，而增大P2P信贷的客户群离不开整个互联网理财产品发展的大趋势，因此，应平台充分利用同群效应增强互联网理财产品的认可程度，降低互联网诈骗等理财风险，从平台、政府、个人等方面多管齐下，推动互联网理财产品的发展，进而促进P2P平台的发展。

（5）充分利用大数据。充分利用大数据主要有以下三个方面的作用，首先是政府可以利用大数据对P2P平台进行评估，确定平台的可信系数，进而控制“跑路平台”；其次是平台可以利用大数据，引用风控模型对用户群体的信用程度进行评估，进而确定用户的征信情况，减少坏账情况；最后是平台可以利用大数据分析非投资者的心理，从而对潜在客户进行精准广告投递，将非投资者转为投资者，再利用社会网络的同群效应，发展客户群体。

参考文献

[1] Ding.W.，Lehrer.S.F..Do poem affect student achievement in Chinas secondary schools？[J].The Review of Economics and Statistics，2007，89（2）.

[2] 葛慶稳.对当前我国P2P网络借贷平台发展的思考[J].时代金融，2014（2）.

[3] 郭阳.中国P2P小额贷款发展现状研究[J].上海金融，2012（12）.

[4] 郭忠金，林海霞.P2P网上借贷信用机制研究——以拍拍贷为例[J].现代管理科学，2013（S）.

[5] 李钧.P2P借贷：性质、风险与监管[J].金融发展评论，2013（3）.

[6] 李钧.中国P2P借贷服务行业白皮书[M].北京：中国经济出版社，2013.

[7] 韩义秀.基于Logistic回归分析的大学生宗教信仰倾向影响因素研究[J].数学的实践与认识，2014（8）.

[8] 梁笑雨，魏鹏.P2P网络借贷风险[J].新产经，2013（4）.

[9] 刘芳芳.基于宜信模式的P2P网络借贷进化博弈分析[J].广东开放大学学报，2014，23（3）.

[10] 刘维权.P2P借贷还能走多远[J].新财经，2012（4）.

[11] 马运全.P2P网络借贷的发展，风险与行为矫正[J].新金融， 2012（2）.

[12] 买忆媛，辜雪娜，陈懿黾.同群效应对创业路径选择的影响[J].技术经济，2011（5）.

[13] 门垚，何勤英.中国大学毕业生劳动力市场中的同群效应[J].人口学刊2013（1）.

[14] 孙之涵.P2P网络小额信贷探析[J].征信，2010，28（3）.

[15] 土振.P2P网络借贷模式洗钱风险及应对措施[J].南方金融， 2012（11）.

[16] 土梓淇.P2P网络借贷平台探析[J].时代金融，2012（3）.

[17] 尉丽婷.互联网金融对中国商业银行的影响探究[J].河北学刊.2015（35）.

[18] 杨娟.基于同群效应的美国班级规模研究述评[J].教育科学2012（4）.

[19] 禹海慧.我国P2P网络贷款平台的弊端及管理[J].中国流通经济2014，28（2）.

[20] 张正平，胡夏露.网络借贷平台的发展：文献述评[J].华东经济管理2013（9）.

[21] 郑风田，郎晓娟.同群效应理论研究的若干新进展[J].经济学动态2007（2）.

[22] 陈小慧.透析P2P网贷投资者的投资行为特点——基于性别差异的比较[J].市场前沿，2016（8）.

[23] Conley T，Udry C. Social learning through networks：The adoption of new agricultural technologies in Ghana[J].American Journal of Agricultural Economics，2001，83（3）.

[24] Manski C.Identification of endogenous social effects：The reflection problem[J].Review ofEconomic Studies，1993（60）.

①基金项目：2017年国家级创新立项课题（201710353013）成果。指导老师：金融学院赵平副教授。

作者简介：滕晓慧（1997-），女，山东潍坊人，本科，主要从事金融投资方面的研究。