P2P网络借贷中个人信息对借贷成功率影响的实证研究——以人人贷为例

admin管理员组

文章数量:1566354

2024年7月19日发(作者：)

・

财务与金融・　２０１３年第６期总第１４６期　投资与融资＿　

Ｐ２Ｐ网络借贷中个人信息对借贷成功率影响的实证研究　

——

以人人贷为例　

陈建中　宁欣　

【摘要】Ｐ２Ｐ网络借贷Ｐｅｅｒ　ｔｏ　Ｐｅｅｒ　Ｌｅｎｄｉｎｇ）是近年来从国外引进的小额借贷创新业务。从２００６年开始，　

Ｐ２Ｐ网络借贷市场在中国得到了很快的发展，然而其一直面临着借贷成功率较低的问题。论文采用人人贷　

平台的３１４８条交易数据对个人信息对借贷成功率的影响进行实证分析。实证结果表明，借款人的基本信息　

对借贷成交结果有着显著的影响，可在一定程度上提高借款人的借贷成功率。　

【关键词】Ｐ２Ｐ网络借贷个人信息借贷成功率　

【中图分类号】Ｆ８３０【文献标识码】Ａ　

一

、

文献综述与研究对象　

本文以人人贷商务顾问（北京）有限公司为研究　

对象。该公司成立于２０１０年，是一家集金融信息服　

在Ｐ２Ｐ（Ｐｅｅｒ　ｔｏ　Ｐｅｅｒ）网络借贷中，借款人的基　

务及互联网技术应用于一身的创新型公司。旗下的　

本信息是贷款人对投资可行性进行评估的重要参照　人人贷网站ｗｗｗ．ｒｅｎｒｅｎｄａｉ．ｃｏｍ）是国内领先的Ｐ２Ｐ　

因素，这些信息反映了借款人基本属性，也必然对借　

网络借贷服务平台。在３年的发展中，网站新增借款　

贷行为和借贷结果产生影响，因此，从借款人基本信　

申请、理财用户数、坏账控制水平均大幅领先于行业　

息角度研究借款成功率有重要的理论和现实意义。　

平均水平。根据季报显示，截至２０１３年上半年，人人　

该问题已经引起了国内外学者的关注，　

贷累计成交量达到了１０亿人民币，２０１２年成交金　

Ｍｉｎｇｆｅｎｇ　Ｌｉｎ，Ｐｒａｂｈａｌａ　Ｎ．Ｒ．和Ｖｉｓｗａｎａｔｈａｎ　Ｓ　

额增长８０３％，１—９０天逾期控制在１．１９％，人人贷的　

服务已覆盖了全国３０余个省的２０００多个地区，成　

借款人的基本信息是投资者对其还款可能性进行评　

功帮助了３Ｏ万名以上用户通过信用申请获得融资，　

估的主要参照因素，影响着投资者最终的投资决策。　

或通过自主出借获得稳定收益。　

Ｐｕｒｏ　ｅｔ　ａ１．（２０１０）在研究哪些措施能够帮助借款人　

成功地借到款项时，给出了借款成功率的主要影响　

因素。国内文献以偏理论的研究为主，实证研究凤毛　

（２００９），Ｓｅｔｈ　Ｆｒｅｅｄｍａｎ和Ｊｉｎ　Ｇ．Ｚ（２０ｌ０）研究指出　

二、研究模型与样本数据　

本文采用多元逐步回归的研究方法。采用回归　

麟角。吴小英，鞠颖（２０１２）通过使用最小二乘法进行　

方法在自变量很多时，其中有的因素可能对应变量　

参数估计，研究Ｐｒｏｓｐｅｒ平台中借款用途对借贷成功　

的影响不是很大，而且自变量之间可能不完全相互　

率的影响。经过对国内外文献的梳理和分析可知，贷　独立，而是存在相关关系，通过逐步回归分析进行自　

款人对于借贷的决策与平台公布的借款人基本信息　

变量因子的筛选，这样建立的多元回归模型预测效　

有相关关系，借款人信息对借贷的成功率有一定程　

果会更较好。应用该方法首先要建立因变量Ｙ与众　

度的影响。　

多自变量之间的总回归方程，再对总的方程及每一　

【基金项目】本论文获得湖南省中小企业研究基地“中小企业网络融资”项目资助　

【作者简介】陈建中，男，湖南新宁人，中南大学副教授，博士，研究方向：中小企业融资　

宁欣，女，湖南长沙入，中南大学硕士研究生，研究方向：金融；长沙，４１００８３　

１３—　

—

投资与融资　

２ｏｌ３年第６期总第１４６期　・财务与金鼬・　

个自变量进行假设检验。当总方程不显著时，表明该　

金，不用再支付后续的利息及管理费用。人人贷通过　

多元回归方程线性关系不成立；而当某—个自变量　

媒体宣传、投资人交流活动、定期发布运营报告等，　

对Ｙ影响不显著时，应该把它剔除，重新建立不包　获得了较好借款人流量。　

含该因子的多元回归方程。筛选出有显著影响的因　

子作为自变量，并建立“最优”回归方程。通过建立以　

三、变量选取与赋值　

借款成功率为因变量的回归模型来研究借款人个人　

借款人信息可分为“硬信息”和“软信息”两种，　

信息对借款成功情况的影响，以借人者的个人基本　即网站上可获取的借款人信息与社交网络中的借款　

信息作为自变量，使用ＳＰＳＳ２１．０来对借贷数据做出　

人信息。人人贷网站上并没有“友情标”，无法判断社　

逐步回归分析。假设多元回归方程如下：　

Ｙｉ＝ｂｏ＋ｂ１　ｌ＋ｂ２ｘ２＋ｂ　＋…＋ｈｋｘｋ＋８　

交网络关系对借贷结果的影响。本文选取的自变量　

均为人人贷网站上可获取的借款人的基本信息，由　

样本数据通过采集人人贷网站平台上发布的有　于工作城市、行业、公司规模、工作年限等无法作为　

效借款订单以及借款人信息得到，共包含３１４８个有　有效的统计变量，故并未在模型中体现，借款订单的　

效订单、２６６６个注册会员。对于每一笔订单和每一　基本信息也只做统计不进行建模。　

个会员，都记录了一系列可获取的相关属性数据，包　结合网站的实际情况以及基本信息作为变量赋　

括信用得分、借款金额、利率、借款期限、还款方式、　

值的可能性考虑，实证中选用的变量有以下几项，基　

性别、信用等级、学历、有无购房、发布借款笔数、成　本假设和具体赋值如下：　

功借款笔数、年龄、是否结婚、工作城市、有无购车　

等。人人贷不对投资人收取任何费用，根据等级对　

（１）信用得分　

信用高的借款人违约风险相对更小，会更受投　

借款人收取的服务费也全部用作风险准备金。在人　

资者的青睐。　

人贷平台上，标的种类分为：机构担保、本息保障、信　

人人贷平台对于信用的管理非常重视，大部分　

用标。人人贷所有的借款标均没有审核时间，在数据　

用户的信用等级都在Ｃ以上。表１给出了借贷成功　

统计中每标成功时间均按“最后一笔投资”的时间来　与借款人的信用等级分布状况。统计结果显示借款　

确定。为了方便计算，假设所有的借款标都能按时还　人信用等级最高的成功订单相对来说也更多，从理　

款。事实上，有一部分借标提前还款，提前还款的用　性投资的角度来看，信用得分与违约风险成反比，因　

户需要支付给出借人借款剩余本金的１％作为违约　

此贷款人更乐于选择信用等级为Ａ的借款人。　

表１　借贷成功率下借款人信用等级分布　

借贷成功率　

．

２５００　

０　

．４０００　

０　

．５０００　

ｌ３　

．５７ｌ４　

０　

．６６６７　

０　

．８０００　

０　

．８７５０　

０　

１．００００　

２４１８　

合计　

２４３１　Ａ　

信用等级　Ｃ　

Ｅ　

ＨＲ　

ｌ３　

Ｏ　

０　

Ｏ　

Ｏ　

１３　

０　

１４　

３９　

Ｏ　

１３　

０　

Ｏ　

１３　

０　

０　

１３　

１３　

０　

ｌ３　

０　

０　

３９　

５２　

ｌ３　

ｌＯ５　

１ｌ７　

合计　１３　１３　６６　１３　ｌ３　２６　１３　２５０９　２６６６　

（２）年龄　

款人的７６．６％。女性６２５名，占总借款人的２３．４％。　

根据统计样本的数据可知，人人贷上的借款人　

在建立模型时，对男性赋值为１，女性赋值为０。在社　

平均年龄为３５．６岁，以青年为主。在金融投资理论　

会观念中认为女性比男性的适应性更强，而在目前　

中，许多实证研究认为个人的风险倾向以及经济状　

的研究中，性别对借贷决策的影响不明。　

况随着年龄的变化而不同，年龄的增加也带来信任　

（４）学历　

度的增加，属于常见的投资者认知。　

经过人人贷平台认证的借款人学历。在所有借　

（３）性别　

款人中，本科及研究生以上总共占２７％，高中或以　

在２６６６个人人贷会员中，男性２０４１名，占总借　

下在总人数中占３３％，借款人的学历分布处于一个　

一

１４一　

・

财务与盒鼬・　２０１３年第６期总第１４６期　

投资与融资　

比较均匀的分布状态，在借款金额上也是类似结果。　

定。在建立模型时，对已婚赋值为１，未婚、离异、丧　

由于投资者对风险的厌恶，完全理性的选择应该是　

偶赋值为０。　

高学历的借款人。文中将高中及以下学历赋值为１，　

（６）有无购房　

大专学历赋值为２，本科学历赋值为３，研究生及以　

借款人的购房情况，分为有购房和无购房两种。　

上学历赋值为４。　

其中有购房的借款人占总数的４６．４％，无购房的借　

款人占５３．６％。建模中，对有购房的赋值为１，无购　

借款人的婚姻状况，分为未婚、已婚、离异、丧偶　

房赋值为０。在理性投资的认知中，有购房意味着对　

（５）婚姻状况　

四类，已婚借款人占总借款人的７１．２％。收入与婚姻　

还款能力的保障，通常对借贷交易的达成起着促进　

状况有一定联系，已婚者的收入更高，而且趋于稳　

作用。　

表２变量描述性统计表　

Ｎ　极小值　极大值　均值　标准差　偏度　峰度　

统计量　统计量　统计量　统计量　统计量　统计量　标准误　统计量　标准误　

信用得分　２６６６　８９　１５０　１４５．４０　１４．９８８　－３．０２３　０．０４７　７．３２６　０．０９５　

年龄　２６６６　２２　５８　３５．５６　８．７０３　．５５３　０．０４７　－０．５７８　０．０９５　

性别赋值　２６６６　Ｏ　１　０．７７　Ｏ．４２４　－１．２５４　０．０４７　－０．４２７　０．０９５　

信用赋值　２６６６　１　４　３．７８　０．７１５　—３．１９Ｏ　０．０４７　８．６６８　Ｏ．０９５　

购房赋值　２６６６　０　１　０．４６　０．４９９　０．１４６　０．４０７　—１．９８０　０．０９５　

学历赋值　２６６６　１　４　２．０４　０．７０１　．０２５　０．４０７　－０．７３９　０．０９５　

结婚赋值　２６６６　０　１　０．７１　０．４５３　－０．９３８　０．０４７　一１．１２０　０．０９５　

借贷成功率　２６６６　０．２５　１．０Ｏ　０．９７　０．１０９　－４．５４４　０．４０７　２０．２６１　０．０９５　

四、实证过程及结果分析　

是否购房逐步对因变量借贷成功率进行回归，回归　

结果如表３至表４所示：　

首先，对各个变量之间的相关性进行检验。从　

Ｐｅａｒｓｏｎ简单相关分析中可以看出，信用得分与其它　

表３模型汇总　

几个指标之间的相关性最强，而性别赋值与其它指　

模型　Ｒ　Ｒ方　调整　标准估计　

Ｒ方　的误差　

Ｄｕｒｂｉｎ

－

Ｗａｔｓｏｎ　

标之间的相关性相对较弱。一般来说其他指标越齐　

１　．６３１　．３９９　．３９８　．０８４８１９２　

全越高，信用得分也就越高，意味着可信度的增加。　

２　．６３９　．４Ｏ８　．４０８　．０８４１５６４　

各变量之间的相关性都属＝　极弱相关或者无相关，　

３　．６４０ｃ　－４１０　．４ｏ９　．０８４０４２３　

故不存在多重共线性。　

４　．６４１　．４１２　．４ｌ１　．０８３９５２４　

通过将信用得分、年龄、性别、学历、婚姻状况、　

５　．６４３。　．４１３　．４１２　．０８３８７０２　１．８２８　

表４系数回归表　

模型　非标准化系数　标准系数　

ｔ　Ｓｉｇ．　

Ｂ的９５．０％置信区间　

Ｂ　标准误差　试用版　下限　上限　

（常量）　．３０５　．０１６　１９．０３０　．ｏ０Ｏ　．２７４　．３３６　

１　信用得分　

．

００５　．０００　．６３１　４２．０２２　．Ｏ０ｏ　．００４　．００５　

（常量）　．３２３　．Ｏ１６　２０．Ｏ２４　．０ｏ０　．２９２　．３５５　

２　信用得分　．００５　．Ｏｏｏ　．６２４　４１．６９９　．ｏｏＯ　．００４　．ｏｏ５　

购房赋值　一．０２２　．００３　一．Ｏ９８　－６．５６７　．Ｏ００　一．０２８　一．０１５　

（常量）　．３３３　．０１６　２０．２０２　．Ｏ０ｏ　＿３０１　．３６６　

３　信用得分　．００５　．０００　．６３２　４１．５２９　．ｏ０Ｏ　．００４　．ｏｏ５　

购房赋值　一．０２０　．ｏｏ３　一．Ｏ９３　－６．１６７　．０ｏｏ　一．０２７　一．０１４　

年龄因素　一．００１　．００Ｏ　一．０４４　－２．８７０　．０Ｏ４　一．００１　．０ｏ０　

—

１５—　

＿投资与融资　

模型　

（ｇ－量）　

信用得分　

４　购房赋值　

年龄因素　

非标准化系数　

Ｂ　标准误差　

２０１３年第６期总第１４６期　・财务与金髓・　

标准系数　

试用版　

ｔ　Ｓｉｏ．　

Ｂ的９５．Ｏ％置信区间　

下限　上限　

．３４４　

．０ｏ５　

一．０２１　

一．ｏ０１　

．０１７　

．ｏ０Ｏ　

．００３　

．０００　

．６３０　

一．０９５　

一．０４５　

２０．２６６　

４１．４３２　

－６．３２４　

－２．９７２　

．０ｏ０　

．ｏｏ０　

．０ｏ０　

．００３　

＿３１Ｏ　

．Ｏｏ４　

一．０２７　

一．ｏｏ１　

．３７７　

．００５　

一．０１４　

．０００　

结婚赋值　

（常量）　

一．０１０　

．３３６　

．ＯＯ４　

．Ｏ１７　

一．０３９　

．６２４　

一．０９９　

一．Ｏ４０　

一．Ｏ４Ｏ　

．０３８　

－２．５８９　

１９．５８０　

．Ｏ１Ｏ　

．ｏｏＯ　

一．０１８　

．３Ｏ３　

一．００２　

－３７０　

信用得分　

５　购房赋值　

年龄因素　

结婚赋值　

学历赋值　

．０ｏ５　

一．０２２　

一．０ｏ１　

一．０１０　

．００６　

．ｏｏＯ　

．００３　

．０ｏＯ　

．０Ｏ４　

．００２　

４０．５０７　

－６．５４３　

－２．６０９　

－２．６５２　

２．４９４　

．００Ｏ　

．Ｏｏ０　

．ｏ０９　

．０ｏ８　

．Ｏ１３　

．Ｏｏ４　

一．０２８　

一．００１　

一．０１８　

．ｏ０１　

．００５　

一．０１５　

．０００　

一．０ｏ３　

．０１ｌ　

ａ．因变量：借贷成功率　

模型汇总表中给出了五个回归模型的相关系数　

方程的解释程度并不理想，可能是原始交易数　

Ｒ，决定系数Ｒ　和调整后的决定系数Ｒ　。从第五个　据不够完善，缺少一些影响借款成功因素的变量，　

模型来看，Ｒ＝０．６４３，Ｒ　－－０．４１３．整体拟合优度并不　如：借款人的工作收入、工作地点、工作时间等相关　

高，说明不够精确，但是仍然优于前面四个模型。　

信息。逐步回归分析的结论与社会生活中常识不同，　

由各个模型ｔ统计量对应的相伴概率均远小于　

方面是出于选择偏差，另一方面可能是样本不够　

０．０５可以判定，所有回归模型的回归系数都是显著　

详尽，造成了模型的误差。　

一

的，即是有意义的。依据表５中的模型拟合优度，应　

以模型５作为最终的回归方程。　

五、结论　

把数据代人多元回归模型可得出回归方程式：　

Ｙ．＝０．３３６＋０．００５ＣＲＥｉ－－０．０２２ＨＯＵｉ－－０．００ｌＡＧ　

Ｅｉ－０．０１０ＭＡＲｉ＋０．００６ＥＤＵ。＋￡ｉ　

实证结果表明，人人贷平台上，借款人的性别和　

借贷成功率并无密切相关性，而其信用得分越高、学　

历越高、年龄越大、已经结婚、已购住房则获得借款　

的概率越大，反之则借贷成功的概率越小。我们经过　其中：Ｙ：借贷成功率　

ＣＲＥ：信用得分　

ＨＯＵ：是否购房　

ＡＧＥ：年龄　

对人人贷的借贷数据进行实证，发现借款人发布的　

基本信息在贷款人评估借贷可行性时已成为重要的　

参照因素，促使借贷成功率提高，借款人更顺利获得　

资金。但这些信息形成的模型不够精确，对于借贷成　

功率整体的影响仍然偏低。目前我国并未建立完善　

ＳＥＸ：性别　

ＥＤＵ：学历　

的个人信用评级系统，需要考虑如何参考国外主要　

通过将信用得分、是否购房、年龄、性别、学历和　

Ｐ２Ｐ平台的风险控制体系以及国外银行的信用审核　

婚姻状况逐步对因变量借贷成功率进行回归，可以　

机制，将其发展经验与我国的实际情况相结合，构成　

ＭＡＲ：婚姻状况　

得知：性别因素对借贷成功率的影响不显著，信用等　更完善的网络借贷体系，促使借贷中的信息非对称　

级得分、学历与借贷成功率呈正相关关系，说明借款　

情况不断减少，方便民众选择Ｐ２Ｐ进行网络融资，　

人的信用等级得分越高、学历越高，借款人的借贷成　

从而推动国内Ｐ２Ｐ平台稳健发展。　

功率就越高；是否购房、年龄、婚姻状况与借贷成功　

率呈负相关关系，说明借款人若有购房、年龄越大或　

【参考文献】　

ｎｇｆｅｎｇ　Ｌｉｎ．Ｐｅｅｒ—ｔｏ—ｐｅｅｒ　Ｌｅｎｄｉｎｇ：Ａｎ　Ｅｍｐｉｒｉｃａｌ　Ｓｔｕｄｙ　

是已经结婚，那么借款人的借贷成功率就越低。回归　

［１］Ｍｉ

［Ｒ】．ＡＭＣＩＳ　２００９　Ｄｏｃｔｏｒａｌ　Ｃｏｎｓｏｒｔｉｕｍ　

分析前先对自变量进行相关检验，可知各个自变量　

间属于极弱相关或无相关，因此并没有多重共线性。　

一

Ｅ　２　３　Ｍｉｎｇｆｅｎｇ　Ｌｉｎ．Ｎ．Ｒ．Ｐｒａｂｈａｌａ．ａｎｄ　Ｓｉｖａ　Ｖｉｓｗａｎａｔｈａｎ．Ｊｕｄｇｉｎｇ　

１６一　

・　２０１　

投资与融资　

Ｂｏｒｒｏｗｅｒｓ　Ｂｙ　Ｔｈｅ　Ｃｏｍｐａｎｙ　Ｔｈｅｙ　Ｋｅｅｐ：Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋｓ　

［５］第一财经新金融研究中心．中国Ｐ２Ｐ借贷服务行业白皮　

ｎａｄ　Ａｄｖｅｒｓｅ　Ｓｅｌｅｃｔｉｏｎ　ｉｎ　Ｏｎｌｉｎｅ　Ｐｅｅｒ－ｔｏ－Ｐｅｅｒ　Ｌｅｎｄｉｎｇ　

书２０１３［Ｍ１．中国经济出版社，２０１３年７月第一版　

【Ｊ】，２００９　

［６］钱金叶、杨飞．中国Ｐ２Ｐ网络借贷的发展现状及前景［Ｊ】．　

［３］Ｍｉｃｈａｌ　Ｈｅｒｚｅｎｓｔｅｉｎ，Ｕｔｐａｌ　Ｍ．Ｄｈｏｌａｋｉａ　ａｎｄ　Ｒｉｃｋ　Ｌ．　

金融论坛２０１２（１）　

Ａｎｄｒｅｗｓ．Ｓｔｒａｔｅｇｉｃ　Ｈｅｒｄｉｎｇ　Ｂｅｈａｖｉｏｒ　ｉｎ　Ｐｅｅｒ－ｔｏ－Ｐｅｅｒ　

［７］吴小英、鞠颖．基于最小二乘法的网络借贷模型【Ｊ】．厦门　

Ｌｏａｎ　Ａｕｃｔｉｏｎｓ［Ｊ］，２０１０　

大学学报．２０１２（１１）　

［４］Ｐｕｒｅ　Ｌ，Ｔｅｉｃｈ　Ｊ　Ｅ，Ｗａｌｌｅｎｉｕｓ　Ｈ　ａｎｄ　Ｗａｌｌｅｎｉｕｓ　Ｊ．　

［８］张玉梅．Ｐ２Ｐ小额网络贷款模式研究［Ｊ】．生产力研究．　

Ｂｏｒｒｏｗｅｒ　ｄｅｃｉｓｉｏｎ　ａｉｄ　ｆｏｒ　ｐｅｏｐｌｅ－ｔｏ－ｐｅｏｐｌｅ　ｌｅｎｄｉｎｇ［Ｊ】．　

２０１２，（１０）：１６２—１６５　

Ｄｅｃ　Ｓｕｐ　Ｓｙｓ，２ｏｌｏ（４９），５２－６０　

Ｅｍｐｉｒｉｃａｌ　Ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅ　Ｉｎｆｌｕｅｎｃｅ　ｏｆ　Ｐｅｒｓｏｎａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　ｏｎ　Ｐ２Ｐ　

Ｌｅｎｄｉｎｇ＂ｓ　Ｓｕｃｃｅｓｓ　Ｒａｔｅ　

——

Ｅｖｉｄｅｎｃｅ　ｆｒｏｍ　Ｒｅｎｒｅｎｄａｉ　

ＣＨＥＮ　Ｊｉａｎ－ｚｈｏｎｇ，ＮＩＮＧ　Ｘｉｎ　

Ｓｃｈｏｏｌ　ｏｆ　Ｂｕｓｉｎｅｓｓ，Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ　４１００８３　

【Ａｂｓｔｒａｃｔ】Ｐｅｅｒ　ｔｏ　ｐｅｅｒ　ｌｅｎｄｉｎｇ　ａｒｅ　ｉｍｐｏｒｔｅｄ　ｆｒｏｍ　ａｂｒｏａｄ　ｉｎ　ｒｅｃｅｎｔ　ｙｅａｒｓ，ｒｅｌｙ　ｏｎ　ｍｉｃｒｏ—ｌｅｎｄｉｎｇ　ｂｕｓｉｎｅｓｓ　ｉｎｎｏｖａｔｉｏｎ．　

Ｂｅｇｉｎｎｉｎｇ　ｉｎ　２００６，Ｐ２Ｐ　ｌｅｎｄｉｎｇ　ｍａｒｋｅｔ　ｉｎ　Ｃｈｉｎａ　ｈａｓ　ｂｅｅｎ　ｄｅｖｅｌｏｐｉｎｇ　ｒａｐｉｄｌｙ，ｂｕｔ　ｉｔ　ｈａｓ　ｂｅｅｎ　ｆａｃｉｎｇ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｌｏｗ　

ＳＵＣＣＥＳＳ　ｒａｔｅ　ｏｆ　ｂｏｒｒｏｗｉｎｇ．Ｗｅ　ｃｈｏｏｓｅ　３１４８　ｌｅｎｄｉｎｇ　ｔｒａｎｓａｃｔｉｏｎｓ　ａｆｆｅｃｔｉｎｇ　ｌｅｎｄｉｎｇ　ｐｌａｔｆｏｒｍ　ｓｕｃｃｅｓｓ　ｒａｔｅ　ｏｆ　ｐｅｒｓｏｎａｌ　ｉｎｆｏｒｍａｔｉｏｎ　

ｆｏｒ　ｅｍｐｉｉｒｃａｌ　ａｎａｌｙｓｉｓ．Ｔｈｅ　ｅｍｐｉｒｉｃａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｂａｓｉｃ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｎ　ｔｈｅ　ｂｏｒｒｏｗｅｒ＇ｓ　ｌｏａｎ　ｄｅａｌ　ｈａｓ　ａ　ｓｉｇｎｉｉｆｃａｎｔ　

ｉｍｐａｃｔ　ｏｎ　ｔｈｅ　ｒｅｓｕｌｔｓ．Ｃａｎ　ｉｍｐｒｏｖｅ　ｔｈｅ　ＳＵＣＣＥＳＳ　ｒａｔｅ　ｏｆ　ｔｈｅ　ｂｏｒｒｏｗｅｒ’ｓ　ｌｏａｎ　ｔｏ　ａ　ｃｅｒｔａｉｎ　ｅｘｔｅｎｔ．　

【Ｋｅｙｗｏｒｄｓ】Ｐ２Ｐ　Ｌｅｎｄｉｎｇ；Ｐｅｒｓｏｎａｌ　Ｉｎｆｏｒｍａｔｉｏｎ；Ｌｅｎｄｉｎｇ　Ｓｕｃｃｅｓｓ　Ｒａｔｅ　

１７．　

本文标签： 借贷借款人研究借款成功率