引言

近些年，P2P网贷在国内外均取得了快速发展。相对于传统的民间借贷，P2P网贷通过网络平台帮助借贷双方达成交易，简化了借款流程和借款手续，降低了借款准入门槛和交易成本，因此被视作实现普惠金融的有效载体之一。其迅速发展增加了借款者的融资机会，也为投资者提供了新的投资渠道。但不可否认，P2P网贷仍面临着传统借贷市场上普遍存在的信息不对称问题，Stiglitz等的经典文献曾指出，信息不对称会给金融市场带来逆向选择以及信贷配给问题。[1] P2P网贷中，由于借贷双方不用面对面发生直接联系且匿名交易，信息不对称问题甚至比传统的民间借款更为严重。[2,3] 一是因为借款者信息的真实性和完整性难以得到保证；二是因为贷款者相较于银行等专业信贷机构缺乏对信息的甄别与分析能力。信息不对称问题会降低P2P网贷市场的运作效率，对于借款者而言降低了其贷款可得性，对于投资者而言增加了其投资风险。

电子脱扣型漏电保护器原理；电子脱扣型漏电保护器则以电子放大器AV代替极化电磁铁YA，当设备发生漏电或单相接地故障时，互感器 TAN二次侧感生的电信号经电子放大器AV放大后，接通脱扣机构YR，使开关跳闸，从而也起到漏电

解决这种信息不对称的重要方式，就是借助信息披露和信号理论。[4]目前，P2P网贷平台会对注册用户的信息进行审核，并通过平台发布借款人与借款的相关信息以缓解信息不对称。注册会员通过P2P网贷平台可以观测到的公开信息主要包括硬信息、软信息以及市场参与者行为三个层面。目前，关于P2P网贷的实证研究主要集中于分析各种硬信息和软信息对贷款可得性和贷款违约率的影响。硬信息如借款人的信用等级、[5] 财务状况、[2]年龄、[6]性别、[7,8]婚姻状况、[7]种族、[6,7,9]学历、[10]地域等；[4,11]软信息主要包括借款的描述性信息、[12-15]借款人的社会资本、[16-18]借款人反复借贷形成的声誉、[19]借款人披露的照片等。[9,20,21]除此之外，市场参与者的借贷行为也是网贷平台上的公开信息。P2P网贷市场上参与者行为在最近的研究中也越来越受到重视，这是因为在信息不对称情形下，其他市场参与者的交易行为本身也是市场参与者做出借贷决策的参考信息之一。目前相关的研究主要关注P2P网贷市场上投资者的羊群行为。[22-26]

然而，羊群行为描述的是一种群体决策行为，只反映了信息不对称情形下，投资者会以多数人的交易行为作为自己投资决策的信息来源之一，但没有区分不同类型参与者交易行为所含信息的异质性。例如，传统的金融市场上，存在着信息优势者（如机构投资者、内部交易人）和信息劣势者（如个人投资者），信息优势者的交易行为显然更具信息价值。[27,28] P2P网贷市场上通常有两类市场参与者：借款者（招标者）和投资者（投标者）。前者发布借款订单（招标），后者对借款订单进行投资（投标）。借款者与投资者之间的信息不对称显而易见，至于不同的投资者之间是否存在信息上的异质性，一般认为，P2P网贷市场的投资者均为个人投资者，且基于相同的公开信息进行投资，因此不存在异质性信息投资者。然而本文发现，P2P网贷市场上仍存在一类特殊的市场参与者——双向交易者，其交易行为存在异质性。①所谓双向交易者是指，既作为借款者发布借款订单，也作为投资者参与投标的一部分市场参与者。也就是说，他们不同于一般的市场参与者仅仅出于投资或者融资的目的来参与P2P交易。

本文之所以以双向交易者为研究对象，主要是对这一类特殊市场参与者的交易行为存在以下疑问：第一，市场参与者基于所掌握的信息采取相应交易行为，因此交易行为本身就反映了其拥有的信息。如果双向交易者的交易行为相比其他市场参与者存在显著差异，其交易行为的信息含量也就具有显著差异。那么，相对于其他市场参与者，P2P网贷市场上双向交易者的交易行为是否具有特殊的信息价值？第二，不同交易者的行为对市场间信息传导等方面的影响呈现不同特征。[29] 不同于其他金融市场，如股票市场上的机构投资者、内部交易人（大股东、公司管理层）等信息优势者的投资决策和投资行为，是一般的投资者无法完全掌握的，因此其投资行为尽管具有较高的信息价值，但未必能起到信息传递的功能。但在P2P网贷平台上，双向交易者的借贷行为均为平台上的公开信息，可以被其他投资者观测，那么其交易行为能否起到信息传递的功能，或者说其他投资者能否识别双向交易者交易行为的信息价值，并参照双向交易者的交易行为进行投资决策？第三，普遍存在的信息不对称是投资者会以其他市场参与者的交易行为这一信息来源作为决策依据的根本原因，P2P网贷中不同借款订单的信息公开程度是不一样的，②那么，借款订单的信息不对称程度如何影响双向交易者交易行为的信息传递效应？这两类信息之间是否存在替代效应？

针对以上问题，本文检验了双向交易者交易行为的双重信息价值及信息传递效应：第一，双向交易者投标行为的信息价值，即双向交易者能否更好地识别借款订单的违约风险，投资于风险更低的订单？如果答案是肯定的，那么双向交易者的投标行为对于其他投资者而言就有识别违约风险的信息价值。第二，双向交易者招标行为的信息价值，即双向交易者招标的借款订单在风险上是否有别于其他市场参与者招标的借款订单？如果答案是肯定的，那么双向交易者的招标行为就具有识别违约风险的信息价值。第三，双向交易者的招投标行为能否有效传递信息？如果双向交易者的招投标行为具有信息价值，而其他投资者将双向交易者的招投标行为作为投资时所参考的依据，就说明其他市场参与者能识别其交易行为的信息价值。第四，借款订单的信息不对称程度对双向交易者交易行为的信息传递效应的影响。

相对于已有相关研究，本研究的主要边际贡献体现在：第一，目前众多关于P2P网贷市场贷款可得性和贷款风险性的研究中，一般认为市场参与者是同质的，尚未区别不同类型的市场参与者并进行分析，尤其是从信息不对称角度区分不同类型的市场参与者，本文首次从P2P网贷市场上具有异质性信息的参与者这一角度展开研究。第二，目前交易者行为信息价值的研究主要集中于股票市场，如机构投资者、内部人交易行为的信息价值。传统的信贷市场主要是金融机构对个人之间的交易，基本不存在交易者行为的信息价值这一问题。P2P网贷市场是个人与个人之间的交易，本文利用这一特殊的信贷市场，检验了信贷市场上交易者行为的信息价值及信息传递效应，丰富了金融市场中交易者行为信息价值相关问题的研究内容。第三，导致信息不对称的原因通常包括信息来源的不对称以及信息解读能力的不对称。以往关于信息不对称的研究主要侧重于信息来源的不对称性，但P2P网贷市场上不同投资者的信息异质性主要体现为信息解读能力的差异，本文研究则为第二类信息不对称问题提供了佐证。此外，关于P2P网贷市场上投资者行为的研究主要关注羊群行为，但目前羊群行为实证研究存在的典型问题是，无法辨别投资者真的存在羊群行为，还是仅仅是受到某个共同信息的冲击而采取了一致行动。③本文的研究结论表明，双向交易者的招投标行为就是一种可能的共同信息冲击，会引致更多的投标，这为进一步辨别P2P网贷平台的羊群行为提供了一个新的分析视角。

一、数据说明及双向交易者行为分析

1. 数据说明

本文选取“人人贷”2010年10月至2014年7月期间发布的借款订单作为研究的样本数据。“人人贷”成立于2010年5月，是目前中国规模最大的线上P2P借贷平台。“人人贷”平台公开的借款订单信息主要包括：（1）借款人信息。具体包括借款人的基本信息（性别、年龄、婚姻状况、学历等），工作信息（岗位职位、工作时间、工作年限、工作收入等），资产信息（房产、车产、房贷、车贷等），信用信息（借款人的信用评级、信用额度、成功借款次数等）等；（2）借款订单信息。包括借款金额、借款利率、借款期限、借款类型、借款进度、投标人数等。

借款人将借款订单发布在平台上后，投资者依据以上信息进行投资决策，决定是否对订单进行投资以及投资的具体额度。每个借款订单筹资时间为7天，7天内订单一旦筹集到目标资金且通过平台最终审核，表示订单借款成功，称之为满标。借款订单满标之后将进入还款阶段，借款人将按照约定采取等额还本付息的方式向投资者归还本息，直至全部还清。若自订单发布7天内没有筹集到目标资金或未能通过平台最终审核，则借款失败，称之为流标。如果流标，订单获得的已投资资金将返回到投资者账户中。

初始样本总共包含了210233个借款订单，表1报告了样本的分布情况。本文对样本数据进行如下处理：（1）只保留信用认证标。“人人贷”的借款订单包括四种类型：信用认证标、实地认证标、机构担保标、智能理财标。210233个借款订单中信用认证标178389个、实地认证标26664个、机构担保标5090个、智能理财标90个。其他三种类型订单在信息审核机制、担保方式上存在较大差异，本文只分析其中的信用认证标。（2）删除数据缺失和不符合平台规定的借款订单。“人人贷”规定单笔订单借款额度在0.3-50万元，因此删除借款金额少于0.3万元或者大于50万元的借款订单；删除变量缺失的借款订单；删除招标人年龄小于22岁及大于65岁的借款订单。共删除35433个借款订单。（3）删除未通过平台审核的订单。借款订单有5种不同状态：已流标、还款中、已还清、已逾期、已垫付。已逾期是指超过约定还款时间30天未能按期还款，已垫付是指逾期达到90天后，“人人贷”依约向投资者垫付本金的订单，本文将这两类订单均视为违约订单。除了已流标订单，其他类型订单均为满标订单。由于订单流标既有可能是因为在有效期内未能筹集到目标资金，又有可能是因为未通过平台的最终审核。如果一个订单筹资进度达到了100%，但最终的状态依然是流标，我们认为该订单是未通过平台的最终审核，本文的样本中共有5486个订单未通过平台的最终审核。

表6为模型（2）的回归结果。结果（a）显示了双向交易者招标行为的信息传递效应。变量Arbit_er的系数显著为正，表明双向交易者招标的借款订单具有更高的借款成功率。其边际效应为0.0370，即双向交易者招标的借款订单比非双向交易者招标的借款订单在借款成功率上平均高出3.70%，说明双向交易者招标行为的信息价值能够被其他投资者所识别，其招标的订单更受投资者青睐，因此具有较高的借款成功率。

以上模型中，Probit(•)为条件概率，F(•)为累积分布函数，εi，ξi，ζi分别为三个模型的随机扰动项，模型中变量的具体定义见下文。

 

表1 样本订单概况

  

?

2. 双向交易者交易行为的典型事实分析

首先，利用上述137470个借贷订单数据对双向交易者的招投标行为进行初步分析。由于平台的所有会员拥有唯一的ID号，通过将借款订单中招标人的ID号与投标人的ID号相匹配，可以确定双向交易者的ID号以及其投标和招标的借款订单。

从招标行为来看（见表2），在样本期间，双向交易者共发布5656个借款订单，非双向交易者发布131814个借款订单。根据平台公布的借款人历史申请借款次数，双向交易者平均已有借款次数为14.0044次，而非双向交易者平均仅为2.9392次，表明双向交易者的招标行为更加频繁。从招标的订单特征来看，双向交易者招标的订单平均金额较少，仅为2.5567万元，而非双向交易者的订单平均金额为5.9435万元。双向交易者的平均借款期限为7.9376个月，远短于非双向交易者平均13.0872个月的借款期限。双向交易者招标的利率平均为13.0665%，也低于非双向交易者平均15.8542%的借款利率。从招标的效果上看，双向交易者45.49%的满标率远远超出非双向交易者4.57%的满标率，满标订单中，双向交易者的订单也表现出更低的违约风险，违约率仅为1.81%，非双向交易者的违约率却达到9.32%。以上这些差异均是显著的。

从投标行为来看（见表3），有双向交易者参与投标的订单7898个。在所投订单的特征上，相比非双向投标者，双向交易者参与投标的借款订单金额更小，期限更短，利率低出少许。从投标的效果来看，有双向交易者参与投标的订单满标率平均为53.57%，远远超过没有双向交易者参与的借款订单，这也意味着双向交易者的投资成功率更高。⑤尽管双向交易者参与投标的订单利率只比非双向交易者低出少许，但在违约率上却低出很多。

对比发现，双向交易者参与投标的订单平均利率为15.0030%，其招标订单的平均利率为13.0665%，招投标之间存在较大的利差，招标的期限略长于投标期限；非双向交易者参与投标与招标的平均利率分别是15.7845%和15.8542%，几乎没有利差；双向交易者招投标的平均期限均远低于非双向交易者。

如前文所述，判断双向交易者的交易行为是否具有信息价值，实际上是检验其交易行为能否揭示借款订单的违约风险，即其招标或投资的订单违约率与其他订单是否存在显著差异。为此，构建Probit回归模型（1）检验假设1和2：

 

表2 双向交易者的招标行为分析

  

招标订单 双向交易者招标（5656个）非双向交易者招标（131814个）组间差异差异的显著性（p值）平均招标次数（次） 14.0044 2.9392 11.0652 0.0000订单平均金额（万元） 2.5567 5.9435 -3.3868 0.0000订单平均利率（%） 13.0665 15.8542 -2.7877 0.0000订单平均期限（月） 7.9376 13.0872 -5.1496 0.0000订单平均满标率 0.4549 0.0457 0.4093 0.0000满标订单违约率 0.0181 0.0932 -0.0751 0.0000

 

表3 双向交易者的投标行为分析

  

投标订单 双向交易者投标（7898个）非双向交易者投标（129572个）组间差异差异的显著性（p值）订单平均金额（万元） 2.8624 5.9834 -3.1210 0.0000订单平均利率（%） 15.0030 15.7845 -0.7815 0.0000订单平均期限（月） 7.6029 13.1967 -5.5238 0.0000订单平均满标率 0.5357 0.0337 0.5020 0.0000满标订单违约率 0.0475 0.0935 -0.0460 0.0000

二、理论分析与假设提出

信息不对称下的投资决策问题是金融研究领域的核心问题之一，不同类型的投资者在金融市场上之所以表现出不同的投资行为，主要原因在于他们对信息的掌握存在异质性。目前相关的研究主要集中于股票市场，认为机构投资者相对于个人投资者是信息优势者。这种信息优势主要源自两个方面：信息搜寻上的优势、信息解读能力上的优势。

对于信息搜寻，机构投资者由于资金总量大，单位资金的信息搜寻成本低、收益高，因此有足够的动力去搜寻公开信息，甚至通过各种方式挖掘非公开信息以形成自己的私有信息，利用私有信息从中获利也成为他们的主要操作策略。此外，丰富的金融知识有助于机构投资者理解金融市场和金融产品的特征，减少信息搜寻和信息处理成本。[30] 个人投资者资金量小，单位资金的信息搜寻成本高，而且往往是利用业余时间投资，没有足够的精力和能力去搜寻信息。因此，靠道听途说的信息跟风炒作成为常态，属于信息劣势者。[31] 信息解读能力主要取决于投资的专业知识和投资经验，[32] 市场上搜寻的信息往往不能直接用于指导投资，需要根据专业知识和投资经验对市场信息进行解读，剔除其中的噪音并由表及里进行分析。机构投资者是专业的资金管理者，对信息的理解与解读能力更强。个人投资者的投资意识相对较弱，经验不足且对专业知识掌握的层次不高，因此不具备充分处理和吸收所有可得信息的能力，会导致对市场相关信息反应不足。[33]

与股票市场不同的是，P2P网贷市场上，不管是双向交易者还是其他市场参与者，其所获得的关于招标者以及借款订单的信息是无差异的，都是平台上的公开信息，而且信息搜寻更加容易。因此，两类交易者的信息差异更多源自投资经验带来的对信息理解能力的异质性，而非信息容量的差异。而且，作为互联网金融的一种典型模式，P2P网贷具有投资门槛低的特征，“人人贷”的最低投资额仅为50元，这使得被高门槛金融工具所排斥的投资者也能参与到这个市场，而这一类市场参与者的专业程度会比其他金融市场的参与者更低。在这种情况下，投资经验对投资决策的影响就起到更为重要的作用，即使面对相同的信息，不同经验的投资者基于对信息理解的差异也可能做出不同的投资决策。从表1中也可看出，双向交易者的交易频率更高，交易经验自然更为丰富，因此有理由相信其能更好地识别订单信息所揭示的违约风险，在借款订单的选择上就会更为成功。进一步看，借款订单中公布的招标者的信息有许多是自愿提供，这些信息的真实性未必能够得到保证，但投资者普遍存在着投资歧视，而且这些歧视未必是理性的。[34,35]因此招标者有可能利用投资者非理性的投资歧视，主动发布一些虚假的自愿性信息，如描述性信息以迎合投资者的非理性歧视，提高订单满标的概率，但这可能增加投资者的投资风险。⑦由于双向交易者本身也参与招标，能够充分了解招标者的这些策略，因此更容易识别其中的风险，规避这种陷阱。基于以上分析，本文提出如下假设：

H1：双向交易者参与投标的订单违约率更低，其投标行为具有揭示违约风险的信息价值

提升境界，系统扩展和平文化国际影响。以文化遗产传承地方文脉。深化文化体制改革，成立全国首家独立设置的非物质文化遗产专业学院，将非物质文化遗产传承与现代职业教育深度融合，打造非遗传承人群的高职培养基地、非遗手工技艺传习体验基地、非遗国际交流合作培训中心和南京“非遗”职业教育政校行企研平台。积极记录地方文脉，公布《建邺区首批历史地名保护名录》。

H2：双向交易者招标的订单违约率更低，其招标行为具有揭示违约风险的信息价值

关于股票市场的研究表明，市场上的信息优势者通过其交易行为向市场传递其拥有的信息，至于传导的途径主要包括：机构投资者通过知情人交易向市场传递信息从而对资本市场产生影响，[28,36,37] 机构投资者的信息搜寻所引起的信息结构变化会对市场套利产生影响，[38]机构投资者的持股变化情况就能传递其得到的信息。[39]除了直接的信息传递作用，机构投资者在股票市场上的买卖行为还通过促进股价对市场信息的反应和渗透速度，进而促进市场信息效率的提高。[40]

罗扎诺夫的真正出色的观念是发现了陀思妥耶夫斯基的创作中神奇的巅峰与平庸污秽之处的并存。 这种发现不是什么理论，而纯粹是直觉和感悟。 罗扎诺夫在许多文章中以各种不同的方式表达这一思想。 罗扎诺夫在《纪念陀思妥耶夫斯基》(Памяти Ф. М. Достоевского)一文中说：

同样，P2P网贷市场上双向交易者根据自己对个人拥有信息的理解所采取的招投标行为，本身就是向市场传递信息的过程。不同于股票市场上每个投资者不可能完全观测到其他投资者的投资行为，P2P网贷市场上每个参与者的招投标信息对注册会员是完全公开的，其他参与者的招投标行为成为投资决策中非常重要的信息来源，每个参与者的交易行为都起到传递个人所拥有信息的功能，参照其他人行为进行投资也就成为信息不对称情形下的选择之一，这也是羊群行为产生的重要理论基础。因此，P2P投资中羊群行为普遍存在，而且这种羊群行为很多时候并非是非理性的，[13,24] 这也说明其他人的投资行为是有信息价值的。本文要关注的是，如果双向交易者的交易行为具有信息价值，其交易行为向市场传递的信息能否引起其他投资者的特殊关注，并进一步影响其他投资者的投资行为。已有研究表明，信息劣势者会通过各种途径弥补自身的信息劣势，观察和学习其他投资者的行为是途径之一。Evans等认为，经济个体在投资过程中具有较强的学习能力，其在投资中学习的过程实质上是提升自己对信息识别和理解能力的过程，会不断修正自己的投资策略，降低自身的估值误差，提高投资收益。[41]对于P2P网贷市场，Puro等认为在P2P借贷中，出借人的投标行为是异质化的，不同出借人的投标策略会随着时间和学习经验而变化。[5] Krumme等认为P2P网贷市场的参与者具有较强的自我学习能力。[42]Freedman等研究发现，投资者具有观察其他人行为进行学习的表现。[2] 因此，如果假设1和2成立，即双向交易者招投标的订单表现出更低的违约率，那么双向交易者的投招投标行为就具有特殊的信息价值。随着在投资中不断学习，其他投资者会识别双向交易者投资行为的信息价值，并以之指导自己的投资决策，具体表现为更倾向于投资于双向交易者参与招标或投标的订单。基于此，本文提出如下假设：

H3：双向交易者的交易行为能够有效地传递信息，因此双向交易者参与招标或投标的订单具有更高的满标率

分别称取0.500 g柠檬果醋试液，置于250 mL三角瓶中。加50 mL左右的水，并滴加2滴1%酚酞指示剂，用0.1 mol/L氢氧化钠标准滴定溶液，滴定至微红色30 s不褪色。记下滴定管上的数据，读数时应将视线与页面最低处相平，将此时的数值标位(V1)进行3次平行试验，同时做空白试验V2[8]，计算方法见式(1)。

之所以以他人的投资行为作为投资决策的信息来源之一，是由信息不对称造成的。前面3个假设成立的条件下，借款订单信息不对称的程度越高，投资者在投资决策中越依赖双向交易者交易行为所传递的信息，因此其交易行为的信息传递效应会越强。反之信息不对称程度越弱，双向交易者交易行为的信息传递效应也会更弱。因此，本文得到如下假设：

H4：双向交易者交易行为的信息传递效应与借款订单的信息不对称程度呈正相关关系

三、实证设计、变量及描述性统计

1. 实证设计

通过以上的单变量对比分析，本文发现，双向交易者的招投标行为和招投标效果显著异于其他市场参与者。金融市场上的双向交易者一般为中间商或者套利者，虽然本文尚不能直接判断双向交易者的交易目的，但通常有三种可能：一种常见的可能是双向交易者是P2P平台自身，为了吸引投资者，P2P平台往往会自己扮演投资者和融资者的角色。二是部分双向交易者可能是套利者，在P2P网贷市场上从事无资金套利活动。三是普通的市场参与者在不同时期分别有投资和融资的需求，因此需要双向交易。⑥但不管双向交易者的动机是怎样的，从此处分析看，双向交易者的交易经验远多于其他市场参与者，从投资经验的角度也可以认为双向交易者对市场信息的解读能力更强，相对于其他市场参与者具有一定的信息优势。因此，本文初步判断其交易行为应当具有一定的信息价值，体现了其他参与者没有的信息。

肝内胆管细胞癌起病隐匿，早期临床表现缺乏特异性，多数患者确诊时已是晚期。临床应用氟尿嘧啶、吉西他滨、奥沙利铂等药物治疗胆管细胞癌，但总体预后仍不满意。临床亟需新的治疗思路、治疗药物给以突破。

 

如果双向交易者的交易行为能够揭示订单违约风险，且这种信息价值能够在市场上有效传递，那么其他投资者会对双向交易者的交易行为做出反应，采取跟随、模仿策略，因此其招投标的订单将具有更高的满标率。为此，构建Probit回归模型（2）检验假设3：

 

本文还通过如下的Probit回归模型（3）检验假设4：

 

经过以上数据处理过程，本文最终的有效样本137470个。其中，流标订单128877个，满标订单8593个，满标率为6.25%。满标订单中处于还款中的订单334个，违约订单579个，已还清订单7680个。由于还款中的订单无法判断其是否会违约，在进行违约分析时，去除流标订单以及仍处于还款中的订单，剩余8259个样本订单。④

靠地，来看看房地产。国家一直在重拳出击治理。现在是五限时代，一调一治。限购、限价、限贷、限商、限售。可以预计的是，未来一年，房地产对家电的拉动作用还将继续减弱。

2. 变量定义

以上结论表明，双向交易者招标和参与投标的借款订单平均具有更低的违约概率，其交易行为具有双重信息价值，能在一定程度上起到揭示借款订单违约风险的作用。而且就边际效应的大小而言，变量Arbit_er的边际效应比变量Arbit_ee的边际效应大，意味着双向交易者的投标行为比招标行为具有更好的揭示违约风险的效果。根据以上结论，在信息不对称情形下，其他市场参与者的理性选择应该是对双向交易者的交易行为采取跟随策略，选择双向交易者招标和参与投标的借款订单进行投资将有助于降低投资所面临的违约风险。

是否违约（Default），借款订单如果出现违约，变量取值为1，已还清则取值为0。是否成功借款（Success）：借款订单如果满标取值为1，否则为0。

（2）主要解释变量

Arbit_er为招标人身份变量，若招标人为双向交易者，取值为1，否则为0，模型（1）中如果其系数为负，表明招标人为双向交易者的订单具有较低的违约率，双向交易者的招标行为具有揭示违约风险的信息价值；模型（2）中如果其系数为正，表明双向交易者招标行为的信息价值能够被有效传递，其招标的订单更受投资者青睐。

综合能源系统是对能源的产生、输配、转换、存储、消费等环节进行有机协调与优化的能源产供销一体化系统。它将电力、燃气、供热/供冷、供氢等多种能源环节与交通、信息、医疗等社会基础支撑系统有机结合,通过该系统内多种能源之间的科学调度,实现能源的高效利用、满足用户多种能源的梯级利用、社会供能的安全可靠等目的。

Arbit_ee为投标人身份变量，若订单的投标人中有双向交易者，取值为1，否则为0，模型（1）中如果其系数为负，表明双向交易者参与投资的订单具有较低的违约率，双向交易者的投标行为具有信息价值；模型（2）中如果其系数为正，表明双向交易者的投标行为的信息价值能够被有效传递，其参与投标的订单更受投资者青睐。

选择在2013年1月到2017年1月这个时间范围内,在我院接受治疗的呼吸道传染病患儿,一共有710例患儿,他们所生的疾病包括麻疹、流行性腮腺炎和水痘等一系列相关病症,其中有380例患儿患有严重的麻疹,有150例患儿患有流行性腮腺炎,有180例患儿患有水痘,其中在所有患儿中有250例患儿为本省户籍,有460例患儿为外省户籍。

为了检验假设4，本文在模型（3）中设定了两个交互项：Arbit_er×Credit和 Arbit_ee×Credit。Credit是平台对借款人的信用评级，在此处作为借款订单信息不对称程度的代理变量。之所以以之作为信息不对称程度的代理变量，主要基于三点理由：第一，平台对借款人信用评级的一个重要依据就是借款人提供给平台以及通过平台验证的信息的数量，因此信息评级本身体现了借款人提供的信息的数量；第二，除了借款人自己提供的信息，借款人的历史借贷表现被平台记录下来，这些历史借贷表现可以视作平台自己生产的信息，平台根据这些信息为借款人评分并相应调整其信用评级，因此信用评级还包含了平台所生产的信息；第三，信用评级代表P2P网贷平台对借款人提供的信息以及平台所生产信息的解读，如果借款人提供了更多清晰且具有关键性的信息，信用评级也会提高，因此信用评级也体现了借款人提供的信息的质量。因此，信用评级越高，代表借款订单的信息不对称程度越弱。如果两个交互项的系数为负，则说明随着信息不对称程度的减弱，双向交易者交易行为的信息传递效应也在逐渐减弱。

对微通道分支数、质量流率和热流密度对圆心回流式微通道圆盘热沉的最大热应力和最大形变的影响进行研究，并进行综合比较分析。

（3）控制变量

Zi为控制变量向量。具体包括借款信息变量和借款人信息变量。

借款信息变量主要包括：①借款金额（Amount）：借款订单金额，取值为万元。②借款利率（Rate）：借款利率由招标者自行设定，但2012年之后“人人贷”规定借款利率不得超过24%。③借款期限（Duration）：借款期限以月为单位。“人人贷”订单的最短期限为1个月，最长36个月。

借款人信息变量主要包括：①年龄（Age）。单位为年。考虑年龄对借款的影响可能是非线性的，在回归模型中也对年龄的平方项Age2进行了控制。②性别（Gender）：男性赋值为1，女性赋值为0。③婚姻状况（Married）：“人人贷”统计的婚姻状况有四种类型，分别为离异、丧偶、未婚、已婚。如果已婚，取值为1；其他婚姻状况取值为0。④收入等级（Income）：“人人贷”将借款人的月收入分成7个等级，1000元以下取值为1，1001-2000元取值为2，2001-5000元取值为3，5001-10000元取值为4，10001-20000元取值为5，20001-50000元取值为6，50000元以上取值为7。⑤工作年限（Jobtime）：工作年限共分成了四个时间段，1年以下，取值为1，1-3年取值为2，3-5年取值为3，5年以上取值为4。⑥学历水平（Edu）：共分成四个等级，高中及以下取值为1，大专取值为2，本科取值为3，研究生及以上取值为4。⑦信用级别（Credit）：“人人贷”根据借款人提交的资料及交易记录等信息，将借款人的信用等级分为7等，由低到高依次为HR级取值为1，E级取值为2，D级取值为3，C级取值为4，B级取值为5，A级取值为6，AA级取值为7。⑧是否有房（House）：借款人的房产状况，有房取值为1，无房为0。⑨是否有车（Car）：借款人的车辆拥有状况，有车取值为1，无车为0。⑩是否有房贷（Houseloan）：借款人是否有住房贷款，有取值为1，无则取值为0。⑪是否有车贷（Carloan）：借款人是否有车贷，有取值为1，无则取值为0。

3. 变量的描述性统计分析

表4为变量的描述性统计，“人人贷”平台的平均借贷成功率仅为6.25%，借款成功的订单平均违约率为7.01%。招标的137470个订单中，属于双向交易者招标的仅占4.11%，双向交易者参与投标的订单占比仅为5.75%。然而，满标的8259个订单中，双向交易者招标的却占到了30.79%的比率，双向交易者参与投标的占据50.77%的比率，这一对比也间接说明双向交易者参与招投标的订单满标的概率更大。

 

表4 主要变量的描述性统计

  

模型（2）和（3）样本数：137470均值 标准模型（1）样本数：8259变量差最小值最大值均值标准差最小值最大值变量Default 0.0701 0.2553 0.0000 1.0000 Success 0.0625 0.2421 0.0000 1.0000 Arbit_er 0.3079 0.4617 0.0000 1.0000 Arbit_er0.0411 0.1986 0.00001.0000 Arbit_ee 0.5077 0.5000 0.0000 1.0000 Arbit_ee 0.0575 0.2327 0.0000 1.0000 Amount 3.5771 6.5302 0.3000 50.0000 Amount5.8041 9.4912 0.3000 50.0000 Rate（%） 13.8849 3.1682 3.0000 24.4000 Rate（%）15.7396 3.8852 3.0000 24.4000 Duration 7.5434 4.9959 3.0000 36.0000 Duration 12.8753 8.4300 3.0000 36.0000 Age 34.8298 7.0001 22.0000 63.0000 Age 30.3667 6.5982 22.0000 65.0000 Married 0.7629 0.4253 0.0000 1.0000 Married 0.4910 0.4999 0.0000 1.0000 Gender 0.8680 0.3385 0.0000 1.0000 Gender 0.8630 0.3438 0.0000 1.0000 Income 2.0747 0.8429 1.0000 4.0000 Income 1.8040 0.7920 1.0000 4.0000 Jobtime 4.7902 1.5273 1.0000 7.0000 Jobtime 3.9445 1.2551 1.0000 7.0000 Edu 2.9939 0.9506 1.0000 4.0000 Edu 2.3978 0.9993 1.0000 4.0000 Credit 2.3476 1.4927 1.0000 7.0000 Credit 1.1072 0.5336 1.0000 7.0000 House 0.6392 0.4803 0.0000 1.0000 House 0.4132 0.4924 0.00001.0000 Houseloan 0.2333 0.4230 0.0000 1.0000 Houseloan 0.1249 0.3306 0.0000 1.0000 Car 0.5697 0.4952 0.0000 1.0000 Car 0.2347 0.4238 0.0000 1.0000 Carloan 0.0949 0.2931 0.0000 1.0000 Carloan 0.0455 0.2083 0.0000 1.0000

四、实证结果及分析

1. 双向交易者招投标行为的信息价值分析

表5为模型（1）的回归结果，即检验有双向交易者参与投标或参与招标的借款订单在订单违约上是否存在差异。结果（a）只考虑了借款订单的招标人特征，即该订单的招标人是否为双向交易者，结果（b）只考虑了借款订单的投标人特征，即双向交易者是否参与了该订单的投标。结果（c）同时考虑了借款订单的招标人和投标人特征。此外，不同于OLS回归模型，Probit模型的系数不能反映解释变量一个单位变化所导致的被解释变量变化的概率，因此除了回归系数，本文还同时报告了变量的边际效应，以反映解释变量对借款订单的成功概率和违约概率的影响。所有模型均采用异方差稳健的标准误。

结果（a）显示了双向交易者作为招标人的信息价值，变量Arbit_er的系数显著为负，表明双向交易者招标的借款订单比其他市场参与者招标的订单具有更低的违约风险。因此，其招标行为具有反映违约风险的信息价值，假设1得到验证。变量的边际效应为-0.0273，说明其他情况相同的情形下，双向交易者违约的概率比其他招标者平均要低出2.73%。

传统的小额贷款理论表明，借款人重复借贷形成的声誉可以起到动态激励的作用：如果之前的借贷能够有良好的还款记录，借款人今后将更容易甚至可以更低成本持续借入资金；但只要借款人发生一次违约，今后将难以甚至再也无法获得资金支持。这也就意味着，如果市场参与者是为了持续获得资金，他将尽量避免违约；如果市场参与者只是一次性的借贷活动，就有违约的动机。P2P网贷中借款人声誉同样可以通过重复借贷建立起来，因为每个招标人的历史借款信息及还款情况都被记录在网络平台中，能够被所有注册会员观测到。正是因为P2P网贷市场上存在严重的信息不对称，招标人的过往借款记录所形成的声誉就显得格外重要，成为投资者决定是否向其提供资金的重要依据。这一点也得到了实证研究的支持，招标人的历史成功借款次数和还款记录会影响其未来的借款可能性和借款利率。[5] 根据表2和表3的数据分析，不管是投资者基于套利的目的或者是P2P平台自身为了吸引客户的目的采取双向交易，双向交易者都需要反复进行双向交易，这使得动态激励机制得以发挥，为了持续交易，双向交易者会克服机会主义的倾向，尽量避免违约。因此，本文提出如下假设：

 

表5 双向交易者交易行为的信息价值检验结果

  

注：***、**、*分别表示系数及边际效应在1%、5%、10%水平上显著；括号中为标准误；下同

 

变量 （a） （b） （c）系数 边际效应 系数 边际效应 系数 边际效应Arbit_er -0.3048***(0.0909)-0.0195**(0.0081)Arbit_ee -0.5112***(0.0616)-0.0273***(0.0080)-0.2235**(0.0933)-0.0430***(0.0055)Amount 0.0439***(0.0064)-0.0447***(0.0054)-0.4922***(0.0627)0.0051***(0.0006)Rate 0.0229***(0.0089)0.0039***(0.0005)0.0602***(0.0069)0.0053***(0.0006)0.0586***(0.0069)0.0033***(0.0008)Duration 0.0588***(0.0051)0.0021***(0.0008)0.0386***(0.0091)0.0034***(0.0008)0.0376***(0.0091)0.0047***(0.0004)Age 0.0398(0.0330)0.0053***(0.0005)0.0549***(0.0051)0.0048***(0.0004)0.0543***(0.0051)0.0041(0.0029)Age2 -0.0003(0.0004)0.0036(0.0030)0.0453(0.0333)0.0040(0.0029)0.0465(0.0333)-0.0000(0.0000)Gender 0.1276(0.0824)-0.0000(0.0000)-0.0004(0.0004)-0.0000(0.0000)-0.0004(0.0004)0.0104(0.0073)Married -0.0217(0.0716)0.0114(0.0074)0.1139(0.0825)0.0100(0.0072)0.1187(0.0831)-0.0019(0.0064)Income 0.0580***(0.0218)-0.0019(0.0064)-0.0302(0.0728)-0.0026(0.0064)-0.0219(0.0732)0.0041**(0.0019)Jobtime -0.0790**(0.0333)0.0052***(0.0020)0.0489**(0.0222)0.0043**(0.0019)0.0474**(0.0222)-0.0069**(0.0029)Edu -0.2107***(0.0346)-0.0071**(0.0030)-0.0733**(0.0336)-0.0064**(0.0029)-0.0794**(0.0336)-0.0200***(0.0031)Credit -2.0173***(0.2306)-0.0189***(0.0031)-0.2317***(0.0359)-0.0203***(0.0031)-0.2288***(0.0356)-0.1761***(0.0175)House -0.0238(0.0652)-0.1807***(0.0181)-2.0232***(0.2277)-0.1771***(0.0175)-2.0155***(0.2284)-0.0052(0.0058)Houseloan -0.1606*(0.0903)-0.0021(0.0058)-0.0658(0.0661)-0.0058(0.0058)-0.0595(0.0663)-0.0148*(0.0080)Car -0.0754(0.0674)-0.0144*(0.0081)-0.1652*(0.0917)-0.0145*(0.0080)-0.1695*(0.0917)-0.0070(0.0060)Carloan 0.2245**(0.1047)-0.0068(0.0060)-0.0761(0.0678)-0.0067(0.0059)-0.0805(0.0682)0.0192**(0.0094)常数项 -0.5030(0.6709)0.0201**(0.0093)0.2076*(0.1073)0.0182*(0.0094)0.2198**(0.1082)-0.5985(0.6767)样本数 8259 8259 8259 8259 8259 8259 Pseudo R2 0.3637 0.3777 0.3792-0.6323(0.6777)

结果（b）显示了双向交易者作为投标人的信息价值，Arbit_ee的系数显著为负，表明双向交易者参与投标的借款订单具有更低的违约风险，说明其投标行为具有揭示违约风险的信息价值，假设2得到验证。变量的边际效应为-0.0447，说明在其他情形相同的情况下，双向交易者参与投标的借款订单，其违约的概率比其他借款订单平均低出4.47%。

结果（c）同时考虑了订单的招标人特征和投标人特征。其结果分别与结果（a）和结果（b）基本一致，Arbit_er和Arbit_ee的系数均显著为负，边际效应分别为-0.0195和-0.0430，表明其他情况相同的情形下，双向交易者招标和参与投标的借款订单，其违约的概率平均比其他借款订单分别低出1.95%和4.30%。

（1）被解释变量。

2. 双向交易者招投标行为的信息传递效应

高铁具有班次密集、购票方便、时间可控等优势，使游客的出游时间更加灵活，周末游、自助游成为时尚。目前，江苏以南京为中心的苏锡常、镇扬及徐州都已经形成一个半小时高铁交通圈。2019年江苏沿海高速铁路即将开通，途经江苏省连云港、盐城、南通沿海三市，并向南北延伸至上海、青岛。这样，江苏就形成了苏南苏中苏北的高铁交通圈，再加上南京、上海和杭州的铁三角高铁一小时旅游圈，充分有利于江苏旅游资源的优化配置。落地自驾的模式，增加了游客的旅游空间跨度，更有利于旅游者自行安排行程，通过深度体验来满足自身的休闲度假需求。

结果（b）显示了双向交易者投标行为的信息传递效应。变量Arbit_ee的系数显著为正，表明双向交易者参与投标的借款订单具有更高的借款成功率。其边际效应为0.0894，表明双向交易者参与投标的借款订单比其他借款订单在借款成功率上平均高出8.94%。这说明双向交易者的投标行为的信息价值能够被其他投资者所识别，其参与投标的订单更受投资者青睐，因此具有较高的借款成功率。

术前积极进行各种原发病治疗，采取贫血纠正措施，应用可吸收缝合线有助于降低外源性感染发生率，及时给予高烧不退患者抗感染治疗，待患者病情好转后及时将导尿管和氧气管拔除以便于及早下地锻炼[5] 。

结果（c）同时考虑了双向交易者招投标行为的信息传递效应，所得结论与（a）和（b）的结论基本一致，变量Arbit_er和Arbit_ee的系数均显著为正，边际效应分别为0.0210和0.0876，表明双向交易者招标和参与投标的借款订单在借款成功率上平均分别比其他项目高出2.10%和8.76%，假设3得到验证。进一步可以发现，表5中模型（1）的回归结果已表明双向交易者的投标行为比招标行为具有更好的揭示违约风险的效果，此处变量Arbit_ee的边际效应也比变量Arbit_er的边际效应大，表明双向交易者投标的借款订单也比招标的借款订单表现出更强的信息传递效应。这说明投资者不仅能够识别双向交易者交易行为的信息价值，更能识别双向交易者投标行为和招标行为所含信息价值的不同。以上结论意味着市场参与者能够识别双向交易者交易行为的信息价值，并采取跟随交易的策略，这将使得双向交易者掌握的信息被迅速反映在借贷订单投标中，从而加快了信息的扩散效率。因此，双向交易者的交易行为一定程度上有助于降低P2P网贷市场上的信息不对称程度。

 

表6 双向交易者交易行为的信息传递效应检验结果

  

变量 （a） （b） （c）系数 边际效应 系数 边际效应 系数 边际效应Arbit_er 0.5390***(0.0300)0.0210***(0.0018)Arbit_ee 1.5359***(0.0207)0.0370***(0.0021)0.3627***(0.0316)0.0876***(0.0012)Amount -0.0502***(0.0017)0.0894***(0.0012)1.5132***(0.0207)-0.0032***(0.0001)Rate -0.0105***(0.0016)-0.0034***(0.0001)-0.0589***(0.0018)-0.0034***(0.0001)-0.0560***(0.0017)-0.0012***(0.0001)Duration -0.0276***(0.0011)-0.0007***(0.0001)-0.0234***(0.0018)-0.0014***(0.0001)-0.0211***(0.0018)-0.0010***(0.0001)Age 0.1251***(0.0082)-0.0019***(0.0001)-0.0175***(0.0012)-0.0010***(0.0001)-0.0171***(0.0012)0.0066***(0.0005)Age2 -0.0013***(0.0001)0.0086***(0.0006)0.1168***(0.0086)0.0068***(0.0005)0.1140***(0.0086)-0.0001***(0.0000)Gender -0.0468**(0.0204)-0.0001***(0.0000)-0.0013***(0.0001)-0.0001***(0.0000)-0.0012***(0.0001)-0.0027**(0.0013)Married 0.0845***(0.0168)-0.0032**(0.0014)-0.0484**(0.0222)-0.0028**(0.0013)-0.0458**(0.0223)0.0063***(0.0011)Income 0.2017***(0.0063)0.0058***(0.0012)0.1175***(0.0187)0.0068***(0.0011)0.1094***(0.0188)0.0135***(0.0004)Jobtime 0.1382***(0.0073)0.0138***(0.0004)0.2306***(0.0067)0.0134***(0.0004)0.2323***(0.0067)0.0087***(0.0005)Edu 0.0263***(0.0090)0.0095***(0.0005)0.1504***(0.0082)0.0088***(0.0005)0.1507***(0.0082)0.0028***(0.0006)Credit 0.8976***(0.0193)0.0018***(0.0006)0.0588***(0.0095)0.0034***(0.0006)0.0475***(0.0096)0.0439***(0.0010)House -0.0235(0.0169)0.0615***(0.0012)0.8011***(0.0182)0.0466***(0.0010)0.7579***(0.0185)0.0020*(0.0011)Houseloan -0.0461**(0.0227)-0.0016(0.0012)0.0408**(0.0184)0.0024**(0.0011)0.0352*(0.0184)-0.0013(0.0014)Car 0.2395***(0.0172)-0.0032**(0.0016)-0.0161(0.0240)-0.0009(0.0014)-0.0224(0.0242)0.0116***(0.0011)Carloan -0.0926***(0.0325)0.0164***(0.0012)0.2067***(0.0188)0.0120***(0.0011)0.2000***(0.0188)-0.0037*(0.0021)常数项 -5.9815***(0.1456)-0.0064***(0.0022)-0.0577(0.0354)-0.0034(0.0021)-0.0640*(0.0356)-5.9931***(0.1552)-5.9490***(0.1549)样本数 137470 137470 137470 Pseudo R2 0.4410 0.5270 0.5297

3. 信息不对称程度与招投标行为的信息传递效应

表7为模型（3）的回归结果。各列结果中，变量Arbit_er和Arbit_ee的系数符号与之前的回归结果一致。交互项 Arbit_er×Credit和 Arbit_ee×Credit的系数均显著为负，表明借款订单的信息不对称程度越高，双向交易者交易行为的信息传递效应越强，反之则越弱。假设4得到验证。这一实证结论表明，借款订单的信息不对称程度越严重，P2P网贷的投资者越会依赖双向交易者的交易行为作为投资决策的信息依据；而借款订单的信息不对称减缓时，投资者对双向交易者的交易行为这一信息的依赖性在减弱。意味着在进行投资决策时，双向交易者的投资者行为这一信息与借款订单信息之间存在替代效应。

4. 稳健性检验

（1）考虑模型的异方差问题

党建是政治建设，具有超经济属性的政治属性。政治属性是为国家民族长远、整体发展利益牺牲个人局部、眼前利益的奉献属性。引导广大党员树立远大的共产主义理想和中国特色社会主义共同理想，模范践行社会主义核心价值观，吃苦在前，享受在后，克己奉公，是党建教育的根本内容。新时期广大党员想追求和利益追求日益多元化，看不到这一点，对党员的要求不切实际，不接地气，必然导致党建日益脱离人民。对于民办高校来说，更是如此。契约化管理依据历史经验，根据现实情况，强调把对党员的要求具体化，强调对党员功过是非的奖惩，这是民办高校党建的重要方面，是民办高校党建的重要创新探索和尝试。

标准的Probit模型假设扰动项为同方差。然而，表1-3的描述性数据表明，不同的借款订单，尤其是双向交易者与非双向交易者的借款订单中的借款金额、借款期限均存在较大的差异，可能会带来异方差问题。为此，采用HetProbit模型对本文的三个回归模型进行重新估计。三个模型的回归结果分别见表8、表9和表10。尽管回归系数有小幅的变化，但实证结论与基于普通Probit模型得出的结论基本一致，表明本文的研究结论没有受到模型设定形式的影响。

 

表7 信息不对称程度与招投标行为的信息传递效应

  

变量 （a） （b） （c）系数 边际效应 系数 边际效应 系数 边际效应Arbit_er 1.4941***(0.0510)0.0701***(0.0029)Arbit_ee 1.7709***(0.0569)0.1004***(0.0034)1.2352***(0.0508)1.6566***(0.0460)0.1030***(0.0035)0.0941***(0.0027)Arbit_er×Credit-0.0299***(0.0017)Arbit_ee×Credit-0.5974***(0.0326)-0.0401***(0.0021)-0.5268***(0.0305)-0.0065***(0.0018)Amount -0.0550***(0.0019)-0.1697***(0.0417)-0.0099***(0.0024)-0.1144***(0.0319)-0.0037***(0.0001)-0.0573***(0.0018)-0.0033***(0.0001)-0.0597***(0.0020)-0.0034***(0.0001)Rate -0.0104***(0.0016)-0.0007***(0.0001)-0.0240***(0.0018)-0.0014***(0.0001)-0.0215***(0.0018)-0.0012***(0.0001)Duration -0.0253***(0.0011)-0.0017***(0.0001)-0.0172***(0.0012)-0.0010***(0.0001)-0.0150***(0.0012)-0.0008***(0.0001)Age 0.1284***(0.0084)0.0086***(0.0006)0.1167***(0.0087)0.0068***(0.0005)0.1163***(0.0089)0.0066***(0.0005)Age2 -0.0014***(0.0001)-0.0001***(0.0000)-0.0013***(0.0001)-0.0001***(0.0000)-0.0013***(0.0001)-0.0001***(0.0000)Gender -0.0441**(0.0206)-0.0030**(0.0014)-0.0501**(0.0222)-0.0029**(0.0013)-0.0467**(0.0225)-0.0027**(0.0013)Married 0.0843***(0.0170)0.0057***(0.0011)0.1178***(0.0188)0.0068***(0.0011)0.1116***(0.0190)0.0063***(0.0011)Income 0.1940***(0.0063)0.0130***(0.0004)0.2301***(0.0067)0.0134***(0.0004)0.2244***(0.0067)0.0127***(0.0004)Jobtime 0.1319***(0.0073)0.0089***(0.0005)0.1507***(0.0082)0.0088***(0.0005)0.1449***(0.0083)0.0082***(0.0005)Edu 0.0237**(0.0092)0.0027***(0.0006)Credit 1.1278***(0.0273)0.0016**(0.0006)0.0601***(0.0095)0.0035***(0.0006)0.0467***(0.0098)0.0568***(0.0015)House -0.0239(0.0171)0.0758***(0.0017)0.8426***(0.0195)0.0490***(0.0011)1.0012***(0.0273)0.0021**(0.0011)Houseloan -0.0447**(0.0226)-0.0016(0.0011)0.0426**(0.0184)0.0025**(0.0011)0.0368**(0.0187)-0.0013(0.0014)Car 0.2341***(0.0176)-0.0030**(0.0015)-0.0153(0.0239)-0.0009(0.0014)-0.0232(0.0240)0.0111***(0.0011)Carloan -0.0666**(0.0315)0.0157***(0.0012)0.2064***(0.0188)0.0120***(0.0011)0.1954***(0.0191)-0.0023(0.0020)常数项 -6.2659***(0.1499)-0.0045**(0.0021)-0.0535(0.0348)-0.0031(0.0020)-0.0407(0.0344)-6.0434***(0.1553)-6.2282***(0.1594)样本数 137470 137470 137470 Pseudo R2 0.4528 0.5278 0.5390

（2）修正稀有事件偏差

以上实证模型的两个被解释变量Default和Success均为二值变量，取值为1和0，但取值为1的概率均偏小，本文的样本中变量Default取值为1的概率为7.01%，变量Success取值为1的概率为6.25%。双向交易者招投标的借款订单，变量Default取值为1的概率更小，仅为1.81%，非双向交易者招投标的借款订单，变量Success取值为1的概率更小，仅为4.75%。因此，借款成功或违约都可能是稀有事件，Probit模型假设连接函数为标准正态的累积分布函数，采用Probit模型可能存在估计偏差，称为稀有事件偏差。为修正稀有事件偏差，本文对连接函数采用非对称的极值分布，利用补对数—对数（Clog-Log）模型对估计结果进行修正。三个模型的回归结果分别见表11、表12和表13。实证结果表明，前面得出的结论依然是有效的。

 

表8 双向交易者交易行为的信息价值检验结果（HetProbit模型）

  

注：***、**、*分别表示系数及边际效应在1%、5%、10%水平上显著；括号中为标准误；为节省篇幅，稳健性检验只列出了关键变量的回归结果，“是”表示已经控制了常数项和控制变量；下同

 

变量 （a） （b） （c）系数 边际效应 系数 边际效应 系数 边际效应Arbit _er -0.3475***(0.0999)-0.0198**(0.0079)Arbit _ee -0.5526***(0.0753)-0.0281***(0.0079)-0.2510**(0.1006)-0.5271***(0.0754)-0.0435***(0.0054)-0.0416***(0.0055)控制变量 是 是 是 是 是 是常数项 是 是 是 是 是 是样本数 8259 8259 8259 8259 8259 8259

 

表9 双向交易者交易行为的信息传递效应检验结果（HetProbit模型）

  

Arbit _er 0.5480***(0.0290)0.0239***(0.0018)Arbit _ee 1.5105***(0.0260)0.0394***(0.0021)0.3964***(0.0305)1.4770***(0.0258)0.0915***(0.0013)0.0892***(0.0013)控制变量 是 是 是 是 是 是常数项 是 是 是 是 是 是样本数 137470 137470 137470 137470 137470 137470

 

表10 信息不对称程度与招投标行为的信息传递效应（HetProbit模型）

  

变量 （a） （b） （c）系数 边际效应 系数 边际效应 系数 边际效应Arbit _er 1.4438***(0.0577)0.0595***(0.0031)Arbit _ee 1.7233***(0.0535)0.0996***(0.0035)1.0066***(0.0560)0.0980***(0.0027)Arbit_er×Credit 0.1045***(0.0032)1.6572***(0.0474)-0.0211***(0.0019)Arbit_ee×Credit-0.5673***(0.0377)-0.0391***(0.0023)-0.3574***(0.0343)-0.0073***(0.0018)控制变量 是 是 是 是 是 是常数项 是 是 是 是 是 是样本数 137470 137470 137470 137470 137470 137470-0.1517***(0.0354)-0.0092***(0.0022)-0.1239***(0.0300)

（3）以Rate为因变量

Allen等认为资产价格可理解为信息的集成器。[43]因此，双向交易者招标行为的信息价值传递效应，除了可以通过双向交易者的借款成功率进行检验，也可以通过其招标订单的利率进行检验，即双向交易者招标的项目成交利率是否更低。这是因为，双向交易者招标的订单意味着较低的违约风险，如果其交易行为的信息传递效应是有效的，那么市场表现不仅仅是其订单更受其他投资者青睐，也体现在双向交易者可以以较低的利率借入资金。因此，以借款利率Rate为自变量，以借款订单的招标者特征变量Arbit_er为因变量，并控制其他变量进行回归，回归结果见表14。实证结果表明，双向交易者招标的订单的确以较低的利率借入了资金，再次验证了双向交易者招标行为的信息传递是有效的。

 

表11 双向交易者交易行为的信息价值检验结果（补对数—对数模型）

  

变量 （a） （b） （c）系数 边际效应 系数 边际效应 系数 边际效应Arbit _er -0.5957***(0.1589)-0.0262***(0.0091)Arbit _ee -0.7912***(0.1019)-0.0340***(0.0091)-0.4668***(0.1625)-0.7574***(0.1032)-0.0445***(0.0057)-0.0425***(0.0058)控制变量 是 是 是 是 是 是常数项 是 是 是 是 是 是样本数 8259 8259 8259 8259 8259 8259

 

表12 双向交易者交易行为的信息传递效应检验结果（补对数—对数模型）

  

变量 （a） （b） （c）系数 边际效应 系数 边际效应 系数 边际效应Arbit _er 0.5922***(0.0527)0.0116***(0.0022)Arbit _ee 2.1583***(0.0357)0.0255***(0.0023)0.3007***(0.0589)2.1347***(0.0349)0.0831***(0.0012)0.0823***(0.0012)控制变量 是 是 是 是 是 是常数项 是 是 是 是 是 是样本数 137470 137470 137470 137470 137470 137470

 

表13 信息不对称程度与招投标行为的信息传递效应（补对数—对数模型）

  

变量 （a） （b） （c）系数 边际效应 系数 边际效应 系数 边际效应Arbit _er 2.0013***(0.0721)1.5792***(0.0749)0.0847***(0.0031)0.0570***(0.0027)Arbit _ee 3.2524***(0.0633)2.9978***(0.0541)0.1194***(0.0026)0.1082***(0.0021)Arbit_er×Credit-0.0187***(0.0012)Arbit_ee×Credit-0.5903***(0.0360)-0.0250***(0.0015)-0.5186***(0.0329)-0.4419***(0.0285)-0.5551***(0.0381)-0.0204***(0.0014)-0.0160***(0.0011)控制变量 是 是 是 是 是 是常数项 是 是 是 是 是 是样本数 137470 137470 137470 137470 137470 137470

 

表14 双向交易者招标行为的信息价值（以Rate为因变量）

  

?

五、研究结论及启示

信息不对称是信贷市场有效发展所面临的难题之一，P2P网贷平台的信息披露机制虽然有助于缓解信息不对称，但仍无法完全避免P2P借贷过程中所面临的信息不对称问题。信息不对称的存在，使得市场参与者容易做出错误的投资决策：高估风险会影响借款人融资的可得性，低估风险会使投资者置身于风险之中。不管哪种情况，都会影响市场的资金融通效率。

本文的实证研究表明，双向交易者能够利用信息优势识别风险更低的借款订单，同时双向交易者自身招标的订单也具有更低的违约风险。这说明双向交易者的交易行为具有双重信息价值：其招标行为和投标行为都具有揭示借款订单违约风险的作用。但进一步的实证研究表明，双向交易者招标和参与投标的项目更容易获得资金的支持。这意味着整体而言，市场上其他投资者能够识别双向交易者交易行为所传递的信息，并采取跟随的投资策略。总体而言，双向交易者投标行为比招标行为具有更强的揭示违约风险的作用，对应的投标行为的信息传递效应也更强，意味着市场参与者能识别双向交易者交易行为的信息价值，也能识别不同交易行为信息含量的差异。此外，双向交易者交易行为的信息传递效应与借款订单的信息不对称程度都呈正相关关系。

以上结论对于P2P市场的各参与方均具有一定的启示意义。（1）对于投资者而言，P2P网贷市场上双向交易者能够起到信息分析者和传递者的作用，整体而言，投资者在信息不对称情况下对双向交易者的交易行为采取跟随的策略是一种理性行为。通过其他交易者的后续模仿交易，双向交易者掌握的信息被迅速反映在借贷订单投标中，从而加快了信息的扩散效率。因此，双向交易者的交易行为有助于降低P2P网贷市场上的信息不对称程度。（2）尽管对双向交易者的交易行为采取跟随策略是一种理性策略，但需要预防这一策略可能带来的交易风险的累积。一是因为双向交易者也可能存在决策失误，一旦决策失误，其他投资者跟随双向交易者的策略也就意味着风险的传播与扩散。二是资本市场的经验告诉我们，信息优势者往往会利用自身的信息优势，采取一些虚假的操作诱使信息劣势者上当并从中获利。在P2P市场中，一些P2P平台通过发布虚假标的进行自融资，以及平台通过虚构客户来投标以吸引客户都是常见手段，这些双向交易行为都可能导致风险的累积。因此，双向交易者交易行为所传递的信息并不能从根本上彻底解决P2P网贷市场上的信息不对称问题。（3）对于P2P网贷平台而言，简化传统信贷融资的流程尽管提高了融资的便利性，但也意味着更为严重的信息不对称问题。在投资决策中，借款订单信息与双向交易者交易行为信息存在替代效应，双向交易者的交易行为既然无法根本解决信息不对称问题，而平台自身由于起步的时间普遍不长，积累的关于市场参与者的历史数据有限，尚且无法通过大数据从根本上解决信息不对称问题。所以，最终还是需要平台在信息披露制度的设计上进行优化，充分发挥好其信息中介的作用。（4）对于监管者而言，目前对P2P网贷平台行为边界的界定只是强调P2P网贷平台的信息中介作用，但缺乏对市场参与者行为边界的界定，由于市场参与者行为也具有信息价值，因此，如何界定市场参与者行为边界也是监管层需要思考的问题之一。此外，P2P网贷尽管是实现普惠金融的载体之一，有助于扩大金融服务的覆盖面，但本文的研究表明，投资者对市场信息的理解也会通过其交易行为影响市场效率。因此，是否需要强调从某些方面加强对市场参与者准入的监管或者对参与者进行市场准入的测试和考核也是监管部门需要思考的问题之一。

夜静如水，月光映在床前。紫云回到现实中来，看见儿子又进来了，不能让孩子失望。紫云来到餐桌前，没有正眼看丈夫，随便吃了几口。

参考文献

[1] Stiglitz, J. E., Weiss, A.. Credit Rationing in Market with Imperfect Information. American Economic Review, 1981, 71(3): 393-410.

[2] Freedman, S., Jin, G. Z.. Learning by Doing with Asymmetric Information: Evidence from Prosper.com. University of Maryland, Working Paper, 2011.

[3] Lin, M., Prabhala, N. R., Viswanathan, S.. Judging Borrowers by the Company They Keep: Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending. Management Science, 2013, 59(1): 17-35.

[4] 廖理,李梦然,王正位.聪明的投资者: 非完全市场化利率与风险识别——来自P2P网络借贷的证据.经济研究, 2014, (7):125-137.

[5] Puro, L., Teich, J., Wallenius, H., Wallenius, J.. Borrower Decision Aid for People-to-People Lending. Decision Support Systems, 2010, 49(1): 52-60．

[6] Pope, D. G., Sydnor, J. R.. What`s a Picture? Evidence of Discriminations of Loan Fundability in the Prosper.com Marketplace. Journal of Human Resources, 2011, 46(1): 53-92.

[7] Herzenstein, M., Andrews, R., Dholakia, U., Lyandres, E.. The Democratization of Personal Consume Loans? Determinants of Success in Online Peer-to-Peer Lending Communities. SSRN Working Paper, 2008.

[8] Barasinska, N., Schäfer, D.. Is Crowdfunding Different? Evidence on the Relation between Gender and Funding Success from a German Peer-to-Peer Lending Platform. German Economic Review, 2014, 15(4): 436-452.

[9] Ravina, E.. Love and Loans: The Effect of Beauty and Personal Characteristics in Credit Markets. SSRN Working Paper, 2012.

[10] 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. 金融研究, 2015, (3): 146-159.

[11] Garrett, T. S.. The Geography of Bidder Behavior in Peer-to-Peer Credit Markets. SSRN Working Paper, 2016.

[12] Larrimoreet, L., Jiang, L., Larrimore, J., Markowitz, D., Gorski,S.. Peer to Peer Lending: The Relationship between Language Features, Trustworthiness, and Persuasion Success. Journal of Applied Communication Research, 2011, 39(1): 19-37.

[13] Michels, J.. Do Unverif i able Disclosures Matter? Evidence from Peer-to-Peer Lending. Accounting Review, 2012, 87(4): 1385-1413.

[14] Gregor, D., Christopher, P., Stephanie, S., Johannes, S., Martina,W., Ivan D. C., Julia, K.. Description-text Related Soft Information in Peer-to-Peer Lending-Evidence from Two Leading European Platforms. Journal of Banking and Finance, 2016, 64(12):169-187.

[15] 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. 金融研究, 2016, (4):158-173.

[16] Qiu, J., Xu, Y., Chen, D. Y., Lin, Z. X.. The Effects of Social Capital in Chinese Online P2P Lending Market. Energy Procedia, 2011, 13(2): 9866-9874.

[17] Freedman, S., Jin, G. Z.. Do Social Networks Solve Information Problem for Peer-to-Peer Lending? Evidence from Prosper.com.University of Maryland, Working Paper, 2008.

[18] Liu, D., Daniel, J., Lu, Y., Chen, D. Y.. Friendships in Online Peer-to-Peer Lending: Pipes, Prisms, and Relational Herding.MIS Quarterly, 2015, 39(3): 729-742.

[19] 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. 南开管理评论, 2016, 19(4): 98-110.

[20] Duarte, J., Siegel, S., Young, L.. Trust and Credit: The Role of Appearance in Peer-to-Peer Lending. The Review of Financial Studies, 2012, 25(8): 2455-2483.

[21] Gonzalez, L., Loureiro, Y. K.. When Can a Photo Increase Credit? The Impact of Lender and Borrower Prof i les on Online Peerto-Peer Loans. Journal of Behavioral and Experimental Finance,2014, 2(6): 44-58.

[22] Berkovich, E.. Search and Herding Effects in Peer-to-Peer Lending: Evidence from Prosper.com. Annals of Finance, 2011, 7(3):389-405.

[23] Zhang, J., Liu, P.. Rational Herding in Microloan Markets. Management Science, 2012, 58(5): 892-912.

[24] Lee, E., Lee, B.. Herding Behavior in Online P2P Lending: An Empirical Investigation. Electronic Commerce Research and Applications, 2012, 11(5): 495-503.

[25] 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.金融研究, 2013, (7): 126-138.

[26] 吴佳哲. 基于羊群效应的P2P网络借贷模式研究. 国际金融研究, 2015, (1): 88-96.

[27] Elliott, J., Morse, D., Richardson, G.. The Association between Insider Trading and Information Announcements. Rand Journal of Economics, 1984, 15(4): 521-536.

[28] Nofsinger, J., Sias, R.. Herding and Feedback Trading by Institutional and Individual Investors. Journal of Finance, 1999, 54(6):2263-2295.

[29] 剡亮亮,何众志,徐龙炳. 双向交易机制、信息传导与股票价格.经济管理, 2014, (12): 106-115.

[30] 尹志超, 宋全云, 吴雨. 金融知识、投资经验与家庭资产选择.经济研究, 2014, (4): 62-75.

[31] 余佩琨,李志文,王玉涛.机构投资者能跑赢个人投资者吗?金融研究, 2009, (8): 147-157.

[32] 谭松涛, 陈玉宇. 投资经验能够改善股民的收益状况吗——基于股民交易记录数据的研究. 金融研究, 2012, (5): 164-178.

[33] Engelherg, J., Sasseville, C., Williams, J.. Market Madness? The Case of Mad Money. University of North California, Working Paper, 2009.

[34] 廖理,李梦然,王正位.中国互联网金融的地域歧视研究.数量经济技术经济研究, 2014, (5): 54-70.

[35] 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.经济管理, 2015, (4): 136-147.

[36] Herzenstein, M., Dholakia, U. M., Andrews, R.. Strategic Herding Behavior in Peer-to-Peer Loan Auctions. Journal of Interactive Marketing, 2011, 25(1): 27-36.

[37] Grossman, S., Stiglitz, J.. On the Impossibility of Informational Efficient Markets. American Economic Review, 1980, 70(3):393-408.

[38] 孔东民, 刘莎莎, 陈小林, 邢精平. 个体沟通、交易行为与信息优势: 基于共同基金访问的证据.经济研究，2015, (11): 106-119.

[39] 刘京军, 徐浩萍. 机构投资者: 长期投资者还是短期机会主义者. 金融研究, 2012, (9): 141-154.

[40] Kyle, A. S.. Continuous Auctions and Insider Trading. Econometrica, 1985, 53(6): 1315-1335.

[41] Evans, G., Seppo, H.. Expectations, Learning and Monetary Policy: An Overview of Recent Research. SSRN Working Paper,2008.

[42] Krumme, K.A., Herrero, S.. Lending Behavior and Community Structure in an Online Peer-to-Peer Economic Network. International Conference on Computational Science and Engineering,2009, (4): 613-618.

[43] Allen, F., Gale, D.. Comparing Financial Systems. Cambridge:MIT Press, 2001.

注释

① 本文第二部分将对双向交易者的交易行为进行初步分析。

② P2P网贷平台的信息披露制度包括强制性信息披露和自愿性信息披露，不同借款订单的自愿性信息披露程度不一样，因此信息不对称的程度也不一样。

③ 目前，P2P网贷市场羊群行为的实证检验方法主要包括检验借款订单投标量的序列相关性、借款筹集速度的变化等，这些方法均无法辨别投资者受到共同信息冲击而采取一致行动的情形。

④ 本文数据采集的时间为2016年5月份，样本订单的状态也为2016年5月份的状态。

⑤ 对于P2P网贷市场的投资者而言，所投订单满标的概率越高，意味着资金的“站岗”成本更低。

⑥ 从双向交易者的交易频率来看，本文更倾向于前两种可能。

⑦ 借款的描述性信息是一种典型的自愿性披露信息，借款人可以选择是否披露这一信息。Herzenstein等[36]的研究表明，某些描述性信息的披露有助于提高借款人资金的可得性，但违约率却更高，说明这些信息的披露可能误导投资者，甚至会加剧信息不对称的程度。