《现代财经-早读早分享》2025年元月17日周五（第3248期）

今天是2025年元月17日，星期五，农历腊月十八，美好的一天从阅读《现代财经-早读早分享》开始！

每日晨语

---

最治愈的5句话，送给努力奔跑的你：①保持自己的节奏，坦然面对每一个当下；②尽力而为，你就是生活的强者；③事前事后一直焦虑，相当于遭遇了两次坏心情；④学会卸下心中的包袱，才能抬头前进、勇敢奔跑。美好一天从“成长”开始！！周五，早安！

以下内容是由《现代财经》编辑部根据国内外财经类门户网站相关资讯编辑整理而成（总第3248期）。原创不易，敬请尊重。谢谢鼓励。

一、早读分享

1 、 地方各级人民政府不得以股票公开发行上市结果为 条件，给予 发行人或者中介机构奖励。 财联社1月15日电，国务院总理李强日前签署国务院令，公布《国务院关于规范中介机构为公司公开发行股票提供服务的规定》，自2025年2月15日起施行。地方各级人民政府不得以股票公开发行上市结果为条件，给予发行人或者中介机构奖励。自本规定施行之日起，地方各级人民政府违反本规定第十条规定，给予发行人或者中介机构奖励的，应当追回，并由有关机关对负有责任的领导人员和直接责任人员依法给予处分。（财联社）

蔡子微评： 这一新规的实施，有助于减少政府对资本市场的过度干预，进一步规范金融市场的秩序，有助于提升市场的自我调节能力。对中介机构的行为规范，也有利于促进资本市场的长期健康发展。此外，禁止地方政府对企业和中介机构提供奖励，有助于避免因地方政府与企业之间的利益绑定而产生的潜在腐败风险。整体而言，该政策有助于推动中国资本市场更为透明、公正、有效地 运作。

话题关注：地方政府激励措施对企业上市动机的影响研究：基于股市回报的分析视角

2、春节消费月将举办超4000项约2.7万场次文旅消费活动 。 国务院办公厅近日印发《关于进一步培育新增长点繁荣文化和旅游消费的若干措施》，提出6个方面18项繁荣文化和旅游消费的政策措施。为进一步创新多元化消费场景，促进文化和旅游消费，文化和旅游部产业发展司于1月至2月举办2025年全国春节文化和旅游消费月，围绕“文旅惠民乐民 共享美好生活”主题，组织各地策划实施丰富多彩的文旅消费惠民活动，推出内容多样的文旅新产品、新场景，更好满足节日期间群众文化和旅游消费需求。（经济日报）

蔡子微评： 2025年全国春节文化和旅游消费月的启动，不仅为春节期间的文旅市场注入了新活力，也为推动文化和旅游消费提供了新思路和新方法。通过政府、企业和社会的多方合作，活动成功地将文化与旅游深度融合，创造了多样化的消费场景，满足了不同群体的消费需求。这种创新的消费模式和惠民举措，为其他地区的文旅消费提供了可借鉴的经验，也为实现文化与旅游的高质量发展提供了有力支持。

话题关注：假日经济与文旅产业的深度融合：创新路径与实践探索

3、八部门联合发文，从四个方面支持企业加强技能人才培养。 据人社部微信公众号消息，近日，人力资源社会保障部、国家发展改革委、教育部、工业和信息化部、财政部、国务院国资委、国家市场监管总局、全国总工会联合印发《关于推动技能强企工作的指导意见》，进一步激活各类企业技能人才培养主体作用，促进职工增技、技能增收、企业增效。《意见》明确9项重点任务，从四个方面支持企业加强技能人才培养。（中国新闻网）

蔡子微评： 在产业转型升级的背景下，企业技能人才培养与激励机制的完善至关重要。通过建立系统化的培训体系，企业能够提升员工的专业技能和创新能力，满足产业升级对高素质劳动力的需求。同时，合理的激励机制能够激发员工的积极性和创造力，促进知识共享和团队协作。政策的支持和企业文化的引导将进一步推动技能人才培养和激励机制的创新，为企业的可持续发展和产业的高质量发展提供有力支撑。

话题关注：产业转型升级背景下企业技能人才培养与激励机制研究

4、《市场监管领域知识产权案件案由规定（试行）》印发。 日前，市场监管总局、国家知识产权局联合印发《市场监管领域知识产权案件案由规定（试行）》（以下简称《案由规定》）。市场监管总局将会同国家知识产权局，结合《案由规定》实施情况和执法实践中的新情况、新问题，按程序动态调整案件案由，持续提升知识产权执法规范化水平。（经济日报）

蔡子微评： 有效的知识产权保护能够激励企业加大研发投入，促进技术创新和产品升级。通过完善的知识产权管理体系，企业能够更好地保护自身的核心技术和品牌价值，增强市场竞争力。同时，良好的知识产权治理环境有助于企业吸引高端人才，促进知识的交流与合作，加速创新成果的转化。政策的支持和法律的保障将进一步提升企业的创新动力和绩效，推动经济的高质量发展。

话题关注：创新驱动下知识产权治理对企业创新绩效的影响研究

5、事关手机等数码产品和12类家电补贴标准来了 。 商务部等部门15日发布两份文件，对实施手机、平板、智能手表（手环）购新补贴，以及做好2025年家电以旧换新工作予以安排，明确具体补贴品类和标准。其中，买手机等数码产品每件最高补500元，买12类家电产品每件最高补2000元。手机、平板、智能手表（手环）购新补贴实施方案明确，个人消费者购买单件销售价格不超过6000元的手机、平板、智能手表（手环）3类数码产品，可享受购新补贴。每人每类可补贴1件，每件补贴比例为减去生产、流通环节及移动运营商所有优惠后最终销售价格的15%，每件最高不超过500元。各地将根据该方案细化实施细则，1月20日起全国实施。（中经网）

蔡子微评： 在当前经济形势下，通过政府补贴的方式刺激消费者购买手机、数码产品及家电等商品，有助于提升市场活跃度，促进消费回暖，为经济增长提供动力。各地需要根据政策要求细化实施细则，包括补贴的申请、审核、发放等流程。未来，政府应持续优化补贴政策、加强政策宣传，以强有力 的消费 推动产业升级与创新，以更好地满足消费者需求，促进经济高质量发展。

话题关注：政府补贴政策对市场消费行为的激励效应研究

6、工业和信息化部发文助力中小企业出海。 工业和信息化部近日印发通知，组织开展中小企业出海服务专项行动，汇集各方资源力量帮助中小企业开拓海外市场。通知明确，通过开展专项行动，推动各地结合实际，加强出海服务的系统化供给，组织服务机构与有出海意向的中小企业精准化对接，提供专业化服务，帮助中小企业开拓国际市场、畅通信息渠道、提升风险防控能力，有力促进中小企业国际化发展。（新华网）

蔡子微评： 中小企业作为我国经济的重要组成部分，其国际化发展对于提升整体经济实力至关重要。发文助力不仅能够为中小企业提供更多政策支持和信息指导，还能帮助其更好地应对海外市场的挑战，提升国际竞争力。此举有利于促进中小企业拓展海外市场，增加出口收入，同时也将带动国内产业升级和技术创新。

话题关注：数字化转型如何影响中小企业国际化深度？

7、构建高效韧性产业链供应链的市场基础。 近日，国家发展改革委印发了《全国统一大市场建设指引（试行）》，这是推动我国市场体系高质量发展的重要举措。作为确保产业链供应链稳定安全的关键支撑，建成全国统一大市场，对于实现经济高质量发展、提升国际竞争力具有深远意义。在全球经济环境复杂多变的背景下，稳定的产业链供应链体系成为国家经济安全的重要基石。建设全国统一大市场，能够有效打破区域壁垒，实现要素资源的自由流动，确保产业链各环节高效衔接。（中国经济网）

蔡子微评： 产业链供应链韧性提升是加速产业链供应链现代化建设的重要组成部分。然而，产业链供应链韧性提升也存在数字技术与传统产业融合程度不深、自主研发能力弱等问题。对此，一方面加快实现全产业链供应链的自主创新能力建设和核心技术的自主可控，尽快摆脱关键技术和核心部件受制局面。另一方面，加快新一代信息技术的研发应用，发挥数智赋能作用。

话题关注：产业链供应链韧性提升：内在逻辑、现实需求与推进方式

8、金融对实体经济支持力度保持稳固。 1月14日，中国人民银行发布的金融统计数据显示，2024年12月末，社会融资规模同比增长8.0%，广义货币供应量（M2）同比增长7.3%，人民币贷款同比增长7.6%，增速相比上月有升有降、总体稳定，金融对实体经济支持力度保持稳固。做好科技金融、绿色金融、普惠金融、养老金融、数字金融“五篇大文章”，是金融服务实体经济高质量发展的重要着力点。数据显示，2024年末，制造业中长期贷款 余额为 13.97万亿元，同比增长11.9%；“专精特新”企业贷款余额为4.26万亿元，同比增长13.0%；普惠小微贷款余额为32.93万亿元，同比增长14.6%。以上贷款增速均高于同期各项贷款增速。（经济日报）

蔡子微评： 2024年 我国金融领域 呈现 出积极向好的态势。社会融资规模保持合理增长，有力地支持了实体经济的恢复与发展。从各项数据来看，金融对实体经济的支持力度稳固，在多个方面取得了显著成效。在做好科技金融、绿色金融、普惠金融、养老金融、数字金融“五篇大文章”方面，人民银行会同有关部门制定出台各领域指导文件，取得了积极进展。各类贷款增速高于同期各项贷款增速，显示出金融服务在重点领域的精准发力。社会融资成本下降，贷款利率保持在历史低位水平，有利于降低企业和居民的融资成本，促进经济发展。一揽子增量政策的密集出台并逐渐显效，以及中央经济工作会议提出的实施更加积极有为的宏观政策，稳定了社会预期，提振了市场信心。

话题关注：金融支持实体经济力度保持稳固研究——基于2024年金融数据

9、信贷资金加速直达小微企业。当前，“支持小微企业融资协调工作机制”正在加速推进。 记者获悉，截至2024年12月31日，安徽省共组织走访小微企业291万户（申报33.5万户），推荐小微企业23.7万户；全省累计授信1923亿元、15.9万户次；累计新发放贷款1488亿元、15.1万户次，其中，无还本续贷270亿元、1.3万户，首贷88亿元、2681户，信用贷款508亿元。2024年10月15日，国家金融监督管理总局、国家发展改革委联合召开会议，动员部署支持小微企业融资协调工作机制有关工作。该机制的核心是加强央地联动，在区县层面建立工作专班，从供需两端发力，搭建银企精准对接的桥梁。在走访小微企业、摸排融资需求的过程中，为了解决业务的难点、痛点，多项创新举措陆续出现。（经济日报）

蔡子微评： 2024年 ，“支持小微企业融资协调工作机制”成效显著。该机制在加强央地联动、推动银企精准对接方面发挥了重要作用。国家层面的统筹和地方层面的响应配合紧密，特别是区县工作专班的设立，贴近基层、了解企业，成为机制落地的关键。安徽监管局与省发展改革委的迅速行动，建立有效运转的联动机制，并制定实施方案，规范工作流程，为机制的长期运行提供了保障。在实施过程中，创新举措不断涌现。“走访码”的推出简化了信息申报流程，融资场景创新为小微企业提供了更精准的金融服务，浙商银行的实践就是很好的例证。同时，加大“无还本续贷”服务力度，有效缓解了小微企业的转贷压力和融资成本。

话题关注：小微企业融资协调工作机制优化路径研究

10、地方AI布局突进：13省份出台“AI+”政策，具身智能、智能驾驶或率先落地。 当前，人工智能快速发展，多样化应用场景不断涌现。多地也召开相关会议提及落实“人工智能+”行动。回顾2024年，据21世纪经济报道记者不完全统计，全国至少有13个省份出台了人工智能专项政策，涉及“AI+金融”“AI+教育”“AI+医疗”等多个领域，具身智能、智能驾驶等应用也被业内寄予厚望。（21世纪经济报道）

蔡子微评： 地方AI布局突进，相关专项政策出台，标志着我国在人工智能领域的投入和决心。具身智能、智能驾驶等领域的率先落地，展现了AI技术在多样化应用场景中的巨大潜力。此举不仅能够推动相关产业的快速发展，还能带动地方经济的转型升级。政策的出台为AI技术的研发和应用提供了有力保障，有助于解决场景选择难、数据质量不高等问题。

话题关注：新质生产力视角下人工智能产业创新生态系统形成机理研究

11、推动高质量共建“一带一路”走深走实 。 刚刚过去的2024年，是共建“一带一路”步入第二个“金色十年”的崭新起点，高质量发展成效显著。一是合作领域全面深化，从基础设施向经贸、金融、人文、数字、绿色等多维度拓展。中欧班列累计开行突破10万列，覆盖亚欧36国300多个城市。二是合作范围持续扩大，全球超四分之三国家和重要国际组织加入共建行列，与多国发展战略实现有效对接，有力支持了共建国家经济社会发展。三是合作层次不断提升，从互联互通项目拓展至经济、社会、文化等多领域，系统性安全保障体系为合作保驾护航。五是金融合作成果丰硕，创新投融资模式，为共建“一带一路”注入强大动能。（中国经济网）

蔡子微评： “一带一路”建设是新时代我国高水平对外开放的重要战略部署，也是推动构建人类命运共同体的重要实践平台。然而，我国 “一带一路” 目前存在着顶层设计不足与共建国家经济基础薄弱等问题。对此，一方面要加强顶层设计与战略规划，确保合作方向明确、路径清晰。进一步完善政策沟通、设施联通、贸易畅通、资金融通、民心相通等多领域合作机制；另一方面要深化务实合作与项目落地，推动共建国家经济与社会全面发展，聚焦基础设施、产能合作、数字经济、绿色发展等重点领域。

话题关注：“一带一路”与可持续发展：绿色经济的实践与展望

12、河南新乡经开区跑出科技成果转化“加速度”。 近年来，河南新乡经济技术开发区始终坚持科技是第一生产力、人才是第一资源、创新是第一动力，推动产学研深度融合，打通科技成果转化脉络，不断塑造发展新动能新优势，加快形成新质生产力，先后与中国纺织科学研究院、河南工学院等11家高校院所建立校地合作关系；辖区70余家企业与华中科技大学、西安交通大学、中国科学院过程工程研究所等30余家高校院所开展产学研合作。（经济日报）

蔡子微评： 新乡经开区的实践表明，科技成果转化是推动区域经济高质量发展的关键。这种产学研深度融合的模式，不仅有助于解决“卡脖子”技术问题，还能促进科技成果的快速转化和产业化，为实现中国式现代化建设提供了有力支撑。未来，其他地区可以借鉴新乡经开区的经验，进一步优化创新生态，推动更多科技成果转化为实际生产力，助力经济高质量发展。

话题关注：科技成果转化对推动企业经济高质量发展的影响研究

二、今日社科期刊佳作关注

个体借贷关系网络特征与违约研究——来自互联网融资平台的证据

---

作者：张卫国,李华,王超 来源：《管理科学学报》2024年第9期

导读

摘要： 本研究应用复杂网络分析方法研究了互联网融资平台个体借贷关系网络特征与借款人违约问题.提出了融资平台个体借贷关系网络的构建方法，构建了互联网借贷平台人人贷个体借贷关系网络，刻画了该网络的整体特征以及违约借款人群体和不同信用等级借款人群体、纯投资者群体构成的子网络特征.揭示了借款人和投资者的行为选择规律.分析了借款人网络拓扑特征与借款信息的相关性，构建了借款人违约与借款人网络拓扑特征、借款信息的三个回归模型.研究发现：构造的网络拓扑特征对于个体借贷关系结构具有很强的解释力；借款人节点的网络拓扑特征与借款人的违约存在显著相关关系，且这种关系在不同属性借款人群体中也具有稳健性；研究结果能够用于各类互联网融资平台借款人信用风险评估及违约预测.

关键词： 个体借贷关系网络;网络拓扑特征;信用违约;复杂网络;

引用格式： 张卫国,李华,王超.个体借贷关系网络特征与违约研究——来自互联网融资平台的证据[J].管理科学学报,2024,27(09):145-158.

引 言

近年来,互联网技术的发展推动互联网与各行各业的融合,使得大量微小个体得以相互连接,为多形态的经济活动产生提供了可能.随着金融业务的线上化,大量互联网金融独角兽先后崛起,促使互联网环境下的个体债务市场快速发展.这一方面使得民间借贷在互联网平台中介作用下实现借贷关系扁平化和信息透明化.另一方面,互联网环境下的信息不对称加重了债务市场固有的信用风险.在传统借贷业务中,违约预测和信用风险预警是学术界和实践界关注的重要课题,但已有研究讨论的多是机构投资借贷主体的风险问题.随着互联网为个体债务市场提供的技术和数据支持不断增加,基于微观个体行为特征的信用风险研究逐渐成了学术界的关注焦点.尽管互联网借贷在我国本土化的过程中由于存在巨大风险被清退整治,但历史存在的交易活动为研究互联网环境下个体借贷的信用风险问题提供了详尽的个体行为数据和个体特征信息.互联网借贷平台参与者身份可以是双重的(既可以是投资者也可以是借款人),由此,参与者的个体借贷关系构成一个有向复杂网络.为此,本研究从互联网借贷微观个体构成的借贷关系网络视角探究网络拓扑特征和借款人违约之间的联系.

研究互联网借贷参与者个体行为,从借款人角度主要包括分析借款成功影响因素和预测借款人违约两类.如Lin等 [1] 使用Prosper的借贷记录,发现借款人的在线社交关系增加了融资成功的可能性并降低了借款的利率和违约率.而Laura和Yuliya [2] 发现出借人对借款人年龄和性别的感知会影响借款人能否成功借款.在预测借款人违约方面,包括传统的逻辑回归和线性判别分析,以及机器学习方法已被学者广泛使用 [3-11] .同时,融合非结构化数据构建借款人信用风险评估模型也是一个活跃的研究方向.如融合元水平的电话使用记录 [12] 、贷款描述文本信息 [13, 14] 、以及社交媒体信息 [15] 和平台的参与者评论 [16] 等.此外,也有学者探索了复杂网络分析方法在借款人违约预测方面的应用.如Giudici等 [17] 基于借款人的财务特征相似性网络分析了网络的拓扑特征在提升借款人信用风险评估方面的作用.从投资者角度,学者们主要探究了互联网借贷平台中投资者是否存在羊群效应,如Lee和Lee [18] 、Zhang和Liu [19] .也有学者关注投资者行为异质性 [20] 和双向交易者的信息价值性 [21] .更多研究可参考冯博等 [22] 提供的综述工作.

从平台角度,Wei和Zhang [23] 以互联网借贷平台和金融中介机构为网络节点构建复杂网络模型,通过仿真模拟分析了平台间直接风险传染的一般特征.Xiao等 [24] 提出了资金流动模型用来辨别借款人异常活动从而有效识别平台风险.佘桃 [25] 和Chen等 [26] 则研究了互联网借贷平台中个体借贷关系网络的生成和动态演化.利用复杂网络分析互联网借贷平台风险方面,Li等 [27] 以网络拓扑特征作为解释变量,把与违约节点连线的数量占比作为被解释变量,预测了平台的系统性风险.Tong和Chen [28] 探究了无线网元数据环境下基于Spark和复杂网络分析的P2P网贷违约风险问题.Xu等 [29] 从复杂系统角度来分析互联网金融的系统性风险,认为风险是通过互联网金融的内部循环向外传播.

网络分析法是结构分析策略的重要方法之一.复杂网络已经被应用于金融经济等领域 [30, 31] .小世界网络的小世界性和高聚集系数、无标度网络的小世界性和节点度分布服从幂律分布的特性都与现实世界网络十分相似 [32] .刘景卿等 [33] 研究发现全球价值链贸易网络具有“小世界现象”和“无标度特性”.宫晓莉和熊熊 [34] 通过构建金融市场信息溢出复杂网络分析了金融系统内部的风险传染特征.复杂网络的网络特征也被用来代理特定的金融变量,如隋聪等 [35] 利用银行间借贷网络的幂律分布特征度量银行间的流动性差异.周颖刚等 [36] 构造了G20经济体货币汇率间相互影响的动态网络,并利用网络重要性构造了人民币国际影响力指数.Zhang等 [37] 基于复杂网络和消费者决策机制研究了互联网金融产品的扩散过程.张奇等 [38] 基于复杂网络分析方法刻画了电动汽车充电桩众筹融资市场上投资者决策过程中的羊群行为,研究了社交网络负面信息与融资人的信用风险之间的联系.游运等 [39] 在预测P2P借贷项目违约预测中使用了平台社会网络关系,发现平台社会网络关系能够提升项目违约预测准确性.

本研究主要工作和贡献在于:现有相关研究多从借款人或投资者单一角度展开,而本研究从互联网借贷平台整体借款人和投资者借贷关系构成的有向网络角度出发,分析了个体借贷关系网络结构特征及个体行为特征,清晰刻画了借贷关系网络特征与借款人违约显著相关性,建立了借款人违约与借款人网络拓扑特征、借款信息的回归模型,为互联网融资平台借款人信用风险评估与违约预测提供了新方法.首先,提出了个体借贷关系网络构建方法,分析该借贷关系网络的网络密度、平均点度和直径以及节点间的平均距离、幂律指数等特征.其次,基于平台借贷数据,使用周期内所有投资记录构建个体借贷关系网络,并分析网络整体特征及违约借款人子网络、不同信用等级借款人子网络、不同信用等级借款人子网络与纯投资者子网络的特征,以揭示借款人和投资者的行为选择规律.再次,计算借款人节点入度中心度、近距威望和中介中心度,并检验这些节点网络拓扑特征与信用等级、借款利率、借款金额等借款信息的相关性.然后,对低信用等级的借款人群体分别建立借款人违约与节点网络拓扑特征、借款信息的Logistic回归模型,并通过Probit回归验证了稳健性.最后,针对互联网融资平台借贷风险的有效监管提出管理对策和建议.

1 个体借贷关系网络构建及整体特征描述

1.1 借贷关系网络构建

以借贷平台参与者(投资者或借款人)为节点,以借贷关系作为连接边,可建立一个有向借贷关系网络 G =( V , E ),这里 V ={ v i , i =1,2,…, n }; E ={ e ij , i =1,2,…, n , j =1,2,…, n }, n 是网络中节点个数, e ij 是从节点 v i 指向 v j 的边.

为清晰说明网络结构,图1给出了互联网平台个体借贷关系网络的最简子图.

图1 个体借贷关系网络的最简子图

Fig.1 A simple graph of individual lending relationship network

图1所示的借贷关系网络中,集合 V 包含了三类节点:1)纯投资者,即在网络中只有出度的节点,图中用实线圆圈表示;2)纯借款人,即在网络中只有入度的节点,图中用虚线方框表示;3)中介参与者,即在网络中有出度也有入度的节点,图中用实线方框表示.集合 E 表示投资者与借款人之间的所有借贷关系.元素 e ij 代表投资者 v i 投资了借款人 v j 发起的借款申请,代表投资选择关系,同时也包含了资金流动方向.该有向网络存在多重边但不包含环,即同一个投资者对同一个借款人发起的信用标投资了多次,代表了重复的投资选择关系,但不存在借款人对自己发起的标的进行投资的行为.

1.2 借贷关系网络的整体特征描述

网络密度和平均点度、网络直径和平均距离、节点度分布是复杂网络的整体特征.其中,网络密度刻画了网络连接的总体特征.节点度描述个体节点的连接情况,由于是无标度网络,则其度分布服从幂律分布 [27] .网络直径和平均最短路径体现网络信息流的传递效率.

1)网络密度. Density =| E | /n ( n -1), E 为网络边集合,| E |表示网络中边的数量; n ( n -1)是有向网络的最大可能边数.根据Nier等 [40] 关于网络结构与金融系统稳定性的研究,在未超过一定阈值下,较低的网络连通性意味着较低的风险传染性.

2)平均点度. 其中节点 v i 的入度 k v i - in =∑ k ∈ V 1 e ki >0,1 e ki >0表示存在从 v k 指向 v i 的边,节点 v j 的出度 表示存在从 v i 指向 v j 的边.一个节点的度等于其入度与出度之和.网络平均点度代表平均意义下一个参与者参与借贷活动的次数.

3)网络直径和平均距离.节点间的距离 Dist ij 定义为两个可达节点所有路径中的最短路径长度.有向网络中节点的可达性考虑了边的方向性,因此在不同方向上,同样两个节点的距离可能不同.网络直径为所有可达节点距离的最大值,即 diameter =Max ( Dist ij ).网络直径刻画平台中最长的投资关系共经过多少位中介参与者的连接构成;网络平均距离表示平均意义下一个参与者与多少其他参与者有借贷联系.

4)幂律指数.网络中边的数量通常服从分布函数为 P ( x )= cx - α 的幂律分布 [41] .其中 α 是幂律指数,描述了网络中特征变量的变化速度.幂律分布反映了网络通常情况下表现为少数节点与大量其他节点相连,而多数节点的连接边很少的特征.现实世界中的多数网络都满足幂律特征,这类网络被称为无标度网络 [42] .节点的入度在投资关系中表示有多少投资者向该节点代表的借款人进行投资,对该节点来说,描述的是借款行为.节点的出度在投资关系中表示该节点所代表的投资者投资了多少个借款人发布的借款,对于该节点来说,描述的是投资行为.

1.3 人人贷平台借贷关系网络的整体特征描述

人人贷平台成立于2010年,是我国早期的网络借贷信息服务中介之一.经过多年稳健发展,成为我国互联网借贷行业的领军者.本研究选择2010年11月到2016年2月人人贷平台上所有信用标的的借贷记录构建借贷关系网络.所建立的网络共有71 499个参与者节点,包括49 666个(69.46%)纯投资者节点,20 959个(29.32%)纯借款人节点和873个(1.22%)中介参与者节点.有775 858条边,其中99 140条为多重边.通过合并相同指向边(合并后的边权为原边权之和)对原始网络简化处理,最终得到包含676 718条边的简化网络.

所构建的网络密度为1.3×10 -4 .网络平均点度约为19,表明在平均意义下,一个参与者参与借贷活动大约19次.网络直径为10,说明平台中最长的投资关系共经过9位中介参与者连接构成.网络平均距离为3.64,表示在平均意义下,1个参与者只与平台中其他2位参与者有借贷联系.这些结果表明该网络边的关系是稀疏的,存在很多可以挖掘的潜在业务机会.另外,节点的入度和出度经过验证都符合幂律分布,对应的幂律指数分别是2.45和2.94.从幂律指数来看,节点出度的幂律指数比入度的幂律指数大,说明平台交易中投资次数变化速度更快.

2 不同属性借款人群体及纯投资者群体的行为特征

将互联网平台个体借贷网络上的节点对应到其所代表参与者的属性特征,可将参与人划分为违约借款人、无违约借款人、不同信用等级借款人和纯投资者.将节点按照不同的属性特征进行分类,并将同属性特征的参与者节点及与其相连的边提取出来,构成违约借款人子网络、无违约借款人子网络、不同信用等级借款人子网络和纯投资者子网络.通过考察各个属性子网络的内部结构及群体间行为特征,研究不同属性特征参与者的差异及联系.

2.1 违约借款人群体的行为特征

对于违约借款人子网络,根据违约借款人群体占全部借款人比率,可以得出网络借款违约问题是否突出.根据违约节点之间边的连接情况,可以判断违约是否为直接传染所导致的.就人人贷平台个体借贷关系网络来看,本研究提取了4 131个违约节点组成违约子网络,具体情况如表1所示.

表1 节点分布

Table 1 Distribution of node

表1显示人人贷平台有违约借款人和无违约借款人分别占5.77%和24.76%.纯投资者在全部参与者中占多数(69.46%),为借款人总数的2.27倍.有违约记录的借款人占全部借款人的18.92%,说明借款人违约问题比较突出.

在局部视角下,将违约借款人节点和它们相连的边从网络中提取出来形成局部违约子网络,来观察违约借款人之间的内部联系.在互联网借贷平台的个体借贷网络中,风险的传染通过点与点之间的资金链进行.由于本研究提取的违约子网络只有一条边,是从借款人ID为81 316的节点指向借款ID为117 068的节点,对应的边权为100.如果违约节点之间没有边相连,便不具备违约直接传染的基础.因此,该违约子网络结构表明人人贷平台在2010年11月至2016年2月期间借款人发生的贷款违约不是由其他借款人的违约传染所导致的.

2.2 不同信用等级借款人群体的行为特征

根据借款人的信用等级,可以将借款人分为不同信用等级的借款人群体,由此提取不同信用等级的借款人子网络.根据各信用等级子网络中违约借款人占全部借款人比率,便于了解各个信用等级借款人群体违约情况是否突出.也可以了解不同信用等级的借款人群体是否有显著差异,进一步分析信用等级子网络特征,清晰刻画不同信用等级子网络下借款人之间的投资行为选择.

具体就人人贷平台借贷关系网络来看,将建立的借贷关系网络的节点对应到信用等级属性特征,可以将借款人节点分为七种,分别是信用等级为AA、A、B、C、D、E和HR对应的类别.由于同一个借款人在一段时间内发起的借款行为可能是多次的,而每一次借款都可能对其重新评级,因此同一个借款人在不同时期可能有不同的信用等级.在违约预测问题中,把一个违约借款人错判为非违约借款人造成的损失远大于把一个非违约借款人错判为违约借款人造成的损失.同时,投资者进行投资决策时对有违约记录的借款人也更加谨慎和敏感.在这种情况下,取最低的信用等级与该借款人对应.信用等级及违约分布见表2.

表2 按借款人信用等级属性划分的借款人频率分布及违约分布

Table 2 Distribution of borrowers and defaults grouped by credit level

表2显示人人贷平台上,信用等级为AA和A的参与者占比很低,分别为0.42%和0.17%.从A到HR,信用等级越低的借款人在全部借款人中占比越高,特别是信用等级为HR的借款人在全部借款人中占比高达62.92%,表明绝大多数借款人是高风险借款人.同时,信用等级越低的借款人违约率越高,其中信用等级为HR的借款人违约率高达16.31%,表明平台绝大多数借款人信用等级过低而导致整体违约率过高的特征.

根据节点对应的借款人信用等级属性分别提取出7个信用等级子网络,观察同信用评级中参与者之间的投资选择.信用等级子网络的网络特征如表3所示.

表3 信用等级子网络的网络特征

Table 3 Features of credit level sub-network

表3表明信用等级为AA级的借款人之间投资行为相对于其他信用等级借款人之间的投资行为有更紧密的“联系”.评级为HR和E的借款人内部借贷关系的网络密度明显小于其他的子网络,这类借款人的信用水平低,他们也不愿意对与自己同级的其他借款人进行投资.

网络中的中介参与者是值得关注的,如果他们所投标的发生违约,将会影响他们的资产水平,从而可能影响自身的还款行为.因此,从盈利的角度来看,高信用等级且有比较活跃投资行为的借款人更值得平台关注.

2.3 不同信用等级借款人群体及纯投资者群体间的行为特征

为研究不同信用等级借款人群体及纯投资者群体间的行为特征,将纯投资者的信用属性标签对应为N.基于整体视角,将借贷关系网络中同一属性的节点看成一个节点,指向该节点的边的权重为原网络中指向该类节点的所有边的权重之和.如果边的起点和终点属于同一属性类别,则在新的网络中形成环.整体视角的网络中只有8个节点,除了标记为N的节点只有出度没有入度外,其他节点在该网络中都有一条出边、一条入边和环.通过整体视角,可以看到不同信用等级借款人之间的投资关系,由边的权重可直观了解到不同属性参与者在投资金额上的差异.

具体就人人贷平台借贷关系网络来看,表4列出了该网络下所有边的权重,表示不同信用等级借款人群体对其他信用等级借款人群体投资的金额及纯投资者群体对各信用等级借款人群体投资的金额.

表4 整体视角网络下所有边的权重(单位:万元)

Table 4 Weights of all edges of overall-view-network(Unit: 10 000 Yuan)

信用等级为A的借款人投资金额相对低于其他中介参与者,但该类参与者在平台中获得的投资是最高的.由于信用等级为A的借款人群体违约率最低,这说明该平台信用等级为A的借款人更受欢迎也更可信.信用等级AA的借款人对处于任何一个信用等级的借款人投资的金额都是最高的.另外,AA级借款人群体的违约率只有0.005%,与高信用等级代表的高还款能力相匹配,他们也具有较强的投资能力.只有投资行为的投资者群体对HR到AA各信用等级借款人群体投资的金额基本保持不断增加,其中对于A级信用借款人投资额最大.

3 借款人网络拓扑特征与借款信息相关性分析

通常参与者在平台上进行投资或者借款的行为时间或者周期依赖性是不同的.在确定划分网络的时间周期时,首先,要考虑在多长时间内形成的借贷关系会对借款人当前违约情况造成影响.其次,当前借款人的违约是在其借款到期后才形成的状态,这个状态并不受其还款日之后的投融资行为的影响.综合考虑借贷关系会对借款人当前违约情况造成影响需要周期积累性(纳入周期内更多的投资者投资行为的影响)以及投资者投资行为的时间频繁性因素,因此应该选取尽量短的时间周期.

具体就人人贷平台借贷关系网络来看,通过对2010年11月至2016年1月人人贷平台上所有信用标的的借款周期进行统计分析,发现只有8个标的的借款期限是小于3个月的.另外,选择3个月为周期时在相邻两个周期的借贷关系网络中,有重复出现的投资者节点或借款人节点.但其中借款人节点相对比较少,体现了投资者或者借款者在平台上的行为有不同时间或周期依赖性.从而选择3个月期限内发生的投资关系来构建借贷关系网络,得到的网络特征最合适.基于此建立了21个借贷关系网络.周期内的每一个借款人的借贷关系网络特征,由该借款人所在周期对应的网络计算得到.

3.1 借款人网络拓扑特征的计算

节点中心性用于衡量网络的可通达性,如果一个节点的中心程度越高,则意味着有越多的其他节点与此节点有相连.在社会网络中,中心程度越高的节点代表的个体具有越大的“威望”或社会权利.本研究建立的个体借贷关系网络是一个有向网络,在这里主要关注借款人的入度中心度(Input Degree, ID),即节点 v i 的入度代表从节点 v j 指向 v i 的边数.从选择关系来看,入度越大意味着选择把钱借给此借款人的投资者就越多.从资金链的关系来看,入度越大的节点与更多的投资者有负债关系.

节点的“域”是评价节点重要性的一种方法.一个节点的“域”是指与该节点存在途径的其他节点的数量,节点 v i 的入域用 N v i 表示.网络中任意两个可达节点 v i 和 v j 的距离是指它们之间的最短路径长度,用 g ( v i , v j )表示.由于在网络借贷中,平台参与者的资产负债水平受投资关系影响.间接投资关系中是否违约也会间接影响到该参与者的资产情况.同时,这种影响随着距离的增加而变弱,即直接投资关系对被观测节点中心程度影响比间接投资关系对其中心性的影响更大.距离越短,节点就越容易通达网络中的其他点,越容易接收到网络中流传的信息,传输效率越高.入域中的节点到达被观测节点的距离存在不同,因此在衡量被观测节点的中心性程度时,需要考虑入域内所有节点到达被观测节点的距离.“近距威望”(proximity prestige,PP)可以很好的衡量这一特征,其计算公式为

(1)

较大的入域规模使节点代表的借款人具有较高的近距威望,这是因为有更多的投资者直接或间接地选择了该借款人.较小的平均距离也会增大借款人的近距威望,这是因为有更多的近邻节点选择了该借款人.

节点的中介性是另外一种评价节点重要性的方法.如果网络中任意其他两个节点的最短路径经过该节点,那么该节点就作为这两个节点信息传播路径上的中介.如果该节点作为中介的次数越多,那么该节点的中介中心度(Betweenness Centrality,BC)就越高,其在流通中起到的作用就越重要.节点中介中心度的计算公式为

(2)

其中 σ ij ( v )表示节点 v i 到节点 v j 的最短路径中经过节点 v 的数量, σ ij 表示节点 v i 到节点 v j 的最短路径数量.在个体借贷关系网络中,节点的中介中心度描述了该节点在多大程度上参与了他人的投资关系.从节点作为中介的定义来看,作为中介的节点必然既有出度也有入度,因此该节点所代表的参与者具有投资者和借款人的双重身份.中介程度越高,反映的是该节点对应的参与者在平台中的投资借贷行为越活跃.

通过整理发现人人贷平台21 833名借款人中只有4%的中介参与者.对应的借款人入度中心度、近距威望和中介中心度特征如表5所示.

表5 借款人网络拓扑特征统计描述

Table 5 Summary of topology characteristics of borrower network

表5显示借款人的入度中心度平均值达到26.434 3,最大值达到1 037.由于网络中的节点数量大,因此计算得到的节点入域小,导致近距威望数值上较小.节点中介中心度的最大值为0.066 4,与只有4%的借款人是中介节点有关,但节点的中介性特征仍不可忽视.

3.2 借款人网络拓扑特征与借款信息相关性检验

下面检验三个节点网络特征与借款信息(借款人信用等级、借款金额和借款利率)之间的相关关系.之所以选择借款信息去检验相关性,是因为在计算借款人的网络拓扑特征是基于每笔投资记录建立的借贷关系网络,只有借款信息才是与每笔记录相对应的.这些指标中除了信用等级是有序的分类变量外,其他指标都是连续变量.在检验节点网络特征与借款利率和借款金额的相关关系时,计算两个变量间的皮尔逊相关系数.在检验节点网络特征与信用等级的相关关系时,计算两个变量的斯皮尔曼等级相关系数.

具体就人人贷平台借贷关系网络来看,借款人网络特征与借款人信用等级、借款利率和借款金额的相关关系见表6.

表6 借款人网络特征与借款特征相关性表

Table 6 Correlation table of characteristics of borrower network and loan features

注： ** 指示在1%的显著性水平下显著.

表6显示入度中心度与信用等级相关系数为0.184,且在1%显著性水平下显著.说明借款人在网络中的中心程度与其信用等级是有联系的.出借人会更倾向于把钱出借给高信用等级借款人,相应的其在网络中的入度中心度会越大.另外,借款人在平台中总的借款金额与直接被投资的次数(入度中心度)有较强正相关关系.但是入度中心度与借款利率间关系不显著,可以解释为入度中心度越大说明该节点所代表的借款人获得越多投资者投资,对应借款金额越大,而低借款利率与投资者投资的次数无明显相关关系.

近距威望与信用等级的相关系数为0.086,且在1%显著性水平下显著.由于在计算借款人近距威望时考虑了距离,即在计算一个借款人的近距威望时,同时考虑了其他借款人对自身的选择和其他投资者与该借款人在借贷关系网络中的距离.这可视为对中心程度不同的节点赋予了不同的权重.可以理解为,如果一个借款人近距威望越高代表他被更多中心程度高的参与者节点选择.由借款人近距威望与借款利率、借款金额的相关系数表明:借款人近距威望和借款人平均借款利率有较强的正相关关系,而与借款金额无显著相关关系.

借款人中介中心度与信用等级的相关系数为0.288,且在1%显著性水平下显著,即借款人中介中心度与信用等级之间具有正相关关系.中介中心度在一定程度上代表了借款人借贷行为的活跃程度,说明越活跃的借款人在平台中一般具有较高的信用等级.由借款人中介中心度与借款利率、借款金额的相关系数可知,借款人的中介性与自身的借款利率水平无显著相关关系,与自身的借款金额有较弱的正相关关系.说明平台中参与越多借贷关系的中介借款人,其自身在平台中也有越高的借款金额.

4 借款人网络拓扑特征、借款信息与借款人违约的回归分析

为了方便论述关于借款人网络拓扑特征、借款信息与借款人违约关系的研究,不失一般性,本节针对人人贷平台借贷关系网络进行具体的回归分析.

4.1 模型变量描述

本研究基于Logistic模型探究借贷网络节点特征与借款人违约的关系.相关变量的描述见表7,网络特征变量与借款信息特征变量的相关关系见表8.

表7 变量描述

Table 7 Variable description

注： 实证分析中对网络拓扑特征和借款利率以及借款金额进行自然对数变化.

表8 变量相关性

Table 8 Correlation

注： ** 指示在1%显著性水平下显著.

4.2 回归模型与结果

本节采用Logistic回归分析网络结构特征与借款人违约情况之间的联系.其中因变量为借款人的还款情况,用是否违约来表示, default =1代表借款人违约, default =0代表借款人没有发生违约.Logistic回归的基本模型为

(3)

其中 p 为借款人违约的概率,1- p 为借款人无违约的概率.

此外,为说明分析结果不受模型选择的影响,也采用Probit回归模型替换Logistic回归模型以降低由于模型选择而带来的分析结果偏差.Probit回归的基本模型为

(4)

其中 Φ ( x )为标准正态分布的概率分布函数.

上文检验结果表明三个节点的网络特征指标(入度中心度、近距威望、中介中心度)与节点所代表的借款人借款特征(借款等级、借款利率、借款金额)存在显著相关.据此,本节建立如下的三个回归模型.

模型1: F ( x )= f ( ID , Interest , Credit )

模型2: F ( x )= f ( PP , Amount , Credit )

模型3: F ( x )= f ( BC , Amount , interest , Credit )

首先使用Logistic回归分析方法拟合上述三个模型.回归分析结果显示每个模型的Omnisbus检验 P 值都小于0.01,表明所以模型在1%显著性水平下显著整体有效.相应的回归结果如表9所示.

表9 Logistic回归分析结果

Table 9 Regression results of Logistic analysis

注： *** , ** , * 指示分析系数分别在1%, 5%和10%的显著性水平下显著.

表9显示借款人节点的网络特征变量与借款人的贷款违约情况显著相关.其中,借款人节点的入度中心度与借款人违约正相关,表明与借款人产生投资关系的投资者越多则对应的借款人更容易发生违约.在贷款数额一定的情况下,投资者越多,反映的是大量投资者在投资时仅使用小额资金进行投资,从侧面反映了投资者认为当前借款人可能存在较高的违约风险.而借款人节点的近距威望和中介中心度与借款人违约负相关.表明借款人在平台越活跃其发生违约的可能性越小,这与现实情况相符.中介参者既作为借款人发布借款申请,也愿意作为投资者去投资其他借款人的借款.这一定程度上反映了其对这种借贷模式的认可,从而在作为借款人的情况下,其越活跃越不倾向于违约自己的借款.此外,关于其他借款申请的特征变量分析结果与既有文献保持一致.