基于非定向SBM—DEA模型的網絡借貸平臺效率分析及啟示

李先玲　王彥　康海媛

摘 要：本文采用非定向SBM-DEA方法測算了中國207個網絡借貸平臺的綜合效率、純技術效率和規模效率，并比較和分析了不同地域、不同背景下平臺第一階段和第三階段DEA效率測算結果，研究結果發現：獲得上市公司或風險投資機構的融資，有利于改善網絡借貸平臺效率，外部環境也是影響平臺效率的關鍵因素之一。本文研究結果的啟示在于：為促進網絡借貸行業的健康發展，既需要制定吸引投資的各種配套制度和政策等，形成良好的軟件環境，也需要構建良好的信息基礎設施、經濟基礎等硬件環境。

關鍵詞：網絡借貸；效率；SBM-DEA；風險投資

中圖分類號：F830.59 文獻標識碼：A 文章編號：1674-2265（2017）06-0010-08

一、引言

近年來，伴隨著網絡借貸的高速發展，網絡借貸平臺的各種風險問題開始逐漸暴露。由于挪用客戶資金、發假標、把舊的壞賬賣給新的投資人等內部欺詐問題，全球第一家上市的P2P平臺TrustBuddy在2015年10月破產倒閉。2016年Lending Club在向SEC提交的報告中，提到其在“內部評估”環節發現了兩筆總額為2200萬美元的貸款違規出售，引發機構投資者對Lending Club的信任危機。在中國，近年來網絡借貸發展中蘊含的風險同樣不容忽視。一是自2013年下半年以來，中國P2P網絡借貸行業出現“關門潮”，而且該趨勢一直蔓延至2016年，并且呈現愈演愈烈之勢。二是倒閉P2P平臺涉及的人群越來越廣，后果也越來越嚴重。據網貸之家的統計，倒閉平臺涉及的投資者人數在2013年及以前僅為0.9萬人，2014年增加為5.5萬人，2015年前7個月就有10.6萬人；倒閉平臺涉及的貸款金額在2013年及以前僅為14.7億元，2014年增加為50.5億元，2015年前7個月就高達71.6億元。三是網絡借貸平臺信用風險和操作風險問題突出。目前，中國多數網絡借貸平臺對其違約率和壞賬數量都諱莫如深，僅少數平臺如紅嶺創投、拍拍貸、人人貸等公開披露過壞賬率。

盡管網絡借貸行業監管體系尚未成熟，但是依據優勝劣汰的生存法則，低效率的網絡借貸平臺毫無疑問會逐漸被市場所淘汰。目前仍然幸存的平臺效率如何呢？哪些因素會對平臺效率產生潛在影響呢？厘清這個問題有助于正確認識中國網絡借貸行業現狀，以期為政策制定者提供決策參考。

二、文獻綜述

英美等西方國家由于信用制度和證券交易體系較為完善，網絡借貸平臺的主要貢獻在于將貸款需求信息擴散給廣泛的潛在投資者（Warren，2016）。因此，西方學者更加關注貸款人和借款人之間的信息不對稱，相應的研究主要集中在幾個方面：一是從人口學和社會學角度研究影響P2P網絡借貸成功率和借款利率的各種微觀因素。Pope和Sydnor（2008）研究發現人種、性別、體重、外形和個性都對借款成功率和借款利率有顯著影響。Berger和Gleisner（2010）、Lin等（2013）、Mollick（2014）研究發現借款人社會資源越豐富，借款項目質量越高，就越容易獲得較低成本的貸款，其貸款違約的可能性也越低。二是研究P2P網絡借貸中貸款人行為。Luo和Lin（2013）基于偏好依附和分割建立模型分析貸款人的投標行為，并采用Prosper的微觀數據進行了實證研究，認為貸款人在競標中存在明顯的羊群效應，而非按照風險和收益進行理性投資。Lee和Lee（2011）基于韓國最大P2P網絡借貸平臺數據的研究，同樣發現該平臺貸款人投標具有羊群效應。三是關注P2P平臺運營中可能存在的風險。Yum（2012）、Ashta等（2010）指出P2P借貸的一個主要問題是借貸雙方信息不對稱以及由此導致的逆向選擇和道德風險。Lee等（2011）、Luo和Lin（2013）指出信息不對稱導致出借人行為存在羊群效應，增加了網絡借貸信用風險。Yan（2015）、Warren（2016）指出由于平臺收益來源于固定比例的服務費，難以激勵平臺管理者執行嚴格的風險控制，使其存在經營風險。

由于國內相關的信用制度和法律制度還有待完善，因此國內學術界關于P2P網絡借貸的研究主要集中于四個方面：一是P2P網絡借貸平臺運營模式研究。盧馨和李慧敏（2015）、葉湘榕（2014）分別從網絡借貸平臺功能和業務特點兩個方面對平臺運營模式進行了研究。二是平臺發展現狀及存在問題研究。吳曉光和曹一（2011）、繆斌（2013）、馮果和蔣莎莎（2013）認為中國網絡借貸行業發展不規范，其原因既在于相關法律制度和監管的缺失，也與網絡借貸交易的虛擬性和匿名性有關。三是對影響P2P借貸交易成敗的微觀因素的研究。王會娟和廖理（2014）、溫小霓和武小娟（2014）分別基于人人貸和拍拍貸數據，對影響借貸行為的因素進行了研究。四是監管體系研究。吳曉光和曹一（2011）、羅斯丹和王苒（2014）、謝平等（2014）從P2P網絡借貸業務面臨的監管缺失風險、技術風險、政策風險、擔保與關聯業務風險等角度出發，提出完善網絡借貸監管原則和體系內容的具體建議。

綜上所述，國內外研究一方面較多集中于網絡借貸的模式、監管等宏觀層面，另一方面也側重對微觀層面的借貸雙方交易及影響因素的分析，而基于中觀層面——對網絡借貸平臺運營狀況及效率的研究較為匱乏。因此，本文采用非定向SBM-DEA方法測算了中國207個P2P網絡借貸平臺的綜合效率、純技術效率和規模效率，并比較和分析了不同地域、不同背景下平臺第一階段和第三階段的DEA效率。

三、模型及數據選擇

（一）效率測算模型

Fried等（2002）提出了三階段DEA模型，該方法結合使用隨機前沿分析（SFA）和數據包絡分析方法（DEA），在對決策單元效率進行評價時能夠消除環境因素和隨機因素的影響，估計出的效率值能夠更真實地反映決策單元的真實管理水平。Avkiran和Rowlands（2008）認為三階段DEA分析中需要采用更為全面的非定向SBM模型（non-oriented SBM），可同時兼顧輸出最大化和投入最小化。endprint

第一階段：采用原始投入產出數據，選取DEA模型，計算平臺管理效率和松弛變量。考慮到中國目前P2P網絡借貸行業仍然處于結構調整時期，多數平臺當前面臨著如何擴大市場份額的問題，既要考慮投入最小問題，也要兼顧最大化產出的問題。因此，本文選取非定向的規模報酬可變（VRS）的SBM模型（non-oriented SBM）進行第一階段的DEA估計，以同時兼顧平臺的輸出最大化和投入最小化問題。

假設有I個P2P網絡借貸平臺，每個平臺有n個輸入和m個輸出，用xi（i = 1，2，…，n） 表示輸入變量，yi（i = 1，2，…，m） 表示輸出變量，非定向的規模報酬可變（VRS）的SBM模型可以表示成如下線性規劃形式：

[minρ=1-1ni=1ns-ixoi1-1mr=1ms+ryors.t.xo=Xλ+s-，yo=Yλ+s+，j=1Iλj=1，s-≥0，s+≥0] （1）

其中，ρ表示平臺投入和產出非徑向冗余比值，當ρ=1時，表示平臺充分有效，當[0≤ρ<1]時，代表平臺存在效率缺失；s+、s-分別表示產出和投入松弛變量值；Xλ、Yλ分別表示期望投入和期望產出。

第二階段：應用SFA模型考察環境變量對平臺效率的影響，并得到調整后的投入和產出。在該階段將對第一階段的產出和投入松弛變量進行SFA回歸分析，分離出管理無效、環境無效和運氣好壞等誤差因素的影響，根據SFA回歸結果調整產出量，本文投入和產出具體調整方法借鑒Avkiran和Rowlands（2008）提出的方法。

首先，對I 個網絡借貸平臺的n個輸入和m個輸出的松弛變量分別進行SFA回歸分析，SFA回歸模型表示如下：

[s-i，j=fi（zj，βi）+νi，j+ui，j i=1，…，n，j=1，…，I] （2）

[s+r，j=fr（zj，βr）+νr，j+ur，j r=1，…，m，j=1，…，I]（3）

具體平臺投入調整公式如下：

[xAi，j=xi，j+maxjzjβi-zjβi+maxjvi，j-vi，ji=1，…，n，j=1，…，I]（4）

具體平臺產出調整公式如下：

[yAr，j=yr，j+zjβr-minjzjβr+vr，j-minjvr，jr=1，…，m，j=1，…，I] （5）

要計算公式（4）和（5），關鍵是從投入和產出管理無效率中分離出隨機因素。本文遵從多數學者采用的Jondrow等（1982）提出的JLMS技術，來分解復合殘差，求出平臺管理無效率E[uij|vij+uij]的估計值，具體計算方法如下：

[E（uijuij+vij）=σλ1+λ2f（ελσ）1-F（ελσ）-ελσ] （6）

其中，[σ2=σ2u+σ2v]，[εij=vij+uij]，[λ=σuσv]，[f?]、[F?]分別為標準正態分布密度函數和分布函數。

估算出平臺管理無效率E[uij|vij+uij]，可估算出平臺的隨機因素導致的投入和產出冗余估計值。具體隨機因素對產出和投入冗余的計算公式分別如式（7）和（8）：

[Evi，jvi，j+ui，j=s-i，j-zjβi-Eui，jvi，j+ui，ji=1，…，n，j=1，…，I] （7）

[Evi，jvr，j+ur，j=s+r，j-zjβr-Eui，jvr，j+ur，jr=1，…，m，j=1，…，I] （8）

第三階段：以第二階段得到的調整后產出量和投入量作為投入，再次利用SBM模型，重新估算效率值。此時估算的效率值是剔除了環境因素和運氣好壞等隨機誤差因素影響后的效率值，僅剩下管理要素影響的平臺效率值。

（二）DEA模型指標選取

在運用DEA模型評價傳統金融機構效率時，通常采用生產法和中介法來劃分其投入和產出要素。考慮數據的可得性，本文將投入要素指標選定為注冊資本（cap）和員工數（emp），產出要素指標選為投資者人數（lend）和借款者人數（bow）。

外部環境變量由平臺所在地區P2P網絡借貸成交量（vol）和人均gdp（pgdp）表示。

內部環境因素以網貸之家網貸研究院編制的P2P網絡借貸平臺技術積分（zigg）和透明度積分（tmd）表示。其中，技術積分是根據P2P網絡借貸平臺系統自主研發情況、網站人均響應時間、網站安全漏洞檢測、APP、微信客戶端、數據傳輸安全、賬戶安全、IT團隊實力等得出的評分。技術積分越高，表明該平臺技術實力越強，平臺員工素質越高。透明度積分是根據平臺對公司信息、運營數據、借款資料的公布程度給予相應評分。透明度積分越高，表明平臺信息公開得越多、越透明，需要的員工素質也越高。

（三）數據來源及說明

各平臺的投資者人數和借款者人數、注冊資本數據來自“網貸之家”的P2P網絡借貸平臺2015年10月份的交易數據庫，平臺雇傭的員工數量主要來自網貸天眼的平臺數據庫，少數平臺在網貸天眼中沒有員工統計數據，由本人通過網絡或電話聊天向各平臺進行直接詢問而獲得。最后，采集到207家P2P網絡借貸平臺的數據。

城市人均gdp來自《城市統計年鑒》，地區P2P網絡借貸成交量（vol）數據來自網絡貸之家統計。P2P網絡借貸平臺技術積分（zigg）和透明度積分（tmd）數據，來源于網貸之家網貸研究院編制的2015年5月至12月的平臺評級數據。

四、互聯網金融平臺效率分析

（一）第一階段DEA實證結果分析

采用Max DEA 5.2對中國207家P2P網絡借貸平臺運營效率進行測算，可得到非定向SBM模型測算出來的P2P網絡借貸平臺在第一階段的效率結果，并對效率結果進行如下比較分析：endprint

表1顯示三個地區平臺的平均綜合技術效率和純技術效率均值不全相等，三個地區平臺的規模效率均值全部相等。這反映出東部、中部和西部地區平臺的規模效率在統計上并不存在顯著差異，而這三個地區平臺的綜合技術效率和純技術效率存在顯著差異。進一步對綜合技術效率和純技術效率均值進行多重比較檢驗可以發現，東部地區平臺的平均綜合技術效率顯著高于中部和西部地區平臺；中部和西部平臺的綜合技術效率在統計上并不存在顯著差異；東部和中部地區平臺的純技術效率不存在顯著差異，但東部和西部地區平臺的純技術效率存在顯著差異，西部和中部地區平臺的純技術效率同樣不存在顯著差異。

從表1的檢驗結果可以看出，上市公司和非上市公司背景平臺的綜合技術效率和純技術效率均值都不存在顯著差異，而規模效率的均值在5%的顯著性水平下存在顯著差異；有風投和無風投平臺的綜合技術效率和純技術效率均值不存在顯著差異，而規模效率的均值在10%的水平下存在顯著差異；民營與國資平臺的綜合技術效率、純技術效率和規模效率均值都不存在顯著差異。

（二）第二階段SFA實證結果分析

將第一階段得出的各平臺投入和產出變量的松弛量作為因變量，將tmd、zigg、pgdp和vol等4個環境變量作為解釋變量，軟件stata14.0給出的 SFA 回歸結果見表2。表2分析結果顯示，4個環境變量對平臺的投入和產出冗余變量都有一定的影響。其中，兩個內部環境變量影響表現為：信息透明度對注冊資本、員工數量、借款人數和投資人數的松弛變量都產生了顯著影響，表明提高平臺信息透明度，會提高員工數量冗余，降低平臺運營效率；提高平臺信息透明度，有利于降低注冊資本、借款人數和投資人數的冗余，提高平臺運營效率；提高平臺員工技術水平，會提高員工數量冗余，降低平臺運營效率；提高平臺員工技術水平，有利于降低注冊資本、借款人數和投資人數的冗余，提高平臺運營效率。

平臺所在城市人均gdp越高，越有利于降低注冊資本和投資人數的冗余，提高平臺運營效率。平臺所在省P2P網絡借貸成交量越高，越有利于降低借款人數和投資人數的冗余，提高平臺運營效率。平臺所在省P2P網絡借貸成交量越高，越會增加注冊資本冗余，降低平臺運營效率。

由于4個環境變量對于各平臺投入和產出冗余變量都影響顯著，這可能導致一些處于較好經濟環境地區的平臺或運氣較好的平臺都出現較高的效率，而一些處于較差經濟環境的平臺表現得效率欠佳，導致平臺效率被高估或低估。因此，有必要調整原有投入和產出變量，使所有平臺面臨同樣的經營環境，考察其真實效率水平。

（三）第三階段DEA實證結果分析

根據公式（4）和（5）分別調整投入和產出變量，并利用調整后的投入和產出變量值再次進行SBM模型效率估算，得到第三階段各平臺的效率值及規模報酬狀態。

由表3檢驗結果可以看出，東、中、西三個地區平臺的平均綜合技術效率和純技術效率差異都不顯著，僅規模效率均值差異在10%的水平下顯著。這表明剔除環境因素影響后，東部、中部和西部地區平臺的效率并不存在顯著差異；上市公司和非上市公司背景平臺綜合技術效率在1%的顯著性水平下顯著，純技術效率和規模效率的均值都在5%的水平下存在顯著差異，這表明上市公司和非上市公司背景平臺綜合技術效率差異一方面來自平臺純技術效率差異，另一方面來源于規模效率差異；在5%的顯著性水平下，有風投和無風投平臺綜合技術效率和純技術效率的均值存在顯著差異，而規模效率不存在顯著差異。因此，有風投平臺的綜合技術效率和純技術效率在數值上和統計上都顯著高于無風投平臺，由此可以看出有無風投平臺的綜合效率差異主要來源于純技術效率的差異；民營和國資平臺綜合技術效率、純技術效率和規模效率的均值都不存在顯著差異。

（四）調整前后不同背景平臺效率比較

為避免小樣本問題可能帶來的效率評價偏差，本文借鑒Simar等（1998）提出的Bootstrap-DEA方法，利用 stata14分別對投入和產出調整前后不同經濟區域和不同背景平臺的三個運行效率值進行 90%和 95%水平的置信區間估計，其中Bootstrap 次數 B設為 1000，分析結果如表4所示。

從不同區域來看，表4中調整后的東部、中部和西部平臺第三階段平均綜合效率、平均純技術效率和規模效率的90%和95%置信區間上限和下限均有明顯增加，這說明剔除環境和隨機因素后，各區域平臺的平均綜合效率有明顯提高。具體變化如下：（1）東部地區平臺的純技術效率均值從0.11增加至0.902，規模效率由0.709上升為0.761，綜合效率均值從0.072增加為0.686，而綜合效率在第一階段被低估的原因是純技術效率和規模效率都被低估。（2）中部地區平臺的純技術效率均值從0.051增加至0.896，規模效率由0.658上升為0.745，綜合效率均值從0.003增加為0.67。因此，中部地區綜合效率在第一階段被低估的原因是純技術效率和規模效率都被低估。（3）西部地區平臺的純技術效率均值從0.038增加至0.902，規模效率由0.603上升為0.844，綜合效率均值從0.009增加為0.757。因此，西部地區綜合效率在第一階段被低估的原因同樣是純技術效率和規模效率都被低估。從以上分析可以看出，東中西三個地區平臺效率都受到環境因素較大影響，相比之下，西部和中部地區平臺效率受環境和隨機因素影響更大。

表4還顯示調整后的上市公司與非上市公司平臺、民營與國資平臺、有風投與無風投平臺第三階段平均綜合效率、平均純技術效率和規模效率的90%和95%置信區間上限和下限均有明顯增加，這說明剔除環境和隨機因素后，各種背景平臺的平均綜合效率有明顯提高，具體變化如下：（1）上市公司背景平臺的純技術效率均值從0.079增加至0.942，規模效率由0.783上升為0.843，綜合效率均值從0.067增加為0.798，而綜合效率在第一階段被低估的原因是純技術效率和規模效率都被低估，特別是純技術效率被嚴重低估。非上市公司背景平臺同樣存在純技術效率和規模效率都被低估，導致平臺綜合效率被嚴重低估的問題。（2）民營平臺的純技術效率均值從0.094增加至0.905，規模效率由0.693上升為0.77，綜合效率均值從0.053增加為0.697，而綜合效率在第一階段被低估的原因是純技術效率和規模效率都被低估，特別是純技術效率被嚴重低估。國資背景平臺同樣存在純技術效率和規模效率都被低估，導致平臺綜合效率被嚴重低估的問題。（3）有風投平臺的純技術效率均值從0.078增加至0.927，規模效率由0.768上升為0.804，綜合效率均值從0.071增加為0.747，而綜合效率在第一階段被低估的原因是純技術效率和規模效率都被低估，特別是純技術效率被嚴重低估。無風投平臺同樣存在純技術效率和規模效率都被低估，導致平臺綜合效率被嚴重低估的問題。endprint

綜合來看，網絡借貸平臺的Boostrap-DEA效率置信區間估計呈現上述結果，其原因可能在于：（1）P2P網絡借貸在中國發展仍然處于探索階段，無論是經濟相對發達的東部地區還是經濟相對落后的中西部地區，經濟和社會環境是P2P網絡借貸行業賴以生存和發展的土壤，因此環境因素對所有平臺效率都會產生重要影響。（2）東部地區的各種經濟金融政策、法規和配套基礎設施較中西部地區更完備，東部地區平臺成立和發展較中西部地區有更好的微觀和宏觀基礎。以政策為例，最早出臺關于互聯網金融企業優惠政策的地方政府是北京，上海和深圳緊隨其后也出臺了相關政策。這也讓東部地區在互聯網金融發展上具有了先行者優勢，讓大量有實力有背景的P2P網絡借貸平臺匯集在東部地區。因此，如果不剔除環境因素影響，東部地區平臺效率很可能高于中西部地區平臺效率。（3）上市公司和風險資本注資或涉足的平臺大致有兩類；一類是成立時間較長、在行業內有一定影響力的平臺，這類平臺已經有豐富的技術和管理經驗，并且已經吸引了較為穩定的客戶群體，如拍拍貸、宜人貸、銀湖網、溫州貸等。另一類是其實體企業已經在某個領域積累多年運營經驗，意圖發展其從業領域相關供應鏈金融，并將其引入互聯網金融方向，因此涉足P2P網絡借貸行業，如東方金鈺、電網貸、神州通寶等。這兩類平臺較其他平臺運營相對更規范，純技術效率和綜合效率必然更高。（4）國資背景平臺和民營平臺在效率上并不存在顯著差異，其原因可能在于多數國資背景平臺成立較晚，在行業內影響力有限，另外許多國資背景平臺交易數據透明度不高，限制了能夠獲得數據的國資背景平臺數量。

五、平臺效率比較結果與啟示

本文采用非定向SBM-DEA方法測算了中國207個P2P網絡借貸平臺的綜合效率、純技術效率和規模效率，并比較和分析了不同地域、不同背景下平臺第一階段和第三階段DEA效率測算結果，研究發現：

第一，如果不剔除環境因素，東部地區平臺綜合效率高于中部和西部地區平臺，這種優勢不是來自各地平臺規模效率差異，而是來自各地平臺的純技術效率差異。如果剔除環境因素影響，東、中、西三個地區平臺的綜合技術、純技術和規模效率不存在顯著差異。這表明環境因素對平臺運營存在較大影響，要保持P2P網絡借貸行業健康發展，各種配套制度和政策必須先行。

第二，從平臺背景來看，無論是否剔除環境因素，國資平臺的綜合技術、純技術和規模效率與民營平臺不存在顯著差異。如果不剔除環境因素，上市公司背景和非上市公司背景平臺的綜合效率不存在差異。但剔除環境因素影響后，與非上市公司背景平臺相比，上市公司背景平臺的綜合技術、純技術和規模效率都更高。類似的，如果不剔除環境因素，有風投和無風投背景平臺的綜合效率不存在差異。但剔除環境因素影響后，有風投平臺的綜合技術、純技術和規模效率都顯著高于無風投平臺。

上述研究結果對互聯網金融平臺生存與發展的借鑒意義和啟示在于：

一是外部環境是影響互聯網金融平臺效率的關鍵因素之一。由于目前國內關于互聯網金融監管政策尚不明確，互聯網金融涉及的主要業務都游離于監管的邊緣地帶，還有部分業務甚至可能存在與原有國內相關法規沖突的問題。因此，地方政府的支持力度和相關配套制度都會對互聯網金融平臺發展產生深遠影響。另外，地區經濟、金融環境和信息基礎設施也是互聯網金融平臺運營的物質基礎條件。因此，互聯網金融行業的健康發展，既需要各種配套制度和政策等良好的軟件環境，也需要信息基礎設施、經濟基礎等硬件環境。

二是互聯網金融平臺發展需要上市公司或風險投資機構的資金支持。互聯網金融平臺作為初創企業，其發展中不僅會面臨資金約束瓶頸，還會遇到高素質人才缺乏的困難。而上市公司和風險投資為互聯網金融平臺提供融資，不僅能夠緩解平臺在成立初期的資金約束問題，而且還能夠通過其監督和引導，甚至是介入平臺管理，逐步規范平臺的經營和管理，為平臺制定更長遠的發展規劃。

參考文獻：

[1]Ashta A，Assadi D，Johnson S. 2010. Online or Offline？：The Rise of "Peer-to-Peer" Lending in Microfinance.[J].Journal of Electronic Commerce in Organizations，8（3）.

[2]Berger S C，Gleisner F. 2010. Emergence of Financial Intermediaries in Electronic Markets： The Case of Online P2P Lending[J].BuR - Business Research，2（1）.

[3]Yum H，Lee B，Chae M. 2012. From the wisdom of crowds to my own judgment in microfinance through online peer-to-peer lending platforms[J].Electronic Commerce Research & Applications，11（5）.

[4]Jondrow J，Lovell C A K，Materov I S，et al. 1982. On the estimation of technical inefficiency in the stochastic frontier production function model[J].Journal of Econometrics，19（2）.

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

[6]Mollick E. 2014. The dynamics of crowdfunding： An exploratory study [J].Journal of Business Venturing，29（1）.

[7]Lee E，Lee B. 2011. Herding Behavior In Online P2P Lending：An Empirical Investigation[J].Electronic Commerce Research & Applications，11（5）.

[8]Avkiran N K，Rowlands T. 2008. How to better identify the true managerial performance： State of the art using DEA[J].Omega，36（2）.

[9]Pope D G，Sydnor J R. 2008. What's in a Picture？ Evidence of Discrimination from Prosper.com[J].Journal of Human Resources，46（1）.

[10]Luo B，Lin Z. 2013. A decision tree model for herd behavior and empirical evidence from the online P2P lending market[J].Information Systems and e-Business Management，11（1）.

[11]Yan J，Yu W，Zhao J L. 2015. How signaling and search costs affect information asymmetry in P2P lending： the economics of big data[J]. Financial Innovation，1（1）.

[12]Warren W S. 2016. The Frontiers of Peer-to-Peer Lending： Thinking About a New Regulatory Approach[J]. Duke L. & Tech. Rev.，36（14）.

[13]馮果，蔣莎莎.論我國P2P網絡貸款平臺的異化及其監管[J].法商研究，2013，28（5）.

[14]羅斯丹，王苒.我國加強P2P風險的監管研究[J].經濟縱橫，2014，30（9）.

[15]盧馨，李慧敏. P2P網絡借貸的運行模式與風險管控[J].改革，2015，32（2）.

[16]吳曉光，曹一.論加強P2P網絡借貸平臺的監管[J].南方金融，2011，33（4）.

[17]繆斌.對P2P借貸平臺的風險調查及政策建議——以鎮江市為例[J].金融縱橫，2013，28（9）.

[18]譚雪晗，涂艷.基于社會網絡分析的P2P網絡借貸行為模式研究[J].金融發展研究，2016，（8）.

[19]王會娟，廖理. 中國網絡借貸平臺信用認證機制研究——來自“人人貸”的經驗證據[J].中國工業經濟，2014，33（4）.

[20]謝平，鄒傳偉，劉海二，互聯網金融監管的必要性與核心原則[J].國際金融研究，2014，31（8）.

[21]葉湘榕. 借貸的模式風除與監管研究[J].金融監管研究，2014，3（3）.

Abstract：Based on the non-oriental SBM-DEA，this paper measuresthe comprehensive efficiency，pure technical efficiency and scale efficiencyof 207 P2P network lending platforms in China. And it compares and analyzes the first stage and the third stage of DEA efficiency measurement results with different regions and different platform backgrounds. We find that the external environments is one of the key factors that influence efficiency of platforms，and obtaining financing from the listed company or venture institutions can improve the efficiency of the platforms. So we conclude that for the healthy development of online lending industry，software and hardware environments should be built. The software environment refers to some measures or polices in order to attract investment in online lending industry. The hardware one means building fine information infrastructure and economic basis.

Key Words：online lending platform，efficiency，SBM-DEA，venture capitalendprint