網絡借貸的投資從眾行為研究
——平臺與投資者的雙重視角

張 琳，史 達，馬秀程

（1. 東北財經大學 薩里國際學院，遼寧 大連 116025；2. 東北財經大學 國際商學院，遼寧 大連 116025）

一、引 言

網絡借貸是投資者與借款人之間通過網絡平臺進行的點對點的信息交換與借貸，大多以P2P為主。網絡借貸起初被視為金融與科技的創新結合，可有效補充傳統金融市場，提高民間融資效率。但是，隨著網絡借貸行業的發展，越來越多的問題逐漸暴露出來，出現大量的停業平臺、跑路平臺和問題平臺，引發金融市場的動蕩與系統風險。盡管目前中國網絡借貸平臺已全部出清，僅部分平臺轉型，但這并不意味著互聯網金融的失敗，兩者的結合仍是中國未來金融市場發展的方向。回顧近十年的發展歷程，網絡借貸行業由“繁榮發展”至“限制出清”，其中的原因不僅引發金融市場參與者與監管部門的反思，也令學術界不斷地深思。

早期關于網絡借貸的研究文獻主要圍繞網絡借貸平臺的經營和發展、借貸效率等問題展開。伴隨著網絡借貸行業的發展，網絡借貸的主體行為和金融風險及其控制成為研究的重點。高收益率與高風險并存的同時，網絡借貸平臺的暴雷問題越來越突出，致使大量投資者損失慘重，引起公眾的廣泛質疑和監管部門的關注。對于網絡借貸行業的監管，已有研究多傾向于從網絡借貸平臺內部的風險信息切入，探討網絡借貸借款人的個人信息、信用評級和逾期情況等對系統性風險的影響。關于網絡借貸平臺外部監管的研究主要集中于網絡借貸行業的監管模式與政策手段。根據中國銀保監會的數據，現有網絡借貸平臺已全部出清，并在最大程度上保障投資者的利益，而這與網絡借貸興起之初，人們對互聯網金融發展給予厚望的初衷背道而馳，也很難保證未來不再出現“換馬甲”式的互聯網金融新業態。因此，思考和研究網絡借貸平臺的運營模式與投資者行為，有利于汲取網絡借貸行業的經驗教訓，辨識類似的風險特征。

網絡借貸平臺由指數增長到限制出清對正在或者即將出現的互聯網金融新業態有何啟示？如何有效地辨識網絡借貸投資者的行為模式，降低互聯網金融新業態的系統性風險？從現有研究來看，對于上述疑問尚未進行很好的回答：第一，現有文獻集中于解決短期的網絡借貸平臺的風險管控與監管問題，尚未對網絡借貸行業的限制出清和互聯網金融新業態的問題進行反思。第二，大多研究聚焦在網絡借貸平臺、投資者和借款人等微觀主體對網絡借貸風險的影響，而鮮有文獻由網絡借貸平臺的借款項目與投資者的雙重視角探討互聯網金融新業態的風險特征與發展方向。第三，部分研究通過理論辨識或者仿真模擬來討論網絡借貸的相關問題，缺少網絡借貸平臺真實數據的佐證。由于無法有效辨識網絡借貸平臺的投資者與借款人的真實信息，仿真模擬效果的準確性難以保證。值得注意的是，網絡借貸行業屬于平臺型經濟，是一種介于傳統的“企業—市場”之間的雙邊、多邊的中間組織形態，以價格機制進行資源配置，通過內部規則對參與者實施管控的網絡借貸平臺。更確切地說，在借貸雙方交易過程中，信息傳遞和債權確立完全通過互聯網在線上進行，無須傳統中介平臺中借貸雙方面對面地磋商、討價還價與實物貨幣交付，但借貸雙方的法律關系和權利義務與傳統中介平臺的借貸模式并無不同。因此，基于網絡借貸平臺與投資者的雙重視角，本文利用“人人貸”平臺的數據，探討網絡借貸的借款項目與投資者特征對網絡借貸的投資從眾行為的影響。

本文具有一定的現實意義和理論貢獻：第一，網絡借貸平臺的投資者個體行為與從眾行為均可能對金融市場的系統性風險產生影響，且投資從眾行為影響更大。本文力圖助力監管部門辨識互聯網金融新業態的投資者行為模式，可以有效降低金融市場的系統性風險。第二，現有研究多聚焦在網絡借款項目與投資者特征對網絡借貸的投資從眾行為的影響，而忽略了驅動投資者行為的內部機制問題。本文量化網絡借貸借款項目和投資者特征等因素，探討其對網絡借貸的投資從眾行為的影響機制，明晰網絡借貸的投資者行為模式。第三，根據網絡借貸平臺純粹的“自由定價”假設，現有研究多將利率、期限、信用等級和抵押物等借款項目因素作為研究變量。但是，實際上中國的網絡借貸平臺大多受到“指導定價”的影響，而非“自由定價”。本文將進一步探討“指導定價”對于網絡借貸的投資從眾行為的影響，這意味著借款項目自動投標比例等因素可用于考察網絡借貸平臺“指導定價”對網絡借貸的投資從眾行為的影響。

二、理論分析與研究假設

（一）理論分析

1. 網絡借貸的信息不對稱

網絡借貸是互聯網金融發展背景下產生的平臺型組織形態，作為一種非傳統平臺下金融活動的中介組織，拓寬金融服務場景，將資金的供給者、需求者、服務提供者和監管機構相結合，提高資金利用效率。但是，網絡借貸行業的業務活動存在較為嚴重的信息不對稱問題。具體而言，國內外學者研究網絡借貸的信息不對稱問題主要分為以下三個方面：第一，楊曉琴等認為，由于網絡借貸的網絡屬性和運作模式，無法避免信息不對稱問題。這意味著網絡借貸的投資者多傾向于追求高收益率，而忽視網絡借貸借款項目與借款人的詳細信息，特別是網絡借貸平臺難以完備地掌握借貸雙方信息以及有效地辨識信息的準確性。確切地說，網絡借貸雙方信息主要來自借款項目的利率、借款人的信用等級和投資者的投資經驗等方面，僅通過網絡借貸平臺的公開信息，借貸雙方無法獲取全面的信息，進一步加大投資者的投資風險。投資者為規避信息不對稱問題衍生的風險，往往選擇觀察其他投資者的行為來進行投資決策，無疑影響其對信息的判斷。同樣地，網絡借貸行業尚未對接銀行征信系統，加之第三方征信系統尚不成熟，加劇網絡借貸的信息不對稱程度，一定程度上降低了借款人的違約成本。值得注意的是，由于網絡借貸雙方的非傳統性、隱藏性和網絡性，整體上加大了網絡借貸的信息不對稱問題。第二，為解決網絡借貸的信息不對稱問題，章雷和胡建新認為，創新金融監管方式和利用大數據技術減少網絡借貸的信息不對稱問題，輔助投資者進行投資決策。Liu等認為，強調網絡借貸平臺呈現出借貸雙方信息，提高了信息溝通的效率，在某種程度上減少借貸雙方的信息不對稱問題。然而，學術界對通過科學技術解決網絡借貸的信息不對稱問題早有討論。客觀地講，網絡借貸作為傳統金融市場的有效補充，提高了借貸雙方的資金利用效率，但信息真實性程度難以準確辨識，并未降低借貸雙方的交流成本。這足以說明科學技術尚未徹底解決網絡借貸的信息不對稱問題。第三，網絡借貸的信息不對稱顯著影響到借貸雙方的交易行為。徐衛東和郭千鈺通過檢驗網絡借貸雙方的責任與交易安全的關系，認為網絡借貸交易風險的主要原因是信息不對稱，強調信息披露可以糾正與預防信息不對稱產生的交易風險。既然網絡借貸的信息不對稱問題無法徹底根除，投資者傾向于選擇高收益率的網絡借貸平臺和借款項目，這也在一定程度上忽視了對網絡借貸平臺和借款項目的深入考察。也就是說，網絡借貸的信息不對稱問題加重投資者的心理壓力并影響投資決策，陳倫基于網絡借貸的投資者視角，探討投資者選擇網絡借貸平臺與借款項目的原因，認為信息不對稱問題明顯影響到投資者的心理判斷和投資行為。在很大程度上，由于網絡借貸行為的線上操作與借貸雙方的信息不對稱問題，極易引發投資者的非理性投資行為和借款人的違約行為，進而產生網絡借貸的信任風險與金融市場的系統性風險。

2. 網絡借貸的投資從眾行為

自20世紀80年代起，金融領域的學者開始針對金融市場的投資者個體行為與從眾行為進行相關研究，其中，以羊群效應為代表的投資從眾行為備受關注，這種投資從眾行為同樣也存在于網絡借貸行業。已有研究證實網絡借貸雙方的心理、網絡借貸的運行機制和信息不對稱等因素是網絡借貸的投資從眾行為的主要因素。更確切地說，網絡借貸投資者比較傾向對比其他投資者或者機構的投資項目，有意識地調整投資行為，繼而產生較為明顯的投資從眾行為。在此基礎上，朱菲菲等認為網絡借貸的信息不對稱程度、機構投資占比和借款項目規模等均會對網絡借貸的投資從眾行為產生影響。Liu等和Lin等的研究認為，網絡借貸借款項目的利率和規模與網絡借貸的投資從眾行為呈現出顯著正相關關系。這意味著，網絡借貸不同于傳統的中介平臺，提高了借貸雙方辨識信息的難度。從這個角度來看，網絡借貸投資者對借款人與借款項目信息辨識不充分，網絡借貸的信息不對稱程度增加，勢必推動網絡借貸投資者選擇從眾行為規避風險。同樣地，與網絡借貸的信息不對稱相似，網絡借貸的投資從眾行為也存在一定必然性。

（二）研究假設

基于網絡借貸的投資者視角，投資從眾行為存在的原因主要有兩個：第一，確保借款項目成功投標。網絡借貸的優質借款項目具有一定稀缺性，可供投資者選擇的優質項目較少，勢必引起投資者的過多關注。為避免后期投資金額過低造成優質借款項目流標，投資者可能會先下手為強，搶投優質借款項目。也就是說，網絡借貸的投資從眾行為在某種程度上提高投資者投標的成功率。第二，規避潛在風險。網絡借貸的投資者與借款人準入門檻較低，部分借款項目質量不高且違約幾率較大，存在較高的風險。同時，網絡借貸的投資者大多沒有實際投資經驗，較難辨識借款項目的優劣。由此，基于風險偏好與承受能力，部分投資者通過觀察其他投資者的投資行為來降低投資風險，間接促成網絡借貸的投資從眾行為。換言之，網絡借貸投資者利用投資從眾行為降低投資風險，繼而提高網絡借貸的投資從眾行為。

基于網絡借貸的借款項目視角，廖理等認為，網絡借貸的投資從眾行為可能來自借款項目的特征，實證檢驗出借款項目與投資者特征決定著投資者的行為模式。具體而言，網絡借貸項目特征主要包括以下六個方面：

⒈借款項目獲得的累計投資金額

借款項目獲得的累計投資金額是指在投資前平臺顯示的借款項目已經收到的投資金額。吳佳哲指出網絡借貸的投資者觀測到借款項目已收到較高的投資金額，極易認為其他投資者比較傾向于投資該項目，繼而加大投資者投資項目的意愿。換言之，借款項目獲得的累計投資金額越高，投資者越愿意選擇跟隨投資。Jiang等認為，借款項目獲得的累計投資金額是辨識網絡借貸的投資從眾行為的關鍵變量。同樣地，楊曉琴等認為，借款項目獲得的累計投資金額是測量投資者從眾行為的維度，主要在于告知投資者借款項目具有較高的成功率，從而吸引更多投資者。更確切地說，借款項目獲得的累計投資金額越高，投資者越傾向于投資該項目，投資者的從眾行為也越顯著。因此，本文提出如下假設：

H1：借款項目獲得的累計投資金額越高，投資從眾行為越顯著。

⒉借款項目剩余百分比

借款項目剩余百分比是指網絡借貸借款項目剩余可投資金額占借款總額的百分比。呂勇斌等認為，網絡借貸的借款項目剩余百分比越高，說明投資者的投資意愿越低，顯著降低后續投資者的跟隨行為。具體而言，網絡借貸的投資者為規避借款項目流標的損失，傾向于選擇投標金額比較大且可能滿標的借款項目，當借款項目剩余百分比越高，投資者多認為該項目并不受歡迎，繼而不愿意跟投。然而，Jiang等認為，當網絡借貸的借款項目接近滿標，投資從眾行為仍然存在，但投資從眾行為呈現出邊際遞減趨勢。Lin等認為，隨著網絡借貸的借款項目剩余百分比逐漸降低，投資從眾行為的程度隨之降低。由此推斷，網絡借貸借款項目剩余百分比影響到投資從眾行為。因此，本文提出如下假設：

H2：借款項目剩余百分比越高，投資從眾行為越顯著。

⒊借款項目參與度

借款項目參與度常以累計投資筆數表示，累計投資筆數是指網絡借貸的借款項目已成功獲得的投資筆數。陳勝利和張璇認為，借款項目獲得的投資筆數越多，暗示該借款項目比較優質，引發其他投資者的跟投。需要注意的是，不同于累計投資金額，累計投資筆數與每筆投資的投資金額無關，僅通過借款項目的投資筆數反映借款項目參與度。也就是說，網絡借貸借款項目獲得越多投資筆數，越能引發投資者做出相似投資行為。因此，網絡借貸借款項目參與度越高，投資者往往表現出跟隨心理，繼而投資從眾行為顯著性增強。因此，本文提出如下假設：

H3：借款項目參與度越高，投資從眾行為越顯著。

⒋借款項目自動投標比例

借款項目自動投標是指投資者預先在網絡借貸平臺的操作頁面設置偏好，提前將資金存入平臺賬號，系統根據用戶預設指標自動進行投標。由于機器行為并不屬于個體行為的范疇，Duart等主張剔除自動投標變量后再進行相關研究。但是，考慮到系統自動投標與投資者手動投標存在一定的競爭性，在較大程度上自動投標降低了投資行為的非理性。值得注意的是，已有學者探討網絡借貸的自動投標對投資者行為的影響，Jiang等認為，借款項目自動投標提高了投資者的理性程度，減少投資者的非理性投資，較大降低了投資從眾行為。這意味著，網絡借貸借款項目自動投標比例越大，越能減少投資者的非理性投資，投資從眾行為越不顯著。因此，本文提出如下假設：

H4：借款項目自動投標比例越大，投資從眾行為越不顯著。

⒌投資者的網絡借貸投資經驗

現有研究多以投資者在網絡借貸平臺注冊時間的相對值來測量投資者的投資經驗。都紅雯等認為，注冊時間比較久的投資者默認具有較豐富的網絡借貸投資經驗。同樣地，陳冬宇和鄭海超認為，在通常情況下，網絡借貸投資經驗較少的投資者比較容易產生跟隨投資行為。由于網絡借貸的投資者準入門檻較低，大多投資者普遍缺乏投資經驗，而網絡借貸的投資經驗多指理解網絡借貸運營流程的程度以及觀察其他投資者進行投資行為的經驗，并非嚴格意義上傳統金融市場的投資經驗。因此，本文提出如下假設：

H5：投資者的網絡借貸投資經驗越多，投資從眾行為越不顯著。

⒍其他因素

其他因素主要包含借款人的背景特征與投資者的特征因素。現有研究多將投資者與借款人的特征因素作為網絡借貸投資者行為的前因變量。同時，投資者的性別、年齡、教育程度等背景特征與借款人的信用評級、期限、抵押物等特征因素并不隨著網絡借貸的借款項目和投資者的變化而變化，無法體現出時間序列趨勢。盡管網絡借貸投資者與借款人的特征因素在特定條件下可能對投資從眾行為產生統計學意義，但其中較多變量并非數值型變量，結果顯著性并不高，研究意義不大。再者，考慮到網絡借貸普遍采用平臺項目定價模式，利率并不完全由投資者與借款人確定，還需要按照平臺的指導定價進行設置。因此，上述因素不作為本文研究的主要變量，而作為控制變量整合到研究模型。

三、數據與研究設計

（一）樣本與數據來源

本文通過Python抓取“人人貸”平臺的借款項目、借款人和投資者等公開信息，并進行脫敏處理，總體數據庫共約180萬條數據。從總體數據庫按年度分層抽取2012—2018年的借款項目數據，每年度各抽取2 000條，項目投資記錄共計1 019 575條。之所以選擇“人人貸”平臺的原因在于，“人人貸”是中國網絡借貸行業的領頭羊，截至2019 年末，已累計成交超過995.52 億元，累計注冊用戶數超過4 417萬人。“人人貸”平臺的借款項目和投資行為比較規范，數據容易獲取，具有較高的代表性。

本文按照如下標準處理樣本數據：第一，整理原始樣本數據，形成小時投資數據，再對樣本數據進行初步篩選，確保樣本數據的完整性。第二，收集樣本數據的借款項目信息與特征，并對每個樣本項目進行編號，然后按照小時間隔篩選每個借款項目的項目信息和投資者信息并進行編號，且與借款項目進行對應，構建完整的樣本數據集。第三，剔除借款項目大于60小時的樣本數據，由于絕大部分借款項目均在60小時內完成，部分大于60小時的借款項目數據離散程度較高，這會影響到樣本的穩定性。因此，剔除大于60小時的樣本數據。第四，以網絡借貸投資者的注冊序號測量投資者的網絡借貸投資經驗，注冊序號作為投資者在平臺的身份標識，具有唯一性與序數性，注冊序號大小表示投資經驗的多少。同時，考慮到注冊序號實際數值較大，直接帶入模型嚴重影響到模型擬合。由此，本文將注冊序號數值取自然對數作為投資者的網絡借貸投資經驗的相對值。

（二）變量界定

⒈被解釋變量

本文參考呂勇斌等和Jiang等的研究將借款項目獲得的總投資額和投資者投資借款項目的金額作為測量網絡借貸的投資從眾行為的變量。其中，借款項目獲得的總投資額（）表示借款人的借款項目獲得的投資金額；投資者投資借款項目的金額（）表示網絡借貸投資者投資借款項目的金額。

⒉解釋變量

借款項目獲得的累計投資金額（）表示網絡借貸借款人的借款項目在某時段獲得的累計投資金額；借款項目剩余百分比（）表示借款項目剩余可投資金額占借款總額的百分比；借款項目參與度（）表示借款項目已成功獲得的投資筆數；借款項目自動投標比例（）表示網絡借貸借款項目投資金額中自動投標所占的比例；投資者的網絡借貸投資經驗（）為投資者在網絡借貸平臺注冊序號數值的自然對數。本文主要參考Jiang等的研究，將網絡借貸借款項目自動投標比例作為測量投資從眾行為的變量。同樣地，參考都紅雯等的研究，用網絡借貸平臺注冊時間來表示投資者的網絡借貸投資經驗。

⒊控制變量

借款項目的期限（）采用借款項目的還款期限來測量，用于反映借款項目的優劣；借款項目的利率（）采用網絡借貸的借款項目實際利率來測量；借款項目的金額（）采用網絡借貸的借款項目的實際借款金額來測量，用來顯示借款項目的規模；借款項目的信用度（）以樣本借款項目的均值（）作為分類標準，信用度等于或者高于均值的借款項目，記為1，反之取0；借款人性別（）的取值為男性取1，女性取0；借款人年齡（）以網絡借貸平臺用戶的注冊信息作為借款人年齡的測量指標。

（三）模型設定

為檢驗研究假設，本文參考Jiang等、王德和李建軍的模型以及“人人貸”平臺的真實數據，本文選用線性回歸模型進行實證分析。同時，進一步探討網絡借貸借款項目和投資者特征對投資從眾行為的影響，構建兩個模型如下：

BAmt=++γRem+Bid+δAuto+θX+ε（1）

Amt=+++φV+ωX+ε（2）

其中，模型（1）是檢驗網絡借貸借款項目對網絡借貸的投資從眾行為的影響程度，模型（2）是檢驗網絡借貸的投資者特征對網絡借貸的投資從眾行為的影響程度。為借款項目獲得的總投資額，為投資者投資借款項目的金額，為借款項目的在某時段獲得的累計投資金額，為借款項目剩余百分比，為借款項目已獲得的投資筆數，為借款項目自動投標比例，為投資者的網絡借貸投資經驗，與為控制變量，包括借款項目的期限（）、利率（）、金額（）、信用度（）、借款人性別（）、借款人年齡（）等，包括借款項目剩余百分比（）、借款項目自動投標比例（）等。此外，表示借款項目序號，表示投資者序號，表示時間，為隨機誤差項。

四、實證分析

（一）描述性統計分析

本文變量的描述性統計如表1所示。

表1 變量的描述性統計

在投資者方面，投資者每條投資數據記錄的最小值為50元，最大值為700 000元，平均值為1 173.933 元；借款項目收到的投資記錄條數的最小值為1 條，最大值為1 778 條，平均值為57.462 條；借款項目每小時累計剩余百分比的最小值為0，最大值為100%，平均值為49.600%；借款項目每小時累計自動投標比例的最小值為0，最大值為100%，平均值為15.040%。這說明網絡借貸的投資者投資數據比較完備。

在借款項目方面，借款金額為3 000—3 000 000元，平均值為82 211.642元，分布比較均勻；借款項目的利率最小值為8%，最大值為24%，平均值為14.150%，呈現出近乎正態分布趨勢；借款項目期限的最小值為1個月，最大值為48個月，平均值為26.500個月，以36個月的項目最多，次之是12個月、18個月和24個月的項目，其他期限項目較少。這說明網絡借貸的借款項目利率較高，且以中長期項目為主。

在借款人特征方面，大部分是男性；年齡最小值為19 歲，最大值為71 歲，平均值為39.362歲，標準差為8.652，涵蓋大部分年齡段，大致呈現出正態分布；絕大多數借貸項目的信用度是中低風險（大于等于均值）。

（二）網絡借貸借款項目的回歸擬合結果

本文以模型（1）對網絡借貸借款項目的特征變量進行回歸，通過GLS法對網絡借貸的樣本數據按照固定效應和隨機效應兩種方式分別進行模型擬合，實證檢驗網絡借貸借款項目的投資從眾行為的存在以及影響因素。同時，考慮到網絡借貸借款項目獲得的累計投資金額（）和借款項目剩余百分比（）之間存在一定程度相關，為降低共線性問題，在此設定交互變量“”進一步檢驗二者的交互作用對投資從眾行為的影響，借款項目的擬合結果如表2所示。

由表2可知，網絡借貸借款項目能顯著影響網絡借貸的投資從眾行為，具體表現在借款項目獲得的累計投資金額（）、借款項目剩余百分比（）、借款項目獲得的累計投資金額與借款項目剩余百分比的交互效應（）、借款項目參與度（）的回歸系數均為正，并且在1%水平上顯著，說明網絡借貸借款項目獲得的累計投資金額越高、借款項目剩余百分比越高、借款項目參與度越高，網絡借貸的投資從眾行為越顯著。另外，借款項目自動投標比例（）的回歸系數為負，并且在1%水平上顯著，說明當借款項目自動投標比例越高，網絡借貸的投資從眾行為越不顯著。

表2 借款項目的擬合結果

借款項目獲得的累計投資金額的回歸系數為0.169，說明借款項目的投資金額前期累計多獲得1元，在當期借款項目收到的投資額多0.169元。相似地，對比隨機效應模型的回歸結果，再進行固定效應模型的回歸，發現回歸系數變為0.134，并且在1%水平上顯著，說明在可供投資的借款項目中，網絡借貸的投資者傾向于投資前一個小時獲得更多資金的借款項目，且回歸系數均顯著為正。因此，回歸結果支持H1。

借款項目剩余百分比（）的回歸系數為361.673，并且在1%水平上顯著，說明網絡借貸借款項目剩余百分比增加，當期借款項目收到的投資金額增多。當借款項目的剩余百分比每增加1%，則在當期借款項目收到的投資金額平均多361.673元。同樣地，再進行固定效應模型的回歸，結果說明借款項目剩余百分比的回歸系數和符號類似，支持同樣的結論。因此，回歸結果支持H2。

借款項目獲得的累計投資金額與借款項目剩余百分比交互效應（）的回歸系數為0.003，并且在1%水平上顯著，說明網絡借貸投資者仍然持續投資接近滿標的借款項目。換言之，投資者比較關注累計投資金額較高、剩余百分比相對較多的借款項目。研究結果符合Lin等的觀點，網絡借貸的投資者以觀察其他投資者的投資行為而獲得的外部效用存在邊際遞減的現象，但投資者仍繼續保持投資接近滿標的借款項目。

借款項目參與度（）在隨機效應模型和固定效應模型中的回歸系數分別為67.356 和79.845，并且在1%水平上顯著，充分說明回歸結果的穩健性。也就是說，網絡借貸借款項目每增加1筆投資，借款項目1小時內平均會多獲得67.356元或者79.845元的投資額。以借貸項目的具體投資筆數測量借款項目參與度，比較貼近網絡借貸的從眾行為本質。研究結果說明擁有較多投資筆數的借款項目更容易獲得投資者跟隨投資。也就是說，網絡借貸借款項目參與度越高，投資從眾行為越顯著。因此，回歸結果支持H3。

借款項目自動投標比例（）在隨機效應模型和固定效應模型中的回歸系數分別為-47.966和-63.575，并且在1%水平上顯著，進一步說明回歸結果的可靠性。也就是說，借款項目投資前已累計的自動投標比例每多1%，在當期收到的投資額降低47.966元或者63.575元。換言之，借款項目的自動投標比例每降低1%，借款項目的投資額增加47.966 元或者63.575 元。這意味著，借款項目自動投標比例越大，投資者的非理性投資行為受到限制，投資從眾行為越不顯著。因此，回歸結果支持H4。

（三）網絡借貸投資者的回歸擬合結果

本文以模型（2）對網絡借貸投資者的特征變量進行回歸分析，通過OLS法對投資者的樣本數據按照投資者和項目聚類模型與固定效應模型兩種方式分別進行回歸擬合，驗證投資者特征對網絡借貸的投資從眾行為的影響，投資者的擬合結果如表3所示。

由表3 可知，借款項目獲得的累計投資金額（）在聚類模型和固定效應模型中的回歸系數均為0.003，并且均在1%水平上顯著，說明網絡借貸投資者的投資金額與借款項目獲得的累計投資金額呈現出顯著正相關關系。也就是說，當借款項目的累計投資金額增加時，投資者將加快跟隨投資。進一步支持假設H1，證實網絡借貸的投資從眾行為的存在。

投資者的網絡借貸投資經驗對投資從眾行為的影響顯著。由回歸結果可知，投資者的網絡借貸投資經驗（）的回歸系數在聚類模型中為-141.408，并且在5%水平上顯著，在固定效應模型中為-171.298，并且在1%水平上顯著。回歸系數為負說明投資者的網絡借貸投資經驗越多，投資從眾行為越不顯著。在信息不對稱情境下，投資者的網絡借貸投資經驗越少，越注重規避潛在風險的從眾行為，呈現出顯著負向相關關系。因此，回歸結果支持H5。

表3 投資者的擬合結果

（四）穩健性檢驗

本文采用刪除解釋變量與改變聚類方式進行穩健性檢驗。由于模型（1）使用的是面板數據，本文參考郭妍等的方法，刪除計量模型中的一個解釋變量，觀察其對模型產生的影響，因而刪除解釋變量的檢驗結果如表4 所示。由表4 可知，刪除模型（1）的解釋變量借款項目參與度（），并對模型重新進行擬合，結果發現，主要變量的回歸系數及其顯著性均沒有發生顯著變化，因而結論并沒有發生實質性改變。另外，本文利用改變模型（2）的聚類方式進行穩健性檢驗，按投資項目單獨聚類探討解釋變量的符號和顯著性的變化，進而檢驗計量模型的穩健性，改變聚類方式的檢驗結果如表5 所示。由表5 可知，本文改變模型（2）的聚類方式后重新進行回歸擬合，結果發現，主要變量的回歸系數及其顯著性均沒有發生顯著變化，因而結論也沒有發生實質性改變。

表4 刪除解釋變量的檢驗結果

表5 改變聚類方式的檢驗結果

因此，本文結果通過穩健性檢驗。模型（1）和模型（2）的解釋變量的回歸系數均沒有發生顯著變化，盡管模型的部分解釋變量的顯著性程度發生變化，但也均通過了10%或5%的顯著性檢驗，研究結果未發生實質性改變，說明計量模型通過穩健性檢驗。

五、研究結論與政策建議

（一）研究結論

本文結果顯示：在網絡借貸平臺下，網絡借貸的投資者為規避潛在風險，會比較關注其他投資者的行為進行跟隨投資，存在明顯的投資從眾行為。網絡借貸借款項目獲得的累計投資金額、借款項目剩余百分比和借款項目參與度均與投資從眾行為呈現出顯著正相關關系。這意味著，網絡借貸借款項目獲得的累計投資金額越高、借款項目剩余百分比越高、借款項目參與度越高，極易誘發投資者的跟隨心理，越能促發投資從眾行為。與之不同，當網絡借貸借款項目自動投標比例越高，能進一步抑制投資者的非理性行為，投資從眾行為越不顯著。

在互聯網金融的情境下，網絡借貸借款項目獲得的累計投資金額、借款項目剩余百分比、借款項目參與度和借款項目自動投標比例是網絡借貸的投資從眾行為的充分條件。保證借款項目成功投標與規避潛在風險是網絡借貸的投資從眾行為的必要條件。足以說明網絡借貸平臺借款項目和投資者的特征共同激發網絡借貸的投資從眾行為。進一步研究發現，當網絡借貸投資者的投資經驗增多時，投資從眾行為越不顯著。

（二）政策建議

基于對網絡借貸的投資從眾行為的反思，本文提出如下政策建議：

首先，網絡借貸作為互聯網金融新業態，提高資源配置和資金利用效率。但是，由于存在巨大金融風險而被強制出清，金融領域需審慎地實施“互聯網+”創新。金融創新模式應結合行業特征，利用互聯網的優勢，獲取更多有價值的信息，降低信息不對稱程度，有效地降低金融風險與成本。值得注意的是，金融行業關乎國計民生，需時刻審視新模式的健康性和穩健性，科學地降低系統性風險，推出安全可靠的互聯網金融產品。政府監管部門要特別關注互聯網金融新業態的風險性，適時推進監管政策，嚴格引導互聯網金融發展，預防類似網絡借貸模式的重現。區塊鏈作為新型的互聯網信息技術，具有數據透明、信息安全、溯源性強等優點，政府利用區塊鏈技術創新監管方式，充分借助區塊鏈與金融領域的結合，建立跨地域、全行業的數字化金融監管平臺。

其次，金融領域的互聯網創新必須有效管控風險，嚴格規范金融市場準入操作流程，嚴控金融市場參與者的信息準確性，降低違約風險系數。充分利用互聯網大數據平臺與數據挖掘技術，構建互聯網大數據共享聯盟，加強與銀行系統的合作，精準辨識借款人與投資者等市場參與者的行為模式，實施更為精準的風險管控。互聯網金融創新應完善信息披露和自動甄別系統，挖掘用戶數據信息，提供清晰的金融產品與服務，有效降低市場參與者的信息不對稱程度。互聯網金融新業態應構建智能化和標準化的自動投標系統，精準判別投資者行為偏好，進一步降低系統性風險。

最后，互聯網金融領域應提高準入門檻，最大限度保護投資者的權益，適當引導市場參與者學習金融知識，充分了解互聯網金融新業態。在傳統的中介平臺下，投資者的行為比較理性和謹慎，而在互聯網金融的環境下，投資者多關注金融產品項目的完成程度，而相對忽視借款人的資質、借款期限和借款金額等因素。互聯網金融新業態必須構建完善的監管和評估系統，科學地評估參與者的風險偏好和承受能力，有效地規范市場參與者對金融產品項目的考察，充分地披露借款人的相關信息和資質。同時，互聯網金融應注重務實，減少不合理的高收益率和高風險產品，切實利用互聯網提高民間資本的利用效率，促進經濟的發展。