【文献速递】Sending Mixed Signals: Multilevel Reputation Effects

【文章从委托代理的角度进行研究,通过HLM模型检验强化社区声誉的信号信息,主要探究了社区如何通过行为信号和结构信号,为线上市场提供额外价值,文章还对社区的结构信号和行为信号是如何与借款人的信号相互影响,从而降低投资人对借款人的风险认知这一问题进行了研究,并以借款人成功募集到资金后的最终利率作为风险观测的衡量指标。】

原文:Collier, Benjamin C., and Robert Hampshire. “Sending mixed signals: Multilevel reputation effects in peer-to-peer lending markets.” Proceedings of the 2010 ACM conference on Computer supported cooperative work. ACM, 2010.
文献原文百度网盘下载链接:http://pan.baidu.com/s/1slhGoWH

      作者首先对信号理论进行了简要介绍。结构信号指的是社区中固有的,为将成员的信用信息发送到市场中而设计的结构机制。结构信号包括社区规模、社区评级和社区成员审核标准。在Prosper中,不同的社区有不同的成员审核机制。社区成员的审核标准和市场相关性会影响投资者对社区成员的信赖程度和最终给出的利率。在此研究背景下,由于“成员属于哪一社区”这一信息隐藏着关于该成员所属社区的社区规模、社区评级和社区审核标准的信息,作者假定投资者可以通过结构信息来部分评估借款人的可靠性。所以文章首先提出假设H1:提供高质量结构信息的社区会保证贷款有更低的利率。

行为信号包括社区背书、交易中的社区股份和社区训练。行为信号是指社区内成员的活跃表现,即发送借款人可信的信号给市场的行为。社区背书指的是,由于社区的领导者会去验证社区成员的信息,社区往往会为社区成员提供一个公开背书,这些背书通常会提供关于此人的一些定性信息。此外,社区领导者会通过电话或者面对面的形式对社区成员进行面试,或者要求社区成员将一些不公开的金融信息或者与贷款相关的信息传真过来。部分与有关借贷的文献显示,定性信息的公开背书或者金融信息的信息核查可以降低风险观测,从而降低利率。交易中的社区股份是指,为了使得借款人在贷款成功后有继续还款的激励,当一个社区成员在社区中发起项目时,社区中的其他成员通常会以向他们的项目投标的方式获取“股份”。该机制可以提高违约成本,让违约成本从之前的网络声誉成本变为借款人社区真实的金融成本。社区训练是指借款人和投资人在Prosper论坛上交流关于如何发起优质的贷款项目、如何选取最佳的投资项目等问题的经验意见的过程。考虑到以上三种行为信号,作者提出假设H2:提供高质量行为信号的社区会保证贷款获得更低利率。

接着,作者对同时涵盖个人信号和社区信号的混合信号进行了简要介绍。当考虑个人水平信号和社区水平信号间交互作用时,作者认为二者的变化如何影响对方的问题值得探究。例如,如果一个人已经表现出一个较好的信任信号,那么获得额外的社区信号会带来额外的利益吗?换言之,一个拥有较差的个人水平信号的个体,是否还能从社区信号中受益?或者说,社区信号和个人信号之间是替代品还是互补品?根据以上讨论,作者提出假设H3:社区结构信号和贷款利率之间的关联会因个人信用分数增加而减弱:拥有低质量个人信号的借款人相比于拥有高质量个人信号的借款人可以从结构信号中受益更多。接着作者提出假设H4:社区行为信号和贷款利率之间的关系会因个人信用分数增加而减弱:拥有低质量个人信号的借款人相比于拥有高质量个人信号的借款人可以从行为信号中受益更多。

作者在实证研究中以Prosper上的历史数据作为研究样本。Prosper上自2006年11月以来的所有交易、成员、社区组织和信用资料等数据都是均是公开可获取的。此外,社区历史评级和还款表现数据可以通过网页抓取器来提取。为了分析社区贷款项目,作者从Prosper上选取了299个活跃期较长的社区的有关数据,这些社区中有8805笔贷款是成功筹资并且有至少一年的还款历史,所有的利率数据都根据市场在贷款发起时的基准利率进行了调整。随后作者利用HLM模型对市场数据加以分析。HLM模型是一种对个体被嵌入团体中的情形加以分析的模型,如教室中的学生、机构中的不同团队等,这一模型可以对团体水平和个体水平间的交互作用进行研究。作者将所有社区变量作为水平2的预测值,将所有个体借款人特征作为水平1的变量,将信用等级作为个体水平测度,将社区评级、社区训练、交易中的社区股份、社区规模、社区背书作为社区水平测度。在构造模型时,作者首先加上了水平1的预测值,随后加上了水平2的预测值,最后加上了截距项。为了提供一个更加准确地模型,文章移除了不显著的随机效应。水平1连续变量和水平2连续变量均为总均值中心化。文章也剔除了高度不显著的控制变量(比如社区年龄)。最终的模型包括水平1、水平2和交互项。

对于HLM模型回归结果,作者发现,在结构主效应部分,虽然社区评级系统的结果不显著,但社区规模和社区审核标准的结果均显著,因此H1成立。作者认为,社区评级不显著的主要原因是数据计算的透明度,而且社区缺乏将社区整体表现转化为对一名社区新成员信任的能力。在行为主效应的部分,交易中社区股份、社区背书和社区训练结果均显著,因此H2成立。在考察交互效应时,对于结构信号,由于社区规模、社区评级和社区选择标准均不显著,因此H3不成立。对于行为信号,由于交易中社区股份、社区背书和社区训练结果均显著,因此H4成立。

原文链接:,转发请注明来源!

发表评论

要发表评论,您必须先登录