人人走向成功的名言

人人走向成功的名言（精选8篇）

人人走向成功的名言 第1篇

1) 人冀子孙贤，而不敬其师，犹欲养身而反损其衣食也。——(清)王卓《今世说》

2) 人非生而知之，孰能无惑?惑而不从师，其为惑也，终不解也。——韩愈

3) 明师之恩，诚为过于天地，重于父母多矣。——晋。葛洪

4) 君子之学也，说义必称师以论道，听从必尽力以光明。——《吕氏春秋》卷四《尊师》

5) 君子隆师而亲友。——《荀子·修身》

6) 举世不师，故道益离。——柳宗元

7) 经师易遇，人师难遇。——司马光

8) 教师是太阳底下再优越没有的职业了。——夸美纽斯

9) 教师是人类的灵魂工程师。——斯大林

10) 疾学在于尊师。——《吕氏春秋劝学》

11) 国将兴，心贵师而重傅。——《荀子·大略》

12) 古之学者必严其师，师严然后道尊。——欧阳修

13) 古之圣王，未有不尊师者也。——吕不韦

14) 师者，人之模范也。——杨雄

15) 经师易求，人师难得。——《北周书》

人人走向成功的名言 第2篇

1)大多数人想要改造这个世界，但却罕有人想改造自己。

2)积极的人在每一次忧患中都看到一个机会，而消极的人则在每个机会都看到某种忧患。

3)莫找借口失败，只找理由成功。(不为失败找理由，要为成功找方法)

4)伟人之所以伟大，是因为他与别人共处逆境时，别人失去了信心，他却下决心实现自己的目标。

5)世上没有绝望的处境，只有对处境绝望的人。

6)当你感到悲哀痛苦时，最好是去学些什么东西。学习会使你永远立于不败之地。

7)世界上那些最容易的事情中，拖延时间最不费力。

8)人之所以能，是相信能。

9)一个有信念者所开发出的.力量，大于99个只有兴趣者。

10)每一发奋努力的背后，必有加倍的赏赐。

人人走向成功的名言 第3篇

在P2P (Peer to Peer) 网络借贷中, 借款人的基本信息是贷款人对投资可行性进行评估的重要参照因素, 这些信息反映了借款人基本属性, 也必然对借贷行为和借贷结果产生影响, 因此, 从借款人基本信息角度研究借款成功率有重要的理论和现实意义。

该问题已经引起了国内外学者的关注, Mingfeng Lin, Prabhala N.R.和Viswanathan S (2009) , Seth Freedman和Jin G.Z (2010) 研究指出借款人的基本信息是投资者对其还款可能性进行评估的主要参照因素, 影响着投资者最终的投资决策。Puro et al. (2010) 在研究哪些措施能够帮助借款人成功地借到款项时, 给出了借款成功率的主要影响因素。国内文献以偏理论的研究为主, 实证研究凤毛麟角。吴小英, 鞠颖 (2012) 通过使用最小二乘法进行参数估计, 研究Prosper平台中借款用途对借贷成功率的影响。经过对国内外文献的梳理和分析可知, 贷款人对于借贷的决策与平台公布的借款人基本信息有相关关系, 借款人信息对借贷的成功率有一定程度的影响。

本文以人人贷商务顾问 (北京) 有限公司为研究对象。该公司成立于2010年, 是一家集金融信息服务及互联网技术应用于一身的创新型公司。旗下的人人贷网站 (www.renrendai.com) 是国内领先的P2P网络借贷服务平台。在3年的发展中, 网站新增借款申请、理财用户数、坏账控制水平均大幅领先于行业平均水平。根据季报显示, 截至2013年上半年, 人人贷累计成交量达到了10亿人民币, 2012年成交金额增长803%, 1-90天逾期控制在1.19%, 人人贷的服务已覆盖了全国30余个省的2000多个地区, 成功帮助了30万名以上用户通过信用申请获得融资, 或通过自主出借获得稳定收益。

二、研究模型与样本数据

本文采用多元逐步回归的研究方法。采用回归方法在自变量很多时, 其中有的因素可能对应变量的影响不是很大, 而且自变量之间可能不完全相互独立, 而是存在相关关系, 通过逐步回归分析进行自变量因子的筛选, 这样建立的多元回归模型预测效果会更较好。应用该方法首先要建立因变量Y与众多自变量之间的总回归方程, 再对总的方程及每—个自变量进行假设检验。当总方程不显著时, 表明该多元回归方程线性关系不成立;而当某—个自变量对Y影响不显著时, 应该把它剔除, 重新建立不包含该因子的多元回归方程。筛选出有显著影响的因子作为自变量, 并建立“最优”回归方程。通过建立以借款成功率为因变量的回归模型来研究借款人个人信息对借款成功情况的影响, 以借入者的个人基本信息作为自变量, 使用SPSS21.0来对借贷数据做出逐步回归分析。假设多元回归方程如下:

样本数据通过采集人人贷网站平台上发布的有效借款订单以及借款人信息得到, 共包含3148个有效订单、2666个注册会员。对于每一笔订单和每一个会员, 都记录了一系列可获取的相关属性数据, 包括信用得分、借款金额、利率、借款期限、还款方式、性别、信用等级、学历、有无购房、发布借款笔数、成功借款笔数、年龄、是否结婚、工作城市、有无购车等。人人贷不对投资人收取任何费用, 根据等级对借款人收取的服务费也全部用作风险准备金。在人人贷平台上, 标的种类分为:机构担保、本息保障、信用标。人人贷所有的借款标均没有审核时间, 在数据统计中每标成功时间均按“最后一笔投资”的时间来确定。为了方便计算, 假设所有的借款标都能按时还款。事实上, 有一部分借标提前还款, 提前还款的用户需要支付给出借人借款剩余本金的1%作为违约金, 不用再支付后续的利息及管理费用。人人贷通过媒体宣传、投资人交流活动、定期发布运营报告等, 获得了较好借款人流量。

三、变量选取与赋值

借款人信息可分为“硬信息”和“软信息”两种, 即网站上可获取的借款人信息与社交网络中的借款人信息。人人贷网站上并没有“友情标”, 无法判断社交网络关系对借贷结果的影响。本文选取的自变量均为人人贷网站上可获取的借款人的基本信息, 由于工作城市、行业、公司规模、工作年限等无法作为有效的统计变量, 故并未在模型中体现, 借款订单的基本信息也只做统计不进行建模。

结合网站的实际情况以及基本信息作为变量赋值的可能性考虑, 实证中选用的变量有以下几项, 基本假设和具体赋值如下:

(1) 信用得分

信用高的借款人违约风险相对更小, 会更受投资者的青睐。

人人贷平台对于信用的管理非常重视, 大部分用户的信用等级都在C以上。表1给出了借贷成功与借款人的信用等级分布状况。统计结果显示借款人信用等级最高的成功订单相对来说也更多, 从理性投资的角度来看, 信用得分与违约风险成反比, 因此贷款人更乐于选择信用等级为A的借款人。

(2) 年龄

根据统计样本的数据可知, 人人贷上的借款人平均年龄为35.6岁, 以青年为主。在金融投资理论中, 许多实证研究认为个人的风险倾向以及经济状况随着年龄的变化而不同, 年龄的增加也带来信任度的增加, 属于常见的投资者认知。

(3) 性别

在2666个人人贷会员中, 男性2041名, 占总借款人的76.6%。女性625名, 占总借款人的23.4%。在建立模型时, 对男性赋值为1, 女性赋值为0。在社会观念中认为女性比男性的适应性更强, 而在目前的研究中, 性别对借贷决策的影响不明。

(4) 学历

经过人人贷平台认证的借款人学历。在所有借款人中, 本科及研究生以上总共占27%, 高中或以下在总人数中占33%, 借款人的学历分布处于一个比较均匀的分布状态, 在借款金额上也是类似结果。由于投资者对风险的厌恶, 完全理性的选择应该是高学历的借款人。文中将高中及以下学历赋值为1, 大专学历赋值为2, 本科学历赋值为3, 研究生及以上学历赋值为4。

(5) 婚姻状况

借款人的婚姻状况, 分为未婚、已婚、离异、丧偶四类, 已婚借款人占总借款人的71.2%。收入与婚姻状况有一定联系, 已婚者的收入更高, 而且趋于稳定。在建立模型时, 对已婚赋值为1, 未婚、离异、丧偶赋值为0。

(6) 有无购房

借款人的购房情况, 分为有购房和无购房两种。其中有购房的借款人占总数的46.4%, 无购房的借款人占53.6%。建模中, 对有购房的赋值为1, 无购房赋值为0。在理性投资的认知中, 有购房意味着对还款能力的保障, 通常对借贷交易的达成起着促进作用。

四、实证过程及结果分析

首先, 对各个变量之间的相关性进行检验。从Pearson简单相关分析中可以看出, 信用得分与其它几个指标之间的相关性最强, 而性别赋值与其它指标之间的相关性相对较弱。一般来说其他指标越齐全越高, 信用得分也就越高, 意味着可信度的增加。各变量之间的相关性都属于极弱相关或者无相关, 故不存在多重共线性。

通过将信用得分、年龄、性别、学历、婚姻状况、是否购房逐步对因变量借贷成功率进行回归, 回归结果如表3至表4所示:

a.因变量:借贷成功率

模型汇总表中给出了五个回归模型的相关系数R, 决定系数R2和调整后的决定系数R2。从第五个模型来看, R=0.643, R2=0.413.整体拟合优度并不高, 说明不够精确, 但是仍然优于前面四个模型。

由各个模型t统计量对应的相伴概率均远小于0.05可以判定, 所有回归模型的回归系数都是显著的, 即是有意义的。依据表5中的模型拟合优度, 应以模型5作为最终的回归方程。

把数据代入多元回归模型可得出回归方程式:

其中:Y:借贷成功率

CRE:信用得分

HOU:是否购房

AGE:年龄

SEX:性别

EDU:学历

MAR:婚姻状况

通过将信用得分、是否购房、年龄、性别、学历和婚姻状况逐步对因变量借贷成功率进行回归, 可以得知:性别因素对借贷成功率的影响不显著, 信用等级得分、学历与借贷成功率呈正相关关系, 说明借款人的信用等级得分越高、学历越高, 借款人的借贷成功率就越高;是否购房、年龄、婚姻状况与借贷成功率呈负相关关系, 说明借款人若有购房、年龄越大或是已经结婚, 那么借款人的借贷成功率就越低。回归分析前先对自变量进行相关检验, 可知各个自变量间属于极弱相关或无相关, 因此并没有多重共线性。

方程的解释程度并不理想, 可能是原始交易数据不够完善, 缺少一些影响借款成功因素的变量, 如:借款人的工作收入、工作地点、工作时间等相关信息。逐步回归分析的结论与社会生活中常识不同, 一方面是出于选择偏差, 另一方面可能是样本不够详尽, 造成了模型的误差。

五、结论

实证结果表明, 人人贷平台上, 借款人的性别和借贷成功率并无密切相关性, 而其信用得分越高、学历越高、年龄越大、已经结婚、已购住房则获得借款的概率越大, 反之则借贷成功的概率越小。我们经过对人人贷的借贷数据进行实证, 发现借款人发布的基本信息在贷款人评估借贷可行性时已成为重要的参照因素, 促使借贷成功率提高, 借款人更顺利获得资金。但这些信息形成的模型不够精确, 对于借贷成功率整体的影响仍然偏低。目前我国并未建立完善的个人信用评级系统, 需要考虑如何参考国外主要P2P平台的风险控制体系以及国外银行的信用审核机制, 将其发展经验与我国的实际情况相结合, 构成更完善的网络借贷体系, 促使借贷中的信息非对称情况不断减少, 方便民众选择P2P进行网络融资, 从而推动国内P2P平台稳健发展。

参考文献

[1]Mingfeng Lin.Peer-to-peer Lending:An Empirical Study[R].AMCIS 2009 Doctoral Consortium

[2]Mingfeng Lin.N.R.Prabhala.and Siva Viswanathan.Judging Borrowers By The Company They Keep:Social Networks and Adverse Selection in Online Peer-to-Peer Lending[J], 2009

[3]Michal Herzenstein, Utpal M.Dholakia and Rick L.Andrews.Strategic Herding Behavior in Peer-to-Peer Loan Auctions[J], 2010

[4]Puro L, Teich J E, Wallenius H and Wallenius J.Borrower decision aid for people-to-people lending[J].Dec Sup Sys, 2010 (49) , 52-60

[5]第一财经新金融研究中心.中国P2P借贷服务行业白皮书2013[M].中国经济出版社, 2013年7月第一版

[6]钱金叶、杨飞.中国P2P网络借贷的发展现状及前景[J].金融论坛2012 (1)

[7]吴小英、鞠颖.基于最小二乘法的网络借贷模型[J].厦门大学学报.2012 (11)

不可能人人成功 第4篇

业余时间我爱好看书、做运动、旅游、美食等。今年初，我哥哥请我和弟弟，我们三家人组成美食团，到日本去泡温泉，吃好东西。美食是一方面，最主要是我们一个大家庭聚一聚。

我跟朋友聚会多，喜欢有朋友来我家，喝点红酒或茶，吃饭，聊天。做运动就是为了继续能吃，哈哈。我觉得做运动其实是工作的一部分，因为没有体力很难把工作做好。看书就好像让你的脑袋吃甜点。我很喜欢现在的生活方式。

退休以后，我希望能更多一点运动，多去旅游。最好是可以看到开阔的地方，我喜欢在山边河边，和大自然融在一起，有点像魏晋时候的竹林七贤。所以会比较倾向到那种自然风景很好、有文化底蕴、有特色美食的小城去旅游。

最新的思考

我现在也会有一点点焦虑。但是比以前少多了。年轻时会焦虑有没有足够的钱给两个女儿读大学，有没有足够的钱退休。

很多人焦虑是觉得付出很多就该成功。但由于客观的一些因素，不是所有努力都会成功。这时候他们放不下。我以前也会这样，总觉得自己做的不够好。我现在会想，如果已经尽力而为，问心无愧，这就足够了。如果不够好，我会再想办法，而不是焦虑。如果真的不够好，你也认了，你的野心要调整一下，不可能人人都成功。

可能是我对自己的信心越来越足了吧，我希望能做得更好，但我不会把自己累坏，我知道什么时间应该休息。我主要关注我们是否在做对的事情，解决应该被解决的问题，而不是把一些细节都绑在身上，不用去担心不该你担心的事。

最喜欢的一本书

Geoff Colvin写的书《Talent Is Overrated》，这是我最近比较印象深刻的一本书。这本书是说，天才往往是被夸大的，天才背后往往都是工作狂。

比如，莫扎特背后是经过了无数小时的训练，他父亲本身就是一个音乐老师，他其实是经历了和别人差不多的训练时间才成名的。

这本书给我很大的一个体会。天才不是来源于天赋，也不是勤奋（勤奋太简单了），而是来源于长时间枯燥、强调成长心理和打破习惯的刻意练习。

最值得去的地方

今年夏天，我和太太刚去过意大利的佛罗伦萨。这是一座优雅、罗曼蒂克、美丽的地方，我肯定会再去那个地方。佛罗伦萨位于亚平宁山脉中段西麓，三面环山，是欧洲文艺复兴运动的发祥地。

改变无数人人生的经典名言 第5篇

3)莫找借口失败，只找理由成功。(不为失败找理由，要为成功找方法)

4)伟人之所以伟大，是因为他与别人共处逆境时，别人失去了信心，他却下决心实现自己的目标。

5)世上没有绝望的处境，只有对处境绝望的人。

6)当你感到悲哀痛苦时，最好是去学些什么东西。学习会使你永远立于不败之地。

7)世界上那些最容易的事情中，拖延时间最不费力。

8)人之所以能，是相信能。

9)一个有信念者所开发出的力量，大于99个只有兴趣者。

10)每一发奋努力的背后，必有加倍的赏赐。

人人都渴望成功 第6篇

1.最重要最重要的就是，拥有一个核心目标。2.当有了明确的核心目标之后，还要有一个非常具体、详细、合理的计划来达成。

3.成功者每一分每一秒都在做最有生产力的事情，其他的事情全部授权出去。

4.成功者集中在一个目标、一件事情上，直到他成功为止。

5.成功者永远向成功者学习，向世界最顶尖的人士学习。

6.成功者掌握资讯，每一份资讯他都要立刻获取。7.成功者拥有大量的人脉。

8.成功者把焦点集中在付出和顾客的需求上。9.成功者做事习惯物超所值十倍以上。10.成功者非常会销售，他们每一天都在销售。11.成功者都是付出者。12.成功者非常重视他的身体健康与他的情绪。13.成功者比别人更努力。14.成功者每一天都在进步。15.成功者都是阅读者。

人人都能成功读后感 第7篇

近日，读了一本好书《人人都能成功》，给自己的心灵彻彻底底的洗了个澡。

此书通过五大篇，诸多小故事，讲述诸多个人成功的经历。当今社会，竞争日趋激励，人们都向往成功，渴望成功，但现实却很残酷，因为成功往往只属于少数人。

有些人认为自己不够聪明，有些人先天残疾，有些人从小就生活在比较艰苦的环境里，有些人屡遭打击历经数次失败，总是认为成功离自己越来越远。实际上，成功的主动权就掌握在自己的手中。很多人总是临渊羡鱼，羡慕别人的成功，眼热别人的幸福，却只是站在成功的脚下观望，从不深究和学习成功人士的经验和秘诀。

成功一定有方法，千万别说不可能。但前提条件是我们跌倒了能再爬起来。树的方向，由风决定;人的方向，自己决定。机会，是留给懂得把握的人!成功是懂得付出的人!财富，是留给懂得追求的人!

一个人能否成功，与人的一些非智力因素有很大的关系，这些因素包括自信心、意志、兴趣、挫折以及人际沟通等等。至关重要的尤其是自信心，它是人生成败的关键，也是理解自己和他人相处的关键。信心是行动的发条，基于信心而来的那种无比的驱策力量，就是缔造成人世间一切伟业殊功的源头，人有信心，就有希望。信心能使软弱的人变得刚强，毅然承担一切苦难与折磨，接受任何考验和试探。只要你的信心十足，自然就能把握所有存在的机会从而获得人生的成功。

在人们的印象中，名人都是非常自信的，比如：”自信人生二百年，会当水击三千里。“又比如：”天生我材必有用，千金散尽还复来。“其实不然，许多名人都曾经自卑，或很长时间都在自卑的泥潭中挣扎。有中央电视台著名节目主持人的张越，曾因自己的肥胖而自卑;著名歌星王菲也曾因自己的不聪明而自卑很多年等等。但他们之所以成功，是因为他们没有怨天尤人，没有自暴自弃，而是超越了自卑，战胜了自卑，因为自卑而产生的动力使他们比别人更努力，付出更多。所以，曾经有过自卑并不可怕，可怕的是永远沉溺其中，不可自拔。

人人走向成功的名言 第8篇

P2P网络借贷是指借款人和出借人依托网络借贷平台而完成借贷的新型金融模式,其实质为民间借贷的 “互联网化”。随着全球第一家网络借贷平台Zopa于2005 年成立于英国伦敦,世界各国相继出现众多的网络借贷平台,如美国的Prosper、Lending Club和Kiva,瑞典的Trustbuddy,日本的maneo,印度的Faircent等。近年来,网络借贷平台在我国的发展也较为迅速。2007 年我国第一家网络借贷平台拍拍贷在上海成立,随后国内P2P网贷平台大规模兴起,如人人贷、红岭创投、我开、陆金所等代表性网贷平台出现。截至2014 年年底,我国网贷运营平台达1537 家; 中国网贷行业有史以来累计成交量突破3829 亿元,其中2013年、2014 年的全年累计成交量分别高达1058 亿元、2528亿元。①

P2P网贷行业的蓬勃发展引起了学术界的高度关注。相关实证研究主要集中于对P2P网络借贷中借款成功率( 陈建中等,2013; 宋文等,2013; 王会娟等,2013; 李渊博等,2014) 、违约风险( 冯新月,2014; 欧缘媛,2014) 、出借人的投资策略( 王会娟,2014) 、融资成本( 陈霄,2014; 郭弈,2011) 以及法律监管( 李龙,2014 ) 等方面的影响因素的分析。其中针对P2P网贷平台借款成功率的分析,大多数学者均将借款年利率作为重要的影响因素列入,但实证分析结果有一定的差异。温小霓等( 2014) 、王会娟等( 2014) 的研究结果表明借款年利率越高,借款成功率越低; 宋文等( 2013) 、李龙( 2014) 的研究结果则相反: 借款年利率越高,借款成功率越高; 并且不同学者的研究结果中借款年利率对借款成功率的影响程度有显著差异。基于前人的研究,笔者提出自己的观点: 借款年利率对借款成功率的影响并非简单的正相关或负相关关系,而是随着借款年利率的变化而变化。因此,本文提出假设———随着借款年利率的上升,借款成功率先上升后下降。

2 研究设计

2. 1 数据准备

文章选择人人贷网络借贷平台上发布的借款编号为141400 - 400000② 的散标投资区③ 借款为研究区间,等距的选择其中10000④ 个样本。选择研究样本的理由为: 第一,人人贷网贷平台成立时间较长,借款信息丰富; 第二,人人贷网贷平台在2014 年网贷平台发展评级表中高居第二,其2014 年整年贷款余额位列前三位; ⑤ 第三,人人贷平台自2013 年10 月起开始改版,为了保持样本的统一性,笔者选取了大约位于2014 年1 月至2015 年1 月的样本。初始样本为10000 个,剔除网页过期和信息不全的观测样本,最终样本为6543 个。

从表1 中我们可以看出,6543 个样本中最低借款年利率为8% ,最高借款年利率为24% ,借款年利率位于11. 1% ~13% 的借款样本高达3647 个,约占总样本数的55% 。因此,在本文中笔者将11. 1% ~ 13% 的利率定为正常利率,将低于此区间的利率定为低利率区间,将高于此区间的利率定为高利率区间。

2. 2 变量选择与模型构造

本文借鉴已有文献( 王会娟等,2014; 宋晨,2014; 陈建中,2013 等) 的做法,选择表2 所示的变量。

人人贷平台中借款状态分为四类,分别为REPAYING、BADDEBT、FAILED和CLOSED。其中REPAYING代表借款人已经开始偿还贷款; BADDEBT代表借款人未按期偿还贷款; FAILED代表借款失败,即借款申请未通过人人贷审核或未在规定时间内满标; 而CLOSED则代表借款人主动撤回借款申请。因此,REPAYING和BADDEBT均表示借款成功,FAILED和CLOSED则代表借款失败。其次,由于人人贷平台将借款人的月收入分为类,因此,为量化债务收入比指标,本文将 “1001 ~ 2000 元”的收入组视为1500、 “2000 ~5000 元” 的收入组视为3500、 “5000 ~ 10000 元” 的收入组视为7500、“10000 ~ 20000 元” 的收入组视为15000、“20000 ~ 50000 元”的收入组视为35000,而鉴于 “1000 元以下”和 “50000 元以上”的两个收入组无法一致处理,并且位于两个极限组的样本较少,因此视为缺失,即剔除346个收入位于极限组的样本,最终样本为6197 个。

结合上文的假设H,笔者将借款年利率设为哑变量,同时,根据对变量和数据的分析,本文将利用二分类logistic回归对数据进行分析,以借款成功与否为因变量,以其他变量为自变量,模型构造如下:

其中z为解释变量的集合,P( Success = 1) 为在一定的自变量的情况下借款成功概率,即为借款成功的条件概率。经过变换则有:

其中P( Success = 0) 为借款失败的条件概率。结合以上两式,并进行logit变换,则有:

式中 β0为截距,ε 为模型误差。

3 实证过程及结果分析

在SPSS19 中输入相关变量,为筛选解释变量,选择逐步筛选策略: 以最大似然比( LR) 为筛选条件的逐步向后筛选法; 其次,哑变量Rate默认最后一个类别为参照水平。

文中对变量Rate的分类取值,表3 表示分类变量Rate的编码情况,由上可知: 当Rate = 1,即利率处于低利率区间时,Rate ( 1) = 1,Rate ( 2) = 0; 当Rate = 2,即利率处于正常利率区间时,Rate ( 1)= 0,Rate ( 2)= 1; 当Rate =3,即利率处于高利率区间时,Rate ( 1 )= 0,Rate ( 2 )=0,因此该分类变量是以高利率水平为参照水平的。

表4显示了经过变量逐步筛选过程,最终模型的对数似然比卡方检验。由表4可知,模型的χ2=5390.662,自由度为8,Sig.为0.000,在显著性水平α=0.05的情况下,由于Sig.小于0.05,应该拒绝零假设,认为最终模型中所有回归系数不同时为0,解释变量全体与的线性关系显著,所以最终模型是整体有效的。

表5 显示了在逐步筛选过程中每步回归方程的解释度。由下表可知,最终模型的Nagelkerke R Square为0. 826,表示因变量( 借款成功率) 的变差的82. 6% 能够被最终回归方程中的自变量解释,考虑到样本数量较多,笔者认为该方程的解释度较为良好,说明模型设立合理。

表6 表示最终回归方程的观测值与预测值的交叉表。总共6197 组样本中,实际观测中Success为 “0” ( 即借款未成功) 的样本数为4358 个,而其中回归模型预测正确的个数为4157 个,正确率达到95. 4% ; 在所有样本中,实际观测中Success为 “1”( 即借款成功) 的样本数为1839 个,而其中回归模型预测正确的个数为1706 个,正确率达到92. 8% ,整体正确率达到94. 6% 。因此,最终回归方程对借款是否成功做出了很不错的预测。

表7 表示经过多次筛选后,最终模型回归结果。由表可知,15 个初始解释变量中有8 个解释变量被剔除,最终模型中包含7 个解释变量。我们发现被剔除的变量相对过多,对此笔者提出以下解释: 初始模型中的解释变量( 共15 个)过多,相比而言,样本容量是有限的,因此,通过筛选后,只有最显著的解释变量留在模型中。最终回归模型为:

其中:

根据表7,对回归结果的简单分析如下。

第一,借款期限( Loloan) 。借款期限对借款成功的影响为正,每增加1 个月,发生比变为原来的1. 047 倍。说明出借人更喜欢借款期限较长的借款标的,原因是: 出借人为了得到稳定的现金流回报,愿意投资期限更长的借款标的。

第二,信用评级( Credit_ R) 。借款人信用评级对借款成功的影响为负。在变量定义中我们将信用评级定义为有序分类变量,并且随着信用评级的降低,数值为增大。所以,该变量的回归结果可以理解为: 随着信用评级的降低,借款成功的可能性降低,具体来说,当信用评级每降低1 级时,发生比变为原来的80. 8% 。

第三,有无房产( House) 。借款人有无房产对借款成功的影响为正。在变量定义中我们将有无房产定义为名义变量,其值在有房产时取1,否则取0。因此回归结果可以解释为: 借款人有房产使得借款更容易成功,具体来说,当借款人有房产时,借款发生比为没有房产的1. 431 倍。

第四,借款标的分类( Classification) 。借款标的分类对借款成功的影响为正。人人贷中借款标的分为三种: 信用认证标、实地认证标和机构担保标。在变量定义中我们将借款标的分类定义为有序分类变量: 信用认证标、实地认证标和机构担保标分别取1、2、3。由回归结果可知: 当该变量的取值每增加1,发生比变为原值的27. 798 倍。原因是信用认证标、实地认证标和机构认证标的风险是递减的,所以,发生比是递增的。

第五,借款年利率( Rate) 。在变量定义中我们将借款年利率定义为无序分类变量,即哑变量。编码是以高利率区间作为参考类别,相当于低利率区间的系数为- 2. 327,正常利率区间的系数为0. 836,高利率区间的系数为0。因此,随着利率由低利率区间升高至正常利率区间的过程中,借款成功的可能性是上升的( 由于0. 836 > - 2. 327) ; 接着当利率由正常利率区间升高至高利率区间时,借款成功的可能性是下降的( 由于0 < 0. 836) 。具体来说,同高利率区间相比,低利率区间的发生比是其9. 8% ,正常利率区间的发生比是其2. 307 倍。所以,概括来说,借款成功的可能性随着利率的升高先升高后降低。

第六,历史成功次数( Num_ S ) 。借款人的历史成功借款次数对借款成功的影响为正。具体来说,借款人的历史成功借款次数每增加1 次,发生比为原来的2. 957 倍。原因是: 当借款人的历史成功借款次数较多时,出借人相信借款人的信用比较良好,违约风险较低。

第七,债务收入比( DIR ) 。借款人的债务收入比对借款成功的影响为负。具体来说,债务收入比每增加1,发生比为原来的92. 4% 。原因是: 随着借款人的债务收入比增加,其违约风险也升高。

4 单一自变量模型设计及结果分析

以上实证结果表明借款成功率随着借款年利率的上升先升高后降低,为进一步分析借款年利率对借款成功率的影响,笔者构建以下针对借款年利率的单一自变量模型:

其中,P( Success = 1) 为借款成功的条件概率,z' 为因变量集合,经过变换则有:

其中,P( Success = 0) 为借款失败的条件概率,结合以上两式,并进行logit变换则有:

式中 β'0为模型截距,ε' 为模型误差,变量Rate' 为未经分段的借款年利率,变量Rate'2为变量Rate' 的平方。①

表8 显示了回归方程的解释度。由表8 可知,此次模型的Nagelkerke R Square为0. 202,表示因变量( 借款成功率)的变差的20. 2% 能够被回归方程中的自变量解释,虽然该解释程度不高,但考虑到此次模型中只涉及借款年利率一个因变量,笔者认为该方程的解释度尚能接受。

表9 表示模型回归结果。由表9 可知变量Rate' 和Rate'2的Sig. 均等于0. 000,说明按照 α = 0. 01 的标准,这两个变量均显著。因此,最终回归模型为:

因此,为开口向下的抛物线,为求顶点值,令上式导数为0,求得顶点值Rate'*约为12; 又因为模型中的借款年利率扩大了100 倍,所以实际借款年利率的顶点值约为12% 。我们发现,该顶点值正好处于上文中借款年利率的正常区间( 11. 1% ~ 13% ) ,说明该值与上文中的结论相互验证。

5 假设验证及结论

本文以人人贷网站中2014 年1 月至2015 年1 月的抽样借款交易信息作为研究样本,研究借款年利率对借款成功率的影响。初步研究发现: 随着借款年利率的升高,借款成功率先上升后下降; 通过进一步构建针对借款年利率的单一自变量模型,笔者发现借款年利率的分段顶点值约为12% 。总体来说,随着借款年利率升高直至12% ,借款成功率上升; 当借款年利率从12% 继续上升时,借款成功率下降,即前文中的假设H成立。这主要是因为当借款利率低于12% 时,随着借款年利率的升高,出借人的收益是增加的,因此,此时出借人的借款意愿逐步增强,具体表现为借款成功率逐渐上升; 但当借款年利率上升至12% 后,随着借款年利率的继续升高,借款人的违约风险增加,此时出借人的借款意愿逐步降低,具体表现为借款成功率逐步降低。