我國網(wǎng)絡(luò)借貸平臺(tái)用戶二次借貸影響因素研究摘要2015年“互聯(lián)網(wǎng)金融”首次納入最具指導(dǎo)意義的中央五年規(guī)劃，在政府和和市場的雙重支持下，互聯(lián)網(wǎng)金融發(fā)展將是金融行業(yè)未來發(fā)展的重點(diǎn)。P2P網(wǎng)絡(luò)借貸作為互聯(lián)網(wǎng)金融重要組成部分，截止于2018年12月，我國共計(jì)P2P網(wǎng)絡(luò)平臺(tái)運(yùn)營數(shù)量為6555家。但也有不少網(wǎng)絡(luò)借貸平臺(tái)陷入生存困境，其主要原因是平臺(tái)自身經(jīng)營成本高，線上線下推廣成效低，為解決平臺(tái)推廣成效低問題，網(wǎng)絡(luò)借貸平臺(tái)需要利用自身優(yōu)勢(shì)針對(duì)用戶行為信息進(jìn)行分析和預(yù)測(cè)，了解客戶需求，量身定制營銷策略。網(wǎng)絡(luò)借貸平臺(tái)二次借貸影響因素研究有利于網(wǎng)絡(luò)借貸平臺(tái)對(duì)用戶是否再次貸款構(gòu)建預(yù)測(cè)模型，從而降低經(jīng)營成本，加強(qiáng)線上線下推廣成效，有利于提高其盈利能力。本文以網(wǎng)絡(luò)借貸平臺(tái)二次借貸影響因素為目標(biāo)，結(jié)合網(wǎng)絡(luò)借貸和精準(zhǔn)營銷理論，提出精準(zhǔn)借貸這一策略，并對(duì)精準(zhǔn)借貸流程進(jìn)行大概描述。其次基于“人人貸”即時(shí)數(shù)據(jù)，選取包含個(gè)人特征、信用特征、借貸標(biāo)的特征共14個(gè)變量，提出研究假設(shè)，首先對(duì)數(shù)據(jù)進(jìn)行分類賦值，再進(jìn)行描述性統(tǒng)計(jì)分析，緊接著分別運(yùn)用二元logistic回歸模型和決策樹模型對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)用戶二次借貸影響因素進(jìn)行實(shí)證分析，再對(duì)logistic回歸模型和決策樹模型結(jié)果作分析總結(jié)。最后，在理論與實(shí)證研究的基礎(chǔ)上，提出網(wǎng)絡(luò)借貸平臺(tái)精準(zhǔn)借貸相關(guān)建議。關(guān)鍵詞：網(wǎng)絡(luò)借貸，二次借貸預(yù)測(cè)，精準(zhǔn)借貸，因素研究，logistic回歸

AbstractIn2015,"Internetfinance"wasincludedinthemostinstructivefive-yearplanofthecentralgovernmentforthefirsttime.Withthesupportofthegovernmentandthemarket,thedevelopmentofInternetfinancewillbethefocusofthefuturedevelopmentofthefinancialindustry.AsanimportantpartofInternetfinance,P2Ponlinelendinghasreached6,555asofDecember2018.Buttherearealotofsurvivaldifficultiesforlendingtonetworkplatform,themainreasonisplatformitselfbusinesscostishigh,theonlinepromotioneffectislow,tosolvetheproblemoflowplatformpromotioneffect,thenetworkcreditinformationplatformneedtousetheirownadvantagesinviewoftheuserbehavioranalysisandforecast,understandcustomerneeds,customizedmarketingstrategy.Theresearchontheinfluencingfactorsofthesecondarylendingofonlinelendingplatformsisconducivetotheconstructionofpredictionmodelsforwhetheruserslendagainbyonlinelendingplatforms,soastoreduceoperatingcosts,strengthenonlineandofflinepromotionandimprovetheirprofitability.Thispaperaimsatinfluencingfactorsofsecondarylendingononlinelendingplatforms,combinesonlinelendingandprecisionmarketingtheory,proposesthestrategyofprecisionlending,androughlydescribestheprocessofprecisionlending.Secondlybasedonthe"borrowed"real-timedata,theselectioncontainspersonalfeatures,credit,lendingtargetfeaturesatotalof14variables,putforwardtheresearchhypothesis,thefirsttoclassifydataassignment,thendescriptivestatisticalanalysis,andthenrespectivelyusingbinarylogisticregressionmodelandthedecisiontreemodelforP2Plendingplatformusersecondaryborrowingtheempiricalanalysis,thefactorswhichinfluencetotheresultsoflogisticregressionmodelanddecisiontreemodelfortheanalysissummary.Finally,onthebasisoftheoreticalandempiricalresearch,thepaperputsforwardrelevantSuggestionsonprecisionlendingofonlinelendingplatforms.Keywords:onlinelending,secondlendingprediction,preciselending,factorstudy,logisticregression

目錄摘要 [23]。（2）決策樹模型優(yōu)缺點(diǎn) 決策樹優(yōu)點(diǎn)有：第一，決策樹方法簡單直觀，生成的決策樹很直觀；第二，決策樹模型既可以處理離散值也可以處理連續(xù)值。很多算法只是專注于離散值或者連續(xù)值；第三，決策樹可以處理多維度輸出的分類問題，可以交叉驗(yàn)證的剪枝來選擇模型，從而提高泛化能力；第四，決策樹模型對(duì)于異常點(diǎn)的容錯(cuò)能力好，健壯性高。而決策樹缺點(diǎn)有：第一，對(duì)連續(xù)性的字段比較難預(yù)測(cè)，適用類別少，否則類別過多會(huì)導(dǎo)致錯(cuò)誤率較高；第二，決策樹不適合特征關(guān)聯(lián)性比較強(qiáng)的數(shù)據(jù)計(jì)算

第3章研究設(shè)計(jì)3.1數(shù)據(jù)選取“人人貸”公司成立于2010年5月，是中國早期成立的網(wǎng)絡(luò)借貸信息中介服務(wù)服務(wù)平臺(tái)之一，其主打個(gè)人借貸，信息披露較為透明。根據(jù)網(wǎng)貸天眼數(shù)據(jù)顯示，截止至2019年3月13日，人人貸2月份貸出64.31萬筆借款，當(dāng)前具有36.20萬人出借，60.92萬人借款。由此可見“人人貸”借貸參與人數(shù)較為龐大，數(shù)據(jù)具有一定程度的代表性，為本文網(wǎng)絡(luò)借貸平臺(tái)用戶二次借貸預(yù)測(cè)研究提供真實(shí)有效數(shù)據(jù)支持，因此本文將選取“人人貸”真實(shí)交易數(shù)據(jù)作為研究對(duì)象。基于“人人貸”官網(wǎng)在獨(dú)立的頁面上有儲(chǔ)存每一筆借貸信息，這些信息包括了借款標(biāo)的基本信息，借款人信息和借款申請(qǐng)最新動(dòng)態(tài)。通過數(shù)據(jù)獲取，中國網(wǎng)絡(luò)借貸“人人貸”2018年1月份借款人的借貸信息，剔除成功借款次數(shù)為0的樣本，共獲取有效樣本23338個(gè)。3.2變量選取及賦值根據(jù)前期文獻(xiàn)綜述，借款人個(gè)人特征、信用特征、借貸特征信息與違約率相關(guān)，因此猜測(cè)借款人二次借貸也與個(gè)人信息、信用特征、借貸特征信息相關(guān)。所以以是否二次借貸（借款成功次數(shù)）為因變量，以借款人特征信息（性別、年齡、受教育程度、婚姻狀況、月收入、工作類型、工作時(shí)間、公司規(guī)模），借款標(biāo)的特征（借款金額、借款利率、還款期限）和信用特征（信用等級(jí)、信用額度、逾期次數(shù)）這三類信息為自變量共14個(gè)變量，對(duì)變量進(jìn)行處理、賦值。其中年齡、信用額度、逾期次數(shù)、逾期金額、借款金額、借款利率、還款期限均為連續(xù)變量，均已具體數(shù)值出現(xiàn)。表3.1網(wǎng)絡(luò)借貸平臺(tái)用戶二次借貸預(yù)測(cè)變量及其賦值信息分類指標(biāo)名稱介紹變量賦值個(gè)人特征性別根據(jù)有關(guān)文獻(xiàn)，借貸人性別也會(huì)影響借貸結(jié)果，因此將借貸人的性別作為參考變量，且為名義變量男=0女=1年齡借貸人年齡無受教育程度根據(jù)有關(guān)文獻(xiàn)，借貸人受教育程度也會(huì)影響借貸結(jié)果，因此將借貸人受教育程度作為參考變量，且為名義變量高中及以下=0大專/本科=1研究生及以上=2婚姻狀況根據(jù)有關(guān)文獻(xiàn)，借貸人婚姻狀況在一定程度上也會(huì)影響借貸結(jié)果，因此將借貸人的婚姻狀況作為參考變量，且為名義變量在婚=0不在婚=1月收入借款人每月實(shí)際收入5000元以下=05000-10000元=110000-20000元=220000元以上=3工作類型借款人所從事行業(yè)類型網(wǎng)商=0工薪階層=1私營企業(yè)主=3工作時(shí)間借款人工作時(shí)間長度及工作時(shí)段1年以下=01-3年=13-5年=25年以上=3公司規(guī)模借款人所在的公司規(guī)模大小10人以下=010-100人=1100以上=2信用特征信用等級(jí)用戶的信用額度是在通過人人貸審核員對(duì)所提供材料的審核后獲得的，既是借款人單筆借款的上限也是借款者累積尚未還清借款的上限。通常來講借款人信用等級(jí)越高，其相應(yīng)的費(fèi)用越低，相應(yīng)的借款成功率越高。目前信用等級(jí)由高到低分為AA、A、B、C、D、E、HR。HR=0E=1D=2C=3B=4A=5AA=6信用額度用戶的信用額度是在通過人人貸審核員對(duì)所提供材料的審核后獲得的，既是借款人單筆借款的上限也是借款者累積尚未還清借款的上限。單位：（千）逾期次數(shù)指借款用戶未按協(xié)議約定時(shí)間進(jìn)行足額還款被標(biāo)記為逾期的次數(shù)。無借款標(biāo)的特征標(biāo)的金額借款人申請(qǐng)借貸的總金額單位：（千）借款利率指借款申請(qǐng)人為了獲得借款而愿意支付給理財(cái)人的年化利率無還款期限借款人與p2p平臺(tái)約定還本付息的期限無3.3研究假設(shè)3.3.1個(gè)人特征信息與二次借貸率之間相關(guān)關(guān)系在借款人個(gè)人特征信息包括性別、年齡、受教育程度、婚姻狀況、月收入、工作類型、工作時(shí)間、公司規(guī)模。根據(jù)生命周期理論認(rèn)為，消費(fèi)者在一定的生命周期階段會(huì)根據(jù)個(gè)人或家庭的需求，維持一定的消費(fèi)水平，但個(gè)人的收入是不斷變化的，因此在收入已不能滿足消費(fèi)的情況下，消費(fèi)者會(huì)在不同的生命周期階段采取不同的消費(fèi)和借貸策略。而隨著年齡增長，消費(fèi)者的風(fēng)險(xiǎn)傾向與抗風(fēng)險(xiǎn)能力也會(huì)隨之改變。Aeminger,（1997）發(fā)現(xiàn)年齡較大者相對(duì)于年齡較小者的責(zé)任感、抗風(fēng)險(xiǎn)能力、還款能力都更強(qiáng)因此猜測(cè)年齡越小越會(huì)進(jìn)行二次借貸。因此本文假設(shè)：H1：年齡與二次借貸率呈負(fù)相關(guān)而“受教育程度”對(duì)于消費(fèi)者的也具有一定的影響，受教育程度越低的人，過度負(fù)債的機(jī)率更大，即更有可能進(jìn)行二次借貸。教育水平會(huì)在很大程度上影響甚至決定借款人的行為，所以本文認(rèn)為：H2：受教育程度與二次借貸率呈負(fù)相關(guān)婚姻狀況往往會(huì)影響個(gè)人消費(fèi)負(fù)債，Dinh&Kleimeier(2007)發(fā)現(xiàn)已婚借款人償還借款的可能性低，因?yàn)橐鸦榻杩钊思彝ヘ?fù)擔(dān)更重，經(jīng)濟(jì)壓力更大，所以借款人會(huì)因責(zé)任感更不會(huì)選擇增加家庭負(fù)擔(dān)的借貸行為，所以本文認(rèn)為：H3：單身（包括離異）借款人與二次借貸率呈正相關(guān)經(jīng)濟(jì)收入是反映借款人生活水平的重要指標(biāo)之一，根據(jù)恩格爾系數(shù)理論，個(gè)人收入越高，其非食物支出比例越大，這即意味著個(gè)人在娛樂、購物等方面支出更大，則資金支出越高，更容易選擇借貸策略。因此本文認(rèn)為：H4：月收入與二次借貸率呈正相關(guān)借款人所處行業(yè)不同，風(fēng)險(xiǎn)也不相同。Baesensetal(2011)發(fā)現(xiàn)農(nóng)業(yè)收入最穩(wěn)定，而服務(wù)行業(yè)最容易受到市場風(fēng)險(xiǎn)波及。行業(yè)穩(wěn)定的借款人具有更好的還款能力，所以也更傾向與選擇借貸，參考行業(yè)抵抗風(fēng)險(xiǎn)能力，根據(jù)數(shù)據(jù)樣本中的借款人工作類型信息，劃分為穩(wěn)定最高的私營企業(yè)主，工薪階層其次，最后是網(wǎng)商。所以本文認(rèn)為：H5：借款人工作類型穩(wěn)定性與二次借貸率呈正相關(guān)現(xiàn)階段未有研究借款人工作時(shí)間對(duì)借款人消費(fèi)影響，本文認(rèn)為工作時(shí)間越長，工資生活均處于穩(wěn)定狀態(tài)中，具有穩(wěn)定的還款能力，受當(dāng)前社會(huì)超前消費(fèi)觀念影響，借款人會(huì)在能接受的范圍內(nèi)選擇透支消費(fèi)，因此更傾向于選擇借貸策略，所以本文認(rèn)為：H6：借款人工作時(shí)間與二次借貸率呈正相關(guān)借款人所處公司規(guī)模在一定程度上反映了借款人收入水平及收入穩(wěn)定程度，本文認(rèn)為所處公司規(guī)模越大的借款人收入更高，資金需求不高，二次借貸概率小，所以本文認(rèn)為：、H7：公司規(guī)模與二次借貸率呈負(fù)相關(guān)3.3.2信用特征與二次借貸之間相關(guān)關(guān)系信用額度是由平臺(tái)根據(jù)用戶的信用等級(jí)轉(zhuǎn)化而來，每個(gè)信用等級(jí)都對(duì)應(yīng)的信用額度范圍，既是借款人單筆借款的上限也是借款者累積尚未還清借款的上限。而提升信用額度需要借款人成功借款并已還清所有借款，所以信用額度越高的借款用戶更有二次借款需求。所以本文認(rèn)為：H8：信用額度與二次借貸率呈正相關(guān)3.3.3借款標(biāo)的特征與二次借貸之間相關(guān)關(guān)系標(biāo)的金額數(shù)目多少反映著借款人對(duì)資金需求的大小，標(biāo)的金額越大，借款人近期資金需求也越大，這也表示借款人信任該平臺(tái)，而借款人在需要資金周轉(zhuǎn)的時(shí)候，會(huì)更傾向選擇便利的貸款行為，所以本文假設(shè)：H9：標(biāo)的金額與二次借貸率呈正相關(guān)借款利率，即借貸成本。貸款利率的高低影響了借款人是否能夠按時(shí)還款的關(guān)鍵因素，貸款利率過高，借款人違約概率越大，即進(jìn)行二次借貸概率越小。還款期限，是借款人與p2p平臺(tái)約定還本付息的期限。還款期限越長，二次借貸的可能性越小。所以本文假設(shè)：H10：借款利率與二次借貸率呈正相關(guān)H11：還款期限與二次借貸率呈負(fù)相關(guān)

第4章網(wǎng)絡(luò)借貸平臺(tái)用戶二次借貸影響因素實(shí)證分析4.1P2P網(wǎng)絡(luò)借貸平臺(tái)用戶數(shù)據(jù)統(tǒng)計(jì)分析4.1.1用戶屬性統(tǒng)計(jì)對(duì)比分析利用spss軟件把研究樣本進(jìn)行描述性統(tǒng)計(jì)分析，可發(fā)現(xiàn)在個(gè)人特征描述統(tǒng)計(jì)中，男女比例較大，男性占比63.3%，二次借貸用戶中，男性占比68.5%，這表明目前二次借貸中借貸人仍以男性為主。表4.1用戶性別描述性統(tǒng)計(jì)性別頻率百分比有效百分比累計(jì)百分比男1477763.363.363.3女856136.736.7100合計(jì)23338100.0100.0二次借貸用戶性別男79768.568.568.5女36631.531.5100合計(jì)1163100.0100.0通過對(duì)研究樣本中用戶的年齡進(jìn)行統(tǒng)計(jì)分析，其最小值、最大值、均值、眾數(shù)、標(biāo)準(zhǔn)差結(jié)果如表4.3所示:表4.2用戶年齡描述性統(tǒng)計(jì)年齡描述性統(tǒng)計(jì)一次借貸用戶年齡二次借貸及以上用戶年齡最小值2222最大值6059均值34.0335.11眾數(shù)2831標(biāo)準(zhǔn)差7.2817.443對(duì)數(shù)據(jù)樣本分析得到用戶年齡在不同區(qū)間分布如下圖4.4所示：可以看出人人貸借款人年齡絕大部分在25-50歲之間，其中年齡在25-35歲之間的人數(shù)占比最多，這表明青壯年對(duì)資金需求較大，是我國網(wǎng)絡(luò)借貸的借貸主體。二次借貸用戶年齡最小為22歲，年齡均值為35.11歲，可以發(fā)現(xiàn)二次借貸用戶年齡仍處于青壯年階層較多，這意味著青壯年用戶不僅是一次借貸用戶的主要主力，也更傾向于二次借貸。圖4.3用戶對(duì)比描述分析在此次研究樣本中借款人受教育程度如圖4.5，最多的是具有本科學(xué)歷的用戶，占比達(dá)到68.83%，而大專學(xué)歷用戶其次，占26.88%，研究生或以上學(xué)歷用戶人數(shù)最少，僅占1.14%，這說明資金需求較大的人數(shù)是受教育程度較高的，這與當(dāng)前社會(huì)流行的提前消費(fèi)有關(guān)。圖4.4用戶受教育程度分析而借款人婚姻狀況分析如下表所示，未婚用戶比已婚用戶多，表4.5用戶婚姻狀況分析用戶婚姻狀況二次借貸用戶婚姻狀況婚姻狀況頻率百分比頻率百分比未婚1223752.4%60652.11%已婚968641.5%47440.76%離異13875.9%816.96%喪偶280.1%20.17%在本次研究樣本中，借款人月收入在10000元-20000元的人群最多，其次是月收入為20000元以上的人群，緊接著是月收入在5000-10000元，而月收入在5000元以下的占比雖少，但也有8.7%，這表明網(wǎng)絡(luò)借貸參與主體范圍廣，涵蓋多個(gè)收入階層。圖4.6用戶月收入狀況分析在本次研究樣本中，工作類型上，借款人主體以工薪階層為主，達(dá)到87.2%，私營企業(yè)主其次，，占比12.8%；借款人的工作時(shí)間跨度較大，以工作時(shí)間為3-5年的樣本為主，占比達(dá)到52.3%；借款人所在公司規(guī)模以10以下較多，占比高達(dá)54.2%，其次是公司規(guī)模為100人以上，占39.6%；表4.7用戶工作狀況分析表工作類型頻率百分比有效百分比累計(jì)百分比工薪階層2035787.287.287.2私營企業(yè)主298112.812.8100.0合計(jì)23338100.0100.0工作時(shí)間頻率百分比有效百分比累計(jì)百分比1年以下2131-3年461319.819.828.93-5年1219652.352.381.25年以上439618.818.8100.0合計(jì)23338100.0100.0公司規(guī)模頻率百分比有效百分比累計(jì)百分比10人以下1266010-100人14446.26.260.4100以上923439.639.6100.0合計(jì)23338100.0100.04.1.2信用特征統(tǒng)計(jì)性對(duì)比分析用戶信用特征變量：信用等級(jí)、信用額度、逾期次數(shù)的描述性統(tǒng)計(jì)結(jié)果如下表所示。表4.8用戶信用特征描述性統(tǒng)計(jì)分析表指標(biāo)名稱最小值最大值均值眾數(shù)標(biāo)準(zhǔn)差信用等級(jí)55550信用額度0293.275.832057.11逾期次數(shù)00000用戶的信用額度是在通過人人貸審核員對(duì)所提供材料的審核后獲得的，既是借款人單筆借款的上限也是借款者累積尚未還清借款的上限。通常來講借款人信用等級(jí)越高，其相應(yīng)的費(fèi)用越低，相應(yīng)的借款成功率越高。目前信用等級(jí)由高到低分為AA、A、B、C、D、E、HR。由上述表格，可以發(fā)現(xiàn)借款人的信用等級(jí)多為A級(jí)，信用額度范圍廣，最小額度為0，最大額度為293200，可見P2P網(wǎng)絡(luò)平臺(tái)偏向信用等級(jí)高的用戶發(fā)放借款。以當(dāng)前所獲取的樣本信息中，借款人無逾期信息，對(duì)平臺(tái)來說用戶違約風(fēng)險(xiǎn)在一定程度上降低了，也表示“人人貸”平臺(tái)具有一定的風(fēng)險(xiǎn)管控能力。4.1.3借貸標(biāo)的屬性統(tǒng)計(jì)性對(duì)比分析通過對(duì)23338條數(shù)據(jù)進(jìn)行P2P網(wǎng)絡(luò)借貸平臺(tái)中用戶借貸標(biāo)的信息屬性研究，結(jié)果如下：表4.9人人貸借貸標(biāo)的描述性統(tǒng)計(jì)標(biāo)的金額（千）借款利率還款期限借款總額（千）最小值59.0%125最大值197.510.2%48393.9均值74.149.675%30.5578.05眾數(shù)209.6%3620標(biāo)準(zhǔn)差54.530.40780399.29957.67百分位數(shù)25259.6%24.0029.550609.6%36.0063.52575116.510.2%36.001199015610.2%36.00166.4借貸者所發(fā)布的借貸標(biāo)的中，借款利率平均值是9.675%，最大值為10.2%，，而借款金額差異較大，從5000元到39萬以上不等，平均值是7萬8元，但是90%借貸標(biāo)的金額都在15萬以下。而標(biāo)的借貸周期分為12、24、36、48個(gè)月，平均借貸周期是30個(gè)月?？梢钥闯觥叭巳速J”借貸平臺(tái)面對(duì)的用戶資金需求較大，且年齡介于青壯年期，受教育程度較高。4.2二元logistics回歸分析本文將用戶貸款情況分為二次借貸與一次借貸兩類，故采用二元logistic回歸對(duì)網(wǎng)絡(luò)借貸用戶二次借貸影響因素進(jìn)行分析，用戶進(jìn)行二次借貸的概率為：P式中，Y為用戶二次借貸概率，X1為對(duì)用戶二次借貸有有顯著影響的自變量，α為常量，βiln在擬定的眾多對(duì)用戶二次借貸有影響的因素中，對(duì)其進(jìn)行篩選，找出對(duì)城市交通事故有顯著影響的因素，取顯著性水平為0.05，篩選規(guī)則為：1）若自變量Xi顯著性概率P≤2）若自變量0.05<P≤回歸結(jié)果分析本次分析需要研究的因子如下表所示：表4.10二次借貸影響因子指標(biāo)體系變量（variable）類型單位因變量借款成功次數(shù)連續(xù)型次自變量性別連續(xù)型0、1年齡連續(xù)型0、1受教育程度連續(xù)型0、1婚姻狀況連續(xù)型0、1月收入連續(xù)型0、1工作類型連續(xù)型0、1工作時(shí)間連續(xù)型0、1公司規(guī)模連續(xù)型0、1信用額度連續(xù)型元標(biāo)的金額連續(xù)型元借款利率連續(xù)型%還款期限連續(xù)型月本文借助SPSS軟件對(duì)以上影響因子進(jìn)行二元logistics回歸，選擇向后逐步進(jìn)入法（即極大似然估計(jì)原則下的似然比卡方檢驗(yàn)），結(jié)果如表4.12所示。表4.11二元logistics回歸結(jié)果EXP(B)的95%C.I.BS.E,WalsdfSig.Exp(B)下限上限步驟1a性別-0.0790.1190.44410.5050.9240.7311.166年齡0.0120.0082.20710.1371.0120.9961.028學(xué)歷0.3020.2891.09110.2961.3520.7682.383婚姻狀況0.2980.1603.48810.0621.3470.9851.842借貸人收入0.0590.0700.70610.4011.0610.9241.218工作類型0.5240.1877.86510.0051.6891.1712.436工作時(shí)間0.2940.07515.24410.0001.3421.1581.556公司規(guī)模-0.6020.12025.08910.0000.5480.4330.693信用額度0.2720.011654.86010.0001.3131.2861.340標(biāo)的總額-0.2750.011681.32010.0000.7600.7440.776年利率-0.0830.2400.12110.7280.9200.5751.471還款期限-0.0630.01226.42310.0000.9390.9160.962常量-3.0282.1701.94710.1630.048步驟2a性別-0.0790.1190.44610.5040.9240.7311.166年齡0.0120.0082.20610.1381.0120.9961.028學(xué)歷0.3010.2891.08710.2971.3520.7672.381婚姻狀況0.3000.1603.52610.0601.3490.9871.844借貸人收入0.0590.0700.71410.3981.0610.9241.218工作類型0.5220.1877.81410.0051.6861.1692.431工作時(shí)間0.2940.07515.22910.0001.3421.1581.556公司規(guī)模-0.5970.12024.93510.0000.5500.4350.696信用額度0.2720.011655.47610.0001.3131.2861.341標(biāo)的總額-0.2750.011681.92110.0000.7600.7440.776還款期限-0.0660.01045.18610.0000.9360.9180.954常量-3.7580.56444.41310.0000.023步驟3a年齡0.0120.0082.32510.1271.0120.9961.029學(xué)歷0.3070.2891.12710.2881.3590.7712.396婚姻狀況0.2990.1593.50810.0611.3480.9861.843借貸人收入0.0630.0700.80810.3691.0650.9281.222工作類型0.5210.1877.79510.0051.6841.1682.429工作時(shí)間0.2970.07515.55210.0001.3461.1611.560公司規(guī)模-0.5960.11924.83710.0000.5510.4360.697信用額度0.2720.011656.65810.0001.3131.2861.341標(biāo)的總額-0.2750.011684.20010.0000.7590.7440.775還款期限-0.0660.01045.39710.0000.9360.9180.954常量-3.8030.56046.15610.0000.022步驟4a年齡0.0130.0082.66910.1021.0130.9971.029學(xué)歷0.3240.2881.26910.2601.3830.7872.431婚姻狀況0.3010.1593.56210.0591.3510.9881.847工作類型0.5640.1819.69110.0021.7571.2322.506工作時(shí)間0.2920.07515.14710.0001.3391.1561.552公司規(guī)模-0.6000.11925.20510.0000.5490.4340.694信用額度0.2720.011656.73510.0001.3131.2861.341標(biāo)的總額-0.2750.011684.46310.0000.7600.7440.776還款期限-0.0660.01046.13210.0000.9360.9180.954常量-3.7640.55845.55810.0000.023步驟5a年齡0.0130.0082.55110.1101.0130.9971.029婚姻狀況0.3080.1593.73110.0531.3600.9951.859工作類型0.5610.1819.61410.0021.7531.2292.500工作時(shí)間0.2950.07515.48010.0001.3431.1601.556公司規(guī)模-0.5930.11924.67610.0000.5530.4380.698信用額度0.2720.011657.37310.0001.3131.2861.340標(biāo)的總額-0.2740.010684.78010.0000.7600.7450.776還款期限-0.0670.01046.31410.0000.9360.9180.954常量-3.4570.48650.56610.0000.032步驟6a婚姻狀況0.2690.1582.91410.0881.3090.9611.782工作類型0.5750.18110.10910.0011.7771.2472.534工作時(shí)間0.3170.07418.39110.0001.3731.1881.587公司規(guī)模-0.5910.11924.48710.0000.5540.4380.700信用額度0.2720.011658.70610.0001.3131.2861.340標(biāo)的總額-0.2740.010685.41810.0000.7600.7450.776還款期限-0.0660.01046.02410.0000.9360.9180.954常量-3.083.42652.41310.0000.046從表4.12可以發(fā)現(xiàn)，二元logistics回歸模型最后的結(jié)果顯示，“婚姻狀況”、“工作類型”、“工作時(shí)間”、“公司規(guī)模”、“信用額度”、“標(biāo)的總額”、“還款期限”這7個(gè)變量與借款人二次借貸率顯著相關(guān)。其中，“公司規(guī)?！薄ⅰ皹?biāo)的總額”、“還款期限”與二次借貸率呈負(fù)相關(guān)，即借款人所在公司規(guī)模越大，并且借款數(shù)目較大還款期限較長的借款人二次借貸概率越低；而“婚姻狀況”、“工作類型”、“工作時(shí)間”、“信用額度”與二次借貸率呈正相關(guān)。根據(jù)表中數(shù)值得出logistics回歸模型如下：ln+0.272·其中X1、X2、X3、X4、X5(1)借款人特征信息（年齡、受教育程度、婚姻狀況、月收入、工作類型、工作時(shí)間、公司規(guī)模）：假設(shè)H1不成立，借款人年齡對(duì)二次借貸率沒有顯著影響，不是影響二次借貸的主要因素；假設(shè)H2不成立，借款人受教育程度雖然是貸款違約率的主要影響因素，但在二次借貸率方面并不顯著?？赡艽嬖诘脑颍Y金需求與受教育程度并不完全相關(guān)，每個(gè)人的資金需求受多個(gè)因素影響并且依個(gè)人情況而定，如醫(yī)療、住房、娛樂等因素對(duì)借款人的影響不同；假設(shè)H3（婚姻狀況）成立，單身（包括離異）借款人與二次借貸率之間呈現(xiàn)顯著正相關(guān)，回歸模型顯示26.9%單身借款人會(huì)進(jìn)行二次借貸；假設(shè)H4不成立，借款人收入情況對(duì)二次借貸率并不顯著；假設(shè)H5成立，借款人工作類型與二次借貸率呈現(xiàn)負(fù)正相關(guān)。工作類型更為穩(wěn)定的工薪階層與私營企業(yè)主二次借貸概率更大；假設(shè)H6成立，借款人工作時(shí)間對(duì)二次借貸率呈現(xiàn)顯著影響，是影響二次借貸率的主要因素之一。工作時(shí)間越長，越容易選擇二次借貸，工作時(shí)間越短，借款人會(huì)因?yàn)楣ぷ魑催_(dá)到穩(wěn)定而影響其選擇借貸甚至二次借貸；假設(shè)H7成立，借款人公司規(guī)模對(duì)二次借貸率呈現(xiàn)負(fù)相關(guān)，公司越小，借款人二次借貸的概率越大。（2）信用特征信息（信用額度）：假設(shè)H8成立，信用額度與二次借貸率呈正相關(guān)，信用額度是影響二次借貸率的重要因素之一?；貧w結(jié)果表示，借款人信用額度越高的，具有良好的信用，而要提高信用額度，則需要成功借貸一次并還清貸款，這也反映了信用額度的用戶有二次借貸的意愿。.（3）借款標(biāo)的特征信息：假設(shè)H9成立，標(biāo)的金額與二次借貸率之間呈現(xiàn)正相關(guān)，標(biāo)的金額越大，借款人更信任該平臺(tái)，也更傾向在該平臺(tái)再次借貸；假設(shè)10不成立，借款利率與二次借貸之間不存在顯著相關(guān)關(guān)系。不顯著的原因可能是，本文所選取的P2P平臺(tái)利率差距不大，并沒有顯著影響借款人進(jìn)行借貸需求，因此借款利率并不是影響二次借貸率的重要因素；假設(shè)11成立，還款期限對(duì)二次借貸率呈現(xiàn)負(fù)相關(guān)關(guān)系，是影響二次借貸率的主要因素之一，還款期限意味著借款人在規(guī)定時(shí)間內(nèi)才能還清債款的指標(biāo)，因此還款期限越短，借款人更高概率會(huì)選擇二次借貸，反之越低。4.2.2模型驗(yàn)證最后借助SPSS軟件對(duì)回歸模型進(jìn)行驗(yàn)證，得到回歸模型的擬合程度檢驗(yàn)情況，模型系數(shù)的綜合檢驗(yàn)情況，具體分析結(jié)果如表4.12和表4.13所示：表4.12：模型匯總情況步驟-2對(duì)數(shù)似然值Cox&SnellR方NagelkerkeR方13366.433a0.2220.6823366.554a0.2220.6833367.003a0.2220.6843367.817a0.2220.6853369.113a0.2220.6863371.620a0.2220.68表4.13：模型系數(shù)的綜合檢驗(yàn)卡方dfSig.步驟1步驟5870.4853120.00塊5870.4853120.00模型5870.4853120.00步驟2a步驟-0.12137610.73塊5870.3639110.00模型5870.3639110.00步驟3a步驟-0.44891110.50塊5869.915100.00模型5869.915100.00步驟4a步驟-0.81418610.37塊5869.100890.00模型5869.100890.00步驟5a步驟-1.29604710.25塊5867.804880.00模型5867.804880.00步驟6a步驟-2.50709210.11塊5865.297770.00模型5865.297770.00觀察表實(shí)證模型系數(shù)綜合性檢驗(yàn)結(jié)果發(fā)現(xiàn)，模型的卡方值越大，且sig值越接近于０，表明模型的擬合效果越好。通過查表可得顯著水平為0.05，自由度數(shù)目df=7的卡方臨界值為14.067，本模型回歸的最后一步（步驟６）的卡方值為5865.2977，sig.值為0.00，說明本文構(gòu)建的logistics回歸模型擬合優(yōu)度較好。觀察表模型匯總，步驟6中的Cox&SnellR方相當(dāng)于一般線性回歸分析中的R2，NagelkerkeR2是修正的Cox&SnellR2，其值越接近于０，表明模型的擬合優(yōu)度越低，越接近于１，表明模型的擬合優(yōu)度越高。本研究模型的Cox&SnellR2和NagelkerkeR2的值分別是0.222和0.68，擬合效果不太理想，但NagelkerkeR2為0.68，說明樣本數(shù)據(jù)有68%二次借貸數(shù)據(jù)可以被所列舉的變量解釋。最大似然平方的對(duì)數(shù)值是用于檢驗(yàn)?zāi)Ｐ偷恼w性擬合效果的，該值在理論上服從卡方分布，已知顯著水平為0.05，自由度數(shù)目df=7的卡方臨界值14.067，步驟六中-2對(duì)數(shù)似然值=3371.620，明顯大于卡方臨界值。因此，最大似然對(duì)數(shù)值檢驗(yàn)通過。4.3決策樹分析4.4.1決策樹結(jié)果分析Logistics回歸模型對(duì)自變量的主效應(yīng)分析較為準(zhǔn)確，但對(duì)變量間的交互作用并不出色，而決策樹分析能更好的處理變量之間的交互作用，并且可提示具有何種特征的人群更會(huì)進(jìn)行二次借貸。因此本文利用SPSS軟件對(duì)數(shù)據(jù)樣本進(jìn)行決策樹分析，使用的是決策樹CHAID方法進(jìn)行分類和預(yù)測(cè)，模型因變量為借款成功次數(shù)，自變量為表3.1所提及的14個(gè)解釋變量，經(jīng)過分類篩選之后，決策樹模型最終選擇“婚姻狀況”、“標(biāo)的總額”、“信用額度”“年利率”、“公司規(guī)?！薄斑€款期限”、“借貸人收入”、“工作類型”這8個(gè)自變量，其余自變量由于顯著性不高未被選入模型。該模型共有36個(gè)節(jié)點(diǎn)，22個(gè)終端節(jié)點(diǎn)，深度為3。決策樹模型結(jié)果如圖4.14所示。圖4.14決策樹分類模型圖4.4.2模型驗(yàn)證決策樹模型采取交叉驗(yàn)證方法，表4.15為決策樹分類識(shí)別正確率，22175個(gè)未進(jìn)行二次借貸的用戶中22174個(gè)未二次借貸用戶被劃分到未二次借貸組（分類準(zhǔn)確），1個(gè)被，正確率為100.00%。1163個(gè)二次借貸用戶中有321個(gè)被劃分到未二次借貸組（分類錯(cuò)誤），842個(gè)被劃分到二次借貸組（分類準(zhǔn)確），正確率為72.4%，而整體分類的準(zhǔn)確性達(dá)98.60%，證明該模型具有很高的正確率。表4.15決策樹分類識(shí)別正確率已觀測(cè)已預(yù)測(cè)01正確百分比0221741100.00%132184272.40%總計(jì)百分比96.4%3.6%98.6%4.4決策樹和logistics回歸結(jié)果對(duì)比分析本章節(jié)分別用二元logistics回歸和決策樹分類兩種方法構(gòu)建網(wǎng)絡(luò)借貸平臺(tái)用戶二次借貸預(yù)測(cè)模型并對(duì)兩種模型結(jié)果進(jìn)行分析，logistics回歸模型顯示影響用戶二次借貸的主要因素為“婚姻狀況”、“工作類型”、“工作時(shí)間”、“公司規(guī)?！薄ⅰ靶庞妙~度”、“標(biāo)的總額”、“還款期限”這7個(gè)變量；而決策樹模型顯示“婚姻狀況”、“標(biāo)的總額”、“信用額度”“年利率”、“公司規(guī)?！薄斑€款期限”、“借貸人收入”、“工作類型”為影響用戶二次借貸的主要因素。通過對(duì)比兩種模型結(jié)果可發(fā)現(xiàn)，個(gè)人特征信息中，婚姻狀況、工作信息可以為網(wǎng)絡(luò)借貸平臺(tái)對(duì)借款人是否會(huì)選擇二次借貸行為提供較為準(zhǔn)確的參考因素，除此之外，信用額度高低也是判斷借款人二次借貸行為的重點(diǎn)關(guān)注的因素。另外在借款人借款信息特征中，標(biāo)的總額越大，借款人越容易進(jìn)行再次借貸，網(wǎng)絡(luò)借貸平臺(tái)可根據(jù)用戶借款金額大小以及還款期限長短信息，為易進(jìn)行二次借貸的用戶提供精準(zhǔn)借貸推廣。表4.15logistics回歸與決策樹分析結(jié)果對(duì)比Logistics回歸模型決策樹模型影響因素影響因素婚姻狀況婚姻狀況工作類型工作類型公司規(guī)模公司規(guī)模信用額度信用額度標(biāo)的總額標(biāo)的總額還款期限還款期限工作時(shí)間借貸人收入年利率Logistics回歸模型結(jié)果正確率為98.7%，決策樹結(jié)果正確率為98.6%，從正確率中可發(fā)現(xiàn)，logistics回歸模型的正確率略比決策樹的正確率高，即logistics回歸模型的準(zhǔn)確率更高。因本文的因變量是借款成功次數(shù)（是否二次借貸），這是屬于二分類問題（Y=0為不二次借貸，Y=1為二次借貸），logistics回歸模型在這方面更為合適，結(jié)果分析更為全面。而且logistics模型會(huì)對(duì)每個(gè)自變量進(jìn)行顯著性檢驗(yàn)，將不顯著的變量剔除出模型中，這樣得到的模型綜合性和穩(wěn)定性更強(qiáng)。

第5章網(wǎng)絡(luò)借貸平臺(tái)精準(zhǔn)借貸相關(guān)建議我國網(wǎng)絡(luò)借貸平臺(tái)從2006年開始出現(xiàn)至今，經(jīng)歷過前十年的快速發(fā)展，同時(shí)也經(jīng)歷大浪潮，行業(yè)發(fā)展受阻，越來越多的平臺(tái)紛紛倒閉。在現(xiàn)階段，網(wǎng)絡(luò)借貸平臺(tái)如何從借貸用戶獲利，吸引更多的投資者參與是極為重要的。而研究借貸用戶二次借貸影響因素，則可以針對(duì)更容易進(jìn)行再借貸的用戶定向投放廣告，增加用戶粘性，提高用戶忠誠度，這樣網(wǎng)絡(luò)借貸平臺(tái)不僅可以節(jié)約經(jīng)營成本，還可以提高盈利機(jī)會(huì)。本文基于用戶畫像對(duì)二次借貸影響因素的研究就網(wǎng)絡(luò)借貸平臺(tái)精準(zhǔn)借貸提出相關(guān)建議。5.1擴(kuò)展數(shù)據(jù)來源，完善預(yù)測(cè)模型本文構(gòu)建的logistics回歸模型和決策樹模型均提到工作類型、公司規(guī)模等與個(gè)人經(jīng)濟(jì)相關(guān)的因素對(duì)用戶二次借貸顯著相關(guān)。這說明個(gè)人經(jīng)濟(jì)信息在研究用戶二次借貸方面占據(jù)重要地位。但就目前“人人貸”官網(wǎng)展示的信息，與個(gè)人經(jīng)濟(jì)信息相關(guān)的因素只有月收入，工作類型、工作時(shí)間與公司規(guī)模，這些都是屬于硬信息，雖然這類信息具有準(zhǔn)確量化、易儲(chǔ)存以及充分披露信息等優(yōu)勢(shì)，但個(gè)人借貸是與消費(fèi)信息這類“軟信息”更為相關(guān)，若在網(wǎng)絡(luò)借貸交易過程中加入借款人的軟信息（月支出，照片、社交關(guān)系等）不僅可以有利于降低交易中出現(xiàn)的信息不對(duì)稱，使投資者能更加了解借款人的情況，還可以為網(wǎng)絡(luò)平臺(tái)針對(duì)二次借貸用戶提供重要信息。也可以為logistics回歸模型優(yōu)化提供更多參數(shù)數(shù)據(jù)。具體實(shí)現(xiàn)途徑如下：第一，加大對(duì)借款者社交關(guān)系信息的挖掘及展示。P2P網(wǎng)絡(luò)借貸平臺(tái)可以利用搜索引擎擴(kuò)大數(shù)據(jù)來源，增加借款者在社交網(wǎng)站、電商網(wǎng)站、微信QQ等社交信息展示。第二，在申請(qǐng)借款流程中加入獲取借款人信用卡消費(fèi)信息項(xiàng)目，了解借款人月支出并對(duì)借款人還款能力作簡單評(píng)估，讓投資者對(duì)投資項(xiàng)目更有信心，也為篩選二次借貸用戶提供有力參數(shù)。5.2誠信守法經(jīng)營，樹立正確營銷網(wǎng)絡(luò)借貸P2P從一開始就以方便靈活，手續(xù)簡單的特點(diǎn)在互聯(lián)網(wǎng)時(shí)代快速被市場接受，而網(wǎng)絡(luò)借貸平臺(tái)也實(shí)實(shí)在在的解決了許多中小企業(yè)融資難問題，也解決了個(gè)體客戶借款難的問題，正因如此，大量的網(wǎng)路借貸平臺(tái)如雨后春筍般出現(xiàn)，但由于前期行業(yè)監(jiān)管不完善，網(wǎng)絡(luò)借貸平臺(tái)呈現(xiàn)良莠不齊狀況，并且網(wǎng)絡(luò)借貸平臺(tái)還要面對(duì)低融資成功率、高借貸風(fēng)險(xiǎn)、壞賬偏高以及流動(dòng)性風(fēng)險(xiǎn)等因素，投資人資金回報(bào)難以保證。2014年為還出現(xiàn)了大規(guī)模網(wǎng)絡(luò)借貸平臺(tái)倒閉跑路現(xiàn)象，2015年開始國家出臺(tái)一系列監(jiān)管政策管控網(wǎng)絡(luò)借貸平臺(tái)經(jīng)營問題，部分網(wǎng)絡(luò)借貸平臺(tái)被迫叫停整頓，而能留下來的網(wǎng)絡(luò)借貸平臺(tái)都是靠著堅(jiān)守誠信守法經(jīng)營的，在面對(duì)風(fēng)險(xiǎn)上有著較為不錯(cuò)的風(fēng)險(xiǎn)控制系統(tǒng)。在目前，網(wǎng)絡(luò)借貸成交量下降的狀況下，網(wǎng)絡(luò)借貸平臺(tái)需要尋找一條新的發(fā)展道路，一條科學(xué)可持續(xù)的發(fā)展道路，那就需要以人為本的經(jīng)營理念和正確有效的營銷理念。有意識(shí)并有針對(duì)性地主動(dòng)向用戶投放廣告，增加用戶粘度，加強(qiáng)人性化服務(wù)，以一流的服務(wù)在同類型平臺(tái)中脫穎而出。5.3構(gòu)建用戶網(wǎng)絡(luò)，實(shí)施精準(zhǔn)借貸2016年8月17日我國出臺(tái)的《網(wǎng)絡(luò)借貸信息中介機(jī)構(gòu)業(yè)務(wù)活動(dòng)管理暫行辦法》明確支出網(wǎng)絡(luò)借貸信息中介機(jī)構(gòu)是指依法設(shè)立金融信息中介公司，專門從事網(wǎng)絡(luò)借貸信息中介業(yè)務(wù)活動(dòng)。所以網(wǎng)絡(luò)借貸公司實(shí)質(zhì)上是需要撮合借貸雙方完成交易并從中賺取費(fèi)用，因此網(wǎng)絡(luò)借貸平臺(tái)需要在吸引用戶、產(chǎn)品推廣以及營銷策略上有所突破，而精準(zhǔn)借貸對(duì)于今天的網(wǎng)絡(luò)借貸公司來說是一個(gè)重要途徑。綜合用戶貸款意愿和偏好因素，對(duì)網(wǎng)絡(luò)借貸用戶進(jìn)行細(xì)分，進(jìn)而實(shí)施精準(zhǔn)借貸，則需要更多用戶信息。而在互聯(lián)網(wǎng)時(shí)代，用戶在網(wǎng)絡(luò)借貸平臺(tái)提交貸款申請(qǐng)前會(huì)向平臺(tái)提供個(gè)人基本信息，除此之外，還會(huì)瀏覽平臺(tái)其他產(chǎn)品和頁面，甚至?xí)瑫r(shí)申請(qǐng)多款產(chǎn)品。這些都是用戶潛在有用信息，將用戶的個(gè)人基本信息、消費(fèi)信息和社交信息量化，構(gòu)建用戶網(wǎng)絡(luò)，這有利于網(wǎng)絡(luò)借貸平臺(tái)細(xì)分客戶，精準(zhǔn)定位消費(fèi)群體、定點(diǎn)廣告投放。這不僅能夠增加用戶忠誠度和粘性，更有利于借貸雙方在縮減時(shí)間成本和精力成本下獲取更多有用的信息，這也有利于我國網(wǎng)絡(luò)借貸行業(yè)健康科學(xué)可持續(xù)發(fā)展。

參考文獻(xiàn)王靜.基于金融生態(tài)視角的P2P網(wǎng)絡(luò)融資研究[D].天津理工大學(xué),2017.BergerSC,GleisnerF.EmergenceofFinancialIntermediariesinElectronicMarkets:TheCaseofOnlineP2PLending[J].SocialScienceElectronicPublishing.王蕾.大數(shù)據(jù)背景下網(wǎng)絡(luò)借貸平臺(tái)用戶二次貸款預(yù)測(cè)研究[D].山西財(cái)經(jīng)大學(xué),2017.王竟鴻.P2P網(wǎng)絡(luò)借貸借款人信用風(fēng)險(xiǎn)影響因素研究[D].華中師范大學(xué),2018.JeffZabin,GreshBrebach.PrecisionMarket-ing:theNewＲulesforAttracting,Retaining,andLeveragingProfitableCustomers[M].NJ:JohnWiley&SonsInc,2008:32-76王克富.論大數(shù)據(jù)視角下零售業(yè)精準(zhǔn)營銷的應(yīng)用實(shí)現(xiàn)[J].商業(yè)經(jīng)濟(jì)研究,2015(06):50-51.陶豐.網(wǎng)絡(luò)借貸平臺(tái)營銷戰(zhàn)略研究[J].科技創(chuàng)業(yè)月刊,2016,29(05):41-42+45.IyerR,KhwajaAI,LuttmerEFP,etal.ScreeninginNewCreditMarkets:CanIndividualLendersInferBorrowerCreditworthinessinPeer-to-PeerLending?[J].SocialScienceElectronicPublishing,2009,15242(rwp09-031).GreinerME,WangH.BuildingConsumer-to-ConsumerTrustinE-FinanceMarketplaces:AnEmpiricalAnalysis[J].InternationalJournalofElectronicCommerce,2010,15(2):105-136.顧慧瑩,姚錚.P2P網(wǎng)絡(luò)借貸平臺(tái)中借款人違約風(fēng)險(xiǎn)影響因素研究——以WDW為例[J].上海經(jīng)濟(jì)研究,2015(11):37-46.Kumar,S.,2007.Bankofone:empiricalanalysisofpeer-to-peerfinancialmarlerplace.ProceedingsofAmericanconferenceoninformationsystems,1-8Klafft,M.,2008.Peertopeerlending:auctioningmicrocreditsovertheinternet[R].SSRNworkingpaper.Emekter,Riza,andYanbinTu,2015.EvaluatingtheCreditRiskinOnlinePeer-to-Peer(P2P)lending[J].AppliedEconomic,Vol47,No.1:54-70LinM,ViswanathanS.HomeBiasinOnlineInvestments:AnEmpiricalStudyofan