大数据赋能下网络借贷的价值共创模式研究——来自Lending Club 的证据

曾剑秋，谢嘉润

（北京邮电大学 经济管理学院，北京 100876）

一、引言

网络借贷是长尾人群融资的有效渠道，对实践普惠金融有重要意义。《哈佛商业评论》将之视为未来十年最重要的金融创新。然而，在经历了十年的野蛮生长之后，网络借贷迎来监管的强出手。这场愈演愈烈的强监管旨在“风险出清”，客观上也是对行业的“减量增质”。正如打着区块链幌子兜售“空气币”一样，网络借贷行业的“骗贷”“套路贷”现象有过之而无不及。自2007 年国内第一家网贷企业拍拍贷成立运营之后，2017 年中国网络借贷份额已占全球总份额的75%。行业快速成长背后折射出来的是个人消费者和小微企业日益增长的融资需求和不平衡、不充分的信贷供给市场之间的矛盾。在经历近四年的专项整治特别是近两年的严监管之后，行业风险大幅出清。截至2019 年11 月，生存下来的400 余家网贷平台处在转型的十字路口，探寻正确的价值创造模式以实现企业和用户的共赢不仅必要，而且十分紧迫。

目前学术界关于网络借贷的研究大致分为三类：影响借贷行为的因素、贷款人羊群行为和社交媒体对网络借贷的影响［1］。这些文献为我们研究网络借贷提供了很好的借鉴，但是其中绝大部分研究只涉及“点和线”，鲜少有“面”的研究。从理论上剖析网络借贷的机制设计，研究网络借贷价值创造模式的文献十分缺乏，这是网络借贷研究最核心、最亟需解决的问题。以银行为代表的金融中介机构取得了巨大成功，是因为金融中介化的机制设计能够降低投融资的交易成本、减少信息不对称，以及风险分担功能［2］。

美国的Lending Club 是目前全球最大、最成功的网络借贷平台，它于2014 年在美国纳斯达克上市。截至2019 年11 月，Lending Club 服务超过300万用户，发放了超过500 亿美元的贷款。既然网络借贷已成为直接融资的有效渠道，其背后一定蕴藏成功的机制设计和价值创造模式。本文试图以Lending Club 为例实证研究网络借贷的价值创造模式，希望对网络借贷中的价值创造研究作出贡献，为我国相关企业发展转型及行业监管提供借鉴。

二、研究综述

商品主导逻辑下的价值创造模式通常强调企业的价值独创。价值共创则是价值创造主体通过服务交换和资源整合，共同创造价值的动态过程［3］。2004 年Vargo 和Lusch 首次提出价值共创的概念，此后这一概念迅速得到丰富和发展，研究视角从顾企间的二元互动逐渐拓展至多经济主体参与的动态网络互动，大致经历了从强调顾客体验、服务主导逻辑、服务逻辑、服务科学到服务生态系统的研究发展脉络［3］。整体来看，有关价值共创的研究主要聚焦在Who、What 和How 三方面，即价值共创的主体及主体间的关系研究，价值共创的价值内涵研究，价值共创的模式研究。

（一）共创主体：从二元关系到多元关系

大部分价值共创的研究聚焦于顾客和企业之间的二元关系。服务主导逻辑下，企业和顾客在价值共创中的作用被重新定义［4］。Prahalad et al.［5］认为价值的基础是顾客体验，价值共创的主体是顾客和企业，核心是顾企互动。Vargo et al.［6］提出一切经济都是服务经济，价值由顾客和企业共同决定和创造。Grönroos［7］提出了两种顾企价值共创模型——价值促进模型和价值实现模型。促进模型中，顾客是价值创造者，企业是价值促进者；实现模型中，顾客是价值创造者，企业是价值创造的促进者和合作者，通过积极参与价值共创过程成为价值创造者。总之，在顾企二元关系的价值创造中，企业被视为服务提供方，拥有对象性资源；顾客是服务接收者，拥有对象性资源；他们能够将技能和知识整合到价值创造过程中［6，8］，充当思想者、设计者和中介［9］。从商品逻辑到服务主导逻辑，价值共创的主导权逐渐从企业转移到顾客。

服务科学和服务生态系统将价值共创的主体从二元关系拓展至多元关系。Spohrer et al.［10］提出，服务科学视角下的价值共创系统是一个由人、组织和技术共同组成的动态网络。相比于早期服务主导逻辑，服务科学视角下的价值共创强调更广泛的系统资源配置和主体互动，同时也更加强调技术对获取共创价值的重要作用［3］。2010 年，Vargo et al.［11］提出了服务生态系统视角下的价值共创，指出其是复杂网络下的多元参与主体基于各自价值主张，通过制度、技术和沟通所进行的价值共创活动。此后，服务生态系统视角下的价值共创成为研究热点，其中大部分是结合典型企业的案例研究。例如，Agrawal et al.［12］研究了农村健康保险活动中政府、保险公司、医院等六个利益相关者的价值共创模式。江积海等［13］以Airbnb 为例，研究了平台型商业模式创新中连接属性对价值共创的影响机理。杨学成等［14］分析了共享出行平台Uber 上司机、乘客和平台三者的价值共创机制，提出了共享经济中用户价值共创的概念，并阐释了各参与主体的角色与作用。

（二）价值内涵：从交换价值到顾客参与和使用价值

商品主导逻辑下的价值主要指交换价值，强调顾客购买行为为企业创造价值［15］，顾客资产是该研究视角下的核心概念，定义为公司当前和未来顾客的折现预期现金流量之和［16-17］。

服务主导逻辑认为价值由企业和顾客共同创造，结果由两者共享，这里的价值被大部分学者定义为使用价值或情景价值。Vargo et al.［6］认为价值由消费者根据使用价值感知和确定，它既可以来自对操作性资源的有效利用，也可以通过对象性资源传输获得，价值是顾企交换技能和服务而获得的效用。Grönroos［18］认为企业只能创造潜在价值，顾客创造的使用价值才是真正的价值。Prahalad et al.［5］认为，价值共创的根本是企业和顾客共同创造顾客体验，顾客体验是价值的基础。Kumar et al.［19］用顾客参与价值来描述价值共创过程中顾客为企业创造的价值，具体包括四部分：顾客终身价值，反映顾客购买行为；顾客推荐价值，吸引新顾客的价值；顾客影响价值，通过交流互动影响已有和潜在顾客行为的价值；顾客知识价值，即顾客向公司提供反馈的价值。

（三）共创方式：从顾企互动到平台多主体资源整合

价值共创的过程和模式是价值共创研究的最主要方面。随着网络平台的崛起和研究视角的演进，价值共创的方式也从聚焦顾企互动［5-7］到强调平台多主体的资源整合。服务主导逻辑将价值共创的所有参与者视为资源整合者［9］，企业通过操作性平台整合市场资源、人力资源和公共资源［20］，顾客则通过整合社交资源、个人特质（如知识和经验）等来参与价值共创［9］。企业不能传递价值只能提出价值主张，通过与顾客互动及资源整合共创价值。Ar⁃thur［21］解释了价值共创为何需要通过资源整合来实现：一方面，参与者获得的任何资源都不能单独使用，必须与其他资源组合或捆绑才有价值，例如，客户需求是一种信息资源，但必须通过IT 技术的处理分析才能体现商业价值；另一方面，创新通常来自资源重组。Ramaswamy et al.［22］提出了交互平台和互动创造的概念。交互平台是一个包含物理和数字资源、商业过程、交互界面和多角色参与者的实例。价值创造是价值的互动创造。在平台互动日益数字化的世界中，它跨越传统价值创造系统，将一个实体的活动开放给其他实体，跨越传统价值创造系统，参与者则在交互平台上扮演着不同角色。随着研究视角的演进，价值共创过程的特有因素从强调顾企互动逐渐转变为强调服务、互动、技术和制度［3］。

大部分关于价值共创模式的研究都采用案例研究法，通过一家或多家典型企业的业务研究归纳出价值共创的模式。Xie et al.［4］基于多个商业案例，研究了企业和客户如何通过异质性资源整合和相互协作，将大数据资源转化为合作资产从而实现价值共创。此外，共享经济的兴起似乎是推动多边平台价值共创模式研究的一大动力，大量关于平台价值共创模式的研究均围绕共享企业展开。杨学成等［14］对Uber 的价值共创活动进行了案例研究，将出行平台的价值共创过程总结为用户连接阶段、用户接触阶段和用户分离阶段，三阶段遵循不同的价值共创模式。周文辉等［23］、赵大伟等［24］均以滴滴出行平台为例，研究数据赋能对平台进行价值共创和提升服务质量的促进作用。Nadeem et al.［25］对用户参与共享平台价值创造的意愿进行问卷调查，并利用结构方程模型分析了影响用户参与价值共创的因素，从而提出共享平台价值共创的管理策略。Ma et al.［26］以我国的共享单车和共享汽车为研究对象，强调消费者和共享企业之间的价值共创对可持续发展的重要作用。除共享平台之外的其他多边平台，尤其是网络借贷平台的价值共创研究仍然相当匮乏，其中吴庆田等［27］以我国网络借贷平台宜人贷为例分析了平台、借款人和投资者三者的协同关系，认为该平台上的核心利益相关者协调发展程度较低，因而整合核心利益相关者的资源，促进核心利益相关者协同发展并实现价值共创成为影响行业可持续发展的重要因素。

经过十多年的发展，价值共创理论已经形成了丰富的研究体系。然而，基于互联网、大数据开展服务生态系统价值共创的研究，探索多边平台参与者如何通过整合自身资源实现价值共创，特别是实证研究依然相当缺乏［3］，尽管数字信息系统在价值共创中扮演着越来越重要的角色，让经济参与者不受时空限制进行互动和资源整合［28］。网络借贷平台已成功在传统金融中介机构之外另辟战场，在直接融资领域开创先河，成长为一个依托信息技术和大数据资源服务个人消费者和小微企业的繁荣金融生态。在此背景下，对国外成熟网络借贷平台的价值共创模式进行实证研究，不仅能够丰富网络借贷和价值共创理论体系，而且有利于国内相关企业学习借鉴国外的成功经验和模式。

三、理论分析

Lending Club 平台上的主要参与者包括平台、投资者和借款人。借贷流程大致是：借款人在平台上发起借款申请，平台基于信息搜集和分析能力对借款人进行信用审核，将合格借款订单留在平台。订单内容不仅包含借款人提供的个人和借款信息，还包括平台给出的信用评级和借款利率。投资者根据订单信息，综合自己的投资偏好、知识经验确定投资标的和投资数额。如果之后借款人能够按期还本付息直到还清债务，则平台、投资者和借款人三者成功实现了价值共创。该过程中价值共创的主体是平台、投资者和借款人，三者耦合共轭发挥各自资源优势，任何一方都不可或缺。投资者付出资金成本和用于甑别风险的知识技能，获得投资收益；平台制定交易规则，提供交易场所和技术支持，获得服务收入；借款人付出利息成本，获得满足自身效用最大化所需的流动性支持。Lending Club 的价值共创模式如图1 所示。

图1 网络借贷价值共创模式

首先，借款人在平台上发起借款申请，提供必要的个人和借款信息，这些信息是平台审核和投资者进行投资决策的信息基础。一方面，订单信息决定借款人能否通过平台审核，并最终得到投资者的投资；另一方面，平台上海量的用户信息客观上形成了一笔宝贵的大数据资源，这是平台和用户价值共创必不可少的两大资源基础之一［4］，平台基于此可以训练更加强大的分类算法，降低对守信和违约用户的误分类率，从而更好地促进价值共创。用户提供的信息不仅服务了自己，也间接服务了其他用户（包括其他借款人和投资者）。因而，借款人不仅是服务的接受者，也是资源的贡献者，他们提供了价值共创所需的大数据资源。

其次，平台对借款人的借款申请进行审核，对通过审核的借款人进行信用评级并设定借款利率。信息技术的发展使得企业能够处理用户大数据，捕捉关键信息和市场变化并快速作出反应［29］。该过程平台主要通过数据赋能促进价值共创［30］：平台充分利用自身的信息搜集能力、资源整合能力和大数据分析能力识别潜在违约用户，评估借款人信用风险并设定风险利率，从而有效降低借贷双方的信息不对称；基于大数据算法评估借款人信用风险，风险评估模型一旦成熟并投入使用，此后平台对借款人信用评估的边际成本近乎为零，规模经济极大降低了交易成本。信息不对称和交易成本正是传统金融中介机构存在的最主要原因［2］，网络借贷平台通过数据赋能甚至以更有效的方式解决了这两个问题。因而，平台既是资源整合者，也是价值共创的促进者和合作者［7，9，20］，通过制度（借贷规则）、技术（大数据分析能力） 和互动（连接借贷双方） 促进价值共创［11］。

再次，投资者对通过审核的借款申请进行筛选，决定投资标的和投资金额。在以往的研究中，廖理等［31］证明了网络借贷投资者能识别相同利率背后的不同风险；胡金焱等［32］证明网络借贷投资者具有理性意识，表现为对收益的追求和对风险的规避。投资者效用由期望收益率和投资风险决定，即U=E，式中E(r)为期望收益率，σ2为投资风险，故投资者利用自身经验知识排除潜在违约申请，再结合风险偏好等个人特质选择符合自身效用最大化的投资标的组合，投资者利用拥有的对象性资源参与价值共创［4，9］。

最后，借款人能自主决定是否发起借贷申请及申请的内容；投资者对自己的资金配置拥有主动权和决定权，能够自行决定接受和提供服务［33］；平台通过规则设计和技术手段理解用户需求，提供满足用户需求的服务；该过程体现的服务逻辑是顾客主导逻辑［34-35］。由于逻辑主体已从顾客转变为用户，价值共创方式是遵循用户主导逻辑的价值共创［14］。

四、研究假设与数据处理

1.研究假设。上文阐释了网络借贷的多边参与者如何通过资源整合和能力互动实现价值共创。然而，以上推导和阐释实则蕴含了两个重要假设。

平台能够整合内外部资源并利用自身技术能力识别出不同信用风险的借款人，根据信用评级对借款申请进行差异化定价供不同风险偏好的投资者选择。故提出假设1：

H1：平台能有效识别不同借款人的违约风险，并通过信用评级提示投资者。

投资者能够利用自身经验知识，对借款人和平台提供的信息进行分析判断，从而排除潜在违约订单。故提出假设2：

H2：投资者能有效分析不同借款人的违约风险，并选择低风险订单进行投资。

这两个假设是以上价值共创模式推导成立的充分必要条件。

2.研究设计。为检验以上两个假设，本文研究设计的主要思路是：将假设转化为具体可量化、可验证的科学问题；搜集相关数据，进行数据预处理和数据描述；选择合适的模型以检验假设，得出结论。

针对H1，平台能有效识别不同借款人的违约风险，并通过信用评级提示投资者。平台的风险识别和定价能力主要表现为信用评级是否准确有效，如果平台能准确识别风险，那么借款人违约风险越高则其信用评级应该越低，且借款利率越高，反之则反。故检验H1等价于检验：不同信用评级借款人的违约概率存在显著差异，且信用评级越低违约风险越高，反之则反。

针对H2，投资者能有效分析不同借款人的违约风险，并选择低风险订单进行投资。Zum et al.［36］认为，投资者在进行投资决策时，会根据借款人信用风险用脚投票，而订单完成度可以作为投票结果。借款人在平台的申请金额为loan＿amnt，最终实际筹得借款金额inv＿amnt，inv＿amnt≤loan＿amnt，可定义借款总额的“满标率”full＿rate=；full＿rate=1说明借款人筹得全部资金，full＿rate＜1 说明借款人未筹得全部资金。如果投资者确实能识别潜在违约者，那么潜在违约者将得不到投资，潜在还款者将得到更多投资人的青睐；或者说满标率越高则说明订单受到更多认可，订单还款的概率也会越高。故检验H2等价于检验：满标率越高，借款人还款的可能性越高。

3.数据获取与预处理。研究数据取自Lending Club 平台上2007—2018 年的所有有效订单，总计为2 260 701 条数据，内容涵盖借款人目前借款状态（loan＿status）、最终募集金额（funded＿amnt＿inv）、平台信用评级（grade）和借款利率（int＿rate）、借款人申请的借款金额（loan＿amnt）、借款期限（term）、债收比（dti）和房屋状态（home＿ownership）等。变量名称及含义见表1。

因为只考虑整个价值共创最终是否成功实现，无法确定正在还款中的用户最后是否会违约，故排除借款状态为还款中的用户，只保留已偿还或违约的用户。此外，针对不同类型的变量（有序型变量、数值型变量和名义型变量），数据预处理方法和步骤如下：为减少少量异常值对实验结果的影响，剔除债收比（dti）前后5%的截尾数据和借款金额超过25 000美元的用户（占总样本11.8%），将借款金额等间距划分为5 个等级转换为有序变量；对有n个等级的有序变量，分别赋值0～n-1；对名义型变量取虚拟变量。处理后总共获得1 065 601 份订单，变量名称及说明如表2。

表1 变量名称及含义

表2 预处理后的变量说明

表3 给出了预处理后变量的描述性统计。由表3 可知，全部订单中有80.8%的借款人还清本息，19.2%的订单出现违约；投资者的平均信用评级为1.66，介于B 和C 之间；借款利率平均为12.93%，最低5.31%，最高30.99%；债收比大致介于5 到33 倍之间，平均为18 倍；大部分借款人选择的借款期限是36 个月，占比78.9%；47.7%的借款人房屋为抵押（按揭）状态，10.6%为自有，剩下41.7%则是租赁。

表3 统计性描述

4.模型选择。如果平台能有效识别不同借款人的违约风险，并通过信用评级提示投资者，那么不同信用评级订单的违约率应该显著不同，可统计不同信用评级中违约订单的占比并进行卡方检验以初步验证假设。为检验平台信用评级的有效性，投资者能有效分析不同借款人的违约风险，将借款人的还款状态作为因变量，信用评级、满标率分别作为核心解释变量，借款人其他信息作为控制变量进行拟合。借款人还款状态只包括还款和违约两种状态，是一个典型的二分类问题，同时需要拟合的样本数（1 065 601份订单）远大于自变量的个数，因而可通过机器学习中经典的Logistic 回归（LR）模型进行拟合。

五、实证检验

遵循上文研究设计的思路，综合利用卡方检验和Logistic 回归模型分别对两个研究假设进行实证检验。

（一）平台风险识别及定价能力检验

风险识别和定价能力是现代金融机构的核心职能，也是网络借贷平台最重要的能力和核心竞争力，它是支撑借贷双方在网络借贷平台上有序、有效交易互动，以及平台参与和促进价值共创的能力基础。

为验证假设H1，平台能有效识别不同借款人的违约风险，并通过信用评级提示投资者。我们统计了不同信用评级中借款人的违约比例，图2表明借款人违约率随信用评级的降低而升高。

图2 不同信用级别借款人还款情况

统计结果的卡方检验显示p值小于0.01，说明在99%的置信区间内认为不同信用评级借款人的违约情况存在显著差异，信用评级越低则违约风险越高，反之则反。卡方检验在一定程度上说明平台通过信用评级为投资者提示风险，但仍然无法说明信用评级和借款利率在投资者决策中的重要程度。换句话说，投资者能否利用信用评级和借款利率帮助自己更好地识别风险呢？ 如果能，则平台成功地促进了价值共创。

Logistic 回归是二分类任务中最常用且表现最稳定的机器学习算法之一，尤其适用于解决样本数量远大于自变量数量的分类任务。通过在线性回归模型中引入Sigmoid 函数，将线性回归不确定范围的连续输出值映射到（0，1）范围内，成为一个概率预测问题。也就是，根据自变量预测因变量发生的概率，当预测概率大于0.5 时输出1，否则输出0。其公式可抽象为：

其中，P（y=1 ｜x；θ）表示自变量为x时因变量y=1 的概率，θ是模型拟合参数，Fθ（x）是参数为θ的Logistic 函数。

借鉴廖理等［31］对网络借贷平台投资者风险识别能力的研究，假设在没有平台参与的情况下，平台没有对借款人作出信用评级并给出相应的借款利率，投资者根据借款人提供的信息就能推测其还款概率，即：

在平台参与的情况下，投资者根据借款人的信息及平台提供的信用评级和风险定价推测还款概率，即：

其中，loan＿statusi表示第i个借款人的还款状态；bor＿infoi表示第i个借款人提供的信息，包括债收比dti、借款金额loan＿amnt、借款期限term和房屋状态home＿ownership，为控制变量；plat＿infoi表示平台对第i个借款人给出的信用评级grade和利率int＿rate，为核心解释变量；F(x)=为Logistic 函数。根据公式（2）构建模型A，根据公式（3）构建模型B，选用梯度下降法（Gradient Descent）对预处理后的订单数据进行拟合，结果如表4。

表4 模型A 和模型B 拟合结果

由模型A 可知，借款人的各项信息均在1%的统计水平下显著，模型解释力度为4.3%。我们更想了解的是平台在双方借贷中所发挥的作用，在模型B 中，包括债收比、借款金额、借款期限和房屋状态在内的借款人信息为控制变量，平台给出的信用评级和借款利率为核心解释变量，回归结果显示所有变量均在1%的统计水平下显著，模型的解释力度大幅提升到7.6%，信用评级（grade）、借款利率（int＿rate）与还款状态（loan＿status）均显著负相关，且信用评级每下降一个等级（如从A 到B，B 到C，等等），全额还款的可能性降低23.3%（1-0.767=0.233），借款利率每提高1%，全额还款的可能性降低0.4%。实际上，以上订单全额还款的概率为80.83%，因此以80.83%作为阈值［31］对以上两个模型进行判断准确度验证。Logistic 模型预测借款人还款概率超过80.83%就判定其会守信，否则就判定其会违约。模型A 预测借款人不会违约，且实际上没有违约的正确率为85.94%，预测借款人不会违约，但实际上违约的错误率为14.06%；模型B 中前者的预测准确率提高到87.89%，后者的错误率降低为12.11%。

综上，我们验证了平台在价值共创中的促进作用，平台通过信用评级成功提示风险，显著降低了借贷双方的信息不对称。

（二）投资者风险识别能力检验

网络借贷价值共创模式成立的另一个充要条件是投资者能有效分析不同借款人的违约风险，并选择低风险订单进行投资。换句话说，投资者能在平台提供信息的基础上进一步利用自身经验知识等个人特质识别出潜在违约申请并排除。我们因此构建变量满标率full＿rate=，其中loan＿amnt为借款人申请金额，inv＿amnt为实际筹得金额。根据假设H2，如果投资者足够聪明，能利用自身经验知识识别潜在违约者，那么满标率越高则说明该订单受到更多认可，订单还款的概率也会越高。将以上问题转化为Logistic 模型C：

其中，核心解释变量为full＿ratei，控制变量包括借款人信息bor＿infoi和平台信息plat＿infoi。在模型B 的基础上增加变量full＿rate并拟合模型C，结果如表5 所示。

表5 模型C 拟合结果

由表5 可知，满标率full＿rate在1%的水平下显著，且系数为正，说明在99%的情况下，满标率越高，借款人全额还款的可能性越高。优势比odds ra⁃tios等于1.367，说明满标率每提高一个百分点，还款概率提高0.367 个百分点。换句话说，那些最终全额还本付息的订单，在一开始也会受到更多投资者的投资，假设H2得证。同时，我们也注意到模型C 整体拟合优度并无显著提高，说明该变量对模型预测效果贡献较少，这可能跟样本数据中未满标订单占比太少（约占10%）有关。

六、结论与启示

通过分析网络借贷过程中平台、借款人和投资者三者的互动关系和价值共创模式，并利用Lending Club 上的两百余万条真实订单数据进行实证检验，研究得出的主要结论包括：（1）网络借贷中，借款人不仅贡献了投资者利息收入和平台服务费，还贡献了价值共创所需的大数据资源，这是平台有效运转，迭代增强技术服务能力的资源基础；（2）平台能有效利用大数据资源和能力对借款人进行信用评级和风险定价，实证结果表明借款人信用评级每降低一级，全额还款的可能性降低23.3%，借款利率每溢价1%，全额还款可能性降低0.4%，这样的风险提示在很大程度上降低了借贷双方的信息不对称和交易成本，因而对促进网络借贷生态的价值共创具有重要意义；（3）投资者不仅提供了借贷本金，而且能够利用自身知识经验识别潜在违约订单并排除，进一步降低了“柠檬市场”出现的可能性并弱化其程度。借款人、平台和投资者通过互动和资源整合成功实现了价值共创，三者缺一不可。

研究对平台管理和行业监管的启示是：国内网络借贷平台应定位为信息中介及大数据服务者角色，聚焦于提高自身的信息整合和分析能力。为弥补传统银行信贷渠道不足，满足民间旺盛的借贷需求，同时降低行业风险，促进行业健康有序发展，行业监管可以重点从以下三方面着手：（1）与行业共建共享个人身份验证、征信等公共服务平台，保证价值共创资源基础即用户大数据资源的真实有效；（2）强化平台的信息中介和大数据服务者角色，激励平台提高大数据分析能力，保证其能有效识别并提示借款人信用风险，更好地发挥信息中介作用；（3）加强投资者教育，灌输“高收益高风险”观念，鼓励分散投资理念，打破刚性兑付心理预期，从而鞭策投资者提高风险识别和应对能力。