如表5-1因变量行所示，研究分别以农业转移人口借入资金的可得性（Y1）和借出资金的意愿性（Y2）为模型的被解释变量。
借入资金的可得性和借出资金的意愿性均代表出借方对借款方借款行为的回应。模型1（可得性模型）中，被调查者为借款方身份，Y1表示不同类别借款方获得的差别化回应，其中，0表示借款方未获得该次借款；1表示借款方获得该次借款。该问卷的作答方式为全卷作答。模型2（意愿性模型）中，被调查者为出借方身份，Y2表示不同出借方的差别化借出意愿，其中，0表示出借方拒绝借款，1表示出借方同意借款，因此该问卷的作答方式为给定特征变量值填写借出意愿（Y2）。考虑到被调查者在作答本人资金借出意愿时会代入超出本调查问卷所设计的特征因素，因此在调查设计中将2230份问卷均分为446组（每组5份），假定问卷中的变量特征属于被调查者某位“朋友”，而该“朋友”就能否向借款方借出资金询问意见。需要注意的是，研究认为异性关系（SEX）对出借方而言是不可得信息，因此该变量不进入模型2。
如表5-1自变量行所示，研究确立了16个解释变量，解释变量按经济学含义分为4类。受制于民间借贷的关系型借贷特征，借贷双方的信息并不对称，即出借方信息较借款方信息更加透明，其中最为显著的表现是个人统计特征变量组仅能提供借款方的信息。借贷双方个人信息进入决策的方式存在明显的差异，借款方易获得出借方个人特征及资金状况等信息，所有信息均进入借款决策；而出借方较难准确获得借款方的个人特征等硬信息和借款动机等软信息，因此能否准确获得这些信息，对出借决策的影响较大。出借方对借款方个人信息的认知缺失是非正规金融与正规金融的一般特征，因此研究在对自变量的设计中有意识地忽略出借方个人统计特征变量对因变量的影响，而重点强调借款方个人信息特征。但相比正规金融，民间借贷的关系型借贷模型选取借贷关系特征作为对对方个人信息认知缺失的有效弥补，而农业转移人口面对新的城市金融环境，所表现出对借贷关系特征的依赖就会愈发明显。各类自变量的具体含义如下：
第一类为个人统计特征变量。研究选取了性别、年龄、收入、受教育程度和婚姻状况等5个方面建立指标。模型1和模型2中，个人统计特征信息均为借款方数据，对模型1而言，借款方个人信息被视为隐含变量，即借款方不向出借方提供正式、准确的个人统计特征信息，而由出借方自行收集、整理、参考，形成信息不对称的借贷情形；对模型2而言，借款方向出借方提供正式、准确的个人统计特征信息，形成信息对称的借贷情形。基于两方面考虑，模型2有意识地忽略出借方个人统计特征：第一，模型1的实证结果中包含了出借方个人信息的隐性影响，引入模型2的意义不大；第二，模型2将重点考察出借方在充分了解借款方个人信息情形下的决策，同时引入借贷双方的个人信息干扰了被调查者对指定情形的理解。模型2收紧了个人信息认知缺失这一现实条件。
第二类为借贷关系特征变量，即借贷双方的社会关系。研究选取了同乡关系、同工关系、性别关系和异性关系等4个方面建立指标。在模型2中，研究认为异性关系并不是被调查者的显性信息，因此不引入指定情形，不构成被调查者确定因变量Y2的依据。(www.xing528.com)
第三类为借贷款项特征，即当次借款的金融学属性。研究选取了借款金额、还款期限、借款利息等3个方面建立指标。值得关注的是，在还款期限指标中，研究认为未标注还款期限等同于长期借款，因此与1年期以上借款使用同一量值。在借款利息指标中，研究采用问卷发放期间的央行一年期基准贷款利率作为参考标准将利息划分为3档，低于央行基准贷款利率6％的量值为0；介于6％与四倍基准利率24％之间的量值为1；高于24％的量值为2。受新司法解释出台与实施（2015年9月1日）的影响，这一量表设置存在一定局限性，并未以36％为分界值增设一级量表，后续研究将弥补这一不足。
第四类为借贷行为特征，即对借贷行为的经济学约束。研究选取了担保、抵押、借款合约（借条）、借贷历史等4个方面建立指标，均采用二项量表，仅将存在性引入模型，而不对其进行量化。借贷历史指标不归入借贷关系特征类别的原因有两个：第一，借贷历史指标并不是借贷双方独立于借贷行为的社会关系，而与当次借贷的可行性和意愿性存在迭代关系；第二，借贷历史与其他借贷行为特征指标对因变量的影响作用机制是相同的，均构成对当次借贷行为发生后的经济学约束（事后约束）。
表5-1 变量的定义
续 表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
