北大黄益平等：金融科技或可减弱“金融加速器”效应

（原标题：北大黄益平等：金融科技或可减弱“金融加速器”效应）

文/西元

1996年，美联储前主席伯南克提出“金融加速器”模型，即在信息不对称的情况下，企业融资依赖于企业的资产负债表状况（例如抵押品价值），信贷市场与实体经济往往具有很强的同向性。

具体而言，传统商业银行为企业提供贷款时往往以抵押品价值（例如房产）作为依据。在经济繁荣、房价上涨时期，房价升高，银行会据此增加放贷供给，造成经济过热；而在经济衰退时，房价下跌，商业银行就会减少放贷，加剧经济的萧条。商业银行抵押贷款的这种顺周期特性，加剧了实体经济的波动。

90年代的日本经济危机和2008年次贷危机都印证了这一理论。由于小微企业的信息不对称程度更高，贷款对抵押品的依赖程度也越高，这种“金融加速器”效应在小微企业融资中尤为明显。

2020年4月，国务院常务会议也提出“要引导银行提高信用贷款的比例，降低抵押担保的过度依赖”，但是对于传统银行而言，由于信息不对称问题严重，为小微企业提供信用贷款可能会面临成本过高或是风险过大的两难问题，推广存在一定难度。

金融业一直对信息充满渴望，并热衷于采用科技。

据说在文艺复兴时期，威尼斯商人是最早采用望远镜的人，用来观察来往船只。金融机构也是电报和卫星图像的最早使用者之一，旨在获得信息优势。

在今天，我们拥有智能手机、机器学习和区块链等技术，信息的作用是否发生了根本性的变化呢？

在一次主题为“Finance as information”的研讨会上，国际清算银行的发言人指出，金融服务提供者的身份正在发生变化。随着大型科技公司（Big Techs）进入金融市场，政策制定者需要深入考虑金融监管、竞争政策和数据隐私等问题。

大型科技公司利用其庞大的数据、网络和活动范围，在不到二十年的时间里，从初创公司变成了市场的主导者。它们的影响已经扩展到了广泛的行业，金融只是其中之一。

实际上，金融服务仅占它们总收入的11.3%。美国的谷歌、苹果、脸书和亚马逊以及中国的阿里巴巴和腾讯的市值都远远超过最大的银行。

来自国际清算银行的Leonardo Gambacorta、邱晗、北京大学的黄益平和蚂蚁集团的李振华、陈舒于2022年4月在金融学期刊《Review of finance》发表论文“Data versus Collateral”。该文章使用一个独特的数据集比较了蚂蚁集团旗下的MYbank与传统商业银行在提供贷款方面的不同特征。

具体来说，大型科技公司的信贷更倾向于反映公司内部特定特征的变化，而传统银行信贷则更注重客户的信用价值和所处环境。这种趋势可能会对宏观经济产生影响，如货币政策传导机制。

01 研究背景

债务合同中通常使用抵押品来缓解由于信息不对称而产生的代理问题。银行通常要求借款人抵押有形资产，例如房地产，以减少借贷市场中的逆向选择问题或降低后期的摩擦。抵押品在中小企业(SMEs)中更为普遍，因为许多这类企业缺乏基本文件并且通常远离银行分支机构。

随着金融科技的发展，尤其是大型科技公司进入金融服务领域，非传统数据来源在中小企业的信贷评估中发挥越来越重要的作用。

大型科技公司的商业模式是在数字平台上实现用户之间的直接互动，其副产品是大量的用户数据。这些数据被用作输入来提供一系列基于自然网络效应的服务，进一步产生用户活动。

增加的用户活动产生了更多的数据。这种相互加强的数据-网络-活动（data-network-activity，DNA）反馈循环有助于大型科技公司识别其客户的特征并为他们提供最适合其需求的金融服务。

在解决信息不对称问题方面，大型科技公司相比银行拥有更多优势，它们可能会使用替代的数据来源，包括从社交媒体活动和用户足迹中获得的信息。在这种新的金融中介方式中，数据将取代抵押品。

论文研究结果表明，大型科技公司的信贷更加关注公司特征，而不是当地的商业条件和房价。与之相比，银行的抵押和无抵押信贷都会对当地房价产生显著反应。科技信贷的广泛使用会减少贷款供应对资产价格变动的反应，削弱“抵押品渠道”；同时，科技信贷对公司的特定情况更加敏感，这将增强利率渠道的效力。

02 数据

本文的样本是从蚂蚁集团旗下MYbank获得信贷的中小企业。针对这些公司，传统银行提供的所有贷款也被纳入观察范围，并区分为抵押信贷（有担保）和无抵押信贷（无担保）。该数据库是在2017年1月至2019年4月期间建立的。

样本包括超过200万家公司，这些公司每月均有交易记录并获得银行信贷。下表显示了汇总统计数据，分为三个面板：（a）大型科技公司信贷（b）无抵押信贷（c）抵押信贷。每个面板都包含公司特征、企业家特征以及公司总部所在地的经济和金融状况。

在200万MYbank借款公司中，大多数只能获得科技信贷，而与银行没有关系。

（1）公司特征

公司特征主要包括：信贷额，交易量，网络得分（衡量用户在网络中的中心性，基于他们在支付宝生态系统中的支付历史和社交互动，可以体现信用评级）和线上（是否是阿里巴巴电子商务平台上的企业online，还是更传统的企业offline）。

科技信贷借款公司的中位数贷款额为7115元，通常授予短期（从1个月到1年），然后多次更新。无抵押信贷的中位数为70000元人民币，贷款规模较大可能反映了合同期限更长（从1到3年）。

借款公司之间的规模差异不大。使用科技信贷的公司的中位数月交易量为3000元，而那些同时使用无抵押信贷的公司的交易量为5000元。

科技信贷借款公司的网络得分仅略低。

总体来说，只从MYbank借款的公司规模较小，与传统银行的联系也较少，MYbank具有的潜在风险也比传统银行更高，但差异并不大。

（2）企业家特征

企业家的特征包括：年龄，收入和性别。

对于中小企业来说，有关创业者的信息对于风险评估非常重要。一方面，其寿命周期短，因此公司信息无法充分积累；另一方面，中小企业的财务状况往往与所有者的财务状况密切相关。MYbank在为中小企业提供风险控制方面的优势之一是蚂蚁集团可以获取公司以及所有者的信息。

科技信贷的借款公司略年轻。

根据支付宝钱包的总金额将借款公司分组，科技信贷借款人平均收入略低（2.06），抵押信贷更高（2.20），但没有太大的差异。

科技信贷的女性借款人比传统信贷的女性借款人所占比例高得多。

（3）房价、GDP和货币政策

房价数据由中国指数研究院发布并收录于WIND数据库。下图显示了不同信贷形式与房价之间的弹性。科技信贷相对于房价和城市GDP的弹性都比传统信贷小得多。

（4）信贷质量和利率

科技信贷借款公司的违约率低于传统信贷，由不良贷款率（NPL）体现。然而，信用风险并没有反映在科技信贷的利率上。

三个原因可能导致科技信贷的利率高。

首先，MYbank的资金成本远高于传统银行，因为大型科技公司接受小额存款的能力有限，通常与监管政策有关。

其次，MYbank借款公司规模小，事前潜在风险较高。

最后，为了进行信用评分的数据处理，科技公司需要承担高昂的固定成本，以建立必要的IT基础设施并创建高度专业化的团队。

03 实证结果

（1）信贷的决定因素

本文使用的基准模型是：

因变量是MYbank或传统银行在时间t授予总部位于城市j的公司i的信贷的对数。X是包含时变公司特征（交易量和网络得分）的向量。Y是捕捉区域状况的城市级指标，包括房价和当地GDP。文章在其他部分还提供了Nested model的结果（即引入信贷类型“credit-type”的虚拟变量进行交互）。

上表显示，科技信贷与房价和当地经济状况不相关，而与公司的特定变量（交易量和网络得分）密切相关，说明科技公司针对客户特征提供金融服务。线下公司的相关性低于线上公司，说明后者确实更多地融入了科技生态系统，MYbank可以获得更多关于它们的信息。

传统信贷方面，无抵押信贷与房价正相关，抵押信贷与房价的关系更加明显。无抵押信贷也与当地GDP正相关。对于线上公司来说，这种相关性不显著，这可能意味着银行工作人员可以更直接地观察线下公司的特征。

以上结果存在一个内生性问题是，房价可能通过抵押品价值上升以外的渠道与信贷相关。例如，大型企业的成长会带来信贷需求，同时也会刺激对当地劳动力和商品的需求，进而推动房价上涨；信贷的扩张也可能对房价产生影响。

本文根据 Chaney，Sraer和Thesmar(2012)，将土地供应和抵押贷款利率之间的相互作用作为工具变量。结果仍然只有传统信贷与房价显着相关。这一结果强调，在政府扩大土地供应引发抵押品价值（外生）下降的情况下，对大型科技公司的信贷没有积极影响。

总体来说，大型科技公司的信贷与房价无关，但对公司特定特征反应强烈。这一结果适用于控制内生性的一系列测试。

（2）科技信贷的影响

文章检验了科技信贷对公司表现的影响。上表显示，获得大型科技公司信贷额度的企业在下一季度的交易量会增加22%（列I）。当考虑信贷使用时，增幅为16%（列II）。

此外，作者注意到，蚂蚁集团于2017年6月底推出了向二维码商家提供MYbank贷款的计划，并在同年8月开始提供这项服务。本文利用这种外生的信贷供应冲击和PSM-DID的方法来分析科技信贷对交易量的实际影响。

上表结果显示，与具有类似特征但未在2017年8月后获得信贷批准的公司相比，获得科技信贷的公司交易量增加了14.3%（列III）。对于那些已经获得银行信贷的公司，没有检测到显著效应（列IV）。

除了公司业绩，本文的数据描述部分还提到，科技信贷的借款公司在违约方面表现更好。

综合来看，科技信贷的供给不太依赖于资产价格变动，所以其应用会降低“抵押品渠道”的有效性。同时，如果科技信贷对公司交易量和网络得分（尤其是在线公司）的变化反应强烈，经济活动或一般商业状况的变化将立即反映在信贷供应中。这可能会改变货币传导机制并提高利率渠道的有效性。

04 结论

西元：“你对于这段内容有什么想法？”

ChatGPT：“作为一个人工智能，我没有“想法”，只能提供客观的事实和信息。然而，从人类的角度来看，这篇文章提供了一些有趣的观点。它强调了大型科技公司利用大数据来提供贷款的潜在优势，包括更好地了解借款公司的信用价值，以及在违约率和公司业绩方面表现更好。

但同时也提出了这种新型信贷方式可能带来的风险和挑战，包括银行和监管机构需要采取相应的政策措施以保证金融体系的稳健性和可持续性。这篇文章的研究结果可能会引发更深入的思考和探讨，包括货币政策和金融监管等方面的调整和变化。”