姚奕：网贷模式对于货币政策传导的影响
作者：姚奕
2023年10月27日
编者按：这是一篇国际清算银行团队（四位华人）所做的研究。在原文中，用了“BigTech”，直译为“大科技”，当然，从全文的内容来看，主要就是分析以蚂蚁金服为典型代表的普惠网贷模式业务，因此，我还是把它翻译为网贷。本文的视角非常独特，并不是传统意义上对于网贷模式的优劣分析，而是侧重在一个不太有人关心的方面——网贷模式对于货币政策的传导产生什么影响？我抽取文章的主要内容和观点与读者分享。中国已经逐渐成为BigTech信贷领域的龙头。根据2013年至2019年排名前六位的国家的总信贷额和人均信贷额(下图），自2017年以来，中国的BigTech信贷一直领先于其他国家。一方面，得益于BigTech平台生态系统中蕴含的信息、技术、分销和监控优势，BigTech公司可以以非常低的成本拓展数百万未获得服务和服务不足的信贷用户，尤其是中小企业。另一方面，政府在FinTech发展初期的监管宽容，在支持BigTech信贷快速扩张方面发挥了重要作用。- BigTech信贷是否取代或补充了传统的银行对金融机构的贷款？
- BigTech信贷对金融市场条件，比如货币政策立场是否更敏感，尤其是在中国这样的发展中国家？（BigTech在中国的放贷主要是商业放贷，而不是抵押贷款）
- BigTech会减少企业(尤其是中小企业)的信贷约束，促进它们的增长吗？
为了回答上述问题，文章使用了中国最大的BigTech信贷提供商——蚂蚁金服的数据。蚂蚁金服主要服务于电商卖家、二维码线下商户等家庭和中小微企业。蚂蚁集团拥有全球最大的数字支付平台支付宝(Alipay)，电商和二维码线下商家在使用支付宝进行线上或线下交易结算时都会留下数字足迹。有了这些信息和先进的风险管理模式，蚂蚁金服可以根据所谓的“310”模式，提供具有“免联系功能”的贷款，而无需访问实体网点。也就是蚂蚁金服承诺的在3分钟内完成用户注册和贷款申请，在1秒钟内将资金转移到支付宝账户，以及零人为干预。MYBank——蚂蚁金服；Traditional Bank——传统银行
图1 存款（占资产的）比率；图2 资本充足率；图3 利润（净收入/资产）率；图4 不良贷款率。文章作者对蚂蚁金服从2017年1月至2019年12月的公司信贷客户进行了10%的随机抽样，并按照以下标准剔除了不活跃的公司：(i)公司需要在2019年之前注册；(ii)该公司实控人不超过60周岁；和(iii)在公司生命周期的70%月份里，每月的交易数量应该大于5笔。从蚂蚁金服数据库中抽取的公司数量大约有34万家。表A2是这些公司的行业分布情况，其中大多数是零售相关行业，表A3 表明零售业几乎占经济总量中机构数和销售额的30%。数据集中的公司特征包括业务地点、实控人的年龄和性别以及公司的月销售额。数据集还提供了每个公司的网络分数，该分数基于公司的销售和支付历史来衡量公司在蚂蚁集团网络中的中心地位。蚂蚁金服数据库还提供了每个公司的借款历史的详细信息。对于每家公司，我们观察其获得BigTech信贷和银行信贷的机会；公司是否使用信贷；如果公司使用信用，它使用了多少。对于授予公司的传统银行信贷，我们可以进一步区分有担保和无担保银行贷款。（由于数据限制，数据结构中存在三个主要注意事项。首先，不能将传统贷款按银行细分。其次，只使用一家BigTech贷款公司——蚂蚁金服。虽然它在BigTech领域占据主导地位，但可能低估了BigTech信贷对货币政策的反应。第三，由于数据披露政策，无法观察利率、还款时间表和违约历史的贷款级别信息。）样本数据显示，在给定的一个月内，使用BigTech和银行信贷的公司的平均份额分别为5.8%和1.3%，只有0.3%的公司获得了担保贷款，1.1%的公司从传统银行获得了无担保贷款。BigTech贷款人提供的信贷额度平均约为21,934元人民币(3,400美元)，有担保和无担保银行信贷额度平均分别为532,792元人民币(84,500美元)和147,867元人民币(18,700美元)。这两类贷款人的平均贷款额存在巨大差异，这可能意味着BigTech贷款是对传统银行信贷的补充。样本中线下公司在样本中占大多数，因为只有1.6%是在线卖家。样本公司的月销售额平均为10,386元(1,600美元)，表明样本数据主要由微型和小型公司组成。企业主相对年轻，平均年龄为38岁，性别总体平衡。这些统计数据表明，Bigtech credit确实服务于一个特殊的中小企业群体，这与FinTech在小企业贷款中的作用是一致的。当然，传统银行信贷的平均规模远大于BigTech信贷的平均规模。贷款规模的差异可能在于贷款的目的。比如，企业可以从传统银行借入大量资金用于长期投资，也可以向大型科技公司借入少量资金来满足短期流动性需求，例如用于偿还债务或为贸易信贷融资。在这种情况下，当货币政策发生变化时，这两类放款人的反应就不那么具有可比性。因此，作者将银行信贷样本限制在那些小于BigTech信贷分布的第75百分位的人。也就是说，通过仅保留大小与BigTech信用类似的银行信用来重建样本，确保估计具有可比性。其中i、b和t分别表示公司、贷款人和月份。在我们的数据集中，有两个贷款人:一个是作为整体的传统银行，另一个是BigTech贷款人——蚂蚁金服。变量D(BigTech)b是一个示性变量，对于BigTech贷款人等于1。变量MPt代表货币政策，我们在回归中使用中间目标利率的变化(ΔDR007)。正值表示货币政策收紧，负值表示货币政策放松。贷方固定效应δb反映了传统银行和BigTech贷方之间的时不变差异。公司时间固定效应θit吸收了公司时间变量的所有混杂因素，包括公司的信贷需求。有了这个规范，我们将比较两种类型的借款人给同一公司在同一时间的贷款。因此，对β的估计抓住了信贷供应方对货币政策的反应差异。稍后我们还将显示当我们分别指定公司和时间固定效应而不是公司-时间固定效应时的结果。在这种情况下，我们控制一组企业特征，包括企业实控人的年龄、销售额的对数、企业在蚂蚁集团系统中的网络中心度分数以及企业所在城市的GDP的对数。回归公式中被解释变量Creditibt可以用两种方式来考虑，一种是看公司是否能获得贷款机构的新贷款，如果公司i在时间t开始从银行b获得信贷，则该变量D等于1。也就是说，公司I在时间t之前不是银行b的客户，但在时间t及其后成为客户。该变量表明公司i和银行b之间形成了新的贷款关系。也可以研究信贷额的对数，Ln(Loan)ibt，这是研究货币政策信贷渠道的一种常规方法。
Owner Age：实控人年龄；L.Sales：公司销售额；L.Network Centrality：企业在蚂蚁集团网络中的中心度评分；L.Regional GDP：地区销售额；Obs：观察样本数；Adj R-Square：调整后的R平方系数。
注:*、***和* * *分别表示在10%、5%和1%水平上的显著结果。主要结论是：货币政策的交互项和BigTech示性变量的系数都是负值，就广义利润率而言具有统计学显著性。这意味着在货币政策放松时，BigTech贷款机构在向新客户扩张方面比传统银行更为积极。更具体地说，当货币政策利率下降一个标准差时，BigTech贷款人与公司建立新的贷款关系的概率比传统银行高0.25个百分点。考虑到贷款的平均概率为3.6%，这种影响的程度是比较大的。BigTech信贷通过金融中介放大了货币政策的传导。此外，结果表明，销售业绩较高且位于较发达地区的公司更有可能与BigTech贷款人或传统银行建立新的贷款关系，而企业主的年龄和网络中心性与建立新的借贷关系的可能性正相关（列1）。文章还将企业的银行信贷和BigTech信贷合计到城市层面。这种情况结合了货币政策对不同类型贷款人的广泛影响，由此文章考察了城市层面的总信贷规模。结论表明BigTech信贷对货币政策变化的反应比传统银行信贷更为积极。具体来说，如果货币政策放宽一个标准，蚂蚁金服给中小企业的贷款规模将比传统银行高出41.73%，这意味着对总体经济的影响非常大。这些结果表明，BigTech贷款机构更强大的作用来自于扩大对中小企业的融资渠道，而传统银行通常无法为这些企业提供足够的服务。建立新的贷款关系的程度如此突出，以至于城市一级的BigTech信贷的反应变得比银行信贷强得多。1、由于信息不对称和风险管理，中小微企业可能得不到银行服务或服务不足，因此指标“所在城市的银行分支机构密度”在回归中并不重要。2、货币政策宽松和紧缩对于BigTech贷款人产生的影响是非对称的。具体来说，只有在货币政策放松且力度较大的情况下，这家大型科技银行的传导增强作用才会显现。当货币政策利率下降一个标准差时，BigTech信贷服务提供商贷给一家新公司的贷款概率比传统银行高出0.97个百分点。相比之下，如果货币政策收紧一个标准差，这家大型科技银行的信贷收缩幅度就会比银行小0.88个百分点。3、公司在蚂蚁集团的网络中心度得分越高，BigTech贷款对该公司在货币政策变化时的反应就比传统银行更为明显。这一结果与BigTech贷款人的先进风险评估技术一致。4、与传统银行相比，BigTech贷款人不仅对货币政策的反应更为强烈，而且缓解了企业的财务约束，从而对企业销售增长产生了影响（平均比没有获取BigTech的企业销售额多增长10.7%），从而更有效地促进货币政策向实体经济的传导。
文章链接
https://www.shifd.net/yanjiu/detail/9586.html
