姚奕：網(wǎng)貸模式對于貨幣政策傳導(dǎo)的影響
作者：姚奕
2023年10月27日
姚奕，上海金融與發(fā)展實(shí)驗(yàn)室銀行研究中心主任
編者按：這是一篇國際清算銀行團(tuán)隊(duì)（四位華人）所做的研究。在原文中，用了“BigTech”，直譯為“大科技”，當(dāng)然，從全文的內(nèi)容來看，主要就是分析以螞蟻金服為典型代表的普惠網(wǎng)貸模式業(yè)務(wù)，因此，我還是把它翻譯為網(wǎng)貸。本文的視角非常獨(dú)特，并不是傳統(tǒng)意義上對于網(wǎng)貸模式的優(yōu)劣分析，而是側(cè)重在一個不太有人關(guān)心的方面——網(wǎng)貸模式對于貨幣政策的傳導(dǎo)產(chǎn)生什么影響？我抽取文章的主要內(nèi)容和觀點(diǎn)與讀者分享。中國已經(jīng)逐漸成為BigTech信貸領(lǐng)域的龍頭。根據(jù)2013年至2019年排名前六位的國家的總信貸額和人均信貸額(下圖），自2017年以來，中國的BigTech信貸一直領(lǐng)先于其他國家。一方面，得益于BigTech平臺生態(tài)系統(tǒng)中蘊(yùn)含的信息、技術(shù)、分銷和監(jiān)控優(yōu)勢，BigTech公司可以以非常低的成本拓展數(shù)百萬未獲得服務(wù)和服務(wù)不足的信貸用戶，尤其是中小企業(yè)。另一方面，政府在FinTech發(fā)展初期的監(jiān)管寬容，在支持BigTech信貸快速擴(kuò)張方面發(fā)揮了重要作用。- BigTech信貸是否取代或補(bǔ)充了傳統(tǒng)的銀行對金融機(jī)構(gòu)的貸款？
- BigTech信貸對金融市場條件，比如貨幣政策立場是否更敏感，尤其是在中國這樣的發(fā)展中國家？（BigTech在中國的放貸主要是商業(yè)放貸，而不是抵押貸款）
- BigTech會減少企業(yè)(尤其是中小企業(yè))的信貸約束，促進(jìn)它們的增長嗎？
為了回答上述問題，文章使用了中國最大的BigTech信貸提供商——螞蟻金服的數(shù)據(jù)。螞蟻金服主要服務(wù)于電商賣家、二維碼線下商戶等家庭和中小微企業(yè)。螞蟻集團(tuán)擁有全球最大的數(shù)字支付平臺支付寶(Alipay)，電商和二維碼線下商家在使用支付寶進(jìn)行線上或線下交易結(jié)算時都會留下數(shù)字足跡。有了這些信息和先進(jìn)的風(fēng)險管理模式，螞蟻金服可以根據(jù)所謂的“310”模式，提供具有“免聯(lián)系功能”的貸款，而無需訪問實(shí)體網(wǎng)點(diǎn)。也就是螞蟻金服承諾的在3分鐘內(nèi)完成用戶注冊和貸款申請，在1秒鐘內(nèi)將資金轉(zhuǎn)移到支付寶賬戶，以及零人為干預(yù)。螞蟻金服與傳統(tǒng)銀行的主要指標(biāo)比較MYBank——螞蟻金服；Traditional Bank——傳統(tǒng)銀行
圖1 存款（占資產(chǎn)的）比率；圖2 資本充足率；圖3 利潤（凈收入/資產(chǎn)）率；圖4 不良貸款率。文章作者對螞蟻金服從2017年1月至2019年12月的公司信貸客戶進(jìn)行了10%的隨機(jī)抽樣，并按照以下標(biāo)準(zhǔn)剔除了不活躍的公司：(i)公司需要在2019年之前注冊；(ii)該公司實(shí)控人不超過60周歲；和(iii)在公司生命周期的70%月份里，每月的交易數(shù)量應(yīng)該大于5筆。從螞蟻金服數(shù)據(jù)庫中抽取的公司數(shù)量大約有34萬家。表A2是這些公司的行業(yè)分布情況，其中大多數(shù)是零售相關(guān)行業(yè)，表A3 表明零售業(yè)幾乎占經(jīng)濟(jì)總量中機(jī)構(gòu)數(shù)和銷售額的30%。數(shù)據(jù)集中的公司特征包括業(yè)務(wù)地點(diǎn)、實(shí)控人的年齡和性別以及公司的月銷售額。數(shù)據(jù)集還提供了每個公司的網(wǎng)絡(luò)分?jǐn)?shù)，該分?jǐn)?shù)基于公司的銷售和支付歷史來衡量公司在螞蟻集團(tuán)網(wǎng)絡(luò)中的中心地位。螞蟻金服數(shù)據(jù)庫還提供了每個公司的借款歷史的詳細(xì)信息。對于每家公司，我們觀察其獲得BigTech信貸和銀行信貸的機(jī)會；公司是否使用信貸；如果公司使用信用，它使用了多少。對于授予公司的傳統(tǒng)銀行信貸，我們可以進(jìn)一步區(qū)分有擔(dān)保和無擔(dān)保銀行貸款。（由于數(shù)據(jù)限制，數(shù)據(jù)結(jié)構(gòu)中存在三個主要注意事項(xiàng)。首先，不能將傳統(tǒng)貸款按銀行細(xì)分。其次，只使用一家BigTech貸款公司——螞蟻金服。雖然它在BigTech領(lǐng)域占據(jù)主導(dǎo)地位，但可能低估了BigTech信貸對貨幣政策的反應(yīng)。第三，由于數(shù)據(jù)披露政策，無法觀察利率、還款時間表和違約歷史的貸款級別信息。）樣本數(shù)據(jù)顯示，在給定的一個月內(nèi)，使用BigTech和銀行信貸的公司的平均份額分別為5.8%和1.3%，只有0.3%的公司獲得了擔(dān)保貸款，1.1%的公司從傳統(tǒng)銀行獲得了無擔(dān)保貸款。BigTech貸款人提供的信貸額度平均約為21,934元人民幣(3,400美元)，有擔(dān)保和無擔(dān)保銀行信貸額度平均分別為532,792元人民幣(84,500美元)和147,867元人民幣(18,700美元)。這兩類貸款人的平均貸款額存在巨大差異，這可能意味著BigTech貸款是對傳統(tǒng)銀行信貸的補(bǔ)充。樣本中線下公司在樣本中占大多數(shù)，因?yàn)橹挥?.6%是在線賣家。樣本公司的月銷售額平均為10,386元(1,600美元)，表明樣本數(shù)據(jù)主要由微型和小型公司組成。企業(yè)主相對年輕，平均年齡為38歲，性別總體平衡。這些統(tǒng)計(jì)數(shù)據(jù)表明，Bigtech credit確實(shí)服務(wù)于一個特殊的中小企業(yè)群體，這與FinTech在小企業(yè)貸款中的作用是一致的。當(dāng)然，傳統(tǒng)銀行信貸的平均規(guī)模遠(yuǎn)大于BigTech信貸的平均規(guī)模。貸款規(guī)模的差異可能在于貸款的目的。比如，企業(yè)可以從傳統(tǒng)銀行借入大量資金用于長期投資，也可以向大型科技公司借入少量資金來滿足短期流動性需求，例如用于償還債務(wù)或?yàn)橘Q(mào)易信貸融資。在這種情況下，當(dāng)貨幣政策發(fā)生變化時，這兩類放款人的反應(yīng)就不那么具有可比性。因此，作者將銀行信貸樣本限制在那些小于BigTech信貸分布的第75百分位的人。也就是說，通過僅保留大小與BigTech信用類似的銀行信用來重建樣本，確保估計(jì)具有可比性。其中i、b和t分別表示公司、貸款人和月份。在我們的數(shù)據(jù)集中，有兩個貸款人:一個是作為整體的傳統(tǒng)銀行，另一個是BigTech貸款人——螞蟻金服。變量D(BigTech)b是一個示性變量，對于BigTech貸款人等于1。變量MPt代表貨幣政策，我們在回歸中使用中間目標(biāo)利率的變化(ΔDR007)。正值表示貨幣政策收緊，負(fù)值表示貨幣政策放松。貸方固定效應(yīng)δb反映了傳統(tǒng)銀行和BigTech貸方之間的時不變差異。公司時間固定效應(yīng)θit吸收了公司時間變量的所有混雜因素，包括公司的信貸需求。有了這個規(guī)范，我們將比較兩種類型的借款人給同一公司在同一時間的貸款。因此，對β的估計(jì)抓住了信貸供應(yīng)方對貨幣政策的反應(yīng)差異。稍后我們還將顯示當(dāng)我們分別指定公司和時間固定效應(yīng)而不是公司-時間固定效應(yīng)時的結(jié)果。在這種情況下，我們控制一組企業(yè)特征，包括企業(yè)實(shí)控人的年齡、銷售額的對數(shù)、企業(yè)在螞蟻集團(tuán)系統(tǒng)中的網(wǎng)絡(luò)中心度分?jǐn)?shù)以及企業(yè)所在城市的GDP的對數(shù)。回歸公式中被解釋變量Creditibt可以用兩種方式來考慮，一種是看公司是否能獲得貸款機(jī)構(gòu)的新貸款，如果公司i在時間t開始從銀行b獲得信貸，則該變量D等于1。也就是說，公司I在時間t之前不是銀行b的客戶，但在時間t及其后成為客戶。該變量表明公司i和銀行b之間形成了新的貸款關(guān)系。也可以研究信貸額的對數(shù)，Ln(Loan)ibt，這是研究貨幣政策信貸渠道的一種常規(guī)方法。
Owner Age：實(shí)控人年齡；L.Sales：公司銷售額；L.Network Centrality：企業(yè)在螞蟻集團(tuán)網(wǎng)絡(luò)中的中心度評分；L.Regional GDP：地區(qū)銷售額；Obs：觀察樣本數(shù)；Adj R-Square：調(diào)整后的R平方系數(shù)。
注:*、***和* * *分別表示在10%、5%和1%水平上的顯著結(jié)果。主要結(jié)論是：貨幣政策的交互項(xiàng)和BigTech示性變量的系數(shù)都是負(fù)值，就廣義利潤率而言具有統(tǒng)計(jì)學(xué)顯著性。這意味著在貨幣政策放松時，BigTech貸款機(jī)構(gòu)在向新客戶擴(kuò)張方面比傳統(tǒng)銀行更為積極。更具體地說，當(dāng)貨幣政策利率下降一個標(biāo)準(zhǔn)差時，BigTech貸款人與公司建立新的貸款關(guān)系的概率比傳統(tǒng)銀行高0.25個百分點(diǎn)?？紤]到貸款的平均概率為3.6%，這種影響的程度是比較大的。BigTech信貸通過金融中介放大了貨幣政策的傳導(dǎo)。此外，結(jié)果表明，銷售業(yè)績較高且位于較發(fā)達(dá)地區(qū)的公司更有可能與BigTech貸款人或傳統(tǒng)銀行建立新的貸款關(guān)系，而企業(yè)主的年齡和網(wǎng)絡(luò)中心性與建立新的借貸關(guān)系的可能性正相關(guān)（列1）。文章還將企業(yè)的銀行信貸和BigTech信貸合計(jì)到城市層面。這種情況結(jié)合了貨幣政策對不同類型貸款人的廣泛影響，由此文章考察了城市層面的總信貸規(guī)模。結(jié)論表明BigTech信貸對貨幣政策變化的反應(yīng)比傳統(tǒng)銀行信貸更為積極。具體來說，如果貨幣政策放寬一個標(biāo)準(zhǔn)，螞蟻金服給中小企業(yè)的貸款規(guī)模將比傳統(tǒng)銀行高出41.73%，這意味著對總體經(jīng)濟(jì)的影響非常大。這些結(jié)果表明，BigTech貸款機(jī)構(gòu)更強(qiáng)大的作用來自于擴(kuò)大對中小企業(yè)的融資渠道，而傳統(tǒng)銀行通常無法為這些企業(yè)提供足夠的服務(wù)。建立新的貸款關(guān)系的程度如此突出，以至于城市一級的BigTech信貸的反應(yīng)變得比銀行信貸強(qiáng)得多。進(jìn)一步的回歸分析表明了以下一些觀點(diǎn)：
1、由于信息不對稱和風(fēng)險管理，中小微企業(yè)可能得不到銀行服務(wù)或服務(wù)不足，因此指標(biāo)“所在城市的銀行分支機(jī)構(gòu)密度”在回歸中并不重要。2、貨幣政策寬松和緊縮對于BigTech貸款人產(chǎn)生的影響是非對稱的。具體來說，只有在貨幣政策放松且力度較大的情況下，這家大型科技銀行的傳導(dǎo)增強(qiáng)作用才會顯現(xiàn)。當(dāng)貨幣政策利率下降一個標(biāo)準(zhǔn)差時，BigTech信貸服務(wù)提供商貸給一家新公司的貸款概率比傳統(tǒng)銀行高出0.97個百分點(diǎn)。相比之下，如果貨幣政策收緊一個標(biāo)準(zhǔn)差，這家大型科技銀行的信貸收縮幅度就會比銀行小0.88個百分點(diǎn)。3、公司在螞蟻集團(tuán)的網(wǎng)絡(luò)中心度得分越高，BigTech貸款對該公司在貨幣政策變化時的反應(yīng)就比傳統(tǒng)銀行更為明顯。這一結(jié)果與BigTech貸款人的先進(jìn)風(fēng)險評估技術(shù)一致。4、與傳統(tǒng)銀行相比，BigTech貸款人不僅對貨幣政策的反應(yīng)更為強(qiáng)烈，而且緩解了企業(yè)的財(cái)務(wù)約束，從而對企業(yè)銷售增長產(chǎn)生了影響（平均比沒有獲取BigTech的企業(yè)銷售額多增長10.7%），從而更有效地促進(jìn)貨幣政策向?qū)嶓w經(jīng)濟(jì)的傳導(dǎo)。
文章鏈接
http://m.qinyier.com/yanjiu/detail/9586.html
