大型科技企业信贷模型

（原标题：大型科技企业信贷模型）

近日，数字经济学术年会主席、香港中文大学（深圳）经管学院学术院长、普林斯顿大学熊伟教授在2022数字经济学术年会（ACDE2022）中以“The Big Tech Lending Model”为主题展开主旨演讲。本文简要梳理了大型科技企业信贷模型的相关内容。

大型科技企业提供金融服务，已经成为一种新的全球性趋势。2019年，大型科技企业信贷的规模已经超过5720亿美元，是金融科技信贷规模的两倍之多。

01大型科技企业信贷和金融科技信贷的区别

金融科技信贷（Fintech lending）：企业通过采用非传统数据来获得借款客户，并帮助出借人匹配到借款人，典型例子是P2P网络借贷平台：

大型科技企业信贷（Big tech lending）：大型科技企业利用自己平台的独特数据提供金融服务，中国的典型案例是蚂蚁集团、腾讯微众银行以及百度度小满。

相比于金融科技信贷，大型科技企业信贷具有广泛的优势，如更多客户基础、大品牌效应、关于借款人信息优势、监管和控制顾客的能力等。

02主要问题

关于大型科技企业信贷的研究比较有限，已有的研究认为：

1）大型科技企业信贷促进了金融普惠（Luohan Academy Report，2019；Frost et al.，2019；Ghosh et al.，2021；Ouyang，2021）；

2）大型科技企业的数据对风险评估非常有用（Huang et al.，2020）；

3）大型科技企业信贷与当地的经济条件和房价无关（Gambacorta et al.，2020）；

4）大型科技企业信贷有利于中小企业和刺激创业（Hau et al.，2019，2020；Chen et al.，2021）。

目前仍有一些问题值得讨论，例如：

? 大型科技企业信贷是否比银行信贷的风险更高？大型科技企业信贷在受到严重经济冲击时是否稳健？

? 大型科技企业出借人怎么调整贷款来帮助可能有风险的借款人？借款人的借贷用途是什么？

? 大型科技企业信贷是否与传统银行信贷存在竞争？

03背景和数据

作者采用了来自蚂蚁集团的数据。蚂蚁集团旗下支付宝拥有超过10亿用户，超过8000万商户，截至2020年6月过去12个月的支付总量超过118万亿。

蚂蚁集团旗下网商银行是一家大型科技企业借款平台，已经向3500万家没有财务报表的中小企业提供信贷服务。这些借款人大多是使用支付宝和阿里巴巴旗下电商平台的商户，网商银行拥有这些借款人的独特数据，如支付记录、现金流、客户评级、供应链信息以及数字足迹等。

阿里巴巴的生态系统能够帮助网商银行监控借款人的贷款用途和还款情况。技术使得借贷和还款相当方便，整个过程称之为310模型：借贷申请借款需要3分钟，1秒钟审批，0人员介入。

网商银行与传统银行联合贷款。相比传统银行，网商银行的资金来源受限，特别是不能吸收存款，因此面临更高的资金成本。网商银行从2018年开始与传统银行合作提供联合贷款，截至2020年12月网商银行已与超过700家金融机构建立合作。

作者采用与网商银行合作的某银行（以下简称：X银行）的数据。网商银行负责获取借款客户、评估风险、处理贷款申请、决定利率和信用额度；X银行可以选择拒绝贷款申请，但不能决定利率和信用额度；网商银行也负责管理贷款。

X银行的业务范围覆盖全国，但不属于国有四大银行之一，不仅擅长贷款给中小企业，而且与蚂蚁集团之间具有广泛的联合贷款合作。

X银行同时也有两个自己的贷款项目：常规贷款和网上贷款。常规贷款需要在银行分支机构进行申请，人工审核需要大约一周，并且强烈依赖抵押物；网上贷款是X银行简化贷款流程的一项措施，借款人网上申请，银行通过传统和非传统数据信息依靠机器学习算法进行审核，审核时间大约需要半天，对信用记录要求较高。

数据是来自X银行在2019年8月—2020年12月的专有贷款数据，主要样本包括以下三类：

? 843678笔大型科技企业信贷数据（网商银行与X银行的联合贷款）；

? 34933笔常规贷款数据（X银行）；

? 113233笔网上贷款数据（X银行）。

04 关于大型科技企业信贷的不同观点

监管套利：金融科技出借人和大型科技企业出借人可以避免严格的银行监管。

借款人压榨：大型科技企业出借人可以利用自己的信息优势来压榨借款人的弱点。

垄断银行：大型科技企业非常强势，最终他们会垄断消费者信贷和中小企业信贷，使得银行成为“低成本制造商”，仅成为大型科技企业信贷的资金来源（Mano & Padilla，2018；Vives，2019）。

有限优势：大型科技企业信贷的比较优势限定在大型科技平台用户的特定活动中。尽管规模更大，但与大型制造企业为下游企业提供资金（Murfin & Pratt，2019）、房屋开发商为房屋购买者提供资金（Stroebel，2016）是相似的。

05研究假设和实证结果

基于上述四种观点，作者提出了如下研究假设，并进行了实证研究：

假设1：大型科技企业比传统银行信贷风险更大。

研究发现，贷款逾期风险主要集中于没有归还记录的企业中，在控制了归还记录后，大型科技企业信贷并没有比传统银行信贷具有更大的风险。

假设2：大型科技企业贷款比传统银行贷款面临更多的逆向选择。

借款人对自己的财务状况比出借人具有更多的信息优势。借款人的借款时机和信用额度的利用情况可以反应他们的私人信息。那么，那些用光信用额度的借款人是否更有可能违约和逾期？

研究发现，用光信用额度的借款人和违约的借款人并没有相关性，表明大型科技企业信贷并没有面临更多的逆向选择。

假设3：大型科技企业贷款的还款速度与传统银行贷款并没有差别。

从数据来看，一半的大型科技企业贷款在借贷期限的28%归还；四分之一的大型科技企业贷款在借贷期限的4%归还。回归结果发现，大型科技企业借款人更有可能在到期之前还款。

假设4：大型科技企业信贷的利率和信用额度随着风险程度而改变。

之前的还款记录是表示风险情况的很好指标，通过与之前还款记录的交互项回归发现：在不同的还款记录情况下，信用额度富有弹性，而利率没有弹性。

这意味着，利率并不仅仅有风险决定，便利性和市场势力也是重要因素。特别是，由于还款更快，大型科技企业信贷的净利率并不是很高。技术使得借款人快借快还更加方便。

假设5：为了争夺边际借款人，大型科技企业出借人需要提供更具竞争力的利率和信用额度。

利用那些获得大型科技企业贷款和常规贷款/网上贷款的边际借款人数据发现，边际借款人同样贷款规模较小、利率较高，还款更快，这表明大型科技企业信贷并没有与传统银行竞争。

06 结论

一是，大型科技企业信贷促进了金融普惠，主要通过提供无抵押信贷给那些传统银行服务和没有服务的借款人。

二是，大型科技企业信贷没有比传统银行信贷表现出更严重的逆向选择。

三是，控制以前还款记录之后，大型科技企业信贷的逾期率与传统银行信贷没有差别。

四是，在发生新冠疫情之后，大型科技企业信贷的逾期率仍然比较稳定。

五是，大型科技企业信贷往往规模更小、利率更高、还款更快、借贷频率更高。

六是，大型科技企业信贷对能够和不能获得更便宜贷款的借款人具有相同的特征：规模更小、利率更高、还款更快、借贷频率更高。

总之，大型科技企业信贷在服务平台生态内借款人的短期流动性需求具有专业优势，而且大型科技企业信贷并没有与传统银行竞争。