JF | 金融科技信贷与创业增长
财富
财经
2024-10-28 18:54
北京
![]()
发表于The Journal of Finance (JF)的《FinTech Credit and Entrepreneurial Growth》一文基于阿里巴巴在线零售平台上供应商的自动信贷额度和信贷决策算法的断点回归，研究了供应商获得金融科技信贷对其销售增长、交易增长以及通过产品、服务和物流评分衡量的客户满意度水平的促进作用。对于那些信贷风险信息不对称性更大、抵押品更少的供应商来说，这些效应更为显著，这揭示了金融科技信贷相对于传统信贷技术的信息优势。中国人民大学金融科技研究所（微信ID：ruc_fintech）对研究核心部分进行了编译。
作者 | Harald Hau, Yi Huang,
Chen Lin, Hongzhe Shan, Zixia Sheng, and Lai Wei
来源 | The Journal of
Finance
编译 | 官虹萱
随着发达经济体和新兴经济体新数据源的出现，信贷技术发生了巨大的变革。然而，人们对这场“金融科技”革命对创业和小公司增长前景的结构性影响知之甚少。发展经济学家经常认为，新兴经济体中小微企业的信贷约束尤其有害，但这种信念是推测性的，没有坚实的实证支持。本文研究了中国的自动化在线信贷。基于淘宝——阿里巴巴的零售产品电子商务市场——产生的数十亿笔交易数据，金融公司蚂蚁集团（原支付宝）能够构建自动化的信用评级，并为大量在线供应商提供小额贷款。信贷分配算法中的外生阈值允许适合于信贷获取增长效应因果推断的断点回归设计。数据的广阔地理范围和其对包括在线销售、交易量以及客户贡献的产品与服务评分等各个维度的结果变量的高质量测量，规避了实证发展文献中许多数据的不足。通过互联网发放贷款是中国金融业增长最快的领域之一，未偿贷款从2013年的仅40亿美元增加到2016年的1560亿美元，到2020年估计将达到7640亿美元。向微型、小型和中型企业（MSME）发放的贷款约占在线贷款市场的40%，其余为消费贷款。蚂蚁集团只是活跃在这个市场上的众多公司之一：其他小企业信贷提供商包括美国的亚马逊和中国的腾讯。这些金融科技公司的共同点是拥有新的信息来源，例如用于自动信用评估的详细实时销售数据、取代传统银行分行网络的在线分销渠道，以及更有效的合同执行策略。那么，这些新的信贷技术能否释放出传统银行信贷无法企及的潜在创业增长潜力？本文的主要贡献是为金融科技信贷对电子商务领域创业增长和发展的因果关系提供定量证据。金融与企业增长之间的因果关系是金融和发展文献中一个基本但在方法论上具有挑战性的问题。本文利用信贷审批算法的断点回归来区分有信贷准入和没有信贷准入的类似公司，并研究世界上最大的新兴经济体信贷准入的因果增长效应。阿里巴巴成立于1999年，目前是中国最大的电子商务和金融科技集团。它拥有三大在线购物平台——阿里巴巴（B2B）、天猫（B2C）和淘宝（C2C）。到2016年，天猫和淘宝这两个在线零售平台的商品总价值（GMV）每年超过3万亿元人民币，占中国国内生产总值的4%。2002年，阿里巴巴开始从其电子商务平台收集数据，以提取更好的信用信息。支付宝于2004年推出，旨在为在线交易提供更好的支付服务。2006年至2010年，支付宝与中国建设银行和中国工商银行合作，开始发放精选贷款，并开发了信用评级系统、数据库和风险管理系统。到2010年，支付宝已经能够使用从阿里巴巴在线平台获得的交易和财务数据，基于算法提供自动企业信贷。到2014年，支付宝已成为全球最大的移动和在线支付平台，约占中国所有在线交易的一半。2015年，支付宝更名为蚂蚁金服集团，该公司继续使用阿里巴巴零售平台的交易数据提供自动化的小企业信贷。蚂蚁集团能够通过从阿里巴巴的在线零售平台获取公司绩效数据，使其信贷审批流程更加信息化。信用评估过程的关键要素是线性信用评分模型，该模型将企业信用的历史违约数据与主要来自在线零售平台的销售和财务数据相结合。蚂蚁集团分配的信用评分与许多美国大型银行用于评估借款人质量的Fair Isaac Corporation（FICO）评分相似（Keys等（2010））。大量变量进入模型，但最重要的是在线零售平台上记录的公司最近的销售记录。信用评分模型使用从大约380到大约680的连续评分来总结信用评估。蚂蚁集团制定了一项信用分配规则，如果信用评分超过480，通常会在每月月初批准信用。480的临界值是由在险价值（VaR）模型驱动的。蚂蚁集团每月通过自动化流程评估信用资格。要使用此信用额度，供应商需要填写一份在线合同表格，大约需要三分钟。信用证立即可用，信用条款与信用卡相似。信用证的到期日通常为12个月，其中每月必须至少偿还借款的1/12。如果供应商的信用评分降至480的以下，则信用额度可能会被撤销。撤销信贷额度意味着没有新的信贷可用，但现有的信贷余额仍然存在，必须在剩余期限内偿还。从蚂蚁集团获得的数据具有一些特征，这些特征制约了本文的实证设计。首先，除了信用评分模型外，蚂蚁集团还应用了额外的“硬”标准，即使供应商的信用评分超过480，也会将公司排除在信用审批之外。最常见的情况是，根据国家信贷数据，这些供应商涉及银行或贸易信贷的先前违约。淘宝或其他阿里巴巴平台上因服务不佳而受到处罚的供应商也被排除在外。供应商与“可疑供应商”的关系，如涉及产品假冒或欺诈的供应商，也可能导致信用排除。其他罕见的例外情况涉及利益冲突规则——例如，蚂蚁集团的员工或其家人无法获得信贷。不幸的是，研究者无法获得所有暗示无条件拒绝信贷的信息。因此，受无条件信用排除（信用评分模型之外）约束的供应商会产生“未显示”案例以供分析。其次，本文只观察供应商当月最后一天的信用评分和信用审批信息。由于蚂蚁集团通常在t月根据月初信息做出信用定位决策，文章使用t-1月末的信用评分来代理t月初的信用评分。一般来说，这不会造成问题，因为蚂蚁集团实施了一种稳定机制，使公司的信用状况在一个月内基本保持不变。然而，偶尔会在一个月内做出信贷决策（例如，如果新的公司信息到达），在这种情况下，记录中的（过时的）信贷评分将成为信贷获取的不正确预测因素。这就产生了“交叉”案例，即在t-1月底，对信用评分低于480的供应商的观察仍然记录了t月的信用批准。“未显示”和“交叉”情况的存在需要模糊随机断点设计（FRDD）来推断信贷批准对公司结果的因果影响。在特定信用评分阈值下信贷批准的断点为探索信贷对公司绩效的因果影响提供了一个独特的统计机会。RDD的一个关键假设是，代理人无法在临界点附近精确操纵强制变量（即信用评分）（Lee和Lemieux（2010））。在线供应商不知道计算信用评分的方法，也不观察他们的信用评分。这意味着淘宝卖家不能轻易玩弄他们的信用资格。此外，Cattaneo、Jansson和Ma（2018）的操纵检验没有表明信用评分变量的密度存在任何断点；该检验得出的p值为0.8796，不能拒绝无操纵的零假设。最后，2015年6月后取消480门槛规则表明，这是信贷分配过程的一个特殊特征。本文的分析主要使用两个样本：（i）城市级汇总样本，用于分析各种区域因素与在线供应商进入淘宝交易平台的比率之间的关联，以及（ii）公司月度样本，用于研究金融科技信贷对公司绩效的因果影响。城市层面的样本是从所有有位置信息的淘宝卖家（大约三分之一）中汇总而来的。具体来说，本文使用供应商的成立日期来推断平台进入的年份。鉴于卖家一旦注册就很少退出淘宝平台，可以重建2005年至2015年十年间淘宝平台在不同城市的增长路径。为了补充对进入决策的分析，文章构建了另一个关于蚂蚁集团2015年向市级淘宝供应商提供的月度信贷总额的汇总样本，探讨淘宝零售商的进入模式是否也与蚂蚁集团提供的在线信贷的可用性和使用情况相关。主要数据涉及2014年11月至2015年6月期间在阿里巴巴在线零售平台淘宝上销售的供应商的月度统计数据。样本于2015年6月停止，之后蚂蚁集团更新了信用评分结构并更改了信用审批标准。研究者关注活跃商户，并将其分为处理组和对照组。如果一家公司被授予从当月t到下个月底t+1的信贷额度，则该公司属于处理组。控制组公司在同一时期无法获得信贷（即，在t月底或t+1月底都没有可观察到的信贷）。此外，通过要求所有关键变量都不缺失，并且公司位于[460，500]的信用评分范围内，研究者最终得到了547491家公司的1196887个观察样本。对于城市层面的分析，首先构建淘宝公司入驻的衡量标准。第一个指标Ln(#New TB Firms)表示2005年至2015年期间从特定城市入驻淘宝平台的公司总数的自然对数。然后，将这些横截面数据与2005年当地宏观状况的各种指标合并。如果相应的变量在2005年不可用，则使用2005年之后最早的可用值。宏观指标包括人均GDP（PCGDP）作为衡量当地经济发展的指标，Population作为衡量城市规模的指标，Digital Development Index（Guo等（2020）开发的北京大学中国数字金融普惠指数的汇总指数）作为衡量当地数字服务覆盖率和深度的指标，城市所有金融机构的贷款余额除以其GDP（Loan/GDP）作为衡量银行系统整体发展的指标，每万名公民的国有银行分行数量（State Bank Intensity）作为衡量国家在当地银行信贷供应中的存在的指标，以及SOE Output Share（使用中国工业企业年度调查数据构建）作为衡量国有企业信贷需求的指标。文章还计算了蚂蚁集团2015年在市级提供的（或淘宝供应商使用的）每月总信用额度，并取自然对数得到Ln(Credit Line)（或Ln(Credit Use)）。本文随机模糊断点设计（FRDD）分析中使用的变量可分为三组。第一组与公司的信用状况有关。第一个这样的指标是Credit Score，这是蚂蚁集团在t-1月末对一家公司的信用评分模型生成的评分。第二个指标是工具变量IV(Credit Score≥480)：如果信用评分大于或等于480，则该指标等于1，否则为0。第三个指标是Credit Approval，如果一家公司在t月末观察到的批准状态在t+1月末有效，则该指标等于1，如果该公司在这两个月的任何一个月末都没有信贷额度，则该指数等于0。第四个指标Credit Amount记录了供应商使用的（时间加权）信用金额。第二组变量与企业的增长结果有关。第一个是Sales Growth，衡量一家公司从信贷分配前一个月到信贷分配后一个月的销售增长，该增长被构造为从t-1月到t+1月的对数差。第二个是Transaction Growth，同样基于公司的交易量（即完成的订单数量）构建。将这两个增长指标分别进行1%截尾处理。第三组变量包括淘宝详细卖家评分（DSR）系统中的三个客户评分。第一个指标是产品评分，它衡量客户对产品质量的看法，例如产品描述是否准确，以及产品是否符合预期。商家可以通过改进产品的设计、质量和功能来提高其产品评分。第二个指标是服务评分，评估供应商和客户之间互动的质量。例如，它评估销售人员在回答客户询问时是否反应快速、乐于助人，是否满足客户的特定需求，以及是否保持专业态度。公司可以投资更好的客户热线、更多的服务人员和更多的客户支持来提高这一评分。第三个指标是物流评分，用于评估产品交付的及时性和货物的妥善处理。由于公司总是可以外包其产品的运输和交付服务，因此他们可以选择更可靠的物流提供商来提高托运质量。对于每笔完成的交易，客户可以在每个指标下输入1到5的评分，其中1是最低的，5是最高的。对于每个评分指标，本文构建一个固定月份内所有交易的平均值，将该值进行1%截尾处理，并沿[0,1]范围进行标准化。将标准化的产品评分、服务评分和物流评分分别定义为Product Rating，Service Rating和Consignment Rating。最后，根据阿里巴巴的供应商分类，为网店的每个主要产品类别（公司类型或行业）使用一组虚拟变量。五种最常见的供应商类型是：女装、男装、化妆品、二手产品和女鞋。表1面板B显示了当地FRDD样本中关键变量的汇总统计数据。这些公司的平均Credit Score为484.7，在62%的样本公司月份内获得了信用批准（Credit Approval =1）。首先考察当地信贷市场摩擦是否与企业入驻淘宝平台的决定有关，以及这一决定是否与蚂蚁集团的在线信贷前景有关。在地理上分割的信贷市场中，传统银行信贷的可获得性可能因供应商所在地而异，特别是对于信用风险较高的小型和新企业。传统银行信贷的可获得性受到两股力量的影响。首先，中国地级市的银行业发展和银行信贷供应的总体水平（以Loan/GDP衡量）极不均衡，在一定程度上取决于国有银行发挥主导作用的行政信贷分配过程（以State Bank Intensity衡量）。其次，由于国有企业的“软”预算约束往往会缓解银行对其违约风险的担忧，并且鉴于国有银行和国有企业往往有着相似的政治目标，地方经济中的大型国有部门（以SOE Output Share衡量）可能会进一步将信贷从企业家手中转移出去。因此，国有银行吸收了当地的储蓄，并将其用于向国有企业（或其他大公司）提供贷款，这实际上可能会加剧当地企业家面临的信贷短缺。相比之下，蚂蚁集团提供的全国范围的信贷供应可以帮助完成和整合原本分散的信贷市场。因此，特定地区的信贷供应摩擦和扭曲越大，我们就越期望企业家入驻淘宝平台作为流动性来源。本文通过将淘宝平台入驻的衡量指标回归到“城市层面变量”中定义的关于当地经济和信贷状况的指标上来检验这种融资动机。表2报告了结果。第（1）列表明，与入驻平台的融资动机一致，State Bank Density × SOE Output Share的交互项系数显著为正，表明入驻淘宝可能会弥补私营企业家更严重的信贷约束。就其他区域指标而言，可以发现在线供应商的整体入驻率与信贷基础设施发展（Loan/GDP）、当地经济发展（GDPPC）、人口规模和数字发展呈正相关。为了进一步检查在信用摩擦较大的地区，零售供应商进入平台是否是出于获得在线信贷的动机，将（i）蚂蚁集团向每个城市的供应商提供的信贷总额，以及（ii）这些供应商使用的信贷的未偿余额总额回归到相同的宏观指标上。表2第（2）和（3）列重点关注2015年的横截面，可以发现，SOE Output Share和State Bank Density组合较高的城市与提供和提取的在线信贷量较高有关。因此，在私人银行信贷受到更多限制的地方，在线供应商会在更大程度上访问和使用金融科技信贷额度。为了探讨金融科技信贷是否对销售增长、交易增长以及产品和服务质量的客户评分产生影响，本文利用蚂蚁集团内部信用评级模型中通过480信用评分临界值的公司大大增加了其信用批准的机会这一事实，采用“公司面板变量”中提到的FRDD进行分析。本文使用预期结果差异与截止日期前后信贷批准概率变化之间的比率来提取处理效果（Imbens和Lemieux（2008），Lee和Lemieuk（2010））。在计量经济学中，处理效果可以在标准工具变量框架下使用两阶段最小二乘法（2SLS）模型进行估算（Hahn、Todd和Klaauw（2001））。首先，本文以图形方式展示信贷批准断点对供应商增长结果的影响。将信用评分在[470,490]范围内的公司分为10个类似信用评分的区间，每个区间宽2个信用评分点。图2面板A和B分别描绘了每个信用评分区间内公司的平均销售增长和服务评分：红点对应低于480的断点的区间，绿点对应于高于480的区间。从信贷批准前一个月到信贷批准后一个月，对获得信贷的公司的估算增量销售增长效应的粗略估计平均为42%，这在经济上是一个显著的在线销售增长。同样，信贷批准对服务评分的处理效果的粗略估计为0.06，即一个标准差的26%。接下来通过2SLS回归分析实施FRDD。在第一阶段，使用方程式（1）估计信贷获取的概率：其中，如果一家公司在t月底至t+1月底具有可观察到的信用访问权限，则虚拟变量Credit Approval为1，否则为0，；如果一个公司在t月末的信用评分大于或等于480，则虚拟变量IV为1，否则为0；S是根据信用评分与之间的距离计算的标准化信用评分（即S_i,t=Credit Score_i,t-480）。允许高达K阶的多项式函数S^k作为潜在控制变量，并用γ^k表示相应的系数，k=1,2,…,K。这种多项式捕捉到了在S_i,t=0的断点附近，公司特征与公司信用评分之间的“平滑”潜在关系。文章还包括公司类型固定效应φ_j和时间固定效应φ_t，标准误差在公司类型级别进行聚类。在选择回归带宽和多项式阶数时，任何（F）RDD都面临着估计精度和潜在偏差之间的权衡。一方面，大带宽会利用更多的样本观测值，但如果潜在的强制变量（S）对结果具有非线性影响，则可能需要更高阶的多项式。另一方面，对于断点附近的小带宽，一个简单的线性近似值可能有效，但可用于估计的样本观测值较少。在本文的主要规范中，在460到500的小范围信用评分上使用局部线性回归（即标准化信用评分中的多项式项的阶数为1，K=1）（即断点每侧的带宽为20），并评估了结果对较小局部信用评分范围和替代回归规范的稳健性。然后，使用方程式（1）中获得的估计值预测信用批准的概率，并用Credit Approval_hat_i,t表示。在第二阶段，根据信用批准的预测概率Credit Approval_hat_i,t对每个因变量进行回归：
其中因变量是Sales Growth、Transaction Growth或三个客户评分之一。根据Imbens和Lemieux（2008）的研究，在回归的两个阶段使用相同的带宽和多项式阶数。只要局部随机化的假设成立，系数Credit Approval_hat_i,t（即τ）就提供了信贷获取的局部平均处理的估计。表3总结了获得金融科技信贷对供应商绩效的因果影响。与这些第一阶段回归相关的Kleibergen-Paap F统计量非常大，意味着虚拟变量IV代表了一个强大的工具。可以发现，信贷审批显著提高了创业绩效的所有五个指标。总体而言，零售平台的信贷审批为小型电子商务公司的商业业绩提供了经济上的显著提升。如上所述，本文的调查结果主要基于获得信贷额度，而不是实际提款。这是因为即使不使用信贷，信贷额度理论上也可以改变在线供应商的投资行为。例如，对流动性的预防性担忧可能会阻碍生产性投资，信贷额度为流动性风险提供了有效的保险。之后，文章检验了不同供应商类型的信贷审批的异质性优势，提供金融科技贷款人相对于传统银行的信息优势的证据。研究表明，金融科技的优势在于信息、抵押品独立性和分销成本，信息不对称程度更高（年轻、行业分散、抵押品薄弱的公司）、抵押品薄弱、相对分销成本较高的公司能从金融科技信贷批准中获得更大的利益。本文还研究了获得金融科技信贷使供应商能够提高业务绩效的机制。研究者认为，金融科技信贷的供应商绩效提升机制在于（1）流动性保险；（2）成本效益；（3）更多的广告、产品种类、产品和服务质量投入带来的运营优化；（4）帮助企业生存。本文研究了获得金融科技信贷对中国小型电子商务公司绩效的影响。这些证据可以为基于新的广泛客户数据来源的新信贷技术的增长贡献和福利的政策辩论提供信息（He，Huang和Zhou（2023））。文章希望为新兴金融科技行业做出建设性的、基于事实的监管回应。基于蚂蚁集团数百万个月的信贷审批记录和精细的供应商绩效数据，本文表明，获得金融科技信贷对中国电子商务公司具有经济上显著的正向因果绩效影响。通过利用内部信用评分特定阈值下信用批准概率的断点回归，本文证明信用批准意味着销售、交易和客户满意度的巨大提升。该结论支持了发展文献中先前的猜测，即信贷约束是新兴经济体增长的关键障碍（Banerjee和Duflo（2014））。本文根据观察到的供应商增长的异质性，确定了金融科技信贷相对于传统银行信贷的竞争优势的各个方面。根据金融科技贷款机构的信息优势，可以发现，没有抵押品的年轻公司和供应商可以获得在线信贷的最大好处。这些公司对传统银行的信贷分析提出了特别的挑战，因此往往被排除在商业信贷之外。其他证据暗示，较低的分销成本和更好的合同执行是金融科技贷款人的额外竞争优势。本文进一步记录了金融科技信贷允许在线供应商进行的各种运营变更。研究发现，信用审批后，广告支出大幅增加，产品种类增加，访问者对购买客户的转化率更高。这些运营变化大多会带来更好的客户体验，从而为在线消费者带来福利。总体而言，本文的分析揭示了由于信贷市场摩擦，中国小型私营企业的增长和发展受到重大制约。金融科技信贷的扩张可以通过创造更平等的信贷条件来帮助平衡小型电子商务供应商的增长前景，这应有助于中国私营部门的增长。虽然本文关于信贷准入增长效应的研究结果适用于中国零售业的电子商务领域，但在资本密集型行业，中国信贷市场摩擦的实际成本在数量上可能更大。
