本文利用来自众筹平台的数据，研究开放银行政策对金融科技贷款的影响。差异法（diff-in-diff）回归的结果显示，开放银行提高了金融普惠性，使得平台能够向信用倾斜风险评分较低、违约率较高的企业提供信贷。这些新票据人通常是规模较小、盈利能力较低且还款能力较弱的企业。这些企业拥有更多的有形资产和现金储备，使得平台在违约情况下能够收回更大比例的贷款金额。通过一个模型，该文展示了开放银行在降低成本筛选的同时拥有了平台的筛选能力。开放银行实施后，边际记账人获得了信贷机会，但所有记账人都面临着更差的信贷条件：他们需要支付更高的利率并获得其他的贷款金额。
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 | Lars Hornuf, Matthias Mattusch
编译 | 王冉淳
来源 | 慕尼黑大学经济研究中心
一、引言
开放银行是一项要求银行在客户同意的情况下与金融科技公司（Fintechs）共享交易数据的政策。近年来，在银行与非银行之间创造公平竞争环境成为了一个热点话题。截至目前，已有49个国家实施了开放银行政策，另有31个国家正在讨论中。在欧洲，PSD2（《第二支付服务指令》）明确了银行与第三方服务提供商之间的数据共享规则。该指令于2015年10月8日被欧洲议会通过，并于2019年9月14日由欧洲银行管理局全面实施。
已有文献表明，开放银行能够提高金融科技企业的事前筛选能力和事后监控能力。Rishabh（2024）利用印度的数据显示，支付记录可以补充信用局数据，用于预测贷款违约。与通常滞后于借款人当前状况的信用评分相比，支付记录独立且实时，能即时且准确地反映借款人的财务健康状况，从而帮助平台在事后监控借款人的还款能力。He等（2023）基于这一观点构建了模型，认为开放银行提高了金融科技贷款机构的筛选能力。
不同于现有文献将开放银行视为增强数据优势和提高平台筛选能力的工具，本文强调开放银行作为一种节省筛选成本的工具，但同时牺牲了平台的筛选能力。在实施开放银行之前，平台通过借款人的财务信息及其访谈数据评估其信用能力，这一数据收集过程既昂贵又耗时。然而，在实施开放银行之后，平台仅使用通过API直接从银行获取的交易数据，大大简化了数据收集过程。此外，通过API获取的数据是标准化的信息，便于分析。因此，开放银行的实施帮助金融科技企业降低了筛选成本（即得益于简化的数据收集过程和标准化信息）。然而，与财务信息和访谈数据相比，银行交易数据的信息量较少，因此平台的筛选能力在实施开放银行后下降。
本文使用来自一家名为October的众筹平台的数据研究开放银行对金融科技贷款的影响。October是一个提供详细开放银行贷款数据的最大平台，仅提供企业贷款，其大部分贷款发放给法国借款人。October自2020年6月19日起在小额贷款中实施开放银行政策。在此之前，平台使用所谓的“标准信用评分方法”评估企业的信用能力。这种方法利用机器学习算法处理企业的财务信息和管理团队访谈数据，基于此为企业给出信用评分。在此日期之后，“标准信用评分方法”仅用于金额超过25万欧元的大额贷款，而针对金额低于5万欧元的小额贷款则采用一种新的方法，称为“Transaction X-Ray”，仅使用银行交易数据评估企业的信用能力。这种新方法符合开放银行的定义。
该文首先将贷款分为两组：对照组和处理组。对照组包括金额超过25万欧元的大额贷款，无论日期前后均使用标准方法评估；处理组包括金额低于5万欧元的小额贷款，在此日期之前使用标准方法评估，而在之后则使用新方法评估。通过差异法回归分析，该文发现开放银行使平台能够向小型企业提供信贷，这证实了既有文献关于开放银行促进金融普惠的发现。开放银行实施后，平台向信用评分较低且违约可能性更高的新借款人提供贷款，这些借款人同时表现出更好的财务绩效。
此外，该文将数据分为两部分样本：一部分仅包括使用标准方法评估的贷款，另一部分仅包括使用“Transaction X-Ray”方法评估的贷款。这两种方法使用不同的信息集来预测借款人的信用评分。该文对这两个样本分别进行默认率的逻辑回归分析，并比较其AUC值。AUC值越高，说明信用评分在预测贷款违约方面表现越好，也表明相应的筛选方法（标准方法或新方法）具有更高的筛选能力。结果显示，标准方法的AUC值高于新方法，表明开放银行实施后平台的筛选能力下降。
然而，人们可能会疑问，既然开放银行并未提高借款人筛选效果，为何平台仍选择实施开放银行？一种可能的解释是，开放银行通过简化数据收集过程帮助平台节省筛选成本。借助开放银行，平台能够更便捷、更快速地获取数据。此外，数据是标准化的，便于分析。该文通过模型量化了筛选成本并进行反事实分析。结果显示，实施开放银行后，平台的筛选成本下降。尽管开放银行降低了平台的筛选模型效率，使市场变得不那么高效，逆向选择问题更加严重，但这对边缘借款人有利，使其获得信贷并享受更优的信贷条件。
二、制度背景
本文使用来自一家名为“October”的众筹平台的数据进行研究。这是欧洲最大的一家众筹平台，能够在该平台上找到详细的开放银行贷款层面信息。October成立于2014年，总部位于巴黎，随后逐步将业务扩展至其他欧洲国家，如意大利、西班牙、荷兰和德国。截至2024年2月，October已累计发放4342笔贷款，总额达到10.4亿欧元。October专注于为中小企业（SMEs）提供商业贷款。
与大多数仅允许机构投资者参与投资的众筹平台不同，October允许个人投资者参与项目投资。平台上的每笔贷款金额至少有51%由“October基金”提供融资。“October基金”由机构投资者和October管理团队的成员共同出资，确保利益一致。个人投资者可以以相同条件向同一项目提供贷款。如果个人投资者的资金不足，“October基金”将填补剩余的贷款金额。
为了申请贷款，借款人必须首先提交一些基本信息。这些信息使平台能够收集借款公司的公共和私人数据，作为第一道筛选关卡，用以排除风险过高的借款人。随后，平台通过一个算法处理数据，并基于这些数据给借款人提供一个信用评分。在2020年6月19日之前，平台对所有贷款均使用标准方法评估借款人的信用能力。在此之后，平台根据贷款金额大小使用三种不同的机器学习算法为借款人提供信用评分（范围为A+到C-），以反映其信用能力：
标准方法：适用于贷款金额超过25万欧元的贷款。
Financial X-Ray：适用于贷款金额在5万到25万欧元之间的贷款，仅使用财务信息。
Transaction X-Ray：适用于贷款金额低于5万欧元的贷款，仅使用通过API直接从银行获取的银行交易数据。
这三种评分算法的筛选过程使用了不同的信息集：标准方法处理借款企业的财务信息以及管理团队访谈数据（例如，访谈数据提供关于企业市场趋势、市场力量、管理素质以及企业家相关经验的洞见）；Financial X-Ray仅使用财务信息；Transaction X-Ray仅使用银行交易数据。这些信用评分算法不仅考虑过去的业绩，还注重对企业未来财务健康和还款能力的预测。算法是决定一个项目是否值得融资的第二道筛选关卡。在信用评分算法评估后，项目必须通过由至少3名国际信贷总监组成的信贷委员会的批准。批准后，借款人将收到一份贷款报价。如果借款人接受报价，项目将在October的网站上展示，并向投资者开放。
平台根据信用评分、贷款期限、是否由法国政府提供担保以及借款人所在国家的无风险利率来确定贷款利率。法国政府担保的贷款利率始终为2%。较低的信用评分和较长的贷款期限通常对应较高的利率。
三、 数据与描述性统计
本章描述了数据来源、数据集的构建过程以及描述性统计结果。
3.1 数据来源
金融科技贷款
金融科技贷款数据来源于两个平台：October官网和Crowdlending.fr。该文首先从October官网抓取贷款数据。虽然October自成立以来共发放了4342笔贷款，但在该文的样本期间（2015年至2023年），官网仅公布了1921笔贷款。因此，该文需要从其他来源补充数据以完善观测样本。
为此，该文补充了从Crowdlending.fr抓取的贷款数据。Crowdlending.fr是一个法国网站，成立于2014年底，专门汇总金融科技贷款信息，包括Lendix和Credit.fr提供的贷款。值得注意的是，October曾名为Lendix，并于2022年5月31日收购了Credit.fr。根据October的公告，这次收购旨在扩大市场份额（即在收购时，Credit.fr是法国中小企业第二大贷款平台）并为借款人提供更优质的服务。有人可能质疑将Credit.fr的数据纳入样本的有效性，担心两者的借款人群体或信用评分标准不同。为了减轻因借款人异质性或筛选方法差异而引起的担忧，该文检查了在相同信用评分下两平台借款人是否存在差异。表2显示，在相同信用评分下，两平台借款人无显著差异。尽管这不能完全消除顾虑，但数据支持将Credit.fr的数据纳入样本。为进一步验证结果的稳健性，该文在后续分析中排除Credit.fr的数据进行鲁棒性测试。最终，该文从Crowdlending.fr抓取并补充了2600笔贷款数据（其中1675笔来自Lendix，925笔来自Credit.fr），使数据总量扩展至4521笔贷款观测值。然而，将October官网与Crowdlending.fr的数据合并后存在重复观测。如果两笔贷款的借款人、起始日期、结束日期、贷款利率、期限和金额相同，只保留一条记录。按照此标准，该文删除了489条重复观测，剩余4032笔贷款记录。由于October的大部分贷款面向法国借款人，仅保留2015年至2023年间的法国贷款数据。在排除非法国借款人贷款和极端值后，最终保留了3269笔贷款记录。
企业数据：Orbis和Amadeus
企业特征数据来自两个数据库：Bureau Van Dijk的ORBIS数据库和Amadeus数据库。这两个数据库提供了广泛的法国企业（包括私人中小企业）的资产负债表和财务报表数据。由于October仅提供企业贷款，每笔贷款都有一个唯一标识符，即企业的SIREN编号。通过SIREN编号，该文将贷款数据与从Orbis和Amadeus获取的企业数据合并。
3.2 数据集的构建
移除中等规模贷款
October自2020年6月19日起仅对小额贷款实施开放银行政策。在此日期之前，平台仅使用“标准方法”评估企业的信用能力。之后，“标准方法”仅用于评估金额超过25万欧元的大额贷款，而一项名为“交易X光”（Transaction X-Ray）的新方法被用于评估金额低于5万欧元的小额贷款。新方法依赖通过API从银行获取的银行交易数据评估企业信用能力，因此符合开放银行的定义。
对于金额在5万至25万欧元之间的贷款，平台仅基于财务信息使用“财务X光”（Financial X-Ray）方法进行评估。这些贷款既不能用作对照组（因为其筛选方法发生了变化：开放银行实施前使用“标准方法”，之后使用“财务X光”方法），也不属于开放银行的研究对象。因此，该文从数据集中移除了这部分贷款。
移除金额在阈值附近的贷款
图3a和图3b分别绘制了在实施开放银行政策前后，贷款金额在5万欧元附近的分布情况，红色垂直线表示贷款金额的5万欧元阈值。这两幅图显示，在开放银行实施后，申请金额为5万欧元的借款人数从89人减少至47人，但更多借款人申请金额略高于5万欧元的贷款。这可能表明需要5万欧元贷款的借款人故意申请金额略高于5万欧元的贷款，以便基于财务信息（即“财务X光”）而非银行交易数据（即“交易X光”）进行评估。相比每年更新的财务报表，每日更新的银行交易数据提供了更详细和即时的信息。因此，出于隐私考虑的企业更倾向于提供较少的信息，从而申请略高于5万欧元的贷款。
类似地，图3c和图3d显示了贷款金额在25万欧元附近的分布情况。红色垂直线表示25万欧元的贷款金额阈值。这些图表明，申请25万欧元贷款的借款人数从33人增加至112人，而申请金额略高于25万欧元的借款人减少。这可能表明需要超过25万欧元贷款的借款人故意申请金额为25万欧元的贷款，以便基于财务报表进行评估，而避免使用结合财务报表和访谈数据的“标准方法”。访谈过程耗时长且揭示更多信息，因此，出于隐私或加快贷款审批的考虑，这类企业更倾向于被财务报表评估。
为了避免借款人行为导致的内生性对分析结果产生干扰，该文移除了阈值附近的观测值（即金额为[49.5k, 50.5k]和[245k, 255k]的贷款）。移除后，阈值附近的贷款分布没有明显集聚现象。
移除分类错误的贷款
该文移除分类错误贷款的原因有两点：
October在公告中声明，金额小于5万欧元的贷款使用“交易X光”方法评估，金额大于25万欧元的贷款使用“标准方法”评估。然而，平台并未完全遵守声明。数据中发现部分小于5万欧元或大于25万欧元的贷款被“财务X光”评估。
2. Credit.fr始终使用财务信息和访谈数据评估企业信用能力，因此，2020年6月19日后Credit.fr提供的小额贷款不适用开放银行政策，也应被移除。
合并贷款数据与企业数据
第t年获得的贷款与借款人在t−1年的信息合并，因为平台在决定是否批准贷款时使用的是贷款前的信息。
去极值与截尾
为了限制异常值或极端值的影响，该文剔除了总资产或销售额（即总收入）小于10欧元的企业，并对所有用于分析的变量（表1中的指标“违约率”、“拖欠率”和“老借款人”除外）在98%分位处进行截尾。
四、 研究结果
October于2020年6月19日开始，仅对小额贷款实施开放银行政策。为了研究开放银行政策对金融科技贷款的影响，文章采用了双重差分（Difference-in-Difference）方法。
研究设计中：
处理组：由October提供的小额贷款组成，在开放银行实施前，这些借款人的信用能力通过标准方法（Standard Method）评估，而在实施后通过“交易X光”（Transaction X-Ray）评估。
对照组：由October提供的大额贷款组成，这些借款人的信用能力始终通过标准方法评估。
基于这一研究框架，预期观察到双重差分效应（即Difference-in-Difference效果）：一是开放银行实施前后贷款特征的差异，二是小额贷款和大额贷款之间的差异。
下图显示，开放银行实施后，October提供的小额贷款数量显著增加，而大额贷款数量则持续下降。这种趋势可能通过以下两个渠道体现：
筛选能力渠道：通过开放银行，平台获取了更多信息，从而更好地筛选申请小额贷款的借款人。由于不确定性的降低，October能够为借款人提供更优的信贷条件，因此，一些边缘借款人（即以前被拒贷的借款人）现在能够获得贷款。
筛选成本渠道：申请小额贷款的借款人大多为小型企业，获取其信息较难且筛选其信用能力的成本较高。开放银行通过简化数据收集和分析过程帮助平台降低了筛选成本，从而为更多借款人提供了贷款。
为了进一步分析开放银行对金融科技贷款的影响，本章节从以下几个方面展开研究：
对借款人特征的影响：开放银行实施后，October是否在服务新的借款人？还是仅仅是借款人的重新分配（即平台仍服务于相同的借款人，但为他们提供了更小额度的贷款）？
对贷款特征的影响：开放银行实施后，借款人是否享受到了更优的信贷条件？
平台实施开放银行的原因：开放银行及新信用评分方法的引入是否提升了平台的筛选能力，或者是否帮助平台节约了筛选成本？
五、结论
本文分析了众筹平台“October”在2015年至2023年间向法国企业提供的贷款数据。这些贷款数据与Orbis和Amadeus数据库中的企业数据通过企业的SIREN编号这一独特标识符进行匹配。平台于2020年6月19日实施了开放银行政策，该政策允许平台通过API直接从银行访问银行交易数据。在此之前，平台依赖企业的财务信息和从管理团队访谈中收集的数据来评估企业的信用能力并分配信用评分。这种信用分析方法被平台称为“标准方法”。根据信用评分，平台决定是否批准贷款及相应的贷款条款。在此日期之后，“标准方法”仅适用于金额超过25万欧元的大额贷款，而一种新方法被应用于金额低于5万欧元的小额贷款。这种新方法完全依赖银行交易数据为企业分配信用评分。
研究发现，实施开放银行政策后，信用评分显著下降。然而，对于具有相似风险特征的借款人，其信用评分保持不变。这表明平台并未改变信用评分的评估标准，而是向风险较高、信用评分较低的借款人提供了贷款。通过分析贷款利率，发现政策实施后平台收取的利率有所提高，但对于具有相似风险特征的借款人，其利率保持不变。这表明平台并未改变定价政策，而是通过更高的利率来弥补增加的违约风险。
随后，该文分析了企业的可观测特征在实施开放银行政策后如何演变，以判断平台是否确实向风险更高的借款人提供了信贷。利用差异中差异回归分析发现，政策实施后，新增的借款人是规模更小、盈利能力更弱、还款能力较低的企业。然而，这些借款人也拥有更多的有形资产和现金储备，使平台在违约情况下能够追回更多的贷款金额。一方面，平台因向风险较高的借款人提供信贷而违约率上升；另一方面，由于违约后回收的损失金额较大，部分弥补了损失。这两个因素共同影响了平台的利润。
接下来，该文探讨了平台的筛选能力在实施开放银行政策后如何变化。该文通过评估信用评分对贷款违约的预测准确性来衡量平台的筛选能力。研究结果显示，平台的筛选能力在实施开放银行政策后下降，这与之前文献的发现相矛盾。此前的研究中，平台通常将开放银行数据作为原始信息集的补充。然而，该研究的平台将开放银行数据作为原始信息集的替代。结果表明，银行交易数据的信息量不如原始信息集，从而降低了平台的筛选能力。
最后，该文思考了为什么平台会实施开放银行政策，即使它未能提升平台的筛选能力。一种可能的解释是，开放银行减少了平台的筛选成本。在实施开放银行政策之前，平台使用“标准方法”为企业分配信用评分，这涉及与企业管理团队进行访谈，过程昂贵且耗时。政策变化后，平台开始使用通过API直接从银行获取的银行交易数据来评估企业的信用能力，使得获取数据的过程更加快捷和简便。此外，通过API获取的数据是标准化的，便于分析，进一步降低了平台的成本。本文构建了一个权衡模型，展示了平台通过牺牲筛选能力来降低筛选成本的过程。模型表明，开放银行降低了平台的筛选成本，同时惠及了边缘借款人，使他们能够获得信贷；但所有借款人却面临更差的信贷条款。
……
获取完整报告
请后台回复“众筹平台”
获取下载链接
·END·
责编/张谦
编译/王冉淳
排版/陈亚洲、李若瑶
【延伸阅读】
