国际金融科技观察｜危机期间信息技术对银行的重要性：下篇
编者按
感谢大家对“国际金融科技观察”栏目的热爱，本期为《危机期间信息技术对银行业的重要性》的下篇。这是2021年3月，欧洲系统性风险委员会发表的一篇工作论文。论文研究了银行业信息技术应用对金融稳定的影响。研究发现，在金融危机之前，银行信息技术应用提高一个标准差，会导致危机期间不良贷款减少10％。并且证实了信息技术应用对于加强银行弹性具有直接作用。本文共分为序言、上篇、中篇、下篇4个部分，下篇介绍贷款水平的分析以及银行借贷情况，并对全文进行总结。
以下为文章全文：
1
贷款水平分析
我们已经证实，贷款水平特征可以作为预测贷款违约的重要因子。与贷款水平特征相比，信息技术应用与贷款违约之间的关系也非常重要。信息技术应用提高一个标准差，与担保品贷放率降低三分之一标准差、债务收入比率降低二分之一标准差或者借款人信用评分提高一个标准差，具有相同的预测效果。在第（5）列中，我们将借款人分为信用评分高于和低于中值（735）的借款人，并使用不同的信息技术应用系数，研究发现只有发放给风险相对较高的借款人的抵押贷款才会受到银行信息技术应用的影响。第（6）列和第（7）列表明，我们使用线性概率模型或概率单位回归模型，来估计信息技术应用和贷款水平特征对危机期间抵押贷款逾期概率的影响，结论是相同的。
贷款水平分析有多种用途。贷款水平分析帮助我们更深入地挖掘信息技术应用与不良贷款之间的关系及背后的作用机制。分析结果说明第4.1小节中提到的效应，至少在部分程度上是因为危机爆发前信息技术应用水平高的银行发放的贷款更具有韧性，而不是因为银行提高了管理能力或消除不良贷款的能力等。例如，如果信息技术应用能够对银行资产负债表上的逾期贷款产生影响，仅仅是因为信息技术应用水平高的银行收回逾期抵押贷款的能力更强，那么我们认为信息技术应用对于已经转移出去的抵押贷款应该不会产生同样的影响。
研究也表明，信息技术应用水平高的银行并没有将低质量贷款转移给政府支持企业。如果技术型银行只是擅长将低质量贷款证券化并转移出去，那么信息技术应用会使得危机期间该行资产负债表上的不良贷款减少，但不会减少银行业不良贷款的总体规模（Acharya等人，2013）。如果是这样的话，信息技术应用并不会增强金融稳定性，反而会造成风险转移，加剧道德风险。
我们可以利用抵押贷款数据来控制抵押贷款的其他特征，如抵押贷款房产的邮政编码和贷款发放年份，从而更清楚地了解信息技术应用对不良贷款的影响机制。研究表明，信息技术应用对不良贷款的影响，并非完全由于信息技术应用水平高的银行会给贷款拖欠和止赎发生较少的地区发放贷款或在特定年份发放大量贷款。应用信息技术后，银行在开展抵押贷款业务时似乎获得了信息优势，并且获得的不仅仅是有关借款人所在地或商业周期的信息。然而，一旦我们控制了位置变量，信息技术应用预计会对不良贷款产生的影响就下降了四分之一左右。
我们还可以控制一些能够预测抵押贷款发放时的表现的重要特征，如借款人信用评分、担保品贷放率和债务收入比率。我们发现，如果我们以线性方式控制这些特征，信息技术应用对逾期贷款的影响不会消失。这意味着，信息技术应用水平高的银行在贷款决策中拥有更多额外的信息，或者能够以更复杂和有效的方式运用这些变量。
通过一些未列出的检验结果，我们发现信息技术应用与上述贷款逾期的预测因子不具有相关性。这表明，信息技术应用水平高的银行在金融危机前不仅选择了更安全的市场，而且还选择了更优质的借款人。
此外，我们利用借款人信用评分数据研究了哪种类型的抵押贷款受信息技术的影响最大。研究发现，只有发放给信用评分低于样本中位数的借款人的贷款，逾期率才会受到信息技术应用的影响。
但是贷款水平分析也有一些缺点。我们只能将22家银行与信息技术应用数据集进行匹配，因此进行统计分析的能力有限，也无法进一步分析信息技术应用水平高的银行和信息技术应用水平低的银行在贷款业务上的差异。此外，与银行资产负债表上的贷款组合相比，信息技术应用数据集中的贷款具有一些不同的特征，如在借款人信用评分平均值上有所不同（Keys等人，2010）。2
银行借贷
不良贷款过多会影响银行的盈利能力，进一步限制银行发放贷款的能力，最终会抑制实体经济的活动。信息技术应用会提高银行的韧性，保护银行在金融动荡期间（或之后）向客户提供信贷服务的能力。
图4显示了从2001年到2014年期间，信息技术应用水平高的银行和信息技术应用水平低的银行发放的贷款（按全球金融危机前的资产进行标准化）所占的份额。2006年之前，二者还无法明确区分，这与表2中贷款强度和信息技术应用在危机前缺乏相关性是一致的。从2007年开始，信息技术应用水平低的银行发放的贷款明显少于信息技术应用水平高的银行发放的贷款。2012年之后二者开始趋向一致，但是直到2014年二者之间仍然存在差异。这些现象表明，信息技术应用的异质性，可能通过前文提到的对不良贷款的影响，有助于解释危机期间和危机之后银行贷款的动态变化。
本节中，我们正式检验了是否危机期间不良贷款较少、信息技术应用水平较高的银行在危机期间发放的贷款数量较多。我们采纳了Peek和Rosengren（2000）的定义，将借贷定义为“供应贷款相对于总资产的变化”（该定义同样适用于本文其余部分），并计算了整个危机期间的平均值。我们估计了以下横截面模型：
其中指的是危机期间银行的不良贷款份额，或者危机发生前银行的信息技术应用水平。估计结果如表7所示。我们在加入或者不加入前文中提到的一系列控制条件的各类情况下，对回归模型进行估计。
与Peek和Rosengren（2000）的研究结果相似，我们发现不良贷款率提高100个基点与借贷平均增速降低100个基点具有一定的相关性。我们还发现信息技术应用对借贷活动具有重要影响：信息技术应用每提高一个标准差，危机期间借贷增速提高33个基点，约为借贷平均增速的20%。
这些研究结果表明，信息技术应用有助于银行在全球金融危机期间及危机之后提供信贷资金。但是，我们还不清楚信息技术应用对信贷的影响，是通过抑制逾期率（第6节）和不良贷款（第4节）的激增，还是通过提高银行在危机期间的运作能力并使得银行在危机之后以其他方式进行扩张而实现的。在这两种情形下，我们的研究都表明信息技术强度增强了全球金融危机期间的金融稳定性。3
结语
从金融科技公司数量的急剧上升，就可以看出金融业越来越依赖信息技术。因此为了更好地制定政策，有必要了解贷款决策过程中信息技术应用程度的增加对金融稳定的影响。
本文中，我们使用了一个新的数据集来衡量美国商业银行在全球金融危机爆发之前信息技术应用存在的异质性。我们发现，信息技术应用水平高的银行资产负债表上的不良贷款增速明显低于其他银行，并在危机期间提供了更多信贷。从危机前的地理分布和商业模式来看，信息技术应用水平高的银行和信息技术应用水平低的银行在金融危机期间并没有明显不同。此外，信息技术应用水平高的银行发放的贷款在危机期间的逾期率较低，即使这些贷款被证券化并出售给房地美后也是如此。因此，我们的研究表明，信息技术应用能够帮助银行甄别优质借款人，发放更具有韧性的贷款。我们还发现，信息技术应用的异质性，一部分原因在于银行高管的“技术取向”不同（我们利用一个简单的文本分析算法计算出了高管的“技术取向”），另一部分原因在于美国技术知识的扩散并不均匀。最后，我们将赠地学院与银行总部之间的距离作为工具变量，证实了本文的主要结论。
本文提出的证据表明，金融科技可能有助于金融稳定。但是利用本文研究结论去支持金融科技和金融稳定之间的关系的主要问题是：全球金融危机之前商业银行采用的信息技术，可能与当前商业银行、金融科技公司和大型科技公司金融部门采用的技术有很大的不同。
尽管存在上述明显的局限性，我们还是提出了三种方法来支持我们的研究结果。首先，虽然我们基于银行分支机构人均计算机数量这一简单的指标来衡量信息技术的应用，但这一指标仍能有力地说明近年来的技术强度情况。我们将信息技术应用这一指标与2016年银行的信息技术总预算进行简单回归，得到的拟合优度为44%，相关系数为65%。此外，云计算等前沿技术的应用也与信息技术应用的指标呈正相关。
其次，信息技术给金融业带来的变革大多都是最近才发生的，因此截至本文撰写之时，金融科技还未经历过大规模系统性的金融冲击，其韧性还未得到考验。此外，大多数国家的金融科技公司提供的贷款规模仍然很小。因此，尽可能多地从过去的系统性冲击中搜集最佳经验证据，为当前的金融科技研究提供信息，是非常重要的。同样地，尽管经济系统和金融系统的特点在不断变化，但从大萧条时期吸取的经验教训，对于制定全球金融危机的应对措施具有重要意义（Bernanke, 2015）。相反地，如果因为观察到当前情景与过去的差异而忽略过去危机所呈现的证据，可能会导致不良后果（Reinhart和Rogoff，2009）。
第三，如果把研究重点放在贷款业务上，那么全球金融危机爆发之前应用的信息技术与近期应用的技术之间存在一些共同点。全球金融危机爆发前的十年时间中，预测贷款违约的统计模型得到了广泛应用（Rajan等人，2015）。最新的机器学习技术可以用来预测借款人行为，这些技术相较之前的统计工具功能更强大，但并非与过去的工具完全不同的新技术。事实上，大学里机器学习的入门课程，通常会介绍线性回归模型、概率单位回归模型和逻辑回归模型。通过收集和使用新数据来辅助应用程序的决策，如追踪数字足迹（Berg等人，2019b），与使用信用评分没有本质上的区别。机器学习与统计模型的主要区别在于其基础设施和专业知识对于获取、存储、管理和使用数据的要求不同。算力成本的下降使得这一进步能够实现，并且算力成本还在以恒定的速度持续下降（摩尔定律）。
最后，我们想要强调一点，由于我们研究的是传统银行的信息技术应用问题，因此没有涉及一些与金融科技有关的制度问题，如与影子银行的联系、监管套利空间等（Buchak等人，2018），而这些问题可能与金融稳定密切相关。关于作者
本文为2021年3月，欧洲系统性风险委员会发表的由Niccola Pierri和Yannick Timme所著的工作论文。翻译：朱炳姮 刘芳 黄若薇 林毓菁 李宇钒 陈思雨
来源：欧洲系统性风险委员会
本期责编：黄启燕 王小彩 李润东
主编：闵文文 朱霜霜
编辑 杜欣泽
来源 欧洲系统性风险委员会
责编 李锦璇、蒋旭
监制 朱霜霜
系列回顾
欢迎加入群聊
为了增进与粉丝们的互动，IMI财经观察建立了微信交流群，欢迎大家参与。
入群方法：加群主为微信好友（微信号：imi605）,添加时备注个人姓名（实名认证）、单位、职务等信息，经群主审核后，即可被拉进群。
欢迎读者朋友多多留言与我们交流互动，留言可换奖品：每月累积留言点赞数最多的读者将得到我们寄送的最新研究成果一份。
关于我们
中国人民大学国际货币研究所（IMI）成立于2009年12月20日，是专注于货币金融理论、政策与战略研究的非营利性学术研究机构和新型专业智库。研究所聘请了来自国内外科研院所、政府部门或金融机构的90余位著名专家学者担任顾问委员、学术委员和国际委员，80余位中青年专家担任研究员。
研究所长期聚焦国际金融、货币银行、宏观经济、金融监管、金融科技、地方金融等领域，定期举办国际货币论坛、货币金融（青年）圆桌会议、大金融思想沙龙、麦金农大讲坛、陶湘国际金融讲堂、IMF经济展望报告发布会、金融科技公开课等高层次系列论坛或讲座，形成了《人民币国际化报告》《天府金融指数报告》《金融机构国际化报告》《宏观经济月度分析报告》等一大批具有重要理论和政策影响力的学术成果。
2018年，研究所荣获中国人民大学优秀院属研究机构奖，在182家参评机构中排名第一。在《智库大数据报告（2018）》中获评A等级，在参评的1065个中国智库中排名前5%。2019年，入选智库头条号指数（前50名），成为第一象限28家智库之一。
国际货币网：http://www.imi.ruc.edu.cn
微信号：IMI财经观察
（点击识别下方二维码关注我们）
理事单位申请、
学术研究和会议合作
联系方式:
只分享最有价值的财经视点
We only share the most valuable financial insights.