黄益平作为领衔教授在中国数字经济发展和治理学术年会首期青年学者讲习班作专题讲座：大科技信贷研究

7月5日至7月7日，中国数字经济发展和治理学术年会首期“数字经济青年学者讲习班”在清华大学顺利举办，以专题讲座与研究交流等形式，助力数字经济领域青年学者成长。7月7日，本期讲习班领衔教授、北京大学国家发展研究院金光金融学与经济学讲席教授、副院长，北京大学数字金融研究中心主任黄益平作题为《大科技信贷研究》的特邀讲座。清华大学计算社会科学与国家治理实验室执行主任、北京国际数字经济治理研究院院长、年会主席团秘书长孟庆国教授主持了本场讲座。本文根据现场讲座内容整理。

领衔教授黄益平作专题讲座

一、什么是大科技信贷？

大科技信贷（Bigtech lending）是数字信贷（Digital lending）的一种形式。数字信贷是一种以数字技术支持信贷的业务模式，包括金融科技贷款（Fintech lending）和互联网贷款（Internet lending）两类。金融科技贷款是基于借贷双方交互便利的特性或基于筛选监督的技术的信贷业务，互联网贷款是商业银行运用互联网和移动通信等技术，基于风险数据和风险模型进行交叉验证和风险管理，线上自动受理贷款申请及开展风险评估，并完成授信审批、合同签订、贷款支付、贷后管理等核心业务环节操作。

而大科技信贷指的是主业为科技业务的大公司（大科技）提供的贷款，大科技公司利用大科技平台快速、海量、低成本地获客并积累数字足迹，同时运用大数据和机器学习模型进行信用风险评估，为大量的个人与小微企业提供信贷服务的新型业务模式。大科技信贷的两大支柱是大科技平台和大数据分析，数字技术的优势体现在三个方面：一是交互便利，二是非传统数据支持的信用风险评估，三是还款管理。

二、大科技信贷的背景

第一，大科技信贷的一个重大贡献在于其普惠性，可以覆盖很多原先不能覆盖的群体。在传统金融业中，普惠金融很难做，但大科技信贷找到了一条独特的路子。网商银行在创立之初就以服务小微企业、支持实体经济、践行普惠金融为使命，成立第一年，仅仅依靠在杭州的一个办公室、1000名左右的员工，就向全国500万的小微企业提供信贷。同样，腾讯旗下的微众银行，用线上数据给个人做信用风险评估、发放贷款，挖掘出很多有价值的数据。第二，大科技信贷具有重要的宏观经济含义。大科技信贷带来了很重要的改变，除了在微观层面对个人、企业等的影响，在宏观层面也会带来一些改变。比如说传统金融体系中的金融加速器机制，讲的是房价与信贷之间的正向反馈关系，如果房价跌了，信贷就会收缩，而这又会导致房价进一步下跌，因而会加剧金融的不稳定性，这就是诺奖得主伯南克等发现的金融加速器机制。然而，当抵押品替换成数据以后，金融稳定的机制可能就发生改变了，至少会削弱信贷与房价之间的正向反馈关系，从而使得金融体系变得更加稳定。

国际清算银行（BIS）曾经尝试测算各国数字信贷和大科技信贷的规模。当然这个估计不一定准确，因为数据并不完整，但他们起码把能找到的数据放到了一起。并且试图用一些变量来解释，为什么有的国家大科技信贷相对发达，有的国家却不那么发达。他们发现的驱动因素包括：（1）人均GDP，人均GDP比较高的国家，大科技基础的技术条件可能比较好。（2）银行的价格加成，银行价格加成比较高，可能是竞争不太充分，说明银行的服务不是那么好，其他形态的信贷创新动力就比较强。（3）银行监管不严格，如果银行监管太严格，估计很多大科技信贷是没有机会的。（4）地区的营商环境和司法系统效率，这两个是正向关系，如果借了钱不还也没有任何后果，大科技信贷就做不下去。（5）较低的银行贷款-存款比例，我国银行贷存比比较低，银行有不少钱，但是放不出去，而传统金融体系当中供给不足的缺口是比较大的。

目前为止，我们的数字金融做得最成功的地方在于其普惠性。北京大学数字普惠金融指数把各个地区，每一年按照相对的发达的水平分成不同的档次，红色的是最发达的，其次是橙色的、黄色的、绿色的。2001年全国大部分地区都是绿色的，到了2021年的时候，仍然是沿海地区发展水平比较高，但是颜色的差异一下子缩小很多，其实是意味着整个内陆地区，原来相对比较落后的地区，在快速的赶上来，充分反映普惠性。今天讲大科技信贷，如果刊网商银行2022年的大科技信贷数据，同样可以发现客户数量主要还是集中在东南沿海地区，但是增速最快却都在西部地区，包括西藏、新疆。这说明，使用了新技术以后，原先发展相对滞后的地区的客户数量增长速度越来越快，差异在显著缩小。

三、中国大科技信贷业务实践

中国的大科技信贷从规模上来说，应该是全世界最大的。我们曾经也认为大科技信贷模式的萌芽可能最初是在中国出现的，但我不是很确定现在所说的大科技信贷业务实践是中国首创的，一个很重要的原因在于用大数据做信用风险评估的实践，阿里或者蚂蚁或者网商银行也是在2015年以后慢慢成形的。最初，2003年的时候有了淘宝，阿里巴巴在中间做担保交易，解决信任问题。2010年首先开始线上阿里小贷业务，所以说用大数据分析做信贷最初可能阿里是最早做得，但是不是大科技信贷的原创者，也不太好说，实际上大家都在相互学习。2015年以后对风控模型做了系统性的改进，2016年以来大科技信贷规模稳居全球第一，2019年在国内信贷中的比例超过了2%，超印尼的1%和其他国家低于1%。

大科技信贷具体的类型包括三类：一是新型互联网银行。银监会推动设立民营银行，包括三家新型互联网银行——微众银行（2014）、网商银行（2015）和新网银行（2016）。二是大科技平台通过小额信贷公司发放贷款。蚂蚁的花呗、借呗（已更名为信用贷），京东的京东白条，银保监会给他们发了消费金融的牌照。三是各种形形色色的大科技助贷。

简单介绍一下网商银行，2015年6月25日，网商银行成立，一开始主要继承了阿里小贷的业务。最初的服务对象主要是阿里巴巴电商平台上的商家，之后有过三次大的拓展。2015年，依托阿里巴巴的“千县万村”和“村淘合伙人”为县域小微企业和农村经济主体的信贷服务。2017年，随着支付宝利用二维码支付覆盖了近一个亿的线下门店和个体户（“码商”），推出了“多收多贷”信贷，建立了线下商户的风险模型。2018年，探索供应链金融业务，打通销售、供应全链路。网商银行一直在做持续的风险管理创新，他们很自豪的是几个系统。一是百灵系统，是一个智能交互式风控系统，旨在帮助小微企业申请线上融资时“提额度”。二是供应链金融的产品矩阵—“大雁系统”，主要利用产业链上下游之间的交易关系。三是大山雀系统，是以卫星遥感技术为特色的农村金融风控系统。最近，网商银行对小微企业开发了一套绿色评级，可以测算每一家小微企业的绿密度，发现绿密度比较高的企业信用风险往往都比较低，绿密度比较低的反而风险比较大。从中也可以看出他们确实是在不断地尝试来探索怎么样能改进用非传统的数据或方法来做信用风险评估。

截至2021年末，网商银行总资产达到4258亿元，资本充足率为12.5%。累计服务小微企业4553万户，其中有80%以上从未在银行贷过款，最近两年每年新增客户超过1000万户。但确实也遇到了一些挑战。一是股权结构与贡献不对等。网商银行是由当时的蚂蚁集团发起成立的，其业务也与阿里巴巴的电商及蚂蚁集团的支付宝有密不可分的关系。但根据监管的要求，蚂蚁集团只能占30%的股份。二是不能“远程开户”制约了资金的稳定与成本。网商银行只能开设II类账户，不能从事一些银行交易如存取现金、向非绑定账户转账。三是贷款利率依然偏高。考虑到网商银行的单笔贷款规模都很小，期限也很短，而且其资金成本也相对较高，年化贷款利率高一些，也能理解。但网商银行曾经自称“每笔贷款运营成本仅2块3”，且不良率只有1.53%，也许可以在“普”的基础上进一步提升“惠”的力度。四是贷款规模过小。网商银行客户的普遍反映是确实很方便，“随借随还”，利息成本也不是很高，但额度太低，除了临时性地补充一下流动性，很难真正支持经营活动。

四、大科技信贷相关研究

大部分大科技信贷学术论文在2018年之后完成，许多论文的研究对象是包括大科技信贷在内的广义的数字贷款，大部分研究集中在信用风险分析这个环节，但总体来说数量还是比较有限。我介绍几篇我们团队已经完成或正在做的研究。

第一，大数据风控模型比传统银行模型更可靠吗？采用赛马分析，一匹马叫做大科技信用风险评估模型，基本要素一是大数据、二是机器学习方法；另外一匹马是传统银行模型，传统数据加打分卡方法。用一套数据180万逐笔贷款数据让两匹马都来跑，前一半用于训练模型，后一半用于检验模型的可靠性。可以得到四条ROC曲线。横轴代表正常贷款被错误地识别为违约贷款比率，而纵轴则代表违约贷款被准确地识别出来的比率。总体来说越接近左上角，说明这个模型的可靠度越高。实证分析表明，大科技模型确实优于传统银行模型。大科技风控模型的好处可能体现在两个方面，一是从时效性上来说，有很多实时数据，线上数据时效性更强，过去的财务数据起码是一个季度两个季度之后的数据；二是囊括了很多行为变量。

第二，谁是大科技信贷的主要获益者？即什么样的借款人更容易获益，用同样的一组用户，然后用两个不同的模型，哪一个模型预测出来他的违约率更低，就意味着他更有可能获得信贷。把大数据模型的预测的违约率和传统银行模型预测的违约率做一个比较，如果他更低，那就更容易获得信贷，那就意味着他获益的可能性就会更大一些，这就是一个相对的概念。我们发现，主要获益者为规模小、地处偏远的小微企业。另外，央行征信数据可以有效支持信用评估，再加上大数据，评估效果则会更佳；但如果有大数据，即便没有央行征信数据，大数据信用风险评估的效果几乎与使用央行征信数据相当，这说明大数据可以帮助覆盖“信用白户”。

第三，大科技信贷是否会对银行信贷产生溢出效应？在大科技信贷中，只要连续地使用二维码支付，过一段时间，获得大科技信贷授信的比例就很高。我们进一步分析，借款人如果得到了网商的授信，特别是借到了钱之后，是不是更容易到传统银行去获得贷款。我们发现大科技信贷的使用可以大大提高获取传统银行贷款的可能性。不同的借款人主体获得的溢出效应不同。一是企业的网络效应分数，指具体的一个商家，在整个支付系统当中相对的重要性。如果打分比较高，说明商家很重要，很多人都会发生各种支付关系，如果商家是完全独立的，基本上就没这个效应。网络效应分数比较高，联络比较多的这些商家，它的溢出效应就会高一些，网络效应不明显的反而比较低。二是企业主的性别，女性获得的溢出效应更高。三是企业家资产。我们把贷款分成传统银行的贷款，一是叫做信用贷款，二是抵押贷款。用房子做抵押贷款，就会发现网商贷款的溢出效应不那么明显，因为主要是看你有没有房子、值不值钱；但是对信用贷款的溢出效应，相对就比较明显一点。

第四，大科技信贷是否会改变货币政策传导？银行的贷款和大科技信贷的贷款，在货币政策调整的时候，信贷会产生变化，这是货币政策传导的一个主要的机制。一般而言，货币政策宽松了，利率下调了，贷款会增加。我们把大科技信贷和传统的银行信贷做一个比较，发现如果货币政策宽松了，发现大科技信贷每笔贷款的规模，相对于传统银行信贷的变化不太明显。差别在于贷款笔数会有很大的差别，当货币政策宽松时，传统的银行信贷不会增加很多笔贷款，但是大科技信贷可以发出很多笔的贷款。这可能是因为大科技信贷与很多的潜在的借款人已经建立了潜在的信贷关系，而传统银行要建立新的信贷关系，成本就会高一些。这还是跟大科技平台的特点有关系，平台的触达相对比较容易，大科技公司通过数据分析发现增加每一笔贷款的规模会影响它的风控，所以倾向于不增加太多的贷款规模。也就是说大科技信贷的反应主要体现在外延边际而不是集约边际。

第五，大科技信贷如何影响金融稳定？在信贷里有一个抵押品的渠道，就是房价越高，信贷越多，信贷越多会导致房价更高，而房价更高会使得信贷条件越宽松；反过来房价跌了，信贷就收缩了，信贷一收缩房价再跌，说不定就变成一个金融危机，伯南克他们所提出的金融加速器大概就是一个机制。我们的研究发现不同的贷款对房价反映的弹性，发现抵押贷款弹性系数是非常明显的，信用贷款也有反映，但是反映没那么大，大科技信贷弹性系统是不显著的。这个研究如果能得到证实的话，可以一定程度上改变原来的宏观金融稳定的机制，后续还需要进一步的研究。

推荐阅读