【资料图】
我们的论文旨在阐明BigTech公司进入金融领域对宏观经济和货币政策传导的影响。我们建立了一个模型，可以复制关于BigTech公司的两个关键经验事实。首先，利用中国和美国的宏观数据，并扩展以前基于中国微观数据的证据。我们研究表明，BigTech公司的信贷并不像银行信贷那样对资产价格和当地经济状况的变化做出反应；其次，我们利用当地预测，阐明了实物抵押渠道相对于网络抵押渠道对货币政策传导的重要性，这些渠道强度的关键驱动因素是商业地产价格和电子商务销售对货币政策的敏感性。我们表明尽管持续时间较短，商业地产价格对货币政策冲击的反应比电子商务销售更强烈。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。
来源 | Bank for International Settlements
作者 | Fiorella De Fiore, Leonardo Gambacorta and Cristina Manea
编译| 荆媌
一、简介阿里巴巴、亚马逊、Facebook或Mercado Libre（BigTech公司）等大型科技公司最近涉足金融市场，向其电子商务平台的供应商提供贷款。近年，BigTech信贷迅速扩大，2019年达到5300亿美元的规模，而2013年只有约110亿美元。在一些国家，BigTech信贷的增长速度可望超过银行信贷的增长速度。例如，在2020——2021年期间，中国的BigTech信贷录得37%的年平均增长率，而银行信贷的增长率为13%。 金融中介的这些变化可以以明显的方式塑造货币政策的传导。BigTech公司的商业模式依赖于收集和使用大量的数据而不是抵押品来解决贷款人和借款人之间的代理问题。利用机器学习和大数据产生的信用评分，能够比传统的信用局评级更精确地识别企业的信用度（Frost等人（2020））。此外，被禁止使用电子商务平台的威胁甚至是名誉受损的威胁对大型科技公司来说，是一种法律之外但非常有效的合同执行手段（Gambacorta, Khalil and Parigi （2022））。数据在信用评分过程中的关键作用以及被排除在BigTech生态系统之外的威胁，减少了企业在贷款合同中抵押的需要。这就解释了为什么BigTech信贷与房地产价值不相关，但它与企业的具体特征高度相关，如BigTech电商平台的交易量（Gambacorta等人（2022））。随着BigTech信贷份额的上升，货币政策将较少地通过资产价格影响信贷供应，而更多地通过BigTech公司生态系统内的还款激励兼容约束（我们强调的新型“网络抵押品渠道”）。 我们的论文旨在阐明BigTech公司进入金融领域对宏观经济和货币政策传导的影响。我们建立了一个模型，可以复制关于BigTech公司的两个关键经验事实。首先，利用中国和美国的宏观数据，并扩展以前基于中国微观数据的证据，我们表明，BigTech公司的信贷并不像银行信贷那样对资产价格和当地经济状况的变化做出反应；其次，我们利用当地预测，阐明了实物抵押渠道相对于网络抵押渠道对货币政策传导的重要性，这些渠道强度的关键驱动因素是商业地产价格和电子商务销售对货币政策的敏感性。我们表明尽管持续时间较短，商业地产价格对货币政策冲击的反应比电子商务销售更强烈。 我们的模型与这一证据一致，可用于评估BigTech信贷的出现将如何影响货币政策的传导。分析的重点是企业对企业（B2B）交易（即公司之间的交易），这些交易占全球在线交易的80%。 在我们的框架中，BigTech平台为中间产品企业和最终产品企业之间的搜索和匹配提供便利，并向前者提供营运资本贷款。中间产品企业可以用有担保的银行信贷和BigTech信贷为其营运资本融资，但不能承诺偿还贷款。BigTech信贷和银行信贷之间的关键区别与借款人的违约机会成本有关。违反银行信贷的企业会失去他们的抵押品（房地产）；相反，那些拖欠BigTech信贷的企业则失去了进入BigTech公司电子商务平台的机会，从而失去了未来的利润。因此，一个激励相容的合同将信贷总额限制在实物和网络抵押品的总和。名义工资是粘性的，货币政策会影响实体经济。当商品市场的搜索摩擦和金融市场的信贷摩擦被设定为零时，该模型就会坍缩为具有粘性工资的新凯恩斯主义基本模型。 二、关于BigTech公司的风格化事实在过去的十年里，大型科技平台已经在全球范围内扩大了他们的活动，并开始涉足信贷提供领域。 1. BigTech信贷和电商的扩张BigTech信贷在过去几年迅速扩张，成为中国、肯尼亚和印度尼西亚的宏观经济相关因素。在Covid-19期间，由于电子商务活动与信贷需求的增加，这种扩张尤为强劲。电子商务收入已从2017年估计的1.4万亿美元上升到2020年的2.4万亿美元，相当于全球产出的2.7%（图1左侧）。最近的估计表明，2022年全球有35亿人（约占人口的47%）使用电子商务平台。中国是最大的市场，其次是美国、日本、英国和德国。大部分活动是企业对企业（B2B）交易（即公司之间的交易），占全球在线交易的80%（图1右侧）。 图一 大型科技公司的收费结构产生了其总收入的三分之一左右（Boissay et al. （2021））。这些费用可以针对不同的服务收取，包括第三方商家和消费者的平台接入费，优质服务的订阅费，以及接触更多受众的广告费。电子商务平台费用通常分为固定部分和可变部分。固定费用包括平台为产品广告提供的一些服务，对商家来说通常可以忽略不计或没有。可变费用是大的科技公司向使用其平台接触客户的第三方商户收取的销售价格的一个百分比。例如，亚马逊向第三方卖家收取的推荐费，根据产品类别的不同，从销售价格的6%到45%不等。 BigTech公司在信贷供应方面的快速扩张反映了其收入的演变。由于其巨大的利润，BigTech公司拥有大量的流动性，可以用来为企业和消费者的贷款提供资金。Boissay等人（2020）表明，与全球系统重要性金融机构（G-SIFIs）相比，BigTech公司的利润和资本都更高，并且拥有更多的流动资产。在Covid冲击之前，BigTech公司的平均收益与资产比率为24%，而G-SIFIs为4%。较大的利润额也反映在较高的股权与总资产比率（52%对8%）和现金与总资产比率（分别为11%和7%）。 2. BigTech信贷与银行信贷BigTech信贷没有抵押品，期限比银行信贷短。就中国而言，BigTech信贷的平均期限不到一年，而且只要信贷审批仍然有效，通常会续约几次（Gambacorta等人（2022））。三分之二的大型科技信贷的期限为一年或更短，而银行信贷的这一比例下降到43%。在墨西哥的Mercado Libre也发现了类似的特征（Frost等人（2020））。 由于缺乏抵押品，BigTech信贷与房价的关联性低于银行信贷。此外，由于企业在电子商务平台上运营，对BigTech信贷的需求与企业总部所在地的当地商业条件相关性较小。Gambacorta等人（2022）比较了不同信贷类型对房价和当地GDP的弹性。主要结果（图2）是，在控制需求因素时，BigTech信贷与当地商业条件和房价不相关，而它对公司特征的变化反应强烈，如交易量和用于计算公司信用等级的网络分数。相比之下，有担保和无担保的银行信贷都对当地的房价有明显的反应，其中包含了关于客户经营环境和客户信用度的有用信息。 图二 我们根据中国和美国2013——2020年的宏观经济数据，分别计算了BigTech信贷和银行信贷对房价和电商销售的无条件弹性，从而扩展了分析。我们的结果发现了与中国微观数据中出现的类似模式（表1）。在这两个地区，银行信贷与房价的相关性比BigTech信贷更高，而电子商务销售的情况则相反。这一证据表明，BigTech信贷的广泛使用可能会降低抵押品渠道的重要性。 表一 三、模型该模型的特点是三个主要构件：生产部门的信贷摩擦，生产链上的搜索和匹配，以及粘性工资形式的名义僵化。 经济体由以下部分组成：(1) 大量相同的家庭，他们消费、投资和工作； (2) 使用劳动力和资本进行生产的中间产品公司； (3) 使用中间产品作为投入来生产最终产品的零售商； (4)一家大型科技公司，经营范围为向企业和零售商之间的交易提供便利并向前者提供信贷； (5) 向企业提供担保贷款的银行； (6) 一个发行无风险名义债券的政府； (7)一个设定名义利率的中央银行。 企业通过一个大的科技商务平台向零售商出售中间产品，买家和卖家需要在这个平台上进行搜索和相互匹配。中间产品公司在销售前通过银行担保信贷和BigTech信贷为其运营资本融资。 四、BigTech效率与宏观经济：比较统计学本节研究大公司信贷的提供如何影响稳态分配，以及这些影响如何随大公司电商平台上卖家和买家的匹配效率而变化。为此，我们把模型的稳态作为匹配效率的函数来求解。为了区分BigTech信贷的影响，我们将基线情况下的结果（蓝线）与没有BigTech信贷的反事实经济（红线），即只有银行信贷的结果进行比较。通过这个分析，我们旨在阐明BigTech公司进入金融领域是如何影响宏观经济的。同时，随着这些公司获得更多的客户数据，并能够在其商业平台上更有效地匹配卖家和买家，这些影响可能会发生变化。 图3：电子商务平台上的稳态平衡和匹配效率 根据图3中报告的结果，BigTech信贷的提供增加了总的信贷，放松了信贷约束（右图中部），并增加了接近其有效水平的产出（左图顶部）。这些影响是通过具有约束力的借贷约束发挥作用的。具体来说，BigTech信贷的可用性允许中间产品公司将其未来的预期利润（右上）作为“网络抵押品”与实物资本一起抵押。在其他条件不变的情况下，较高的抵押品使中间产品企业可以借到更多的钱，并雇用更多的劳动力。这导致了更高的产出和信贷约束的放松。 值得注意的是，较高的产出转化为中间产品企业在网络中活跃的更高价值（右下），与没有BigTech信贷的情况相比预期利润甚至更高。因此，在BigTech信贷量和中间产品企业的产出之间出现了一个反馈回路，且有助于扩大这种新型信贷对宏观经济的影响。BigTech信贷的效果随着电子商务平台上的匹配效率的提高而被放大。更高的匹配效率增加了中间产品公司找到客户的概率（图3左下）并导致更高的预期利润，在电子商务平台上的活跃度更高（右上）并最终使“网络抵押”渠道的强度更大（右上）。 在其他条件不变的情况下，较高的网络抵押品使中间产品企业能够借到更多的钱，并雇用更多的劳动力。相对于只有银行信贷的情况，这在更大程度上放松了借贷约束的紧密度（右图中部），并转化为对总信贷和产出的更大影响。在我们的基线校准下，匹配效率的提高可能会降低信贷约束的紧密度，直至经济进入无信贷限制的区域。BigTech信贷的相关性增加也反映在其在总信贷中的更高份额上（左图中部）。 与使用大技术平台有关的效率提高受到收费的扭曲性的限制。图4显示，在没有信贷摩擦的情况下，可变费用通过公司层面的产出扭曲了分配（纯粹的销售税效应），而不影响匹配过程（即活跃卖家的均衡水平）。在BigTech平台上按销售比例征收的费用越高，“销售税 ”的扭曲就越大，与扩张BigTech商务平台相关的净效率收益就越低。 图4：扭曲的BigTech费用和稳态分配 五、货币政策的传导：动态分析BigTech公司进入金融领域如何影响货币政策的传导？我们现在通过比较基线经济中对货币政策的反应和只有银行信贷的反事实经济中的反应来解决这个研究问题。和上一节一样，我们首先研究在给定的匹配效率下BigTech公司信贷的效果，然后研究这种效果如何随着BigTech公司商业平台的匹配效率的提高而变化。 图7中的红色实线显示了我们的模型经济在只有银行信贷的情况下的动态宏观经济反应。在本实验中，电子商务平台的匹配效率被设定为一个相对较低的水平（0.1441），以代表电子商务的初始发展阶段。值得注意的是，在仅有银行信贷的规范下，商业地产价格的反应在影响上更强，但不如电子商务销售的反应持久，这与图4中的报告相一致。 我们接下来研究大型科技信贷的可用性如何影响结果。图7显示，与有担保的银行信贷相比，BigTech信贷对货币政策收紧的影响反应较小（中部）。在模型中，这些反应可以追溯到 “网络抵押品”（即BigTech平台的预期利润，左下角面板）对货币政策的敏感性低于实物抵押品（即作为抵押品的房地产价值，右下）。由于总信贷对影响的反应较小，在我们的基线校准下，产出的初始反应被BigTech信贷的可用性所缓解（顶部）。 图7：对货币政策冲击的动态反应 六、总结在大型科技公司最近进入金融领域的激励下，我们研究了这可能会影响货币政策的传导。我们首先记录了BigTech信贷和银行信贷对当地房地产价格和电子商务销售的反应非常不同，然后建立一个模型来合理化我们的发现，并帮助对未来做出预测。 我们得到以下三个结论：首先，根据我们的模型，电商平台上匹配效率的提高所体现的BigTech的扩张，提高了企业在平台上交易的价值和BigTech信贷的可用性。这反过来又放松了融资条件，提高了企业的产出，推动总产出接近有效水平； 第二，根据我们基于美国数据的校准，BigTech信贷对货币政策紧缩的影响要小于银行信贷，因为与银行信贷（实物抵押品）相比，企业对这类信贷的违约机会成本（未来利润）的反应更为微弱； 最后，随着BigTech公司商务平台的匹配效率上升，企业利润的扩大导致BigTech公司信贷违约的机会成本提高，借款额度提高，信贷约束松动，最终导致BigTech公司信贷的份额提高。随着电商平台的匹配效率上升，经济逐渐收敛到其无信贷摩擦的极限，金融加速器逐渐消失，实际活动对货币政策的敏感度降低。因此，BigTech公司的宏观经济效率收益受到从其用户处收取费用的扭曲性质的限制。来源 | Bank for International Settlements
作者 | Fiorella De Fiore, Leonardo Gambacorta and Cristina Manea
编译| 荆媌
免责声明：所载内容来源互联网、微信公众号等公开渠道，我们对文中观点保持中立，仅供参考、交流等非商业目的。转载的稿件版权归原作者和机构所有，如有侵权，请联系我们删除。关键词：
