人工智能与关系型借贷

由莱昂纳多·冈巴科塔、法比安娜·萨巴蒂尼和斯蒂法诺·西亚菲作者 货币经济部门 2025年2月 JEL分类：G01, G21, E50. 关键词：人工智能；机器学习；信用供应；关系贷款。 国际清算银行（BIS）工作论文由货币和经济部门的成员撰写。国际结算银行部门，不时由其他部门。经济学家撰写，并由该银行出版。论文涉及当前热点主题。兴趣浓厚且具有技术性。其中表达的观点是作者个人的观点。作者的观点，并不一定是BIS的观点。 本出版物可在国际清算银行网站（www.bis.org）上查阅。 © 国际清算银行 2025。版权所有。只要注明出处，可以复制或翻译简短摘录。 ISSN 1020-0959（印刷版）ISSN 1682-7678（网络版） 人工智能与关系贷款 莱昂纳多·甘巴科尔塔、法比安娜·萨巴蒂尼和斯泰法诺·西亚菲∗ 摘要 我们研究了银行在信贷评分和关系型贷款中采用人工智能（AI）之间的相互作用。利用一个独特的意大利银行在AI投资的数据集，旨在整合其信贷评分技术，并与Covid-19危机爆发前后一年的信贷登记数据相匹配，我们发现AI投资有助于银行减轻关系型贷款对公司信贷供应、投资和就业决策的典型逆周期效应。 关键词人工智能；机器学习；信贷供应；关系型贷款。JEL codesG01, G21, E50. 1. 引言 全球金融危机和技术进步对银行体系产生了重大变化（Beck等人，2016；Carletti等人，2020）。在2007-2009年金融危机之后，银行业的利率边际压缩，对行业的盈利能力产生了负面影响（Scott等人，2017）。在这种情况下，许多银行逐渐减少了传统的实体分行，并投资于数据收集和处理，利用人工智能（AI）。 本文研究在正常时期以及新冠病毒大流行期间，基于关系贷款与新技术驱动的金融中介是否相互补充或替代。我们重点关注那些报告使用人工智能技术来支持对其借款人信用可靠性的评估（以下简称AI银行），以减少借款人和贷款人之间的信息不对称问题——无论是筛选还是监控。1人工智能技术，通过对其硬性、可验证和可编码数据的增强分析，可以与传统方式共存，以减少银行和公司之间的非对称信息，例如通过中介机构和客户之间密切关系的建立来获取软性信息。 为了进行我们的研究，我们使用了一个独特的数据库，该数据库追踪了近年来意大利银行的技术采用情况，以及具体技术和它们的具体应用（区域银行贷款调查，RBLS），并将其与从专有的AnaCredit数据库获得的意大利非金融公司贷款的金额和利率的贷款级数据相匹配。特别是，RBLS的2021波次包含了关于意大利银行在人工智能方面的投资信息，旨在整合其对借款人信用价值的评估以及开始这些投资的年份。这使得我们能够非常具体地考虑每家银行在信用评分中对人工智能的采用。因此，我们定义的AI银行与文献中使用的先前技术采用代理不同，后者通常考虑银行的整体IT采用水平，而不区分具体技术或其预期目的。 我们采用两步分析法。首先，我们研究用于信用评分的人工智能与（i）和关系型贷款之间的交互作用如何影响企业的贷款规模和利率，区分了定期贷款和信用额度。我们遵循Khwaja和Mian（2008）的方法，使用时间变化的公司和银行固定效应来解释影响企业需求和银行供应的可观察和不可观察因素。这种方法使我们能够估计技术和关系长度对贷款规模和利率的综合影响。其次，我们研究这些因素对企业投资和就业决策的影响。 我们的研究结果显示，平均而言，关系的长度与在动荡期间通过增加信贷供应和降低贷款利率来保护借款人的做法有关，这与之前的文献一致（参见Sette和Gobbi，2015；Bolton等人，2016；Banerjee等人，2021）。此外，对于与特定公司建立的一定贷款关系持续时间而言，应用人工智能技术进行筛选和监控能力在正常时期缓解了关系型贷款的租金抽取，另一方面，在危机期间，它并没有对长期关系的借款人的数量和利率提供进一步的保护。换句话说，关系型贷款对信贷规模和价格的影响，在正常时期是有害的，但在危机时期是有益的，这种影响通过使用人工智能技术进行信用评分得到平滑。因此，尽管非人工智能银行对关系型公司的贷款是逆周期的，但人工智能对关系型公司的贷款似乎并不受宏观经济冲击的影响，而是对特定公司条件更具有反应性。这些发现与近期一系列文献相符，这些文献分析了大型科技公司（所谓的大科技）提供的信贷的周期性特征，并发现大科技信贷不会对抵押品价值（资产价格）和省级GDP的变化做出反应，而它会对公司特定条件的变化（如交易量和利润）产生强烈反应（Frost等人，2019；Gambacorta等人，2019）。 审视公司的雇佣和投资决策，我们发现，在危机期间，与债权人平均关系较长的公司获得了更多的信贷，且在其他条件相同的情况下，投资和雇佣有所增加，如Jiménez等（2022年）所述。然而，主要贷款机构采用人工智能与危机期间这些效应的减缓相关联，尽管这种效应的幅度似乎有限。 本文其余部分组织如下。第2节回顾了相关文献，重点关注关系借贷和技术的影响。 关于贷款供应的创新。第三部分描述了我们的数据。第四部分，我们提供了关于如何使用人工智能评估借款人的信用度和基于关系的贷款对非金融企业信用状况产生影响的相关证据。第五部分分析了这些因素如何影响公司的投资和就业决策。最后一部分总结了主要结论。 2. 文献综述 先前的研究探讨了数字金融中介投资对银行生产率（Chowdhury, 2003；Casolaro和Gobbi, 2004；Martin-Oliver和Salas-Fumas, 2007；Koetter和Noth, 2013）和盈利能力（Beccalli, 2007；Hernando和Nieto, 2007；Scott等人，2017）的影响。此外，其他论文聚焦于大型科技公司进入金融服务领域（Frost等人，2019）。这些论文评估了使用大数据技术上的机器学习技术在信用评分方面的提升效果，并分析了大型科技公司与传统银行在违约、抵押品使用和金融包容性方面的主要差异（Di Maggio和Yao, 2021；Gambacorta等人，2022；Bech等人，2023）。与这一文献流派不同，我们的论文研究了银行采用人工智能技术以减轻逆向选择问题是否会诱导它们以不同于文献中常见的方式使用软信息。 我们的研究也为文献对技术进步对银行信贷分配影响的讨论作出了贡献。我们的研究接近Branzoli等（2022年），他们也专注于银行信息技术的采用如何影响新冠疫情期间意大利爆发后的企业贷款：他们主要的研究结果是，采用AI强度较高的银行在疫情期间的企业信贷增长超过了其他银行。与Branzoli等（2022年）不同，我们重点关注AI在信贷评分方面的具体应用，并考虑在控制了它们软信息不同使用情况下，AI银行与未使用AI的银行在新冠期间的表现在哪里。.我们的数据集在两个主要维度上存在差异：i）我们对人工智能的定义更为具体，涉及具有借款人筛选目的的技术投资（机器学习和大数据）；ii）我们的数据得到了整合，因为人工智能的技术投资通常在集团层面进行，并在同一集团内的所有银行之间共享。 我们的论文也与关于数字化对银行行为影响的相关文献相关。Core和De Marco（2021）表明，银行的数字化水平，通过客户对贷款人移动应用的评级来代理，影响了政府担保的供应。 在疫情期间意大利的信贷情况。Kwan等（2021）提出，远程工作或虚拟通信的数字技术使用改善了美国小企业管理局（SBA）薪酬保护计划（PPP）下产生的中小企业贷款的供应。Ahnert等（2022）提出，技术可以提高银行验证抵押物价值的能力。Pierri和Timmer（2022）发现，危机前更高的IT采用率导致不良贷款减少，全球金融危机期间的贷款增加。其他研究将技术采用与增强的信用风险管理联系起来（Baesens等，2015；Albanesi和Vamossy，2019；Berg等，2020）。我们的论文通过分析人工智能对关系贷款的影响，为这一文献流做出了贡献，我们不是依赖代理变量，而是通过直接观察银行在人工智能方面的技术投资和银行-公司关系长度。 我们同样也为传统的借贷关系文献做出贡献。Petersen和Rajan（1994）、Angelini等人（1998）以及Harhoff和Korting（1998）表明，更长的合作关系能提高企业获取信贷的能力。Berger和Udell（2002）、Brick和Palia（2007）以及Bharath等人（2011）发现，拥有更长合作关系的企业支付更低的利率并面临更低的抵押品要求。Degryse和Ongena（2005）以及Agarwal和Hauswald（2010）指出，借款人的运输成本（地理距离）与利率水平呈负相关。Cenni等人（2015）表明，企业维持的银行关系数量与（总体）信贷可用性呈负相关。Bartoli等人（2013）和Cucculelli等人（2017）提供了证据，表明在关系型借贷技术下使用软信息可以降低企业遭遇信贷限制的概率。我们的论文将这一文献与人工智能对信用评分的影响以及这些影响如何改变银企关系联系起来。 几篇论文测试了关系型贷款在上一场全球金融危机期间对信贷可获得性的影响。Sette和Gobbi（2015）以及Bolton等人（2016）发现，在危机期间，关系型贷款人提供的支持比交易型贷款人更多：距离借款人较近的银行、参与关系时间较长以及持有单个借款人获得的信贷份额较大的银行，在危机期间发放的贷款比其他银行更多。Beck等人（2018）也提供了类似的结果，他们表明，关系型贷款在衰退期间有助于缓解企业的信贷约束，特别是对小型和透明度较低的企业。Banerjee等人（2021）分析了关系型贷款对企业投资和就业选择的影响，发现随着雷曼兄弟的违约和欧洲主权债务危机的爆发，银行提供了更优惠的续贷条件。 贷款条件给予与它们有更强关系的公司，这反过来又使公司能够维持更高的投资和就业水平。在我们的论文中，我们通过研究银行采用人工智能来整合评估借款人信用状况是否补充或替代关系贷款，无论是在Covid-19危机之后还是在危机期间，为这一文献做出了贡献。 3. 数据与描述性统计 3.1 构建数据集 我们使用一个独特的数据库，该数据库结合了五个不同的来源：（i）来自欧洲中央银行（ECB）的AnaCredit数据库中关于意大利非金融公司银行贷款和利率的数据；（ii）来自意大利信贷登记处（CR）关于现有借贷关系的资料（自2008年起）；（iii）来自意大利银行监管统计的意大利银行资产负债表信息；（iv）2022年意大利银行区域银行贷款调查（RBLS）中关于银行在筛选技术方面的创新数据；（v）来自Cerved数据库的公司层面资产负债表和利润表信息。 我们通过以下四个主要步骤构建我们的数据集。 首先，我们从AnaCredit部分收集了意大利银行与企业之间信贷关系的季度信贷量和利率数据。这些数据包括每个信贷关系超过25,000欧元的贷款级别信息。我们关注2019年第一季度至2020年第四季度的时期，并区分具有结构性目的的贷款（以下简称“定期贷款”）和具有流动性目的的贷款（为了简便起见，我们称这些贷款为“信贷额度”）。2 其次，我们通过将意大利CR在2008年第1季度至2018年第4季度期间存在的每条关系的详细信息与AnaCredit数据集合并，计算了研究期间每家银行与企业关系持续的时间。这使得我们能够构建一个衡量银行-企业关系持续时间的季度指标。 第三，我们将数据集与来自Cerved数据集的2018年、2019年和2020年的企业资产负债表年度信息合并。 第四，我们收集并合并了意大利银行2018年第4季度至2020年第4季度期间对银行个体监督统计数据按季度信息。 资产负债表变量，如资本（一级资本比率）、规模（总资产）、盈利能力（ROA）、流动性比率和同业拆借资金比率。关于银行采用人工智能进行信用评分技术的信息由2022年对代表大约85%