人工智能与关系借贷

由莱昂纳多·甘巴科塔、法比安娜·萨巴蒂尼和斯蒂法诺·西亚菲撰写 货币与经济部门 二〇二五年二月 JEL分类：G01, G21, E50. 关键词：人工智能；机器学习；信用供应；关系型贷款。 国际清算银行工作论文是由货币和经济领域的成员撰写的国际清算银行部门，以及不时由其他部门提供。经济学家撰写，并由该行出版。论文涉及当前热门主题。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（BIS）网站（www.bis.org）上获取。 © 国际清算银行 2025。版权所有。在注明来源的情况下，可复制或翻译简短摘录。 国际标准连续出版物号1020-0959（印刷版）ISSN 1682-7678（在线版） 人工智能与关系贷款 莱昂纳多·甘巴科尔塔、法比安娜·萨巴蒂尼和斯蒂法诺·西亚菲∗ 摘要 我们研究了银行在信用评分和关系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上的投资数据集，用于整合其信用评分技术，并与Covid-19危机爆发前一年和后一年信用登记数据进行匹配，我们发现AI投资有助于银行减轻关系贷款在企业和其投资、就业决策上典型逆周期的效应。 关键词人工智能；机器学习；信贷供应；关系型贷款。JEL codes: G01, G21, E50. 1. 引言 全球金融危机和技术进步对银行体系带来了重大变化（Beck等人，2016；Carletti等人，2020）。在2007-2009年金融危机之后，银行业的利差压缩对整个行业的盈利能力产生了负面影响（Scott等人，2017）。在此背景下，许多银行逐步缩减传统实体分行，并投资于数据收集和加工，利用人工智能（AI）的使用。 本文研究基于关系型贷款和由新技术驱动的金融中介在正常时期以及新冠疫情期间是相互补充还是相互替代。我们重点关注那些报告使用人工智能技术来支持评估其借款人信用资质的银行（以下简称AI银行），以减少贷款人和借款人之间的信息不对称问题——既包括筛选也包括监控。1人工智能技术，通过其增强对硬数据、可验证数据和可编码数据的分析能力，可以与传统方法共存，以减少银行与公司之间的不对称信息，例如通过中介与客户之间的紧密关系获取软信息。 为了开展我们的研究，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，以及具体技术和其具体应用（地区银行贷款调查，RBLS），并将其与从专有AnaCredit数据库获得的意大利非金融公司贷款数量和利率的贷款级数据相匹配。特别是，RBLS的2021波次包含了意大利银行在人工智能方面的投资信息，旨在整合其评估借款人信用度的方法和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的信用评分中的AI采用情况。因此，我们关于AI银行的定义与文献中使用的以前的技术采用代理不同，这些代理通常考虑银行的整体IT采用水平，而不会区分具体技术或其预期目的。 我们分两步进行我们的分析。首先，我们考察了（i）用于信用评分的人工智能和（ii）关系型贷款之间的相互作用如何影响公司的贷款量和利率，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公司需求和银行供给的可见和不可见因素。这种方法使我们能够估计技术和关系长度对贷款量和利率的综合影响。其次，我们考察了这些因素对公司投资和就业决策的影响。 我们研究结果表明，从平均来看，贷款关系的长度与动荡期间通过增加信贷供应和降低贷款利率对借款人进行保护有关，这与之前的文献一致（见Sette和Gobbi，2015；Bolton等人，2016；Banerjee等人，2021）。此外，对于与某公司特定的贷款关系特定持续时间，AI技术在筛选和监控能力方面的应用在正常时期减轻了关系型贷款的租金抽取，另一方面，在危机期间对拥有 longer relationships 的借款人并没有进一步的保护数量和利率。换句话说，关系型贷款对信贷总量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，这种影响是通过使用AI技术进行信用评分来减轻的。因此，尽管非AI银行的贷款对关系型公司具有逆周期性，但似乎AI贷款对关系型公司的贷款似乎不受一般宏观经济冲击的影响，反而对其特定条件，例如交易量和利润更具反应性。这些发现与最近一系列文献的一致，这些文献分析了大科技公司（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对省级层面的抵押品价值（资产价格）和GDP变化做出反应，而对于公司特定条件（如交易量和利润）的变化，则表现出强烈的反应性（Frost等人，2019；Gambacorta等人，2019）。 观察公司就业和投资决策，我们发现，在危机期间，与债权人保持平均关系时间较长的公司获得了更多的信贷，在其他条件相同的情况下，投资和就业也有所增加，正如Jiménez等人（2022年）的研究所示。然而，主要贷款人采用人工智能与危机期间这些效应的减弱相关联，尽管这种影响似乎有限。 本文的其余部分组织如下。第2节回顾了相关文献，重点关注关系贷款和技术的影响。 关于贷款供应的创新。第三章描述了我们的数据。第四章，我们提供了关于使用人工智能评估借款人信用度和基于关系型贷款如何影响非金融企业信贷状况的证据。第五章分析了这些因素如何影响公司的投资和就业决策。最后一章总结了主要结论。 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，其他论文还聚焦于大科技公司进入金融服务领域（Frost等人，2019）。这些论文评估了在大数据技术上应用机器学习技术对信用评分的提升，并分析了在大科技公司与传统银行贷款在违约、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）。与这一文献流不同，我们的论文研究了银行采用人工智能技术以缓解逆向选择问题是否以及如何促使它们以与文献中通常记录的不同方式使用软信息。 我们的论文也为关于技术进步对银行信贷分配影响的研究文献做出了贡献。我们的工作与Branzoli等人（2022年）的研究相近，他们同样关注了银行采用信息技术如何影响意大利新冠疫情爆发后几个月的企业贷款：他们的主要结果是，采用人工智能强度更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等人（2022年）不同，我们专注于人工智能在信贷评分中的具体应用，并考虑了在控制不同软信息使用的情况下，人工智能银行在新冠时期与非人工智能银行的行为差异。.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）我们的数据已汇总，因为人工智能领域的科技投资通常在集团层面进行，并共享给同一集团内的所有银行。 我们的论文也与关于数字化对银行行为影响的研究文献相关。Core和De Marco（2021）表明，银行数字化水平，通过客户对贷款人移动应用的评分来代理，影响了政府担保的供应。 在意大利疫情期间的信贷情况。Kwan等人（2021年）认为，远程工作或虚拟沟通的数字技术使用改善了美国小企业管理局（SBA）工资保护计划（PPP）下发放的小企业贷款的供应。Ahnert等人（2022年）提出，技术可以提升银行验证抵押品价值的能力。Pierri和Timmer（2022年）发现，危机前更高的信息技术采用率导致了较少的不良贷款和更多的贷款发放。其他研究将技术采用与信用风险管理能力的提升联系起来（Baesens等人，2015年；Albanesi和Vamossy，2019年；Berg等人，2020年）。我们的论文通过分析人工智能对关系贷款的影响，为这一文献系列做出了贡献，我们没有依赖代理变量，而是通过直接观察银行在人工智能上的技术投资以及银行与公司关系的长度。 我们也为传统贷款关系文献做出了贡献。Petersen 和 Rajan (1994)，Angelini 等人 (1998) 以及 Harhoff 和 Korting (1998) 指出，更长的关系改善了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，关系较长的借款人支付的利率更低，面临的抵押要求也较低。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) 以及 Cucculelli 等人 (2017) 提供了证据，表明在关系型贷款技术下使用软信息降低了企业遭遇信贷限制的可能性。我们的论文将这一文献与人工智能对信用评分的影响联系起来，以及这些影响如何可能改变银行与企业的关系。 一些论文在上一场全球金融危机期间测试了关系型贷款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：位于借款人更近的银行、参与时间更长的关系以及持有单个借款人获得的信用额度更大的银行在危机期间提供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减轻了企业的信贷约束，尤其是对小型和不透明的企业。Banerjee等人（2021）在分析关系型贷款对企业投资和就业选择的影响时发现，在雷曼兄弟破产和欧洲主权债务危机之后，银行提供了更有利的延续条件。 贷款条件与公司之间的更强关系，这反过来使公司能够维持较高的投资和就业水平。在我们这篇论文中，我们通过研究银行采用人工智能进行借款人信用评价的采纳是否补充或替代了关系贷款，无论是在新冠病毒大流行之后，还是在危机期间本身，我们对这一领域的文献做出了贡献。 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来源的数据：（一）来自欧洲央行AnaCredit数据库关于意大利非金融企业银行贷款和利率的数据；（二）自2008年以来，意大利信贷登记处（CR）关于现有借贷关系的信息；（三）来自意大利银行监督统计的意大利银行资产负债表信息；（四）2022年意大利银行区域性银行贷款调查（RBLS）中关于银行技术革新筛选的数据；（五）来自Cerved数据库的关于公司层面资产负债表和损益表的信息。 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部分中涉及意大利银行与运营企业之间信贷关系的部分收集了关于信贷规模和利率的季度数据。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。我们专注于2019年第一季度至2020年第四季度的时期，并将具有结构性目的的贷款（以下简称“定期贷款”）与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”）区分开来。2 其次，我们通过合并2008年第一季度至2018年第四季度期间意大利CR（信贷报告）中每个关系的详细信息与AnaCredit数据集，计算了每个银行-企业关系的持续时间。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Cerved数据集中2018年、2019年和2020年的公司资产负债表年度信息合并。 第四，我们收集并合并了2018年第4季度至2020年第4季度意大利银行监管银行统计数据中关于各银行个体的季度信息。