高达exvs【香樟推文1241】不对称信息的实证测量：来自商业借贷市场的证据-香樟经济学术圈

【香樟推文1241】不对称信息的实证测量：来自商业借贷市场的证据-香樟经济学术圈
原文信息图片来源：https://www.wdzj.com/news/guandian/23558.html 文献信息：Gregory S. Crawford, Nicola Pavanini, and Fabiano Schivardi, “Asymmetric Information and Imperfect Competition in Lending Market”, American Economic Review 2018, 108(7):1659-1701.引言自Akerlof(1970),Rotchchild and Stiglitz(1976)和Stigliz and Weiss (1981)开创性的关于不对称信息及其在保险市场和信贷配给中影响的理论模型以来，有关金融市场中不对称信息的理论已经取得了丰富成果。大量理论文献已经论证，不对称信息在金融市场中扮演着重要角色。信息不对称所带来的逆向选择会造成信贷配给、对风险错误定价，甚至市场解体。然而，不对称信息的实证研究一直相对滞后恶魔契约书 。在过去近二十年中，一系列的实证研究一直在努力探索两个问题：第一，逆向选择在现实中是否真的存在?；第二，逆向选择的影响究竟有多大？（Chiappori and Salanie, 2000;Einav et al., 2010）。由于逆向选择不可观测所带来的实证测量的复杂性，现有实证研究并未得出完全一致的结论。并且，周不疑多数文献集中于对保险市场的研究。这使得减少信息不对称的金融监管政策一直缺乏充分的实证依据。
本文作者通过分析意大利小型商业借贷市场1988年至1998年11年的面板数据，首次对商业借贷市场中不对称信息的存在和影响进行了实证测量，进一步缩小了不对称信息理论与实证的差距，并为金融管制提供了可供参考的发现。特别地，本文借鉴了关于不完全竞争市场中逆向选择影响的最新理论进展（Lester et al. forthcoming; Mahoney and Weyl, 2017）。文章沿用并拓展了Einav, Jenkins, and Levin (2012)中分析不完全竞争条件下的个人汽车次级贷款的需求与供给的结构模型计量经济方法，并结合使用了差异产品的需求估计方法(Berry 1994; Berry, Levinsohn, and Pakes 1995)，获得了与理论预测基本一致的实证结果。最后，文章又进行了三项反事实实验，模拟了逆向选择加剧的情境、金融危机的情境和不完全竞争加剧的情境，进一步量化了逆向选择在不同情境下的影响。数据本文数据主要来自于四个信息源：1). 意大利中央信贷征信系统(Centrale dei Rischi); 2).意大利企业账户数据服务（Centraledei Bilanci，以下简称CB）;3). 意大利银行监管系统(Banking Supervision Register)；4).1959年以来，意大利各银行在地方市场的分支机构数据灵石一中 。其中，意大利中央信贷征信系统 (Centrale dei Rischi) 收集了意大利94家最大银行（约占贷款市场80%的份额）的商业贷款信息。
为了避免不同贷款期限造成的利率差异，且避免考虑抵押贷款，作者仅收集了短期贷款限额的数据。在意大利，商业贷款多为短期贷款。短期贷款限额约占银行商业贷款总量的二分之一。同时，为了避免牵涉借款者与银行之间在长期中的动态互动，作者仅局限于收集企业在数据库中第一次短期借贷的第一年的主要贷款额度的数据。主要贷款额度（main credit line）定义为企业借贷数额最高的额度。为了确保不对称信息的存在，作者特别从CB中选取了小型非上市企业临风春。作者沿用了Panetta, Schivardi, andShum (2009)对违约(default)的定义：企业的主要贷款额度在未来三年内被定义为坏账（bad debt），即贷款企业全额偿付贷款的概率很低。在意大利，银行一旦将某项贷款划归为坏账，需要及时向意大利中央信贷征信系统报告。
数据的描述性统计见表1。作者首先通过一些简单的描述性统计方法，初步确定了不完全竞争和不对称信息的存在。一方面，作者通过使用Herfindahl-Hirschman Index和三银行集中率，发现银行集中程度和贷款利率的正相关性。另一方面，作者借用Chiappori and Salanié (2000)提出的检验保险市场中不对称信息的方法，对是否借款的决定和违约以及借款多少的决定和违约两组关系的关联性进行了检验，发现两组关系均为正相关。

结构模型为了给实证分析提供理论依据，作者首先构造了结构模型。假设有家企业准备贷款投资一个项目，其中m代表企业所在的当地市场，t代表年。企业在j=1,…,Jmt家银行中选择一家做为主要贷款额度银行。在作出贷款决定之后，企业还要决定贷款多少和是否违约。假设在t年，j银行在m市场对i企业设定的利率价格为Pijmt。为了简化分析，假定银行的利率价格设定遵循Bertrand-Nash竞争的静态模型酷文小说网。特别地，作者假设贷款额度是由银行根据企业的项目要求外生决定的。
A. 贷款需求、贷款使用与违约模型
企业使用主要贷款额度的效用为：


决定向某家银行借贷之后，企业贷款使用的效用为：


最后，决定借贷之后，每家企业根据违约效用（即违约概率）是否大于0来决定是否违约：

到目前为止，对上述结构模型进行计量分析的两个困难是：第一，我们仅能观察到贷款发生之后的利率，而模型估计也需要企业与未发生借贷关系的银行间的利率数据；第二，虽然已有企业特征的一系列数据，仍然有可能一些企业方面的贷款需求、贷款使用和违约的决定因素是未观测到的。本文接下来通过利用数据中同一家银行与多个企业发生借贷关系的特点，解决了这两个问题。


B. 供给模型
假设银行参与Bertrand-Nash利率价格竞争。银行j的期望利润为：


计量方法
A. 价格预测
为了估计需求模型(1)，作者需要通过预测还原每家企业所面临的所有银行的利率价格。为了避免计量预测价格与银行真实的价格之间的偏差，本文首先分析了意大利银行做出价格决定的制度特点。作者参考了Albareto et al. (2011)中一项在2007年对意大利300家银行借贷行为的调查。调查显示，大银行更倾向于使用近似作者使用的计量模型来制定价格。大银行因为比小银行有更多的管理层级，所以大银行给分行经理的权限相对更小。并且，大银行的分行经理的任期更短，以防止分行经理与借款者在长期借贷关系中发展出私人关系后的受贿行为。因此，在大银行的利率价格决定中，最重要因素的排名是：(1)财务报表; (2)中央信贷征信系统中的借贷信息；(3)数量统计方法; (4)定性信息; (5)可提供的担保; (6)一手资料。据此，作者初步肯定了计量预测价格的贴切性。
之后，作者对计量价格预测模型进行了筛选。筛选综合参考了预测模型的R方和经济学意义上的表现，即价格预测模型的残差是否与违约率显著相关。如果二者显著相关，则有可能是计量预测模型中漏掉了一些银行会参考的企业特征信息。模型筛选的详细过程请见原文中表2和表3。最终，作者选择了包含企业fixedeffects和银行-地区-年度的fixed effects的模型作为价格预测模型：

B. 计量模型

①. 第一阶段的计量估计
通过使用预测出的利率价格，利率价格可表示为：

将等式（8）和等式（10）代入模型（1）中，最终作者获得了估计的贷款需求效用：

基于上述假设，通过应用logit需求模型，借贷者i在t年从市场m中向银行j借贷的概率为：



②. 第二阶段的计量估计
为了得到的估计值，作者从建立以下等式出发：

为了解决估计贷款使用和违约方程（13）和（14）中利率价格的内生性问题，作者使用了另一组工具变量新亚物流。在这里，内生性可能来源于银行所拥有的soft information，即某家企业对外部资金的需求程度和偿付可能。作者首先在方程中加入了银行和市场-年度两个固定效应。接下来，作者使用其他市场的利率价格作为工具变量。这种做法的理由是：在同一年，各家银行会面临着共同的成本冲击洞烛其奸 。由于只选用了一个工具变量，作者在估计方程（13）和（14）时使用了控制函数方法（Train,2009）。实证结果 沿用Cohen and Mazzeo （2007），作者将local market定义为借款者不会从该地理区域之外的银行借贷，并且不同localmarket之间没有重叠，作者将原数据中市场大小分布中前10%和倒数10%的市场剔除出去。结构模型的估计结果见表4。

表4中最末一行显示，的估计值为0.16且非常显著，即有未预期的高借贷倾向的企业也有高的未预期的违约率，与Stiglitz and Weiss (1981)理论模型的结论一致。同时，的估计值为0.14且非常显著，即未预期地多贷款的企业，也有未预期的高的违约率。为了了解模型的适切程度，作者进一步比较了模型预测的贷款需求、借款使用额度、违约率的平均值及方差和三个变量实际的平均值及方差，发现二者非常接近（见表5）。

作者进一步讨论并排除了对于和显著为正的其他解释的可能。一种可能的解释源于Jensen and Meckling (1976)：这种结果可能是由于债务融资增加了代理成本，使得企业做出了与股东利益不一致的决定。更多负债的企业为了转移风险，会降低企业的项目质量并增加违约率。另一种解释源于Myers （1977），有更多债务的企业更可能陷入过度负债，减少了优质项目的资金以致于增加了违约概率。由于本文中的样本为中小企业，所有者多为个人或家庭。而且，作者进一步控制了与风险转移相关的因素，如净资产、现金流、利润和贸易欠款，因而可以排除第一种解释的可能。同时，由于作者仅考察了刚进入借贷市场的企业，也可以排除第二种解释的可能。反事实检验为了量化逆向选择的影响，作者进行了三个反事实实验。
①. 逆向选择增加
为了模拟逆向选择增加寒花葬志 ，作者将和的值扩大了两倍。结果显示，利率平均增加了1.87个百分点。然后逆向选择增加的个体影响颇为不同。少数企业面临的利率价格增加了多于两倍，而多数企业面临的利率价格没有改变。贷款需求概率平均下降了1.28个百分点。贷款使用额度平均减少了0.7。违约率平均增加了5.84个百分点。作者特别考察了预测的利率价格变化、贷款需求、贷款使用额度和违约率的变化如何受到市场势力（market power）的影响。方法是将预测的变化量分别作为因变量，并在控制了银行-市场-年度的固定效应后对估计得到的溢价（markup）做OLS回归（结果见原文中表7）。作者发现当逆向选择增加时，市场势力与价格变化和违约率变化负相关，与贷款需求和贷款使用额度的变化正相关。这一结果也可以从定性地讨论方程（6）中市场势力对利率价格变化的影响得到（原文在Section IIC讨论了这一效应）。正如Stigliz and Weiss （1981）中的解释，对于增加的逆向选择的减价效应（或较小的提价效应）是为了给银行吸引更多（或更少损失）“安全的”边际借贷者。
②. 资本成本增加（模拟金融危机情境）
作者首先分析了银行的边际成本增加5%的情况。各变量的变化与逆向选择增加时的变化基本相似（详见原文表6）。与反事实实验①类似，作者又特别考察了预测的变量变化如何受到市场势力的影响。结果现实，当银行边际成本增加时，市场势力对各预测变量的影响与逆向选择增加时也类似（见原本表7）。
③. 模拟合并（竞争减少的情境）
在这个实验中，作者对市场中份额最大的两家银行合并进行了模拟。作者将两家银行的所有者结构改变为一家，但仍然允许“合并后”的银行对每个借贷者提供两个不同价格。结果显示（见原文表8），市场上的价格平均上升了0.15个百分点，而合并后的银行的价格平均上升了0.73个百分点。贷款需求平均下降了0.19个百分点，贷款使用额度平均下降了0.1，而违约率平均上升了0.14个百分点。之后，作者又考察了在提高逆向选择的情况下，模拟合并的影响。结果显示（见原文表8），各变量的变化幅度均减小且有些变量的变化方向发生了逆转，如价格的平均变化，贷款需求的平均变化和违约率的平均变化。
结论
本文在已有的大量理论模型和实证研究的基础上，深入思考，充分吸收并利用了前人成果，寻找到了实证研究的新缺口。本文基本发现是，更大的市场势力会缓和逆向选择和银行资本成本增加的影响，而逆向选择也可能会逆转银行合并的影响。一个可能令人印象深刻的发现是：本文为长期以来存在的金融市场的竞争性和稳定性之间可能存在着权衡关系（trade-off）的观点提供了实证依据。然而，我们也应该注意到，本文的发现依赖于所使用的特定数据。未来对不对称信息在其他市场和动态市场环境下的影响还有待开展。
参考文献：
Adams, William, LiranEinav, and Jonathan Levin. 2009. “LiquidityConstraints and Imperfect Information
in Subprime Lending.” American EconomicReview 99 (1): 49–84.
Akerlof, George A. 1970. “The Market for ‘Lemons’: Quality Uncertainty and theMarket Mechanism.”Quarterly Journal ofEconomics 84 (3): 488–500.
Albareto, Giorgio, Michele Benvenuti, Sauro Mocetti,Marcello Pagnini, and Paola Rossi. 2011. “The Organizationof Lending and the Use of Credit Scoring Techniques in Italian Banks.” Journal of Financial Transformation 32:143–57.
Chiappori, Pierre-André, and Bernard Salanié. 2000. “Testing for Asymmetric Information in Insurance Markets.”Journal of Political Economy 108 (1):56–78.
Einav, L., A. Finkelstein, and J. Levin, 2010, “Beyond Testing: Empirical Models of InsuranceMarkets,” Annual Review of Economics,2, 311–36. 2, 45.
Lester, B., A.Shourideh, V. Venkateswaran, and A. Zetlin-Jones. Forthcoming. “Screeningand Adverse
Selection in Frictional Markets.” Journal of PoliticalEconomy.
Mahoney, Neale, andE. Glen Weyl. 2017. “ImperfectCompetition in Selection Markets.” Review of
Economics andStatistics 99 (4): 637–651.
Einav, Liran, MarkJenkins, and Jonathan Levin. 2012. “ContractPricing in Consumer Credit Markets.”
Econometrica 80 (4): 1387–1432.
Berry, Steven T. 1994.“Estimating Discrete-Choice Models of Product Differentiation.”RAND Journal
of Economics 25 (2):242–62.
Berry高达exvs, Steven, JamesLevinsohn, and Ariel Pakes. 1995. “AutomobilePrices in Market Equilibrium.”
Econometrica 63 (4): 841–90.
Cohen, Andrew M., andMichael J. Mazzeo. 2007. “MarketStructure and Competition among Retail
Depository Institutions.” Review of Economicsand Statistics 89 (1): 60–74.
Jensen, Michael C.,and William H. Meckling. 1976. “Theoryof the Firm: Managerial Behavior,
Agency Costs and OwnershipStructure.” Journal of FinancialEconomics 3 (4): 305–60.
Myers, Stewart C. 1977.“Determinants of Corporate Borrowing.” Journalof Financial Economics 5
(2): 147–75.
Panetta桃园将星录, Fabio, Fabiano Schivardi, and Matthew Shum. 2009. “Do Mergers Improve Information? Evidence from theLoan Market.” Journal of Money, Credit,and Banking 41 (4): 673–709.
Rothschild高城刚, Michael, and JosephE. Stiglitz. 1976. “Equilibrium in Competitive Insurance Markets: An Essay on theEconomics of Imperfect Information.” Quarterly Journal of Economics 90(4): 630–49.
Stiglitz, Joseph E., and AndrewWeiss. 1981. “Credit Rationing in Markets with Imperfect Information.”AmericanEconomic Review 71 (3): 393–410.
Train闰秒, Kenneth E. 2009.Discrete Choice Methods with Simulation. NewYork: Cambridge University
Press.AbstractWe study the effects of asymmetric information and imperfect competition in the market for small business lines of credit. We estimate a structural model of credit demand, loan use, pricing, and firm default using matched firm-bank data from Italy. We find evidence of adverse selection in the form of a positive correlation between the unobserved determinants of demand for credit and default. Our counterfactual experiments show that while increases in adverse selection increase prices and defaults on average, reducing credit supply, banks’ market power can mitigate these negative effects.声明推文仅代表文章原作者观点及推文作者的评论观点，并不代表香樟经济学术圈公众号平台观点三浦研一 。香樟经济学术圈征稿香樟致力于提供学术研究公共品，对香樟最好的回馈就是向平台赐稿。联系邮箱cectuiwen@163.com.香樟经济学术圈本期小编：张美晨