互联网消费信贷与传统消费信贷：互补还是替代.pdf

doi:10023.04.003Apr.2023JOURNALOF MANAGEMENT SCIENCES IN CHINA2023年4 月Vol.26No.4报理学学科管第2 6 卷第4 期互联网消费信贷与传统消费信贷：互补还是替代？宋科1.2.3，武沛璋，李鸿翔，杨雅鑫4*（1中国人民大学财政金融学院，北京10 0 8 7 2；2.中国财政金融政策研究中心，北京10 0 8 7 2；3.中国人民大学金融科技研究所，北京10 0 8 7 2；4 中国人民大学统计学院，北京10 0 8 7 2）摘要：近年来，随着互联网消费信贷迅速发展，其与传统消费信贷之间存在互补还是替代关系引发关注.在此大背景下，本文基于包含获客成本、申请成本与违约风险识别效率在内的信贷市场均衡模型，从理论层面阐释了互联网消费信贷与商业银行消费信贷之间存在互补性，并从中国某头部金融科技公司随机抽取2 0 17 年1月至2 0 19 年7 月连续3 1个月5 0 万名互联网消费信贷产品用户的海量数据进行了实证检验.结果表明：互联网消费信贷与传统商业银行消费信贷的相关性由收入效应和竞争效应共同决定，且在全样本中收入效应显著大于竞争效应，整体上呈现正向关系.进一步地，本文在引入下沉市场程度后发现，随着消费市场逐步下沉况，收入效应与竞争效应此消彼长，在下沉市场表现出一定的互补性，且随着下沉程度加深，这种互补性表现得更为显著.这表明互联网消费信贷服务能够触达传统商业银行信贷无法触及到的“增量”下况市场，促进消费升级和普惠金融发展.此外，本文还发现金融科技平台的大数据风控授信与商业银行的授信效果在下沉群体中无显著差异，并未随着消费群体下沉而发生系统性偏离.为正确认识金融科技与传统金融之间关系，进一步推进普惠金融与消费升级提供了有益启示，关键词：互联网消费信贷；传统商业银行消费信贷；消费下沉；互补性中图分类号：F832.4文献标识码：A文章编号：10 0 7-9 8 0 7(2 0 2 3)0 4-0 0 4 1-2 10引言近年来，金融科技企业凭借电子商务平台和支付系统将消费信贷业务渗透至消费者的日常消费场景中，深刻改变了消费者的消费行为和融资行为 ，也扩大了消费信贷的服务领域 2 ，提高了消费信贷效率 3 .据2 0 19 中国消费金融发展报告统计，中国互联网消费金融的放贷规模已经达到7.8 万亿.与商业银行相比，金融科技公司能够利用大数据等技术分析消费者在电子商务平台上的消费行为以及在支付系统中的财务信息，开展大数据征信与风险定价，识别消费者信用风险，为其提供相应的消费信贷产品 4 .金融科技公司还可以充分利用平台的网络效应 5 ,通过移动支付和电子商务等触达商业银行无法覆盖的长尾人群.日常消费场景渗透性、信贷产品多样性、信贷申请便利性等基于平台的信贷服务模式创新，使得金融科技公司为更多长尾人群提供信贷服务逐步常态化，进一步拓展了现有消费信贷规模与范围.可以看到，金融科技公司的进人，形成了消费信贷市场新格局.在此大背景下，理解金融科技公司发展如何影响商业银行信贷业务，以及互联网消费信贷与传统商业银行消费信贷关系，对于减收稿日期：2 0 2 1-0 5-0 5；修订日期：2 0 2 1-12-15.基金项目：国家重点研发计划资助项目（2 0 19 YFB1404902）；教育部人文社科项目一基地重大项目（2 0 2 3 1JY0070）。通讯作者：杨雅鑫（19 9 4 一），女，山西运城人，博士，博士后Email：e l s i e _y a n g 0 4 18 r u c.e d u.c n2023年4 月报理学学科管42少信贷约束，促进数字普惠金融发展具有重要的理论价值和现实意义.目前，学术界关于互联网消费信贷与传统商业银行消费信贷的关系，尚未有一致性结论.国内对此问题的研究基本集中在互联网金融与传统金融关系层面，且多为理论分析，缺乏实证支撑 6 .国外部分研究认为二者存在互补性 7.8 ,也有研究侧重于强调二者之间的替代性 9-1.值得注意的是，目前互补性与替代性的研究并不是互斥的，许多持替代性观点的学者并不否认互补性的存在 10 ,且认为基于替代性引发的竞争是有限的 8 11.圃于数据可得性问题，目前主要的研究集中于区域层面，较少从个体层面进行分析.有鉴于此，本研究从消费者信贷产品选择的供求视角出发，认为金融科技公司的进入会对二者关系产生收人效应和竞争效应，而两者最终关系的呈现将取决于收人效应与竞争效应相对强弱.从信贷需求来看，由于互联网消费信贷与传统银行信贷之间存在收人效应，两者在收人等因素驱动下表现出同向变动的正向关系.从信贷供给来看，互联网消费信贷与传统商业银行信贷之间存在一定程度的“竞争效应”，二者表现出此消彼长的负向关系.其中，无论是基于替代性还是互补性，互联网消费信贷与传统商业银行消费信贷都表现出负向的竞争效应.为了能够进一步分离两者之间可能存在的互补性，本文基于理论模型分析,从某代表性金融科技平台上随机抽取了5 0 万名互联网消费信贷产品用户的海量数据，通过引人下沉市场程度变量，进一步研究了互联网消费信贷与传统商业银行消费信贷之间的关系.结果表明，互联网消费信贷与传统商业银行消费信贷的相关性由收入效应和竞争效应共同决定，且受到产品选择和技术溢出的影响在全样本中以收人效应为主.随着消费市场逐步下沉，收人效应与竞争效应此消彼长，在下沉市场表现出一定的互补性，且随着下沉程度的加深，这种互补性表现更加明显，表明互联网消费信贷服务能够触达商业银行信贷无法服务到的下沉市场，促进居民消费升级与普惠金融发展，一系列稳健性检验也表明本文的主要结论是稳健、可靠的.进一步分析发现，基于金融科技平台的大数据风控授信与传统银行授信效果具有一致性，且在不同下沉群体中无显著差异，大数据风控效果并未随着消费群体下沉而发生系统性偏离.本研究可能的边际贡献在于：1）理论分析方面，通过构建理论模型，发现金融科技平台可以通过降低信贷成本以及提高风险识别的准确率等方式来扩大消费信贷覆盖人群，缓解下沉市场人群的信贷约束，互联网消费信贷与传统商业银行消费信贷之间存在互补性.2）变量选择方面，与大量以P2P为样本的研究不同，本研究从中国某代表性金融科技平台随机抽取了5 0 万名活跃用户的微观数据，从个人选择角度分析了互联网消费信贷与传统商业银行消费信贷之间关系，所得结论具有较强的说服力和可信度.3）实证分析方面，本研究基于消费者信贷产品选择视角，发现互联网消费信贷与银行消费信贷之间关系以收人效应为主，竞争效应小于收人效应.进一步地，在引人下沉市场程度变量后，发现随着消费市场逐渐下沉，其竞争效应迅速增强，而这种增强与互补性有关,表明金融科技与传统金融的互补性在重度下沉市场中表现得更为显著。1文献综述与研究假设近年来，互联网消费信贷兴起，不可避免地对商业银行相关业务产生冲击，形成消费信贷市场竞争新格局，引发了大家对互联网消费信贷与传统商业银行消费信贷关系的广泛关注。一种观点强调两者的替代性，认为随着金融科技发展，互联网消费信贷业务会对商业银行信贷服务形成替代，向银行业的垄断地位发起挑战发现互联网平台凭借其技术优势，能够降低消费者信贷申请成本，吸引客户从银行信贷转向互联网消费信贷.当商业银行面临负面供给冲击时，互联网信贷市场规模扩大，部分低质量贷款者从银行转向互联网借贷，使得互联网金融与传统金融之间呈现替代性.Roure等 9 发现当商业银行面临较强监管时，其信贷市场份额会减少，互联网信贷市场份额会相应增加.战明华等 17 认为互联网金融会通过降低金融市场摩擦的方式来减少银行信贷业务市场份额，弱化货币政策的银行信贷传导渠道.另一种观点强调两者的互补性.首先,互宋第4 期科等：互联网消费信贷与传统消费信贷：互补还是替代？43联网信贷会从传统银行信贷市场获得一定市场份额，但不会完全替代银行贷款 ，且在大多数关键职能中并不会取代商业银行 8 .宋科等 18 认为县域金融可得性越低越有利于数字普惠金融发展.其次，互联网消费信贷成本下降 1，也降低了消费信贷准入门槛【19 ，增加消费信贷可触达性，扩大了整个消费信贷市场规模，银行也可以通过与金融科技公司合作，获得互联网消费信贷的先进技术，从而互联网金融对传统金融起到“拾遗补缺”作用 6 .金融科技平台和传统银行也可以在金融服务方面发挥互补作用，实现共同发展 2 0-2 一方面，以金融科技公司为代表的互联网消费信贷凭借智能手机普及以及电商平台优势 1，降低了互联网信贷成本.电子商务平台、消息传递应用程序、搜索引擎等产生的网络效应，以及大数据、人工智能、云计算等关键科技为金融赋能，会在很大程度上提升金融市场效率 2 3 ,降低消费信贷成本.金融科技公司可以利用其网络平台并通过机器学习来处理和使用自身生成的海量数据，进而能够以几乎零边际成本向中小借款人提供信贷供给和其他服务，这一过程通常无需人工干预即可自动完成 5 .Agarwal 与Hauswald19认为互联网信贷申请门槛较低，申请流程简单，能让更多在传统银行渠道难以申请贷款的个人客户获得信贷服务.Morse7发现金融科技公司在收集中小借款人的“软信息”和分析信用水平时更具优势，从而降低了征信成本.Fuster等 发现金融科技公司处理贷款申请比其他金融机构大约快20%，且不会提高违约率，这降低了信贷时间成本，从而增加了短期贷款供应弹性.另一方面，互联网消费信贷提高了风险识别准确率，增加了信贷市场贷款效率 1.Hughes等 3 比较了商业银行消费信贷与LendingClub无抵押个人消费贷款的效率，发现LendingClub的无抵押消费贷款风险和效率类似于大银行消费贷款，即金融科技公司的消费信贷效率高于大多数中小银行.这种高效率可能与使用更先进技术，更复杂算法和更多可替代数据来源有关.Bartlett等 2 4 发现金融科技公司可以减轻抵押贷款市场歧视，为收人较低的人群提供更公平信贷定价.Buchak等 2 5 认为金融科技公司提供了更高质量信贷产品，弥补了银行信贷不足.基于消费信贷供给视角，提出以下研究假设：假设1a由于互联网消费信贷与传统商业银行信贷之间存在一定程度的竞争效应，无论是基于替代性还是互补性，两者表现出此消彼长的负向关系.在消费信贷市场新格局下，无论是互联网消费信贷，还是传统商业银行消费信贷都属于信贷产品，消费者选择申请信贷的前提是有明确的信贷需求，而两者有着共同的影响因素.现有文献主要从宏微观两个层面分析信贷需求因素.从微观层面来看，消费者收人和资产状况是消费信贷规模的影响因素.王定祥等 2 6 发现家庭耕地面积、年人均收人水平、固定资产价值、农业生产支出占比、教育支出占比对贫困型农户信贷需求具有显著影响.黄祖辉等 2 7 发现居民贷款需求与婚丧嫁娶、盖房建房、治病和上学等消费支出呈正相关关系.徐璋勇和杨贺 2 8 发现无论是正规金融机构、还是非正规金融机构都倾向于向具有良好社会资本的农户提供信贷.此外，是否参加经济合作组织对农户信贷需求及融资渠道有显著影响 2 9 .沈炳熙与吴显亭 3 0 认为个人消费信贷需求受到其收人、流动性约束以及个人消费习惯和消费倾向等因素影响,其中最重要的因素是个人可支配收人。Claessens等 3 1 认为金融科技公司提供的信贷与人均CDP呈非线性关系.从宏观层面来看，利率等宏观经济政策变量对消费信贷需求也有重要影响.Jacobsen与Naug32发现贷款利率上升会导致家庭消费信贷量下降，尤其是对于偏低收入水平的家庭而言.傅秋子与黄益平 3 3 认为数字金融整体水平提升增加了农村消费性正规信贷需求.不难看出，在消费信贷新格局下，消费者进行信贷产品选择时，以收入为代表的宏微观因素共同影响消费信贷需求，是消费者选择消费信贷产品的主要影响因素，称之为消费信贷的收人效应基于消费信贷需求视角，提出以下研究假设：假设1b由于互联网消费信贷与传统银行信贷之间存在收入效应，两者在收入等宏微观因素共同驱动下表现出同向变动的正向关系，2023年4 月报理学学科管44因素：互补性竞争效应因素：替代性传统商业银行互联网消费信贷消费信贷收人效应图1互联网消费信贷与传统商业银行消费信贷的关联机制Fig.1 The correlation mechanism between Internet consumer credit and traditional commercial bank consumer credit2理论分析基于上述分析，金融科技平台与传统商业银行提供的消费信贷存在以下不同：金融科技平台借助智能手机普及以及电商平台优势，降低了信贷获客成本，而且互联网消费信贷申请流程简单，信贷审批时间较短，降低了消费者的申请成本.同时，凭借人工智能、大数据等技术优势，金融科技平台识别消费者风险的精确度较高，使得贷款定价更有效率.Livshits等 3 4 构建了不完美信贷市场均衡模型，用于考察技术进步对信贷市场带来的影响，核心变量包括银行获客成本以及对贷款人还款概率的识别精确度.基于此，本文结合当前消费信贷定价模型，引人贷款者申请成本，对互联网消费信贷与传统商业银行消费信贷之间关系进行深人分析,进一步分离可能存在的互补性问题，2.1消费信贷市场主体1）消费者.假设消费者第1期收入为确定性收入yi,第二期收人为随机收人y2yt,yhl，yi表示低收人，yh表示高收入，当消费者第二期收人为yh时才会还款，这一概率为p.消费信贷供给商（商业银行或金融科技平台）根据征信机制判断其还款概率为，与相互独立，都服从 0,1 均匀分布,并且p=的概率为，一旦消费者发生违约，则需付出y2的代价，但信贷供给商无法得到这部分补偿.此外，由于消费者在向信贷供给商申请消费信贷时存在一定的成本，因此本文在原模型基础上加人申请成本c，并假定该成本不随借款额度发生变化.2）消费信贷供给商.消费信贷供给商提供的信贷合同为（L,q，），L是消费者第二期还款额度，9 为贷款合同价格，qL为消费者在第一期申请到的贷款额度，是该贷款合同服务的消费人群中风险最大消费者的还款概率假设消费信贷供给商的融资成本为，则无风险利率为=1.由于消费者第二期收人为y时会违约，意1+下味着Ly；为保证消费者第二期收人为yh时不会违约，必须满足Lyh的条件；对消费者来说，均衡状态下如果能以价格9 借到资金，为实现个人效用最大化，会尽可能多的借款，因此假定所有消费信贷合同的L=yh同时，假设信贷供给商在每一类合同设计完成后向目标市场推广营销时，都存在一定的获客成本X：2.2消费信贷市场均衡首先假设商业银行与金融科技平台是无差异消费信贷供给商，根据Livshits等 3 4 ，消费信贷市场是完全竞争的，均衡状态下，存在一系列消费信贷合同K*=1（y h，9 n，g,）n=1.,l 用于服务还款概率为n，1的消费者，并且每个信贷供给商的净利润都为0.1）信息完全（=1）的消费信贷市场信贷合同的目标客户.由于获客成本存在，第n种合同（yh，q m，n）必须服务还款概率为n，n-1）的人群，以保证在均衡状态下，信贷供给商从每一种合同上获得的净利润为0，即rgn-1X(qpyyh-qnyyh)dp(1)此外，在均衡状态下，信贷供给商从第n种贷款合同服务的风险最大的借款人处获得的均衡利润为0,即qgnyyh-nyh=0(2)2YyhqPlyhHJ，H 贝信贷YyYhqYyhqn,则n差,假设。2X2X宋第4 期45科等：互联网消费信贷与传统消费信贷：互补还是替代？由式（1）和式（2）可以得出2Xgr-1-G,=(3)Yyhq即每一种合同服务的目标客户中还款概率最大相2Xqn=q-qnYyhq信贷市场规模.在相对极端情况下，信贷供给商会给每一位信贷需求者提供合适的贷款，但是对全球范围内任何一个禁止高利贷的国家来说，都会规定消费信贷市场上的最高贷款利率，即最低贷款价格qN.对消费者而言，申请边界消费信贷合同N并通过后的效用为VA(qn,yh)=qnyh+Lp(yh-yh)+(1-p)(1-)yi)-c(4)消费者不申请消费信贷的效用为VnA=pyh+(1-p)yi(5)当VAVNA时，消费者才会向银行申请消费信eLm+(L-p)+.只有贷,进而得到 4 yhgN-Iyh+(1-gn-I)yi+c时，边界合yh同N的全部目标客户才会申请消费信贷，此时得到(q-)yh-2(y-y)-VYyh9N2XQ yh-(yh-yi)Yyh业（C2时消费市场上的合同种类N大于等于1，此时边界合同N面临的目标客户群的违约率范围为2x_2X(q-)yA-4Yh(i-)yh-Yyh9VYh9yh-(yh-y,9 yh-(yh-y,)2)信息不完全（0 1）的消费信贷市场在信息不完全消费信贷市场中，假设存在真实还款概率为p,的消费者，其选择申请或不申请信贷合同n=（y h，q n，n）的效用一致，则pGn-1如果贷款供给商以的概率准确识别出消费者还款概率，即p=时，消费者会接受合同n；但信贷供给商仍有1的可能性无法准确识别消费者还款概率，如果消费者真实还款概率为ppn，则不会接受贷款合同n，低风险借款人被排挤出消费信贷市场；如果消费者真实还款概率为ppn，则会接受合同n并以价格qn来借款.因此，消费者接受贷款合同n的概率为+（1-)pn.假设信贷合同n的目标客户群为，+0）,在均衡状态下,E（）=0,并且E(+0)d=，则信贷供给商从=+8的消费者身上获得的期望收益为E(g+8)=+(1-)pnE(g+S ppn)=+(1-)pn qE(pl g=g+S,ppn)yh-qnyyhYyh+qE(plg=g,ppn)yh-qnyhYyh+qEr(g)=ay y:i(6)则E(g+)ds=/oyyhqds=X,得到e=002X,意味着每一种合同服务的目标客户中还款则Er(g+)dsoyyhqds=X,得到=002X，意味着每一种合同服务的目标客户中还款yyhq2X概率最大相差Vayyhq实践当中，一方面金融科技平台凭借智能手机普及以及电商平台优势降低了信贷成本，另一方面依赖大数据与人工智能应用提高了识别风险准确性，提高了贷款效率.这些都会对消费信贷市场规模以及金融科技平台和传统商业银行在消费信贷市场中的份额带来极大影响.Navareti等 8 以及Tha-kor1都认为金融科技平台比传统商业银行更具竞争优势，并且还会提供更多高风险贷款，以此扩大信贷服务用户群2.3模型结论与假设提出根据以上模型分析，进一步探讨金融科技平台对商业银行贷款市场的具体影响机制.理2023年4 月报学学科管46在0 1情况下，一方面,金融科技平台获客成本下降以及风险识别准确率提高，都会减少每一种合同服务的目标客户还款概率最大差值2X，这意味着金融科技平台信贷投放更精准，每一份信贷合同的价格qn会上升；另一方面,从式(4)可知，消费者在金融科技平台中申请信贷成本下降，会导致消费者在效用不变的情况，能使其愿意申请信贷的合同价格上升.上述两种情况都会导致信贷市场均衡状态下每一份贷款合同价格上升，并由此推导出互联网消费信贷与传统商业银行消费信贷之间关系.第一，面对相同客户群时，金融科技平台提供的消费信贷合同平均价格（贷款利率）高于（低于）商业银行信贷合同，此时商业银行提供的每一种信贷合同的部分目标客户都会转向申请金融科技平台提供的消费信贷；而且一些未被商业银行识别出的低风险人群，将因金融科技平台风险识别效率提高而被纳人到信贷服务范围当中.这意味着商业银行设计的每一份信贷合同的盈利都将低于其获客成本X，从而被迫退出消费信贷市场，市场上所有消费信贷都将由金融科技平台提供.这体现了金融科技平台与传统商业银行之间的替代性。第二,根据模型分析，在=1的情况下，消费信贷市场均衡时边界合同N所服务的客户的违约率范围为2X_2X(i-)yh-1 yh(q-)yh-Yyh9YYh9 yh-(yh-y)yh-(yh-y,)从而可知金融科技平台获客成本和消费者信贷申请成本下降都将会增加信贷市场服务范围，因为更多高风险客户被纳人进来.同样，如果0 1，金融科技平台风险识别效率提高，会使信贷市场均衡时每一份贷款合同的均衡价格上升，原来边界合同所服务到的人群的信贷合同价格将高于qN，则金融科技平台信贷服务范围将会触及之前被排除在信贷服务之外的高风险客户。这体现了金融科技平台与商业银行的互补性.由此可见，在面对相同客户群体时，互联网消费信贷与传统商业银行消费信贷表现出一定的替代性，而两者互补性主要基于不同客群的消费信贷供给，也就是说互联网消费信贷与传统银行信贷在客户群体层面具有显著的互补性.互联网信贷为企业和消费者提供了另一种资金来源 3 1.传统银行信贷主要面向大企业或是收人较高的人群，而金融科技公司的客户主要是下沉市场中收人较低、规模庞大、有信贷需求的长尾人群.这部分群体也更愿意申请和使用金融科技公司提供的互联网消费信贷产品 3.3 5 .此外，在消费市场从一线城市、二线城市向三线及以下城市和广大农村地区下沉过程中，传统金融服务供给明显不足，尤其是在银行集中度较高和人均银行分支机构较少的地区 6 .金融科技公司提供的互联网消费信贷产品满足了这些地区居民的信贷需求，扩大了用户规模，拓展了金融服务范围和领域 3 6 ，有效缓解了经济不发达地区的信贷约束 3 7 .随着消费市场下沉程度加深，互联网信贷发展能够改善金融供给地区不平衡局面，提高整体金融体系效率，表现出与传统消费信贷之间的互补性 3 .基于此，提出以下研究假设：假设2随着消费信贷市场下沉程度提升，金融科技平台由于获客成本较低、消费者申请成本较低以及风险识别准确率较高等，在下沉市场中表现出比传统商业银行更强的竞争优势，互联网消费信贷因此与传统商业银行消费信贷呈现出一定的互补性。3研究设计首先对主要变量选取、样本选择和数据来源进行说明.其次，为从消费下沉角度全面分析互联网消费信贷与银行消费信贷的关系，定义了不同程度的下沉市场.最后，介绍了本文实证模型，3.1变量说明1）互联网消费信贷.将某代表性金融科技平台互联网消费信贷产品的使用金额、使用笔数作为互联网消费信贷的代理变量，使用天数用于稳健性检验.使用金额从规模角度反映了互联网消费信贷需求，使用笔数、使用天数则从频率角度反宋第4 期科等：互联网消费信贷传统消费信贷：互补还是替代？47映了相关需求.在进一步分析中，用互联网消费信贷产品授信额度作为被解释变量，进一步分析金融科技平台的大数据风控授信效果.本文对上述变量均进行了对数化处理，2)银行消费信贷.根据Telyukova与Wright38 Keys 与Wang19、廖理等 10 ,本研究以个人在金融科技平台上绑定的信用卡作为银行短期消费信贷的代理变量，具体包括绑定信用卡等级、数量以及是否绑定信用卡.这些变量可以说明用户的消费资质及其背后的资产状况，是商业银行消费信贷的合理测度.其中，绑定信用卡等级是指用户在某互联网消费平台上绑定信用卡的最高等级，具体划分为未绑定、普卡、较高等级卡和最高等级卡等4类.对于绑定信用卡数量，将其划分为0、1、2、3这4 类，分别代表绑定0 张、1张、2 张和3 张及以上信用卡.是否绑定信用卡变量为虚拟变量，0 为用户没有绑定信用卡，1为绑定信用卡.3）消费下沉程度.消费下沉是近年来电商平台拓展消费市场，激发流量潜力的新趋势，主要指消费市场或品牌向消费能力较低的目标人群拓展，即从一线城市、二线城市向三线及以下城市扩展、由城市向乡村渗透的过程.三线及以下城市、广大的乡镇农村地区均可以视为消费下沉市场，需要借助移动互联网等技术进一步激发其消费潜力 4 1.消费市场下沉意味着传统上被忽视的三线及以下城市和农村地区的消费能力得到重视，这与我国经济迅速发展，居民收人不断增加密切相关.消费市场下沉还被视为我国扩大内需，促进消费升级的重要渠道之一。尽管消费下沉概念提出已久，但目前对于消费下沉的相关研究比较少，尚无明确定义.为此，基于数据可得性，提炼了不同下沉市场在区域、城市等级、城乡等方面的特征，将下沉市场划分为轻度下沉市场、中度下沉市场和重度下沉市场等三类.划分方法如表1所示，符合区域、城市等级、城乡三个条件中一个条件的消费市场为轻度下沉市场，两个条件的为中度下沉市场，全部三个条件的为重度下沉市场.区域包括东部、中部、西部三个地区，城市等级则将依据该金融科技平台的划分方法，将城市划分为一线、二线、三线及以下，城乡即涉农变量依据用户是否为农村居民进行了划分.考虑到变量选择中可能出现的人群错配问题，最终确定“区域城市等级城乡”的路径进行研究，其中，轻度下沉市场指西部地区市场，中度下沉市场指西部三线及以下地区市场，重度下沉市场指西部三线及以下农村地区市场.对于其他路径的下沉市场变量界定，如“城市等级区域一城乡”等，用于稳健性检验，为进一步分析互联网消费信贷与银行消费信贷之间关系的动态变化趋势，本研究构建并重点观察银行消费信贷与消费下沉虚拟变量的交叉项，分别使用 Rank_Credit Dummy;,Num_Credit Dummyj,Flag_Credit Dummy,表示,其中j=1，2，3,Dummyi，D u mmy 2，D u mmy 3 分别代表轻度下沉市场、中度下沉市场、重度下沉市场的虚拟变量.交叉项刻画了随着消费下沉程度的加深，互联网消费信贷与银行消费信贷之间关系的变化趋势4）控制变量.由于用户行为会受到个体特征影响，基于数据可得性并根据Stango和Zin-man42 Li 等 4 3 、廖理等 4 0 以及邱晗等 4 研究,本文控制了个人年龄和收人变量.其中，用户收入用最近一年其在金融科技平台上的“现金流人等级”表示.“现金流人等级”是平台采用分位数方法将用户近一年在平台上的资金流入情况分为三类，该指标可以较好地刻画用户的收人情况，因为通常情况下，用户的收入越高，其现金流入的水平也越高.研究使用的主要变量及具体说明详见表2.表1消费下沉程度界定Table 1 The definition of consumption sinking market轻度下沉市场西部地区三线及以下地区农村地区中度下沉市场西部三线及以下地区三线及以下的农村西部的农村重度下沉市场西部三线及以下的农村地区理48报学科管学2023年4 月表2 主要变量说明Table 2 Description of main variables变量符号变量名取值说明Use_Al.ipay使用金额用户当月的互联网消费信贷使用金额（对数化）Freq_Al.ipay使用笔数用户当月的互联网消费信贷使用笔数（对数化）Days_Al.ipay使用天数用户当月的互联网消费信贷使用天数Limit_Al.ipay授信额度用户当月的互联网消费信贷授信额度（对数化）Rank_Credit信用卡等级用户绑定信用卡的等级：0 未绑定，1普卡，2 较高等级卡，3 最高等级卡Num_Credit信用卡数量用户绑定信用卡的数量：0,1,2,3（3 张及以上）Flag_Credit绑定信用卡用户是否绑定信用卡：0 未绑定，1绑定Region区域用户所在区域：1东部，2 中部，3 西部City城市等级用户所在城市等级：1一线，2 二线，3 三线及以下Rural城乡用户是否为农村居民：0 非农，1农村用户年龄段：0 为18 岁 2 0 岁，1为2 1岁 3 5 岁，2 为3 6 岁4 5 岁，Age年龄3为4 6 岁 5 8 岁，4 为5 9 岁及以上Flow现金流人等级用户最近一年现金流人等级：1低，2 中，3 高3.2样本选择采用随机抽样法从某代表性金融科技平台上抽取了5 0 万名互联网消费信贷产品用户，样本区间为2017年1月至2 0 19 年7 月连续3 1个月.经过数据清洗并去除缺失关键变量的样本后，最终使用了4 8 万多名用户连续3 1个月的数据.描述性统计详见表3.表3主要变量描述性统计Table 3 Descriptive statistics of main variables变量符号变量名样本数均值标准差最小值最大值Limit_Al.ipay授信额度8 205 454Use_Al.ipay使用金额8205454Freq_Al.ipay使用笔数8205.454Days_Al.ipay使用天数8205454031Rank_Credit信用卡等级8205.4540.3450.66903Num_Credit信用卡数量8.205.4540.4560.89803Flag_Credit绑定信用卡8.20545401Age年龄8.205.45404Flow现金流人等级8.2054542.1660.79813Region区域8205 4541.7260.81113City城市等级8.2054542.5170.70313Rural涉农8.205 4540.3900.488013.3模型设定本文采用固定效应模型来研究互联网消费信贷与传统商业银行消费信贷的关系.具体模型设根据相关法律法规，部分业务数据信息无法公开.定如下yu=o+iXi+Zu+o,+i(7)其中被解释变量yi表示第i个用户在第t期的互宋第4 期科等：互联网消费信贷与传统消费信贷：互补还是替代？49联网消费信贷，分别以其使用金额、使用笔数及使用天数为代理变量.核心解释变量x表示第i个用户在第t期的传统银行消费信贷，分别以用户在某互联网消费平台上绑定信用卡的等级、数量以及是否绑定信用卡作为代理变量.控制变量zi包括用户收入及用户年龄.，表示时间效应，表示个体效应，8 i为残差项.为检验银行消费信贷与互联网消费信贷的关系，把注意力放在总效应1的符号方向以及显著性水平上.在基准模型基础上，为进一步分析互补性与替代性问题，并研究不同消费市场中下沉人群对二者的选择差异，根据区域和人群特征把消费下沉市场涉及的人群分为轻度下沉人群、中度下沉人群和重度下沉人群等三类.通过引人下沉市场程度与核心解释变量的交叉项来分析在不同程度下沉人群中，互联网消费信贷与传统商业银行消费信贷的关系.具体模型构建如下yu=o+,xi+2x,xDummyj+zu+8,+;+8t,j=1,2,3(8)其中被解释变量yit和核心解释变量x；与式（7)相同.Dummyi表示轻度下沉人群，Dummy2表示中度下沉人群，Dummy3表示重度下沉人群.zt为控制变量，8,表示时间效应，；表示个体效应，8 i为残差项.4实证结果与分析4.1基准模型基于式（7），银行消费信贷对互联网消费信贷的基准回归结果如表4 所示.列（1）列（3）分别汇报了信用卡等级、信用卡数量和是否绑定信用卡对互联网消费信贷使用金额的影响.从列(1)和列(2）可以看出，在控制了年龄、现金流入等级等变量及时间固定效应和个体固定效应后，用户绑定信用卡的等级、数量均在1%水平上对使用金额有正向显著影响，其系数分别为0.2 8 5和0.2 9 5.这说明在其他条件不变的情况下，信用卡每增加1个等级或多绑定1张，互联网消费信贷使用金额会增加2 8.5%或2 9.5%.从列（3）可以看出，用户绑定信用卡在1%水平上对互联网消费信贷使用金额有正向显著影响，系数为0.317，表明在其他条件不变的情况下，绑定信用卡用户的互联网消费信贷使用金额比没有绑定的多3 1.7%，上述分析表明互联网消费信贷与传统商业银行消费信贷之间的总效应为正，两者之间的收人效应要大于竞争效应.假设1b表现出比假设1a更强的影响.也就是说，在当前消费信贷市场中，互联网消费信贷与传统商业银行消费信贷受收人效应影响更为显著，表现为同向变动的趋势.可能原因在于，选取的样本用户均为从2 0 17 年1月开始已在该平台上绑定银行卡的用户，彼时大多数持卡人为资质较好、收人较高的消费群体，其面临的信贷约束较低，不仅在商业银行那里信贷可获得性较高，在互联网消费信贷市场上的信贷可获得性同样也比较高.另一种可能性为消费信贷的使用由银行转向互联网平台，并不会影响银行对消费者资质的判断，特别是信用卡等级，因此二者表现为同向变动.此外，尽管互联网消费信贷发展迅猛，但是从整体规模和渗透度上依然无法与银行消费信贷市场形成有效竞争，覆盖人群以大中型城市为主，消费市场仍有下沉潜力，尚无法从根本上改变当前消费信贷市场的基本格局.表4 列（4）列（6)分别汇报了信用卡等级、信用卡数量和是否绑定信用卡对互联网消费信贷使用笔数的影响.在其他条件不变的情况下，核心自变量的系数均显著为正,与列（1）列（3)的结果保持一致.为了解决模型可能存在的遗漏变量问题，在回归结果中控制了收入、年龄等变量，其中收人以用户在该金融科技平台的“现金流人等级”指标代理，以保证银行消费信贷变量的外生性.从表4控制变量的符号及显著性水平来看，现金流人等级的系数均在1%水平显著，作为用户收人的代理变量，现金流人等级与用户互联网消费信贷的使用情况存在正向关系，表明收入越高的用户在金融科技平台上的信贷可得性越高，符合预期.从年龄来看，随着用户年龄增长，使用金额出现下降趋势，但使用笔数没有显著变化.这在一定程度上表明，互联网消费信贷在各年龄段得到普及，年龄较大用户对互联网消费信贷的接受程度与年龄较理报2023年4 月学学科管50小用户相当；但是对于互联网消费信贷的使用深度，不同年龄段有着显著差异，即年轻人更偏好使用互联网消费信贷购买金额较大的商品或服务，如购买手机、电脑、旅游等，因此使用金额较高，而年龄较大用户则更多地用于日常生活消费，使用金额相对较少，表4基准回归结果Table 4 Benchmark regression results模型(1)(2)(3)(4)(5)(6)被解释变量使用金额使用笔数0.285*0.0847*信用卡等级(20.42)(22.48)0.295*0.087 7*信用卡数量(25.88)(28.45)0.317*0.0952*绑定信用卡(15.57)(17.26)-0.0593*-0.0537*-0.0614*0.004.40.006 00.003 7年龄(-3.348)(-3.033)(-3.472)(0.909)(1.255)(0.775)0.743*0.740*0.744*0.199*0.198*0.199*现金流入等级(109.2)(108.8)(109.3)(113.6)(113.1)(113.6)1.145*1.152*1.149*-0.222*-0.220*-0.221*截距项(18.01)(18.13)(18.07)(15.93)(-15.79)(-15.84)时间固定效应是是是是是是个体固定效应是是是是是是观测值82054548.2054548205454820545482054548205454R20.1070.1070.1070.1880.1880.188用户数485864485864485 864485 864485 864485864注：*、*和*分别表示在10%、5%和1%水平上显著，括号内为t值。4.2引入交叉项的效应分解在基准模型基础上，引人下沉市场的代理变量与银行消费信贷的交叉项，通过逐级分层方式，来探讨不同消费信贷客群中互联网消费信贷与传统商业银行消费信贷的关系，特别是验证假设2提出的在下沉人群当中存在的互补性问题表5 报告了基于式(8)的回归结果,列（1）列（3）显示互联网使用金额与信用卡等级均在1%水平上正向显著，与基准模型结果保持一致.重点关注的信用卡等级与不同程度下沉市场的交叉项均在1%水平上负向显著，且随着下沉程度增加表现出交叉项系数绝对值丨丨逐渐增大，而丨丨出现下降的趋势.具体来看，随着消费市场下沉程度加深，互联网消费信贷与银行消费信贷表现出的竞争效应不断加强，轻度下沉、中度下沉、重度下沉市场的信用卡每降低1个等级，其使用金额会分别上升14.2%、14.5%、16.4%.同时收人效应总体出现下降趋势，轻度下沉、中度下沉、重度下沉市场的收入效应分别为3 1.7%、29.7%、2 9.8%，在两种效应的共同作用下，总效应(l+2）分别为17.5%、15.2%和13.4%，出现整体下降趋势.在此过程中，虽然互联网消费信贷与银行消费信贷的负向竞争效应逐渐增强，但是由于正向收人效应的存在，总体上并没有改变下沉市场中互联网消费