Развитие каналов кредитования в условиях перехода к цифровой экономике: моделирование спроса

В статье обоснована и формализована в аналитической форме вероятностная модель спроса на альтернативные каналы кредитования с учетом общих и отличительных характеристик традиционных и новых способов предоставления кредита. Для построения указанной модели выделены преимущества и недостатки каналов кредитования; определены возможные не взаимоисключающие сценарии развития кредитного рынка в условиях цифровизации экономики. Принимая во внимание тенденции и сценарии развития каналов кредитования, построена дескриптивная модель институциональной структуры спроса и предложения кредита. В соответствии с предложенной моделью традиционные кредитные институты смогут адаптироваться к инновационным технологиям, предлагая клиентам принципиально новые бизнес-модели, что вполне будет соответствовать сфере FinTech. Согласно дескриптивной модели авторы предлагают оценивать рыночную долю соответствующих каналов кредитования на основе положений теории полезности и вероятностных моделей дискретного выбора. Предполагается, что потенциальные заемщики производят выбор того или иного канала кредитования из имеющихся альтернатив, максимизируя свою полезность, под воздействием личных и потребительских характеристик кредита. Авторы формализовали многомерную логит-модель с группировками (nested logit models — NLM) для описания дискретного выбора альтернативного канала кредитования и соответствующих подгрупп кредиторов (традиционные, FinTech и BigTech-компании), отличительной особенностью которой является учет возможных корреляций в предпочтениях заемщиков. Определены условия прикладного приложения разработанной модели. В силу отсутствия репрезентативных статистических данных относительно объемов кредитования через цифровые каналы, авторы смоделировали изменения в рыночной доле традиционного канала кредитования на основе гипотетических данных, характеризующих потребительские свойства способов получения кредита. В процессе моделирования авторы показали нелинейный характер в изменении спроса на альтернативный канал кредитования в случае имеющихся предпочтений у потенциальных заемщиков. Предложенный научно-методический подход может служить основой для моделирования и прогнозирования конъюнктуры кредитного рынка.

1. Шваб К. Четвертая промышленная революция. Пер. с англ. М.: Эксмо; 2016. 208 с. Schwab K. The fourth industrial revolution. Transl. from Engl. Moscow: Eksmo; 2016. 208 p. (In Russ.).

2. Jagtiani J., Lemieux C. Fintech lending: Financial inclusion, risk pricing, and alternative information. SSRN Electronic Journal. 2017;(Jan.). DOI: 10.2139/ssrn.3096098

3. Mills K. G., McCarthy B. The state of small business lending: Credit access during the recovery and how technology may change the game. Harvard Business School. Working Paper. 2014;(15–004). URL: https://www.hbs.edu/faculty/Publication%20Files/15–004_09b1bf8b­eb2a­4e63–9c4e­0374f770856f.pdf (accessed 04.09.2018).

4. Schweitzer M., Barkley B. Is “Fintech” good for small business borrowers? Impacts on frm growth and customer satisfaction. Federal Reserve Bank of Cleveland. Working Paper. 2017;(17–01). URL: fle:///C:/Users/User/Downloads/wp%201701%20Is%20Fintech%20Good%20for%20Small%20Business%20Borrowers.pdf (accessed 04.09.2018).

5. Freedman S., Jin G.Z. Learning by doing with asymmetric information: Evidence from Prosper.com. NBER Working Paper. 2011;(16855). URL: https://www.nber.org/papers/w16855 (accessed 16.12.2017).

6. Jagtiani J., Lemieux C. Small business lending after the fnancial crisis: A new competitive landscape for community banks. Economic Perspectives. 2016;40(3). URL: fle:///C:/Users/User/Downloads/ep2016–3­pdf. (accessed 04.09.2018).

7. Moldow C. A trillion dollar market by the people, for the people: How marketplace lending will remake banking as we know it. Menlo Park, CA: Foundation Capital; 2015. 35 p. URL: https://foundationcapital.com/wp­content/uploads/2016/08/TDMFinTech_whitepaper.pdf (accessed 04.09.2018).

8. Mach T., Carter C., Slattery C. Peer­to­peer lending to small businesses. The Federal Reserve Board. FEDS Working Papers. 2014;(10). URL: https://www.federalreserve.gov/pubs/feds/2014/201410/201410pap.pdf (accessed 04.09.2018).

9. De Roure C., Pelizzon L., Tasca P. How does P2P lending ft into the consumer credit market? Deutsche Bundesbank. Discussion Paper. 2016;(30). URL: https://www.bundesbank.de/Redaktion/EN/Downloads/Publications/Discussion_Paper_1/2016/2016_08_12_dkp_30.pdf%3F__blob%3DpublicationFile (accessed 04.09.2018).

10. Buchak G., Matvos G., Piskorski T., Seru A. Fintech, regulatory arbitrage, and the rise of shadow banks. NBER Working Paper. 2017;(23288). URL: http://www.nber.org/papers/w23288.pdf (accessed 24.12.2017). DOI: 10.3386/w23288

11. Emekter R., Tu Y., Jirasakuldech B., Lu M. Evaluating credit risk and loan performance in Online Peer­toPeer (P2P) lending. Applied Economics. 2015;47(1):54–70. DOI: 10.1080/00036846.2014.962222

12. Berry S., Levinsohn J., Pakes A. Automobile prices in market equilibrium. Econometrica. 1995;63(4):841–890.

13. Wong T., Brownstone D., Bunch D. Aggregation biases in discrete choice models. Journal of Choice Modelling. 2018;(Feb.). DOI: 10.1016/j.jocm.2018.02.001

14. DeYoung R., Rice T. How do banks make money? The fallacies of fee income. Economic Perspectives. 2004;28(4):34–51. URL: fle:///C:/Users/User/Downloads/ep­4qtr2004­part3­deyoung­rice­pdf.pdf

15. Мамонов М. Влияние кризиса на прибыльность российского банковского сектора. Банковское дело. 2011;(12):15–27. Mamonov M. Impact of the crisis on the profitability of the Russian banking sector. Bankovskoe delo = Banking. 2011;(12):15–27. (In Russ.).

16. Котлер Ф., Вонг В., Сондерс Дж., Армстронг Г. Основы маркетинга. Пер. с англ. М.: Вильямс; 2007. 1199 с. Kotler Ph., Wong V., Saunders J., Armstrong G. Principles of marketing. Transl. from Engl. Moscow: Williams; 2007. 1199 p. (In Russ.).

17. Шандор З. Мультиномиальные модели дискретного выбора. Квантиль. 2009;(7):9–20. Sandor Z. Multinomial models of discrete choice. Kvantil’ = Quantile. 2009;(7):9–20. (In Russ.).

18. McFadden D. Modeling the choice of residential location. Transportation Research Record. 1978;(673). URL: http://onlinepubs.trb.org/Onlinepubs/trr/1978/673/673–012.pdf (accessed 20.12.2017).

19. McFadden D., Train K. Mixed MNL models for discrete response. Journal of Applied Econometrics. 2000;15(5):447–470. DOI: 10.1002/1099–1255(200009/10)15:5<447:AID­JAE 570>3.0.CO;2–1

20. Hausman J., Wise D. A conditional probit model for qualitative choice: Discrete decisions recognizing interdependence and heterogeneous preferences. Econometrica. 1978;46(2):403–426. DOI: 10.2307/1913909

21. Berry S. Estimating discrete­choice models of product differentiation. The RAND Journal of Economics. 1994;25(2):242–262. DOI: 10.2307/2555829.