P2P網絡借貸、流動性風險與宏觀審慎政策

李建強 張淑翠 趙大偉

摘要：目前，P2P網絡借貸平臺合法合規發展已成為重要問題。本文依據中國P2P網絡借貸平臺特征事實，構建動態隨機一般均衡模型，模擬分析P2P網絡借貸經濟影響、風險機理及宏觀審慎政策有效性。研究結果表明：（1）P2P網絡借貸在提高金融滲透率、促進金融普惠的同時，也放大了信貸波動，增加了銀行體系外的金融脆弱性;（2）P2P網絡借貸行業存在適度最優規模邊界，無序發展不利于社會福祉提高;（3）與P2P網絡借貸行業規模過度相比，平臺債權轉讓模式流動性風險更嚴重;（4）在監管非對稱下，P2P網絡借貸削弱了宏觀審慎政策有效性。因此，擴大宏觀審慎政策框架覆蓋范圍，將P2P網絡借貸納入宏觀審慎政策框架，與P2P網絡借貸行業可持續發展并非對立關系，一定程度上可平抑信貸波動，提高宏觀審慎政策有效性。

關鍵詞：P2P網絡借貸;流動性風險;宏觀審慎;金融穩定;金融監管;數值模擬

文獻標識碼：A

文章編號：1002-2848-2019（05）-0038-14

隨著互聯網信息技術的發展和居民投資理財需求的旺盛，以金融脫媒為特征的P2P網絡借貸在全國范圍內迅速發展起來。P2P網絡借貸依托互聯網，為投資人和融資人提供資金借貸信息，撮合和促成投資人與融資人在互聯網平臺上進行資金借貸。2007年6月，我國首家P2P網絡借貸平臺——拍拍貸在上海成立，隨后各類P2P網絡借貸平臺如雨后春筍般涌現。據網貸天眼統計，截至2017年，全國P2P網絡借貸平臺數量已有6461家，行業成交量達16681.65億元。P2P網絡借貸已成為云計算、大數據、人工智能和區塊鏈等新興科技與金融創新深度融合的重要實踐。

與此同時，P2P網絡借貸支付主體、渠道、場景、數據等多維度的碎片化，也埋下一些流動性風險隱患。由于線上借貸模式有其獨特性，金融監管制度滯后，各個P2P網絡借貸平臺資質不一、良莠不齊，一度出現“提現困難”“清盤退出”及“停業跑路”等信用問題，被形象地稱為“爆雷潮”，引發社會對P2P網絡借貸行業觸發系統性風險的擔憂。這些P2P網絡借貸的問題平臺已在居民、銀行、非銀行金融機構以及中小企業之間建立起錯綜復雜的債權債務關系。實體部門需要付出更高成本，融資需求沒有得到充分滿足，甚至一些借貸主體通過不合規平臺服務產生了加杠桿、期限錯配問題，這些都成為誘發系統性金融風險的新隱患。這些層出不窮的金融亂象，不僅影響貨幣政策傳導和金融資源配置效率，而且也危及金融穩定，最終損害社會福利。鑒于此，我國《“十三五”現代金融體系規劃》明確指出，要“逐步擴大宏觀審慎政策框架的覆蓋范圍，探索將影子銀行、資管產品、互聯網金融等更多金融活動納入宏觀審慎政策框架，實現宏觀審慎管理和金融監管對所有金融機構、業務、活動及其風險全覆蓋”。2016年，國務院啟動了互聯網金融專項整治，并將P2P網絡借貸列為重點整治領域。正確把握P2P網絡借貸本質，深入分析P2P網絡借貸的經濟影響及其背后的流動性風險機理，量化評估宏觀審慎政策有效性，對深化金融供給側結構性改革，推動P2P網絡借貸行業可持續發展至關重要。

一、文獻綜述

金融危機后，非銀行金融機構快速發展對貨幣政策傳導及金融穩定的影響引起人們廣泛反思。其中，P2P網絡借貸的流動性風險問題也越來越受到關注。Narain[1]研究認為，金融技術公司經常處于監管灰色地帶，可能會開展一些銀行業務，但不受許可和監管限制，未來有必要要求金融技術公司接受審慎監管。Freedman等[2]研究發現，相對傳統借貸，P2P網絡借貸平臺信息透明度低，在非接觸性借貸交易中，社會關系不透明會導致借貸存在嚴重逆向選擇問題。國際清算銀行（Bank for International Settlements，BIS）[3]強調，全球金融危機后，源于資本市場融資活動的風險更為普遍，金融創新和金融科技的應用可能會改變風險的屬性，這需要一系列新政策和更多宏觀審慎政策工具加以應對。國際貨幣基金組織（International Monetary Fund，IMF）[4]認為，為了維護金融穩定，監管機構必須關注新的風險，包括網絡安全、金融科技以及審慎監管范圍之外的其他機構和業務活動可能給金融穩定造成的威脅，這需要采用新的宏觀審慎工具來解決銀行部門之外的脆弱性問題。

在國內，P2P網絡借貸作為一種新興金融業態，其研究主要聚焦于三方面：一是P2P網絡借貸交易特征與影響因素[5-6]，二是P2P網絡借貸收益率波動及影響因素[7]，三是P2P網絡借貸國際經驗與案例分析[8]。然而，對于P2P網絡借貸平臺爆發風險問題，僅有少量文獻有所涉獵。黃益平等[9]梳理分析3439家P2P問題平臺特征，發現信息嚴重缺失、從業時間較短、利率區間狹窄、利率水平高以及業務品種不全等都是問題平臺風險隱患。王修華等[10]基于222家P2P網絡借貸平臺經營數據樣本，研究發現管理層信息披露、年化收益率和第三方資金存管等因素對問題平臺風險具有顯著影響。范超等[11]基于444家P2P網絡借貸平臺數據研究，認為網民評論和關注度、平臺利率、資金凈流入與待還款金額等波動都是識別平臺風險程度重要指標。劉紅忠等[12]基于實物期權理論，構建P2P網絡借貸平臺風險事件的結構模型，揭示P2P網絡借貸平臺風險爆發的內在機理。魏明俠等[13]通過建立P2P網絡借貸市場上各主要參與主體間的博弈模型，對借款方、貸款方、平臺方和監管方兩兩間進行了博弈分析，并結合實際案例對P2P網絡借貸風險行為進行了分析。

總體上，我國P2P網絡借貸研究多關注微觀層面因素，與之相關的實證分析也依賴行業調查和平臺財務自行披露，這些樣本數據是否足夠大，是否具有代表性值得商榷，碎片化研究可能缺乏宏觀系統性思考。P2P網絡借貸固然具有小額分散特征，但也只能分散平臺內不同借款人個體風險，而金融自身風險則無法在平臺內小額分散消除。隨著金融科技的推廣與應用，針對金融穩定的新的威脅不斷涌現，迫使金融監管改革。十九大明確提出“健全貨幣政策和宏觀審慎政策雙支柱調控框架”后，新的標準、工具和實踐得以補充和實施。顯然，剖析P2P網絡借貸風險機理與評估宏觀審慎工具有效性不再是兩個獨立議題，需要納入一個統一框架進行綜合研究。與現有研究不同，本文可能的創新在于：第一，基于當前我國P2P網絡借貸整頓的經濟背景，在模型中引入“資金池”特征，捕捉并模擬刻畫許多問題平臺潛在的流動性風險隱患;第二，從社會福利角度，討論P2P網絡借貸發展的內生閾值，以及在P2P網絡借貸平臺下，量化評估不同審慎工具的有效性。此外，在研究方法上，前期文獻多采用微觀計量實證或信息博弈方法，從微觀主體最優化決策對宏觀經濟影響視角切入的研究較少。鑒于此，本文通過建立動態隨機一般均衡模型DSGE，系統分析了P2P網絡借貸平臺期限錯配與債權轉讓模式背后的流動性風險機理，反事實模擬了P2P網絡借貸下的宏觀審慎政策有效性，提出推動P2P網絡借貸行業規范發展的政策建議，以期能夠為宏觀審慎政策框架的完善提供理論支持。

二、我國P2P網絡借貸平臺特征事實描述

2018年6月以來，全國P2P網絡借貸平臺出現集中退出態勢，帶來了市場恐慌情緒的蔓延，也影響了部分尚正常運營的平臺，網絡借貸平臺加速退出的負面影響不斷擴大。相應地，我國金融監管部門采取了一系列舉措來化解網絡借貸行業風險，穩步推進合規檢查，行業風險得到有效遏制，同時也發現違約網絡借貸平臺具有一些典型的風險特征。

第一，P2P網絡借貸平臺信用中介特征明顯。2016年，我國《網絡借貸信息中介機構業務活動管理暫行辦法》規定，P2P網絡借貸是指個體和個體之間通過互聯網平臺實現的直接借貸，而P2P平臺是指依法設立、專門從事網絡借貸信息中介業務活動的金融信息中介公司。其中，金融信息中介公司以互聯網為主要渠道，為借款人與出借人（投資人）實現直接借貸提供信息搜集、公布、資信評估、信息交互和借貸撮合等服務。由于金融信息中介公司僅開展借貸撮合業務，出借人與借款人是一對一關系，完全滿足期限匹配、收益和風險匹配原則。但在實際經營中，違約P2P網絡借貸平臺在未獲得金融牌照情況下，采用先歸集資金、再尋找借款對象等方式，使出借者資金進入平臺賬戶形成資金池，這已具有信用中介特征。投標決策權被讓渡至平臺，業務本質由“撮合交易”變為“錯配買賣”，債權轉讓也異化為滾動募資。具體有以下表現：首先，拆標的金額。為解決大標規模與低投資門檻矛盾，把一個大標拆成多個小標，允許投資者使用少量本金獲取高門檻才可享受的收益率，從而增強標的吸引力（見圖1）。部分平臺甚至發行活期理財產品，期限錯配割裂了風險和收益的匹配性。其次，拆標的期限。為解決長期借貸項目與短期投資偏好矛盾，把長標拆成多個短標滾動發行，允許投資者短期投資獲取長期投資才可享受的收益率，從而提高標的吸引力（見圖2）。部門平臺通過短標多次滾動來滿足長標需求，本質上是借新還舊，如果后續資金不能及時補充到位，或借款人未如期兌付，平臺資金鏈就會斷裂，影響短標出借人資金回籠，具有流動性風險。

第二，P2P網絡借貸平臺以債權轉讓模式為主。P2P網絡借貸兩端均以自然人為主，當出借人的債權期限未到期需要退出時，向P2P網絡借貸平臺發出轉讓申請，平臺審核后向新出借人提供擔保，新出借人認購原出借人債權，完成債權轉讓，原出借人方可退出。短期內，如果P2P網絡借貸平臺沒有找到合適新出借人愿意認購，債權轉讓無法完成，原出借人必須繼續持有等待。顯然，債權轉讓模式容易受到市場恐慌情緒影響，一旦出借人集體選擇提現退出，債權轉讓模式將難以為繼。

第三，P2P網絡借貸底層資產多以抵質押類為主。一方面，與其他國家P2P網絡借貸發展不同，我國個人征信制度滯后，違約成本相對較低，大額純信用貸業務在P2P網絡借貸行業很難發展。P2P網絡借貸平臺不能隨意調用央行征信系統數據，而且擁有大數據及相應數據分析能力的僅為少數頭部平臺，債務暴力催收受到法律制裁。另一方面，借款人逾期或者惡意賴賬信息未能及時納入征信，平臺無法直接監視借款者真實資金使用過程，判別借款人資質成本較高。因此，出借人愿意進行有抵押標的的投資，而平臺也要求借款人以一定抵押物來融資。據網貸之家統計，以2017年11月成交量過億P2P網絡借貸平臺為樣本，樣本平臺底層資產以汽車抵/質押和房產抵押為主。

三、DSGE模型分析框架

本文參照Iacoviello[14]的研究思路， 既保證模型簡潔性，又追求模型實用性。不顯性引入P2P網絡借貸平臺，僅依據網絡借貸特征事實刻畫平臺角色。DSGE模型結構如圖3所示。一是利用Kiyotaki等[15]提出的抵押約束機制，刻畫我國P2P網絡借貸底層資產多以抵質押類為主的客觀事實;二是引入異質居民人口權重，捕捉我國P2P網絡借貸債權轉讓模式;三是不考慮企業融資，設定借貸居民兩種融資渠道，揭示我國P2P網絡借貸信用中介特征和平臺兩端均以自然人為主特點;四是銀行受貸款價值比約束和資本充足率偏離懲罰機制，體現我國金融監管非對稱性和宏觀審慎評估體系（Macro Prudential Assessment，MPA）打分實際情況。

（一）家庭部門

家庭存在兩類居民：儲蓄居民和借貸居民。居民效用函數為[WTBX]

其中，Cst表示儲蓄居民消費，qht表示房屋相對價格，Hst表示儲蓄居民住房服務。wst表示儲蓄居民工資率，Lst表示儲蓄居民勞動力供給。儲蓄居民存在兩種資產配置方式：一是向銀行儲蓄，獲得儲蓄回報。Dt表示儲蓄，Rdt表示儲蓄利率。二是在P2P網絡借貸平臺投資。BLst表示儲蓄居民在P2P平臺投資規模，RLt表示P2P貸款利率。設資產配置存在調整成本，υ是資產配置調整成本參數，ω表示資產配置系數。這保證了儲蓄居民動態邊際回報是不同的，避免模型陷入多重均衡陷阱。根據無套利條件，在穩態下儲蓄居民兩種資產配置行為回報率固然相同，但從借貸居民在P2P平臺借款約束看，穩態下儲蓄居民的銀行儲蓄與P2P平臺投資規模不同，這說明實質上兩者綜合回報仍存在差異。另外，模型不考慮違約問題，這意味著P2P平臺投資客觀存在剛性兌付。從這個角度看，穩態下二者回報相等也是可以接受的，可理解為不受外部沖擊影響下，儲蓄居民進行P2P平臺投資的底線是至少保證獲得銀行儲蓄回報。儲蓄居民最優一階條件分別是

式（2）（3）是關于兩類資產的歐拉方程，消費跨期條件表明儲蓄居民追求平滑一生消費。式（4）衡量儲蓄居民住房服務跨期條件，住房消費的邊際效用等于放棄消費成本。式（5）是儲蓄居民勞動供給方程。

借貸居民有兩種融資方式：銀行貸款和P2P平臺貸款。通過外生設定兩類不同貸款價值比（Loan to Value，LTV），區別兩類不同機構流動性風險管理。mF是銀行平臺LTV，mL是P2P平臺LTV。LTV越高，對應風險敞口越大。商業銀行擁有相對完備風險撥備覆蓋、準備金等風險緩釋機制，并且還可以通過銀行間市場獲得短期流動性，自然比P2P平臺擁有更強應對流動性風險的能力，故mF

模型屬于典型代表行為人框架，借貸居民可視為實際社會中受流動性約束居民的平均水平，故α大小直接反映P2P網絡借貸占比。。借貸居民預算約束條件為

（二）銀行部門

參照Gambacorta等[16]的研究，銀行吸收儲蓄居民存款，向借貸居民貸款，并通過未分配利潤積累銀行凈資本。中央銀行規定商業銀行的目標資本充足率為CRR，如果商業銀行增加信貸投放，超過資本要求目標，要接受一定懲罰并付出成本。因此，銀行需要權衡過度信貸投放的利弊。這種偏離資本目標的懲罰機制的引入，反映了中央銀行對銀行資本的審慎要求，將導致銀行貸款供給曲線移動。銀行利潤最大化為

在向借貸居民貸款時，銀行具有一定壟斷定價權。由于競爭不充分，并不是所有借貸居民都能向銀行貸款。設銀行向借貸居民貸款利率加成是[AKμ-D]。

銀行利潤分為兩部分，一部分是股利分配，被股東消費;另一部分是未分配利潤，用作銀行資本凈值積累。δb表示銀行凈資本折舊，表示銀行利潤中未分配利潤占比。銀行利潤和資本凈值積累分別為

（三）廠商部門

1.最終品廠商

2.中間品廠商

儲蓄居民是中間品廠商股東。中間品廠商生產決策分兩個階段：

一是在生產函數約束下成本最小化，決定要素需求比例。

3.資本品廠商

（四）中央銀行

根據Fisher方程，名義利率和實際利率的關系為

四、參數校準估計與模型適用性分析

對于現有DSGE文獻通用參數，直接參考已有研究設定。對模型動態特征參數采用貝葉斯計量估計取值。考慮到2007年以拍拍貸為代表的P2P網絡借貸平臺在我國首次出現，故選擇2010年第1季度至2017年第4季度為樣本期。為避免估計的非奇異矩陣問題，選取觀測變量個數等于結構性沖擊個數。模型引入包括技術生產率、住房偏好、投資調整成本以及貨幣政策在內的4個外生隨機沖擊，故選擇4個觀測變量，分別為人均實際GDP、人均投資、7天隔夜拆借利率和通貨膨脹。對GDP和投資變量進行季節調整和價格指數沖減后折算為實際變量和單邊濾波去趨勢處理。數據來源為Wind數據庫和CQER數據庫。

（一）參數校準

參照侯成琪等[18]的設定，儲蓄居民與借貸居民主觀貼現率分別取0.99和0.98。勞動供給彈性的逆，現有文獻研究認為合理取值在2左右，本文取2。參照許志偉等[19-20]的設定，資本產出份額取0.45。設年度資本折舊率10%，季度折舊率則取2.5%。兩類居民勞動投入份額占比取0.64，勞動供給在效用函數中權重取1。根據我國網貸之家調查，P2P網絡借貸房產抵押率上限是七成。截至2017年5月末，金融業本外幣貸款余額中60%為抵質押貸款，房地產為主要押品，占押品比重約為50%。因此，本文P2P網絡借貸抵押率取0.7，商業貸款抵押率取0.5。參考Gambacorta等[16]的研究，銀行凈資本折舊取0.049。其次，對具有明確經濟含義和穩態有關結構參數采用經驗數據匹配校準方法。匹配穩態下儲蓄居民兩種資產配置規模比，資產配置系數取2。銀行信貸與P2P信貸比值在基準模型中取0.25，在后面內生分析中則由深度結構參數內生確定。銀行未分配利潤占比取0.8，匹配上市銀行年報平均值。借貸居民貸款利率加成取0.6%，匹配季度存貸利差平均值。投資與借款匹配關系取2.3，匹配P2P網絡借貸投資人與借款人占比平均值。根據Wind數據統計，樣本期內我國商業銀行資本充足率季度值取12.67%。參照王文甫[21]的研究，我國零售品廠商平均每4個季度調整一次價格，并根據Calvo與Rotemberg定價匹配原則，消費品替代彈性取6，價格調整成本系數取72.01。具體參數校準結果見表1。

（二）參數估計

根據Pfeifer[22]的研究建議，為使觀測變量與模型變量保持經濟意義匹配一致性，在模型中增加量測方程刻畫觀測變量與模型變量之間的關系。同時，根據已有文獻先驗信息給出待估參數初始值，缺少先驗信息則采用較為寬松設定，盡量使估計結果較少受先驗分布誤設影響。本模型利用Dynare優化算法進行貝葉斯估計，但Dynare內嵌多種數值優化器，尋找后驗模式存在兩個問題：一是這些算法只能找到局部最大后驗密度，不能確保全局最大值;二是后驗密度海森矩陣非正定，算法可能無法收斂。對此，參照Zha[23]的研究，調用外部函數從先驗分布中執行隨機模式搜索1000次，并利用后驗分布MCMC通過Markov鏈抽樣2萬次模擬估計，提高對數數據密度，保證估計穩健性。具體參數估計結果見表2。

（三）模型適用性分析

匹配比較模型經濟和現實經濟中主要宏觀變量的一階矩和二階矩條件，交叉驗證模型對現實經濟的擬合效果，結果見表3。可見，盡管由于模型為封閉經濟體，未包含凈出口市場，模型經濟與現實經濟存在稍許偏差，但從經濟結構角度看，模型經濟與實際樣本較接近，說明決定模型穩態的結構參數校準較合理。從經濟波動角度看，模型經濟與實際樣本高度擬合，說明觀測變量數據已充分識別、估計待估參數。整體上，本模型對現實經濟的擬合效果較好。

五、數值模擬與量化評估

（一）P2P網絡借貸的經濟效應模擬

首先，通過技術沖擊刻畫經濟繁榮時P2P網絡借貸發展對宏觀經濟的影響。其中，式（8）中α分別取1、0.75和0.25，分別對應模型經濟中P2P網絡借貸占信貸比重0%、25%和75%三種情景。圖4模擬顯示，隨著P2P網絡借貸占比提高，社會信貸增長幅度增加。通過P2P網絡借貸平臺，借貸居民信貸約束被放松，能夠消費更多商品和住房，而儲蓄居民財富管理渠道被拓寬，財富效應帶動消費增加。由于房屋供給一定，借貸居民購房需求釋放，擠出儲蓄居民購房需求。因此，P2P網絡借貸的存在與發展確實促進了社會信貸規模增加，擴大了金融服務的覆蓋面，提高了普惠金融服務滲透率，釋放了更多潛在需求，這與我國金融體系尚未覆蓋的長尾人群較多，網絡借貸行業發揮了較大的普惠金融作用事實一致。

其次，信貸規模或信貸占GDP比重波動幅度越大，預示金融越不穩定。若信貸規模或信貸占GDP比重過度起伏，將引發系統性風險。表4模擬統計結果顯示，隨著P2P網絡借貸占比增加，不論信貸規模還是信貸占GDP比重的標準差都隨之增加。如圖5所示，這種信貸波動還會隨著P2P網絡借貸占比上升呈非線性積累。這是因為資本要求約束僅影響銀行信貸，尚未約束P2P網絡借貸，故P2P網絡借貸占比越高，整個社會信貸約束越弱，市場波動越劇烈。這也說明P2P網絡借貸作為資金融通平臺，如同影子銀行，已事實上成為與銀行體系平行的準銀行。銀行資產負債表不能完全反映貨幣信貸創造過程，很多信用創造過程發生在銀行體系之外。如果宏觀審慎管理范圍過窄，大量流動性游離在貨幣監測之外，都可能成為系統性風險的重要來源。

從社會福利角度看，P2P網絡借貸發展是否能夠顯著改善社會福祉呢？借鑒Schmitt-Grohe等[24]的研究，用補償方差（Compensation Variation，CV）比較不同體制之間的福利差異。將模型中有無P2P網絡借貸作為兩種不同體制，設不存在P2P網絡借貸時，儲蓄居民和借貸居民福利分別為Ws*和Wb*。結合居民效用函數，與存在P2P網絡借貸相比，福利差異可分別表示為CEs和CEb，即

將模型在二階條件下展開，并根據式（42）（43）求解計算福利差異。如圖6所示，隨著P2P網絡借貸規模占比增加，借貸居民信貸約束被放松，消費和住房支出相應增加，福利持續改善;儲蓄居民不受信貸約束影響，住房市場被擠出，福利反而下降。當借貸居民福利改善大于儲蓄居民福利惡化，社會整體福利改善。但是，P2P網絡借貸占比越大，信貸和消費波動也越大，這不利于家庭居民平滑消費。此外，隨著P2P網絡借貸占比增大，福利改善邊際效應下降，風險積累邊際影響遞增，最終在P2P網絡借貸占比達到一定規模后，反轉最初福利增加，取而代之是福利下降。這表明P2P網絡借貸行業規模存在最優效率邊界，無序發展不利于社會福祉提高，也說明既要有內在激勵機制，鼓勵P2P網絡借貸運用科技手段深耕金融服務，促進金融普惠，又要有外在約束機制，加強宏觀審慎監管，保障P2P網絡借貸行業合規發展，這二者并非“對立關系”。

（二）P2P網絡借貸的流動性風險模擬

“短存長貸”期限錯配，即資金來源短期化，資金運用長期化，普遍存在于銀行業。由于銀行持有金融牌照，通過完備風險撥備制度、不良資產處置機制以及同業拆借、中央銀行再貸款等多種手段進行風險緩釋，發生存款人擠兌，引發流動性風險概率很低。與此不同，P2P網絡借貸平臺本質上是金融信息中介，包括拆標的和拆期限的資金池業務模式已觸及期限錯配問題。通過債權轉讓將到期短標資產流動起來，拉平被錯配周期，在沒有相應風險緩釋措施和中央銀行最后貸款人背書保障下，反而會放大流動性風險。為模擬刻畫這種情景，本文對衡量P2P網絡借貸市場出借人與借款人之間的匹配關系施加沖擊，結果如圖7所示。

第一，P2P網絡借貸規模占比越大，網絡借貸利率和風險溢價上升越多，社會信貸規模下降越大，投資、消費等實體經濟下滑越嚴重。這說明對P2P網絡借貸行業設置較高準入門檻，通過合規檢查、備案，逐步向牌照管理轉變，保持合理適度的P2P網絡借貸規模，不僅有利于社會福利改善，也會避免平臺流動性風險積聚蔓延，影響投資者信心，形成惡性循環。第二，P2P網絡借貸期限錯配越嚴重，網絡借貸利率和風險溢價上升越快，流動性風險越大。作為資金池業務，一旦出借人集體贖回資金，或新資金流入驟降，短期流動性枯竭，就會加大擠兌風險。盡管債權轉讓在一定程度上提升資金撮合效率，但也會加快資金匹配兌付頻率，借新還舊本質上十分接近龐氏騙局。這些脆弱性的積累隨時都可能因金融狀況突然收緊、市場恐慌情緒影響而暴露出流動性風險，因此為維護金融穩定，應當更積極地使用宏觀審慎工具，包括逆周期資本緩沖，來解決P2P網絡借貸行業的脆弱性問題。第三，與P2P網絡借貸規模相比，網絡借貸平臺不合規經營行為造成的流動性風險更為嚴重。這說明風險控制是網絡借貸平臺的核心，只有加快審慎監管立法，盡快制定平臺企業內部控制標準規范，進行風險控制指引，明確風險緩釋手段，保證平臺企業合法合規運營，才能從源頭防控網絡借貸行業的金融風險。

（三）P2P網絡借貸下的宏觀審慎政策有效性

逆周期資本緩沖和LTV比率限制是兩項重要的宏觀審慎工具。前者能夠增強金融彈性，降低信貸周期，后者能降低受信貸約束居民消費對金融沖擊的反應，緩解金融順周期性自我加速機制。盡管如此，這些審慎監管只適用于銀行，P2P網絡借貸不在監管范圍內，宏觀審慎政策有效性評估至關重要。參照Iacoviello等[25]的研究，此處放棄P2P網絡借貸占比外生假設。考慮貸款償還違約，銀行預期違約成本為

式（48）表明P2P網絡借貸占比主要取決于銀行與P2P網絡借貸平臺各自LTV水平與其約束松緊程度，這說明在信貸市場上，P2P網絡借貸規模

與宏觀審慎政策有效性密切相關。審慎政策趨緊、金融監管趨嚴抑制了銀行信貸供給，造成一些融資需求無法滿足，紛紛轉向P2P網絡借貸平臺融資，反而促進了網貸平臺發展。需要強調的是，銀行資本要求決定銀行可貸款供給規模，相當于銀行LTV松緊約束，同樣對P2P網絡借貸占比具有影響。如圖8所示，銀行LTV收緊和資本要求提高，或放松P2P網絡借貸LTV，都會促進P2P網絡借貸行業發展。這與2013年和2014年我國銀行業全面收緊貸款審批，導致P2P網絡借貸行業爆發式增長事實一致。

為評估P2P網絡借貸下的宏觀審慎政策，分別以生產技術增加和政策利率提高的沖擊刻畫經濟繁榮和經濟過熱來進行反事實模擬分析。對經濟模型二階展開，并考慮四種情景：（1）無P2P網絡借貸，宏觀審慎工具為資本要求（CRR）和貸款價值比約束（LTV）;（2）存在P2P網絡借貸，宏觀審慎工具為CRR;（3）存在P2P網絡借貸，宏觀審慎工具為LTV;（4）存在P2P網絡借貸，宏觀審慎工具為CRR和LTV，增加P2P網絡借貸LTV約束。不同情景下政策模擬結果見表5。

表5模擬結果顯示：第一，P2P網絡借貸既提高金融服務覆蓋面，也帶來較大信貸波動。在經濟繁榮情景下，P2P網絡借貸的存在，會顯著促進產出、消費和投資等實體經濟增長，在改善社會福利的同時，也造成信貸波動增加。第二，在經濟繁榮情景下，技術進步帶來經濟擴張，放松了銀行資本要求和LTV約束，市場流動性充裕，P2P網絡借貸信貸占比下降。在經濟過熱情景下，貨幣政策收緊，“大河無水小河干”，資金供給趨緊導致銀行信貸和P2P網絡借貸規模下降，但P2P網絡借貸信貸占比卻上升。這說明在非對稱監管下，貨幣政策收緊對銀行信貸和P2P網絡借貸具有非對稱緊縮影響。第三，在經濟繁榮情景下，信貸標準差分別為2.93、4.58、4.73和4.70;在經濟過熱情景下，信貸標準差則分別為10.49、12.08、14.74和14.03。可見，P2P網絡借貸削弱了宏觀審慎政策有效性，造成更大信貸波動，增加了銀行體系之外的金融脆弱性。這說明在非對稱監管下，僅對銀行信貸供給進行限制，并不能達到對信貸整體約束的目的。借貸居民從銀行貸款轉向P2P網絡借貸平臺融資，P2P網絡借貸平臺成為規避監管缺口，不能有效熨平信貸波動，這背離了宏觀審慎政策初衷。相反，如果增加對P2P網絡借貸LTV約束，則會在一定程度上彌補監管漏洞，提高宏觀審慎政策有效性。第四，從審慎工具使用效果看，LTV約束比資本要求更能有效抑制信貸波動。LTV直接限制可貸款規模，不需要過多中間傳導環節，具有“立竿見影”效果。相反，資本要求是一種懲罰機制，僅影響銀行可貸資金寬裕程度，不直接作用于信貸供給，政策效果更多取決于銀行放貸意愿。從經濟周期角度看，宏觀審慎工具效果是不對稱的。相比經濟過熱情景，在經濟繁榮情景下，宏觀審慎政策會帶來社會福利明顯改善，這說明收緊宏觀審慎政策要比放松宏觀審慎政策的效果更明顯。

六、主要結論與政策建議

在深化金融供給側結構性改革大背景下，完善宏觀審慎政策框架，促進P2P網絡借貸規范發展，平衡好穩增長和防風險的關系，增強金融服務實體經濟能力具有重要意義。本文利用DSGE模型刻畫我國P2P網絡借貸特征事實，數值模擬分析P2P網絡借貸平臺的經濟效應、流動性風險，量化評估P2P網絡借貸下宏觀審慎政策的有效性。研究發現：第一，P2P網絡借貸既擴大金融服務覆蓋面，提高金融滲透率，促進實體經濟增長，又放大信貸波動，增加銀行體系外的金融脆弱性，影響金融穩定;第二，P2P網絡借貸具有信用中介特征，其行業無序發展和債權轉讓模式不僅難以促進反而惡化社會福利，造成期限錯配的流動性風險;第三，在非對稱監管下，P2P網絡借貸削弱宏觀審慎政策有效性，造成更大信貸波動，而貨幣政策收緊對銀行信貸和P2P網絡借貸具有非對稱緊縮影響;第四，將P2P網絡借貸納入宏觀審慎政策框架，一定程度上可平抑信貸波動，提高宏觀審慎政策有效性。

綜上所述，本文提出以下幾點建議：第一，加強網絡借貸平臺準入審查，明確網絡借貸平臺的準入資質，設置較高準入門檻。通過合規檢查、備案，逐步向牌照管理轉變，保持合理適度的P2P網絡借貸行業規模。第二，建立網絡借貸信息披露機制，提高信息披露準確性和透明度，既要強化違法違規行為懲治力度，又要鼓勵平臺完善風險控制機制，保證平臺業務模式合法合規。第三，建立投資者適當性制度，出臺投資者適當性標準，加強投資者教育，提高出借人對P2P網絡借貸項目風險的識別能力和承受能力。第四，構建納入P2P網絡借貸的宏觀審慎政策框架，完善審慎監管工具和方式，注重短期引導及長期規范相配合，有效平衡金融創新與風險的關系，守住不發生系統性風險底線。

參考文獻：

[1]?Narain A. Two faces of change[J]. Finance & Development， 2016， 53（3）： 20-21.

[2]?Freedman S， Jin G Z. The information value of online social networks： Lessons from peer-to-peer lending[J]. International Journal of Industrial Organization， 2017， 51（2）： 185-222.

[3]?Bank for International Settlements. Annual economic report[R]. BIS Annual Economic Report， 2018.

[4]?International Monetary Fund. A decade after the global financial crisis： Are we safer？[R]. Global Financial Stability Reports， 2018.

[5]?李悅雷， 郭陽， 張維. 中國P2P小額貸款市場借貸成功率影響因素分析[J]. 金融研究， 2013（7）： 126-138.

[6]?周雄偉， 朱恒先， 李世剛. 平臺參與投資與P2P籌資效率[J]. 中國工業經濟， 2017（4）： 155-175.

[7]?朱家祥， 沈艷， 鄒欣. 網絡借貸： 普惠？普騙？與監管科技[J]. 經濟學（季刊）， 2018（4）： 1599-1622.

[8]?馮博， 葉綺文， 陳冬宇. P2P網絡借貸研究進展及中國問題研究展望[J]. 管理科學學報， 2017（4）： 113-126.

[9]?黃益平， 沈艷， 王靖一. 哪類個體網絡借貸平臺容易出問題？[R]. 北京大學國家發展研究院和北京大學互聯網金融研究中心工作論文， 2015.

[10]王修華， 孟路， 歐陽輝. P2P網絡借貸問題平臺特征分析及投資者識別[J]. 財貿經濟， 2016（12）： 71-84.

[11]范超， 王磊， 解明明. 新經濟業態P2P網絡借貸的風險甄別研究[J]. 統計研究， 2017（2）： 33-43.

[12]劉紅忠， 毛杰. P2P網絡借貸平臺爆發風險事件問題的研究[J]. 金融研究， 2018（11）： 119-132.

[13]魏明俠， 趙艷. 基于博弈模型的P2P網絡借貸行業風險機理研究[J]. 金融監管研究， 2018（12）： 83-97.

[14]Iacoviello M. House prices， borrowing constraints， and monetary policy in the business cycle[J]. American Economic Review， 2005， 95（3）： 739-764.

[15]Kiyotaki N， Moore J. Credit cycles[J]. Journal of Political Economy， 1997， 105（2）： 211-248.

[16]Gambacorta L， Signoretti F M. Should monetary policy lean against the wind： An analysis based on a DSGE model with banking[J]. Journal of Economic Dynamics and Control， 2014， 43（1）： 146-174.

[17]Mendicino C， Pescatori A. Credit frictions， housing prices and optimal monetary policy rules[R]. Departmental Working Papers of Economics-University， 2004.

[18]侯成琪， 劉潁. 外部融資溢價機制與抵押約束機制[J]. 經濟評論， 2015（4）： 134-147.

[19]許志偉， 林仁文. 我國總量生產函數的貝葉斯估計[J]. 世界經濟文匯， 2011（2）： 87-102.

[20]馬文濤， 魏福成. 基于新凱恩斯動態隨機一般均衡模型的季度產出缺口測度[J]. 管理世界， 2011（5）： 39-65.

[21]王文甫. 價格粘性、流動性約束與中國財政政策的宏觀效應[J]. 管理世界， 2010（9）： 11-25.

[22]Pfeifer J. A guide to specifing observation equations for the estimation of DSGE models[R]. University of Mannheim Working Paper， 2014.

[23]Zha Tao. Bayesian estimation of DSGE models[R]. International Monetary Fund Institute for Capacity Development Joint China-IMF Training Program， 2018.

[24]Schmitt-Grohe S， Uribe M. Optimal fiscal and monetary policy under sticky prices[J]. Journal of Economic Theory， 2004， 114（2）： 198-230.

[25]Iacoviello M， Minetti R. International business cycles with domestic and foreign lenders[J]. Journal of Monetary Economics， 2006， 53（8）： 2267-2282.