（原標題：金融科技算法真的可以消除借貸歧視嗎？）

諾貝爾和平獎獲得者尤努斯曾說：“貸款是一項基本人權?！泵课还穸紤碛袨闈M足個人生活基本需要而獲得與自身信用相匹配的借貸資源的權利。

但現實中，由于金融機構的強勢地位，金融消費者很難獲得公平公正的待遇。因此，美國公平借貸法（fair-lending law）明確禁止貸款機構基于與信用無關的特征對少數借款人進行借貸歧視。

對于很多背景并不完美的弱勢群體來說，公平信貸權的實現更有現實意義。但金融消費者的公平信貸權是否真正得到了保障？

在金融科技時代，信貸審批過程越來越多地使用算法進行決策。算法的優勢在于更加穩定、客觀，決策結果不會受到信貸人員主觀情緒的影響。而人工審批過程則存在一定的主觀歧視，即對于不同群體給出不同的審批結果和定價策略。

顯然，使用算法進行借貸決策能夠規避人的主觀情緒所導致的有意識或無意識的歧視行為，但算法是否真的完全公平，是否可以完全消除借貸歧視？

來自加州大學伯克利分校的Robert Bartlett、Adair Morse、Richard Stanton和Nancy Wallace在金融學國際頂級期刊《Journal of Financial Economics》上發表論文“Consumer-lending discrimination in the FinTech Era”，對該問題進行進一步研究。

文章于2020年2月投稿，2021年1月被接收，2021年5月正式刊發。

Part 1研究背景

算法決策可以減少面對面的歧視，而市場往往存在隱性和顯性的偏見，同時，也可能導致無意識的歧視。

截至2017年，美國家庭債務為13萬億美元；其中，少數族裔家庭占17.3%，即2.25萬億美元。其中最大的部分是住房貸款，少數民族家庭欠下了1.65萬億美元。由于受到歧視，住房貸款每增加一個基點的利息，少數族裔每年就要多支付1.65億美元。

歧視問題不僅影響借貸公平，更嚴重影響到每一個少數族裔的家庭福祉。因此，消除借貸歧視是一個緊迫、重要且艱巨的挑戰。若想減少乃至消除歧視問題，首先需要對此進行精確識別。

雖然以往已有研究關注少數族裔的借貸歧視問題，但大多著眼于2008年金融危機之前發行的貸款，且大部分集中在次級貸款，研究范圍有一定局限性。同時以往研究也存在大量遺漏變量問題，僅關注借款方利率差異，而忽略貸款方決策信息，因此無法確定觀察到的兩組借款人的利率差異是否完全反映了借貸歧視。

Part 2研究方法

為解決遺漏變量問題，文章以美國房貸市場為研究背景，主要關注GSE證券化貸款和FHA擔保貸款。

GSE，即Government-Sponsored Enterprises（政府支持企業），主要指房利美和房地美。GSE證券化貸款是指貸款機構放貸后直接將貸款出售給兩家GSE，GSE將貸款打包成抵押貸款支持證券(MBS)，并將其出售給MBS市場，在此過程中貸款機構實現了信用風險的完全轉移。

FHA，即Federal Housing Administration（聯邦住房管理局）。FHA擔保貸款由FHA對違約風險進行擔保，因此貸款機構也可以實現信用風險轉移，定價偏移也反映了借貸歧視。

兩家GSE建立了一個定價網格，對貸款價值比和信用評分相關的信用風險進行定價。定價網格不一定是違約預測的最優模型，但它是貸款機構為轉移信用風險必須向GSE支付的價格。

也就是說，對于在定價網格中信用風險相同的兩個人，貸款機構應該征收相同的貸款價格，因此任何與種族相關的對網格定價的偏移都反映了借貸歧視。

因此文章利用證券化過程對信用風險的轉移，巧妙識別了貸款機構承擔的信用風險和利率定價之間的關系，解決了以往研究中可能存在的遺漏變量問題，對少數族裔住房抵押貸款的借貸歧視進行測試。

上表展示的是房利美 2011 年的 LLPA（貸款水平價格調整）網格。該圖來自房利美銷售指南，日期為 2010 年 12 月 23 日。LLPA 網格在 Freddie Mac 有一個平行網格，稱為價格圖表中的信用費用。這些網格提供了額外的 g-fee（擔保費），貸方必須向 GSE 支付擔保抵押貸款，這些費用因 LTV 和信用評分而異。

文章通過觀察借款人的 LTV 和信用評分來全面了解信用風險的價格。GSE 和 FHA 市場特征使我們能夠將借款人的利率分解為 (a) 基本抵押貸款利率（由時間固定效應捕獲），（b）信用風險（由借款人的 LTV 和信用評分捕獲），以及 (c) 反映貸方策略定價的殘差。

雖然“網格定價”僅適用于 GSE 貸款，但不適用于風險定價。對高 LTV 貸款收取更高的費用，也相當于使用 GSE 網格，然后在每個單元格中設置相同的利率（或者可能在每個單元格中收取稍高的利率）。為了表述的一致性，文章分解模型應用于 GSE 和 FHA 貸款。

該回歸模型將抵押貸款利率回歸到與年/月交互的 64 個GSEgrid 級別以及貸款是否是兌現再融資的申請者的指標上，即拉丁裔/非洲裔。這種方法使文章能夠捕捉網格中的定價，以及存在不同的現金再融資定價網格、貸方差異定價以及隨時間波動的事實。此外，抵押貸款利率與貸款金額呈負相關，發放貸款的許多成本是固定的，該回歸模型還包括了對貸款規模的固定效應。

Part 3實證結果

本文研究樣本是2009年至2015年之間由GSE證券化和FHA擔保的住房抵押貸款，申請成功的貸款約660萬筆，另有被拒絕的貸款約650萬筆。本文重點關注拉丁裔和非洲裔的貸款申請人，這兩類群體是最可能發生歧視的少數族裔群體。

1. 少數族裔在貸款價格方面的歧視現象

雖然資產證券化使得傳統放貸機構已經完全將信用風險轉移，但相對于其他群體，不論是住房抵押貸款還是再融資貸款，拉丁裔和非洲裔群體支付的利率仍然顯著更高。

金融科技平臺使用算法進行貸款決策，雖然能夠有效降低對少數族裔的定價歧視，但是并不能完全消除。也就是說，算法雖然極大地規避了放貸者主觀情緒的作用，但在利率定價時依舊不能實現完全公平。

少數族裔價格歧視也存在著區域異質性。在少數族裔占主體的普查區，所有借款人(包括少數族裔群體和非少數族裔群體)的平均貸款利率均較高；在一般的普查區，少數族裔借款人的利率高于非少數族裔借款人。

上表顯示了對樣本中的貸款運行回歸 (1) 的結果。前兩列顯示 GSE 貸款的估計值，后兩列顯示 FHA 貸款的估計值。拉丁裔/非洲裔與非少數族裔借款人的購買抵押貸款利率總體平均差異在2到5個基點之間。

少數族裔貸款者GSE貸款范圍從GSE再融資的1.63個基點到GSE貸款的4.67個基點貸款；FHA 貸款的范圍從FHA再融資的1.53個基點到FHA貸款的4.87個基點。

2. 少數族裔在貸款獲得方面的歧視現象

即使借款人在GSE系統中獲得批準，但是仍可能遭到貸款機構拒絕（按照流程，貸款機構獲得借款人信息后，先上傳至GSE系統，得到GSE系統批準后再決定是否向借款人放貸）。

傳統貸款機構對拉丁裔和非洲裔群體的貸款申請拒絕率比相同情況的非少數族裔高出約6%。從2009年到2015年，貸款機構拒絕了74萬至130萬拉丁裔和非洲裔美國人的貸款申請（這些申請按照GSE系統是可以被接受的）。

但是，金融科技貸款機構在決定是否接受少數族裔貸款申請時則完全沒有歧視。說明算法結果和利潤最大化目標是一致的，自動化決策可能會降低貸款拒絕方面的歧視發生率。

上表顯示了金融科技貸方發放的貸款的歧視結果。所有系數仍然顯著大于零?；€估計之間的差異對于 GSE 貸款或 FHArefinance 貸款可以忽略不計。然而，FHA 購買貸款低 27%，FHA 再融資貸款低 36%。如上表所示，關于少數族裔定價差異，FHA 貸款在 FinTech 和非 FinTech 貸方之間存在顯著的 132 個基點，而 GSE 貸款和 FHA 再融資差異在統計上不顯著。由于少數族裔貸款者去金融科技貸方是隨機的，本文也不能確定以上結果在多大程度上外推到整個借款者群體。

Part 4研究結論

文章利用大量的數據以及巧妙的實證設計，清晰地識別了放貸機構是否對拉丁裔和非洲裔借款人存在借貸歧視。

研究結果表明，金融科技算法能夠減少傳統貸款機構對少數族裔的借貸歧視，但是還不足以完全消除貸款定價方面的歧視。也就是說，金融科技算法決策在消除歧視方面起到了重要作用，但目前依舊無法實現完全公平。

本文系未央網專欄作者:學說平臺 發表，內容屬作者個人觀點，不代表網站觀點，未經許可嚴禁轉載，違者必究！

免責聲明：信息網轉載此文目的在于傳遞更多信息，不代表本站的觀點和立場。文章內容僅供參考，不構成投資建議。如果您發現網站上有侵犯您的知識產權的作品，請與我們取得聯系，我們會及時修改或刪除。

Tags：[db:TAG標簽](1112628)

轉載請標注：信息網——金融科技算法真的可以消除借貸歧視嗎？