P2P网络借贷、流动性风险与宏观审慎政策

李建强 张淑翠 赵大伟

摘要：目前，P2P网络借贷平台合法合规发展已成为重要问题。本文依据中国P2P网络借贷平台特征事实，构建动态随机一般均衡模型，模拟分析P2P网络借贷经济影响、风险机理及宏观审慎政策有效性。研究结果表明：（1）P2P网络借贷在提高金融渗透率、促进金融普惠的同时，也放大了信贷波动，增加了银行体系外的金融脆弱性;（2）P2P网络借贷行业存在适度最优规模边界，无序发展不利于社会福祉提高;（3）与P2P网络借贷行业规模过度相比，平台债权转让模式流动性风险更严重;（4）在监管非对称下，P2P网络借贷削弱了宏观审慎政策有效性。因此，扩大宏观审慎政策框架覆盖范围，将P2P网络借贷纳入宏观审慎政策框架，与P2P网络借贷行业可持续发展并非对立关系，一定程度上可平抑信贷波动，提高宏观审慎政策有效性。

关键词：P2P网络借贷;流动性风险;宏观审慎;金融稳定;金融监管;数值模拟

文献标识码：A

文章编号：1002-2848-2019（05）-0038-14

随着互联网信息技术的发展和居民投资理财需求的旺盛，以金融脱媒为特征的P2P网络借贷在全国范围内迅速发展起来。P2P网络借贷依托互联网，为投资人和融资人提供资金借贷信息，撮合和促成投资人与融资人在互联网平台上进行资金借贷。2007年6月，我国首家P2P网络借贷平台——拍拍贷在上海成立，随后各类P2P网络借贷平台如雨后春笋般涌现。据网贷天眼统计，截至2017年，全国P2P网络借贷平台数量已有6461家，行业成交量达16681.65亿元。P2P网络借贷已成为云计算、大数据、人工智能和区块链等新兴科技与金融创新深度融合的重要实践。

与此同时，P2P网络借贷支付主体、渠道、场景、数据等多维度的碎片化，也埋下一些流动性风险隐患。由于线上借贷模式有其独特性，金融监管制度滞后，各个P2P网络借贷平台资质不一、良莠不齐，一度出现“提现困难”“清盘退出”及“停业跑路”等信用问题，被形象地称为“爆雷潮”，引发社会对P2P网络借贷行业触发系统性风险的担忧。这些P2P网络借贷的问题平台已在居民、银行、非银行金融机构以及中小企业之间建立起错综复杂的债权债务关系。实体部门需要付出更高成本，融资需求没有得到充分满足，甚至一些借贷主体通过不合规平台服务产生了加杠杆、期限错配问题，这些都成为诱发系统性金融风险的新隐患。这些层出不穷的金融乱象，不仅影响货币政策传导和金融资源配置效率，而且也危及金融稳定，最终损害社会福利。鉴于此，我国《“十三五”现代金融体系规划》明确指出，要“逐步扩大宏观审慎政策框架的覆盖范围，探索将影子银行、资管产品、互联网金融等更多金融活动纳入宏观审慎政策框架，实现宏观审慎管理和金融监管对所有金融机构、业务、活动及其风险全覆盖”。2016年，国务院启动了互联网金融专项整治，并将P2P网络借贷列为重点整治领域。正确把握P2P网络借贷本质，深入分析P2P网络借贷的经济影响及其背后的流动性风险机理，量化评估宏观审慎政策有效性，对深化金融供给侧结构性改革，推动P2P网络借贷行业可持续发展至关重要。

一、文献综述

金融危机后，非银行金融机构快速发展对货币政策传导及金融稳定的影响引起人们广泛反思。其中，P2P网络借贷的流动性风险问题也越来越受到关注。Narain[1]研究认为，金融技术公司经常处于监管灰色地带，可能会开展一些银行业务，但不受许可和监管限制，未来有必要要求金融技术公司接受审慎监管。Freedman等[2]研究发现，相对传统借贷，P2P网络借贷平台信息透明度低，在非接触性借贷交易中，社会关系不透明会导致借贷存在严重逆向选择问题。国际清算银行（Bank for International Settlements，BIS）[3]强调，全球金融危机后，源于资本市场融资活动的风险更为普遍，金融创新和金融科技的应用可能会改变风险的属性，这需要一系列新政策和更多宏观审慎政策工具加以应对。国际货币基金组织（International Monetary Fund，IMF）[4]认为，为了维护金融稳定，监管机构必须关注新的风险，包括网络安全、金融科技以及审慎监管范围之外的其他机构和业务活动可能给金融稳定造成的威胁，这需要采用新的宏观审慎工具来解决银行部门之外的脆弱性问题。

在国内，P2P网络借贷作为一种新兴金融业态，其研究主要聚焦于三方面：一是P2P网络借贷交易特征与影响因素[5-6]，二是P2P网络借贷收益率波动及影响因素[7]，三是P2P网络借贷国际经验与案例分析[8]。然而，对于P2P网络借贷平台爆发风险问题，仅有少量文献有所涉猎。黄益平等[9]梳理分析3439家P2P问题平台特征，发现信息严重缺失、从业时间较短、利率区间狭窄、利率水平高以及业务品种不全等都是问题平台风险隐患。王修华等[10]基于222家P2P网络借贷平台经营数据样本，研究发现管理层信息披露、年化收益率和第三方资金存管等因素对问题平台风险具有显著影响。范超等[11]基于444家P2P网络借贷平台数据研究，认为网民评论和关注度、平台利率、资金净流入与待还款金额等波动都是识别平台风险程度重要指标。刘红忠等[12]基于实物期权理论，构建P2P网络借贷平台风险事件的结构模型，揭示P2P网络借贷平台风险爆发的内在机理。魏明侠等[13]通过建立P2P网络借贷市场上各主要参与主体间的博弈模型，对借款方、贷款方、平台方和监管方两两间进行了博弈分析，并结合实际案例对P2P网络借贷风险行为进行了分析。

总体上，我国P2P网络借贷研究多关注微观层面因素，与之相关的实证分析也依赖行业调查和平台财务自行披露，这些样本数据是否足够大，是否具有代表性值得商榷，碎片化研究可能缺乏宏观系统性思考。P2P网络借贷固然具有小额分散特征，但也只能分散平台内不同借款人个体风险，而金融自身风险则无法在平台内小额分散消除。随着金融科技的推广与应用，针对金融稳定的新的威胁不断涌现，迫使金融监管改革。十九大明确提出“健全货币政策和宏观审慎政策双支柱调控框架”后，新的标准、工具和实践得以补充和实施。显然，剖析P2P网络借贷风险机理与评估宏觀审慎工具有效性不再是两个独立议题，需要纳入一个统一框架进行综合研究。与现有研究不同，本文可能的创新在于：第一，基于当前我国P2P网络借贷整顿的经济背景，在模型中引入“资金池”特征，捕捉并模拟刻画许多问题平台潜在的流动性风险隐患;第二，从社会福利角度，讨论P2P网络借贷发展的内生阈值，以及在P2P网络借贷平台下，量化评估不同审慎工具的有效性。此外，在研究方法上，前期文献多采用微观计量实证或信息博弈方法，从微观主体最优化决策对宏观经济影响视角切入的研究较少。鉴于此，本文通过建立动态随机一般均衡模型DSGE，系统分析了P2P网络借贷平台期限错配与债权转让模式背后的流动性风险机理，反事实模拟了P2P网络借贷下的宏观审慎政策有效性，提出推动P2P网络借贷行业规范发展的政策建议，以期能够为宏观审慎政策框架的完善提供理论支持。

二、我国P2P网络借贷平台特征事实描述

2018年6月以来，全国P2P网络借贷平台出现集中退出态势，带来了市场恐慌情绪的蔓延，也影响了部分尚正常运营的平台，网络借贷平台加速退出的负面影响不断扩大。相应地，我国金融监管部门采取了一系列举措来化解网络借贷行业风险，稳步推进合规检查，行业风险得到有效遏制，同时也发现违约网络借贷平台具有一些典型的风险特征。

第一，P2P网络借贷平台信用中介特征明显。2016年，我国《网络借贷信息中介机构业务活动管理暂行办法》规定，P2P网络借贷是指个体和个体之间通过互联网平台实现的直接借贷，而P2P平台是指依法设立、专门从事网络借贷信息中介业务活动的金融信息中介公司。其中，金融信息中介公司以互联网为主要渠道，为借款人与出借人（投资人）实现直接借贷提供信息搜集、公布、资信评估、信息交互和借贷撮合等服务。由于金融信息中介公司仅开展借贷撮合业务，出借人与借款人是一对一关系，完全满足期限匹配、收益和风险匹配原则。但在实际经营中，违约P2P网络借贷平台在未获得金融牌照情况下，采用先归集资金、再寻找借款对象等方式，使出借者资金进入平台账户形成资金池，这已具有信用中介特征。投标决策权被让渡至平台，业务本质由“撮合交易”变为“错配买卖”，债权转让也异化为滚动募资。具体有以下表现：首先，拆标的金额。为解决大标规模与低投资门槛矛盾，把一个大标拆成多个小标，允许投资者使用少量本金获取高门槛才可享受的收益率，从而增强标的吸引力（见图1）。部分平台甚至发行活期理财产品，期限错配割裂了风险和收益的匹配性。其次，拆标的期限。为解决长期借贷项目与短期投资偏好矛盾，把长标拆成多个短标滚动发行，允许投资者短期投资获取长期投资才可享受的收益率，从而提高标的吸引力（见图2）。部门平台通过短标多次滚动来满足长标需求，本质上是借新还旧，如果后续资金不能及时补充到位，或借款人未如期兑付，平台资金链就会断裂，影响短标出借人资金回笼，具有流动性风险。

第二，P2P网络借贷平台以债权转让模式为主。P2P网络借贷两端均以自然人为主，当出借人的债权期限未到期需要退出时，向P2P网络借贷平台发出转让申请，平台审核后向新出借人提供担保，新出借人认购原出借人债权，完成债权转让，原出借人方可退出。短期内，如果P2P网络借贷平台没有找到合适新出借人愿意认购，债权转让无法完成，原出借人必须继续持有等待。显然，债权转让模式容易受到市场恐慌情绪影响，一旦出借人集体选择提现退出，债权转让模式将难以为继。

第三，P2P网络借贷底层资产多以抵质押类为主。一方面，与其他国家P2P网络借贷发展不同，我国个人征信制度滞后，违约成本相对较低，大额纯信用贷业务在P2P网络借贷行业很难发展。P2P网络借贷平台不能随意调用央行征信系统数据，而且拥有大数据及相应数据分析能力的仅为少数头部平台，债务暴力催收受到法律制裁。另一方面，借款人逾期或者恶意赖账信息未能及时纳入征信，平台无法直接监视借款者真实资金使用过程，判别借款人资质成本较高。因此，出借人愿意进行有抵押标的的投资，而平台也要求借款人以一定抵押物来融资。据网贷之家统计，以2017年11月成交量过亿P2P网络借贷平台为样本，样本平台底层资产以汽车抵/质押和房产抵押为主。

三、DSGE模型分析框架

本文参照Iacoviello[14]的研究思路， 既保证模型简洁性，又追求模型实用性。不显性引入P2P网络借贷平台，仅依据网络借贷特征事实刻画平台角色。DSGE模型结构如图3所示。一是利用Kiyotaki等[15]提出的抵押约束机制，刻画我国P2P网络借贷底层资产多以抵质押类为主的客观事实;二是引入异质居民人口权重，捕捉我国P2P网络借贷债权转让模式;三是不考虑企业融资，设定借贷居民两种融资渠道，揭示我国P2P网络借贷信用中介特征和平台两端均以自然人为主特点;四是银行受贷款价值比约束和资本充足率偏离惩罚机制，体现我国金融监管非对称性和宏观审慎评估体系（Macro Prudential Assessment，MPA）打分实际情况。

（一）家庭部门

家庭存在两类居民：储蓄居民和借贷居民。居民效用函数为[WTBX]

其中，Cst表示储蓄居民消费，qht表示房屋相对价格，Hst表示储蓄居民住房服务。wst表示储蓄居民工资率，Lst表示储蓄居民劳动力供给。储蓄居民存在两种资产配置方式：一是向银行储蓄，获得储蓄回报。Dt表示储蓄，Rdt表示储蓄利率。二是在P2P网络借贷平台投资。BLst表示储蓄居民在P2P平台投资规模，RLt表示P2P贷款利率。设资产配置存在调整成本，υ是资产配置调整成本参数，ω表示资产配置系数。这保证了储蓄居民动态边际回报是不同的，避免模型陷入多重均衡陷阱。根据无套利条件，在稳态下储蓄居民两种资产配置行为回报率固然相同，但从借贷居民在P2P平台借款约束看，稳态下储蓄居民的银行储蓄与P2P平台投资规模不同，这说明实质上两者综合回报仍存在差异。另外，模型不考虑违约问题，这意味着P2P平台投资客观存在刚性兑付。从这个角度看，稳态下二者回报相等也是可以接受的，可理解为不受外部冲击影响下，储蓄居民进行P2P平台投资的底线是至少保证获得银行储蓄回报。储蓄居民最优一阶条件分别是

式（2）（3）是關于两类资产的欧拉方程，消费跨期条件表明储蓄居民追求平滑一生消费。式（4）衡量储蓄居民住房服务跨期条件，住房消费的边际效用等于放弃消费成本。式（5）是储蓄居民劳动供给方程。

借贷居民有两种融资方式：银行贷款和P2P平台贷款。通过外生设定两类不同贷款价值比（Loan to Value，LTV），区别两类不同机构流动性风险管理。mF是银行平台LTV，mL是P2P平台LTV。LTV越高，对应风险敞口越大。商业银行拥有相对完备风险拨备覆盖、准备金等风险缓释机制，并且还可以通过银行间市场获得短期流动性，自然比P2P平台拥有更强应对流动性风险的能力，故mF

模型属于典型代表行为人框架，借贷居民可视为实际社会中受流动性约束居民的平均水平，故α大小直接反映P2P网络借贷占比。。借贷居民预算约束条件为

（二）银行部门

参照Gambacorta等[16]的研究，银行吸收储蓄居民存款，向借贷居民贷款，并通过未分配利润积累银行净资本。中央银行规定商业银行的目标资本充足率为CRR，如果商业银行增加信贷投放，超过资本要求目标，要接受一定惩罚并付出成本。因此，银行需要权衡过度信贷投放的利弊。这种偏离资本目标的惩罚机制的引入，反映了中央银行对银行资本的审慎要求，将导致银行贷款供给曲线移动。银行利润最大化为

在向借贷居民贷款时，银行具有一定垄断定价权。由于竞争不充分，并不是所有借贷居民都能向银行贷款。设银行向借贷居民贷款利率加成是[AKμ-D]。

银行利润分为两部分，一部分是股利分配，被股东消费;另一部分是未分配利润，用作银行资本净值积累。δb表示银行净资本折旧，表示银行利润中未分配利润占比。银行利润和资本净值积累分别为

（三）厂商部门

1.最终品厂商

2.中间品厂商

储蓄居民是中间品厂商股东。中间品厂商生产决策分两个阶段：

一是在生产函数约束下成本最小化，决定要素需求比例。

3.资本品厂商

（四）中央银行

根据Fisher方程，名义利率和实际利率的关系为

四、参数校准估计与模型适用性分析

对于现有DSGE文献通用参数，直接参考已有研究设定。对模型动态特征参数采用贝叶斯计量估计取值。考虑到2007年以拍拍贷为代表的P2P网络借贷平台在我国首次出现，故选择2010年第1季度至2017年第4季度为样本期。为避免估计的非奇异矩阵问题，选取观测变量个数等于结构性冲击个数。模型引入包括技术生产率、住房偏好、投资调整成本以及货币政策在内的4个外生随机冲击，故选择4个观测变量，分别为人均实际GDP、人均投资、7天隔夜拆借利率和通货膨胀。对GDP和投资变量进行季节调整和价格指数冲减后折算为实际变量和单边滤波去趋势处理。数据来源为Wind数据库和CQER数据库。

（一）参数校准

参照侯成琪等[18]的设定，储蓄居民与借贷居民主观贴现率分别取0.99和0.98。劳动供给弹性的逆，现有文献研究认为合理取值在2左右，本文取2。参照许志伟等[19-20]的设定，资本产出份额取0.45。设年度资本折旧率10%，季度折旧率则取2.5%。两类居民劳动投入份额占比取0.64，劳动供给在效用函数中权重取1。根据我国网贷之家调查，P2P网络借贷房产抵押率上限是七成。截至2017年5月末，金融业本外币贷款余额中60%为抵质押贷款，房地产为主要押品，占押品比重约为50%。因此，本文P2P网络借贷抵押率取0.7，商业贷款抵押率取0.5。参考Gambacorta等[16]的研究，银行净资本折旧取0.049。其次，对具有明确经济含义和稳态有关结构参数采用经验数据匹配校准方法。匹配稳态下储蓄居民两种资产配置规模比，资产配置系数取2。银行信贷与P2P信贷比值在基准模型中取0.25，在后面内生分析中则由深度结构参数内生确定。银行未分配利润占比取0.8，匹配上市银行年报平均值。借贷居民贷款利率加成取0.6%，匹配季度存贷利差平均值。投资与借款匹配关系取2.3，匹配P2P网络借贷投资人与借款人占比平均值。根据Wind数据统计，样本期内我国商业银行资本充足率季度值取12.67%。参照王文甫[21]的研究，我国零售品厂商平均每4个季度调整一次价格，并根据Calvo与Rotemberg定价匹配原则，消费品替代弹性取6，价格调整成本系数取72.01。具体参数校准结果见表1。

（二）参数估计

根据Pfeifer[22]的研究建议，为使观测变量与模型变量保持经济意义匹配一致性，在模型中增加量测方程刻画观测变量与模型变量之间的关系。同时，根据已有文献先验信息给出待估参数初始值，缺少先验信息则采用较为宽松设定，尽量使估计结果较少受先验分布误设影响。本模型利用Dynare优化算法进行贝叶斯估计，但Dynare内嵌多种数值优化器，寻找后验模式存在两个问题：一是这些算法只能找到局部最大后验密度，不能确保全局最大值;二是后验密度海森矩阵非正定，算法可能无法收敛。对此，参照Zha[23]的研究，调用外部函数从先验分布中执行随机模式搜索1000次，并利用后验分布MCMC通过Markov链抽样2万次模拟估计，提高对数数据密度，保证估计稳健性。具体参数估计结果见表2。

（三）模型适用性分析

匹配比较模型经济和现实经济中主要宏观变量的一阶矩和二阶矩条件，交叉验证模型对现实经济的拟合效果，结果见表3。可见，尽管由于模型为封闭经济体，未包含净出口市场，模型经济与现实经济存在稍许偏差，但从经济结构角度看，模型经济与实际样本较接近，说明决定模型稳态的结构参数校准较合理。从经济波动角度看，模型经济与实际样本高度拟合，说明观测变量数据已充分识别、估计待估参数。整体上，本模型对现实经济的拟合效果较好。

五、数值模拟与量化评估

（一）P2P网络借贷的经济效应模拟

首先，通过技术冲击刻畫经济繁荣时P2P网络借贷发展对宏观经济的影响。其中，式（8）中α分别取1、0.75和0.25，分别对应模型经济中P2P网络借贷占信贷比重0%、25%和75%三种情景。图4模拟显示，随着P2P网络借贷占比提高，社会信贷增长幅度增加。通过P2P网络借贷平台，借贷居民信贷约束被放松，能够消费更多商品和住房，而储蓄居民财富管理渠道被拓宽，财富效应带动消费增加。由于房屋供给一定，借贷居民购房需求释放，挤出储蓄居民购房需求。因此，P2P网络借贷的存在与发展确实促进了社会信贷规模增加，扩大了金融服务的覆盖面，提高了普惠金融服务渗透率，释放了更多潜在需求，这与我国金融体系尚未覆盖的长尾人群较多，网络借贷行业发挥了较大的普惠金融作用事实一致。

其次，信贷规模或信贷占GDP比重波动幅度越大，预示金融越不稳定。若信贷规模或信贷占GDP比重过度起伏，将引发系统性风险。表4模拟统计结果显示，随着P2P网络借贷占比增加，不论信贷规模还是信贷占GDP比重的标准差都随之增加。如图5所示，这种信贷波动还会随着P2P网络借贷占比上升呈非线性积累。这是因为资本要求约束仅影响银行信贷，尚未约束P2P网络借贷，故P2P网络借贷占比越高，整个社会信贷约束越弱，市场波动越剧烈。这也说明P2P网络借贷作为资金融通平台，如同影子银行，已事实上成为与银行体系平行的准银行。银行资产负债表不能完全反映货币信贷创造过程，很多信用创造过程发生在银行体系之外。如果宏观审慎管理范围过窄，大量流动性游离在货币监测之外，都可能成为系统性风险的重要来源。

从社会福利角度看，P2P网络借贷发展是否能够显著改善社会福祉呢？借鉴Schmitt-Grohe等[24]的研究，用补偿方差（Compensation Variation，CV）比较不同体制之间的福利差异。将模型中有无P2P网络借贷作为两种不同体制，设不存在P2P网络借贷时，储蓄居民和借贷居民福利分别为Ws*和Wb*。结合居民效用函数，与存在P2P网络借贷相比，福利差异可分别表示为CEs和CEb，即

将模型在二阶条件下展开，并根据式（42）（43）求解计算福利差异。如图6所示，随着P2P网络借贷规模占比增加，借贷居民信贷约束被放松，消费和住房支出相应增加，福利持续改善;储蓄居民不受信贷约束影响，住房市场被挤出，福利反而下降。当借贷居民福利改善大于储蓄居民福利恶化，社会整体福利改善。但是，P2P网络借贷占比越大，信贷和消费波动也越大，这不利于家庭居民平滑消费。此外，随着P2P网络借贷占比增大，福利改善边际效应下降，风险积累边际影响递增，最终在P2P网络借贷占比达到一定规模后，反转最初福利增加，取而代之是福利下降。这表明P2P网络借贷行业规模存在最优效率边界，无序发展不利于社会福祉提高，也说明既要有内在激励机制，鼓励P2P网络借贷运用科技手段深耕金融服务，促进金融普惠，又要有外在约束机制，加强宏观审慎监管，保障P2P网络借贷行业合规发展，这二者并非“对立关系”。

（二）P2P网络借贷的流动性风险模拟

“短存长贷”期限错配，即资金来源短期化，资金运用长期化，普遍存在于银行业。由于银行持有金融牌照，通过完备风险拨备制度、不良资产处置机制以及同业拆借、中央银行再贷款等多种手段进行风险缓释，发生存款人挤兑，引发流动性风险概率很低。与此不同，P2P网络借贷平台本质上是金融信息中介，包括拆标的和拆期限的资金池业务模式已触及期限错配问题。通过债权转让将到期短标资产流动起来，拉平被错配周期，在没有相应风险缓释措施和中央银行最后贷款人背书保障下，反而会放大流动性风险。为模拟刻画这种情景，本文对衡量P2P网络借贷市场出借人与借款人之间的匹配关系施加冲击，结果如图7所示。

第一，P2P网络借贷规模占比越大，网络借贷利率和风险溢价上升越多，社会信贷规模下降越大，投资、消费等实体经济下滑越严重。这说明对P2P网络借贷行业设置较高准入门槛，通过合规检查、备案，逐步向牌照管理转变，保持合理适度的P2P网络借贷规模，不仅有利于社会福利改善，也会避免平台流动性风险积聚蔓延，影响投资者信心，形成恶性循环。第二，P2P网络借贷期限错配越严重，网络借贷利率和风险溢价上升越快，流动性风险越大。作为资金池业务，一旦出借人集体赎回资金，或新资金流入骤降，短期流动性枯竭，就会加大挤兑风险。尽管债权转让在一定程度上提升资金撮合效率，但也会加快资金匹配兑付频率，借新还旧本质上十分接近庞氏骗局。这些脆弱性的积累随时都可能因金融状况突然收紧、市场恐慌情绪影响而暴露出流动性风险，因此为维护金融稳定，应当更积极地使用宏观审慎工具，包括逆周期资本缓冲，来解决P2P网络借贷行业的脆弱性问题。第三，与P2P网络借贷规模相比，网络借贷平台不合规经营行为造成的流动性风险更为严重。这说明风险控制是网络借贷平台的核心，只有加快审慎监管立法，尽快制定平台企业内部控制标准规范，进行风险控制指引，明确风险缓释手段，保证平台企业合法合规运营，才能从源头防控网络借贷行业的金融风险。

（三）P2P网络借贷下的宏观审慎政策有效性

逆周期资本缓冲和LTV比率限制是两项重要的宏观审慎工具。前者能够增强金融弹性，降低信贷周期，后者能降低受信贷约束居民消费对金融冲击的反应，缓解金融顺周期性自我加速机制。尽管如此，这些审慎监管只适用于银行，P2P网络借贷不在监管范围内，宏观审慎政策有效性评估至关重要。参照Iacoviello等[25]的研究，此处放弃P2P网络借贷占比外生假设。考虑贷款偿还违约，银行预期违约成本为

式（48）表明P2P网络借贷占比主要取决于银行与P2P网络借贷平台各自LTV水平与其约束松紧程度，这说明在信贷市场上，P2P网络借贷规模

与宏观审慎政策有效性密切相关。审慎政策趋紧、金融监管趋严抑制了银行信贷供给，造成一些融资需求无法满足，纷纷转向P2P网络借贷平台融资，反而促进了网贷平台发展。需要强调的是，银行资本要求决定银行可贷款供给规模，相当于银行LTV松紧约束，同样对P2P网络借贷占比具有影响。如图8所示，银行LTV收紧和资本要求提高，或放松P2P網络借贷LTV，都会促进P2P网络借贷行业发展。这与2013年和2014年我国银行业全面收紧贷款审批，导致P2P网络借贷行业爆发式增长事实一致。

为评估P2P网络借贷下的宏观审慎政策，分别以生产技术增加和政策利率提高的冲击刻画经济繁荣和经济过热来进行反事实模拟分析。对经济模型二阶展开，并考虑四种情景：（1）无P2P网络借贷，宏观审慎工具为资本要求（CRR）和贷款价值比约束（LTV）;（2）存在P2P网络借贷，宏观审慎工具为CRR;（3）存在P2P网络借贷，宏观审慎工具为LTV;（4）存在P2P网络借贷，宏观审慎工具为CRR和LTV，增加P2P网络借贷LTV约束。不同情景下政策模拟结果见表5。

表5模拟结果显示：第一，P2P网络借贷既提高金融服务覆盖面，也带来较大信贷波动。在经济繁荣情景下，P2P网络借贷的存在，会显著促进产出、消费和投资等实体经济增长，在改善社会福利的同时，也造成信贷波动增加。第二，在经济繁荣情景下，技术进步带来经济扩张，放松了银行资本要求和LTV约束，市场流动性充裕，P2P网络借贷信贷占比下降。在经济过热情景下，货币政策收紧，“大河无水小河干”，资金供给趋紧导致银行信贷和P2P网络借贷规模下降，但P2P网络借贷信贷占比却上升。这说明在非对称监管下，货币政策收紧对银行信贷和P2P网络借贷具有非对称紧缩影响。第三，在经济繁荣情景下，信贷标准差分别为2.93、4.58、4.73和4.70;在经济过热情景下，信贷标准差则分别为10.49、12.08、14.74和14.03。可见，P2P网络借贷削弱了宏观审慎政策有效性，造成更大信贷波动，增加了银行体系之外的金融脆弱性。这说明在非对称监管下，仅对银行信贷供给进行限制，并不能达到对信贷整体约束的目的。借贷居民从银行贷款转向P2P网络借贷平台融资，P2P网络借贷平台成为规避监管缺口，不能有效熨平信贷波动，这背离了宏观审慎政策初衷。相反，如果增加对P2P网络借贷LTV约束，则会在一定程度上弥补监管漏洞，提高宏观审慎政策有效性。第四，从审慎工具使用效果看，LTV约束比资本要求更能有效抑制信贷波动。LTV直接限制可贷款规模，不需要过多中间传导环节，具有“立竿见影”效果。相反，资本要求是一种惩罚机制，仅影响银行可贷资金宽裕程度，不直接作用于信贷供给，政策效果更多取决于银行放贷意愿。从经济周期角度看，宏观审慎工具效果是不对称的。相比经济过热情景，在经济繁荣情景下，宏观审慎政策会带来社会福利明显改善，这说明收紧宏观审慎政策要比放松宏观审慎政策的效果更明显。

六、主要结论与政策建议

在深化金融供给侧结构性改革大背景下，完善宏观审慎政策框架，促进P2P网络借贷规范发展，平衡好稳增长和防风险的关系，增强金融服务实体经济能力具有重要意义。本文利用DSGE模型刻画我国P2P网络借贷特征事实，数值模拟分析P2P网络借贷平台的经济效应、流动性风险，量化评估P2P网络借贷下宏观审慎政策的有效性。研究发现：第一，P2P网络借贷既扩大金融服务覆盖面，提高金融渗透率，促进实体经济增长，又放大信贷波动，增加银行体系外的金融脆弱性，影响金融稳定;第二，P2P网络借贷具有信用中介特征，其行业无序发展和债权转让模式不仅难以促进反而恶化社会福利，造成期限错配的流动性风险;第三，在非对称监管下，P2P网络借贷削弱宏观审慎政策有效性，造成更大信贷波动，而货币政策收紧对银行信贷和P2P网络借贷具有非对称紧缩影响;第四，将P2P网络借贷纳入宏观审慎政策框架，一定程度上可平抑信贷波动，提高宏观审慎政策有效性。

综上所述，本文提出以下几点建议：第一，加强网络借贷平台准入审查，明确网络借贷平台的准入资质，设置较高准入门槛。通过合规检查、备案，逐步向牌照管理转变，保持合理适度的P2P网络借贷行业规模。第二，建立网络借贷信息披露机制，提高信息披露准确性和透明度，既要强化违法违规行为惩治力度，又要鼓励平台完善风险控制机制，保证平台业务模式合法合规。第三，建立投资者适当性制度，出台投资者适当性标准，加强投资者教育，提高出借人对P2P网络借贷项目风险的识别能力和承受能力。第四，构建纳入P2P网络借贷的宏观审慎政策框架，完善审慎监管工具和方式，注重短期引导及长期规范相配合，有效平衡金融创新与风险的关系，守住不发生系统性风险底线。

参考文献：

[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， 郭阳， 张维. 中国P2P小额贷款市场借贷成功率影响因素分析[J]. 金融研究， 2013（7）： 126-138.

[6] 周雄伟， 朱恒先， 李世刚. 平台参与投资与P2P筹资效率[J]. 中国工业经济， 2017（4）： 155-175.

[7] 朱家祥， 沈艳， 邹欣. 网络借贷： 普惠？普骗？与监管科技[J]. 经济学（季刊）， 2018（4）： 1599-1622.

[8] 冯博， 叶绮文， 陈冬宇. P2P网络借贷研究进展及中国问题研究展望[J]. 管理科学学报， 2017（4）： 113-126.

[9] 黄益平， 沈艳， 王靖一. 哪类个体网络借贷平台容易出问题？[R]. 北京大学国家发展研究院和北京大学互联网金融研究中心工作论文， 2015.

[10]王修華， 孟路， 欧阳辉. P2P网络借贷问题平台特征分析及投资者识别[J]. 财贸经济， 2016（12）： 71-84.

[11]范超， 王磊， 解明明. 新经济业态P2P网络借贷的风险甄别研究[J]. 统计研究， 2017（2）： 33-43.

[12]刘红忠， 毛杰. P2P网络借贷平台爆发风险事件问题的研究[J]. 金融研究， 2018（11）： 119-132.

[13]魏明侠， 赵艳. 基于博弈模型的P2P网络借贷行业风险机理研究[J]. 金融监管研究， 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， 刘颍. 外部融资溢价机制与抵押约束机制[J]. 经济评论， 2015（4）： 134-147.

[19]许志伟， 林仁文. 我国总量生产函数的贝叶斯估计[J]. 世界经济文汇， 2011（2）： 87-102.

[20]马文涛， 魏福成. 基于新凯恩斯动态随机一般均衡模型的季度产出缺口测度[J]. 管理世界， 2011（5）： 39-65.

[21]王文甫. 价格粘性、流动性约束与中国财政政策的宏观效应[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.