中国个体经营户总量测算与新冠疫情冲击评估 ——兼论金融科技“稳经济”的价值

2020-02-28

中国个体经营户研究系列报告之一:
中国个体经营户总量测算与新冠疫情冲击评估
——兼论金融科技“稳经济”的价值
北京大学数字金融研究中心 蚂蚁金融服务集团研究院

联合课题组[①]

课题组顾问:

黄益平   北京大学数字金融研究中心主任

李振华   蚂蚁金融服务集团研究院执行院长

课题组成员:

王靖一、郭峰、李勇国 

2020年2月28日

一、内容提要

2020年年初,起源于湖北省武汉市的新型冠状病毒肺炎疫情,迅速蔓延至全国所有省份,截至2月27日已致全国7.8万余人感染,病亡2700余人。这次新冠肺炎疫情,是新中国成立以来在我国发生的传播速度最快、感染范围最广、防控难度最大的一次重大突发公共卫生事件。疫情不仅严重危害国民的身心健康,还因为突然性的“封城”、“闭户”,在短时期内对国民经济运行造成一定的冲击。特别是广大个体经营者,持续性的闭门休市,已经给千百万以此为生的家庭造成了严重影响。当前,疫情蔓延势头得到初步遏制,防控工作取得阶段性成效,全国大多数地区在加强疫情防控的同时,也在有序推动复工复产。但是,与积极推动规模以上大企业和大型商超复工复产相比,各地地方政府对推动个体经营户恢复营业的积极性明显不高。然而,遍布城乡各地的沿街商铺和流动商贩等个体经营户,不仅是很多家庭赖以维生的重要经济来源,也是市场经济运行的微观基础和国民经济发展的毛细血管,对宏观经济的健康发展和稳定运行具有非常重要的意义。2月23日召开的从中央到省、地市和县各地政府主要负责人均参加的“统筹推进新冠肺炎疫情防控和经济社会发展工作部署会议”上,习近平总书记专门强调要“解决个体工商户尽快恢复营业的问题”。2019年12月30日、2020年2月18日的两次国务院常务会议上,李克强总理也都肯定了个体工商户、“小店经济”对经济可持续发展和实现包容性就业的重要价值。

不过,个体经营户的重要价值虽然已经得到各界的广泛认可,但无论是政策界还是学术界,对个体经营户的具体经营情况却甚少讨论,对全国和各地区的个体经营户的总量、营业额、结构等,也缺乏更详细的统计数据,因而难以更深入地研判分析。疫情对个体经营户的经营到底产生了多大冲击,也缺乏量化的评估分析。究其原因,就是因为作为一种非正式或半正式的商业活动,沿街商铺和流动商贩等个体经营户的相关统计比较困难,因此在统计上会或多或少地被遗漏。在上述背景下,本报告利用支付宝旗下的数亿级的“码商”数据和机器学习分析方法,估算了中国个体经营户的实有规模,然后在此基础上定量评估了疫情对个体经营户产生的冲击,并特别考察了金融科技起到的缓解疫情冲击的作用。

上述研究成为可能,完全是因为数字经济和数字金融的深入发展和广泛渗透。在数字经济时代,电子支付越来越成为中国人购物消费时的首选。根据中国人民银行金融消费权益保护局的调研数据,2018年,全国使用电子支付的成年人比例为82.39%;农村地区使用电子支付的成年人比例也达到72.15%。在此大环境下,不仅各种互联网线上的商业交易是通过互联网支付等线上支付手段进行的,甚至各类沿街商铺和流动商贩等个体经营户也是通过支付宝、微信、银联支付等机构提供的二维码支付等电子支付手段来进行收款的,这就为这些个体经营户留下了重要的数据记录。而这些数据信息在这些收单机构内的积累形成的大数据,就可以产生单个数据点所无法产生的价值。例如根据这些收单流水等信息,收单机构就可以自己或联合其他放贷机构,向这些被传统金融机构完全忽略的小店小铺发放贷款,从而大大扩展了传统金融机构放贷的边界,有力地促进这些国民经济毛细血管的成长。而另一方面,这些数据形成一定的积累后,还可以用来帮助我们从较为宏观的层面分析这些非正式和半正式商业活动的规模及其在促进国民经济发展、稳定就业等方面的价值。本报告就是这方面的一个大胆尝试。

具体而言,在本报告中,课题组基于支付宝数亿量级的二维码收单工具——“码商”的数据,利用机器学习等分析方法,估算了中国个体经营户的总量。就分析的具体思路而言,课题组的一个核心假定是杭州作为支付宝的总部所在地,支付宝的码商已经对杭州市的个体经营户基本实现了全覆盖,即杭州的码商数量与个体经营户数量基本等同。基于这一假定,课题组对杭州市的经济、人口、地理、气象等特征与码商数量之间的关系进行机器学习建模,并进而将杭州市训练得到的参数“泛化”到其他城市,根据其他城市的上述经济人口等特征和上述参数,估算该地区的个体经营户的总量。在上述建模中,为了更好地解决微观数据聚合尺度的问题,课题组还将全国划分为26.7万个不规则的多边形——泰森多边形。根据我们的估算,全国2018年个体经营户总数量约为9776.4万户,比第四次全国经济普查得到的官方口径高出54.8%,按该次普查得到的个体经营户带动劳动力的平均系数推算,全国个体经营户实际贡献的就业量约2.3亿人,平均每天产生约2.3亿笔交易,全年营业额达13.1万亿元,约占到全国社会消费品零售总额的三分之一。

在估算出全国和各地区的个体经营户规模之后,我们进一步定量评估了本次疫情对个体经营户产生的冲击。评估的基本逻辑是根据2019年同期以及2020年1月20日前两周的码商数据用机器学习算法来“预测”如果没有疫情发生,在2020年1月31日(正月初七)-2月14日(正月廿一日)两周时间内,码商的总量、交易额等“反事实结果”,然后与2020年这两周时间内实际发生的商户量、交易额等进行比较,两者相差就是疫情这个突发的外生冲击的真正影响。具体而言,根据我们的估算,在重点疫区湖北省,码商活跃商户量和交易额分别下降59.3%和69.7%;而在全国其他地区,活跃商户量和交易额则分别下降约40%和50%。而在金融科技缓解疫情冲击、稳定经济和就业作用的分析中,我们基于我们课题组编制的“北京大学数字普惠金融指数”的底层指标与不同地区码商数据的匹配和回归,发现一个地区金融科技的发展,可以显著缓解疫情对该地区个体经营户的冲击。具体而言,基于数字技术精准发放的贷款每增长1%,疫情带来的影响平均就减弱2.57%。如果一个地区基于数字技术精准发放的贷款,能从全国的均值发展到杭州的水平,会使得疫情的负面冲击下降约51%。

基于上述研究结论,课题组提出以下几个政策建议:第一,划分疫情风险等级,精准施策,逐步支持个体经营户有序复业。在疫情爆发初期,各地采取一刀切的防范措施,可以理解。但随着对疫情认识的逐渐深入,特别是疫情得到初步遏制的新形势下,各地应该尽快按照中央部署,根据风险等级,做出响应级别的相应调整。各地政府应该在充分防范疫情风险的前提下,为个体经营户有序复业创造有利条件。第二,采取各种措施,切实降低个体经营户的经营成本。政府应该在不放松疫情防范措施的前提下,保证全国物流的畅通。鼓励沿街商铺、批发市场、农贸市场等的物业公司、房地产企业、商场等机构对微型商户减免疫情期间的摊位费、房租、管理费等费用。而税务部门则可允许这些机构将减免的租金、摊位费等进行税前抵扣。对于商业用水、用电价格进行适度调整。第三,将资金直接推送到离个体经营户最近的金融机构,同时充分发挥数字金融的作用。一些数字金融机构利用移动支付等数字技术,解决了获客难与风控难的问题,服务了大量的线上、线下个体经营户。但数字金融机构往往缺乏资金,因此,政府应该通过央行再贷款、专项债及资产证券化等工具把资金推送到直接服务个体经营户的网络银行与其它金融机构,同时鼓励它们通过贷款展期、息费减免等手段帮助个体经营户维持经营,共度难关。

二、中国个体经营户总量测算

正式估算之前,需要对个体经营户的概念进行说明,特别是其与个体工商户之间的区别和联系。粗略来讲,所谓个体工商户,是指按照相关法律法规在工商部门注册登记过的个体经营户;而个体经营户则不仅包含工商注册的,还包括没有注册过,但实际上在从事个体经营行为的商户。此外,从严格定义而言,除线下的沿街商铺和流动商贩等之外,个体经营户还应该包括在各个网络平台上开展小额交易的微型商户,但在本报告中,我们仅考虑线下的个体经营户,这个范围与我们的日常用语相吻合。

而“码商”之所以能为本研究提供基础性数据,首先是因为“码商”的定位和服务对象与个体经营户高度重合。例如,“码商”基本上都是用个人的名义注册,这与个体经营户不区分经营实体与经营人的特点高度契合,这样就排除了那些大型商超、连锁店等大型商业机构,这些大型商业机构往往以公司名义注册和收款,这部分业务由支付宝中不同于码商的其他部门负责。而统计也显示,码商的营业额也普遍不高,99%的码商通过支付宝收款的年营业额在40万元之下,也与我们理解的个体经营户的规模高度一致。其次,个体经营户也有很强的积极性去注册、使用码商,这也是一个非常重要的前提。实际上,开通码商非常方便,只需要通过手机简单申请即可即时生成;而且这个商户也有很强的激励开通码商,因为使用收钱码而不是平常的收款二维码,可以减免提现手续费。最后,我们删去了那些交易不活跃、无法确定经营区域范围的码商,这样就保证了纳入研究样本码商后面确实是一个日常性经营的商户,而不是一种偶尔尝鲜的个人用户。

2.1  测算方法

为对个体经营户的规模进行科学估算,我们必须对其基本特征进行一番考察:首先,线下与微型两个基本特征决定其服务对象往往是其经营场所附近的人群,因此他们的商业特征也与其所在地在的周围环境密切相关。其次,由于数据限制,我们目前只能基于支付宝这一家机构的支付工具积累的数据进行估算,而支付宝在全国不同城市的推广程度不同:在其总部所在地杭州市,覆盖率已经非常高。假定码商在杭州已经实现了对个体经营户的全覆盖,是我们开展估算工作的一个基本假定。

此外,为了解决数据聚合中的尺度问题,我们以全国银行网点为中心点,构造了一种被称为“泰森多边形”的不规则形状。最终,课题组一共获得中国内地266793个银行网点(距离过近的银行网点有所合并),并基于此构建泰森多边形,将内地31省(直辖市、自治区,以下简称“省”)进行了网格化分割。图1展示了杭州市西湖区经过网格化处理后的结果,每一个红点就是一个银行网点,细线便代表泰森多边形的边界。杭州市西湖区是一个很好的可视化样例,因为一方面它的东北区域是密集的城市商业区,银行网点密集;另一方面南部东部存在面积广大的风景区,只有山坳中的小镇,从而银行网点就稀疏一些。这一密一疏恰恰展现了基于银行网点的泰森多边形对不同商业活跃环境的自调节能力,从而达到了我们预期中的效果。

图1:基于网点的泰森多边形:以杭州市西湖区为例

注:中图为研究者自绘,蓝点代表餐馆,位置信息来抓取自高德;左右图截取自谷歌地图。二者形状上的差距系不同投影方式造成。

2.2  数据说明

确定好度量尺度后,我们需要将相关数据在这一层面进行汇总聚合。首先,为了尽可能地做到精确的估计,蚂蚁金服研究院的数据科学家提取了2018年脱敏清理后的“码商”数据,在前述泰森多边形层面进行聚合,从而获得了26.7万个多边形*12个月的面板数据。主要数据包括商户量、交易额、服务人数、交易次数、以及按照码商注册人信息划分的一些分属性子样本数据,如年龄24岁以下码商、年龄55岁以上码商、女性码商,外省人码商,等等。上述数据通过蚂蚁金服开发的研究开放平台“数巢实验室”与课题组获取的其他外部数据进行匹配,从而在保护数据安全的前提下,使得相关学术研究成为可能。

同时,为了更好地刻画泰森多边形内的码商与该多边形的人口、经济、地理等特征之间的关系,课题组尽可能多地获取了很多外部数据:

首先,我们通过API从高德地图中获取了约3500万个兴趣点的数据。兴趣点是一个地理信息系统的概念,简单而言,一切可以在高德地图检索到的商店、饭店、学校等实体,都可以称为一个兴趣点。我们共获取了与本研究相关的18个一级分类(如商店、饭店)、224个二级分类(如饭店可以分为中餐馆、西餐店)、554个三级分类(如中餐馆可以分为北京菜、鲁菜)兴趣点。与码商数据的聚合方式一样,我们将这些兴趣点在泰森多边形层面上进行聚合。

其次,为了获得与泰森多边形粒度尽量相匹配的宏观数据,我们使用了500米精度的夜晚灯光亮度数据,1公里级别的人口栅格数据,以及30米精度的高程(可简单认为是海拔)数据。夜晚灯光数据来自美国国家大气与海洋局公布的VIIRS数据,使用的是2018年的年度数据。由于这一代卫星的过境时间是凌晨1:30,更多的是衡量城市建设和24小时运转的重工业。人口数据来自哥伦比亚大学提供的,结合了卫星遥感和普查数据推算,原始数据的颗粒度为1公里栅格,为进行匹配,我们进行了简单平均的超分辨率处理,时间为2015年,这已经是能够找到的最新年份人口数据。高程数据则主要用来生成一些衡量该区域地理崎岖程度的变量,这显然也是一个影响个体经营户服务周边人群便利程度的重要指标。

再次,由于个体经营户对于天气情况极为敏感,特别是夜间经济受到气温的影响尤其明显,故而我们使用了来自欧洲中期天气预报中心的气象数据,主要包含气温、风力、湿度与降水量,数据精度为约25公里的栅格。此外,空气质量也可能对线下商户活跃程度有所影响,故而我们获取了中国大陆境内1400余个空气监测点数据,包括空气质量指数(AQI)以及PM2.5、PM10、SO2、CO、NO2、O3等单项污染物浓度数据。

最后,为了衡量金融科技环境对于个体经营户的影响,我们提取了我们课题组2019年编制的“北京大学数字金融普惠指数”的底层指标(取自然对数后进行标准化)。这些底层数据相较于指数化后的结果,可以更加清晰地衡量每个分项指标的影响力,同时也可以对影响的尺度进行清晰的量化解释。

2.3  机器学习算法

本小节介绍我们利用码商数据,估算个体经营户总规模的基本假设和机器学习算法。首先需要解决的一个矛盾是,如何使用我们可以获取的支付宝码商数据(记作Y),估算个体经营户的总规模(记作Z)。为了建立特征变量(X),即灯光、人口、地理、气象、空气质量等变量,与不可观测的Z变量之间的对应关系,我们首先需要找到Y与Z之间的联系。

在很多地方,个体经营户的数量与规模与码商的数量与规模显然存在一定的差异。但是作为蚂蚁金服与阿里巴巴的总部所在地,同时拥有较高互联网渗透率的杭州市,却为我们提供了一个理想的样本。在杭州市,码商对个体经营户的渗透率已经非常高,绝大多数个体经营户都使用支付宝作为支付方式,即在杭州市,码商数量已经约等于个体经营户的数量。因此,通过下述算法逻辑就可以通过全国各地码商的规模来估算个体经营户的规模:以杭州市3075个泰森多边形为训练集,训练出特征变量X与个体经营户(Z,在杭州同时就是Y)之间的统计关系,进而泛化到其他城市:利用其他城市各个多边形的特征变量X和训练得到的参数,估算出该城市各个多边形对应的个体经营户Z等指标。

关于机器学习算法,我们最终选取的是梯度下降树(Gradient Boosting Decision Tree,GBDT)回归。对于具体的训练过程,我们首先将训练集数据进行9:1的划分,预留10%样本作为最后的测试集,然后对于90%的训练数据,进一步拆分为4:1的训练集和验证集。以交叉验证的方式寻找最优的超参数组合,获取最优参数后,在最终10%的测试集样本中进行最终的准确度测试,以抑制过拟合的问题。根据上述方法构建的机器学习算法,训练后的模型预测能力的R2 可以达到0.9以上。最后,以训练得到的最优的、在测试集达到准确度要求的超参数组合,在杭州全部的3075个多边形样本上进行重新拟合,然后得到的参数即为我们最后模型泛化时使用的参数。

2.4  基本估算结果

图2中给出了根据上述方法测算的中国个体经营户的几个关键数值。具体而言,中国个体经营户总量约为9776.5万户,比第四次全国经济普查统计到的2018年全国个体经营户6295.9万户,多出54.8%。而同样根据第四次全国经济普查的数据,每个个体经营户平均对应2.37个从业人员,因此一个相对粗糙的估算结果是,全国个体经营户牵扯着约2.3亿人的就业问题。根据中国统计年鉴,2018年全国劳动力人口共计8.06亿人,因此,个体经营户从业人员就占到了全国劳动力人口的28.8%。

此外,全国个体经营户2018年全年营业额约为13.1万亿元,与之相对应的一个数值是社会消费品零售总额,2018年全国社会消费品零售总额的规模为38.1万亿元人民币,因此个体经营户商户与社会消费品零售总额之比约为34.4%。不过,这里需要强调的是,虽然这些个体经营户在统计上会被或多或少地遗漏,但它们毕竟也是整个市场经济中的活跃参与者和重要环节,它们上下游的货物、服务均与其他商业形态发生关系,而这些商业形态则会更有可能被纳入正规的统计。故而,我们进行的核算结果,并不能说是对于原有统计数字的全新补充。上述营业额统计,究竟有多少已在统计部门正式统计当中,有多少被正式统计所遗漏,限于官方公开的统计数据细节缺失,此一问题暂时无法严谨探究。

最后,全国个体经营户全年产生的总交易笔数约为839亿笔,即平均每天2.3亿笔。一个形象化的理解便是:平均每天每六个中国人里便有一个人和个体经营户发生过交易,这大体也符合我们的生活常识。

图2:中国个体经营户关键数据

通过上述对中国个体经营户规模的的估算,我们可以得到以下几点重要结论:首先,个体经营户规模庞大,支撑着近亿个家庭,数亿人口的生计,承载着人们对美好生活向往的物质基础。其次,单个个体经营户规模虽然微小,但是总量巨大,是我国商业体系和市场经济的重要组成部分,个体经营户的健康运行,对上游工厂和批发商意义重大。最后,个体经营户在以极高的频率与广大民众发生着非常密切的关联,构成了国民经济运行的毛细血管,为千家万户提供服务,为社会注入活力。总而言之,规模庞大的个体经营户上关国民经济的健康运行,下涉千家万户的柴米油盐,具有非常重要战略意义。

更多关于个体经营户分布特点与影响因素的分析,限于篇幅与主题,在本篇报告就不再详细展开了,有兴趣的读者可以关注我们课题组对中国个体经营户的后续系列化的研究报告。

 

 三、新冠疫情对个体经营户冲击的定量评估

3.1 估算方法

在经济学中,进行外生冲击或某一个政策的效果的评估中,一个根本性的问题是,如何进行反事实构建。具体而言,我们只能够观测到受新冠疫情影响的实际数据,而不知道如果疫情没有发生,经济数据将会是什么样子。为了进行疫情冲击评估,最理想的方式是我们构建一个没有新冠疫情的2020年个体经营户经营状况的“反事实结果”,那么疫情带来的冲击便是商户2020实际经营规模与反事实构造出的2020经营规模之差。因此,现在的核心问题便是如何计算一个合理的没有疫情发生的2020的“反事实结果”。机器学习方法为此提供了一种思路。具体而言,使用机器学习算法,利用疫情之前的数据,来“预测”一个2020年春节后的数据,由于只使用了疫情前的数据,因此相当于构造出了一个如果没有疫情发生的“反事实结果”。使用机器学习算法构造反事实结果,进而进行因果推断的思路,已经成为经济学实证研究的最新趋势。

具体而言,机器学习算法的构建策略与前文对个体经营户总规模的测算非常类似。2020年1月20日可以视为疫情的一个重要转折点,该日后,全国各地逐步进入了被肺炎疫情影响的状态:确诊人数增加,更严格的管理政策随之到来,个体经营户经营受到严重影响。而在1月20日(农历廿六)之前,包含线下商业活动在内的经济活力并没有受到明显的影响,可以视为一个典型的春节节前状态。而线下商业活动往往在春节前后呈现明显的周期性特征,如果我们能拿2019年春节前后同期的数据建立一个映射关系,那么,在控制足够外部变量的前提下,若不存在疫情,2020年春节前后的映射关系应当维持一致。

这就是我们利用2019年同期(按农历算)数据和2020春节前数据,构造2020年春节后如果没有疫情发生的“反事实结果”的基本思路。模型的训练样本为2019年的数据,具体而言,2019年1月18日到1月31日(农历廿六)的码商数据,以及上述外部获取的经济、人口、地理等数据,为特征变量;2019年2月11日(正月初七)到2月24日的码商数据为响应变量。使用上述响应变量和特征变量,在全国26.7万个泰森多边形的尺度上,进行机器学习算法训练。算法的选择、训练方式与前文类似,最终预测准确率在90%以上。之后,将上述训练得到的参数,泛化到2020年,从而根据2020年1月7日至1月20日的码商数据,以及其他外部特征数据,就可以构造出如果没有疫情的发生,2020年春节后应该具有的“反事实结果”。

3.2  全国总体冲击情况

全国层面的整体冲击情况如图3所示。在全国的总体层面上看,受疫情影响,在正月初七后的两个星期时间内,活跃的个体经营户减少了40.4%,而营业额则降低了52.4%。结合前文关于个体经营户总体规模的推算,疫情使得这两周内的活跃商户量减少约3949.7万户,减少营业额约2640亿元人民币,涉及0.92亿的就业人员,而且不同于大企业职工,小铺小店如果没有营业,这些就业人员基本就没有“工资”。疫情对于线下微型商业的冲击相当巨大。

图3:疫情的总体冲击情况

3.3  疫情冲击的异质性分析

疫情严重程度的异质性:湖北之外疫情冲击程度并不随疫情严重程度而更加严重。为了进一步考察不同地区疫情严重程度不同时,个体经营户所遭遇的冲击幅度是否有明显的差异,例如是否疫情越严重,对个体经营户的冲击就越严重,我们将内地31个省的疫情按照其感染病例数划分为五个等级,进行分别评估。划分后的疫情等级图如图4所示。

图4:全国疫情按确诊病例数的疫情等级划分

数据来源:丁香园,2020年2月16日。

图5报告了分疫情等级的疫情冲击评估估计。从中可以看出:湖北省作为疫情最严重地区,疫情对个体经营户造成了严重的冲击:窗口期内湖北省活跃个体经营户下降59.3%,营业额下降69.7%;而对于其他等级的地区,图5则显示,疫情对个体经营户的冲击并没有非常明显的差异,特别是并没有出现疫情越严重,冲击越严重的证据:其他地区窗口期内活跃商户下降约40%,交易额下降约50%。这样的结果,也在情理之中,疫情发生后,由于对疫情认识还不成熟,疫情形势还存在较大的不确定性,各地迅速启动了一级响应,对疫情的防控措施异常严厉,且高度一致。而在节后的复工复产中,虽然国务院将春节假期延长至2月2日,但由于疫情形势依然严峻,各地推动复工复产的节奏均较慢。受上述因素影响,虽然各地疫情各有不同,但各地管制政策高度统一,从而导致疫情对湖北以外各地区个体经营户的冲击幅度大体相同。随着对疫情认识的更加深入,各地根据疫情严重程度,切实采取分类施策后,疫情冲击的恢复有望出现差异化的步伐。

图5:疫情等级与疫情冲击程度

 

四、金融科技在缓解疫情中的作用

在定量评估疫情对个体经营户冲击之后,我们来考察一下金融科技在缓解疫情冲击中的作用。之所以进行这样的的分析,是因为规模极其微小的个体经营户,基本都不在传统金融机构的服务范围。但金融科技机构,凭借其经营中获得的海量数据积累,通过精准放贷,也许可以缓解疫情对个体经营户的冲击。为此,我们将上述26.7万个泰森多边形数据与我们课题组在2019年编制的“北京大学数字普惠金融指数”的底层指标进行了匹配。对于数字普惠金融指数,我们使用的是2018年2800多个县域(县、县级市、市辖区)数据,具体使用的指标则为信贷指标。研究设计上,被解释变量为疫情冲击的缓解程度,具体为log(疫情数据)- log(构建的反事实数据);而核心解释变量为某县域的金融科技发展水平,也取对数。其他控制变量如上文所述。这样回归系数就反映了金融科技对疫情冲击的缓解程度,具体含义为当前业务每增长1%,疫情的冲击将减少多少。

为了与上文更好地对应,我们将回归结果依然以绘图的方式呈现。图6报告了全国样本的回归结果以及疫情不同等级地区的分样本回归结果(由于西藏和青海两省的数据太少,回归结果不够稳健,因此没有报告这两个省份的回归结果),图中的数值即上述回归方程的系数。图6的结果表明,基于数字技术精准释放的信贷的发展可以起到缓解疫情冲击的作用。全国总体而言,基于数字技术精准释放的信贷每增长1%,疫情的冲击幅度就下降2.57%。为了对金融科技的这个缓解作用有更直观的感受,我们比较了基于数字技术精准释放的信贷发展水平较好的代表性城市杭州市与全国平均发展水平之间的发展差异,据此可以得到如下结论:如果一个地区的基于数字技术精准释放的信贷发展水平可以从全国平均水平上升到杭州市的发展水平,则可以使得疫情冲击幅度下降约51%,即疫情的冲击强度减弱约一半。

疫情不同等级的回归结果则表明,数字金融对疫情冲击缓解作用跟疫情严重程度似乎没有特别大的关系。这再次证实了上文的结果:疫情冲击程度跟疫情严重程度没有关系,而跟疫情引发的管制程度有关。

图6:疫情不同等级地区的互联网信贷对疫情冲击的缓解作用

 

五、政策建议

经过全国各界的共同努力,目前疫情蔓延势头得到初步遏制,防控工作已经进入一手抓防疫,一手抓生产的阶段。为了在做好防疫工作的同时,有序推动复工复产,几乎每一层级的政府,每一个部门,都已经出台或正在积极谋划出台相关的扶持政策,以缓解疫情冲击,稳经济、稳就业、保民生。而有效的扶持政策,有赖于对疫情冲击的科学认识,特别是对疫情冲击的定量评估。根据我们上文关于全国个体经营户规模以及疫情冲击的定量评估取得的结论,课题组认为以下几方面的问题,各地政府在制定相应扶持政策时,应该给予充分的考虑:

第一,划分疫情风险等级,精准施策,逐步支持个体经营户有序复业。在疫情爆发初期,各地采取一刀切的防范措施,可以理解。但随着对疫情认识的逐渐深入,特别是疫情得到初步遏制的新形势下,各地应该尽快按照中央部署,根据风险等级,做出响应级别的相应调整,避免疫情冲击从短期需求冲击长期化为供给冲击。各地政府应该在充分防范疫情风险的前提下,为个体经营户有序复业创造有利条件,同时鼓励、支持它们通过线上+线下的方式,扩大外卖业务,进一步降低风险。

第二,采取各种措施,切实降低个体经营户的经营成本。政府应该在不放松疫情防范措施的前提下,保证全国物流的畅通。同时,对于有固定营业场所的个体经营户,其最大的成本往往就是店铺租金,政府可以出台政策,鼓励沿街商铺、批发市场、农贸市场等的物业公司、房地产企业、商场等机构对微型商户减免疫情期间的摊位费、房租、管理费等费用。而税务部门则可允许这些机构将减免的租金、摊位费等进行税前抵扣。对重点农副产品的采购、运输等也可以考虑提供补贴,切实降低商户的进货成本,这也有助于缓解通胀压力。对于商业用水、用电价格进行适度调整。

第三,将资金直接推送到离个体经营者最近的金融机构,同时充分发挥数字金融的作用。个体经营者不容易获得金融服务,主要还是因为金融机构缺少渠道与抓手。一些数字金融机构利用移动支付等数字技术,解决了获客难与风控难的问题,服务了大量的线上、线下个体经营户。但数字金融机构往往缺乏资金,因此,政府应该通过央行再贷款、专项债及资产证券化等工具把资金推送到直接服务个体经营户的网络银行与其它金融机构,同时鼓励它们通过贷款展期、息费减免等手段帮助个体经营户维持经营,共度难关。


[①]课题组成员:王靖一(中央财经大学金融学院讲师、北京大学数字金融研究中心特约研究员)、郭峰(上海财经大学公共经济与管理学院副教授、北京大学数字金融研究中心特约高级研究员)、李勇国(蚂蚁金融服务集团研究院数据科学家)。报告在撰写过程中得到了北京大学数字金融研究中心、蚂蚁金服集团相关部门,特别是程志云、王芳、舒眉、张瑜等同事的支持和帮助,同时也获得了国家社会科学基金重大项目“数字普惠金融的创新、风险与监管研究”(课题号:18ZDA091)的资助。感谢徐洋为本文提供的相关帮助。特此致谢,文责自负。