随着 Lending Club 和 Prosper 等点对点贷款机构取得成功，许多贷款机构开始尝试信用评分之外的其他机制。¹ 其中一种替代方案是更加依赖软信息，即难以在没有信贷专员参与的情况下解读的主观数据。然而，信贷专员的成本不只体现在薪酬上。他们的个人特征——例如行事谨慎或能力不足——可能会扭曲贷款决策，损害贷款机构的利益。
我利用一家中国贷款机构 2010—2013 年约 32,000 名借款人的贷款和还款数据，考察了这些信贷专员的价值。这家大型贷款机构专门向家庭和小型企业提供无担保现金贷款。信贷专员会查看借款人的完整档案，包括财务报表、推荐人、备注、信用评分，甚至照片，然后决定批准的贷款金额。²
我的求职市场论文通过将这些信贷专员与另一种方案进行比较，计算了聘用他们所创造的价值；在另一种方案中，贷款机构只使用收入和信用评分等硬信息（Wang 2014）。需要指出的是，这并非在衡量信用评分的价值。至少自 20 世纪 90 年代初以来，风险定价已得到广泛应用（Johnson 1992），其有效性毋庸置疑。Einav 等人（2013）和 Edelberg（2006）都提供了有力证据，表明信用评分优于完全依赖主观判断的承保方式。我的论文比较的是与信用评分协同工作的信贷专员和单独使用信用评分两种方式。
尽管贷款申请是随机分配的，³ 不同信贷专员之间仍存在差异。图 1 将平均批准贷款金额与信用质量绘制在一起。请注意，在每个信用质量水平上，信贷专员 A 批准的贷款金额都高于信贷专员 B。贷款金额的方差以及贷款表现也存在差异。为了解释这些现象，我在论文中提出了一个实证框架，用以解释他们的行为，并考虑风险态度、能力乃至过度自信方面的差异。
图 1：按信用质量划分的平均贷款金额
注：图表显示了 2012 年 6 月信贷专员发放的 282 笔贷款的平均批准金额。这些贷款的年利率为 48%，期限为 24 个月。借款人申请贷款时，年利率和还款期限已预先设定；信贷专员决定批准的贷款金额。超过 90% 的借款人获批的贷款金额远低于其申请金额。信用质量是贷款机构内部专有的借款人风险指标。数值越高，表示借款人的风险越低。
根据实证框架得出的见解，我校准了一种仅考虑借款人硬信息的算法，并将其结果与信贷专员的实际表现进行比较。图 2 显示了各信贷专员相较于该替代方案所额外贡献的每笔贷款利润（美元）。尽管有些信贷专员并未创造利润，论文的主要结论是，平均而言，每位信贷专员创造的额外年度利润是其薪酬的三倍。⁴ 这意味着，这些信贷专员带来的利润远高于贷款机构单独运营时的利润。
图 2：信贷专员相较于算法创造的额外单笔贷款利润
注：图表显示了约 32,000 名借款人的贷款利润与一种仅考虑硬信息的算法之间的差额。该算法使用每位借款人 700 多个数据点以及实际还款数据进行校准。信贷专员平均每笔贷款获得约 11 美元的报酬，平均额外利润略高于 35 美元。
有人可能会想，这一结果有多少来自算法的有效性。预测能力更强的算法能否胜过这些信贷专员？答案很可能是否定的，因为该算法是使用借款人的实际还款数据校准的。⁵ 这种理想化算法类似于在观察了 2014 年的数据后，于 2013 年挑选投资组合；这意味着，在贷款发放时开发的其他算法很可能表现更差。此外，该算法考虑了每位借款人 700 多个数据点，其中包括在某些情境下可能被排除在外的许多信息，例如性别、年龄和族裔。
结论
我在这里论证了这些信贷专员具有价值，尽管他们存在偏见，而且自动化贷款模型能够获取大量硬信息和还款数据。更广泛地说，我的求职市场论文为评估主观专业知识的贡献提供了一个实证框架，也可应用于其他情境，例如资产管理，甚至招生咨询。虽然在国际象棋和共同基金管理等许多领域，专家已败给机器（Gruber 1996），但在这一领域，人类仍然能够胜过机器。
本文与 Vox EU合作发表。发表本文并不意味着世界经济论坛认可其中的观点。
关注 Forum:Agenda， 订阅我们的每周简报。
作者：James Wang 是密歇根大学经济学博士求职市场候选人
图片：办公室里一名女性使用电脑鼠标的通用图片。OFFPO 路透社/Catherine Benson
