根据中国外汇管理局要求:
1. 全球职业交易大赛仅提供交易商所在地监管公布的登记监管信息

2. 全球职业交易大赛为了客观公正,不接任何品牌类、营销类或导流类广告

3. 根据《关于严厉查处非法外汇期货和外汇按金交易活动的通知》在大陆境内擅自开展外汇期货交易均属非法,提高意识,谨防损失 已了解>>

中国货币市场

中国货币市场

(118629)个赞

(750)篇文章

展示账户

账号 净值 余额

暂无

从事金融业务的大型科技公司:数据隐私与竞争的关系

作者: 中国货币市场 | 2022-01-25

内容提要

文章指出,大型科技公司涉足金融服务,在提高效率和推动普惠金融的同时,也带来市场垄断和数据隐私等风险。因此,需界定好个人数据的控制权和所有权,注意数据使用的效率差别以及不同群体对隐私价值的认知差异等问题。同时,报告还就如何在效率和隐私之间做好权衡提出了政策建议,呼吁央行及金融监管当局加强与国内竞争和数据保护部门的协调,并加强国际合作。

一、大型科技公司商业模式及其主要特征

(一)大型科技公司允许用户间的直接互动,进而产生网络外部性

大型科技公司(Bigtech)商业模式在于使不同类型的用户(如买卖双方)可以在数字平台上进行直接互动,并由此产生了网络外部性。基于在线的商业模式使大型科技公司能以前所未有的速度主导市场。此外,对用户数据的系统性积累和使用人工智能等新型分析方法使大型科技公司能以非常高效的方式利用网络外部性。大科技公司最初是通过多边在线平台(MSP)创造价值。目前,在线平台主要有三类:社交网络、电子商务平台和搜索引擎。

用户通过平台交易与传统双边交易是不同的,因为用户不一定需要与平台本身进行交易,因此,MSP一个显著特点就是存在网络外部性:在平台一侧用户的参与(如买方)增加了在另一侧的用户利益(如卖方)。挑战是如何将用户同时吸引到平台两侧。成功的平台通过使用特定的价格结构来解决这个问题,主要包括向创造最多网络外部性的一方收取较低费用,并让从网络中获益最多的一方补贴另一方。

大型科技公司迄今还是遵循了“创立、成长和成熟”这一传统企业生命周期。但不同之处在于个人数据的大规模收集、网络效应和大量业务等因素同时发生,且达到成熟阶段的速度很快。从用户数量角度来看,这些公司比其他金融公司要大得多,成长也快得多。有报告指出,大型科技公司规模增长速度是传统金融机构10到100倍。而平台的重点仍然是进一步增加用户数量,服务一个用户的平均成本会随着用户总数的增加而下降,用户们也愿意为访问更大的网络而支付更多费用。因此,平台的利润率也会提高。

(二)大型科技公司商业模式的关键特征是存在DNA基因

DNA,即数据分析(Data analytics)、网络外部性(Network externality)和交互活动(interwoven Activities)构成了大型科技公司商业模式的关键特征,且这三个要素之间(DNA)相互强化。网络外部性创造了额外的用户和用户附加值,它们允许大型科技公司生成更多数据,这也是数据分析的关键来源。对大量数据的分析提升了现有服务,吸引了更多用户;反过来,更多用户也提供了关键的客户群体,进而可以形成更广泛的活动,并产生更多数据。相应地,在提供更广泛服务的平台上,网络外部性更强。

金融服务既促进了DNA反馈循环,也从中受益。提供金融服务可以补充和增强大型科技公司的商业活动。典型的案例就是支付服务,它促进了电子商务平台上的安全交易,同时支付交易还会产生资金汇出方与接收方之间详细的网络联系数据。这些数据可以用于优化定向广告或信用评级等其他金融服务。

数据来源和类型以及DNA协同作用因大型科技公司平台而异。在电子商务中处于主导地位的大型科技公司可以从供应商那里收集数据,例如销售和利润,从而将金融信息和消费者习惯信息相结合。专注于社交媒体的大型科技公司收集个人及其偏好的数据,以及他们的社会网络关联。掌握搜索引擎的大型科技公司通常拥有广泛的用户基础,可从在线搜索中推断出用户的偏好。

协同作用因收集的数据性质而异。来自电子商务平台的数据可以成为信用评级模型的重要来源,特别是针对中小企业的贷款和消费贷。在社交媒体上拥有庞大用户群的大型科技公司或互联网搜索可以利用用户偏好信息进行营销,并对第三方金融服务定价(例如保险)。

二、大型科技公司的潜在好处

基于数据(D)-网络(N)-活动(A)三要素循环增强的优势,一些大型科技公司已涉足金融服务领域,包括支付、现金管理、保险和借贷。不过,金融服务只是它们全球业务的很小一部分(约总收入的11%)。但得益于规模和客户覆盖面,进入金融行业的科技巨头有能力触发整个行业的快速变革,也带来了许多潜在好处。例如,得益于低成本的架构,大型科技公司能够迅速大规模地提供金融基础服务业务,特别是在那些有大量人口无法获得银行服务的地区。

(一)支付

支付服务是大型科技公司最先提供的金融服务,主要是帮忙解决电子商务平台上的买卖双方之间缺乏信任的问题。买家希望能够收到货物而卖家希望在支付得到保证后才发货。支付服务,例如支付宝或PayPal,能够保证收货时结算以及买家退货。贷款服务也从中受益。利用大数据和分析平台上用户的网络结构,大型科技公司可以评估借款人的风险,减少对抵押的需求,从而推动普惠金融。

(二)普惠金融

普惠金融允许个人和企业以负责任和可持续的方式获得金融产品和服务,特别是向无银行账户的个人提供信贷或储蓄产品,从而优化资源的利用。更多地使用数据可以带来更大便利、更个性化产品以及更大的金融包容性。相对于银行,大科技公司在服务没有银行账户的公司和家庭方面具有竞争优势,因为它们可以使用数据平台上的信息。例如,蚂蚁集团和Mercado Libre(阿根廷电子商务平台)声称,他们的信用评估和贷款决定通常会涉及每个贷款申请人1000多个变量。

(三)减少借贷中的金融摩擦

大型科技公司对数据的海量收集和智能使用能够减少金融摩擦,特别是在借款人筛选、监督和抵押品需求方面。由于行政成本高而被银行拒绝服务的潜在借款人,可基于以新数据处理方式建立的评级或评分而获得信贷。

(四)借款人信息和筛选

信贷市场的信息成本有时过高,大型科技公司使用先进的分析方式处理大量信息(大数据),例如机器学习和网络分析(人工智能),可以减少此类成本。可以直接从大型科技公司平台获得的金融服务大数据包括:(1)交易(销量和平均售价);(2)声誉相关信息(索赔率、处理时间、评论和投诉);(3)行业特定特征(销售季节性、需求趋势和宏观经济敏感性)。

研究表明,对于小型供应商而言,大型科技公司的信用评分优于基于征信评级和传统借款人特征的模型。科技公司评分系统的预测能力大部分来自于对网络结构的利用。此外,使用机器学习和颗粒度更高的数据有助于提高对小商户预付款前景的预测能力。

最重要的是,在Mercado Libre案例中,通过内部评分模型,其可以向征信评级为高风险的客户类别提供信贷。由于银行综合使用来自征信评级的信息、财务报表的硬信息和来自信贷员的软信息,这部分人获得传统银行服务的机会可能要少得多。Mercado Libre采用了更细化的评分模型,将30%的信贷提供给了此类客户。

此外,以机器学习技术和从电商平台获得的数据为基础的内部评级系统在预测违约方面优于基于征信评分和借款人特征的简单模型。研究表明,将机器学习技术应用于Mercado Libre平台数据时,模型的预测能力提高得最多。

但这些结果也提出了以下问题:(1)机器学习或基于金融科技的信用评分模型是否优于同样使用软信息的银行模型,(2)他们的优异表现能否在整个业务和金融周期中持续。

为了回答这些问题,Gambacorta等人(2019)使用了一家中国领先的金融科技公司的贷款交易数据集,比较了机器学习和大数据与更传统的线性模型在冲击情况下获得信用评分的预测能力。模型分析了在“正常时期”和在2017年11月影子银行监管政策发生变化后信贷损失和违约方面的预测性。新规则导致传统和新的金融机构收紧放贷要求,导致信贷总量增长显著下降,违约数量增加。金融科技信用评分在监管变化引起信贷条件修改后的表现优于其他模型,这可能是因为基于机器学习的信用评分模型更好地捕捉了压力时期变量之间的非线性关系。

(五)监督和抵押

强制执行还款的成本是整个金融中介成本的一个重要组成部分。为了减少执行问题,银行通常要求借款人抵押房地产等有形资产,以提高违约情况下的回收率。另一项预防措施是监督,银行需花费时间和资源监督客户的项目。

大型科技公司可以用不同的方式来解决这些问题。例如,当借款人与电子商务平台紧密结合时,大型科技公司可能较容易从借款人支付账户的收入中扣除其还款额。但银行可能无法这样做,因为借款人可能在其他银行有账户。大型科技公司则不同,如果借款人拖欠还款,大型科技公司可以通过威胁降级或逐出其生态系统来强制偿还贷款。阿根廷和中国的案例证明,大量数据和网络效应的结合,可能会让大型科技公司减轻对抵押品的依赖。这可以解释为什么大型科技公司的贷款供应与资产价格没有密切关联,这一点与银行的企业贷款供应不同。

三、大型科技公司利用个人数据的潜在问题

大型科技公司进入金融业也有可能产生新风险和成本。一旦垄断生态系统建立起来,平台就可以利用自己的市场力量和网络外部性来增加用户转换成本,排除潜在竞争者,并通过提高进入壁垒来巩固自己的地位。

对数据的垄断使用和价格歧视。数据对大型科技公司来说更有价值,也从而产生了反馈回路和所谓的数字垄断。

数据可以用来进行价格歧视。一旦数据上的主导地位建立起来,数字垄断不仅可以使用这些数据来评估一个潜在的借款人信用等级或风险,而且可以确定借款人愿意支付贷款的最高利率或一个客户愿意支付保险的最高溢价(“保留价格”)。在大数据的推动下,算法价格歧视能够将潜在客户分解成越来越细的子类,每一类对应不同的价格。在某些情况下,卖家能够设定个性化价格,沿着需求曲线为每个消费者设定不同价格。

大型科技公司利润的一个重要来源,就是获取消费者剩余。Bar-Gill(2019)通过比较完全竞争(图1,坐标图A)、纯垄断(坐标图B)和数字垄断(坐标图C)来说明这一机制。在完全竞争下,金融服务按其边际成本定价,所有剩余收益归消费者所有(蓝色区域)。纯垄断也设定单一价格,但由于这一价格通常高于边际成本,服务的供应就会减少。整体剩余会缩减(灰色区域部分),而垄断者会获得部分消费者剩余(红色区域)。在这种情况下,消费者的境况更糟。坐标图C展示了数字垄断的案例。一家垄断的大型科技公司利用大数据和复杂的算法,确定每个消费者的保留价格,并设定一个略低于该价格的个性化价格。价格歧视允许大型科技公司增加销售数量,回到完全竞争的结果(即从B点到A点)。无谓损失(deadweight loss)得到消除,从而将整体社会福利提高到完全竞争水平。然而,所有剩余现在都流向了大型科技公司。在这种情况下,效率得以恢复,代价是剩余的再分配有利于数字垄断,但消费者福利要比在纯垄断情况下更糟。

算法偏见和滥用市场力量。用来处理数据的算法也可能产生偏见,导致基于种族、宗教的歧视和更大的不平等(O'Neil 2016)。例如,最近对美国抵押贷款市场的一项研究发现,对于基于机器学习来确定信用评分和利率,黑人和西班牙裔借款人比非西班牙裔白人和亚裔借款人更不可能从低利率中受益(Fuster等 2019)。

图1  从市场竞争到市场操纵

资料来源:改编自Bar-Gill(2019)

更令人担忧的是可能存在故意操纵。有证据表明,大型科技公司可能操纵消费者的偏好,这时消费者剩余的损失就会很大。图1中的坐标图D说明了这一点。它代表了当数字垄断企业诱导消费者购买高估服务或产品时的情况。消费者的需求曲线从D0 移动到D1,因为他们高估了产品价值。由于额外的消费者剩余只是消费者的自我感知(浅红色区域),他们遭受的福利损失(浅红色区域)甚至比价格歧视更大。这种结果也是无效的(灰色区域)。

反竞争行为。另一个潜在的市场失灵可能来自于大型科技公司对关键数字平台的控制。一旦建立了一个封闭的生态系统,潜在的竞争者在建立竞争平台时就会面临高的准入成本甚至是风险。

另一方面,大公司的搜索、移动网络、社交网络或电子商务平台已经成为商业活动的必要设施。当大型科技公司拥有基于智能手机的支付系统时,它可以通过向银行或另一大型科技公司接入其(支付)系统收取高额费用,从而破坏竞争对手对自己数字平台的访问。同样,一个搜索引擎的所有者可以将用户从竞争对手那里引到自己品牌上。有了忠实的用户群,占主导地位的平台可以提高其服务的价格,并从客户的剩余中获得更大的份额。

隐私。在未经消费者知情同意的情况下收集信息,往往会侵犯个人隐私。主流健康网站与谷歌、亚马孙和脸书等大型科技公司全球数十家公司分享用户的敏感数据(如医疗症状、诊断情况、药物名称等)(金融时报,2019a)。如果公司在数据安全方面投资不足,导致数据泄露,风险会更大(Carriere-Swallow & Haksa, 2019)。此外,掌握这些知识,大型科技公司更有优势来销售可能不符合用户利益的特定医疗、服务或金融产品。

四、新政策在效率和隐私之间进行权衡

金融领域使用个人数据引发了公共政策问题,这不仅超越了金融稳定和公平竞争的传统问题,还涉及在效率和隐私之间权衡的新问题。公共政策的制定目前面临四方面挑战。

1. 个人数据的控制权和所有权。一方面是用户自愿免费提供的部分数据,例如在社交网络上注册个人信息并发帖;另一方面是用户无意中提供的部分数据,例如科技公司可通过用户定位或搜索记录间接推断出个人信息。由于数据存在多样性、多元收集、无形性和非竞争性,数据的所有权和控制权很难重新分配给用户。

2. 个人数据的异质性。个人数据的共享效率主要取决于其类型,有些数据是纯粹的私人数据,例如医疗记录,有些数据是用户愿意分享且不会造成任何危害的数据,还有些数据被拆分并与其他数据结合,例如将医疗数据和消费记录用于信用评估和保险定价。有些类似浏览历史的数据对用户没有价值,但对私营公司在研究客户定位方面很有价值,用户会想把数据卖给出价最高的人。当前还没有一个完整且有效的个人数据交易市场,要建立这样的市场,必须先确定谁来控制这些数据。

3. 隐私的价值,即人们对其隐私的重视程度。研究表明,不同的国家和地区、年龄、性别以及不同的社会阶层对保护隐私的态度是不同的。调查显示,65%的印度受访者表示同意银行与其他机构分享个人数据以换取更好的金融服务,而在荷兰这一比例仅为13%。整体而言,分享数据的意愿程度随着收入的增加而下降。同时,在各辖区内,不同年龄和性别的意愿差异也很大,调查发现,全球有38%的25至34岁的人愿意分享数据,但只有16%的65岁以上的人愿意;34%的男性愿意分享数据,可只有27%的女性愿意。此外,不同人群对数据愿意与谁分享也存在不同偏好,这也使设计控制和定价数据时很难达成普遍接受的解决方案。

为解决个人数据使用所引起的效率和隐私问题,可以有以下几种政策建议:一是限制用户数据的使用。例如,欧盟、巴西、美国加州、日本、新加坡等国家和地区已出台数据保护法,明确了数据的收集和使用范围,以保护个人身份信息。二是让消费者对其个人数据有更大的控制权,由用户判断是否允许竞争公司获得相关信息。例如欧盟、澳大利亚和墨西哥等国家和地区提出了开放银行活动,要求金融公司使其客户的交易数据具有可转移性,即可通过开放的API直接转让给第三方或竞争对手。这有助于通过分配产权和建立一个竞争性的数据市场来解决效率低下的问题。三是构建一套公共基础设施。这包括数字服务的重要基础,例如像印度Aadhaar和新加坡MyInfo那样的数字身份,以及数据管理服务协议。一旦这些基础设施到位,支付、数字政府服务和一系列其他解决方案就成为可能。让消费者拥有丰富的数据并让他们对自己的数据有更大的控制权,可以为用户带来显著好处(Nilekani, 2018)。

4. 如何界定和规范数据的使用是国内和国际都需要协调的问题。在国内层面,央行和金融监管部门可能需要提高对个人数据问题的理解。他们还需要与数据保护等部门协调。然而,这些机构的任务和做法可能并不总是一致的。此外,金融监管往往以国际标准为基础,而数据保护和竞争政策大多是国家制定的。在国际层面,有关个人数据的规定大相径庭。欧盟的《通用数据保护条例(GDPR)》赋予个人数据权利。在印度,“印度堆栈”(India Stack,一种统一的软件平台)产生了大量的数据,用户对这些数据有控制权,但还没有建立数据隐私法规。中国等少数国家要求数字本地化,限制了数据跨境共享。美国关于数据的立法多立足于个别行业,缺乏统筹,这使得现实上公司在获取方面自由度相当高。同时,只有少数国家有国家数据战略或人工智能战略。随着数字经济的跨界扩张,有必要在规则和标准方面开展国际合作。

END

作者:益言

原文《从事金融业务的大型科技公司:数据隐私与竞争的关系》全文将刊载于中国外汇交易中心主办《中国货币市场》杂志2022.01总第243期。

更多阅读

◆基于开放型泰勒规则和贝叶斯模型平均方法预测人民币汇率的实证分析

◆城投债不会一直“金身不破”

◆全球机构投资者概貌分析及对市场开放的相关启示

用户评论

暂时没有评论