Credit Rationing of SMEs: Minimizing Information Asymmetry in a P2P Context with Help of Data Analysis

Abstract

Informationsasymmetri er et skadeligt element i markeder med ufuldstændige informationer. I disse markeder, er asymmetrien uundgåeligt for både långivere og låntagere og er dermed ødelæggende for samfundet. SMV’er er rygraden i nationens økonomi, og de bidrager til jobskabelse, innovation og økonomisk vækst. Imidlertid, står SMV’er overfor en kredit rationering fra banker, og informationsasymmetrien er synderen bag dette finansieringsgab. Situationen forværres under finanskriser, fordi bankerne kommer i en kreditklemme og bliver endnu mere risikoavers. Hvis SMV’er skal fortsætte deres enorme bidrag til samfundet, skal alternative finansieringsmuligheder være tilgængelige. Finansieringsgabet betyder ikke kun, at der er et behov for alternative finansieringsmuligherder, men også at der er en åbenbar mulighed for alternative långivere. Crowdlending, er en lånebaseret form for crowdfunding, der er blevet en ganske populær alternativ finansieringsmulighed rundt om i verden, men her i Danmark er crowdlending stadig i et barnestadie. Der er et potentielt og uudnyttet marked for lån, hvor flere SMV’er er ivrige efter at få deres projekter finansieret og långivere, der er ivrige efter at investere deres kapital på rentabelvis. Crowdlending platforme kan fylde finansieringsgabet og hjælpe både SMV’er og långivere til at nå deres mål. Crowdlending platforme skal hjælpe långivere, der er særligt sårbare overfor informationssymmetri, med at vælge, i hvilke rentable projekter de skal investere deres penge i. Dette betyder, at platformene skal bidrage til at minimere virkningerne af informationssymmetri mellem låntagere og långivere. At vælge, hvilke projekter der skal investeres i, er en kompliceret sag, da långivere skal frasortere de ”dårlige” låntagere. Denne sortering blev udelukkende udført på baggrund af låntagerens historisk økonomisk data. Nye teknologier og Big Data tillader nu udviklingen af forudsigende modeller, som med høj nøjagtighed kan forudsige sandsynligheden for misligholdelse. Denne kandidatafhandling tager sigte på at undersøge, om disse nye teknologier inden for dataanalyse kan hjælpe crowdlending platforme med at minimere informationssymmetrien mellem långivere og låntagere og dermed bidrage til at udfylde finansieringsgabet, som SMV'erne står over for i dag.