Banker i udviklingslande vil ofte ikke låne til de fattige, fordi de ikke har nogen kredit, eller de kun vil låne til uoverkommeligt høje satser, hvilket gør det således, at mange mennesker aldrig kan bryde ud af fattigdomscyklussen.
Natalia Rigol er en ph.d.-kandidat i økonomi ved MIT med en innovativ tanke. Er det muligt, undrer hun, at bruge information fra lokalsamfundet til at oprette en uformel kreditvurdering til at hjælpe banker eller mikrofinansieringsinstitutioner med at beslutte, hvem de skal låne penge til? Rigol ledte et pilotprojekt, der stillede dette spørgsmål i Indien i sommer, og hun lancerer nu en meget større undersøgelse af ca. 1.500 små virksomhedsejere i fattige samfund i Indien.
Fortæl os lidt om din baggrund, og hvordan du blev inspireret til at blive økonom?
Jeg kommer oprindeligt fra Cuba, så jeg boede i Cuba, indtil jeg var 9 og begyndte på min skolegang der. I en alder af 9 flyttede jeg til Rusland og boede der i to år, og derefter var jeg i Tjekkiet i to år. Jeg kom til USA, da jeg var 13 år, og gjorde min mellemskole på gymnasiet i Florida. Jeg gik for at lave min undergrad i Harvard og gik til min ph.d. på MIT, hvor jeg har været i fem år. Da jeg var undergrad, begyndte jeg at arbejde sammen med en mentor - økonom Rohini Pande - i Harvard. Det er hun, der fik mig til at hænge på mikrofinans og kønsspørgsmål, som er de ting, jeg fokuserer på nu.
Hvordan er det at arbejde i Indien?
Fattigdomsspørgsmålene i Indien er ekstremt slående. Indien er et fantastisk sted [at undersøge], fordi det er et sted, hvor mange lande er på vej. Folk tænker på Kina som dette eksemplariske land, men Indien ligner meget, hvordan de fattige lande snart ser ud, hvad angår virkelig stor indkomstulighed. Det er et sted, hvor du kan tænke over fattigdomsspørgsmål og virkelig lære.
Fortæl os om dit aktuelle projekt.
Et stort problem, der findes i finansieringen af de fattige, er, at du med de fattige ikke har meget information om dem. Hvis du tænker på finansiering i udviklede lande, steder som Amerika, kan du gå til American Express, og American Express vil have pålidelige oplysninger om Natalia Rigol - hvordan hendes opsparing ser ud, hvordan hendes kredit score ser ud. Et firma, der vil tage et lån til Natalia Rigol, har en masse information. Men i udviklingslandene er der ikke noget lignende. I Indien får de først nu sociale sikkerhedsnumre for folk. En bank har ikke meget information om fattige mennesker. Hvis en bank ikke har oplysninger om fattige mennesker, er en måde at få et lån på at stille sikkerhed. Men det har selvfølgelig ikke fattige mennesker. Det er meget vanskeligt for bankerne at skelne mellem Natalia og Emily. Vi ser det samme ud til dem. I sidste ende træffer banken en beslutning om, at de vil opkræve en høj rente, fordi de tager en risiko. Spørgsmålet, som jeg er interesseret i, er dette: Er der noget værktøj, vi kan udvikle, der kan hjælpe banker med at skelne mellem Natalia og Emily?
Hvordan fungerer det?
Jeg har tænkt på at bruge oplysninger, der er tilgængelige i samfund. Især på et sted som Indien bor folk i sociale netværk. Det er ikke som USA, hvor du bor i et hus og måske ikke kender dine naboer. Projektet forsøger at forstå, om folk har oplysninger om hinanden, som en udlånsinstitution ville finde nyttige i at skelne mellem Natalia og Emily. Jeg går til et samfund og beder folk om at tale med mig om Natalia og Emily og fortælle mig forskellige typer information om Natalia og Emily - spørgsmål om for eksempel arbejdsmoral, intelligens, forretningssans. Hvem vil være den mest produktive? Hvem vil vokse sin virksomhed mest? Det ser ud til, at samfundene ved, hvem der er meget dygtige.
Hvordan fungerer informationsindsamlingsprocessen?
Vi gennemfører først et interview privat for hver husstand i deres hjem. Her indsamler vi masser af oplysninger om en persons husstand, forretning og personlige evner. Vi vil bruge nogle af disse data til at validere, om medlemmer af samfundet ved ting om hinanden, da de udføres, før nogen ved noget om det faktum, at de vil rangere deres jævnaldrende. Derefter inviterer vi fem-medlemsgrupper [af venner og naboer] ind i en hall, hvor de gennemfører vores "rankingspil." Afhængig af randomiseringen udfører de disse i nærværelse af andre mennesker eller alene, og de får at vide, om deres oplysninger vil blive brugt til at tildele tilskud eller ej, og om de modtager incitamenter eller ej. I slutningen af dette spil gennemfører vi et lotteri for at vælge tildelingsvindere. Derefter foretager vi opfølgende interviews for at måle ændringer i forretnings- og husholdningsformue og bruger disse data til at validere, om samfundsmedlemmer kunne forudsige vækst i virksomhederne.
Fællesskabets medlemmer udfylder Rigols undersøgelse. (Natalia Rigol) Hvilke spørgsmål stiller du?
I det første interview beder vi om oplysninger om alle husstandsmedlemmers arbejdsaktiviteter, meget detaljerede oplysninger om alle husholdningsvirksomheder, psykometriske spørgsmål med virksomhedsejere og mange spørgsmål om velstand, sundhed og generelt velvære.
Hvordan sikrer du dig, at folk fortæller dig sandheden om deres venner og naboer?
Hvis du går til et samfund og stiller spørgsmål, og folk ved, at oplysningerne bruges til at fordele relativt store bevillinger, er det muligt, at de vil lyve. Vi har masser af pilotdata, der antyder, at folk faktisk lyver, hvis de har et incitament til at lyve. Jeg vil gerne vide, hvordan man får folk til at fortælle os sandheden.
Den mest fremtrædende måde at gøre dette på er at give folk [økonomiske] incitamenter til deres svar. Vi tilbyder et højere incitament til at fortælle sandheden. Vi bruger en betalingsregel for peer-lokkelse, Bayesian Truth Serum, udviklet af Drazen Prelec her på MIT. Den måde, reglen fungerer på, er, at vi beder folk om deres første orden tro - at rangordne folk fra højeste til laveste fortjeneste - og deres anden orden tro - hvor mange mennesker i samfundet vil sige, at Emily ville være rangeret som den højeste? Hvor mange vil sige, at hun ville blive rangeret som den næsthøjeste osv.? Vi betaler folk baseret på deres første og anden orden tro. Det er nemt at betale for andenordens overbevisning: vi ser, hvor mange mennesker, de gætte, ville rangere Emily som nummer et, og så ser vi, hvor mange mennesker, der faktisk rangerede Emily som nummer et. Det er den hårde del at betale for første orden tro. Reglen fungerer ved at betale højere beløb til mennesker, der giver svar, der er "overraskende almindelige", hvilket betyder, at den første orden tro er mere almindelig i befolkningen, end folk forudsagde, at det ville være via anden orden tro. Prelec har bevist, at denne incitamentsafgiftsregel er sandfærdig - folk er bedre stillet til at fortælle sandheden om, hvad de ved, end at lyve. Der er også nogle laboratorieeksperimenter med studerende, der bekræfter egenskaberne ved denne regel.
Hvor meget er bevillingerne? Og hvordan kan disse former for tilskud eller mikrolån hjælpe folk i et fattigt samfund?
Tilskuddene er $ 100, hvilket virkelig er et enormt beløb for denne befolkning. Dette er omkring 30 procent af en virksomhedsejers kapital. Andre undersøgelser finder, at mikroentreprenører virkelig er produktive. Du giver dem $ 100 og deres overskud stiger med 50 procent to eller tre år ned og fortsætter med at være højere. Med hensyn til påvirkninger: folks forbrug øges, folks sundhed forbedres. Med $ 100 kan din mand gå og få enhver operation og komme tilbage på arbejde, mens fraværet af de $ 100 betyder, at du bogstaveligt talt er i dårlig fattigdom.
Hvad er dine planer for fremtiden for dette projekt?
Vi laver en basisundersøgelse, og vi vil være færdig inden december eller januar. Derefter tildeler vi tilfældigt tilskud til at måle, om samfund var i stand til at forudsige resultater eller ej. Vi sporer sandsynligvis folk i et til to år for at se udviklingen i deres forretning og husholdningsindkomster og se, hvordan samfundsinformation forudsiger det. Vi arbejder med en mikrofinansieringsinstitution, som er meget interesseret i dette projekt. Det næste trin, hvis det ender med at arbejde, ville være at se, hvordan de kunne integrere dette i deres operationer.
