金融科技对商业银行信用风险的影响研究

文/方舟 张中政 盛伊蕊（安徽财经大学金融学院）

一、研究背景

2017年4月，中国银监会发布了《关于银行业风险防控工作的指导意见》，强调要求加强银行信用风险的防范和管理。商业银行信用风险指的是贷款者无力履行合约给银行造成的风险，信用风险是商业银行经营中主要的风险之一，其管理好坏决定着银行经营成果。研究表明，逆向选择和道德风险是商业银行信用风险产生的主要原因。由于存在信息不对称，银行无法获知借款人真实的信用水平，而借款者为了申请贷款往往隐瞒自身不利信息，故容易引发信用风险。

2014年3月，金融科技首次出现在政府工作报告中；2019年8月，中国人民银行发布金融科技未来三年发展规划，把金融科技提到前所未有的高度；2019年12月，中国人民银行推出金融科技监管试点，启动中国版监管模式。由此可见，国家高度重视金融科技在金融领域的作用。商业银行作为金融系统的重要组成部分，需要抓住金融科技发展的契机，加强自身信用风险管理，实现自我蜕变和转型升级。

二、金融科技的技术手段

（一）大数据

多类型和大容量的数据集合是大数据的特征，大数据技术成为对格式多样、数量庞大、来源分散的数据进行收集、储存和分析的手段。商业银行的数据具有来源广、质量高和规模大等特征，成为大数据技术得以应用的底层依赖。商业银行可以利用大数据技术为客户提供精准营销和精确画像，从而实现风险管理和优化运营。

（二）区块链

区块链是一种基于互联网的数据库技术，其本质是利用大数据的加密算法而实现的节点信任方法，具有无法篡改、去中心化和透明公开等特点。利用区块链技术可以提高运营效率，减少交易成本。商业银行可以利用区块链技术管理抵押品、监管资金流、开发信贷产品，为解决数据孤岛、信息失真等问题打下基础。

（三）云计算

云计算是一种新型的计算模式，仅需在本地下达指令，便可在远程利用虚拟的服务器对数据进行处理和运算。在该模式下，用户只需能够连接网络的终端，便可使用由云服务商运营和维护的计算平台，可以降低终端配置成本，提高数据计算效率。商业银行可在内部建立私有云，使数据的储存和处理从分散变为集中，逐步摆脱硬件限制，降低网点运营成本，提高安全和效率。

（四）人工智能

人工智能是利用计算机实现人思考和行动的技术手段。人工智能依赖于海量数据，通过传感元件获取信息，通过云储存和互联网实现记忆，通过深度学习的算法实现逻辑推理，对数据进行高效处理。商业银行可利用人工智能实现智能交易、智能行研、智能销售、智能风控和智能监管。

三、科技公司的先进经验

（一）线上自动业务办理

大型科技企业和互联网电商平台的金融产品主要通过线上渠道进行办理，依靠大数据和人工智能技术实现线上业务审批和智能风险控制。这些企业在消费金融端和企业客户端推出的产品基本实现了线上交易、自动审核和快速到账，人工只需处理少量的大金额和复杂场景业务。

（二）预授信和闭环管理

这些科技公司和电商平台通过大数据分析对用户进行预授信，用户可以在申请前获悉自己的预授信额度，且额度会在不同阶段随着客户需求和应用场景的变化而动态调整。借款者不需要提供抵押品来进行担保，且整个运营过程公司后台完全可监控。这些公司和平台推出的供应链金融服务，通过把控客户的数据接口，形成了全链路和全场景的整体服务流程，达到了整个流程在自身框架内，额度实时转换和统一授信的闭环管理模式，从而有效防控信用风险。

（三）模型化的智能风控

这些公司和平台依靠长期积累的风险管理和控制技术，实现了模型化、场景化和数据化的风控手段。这种新型风控技术建立在海量数据和超强计算的基础上，具有大数据、多维度等特点。相较于传统的金融风控体系，各种模型具有自我学习能力，可以自动进行迭代升级。

四、商业银行的路径选择

商业银行应当顺着金融科技的发展潮流，借鉴大型科技企业和互联网电商平台的成功经验，创新自身信用风险管理方法、流程和模式，实现自动化、精确化、智能化的识别和管理。对于数量大金额小的中小企业或个人信贷业务，应当使用金融科技进行线上智能风控和决策；对于数量小金额大的公司信贷业务，应当以线下审批为主，同时通过金融科技加以智能改造，实现线上辅助、线下决策。

（一）线上模式创新

1.线上智能决策模式的选择

（1）电商平台模式

在此模式下，商业银行可通过自有的电子商务平台或者与专业电子商务平台合作，以其中交易记录、信息记录和现金流等数据为依据，构建信贷审核模型，选择优质客户下发贷款资金。

（2）三方合作模式

在此模式下，通过和第三方机构联手，利用线上渠道获取信息，通过机构累积的金融交易数据评价贷款者信用违约风险，从而进行决策。

（3）大数据模式

在此模式下，利用大数据技术，通过客户的社交和交易等历史数据，以及税务、司法等政府公开信息，对客户进行评估，合格者在线发放贷款，此举解决了传统模式下个人及中小企业难以获得贷款的问题。

（4）产业链模式

在此模式下，借助产业链中核心机构的信用增级作用，对接企业数据系统进行审核，为产业链中的上游和下游企业提供在线融资。

2.线上决策的风险防范要求

（1）确保数据数量及质量

线上业务及自动决策以客户数据的数量和质量为保证，商业银行要通过各种渠道获取多维度的海量数据，并且对数据进行甄别和挖掘，确保数据的真实性和时效性，充分利用数据内在价值。

（2）重视反欺诈风险防控

开展线上业务，最重要的环节之一是判断客户和交易的真实存在性。商业银行应当构建反欺诈模型，设立反欺诈机制，能够自动识别并拉黑存在欺诈可能的客户，保证贷款的真实有效性。

（3）建立科学合理的模型

线上业务及自动决策对建模有着很高的要求，高度依赖风险模型的适应性和有效性。商业银行应当利用数据优势，深入挖掘分析，精确识别银行信用风险的传导机理及影响因子，提高建模能力，完善评审机制。

（4）推动模型的迭代升级

建模是一个不断尝试、不断改进的过程，模型需要快速升级和智能升级。商业银行应当利用知识图谱和机器学习等方法，对数据中的信用风险因素深度挖掘，在精确性和前瞻性的基础上，实现模型智能迭代、自动升级。

3.建立预授信和客户白名单

商业银行应当充分利用大量的客户信息，通过金融科技手段对客户进行精准画像，制定客户白名单，并结合预授信模型，为客户提供预授信额度。该额度可随客户需求和场景的变化自动调整，并通过App、微信和短信等方式告知客户，主动营销潜在客户。

（二）线下环节优化

1.金融科技辅助营销

商业银行可以利用金融科技整合不同场合的销售信息，通过App、微信和短信等方式与客户联系，同时收集客户信息，挖掘优质客户，针对不同客户进行主动营销，提高主动营销、分类营销和精准营销的能力。

2.金融科技辅助行研

商业银行可以通过大数据技术挖掘和分析多维度数据，在行业数据采集、数据预处理、数据分析挖掘和数据可视化等阶段深耕，从海量数据中获取有用信息，提高行研精准性，提升行研效用。

3.金融科技辅助审查

商业银行可以利用大数据进行场景识别，多方位、多角度处理客户信息，绘制客户画像，辅助调查及审查人员进行企业财务指标分析，为客户财务报表综合分析提供技术支持，还可以通过大数据进行交易关联、股权关联、担保关联等关联分析，帮助调查及审查人员快速甄别关联关系。

4.金融科技辅助贷后管理

商业银行可以利用金融科技获取全面可靠的贷后信息，提高贷后风险管理水平。通过对内部数据和外部数据的整合及分析，排除可疑信息及虚假信息，为客户精准画像，缓解信息不对称；通过建立资金监管模型，对贷后账户进行实时监控，建立预警指标，寻找风险因素，及时提醒客户，提高监管的时效及有效性。

5.金融科技辅助抵押管理

商业银行可以利用金融科技进行规范化和动态化的抵押品管理。通过大数据勘察的方法辅助现场勘查，解决抵押品真实性的问题；通过与第三方评估机构合作，对抵押品进行线上快速估值，满足客户融资需求；通过对接市场数据，获取当日交易价格，推行抵押品逐日盯市制度。

6.金融科技辅助风险监控

商业银行可以利用大数据和人工智能技术进行信用风险智慧化监控。在客户层面，及时挖掘数据中的风险因素，对客户作出全面实时监测；在员工层面，及时监控员工的业务流程，防范违规操作；在组合层面，构建多时点、多维度的监控体系，提高组合监控水平。

五、相关建议

（一）夯实基础数据

商业银行应当充分整合数据，扩大数据来源，提升数据价值。通过整合会计、审计、信贷等内部数据，破解内部信息孤岛，实现行内数据深度挖掘和全面使用；通过引入税务、法院、工商、公积金等外部信息，以及与其他公司和平台进行有条件的信息共享和交换，实现外部数据汇总。商业银行应该努力提升数据清洗、挖掘和分析能力，去除无效数据，提高数据质量，同时还应打破信息壁垒，构建统一视图，实现数据融合。

（二）加强模型建设

商业银行应当根据客户和业务的特征，开发信用决策模型。通过客户在银行的资产数量、征信报告和信用记录等内部数据，结合第三方外部数据，合理选择指标体系，恰当构建评价模型，对客户进行评价；通过客户的融资需求及风险偏好，构建决策模型，进行授信决策。商业银行还应根据行业、地域、客户、产品等维度的不同，建立防范监控模型，这些模型应当具有及时性、准确性和前瞻性等特点，重点关注资金流向、异常交易、征信信息、供应链融资等内容。

（三）健全管理机制

商业银行应当组建自己的金融科技队伍，研究各项业务创新的可能性及可行性。业务部门中应设有模型开发团队，及时、快速开发相关模型，满足部门中的模型需求，并不断更新迭代。对于线上信贷业务，应当建立容错纠错机制，通过更新迭代纠正模型错误，通过设置风险容忍度，免除合理范围内的人员责任，确保人员创新积极性。除此之外，商业银行还应吸取科技企业和网购平台的经验，加强技术人员同业务人员交流，用科技思维改造业务管理，在信用风险管理方面实现技术和业务深度融合。