今天转载来自于中欧国际工商学院，演讲者系原工商银行董事长姜建清。
中欧国际工商学院，由中国政府和欧洲联盟于1994年共同创立，是中国唯一一所由中外政府联合创建的商学院。
姜建清
中欧国际工商学院 金融学兼职教授
中欧陆家嘴国际金融研究院 院长
中国工商银行 原董事长
原文如下：
01 银行业信贷风险管理的现状与挑战
在现代金融体系中，银行的
核心竞争力主要体现在其资产转化能力上，这种能力通过信贷业务得以实现。银行精妙地在存款人和贷款人之间搭建桥梁，实现了资金的汇聚与分散，促进了短期储蓄向长期投资的转化。与以资本市场为主导的美国模式不同，中国金融体系以银行业为主导。2023年，中国银行业金融机构本外币资产总额高达417.3万亿元，占据了金融业总资产的九成以上，远超美国银行业的总资产规模。
评注：这里的资产转化能力，也是我们公司最近会干的事情。虽然我们知道工银安盛的主要客群，但是我们也在努力做一些下沉转化。也会有调研，当时的调研结果，20人，15 人为年纪较轻，很多还是学生，年龄阶段 20-25，无法存款，没钱。另外主管级别的，25-30，可以明显观察这些人的比较高级的工程师，也有可能是老师，人数 5 人。他们能存钱，但是，因为调研并非特别深刻，只是意向征询。我们只知道，他们能存钱，可能并不排斥一些金融知识讲座。但是，学生和基层的工人，是比较排斥的。这些现实说明什么？说明下沉市场，也就是银行以外的金融机构或者类金融机构，资产转化能力很差。很难以推介基金储蓄产品。进一步地，我再展开一些下沉市场的做法。例如，挖财，经营了很久了，专注做记账。或者，后来跑出来的启牛，专注做教育，投资者教育。
经过多年的深化改革与持续发展，中国银行业
已从20世纪末的“技术性破产”边缘脱胎换骨，实现华丽转身，
不良贷款率更是控制在全球优良水平。然而，当前国际金融市场波动加剧、全球贸易增长乏力，加之中国经济进入新阶段，使得银行业风险管理面临前所未有的挑战。习近平总书记在2023年中央金融工作会议上强调要提高风险研判的准确性，并警示要守住系统性金融风险的底线。银行资产转化过程的实质是风险管理，但
随着金融杠杆率和信贷总量的提升，风险日益积聚。与过去相比，我国当前的金融风险已不可同日而语，全社会的金融体量已今非昔比。
尽管在20世纪90年代末，我国商业银行的不良贷款率一度飙升至惊人的40%，甚至50%以上，但值得注意的是，当时的银行规模还相对较小。然而，时至今日，金融业的整体规模已经历了急剧的扩张。举例来说，广义货币供应量（M2）已从2013年的100万亿元激增至2023年的292.3万亿元。与此同时，地方政府融资平台的融资额也迅速增加。在2008年之前，中国经济的杠杆率稳定在大约130%的健康区间内，然而到了2023年，该杠杆率已飙升至近297.7%，这一数字在全球范围内均处于高位。
评注：要关注到 M2 十年翻了 3 倍的影响。M2 是当年能理解交割，以及短期内能变现的金融资产，这些以货币计量，总量翻 3 倍会产生什么效果？一是，如果物价（包括原材料、中间产品、产成品）和通胀率一致的话，这个二级市场、金融衍生品市场，应该不会受到影响。二是，如果物价跑过了通胀率，二级市场就会流动性紧缩。三是，物价跑不过通胀率，二级市场会比较繁荣。大多数情况都是第三种。因为我们很容易发现，M2 十年翻 3 倍，但是物价没有 10 年翻 3 倍。所以，我们可以初步断定，2013 - 2023 年这十年期间，M2 总量翻了 3 倍，但是物价是没有翻三倍的，因此这些货币流入二级市场的。姜行长讲到的“地方融资平台”也是因为货币量增加之后，导致参与者增加，金融机构的增加。第三点，宏观杠杆率＝债务 ÷ GDP。这个数值，从 2008 年的1.30，涨到 2023 年的2.98。这个含义，2008年的时候，债务是 GDP 的 1.3 倍，2023年的时候，债务是 GDP 的2.98倍。阅读这个指标，还要结合跨境资本流量这个指标。如果跨境资本流量较大的话，说明我国生产活动的资本结构产生一定的变化；如果跨境资本流量比较少的话，那么其债务有效性是值得质疑的，主要由于每家公司都亏损的概率是很低的。评注均属于个人观点。
从全球历史经验来看，
高速增长的信贷规模和高比例的金融杠杆率往往孕育着潜在的金融风险。加之市场风险、法律风险、流动性风险等多重风险交织，中国银行业风险控制的形势不容乐观。
评注：信贷规模和杠杆率本来就有相互促进、相互激发的作用。
在银行业，不良贷款一旦形成，主要的处置化解手段包括
清收重组、自主核销、对外转让以及不良资产证券化。其中，核销是一种直接且有效的处置方式。它指的是银行依法将无法收回的呆账贷款或贷款损失进行核销的制度。然而，核销过程须遵循严格的法律程序，且并非所有不良贷款都具备核销的资格。
在2017年至2022年间，中国商业银行
累计处置不良资产高达14.97万亿元（见下图），其中核销资金占据了显著比重，达到6.14万亿元。进入2023年，处置不良贷款总额达到3万亿元，核销资金依然超过1.1万亿元。2023年中国商业银行的总利润为2.4万亿元，核销坏账资金所占的比重高达45.8%。
评注：银行认损的钱，几乎是利润的一半。
由此可见，当前中国金融业在资产转化领域的风险控制面临严峻挑战。信贷业务的成功源自长期经验的累积，然而在当前复杂的经济环境下，银行以往的风险管理方式已显得力不从心。尽管近年来银行业整体表现不俗，
通过大规模运用财务资源核销不良贷款，使其不良贷款率得以控制在较低水平，但这种方式不可避免地会消耗银行的资产减值准备金，从而降低贷款损失拨备率。
评注：这里提出了一种财务手段，如果银行过早认损的话，这个时候虽然不良率可以控制，但事实上并不是很符合现实。而且，还产生了新问题，你主观地认损了，但是人家的周期比较长，又回来变成好客户了。这个时候，银行如何计量？因为银行过早核销信贷头寸，加之已被核销的债项又被还上，这种情况可以归纳为“客户的资金周期，和银行想象的资金周期没有收敛”。这种情况会产生一定影子利润，原本计入利润部分，会被计入金融市场操作的损益。某些银行核销信贷资产较早，同时金融市场部门又未产生收益增加，很能就用自己的利润，弥补了金融市场部门的萧条业绩。
为了防范潜在风险，
银行已在不同程度上增强了计提和核销的力度。然而，这种风险防范措施的实施也导致了银行业近年来净利润增长的放缓。展望未来，中国银行业将面临净息率下滑、内生资本补充需求以及不良贷款核销压力等多重挑战。其中，净息率下降已成为必然趋势，而内生资本补充对于银行的发展和新增信贷至关重要。在此背景下，降低不良贷款核销额成为银行业寻求突破的关键路径。
03 人工智能在信贷风险管理中的应用
金融与科技的深度融合，为中国银行业在防范金融风险方面注入了强大的动力。自2000年初的金融科技1.0到2020年的金融科技4.0，中国银行业经历了深刻的数字化升级与重构。
信贷风险管理逐渐从分散走向集中，使银行能全面掌握贷款的行业、地区及所有制分布。同时，银行实现了个人和法人客户的统一视图、评价、营销管理和信用管理，为银行积累了大量关于客户违约率和违约损失率的数据。此外，银行还研发了包括
市场风险管理、
内部资本充足评估 和
风险加权资产计量 在内的先进风险管理系统，并通过数据大集中构建了大型数据仓库，如工商银行建立起千亿级的大模型并成功应用。
这些变革不仅改变了银行的客户行为、商业模式，还通过统一的信息平台、强大的硬件设施、便捷的通信、友好的客户界面及先进的安全技术，大幅增强了银行的风险管理能力。
银行业在金融科技方面的投资也在持续增长。据 IDC（互联网数据中心）和中商产业研究院数据（见下图），从2021年至2023年，中国银行业IT投资规模持续攀升，年复合增长率高达11.2%，预计在2026年将达到 2212.76 亿元。
金融科技的显著成效在不良贷款管理上尤为突出。自2001年首次剥离不良贷款后，尽管贷款总额从11.2万亿元增长到2023年的237.6万亿元，增长了21.2倍，但不良贷款率却从25.3%降至1.62%，下降了23.68个百分点。这一显著成就归功于金融科技在信贷风险管理中的广泛应用。
评注：2001年引入不良资产剥离技术，归功于金融科技。
然而，尽管中国在金融科技支付领域领先全球，
但在资产转化方面，金融科技应用仍显不足，尚处于初步探索阶段。这主要源于风险管理的复杂性。传统的风险管理方法往往依赖于孤立、静态、碎片化的数据，聚焦于企业财务和历史经营业绩等历史报表的分析，这种方法存在明显的
时滞问题，仅凭单点或抽样、静态的调查分析难以准确判断交易的真实性。
随着发展中国家经济的转型，经济活动日趋错综复杂，企业所面对的交易伙伴日益增多，
这导致了欺诈风险的攀升。与此同时，信用市场的摩擦和交易成本也随之上涨。加之
企业跨界经营已渐成趋势，使得融资与结算信息越发碎片化，物流与资金流日益分离，进一步
推动了交易成本的增加。这一系列因素相互交织，共同为资产转化领域的金融科技应用带来了前所未有的巨大挑战。
尽管银行业已积累大量金融数据，但内部数据整合仍不充分，导致
数据的有效性、多维性和低成本挖掘面临挑战。结构化数据与非结构化数据收集脱节，静态金融信息与动态行为信息分析未能有效结合。同时，单一企业、项目的数据分析
忽视了关联链条的整体性分析，导致信贷决策缺乏全面性。贷前审查与贷后管理、监控之间衔接不足，也形成了信贷风险管理的盲区。
这些数据短板使得银行虽拥有海量信息，却难以发挥其优势，反而受“数据贫血症”困扰。 一些金融机构宣称利用大数据或人工智能技术控制风险，但因数据量不足、数据源单一，其风险模型准确性受到影响。新兴金融机构过度依赖数据作为营销和风控依据，但风险管理能力薄弱。更令人担忧的是，
一些机构试图通过提高利息覆盖高风险成本，或盲目跟随和模仿其他金融机构的授信策略，存在着巨大风险隐患。在信贷融资规模迅速扩张的背景下，这些滞后爆发的风险成了一个悬而未决的问题。
03 策略与建议
金融业作为数据密集型行业，其决策过程高度依赖于数据的支持。通过运用大模型，银行能够
实现风险的有效甄别、精准定价、实时监测与妥善处置，进而优化资产转化和配置效率。在当前技术迅猛发展的背景下，人工智能技术的崛起及其在金融领域的深入应用，正为信贷风险管理注入前所未有的变革力量与创新契机。
一、数据是发展新质生产力的重要基础，数据价值必须在应用场景中才能实现。
银行在探索人工智能大模型的优势时，
首要任务是加强数据资产的积累与管理，其中包括了支付数据等多种关键信息。然而，目前银行普遍仅记录支付凭证的入账方资料，
却忽略了另一方的宝贵数据。倘若这些数据能够被结构化并精准挖掘，将对银行产生极大的价值。
同时，为了构建完善的数据生态，
银行需要整合各类数据，如柜面业务、结算、担保等，以及与客户相关的机构信息。银行应全面搜集与业务紧密相关的数据，
并加强与POS终端、ATM、网上银行等多元化数据源的融合。此外，与银行业务紧密相连的
投资公司、公募基金等 数据资源同样具有重要价值，但目前尚未得到充分利用，因此银行应加大对这些数据的采集与分析力度。
银行还应主动与其他银行、企事业单位以及电商平台进行数据共享与协作。这些机构掌握着丰富的企业与个人数据，对于信贷风险管理而言至关重要。政府也需加速立法进程，推动数据产权的合理交换与使用，从而为信贷风险管理提供更为坚实的数据基础。
二、银行要建立核心客户与上下游客户的链式关系。
银行要建立核心客户与上下游客户的链式关系，继而再平行、横向、串联、并联起千万个供应链，形成纵横交错、彼此勾连的
供应链立体方阵，通过大模型及大数据分析，形成客户状况的全景视图。
在信贷风险管理的推进中，银行需构建以核心客户为中心的供应链生态网络，
通过大数据技术实现商流、物流、资金流的无缝对接，提升金融服务的透明度与可靠性。供应链金融的推行将显著提升融资质量，降低风险，并推动实体经济与小微企业的发展。
在此过程中，
大数据的挖掘与处理成为银行的核心竞争力。银行应利用海量数据与先进技术，全面分析客户交易习惯，并建立信用风险监控体系。通过数据合成与相互佐证，
银行能多维度识别异常交易，及时发现潜在风险。同时，利用人工智能技术，银行可开启新型风险评估模式，引领风险管理领域的变革。
三、人工智能在信贷风险管理领域的应用既带来了前所未有的机遇，也伴随着巨大的挑战和风险。
数据和生成内容的可信度及精确性、算力与算法的平衡、成本控制、合规与安全标准的制定，以及消费者保护措施的完善，都是人工智能落地过程中必须面对和解决的问题。同时，由于人工智能的复杂性和数据不足，可能会导致
决策偏差或贷款歧视，这也增加了应用的难度。在初始阶段，投入与产出的不均衡以及诸多新兴的复杂问题，使得人工智能在信贷风险管理方面的真正应用显得路途遥远且充满挑战。
最后，我想着重指出，银行的风险控制能力对其资产规模、业务转型以及发展潜力起着至关重要的作用。而风险管理的成效则与数据能力和数据覆盖范围紧密相连。我们的愿景是营造一个让企业安心借贷，同时又能有效管理信用风险的金融环境。对于那些经营稳健或暂时面临困境的小微企业，我们应提供及时的融资援助，同时严格管理风险，以保障金融稳定。那些秉持诚信经营原则的企业，应得到无抵押、无担保的信用贷款服务，以此彰显对它们的信誉的高度认可。
为实现这一愿景，我们必须深刻理解线上与线下风控的互补性。这两者并非对立，而是相辅相成。银行应将人工智能的风险识别技术与自身的传统优势、深厚经验、专业团队以及现场调查等人工风险识别方法相融合。这种全面的风险评估方式，不仅深入挖掘历史数据，还密切关注企业和企业家的实时动态与行为特征。
从长远视角来看，这种线上与线下融合的风控策略，将为信贷风险管理带来新的活力，实现更加精确和高效的风险掌控。这不仅会提升银行业的整体风险管理水准，还将进一步推动金融市场的健康稳定发展。
沪公安联网 31011502019103