科技赋能如何提升信用风险监控能力范文

随着金融科技的迅猛发展及科技投入的不断加大，国内商业银行信用风险监控工作正由人工经验判断阶段向系统智能分析阶段加速迈进。同时，当前国内外经济金融形势日益严峻复杂，信用风险监控工作机会与挑战并存，商业银行必须认清形势、积极应对。

银行信用风险监控面临的形势

金融资产扩张亟需建立信用风险监控机制。2019年，山东省地区生产总值7.1万亿元，经济总量居全国第三，近十年增幅达107%，翻了一倍多。与之相应，近十年山东金融机构信贷规模也在加速扩张，截至2019年年末，金融机构本外币存款余额10.5万亿元、贷款余额8.6万亿元，近十年增幅分别达198%、215%，加上近年来其他表外业务、类信贷业务的不断扩张，信用资产总量的增长更为迅猛。随着信贷规模的扩张、客户数量的增多、业务品种的丰富，信用风险信息数量和种类也呈几何级数增加，对银行的数据处理分析能力提出了空前挑战，迫切需要建立长期性、可持续运作的信用风险监控工作机制。金融形势复杂多变导致信用风险监控难度升级。山东经济总量大，产业结构以资源型、重化型为主，传统产业产值占全部工业的70%，新经济领域企业占比偏低。2017年以来，山东省贯彻新发展理念，转变经济发展方式，启动了新旧动能转换重大工程，目前全省正处于“腾笼换鸟”的深度调整期。随着去产能、去杠杆力度的不断加大，局部地区银行机构信用风险有所暴露。特别是今年以来，肺炎疫情给经济社会发展带来前所未有的冲击，国内外资本市场频繁波动，国内金融市场化改革步伐加快，利率市场化持续推进，对银行信贷业务的高质量发展及信用风险的有效防控提出了更高要求。在复杂而又严峻的内外部经济金融形势下，银行信用风险的信号来源更加广泛，风险交叉传染更加复杂多样，风险识别难度不断升级，实现集中统一的信用风险监控势在必行。金融科技推动信用风险监控向智能化转型。金融科技的发展深刻改变了银行业的经营环境和市场格局，银行传统的获客渠道和风险管控方式都面临智能化转型的要求。其中，金融科技的典型代表——大数据技术能够有效拓展信息挖掘的深度和广度，打破不同机构、部门、地域间的数据“孤岛”，改变银行传统的信用风险管理模式，为进一步提升信用风险监控工作效能带来机遇。目前，各家银行机构均已制定了本行的数字化转型战略，部分业内领先银行数字化转型战略正在全面推进，包括搭建数字化基础设施和大数据分析平台、推广应用大数据项目、加强本行数据分析师队伍建设等，在信用风险监控工作中应用大数据技术的基本条件已经具备。

银行业信用风险监控方法的探索

国外银行同业情况。近年来，西方现代商业银行越来越意识到数字化风控的价值，开始摆脱相对保守的风险管理理念，实施针对性的转型计划，包括确保风控环境的长期有效性，帮助风险职能部门应用技术服务于风险准入、分析、报告等关键领域。例如，苏格兰皇家银行通过打通企业客户的财务系统或企业资源计划系统（ERP），获取其行为信息，作为风险准入的依据；劳埃德银行在传统信贷模式的基础上，通过内部大数据聚类分析，比较区域、行业、产品等维度的成长性、盈利性、流动性等情况，得到相对专业的趋势判断，为信用风险管理决策提供有效参考。相较而言，西方商业银行更加注重对信用风险监控方法的量化研究，在实践基础上建立了多种信用风险量化模型，例如，摩根大通银行的信用计量模型、KMV公司基于期权理论的KMV模型、瑞士信贷银行的CreditRisk+模型等。引入工程技术、借助数理模型量化分析风险状况，是国外银行信用风险监控手段创新的重要举措。山东银行业情况。从山东银行业发展状况看，近年来，部分银行同业不断加强信用风险监控的组织体系建设和理论应用研究工作。例如，中国工商银行在组织体系建设方面给予了较大的政策和人员倾斜，总行层面成立了信用风险监控中心，山东省分行设置了专职监控科室，实行团队制运作，建立了集约化、专业化的监控管理体系，信用风险管控成效较为显著。此外，在监控方法研究及应用方面，部分银行已开始将大数据应用引入风险预警场景，建立专业的管理系统，逐步实现风险预警信号的全流程控制。例如，农业银行的CMS系统基于大数据基础设施以及外部数据源，研发模型构建标准工具，通过建立信用风险指标库和预警模型工厂，提供信用分析工具和支持，实现贷后检查、风险预警的自动化处理；建设银行的对公信贷业务流程管理系统（CLPM）包含流程风险管理工具、中台风险管理系统、专业风险工具三个部分，将风险管理系统性地融入业务全流程，还成立了专门的模型实验室，具备模型开发、优化验证以及数据挖掘等功能。

银行业信用风险监控面临的主要问题

风险监控体系运行相对乏力。近年来，受经济下行影响，山东省部分传统产业和产能过剩行业受冲击明显，内生增长动能不足，一些地区风险集中暴露，企业经营困难，违约风险上升，并通过投资链、交易链、担保链蔓延扩散，部分银行机构贷款不良率连续多年呈上升趋势。与信贷规模的日趋庞大、风险种类的日益增多、风险管控的日渐复杂相比，山东银行业信用风险监控工作普遍存在一定程度的力不从心、疲于应付现象，受专职监控人员队伍严重短缺、新兴业务知识储备不足等因素影响，监控能力不匹配、监控手段跟不上等问题较为突出，信用风险识别判断的敏感度和精准度提升乏力，监控工作的主动性、时效性和全面性无法保证。数字化转型进度相对滞后。近年来，国家政策层面积极鼓励金融科技相关产业发展，印发了多个纲领性文件，先后在贵州、京津冀、珠三角、上海、河南等地建设部级大数据综合试验区。浙江、贵州等省份在国内率先出台一系列支持本省金融科技发展的政策，涌现出一批在全国有影响力的大数据企业，在大数据基础设施、支撑平台、应用开发上形成了较完整的产业链。比较而言，山东在金融科技相关产业发展方面起步相对较晚，进展相对较慢。具体到银行信用风险监控，受大数据技术应用水平低、智能化风控手段不足等因素制约，信用风险监控工作模式较为落后，仍主要依托于手工数据、人工经验和事后判断，缺乏风险预警的即时性、前瞻性，存在较为明显的“事后救火”问题，信用风险监控数字化转型进度相对滞后。全流程监控管理相对薄弱。信用风险的监测预警、处置化解和跟踪督导，是实现信用风险全流程管理、确保风险管控效果的三个必要环节，缺一不可。目前，银行信用风险监控全流程管理相对薄弱，存在重监测、轻处置、弱督导的问题，工作质效难以有效提升。一是预警处置跟踪督导不足。受工作量大、人员不足等因素制约，监控工作主要集中于监测预警环节，对预警信号的后续跟踪督导、现场核查等力度不够，影响了预警信号的运用效果。二是预警信号运用不尽如人意。受发展考核及干部任期制等因素影响，特别是在经营行层面，存在消极对待风险预警信号，甚至出现反向美化的现象，往往容易错失客户退出等风险化解的有利时机。监控后备人才相对短缺。一是高素质监控人员短缺。监控人员知识结构陈旧过时，既懂信贷业务又懂大数据分析的人才非常匮乏，是制约银行实现智能化风险管控的一大瓶颈。二是专职监控人员不足。各级金融机构普遍存在监控人员短缺、一岗多责、业务水平参差不齐的问题，难以有效应对当前加速暴露、复杂多变的风险形势，是制约银行信用风险管理能力提升的一大“短板”。三是岗位梯队建设不完善。因受岗位序列设置限制，监控人员梯队难以有效搭建，专业人才储备严重不足，监控队伍存在明显的人员“断档”问题。

合力提升信用风险监控能力

发挥系统合力，切实提升风险监控能力。信用风险监控是银行提升信贷管理精细化水平、筑牢信用风险防控基础的关键环节，强化科技赋能，建立数字化、智能化的信用风险监控体系已是大势所趋。为此，商业银行应全面整合和充分集约内部各类监控资源，建立条块联动工作机制，突破银行部门间的壁垒，充分发挥公司、个人、国际、投行、信用卡、内控、风险等各条线专业风控优势，完善风险信息共享和联动预警工作机制，积极构建上下贯通、横向联动的大监控、全预警工作格局，实现对信用风险全方位、立体式、全流程、系统化监控，以适应信用风险管理数字化转型的迫切要求，有效应对信用风险持续高发、防控难度不断升级的局面。强化科技支撑，加快监控数字化转型。积极对接银行总部及政府部门数字化发展规划，深入梳理本行信用风险管理的重点领域及薄弱环节，全面推进金融科技在信用风险管理中的深度融合应用。一是丰富监控数据源。加强省域特色外部数据采购，加强行内数据真实性核查管理，建立一体化信用风险监控数据集市，夯实大数据基础。二是加快智能化风险监控系统建设。成立由信用管理部门与科技部门组成的信用科技支撑团队，将线上线下业务、信贷类业务、表内外业务、境内外业务纳入一体化监控范围，打破数据“孤岛”，构建覆盖客户、行业、区域、人员的多维度信用风险统一视图，实现高效、自动、全面风险监控。完善响应机制，夯实监控管理基础。一是完善监控与业务运作联动响应机制。加大预警信息向信贷业务运作前端推送力度，实现在客户出现逾期欠息等实质违约信号之前的预警提示，前移风控端口，防患于未然。二是完善预警全流程管理协作响应机制。进一步加强上下级行、信贷前后台分工协作，完善预警风险的快速预判—及时处置—强化跟踪一体化管理体系，实现风险及时缓释转移，将损失降至最小。三是完善预警处置奖惩机制。建立问责倒查制度，在对不良贷款责任追究时将风险预警、信号处置情况作为必查项，对延误化解时机、造成风险扩大的，从严追究相关人员的责任。探索正向激励措施，对主动发现并处置风险行为加大奖励和宣传力度，营造良好氛围，切实发挥预警处置的应有功效。注重人才建设，提高监控组织保障水平。在监控人才招聘方面，向金融数学、计算机、信息管理以及复合背景专业人员倾斜，建立系统化的岗位培训机制，完善监控人员梯队建设，形成老中青相结合的人才结构。在监控队伍建设方面，集合科技部门和业务部门骨干力量，通过跟班学习、横向交流、专题集训等方式，尽快培养出由业务分析师、数据分析师和数据工程师组成的合作团队，进行专业化分工协作。其中，业务分析师要精通信贷业务并具备敏锐的风险洞察力，负责提出业务问题、业务理解、成果解释和应用部署等；数据分析师要熟练掌握常用的大数据分析方法及工具，负责数据理解、分析建模和模型优化等；数据工程师要精通编程和数据库处理技术，负责数据准备、复杂算法的实施、应用部署等。在监控方法研究方面，与大学、研究所、专业信息咨询公司等机构合作，通过合作研究、建立专项奖学金等方式，开展对大数据挖掘、监控建模的理论研究和实证分析，夯实银行信用风险监控工作基本功，有效提升银行风险监控理论水平和实践能力。

作者：宋红光 单位：山东省分行高级专家