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。

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。

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%。

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。

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。

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。

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。

策略与建议

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，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。