关于“数字金融与新质生产力”，来自工行、邮储、交行、民生、华夏等银行的专家怎么说？

导读： 如何理解数字金融，如何在做好“数字金融大文章”的同时培育发展新质生产力，成为金融机构积极思考和探索的重要课题。来自 工行、邮储、交行、民生、华夏等银行的知名专家 在 “数字金融与新质生产力” 为主题的圆桌进行了深入的讨论交流，为共同建设数字金融服务体系，助力实体经济高质量发展，以金融力量服务中国式现代化提供借鉴和参考。

01

中国民生银行信息科技部副总经理刘海波 介绍，民生银行将发展数字金融作为全行发展规划的核心内容，明确了“打造敏捷高效、体验极致、价值成长的数字化银行”的战略目标。为落实数字金融战略，民生银行成立了由董事长任组长，经营班子参加的数字金融领导小组，“一把手”亲自挂帅推动全行数字化转型，推进体制机制和文化变革。在体制机制方面，通过建立跨条线、跨部门的敏捷机制，设立武汉、成都、西安、深圳等研发中心，总分行协同推行精益和敏捷的双模研发模式。通过数字化技术手段开展端到端的流程优化，聚焦企业开户、小微信贷、代发等高价值客户旅程，2024年开展了18个相关的全行级重点项目，有效提升“双客体验”，助力业务经营模式从“以产品为中心”的经验驱动型，向“以客户为中心”的数据驱动型转变。在文化变革方面，通过建设全新数字化办公平台“i民生”，打造高效协同文化；围绕数字化能力应用在全行开展了一系列的路演活动，促进全行员工更熟练地应用数字化工具，更主动地利用数据和技术优化工作流程，切实将数字基因根植进全行员工的思维和行动中去。民生银行的数字金融建设策略是“生态银行瞄突破，智慧银行上台阶”。通过建设生态银行，探索场景金融新模式，将金融服务融入政务平台、企业生产经营活动以及个人的生活场景，通过建设智慧银行，充分利用数字技术，全面改造升级商业银行的价值链活动，通过端到端的流程重塑，不断提升双核体验，提升流程效率。2024年，通过科技与业务部门的协同努力，民生银行在数字化经营能力和风控能力提升、架构转型及新技术应用等方面都取得了明显提升。

华夏银行数字金融管理部副总经理李中明 指出，按照监管要求，推进数字金融工作聚焦两条主线，第一条是做好银行自身的数字化转型，第二条是服务好数字经济产业。在服务数字经济产业方面，一是发挥金融科技和数据要素乘数效应，积极融入智能制造、智慧农业、数字商贸等重点产业智能化升级进程，提供全方位综合金融服务；二是围绕数字金融客群，持续加大金融资源配置力度，加强对各类数据要素型企业和第三方服务机构、数据服务商，以及公共数据创新应用企业的信贷支持；三是积极融入数据基础制度先行区建设，加强与数字产业先行示范区、数字产业生态聚合区合作；四是加快推动数据资产价值化，积极参与公共基础设施、航运、贸易融资等行业数据共享，加强系统平台对接，提高服务实体经济的能力；五是面向数据基础设施建设者，面向数字产业集群等领域创造新质生产力的新型劳动者队伍，面向社会各界为数字中国建设服务的行业和产业，提供普惠金融服务，践行金融的政治性、人民性。按照国家统计局《数字经济及其核心产业统计分类》，以及国家金融监管总局非现场监管报表统计口径，数字产业化包括四类：一是数字产品制造业，如华为；二是数字产品服务业，包括数字产品的批发、零售、租赁、维修等，如当当、神州数码；三是数字技术应用业，如用友；四是数字要素驱动产业，如滴滴、抖音。产业数字化主要指数字化效率提升业，包括数字政府、智慧医疗、智慧教育、智能交通等，体现数字技术和实体经济的融合。

光大科技有限公司创新总监王硕 指出，“数字金融和新质生产力的融合发展”需要推动两个“融合”，提升两个“意识”。推动两个融合：一是推动数实融合。数字金融要和产业数字化和数字产业化的发展趋势，特别是现在产业端发展比较快，可以通过平台对接，借助数字孪生等技术，在合规前提下把一些数据融入实业链的生产端和供销端，带动产业端数智化升级，并反哺金融业务创新。未来如何通过数实孪生或者数实结合，可能是新质生产力创新发展的一个关键点。二是推动业技融合。因为大量的技术人才不懂业务，业务人员不懂技术，如何能把这两者结合起来？光大集团加强顶层设计，在集团层面建立了科技创新人才库，形成领军人才—核心人才—骨干人才三级人才体系，统筹全集团资源，通过培训和人才轮岗交流等方式，加大业技融合，推动建设一批既懂业务又懂技术的复合型人才队伍。提升两个“意识”：一是提升守正创新的意识。数据要素、大模型新技术等领域比较新，相关的法律法规和监管制度还处于逐步完善的过程中，既要敢于创新探索，更要守好信息安全、数据安全等底线。反过来，银行和科技公司在制度上要留有余地，对技术人员和业务人员在创新方面给予一定保护。监管部门更要与时俱进，创造良好的氛围和容错条件，配套一些“沙箱”，为金融强国建设多创造一些试验田。二是提升组织的灵活性。Open AI人数并不多，更多是一批有创新意识的年轻人富有激情的探索，并匹配相关的土壤和文化。金融机构也好，科技公司也好，探索数字金融促进新质生产力的发展，要思考如何平衡好内部体制机制，可以创新一些灵活的组织体系，比如可以通过一些柔性小团队和专班小队，开展一些前瞻性探索，通过创新体制机制，孕育自己的“第二曲线”。

百信银行首席数字官陈龙强 指出，数字金融本质还是金融中介，无论怎么演进，其核心要考虑怎么降低中介成本，更好地赋能实体经济，这是一个底层逻辑。科技与金融的融合程度越来越高，尤其是大模型技术的“白盒化”和金融数据越来越高质量，给了业界极大的想象空间。所以，数字金融本身也代表了一种新质生产力，而数字银行又是最能代表数字金融的一种主流业态。   数字银行从业务模式上看，大致可以分成三种。第一种是资产驱动型，在发展中国家比较明显，比如巴西的NuBank，中国的微众银行、百信银行，核心还是资产业务驱动，聚焦服务普惠客群，挣的是息差，本质上跟各家银行所做的资产业务是类似的，只是风控、科技等实现方式发生了变化。第二种是交易驱动型，主要在发达国家，聚焦优化支付体系，尤其在跨境支付。这方面相对而言中国已经走在了前面。第三种是生态驱动型，在一些小的国家，例如巴西、韩国，除了经营金融业务之外，还融合其他一些业态比如社交、电商等。从能力方面讲，数字银行的特点主要体现在两个方面。一是强风控，毫无疑问，以资产驱动的数字银行，不管是模型还是策略，都不太可能依赖抵质押的方式，归根结底还是依赖信用评分和提高数据质量问题。二是强科技。现阶段银行业突出的特点是业务卷不动了，开始卷科技。百信银行现阶段对科技就提出更高的要求。科技部门承接业务部门的各种需求，往往效率低，还很被动，排期永远是难题。更高的要求是怎样反向思考业务逻辑，合并同类项，从提高中台能力和创新科技的角度去赋能业务，当然也包括防范新的风险，尤其是在AI时代，我们要求强化AI工程化能力。我们看到的领先数字银行，无论前台还是中后台，大家都在寻找新出路，希望用AI重构业务、重构软件。所以我认为，数据和AI的使用程度高低，很大程度上决定着一家银行未来的生存空间。

上海农商银行风险管理部副总经理徐文洁 指出，数字金融助力绿色金融推动新质生产力发展，需要把握三个方面的发展。一是重点把握好企业的金融服务需求与金融市场的供给。二是贯彻落实国家长期的发展战略，充分考虑金融企业自身的发展特点。三是严格把控科技创新和金融风险防范范围。上海农商银行从2021年就提出了要加强科技赋能驱动绿色金融的发展方向，并启动绿色金融系统建设。经过三年来的不断优化与完善，强化了绿色信贷业务的识别能力，增强了环境效益的测算能力，提高了业务统计分析能力，不断为基层减负，不断赋能绿色业务的增长。截至2024年第三季度末，全行累计处理绿色业务合同超过38万笔，服务绿色客户超过4万家，绿色认定的效能提升35%。上海农商银行的绿金管理系统荣获中小银行联盟数字金融领袖奖和农信银科技创新优秀案例奖。为做好“绿色金融大文章”，上海农商银行加快推进绿金系统升级迭代，在绿金业务风险管理尤其是风险识别认定方面实现了数字化、自动化、智能化，为基层减负的同时，安全、高效地管理绿色业务，积极支持国家低碳转型战略。后续，上海农商银行将进一步深入践行金融工作的人民性，持续完善数字化绿色金融管理体系，以科技赋能绿色金融业务发展，驭风经营，打造亮点，凸显农商本色，与同行携手共创一个绿色智能可持续健康发展的未来。

山西银行科技部总经理纪省国 认为，从整体建设情况来看，各城市商业银行数字化转型渐入佳境。一是数字化转型成为实现自身发展的内生动力。各家城市商业银行多维推进自身数字化建设，不仅在战略定位、组织架构等方面发生深刻变革，更是将数字化转型融入企业文化，将技术手段作为经营决策、提升用户体验等的必然选择，构建数字化的金融体系呈现出被引领到主动探索的重要转变。二是广泛加力推进IT架构升级。IT架构作为底座，在很大程度上决定了数字化发展的纵深。过去的几年，各家城市商业银行根据中国人民银行金融科技发展规划和国家金融监督管理总局数字化转型指导意见等，稳步加大IT投入力度，推动传统的集中式IT架构向集中式与分布式融合的“双模”架构转变，将分散化的系统架构升级为具有中台化、敏捷化等特性的IT赋能体系，逐步实现了自身数字化能力和数字素养的换挡提升。三是聚焦主业，数字化转型发力更加精准有力。比较突出的特征，各家城市商业银行更加注重发挥数字赋能的现实效益，将数字赋能作为经营管理的重要组成部分，同规模提升、市场营销、风险防控等融合部署、同频共振，将新技术贯穿金融服务产品研设、精准化营销及风险防控等。如供应链金融等为代表的，更多由业务主导的数字化、生态化成果喷薄涌现，数字化转型推动业务高质量发展更加具象化。下一步，城市商业银行应做好四方面工作：一是坚持做优金融产品和服务供给。二是持续探索实践体制改革，聚力推进转型发展效能的内涵式增长。三是进一步强化人才队伍建设。四是强化安全保障，坚决守好阵地，守住底线。

吉林银行零售信贷部总经理齐雷 介绍，吉林银行按照“一体四翼”的发展策略推进零售信贷业务。“一体”是按照同业经验，实施信贷工厂模式，围绕“六三三”核心理念推进信贷工厂体系化建设。“四翼”，一是数字化的产品体系，吉林银行推出的“5+2”的数字化产品体系，核心是按照零售信贷业务的底层逻辑精准定位目标客群，圈定群体寻找个体，根据个人风险维度划分客群层次，精准切分适配行内发展需要的目标客户，利用城商行与本地政府的合作优势，直连不动产、公积金、医保、社保等城市居民收入数据，对接工商、税务、水务、电业等企业经营数据、接收农户财政补贴、农业保险等农植数据，将数据清洗分析后，把客户打标分类，根据消费客群、农贷客群和小企业金融客群适配相应产品，实现精准营销。二是智能风控体系，科技资源和量化人才不足是中小城商行业务数智化发展的限制瓶颈，需要先从问题出发，没有大模型先建小模型，没有小模型先建评分卡，没有评分卡先把策略做起来，逐步把量化风控与业务能力配合起来，让零售信贷业务可以精准获客。三是精准营销体系，搭建数字化营销体系，整合内外部数据，从数据层面对目标客群标签定位，通过营销模型筛选优质商机，开通远程银行、互联网平台、线下多队伍交叉营销、MGM合伙人转接等多渠道触客，配置线上及移动营销工具，指定标准sop营销流程，对营销动作及活动后台进行数据监控，加强过程管理的同时，根据市场反馈及时调整营销方案，形成目标精准、过程监控、经验积累的闭环营销体系。四是狼性队伍体系，通过“选、育、用、留、退”的机制确保选好人、培养好人、将好人放在最适合的岗位上去，及时退出无法达标的人员，通过严格的产能考核标准加红黄牌机制，末位淘汰激发队伍活力，并且将队伍进行专业化分工，打造营销高手、专业能手、操作快手，因才分类，引入差异化用工形式，打破规模增长和人力资源瓶颈。

武汉众邦银行产品管理部总经理徐冉 认为，数字金融包含数字化的产品能力、数字化的风控能力、数字化的运营能力、数字化的科技能力，通过“数”的能力重构金融生态产业生态，形成一个“产、数、融”新业态。众邦银行有三个“银行”定位：一是互联网交易银行，二是供应链金融银行，三是开放型数字银行。围绕这三个定位，尤其是围绕供应链、产业链，众邦银行逐步实现产业数字金融发展。产品体系方面，众邦银行研发了较为完整的供应链金融产品体系，包括应收、预付、存货、订单、仓单、供票等产品。科技系统方面，众邦银行自研了同舟供应链金融平台，利用了区块链、大数据、人工智能等技术，建立了产品工厂的模式，实现了快速配置，快速上线。众邦银行作为连接器，一头连接产业端，通过大数据风控能力，为产业端提供产数融服务；另一头连接金融端，为金融机构合作伙伴提供优质的小微金融资产、数字化风控能力和产品及运营能力。机制方面，众邦银行设立了“五角星”机制，每一个项目建立敏捷工作组，采用“五角星”机制，包括产品经理、业务经理、风险经理、科技经理和项目经理（PMO）。通过五角星机制，让项目更快地实现迭代运行。产数融结合方面，目前在产业端数字化能力做的是比较好的，包括司库体系建设、业财一体化、数字化转型等方面，国家也有相关的政策支持。金融机构一定要把产业数据用起来，把金融生态和产业生态融合起来，做好产业数字金融，赋能新质生产力。

杭银消费金融建模中心总经理王震 指出，人工智能以及大模型是当下比较火的概念，也是大家讨论比较多的新质生产力。人工智能新质生产力主要包含三个层面。一是数据层面，包括各种数据要素，譬如征信数据、客户交易数据等；二是算法模型层面，主要是通过机器学习等方法做判断和预测任务，譬如风控场景下预测客户逾期概率，营销场景下预测客户对不同营销方案是否会响应；三是决策层面，基于模型的预测判断给客户提供最优的营销方案和最佳的信贷审批决策方案等。以杭银消金为例，业务模式跟银行有所区别，以纯信用无抵押消费贷为主营业务，客户申请的平均额度低、申请量较大。大部分信贷审批是基于决策规则自动化审批，对智能化风控有较强的实际业务需求。在公司领导的支持之下，风控条线逐步搭建完善了“杭银消金信用大脑BRAINS”能力。具体来看，在数据层面，杭银消金通过征信公司接入了几十个外部三方数据源，同时挖掘公司内部的交易数据、行为数据，衍生了30000多维客户风险特征。模型算法层面，累计开发了300多个机器学习风险模型，用于贷前风险审批、贷中客户风险运营、贷后管理等。结合业务痛点不断做算法创新，累计提交了近60件风控专利，其中28件已经获得授权。决策层面，既有专家量化分析决策，也有基于AI算法的规则推荐、评级融合，并形成了风控产品化工具，辅助更精准地决策。目前已经有20%的决策覆盖率，未来会进一步提升。目前判别式模型在风控场景中的应用比较成熟，生成式大模型在风控领域还面临一些挑战，譬如数据孤岛与数据安全、冷启动及风险波动下的泛化能力、决策透明和可解释性、以及大模型相比小模型的技术ROI等问题，需要行业共同努力推进解决。