陈瑶雯，冯文博

党的十九届四中全会首次将“数据”列为生产要素参与分配，标志着以数据为关键要素的数字经济进入新时代，以数据为核心的数字化转型已是大势所趋。①跃洲：《中国共产党领导的科技创新治理及其数字化转型——数据驱动的新型举国体制构建完善视角》，《管理世界》2021年第8期。2020 年，中共中央、国务院印发的《关于构建更加完善的要素市场化配置体制机制的意见》明确要“加快培育数据要素市场”，体现了我国对数据的高度重视。在数字化、智能化和网络化的时代，尤其是疫情引发的非接触式经济，使得数据正在以前所未有的方式自由流动和跨境传输。数据革命为所有行业带来了新的机遇和挑战，甚至部分行业严重依赖数据来改善运营结构、降低生产成本、抢占竞争优势。中国信息通信研究院统计发现，2019 年全球市值前十的企业中有8 家为数字平台企业，合计市值规模达到6.23 万亿美元，市值占比高达88.4%。

金融业是一个数据密集型行业，金融机构在生产经营过程中积累了海量的数据金矿，这些数据成为其核心竞争力和重要资产。②Vives X，“Digital disruption in banking”，Annual Review of Financial Economics，vol.11，2019，pp.243—272.如今，大多数金融机构都具有完全或半自动化的日常运营活动，这些活动会生成大量未处理的原始数据。然而原始数据没有直接利用价值，只有被进一步处理才能转化为有用的信息，否则只能沦为“数据沼泽”。全球金融行业都在为日常运营寻找高效的数据驱动解决方案，可信数据能够大规模操作是行业发展的必然要求，是使数据管理挑战转化为机遇的基础。为此，金融业需要构建一个长效的高级数据集成架构，实现对数据价值的有效挖掘，创新数据系统，其中包括系统开发、系统集成、数字转换、系统维护、共享服务等相关领域。

在现有文献中，关于数据集成的研究主要集中于两个方面：一方面是关于框架层面数据集成的方法、具体技术和发展脉络；另一方面则集中于数据集成在实体企业、事业单位、政府部门中的应用，但鲜有研究全面评估数据集成对金融业的影响。①刘婵、谭章禄：《大数据条件下企业数据共享实现方式及选择》，《情报杂志》2016年第8期；王淞、彭煜玮、兰海等：《数据集成方法发展与展望》，《软件学报》2020年第3期。因此，本文着眼于数据集成方向的金融科技创新发展，旨在通过分析现实经济中金融数据集成、金融数据技术的发展状况，探讨数据集成在金融业数字化转型中的发展前景和关键挑战。这对加快金融业数字化转型速度，提高金融业的整体效率和盈利能力具有重要的现实意义。

一、金融业数据集成的发展现状及其优势

金融业作为经济的心脏，在资金流动和资源分配方面发挥着重要作用。得益于信息科学技术的快速发展，金融行业正在经历一场数据服务革命浪潮，金融生态和金融格局也正在围绕数字服务进行重构，衍生出许多特色金融业务，如个性化服务、大数据征信、智能投顾等，为金融数字化转型提供了发展契机。②谢治春、赵兴庐、刘媛：《金融科技发展与商业银行的数字化战略转型》，《中国软科学》2018年第8期。在新冠肺炎疫情发生之前，金融业的数字化已在市场、对公、零售、支付、投资、融资等业务领域得到了初步的尝试。但纵观整个行业形态，基本上还是处于低活力、分散发展状态。而在疫情之后，在政策和供需的共同刺激下，金融业各类企业和组织向更高水平的数字化推进。长周期的隔离措施和社交方式的改变使得企业生产减缓，人们的消费积极性降低，供应链受到了严重冲击，金融市场也进入了寒冬时期。③吴飞虹：《疫情冲击下商业银行数字化转型的思考》，《南方金融》2020年第12期。疫情导致的人流量下降、客户消费习惯改变，居民和企业对于“非接触式”数字化金融服务的需求等，在客观上也要求银行等金融机构开展服务创新和优化组织架构。例如，银行可以利用数字化技术实时监测分析物理网点的实际需求，节约管理成本，优化网点布局。对银保监会金融许可证信息平台发布的数据统计后发现，2021 年全国共有2805 个银行网点终止营业，五大国有银行的营业网点数和员工总数比上年出现大幅缩减，其中，网点数量比2020 年末合计减少了566 个。疫情加剧了金融行业内部竞争，同时也倒逼金融业数字化转型加速，成了提高金融机构数字化水平的“催化剂”。

目前，数字技术在金融领域的应用和创新趋势，逐渐由新型数字金融机构推动发展到传统金融机构数字化转型，众多金融机构加快自主创新或与科技公司合作，将数字技术应用到移动支付、互联网贷款、数字保险、智能投顾、数字货币等领域。④王勋、黄益平、苟琴等：《数字技术如何改变金融机构：中国经验与国际启示》，《国际经济评论》2022年第1期。金融业数字化转型正在快速推进，尤其是在金融体系不太发达的新兴市场和发展中经济体。中国人民银行统计，我国的移动支付业务量持续快速增长，2020 年银行网上支付业务和移动支付业务同比分别增长12.46%和21.48%，促进了消费便利化。在金融机构数字化转型过程中，数据仍然是数字化的核心，数据可见性和数据共享对当前形势下的金融业至关重要。相对于其他行业而言，金融行业所掌握的数据信息是庞大、详细且复杂的，拥有先天竞争优势。在数据量随时间爆炸式增长的环境下，金融机构须加快数据集成整合和数据技术变革速度，实现对复杂数据的深度挖掘和有效利用，才能在数字化改革的大潮中占据主动地位。

（一）金融数据类型与大数据金融技术

1.金融数据类型

金融行业是典型的信息密集型产业部门，金融数据的获取主要有两种渠道：一方面，金融机构可以从金融体系、政府部门中获取用户数据，包括从央行征信系统、金融机构、工商管理部门、司法部门等渠道依法获取用户的基础信息数据。另一方面，随着互联网技术与智能设备的普及和成熟，居民和企业的生活、生产行为朝着数字化改变，用户连接入口也不断地从物理网点向数字服务终端转换，从而留下了大量的“数字足迹”。金融行业可以从这些“数字足迹”中提取用户的有效信息，从而进行信用评估、授信决策等。①刘少波、张友泽、梁晋恒：《金融科技与金融创新研究进展》，《经济学动态》2021年第3期。

从数据类型上来看，金融数据主要可以分为以下三大类：一是结构化数据。该数据由用户或自动数据生成器在没有用户干预的情况下生成。金融机构可以利用数据仓库（EDW）分析数据，使用运营数据仓储（ODS）整合和共享数据。Spark 等框架可以对长时段数据进行迁移、保存和调用，在分布式存储结构下，结构化数据可以应用于金融行业的数据合规、数据恢复、下线查询、分析支撑等场景。二是半结构化数据。半结构化数据的集成在数据集成中是最为复杂的。金融相关企业应尽可能兼容外部各种类型数据库的数据，解决整合多源异构的数据问题之后可实现快速的数据集成和建模分析，例如可以根据用户浏览的网站来跟踪风险、反馈评估策略等。三是非结构化数据。非结构化数据伴随各种不同来源的金融交易产生，多为不规则、不完整或没有预定义的数据模型。非结构化数据作为新数据来源，在金融领域的运用越来越广泛，可以用来刻画关注度、投资者情绪、隐含波动率等。②沈艳、陈赟、黄卓：《文本大数据分析在经济学和金融学中的应用：一个文献综述》，《经济学（季刊）》2019年第4期。

2.大数据金融技术

数据是数字技术的基础，数据技术是数据的应用工具。近年来，金融数据量呈井喷式增长，提取有用的数据成为挖掘数据价值的至关重要环节。金融数据价值的真正实现，不仅需要收集大量数据，还需要采用先进的数据处理技术挖掘数据。数据集成主要是将不同数据源的数据组合起来，并为用户提供这些数据的统一视图。对于金融业来说，这个统一视图不只是数据的简单汇总，还会形成一个统一的框架和系统对集成的数据进行处理和分析。而数字技术主要是对收集到的数据进行运算、加工、存储、传送、传播、还原等。

目前，金融业主要结合了数据科学、AI 人工智能、机器学习算法等金融技术来实现对海量金融数据的挖掘分析，从而快速推动金融行业数字化转型进程。大数据金融技术的应用主要体现在以下几方面：第一，数据分析技术。该技术包括数据挖掘、机器学习等人工智能技术，主要应用在风险管理、欺诈检测、客户体验、行为分析等方面。第二，数据处理技术。该技术离不开各种软件的支持，比如程序设计语言和数据库系统。通过对分析完成的金融数据再次加工处理、整理计算、编辑归纳等使之成为能够被集成、分享、使用的标准数据。第三，数据管理技术。我们可以将其简单地理解为数据库，我们将可用数据录入数据库中使之具备结构化特点。该数据库还有共享性高、独立性高、可以进行统一控制等优势。

（二）金融业数据集成的发展优势

得益于金融行业庞大的数据支撑、计算机技术和金融科技的发展以及国家政策的有力支持，金融行业的数据集成技术发展拥有无可比拟的强大优势，能够有效驱动其技术发展、应用创新与结构优化。

1.海量数据支撑

数据要素市场化成了数字化革命下的新现象，对于金融相关行业而言，数据的数量和质量往往代表着其竞争力的优劣。③何玉长、王伟：《数据要素市场化的理论阐释》，《当代经济研究》2021年第4期。合理地收集、筛选、分析数据能够创造隐藏的市场机会，海量数据是金融业数字化转型的关键驱动力和优势所在。如今，金融行业在制定战略决策时通常会利用关键数据进行有效的资源管理和自我创新。受持续的疫情影响，以数字支付、线上交易、共享服务等为主要形式的金融服务极大地增加了金融行业的数据量。海量的数据为数据集成创造了条件。金融机构如果能快速、准确、低成本地获取并集成数据便可以在市场竞争中抢占先机。

金融机构通常按照大数据的4V（数量、时效、种类和准确性）概念来管理其数据，以挖掘和创造数据价值。①李伟：《做好数据治理推动数字化转型》，《中国金融》2020年第1期。庞大的数据量是以创新大数据驱动方式解决常规金融问题的基础，如高频交易、情绪、信用风险、金融预测、风险评估等。数据的高时效性能够使金融行业实时应用大数据分析的结果并依此做出战略决策，尤其在风险动态监测中发挥着重要作用。数据的多样性意味着金融服务产生从交易信息到信用评级和风险分析等不同形式和来源的数据，从而要求从业者从不同角度整合各种异构数据。数据的准确性对于数据分析非常重要，尤其是金融数据非结构化和来源广泛化使得数据质量有所下降，这也是金融数据处理和分析的最大障碍。随着越来越多的居民和企业采用线上的方式参与各种金融活动，产生的庞大且复杂的数据量为金融业数据集成、协调统一的数据管理提供了很好的契机。为了更有效地管理信息和提升金融数据使用效率，开发先进的数据集成技术将会是未来金融业的重点关注领域。目前，金融机构主要使用三类应用程序编程接口（API）实现在各个部门和利益相关者之间共享大量数据：由外部实体公司开发并公开可用的外部API，由特定金融机构根据其业务需求开发且不向公众提供的内部API 以及由业务合作伙伴之间共享的共享API。②吴朝平：《API开放银行：金融科技背景下商业银行转型升级的重要方向》，《金融理论与实践》2020年第1期。如今，多数金融机构大力开发内部API，这有利于降低成本来提高竞争力，实现高效的管理和运营。

2.金融技术发展

软硬件质量提高和科技水平高速发展有力地推动了金融科技繁荣，优化了金融机构服务效率。硬件设备的容量和性能呈指数级增长。与此同时，算力的提高以及人工智能、区块链、云计算、神经网络等技术算法应用使数据处理的时间和成本在逐步下降，我国商业银行逐年加大金融科技投入（如表1）。根据毕马威的统计，2020 年，中国银行业金融科技总投入达到2078 亿元，其中中国建设银行、中国工商银行等六大国有大型银行的科技投入共计957 亿元，占所有银行总投入的46%。金融行业受技术驱动，在金融科技方面取得了显著发展，产生了显著的技术溢出效应。③孟娜娜、粟勤、雷海波：《金融科技如何影响银行业竞争》，《财贸经济》2020年第3期。例如，2021 年，广发银行创新“云柜员”服务模式，业务量占比提升至37%，移动金融服务生态在金融科技的助力下蓬勃发展。数据层面，广发银行全年完成11.6 万项数据分析，推出数字工会、数字物业、数字养老等金融解决方案，数据价值充分发挥，科技赋能优势不断释放。同时，非银行类金融科技企业也不断挖掘客户其他数据资源，基于大数据技术建立个人信用评分模型。例如，蚂蚁金服利用自身平台收集用户的基本信息类、消费偏好类、支付和资金类等大量指标数据，测算个人芝麻信用得分作为信贷征信依据。④秦苑、郅曼琳：《大数据背景下个人征信评分业务发展探讨》，《广西大学学报(哲学社会科学版)》2022年第1期。金融科技的进步为数据集成提供了极大的成长空间，使得数据集成框架和平台变得更加有逻辑性和条理性。

表1 2019-2021 年我国部分商业银行金融科技投入情况

3.国家政策推动

近年来，政府在宏观层面为金融业数字化转型提供了多项政策红利，为推进银行保险机构数字化转型提出顶层规划与指导建议，以高效全面地推动金融数字化转型健康发展。2019 年9 月，中国人民银行出台《金融科技发展规划（2019—2021 年）》。2022 年1 月，中国银保监会印发《关于银行业保险业数字化转型的指导意见》（以下简称《意见》），意味着金融业数字化转型进入了政策响应和推动阶段。这些政策从若干方面要求银行保险机构大力推进业务经营管理数字化转型，比如改善组织架构、推进个人金融服务数字化转型、大力引进和培养数字化人才、加强风险防范等。个人金融服务高度依赖于对用户数据的高级集成，因为数据集成平台负责处理各种来源的结构化和非结构化数据等，例如客户数据、产品数据和财务数据。加强风控能力更是离不开统一的数据集成平台，各类产品所产生的金融数据在管理和维护上使用相同的引擎，才能使得数据在集成和互通时没有格式限制，能够更好地防范各类风险。金融业数字化转型相关政策的落地实施，为金融机构数据集成提供了强大的驱动力，为数字化转型提供了指引。

二、数据集成在金融业数字化转型中的应用前景和挑战

近年来，金融科技不断助力金融机构创新管理方式、优化服务流程，使得金融业在数字化转型的道路上取得初步进展。从应用前景来看，数据集成在金融业务优化、金融资源合理分配以及用户画像等方面将带来明显的效率提升和价值体现。但不能忽视的是，在数字化革命时代，数据集成也将给金融体系的监管、用户及数据的信息安全等带来新的挑战。

（一）数据集成驱动金融业数字化转型的应用前景

1.业务流程优化

金融业务通常需要经历前端、中端和后端三个环节，且通常存在大量重复性工作，领先的金融机构正在利用数字化转型精简内部流程和缩小产品差距。①Frost J，Gambacorta L，Huang Y，Shin H，and Zbinden P，“BigTech and the changing structure of financial intermediation”，Economic Policy，vol.34，no.100，2019，pp.761—99.金融机构的前端是金融机构绩效和盈利的关键贡献者，直接与客户交互关联，需要信息与通信技术支持获取实时的操作数据。金融机构的中端主要研究金融机构的内部措施和发展战略，中端专业人员负责对大量、实时的客户数据进行处理、分析、可视化和建模编码等。金融机构的后端主要负责财务和技术相关职能，需要尖端的信息与通信技术确保业务实现整体平稳运营。大多数金融机构都有自己的内部内置软件和应用程序，它们应用于不同的服务对象，后端专业人员通常以高容量、高速度、多样性和准确性四个标准来处理数据。因此，金融机构的后端主要由各种高端计算设备、工具、硬件和软件的综合网络组成。金融机构从前端到后端各个层面的流畅运行不能缺少高程度的数据集成，高水平数据集成能够从成本、运维、创新等方面更好地优化业务流程，提升金融机构运营效率。前端和中端环节可以通过海量数据采集和设置智能客服减少对人工的依赖，同时有利于提高客户引流能力，以数据驱动降低信息搜索成本和验证成本。②Thakor A，“Fintech and banking: what do we know?”，Journal of Financial Intermediation，vol.41，no.1，2020，pp.1—13.例如，保险分销商通过建立智能手机应用程序推动保险营销，银行采用数字技术将贷款申请、审批、放贷、还款等流程实现线上化、数字化，缩短业务办理时间。③王媛媛：《保险科技如何重塑保险业发展》，《金融经济学研究》2019 年第6期。后端可以利用大数据技术构建智能风控体系，科技赋能使得传统金融机构降低风控成本，助力金融行业数字化转型。

2.用户画像刻画

客户画像数据信息包括地域、年龄、性别、职业、偏好等，金融行业将这些数据集成之后进行标签化，能够帮助金融机构更好地了解客户的需求，从而为客户量身定制金融服务，这不仅可以提高传统金融的营销能力，还能实现客户细分下的个性化精准营销。①孟娜娜、粟勤：《挤出效应还是鲶鱼效应：金融科技对传统普惠金融影响研究》，《现代财经（天津财经大学学报）》2020年第1期；张一林、郁芸君、陈珠明：《人工智能、中小企业融资与银行数字化转型》，《中国工业经济》2021年第12期。以保险业为例，保险公司需要引入外部数据进行数据集成，包括运营商数据、电商购物数据、网页浏览数据等，从而全方位把握客户喜好和需求。金融机构利用数据集成搭建的大数据平台有利于实现内外部数据的统一集中存储与共享，并应用数字技术为其提供客户精准画像服务和数据挖掘分析服务。此外，金融机构还可以通过数据集成实现对产品受众的整体把控，各项运营数据集成分析可以将客户行为转化为咨询流程，从而优化客户体验。客户画像标签数据有助于金融机构了解客户的金融行为习惯，进一步分析及预测客户的潜在需求，提供差异化金融产品和服务，提高金融机构经营绩效。②熊健、张晔、董晓林：《金融科技对商业银行经营绩效的影响：挤出效应还是技术溢出效应?》，《经济评论》2021年第3期。

3.资源合理分配

金融行业提供的金融服务是多种多样的，包括信贷、支付、信用卡、外汇、投资等，为了支持这种信息与通信技术驱动的商业模式，金融机构需要与金融科技协同发展以应对各种场景。传统金融机构信贷通常要求非金融客户提供房地产等有形资产作为抵押品，并依赖于客户资产负债表等“硬信息”分析来进行授信决策。而数据集成和信息技术的兴起允许传统金融机构使用新类型客户数据，如个人的浏览历史和在线购物行为、企业获得新库存或电子商务平台销售、在线供应商客户评级等非财务数据提供“软信息”。③Tobias B,Valentin B,Ana G，and Manju P，“On the rise of FinTechs: credit scoring using digital footprints”，The Review of Financial Studies，vol.33，2020，pp.2845—2897.我们采用2011—2019 年我国大型金融科技公司（蚂蚁集团）信贷指数、城市金融机构信贷量与城市平均房价数据分析发现，金融科技公司信贷（credit）与房价（houseprice）虽然呈现正相关趋势（如图1），但这种趋势弱于传统金融机构信贷（bank credit）（如图2，置信区间均为95%）。金融科技相较传统金融存在代理成本低、信息收集可靠的优势，能提高对企业信息尤其是“软信息”的识别准确度，在一定程度上可以削弱信贷中的抵押品渠道依赖度，缓解那些缺乏抵押品但具有较高成长价值企业的融资约束，尤其是解决中小企业、科技企业融资难、融资贵的问题。④黄锐、赖晓冰、唐松：《金融科技如何影响企业融资约束？——动态效应、异质性特征与宏微观机制检验》，《国际金融研究》2020年第6期。部分学者研究发现，银行等金融机构的信贷减少与金融科技部门的信贷增长有关，金融科技信贷对传统信贷存在替代效应，可以促进地区普惠金融发展，成为传统金融信贷的补充，从而改善金融资源配给。⑤尹优平：《金融科技助推普惠金融》，《中国金融》2017年第22期；Tang H，“Peer-to-peer lenders versus banks: substitutes or complements?”，The Review of Financial Studies，vol.32，no.5，2019，pp.1900—1938.

图1 大型金融科技公司信贷与城市房价

图2 传统金融机构信贷与城市房价

4.风控模式数字化

传统金融机构主要依赖于线下用户数据、抵押品价值和专家经验评分对用户进行风险评估，维度单一且具有一定的滞后性和主观性，难以实现高效、实时的风险监测。①黄益平、邱晗：《大科技信贷：一个新的信用风险管理框架》，《管理世界》2021 年第 2 期。而促进金融机构的数据集成，不仅可以利用金融系统内部的用户信息，还可以广泛获取用户在金融体系之外数字足迹产生的海量行为数据，从而全方面搭建信用风险评估模型，对用户进行风险核定。此外，金融机构还可以借助数据技术，从用户数字足迹中提取动态、有效的信息，解决信息不对称问题，实时的数字化风控模式可帮助金融机构在授信决策中进行精准贷前信用评估、贷中风险管理和贷后违约概率预测。例如，中国银行构建了网络金融事中风控系统，破解风控中的“数据孤岛”难题，主动实时监控异常用户、账户等信息，创新风控新模式。与传统风控模式相比，数字化风控模式具有明显的信息优势和模型优势，可以提高预测的准确率，降低金融机构风险水平。②金洪飞、李弘基、刘音露：《金融科技、银行风险与市场挤出效应》，《财经研究》2020年第5期。

（二）数据集成驱动金融业数字化转型的关键症结及挑战

在数字化革命时代，金融机构加速促进海量金融数据集成的同时，还面临数据质量、安全和隐私、客户管理等挑战，这些挑战不仅存在于技术层面，还包括管理层面。

1.数据处理难度加剧

在当前新形势下金融机构及其业务面日益拓展，各个部门运营过程中产生的数据量和数据类型日益增多，对数据的时效性要求也越来越高。数据库和数据中台的数据结构发生相应快速变化，对于数据处理和数据竞争都具有较大影响。一方面，大量的异构数据源以及外部非结构性数据不断涌入，导致传统数据集成工具难以满足客户和数据间的即时交互。③邱晗、黄益平、纪洋：《金融科技对传统银行行为的影响——基于互联网理财的视角》，《金融研究》2018年第8期。数据的庞大和繁杂对企业开发部门提出了挑战，传统的数据集成从数据的获取和处理到数据的价值反馈，整个开发周期耗时较长，跨越的部门较多，响应速度较为缓慢。只有将批处理和流处理放置在同一个技术框架中获取、集成、迁移数据，才能够有效地解决数据处理的时效性问题。另一方面，数据具有非竞争性，但也可能会导致数据垄断。使用大数据作为生产投入具有一个特殊特征，即数据可以被任意数量的公司同时使用多次而在产生收益的同时不会被耗尽，可以在规模和范围上为数据产生递增的回报。因而，当任何一条额外的数据与现有的大量数据相结合时，都可能会产生额外的价值。部分银行、大型金融科技公司等特殊机构获得其他机构没有的数据，可能会进一步加剧竞争扭曲，形成数据垄断。

2.金融数据安全隐患

数据价值挖掘和数据隐私保护是一对矛盾体，金融数据在存储、处理、集成等过程中也面临着数据安全风险，主要包括数据管理风险和数据运营风险。安全与隐私是金融数字化转型过程中的一个无法回避的问题，人们在现实中面临的隐私威胁并不仅限于个人信息，还包括根据数据分析得到的结果。即使这些信息对我们个人隐私不能够造成威胁，但是当大量这种类似的数据被集成之后，通过数据分析仍然能获取到有关我们个人隐私的信息。金融数据具有特殊法律风险，金融机构二次分析产生的数据权属界定不清，尤其是未来开放银行使得数据共享下的关联数据更具有黏性，从而对数据侵权承担的法律责任边界界定模糊。④吴江羽：《金融科技背景下金融数据监管法律框架构建》，《西南金融》2020年第11期。因此，在数据的集成过程中，尤其是多源异构的数据集成，数据的获取一定要符合法律和金融行业规定。获取到的数据需要甄别和筛选，分析得到的结果也需要加以保护。实现金融数据安全需要多方面的共同努力，技术手段的保护必不可少，同时需要相关法律法规的完善和金融从业者自我的约束，在使用用户数据提供金融服务与保护用户隐私问题之间找到恰当的平衡。

3.金融监管难度增加

在当今社会，金融活动参与者和金融产品的数量正在迅速增加，金融交易规模持续扩大带来的金融数据呈现跨越式增长。监管机构与被监管机构之间数据不对称现象也对金融监管提出了挑战，因此需要更高级别的容错和数据保护。在“一行两会”监管格局下，监管当局的监管模式主要以机构监管为主，且对于传统金融机构的监管力度强于对新兴数字金融的监管。部分金融机构将数据集成、数据存储等业务外包给第三方服务机构，而有些第三方服务机构还游离在金融监管之外。这种监管差异化环境，使得部分科技企业在无须金融牌照领域的数据获取方面更具竞争性，所受制约较小，通过算法合谋衍生金融垄断，可能会造成金融数据监管漏洞。①Calvano E，Calzolari G，Denicolò V，“Artificial intelligence,algorithmic pricing and collusion”，American Economic Review，vol.110，no.10，2020，pp.3267-3297；Stulz R，“FinTech,BigTech,and the future of banks”，Journal of Applied Corporate Finance，vol.31，no.4，2019，pp.86—97.新兴金融业态对传统金融市场的系统性风险和金融不确定性具有较强的溢出效应，加大了金融监管难度。②李苍舒、沈艳：《数字经济时代下新金融业态风险的识别、测度及防控》，《管理世界》2019年第12期。加之随着网购、社交、理财等金融行为日益增多，虚拟银行、元宇宙等新兴金融概念层出不穷，一些从业机构获取居民和企业金融交易数据和其他数据的渠道更加多元化和便捷化。部分从业人员数据保护意识薄弱、计算机技术水平不足以抵御黑客攻击，数据面临着被攻击和窃取的风险。同时，金融相关行业内部过度采集数据、非法交易数据的现象也时有发生，监管数据缺失真实性、完整性和时效性，监管机构数据监管预警机制与金融机构系统性风险防控割裂。③杨东：《监管科技：金融科技的监管挑战与维度建构》，《中国社会科学》2018年第5期。此外，数字技术使得金融数据呈现高交叉性、跨地域、跨机构和跨行业等特征，一旦爆发违约风险，其传染性更强、覆盖面更广、扩散速度更快，可能会造成长尾效应和网络效应，甚至引发系统性金融风险。④陶峰、万轩宁：《监管科技与合规科技：监管效率和合规成本》，《金融监管研究》2019年第7期。未来金融监管应该向功能型监管转换，监管机构需要深入了解金融数据的相关风险，并加强规范金融数据的收集、披露、使用行为，实施穿透式监管，完善监管治理协调机制。⑤郑丁灏：《论金融科技的穿透式监管》，《西南金融》2021年第1期。

综上所述，金融业数字化转型可能会导致效率竞争、数据隐私保护、金融稳定三类政策目标之间形成复杂的关系，难以权衡。首先，效率竞争与数据隐私保护之间的权衡。推动新金融服务产品需要海量数据和多元化数据类型，数据的非竞争性供应商可以通过数据再利用和交换产生收益，提高竞争效率，但过度数据共享却又使得客户隐私受到侵犯。其次，效率竞争与金融稳定之间的权衡。部分在电子商务、搜索或社交媒体中控制关键数字平台的大型科技公司可能会进入金融行业，并且迅速建立和巩固市场力量，与现有的传统金融机构形成竞争。这种快速竞争有可能使得新进金融科技企业在短短几年内从“太小而不在乎”到“太大而不能忽视”再到“太大而不能倒闭”，反而加大治理挑战和道德风险，这种系统重要性（大到不能倒闭）可能会危及金融稳定。最后，数据隐私保护与金融稳定之间的权衡。数据共享可以缓解信息不对称，减少逆向选择和道德风险，从而有利于金融稳定，但这也可能会在隐私保护与金融稳定之间引入新的权衡，部分银行对个人数据不透明的算法处理可能会导致偏见和歧视，难以完全覆盖市场、产生金融排斥。

三、总结和政策建议

疫情对全球金融业产生了重要且持续性影响，在处理数字支付、交易量、理赔、共享服务等业务中产生了海量金融数据。其生成的大量金融数据也为金融机构带来了机遇，数据仍是金融数字化转型的生命线，数据集成可以有效整合新技术从而提高金融机构的业务管理能力，对于金融行业有针对性地及时识别风险、设计应对策略和行动分析有着关键的作用，有利于加快整个金融业的数字化转型进程。目前，大量金融机构正利用各种技术提高数据集成水平，为其从海量的结构性或非结构性数据中创造价值提供额外的优势，利用数据进行决策和创收。研究发现，数据量增长、算力提高、通信平台改进和政策支持是推动金融行业提高数据集成水平的关键因素。然而，在实际业务场景中，及时处理快速增长的海量金融数据并不容易。就目前而言，全球金融业已走上数字化转型的轨道，但仍然存在很多需要攻克的难点和问题。为实现全球金融业向高级数据集成的过渡，成功实现数字化转型，金融行业必须直面与运营领域和现有资源分配相关的若干挑战，其中包括数据的及时处理、数据的丢失和治理、风险管理和网络安全相关的问题，这些问题是未来金融数字化转型过程中的重点关注领域。基于以上分析，本文针对提高数据集成水平、加速金融业数字化转型提出以下几点建议：

第一，金融行业需要制定金融数据标准规范，在标准与规则制定、数据质量监控与问题整改等方面确立更高的标准和要求。金融数据的集成和共享互通除了需要技术、编译等手段实现，更需要一个金融数据标准规范。该规范可以要求系统使用标准化接口或统一的基础框架和架构，从而实现多来源、跨行业的数据集成。目前，金融各行业的发展还是以自身为主，金融机构之间存在较高的数据壁垒，如银行、证券、保险等行业也采用了不同的标准，遵守不同的行业规范。金融机构需要同时提升数据集成水平及数据仓库的质量，减少在监管报送环节中的数据问题。对于多源异构的数据，构建统一的框架和平台能够更好地实现数据集成和共享，化解“信息孤岛”，为金融机构提供一个安全、合规、高效的环境。

第二，加强顶层设计，做好统筹规划，完善金融数字化转型中金融数据监管的法律框架。我国虽然出台了《个人金融信息保护技术规范》《银行业金融机构数据治理指引》等法律法规，但是仍未形成统一规范的数据等级保护制度。相关部门应该制定统一的金融数据分类分级保护标准，从法律属性方面界定金融数据侵权行为，对通过数据合作、数据信托等方式获取的新型金融数据明确其权利属性和法律性质。同时，针对跨层级、跨部门、跨地区的融合数据，要完善国内金融数据安全共享机制，实施准入认证规则，避免数据滥用，保护金融数据安全。

第三，金融监管机构应把握金融科技发展态势，以数字化理念推进金融监管，优化监管体制机制。2020 年，我国中央银行公布了首批6 个金融科技创新监管试点。金融监管机构可以利用试点探索具有中国特色的“监管沙盒”，利用监管科技打通金融监管的数据链条，并建立统一的应用程序编程接口（API），通过针对接入式监管介入金融机构数据库，实现高级数据集成，提升金融监管效率。金融监管机构还应探索建立针对金融科技企业持续跟踪评估机制，创新试错容错机制、划定刚性底线、设置柔性边界、预留充足发展空间。

第四，金融行业需要培养相关金融科技人才梯队。金融数字化进程的推进所需人才是多方面的，除了需要具备金融学相关知识，还需要有数学、数据科学、计算机技术等相关专业知识储备。目前金融行业人才结构方面存在失衡，大部分人才布局在营销和金融传统岗位，在新兴的数字化运营、高级数据集成方面人才是缺位的。金融机构和相关领域的高校可以开展产学研深度合作，从课程设计到工作实习实现深度融合，推动教育、培训及国内外交流机制建设，加强金融科技人才培养。