朱云涛

（上海浦东发展银行股份有限公司总行，上海 200052）

在人工智能发展和应用的大背景下，商业银行都开始积极利用人工智能技术实现业务的拓展，特别是人工智能应用于信用贷款业务中，其所具有的数据、算法和算力优势，使得银行信贷业务出现了巨大的改变。一方面，信贷市场环境日趋激烈，客户对于信用贷款产品和服务的要求不断提高，人工智能与信贷业务的融合成为银行必然的发展趋势，另一方面，人工智能可以帮助银行收集内外部数据，固化专家经验，建立风险预警模型、规范审批流程等，有利于银行风险管理水平的提高。所以，针对人工智能在银行信贷风险管理中的应用进行研究，具有积极的意义。

一、人工智能在商业银行中的应用现状分析

信贷是银行十分普遍的一项金融服务，也是主要的价值提升路径。传统人工模式下，信用贷款审批资料收集时间较长，第三方资料较难获取，信贷员资质不一，加之授信决策流程复杂，增加了中小企业的融资难度。人工智能技术的应用能够有效提高银行的风险管控能力，对各类特征数据开展定量风险分析，获取具有连续性特征的风险定价，提高更好的金融服务和产品。杭州银行的“云抵贷”推出了智能化抵押房屋贷款，缩短了贷款审批和放款时间。蚂蚁花呗、京东白条等互联网金融企业也积极推出信贷业务，通过人工智能算法对客户进行信用等级评定，利用客户的消费历史数据对信贷业务的风险进行评估，使得不良率有效降低[1]。当前，人工智能在银行信贷中的主要应用领域是贷款预测和信用等级评定中，而使用较多的算法主要是支持向量机、决策树以及神经网络。

二、人工智能应用与信贷业务风险

（一）信息安全风险

随着人工智能技术的发展，网络攻击技术也在不断升级。银行在建立智能信贷系统以后，不法分子可能会利用智能系统漏洞使得信贷服务中断。不法分子还会利用人工智能技术建立虚假账户或者伪造信贷信息骗取贷款，或者发送虚假指令盗取客户资金。在智能信贷业务中，人工智能使用的数据通常需要内外联合构建，并在银行内部完成储存，体现出了系统化和多元化的特点，给不法分子实施网络攻击提供了便利。

（二）职业道德风险

职业道德风险指的是内部工作人员利用自己的权力提高自身效用或者损害他人利益。人工智能应用于银行信贷服务，有效减少了工作人员的数量，使信贷权力控制在少数人手中。而人工智能无法对非法寻租行为进行预防和监测，信贷人员需要面对利益诱惑，可能利用自己的权限为客户降低贷款门槛，使得银行不良贷款增加。相较于传统信贷业务模式，智能信贷模式下的道德风险出现概率更好，隐蔽性更强、破坏性更大。

（三）法律监管风险

当前我们国家对银行进行监管使用的主要法律是《商业银行法》，是以传统模式下银行业务流程为基础制定和颁发的，但是我们国家对互联网金融的监督和管理还停留在规章制度层面，未能上升至法律层面，使得银行信贷业务中应用的人工智能技术超出了法律规定的边界，存在着许多的不足或者漏洞，给一些不法分子留下了空间。一些不法分子会利用的漏洞，逃避法律监管，从而引发监管风险问题。假如这些漏洞无法被及时发现和处理，就会给银行造成滞后性损失。法律体系的不完善会使得监督管理部门对智能信贷的执法和监管效率下降，影响信贷服务的质量和效率。

（四）信息时效性风险

智能信贷牵扯到计算机和金融等多个领域，所以许多潜在的专业性问题存在突发性和综合性。时效性风险指的是银行智能信贷业务中各种潜在风险问题的发现和处理存在一定的滞后性，时间越长，那么风险敞口也会越大[2]。解决这一类型风险的主要措施是及时发现和处理潜在风险问题，因此需要培养智能信贷所需的复合型人才，确保复合型人才能够高速动态构建风险模型，创建高精度数字场景，并设计模型与现实应用的有效衔接。有关资料显示，我们国家当前金融科技人才数量严重不足，银行需要面对因为人才的短缺引起的时滞性风险问题。

（五）数据垄断风险

为了提高银行信贷业务中人工智能的正确率，银行要通过信贷数据对人工智能开展机器学习，而这些都需要全面完整的数据信息作为基础。信贷数据具有较强的因素性和分散性，所以银行无法通过大数据服务公司获取，只能将具体风险案例中的数据反馈给人工智能进行机器学习，但是一家银行能够使用的案例相对有限，用来进行机器学习的样本较为稀缺，使得人工智能在学习样本时存在拟合问题。加上机器学习使用的设备以及数据收集使用的传感器耗能和成本较高，这些都会使得人工智能的应用存在数据壁垒问题。

（六）模型有效性和智能化不足的风险

智能模型的发展仍在起步阶段，智能化风险模型的应用更多偏向于特定专业领域，通用性和多场景适用性不强，且模型有效性会随时间衰变，自我迭代更新能力不足。关键风控模型仍采取较为简化的专家经验法，拟人化智能不足，已较难适应科技驱动下的各类新型场景风控要求。

三、人工智能在信贷风险防控中的应用

（一）采集与整合内外数据

银行所掌握的内外部数据是人工智能应用于信贷风险管理的基础。针对银行业务人员、数据分析人员和模型开发人员进行调查研究发现，银行在建立信用贷款风险智能管控体系时，需要客户、市场环境、行业趋势、经营管理、财务管理、融资管理等方面的数据。

具体来说，一是内部风险数据。内部数据是银行生存和发展的重要资产，具有很高的应用价值，能够为人工智能在风险管理中的应用提供支撑。银行的内部风险数据主要包括企业信用资质信息、集团关联、人行征信资料、担保关系、客户账户信息、经营财务报表、内部等级评定信息、资产质量类别划分、上下游企业管理、贷款偿还表现等。

二是外部风险数据。作为银行内部风险数据的辅助资料，外部风险数据具有较强的覆盖度和时效性，能够帮助风险管理人员对风险进行识别、监控、预警和处理。银行的外部风险数据包括工商注册信息、司法信息、行政处罚信息、舆情信息、知识产权资料、环境保护信息、供应链信息、行业环境信息、外部评级信息等[3]。

一些银行已经有效地与地方政府数据系统完成了对接，可以获得社保信息、电力使用资料、税务信息等，这些也可以应用于风险管理当中。银行内外部数据都是底层风险数据，无法被模型开发人员直接利用，一方面，要对风险数据的真实性和完整性进行评估，对数据与实际业务之间的关联性进行分析，从而完成数据的类别划分和科学筛选。另一方面，要对数据进行整合、转换和加工，建立风险数据库，为信息查询和模型构建奠定基础。

（二）构建风险预警模型

第一步，对客户进行分层分类。因为客户的行业特征不同，使用相同指标的情况也会出现差异。银行要结合企业规模、财务报表等因素对客户进行类别划分，建立起人工智能风险预警模型，提高模型应用的匹配度。第二步，划分客户范围，界定风险客户。模型构建使用的客户范围通常是银行近些年的信贷客户，风险客户指的是符合任何一项标准的客户，包括本金逾期超过五天，利息逾期超过十天，贷款五级划入后五类，内部评级为违约级别。第三步，建立变量并进行预警信号的筛选。有关人员要对风险数据库中的数据进行加工，建立变量体系，依据区分水平、缺失率和稳定性等不同指标，筛选出合适的模型变量。第四步，通过PYTHON进行模型的开发，对风险预警模型的变量多少、隐藏层个数、迭代方法和次数等进行调试，做好模型训练，并且在数据集中对模型效果进行测验，确定最终模型。

（三）规范信贷审批流程

传统模式下银行信贷审批通常需要一周，只有完成审批才能进入信用贷款的后续环节，因此信贷审批的时间对于信用贷款办理的整体效率具有直接影响。将人工智能应用于信贷审批环节以后，这一过程被缩短到了十秒左右，而且速度会不断加快。人工智能可以利用人脸识别和设备指纹记录对用户的真实性进行判断，并且与活体检测互相配合，利用相似度数值赋予不同的风险指标。

第一，人工智能技术能够与税务系统、土地资源管理系统、银联系统等建立连接，通过联网查询判断客户提交资料的真实性，还可以在审批过程中对客户个性、风险偏好等非财务资料进行考察。通过大数据引擎能够调取各种平台的数据，包括移动通信、公共出行、网络社交等，从而给出可靠的评估建议[4]。

第二，人工智能技术可以对客户经理的行为进行实时监督和自动定位，对信贷审批过程进行监控，并留下图片影像资料，有效防范不作为问题。而且利用人工智能还可以设置行业调查模板，自动生成调查报告、损益表等。

第三，利用人工智能技术可以构建贷款审批模型，利用打分卡的方法完成自动审批。将智能审批与人工审核有效结合，可以开展分级式差异化管理，有效解决贷后管理缺失问题。

第四，利用人工智能技术取代传统作业模式，加强对公授信业务的管理，建立人工智能与专家审批的互补机制，可以有效保证审批结论的严肃性，为信贷资产的质量提供保障。

（四）建立动态的风险监控机制

风险监控系统指标体系的科学合理对于银行是否可以发现信贷业务中的风险具有直接的影响，是银行提前制定防范措施的基础。针对信用贷款风险来说，人工智能技术的应用可以为风险监控机制的建立提供支撑。人工智能风险监控机制的指标主要包括工商准入信息、行业准入标准等贷款对象的合法性指标，营业利润、经营支出等经营状况指标，司法诉讼信息等法律纠纷指标，负面新闻信息等舆情指标，贷款偿还情况、信用执行情况等金融信用指标，还包括国内外市场环境指标以及行业发展趋势指标等。通过指标体系的构建，可以在风险监控机制内设置预警红线，当触碰红线时会及时发出警示信息，从而达到风险防范和处理的目的。

（五）加强贷后管理

首先，利用物联网技术有效地监管抵质押品。银行有效转移或者分解信用贷款风险的主要手段是资产抵押，假如利用第三方公司对抵押品进行看管或者安排银行工作人员定期查验，经常出现流失问题。物联网技术将信息流、资金流、物流等进行有效的连接，利用远程视频技术能够实时掌握物资的实际情况，将前台视频高效的对接后台系统，在抵押物出现异动时，系统会及时发出警示，从而有效地对固定资产和动产进行跟踪和管理。

其次，利用区块链技术加强风险管控。企业在进行经济活动时，可以从供应链角度对经济关系进行解释，能够看作是上下游企业供应和需求的拓展，而这一供应链在不断地拓展和延伸，从而形成供应链金融。其中最主要的风险包括票据、交易和抵押物的真实性以及支付的时效性。区块链技术能够保证数据的可靠性，智慧合约可以依据有关规定对结算行为进行科学的控制，对票据进行记录和存储，是供应链金融风险管控的重要手段。

最后，传统模式下，贷后管理主要是安排客户经理在不同的时间节点到贷款单位进行检查，由于时间较短，很难获取全面有效的数据信息。而人工智能技术能够对各类数据进行整理和分析，获取贷款单位相关数据，辅助客户经理开展贷后检查工作，并在出现反常问题时安排人工进行精准排查，从而有效提高贷后管理的效率和质量。

四、人工智能背景下银行加强信贷风险防范的保障措施

（一）做好网络信息安全防护

银行在开展信贷业务时，对信息安全风险进行管理的主要手段是加强基础性管理，提高银行信息安全管理的精细化。银行在加强信息安全基础设施建设的过程中，要持续地对信息系统进行维护和完善，定期对系统整体安全进行测试和评估，并依据结果对信息安全建设制定出针对性的整改措施。银行可以将内部信息安全系统与公安部网络安全局进行连接，当系统安全遭受威胁时及时发出警示上报记录到公安可疑日志信息中。银行通过人工智能技术的应用能够对网络安全进行动态监督、实时监控和公安防护，使银行网络信息安全管理的整体水平得到提高。

（二）利用人工智能实现员工合规管理

互联网背景下，银行办公体现出了智能化和数字化的特点，因此要依据自身实际需要建立起完善的内部管理系统。银行工作人员在办理信贷业务时都在内部管理系统中完成，通过人工智能视觉和生物特征识别技术对经办人员的身份进行核实，依据岗位权力的不同设置不同的操作权限，并对内部员工的操作进行动态的跟踪和全面的记录，实现责权层次的合理划分和可视化升级。同时，在内部管理系统中可以设置预警模块，当发现工作人员存在违规操作时，系统会及时发出预警上报给上级部门，从而制定出针对性的处理预案。

（三）加强金融科技人才培养

银行要组织信贷风险管理人员和人工智能技术人员共同组成学习和工作小组，加强彼此的沟通与交流，通过互相学习促进彼此专业水平和综合能力的提高，共同讨论和解决信贷风险管理中出现的各种突发问题。银行要选拔一批优秀员工将其培养成金融科技领军人才，积极探索金融科技在信用贷款业务中的应用，推动银行信贷业务风险管理能力的提高。从长远角度来说，银行要积极与国内高等院校内的金融科技专业合作与交流，组织金融机构、高科技企业、高等院校针对人工智能在信贷风险管理应用中的难题进行协作攻关，建立科学完善的金融科技创新研发系统和多元化多维度的培训体系，为人工智能在信用贷款管理中的应用奠定人才基础。

五、结束语

人工智能应用于银行信贷业务中是未来必然的发展趋势，但是某些业务模式和操作流程还处于探索阶段，容易引发各种信贷风险问题。所以，银行要加强人工智能技术的应用，通过内外部数据采集、风险预警模型构建、信贷审批流程的规范、贷后管理的强化、金融科技人才的培养等措施，建立起科学完善的信贷风险管控体系，实现信贷市场的拓展，为银行健康稳定发展提供保障。