近年来，数字化转型已成为商业银行着力推进的一项基础性提升工程。2021年12月，中国人民银行印发《金融科技发展规划（2022—2025）》；2022年1月，银保监会办公厅下发《关于银行业保险业数字化转型的指导意见》，进一步明确了银行保险业的数字化发展趋势与要求。以数字化转型优化创新银行的商业模式，成为推动银行高水平发展的必由之路。

  数字化转型浪潮下，风险管理模式从“经验驱动”转向“数据驱动”，是银行迈向高水平质量的发展道路的必经之道。传统风险管理模式依赖个人经验，风险管理上的水准随着人为经验的差异和人员的流动而波动。金融风险具有快速传染和瞬息万变的特征，客户业务结构较为复杂，客户数量众多，叠加线上业务非接触式获客模式的蓬勃发展，传统“经验驱动”的风险管理模式已难以有效支撑金融机构业务的高水平质量的发展。“数据驱动”的风险管理模式核心是借助大数据和人工智能等新技术，从人为经验和海量数据中提炼沉淀有价值的信息，来提升风险管理的有效性与持续性。在推进“数据驱动”的风险管理道路上，仍面临三方面的挑战。

  如何打通各部门、各系统数据孤岛，构建协同一体化的数据平台。当前商业银行风险管理主要以业务条线为主导，各业务条线基于各自需求采购数据搭建业务系统，易引起数据标准不统一、系统间数据难以对接共享的现象，导致大量数据碎片化、局部化、孤岛化的状态。如何打通各部门、各系统数据孤岛，构建全行层面协同一体化的数据平台，全面、多维、准确地勾画全景风险视图，是当前面临的第一大挑战。

  如何深入挖掘数据应用价值，提升风险管理的效率和质量。数据是“数据驱动”风险管理模式的核心基础，如何利用人工智能、机器学习等技术，从宏观、区域、行业、经营、财务等海量数据中挖掘有价值的信息，刻画企业全生命周期特征的动态曲线；怎么来识别不同部门、不同岗位、不同权限人员的应用场景，实现多层次、全方位风险数据可视化，提升风险管理的效率和质量，是当前商业银行面临的第二大挑战。

  如何建立“数据驱动”风险管理的长效机制。商业银行“数据驱动”风险管理是一个系统性工程，不仅要建立数据、系统、流程等硬性基础条件，也要从战略发展、企业文化等更高层面树立长远眼光，提高“数据驱动”风险管理的现实效能和长远价值，还要培养风险条线人员的数商思维、结构化逻辑，不断的提高风险条线人员能力。如何从上述几方面建立“数据驱动”风险管理的长效机制，是当前面临的第三大挑战。

  以上海农商银行为例。该行于2019年开始构建信用债投资的准入和预警体系和配套系统平台，尝试探索风险管理数字化转型。

  债券市场历经三轮风险调整后，债券市场违约呈现常态化特征。根据“同花顺”数据，2014—2016年，我国进入供给侧改革阶段，钢铁、煤炭、有色等产能过剩行业风险加速出清，2014年“11超日债”违约标志着债券市场刚性兑付打破，2014—2016年，债券市场累计违约规模406.3亿元，涉及60家主体。2017—2019年，货币政策收紧、金融严监管下，影子银行信用扩张受阻，表外融资持续收缩，社会融资规模进一步回落，相较国有企业，非公有制企业融资受限更多，违约规模一直上升，2017—2019年，债券市场累计违约规模为2335.08亿元，涉及155家主体。2020—2022年，受新冠疫情影响，经济下降带来的压力加大，企业纯收入能力下滑，违约主体中国有企业占比明显上升。随着“三道红线”等调控政策密集出台，房地产行业“高杠杆、快周转”的运营模式难以持续，信用风险事件时有出现。2020—2022年，债券市场累计违约规模为3273.16亿元，涉及146家主体。

  债市逐步取消主体外部评级成为趋势，建立内评预警体系是金融机构深化发展的必经之路。信用评级是债券市场重要基础性制度安排，关系到长期资金市场健康发展大局。近年来，我国信用评级行业取得较快发展，但也存在评级虚高、区分度不足等“重市场占有率、轻评级质量”的问题，导致信用评级的风险预警和投资定价功能未能得到一定效果发挥。全球金融危机以来，降低对外部评级的依赖成为国际共识。中国人民银行、证监会和债券交易商协会也在积极研究取消注册发行强制评级要求的分阶段方案，引导评级机构更多地从投资人方面出发揭示风险，促进评级行业和债券市场高质量健康发展。

  结合债券违约常态化趋势和逐步取消强制外部评级情况，为提升信用债券风险管理上的水准，上海农商银行启动了信用债投资准入和预警体系和系统的建设。

  上海农商银行信用债风险管理体系（以下简称“信用债体系”）立足于解决本行信用债智能风控需求与内部数据积累不足、基础模型和方法未本地化落地之间的矛盾。该体系引入了多家评级公司的投资者评级、预警信息、新闻舆情、宏观行业、区域经济、经营财务、诉讼处罚等多维度、多层次的外部数据，整合了行内多部门的内部数据，通过运用回归模型、主成分分析、神经网络、人工智能等方法，基于本行风险偏好特征、违约主体的违约特征等不断校准测试，经过多次迭代和专家修正完成了信用债体系的构建。

  信用债体系包含事前准入、事中预警监测、事后处置三个子模块。事前准入部分设有信用债投资准入体系，综合运用评级、估值、价格、舆情等数据，通过大数据挖掘、人工智能等前沿技术，采用定量分析和定性分析相结合的方法，构建了具有较高区分度的信用债内部评级体系，设计了基于本行投资策略、信用风险偏好并考虑完整的全市场发债主体信用风险序列的信用债投资准入标准；事中预警监测部分设有信用债预警体系，每日监测债券市场动态、主体重要舆情、主体评级变动、成交价格波动、估值波动，并将本行信用债纳入红―橙―蓝三级预警监测体系，提炼出信用风险日报，向业务部门提示风险，同时建立月度违约概率预测、短期偿债流动性风险预警、财务风险预警和证券交易市场流动性风险预警等专项风险预警，与信用日报高频数据监测形成差异化并互相补充；事后处置部分针对事中预警等级的认定结果设置差异化的处置流程和方案，针对不同层级、不同部门、不同岗位设置逐级、差异化的处置审批权限，在市场化处置时，不同权限对应不同的折价比率和损失金额。伴随着整个管理体系的不断实践应用，该行持续对相关模型来优化迭代，不断的提高模型的前瞻性和有效性。

  信用债体系的建立，统一了该行信用债投资准入和预警的标准、逻辑和流程，提高了信用研究、投资决策、投后管理的科学性、可靠性，更好地支撑了信用债业务的开展。该体系自建立以来，成功预警了包括华晨汽车集团债券违约在内的风险事件，有效规避了永城煤电控股集团、泰禾集团、紫光集团等违约企业，极大的提升了该行信用债风险管控能力。

  2021年，为进一步落实“智能化风控”的理念，上海农商银行启动债券评级预警管理系统（简称“信用债系统”）的建设，经过一年多的一直在优化迭代，目前已初见成效。信用债系统在将全行信用债管理体系线上化的基础上，逐步提升风控智能化水平，实现舆情监测智能化和报表智能化等，同时创新性将绿色金融和城投限额管控融入到体系中，打造成全覆盖、多维度、智能化的信用债风险监测平台，不同模块相互配合共同实施风险管理策略，推动信用债管理实现数字化转型。

  构建统一全景风险视图。系统集成全行所有投资组合当前的预警分布情况，并通过可视化的技术清晰展示，点击预警分布可以向下查看组合项下具体预警的主体详情信息。系统按交易日的维度监控组合的评级和预警等级的变动信息并及时推送给相关业务部门。系统还监控组合项下主体的重要新闻舆情信息，并通过舆情重要性进行排序，将市场最关键的舆情推送给业务部门，减少人工的舆情筛选，提升风险管理效率。

  夯实两大关键数据基础。一是整合全行信用债的授信和持仓数据，实现统一风险监测。授信和持仓数据是信用债系统的关键基础数据，是系统所有模块需要调用的监控对象。二是监测信用债主体详情分析数据，可展示五个维度的重要信息：主体当前最新的评级和预警等级，共有12类（4类预警+8类评级）；主体所有的评级和预警等级变动情况；主体的重要新闻、舆情智能分析、公告和相关研究报告，研究报告包含联合咨询和中债资信的主体评述报告；主体的历史财务信息和财务指标；主体的诉讼、行政处罚等外部数据。

  支撑三大管理应用落地。一是信用债主体准入，系统对信用债主体设有专门的基于行业和外部评级映射的准入评级模型，按每个交易日的频率对全市场信用债主体进行准入评级，并按照既定的准入规则自动拦截不符合准入要求的信用债主体，提升准入的效率，实现准入环节智能化；二是信用风险变动的智能监控，系统按交易日跟踪全市场及不同投资组合项下的信用债主体的评级变动、预警等级变动和价格异常变动，以期从上述变动信息中洞察主体信用风险变化并及时推送给业务部门进行进一步人工排查。智能监控目的是通过信用债主体的变动信息及时有效地发现主体信用风险的变化，提升信用风险识别能力；三是信用债主体预警，专注于信用债主体的事中风险预警。系统对信用债主体设有专门的预警模型，每日对全市场的信用债主体进行预警等级认定，预警等级按照严重级别分为红色预警、橙色预警和蓝色预警，并设计了差异化的处置流程。

  打造创新亮点。一是实现城投限额智能化管控。为加强城投风险管理，防范区域集中度风险，推动业务持续健康发展，该行制定城投债券集中度管理办法并在信用债系统中实现智能化管控。系统支持初始区域限额录入并能够对所有信用债主体进行“是否是城投”和“城投主体区域层级”的定期认定，认定完成之后，系统按每个交易日的频率自动调取每个部门的授信和持仓数据对区域限额使用情况做计算及展示，对于接近限额的情况做预警提示。二是创新性引入了绿色金融数据，绿色金融数据有助于形成信用债风控体系深化完善的新动能，建立传统金融风险与环境、社会和治理风险之间的连接关系。信用债系统中的绿色金融数据聚焦分析全市场信用债主体在ESG方面的表现，提升对信用债主体信用风险分析的能力。系统创新性地引入外部权威绿色金融评级和预警等级数据，包括气候转型风险预警数据（描述经济体向碳清零目标过渡过程中带来的结构化摩擦风险）、气候物理风险预警数据（描述全球气温、海平面、极端天气等自然现象给金融实物资产带来损失的风险）和发债主体的ESG评级数据。为实现绿色金融数据和传统金融数据的融合，提升传统信用风险评级模型的识别能力，该系统在信用债主体准入体系中引入ESG评级的筛选指标，在准入环节剔除ESG评级不符合标准要求的主体。随着未来外部数据的完善和数据准确性的提升，绿色金融数据将不断应用至现有系统中。三是智能化报告中心，满足日常风险管理需求。系统上线之前，各类信用风险报告的撰写耗时耗力，以信用债风险日报为例，每天需花费2―3个小时人工制作。在实现智能化报告之后，结构化内容可一键生成，极大的提升日常风险监控和分析的效率，风控人员可将精力投入到更进一步的深度分析和研究工作中。四是探索搭建金融同业预警体系。近年来，同业客户信用风险开始分化，包商银行等事件打破了同业信仰，弱资质银行到期不赎回二级资本债、同业业务延期偿付、存续债券信用利差大幅走阔等事件慢慢的出现。针对这一外部环境的变化，上海农商银行将基于信用债系统，探索打造同业客户数据中心和舆情中心，并利用积累的数据和舆情建立评级预警体系，优化、创新和重构当前的同业客户风险管理模式，深层次地融合新兴技术，提升同业客户风险管控能力。