疫情下中国数字金融的发展趋势、逻辑与案例

以下内容节选自直播实录：

张俊：中国的金融科技发展，我可以说是一个见证者。

第一，国内手机支付的突飞猛进确实改变了人们的生活方式。我回国以后，发现到处可以刷手机支付，非常方便，基本上形成了不带钱包的消费习惯。在支付领域的发展成为金融科技发展的触发点。

第二，这几年金融科技发展呈现很大的规模，前无古人，后无来者。2006年来国内设立上海信息技术公司，费了很大的力气。因为Discover是美国银行中第一个把分析中心放在中国的。当时最大的问题就是招人，学校没有数据分析的专业。我就说你只要是学工程、计算机、统计的都可以招，进来以后可以培训。

这几年来，我们培养了第一代、第二代数据分析人员，在中国金融科技各个企业里面，都是佼佼者。

第三，金融科技，即科技在金融领域的应用概念并不是源于我们国家。上个世纪在美国银行和信用卡等金融机构最早开始应用数据技术和统计方法做金融科技的创新，所以有了金融科技这个概念。到我们国家是科技金融，先有科技，然后再延伸到金融里面，实现普惠金融服务的办法。因为通过科技的力量，使我们成为一个很强的生态。整个科技金融的发展，我们信贷业务的量是非常大的。

蚂蚁现在是世界上最大的消费金融公司，整个中国消费业金融信贷量来说，大概是10万亿。其中70%左右是信用卡，另外金融科技、科技金融经营的3万亿。2015年全国整个消费金融行业涉及到的金融科技平台有2300个，5年时间业务量涨到3万亿。

当然这只是消费贷款和个人消费。通过科技金融平台像度小满、蚂蚁金服、京东、普惠贷，这些大平台实现的。再加上一些小平台，3万亿。

而且科技金融在很大程度上的确是帮助普惠金融，因为普惠普惠，就是向广大消费者提供金融服务，这个平台的作用不容小觑。

张俊：这次疫情的影响是非常大的，对经济影响很大。不论是上班还是消费，都是人与人之间的接触，有了接触才产生了需求。但是疫情来了以后，大家都躲在家里，一下子经济活动就停止了。

疫情影响，一季度GDP是负的，这在过去30多年是第一次发生。当然第二季度恢复了，主要是恢复供给。全球来看，形势很难把握。

疫后，每天的一些基本需求与消费，在数字时代都可以得到满足。餐饮业通过外卖可以实现无接触消费，同时支付也可以在网上完成。但同样是消费，它对我们所说的大宗消费有影响，特别是坐飞机到国外旅行等有很大的影响。另外现场的大型会议也很难举办了，但是对办公、远程会议技术等又有很好的推动。

最近最火的一个在线教育公司zoom，股价一路飙升，6月份达到200多美金，因为这个产品可以补缺现在市场需求的空白，能够满足办公或者朋友之间视频的需求，这是毋庸置疑的。

如果疫情向前移20年，可能这个冲击更大。某种意义上来说，数字化的时代、虚拟化的时代，可以淡化疫情对整个经济的冲击。

薛正华：我觉得这是一个非常好的话题，首先中国金融科技能走的快，有几个很重要的原因。

第一，过去几年互联网公司的发展，把老百姓的生活方式给校正过来了，很多事情用APP就可以搞定。比如滴滴，点一下司机就来接我了。这就是资本的价值，把老百姓的行为校正过来。在美国也有，但是没有那么快。

拥抱移动互联网，能够改变人们的思想。

第二，新技术取得重大突破。比如说最早建立IBM深度学习站，到2011年、2012年前后呈爆发态势。过去人脸识别、语音识别都到了90，一夜之间到了93，后来到99，这是技术驱动的。

第三，中国的监管相对包容。过去几年，金融界走了一点弯路，但是总体来看还是克服了困难。我2017年去美国考察，和富国银行的同行交流，当介绍完我们大数据或人工智能在反欺诈和风控方面的一些应用后，他们反馈说，这些都很好，但在美国不能用，不合格的。

这是很重要的几个因素。

刚才提到疫情是不是加速转型，我个人感觉，疫情首先对小企业更多的还是冲击。但是政策层面得到了一些红利，比如由于疫情的原因，对银行的小微企业不良率容忍度放宽了。另外，国家领导支持小微企业，所以给银行下了任务，这就是对小微企业政策层面的利好。

监管机构明确要支持鼓励对小微企业的线上贷款，以前要双面，现在线上就可以。

至于其他方面，我个人认为影响不是特别大。比如说银行数字化转型，银行是非常慎重的，有非常严格的一套流程和规范，目前还没有看到非常大的变化。银行是一个非常稳健的机构，不会贸然的提速。我相信未来，国内银行风控技术也会很厉害。

张俊：现在国家政府层面帮助小微恢复疫前水平，各种力度是非常强的。但是如果能够尽快帮助小微企业实现，国家启动的一些优惠政策还是要靠大的科技平台帮助他们尽快恢复。因为科技平台的触达非常广，各个小微企业下载了APP，然后在金融科技领域里面，通过人脸识别技术以及后端大数据的处理对客户的分享，提升精准度、识别度、数据和平台支持，这样放贷的速度也非常快，能够来补助国家在各个层面帮助小微尽快恢复。这也是科技主要的作用。

张俊：疫情期间，最大的问题就是当经济活动减缓的时候，大家都面临着自己现金流的压力，特别是小微企业、个体业主。疫情爆发点是在春节，经营餐馆的业主，在春节前肯定备很多货，备货就需要借钱。它的生产资料备完了以后没人来吃，不仅造成浪费，还没有新的现金流进来，这样就会形成所谓的逾期、呆帐。作为经营信贷的银行、消金公司，帮助银行和消金公司实现信贷的一种公司，怎么把控这类客户，当然有几种方式。

第一，如果还有现金流的情况下，疫情期间早期催收工作可以靠机器人代替。因为机器人催收主要是靠数据量的收集，对话的收集，然后提炼深度学习，一代一代分析以后，能够提升识别度，从90到93，现在度小满已经达到99。这时候机器人去做，它的优势就体现了。

比如我们实际遇到的情况，过去是不可能有这个词说，我得新冠肺炎了，我住院了，所以它识别不出来。我们很快就把这个迭代了，提升了机器人的识别度。

在疫情期间，银行是停止催收的，还有一些展期、减缓，减免罚息，减免一些受灾严重的地区，比如现在也用于洪水受灾地区，能够提供一些其他的过渡难关的方式方法，让企业活得更健康。技术的体现在疫情期间也是非常多的。

薛正华：科大讯飞和百度在云识别方面做的最好，目前他们两家都对方言做了很多的工作。比如说湖北省的方言，目前是做武汉市，但武汉市不同区域方言也不一样，识别清楚还需要一些时间。

疫情期间，我们用AI做催收和贷后管理，效率很高。因为他不会骂人，暴力问题就解决了。

之前有一个做催收20年的人，看到机器人如何催收，他说这才是真正的催收高手，一个脏字都没有，但是他了解对方的心理，玩心理战，回收率非常高。

从技术层面来讲，技术本身没有问题，在各个场合都是通用的。问题在于高质量的语料，你要懂机器，把催收高手过去十年的语料都给机器，我相信它很快会变得很厉害。而且这个语料需要不断的补充，现在好在训练它比较快，语料一补就可以了。

产品不断丰富，不断补充，AI至少在催收领域，在特定领域里面，很快会取代人。

张俊：科技最终还是实现我们原始的金融服务，但是它跟我们消费习惯有很大关系。新一代消费者已经习惯网上消费，基本上实体对他们来说是另外一个时代的东西，所以必须从数字化、智能化、网络化实现金融服务。

张俊：我觉得最直接的转型就是接驳平台，因为自己去开发一套程序系统，投入也是比较大的。在经济活动中是规模效应，如果你规模没有达到的话，它是没有效益的。如果这个量很小的话，不值得投入。就直接拿来主义，拿来就用，这个是实现科技赋能最快的一个方式。

另外说两个例子，普惠金融层面怎么帮助弱势群体。因为普惠金融的概念就是我能够帮助到需要帮助的人，能够在弱势群体需要的时间提供帮助。我们做了大量的举措，一是扶贫项目，2019年在重庆发放千亿免息贷款；2020年国务院11号文，放了1个亿的免息贷款，帮助四川和湖北两地农民的农产品销售，免息贷款、有收入以后就还了。不光在资金方面提供帮助，我们还通过央视财经渠道找到销路，通过直播平台帮助他们把农产品销售出去。

另外就是北京新发地。新发地又开了，我们8月14号推出了新发地中小商户租金一期贷款万一，也是最低的。我们的概念就是一方面帮助各种规模的银行实现资金和资产的对接，另一方面也帮助社会最需要资金的那些特别群体，能够在他们需要的时候提供帮助。

薛正华：去年春节前，疫情没有爆发的时候，我去了很多企业。我们国家银行体系里面，既有工农中建交这样的国有银行，也有招商、浦发、中信这种股份制银行，还有134家城商行，比如说北京银行、上海银行。各个省都有一个省信用联社，各个县城都有农商行。

从国有银行到股份制银行，再到城商行，还有信用联社。这些银行服务的群体，特别是这些发展特别快的银行，现在有40多家。我接触过很多，它的机制处理方式，各方面还是要比国有大行、国有银行灵活。因为小，所以他们对新技术拥抱和发展的程度很高。

国有银行和城商行各有特色，这和各地的经济密切相关。

薛正华：区域银行有他们的优势，他们在当地，对当地人的了解程度更高。互联网虽然厉害，但并不是所有人都已经在互联网上留下数据，农村农民数据的拥有量还是没有那么多。我们现在国家监管在强调各自发挥各自的作用，区域经济要融入当地。

张俊：我在中国发现几个现象，中国有大量的小微从业者。他们申请信贷都是个人信用，他们的店非常小，餐馆、零售、烟商，夫妻店等形式很多。这个现象是中国最独特的，别的国家很少有这样做的。这部分客户、个体工商户对整个经济的支撑作用非常大，而且这部分客户往往在我们过去的银行服务体系当中是被忽略的，没被满足的。这种情况下就是金融科技发展给了他们一个融资的渠道。

张俊：我觉得没有矛盾，普惠金融是一个客群，这个客群是我们所定义的。我们定义的普惠，大家都能得到。过去银行只满足了30%左右的融资金融需求，还有60%、70%没法满足。我们所说的弱势群体，弱势主要是几个方面体现的，过去要有征信信息、收入信息，他们都没有，或者在银行征信成立之前就没有地方可以找到征信信息的。另一方面，各个层面收入要稳定，他们是有强烈的需求，所以我们要包容进来。但是我经营信贷的时候还是保证贷款的健康。作为企业来说，肯定是要盈利的，因为公司要开，房子要租、要发展，但是怎么实现，只有从效率上实现。

效率体现在几个方面：

1、没有征信信息，通过一些互联网平台，其他的一些数据收集，是不是能找到一些关联性，把一些原始的、无序的数据变成金融属性，进行一种关联。这是征信信息完成之前，互联网、科技能够提供这方面对整个普惠金融客群的贷款风险评定，无形中就增加了信贷发放效率。当然征信信息的完整，从某种意义上说更加能够帮助精准的管控普惠金融客群的风险。

 2、互联网、移动平台的触达更有效率，以百度为例，客户通过百度搜索信贷、利率，这就是他有信贷的需求，我第一时间知道他的诉求所在，这种情况下，我可以把他包容进来。

张俊：这是两方面，一方面，一是监管层面，每年都要看银行资本金足不足，监管层面是大的保护，二是形成一定规模了，现在属于该被拉到监管体系，这是一方面。另一方面，就是经营信贷公司的，高管和CEO，对于我们整个经营资产要有一个很强的风险意识，因为信贷是一个需要定义业务，不是互联网只要量，量多了不一定行，所以你需要一个平衡，才能把资产做健康。

薛正华：在中国这几年，包容主要体现在人群，有一些得不到服务的群体，因为额度很小也不敏感，就可以得到贷款，这是一个相关方向的变化。过去几年我们看到消费金融场景，特别是金融科技加持之后，做的也很好。

还有一个群体就是小微企业、个体工商户。有一些互联网公司做微信贷，它是根据中小企业的经营数据来做。举一个例子，通过数据看这个企业每年有多少货进去，有多少出来，还有它的电费、水费，就知道这个企业的情况。通过这些数据，在缺乏征信数据情况下，也可以有一些小微企业贷款。这些都是技术的发展，年轻人消费习惯的转变，促使我们更加包容。

其实Inclusive没有“惠”这一说，至少早期的时候，普而不惠。我相信随着大数据的发展，随着技术的发展，比如说借贷，信用比较好，利率就低了，这就惠了。随着数据的发展，随着数据的积累，随着信用管理不断的改善，先普再惠是可以实现的。

张俊：它跟市场有很大的关系，因为市场是从成长到成熟，前几年互联网金融起来的时候，其实我们民间的需求非常旺盛，需求是大于供给的。如果需求大于供给，价格就上去了，因为供方少。市场慢慢成熟以后，供方多了，资金也多了以后，整个市场竞争预期结果借款下降，利率自然就下来了。像一线城市北上广深是非常成熟的市场，竞争也是非常激烈的，而且这些城市的利率可以拿到非常低的，这是不用质疑的事情。

行业都有行规，中国金融科技这几年的发展，对消费金融冲击非常大，也提升了竞争，加剧了竞争，最后老百姓获利。

薛正华：我个人认为这个时间首先看你有多大投入，你是一年花1亿，还是准备一年花200万，那时间就不一样。如果你的资金比较充分，为了做数字化转型，我想两年就够了。因为现在提供金融科技服务的公司非常之多，也比较成熟，你只要资金投入足够，两年时间，包括过去老系统的迁移应该也是够的，从整个中台、后台到前台信息化是够的。

总结，首先是钱，还有就是观念，从整个管理层对这个东西的理解和支持的力度，和重视的力度。

张俊：我听着问题是观念已经有了，要做这个，还是得投入力度，投入力度怎么落实。第一种，拿来主义，买现成的系统进来，把自己的数据接进去；第二种，不光接个数据库管理，最后是要人管理，所以还是要落实到人，这类资源是非常贵的。他们工资别是非常高的，这是一个长期的投入。转型以后这个高管团队对我当然是一个赋能，最佳投入，最后肯定会受益的。

回到我最开始提到的问题，就看规模，如果规模不太大，真的没有效益。一起跟着别人做的话效益就好，如果规模很大还有规模效应。

薛正华：

我们国家华为的发展，早期也是卖别人的交换机，慢慢起来之后，开始生产自己的交换机和核心技术，需要三四十年时间。

张俊：因为金融科技其实就是科技。我们做了金融几千年了，借贷之间的关系是几千年的古老行业。但是技术是有门槛的，门槛就是你学这个专业，懂技术，才能把金融科技做起来，所以它的门槛很高。这类人才在市场上有两个方面造成比较贵，一是比较稀缺，因为它是一个新型行业，金融科技才5年时间，工程师也不够，有大量的需求，而且在这种情况下，你还要懂金融。二是在美国涉足这个行业时间比较早，我们发现中国国内也有收购和兼并，可以帮助中国提升整个金融服务。

张俊：神经网络和机器学习是模型训练的一种手段，逻辑回归也是一种手段。如果从技术层面来讲，逻辑回归主要是强调变量和自变量和应变量之间的关系，神经网络并不强调这一点，它在处理杂乱无章的数据方面的确是优于逻辑回归，因为逻辑回归对整个自变量必须要进行线性转换。现在在互联网时代，有很多数据是很难进行线性转换的，所以依据神经网络这种新型技术可以帮助我们利用到此类数据，如果是用百度的例子来说，百度有非常大的无规则的数据，但是很多数据里面可以提炼出跟金融属性相关联的一些数据，但是我们依靠逻辑回归太费时了，太费工，而且效率不会达到应用神经网络、机器学习的方法，能够我们帮出他们之间的关系、关联度和效益。

不一定说有逻辑回归，就没有机器学习和神经网络，或者另外一种有神经网络、机器学习就没有逻辑回归，这没有依据的。

在我们决策过程中，如果从技术层面上来说，我们做决策是会犯两个错误，一类错误和二类错误，我们怎么能够把一类错误和二类错误同时减少，所以我们要找工具，需要平衡，综合应用才能减少此类错误，提升金融科技的效果。