(相關資料圖)

【編者按】

最近一段時間和相關產業、銀行、科研院所和監管研究機構的人一起討論產業數字資產的銀行應用場景和未來的金融應用方向。十分明顯地感覺到，對商業銀行互聯網貸款十分熟悉的朋友，對產業數字化場景中的數字資產概念表現出一頭霧水。因此想寫一個系列的隨筆，來和朋友們討論一些相關的問題，希望使產業數字資產金融創新早日落在實處。

現在商業銀行互聯網貸款所遵循的監管規則，是中國銀保監會2020年7月頒布執行的《商業銀行互聯網貸款管理暫行辦法》（以下簡稱“《暫行辦法》”）。放款對象為個人消費金融貸款和個人用于生產經營和流動資金貸款。前者個人信用貸款的授信額度不超過20萬元，后者由商業銀行根據情況自行決定授信上限。可以看出，現有的監管規定是面向商業銀行的個人和小微企業的貸款。《暫行辦法》設定了9類風險模型：身份認證模型、反欺詐模型、反洗錢模型、合規模型、風險評價模型、風險定價模型、授信審批模型、風險預警模型、貸款清收模型。

可見，如果商業銀行用這樣的一個監管規定和經營互聯網貸款的理念，來參與產業數字金融產品的設計與實踐會有一種小馬拉大車的即視感，顯然是不合適的。既然我們承認場景金融是千人千面，那么就應該在方法論上接受千方千案的解決方法。

產業數字化的最底層數據來源于工業物聯網（IIOT）設備的傳感器，是一種沒有人工干預的數據來源，產業界據此判斷工業環境中運行的生產過程是否正常，帶有成百上千個傳感器的工藝路線是否順暢。這些源于生產現場最底層的傳感器數據，結合相關的網關設備和通信協議構成了在各端服務器上沉淀的大量帶有時間戳的海量數據集，這些數據集構成了真正意義上的產業數字資產。整理、分析和利用這些數據將會給金融機構帶來前所未有的新局面。

66云鏈基于“物的信用”的供應鏈金融服務

產業數字化是在用數字技術大規模改造傳統產業之后形成的全新商業模式和經營能力。數字技術給產業場景提供了極細顆粒度的數字穿透力和回溯驗證力。過往金融欺詐所使用的信息不對稱和動作不留痕等欺詐手段已經成為歷史。經營者通過第一時間在產業第三方平臺上留存的這些海量數據，按照銀行的要求通過數字信用模型的驗證后，即可獲得數字信用額度和貸款。貸款期間銀行會持續將生產場景中關鍵工藝節點的實時IIOT數據引入風險監控模型進行貸中監管，發現問題時進行預警。這樣，就把銀行出借的資金或者信用與生產工藝中正在被加工制造的產品在數字空間“綁定”在了一起。

至此，在排除了金融欺詐數據之后的基本信用測算才有意義。無論是主體信用還是交易信用，不能識別信用欺詐行為的模型和方法都是不可靠的。有相關研究機構對我國的產業鏈金融風險成因進行了分析，結論是：“在交易風險評估方面，交易風險是產業鏈金融風控的薄弱環節，94%的產業鏈金融風險源自欺詐。”（注：產業數字金融：發展挑戰、創新模式、未來探索國際金融雜志公眾號2023.6.6）

關鍵詞：