ТРАНСФОРМАЦИЯ КРЕДИТНОГО БИЗНЕСА КОММЕРЧЕСКИХ БАНКОВ НА ОСНОВЕ ДАННЫХ: ОПТИМИЗАЦИЯ МОДЕЛЕЙ РИСКОВ, ЭКОСИСТЕМНАЯ СИНЕРГИЯ И РЕГУЛЯТОРНОЕ СООТВЕТСТВИЕ

TRANSFORMATION OF COMMERCIAL BANKS' CREDIT BUSINESS BASED ON DATA: RISK MODEL OPTIMIZATION, ECOSYSTEM SYNERGY, AND REGULATORY COMPLIANCE

Ma Guangying

Student, Department of Economics,  Peter the Great St. Petersburg Polytechnic University,

Russia, St. Petersburg

АННОТАЦИЯ

В данной статье рассматривается цифровая трансформация кредитного бизнеса коммерческих банков под влиянием финтеха. В ответ на неэффективность традиционных моделей предлагается трехмерная структура «технологии — бизнес — регулирование». Объясняется суть управления рисками на основе данных и с помощью искусственного интеллекта, а также эволюция теории финансового посредничества в цифровой экономике и прорыв в области инклюзивного кредитования; анализируются ограничения традиционного риск-менеджмента, рассматривается путь внедрения интеллектуального риск-менеджмента через «интеграцию четырехмерных данных», а также облегченные и регионально-ориентированные модели для малых и средних банков; раскрывается инновационный подход открытого банкинга, инновации в цепочечном финансировании и механизмы баланса между регулированием и инновациями. В заключении показано, что трансформация характеризуется «масштабируемостью крупных банков и специализацией малых и средних банков», что предоставляет практические и регуляторные ориентиры.

ABSTRACT

This article examines the digital transformation of commercial banks' lending business under the influence of fintech. In response to the inefficiency of traditional models, a three-dimensional structure of “technology—business—regulation” is proposed. It explains the essence of data-driven risk management using artificial intelligence, as well as the evolution of financial intermediation theory in the digital economy and the breakthrough in inclusive lending. The limitations of traditional risk management are analyzed, and the path to implementing intelligent risk management through “four-dimensional data integration” is considered, as well as simplified and regionally oriented models for small and medium-sized banks. It reveals an innovative approach to open banking, innovations in supply chain finance, and mechanisms for balancing regulation and innovation. In conclusion, it shows that the transformation is characterized by “the scalability of large banks and the specialization of small and medium-sized banks,” which provides practical and regulatory guidelines.

Ключевые слова: данные как двигатель; трансформация кредитов коммерческих банков; интеллектуальное управление рисками; экологическое сотрудничество; регулировочная соответствие; Китай.

Keywords: data-driven; commercial bank credit transformation; intelligent risk control; ecological collaboration; regulatory compliance; China.

1. Введение

Проникновение финтеха и интернет-финансов создает серьезные вызовы для традиционных кредитных моделей коммерческих банков: в условиях либерализации процентных ставок чистая процентная маржа снизилась до 1,54% [1], уровень просроченной задолженности в технологическом секторе достиг 5,3% [2], что подчеркивает неэффективность традиционного риск-менеджмента и острую потребность в инновационных решениях.

Данное исследование фокусируется на влиянии цифровой трансформации на кредитные процессы, исследует пути баланса между риском и инновациями в рамках регуляторных требований и предлагает трехмерную структуру «технологии — бизнес — регулирование» для предоставления дифференцированных ориентиров для банков разных типов.

Цель исследования — оценить реструктуризирующий эффект трансформации на кредитные процессы, сфокусировавшись на ограничениях традиционных моделей, эффективности интеллектуального риск-менеджмента, построении открытого банкинга и стратегиях регуляторных технологий. Используются методы анализа литературы, сравнения кейсов, изложение разделено на пять глав.

2. Теоретические основы трансформации кредитного бизнеса коммерческих банков

2.1. Ключевые концепции цифровой трансформации

«Принятие решений на основе данных» является ядром цифровой трансформации кредитования, то есть использование данных в качестве основы для принятия решений, реконструкция традиционных процессов с помощью технологий больших данных, облачных вычислений, преодоление ограничений офлайн-привлечения клиентов и экспертного риск-менеджмента, реализация автоматизации привлечения клиентов, одобрения заявок и управления после выдачи кредита, переход бизнеса от «пассивного обслуживания» к «активному реагированию». Например, после внедрения движка больших данных в одном банке стоимость привлечения клиента снизилась на 40%, а уровень просроченной задолженности — на 1,7 процентных пункта [1], что подтверждает его ценность.

Интеллектуальный риск-менеджмент является концентрированным выражением управления на основе данных в риск-менеджменте, прошедшим три этапа: статические правила, статистические модели, динамические самоадаптирующиеся модели. Малые и средние банки могут использовать системы «сценарий и данные» для реализации мгновенного реагирования и автоматического обучения в риск-менеджменте, снижая человеческие ошибки; крупные банки уже внедрили интеллектуальные меры на всех этапах: до выдачи кредита (идентификация черных списков), во время (мониторинг аномальных транзакций) и после (прогнозирование дефолтов). Однако необходимо остерегаться рисков унификации алгоритмов и «эффекта черного ящика», требуется совместное противодействие с помощью регуляторных технологий.

2.2. Эволюция кредитной теории в цифровой экономике

Традиционная теория финансового посредничества (решение проблемы асимметрии информации) в цифровую эпоху эволюционировала в трех направлениях: трансформация в платформы (банки из «кредитных посредников» превращаются в «платформы данных», например, Ping An Bank, открывший интерфейсы прикладного программирования для интеграции в более чем 200 сценариев), детализация ценового риска (например, Bank of Beijing выявляет разницу в ставках в 0,5%), охват длинного хвоста (цифровые технологии снизили предельные затраты на кредиты ниже 1 млн юаней на 82%, подтвердив возможность инклюзивного кредитования).

Инклюзивное кредитование опирается на три теоретических прорыва: нетрадиционные данные (например, данные дронов фермерских хозяйств) заменяют залог, в некоторых сельских банках доля кредитов без залога выросла до 60% [2]; облачные вычисления снизили стоимость обслуживания одного счета с 15 юаней в месяц до 0,8 юаня, решая проблему «нерентабельности кредитования для малых и средних предприятий»; распространение кредитоспособности якорных предприятий цепочки поставок (например, модель «1+N» в China Minsheng Bank) повысило успешность финансирования малых и средних предприятий в 3 раза, способствуя синергии цепочки.

3. Цифровая реконструкция кредитных риск-моделей

3.1. Анализ ограниченности традиционных риск-моделей

Традиционные риск-модели имеют структурные недостатки в зависимости от данных и эффективности процессов. На уровне данных зависимость моделей от финансовых данных достигает 78%, структурированные данные, такие как балансовые отчеты и отчеты о прибылях и убытках, доминируют, в то время как использование неструктурированных данных, таких как записи административных наказаний и поведение в электронной коммерции, составляет менее 15% [2]. Эта однобокость приводит к неполному выявлению рисков: использование только финансовых данных приводит к пропуску 32% потенциальных рисков малых и микро-предприятий, например, высокотехнологичные компании с высоким потенциалом роста ошибочно классифицируются как высокорисковые из-за краткосрочных плохих финансовых показателей [2].

С точки зрения отраслевой адаптивности, статические скоринговые карты плохо соответствуют характеристикам новых отраслей. Чжан Синьюй (2025) на примере производства новых энергетических автомобилей показал, что традиционные модели устанавливают пороги на основе среднего уровня просроченной задолженности в производстве (1,8%), в то время как фактический уровень в этой отрасли составляет 6,0%, ошибка прогноза достигает 4,2 процентных пункта [1]. Проблема изолированных данных дополнительно усугубляет отклонения: внутри коммерческих банков в среднем существует 89 независимых баз данных, степень взаимодействия данных между основной бизнес-системой и системой кредитных карт составляет лишь 28%, что приводит к необходимости повторной проверки 22% предкредитных проверок и увеличению трудозатрат на 35% [3].

Узкие места эффективности также очевидны. Ручная проверка требует четырехэтапного процесса, в среднем занимая 72 часа, в то время как система искусственного интеллекта WeBank сокращает цикл одобрения до 8 минут за счет сбора данных в реальном времени, повышая эффективность в 216 раз [1]. Традиционная централизованная архитектура имеет максимальную дневную пропускную способность около 5000 заявок, что не позволяет справиться со взрывным спросом в сценариях потребительского финансирования, например, во время распродажи «618» один банк из-за перегрузки системы столкнулся с тайм-аутом 23% заказов, а уровень оттока клиентов вырос до 18% [1].

3.2. Технический путь реализации интеллектуального риск-менеджмента

Ведущие банки преодолевают традиционные границы через «интеграцию четырехмерных данных». На уровне финансовых данных, помимо кредитных историй от Центрального банка, подключаются данные транзакций China UnionPay, один акционерный банк использует показатель «среднемесячное количество покупок ≥15» как индикатор готовности к погашению, что повысило точность прогнозирования просроченной задолженности по кредитным картам на 12% [2]. В отношении государственных данных, China Construction Bank напрямую интегрирована с Налоговым управлением, используя показатель «нулевая отчетность в течение 6 месяцев подряд» для предупреждения аномалий предприятий за 9 месяцев, что снизило уровень просроченной задолженности малых и микро-предприятий в дельте Янцзы на 1,7 процентных пункта [2]. В коммерческих данных, China Minsheng Bank подключила данные о потоках интернет-торговли, включив такие показатели, как «уровень возвратов ≤5%», в скоринг, в результате уровень просрочки по онлайн-продуктам для цепочек поставок снизился на 2,3% по сравнению с традиционной моделью [2]. При анализе поведенческих данных, China Merchants Bank обнаружила, что клиенты, которые «сразу после входа проверяют график погашения», имеют вероятность просрочки на 40% ниже, эта характеристика повысила rate автоматического одобрения на 25% [2].

3.3. Дифференцированные стратегии для малых и средних банков

Облегченная модернизация является практичным выбором для малых и средних банков. Совместное моделирование решает проблему изолированных данных: альянс сельских банков провинции Чжэцзян интегрировал данные 8 миллионов фермеров, модель «кредита на выращивание чая» через обмен данными о закупочных ценах снизила уровень просроченной задолженности с 3,6% до 0,9%, а стоимость привлечения клиентов снизилась на 40%. Регуляторные песочницы предоставляют пространство для экспериментов: Bank of Suzhou в песочнице провинции Цзянсу протестировал «кредит на основе данных», используя модели на основе данных таможни и налогов, обслужив 200 экспортных предприятий с уровнем просроченной задолженности 0,5%, с последующим внедрением по всему банку [1].

Кейсы с региональной спецификой демонстрируют преимущества локализации: «кредит на корм» сельского банка Внутренней Монголии совместно с институтом пастбищ использует спутниковые данные для мониторинга роста травы, залоговая стоимость пастбищ с покрытием ≥70% повышается на 20%, доступность кредитов для скотоводов повысилась на 35%, уровень просроченной задолженности 0,9% [1]; модель «балла совместной гарантии» Bank of Wenzhou анализирует сеть транзакций в бизнес-районах, обнаружив, что предприятия, входящие в 3 и более кругов совместной гарантии, имеют вероятность дефолта на 58% ниже, что снизило уровень просроченной задолженности по совместным гарантийным кредитам для малых и средних предприятий с 4,1% до 2,4% [1]. Эти практики показывают, что малые и средние банки могут опираться на региональные ресурсы для достижения «малого, но изящного» прорыва в трансформации.

4. Инновации в моделях экосистемной синергии кредитного бизнеса

4.1.Практические исследования открытого банкинга

Открытые банки демонстрируют многоуровневые инновационные характеристики. Крупные банки опираются на свои преимущества в области ресурсов для построения экосистем: платформа «Жизнь с CCB» от China Construction Bank объединяет более 200 жизненных сценариев, имеет более 40 миллионов активных пользователей в месяц, а данные по сценариям составляют 32% ключевых переменных при принятии кредитных решений[4]; Промышленный и коммерческий банк Китая создал 387 стандартизированных API-интерфейсов, количество вызовов которых в 2023 году достигнет 4,5 миллиарда, что принесет 1,87 миллиарда юаней дохода, что составляет 12,3% от общего дохода банка [4]; финансово-технологический альянс под руководством Банка привлечения инвестиций объединил 12 000 разработчиков, а модель управления рисками в сфере логистики, разработанная в сотрудничестве с SF Express, позволила снизить уровень просроченной задолженности по соответствующим кредитам на 1,8 процентных пункта [4].

Малые и средние банки сосредоточились на региональных особенностях: Банк Чэнду подключился к 28 типам государственных данных, а «электроналоговый кредит» рассчитывает сумму кредита на основе данных об электропотреблении и налогах с точностью 92%, доля первых заемщиков составляет 35%, а уровень просроченных кредитов — 1,2%; Банк Тайчжоу развернул промышленный Интернет вещей для индустрии производства пресс-форм, а «модульный кредит» рассчитывается на основе данных об эксплуатации оборудования, уровень просроченных кредитов составляет 0,8%, а уровень удержания клиентов — 89% [1].

4.2. Инновации в цепочечном финансировании

Механизм передачи кредитов достиг прорыва в эффективности. Компания Sany Heavy Industry в сотрудничестве с банком Minsheng Bank снизила затраты на финансирование поставщиков с 12% до 6,8% благодаря прямому подключению к системе ERP, выдав кредиты на общую сумму 48,2 млрд юаней с коэффициентом просроченной задолженности 0,9%. Платформа Haier «Kaos» использует данные о конечных продажах для обратного подтверждения прав собственности, срок оплаты поставщикам сокращен с 90 до 30 дней, оборачиваемость запасов увеличилась в 2,5 раза [5].

Блокчейн-технологии углубляют применение сценариев: платформа «Trusple» добавила в цепочку 13 типов торговых документов, сократив время обработки трансграничных аккредитивов с 5 дней до 4 часов и обслуживая 17 000 внешнеторговых предприятий [6]; решение «Блокчейн + Интернет вещей» от China Construction Bank в режиме реального времени собирает данные о росте скота, выдав в общей сложности 2,3 млрд юаней кредитов с показателем просроченной задолженности 0,5% [6].

5. Баланс между регуляторным соответствием и технологическими инновациями

Баланс между регулированием и инновациями опирается на взаимодействие систем и технологий. В Китае регулирование финансовых данных осуществляется по многоуровневой системе, при этом данные о кредитах 3-4 уровня должны храниться на территории страны [7].

Интеллектуальные технологии в борьбе с отмыванием денег дают заметные результаты: в банке China Merchants Bank было добавлено 12 новых признаков риска, что позволило повысить точность выявления подозрительных транзакций на 28% и снизить количество ложных срабатываний на 15% [18]; автоматическая система отчетности банка Ping An сократила цикл обработки отчетов с 3 дней до 4 часов при точности 100% [8]. Технологии регулирования преобразуют процессы обеспечения соответствия: интеллектуальный движок банка China Construction Bank обрабатывает в среднем 120 миллионов записей данных в день, а время перехвата аномальных транзакций сократилось до T+0 [8]; банк Industrial and Commercial Bank of China кодифицировал требования регулирования, что повысило эффективность проверок соответствия на 60% [8]. Алгоритмическое управление обеспечивает прозрачность: Microbank использует технологию LIME для интерпретации моделей, количество жалоб снизилось на 36% [9]; Ant Group оптимизировала модель, уровень ошибочных отказов для малых и микропредприятий снизился с 18% до 9% [16]. Некоторые банки, руководствуясь требованиями ЕС, раскрывают информацию об алгоритмах и подвергаются надзору [9].

По сути, этот баланс представляет собой трехмерное взаимодействие «предотвращение рисков — повышение эффективности — защита прав»: регуляторная песочница предоставляет пространство для проб и ошибок 28 инновационным кредитным проектам [7], а хранение данных в блокчейне повышает эффективность оборота кредитных договоров на 50% и обеспечивает их соответствие нормативным требованиям [8]. Чжан Синью (2025) отмечает, что ключ к успеху заключается в «предварительном установлении правил, индивидуальном подходе к разработке решений и структурировании затрат» [1].

6. Заключение

Данное исследование показывает, что цифровая трансформация кредитования коммерческих банков имеет многоуровневый характер: крупные банки опираются на экологические платформы и технологические альянсы для достижения эффекта масштаба, а региональные банки формируют свои собственные модели путем интеграции с государственными органами и углубления работы в отрасли. Интеллектуальный риск-менеджмент повышает эффективность за счет интеграции данных и применения алгоритмов, а технологии регулирования обеспечивают баланс между инновациями и соблюдением нормативных

Теоретически, концепция «технологии — бизнес — регулирование» углубляет понимание логики трансформации; на практике банкам рекомендуется усилить управление данными и резервирование талантов, а регулирующим органам — сосредоточиться на прозрачности алгоритмов и дифференцированной поддержке.

Исследование имеет ограничения, такие как недостаток международных сравнений и анализа конкретных организаций. В дальнейшем можно отслеживать международную практику, углублять исследование конкретных примеров и изучать сценарии применения новых технологий.

Список литературы:

1. Чжан Синьюй. Исследование стратегической трансформации корпоративного кредитного бизнеса коммерческих банков. — Пекин: Финансовое издательство, 2025.
2. Ли Сяоцуй. Управление рисками в банках в эпоху больших данных. — Шанхай: Издательство Университета финансов и экономики, 2025.
3. McKinsey & Company. Обзор китайского банковского сектора за год. — Шанхай: McKinsey, 2024.
4. Шэнь Цзябинь. Исследование построения экосистемы открытого банкинга. — Пекин: Институт финансовых технологий, 2025.
5. Чжан Юйхуа. Практика инноваций в цепочечном финансировании. — Пекин: Издательство экономического управления, 2023.
6. Ant Group. Белая книга по применению блокчейна в финансах. — Ханчжоу: Ant Group, 2023.
7. JR/T 0197-2020. Руководство по классификации безопасности финансовых данных. — Пекин: Народный банк Китая, 2020.
8. Apache Software Foundation. Документация Flink // Официальная документация Apache. — 2023.
9. Европейский союз. Закон об искусственном интеллекте. — Брюссель: ЕС, 2023.