一、项目背景及目标

构建对公小微全生命周期标准化动态风险管理体系的驱动力来自于宏观环境、监管导向、银行自身和信息获取四个层面的深刻变化：一是宏观经济发展需求。小微企业是国民经济的重要组成部分，支持小微企业发展，关乎经济稳定和社会和谐。传统的信贷支持模式难以为继，必须转向精细化的风险管理，确保“活水”流向真正有潜力、讲信用的优质小微企业。二是监管政策强力引导。国家层面连续出台多项政策，鼓励金融机构加大对小微企业的信贷支持，监管机构在鼓励的同时，也明确要求商业银行建立与小微信贷特点相匹配的风控体系和机制。三是银行内部经营压力。对公业务增长出现瓶颈，大型企业融资渠道多元化，小微企业市场成为银行业务增长的新蓝海。小微企业普遍存在财务报表不规范、不透明的问题，难以用传统的报表分析模式进行准确评估。四是技术变革提供可能。大数据与人工智能为破解信息不对称难题提供了工具。银行可以整合税务、社保、海关、水电、征信、工商信息等外部数据，构建更立体的客户画像。

在国家战略、市场变化和科技赋能背景下，九江银行构建对公小微全生命周期标准化动态风险管理体系，是实现小微金融业务从“粗放式增长”向“精细化管理”转型的必然选择，具体可分解为以下四个维度的目标：一是风险识别精准化，从“看不清”到“看得透”。全生命周期视角，打破“一刀切”的静态评估，在存续期持续评估经营变化情况；标准化风险标签，通过统一的风险评估模型和标准，为每个小微客户打上多维度的风险标签（如：经营风险、信用风险、项目风险等），实现风险的量化和可比；动态风险预警，建立基于大数据和AI的智能预警机制，对客户的经营异常、资金流异常、较准入时变化幅度过大等风险信号进行捕捉，变“事后救火”为“事前防范”和“事中干预”。二是风险管理流程化，从“经验驱动”到“数据驱动”。差异化贷后管理，根据强规则、组合规则、预警系统推送（红色类、黄色类）、近半年未做贷后任务的客户进行触发推送，不同的推送原因对应不同的贷后检查方式，如深度、简易、现场简易；闭环管理机制，建立从风险识别、预警、核查、处置到反馈的完整闭环，确保每个风险信号都能得到有效处理和经验积累，持续分析贷后策略的有效性、精准性，挖掘新的有效策略逐步更新迭代。三是业务发展健康化，从“畏贷惜贷”到“敢贷会贷”。以风险与收益匹配为目标，对不同风险水平与收益的客户实施动态管理，保持客户“流动性”；提升资产质量，通过主动、动态的风险管理，提前发现和化解潜在风险，有效控制不良贷款的产生，保障小微业务资产质量的整体稳定；支持精准营销，风控体系输出的客户画像和风险洞察，可以反向用于识别和挖掘有成长潜力的“好客户”，实现风险管理与业务拓展的协同。四是客户服务差异化，从“融资”到“融智”。陪伴式成长，体系的目标不仅是控制风险，更是通过良好的风险管理，筛选并陪伴优质小微企业共同成长，建立长期稳定的银企关系，成为企业的“主办银行”。

总而言之，九江银行致力打造一个既能有效防范风险，又能主动发现价值的智慧风控体系，从而在履行社会责任的同时，实现银行自身的高质量发展。

二、项目/策略方案

本项目围绕小微企业信贷风险管理，依托全流程信贷风险管理系统群、大数据分析、多层次模型和大模型技术，创新构建“核心指标监控+贷后智能推送+存量移位退出”的小微企业贷款全生命周期风险管控体系，为小微客户质量提升和资产结构优化提供坚实的科技支撑。

（一）深化全流程风险管控：构建小微全生命周期风险管理体系

1.核心指标监控：构建对公客户的风险动态监测体系，风险监测围绕最能反映客户经营情况和信用风险的核心指标，比如制造业企业用电量，冷饮批发企业的冷柜数等，通过第三方数据服务、非现场收集、现场实地盘查等方式按一定频率进行获取，在贷后环节持续监测，通过对指标信息的校验分析和变动阈值触发设定，将数据信息转化成风险信号。

2.贷后智能推送：突破“单一规则”限制，构建“强规则+组合规则”双轨触发体系。依托决策引擎强大的运算能力，将多元风控模型深度嵌入系统，整合业务数据、征信信息、风险预警等多维度数据源，通过指标变量智能加工与策略精准部署，实现基于客户风险特征的动态化、差异化贷后任务触发，真正做到风险早识别、早介入。

3.存量移位管理：开辟对公小微客户动态管理机制，通过结合企业、实控人基本信息，客户经营、财务状况、征信情况变动，客户历史行为等数据构建存量客户评分模型，运用模型预测当前未暴露风险但未来几个月可能会出现风险的客户，为风险处置预留时间。同时，识别收益不及预期、收益与风险不匹配的客户。推送至机构开展风险情况的综合审议，持续追踪退出或压降落实情况。

（二）金融科技赋能：夯实信贷全生命周期管理科技基础

1.信贷生命周期管理系统集群：持续推进信贷全生命周期管理系统群建设，打造以信贷系统为核心，协同智能风控系统、预警系统、押品系统、风险管理工作台及“风铃鸟”等辅助系统的系统群，实现全流程数字化风险管理。系统群通过业务、技术与数据的高度融合，支持贷前毫秒级调用智能风控模型进行授信决策，依托智能风控和预警系统对存续期客户进行实时风险监控，并通过移动化风险信息广播平台面向全行信贷从业人员与各级管理岗实现风险信息和待办任务的即时推送，使业务操作、风险管理与决策反馈形成闭环。该系统群不仅提升了风险信息的响应速度，还为客户分类管理、退出压降和差异化策略落地提供了稳定、高效的技术支撑，形成从风险发现到响应处置的全景化管理能力。

2.大数据分析与多层次建模体系：在系统群基础上，建立集中化的大数据分析与模型体系，对客户征信、经营状况、用电行为、交易流水及贷后检查数据等多源信息进行深度融合和智能特征提取。通过统计分析、机器学习与大模型技术的综合应用，实现对客户风险、收益及潜在异常行为的精准识别和前瞻预测。模型体系覆盖客户准入评估、风险定价、贷后行为监控、客户结构优化等关键环节，为贷后策略优化和风险管控提供科学决策依据。同时，模型输出与系统群联动，推动风险识别、策略调整和执行落地的闭环管理，不仅提升了小微客户风险管理的覆盖广度和智能化水平，也增强了信贷业务决策的科学性和前瞻性。

三、创新点

（一）技术创新

1.“双模型协同”的智能模型体系：创新性地构建了贷后智能推送模型与收益—风险识别模型。模型以客户征信信息、经营运行数据、用电负荷特征、交易行为及外部公共信息为核心特征体系，通过多维数据融合、特征工程优化及机器学习算法集成，实现了客户贡献度与风险暴露水平的联合建模，对客户经营行为进行动态跟踪与风险趋势预测。模型能够精准识别低收益高风险客户，批量识别风险客户并推送贷后检查，为低收益高风险客户匹配退出、压降差异化管理措施提供智能决策依据。该建模体系突破了传统信贷风险模型依赖单一财务指标的局限，实现了小微客户风险与收益的量化平衡评估，显著提升了数据驱动下的客户质量管控与资产结构优化能力。

2.AI风险雷达：突破传统依赖人工特征构建的建模模式，创新性地引入大模型技术，实现对小微对公客户风险识别的全新智能化路径。通过对征信信息、经营数据、贷前调查报告、贷后检查报告等多源异构数据的统一表征与深度理解，大模型能够在无须人工提取特征的情况下，直接从海量数据中学习客户经营状态与风险信号之间的复杂关联。在实际应用中，系统可基于大模型自动识别客户潜在的经营异常行为，如营业收入下滑、用电量骤降、贷款用途偏离等，并对风险变化趋势进行智能预警，并给出AI风险报告，该技术创新有效规避了人工贷后调查和传统模型在特征覆盖的盲区，提升了贷后风险识别的覆盖程度，为小微客户质量提升与资产安全管理提供了智能化支撑。

（二）机制创新

传统的风险管理模式往往聚焦于贷前审查和贷中审批，而对贷后管理及贷款退出机制缺乏系统性设计，导致风险识别滞后、处置效率低下。以“核心指标监控+贷后智能推送+存量移位退出”为核心的小微企业贷款全生命周期风险管控体系实现了机制创新。“核心指标监控”通过设定阈值和趋势分析的监测方式不仅提升了风险识别的时效性，也为信贷决策提供了坚实的数据支撑，实现了“从结果判断向过程监测”的转变。“贷后智能推送”依托人工智能算法和机器学习模型，根据企业贷款使用情况、还款行为、经营波动等数据，自动触发风险提示信息，并精准推送贷后检查任务至信贷管理人员。解决了贷款发放后，风险管控缺乏及时、有效的干预问题。大大提升了贷后管理的效率与覆盖率，避免了因信息滞后导致的风险扩大。“存量移位退出”通过对企业信用状况、还款能力、历史行为的综合评估，将高风险贷款逐步从优质资产中剥离，转入压降、退出管理流程。标志着风险管理从“控制风险”走向“化解风险”的新阶段。

（三）管理创新

“核心指标监控+贷后智能推送+存量移位退出”三个环节有效衔接，创新构建漏斗式管理模式。“核心指标监控”是漏斗式管理的第一环节，通过设定核心关键指标，实现对全行信贷资产质量的动态监测，初筛需要进一步关注的客户。“贷后智能推送”是漏斗式管理的核心环节。通过智能推送解决管理层与经办人员之间的风险信息不对称问题。“存量移位退出”是漏斗式管理的最后环节，主要针对已识别的高风险客户或预测出的高风险客户进行风险化解。漏斗式管理模式是九江银行在信贷风险管理领域的重要实践，通过系统化、智能化的手段提升风险识别和处置的效率。

四、项目过程管理

2024年8月起，着手探索制定民营小微策略触发式贷后检查，以贷前准入模型为基础，选定贷后关键对比指标在贷后环节由系统实现策略跑批，展示客户变化趋势，辅助风险判断。2025年1月，民营小微触发式贷后检查策略正式上线，并迭代进行策略优化。2025年3月，建立存量移位退出机制，并生成第一批名单，后续按季生成。2025年4月起，制定核心监测指标实施方案，并着手开发系统功能。5月指标设定及数据收集部分功能上线，现处于功能优化阶段。

五、运营情况

截至2025年9月末，民营小微触发式贷后检查月平均推送贷后检查714笔，通过不断优化推送策略及推送规则，贷后精准率（即贷后检查反馈存在风险的授信客户比例）稳步提升，从5月份的26.12%提升至9月份的42.12%。

截至2025年9月末，已累计生成三批存量移位退出名单，其中反馈“一次性退出”客户占比16.84%，反馈“计划逐步压降”客户占比35%，反馈“一次性退出”和“计划逐步压降”中已执行压降/退出户数占比56.35%。通过外部数据对已成功退出客户进行追踪，发现57.58%的客户已出现风险迹象（如无在贷机构、已逾期、已进入失信被执行人）。

六、项目成效

1.体系性量化评估，实现动态治理。系统性设计贷后管理及信贷退出流程，实现风险管理机制的升级。将风险管理从分散、被动、经验驱动的模式，升级为集中、主动、数据驱动的模式。将客户出现逾期再采取行动的管理形式，升级为基于数据驱动决策，实现动态治理并最优退出的管理形式。

2.策略性筛选推送，提高管理效率。通过数据驱动选择，既减少了人工自主选择的疏漏，也避免了信息过载导致的选择疲劳。目前贷后推送精准率已达到42.12%，不仅帮助信贷人员提升了工作时间配置的精准度，更优化了风险管理的运行效能。

3.前瞻性预判风险，减低信贷损失。根据监测范围内的2774户对公小微业务复盘结果，在建立该体系后逾期37户，其中19户在逾期前命中“存量移位退出”名单，另有14户在逾期前命中“贷后智能推送”任务，精准率达到89.19%。通过提前识别逾期风险，减少信贷资产被动处置场景，提升贷后管理有效性，降低人工疏漏率，实现风险前瞻管理及效率提升。

七、经验总结

对公小微全生命周期标准化动态风险管理体系的建立，融合了多维度风险指标监控、数字化预警推送、潜在风险前瞻性预测及存量风险动态处置机制。依托全流程信贷风险管理系统群、大数据分析、多层次模型和大模型技术强化贷后管理，构建了从风险识别到退出的闭环管理，有效提升风险监测效率与资产质量管控能力。