长安策略九部门发文！为科技金融数据“拆墙”

　　来源：金融时报

　　7月29日，中国人民银行官网消息显示，央行等九部门联合印发《关于加强科技金融领域数据开发利用的通知》（以下简称《通知》）。

　　此次文件出台旨在加强科技金融领域数据的共建共享，以高质量数据基建为锚，打破科技金融领域的数据孤岛。具体来看，《通知》协同推进科技金融领域数据开发利用，发布《全国科技金融领域数据开发利用目录1.0》，并强调“加强科技金融领域数据开放共享和融合运用，支持科技信息使用机构规范运用科技公共数据，鼓励地方向科技型企业提供授权开放信息渠道，推广信息查询、联合建模等模式”。

　　“整体来看，《通知》的核心价值意义在于，把数据要素切实转化为科创产业融资动能，在守住数据安全底线前提下疏通科技金融堵点，一边助推国内科创产业培育壮大，一边完成金融业数字化风控体系的完善搭建。”博通咨询首席分析师王蓬博对《金融时报》记者分析。

　　善用数据从看报表、抵押物到看创新能力、市场前景

　　在全联并购公会首席信用专家、北京信用学会副会长刘新海看来，本次《通知》不是简单建设一个科技企业数据库，而是在为科技金融构建新的数据基础设施和信用评估体系。

　　“当前，人工智能大模型及其应用、新能源、半导体等高新技术产业正处于加快发展的关键阶段，这些产业普遍具有研发投入大、技术迭代快、成长周期长、轻资产以及未来收益不确定等特点，需要金融资源持续支持。”刘新海分析，传统信用风险管理主要依赖财务报表、抵押物和历史经营记录，往往难以充分识别科技企业的创新能力、成长潜力及其真实风险。因此，科技信用评估已经成为科技金融和信用风险管理领域的重要议题，也是信用科技创新的重要方向。

　　本次《通知》旨在推动金融机构从主要看报表、抵押物和企业名单，转向同时看创新能力、真实经营、现金流、市场前景和产业链关系，使一些缺乏传统抵押物、但具有技术实力和真实经营能力的科技型中小企业能够被更加准确地识别。

　　实际上，这也与国际经验相匹配。刘新海介绍，从国际经验看，科技企业评价不能仅仅关注专利数量、研发投入或者专家评审结果，而应当将技术创新能力、成果转化能力、真实经营状况、现金流、市场需求和偿债能力结合起来，并通过持续的数据更新和融资结果进行验证。创新能力评价回答的是企业有没有技术和成长潜力，信用风险评价回答的是企业能否形成稳定经营和履约还款能力，两者应当相互衔接，但不能简单画等号。

　　支持市场化征信机构参与打破信息孤岛

　　在业内专家看来，支持市场化征信机构参与，也是《通知》的一个重要亮点。素喜智研高级研究员苏筱芮在接受《金融时报》记者采访时表示，《通知》明确支持市场化征信机构建设科技型企业数据库，将有望推动专业的科技金融征信新业态的发展，而“引导金融机构依托科技金融领域数据库，构建科技型企业数字信用画像”，也意味着科技金融领域的风控逻辑有望得到进一步升级。

　　在王蓬博看来，《通知》最关键的就是将归集后的数据全面运用至科创企业信贷风控、融资对接、信贷产品创设各个环节，准许市场化征信机构搭建科创主体专属信息库，依靠产业链搭建产业图谱，适配产业链上下游差异化金融需求。

　　“以往各家银行想要获取科创企业各类经营、研发相关信息，可能需要分头对接不同政府部门，耗费大量沟通成本，各类信息零散难以整合使用。”王蓬博谈到，本次政策实际上搭建起跨部门的数据协同共享体系和统一数据统计口径，这就会直接压缩机构对接成本，可信数据空间试点也给数据流转划定了合规可行的实操方式。

　　此外，他补充，市场化征信机构入局也丰富了信用数据供给渠道。长期来看能够大幅缩减银企之间的信息差，提升科技贷款投放效率与质量，以数据要素夯实整个科技金融体系运行基础。

　　刘新海则提出，市场化征信机构的作用不应停留在简单归集数据、建设数据库或者转售公共信息层面，而应当承担主体识别、数据治理、行业分类、特征加工、科技信用评价、产业链分析和持续风险监测等专业功能，把分散的公共数据、企业授权数据和市场交易数据，转化为可解释、可验证、可持续更新的信用产品和金融决策工具。

　　人工智能技术将在这一过程中发挥重要作用。业内专家认为，大模型可以辅助处理专利、研发材料、产业政策、企业披露和行业研究等非结构化信息；知识图谱和图计算可以刻画企业、股东、技术、交易对手及产业链之间的复杂关系；机器学习可以识别不同细分行业和企业生命周期中的风险特征。

　　确保落地见实效真正解决信息不对称难题

　　但刘新海也提示，AI的应用不能停留在生成一个看似精确的“科技企业评分”，而应重点解决信息提取、关系识别、风险预警和辅助决策问题，同时加强模型可解释性、数据偏差控制、动态监测和人工复核，避免形成新的“算法黑箱”。

　　他将政策落地的关键总结为三点：一是数据能否联得通，包括跨部门、跨地区和跨机构的数据标准、主体匹配及更新机制；二是机构是否敢于合规使用，需要明确企业授权、商业秘密保护、使用目的、安全责任和利益分配机制；三是模型能否被真实融资和风险结果验证，避免平台建成后只有数据归集，没有实际应用。

　　“尤其需要防止把科创属性简单等同于信用水平。”刘新海提示，企业拥有专利、获得科技企业认定或者研发投入较高，并不必然意味着具有较强的还款能力。他认为，应分别评价企业的技术创新能力、商业化能力和信用风险，再结合其所处行业、发展阶段、现金流状况和产业链位置进行综合判断。

　　业内专家提示，最终衡量这项政策是否成功，不能只看建设了多少数据库、归集了多少数据或者开发了多少模型，而要看是否真正降低了科技企业与金融机构之间的信息不对称，是否提高了优质科技企业的融资可得性，是否帮助金融机构形成了更精准的产品和更有效的风险管理能力，只有建立“数据归集—科技信用评价—金融服务—风险结果反馈—模型持续优化”的闭环，科技金融数据才能真正转化为支持科技创新的生产要素。