商業銀行線上涉農貸款風險及防控策略探究

◎王一鳴 閆洪舉

引言

涉農貸款是農村經濟的主要正規金融資金來源，包括農戶貸款、農村企業貸款及各類組織涉農貸款（杜金泉等，2020）。當前農村金融尤其是涉農貸款仍面臨一些難題亟需解決。例如，農村信貸市場信息不對稱問題突出，農戶面臨嚴重的信貸配給（何廣文、劉甜，2018）；農戶與金融機構存在明顯的信息不對稱問題，部分貧困地區的創業農戶甚至存在信用空白的現象（馬小龍，2020）。在此背景下，互聯網金融成為降低農村金融服務成本、擴大農村金融客戶群體、有效緩解農村客戶抵押不足難題的重要途徑（錢昉晗，2020），成為解決我國農村金融供需矛盾的創新途徑（闞立娜、王曉星，2019）。

當前，線上涉農貸款已成為商業銀行布局互聯網金融的重要領域。準確把握線上涉農貸款風險特征，建立具有針對性的風險防控體系，是決定未來線上涉農貸款投放規模和高質量發展的關鍵因素，也是極具必要性和緊迫性的研究課題?；诖?，本文將深入探究大數據、人工智能背景下線上涉農貸款所表現出的風險類型，提出相應風險防控建議，以期為線上涉農貸款高質量發展提供支撐。

線上涉農貸款風險類型

涉農貸款風險可劃分為自然風險、商業化風險、信用風險、操作風險、欺詐風險等，無論是對于線上貸款還是線下貸款，這些風險都是較為常見也是非常重要的風險來源，本文將其定義為傳統風險。線上涉農貸款對移動互聯網、大數據、人工智能算法等新興技術具有較大的依賴性，使得涉農貸款出現了一些較為突出的新的風險形式，諸如數據風險、技術風險、模型風險等，本文將其定義為新興風險。此外，隨著業務流程以及業務形式的變化，操作風險、欺詐風險等傳統風險類型在線上涉農貸款業務中表現出了一些新的特征，傳統的欺詐風險、操作風險防控體系也面臨巨大挑戰。

基于此，本部分將首先簡要闡述自然風險、商業化風險、信用風險等傳統風險，然后分析數據風險、技術風險、模型風險等新興風險，最后闡述操作風險、欺詐風險等在線下、線上涉農貸款上的不同表現。

（一）傳統風險類型

1.自然風險

自然風險是指農業生產中遭受的如旱災、洪澇、寒潮等不可控的自然因素給農業生產帶來損失的風險，自然風險的形成存在不可控性、周期性，具有種類多、頻率高、強度大等特點（李娟等，2020）。涉農貸款主要用于受自然災害影響較大的種植業、養殖業等。雖然我國農業現代化水平不斷提升，但對自然風險抵抗能力弱的問題仍較為突出，尤其是近年來極端天氣出現頻率不斷增加，對農業生產帶來的沖擊更是不容忽視。在受到自然災害沖擊時，農業生產受到較大影響，將直接影響農戶第一還款收入來源，使其還貸能力減弱，最終使自然風險轉化為不良貸款。此外，自然風險通常具有區域性特點，可能會導致同一區域內同時產生較多的不良貸款。

2.商業化風險

商業化風險主要指農產品在通過市場轉化為商品的過程中，由于市場供需變化、價格波動等因素導致農戶在經濟上遭受損失的風險，是由于農戶缺乏對農產品市場信息的有效認知，農戶生產通常具有盲目性特征，農產品價格波動較大，農戶收入波動較大而產生的風險。目前，我國農業生產的蛛網效應仍較為突出，影響農產品商業化風險的因素仍相對較多，商業化風險也相對較大。商業化風險是涉農貸款較為重要也較為常見的風險來源之一，通常具有不確定性、覆蓋面廣等特征，商業銀行在開展涉農貸款業務過程中更應加強對商業化風險的預判，以提高防控能力。

3.信用風險

信用風險主要是指借款人無法按照規定時間履約而出現的風險，是涉農貸款中最為常見且較為重要的風險類型，是風險防控的重中之重。目前，我國農村信用體系建設穩步推進，但是農戶信息不完整、可信度低的問題仍較為突出，農村大數據體系建設仍任重道遠，部分農戶信用觀念淡薄、履約意識相對較弱等問題仍較為突出。在此背景下，涉農貸款信用風險風控仍面臨較大挑戰，這也使得開展線上涉農貸款業務的矛盾逐漸顯現：一方面，開展線上涉農貸款需要依賴完整的農村大數據體系、完善的信用體系，與目前農村信用體系建設不健全、“三農”大數據體系建設不完善之間存在矛盾；另一方面，開展線上涉農貸款業務需要依賴良好的金融生態環境，與目前我國農村金融生態環境仍待完善之間存在矛盾。

（二）新興風險類型

1.數據風險

數據是線上涉農貸款快速發展的基礎，也是大數據風控手段能夠廣泛應用的支撐。袁江、劉青（2020）指出，大數據風控的前提是數據的完整、安全和保真，但內外部數據不完整、數據質量存在真實性風險仍是商業銀行面臨的較為突出的問題。因此數據風險成為互聯網信貸面臨的新型挑戰之一。

綜合現有研究，以及線上涉農貸款流程以及大數據風控特點，本文認為，數據風險主要源于數據真實性、有效性和時效性的不足。具體分析如下：

第一，數據真實性不足。無論是對于線上涉農貸款的授信額度測算還是風控管理，都需要依賴海量數據，包括銀行內部數據、從第三方采集獲取的數據，甚至是客戶自己提供的數據，但目前對第三方采集獲取數據以及客戶提供數據的交叉驗證能力不足，因此其真實性難以保證。在數據真實性不足的情況下，必然會導致建模結果的偏差，產生過度授信、風控不到位等問題，從而帶來數據風險。

第二，數據有效性不足。在授信及風控建模時，選擇質量差、解釋性差的“臟數據”，則會導致模型結果的偏差，或者選擇的樣本數據不具有代表性，產生“以偏概全”的數據樣本偏差，同樣會導致數據的無效性，從而帶來數據風險。

第三，數據時效性不足。在移動互聯網和大數據時代，數據的維度更加豐富，數據量也將越來越大，數據質量的影響因素也隨之增多。李默涵、李建中（2016）指出，數據質量會隨著時間的流逝迅速下降，因此在數據質量的各個維度中，數據時效性扮演的角色至關重要。隨著時間的變化，客戶的行為模式可能發生變化，數據將發生變化，數據中的隱含信息也必將發生變化。在此情形下，如果依賴時效性較差的數據建模，其結果也必將產生偏差，導致授信或者風控的偏差，繼而導致數據風險。

無論是對于傳統的線下涉農貸款，還是對于現有的線上涉農貸款，數據風險始終是其不可忽視的風險因素之一，尤其是線上涉農貸款對于大數據的依賴特征更加明顯，在授信和風控環節更加依賴維度高、體量大、數據類型復雜的大數據，其數據風險也相應更加突出。因此，數據風險防控成為數字化時代線上涉農貸款業務的重要一環。

2.模型風險

模型風險主要是指在涉農貸款審批、風險識別等環節由模型自身缺陷或使用錯誤而無法準確識別借款人風險類型帶來的風險，例如在訓練、測試時都沒有問題，將其應用到真實生產環境中模型的有效性降低。模型風險可以看作操作風險的一種具體表現形式，都是由不完善或有缺陷的內部程序導致。目前，商業銀行對人工智能算法在風險評估領域的應用力度不斷加大，風險暴露點也將隨之增多。模型風險主要包括模型缺陷產生的風險和模型使用不當帶來的風險，具體分析如下：

第一，模型缺陷產生的風險。模型缺陷主要是指模型設計偏差、模型泛化能力差、模型穩定性差等問題導致的輸出結果偏差，使得信用審批、風險預警等出現偏差，產生過度授信、風險預警不到位、無法有效識別風險點等問題。其中，模型設計偏差主要是指未能選擇有效的模型，導致對數據重要隱含信息的挖掘不充分。模型泛化能力差主要是指模型測試階段效果較好，但是應用與部署階段效果不佳。模型穩定性差主要是指風險模型在不同時間段數據或者不同數據集上的表現效果不一致，尤其是機器學習等算法存在一定的不穩定性，會導致輸出結果的不穩定，繼而容易產生偏差。

第二，模型使用不合理產生的風險。模型使用不合理主要是指在特定場景、區域使用有效的信貸風控模型，在未經適用性、擴展性分析的情形下，將其應用于其他業務場景、或者不同區域，從而導致模型解釋能力下降，結果出現偏差，帶來產生風險的可能。例如，將線下信貸產品設計的授信、風控等模型直接套用在線上信貸產品上，則會產生模型使用不當帶來的風險。

因此，對于線上涉農貸款而言，模型風險防控是整個風險防控體系的關鍵。如果使用存在缺陷的模型或者不具有適用性的風險，則會導致無法準確評估其信用風險、操作風險等常見的風險，難以形成對線上涉農貸款業務發展的有效支撐。

3.技術風險

金融科技的進步是線上涉農貸款快速發展的重要支撐，其中涉及的技術風險同樣不容忽視。袁康（2021）指出，金融科技自身也存在一定的技術風險，例如技術漏洞、系統缺陷、技術失靈，在風險來源和風險構成上也表現出更加復雜、更加獨特的特征。袁江、劉青（2020）指出，互聯網技術是把雙刃劍，在提高效率的同時，也會產生技術風險。朱驊（2020）指出，網絡技術風險和信貸技術風險是技術風險的主要表現形式，網絡信息技術導致的風險可能會讓整個業務流程出現癱瘓，信貸技術風險則會導致網絡信貸業務無法有效評估風險類別。

綜合現有研究，以及線上涉農貸款業務流程和客戶特點，本文認為，技術風險主要包括兩個維度：

第一，網絡安全風險。網絡安全風險主要是指線上涉農貸款所依賴的數據傳輸網絡所產生的風險。為構建完整農戶畫像，各商業銀行均加大多維度數據采集力度，數據的跨主體、跨平臺流通、整合與治理成為常態，在數據傳輸與存儲過程中，數據傳輸系統或存儲系統存在被攻破的風險，出現數據泄漏、被篡改、數據失真等問題的可能性不斷增加，繼而給商業銀行或者客戶等帶來一定風險。

第二，終端安全風險。線上涉農貸款對貸款辦理系統、掌上銀行等終端具有較大依賴性，如果這些終端存在漏洞，則會帶來一定風險，即終端安全風險。例如，通過偽造正版應用，誘騙借款人按照相應指引步驟填寫相關信息，從而竊取借款人的賬號、密碼、身份證號等敏感信息，尤其是涉農貸款面向的客戶對此類偽造應用的識別能力較低，導致產生風險的可能性不斷提升。

（三）線上信貸與線下信貸交叉風險類型

1.操作風險

根據巴塞爾委員會的定義，廣義上的操作風險是指由不完善或有問題的內部程序、人員及系統或外部事件所造成損失的風險（林龍騰、沈利生，2012）。本文所指操作風險是狹義上的，即由內部程序、人員及系統而產生的風險，外部事件所造成的風險本文納入欺詐風險范疇。操作風險伴隨在銀行業務的各個環節，對于涉農貸款而言，更是頻發、高發。隨著線上信貸業務的數字化、線上化不斷提升，其操作風險也出現了一些新的表現形式。因此，本部分從傳統操作風險和新興操作風險兩個維度闡述線上涉農貸款面臨的操作風險。

（1）傳統操作風險

對于涉農貸款而言，操作流程相對復雜，涉及流程環節相對較多，如準入、審批、放款、貸后管理等，人工參與環節較多，由此產生操作風險的可能性會相對較大。

從貸前環節來看，貸前調查真實性、有效性難以保證。對于涉農貸款而言，數據相對缺乏，很多數據都是依靠農戶提供，而客戶經理相關經驗和實際調查不足，導致數據的真實性和可靠性難以保證，為后續信貸業務的審批、審核、授信等環節留下了較大的風險隱患。

從貸中和貸后環節來看，涉農貸款農戶分布較為分散、距離網點較遠，客戶經理管戶半徑通常較大，客戶經理無法嚴格按照相關制度對發放的貸款進行貸中和貸后審查，導致貸中、貸后檢查不及時，出現相關風險隱患，或者限于客戶經理的能力和經驗不足，無法全面分析和判斷農戶的生產經營變化情況與財務狀況，當農戶的生產經營或者外部環境發生變化時，客戶經理難以識別，因而導致對農戶信用風險的識別、預警和處置存在一定滯后，導致貸中檢查和貸后管理在風險防控中的作用難以發揮。

（2）新興操作風險

線上涉農貸款將許多人工環節轉為線上化、自動化操作，實現了操作風險的實時識別和智能管控，緩釋或消除了一些流程或環節的操作風險，但是又衍生出了一些新的操作風險。具體來說，銀行縣域支行或者城鎮網點的信貸客戶經理金融科技應用能力相對較低，而線上涉農貸款通常會涉及較多的系統、平臺或者終端設備，其操作復雜性相對較高，操作風險產生的可能性也將更高。此外，線上涉農貸款的客戶群體科技應用能力相對較低，因而會導致一些傳統線下涉農貸款未涉及的風險表現形式，如線上涉農貸款業務無法順利開展或者不當操作導致信息泄露等，即產生外部操作風險。

2.欺詐風險

通常來講，欺詐風險屬于操作風險的范疇，但由于其發生的普遍性及一旦發生即帶來損失的特征，故本文將欺詐風險作為一種獨立的風險類型討論。由于線上涉農貸款對移動互聯網、金融科技等新興技術具有很強的依賴特征，欺詐風險同樣也表現出了一些新的特征。為此，本部分將從傳統欺詐手段和新興的欺詐手段兩個維度探究欺詐風險。

（1）傳統欺詐風險

欺詐風險可分為內部欺詐和外部欺詐。內部欺詐主要指員工故意騙取、盜用財產或故意違反法律、監管規章或銀政政策制度導致的損失，違規違法放貸、盜取挪用資金等是常見的內部欺詐風險（陸岷峰、徐博歡，2018）。外部欺詐主要表現為第三方欺詐、搶劫、盜取資產的行為，而騙取銀行貸款是常見的外部欺詐風險類型之一。根據欺詐的類型不同，可劃分為信息欺詐、身份欺詐和用途欺詐（鐘雪靈等，2018）。

（2）新興欺詐風險

線上涉農貸款會在一定程度上降低虛假操作尤其是內部員工人為造假的可能性，繼而降低內部欺詐風險。在線上涉農貸款業務開展中，數字身份和物理身份核驗難度將提升，借款人真實身份、信用水平的識別難度將會更大，商業銀行也將面臨更高的、更大范圍的新興欺詐風險，并且出現的欺詐手段也是傳統線下涉農貸款極少涉及的。例如，線上涉農貸款在貸款申請端采用了互聯網、移動設備等新渠道、新技術，涉農貸款全線上化操作進程也逐步加快，黑產團伙也可更為便捷地批量制造虛假申請。此外，隨著生物識別技術的發展，其認證的唯一性、豐富性、穩定性得到了提升。典型的認證方式包括指紋識別、聲紋識別、虹膜識別和人臉識別等，但其安全性、準確性和方便性仍有待提升。例如，目前出現的利用照片基于2D攝像頭的人臉識別系統，通過真人佩戴假體道具破解活體檢測，從而繞過用戶認證非法獲取權限，這無疑也會極大提升欺詐風險的可能性。

線上涉農貸款風險防控建議

（一）加強金融風險防范知識宣傳

加強金融風險防范知識宣傳，提高客戶識別和防范金融風險的能力，既是商業銀行提升金融服務水平、承擔社會責任的要求，也是為營造良好金融信用環境、提高線上涉農貸款風險防控水平的重要舉措。

1.加強對借款人信用意識提升的宣傳教育。商業銀行應依托銀行網點、掌上銀行和微信公眾號等線上、線下渠道，以及客戶經理走村入戶開展貸前、貸后調查等機會，多措并舉，加大對農戶信用意識的宣傳教育，引導農戶逐步樹立誠信理念，爭做誠實守信的模范，為營造良好的農村信用環境、持續的信用體系建設奠定基礎，為線上涉農貸款在縣域和農村地區的高質量發展提供支撐。

2.加強對借款人反詐騙能力的宣傳教育。商業銀行應通過線上、線下多種形式，向農戶講解如何辨別和防范金融風險，講解如何辨別正規金融產品服務，講解非法集資和電信網絡等常見詐騙“套路”，加強對借款人采用移動客戶端申貸、用信等方面的指導，從而為線上涉農貸款健康發展提供良好的外部環境。

（二）加強“三農”大數據體系建設

加強“三農”大數據體系建設，做好數據風險防控，是提高線上涉農貸款風險防控能力的關鍵。

1.創新動態化數據采集方式

隨著數字鄉村、鄉村振興、智慧農業等一系列國家戰略的大力推進，以及互聯網、物聯網等現代信息科技手段的快速發展，農業農村數字化、智能化程度不斷加快，商業銀行應緊緊抓住農業農村數字化快速發展的良好機遇，提高科技應用能力和外部合作能力，創新動態化數據采集方式。

一方面，探索建立基于衛星遙感的數據采集模式。借助農業遙感技術、物聯網等手段，可實現對種植面積測量、農作物長勢監測、產量預測等功能，實現對農業大數據的采集、處理、分析與可視化，可替代傳統的依賴人工核實的模式。另一方面，加大數字農業產業鏈相關布局。數字化農業產業鏈可以實現農產品生產、加工、儲運、銷售和消費等環節的集合。相關產業鏈也會帶來商流、物流、資金流、信息流等大量動態化、場景化、批量化數據，可為商業銀行線上涉農貸款等多項業務的開展提供重要支撐。

2.加大數據挖掘與應用力度

加大內外部數據挖掘與應用力度是提高線上涉農貸款風險防控能力的關鍵，是解決數據利用效率低下、數據對風險支撐能力弱的關鍵。一方面，商業銀行應著重解決數據提取應用過程中專業能力要求高、操作流程復雜等難題，提高數據的易用性。另一方面，組建“三農”大數據分析師隊伍，提高“三農”大數據應用水平，建立大數據驅動的風險防控模式。

（三）加強人工智能算法在風險識別中的應用

機器學習等人工智能算法在處理復雜數據、高維度數據、海量數據方面的優勢能夠解決線上涉農貸款快速發展所產生的困境，積極探索人工智能算法在線上涉農貸款業務全流程中的應用，將有助于提高風險防控能力，也將有助于提高放貸效率。

1.加強機器學習在風險評估中的應用

目前，貸款審批等諸多環節仍需進行人工審查，被審查用戶的數據是否存在異常主要依賴于相關人員的經驗判斷，從復雜多維度的數據中挖掘出異常數據無疑存在較大困難，而機器學習可以提供解決方案。例如，機器學習可通過無監督算法等方法實現對異常值的檢測，繼而尋找出數據或者行為異常的用戶，然后再通過人工方式做重點核實，這無疑會提高工作效率，提高審查精度。

相較于傳統統計學方法或者基于專家經驗規則的風險評估模型，機器學習不僅可以挖掘結構化數據所隱含的信息，更可以挖掘行為數據等非結構化數據的信息，更能推動從數據資源向數據資產的轉變。因此，在線上涉農貸款信用風險識別等環節，應進一步探索建立基于機器學習、深度學習等人工智能算法的風險評估方法，提高風險評估與識別的精準化水平。

2.探索知識圖譜在風險防控中的應用

知識圖譜可將不同的個體或實體連接到一起，得到一個關系網絡，為從“關系”的角度去分析問題提供了一種重要工具。例如，可將借款人的消費信息、資產信息、社會關系等信息整合到知識圖譜，從而進行分析和預測。目前，知識圖譜在反欺詐、異常分析等領域取得了一定的進展。

線上涉農貸款投放具有較強的區域特征，尤其是其面向客群主要在縣域和農村地區。對于縣域和農村地區而言，熟人社會更加突出，個體間的關系屬性更加緊密。在此背景下，如果能夠建立借款人的知識圖譜，一方面可以更加精細地建立農戶個人精準畫像，提高對農戶風險水平的認知能力，另一方面可以通過靜態分析和動態分析等異常分析手段做好貸后管理，做好數據真實性審查。

3.建立業技融合聯合團隊

隨著機器學習等人工智能算法的不斷成熟、計算機計算能力的快速發展，大樣本數據的處理、分析與挖掘變得更為簡單，基于大數據的風險建模已成為現實，風險因素的識別也變得相對更加容易。但相較于傳統的風險建模，以大數據、機器學習等為基礎的信貸風險建模，更需要業務和科技的相互輔助及相互融合。

一方面，采用機器學習等人工智能算法構建大數據背景下的風險評估模型需要具備專業的數據處理、模型構建、模型訓練能力，這就要求具備統計學、機器學習等知識背景的技術專家。例如，數據是風險建模的基礎，而線上信貸數據通常具有樣本不均衡、幸存者偏差、樣本數據同值或缺失等特征，同時隨著大數據的快速發展，文本數據乃至圖片數據、視頻數據等非結構化數據隱含的重要信息在風險識別中同樣至關重要。此時，如果不具備專業的數據處理能力，則難以實現對特征向量的有效處理，繼而難以建立具有較高識別能力的風險評估模型。

另一方面，采用機器學習構建大數據背景下的風險評估模型需要具備業務能力、業務邏輯專家的支持。與傳統的需要因果關系支撐的統計學建模方法相比，機器學習、大數據等更多關注的是變量之間的相關關系。然而，相關關系比因果關系更為淺層、更為表象，且在一定情況下，相關關系并不存在業務意義。因此，如果缺乏對風險因素背后業務邏輯的剖析和挖掘，則該建模結果的應用性、推廣性和穩定性可能相對較差，缺乏實際意義。此時，就需要相關業務專家根據業務邏輯、業務流程、業務實踐等知識提出專業性的建議，為機器學習建模特征變量的篩選等提供業務指導。

因此，建立大數據、機器學習等驅動的線上涉農風險評估模型的關鍵和基礎是需要具有統計學、機器學習等專業背景的技術人才，以及具有信貸業務背景和風險研究實踐領域的業務人才，打破科技和金融業務之間的邊界，實現科技為金融賦能、業務實踐為科技提供指導，實現業技融合，最終為構建精準的信貸風險防控模型提供支持。

（四）加強新興風險防控

數據風險、技術風險、模型風險，以及數字化轉型背景下的欺詐風險、操作風險所表現出的新的方式，也需重點關注。目前，商業銀行在開展線上涉農貸款業務過程中，相關風險類型涉及相對較少。但新興風險更具破壞力，其相應的聲譽風險也將更大，更應做好相關風險的防控工作。

1.加強數據風險防控

本文在加強“三農”大數據體系建設的論述中，對于如何提高數據真實性、數據有效性和數據時效性等提出了相關建議。因此，此部分將重點闡述如何提高客戶相關數據在多系統、多環節傳輸過程中的安全性。

線上涉農貸款涉及環節多、數據多、涉及主體多，應重點加強數據隱私保護，做好數據風險防控。一是借助匿名技術、加密存儲技術、隱私保護技術、訪問控制技術等科技手段，做好數據發布、數據存儲、數據挖掘、數據使用等環節的全生命周期數據隱私保護。二是在對接外部政務數據、第三方數據的過程中，要加強數據傳輸方式的管理，例如通過拷貝、電子郵件方式直接獲取、傳輸外部數據，這無疑使得數據泄露的風險進一步加大。

此外，隨著國內法律法規的逐步健全和監管的加強，數據合規使用也已經成為防控領域的重點內容之一。因此，在開展線上涉農貸款業務過程中，由數據的不合規使用導致的風險值得深入關注。一是加強外部引入數據的收集使用、信息的更新與保存、信息披露和共享等方面的管理制度建設。二是要加強終端用戶數據的授權、掌銀用戶數據采集等方面的制度管理。

2.加強技術風險防控

第一，針對移動金融客戶端所面臨的風險，如被篡改、破解、修改本地文件等風險，采取針對性措施對應用程序本身進行加密保護，大幅增加外部黑客攻擊的難度，降低由外部攻擊導致的信息泄露、篡改等諸多風險。此外，商業銀行應加強與專業第三方安全公司合作，做好釣魚欺詐、界面劫持等相關技術風險防控工作。

第二，商業銀行應通過多種渠道、多種方式引導農戶下載客戶端應用的正規方式，防止客戶下載山寨版應用，做好金融風險提示工作，提示農戶謹慎進入不確信的網站，并不要將自己的個人信息隨意泄露，以免導致相應風險的發生。

第三，加強對外聯技術風險的防范，制定嚴格的外部應用接入規范，增加規范審核、安全檢測等機制，建立有效的應急機制，一旦接入的外部應用出現安全漏洞，要及時做好臨時限制和屏蔽工作。

3.加強模型風險防控

2020年7月，中國銀保監會發布《商業銀行互聯網貸款管理暫行辦法》（下稱《辦法》）指出，風險模型的管理包括開發測試、評審、監測、退出等環節。從嚴格意義上來講，某些商業銀行線上涉農貸款還存在一些線下信息采集、審批等環節，并不是《辦法》中規定的互聯網貸款類型，但是也應按照相關辦法建立風險模型管理機制，尤其是在機器學習和大數據等不斷應用于涉農貸款風險評估領域的背景下，建立風險模型的管理機制更為重要。除了《辦法》的相關規定之外，結合線上涉農貸款業務風險模型需要，本文進一步闡述補充其風險模型管理的相關建議。

（1）加強對風險模型穩定性的監測

對于線上信貸數據而言，數據背后包含的是客戶的行為信息，客戶的行為是多樣的也是多變的，例如對于不同年齡階段的客群、不同經濟實力的客群、不同區域的客群都存在較大的差異性，因此在采用機器學習建立風險防控模型時，必須充分考慮數據的內在特征，測試模型在不同客群上的表現差異與穩定性。只有針對不同客群，建立起具有差異化參數的機器學習模型，確保模型的有效性與穩定性，才能實現風險模型的有效管理。

（2）建立風險模型的試點與推廣機制

目前，探索建立基于機器學習的線上信貸風險防控模型缺乏相關實踐經驗，相關研究也相對缺乏，并且《辦法》中也明確提出禁止商業銀行將風險管理模型的職責外包，并應加強風險模型的保密管理工作。因此，建立基于機器學習的風險評估模型將面臨一系列挑戰，例如數據挖掘人才的缺乏、相應模型在生產環境中的適用性、面向客群復雜等問題。

為此，需要在嚴格遵守風險模型管理機制的基礎上，進一步探索建立風險模型的試點與推廣機制，以確保相關模型能夠真實有效。一方面，商業銀行應鼓勵科技實力強、數據積累相對豐富的分行，積極開展模型研發試點，探索機器學習算法、深度學習算法在授信審批、貸后管理等各環節的應用，建立總分聯合團隊，開展相關研究，在嚴格遵守《辦法》模型管理辦法的基礎上，積極開展相關研究成果的試點與落地工作。另一方面，在推廣過程中，要充分考慮不同客群、不同區域的特點，建立與區域發展特點相匹配、與客群特點相匹配的模型。

4.加強新興操作風險防控

操作風險也是一種不可忽略的風險類型。尤其是在數字化轉型背景下，商業銀行線上涉農貸款涉及的操作風險防控更為重要。一是加強科技培訓，防控因縣域支行客戶經理金融科技水平低、系統操作不熟練帶來的風險。二是降低系統操作難度，要加強對基層支行客戶經理的調研，根據相關反饋意見，不斷優化相關系統，打造操作簡單、界面友好的相關系統。

5.加強新興欺詐風險防控

線上涉農貸款欺詐風險防控的關鍵是身份識別與認證，是解決借款人申請者物理身份與數字身份相對應的問題。目前，一些商業銀行線上涉農貸款采用線下數據采集與線上申貸放貸相結合的方式，有效降低了物理身份與數字身份不匹配的概率，降低了欺詐風險發生的可能性。但是，隨著線上化程度的不斷提高，身份認證對于線上涉農貸款業務的重要性不斷提升，尤其是對于防范偽冒申請、虛假申請之類的風險，將起到第一道風險防線的作用。例如，采用手機動態驗證碼、身份證、“OCR+活體檢驗”等方式對客戶進行多要素驗證，實現對客戶數字身份與物理身份是否一致的有效識別。

結論

本文研究了線上涉農貸款常見的風險類型，與傳統線下涉農貸款一樣，自然風險、商業化風險、信用風險、操作風險、欺詐風險等仍是較為常見的涉農貸款風險類型，但是線上涉農貸款主要是依托大數據、金融科技等新一代信息科技手段，繼而導致操作風險、欺詐風險又出現了一些新的演變形式。此外，線上涉農貸款也出現了傳統涉農貸款沒有涉及的風險類型，例如數據風險、模型風險、技術風險等。

本文認為，線上涉農貸款為商業銀行在縣域和農村地區開展貸款業務提供了便利，為解決農村、農業領域的融資難、融資貴提供了一種有效方式，但是線上涉農貸款也將面臨更加復雜的風險防控挑戰，加之移動互聯網的快速發展，金融機構間、個體之間的聯系也更加緊密，風險傳播速度、力度也將更大，貸款風險對商業銀行乃至對整個社會也可能會產生更大沖擊。在此背景下，加強線上涉農貸款風險防控尤其是數據風險、技術風險等新興風險防控將更為重要。