摘 要
科技与产业创新离不开完善的科技金融体系保障。要做好科技产业金融一体化服务，就要实现金融科技的不断创新，驱动金融体系系统性变革。本文提出了基于人工智能与大数据技术的科产金一体化服务支撑体系，通过数据收集、模型建立与决策输出，帮助金融机构挖掘数据价值，推动运营效率提升和业态创新，更好支持科技创新与产业升级转型。
关键词
科技产业金融一体化 科技金融 大数据 人工智能 科技创新
引言
科技是第一生产力，产业是现代经济的根基，金融是实体经济的血脉。实现“科技—产业—金融”一体化发展，就是要把握科技创新、产业升级、金融发展的客观规律，促进科技、产业、金融三者深度融合、精准对接、良性互动，这对增强国家自主创新能力、打造新质生产力、推动高质量发展具有重要意义。
当前，新一轮科技革命和产业变革加速演变，实现科技创新、产业进步和金融发展有机结合，发挥金融对科技创新和产业进步的支持作用，发展壮大新领域新赛道新产业，是我国经济高质量发展的必由之路。2022年中央经济工作会议明确提出，要推动“科技—产业—金融”良性循环，通过产学研资深度结合，加快科技成果产业化。2023年国务院常务会议审议通过《加大力度支持科技型企业融资行动方案》，强调要引导金融机构根据不同发展阶段的科技型企业的不同需求，提供全生命周期的多元化接力式金融服务。2024年1月，工业和信息化部在牵头实施“科技产业金融一体化”专项试点基础上，联合科技部等部门印发了《关于推动未来产业创新发展的实施意见》，进一步提出完善金融财税支持政策，鼓励政策性银行和金融机构等加大投入，探索建立风险补偿专项资金，优化风险拨备资金等补偿措施。
随着科技金融政策探索与改革试点不断深入，我国科技金融发展取得显著成效，银行业金融机构成为科技金融的主力军、资本市场成为科技金融的生力军，但在服务科技创新、产业发展方面仍面临诸多挑战。一方面，金融机构缺乏对科技创新及产业发展的全面认识和客观评价，难以快速“看见”市场需求；另一方面，金融机构“敢投敢贷、愿投愿贷、能投能贷、会投会贷”的机制尚不完善，科技金融产品服务同质化，难以精准“读懂”企业需求。实现科技产业金融一体化发展，亟须借助信息化、智能化手段，助力金融机构和社会资本有针对性地提供创新金融产品和服务，精准支持科技产业高质量发展。
大数据和人工智能（AI）技术是当前科技领域的两大热点。人工智能模拟人类智能过程，通过算法和机器学习使机器能够执行认知功能，如学习、推理和自我改进。大数据技术处理和分析海量数据集，揭示隐藏的模式、关联和趋势。在实际应用中，大数据能够为人工智能提供所需的大量信息和训练数据，而人工智能则通过智能分析增强对大数据的处理能力和洞察力。大数据与人工智能的融合应用推动了诸多领域的创新和效率提升，包括但不限于医疗、金融、交通和教育等。
本文提出一种基于大数据和人工智能技术的科产金一体化服务支撑体系，通过对海量数据进行收集、清洗、整合、建模、分析，构建数据可视化系统和多维度评价指标体系，提供更加智能化、个性化的服务，大幅提高金融机构决策分析、运营管理和风险控制能力，帮助金融机构更好地服务科技产业，促进科技创新和产业发展。
基于大数据与人工智能技术的科产金一体化服务支撑体系
基于大数据与人工智能技术的科产金一体化服务支撑体系主要包括数据收集与整合、数据分析与模型建立、支持决策三个模块，实现看见产业、读懂企业、量化评估功能（见图1）。
（一）数据收集与整合
在数据收集与整合环节，金融机构基于自身业务确定所需的数据种类，通过自建或采购渠道获取稳定可信赖的数据源。为实现数据持续更新，应当建立数据版本控制机制，通过保留数据历史版本，实现对数据进行回溯和分析。在数据更新的过程中，可仅识别和处理变化的数据部分，以减少资源消耗并提高效率。
（二）数据分析与模型建立
在数据分析与模型建立环节，金融机构首先应当做好数据安全与隐私合规工作。前一阶段收集的数据可能包括企业运营数据、金融交易数据等敏感信息，若在处理这些数据的过程中发生任何泄露事件，则可能对服务企业造成重大损失，并对金融机构的声誉产生无法估量的负面影响。金融机构应当采用符合《中国人民银行业务领域数据安全管理办法》《证券期货业网络和信息安全管理办法》《网络和信息安全三年提升计划（2023—2025年）》等管理办法的数据存储、传输和管理模式。对敏感数据进行匿名化和去标识化处理，做好机构内部的数据访问控制与权限管理。
由于数据源的多样性，前一阶段获取的数据集质量可能因干扰、冗余等因素而参差不齐，需要通过一定的预处理来提升质量。目前，主要的数据预处理技术包括数据集成、数据清洗和冗余消除。数据集成技术可在逻辑和物理上将多源数据集成，为用户提供统一的视图。数据清洗技术能够修补或移除数据集中存在的低质量、不完整数据，在金融领域有着广泛应用。冗余消除主要应用于图像和视频模态存储的数据，这些数据中存在着大量时间、空间和统计上的冗余。金融机构应当综合考虑所选取数据集的特性、模态、业务逻辑，应用多种技术来形成合适的数据预处理方案。
人工智能能够有效挖掘大数据集中存在的数据模式，基于大数据建立的深度学习模型能够基于不断地自我学习和优化来提高分析和模式识别的准确性，这意味着随着时间推移，其能够更为有效地识别复杂的数据模式。
在科产金一体化服务中，金融机构的客户主要包含大量中小微型硬科技企业。这些企业大多处于发展初期，业务、发展和运行模式呈现高度的非同质化特征。在传统场景下，为这些企业提供包括信贷、债券、股票、保险、创投、融资担保在内的全方位、多层次科技金融服务不仅要求金融机构具备过硬的金融功底，还需要具备相应科技领域的专业知识储备，否则就很难进行企业估值、市场分析和行业研究。卷积神经网络模型（CNN）和循环神经网络模型（RNN）通过特征表征、元素点积、注意力机制等技术实现自动化特征组合，能够充分捕捉中小微型硬科技企业相关大数据的复杂模式和关系，在数据无标注、标注不准确、小样本等场景下有着独特的优势。图神经网络模型（GNN）适用于处理结构化数据，可以有效表示和分析不同实体和关系，对于那些具备复杂供应链或大量业务关联方的硬科技企业，GNN能够揭示业务单元之间的隐藏关联。因子分析与主成分分析（PCA）能够减少数据集中的维度数量，发现变量之间的关联。在处理中小微型硬科技企业关联的多维数据集时，其可以帮助识别最为重要的特征，简化后续模型训练和预测过程。
以上模型在不同场景下能够取得最优表现，而集成学习能够融合多个弱监督模型来生成一个更为全面的强监督模型，其能够进一步提升建立的模型对于多源异构输入数据的处理能力，对企业进行技术可行性、市场潜力、团队能力等多维度分析，为金融机构提供更为综合和全局的评估视角。
（三）支持决策
在支持决策阶段，金融机构主要通过构建数据可视化系统和多维度评价指标体系来支持决策分析。数据可视化能够将复杂的数据模式转换成直观易懂的图表，快速揭示科产金一体化服务中存在的趋势、模式和异常。多维度评价指标体系能够很好地评估企业从建立到上市的全生命流程，在金融机构进入到退出的服务全链路中发挥着重要作用。金融机构可以根据自身业务特点和战略重点，选择和优化特定领域评价指标，例如创投服务的提供机构可能会格外关注5年期企业营收增长和市场容量，而信贷服务的提供机构可能更为关注企业净利润水平与业务稳定性。
以下以风险评估和业态创新等经典场景为例，进一步展开介绍体系。
科产金一体化服务支撑体系在风险评估中的应用
风险评估与控制是金融机构经营中至关重要的一环，有效的风险评估和控制措施能够帮助金融机构减少潜在的财务损失。科技产业金融一体化的服务目标主要是早期硬科技企业，这些企业专研的项目往往研发周期较长、技术难度大、市场接受度不确定。金融机构为其提供服务风险较高，执行流程伴随着高度的不确定性和复杂性。为了规避这些风险，金融机构往往会采取筛选、评审、尽职调查、委员会表决等多层次审批来深入分析和评估项目各方面，从而作出更加明智的投资决策。然而，这些环节也会使得流程不断延长，消耗金融机构的时间和资源。过长的风控流程可能会导致硬科技企业错过至关重要的融资窗口期，影响企业发展甚至是生存。
（一）自动化实时数据分析
服务支撑体系能够从多方面有效支撑金融服务的风险管理，帮助金融机构识别、评估和应对潜在的风险，从而保护投资回报，减少损失，加速服务流程。服务支撑体系能够帮助金融机构处理和分析大量持续更新迭代的数据，自动化开展实时数据分析。相较于人工风险评估，这种实时分析具备更强的时效性，能够持续跟踪迅速变化的市场条件，即时调整风险评估和对应的管理策略。例如，中国工商银行基于大数据和信息化技术，建立了“工银融安e信”风险信息服务平台。该平台以风险管理为核心，整合了来自工行内部、社会公信体系、国内外金融同业、境内外反欺诈服务组织等多方信息，建立了权威、准确、合规的企业级全球风险信息库。平台依托于数据处理专利技术，运用金融业领先的大数据云平台，结合决策树、神经网络等机器学习先进算法，打造了集风险探查、经营情报、舆情监测、关联分析、评估报告为一体的智能风险防控体系，可为各行业客户提供集风险目标识别、风险交易预警、风险管控方案、风险分析评估于一体的全渠道、全链条的智能风险防控支持。用户可以对目标企业、行业的实时舆情资讯进行监控，对目标企业的近期负面状况进行追踪，对目标账户的供货商风险进行识别。
（二）细粒度分级管控
服务支撑体系还能够支持金融机构对客户不同场景下的风险进行更细粒度的分级管控，从而提供定制化的金融产品和服务。前沿科技领域的发展具有高度不确定性，带来的风险难以被传统风险评估框架涵盖。此外，前沿科技领域的企业可能需要高度定制化，更加适应自身业务逻辑的风险覆盖和对冲方案，这对金融行业设计产品和风险管理能力提出了更高的要求。服务支撑体系可以识别和预测特定情境下的风险，不仅能够支撑金融机构高效、低成本完成风险评估工作，还能量化分析许多传统风险评估框架难以估量的隐患，进一步拓展前沿科技领域中金融服务的覆盖面。例如，在汽车芯片领域，传统的财产保险不解决使用芯片产生的相应风险，只能够解决正常运营风险。人保财险的“强芯保”产品通过建立汽车芯片保险风险评估模型，实现了整车应用端全生命周期风险的有效风险评估，涵盖了汽车芯片行业设计、制造和应用的全流程，在整车应用端保障了研发失败、新车上市延迟、产品质量安全、汽车召回等全流程可能出现的费用损失和经济补偿。基于人工智能和大数据技术建立的科技保险能够帮助小、硬科技企业分散和转移产业链各环节风险，加快科技成果产业化的进程。由此可见，服务支撑体系能够进一步推动保险产品业态创新，辅助设计适应不同前沿科技领域业务逻辑的产品，帮助更多早、小、硬科技企业分担风险。
科产金一体化服务支撑体系在信贷额度评估中的应用
信贷额度评估是金融机构提供贷款的关键步骤，通过对企业财务状况、还款能力、信用历史等多方面进行评估，金融机构能够确定一个合理的贷款额度，这有助于减少贷款违约风险和信用损失。
长久以来，如何建立起信贷额度的评价指标体系是金融和学术界关注的重点。国外关于信贷额度的研究开始较早，Altman等人1968年建立的Z-Score模型是最具影响力的风险评估模型之一。在国内，传统商业银行、互联网金融企业和第三方评级机构也开展了大量的实践和探索。然而，这些方案的设计大多以大型企业的评估为基准，很难覆盖到小微企业。具体而言，金融机构在评估中比较关注过往信用记录和财务指标。小微企业的财务信息完整度、可信度相对较低、过往信用记录缺乏、发放信贷后监管难度较大，这些因素决定了金融机构给小微企业授信提供贷款的意愿相对较弱。
科产金一体化服务的目标对象主要是早期、小型硬科技企业，这些企业往往信用较差、财务数据不全面、盈利前景不明确，在传统信贷额度评估体系下难以获得资金支持，从而失去了扩大规模的机会。金融机构要为早、小、硬企业提供信贷支持，就要建立起能够体现早小硬科技企业经营特点、充分综合考虑财务和非财务指标的信贷额度评估体系，将企业的技术创新能力、市场潜力与团队背景等多方面纳入考虑。
相较传统企业，早、小、硬科技企业的核心竞争力在于在核心科技领域长期大量投入时间、人才、技能，其技术内涵一旦成功转化为商品或服务，就能带来高额的经济回报。因此，在科技产业金融一体化服务中，信贷额度评估可以基于大数据与人工智能技术进一步扩展，从多维度挖掘企业长期沉淀的科技创新能力，力求反映企业潜在价值。例如，汉口银行基于轻资产科技型企业轻资产、高成长、强研发投入的特点建立了“科企贷”产品，其底层引入了湖北省知识产权数据，基于大数据技术建立起企业科创画像，通过构建智能数据模型对企业额度进行评估，实现快速申请、授信、提额。汉口银行推出的类似的产品还有“专精特新贷”“科技创新积分贷”“专利贷”“科担贷”“科保贷”，这些产品充分挖掘早、小、硬科技企业的多维竞争优势与长期技术沉淀，助力企业在种子期、初创期、成长期和成熟期等不同发展阶段的融资需求。
除了专利、软著、商标、标准等与已进行科技创新直接相关的指标数据，更多与企业成长潜力相关的指标数据也可以被纳入考虑范围。如管理层的社会经验与背景、研发团队的专业能力、合作关系、供应链稳定性等数据均能从侧面提供观察企业长期价值和潜力的视角。与财务报表、专利数量等结构化数据不同，这些数据往往具有非结构化的特征，可从新闻、访谈、社交媒体等多种来源收集获得。服务支撑体系能够充分挖掘非结构化数据的内在模式，相比传统分析方法有着较为明显的优势。例如，自然语言处理模型能够对管理层的发言、访谈、社交媒体活动等相关文本数据进行分析，提取其视野、决策风格等背景信息；知识图谱能够对团队的论文进行分析，评估其研发能力和创新水平；复杂网络能够对企业的外部合作与社会关联关系进行分析，揭示企业合作与业务扩展的广度与深度。招商银行北京海淀科技金融支行通过对底层技术和临床试验数据进行剖析，为持续亏损的肝病创新药企业授信。中国银行建立了“企业创新积分贷”信贷模型，融合商业银行信用分析方法与投资银行价值分析视角，通过构建智能化模型对科技型企业信用风险及成长潜力进行量化评价，目前已为1000余家科技企业授信。
总结与建议
科技创新与产业升级是我国各行各业转型升级、形成新质生产力的关键环节和必由之路。要实现科技产业金融一体化发展，让金融更好为产业科技创新提供保障，就要实现金融与科技的有机结合，深度推动科技金融服务体系发展。本文将人工智能与大数据技术结合，提出了基于人工智能与大数据技术的科产金一体化服务支撑体系。该体系能够帮助金融机构高效挖掘科技创新与产业升级过程中的未来趋势与企业特征，通过可视化图标、指标体系等多种方式支撑金融机构的决策过程。
将前沿科技与金融业务深度融合创新，实现数字金融，也对金融机构自身能力提出了更高的要求。金融机构需要建立起高质量的数据源和适应自身需求的大数据基础设施，在人工智能和数据挖掘领域需要建立起强有力的技术底座。在推广过程中，金融机构可以在风险可控、收效明显的应用场景下广泛试点、稳步推进，平衡好数字金融带来的风险与收益，提升运营效率与服务能力，助力科技产业转型升级。
参考文献
[1]葛丛丛，高云君，郭宇翔，等．面向关系型数据与知识图谱的数据集成技术综述[J]．软件学报，2023，34（5）．
[2]龚海刚，李学龙．大数据系统综述[J]．中国科学：信息科学，2015，45（1）．
[3]工业和信息化部等七部门关于推动未来产业创新发展的实施意见［EB/OL］．https：//zwgk.mct.gov.cn/zfxxgkml/kjjy/202401/t20240131_951102.html，2024-01-18．
[4]融安e信功能介绍[EB/OL]． https：//open.icbc.com.cn/icbc/apip/service_detail.html？service_id=P0065．
[5]人保财险发布国内首款汽车芯片 专属保险产品“强芯保”［EB/OL］． https：//app.xinhuanet.com/news/article.html？articleId=09f6dabf6a4a72eb3beea9205cb4cbde， 2023-09-25．
[6]汉口银行与地方经济同频共振 以金融创新助力提升发展“含新量”“含绿量”“含金量”［EB/OL］． http://96558.com/portal/zh_CN/home/yhdt/26763.html，2023-10-16．
[7]《北京商报》报道：招商银行北京海淀科技金融支行：创新信贷产品 陪伴科创企业成长[EB/OL]．https：//branch.cmbchina.com/0010/branchnews/newsbj20220221.htm，2022-02-21．
[8]创新积分制：精准破解科技企业融资难题[EB/OL]． http://finance.people.com.cn/n1/2023/0614/c1004-40013051.html，2023-06-14．
[9]EDWARD I． Altman.FINANCIAL RATIOS， DISCRIMINANT ANALYSIS AND THE PREDICTION OF CORPORATE BANKRUPTCY[J]．The Journal of Finance， 1968， 23（4）：589-609.DOI：10.1111/j.1540-6261.1968.tb00843.x．
[10]FREDERIC Dufaux， TOURADJ Ebrahimi． Video surveillance using JPEG 2000[C]//Applications of Digital Image Processing XXVII． SPIE， 2004， 5558： 268-275．
◇ 本文原载《债券》2024年5月刊
◇ 作者：工业和信息化部产业发展促进中心工程师 张炜
北京航空航天大学网络空间安全学院研究生 李世中
工业和信息化部产业发展促进中心高级工程师 刘志娟
北京航空航天大学网络空间安全学院副教授 李大伟
◇ 编辑：王延昭 鹿宁宁
责任编辑：赵思远
VIP课程推荐
APP专享直播
热门推荐
收起
24小时滚动播报最新的财经资讯和视频，更多粉丝福利扫描二维码关注（sinafinance）
