银行数字化经营的概念范文

前言：我们精心挑选了数篇优质银行数字化经营的概念文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

关键词：银行数据挖掘；理论分析；典型算法；应用及效用

中图分类号：TP311.13

银行是现代经济的标志，也是现代经济活动中不可或缺的环节和工具，从银行诞生应用以来，银行业就需要处理大量的经营数据，银行数据记录手段也经历了数个阶段，从白纸黑字的账本到计算机信息化时代的银行数据信息系统，银行数据业务可以在业务交易流程、数据库建设、金融风险评估和经营决策分析等方面发挥极其重要的作用。从银行业本身的发展来看，商业银行的规模和类型都在逐年丰富，信息化和数字化的银行业务模式也逐渐成为商业银行的运行模本；现代银行更加重视客户本位思考，通过多样化的市场需求分析手段，可以为客户提供极具个性化的银行业务产品服务，吸引更多的潜在客户群；同时现代银行的风险管控意识更强，在市场经济节奏更快的当今社会，银行经营决策的风险评估效果决定了现代银行的经营走向；再者是网络终端服务和移动终端服务的迅猛发展，银行交易手段更加丰富，网上银行、手机银行、移动证券交易等等电子支付交易方式的发展给现代银行带来了新的机遇和挑战，这一切都需要现代银行在数据处理分析能力上有新的应对措施。

1 数据挖掘和数据效用理论基础

数据挖掘的通用定义指的是从现有的大量存储数据中，采用数据撷取的方式，搜寻出感兴趣的、有价值的数据点或数据模块的数据处理技术。数据挖掘广泛地应用于商业金融领域，基于既定的商业化分析目标，可以依托于企业内部的金融数据系统进行数据分析，最终获得需要的商业经营规律和市场发展规律，并且能够在成熟的数据挖掘模型的支持下与其他分析工具和分析技术相结合，形成商业化的数据挖掘分析系统和分析软件。数据挖掘的功能需求决定了数据挖掘是一个典型的学科交叉项目，现代银行受到业务拓展发展的需求，在其数据挖掘技术的运用中广泛地的结合了数据库技术、智能学习技术、统计分析技术、模式识别技术、人工智能技术和神经网络技术，数据挖掘常分为六个技术类别：聚类、分类、估值、预测、相关性分组和关联规则分析、描述和可视化分析。

对数据资料的重视性促使了现代银行对数据利用效率的不懈追求，现代化经营模式中，数据已经成为最为重要的无形商品，作为商品的数据资料，其资本性和营利性决定了信息数据的效益最大化，由于数据资料的复制成本低、附加值高且利润丰厚的特点，数据信息价值理论已经成为数据效用分析的主要理论模式。

2 银行数据挖掘的应用分析

2.1 数据挖掘在银行客户需求分析中的应用

现代银行针对客户资料和消费记录都建立了功能庞大的消费市场数据库系统，对银行客户的个人资料、账户信息、交易历史记录、业务服务历史记录、理财数据和个人理财风险评估等进行了数据库仓储式分析，基于成熟的数据仓库逻辑分析模型，可以对每一个银行客户进行多维度消费分析，以交易历史纪录为例，交易历史纪录作为该分析维度下的分析主键字段，在其下端进行次元维度分析，对交易类型、交易金额、消费地点、存贷款交易、电子银行消费、手机银行消费、证券消费等进行子健分析，但是也要考虑到不同主键之间存在着较大的关联性，此时可以考虑在客户数据仓库分析中建立星形数据模，在关联数据子健上进行数据溢出处理。在数据挖掘中主要采用的是聚类算法，在对客户数据进行详细的数据仓库建立之后，可以对客户进行数据特征值标定（如商业价值、交易类型、风险倾向等），以便于进行客户分类，在用户细分时，行为特征是主要的特征，自然属性是辅助的特性。

表1 聚类汇总表

业务类型 纸黄金 基金理财 外汇 个人金融 债券 贷款

业务渠道 柜台 电话银行 网上银汉 手机银行 自主服务 中间交易

由此可以得到详细的客户聚类，例如以年龄段为标准的20-30岁阶段用户（业务类型为纸黄金，业务渠道为网银和自助服务）、30-40岁阶段用户（业务类型为外汇和金融，业务渠道为柜台和自助）、40-50岁阶段（业务类型为基金债券，业务渠道为柜台服务）。

基于SQL Server Analysis Services分析工具，在银行原始交易数据库中进行聚类分析，选用Microsoft聚类算法对交易日志中的指定页进行类型搜索，在后处理模块中可以查看聚类分析结果。聚类算法进行数据挖掘时需要原始数据具有较强的分类性和数据关联性，才能在数据挖掘中针对特定数据属性和数据聚类进行分析，并且获得该属性在任意聚类中的数据分布情况，由此可以精确的知道特定类型客户的银行消费习惯和消费倾向，有助于银行稳固现有客户群，吸引潜在客户群体。

2.2 数据挖掘在银行决策分析中的应用

银行经营的各个环节都基本实现了信息化管理，银行综合业务系统为其提供了基础业务操作平台和统一账务处理系统平台，能够帮助银行实现有效的资源整合和集中管理。数据挖掘技术的应用能够全面提升银行系统的内控管理和风险管控水平，为银行的内部决策提供有效的数据支撑。

表2 数据挖掘与银行决策关系

数据源 数据处理 数据存储 决策分析

交易数据

客户信息

管理信息

外部信息 数据抽取

数据整合

数据加载 数据仓库 经营状况决策分析

数据监控 数据节点1 资产负债决策分析

数据刷新 数据节点2 风险管理决策分析

数据包装 数据节点3 客户需求决策分析

数据公布 数据节点4 银行财务决策分析

为了保障银行的经营效益、提升业务覆盖范围并预防经营风险，银行需要及时掌握市场动态并且做出经营调整，数据挖掘技术能够跟踪分析银行经营过程中的各个基本要素环节，通过比对分析自身产品的营收现状、竞争对手的经营现状，以及对资产负债率、银行坏账率和金融产品的销量，可以及时为决策层提供参考数据。商业银行的风险管控是其保障经济效益的关键，数据挖掘系统的关键性作用体现在对银行业务的全方位、多角度的可靠性分析和风险评估，基于银行内部的风险模型参数，在成熟的模式识别技术和智能分析技术的辅助下，可以提前对经营风险进行预判，以减少成本损失为风险数据挖掘模型约束，以保障经营效益最大化为风险决策目标，以调控决策方式为风险决策手段，可以进一步提高银行的资产质量。财务风险控制中数据挖掘的具体应用如下图所示：

图1 数据挖掘在银行财务决策分析中的应用分析

3 银行数据挖掘的效用分析

3.1 数据挖掘在银行风险控制中的效用

风险控制是银行日常经营活动中的核心内容，通常来看可以分为定性控制和定量控制两种方式，定性控制的关键是建立一套有效的风险控制管理体系，在多流程决策体系的协作下，构成风险管理知识，以非结构化数据的形式保存并流转使用；定量控制则更看重对经营实时数据的管理效率，建立一个基于客户需求和市场规律的量化风险控制体系统框架。银行信用评估体系要求银行用于信用评级的数据必须具备一定年限和质量标准，对数据样本量、样本时效性、业务覆盖范围、数据来源都有明确的要求。数据挖掘对于银行风险控制的关键性作用主要体现在对于银行信用风险控制、银行市场风险评估和银行操作风险管理上。

在信用风险控制上，数据挖掘主要是针对信用关键指标：违约率、违约损失率、违约暴露和违约期限进行针对性的数据挖掘分析，结合银行的信用评级动态变化和银行信用置信度的波动规律，在银行交易数据库中采用数据关联分析方法，对概念分层数据进行多层挖掘，提高数据挖掘的精准度；在对市场风险控制上，数据挖掘技术主要集中在市场风险识别和市场动态分析两方面，通过分析银行特征值数据在各种风险环境下的数据概率分布值，可以构建银行内部的市场风险模型，结合遗传算法和智能分析，可以针对市场发展规律进行智能风险评估决策；对于市场的偶然和不确定行为，通常数据挖掘会采用预测（predication）、时序分析模式（time-series model），通过遍历历史交易数据，能够对偶然性市场行为进行概念排序，采用模糊分析（fuzzy method）、证据理论（Evidence theory）等方法进行决策分析。

3.2 数据挖掘在银行产品创新中的效用

产品创新是提升银行市场竞争力的根本手段，数据挖掘的重要性则体现在数据分析准确性和有效性上，首先是对业务流程效率的数据分析，对于总行、分行、支行和营业网点的银行结构进行业务处理效能分析，通过实际交易数据和历史交易数据进行比对分析，可以有效的找出实际业务模式中的最大风险点，设计或优化业务流程，明确录入、审核、授权各岗位的职责，从而运用创新手段控制流程风险；采用产品规划的方法指导新产品的设计流程工作，则需要在产品设计理念、产品市场定位、产品竞争优势分析和产品风险控制上进行数据分析，通过数据挖掘技术可以在银行内部历史数据、行业共享数据和商业数据的基础上进行特征属性挖掘，并最终为新产品的量化定型提供有效的数据参考，并未新产品的市场价值进行定性和定量预测分析。

4 结束语

信息化时代背景下金融业的供需地位发生巨大转变，金融数据也从经营资料开始向数据商业化发展。基于详尽的量化数据系统，现代银行可以在高效数据分析模型的基础上对银行数据进行二次开发，提供数据分析服务。本文通过阐述银行数据的数据结构，分析了对银行海量数据进行数据挖掘的主要方法和应用模式，并评估现行银行数据挖掘方法的有效性和经济效益价值，为进一步提升银行数据挖掘的效能提供了新的思路。

参考文献：

[1]丁剑敏.数据挖掘技术及其在商业银行中的应用[J].市场周刊・财经论坛，2013（04）.

[2]宓文斌.数据挖掘在银行信贷业务中的应用[M].上海：上海交通大学，2012.

[3]王佳丽.财务诊断中的数据挖掘运用研究[D].南宁：广西大学，2012（05）.

第2篇

关键词：数据仓库；商业银行；经营发展

中图分类号：F830.4 文献标识码：A doi：10.3969/j.issn.1672-3309（s）.2012.05.43 文章编号：1672-3309（2012）05-103-03

一、数据仓库的概念

数据仓库的概念是由数据仓库创始人W.H.Inmon最早提出的：数据仓库是指面向主题的、集成的、相对稳定的且反映历史变化的数据集合，用于支持管理决策行为。

二、数据仓库的特点

相对传统的数据库而言，数据仓库的特点主要表现在：

1、“面向主题”。数据库主要面向事务处理任务，各系统之间相对分离。而数据仓库是按主题分类组织并提供信息的。一个主题通常关联多个信息系统。

2、“数据集成”。数据库通常与某些特定的应用相关，数据库之间是相互独立的，甚至是异构的。而数据仓库则在对原有分散的数据库进行数据抽取、清理的基础上再进行加工整理，使之具有一致性。

3、“随时间变化”。传统数据库往往只关心当前时间段内的的数据。而数据仓库主要进行的是时间趋势分析，包含有大量历史信息，通过分析可以帮助目标客户对其未来发展方向做出准确的预测和判断。

三、数据仓库的结构组成

1、数据源。数据源是整个数据仓库系统的来源，它构成了数据仓库的基础。数据源的组成基本包含了两部分：内部信息和外部信息。内部信息是指各种业务处理数据和文档型数据，外部信息则由各类法律稽核、市场消息等组成。

2、数据的存储和管理。它是数据仓库系统的核心。数据的存储和管理就是指针对数据的抽取、转换、清洗、装载的过程，这种数据的存储和管理方式不同于传统的数据库数据，从而外部数据的展现方式也和传统数据库有所区别。

3、OLAP（On Line Anlvsis Process）联机分析处理服务器。针对特定问题的联机数据，通过对信息进行快速、稳定的读取，加以高归纳度的分析，发现内在趋势。

4、前端工具。主要包括各种数据分析工具、报表工具、数据挖掘工具以及各种基于数据仓库的应用开发工具。其中数据分析工具主要针对OLAP服务器，报表工具、数据挖掘工具主要针对数据仓库。

四、商业银行运用数据仓库技术的优势

目前商业银行建立数据仓库的目的就是为用户提供分析和决策的支持工具，通过这些工具，用户可以对其商业行为和未来发展做出预测。数据仓库的建立增强了所提供数据的丰富性和关联性。银行业务的管理信息系统主要针对客户、关系信息、银行产品、银行交易数据加以验证并建立一套自身的多维信息库，并通过特有的统计、计算方法制作出所需要的各类报表统计数据。这些统计数据往往是目标群体所需要的隐藏在海量数据中的关键信息。由于数据是存在于多维结构中，对数据的各种操作的速度比那些用其他结构存储的数据来说要更加稳定和快速。

五、数据仓库在商业银行经营管理中的作用

1、有助于商业银行及时全面掌握经营状况。数据仓库技术对商业银行及时、准确、全面了解自身资产数据、信贷规模及分布、目标客户信用、资产情况等，提供了必要的服务手段和技术支撑。

2、有助于提高商业银行经营管理水平。商业银行经营管理的来源依据都是以对现实的分析和对未来的预测为基础的。数据仓库此时能够对不同银行产品的盈利性和风险性加以复合分析，并将不同平台上的业务数据和外部信息汇集在一起，得出商业银行可以采纳的运行策略，从而达到了对产品、部门、机构的成本――利润分析，增强了银行经营成本的事前、事中和事后控制水平，达到既降低成本又增加银行自身效益的双重目标。

3、可以有效降低银行自身经营风险。通过构建数据仓库体系，与商业银行业务往来的大量客户交易数据可以随时被银行拿来调用和检索。有了这样及时的查询和推断，就可以有效的防范商业银行内部经营风险的发生。加上外部环境相关数据的分析，还可以帮助商业银行掌握银行同业经营状况和国际经济发展走势，减少发生外部经营风险的可能性。

4、增强银行可持续发展水平。通过建立和完善数据仓库，可以有效地帮助银行规范管理流程、优化业务处理、提高资本利用率。数据仓库不仅能在短期内帮助银行扩大业务范围、提高客户服务水平、加强内部管理，同时也是银行长期健康发展的动力和保障。

六、银行业数据仓库业务应用发展阶段

第一阶段：报告型数据仓库。这一阶段的的数据仓库系统主要以关键经营管理报表系统为主要代表，其数据来源主要是银行定期收集的总账数据。处于这一发展阶段的商业银行通过该数据仓库可以将本行下属分支机构过去某一段时间内的经营活动结果及时归纳汇总给各级经营决策者。

第二阶段：分析型数据仓库。发展到这一阶段的商业银行，基本上已经建立了以总账、分户账、交易明细账为基础的大型数据仓库。银行自身通过对归纳的经营活动数据加以分析整理，能够找出导致自身发展过程中出现的各种经营结果的原因，对今后运营过程加以引导。

第三阶段：预测型数据仓库。这一阶段的数据仓库业务功能特点除了具有第一、第二阶段业务功能外，还能够应用统计预测等信息分析技术对银行的经营管理结果进行预测分析，作出预测性的判断和指导。使得银行面对未来经营过程中可能出现的突况能够有一套针对性的管理措施加以应对。

第四阶段：操作型数据仓库。发展到这一数据仓库阶段的商业银行，已经能够采取一种业内被称作“动态数据仓库（Active Datawarehouse）”的技术，方便地实时对本行前台业务系统数据进行抓取、加工、传输，并汇总至数据仓库系统。管理者能够实时地掌握全行经营管理状态，由于摒弃了传统“T+1”的数据加载方式，获取数据及时性、准确性进一步得到提高。

第五阶段：敏捷型数据仓库。这是数据仓库发展的理想阶段，也称为目标阶段。其基本构想是：商业银行企业级数据仓库与各类业务处理系统完美结合，商业银行能够从原先的被动方式转变为主动方式对全行资源进行优化配置和合理利用，使得商业银行诸如财务管理、内控合规、业绩评价、资产保全管理系统等方面不断优化、完善。

七、我国商业银行数据仓库发展历程

1、数据仓库工程基础――数据大集中

1999年9月1日，中国工商银行启动了全行数据大集中即“9991工程”，不仅走在了国内银行界的前面，成为了全国金融业数据大集中的倡导者和先驱者，而且掀起了一场国内银行业的数据大集中热潮。数据大集中的真正动力来自金融全球化的竞争压力和生存危机，来自决策层对传统管理体制的变革需要。

2001年6月，中国民生银行也启动了“数据大集中”的脚步，这次“数据大集中”的实施，将全行所有业务数据处理由原先的各个系统主机单独处理转变为总行一台主机集中处理。这样做的好处是方便了对总行各业务部门、各分支行的存款、贷款、同业拆借、不良资产等业务动态数据的实时监测和跟踪，尤其是对分支行反常或异常变动的数据信息的检测和跟踪，达到了及时防范和化解潜在风险的目的。

首先，数据大集中实现了全行业务的统一管理，实现了银行业务的集中监控和风险防范，做到资源共享，进一步降低管理成本，实现了真正意义上的一级法人体制。其次，数据大集中后，核心业务系统软件进行集中统一开发，做到各分行资源共享和利用，从而避免了重复开发的资源浪费，进一步降低了运营维护成本和人力资源成本。最后，数据大集中后，商业银行将一改之前采用的“自下而上”层层汇总上报的编制经营管理信息和统计报表的传统经营模式，取而代之的是全新的经营管理和信息统计分析模式。这种全新模式通过高度集中的业务数据处理方式解决和避免了以前大量重复劳动和信息归纳汇总不及时、准确的弊端，带给银行业自身的必将是一场划时代的革命，同时也为银行业务开拓和落实“以客户为中心”的经营理念、开发新的业务产品、发现盈利客户并提供差别化的营销和服务提供了可靠的依据。工商银行董事长姜建清早在2001年接受记者采访时就强调：“工商银行只有成为科技领先的银行，才能是业务快速发展、经济效益领先的银行”。可以看出，工商银行的高层非常重视信息技术在银行风险控制、产品经营及决策支持等方面的作用，而大集中工程恰恰可以为工行搭建一个强有力的技术支撑平台，在这一平台上能够建立全行统一的基于数据仓库技术的管理信息系统，能够解决传统银行管理模式所带来的信息不对称问题。

2、新一代综合业务系统――为数据仓库工程提供了应用条件

数据大集中完成后，建立统一的业务应用平台，实现经营模式由以“账务”为中心向以“客户”为中心的转变成为了各家银行信息建设的下一步目标，这其中又以新一代综合业务系统的建设为代表。作为银行核心系统的综合业务系统，是银行业务经营的基础，拥有一个稳定、灵活、安全、可靠的综合业务系统是各家银行追求目标，也是各家银行未来信息化建设的必然趋势。

3、数据仓库工程上线

国内各家银行逐渐认识到数据大集中之后，紧接着需要解决的问题就是如何进一步利用数据，充分挖掘集中数据的最大价值。为了这一目标，各家银行相继推进了从客户关系管理、商业智能到数据仓库、数据挖掘等应用软件、平台软件系统方面的建设。

中国工商银行为此在成本管理、绩效考核、价值管理方面上线了一系列新应用系统，还为此建立了客户关系管理系统，并将这套系统和客户营销工作充分结合起来。这样，有了数据仓库的辅助，管理信息与决策支持变得智能、快捷。各项管理工作的事前预测、事中监督也变得更加普及，这为实现对客户选择的正确辨别和经营风险的自动预警，提供了可靠的信息支持。

中国民生银行也在同一时间开始着手建立数据仓库系统，采用了NCR公司数据仓库解决方案构建CIM户信息管理及CRM客户关系管理系统，即以客户为中心的数据平台基础上完成企业级数据仓库的建立。集中了包括核心业务系统、网上银行等约30余个系统的各类数据，分析、归纳数据支持对管理会计、资产负债、理财经理、风险管理、人力资源、非现场稽核查等10余个系统的查询调用，更支持对人民银行、外管局、银监会的统一数据报送。这一切都得益于数据仓库系统的上线。它初步建立了统一数据来源、统一数据标准、精细化管理的数字化管理平台。民生银行同时也专门成立了信息管理中心，负责全行的信息管理、信息分析、信息支持以及决策数据支持、管理数据支持和营销数据支持，为数据仓库信息化建设的深入打好了基础。

八、工商银行数据仓库建设发展

1、工商银行数据仓库定义

运用数据仓库方法建立的全行管理信息系统及在此基础上形成的整合平台，它包含了全行业务交易信息、客户信息、内部管理、外部环境信息数据，用于支持工商银行经营管理和科学决策。

2、工商银行数据仓库结构

工商银行数据仓库结构可以用下图加以说明：

3、工商银行数据仓库业务功能

第一，及时反映：通过T+1日报表系统，及时、真实、准确、全面地反映各级行经营管理活动结果。

第二，经营监测：通过动态监测系统，对全行经营管理活动过程进行全面监测和科学评价。

第三，决策支持：以数据仓库系统积累的集成信息为基础，利用综合性分析方法和定量化计算技术，为各类经营管理和战略决策提供准确的定量化决策依据

第四，业务引导：通过数据仓库按不同主题集成的信息，实现对全行不同经营层次的产品、客户、部门、机构、渠道、人员、岗位等各类经营管理主体综合经营指标的定量评价，为银行资金、人力、物力资源向着实现全行整体效益最大化方向调整提供依据。

第五，信息：以数据仓库系统积累的集成信息为基础，以经营管理信息标准化为依据，实现对全行经营管理信息、内部资源信息、客户信息和外部环境信息的集约化管理，建立全行统一的经营管理信息平台，实现全行经营管理信息、金融监管信息、公开披露信息的归口管理和统一。

第3篇

关键词：商业银行；风险管理；现状；对策

一、商业银行风险管理的内涵、特点与分类

（一）定义

商业银行风险被广泛认为是在商业银行经营管理过程中，由于某些无法预期因素的存在，导致银行经营发生了与预期愿望相背离的结果，使得收益的预期与现实产生偏离度，银行具有获得额外收益或蒙受意外损失的可能性。具体来说，商业银行风险是指由于不确定性因素的影响，商业银行在经营活动过程中实际收益偏离预期收益，从而导致遭受损失或获取额外收益的可能性。从商业活动层面上，风险可以分为经营风险和行业风险。由于商业银行其经营的特殊性，风险对其来说似乎是与生俱来的，这些风险主要包括操作风险、信用风险、转移风险、市场风险、流动性风险、利率风险和国家风险等。

风险管理又名危机管理，是指如何在一个肯定有风险的环境里把风险减至最低的管理过程。当中包括了对风险的量度、评估和应变策略。理想的风险管理，是一连串排好优先次序的过程，使当中的可以引致最大损失及最可能发生的事情优先处理、而相对风险较低的事情则押后处理。可商业银行在经营管理过程中，由于自身与客户各种不确定性因素的影响，使其实际经营状况与预期经营状况产生一定的偏差，从而该商业银行资金的效益性或者安全性或者流动性蒙受损失的能性。良好的风险管理有助于降低决策错误之几率、避免损失之可能、相对提高企业本身之附加价值。

（二）特点

一般来说，银行风险有以下几个特点：首先体现在各项业务的各个环节，而不只是停留于某个层面。同时，银行从业人员及客户都可能把风险变现为损失，因此说银行风险具有全面性。其次银行风险传播性强。当一家银行发生风险导致损失时，人们往往会预期其他银行也会产生危险，从而产生一系列连锁反应，导致经营良好的银行被挤兑，产生流动性危机，整个银行业会在短时间内陷入恐慌之中。负外部效应的存在使得危机很容易通过其他途径在银行系统内蔓延，使整个经济陷入危机。最后银行风险与经营同在。没有一家银行可以把风险完全消除，任何业务都有发生风险的可能，只要商业银行在经营就要承受风险。回避风险的最好办法就是停止所有业务，但这与银行盈利性的经营目的又是完全矛盾的，所以说银行风险与经营如影相随。

（三）分类

2004年公布的《新巴塞尔协议》将商业银行风险划分为信用风险、市场风险和操作风险，即人们如今常说的商业银行三大风险。信用风险是指银行交易对手未能履行合约义务，从而导致银行蒙受损失的风险，它受内部因素和外部因素共同影响；市场风险是指为了获利而在市场中持续买卖金融工具所带来投资价值损失的风险；操作风险广义上是指除信用风险和市场风险外的一切风险，狭义是指银行在经营过程中由于系统、人员、内部程序等外部条件的不完善而导致损失的可能。操作风险相比于信用风险和市场风险，意味着纯粹的损失，而后两者是一中性概念，损失机会和盈利可能并存。操作风险具有人为因素强的特点，操作风险具有难控制、危害大的特点，操作风险事件具有发生频率很低、一旦发生就会造成极大损失，甚至危及到银行存亡的特点。我国商业银行面临的风险也主要是这三种，这三种风险往往不是单独出现的，而是相伴而生的。

二、我国商业银行风险管理的现状

我国商业银行风险管理的现状不容乐观，因为我国目前市场经济和金融体系的发展还处于初级阶段，发展不成熟且不完善。同时，就目前来看，与国外发达国家相比，现在我国商业银行风险管理存在许多待解决的问题。

第一，中国商业银行处理风险管理和创造利润不当。许多商业银行把风险和利润对立起来，纯粹把风险作为损失来对待，而不是把主动管理风险作为创造利润的主要手段。当前的激烈的金融竞争形势，商业银行要想在竞争中取胜，必须提高风险管理水平，管理好其他银行所不敢承担的风险，而不是把风险作为损失直接将其拒之门外。技术上缺乏先进的模型和计量工具为特点进行风险识别和计量的定量分析，数据采集上我国商业银行存在数据重复、过时和统计口径不一致、缺乏必要的IT构架和技术支持等现象，数据储备严重不足，且数据缺乏规范性，数据质量不高，内部控制上也存在着监督部门不独立，职责划分不清楚，缺乏全面性，上下级之间信息沟通不通畅等问题。

第二，国内商业银行风险案例中，操作风险占了很大比重。现阶段国内商业银行操作风险管理中存在许多问题。操作失误和欺诈是目前中国商业银行操作风险的主要表现；国内商业银行一些管理者缺乏科学的发展观，重业务发展、轻风险防范。

第三，风险管理体系不完善。目前，我国商业银行的风险管理缺乏组织制度的保障和有效的运作机制。就目前而言，我国大部分的商业银行还没有没有设置独立的风险管理部门，那么也就没有专职的从事风险管理的经理，自然这些商业银行也没有能力独立承担起具有权威性的风险管理职责。在中国，大部分的银行风险管理体系都不健全，独立性原则体现不够，风险管理受外界因素干扰较多，不少制度规定有粗略化、模糊化和大致化等现象。因此，健全有效的风险管理机制是商业银行经营运作的坚实基础，我们必须健全我国的风险管理体系。

第四，风险承担主体不明确。我国国有商业银行还没有有效地实行经营权和所有权的分离，政策性业务和行政干预仍很多，商业化程序不高，导致全部商业银行风险的责任不能由商业银行最终承担，因此，国有商业银行中的风险承担主体和边界都不明确。但是，有效的风险管理应该是以风险承担为主体明确、权力和责任分布妥当。

三、我国商业银行风险管理的对策和建议——以新巴塞尔协议为重点

作为全球商业银行风险管理的一个基本准则，巴塞尔新资本协议作用不容置疑。巴塞尔委员会出台了五个文件对银行的的风险管理职责进行了相关规定。这五个文件分别是：《信用风险管理原则》、《利率风险管理原则》、《银行机构的内部控制制度框架》、《健全银行的公司治理》、《有效银行监管核心原则》。理解这个规定，对我们如何进行商业银行的风险管理十分重要。

（一）完善风险管理环境

巴塞尔委员会出台的《信用风险管理原则》中提出建立适当的风险管理环境，即董事会与高级管理层之间权责明确的分权与制衡体系。建立独立的风险管理评估体系，直接向董事会和高级管理层负责。风险评级应由一个独立的信贷风险管理部门确定，或者经过其评审或批准。建立商业风险处理体系。在商业银行的经营中，有些风险损失的发生是防范机制无法阻止的，如系统性国家风险。因此即使有严密的风险防范机制的保护，商业银行业必须有充分的准备面向风险处置问题。

（二）加大技术方面的支撑力度

加快基础数据库的建设，提高数据质量管理，建立完善的信息分析系统，负责内部信息和外部信息的搜集与分析。这个系统必须能准确地搜集市场信息，并进行科学地数据分析，将风险评估定量分析与定性分析结合。保证信息来源真实可靠，调查证据充分；要尽快建立以电子计算机系统为基础的专业化操作平台，把风险计量模型和计量工具数字化，以数字模块的形式镶嵌到业务系统当中，及时对全行数据进行留存，并对经营情况进行计量和分析；同业间必须尽快建立统一的数据仓库和管理信息系统，从而保证包括风险评级在内的所有管理工具的数据需要。

（三）增强法律上的保障

巴塞尔委员会出台的文件《有效银行监管核心原则》，认为适当的银行监管法律框架也十分必要，其内容包括对设立银行的审批、要求银行遵守法律、安全和稳健合规经营的权力和监管人员的法律保护。另外，还要建立监管当局之间信息交换和保密的机制等。对监管人员的法律保护十分重要，这样才能保证监管人可以独立准确地做出决策，对银行进行有效地监管。

（四）强化内部风险控制

内部控制是商业银行的一种自律行为，是实现银行经营既定目标的自发需要，也是必要的。巴塞尔委员会出台的《银行机构的内部控制制度框架》对如何加强内部控制给了明确的建议。首先银行应建立独立的审计委员会来帮助董事会履行职责，还应该建立一个相对独立的第三方来审慎监督可能出现利益冲突的领域，从而减少某些操作风险。要不断加强银行内部稽核监管，稽核部门作为第三道防线，主要履行稽核确认、反舞弊欺诈、咨询和内控评价等职能。内控评价是按照一定的框架和方法，根据银行内部控制检查监督信息及其他外审检查与相关监管信息，对银行内部控制体系的建立和实施情况进行调查、测试、分析和评价工作。

参考文献：