现代中央银行的数字化赋能

数字时代已然来临，为现代中央银行带来机遇和挑战。央行基于移動物联网、智能终端等硬件基础设施的支撑，充分应用大数据、机器学习、区块链等金融科技，通过央行数字货币等产品的创新，以及存量数据整合、增量数据接入、数据治理夯实等手段的运用，可赋能其传统职能更加高效精准。

数字浪潮汹涌澎湃，数字经济蓬勃发展，数字时代已然来临，中央银行数字化自然也在其列。党的二十大报告提出“加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群”的任务。2023年“两会”后出台的《党和国家机构改革方案》，不仅进一步阐明数字经济重要性，更指明金融监管改革的方向，意味着金融监管将更加权威、全面、穿透、严格。现代中央银行作为最重要的金融监管部门，既要承接数字化变革和金融监管部门改革的政治任务，又要顺应和面对金融科技的蓬勃发展和金融行业的数字化转型，因此现代央行自身的数字化也已经箭在弦上。

形势与挑战

俄乌对抗欲战还休，东西博弈愈演愈烈，央行环境动荡起伏

俄乌冲突短期难以平息，大国博弈将会长久存在，地缘政治的复杂性、政治对抗的不确定性、经济增长的波动性、外贸合作的艰巨性，制裁和反制裁、限制与反限制、包围和突围，都将成为当下及未来的新常态，这些都构成了央行施政布策的最大宏观变量。一边是美联储的加息、欧美的通胀、能源的紧张、技术的打压；一边是中俄的互信、中法的互惠、中欧的互动，保回暖、保增长、保民生。如此波诡云谲动荡不安的国际时局，如此疫后重生百业待举的国内企盼，这些复杂多变的外部环境都是央行预判新时代担纲新使命所要面对的新情况。

风险事件此起彼伏，金融风险一触即发，央行观局严阵以待

近期美国硅谷银行事件叠加瑞士瑞信事件，引发了一系列行业性的信心危机和流动性危机，也让全球蒙上了一触即发的全球性系统金融风险的恐惧阴影。纵然美联储等六家主要央行已经宣布协调行动，以增加常设美元互换工具的流动性供应。欧洲银行业监管部门发文安抚市场，表示在风险事件发生时，股票将先于额外一级资本（Additional Tier 1，简称AT1）债券承担损失。英国央行也表示，AT1债券将在偿付顺序上优先于股票投资者。但危机四伏如雷在侧。虽然各国央行的快速反应暂时平复了当下短暂危机，但是欧美国家长期以来的经济失衡和结构性、体系性的矛盾仍然在累积，风险的演化裂变绝非到此为止。他山之石可以攻玉，要深刻认识到任何单一金融市场主体的经营风险瞬间可以演化为系统性的连带风险传染到其他金融主体，进而蜕变成为系统性金融风险，累及国家安全。加之金融的国际化、全球化早已深入彼此，独安一隅、独善其身几无可能。因此，央行的国际视野和国内视野更加需要纵横贯通，城门失火的预防和补救策略更加需要统筹谋划。

数字货币快速迭代，形态重塑颠覆传统，央行职能技术进阶

数字货币、加密货币快速演进迅猛迭代，对央行的货币政策职能产生了深远的影响。首先，货币的创造方式已经从基于信用关系转变为基于通证的价值形式，这导致央行货币的需求随着加密数字货币的大量使用而减少。其次，数字货币支付方式的变化将可能影响央行货币政策的执行能力，其货币结算职能将被部分替代。因此，央行的货币发行与监管，如何借助技术的力量，更好驾驭和适配数字货币的发展应用，已成为重大课题。

“一带一路”纵深发展，结算币种日益多元，央行使命任重道远

自2013年以来，“一带一路”倡议已成为我国对外开放的重要战略，该倡议的推进促进了沿线国家和地区的经济联系和合作。借此良机，央行一方面可以加速人民币国际化的进程，另一方面也可以为“一带一路”建设提供更多金融互惠安排、拓展投资渠道和丰富资金来源，从而吸引更多的国家和投资者参与其中，与人民币国际化形成良好互动。近期，中国先后和俄罗斯、巴西等十几个国家进行磋商达成协议，双边贸易采用两国本币或人民币结算，人民币国际化又迈出重大实质性步伐，央行使命任重道远前景光明。

央行职能及其数字化赋能

央行的传统职能，包括货币政策、支持实体经济、金融监管、支付清算、金融市场、征信和反洗钱等，本文将从底层技术、基础设施、产品创新以及数据治理等方面探究数字化如何赋能央行职能。

货币政策

制定和执行货币政策是央行最重要的职责之一，而这依赖于对经济形势的精准研判、对货币政策工具的恰当使用和对货币政策效果的持续监控。传统央行的经济研判是基于样本数量有限的抽样调查，难免会有由于存在抽样偏差、统计时滞而导致判断失真的情形。传统货币政策工具相对有限，更加侧重于通过信贷市场来影响货币总量，依靠总量估算或利率进行跟踪回馈调整，政策效果具有一定不确定性。大数据和机器学习为此提供了技术可能，可以助力央行货币政策的精准性进一步提高。大数据和机器学习能显著提升央行经济研判与预测的全面性和时效性。首先就全面性而言，央行可以基于更大的数据集来研判经济增长、通胀、失业率等情况，国外央行已经将互联网数据纳入分析范围。据2018年高盛研究报告表明，美国消费者价格指数（CPI）计算过程中已有约15%的数据来源于互联网价格数据。又如麻省理工学院开展的“十亿价格项目”，通过每日收集互联网价格数据，尤其是电商价格数据，可以获得通胀实时情况，并进一步分析通胀的传导路径。另外，央行也不仅限于利用结构化数据，而是基于自然语言处理等技术，进一步分析非结构化数据。如英格兰央行通过分析互联网上找工作的频率，一定程度上预测了失业率前景（Cavallo， et al.， 2016）。其次就时效性而言，央行可利用大数据显著提升经济研判的时效性。国外央行已经将基于大数据的即时预测模型作为经济分析的主要工具。如纽联储在2020年疫情期间，通过铁路、零售等大数据，得到美国经济运行状况的周度数据，为制定针对疫情的货币政策提供了有力支持。

大数据也同样能够改善对货币政策传导效果的监测，从而依据反馈适时调整货币政策。对于发达国家而言，货币政策通常首先影响货币市场，随后影响到债券市场、股票市场和信贷市场，因此货币市场是重要的监控对象。2017年，欧央行建立了基于大数据技术的货币市场统计报告数据集（MMSR），收集欧洲货币市场的有担保、无担保、外汇掉期和隔夜指数掉期4类交易数据，涵盖欧元区52家头部金融机构。欧央行基于MMSR数据，对资产购买计划和欧元区基准利率改革进行定量评估，并及时调整政策，保证了经济刺激计划和利率改革的顺利推进。对于中国而言，由于货币政策直接影响到信贷市场，因此信贷市场本身的监控更为重要。自2012年起，人民银行开展了标准化的存贷款抽样统计，针对全国5000家金融机构顶层支行，每月采集近1亿笔存贷款产品信息，用以监测市场利率、贷款投向等。当前金融统计大数据已经能基本满足人民银行的监测分析，但未来随着银行业的数字化程度不断加深，人民银行的统计分析将可以从抽样统计变为全量统计，这将更精确地反映货币政策的效果，也使得人民银行的货币政策更加灵活高效。

支持实体经济

支持实体经济是央行的重要职能之一。传统上，央行通过货币政策和利率等工具降低企业融资成本、拓宽融资渠道、鼓励消费和投资，从而刺激实体经济。当前实体经济仍面临着增信手段匮乏、普惠覆盖面不足以及“数字鸿沟”等难题，央行可以通过充分利用现代信息技术基础设施，例如移动物联网和智能终端，来有效拓展金融服务渠道，大幅降低人力成本，并促进金融业务与生产生活场景深度融合，不断提升金融支持实体的下沉深度和覆盖广度。

普惠和小微信贷方面，央行可通过政策鼓励推广数字技术的使用，从而提升普惠金融贷前调查与贷后管理效率，降低企业融资成本。例如，广东农信为农户放款，只需要大棚传感器里的数据接入阿里云的服务器，就可以实时监测和估算信贷标的真实状况，便捷性大幅提升。而且供应链与物联网的结合还可以提高信息确认及核对的安全性和可靠性，可以极大地减少银企信息不对称，精准画像和差异定价成为可能，真正助推小微企业基础经营数字化、产业链条透明化、融资增信可视化，根本改善普惠覆盖面和普惠资产质量。

乡村振兴方面，央行可借助金融科技手段助力農村金融业务发展。针对养殖户、农户等群体融资难的问题，通过卫星遥感、电子标签等技术对林场、矿业、养殖活体、农作物信息建立融资档案提供样板示范；通过推广线上应用程序（app）、线下智能终端、无人网点提供广泛金融渠道；通过数据联网贯通可以将经营权、农宅权、林权、地权实现统一确权和抵押登记从而增加融资增信手段；通过应用区块链等新技术摸查企业上下游供应链订单、合同、承兑汇票等信息，推进数据分析、智能风控等环节，助力发展农业供应链金融。

金融监管

央行的金融监管职能意义重大，旨在保障金融体系的安全稳定和金融市场的公平、公正、透明，促进经济的平稳健康发展。但在履行该职能时也面临一些困难：一是精准地评估系统性金融风险的难度在不断增加；二是监管机构对风险分析和评估的准确性和预测能力受到有限数据信息的约束。而大数据方法具有即时、准确、低成本、大样本量和高粒度等优势，已成为提升系统性金融风险监测预警能力、改进宏观审慎监管方式以及应对金融风险挑战的新工具。

大数据方法的使用给系统性金融风险的监测和宏观审慎监管带来了三项积极赋能：

第一，它为监测和分析系统性金融风险提供了有别于传统经济和金融统计数据的新数据来源。央行可以应用机器学习、文本挖掘、网络分析等手段来分析非结构化大数据，扩大监测系统性金融风险的信息范围。例如，英格兰银行的尼曼（Nyman）等利用文本挖掘技术，从市场评论、研究报告和新闻中提取量化的汇总数据，构建了评估系统性金融风险的测量指标。他们发现，通过大数据技术获得的测量指标与金融市场事件有较强的相关性，能够反映金融危机发生前的市场情绪变化，这为传统的系统性风险评估方法提供了有益的补充和延伸。

第二，大数据方法带来了预测效果更好、可解释性更佳的系统性金融风险预警模型。相比传统计量模型，机器学习算法模型能更加有效地捕捉经济金融变量之间复杂的非线性关系和相互影响，因此可以提供更高的预测精度。在对系统性风险进行识别的基础上，大数据以及机器学习等底层技术还能对模型结果的重要影响因素进行分析，增强模型的可解释性。英格兰银行学者苏斯（Suss）和特雷特尔（Treitel）（2019）使用机器学习模型建立了银行危机预警系统，王达和周映雪（2020）在此基础上对风险识别结果进行了可解释性分析，揭示了不同特征变量对系统性风险概率的贡献度。此研究通过对黑箱模型的分解，提供了一种新的方式来理解机器学习模型的决策过程，有助于制定更加精准的风险管理策略。

第三，大数据技术采用更全面的视角来研究系统性金融风险传染情况。网络分析技术将金融系统视为一个由不同金融机构、金融部门和金融市场之间相互关联的金融网络，这有助于分析风险传导机制路径，也更加符合宏观审慎监管将金融体系视为一个整体的思想。2016年，德国央行建立了大额信用登记数据库（阮健弘，2021），所有数据均以逐笔的颗粒度记录，从多个维度监测金融机构的关联交易。通过分析金融机构的同业关联性，该数据库为及时提供市场风险预警提供了高频数据服务。

支付清算

支付清算是央行的重要职能，我国央行支付清算的数字化已取得斐然成就。在国内支付清算方面，人民银行建立了以大额支付系统和小额批量支付系统为核心的国内支付清算体系，实现了银行存款的数字化，基本覆盖了狭义货币供应（M1）和广义货币供应（M2），但流动中现金（M0）仍以线下交易为主，在整体货币体系中还有部分盲区。在国际支付结算方面，人民银行建立了以人民币跨境支付系统（Cross-border Interbank Payment System，简称CIPS）为核心的跨境人民币支付清算体系。但当前国际支付清算体系仍以美国主导的“环球银行同业金融电讯协会”（Society for Worldwide Interbank Financial Telecommunications，简称SWIFT）体系为主，人民币国际化刚踏上征程。

在数字化赋能方面，各国和地区的央行均积极开展了央行数字货币的研发，进一步优化央行的支付清算职能。央行数字货币以区块链为底层技术，以分布式账本的形式进行记账和实时同步，从而构建起仅依赖于央行本身，而不依赖于其他任何中介机构的信任体系。除区块链外，央行数字货币还使用了非对称加密技术作为身份识别的基础，以及智能合约技术作为灵活支付的前提。根据使用场景和使用人的不同，央行数字货币可分为零售型和批发型两种，它们对国内和国际支付结算体系均会产生深远影响。

中国的零售型央行数字货币在各主要经济体中名列前茅，在国内支付清算方面也有相关应用。数字人民币定位于M0，实现了现金的数字化，补全了国内支付清算体系数字化的最后一块拼图。中国在批发型央行数字货币方面也处于世界前列，积极探索跨境支付结算体系。我国参与的“货币桥”项目目前已成功试运行，在CIPS之外开辟了另一条跨境支付清算的技术路线，为突破美元霸权，促进人民币国际化提供了新的可能性。“货币桥”基于各国央行各自的数字货币网络基础，叠加了一层走廊网络，在充分尊重各国央行货币发行权的基础之上，为各国货币的跨境流通提供了共同信任、统一便捷的交易场所，降低了跨境交易的参与门槛，显著降低了代理银行中介成本，进一步提高了跨境支付的结算效率。

金融市场

监督管理金融市场，规划建设重要金融基础设施是央行的重要职责。在人民银行的整体规划之下，我国的债券市场、货币市场、外汇市场、票据市场等已形成完备体系，登记、交易、清算等相关金融基础设施已能满足基本需求。而在金融行业数字化转型大潮之下，各金融市场的数字化水平有望进一步提高，市场之间的互联互通程度将更加改善，各金融市场服务实体经济的效率将显著提高，央行对各金融市场监管的有效性将大大增强。

央行可通过建设基于区块链的票据市场基础设施，构建去中心化的信任机制，有效提高票据市场的融资效率。首先针对票据的真实性，票据的发行方在发行之初可将票据相关信息记录在区块链上，借助区块链无法篡改的特性，杜绝假票、克隆票鱼龙混杂。其次针对兑付的即时性，交易参与方可借助区块链的智能合约，将兑付相关前提条件以业务逻辑代码的形式记录在区块链上，在条件满足后区块链将自动执行兑付，而不依赖于交易参与方的转账操作。最后针对违规交易行为，区块链构建的去中心化的信任机制，可降低中介成本，因此一票多卖、出租账户等违规中介交易行为将得到有效遏制。

央行可建设基于区块链的债券市场基础设施，通过分布式的账本，打通各分散市场的数据，最终实现债券市场的互联互通。当前我国债券市场分为银行间市场和交易所市场，不同债券的登记结算由中证登、中债登、上清所分别处理，造成了交易市场相对孤立，监管信息难以共享，跨市场交易难于实现。借助区块链技术特点，分阶段实现统一的信息共享披露，实现债券的全局统一登记确权，实现统一的交易功能，为分散割裂的债券市场实现互联互通整合提供了渐进式的技术路径。

征信

征信是央行的重要职能之一，是指央行或其委托的机构，通过收集、整理、分析个人和企业信用信息，形成信用报告，为金融机构、企业和个人提供信用评估、风险控制和决策支持等服务。大数据技术将赋能征信，使其覆盖面和应用面得到空前提升，其重要度将受到更广泛的关注和重視。

数据范畴方面，传统征信数据通常只涵盖借贷领域，而大数据征信主要依靠获取信息主体在线上的行为数据，而此类数据更能反映企业和个人的经营状况、个性特征、消费习惯等深层次的行为特征，因此对信息主体信用状况的推断画像将更加全面客观。覆盖人群方面，随着互联网的不断普及，征信数据的来源渠道和范围日益扩大，数据采集成本逐步降低，因此大数据征信能够覆盖没有信用记录的用户，并利用他们在互联网上留下的信息痕迹进行信用评估。评估主体方面，由于各机构数据来源、数据内容和模型思路各有不同，对人或企业的差异化特性进行评估的专业角度会更加丰富多元，而大数据征信完全可以海纳百川博采众长。场景来源方面，征信来源可以不仅局限于借贷领域，还可以广泛来源于诸如租赁、预订、合同、交易、授权等各种现实履约场景。

反洗钱

央行还负责制定和实施反洗钱政策。随着洗钱手段的日益复杂和金融交易数据的不断增长，传统的反洗钱技术已经难以满足需求，而机器学习和生物识别等技术逐渐成为一种有效的解决手段。

机器学习是一种基于数据的自动化学习方法，通过对大量历史数据进行学习和分析，从中提取有用的规律和特征来建立模型，进而实现可疑交易的自动监测和识别。生物识别技术是一种利用人体生物特征进行身份验证的技术，具有不易伪造、不易盗用、便携易用等优点，可有效用于金融机构客户身份验证和交易确认，有效简化认证流程，大幅提升准确性和安全性，可有效预防洗钱行为。此外，身份识别技术可与大数据技术进一步融合，基于模型分析结果及时启用多种智能身份核验手段，提升洗钱风险实时管控效能。

机器学习模型和生物识别技术可从三个方面赋能央行反洗钱职能：一是提升反洗钱监管效率，缓解海量交易数据给金融机构带来的人力成本压力，降低操作风险敞口。二是提高反洗钱监测的精准性。基于专家经验及历史数据，训练优化监测模型，使洗钱风险识别不易受外部因素干扰，既可比人工分析更加精准，也可有效防范操作风险与道德风险。三是提升反洗钱监管的前瞻性。通过对机器学习智能模型的持续训练和优化，可预见未来可能发生的可疑交易，改善反洗钱滞后性和被动性的管理局面。

结论

数字时代已然来临，为现代中央银行带来机遇和挑战。央行基于移动物联网、智能终端等硬件基础设施的支撑，充分应用大数据、机器学习、区块链等金融科技，通过央行数字货币等产品的创新，以及存量数据整合、增量数据接入、数据治理夯实等手段的运用，可赋能其传统职能更加高效精准。

在货币政策方面，大数据和机器学习能显著提升央行经济研判与预测的全面性和时效性，同时能够改善对货币政策传导效果的监测，从而提升货币政策的有效性。在支持实体经济方面，央行通过嫁接移动物联网、大数据、卫星遥感等技术在商业银行的运用，可有效提升金融对普惠、小微和乡村振兴等实体经济领域的支持力度。在金融监管方面，大数据使得央行可获得更广泛的数据源、更精确的人工智能模型和更细致的风险传染链条视角，从而使宏观审慎监管更加缜密精准。在支付清算方面，央行数字货币可有效提升国内和国际支付清算效率，为人民币国际化提供了渠道动能。在金融市场方面，央行可借助区块链技术整合各分散金融市场实现互联互通，以提高各金融市场的交易效率。在征信和反洗钱方面，大数据征信和基于机器学习的反洗钱的监管效能将显著提升。

（宋首文为中国银行企业级架构办公室资深经理。本文编辑/王茅）