一、项目方案

绿色金融管理平台是我行基于金融GIS（地理信息管理系统）框架，将企业的环境表现、行业属性、贷款状态、资金和股权关联信息、能耗信息、碳排放信息等绿色金融相关大数据附着在地理坐标上。通过可视化大数据分析，为绿色金融拓客、绿色信贷管理、环境和气候风险预警及管理提供辅助。通过分析我行信贷资产分布与不同时段和区域的大气、水、生态红线等环境表现信息，区域环境表现与我行各区域、行业资产分布的契合性，为信贷资产在气候等因素下的摆布提供参考。

1.1 项目架构

本项目的整体架构如下图所示：

苏州分行数据管理部和风险管理部按总行信管部指示，联合国家生态环境部、苏州市自然资源规划局、苏州市生态环境局、清华苏州环境研究院、公众环境研究中心、建信金科成都事业群等多家机构，共同进行绿色金融课题的探索和研究，整合了建行、企查查、公众环境研究中心（IPE）等多方数据，搭建了绿色金融管理平台。借助绿色金融管理平台打通了底层源数据到模型落地的全链路，开拓了智能获客活客、绿色金融分析、企业监测预警、区域监测预警、双碳监测预警五大应用，实现了数字促进发展、数字领跑绿色金融。

1.2 项目业务

本项目构建的绿色金融管理平台，主要用于开展以下与绿色金融紧密相关的业务：

评价企业环境表现。应用公众环境研究中心（IPE）、苏州市生态环境局等单位提供的外部数据，建立区域、企业环境监测模型，并实现企业环境表现评价。

精准投放绿色信贷。通过自然语言处理、知识图谱等技术，实现绿金客户智能辅助判定，规范绿色客户、项目、债项的认定标准和方法，实现绿色信贷资金的精准投放。

绿色金融空间可视化。借助地理信息科学，实现区域环境、企业碳排放、信贷等行内外数据的空间融合，提高绿色金融的空间可视化分析能力。

预警环境与社会风险。依托建行全面风险监控预警平台(RAD)、模型工场(RMD)、慧风控平台等，开展环境和社会风险监测，将环境与社会风险客户纳入预警管理。

1.3 项目技术

本项目将NLP、地理信息科学、自然语言处理、数据可视化、机器学习等技术手段作为传动器实现金融与环境保护工作的双向赋能，为绿色金融拓客、绿色信贷管理、环境和气候风险管理提供辅助。构建的绿色金融管理平台所使用的部分技术如下：

地理信息科学技术，实现绿色金融空间可视化；

机器学习和深度学习算法，实现绿色金融客户识别和风险预警管理；

爬虫技术，实现企业环保评价脸谱、环保和安全生产违法违规信息、环保曝光台信息等数据的收集汇总；

命令实体识别（NER）技术，用于文本特征提取：

自然语言处理、知识图谱技术，实现绿金客户智能辅助判定；

LDA主题域聚类技术，结合专家词库、人工审核形成证书产品一级目录；

二、创新点

本项目是苏州建行通过与总行以及建信金科成都事业群，开展“绿色金融管理平台”试点工作，以新金融行动推动苏州建行开启全面绿色低碳转型，正式进入绿色金融建功立业新赛道。

在实施过程中，总分行以及建信金科成都事业群通过深入协作以及大量创新性工作，克服了诸多技术难点，为推进总行金融科技战略奠定了技术基础，并在诸多方面进行了创新：

1.数据创新

多元化拓宽了我行数据源的获取途径。苏州分行基于官方授权数据、网络爬虫抓取公示信息，以及解析公司年报、文本，多元化拓展了可用的分析数据源，为产品开发奠定数据基础。

2.可视化创新

基于地理信息系统实现地理信息数据可视化。基于地理信息系统，将企业地理数据以及文本数据可视化的呈现在绿色金融平台的服务页面上，形成热点地域的可视化挖掘，提升地理数据使用的效率与质量。

3.交互创新

建设了智能化互动页面赋能业务的双向机制。绿色金融平台不仅单向为使用人员推送信息，使用人员也能主动在绿色金融平台上对相应企业进行操作，以双向互动为业务赋能。

4.管理创新

实现了业务全流程闭环管理。通过动态获取和更新辖区企业的相关数据，以及相应的模型挖掘与可视化呈现，绿色金融平台对企业绿色相关情况实现了全历史数据监测以及贷前贷中贷后的全流程闭环管理。

5.应用创新

递进式覆盖多个应用场景。平台主要开拓了智能获客活客、绿色金融分析、企业监测预警、区域监测预警、双碳监测预警五大应用。既包含了获客——活客——监测预警——金融分析全链路应用，还支持企业——区域——生态、金融——环保——碳监测两条递进式链路应用。

6.政策创新

优化绿色金融政策。在常规的金融贷前、贷中、贷后全流程业务体系的基础上，催化并衍生了绿色金融政策优化业务，基于数据和成效制定区域差异化信贷政策，并优化准入底线等行业信贷政策，以便更好的开展绿色金融服务。

7.业务创新

绿色指导企业信贷资产摆布。对企业信贷资产的管理，不再仅仅局限于企业经营状态、受处罚状态、资金流等因素，而是桥接金融与环境保护工作，将企业的环境表现纳入资产摆布的考察因素中。

三、技术实现特点

绿色金融管理平台整体架构如下图所示：

本项目构建的绿色金融管理平台，接入了生态环境、公众环境、企业授信、企业环保等多来源多维度数据，并采用了诸如逻辑回归、决策树等机器学习算法，以及自然语言处理、深度学习等技术算法进行数据处理与模型训练，终搭建了企业环境表现模型和绿金客户识别模型两大模型。绿色金融管理平台打通了底层源数据到模型落地的全链路，开拓了智能获客活客、绿色金融分析、企业监测预警、区域监测预警、双碳监测预警五大应用，实现了数字促进发展、数字领跑绿色金融。

3.1 数据层

数据层主要是对接入绿色金融管理平台的数据进行整合和处理，去除部分冗余、无效、低质量数据，保障入模数据的质量和有效性。

管理平台分别从企查查、当地生态环境住建等部门、公共环境研究中心（IPE）、存量信贷客户、网络爬虫以及生态红线“三线一单”地图六个方面引入底层数据：

企查查：苏州全量企业的坐标，经营范围、股权关联等基础信息；

生态局和住建部：部分生态区划及绿色建筑项目等信息；

公众环境研究中心：企业和区域的大气，水等环境表现监测数据；

建行：存量信贷客户的授信信息、资金关联信息，绿色金融认定情况等信息；

网络爬虫：企业环保评价脸谱，环保和安全生产违法违规信息，环保曝光台信息。导入监管联合惩治名单；

“三线一单”生态管控区域地图：自主描绘生态红线。

接入以上数据后，绿色金融平台根据数据情况制定了数据整合策略：首先通过整合企业基础信息及其环境表现信息赋予地图坐标信息；其次整合区域环境表现数据与区域信息资产分布信息；进而依据日常管理需要，按照固定格式将各类数据整合成数据分析图表；终将新引入的环境监测相关数据整合至数据池，嵌入RMD实现模块化管理应用。

3.2 算法层

绿色金融管理平台容纳了多种算法，主要可以分为模型算法和功能算法两类。

模型算法。主要是用于建立模型的算法，本项目所建立的企业环境表现模型和客户识别模型，都是利用此类算法中的某几种算法训练后得到的。不同的模型算法，具备不同的适应场景、特点、性能，因此选择模型算法时需要结合业务需求和指标，进行多方面考察。绿色金融管理平台，容纳了多种模型算法，从而保障可以选出为合适的算法，建立性能好的模型。

功能算法。与模型算法有交集但又不完全相同，主要是用于实现某一功能或目的的算法。基于本项目的目标需求、数据情况，绿色金融平台嵌入了多种功能算法，如用于爬取网络数据的爬虫算法、用于文本特征提取的命令实体识别算法、用于提取文本的浅层和深度语义特征的TextRank算法、用于文本处理和分析的自然语言处理、LDA主题域聚类算法等。

3.3 模型层

绿色金融管理平台主要开发了两类模型，企业环境表现模型和绿金客户识别模型。

（1）企业环境表现模型

主要用于对企业自身、周边环境、区域环境进行评分与监测。模型基于评分卡原理，结合数据内容和类型，梳理出了信访举报、合规管理、资源利用、环境风险、污染排放、生态保护、行政处罚等相关维度，对企业环境进行全方位探查与监测。

经过数据处理和指标计算后，采用可视化的方式，将企业环境表现模型的结果，以雷达图等各种前端可视化形式进行展示，方便用户对模型结果进行实时掌握。

（2）绿金客户识别模型

主要是利用行内外各方面的数据，综合考虑企业方方面面的状态，对企业的绿色状态进行判别，并赋予客户响应的绿色分值，从而识别出潜在的绿色金融客户。

客户识别模型，属于二分类监督学习模型，管理平台采用了传统机器学习模型和深度学习模型进行双线对比分析，进而筛选出为合适的客户识别模型，并通过输出客户绿色分值来衡量企业客户的绿色潜力和价值。

四、项目过程管理

预期的项目实施周期为2021年7月1日至2023年6月30日。项目实施按照参照《中国建设银行苏州分行金融科技项目管理实施细则（2021年版）》管理。分阶段的排期计划如下：

*****阶段（2021年7月1日-7月15日）：项目需求分析及方案初稿制定；

第二阶段（2021年7月16日-8月15日）：确定各项数据口径，获取开发数据；

第三阶段（2021年8月16日-11月15日）：系统开发并初步测试成功；

第四阶段（2021年11月16日-12月31日）：系统试运行和上线。

第五阶段（2022年1月3日-5月31日）：系统正式运行及推广。

五、运营情况

绿色金融管理平台将2万多篇经过人工标注过的高质量样本作为训练数据，采用BERT预处理模型进行训练，终模型的精确率和召回率均可达95%以上，模型的性能得到保障。

对海量的数据进行处理分析，建立多维度指标体系和多个业务模型后，平台产生了诸多数据成果，故而可更好地支持业务应用。

1.智能获客活客

绿色金融管理平台加载的智能比对工具可用于初筛工商企业中潜在绿金客户，将之推送至团队跟进营销，并反馈进度至GIS显示。平台GIS功能还可显示存量绿金客户关联企业，并将潜在业务机会推送至团队，实时追踪营销进度和结果反馈。

对于有未认定债项的绿色金融客户，平台GIS会全部进行前端展示，同步推送至管护权机构进一步确认，并对反馈结果进行说明，从而帮助工作人员开展活客行动。

此外，从中债登、上清所、中证登等登记清算机构爬取全市注册企业的绿色债券、绿色基金、绿色资产证券化等信息，同样可以通过平台GIS进行分析展示，帮助工作人员跟踪有需求客户定向营销。

2.绿色金融分析

绿色金融分析，主要分为客户分析、业务分析和辅助分析三类，分别用于帮助管理客户、扩展业务和日常管理：

客户分析：GIS显示绿色金融客户前五大行业，客户归属部门，客户规模，环境和社会风险分类等维度直观显示各二级行分布情况；

业务分析：GIS显示绿色金融业务类型，包括但不限于不同授信品种、投贷联、绿色租赁等；还展示绿色资产质量类别、期限类别；

辅助分析：按照设定规则分类形成分析图表，协助各机构日常管理。

3.企业监测预警

平台可从企业环保脸谱、环保曝光平台、重点排污企业、联合惩治企业四个层面对企业环境和企业绿色进行监测，并对企业风险进行实时预警。

GIS功能将企业信息、企业环保评价、企业违法违规事项等多种信息进行整合，并与地图空间信息想融合，实现企业绿色监测立体化。

4.区域监测预警

平台还可对区域环境进行监测，包括区域大气环境监测及预警、区域水环境监测及预警、“三线一单”及资产分布预警，将对企业的绿色识别与判定，升级到对区域的绿色识别与判定，为进一步开展绿色金融业务奠定前期基础。

5.双碳监测预警

以党中央关于“碳达峰、碳中和”的指导意见和思想为主，以绿色金融业务场景为试点，开展双碳概念的试点落地与运行。平台目前主要设计了碳排放总量、耗电量和单位贷款碳指标三个碳维度指标，评估企业在碳经济中的实力、潜力和风险等。

六、项目成效

本项目针对绿色金融领域打造的绿色金融管理平台，带来了较为可观的项目成效。以下从数据、体系、业务、管理和社会等层面展示管理平台所带来的效益。

1.数据效益

绿色金融管理平台接入了包括苏州住建部、公众环境研究中心、企查查、网络爬虫等多个来源的数据，并且对后续的场景拓客营销和预警监测数据进行回流存储，进一步丰富平台数据池里的数据量和数据内容，既提升了数据资产，又强化了数字驱动营销的能力。

2.体系效益

绿色金融管理平台，在数据处理过程中打造了一套结构化、标准化的数据规范，形成了完善的数据治理体系，从准确性、完整性、一致性等层面保证了数据质量，奠定了后续模型成效的可靠和可信赖。

3.业务效益

截至2022年5月22日，累计对模型识别出的2500余户疑似绿色企业开展营销，目前名单内企业已经在苏州建行有绿色贷款余额的共380户，客户扩面见成效。

4.管理效益

将绿色金融工作摆在各项工作的突出位置，持续优化金融管理机制，强化分行对二级行的支持，将新金融行动和绿色金融有机结合，加强绿色金融新领域、新模式研究。

5.社会效益

积极响应中央“碳达峰、碳中和”目标，协助苏州市建立环保信用信息共享机制，推动“绿色信贷”标准，解决银企环保信息不对称问题。利用银行在金融行业中的特殊地位，以信贷为抓手为绿色产业的发展提供资金支持。

七、经验总结

建行苏州分行在近年的数字化经营工作中，一直致力于落实环境和社会风险管理机制，挖掘营销绿色金融客户，开发建立绿色金融GIS平台并取得不错的成效。

本项目引入了环境表现数据、企业公开信息以及内部信贷数据，对工商、企业、环保、金融数据实现了全方位的整合，为数字化经营奠定了数据基础；数据处理过程中，利用基于神经网络方法的命令实体识别（NER）技术完成文本数据特征挖掘，借助自然语言处理和知识图谱技术构建绿色客户识别模型、企业环境表现模型以及绿色潜在客户挖掘模型等业务模型；终借助地理信息科学（GIS）技术实现绿色金融空间可视化分析，继而依托建行RAD、RMD、慧风控平台等平台和能力，开展环境和社会风险监测，完成营销、分析、预警一体化的智能平台建设。

绿色金融管理平台是我行在深入研究并落实总分行加快绿色信贷投放政策的战略产品，平台至今已取得诸多成效，具有重要的项目意义：

进一步提高政治判断力、领悟力和执行力，将绿色金融工作摆在各项工作的突出位置；

通过完善组织架构、创新工作方法、强化客户基础等方面持续优化金融管理机制；

通过提升专业能力、重大项目推进、产品创新探索等方面强化对二级行的支持；

将新金融行动和绿色金融有机结合，加强绿色金融新领域、新模式研究。

建行苏州分行的绿色金融管理平台在绿色信贷领域取得的显著成效，为全行培育绿色金融发展新优势起到了良好的探索示范作用，证明了绿色金融评级模型以及金融GIS系统在赋能业务以及管理方面有重大的推广价值，是我行在绿色金融项目建设的重要案例。

虽然绿色金融管理平台接入了众多数据，并且建立了企业层面、区域层面的监测预警机制，但平台目前对辖内大气环境、碳排放指标等未进行全面监测，无法对环境因素影响下信贷结构调整提供建议策略。后续可以继续对平台进行优化升级，尽可能补充未监测的指标，丰富模型维度、预警监测维度，更全面的助力绿色金融业务开展。