委托贷款为何连续两月高增？

作者丨杨志锦

编辑丨马春园

央行10月11日发布的金融统计数据显示，初步统计，2022年前三季度社会融资规模增量累计为27.77万亿元，比上年同期多3.01万亿元。其中，委托贷款增加3298亿元，同比多增4440亿元。

单月来看，9月社融口径下委托贷款新增1507亿，8月为新增1755亿。历史对比看，2018年以来委托贷款整体呈现净减少的态势，因此8月、9月连续两月委托贷款高增长显得十分异常。

委托贷款纳入表外融资统计，由于链条较长，近年成为监管部门压降的对象。央行调查统计司9月中旬发布的《推动债务结构优化、支持实体经济发展》一文指出，防范化解重大金融风险攻坚战取得重要的阶段性成果，2018年资管新规实施，表外债务风险持续收敛。2022年6月末，委托贷款、信托贷款、未贴现银行汇票余额分别是2017年末的77.7%、46.9%和63.7%，明显收缩，存量债务风险得到有序释放。

对于8月、9月委托贷款高增，一种解释是政策性开发性金融工具的带动。

6月29日召开的国务院常务会议决定，运用政策性、开发性金融工具（市场也称基础设施投资基金），通过发行金融债券等筹资3000亿元，用于补充包括新型基础设施在内的重大项目资本金。8月24日的国常会表示，增加3000亿元以上政策性开发性金融工具额度，即基础设施投资基金规模达到6000亿以上。

公开信息显示，7月下旬基础设施基金开始投放。国开行披露，截至9月20日，国开基础设施投资基金已投放资本金3600亿；农发行披露，截至9月16日，首批和第二批共计1900亿基础设施投资基金均已投完。进出口银行9月28日披露，进银基础设施基金圆满完成500亿投放任务。换言之，6000亿基础设施投资基金在8月、9月集中投放。

记者了解到，政策性、开发性金融工具主要采取股权投资、股东借款等方式投入项目，用于补充项目资本金缺口。实践中，以股东借款的方式居多。而在股东借款模式中，基础设施投资基金公司、政策性银行或国开行、项目公司股东三方签订股东借款合同，基金公司委托银行对项目公司发放贷款，项目公司股东再以贷款资金对项目公司进行增资。

8月、9月政策性开发性金融工具的投放中，大部分资金以股东借款方式投放，或被计入委托贷款统计口径，导致委托贷款出现明显增长。

东方金诚首席宏观分析师王青则表示，近两个月委托贷款新增规模较大，主要源于近期各地公积金贷款新政频出，有效提振了公积金贷款需求。

华泰证券研究所副所长张继强表示，非标是9月社融同比多增的第二大支撑。委托贷款增长主要源于基础设施投资基金投放的资本金贷款，公积金贷款（也计入委托贷款）可能也有少量贡献。

根据委托贷款管理办法，委托贷款是指委托人提供资金，由银行（受托人）根据委托人确定的借款人、用途、金额、币种、期限、利率等代为发放、协助监督使用、协助收回的贷款，不包括现金管理项下委托贷款和住房公积金项下委托贷款。

其中，现金管理项下委托贷款是指商业银行在现金管理服务中，受企业集团客户委托，以委托贷款的形式，为客户提供的企业集团内部独立法人之间的资金归集和划拨业务。住房公积金项下委托贷款是指商业银行受各地住房公积金管理中心委托，以住房公积金为资金来源，代为发放的个人住房消费贷款和保障性住房建设项目贷款。

央行在披露社融数据中的附注中表示，2015年1月起，委托贷款统计制度进行了调整，将委托贷款划分为现金管理项下的委托贷款和一般委托贷款。社会融资规模中的委托贷款只包括由企事业单位及个人等委托人提供资金，由金融机构（即贷款人或受托人）根据委托人确定的贷款对象、用途、金额、期限、利率等向境内实体经济代为发放、监督使用并协助收回的一般委托贷款。据此看，社融口径下的委托贷款包含公积金委托贷款，但不包含现金管理项下的委托贷款。

END

本期编辑黎雨桐实习生林曦莹

如何抽丝剥茧挖出国有金融公司腐败案？纪委书记在中纪委机关刊撰文揭秘

党的二十大报告要求加强干部斗争精神和斗争本领养成，在我看来，这也是纪检监察干部的一项“必备本领”。回顾我们查办的某国有公司原党委副书记、总经理舒某某严重违纪违法案，我更加深刻地认识到，只有秉持“越是艰险越向前”的斗争意志，练就“魔高一尺，道高一丈”的斗争本领，才能精准识别、精准查处腐败问题，一体推进惩治腐败和防控风险。

精准识别腐败问题，需要坚持问题导向，提高政治敏锐性，善于从苗头性、倾向性问题中循线深挖。2021年9月，区委巡察时发现，某国有金融公司多笔担保贷款、委托贷款逾期未收回，曾任董事长的舒某某涉嫌造成国有资产流失，巡察组遂将该问题线索移交区纪委监委。我们在研判时认为，该国有金融公司是万州区重要的融资平台，具有为实体经济“造血”的功能，其背后一旦有违规决策、利益输送等腐败问题，带来的不仅仅是经济损失，更将影响金融服务实体经济作用的发挥。经集体研究，我们立即成立了核查组对该问题线索进行初核。

金融领域腐败具有隐蔽性强、专业性高的特点，对于核查组而言，这是一个相对陌生的领域，要啃下这块“硬骨头”并不容易。核查组迎难而上，查阅了大量融资担保领域的专业资料，并向相关职能部门调取了相关政策文件，仔细研读。在吃透相关政策规定的前提下，进一步调取公司经营资料，查询舒某某个人财产情况，抽丝剥茧进行数据统计、比对分析，发现该公司代偿的银行贷款本息金额巨大，且舒某某与担保及委托贷款对象存在大额经济往来。今年2月，经区委主要负责人批准，我们对舒某某进行立案审查调查，并经市监委批准，对其采取了留置措施。

查处腐败问题仅有斗争精神还不够，更要增强斗争本领，提高政治判断力、政治领悟力、政治执行力，善于从政治上分析和把握问题。审查调查发现，舒某某涉嫌“以贷谋私”，违反相关规定向相关企业发放委托贷款或提供担保，造成公司巨额损失，并非法收受他人大额财物。集体研判后，我们认为这不仅是经济问题，还可能引发金融风险，因此不能就业务论业务，必须坚持从政治上看，深挖背后的政治问题。

聚焦习近平总书记防范化解金融风险重要讲话精神和党中央防控金融风险的重大决策部署，审查调查组对舒某某管理国有金融公司过程中的贯彻落实情况进行全面核查后发现，舒某某作为国有金融公司“一把手”，在公司经营管理中，不注重防控担保业务和委托贷款业务风险，未建立或未严格执行风控制度和内控制度，对多笔担保业务及委托贷款未开展实质调查和动态信用风险排查，公司委托贷款、担保贷款的大量款项到期未收回，造成了国有资产流失和地方债务增加的风险，是落实党中央决策部署打折扣、违反政治纪律的典型。

今年8月，舒某某受到开除党籍、开除公职处分，涉嫌犯罪问题移送司法机关依法处理。在查办案件的同时，我们深挖舒某某严重违纪违法特别是违反政治纪律的思想根源。他在忏悔中说到，自己过去仅从公司经营业务的角度认识担保和委托贷款业务，没有从金融服务实体经济的高度来把握，对于业务风险也认为只是简单的经营风险，没有站在防控金融风险的高度，对于上级的相关决策部署、制度规范等文件，收到后往往束之高阁，做事凭直觉凭经验而不是依制度依规定。

通过查办舒某某案，我们认识到，做到“两个维护”，必须引导督促党员干部真正悟透党中央大政方针，扎实贯彻党中央决策部署，着力纠正贯彻落实中存在的政治偏差，确保执行不偏向、不变通、不走样。案件查结后，我们协助区委开展全区领导干部“以案四说”警示教育和国有企业领域以案促改、以案促治工作，督促区国资委和区属国有企业全面排查风险隐患，完善相关议事决策、监督管理制度并发挥制度刚性约束作用。

金融风险只是当前我们面临的诸多风险考验之一，党的二十大报告指出，我国发展进入战略机遇和风险挑战并存、不确定难预料因素增多的时期。我们认为，作为纪检监察干部，必须练就透过业务看政治、透过表象看本质的真功夫，精准识别政治问题、纠正政治偏差，为防范化解风险提供有力政治保障。（作者：重庆市万州区委常委、区纪委书记、区监委主任）

栏目主编：顾万全文字编辑：曹飞题图来源：上观题图图片编辑：雍凯

来源：作者：中国纪检监察杂志社李小军

偶数科技亮相服贸会 -用湖仓一体实现基于业务本质的监管数据治理

2022年9月3日，由中国社会科学院社会科学文献出版社、中国支付清算协会、北京金融科技产业联盟指导，由北京区块链技术应用协会（BBAA）主办的“W3.0发展趋势高峰论坛暨2022元宇宙、区块链、金融科技蓝皮书发布会”在服贸会上成功举行，偶数科技应邀出席。大会隆重发布《中国金融科技发展报告》、《中国区块链发展报告》、《中国元宇宙发展报告》三部年度蓝皮书。其中偶数科技参与了本年度的《中国金融科技发展报告》编写。会上，偶数科技专家蒋秀峰就主题《用湖仓一体实现基于业务本质的监管数据治理》进行了分享，以下为发言实录：嘉宾发言现场非常高兴有这个机会把偶数科技在数据资产管理领域的一些实践和探索成果跟大家分享。今天我分享的题目是《用湖仓一体实现基于业务本质的监管数据治理——如何做好数据资产化工作》。数据治理是我们完成数据资产转化一个非常重要的手段，所以小标题是数据资产化。如何做好数据资产化相关工作？难道之前数据资产化（如数据治理）的工作我们做的不好吗？过去10到15年我们的金融机构其实做了大量的数据管控和数据治理相关的工作，取得了非常不错的成绩。我们可以回顾一下我们数据管理类系统经过了十几年建设之后的数据应用的现状。几个数字跟大家分享一下：第一个，90%可以说接近90%的金融机构已经完成了数据仓库、大数据平台等这类平台的建设工作。第二个，100%已经建设完数据平台的企业几乎100%同时做了数据管控和数据治理相关的工作。第三个，80%我们已经完成了这些数据管控和数据治理的前提下，我们看到约80%的数据管控系统应用情况并不乐观，他的效费比相对是比较低的。第四个，100%现在几乎所有的数据治理的工作呈现出“运动式”治理的特点，针对不同领域每个阶段进行数据治理工作。第五个，60%数据使用过程中接近60%的工时和资源消耗在数据准备的过程，并且更多的是通过外包的开发资源，外包的资源实际存在上面第1、第2和第3的特点，一个外包资源在做数据准备工作的第一年可能质量、效果、效率都不是很能满足要求，第二年各方面做的不错，第三年可能就走了，这意味着一些重复性的工作，挑战性不大。第六个，80%以监管为例，我们发现在监管报送的数据质量方面，80%会出现一些错报、漏报，更多是因为数据治理没有很好的解决底层业务复杂性，稍后我会讲为什么业务复杂性会影响到整个数据质量。数据资产化工作现状以上是当前数据应用过程中遇到的问题和特点，由这几个特点可以得出：我们的数据治理工作过去10到15年虽然取得了非常不错的成效，但是仍然有进一步的提升空间，这个提升空间就是我们做好数据治理工作的目标，我们把这个目标再提炼一下，至少从偶数科技实践和观察角度应该包括三个部分：第一点，要形成一套基于业务视角的统一数据模型，这套数据模型是要解决底层业务逻辑复杂性的。第二点，这套数据模型能够切实解决数据应用过程中数据看不懂、数据找不到、数据找不全，以及数据应用过程中主要依靠个人经验的问题。第三点，能够形成一套满足不同用户、不同应用场景的数据架构。这是我们认为做好数据资产化工作最基础的三点。为什么要基于业务本质进行数据治理工作？过往在数据治理过程中更多的是偏向于业务的数据质量治理，以及业务数据的可读性，主要集中在元数据缺失治理和准确性治理，这种治理带来的好处是在使用数据的时候可以用表的名称来判断表中业务数据的范围以及业务含义，比如，我们经常看到的《对公客户信息表》可以判断其包含所有对公客户的信息，这种判断大多数情况是有效的。但是我们也发现，今年一季度银保监会发布了一个EAST处罚信息，1/5以上的金融机构都被处罚，总共罚款8000多万。处罚原因是数据的错报、漏报、瞒报，为什么会发生错报、漏报、瞒报？我们可以通过一个简单的例子分析其原因。假如要统计全机构风险数据资产，针对委托贷款风险数据资产是否应该纳入进来，这是非常细节的问题。委托贷款可以在现金管理项下，也可以在非现金管理项下。（1）从业务口径角度，我们可能对“委托贷款风险数据资产”的定义有理解偏差，进而直接影响到监管报送的数据质量；（2）即便没有理解偏差，我们在实际进行“委托贷款风险数据资产”数据提取整合过程中，该数据分散在不同的业务系统（如信贷、国际结等系统）仍然会对数据提取造成障碍，最终造成错报和漏报。因此，偶数科技通过实践和分析发现，错报、漏报背后的根本原因是金融机构在数据处理过程中没有基于业务本质对底层逻辑化繁为简。除了基于业务本质的数据治理，还有一个关键词是监管数据治理。前面我们分享提到，金融行业数据管理及应用领域普遍外包的现象，少有企业有意愿、有能力投入大量的资源进行相关工作。但监管机构例外，监管机构面向的是几千家不同的金融机构，无论从业务能力、技术能力以及职能目标，都需要建立一个基于风控视角的数据模型，这个数据模型现在以EAST最为典型（审计署也有一套统计数据模型起到了同样的作用）。实践层面来看，EAST从1.0、2.0到5.0，一直是基于业务本质的设计思路，我们是可以借鉴监管研究成果进行基于业务本质的数据治理工作的。我们前面说到的相关数据治理成果，形成风控视角的统一数据模型，其应用场景也是丰富的、有价值的。应用场景最有价值之处在于如何构建数据湖或者湖仓一体平台。通过这张图，我们看到的是技术发展的脉络，通过技术发展这个脉络，我们总结出数据管理平台的现状和不足。监管数据治理成果的应用（湖仓一体）第一个阶段是早期传统OLTP数据库的出现。从第二阶段，大规模并行处理技术MPP出现的同时，数据管理平台对应的是我们数据仓库建设的阶段，大概是在2004年、2005。有些起步较早的国际厂商（如IBM和TD）既有底层的数据库平台，也有上层的数据仓库建设方法和统一的数据模型，这套数据模型在市面上得到了金融客户的认可。现在数据湖厂商的一个特点是只关注底层技术平台，上层的平台建设方法呈现出百家争鸣的特点，并没有形成一套行业标准和被认可的数据模型，偶数也在思考和探索湖仓一体的数据模型到底应该如何建设。实际上，基于监管数据治理后形成的面向风险管控的统一数据模型是非常重要的，能够指导我们建设湖仓一体平台。高性能的底层基础平台加上上层的整合的数据模型，能够更便捷的支撑我们的数据应用，成为数据应用的加速器。当然数据治理不仅是刚才说到的基于业务本质做数据整合，还包括数据资产本身的盘点、传统数据管控三大项、基于数据向上做的元数据治理、业务数据治理、数据画像工作和数据资产运营。传统的数据管控或数据治理是为治而治，并没有建立管控与应用之间的抓手，抓手的问题其实要通过数据应用相关策略和手段进行。以上是偶数科技数据治理的研究，目前偶数已经有一些实践和探索成果，并且我们研发了一套统一的监管数据模型，我们把这套统一的监管数据模型叫做偶数模式。偶数模式与进阶模式不同，在进阶模式，虽然很多银行都有统一的监管数据平台或监管报送系统，但是其底层架构仍然是数据分体的，这也是为什么金融机构即便正确理解了某一业务口径（如委托贷款风险数据资产），实操层面仍然不可避免受到技术架构掣肘，造成疏漏。偶数科技监管数据治理研究成果偶数不但已经探索研发的监管数据模型以外，还有一套完整的实施方法和流程，这套实施方法流程区别于传统方法的，是引入了数据资产这个概念，结合前面提到的数据资产的运营手段，偶数实施方法论完成底层业务复杂逻辑所要求的模型整合。此外，我们还有配套的工具类产品，包括基于数据开发和数据管理的组件Lv，向上数据应用、数据分析的组件K和Li建模平台。因此，偶数从工具层面、实施方法层面、模型层面都能更好的支撑金融机构完成基于业务本质的监管数据治理，应用到统一的报送平台。当然，这套方法也可以扩展出如刚才提到的面向审计的统一数据治理和数据模型、面向营销的统一数据治理和数据模型。我的分享就到这里。谢谢大家！