来源：2022第三届中小金融机构数智化转型优秀案例评选
获奖单位：中国建设银行苏州分行
荣获奖项：
专家好评TOP10优秀案例奖
一、项目方案
绿色金融管理平台是我行基于金融GIS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、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、模型工场、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，最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、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；最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，从而保障可以选出最为合适的算法，建立性能最好的模型。
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。
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
