2026信贷智能风控数智化转型：全流程升级万字报告（附PPT）

球迷Long

2026/03/24 19:36

核心摘要

智能风控已从信贷业务的“成本中心”彻底转型为“价值创造中心”——这是金融机构穿越周期的生存刚需。

（文末附PPT）

截至2025年底，中国智能风控市场规模已突破680亿元，金融领域占比高达72%（其中银行端渗透率超60%）。

从获客到贷后，智能风控通过全链路动态管控实现风险与效率的平衡：

1 营销端精准锁定高价值客群，降低无效申请率；

2 贷前构建“身份核验-反欺诈-信用评估”三道防线，提升审批效率；

3 贷中实时监控风险异动，延长预警提前期；

4 贷后智能匹配催收资源，提升逾期回收率。

更关键的是，全流程风控并非孤立模块的拼接，而是基于“数据驱动+模型迭代+策略协同”的底层逻辑，通过联邦学习、知识图谱等技术实现跨环节风险传导的穿透式管理，最终从“单点防御”升级为“体系化防御”。

一、引言：信贷风控的数字化转型浪潮

在2026年金融信贷领域的转型深水区，“风险”二字的权重被前所未有的放大——这是因为宏观经济波动带来的客群偿债能力分化，更源于金融科技对传统业务边界的重构：纯线上信贷业务占比已从2019年的不足20%跃升至2025年的87%，跨机构、跨场景的资金流动日益频繁，传统风控的“静态规则+事后补救”模式，早已跟不上业务的实时性要求。

1.1 传统风控的痛点与挑战

传统信贷风控长期被“信息不对称、效率低下、主观性强、风险滞后”四大顽疾困扰，最终形成“高成本、低精准、慢响应”的死循环：

信息孤岛严重，共享效率极低：据调研，金融机构平均仅35%的业务数据实现跨部门共享——零售风控模型因无法获取社保数据，收入验证准确率比行业平均低12个百分点；对公业务中，无法穿透企业集团的隐性担保链条，导致关联风险传导频发，某股份制银行曾因未识别企业的隐性互保圈，在2024年的行业周期下行中产生超20亿元的不良暴露。

人工依赖度高，效率成本双输：传统人工审批模式下，小微贷款尽调平均每人每天耗时120分钟，单笔审批成本超200元，而错审、漏审率普遍在6%-12%之间——这种“人海战术”不仅无法覆盖海量线上客群，更让金融机构在“规模扩张”与“风险管控”之间陷入两难。

风险识别滞后，处置窗口狭窄：传统风控多依赖历史静态数据（如央行征信报告），对客群的实时行为变化、企业的经营动态感知严重不足。例如，某制造企业的核心供应商出现违约，传统风控要等到企业逾期还款才会触发预警，但此时风险已传导至资金链，处置窗口基本关闭。据行业统计，传统贷后预警的平均提前期仅1.5个月，而智能风控可将这一指标延长至6个月，为风险处置争取了关键时间。

合规压力凸显，规则适配性差：2025-2026年，监管政策密集落地——从《银行保险机构数据安全管理办法》对数据脱敏的严格要求，到《个人贷款管理办法》对面谈面签的强制规定，传统风控系统的刚性规则无法快速适配监管变化，导致部分机构因“规则更新滞后”收到监管罚单，仅2025年上半年，银行业因风控合规问题被处罚金额就超1.2亿元。

1.2 智能风控的崛起与价值

智能风控的核心，是通过“全流程覆盖+动态实时评估+数据驱动决策”，破解传统风控的痛点：它是嵌入从获客到贷后每一个环节的“价值放大器”——这一转变的本质，是将风控从“被动防御”升级为“主动管理”。其核心价值可概括为三点：

全流程覆盖：打破“营销不管风控、贷后不管贷前”的部门壁垒，将风控节点从贷前审批前移至获客阶段、后延至贷后全生命周期，实现“获客即风控、用款即监控、逾期即处置”的闭环管理。

例如，某头部城商行将贷前反欺诈模型的特征变量，提前嵌入营销获客的用户标签体系，从源头过滤高风险客群，使得后续贷前审批的无效申请率直接降低32%。

效率与精度双提升：通过机器学习、规则引擎等技术，将审批时效从“天级”压缩至“分钟级”甚至“秒级”——平安“智盾”平台的信息识别准确率超99%，前端审核效率提升75%；度小满通过AI风控系统迭代，将违约预测准确率提升42%、风险客户召回率提升35%，同时将误判率降低28%，最终实现信贷不良率降至1.2%的行业领先水平。

合规与创新平衡：借助联邦学习、差分隐私等隐私计算技术，在满足《个人信息保护法》“数据最小化、目的限定”要求的前提下，实现跨机构数据的安全共享——某第三方征信机构的试点项目显示，联合数据共享可使欺诈识别成本降低61%，同时完全规避数据泄露风险。

二、智能风控在信贷业务全流程中的具体应用

信贷业务的本质是“经营风险”，而智能风控的价值，就在于对每一个业务环节的风险进行精准管控——从营销获客的“精准筛选”，到贷前审批的“严格把关”，再到贷中用款的“实时监控”，最后到贷后管理的“智能处置”，每一个环节的风控逻辑，都紧密围绕“风险与价值的平衡”展开。

2.1 营销环节：风控前置，精准获客

营销环节的核心目标，是在“获取客户”与“控制风险”之间找到平衡点——传统“广撒网”式营销，不仅导致获客成本高企（2025年行业平均获客成本超300元/人），更将大量高风险客群引入后续流程，推高了整体风控压力。智能风控的作用，是将风控前置至获客端，通过“精准识别高价值客群、过滤低质量申请”，实现“风险前置、成本优化”。

2.1.1 客户意向评估

客户意向评估的核心，是通过多维度行为特征，预测客户对信贷产品的响应概率——这不是简单的“用户画像”，而是基于行为数据的“意图识别”。其技术逻辑与落地效果，已在头部机构的实践中得到验证：

技术方案：基于用户的APP浏览轨迹、内容互动频率、渠道来源、历史金融行为等特征，通过逻辑回归、XGBoost等算法构建营销响应模型，输出0-100分的意向评分——评分越高，客户对信贷产品的接受度和还款意愿越强。为了进一步提升精准度，部分机构还会叠加“因果推断模型”，识别“哪些客群是真正需要信贷支持的，哪些是被营销信息诱导的”，避免无效触达。

量化效果：某头部消费金融平台在推广现金贷产品时，通过意向评估模型筛选出高意向客群进行精准短信触达，不仅营销响应率提升25%，还将客户投诉率降低了18%——这背后的逻辑是：高意向客群本身有真实需求，不会因营销信息产生反感，而低意向客群的过滤，直接减少了无效沟通的成本。

数据支撑：某城商行的试点数据显示，通过意向评估模型筛选的客群，其最终的贷款激活率比随机触达客群高出47%，而不良率反而低了0.8个百分点——这意味着，意向评估不仅提升了获客效率，更从源头控制了风险。

2.1.2 客群细分与分层

客群细分与分层的核心，是“千人千面”的差异化风控策略——不同客群的风险特征、还款能力、产品需求差异巨大，用同一套规则管控，要么会“错杀优质客群”，要么会“放过高风险客群”。智能风控通过聚类算法与标签体系，实现客群的精准划分：

技术方案：通过K-means、DBSCAN等无监督聚类算法，结合用户的职业、收入、消费习惯、风险偏好等200+维度标签，将客群自动划分为“高价值白领”“蓝领周转客”“小微经营主”“新市民”等细分群体；再通过有监督学习模型，对每个群体进行风险评级（如A、B、C、D级），为后续的产品匹配、额度定价提供依据。例如，平安银行构建了2000+维度的客户标签体系，覆盖消费行为、风险偏好、资产状况等全场景，可实现客群的秒级细分。

量化效果：厦门银行通过客群细分策略，将优质客群的授信额度提升了15%，同时将高风险客群的申请通过率降低了22%，最终实现整体不良率下降0.9个百分点。这一效果的核心，是“把资源留给真正有价值的客群”——优质客群的额度提升，不仅提升了客户满意度，更增加了复贷率；而高风险客群的精准过滤，直接减少了不良暴露。

典型案例：青岛农商银行针对对公长尾客群，搭建了“资产提升概率预测模型”——该模型基于企业近三年的存款、结算、产品持有等数据，预测企业未来季度的资产提升概率，形成精准营销名单。试点结果显示，该模型筛选的客群，贷款申请率比普通客群高出31%，且不良率控制在0.7%以内。

2.1.3 风控前置的业务价值

将风控前置到营销环节，其价值远不止“降低获客成本”——它本质上是重构了“营销与风控”的关系：从“营销先获客、风控后过滤”的串联模式，升级为“风控指导营销、营销嵌入风控”的并联模式。某头部城商行的实践数据，最能体现这一价值：

通过将反欺诈规则嵌入营销漏斗，该行的无效申请率降低了35%，单客获客成本从320元降至210元，同时将整体不良率控制在1.1%以内——这意味着，风控前置不仅没有阻碍业务发展，反而成为了业务增长的“催化剂”。

2.2 贷前环节：筑牢防线，精准审批

贷前是信贷风险防控的核心关口——超过70%的风险事件，都源于贷前审批的疏漏。智能风控在贷前环节构建了“身份核验-反欺诈-信用评估-额度定价”的四层防御体系，将风险拦截在业务入口处。

2.2.1 身份验证与反欺诈

身份验证与反欺诈是贷前的“第一道防线”——其核心目标是“确认你是你，确认你是好人”。随着黑产技术的升级（如AI换脸、语音合成），传统的“密码+短信验证”已完全失效，智能风控需构建多维度的生物探针与关系图谱体系：

技术方案：采用“多模态生物特征融合+设备指纹+关系图谱”的三维验证体系，覆盖“人-设备-关系”三个核心维度：

量化效果：邮储银行依托这一体系，2025年上半年累计保护潜在受害账户逾10万户，防止客户资金损失超8亿元——其反欺诈模型的识别准确率，已从传统的58%提升至89%。

典型案例：还呗针对AI换脸诈骗，通过分析面部微表情、语音语调的细微变化，构建了“活体检测+行为特征”的双层验证模型——该模型可精准识别“非实时人脸”“语音合成”等欺诈手段，上线以来已拦截超3万笔AI换脸欺诈申请，拦截率达99.5%。

2.2.2 信用评估

信用评估是贷前的“核心环节”——其本质是将“不可量化的信用”转化为“可计算的分数”。传统信用评估仅依赖央行征信报告，覆盖维度有限；智能风控则通过“结构化+非结构化”数据的融合，实现更精准的风险画像：

技术方案：采用“央行征信+大数据征信+联邦学习”的融合模式，突破数据壁垒：

量化效果：某国有银行构建的“经营健康度指数”模型，覆盖增值税申报频次、用电量波动、社保缴纳人数等维度，最终将户均贷款额度从120万提升至350万，不良率控制在0.98%以内——这意味着，通过多维度数据的融合，银行可以更精准地识别企业的真实经营状况，而不是仅依赖抵押物。

典型案例：中信百信银行的“AlphaMo”智能风控项目，深度融合大模型的全栈AI能力，构建了“挖掘智能体+模型智能体+策略智能体”三类风控智能体——其中，模型智能体可自动从海量数据中挖掘高价值特征，将特征挖掘效率提升了1倍，最终实现信用评估准确率提升22%。

2.2.3 额度与定价评估

额度与定价评估的核心，是“风险与收益的精准匹配”——既要满足客户的合理资金需求，又要覆盖风险成本。传统额度定价多依赖人工经验，容易出现“额度过高、定价过低”或“额度不足、定价过高”的问题；智能风控则通过量化模型，实现“千人千额、千人千价”：

技术方案：基于信用评分、DTI（月度负债收入比）、行业风险系数等指标，构建“基础额度×风险系数”的动态计算模型。

同时，引入“差异化定价引擎”：针对优质客户（如公务员、事业单位员工），可享受比基准利率低10%的优惠；针对高风险客户（如征信有轻微逾期记录），利率可能上浮20%-50%——这一机制，本质是让“风险越高的客户，承担越高的成本”。

量化效果：度小满通过这一模型，实现了153档的差异化定价——综合评估42个维度的风险特征，最终将复贷率提升至68%，逾期率降低0.3个百分点，同时将不良率控制在1.2%以内。这一效果的核心，是“定价精准匹配风险”——优质客户因低利率愿意复贷，高风险客户因高利率主动筛选，最终形成了“良性循环”。

典型案例：微众银行的“微粒贷”，通过“白名单+动态额度”机制，实现了“3分钟申请、1秒到账、0人工干预”的全线上流程——其额度调整频率为每月1次，基于客户的月度还款行为、负债变化等数据动态更新。上线至今，“微粒贷”已服务超3亿用户，发放贷款超5万亿元，坏账率却一直保持在1%以下。

2.3 贷中环节：动态监控，实时干预

贷中是风控的“盲区”——传统风控多在贷前完成审批，贷中仅监控“是否逾期”，但客户的还款能力、经营状况可能在贷后发生变化（如失业、企业订单下滑）。智能风控的核心，是通过“实时监控-动态预警-智能调整”，实现风险的“早发现、早干预”。

2.3.1 额度和定价调整

贷中额度和定价调整的核心，是“动态适配风险变化”——客户的风险不是静态的，贷前的低风险客群，可能因贷中的行为变化（如频繁申请网贷、收入下降）变成高风险客群。智能风控通过“固定周期评估+事件触发评估”的双机制，实现实时调整：

技术方案：

量化效果：交通银行广东分行通过这一机制，已完成2万户的自动调额，有效遏制了涉案账户的增长态势——其中，对高风险客群的额度下调，直接减少了超1.2亿元的潜在损失。

典型案例：某头部互联网银行的“动态额度调整引擎”，支持“日级”的额度更新——当客户的行为评分上升时，系统会自动提升其额度；当评分下降时，系统会自动下调额度。上线以来，该引擎已累计调整超1000万户的额度，将整体不良率降低了0.5个百分点。

2.3.2 交易风险与反欺诈

贷中交易反欺诈的核心，是“实时识别异常交易”——客户的欺诈行为，可能发生在贷后的任何一个环节（如资金挪用、团伙套现）。智能风控需构建“毫秒级”的实时监控体系：

技术方案：基于Flink流处理技术构建实时风险预警引擎，采集客户的交易时间、地点、金额、对手方等100+维度的实时数据，通过孤立森林算法识别“异地IP+新设备+大额转账”等异常交易——该引擎的单节点可支撑8000+TPS，规则匹配耗时≤10ms，能在100ms内完成风险识别与处置。

同时，引入“专项增强模型”：针对不同场景（如消费贷、经营贷）构建专属的反欺诈模型，将风控从“账户级粗放管控”升级为“交易级精准拦截”——某实时决策引擎，每秒可承载超40万次风险查询，将风险响应时间从天级缩短至小时级。

量化效果：某智能助贷平台，通过这一体系实现欺诈拦截率稳定在95%以上，不良贷款率下降20%——某头部银行接入该平台后，单月拦截的欺诈交易金额超2亿元。

典型案例：招商银行的“项目贷款AI管理工具”，融合大模型、RPA、OCR等技术，实现千万级流水数据的智能整合与分析——该工具可识别项目贷款资金的异常流向（如流入楼市、股市），上线以来已拦截超300笔违规交易，避免了超5亿元的损失。

2.3.3 贷中风险预警

贷中风险预警的核心，是“提前识别风险信号”——传统预警多依赖财务指标，而智能风控将预警维度扩展至“财务+非财务”的全维度，实现“先知先觉”：

技术方案：采用“红橙黄”三级预警体系，将预警指标从传统的财务数据（如资产负债率、净利润）扩展至非财务数据（如司法涉诉、股权变更、舆情信息、用电量波动），覆盖23项核心指标与47项辅助指标。

同时，引入LSTM神经网络模型，对客户的行为时序数据（如近24个月的交易流水）进行分析，提前识别违约风险——工商银行的LSTM模型，监控超过10万条客户行为指标，可在15分钟内触发预警，比人工监控快了40倍。

量化效果：邮储银行的智能风控助手“邮小慧”，每月自动巡检5.2万笔存量贷款，通过异常交易识别算法提前40天发现风险信号——在货代行业的案例中，系统通过分析海运提单与增值税发票的匹配度，识别出8起虚假贸易融资案件，避免了超3000万元的损失。

典型案例：某农商行的预警体系，将预警提前期从3个月延长至6个月，预警准确率提升至85%以上——通过提前干预（如追加担保、调整额度），该行的不良贷款率下降了1.2个百分点。

2.4 贷后环节：智能催收，及时止损

贷后是风控的“最后一公里”——传统贷后管理面临“资源分配不均、失联修复成本高”的痛点，智能风控通过“还款预估+失联防控”，实现“精准催收、降本增效”。

2.4.1 还款预估

还款预估的核心，是“精准预测还款概率与时间”——其本质是将催收资源从“撒网式”分配升级为“精准化”匹配，避免“对低风险客户过度催收、对高风险客户催收不足”的问题：

技术方案：基于XGBoost、LightGBM等算法，构建还款预测模型——输入变量包括逾期天数、剩余期数、历史还款行为、收入变化、外部环境（如行业景气度）等，输出变量为“还款概率”与“预期还款时间”。

同时，引入“催收策略匹配模型”：根据还款概率，将客户分为“主动还款型”“协商还款型”“恶意逃废债型”，匹配不同的催收策略——例如，对主动还款型客户，仅需发送短信提醒；对协商还款型客户，可提供延期还本方案；对恶意逃废债型客户，需启动司法催收。

量化效果：某模型的还款概率预测准确率达82%，较传统模型提升17%——某头部消费金融公司接入该模型后，在催收人员未增加的情况下，逾期回收率提升了42%，30天以上逾期金额减少了35%。

典型案例：某头部银行的“智能催收系统”，通过还款预估模型，将催收资源集中在高风险客户（还款概率<30%）上——该部分客户的逾期回收率，从原来的25%提升至52%，而整体催收成本下降了30%。

2.4.2 失联预估与修复

失联预估与修复的核心，是“提前识别失联风险+合规修复联系方式”——传统失联修复依赖人工排查，成本高、效率低；智能风控通过多源数据融合，实现“精准定位、合规触达”：

技术方案：

量化效果：某头部消费金融公司的失联修复体系，运行半年后成效显著：新增失联客户数量减少65%，失联修复成本下降58%，因客户失联导致的坏账金额下降42%。

典型案例：某头部银行的“失联修复系统”，通过多源数据融合（如运营商数据、社保数据），可精准定位失联客户的最新联系方式——上线以来，该系统已修复超10万笔失联客户的联系方式，回收逾期资金超5亿元。

2.4.3 贷后智能处置的业务价值

贷后智能处置的核心价值，是“在合规前提下提升回收率”——2026年，《金融机构个人消费类贷款催收工作指引》对催收行为提出了严格要求：每日催收时间不得超过22:00-次日8:00，同一联系方式单日拨打不宜超6次，严禁骚扰无关第三人。

智能风控通过“策略自动化+渠道合规化”，在满足监管要求的前提下，实现回收率的提升：

策略自动化：系统可根据客户的还款概率、失联风险，自动匹配最优催收策略——例如，对高风险客户，自动启动“司法催收+资产处置”流程；对低风险客户，自动发送“延期还本”的协商方案。

渠道合规化：通过智能语音催收、短信催收等合规渠道，替代传统的人工催收——某头部银行的智能语音催收系统，每日有效通话不超3次，既满足了监管要求，又将催收效率提升了3倍。

三、智能风控体系的底层逻辑：模型、特征画像与策略

全流程智能风控的核心竞争力，不在于单一技术的应用，而在于“模型-特征-策略”的协同迭代——这是智能风控的“技术内核”，也是其能够实现“全链路覆盖、动态实时管控”的关键。

3.1 模型维度：从单一算法到分层协同

模型是智能风控的“预测引擎”——其核心逻辑是“用历史数据预测未来风险”。2025-2026年，信贷风控模型已从“单一算法”升级为“分层协同体系”，通过“大模型做特征工厂、小模型做决策”的分工模式，平衡“精度、效率、可解释性”的三角关系。

3.1.1 主流模型选型与适用场景

不同的风控场景，需要不同的模型——选择合适的模型，是风控效果的关键。以下为2025-2026年行业主流模型的选型逻辑：

逻辑回归：适用于贷前信用评分卡、贷后还款能力评估等场景——其优势是可解释性强，输出结果符合监管要求（如《AI风控指引》明确要求核心业务模型具备可解释能力），AUC值普遍在0.85以上；劣势是对非线性关系的捕捉能力较弱。

XGBoost/LightGBM：适用于违约预测、反欺诈识别等场景——其优势是预测精度高，处理非线性关系能力强，训练效率高，AUC值普遍在0.93以上；劣势是超参数调优复杂，过拟合风险需要谨慎控制。

LSTM神经网络：适用于贷中实时交易监控、贷后还款行为预测等场景——其优势是能捕捉时序数据中的长期依赖关系（如近24个月的交易流水），预测效力较传统模型提升15.3%；劣势是计算成本较高。

图神经网络（GNN）：适用于团伙欺诈识别、关联风险传导分析等场景——其优势是能捕捉“人-设备-账户”的隐性关联关系，识别传统模型难以察觉的团伙欺诈；劣势是模型复杂度较高。

大模型：适用于非结构化数据处理（如贷前尽调材料解析、贷中舆情分析）、隐性风险信号提取等场景——其优势是语义理解能力强，知识迁移能力好，少样本学习能力突出；劣势是计算成本高，部署复杂。

3.1.2 模型协同架构

为了平衡“精度、效率、可解释性”的需求，头部金融机构普遍采用“分层递进式”的模型协同架构：

第一层（快速过滤层）：采用硬规则引擎（如Drools+Spring Boot），部署数千条业务规则（如“年龄<18或>65”“命中黑名单”“证件信息无效”），快速筛除明显不符合条件的申请——该层单节点可支撑8000+TPS，规则匹配耗时≤10ms，能在毫秒级完成过滤，减轻后续环节的压力。

第二层（精准评估层）：采用XGBoost/LightGBM等机器学习模型，对经过第一层过滤的申请进行精准风险评估——该层的AUC值普遍在0.93以上，能精准识别潜在风险。

第三层（隐性风险识别层）：采用GNN、大模型等技术，识别团伙欺诈、隐性关联风险等传统模型难以察觉的风险——例如，通过GNN构建“人-设备-账户”的关联图谱，识别养号套利、团伙欺诈等风险。

第四层（可解释性层）：采用LIME、SHAP等可解释性工具，对模型的决策结果进行解释——例如，当客户被拒贷时，系统会明确告知“拒贷原因是近3个月硬查询次数超5次”，满足监管对可解释性的要求。

3.2 特征画像维度：从静态标签到动态MOT画像

特征画像是智能风控的“数据基础”——其核心逻辑是“用数据描述风险”。2025-2026年，特征画像已从“静态标签”升级为“动态MOT（Moment of Truth）画像”，实现“实时更新、全维度覆盖、合规可控”。

3.2.1 特征体系的演变

特征体系的演变，本质是对“风险维度”的认知升级——从“单一维度”到“全维度”，从“静态”到“动态”：

传统特征体系：以央行征信报告、收入证明、资产证明等静态结构化数据为主，覆盖维度有限，无法捕捉客户的实时行为变化——例如，传统特征体系无法识别客户“近一周频繁申请网贷”的风险信号。

智能特征体系：以“静态属性+动态行为+关系网络+非结构化数据”为核心，覆盖2000+维度，实现全维度风险刻画： 例如，平安银行构建了2000+维度的客户标签体系，覆盖消费行为、风险偏好、资产状况等全场景，可实现客群的秒级细分。

3.2.2 特征工程的核心技术

特征工程是智能风控的“核心竞争力”——其本质是“从数据中提取有价值的风险信号”。2025-2026年，行业主流的特征工程技术包括：

联邦学习：在不共享原始数据的前提下，联合多个机构训练模型——某解决方案可使数据共享效率提升3倍，同时满足《个人信息保护法》的要求。

知识图谱：构建“人-设备-账户”的关联图谱，提取“关联风险系数”等特征——某金融风控大模型，可穿透6层企业交易关系，获取优质企业客户，同时整合10万条虚假交易黑灰名单库，助力识别交易圈风险。

时序特征提取：从客户的交易流水、还款行为等时序数据中，提取“近7天交易金额波动”“近30天还款准时率”等特征——工商银行的LSTM模型，监控超过10万条客户行为时序指标，可提前识别违约风险。

非结构化数据解析：通过OCR、NLP等技术，从身份证、营业执照、流水单据等非结构化材料中，提取“企业注册资本”“经营地址”“流水金额”等特征——平安“智盾”平台可识别1000+种资质材料，识别准确率超99%。

3.2.3 特征合规与生命周期管理

2025-2026年，监管对特征的要求已细化到“字段级”——《银行保险机构数据安全管理办法》明确要求，敏感数据处理需事先进行安全评估，央行下发的“...