近期，商务部等7部门联合印发《关于推动商品消费扩容升级的实施意见》，其中提及强化财政金融支持，具体包括：用好个人消费贷款贴息、服务业经营主体贷款贴息、消费新业态新模式新场景试点等政策，充分发挥财政资金撬动作用。鼓励金融机构在依法合规、风险可控前提下加大对汽车、家电及数码产品、智能家居等消费的金融支持，开发多样化金融产品。支持金融机构与商家、平台深化合作，共同开发适应消费行业特点的金融产品和服务。
金融促消费，关键着力点在哪里？金融机构与平台合作，需要警惕哪些风险？如何培养“AI与金融复合型人才”，让金融更精准地服务消费、助力消费提质升级？围绕这些问题，近日，南都湾财社记者专访了中山大学岭南学院院长助理、专业硕士教育中心主任陈斯维副教授。
金融让利不是让消费者多借钱
而要落在真实可负担的需求上
南都湾财社：当前政策强调“全方位扩大国内需求”，广东也在开展“广货行天下”系列行动。在您看来，金融让利要真正转化为消费者对广货的购买力，有哪些关键变量？是识别的精度、触达的时机，还是让利方式的设计等？
陈斯维：识别精度、触达时机和让利方式都很重要，但如果一定要找一个更底层的决定因素，我会强调“增量性”：金融让利究竟有没有落在真实、可负担，而且原本受到价格或短期流动性约束的消费需求上。换句话说，金融促消费真正要解决的问题，不是怎样让消费者“更容易借到钱”，而是怎样让原本合理但存在交易摩擦的消费更容易发生。
这里首先要区分三个经常被混在一起的概念：有兴趣、有借款意愿和有真实且可持续的购买力，并不是同一件事。数字技术当然可以提高需求识别的精度，但好的“精准”不应该只是预测谁最可能点击广告、领取优惠券或者申请贷款，而应该在合法授权和最小必要的数据使用前提下，判断消费者是否存在真实需求、面临什么约束，以及什么样的金融工具最适合他。如果只追求转化率，很容易把“愿意借钱”误判成“具备持续购买力”，最终金融让利可能转化成家庭杠杆，而不是有效需求。
第二是触达时机。金融工具对消费最大的作用之一，是缓解收入和支出在时间上的错配。因此，时机并不是越早越好、触达越频繁越好，而是要尽量靠近真实交易决策。例如家电、汽车、家居等耐用品，本身存在更新周期，如果恰逢消费者确有更新需求，贴息、分期、以旧换新就可能显著降低一次性现金支出的压力。相反，如果消费者没有需求，再精准的推送也只是营销。触达方式还应当足够简单透明，如果领取优惠需要经历复杂路径、叠加很多使用门槛，消费者感受到的就不是让利，而是新的交易成本。
第三是让利工具与商品特征的匹配。不同消费不能用一套金融工具解决。金额较高、使用周期较长的耐用品，消费者更可能受到短期流动性约束，贴息、合理分期以及以旧换新比较有效；金额较小、频率较高的日常消费，支付立减、小额优惠、场景联动通常比增加信贷更直接。对于服务消费，又可能需要预约、退款、履约保障等不同设计。所以我认为，金融创新真正应该追求的不是“产品越来越复杂”，而是让金融工具尽可能贴近消费本身的经济特征。
第四是不能忽略商品和服务自身。金融只能降低交易成本，不能替代好的产品。以“广货行天下”为例，广东有很强的制造和供应链基础，但金融让利最终能不能变成持续购买力，还取决于产品质量、品牌认知、物流效率、售后服务以及消费者对产品价值的判断。从这个意义上讲，金融更适合作为“供给—渠道—场景—服务”体系中的一个放大器，而不应该被理解成单独创造需求的工具。尤其对于老年人、部分县域居民以及不习惯纯线上操作的消费者，还应当保留线下咨询和服务入口，不能让数字化便利本身形成新的门槛。
南都湾财社：怎样去评价金融促消费的效果？有没有一些具体的维度？
陈斯维：有一个容易被忽视的问题，就是消费的“新增性”与“跨期搬家”之间的区别。例如，一项贴息政策使消费者把原本明年购买的耐用品提前到今年，从短期数据看销售会增加，但这和真正扩大长期消费能力不是一回事。因此，评价金融让利的效果，不能只看发了多少优惠券、增加了多少贷款、活动期间成交额提高了多少。更有意义的指标是：有没有带来新的消费者和真实的新增消费，消费者是否愿意复购，商户实际收入有没有增加，同时退款、投诉和家庭债务负担有没有明显上升。
如果用一句话概括，我认为金融让利最理想的状态不是“让消费者多借钱”，而是让有真实需求、有偿付能力的消费者，在需要的时候以更低成本、更低摩擦完成原本合理的消费。做到这一点，识别精度、触达时机和让利方式才会真正形成合力。
县域数字金融存在多个堵点
城市金融产品模型未必适配
南都湾财社：近期，商务部等9部门联合印发《关于进一步激发下沉市场活力 活跃县域消费的意见》，其中提出“引导金融机构优化下沉市场消费领域金融服务”。您认为，在促进县域消费方面，数字金融能发挥多大作用？主要通过哪些渠道发挥作用？
陈斯维：我会把数字金融在县域消费中的角色概括为：它是重要的基础设施和放大器，但不是消费需求的发动机。这个边界非常重要。金融可以减少交易成本、缓解阶段性的资金约束、改善小微经营主体的融资条件，却不能代替居民收入增长、稳定的就业预期，也不能替代商品供给、物流、售后和公共服务。因此，不能把所有县域消费问题都理解成融资问题。
数字金融至少可以通过三个渠道发挥作用。第一个渠道是消费者端。移动支付、数字账户和线上金融服务可以降低交易成本，也可以让部分原本难以获得金融服务的消费者获得更便利、更匹配的支付和消费金融工具。尤其是耐用品、教育、医疗、文旅等金额相对较大或者支出比较集中的场景，合理的分期和贴息确实可以帮助居民平滑现金流。但这里的前提仍然是可负担性，金融服务应该帮助居民跨越暂时的流动性约束，而不应把收入不足转化成债务问题。
第二个渠道更重要，就是商户端和小微经营主体端。县域里大量经营主体规模较小、抵押物有限，而且经营具有明显的季节性。传统信贷如果主要依赖抵押物和标准化财务报表，很难准确识别这类经营主体。数字支付、真实订单、库存和交易流水如果能够在合法合规前提下转化为信用信息，就可能帮助金融机构更好地理解经营现金流，为小店、餐饮、旅游、农产品经营者等提供更匹配的周转资金。从促消费的角度看，我甚至认为这一端经常比单纯给居民增加消费信贷更有价值，因为商户的供给能力、库存和服务质量本身就是消费能不能发生的重要条件。
第三个渠道是把县域的消费、产业和供应链连接起来。例如县域特色农产品、文旅和地方品牌，往往同时面对订单、物流、保险、结算和融资问题。如果数字金融能够围绕真实订单和产业链提供支付、融资、保险和结算服务，它改善的就不仅是一次消费，而是整个交易网络的效率。这也是为什么我认为县域数字金融的真正价值不应仅仅理解为“把城市里的贷款产品下沉到县里”。
南都湾财社：那在县域消费领域，数字金融目前最关键的堵点主要出现在哪些环节？
陈斯维：目前的堵点，我觉得至少有四个。首先是数据问题。县域消费者和经营主体的数据往往分散在银行、平台、商户、物流以及公共服务等不同环节，数据口径、质量和授权边界也不一致。但数据多并不自动意味着风控更准确。如果数据本身带有选择偏差，或者缺少对当地产业和收入结构的理解，模型反而可能产生错误判断。因此关键不是简单“汇集更多数据”，而是提高数据质量、合法授权程度以及模型对于本地经济结构的理解能力。
第二是模型和产品的场景错配。很多县域小微主体具有明显的季节性，比如农业、旅游、餐饮以及一些特色制造业。如果用针对城市稳定工资收入人群设计的模型评价这些主体，很可能高估或者低估风险。同样，把城市里的消费贷、小微信贷产品原样搬到县域，也未必解决问题。真正有效的金融服务必须理解当地产业周期、现金流和消费习惯。
第三是很多堵点其实并不是金融问题。消费者即使有支付能力，如果当地没有合适的商品、物流成本高、售后服务不足，或者商业设施和服务业态不完善，消费仍然不会发生。因此，县域消费政策把商业网点、品牌供给、物流服务、消费场景和金融支持放在一起，是非常有意义的。金融应该嵌入真实的消费和经营场景，而不是替代这些条件。
第四是数字鸿沟和消费者保护。部分老年人、小微经营者以及数字能力较弱的人群仍然依赖线下服务。如果所有产品申请、合同披露、客服和投诉全部数字化，技术可能一方面降低平均服务成本，另一方面却提高部分群体获得服务的门槛。因此数字金融越往县域下沉，越应该保留清晰的人工咨询、合同解释和纠纷解决渠道。
我认为，下一阶段评价县域数字金融，不应该把“贷款投放得更多”作为主要目标。更值得看的是，交易成本有没有下降、小微商户融资成本有没有改善、资金有没有进入真实经营、居民是否获得了更合适而不是更多的信贷，以及投诉、逾期和过度负债有没有增加。好的数字金融不是把金融产品尽可能地下沉，而是让合适的金融服务跟着真实交易和真实需求下沉。
平台与金融机构具有互补性
但需警惕决策权和责任错配
南都湾财社：《关于推动商品消费扩容升级的实施意见》提出，支持金融机构与平台深化合作，共同开发适应消费行业特点的金融产品和服务。平台经济拥有流量、场景和海量用户行为数据，金融机构拥有资金、牌照和成熟的风控体系。二者的合作被视为金融促消费的重要发力方向。您认为，在这种合作中，需要警惕哪些潜在风险，尤其是在消费者权益保护方面？
陈斯维：平台与金融机构合作具有很强的互补性，二者结合可以显著降低获客和服务成本。但我认为，这类合作最需要警惕的并不是“平台参与金融”本身，而是出现一种决策权、收益、风险和责任相互分离的结构。
最典型的情形是：消费者看到的是平台，平台控制流量入口、数据和推荐算法，甚至对哪些客户看到什么产品具有很强影响力；但实际提供贷款的是另一家金融机构。一旦出了问题，消费者可能首先不知道究竟是谁在向自己提供金融服务。
更严重的情况是，平台事实上影响了客户选择和信用决策，而持牌机构只是提供资金或者进行形式上的审核。这样就可能出现“平台有很强决策权，却不承担相应金融责任；金融机构承担责任，却没有充分掌握决策过程”的错配。
南都湾财社：能不能具体讲一讲可能出现哪几类风险？
陈斯维：我觉得有几类风险尤其值得关注。第一是信息披露和产品身份的模糊化。消费者进入的是熟悉的平台界面，很容易把平台信用等同于金融产品本身的安全性。因此必须让消费者非常清楚地知道：谁是真正的产品提供方，实际年化成本是多少，除了利息还有没有其他费用，提前还款、逾期分别会发生什么。尤其不能通过默认勾选、复杂页面或者把重要条款放在不显眼的位置，让消费者在并不充分知情的情况下完成金融交易。
第二是数据使用风险。平台掌握的数据非常丰富，但“能够获得”不意味着“应该用于金融决策”。一个人的消费偏好、浏览记录、地理位置、社交行为与信用风险之间可能存在统计相关性，但是否有必要把这些信息用于授信和定价，是另一回事。需要坚持目的明确、最小必要和合法授权，并且对数据从哪里来、被用于什么决策、保存多久以及是否向第三方提供形成完整记录。生活数据如果被过度金融化，也可能让消费者在不知情的情况下被长期画像。
第三是算法和营销激励问题。平台非常擅长优化点击率和转化率，但金融产品不能简单按照电商逻辑销售。一个算法如果发现某类消费者更容易接受高成本贷款，从商业转化率看可能是“精准”，从消费者保护角度却可能恰恰是需要限制的行为。因此，精准营销必须有边界，不能对财务状况较脆弱的人群进行过度营销，也不能利用信息优势进行不透明的差异化定价。
第四是风控责任。平台提供的数据和评分可以提高效率，但金融机构不应该把核心风险判断整体外包。金融机构需要有能力理解数据来源、独立验证模型，并对借款人的收入、负债和偿还能力形成自己的判断。否则，一旦平台为了追求流量、成交率或者服务费收入而放松筛选，银行又过度依赖平台评分，就容易形成激励错位。
第五是贷后的消费者保护，包括催收、信息更正和投诉处理。数字化最大的便利是流程可以很快，但出现错误时，消费者也应该能够很快找到一个真正有能力解决问题的人。对于信用评价、授信等会对消费者权益产生重大影响的自动化决定，应当提供必要的解释、人工复核和便捷的异议渠道。
我认为，平台与金融机构合作可以把技术和数据能力进行分工，但不能把责任也层层外包。比较理想的治理结构应该做到几件事：金融机构对产品、定价和核心风控承担主体责任；平台对数据合法性、营销行为和界面设计承担相应责任；双方对合作模型进行持续验证和审计；面对消费者，则要有一个清晰、连续、不能相互推诿的责任链。
从消费者角度讲，最重要的其实很简单：我应该知道是谁在向我提供金融产品、我要付多少钱、为什么得到这样的结果、数据被怎样使用，以及出了问题找谁解决。技术合作可以复杂，但消费者面对的责任关系应该尽可能简单。 我认为这是平台和金融机构合作能够长期、健康发展的一个基本条件。
AI与金融复合型人才不是全能
而是翻译者、验证者、负责者
南都湾财社：在金融业，AI发挥着越来越重要的作用。之前有银行在业务口招聘中要求“负责AI内容的审核与把控”。您如何看待这一趋势？
陈斯维：这是一个非常值得关注、而且总体上合理的变化。它说明AI正在从科技部门的一项专业工具，逐步变成银行各条线都会使用的一种基础生产工具。过去我们讨论金融科技人才，容易把问题理解成“银行需要多少程序员、算法工程师”；现在更现实的问题是，当AI进入投研、营销、授信、风控、客服、运营之后，谁能够判断AI生成的东西是否可靠，谁决定它能不能进入正式业务流程，以及出了问题谁负责。
因此，业务岗位开始承担AI内容审核职责，并不意味着业务人员都要变成算法工程师。恰恰相反，它意味着AI时代专业判断的重要性在上升。模型可以非常快速地生成报告、客户画像或者风险判断，但模型并不知道某个结果在具体金融制度、客户场景和监管要求下是否可以使用。尤其在信贷审批、产品定价、投资建议等涉及客户权益和资金安全的领域，最终判断不可能简单外包给一个模型。
南都湾财社：进入9月份，银行业开始集中发布2027年度校园招聘公告、开放网申系统。越来越多银行强调既懂AI、又懂金融的复合型人才。您怎么理解这种人才？
陈斯维：我理解的“AI与金融复合型人才”，也不是一个人既成为顶尖银行家，又成为顶尖算法专家。真正稀缺的是一种翻译、验证和负责的能力。
所谓翻译，是能够把一个模糊的金融业务问题转换成清楚的数据和模型任务。例如，业务部门不能只说“用AI提高营销效率”，而应该说明希望改善什么决策、评价指标是什么、哪些客户不应该触达、允许使用什么数据。
所谓验证，是知道模型输出不能因为“看起来很专业”就直接进入业务。使用者要能够检查事实依据、数据时效性、样本偏差、极端情况下的表现，也要理解模型什么时候可能产生幻觉、漂移或者不公平结果。
所谓负责，是知道什么事情可以自动化，什么事情必须保留人工判断；知道什么时候需要停止模型、转给人工处理；同时能够留下完整记录，让事后可以解释一项重要决定究竟是怎样产生的。
南都湾财社：银行应该从哪些方面着手，培养此类人才？
陈斯维：银行可以从几个层面推进。首先是分层培养，而不是全民上同一门AI课程。所有员工都应该具备基本的AI素养，包括安全使用、结果核验、数据保护以及客户权益保护；业务骨干要进一步学会需求定义、指标设计、模型验收和结果解释；科技人员则需要系统理解金融产品、风险管理逻辑和监管边界。同时还需要一批真正连接两端的桥梁型岗位，例如AI产品经理、模型风险管理、数据治理和知识工程人员。
其次，培训应该从“学工具”转向“做完整项目”。单独教会员工使用某个大模型，价值其实很有限，因为工具变化非常快。更有效的方法是在受控环境中，让业务、科技、数据、风控和合规人员组成团队，完整经历一次从需求定义、数据准备、模型选择、测试验证，到上线监控、异常处理和退出复盘的过程。只有走完整个生命周期，员工才会知道AI应用真正困难的地方往往不是模型本身，而是数据、流程、权限和责任。
第三，要相应调整组织机制。未来很多AI项目不适合业务部门提需求、科技部门开发、合规部门最后审批这种线性流程，而需要业务、技术、数据、风控和合规更早组成跨职能团队。可以通过岗位轮换、业务与技术双导师、内部项目认证等方式建立共同语言。所谓“人机协同”，不能只是说最后“有人审核”，而要具体明确谁是业务负责人、谁负责模型、谁有权叫停，以及出现异常时谁接管。
第四，考核标准也要变化。如果一家银行评价AI转型只看接入了多少模型、上线了多少智能体、节省了多少工时，很容易导致“为了使用AI而使用AI”。评价一个复合型人才，同样不应该只看他会多少工具，而应该看他能不能定义一个有价值的问题、发现模型错误、说明适用边界、保留审计证据，以及最终有没有改善客户体验、风险控制和经营结果。
从高校和行业人才培养的角度来看也是如此。真正有价值的培养，不是简单增加一门“AI+金融”课程，而是让学生在真实或高度仿真的金融场景里同时面对业务目标、数据限制、模型选择和责任约束。技术能力很重要，但金融行业的特殊性在于，每一个模型结果最终可能对应一笔资金、一个客户或者一项权利，因此专业判断和责任意识必须同时进入训练过程。
我认为银行未来真正稀缺的可能不只是“会使用AI的人”，而是能够把AI转化成可控、可解释、可负责的生产力的人。AI会大幅降低生成一个答案的成本，但也正因为如此，提出什么问题、怎样验证答案、什么时候不能使用这个答案，反而会变得更加重要。
采写：南都湾财社记者 刘兰兰
出品：南都金融与行业新闻部配资企业排名前十
富华优配提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
