城商行对公业务的困局：1.37%息差之下，谁在活，谁在扛？

前文提要：截止去年底，A股17家上市城商行总资产合计31.3万亿，对公贷款占比67.77%，净息差1.37%。长三角头部银行对公贷款增速超过30%，但以量补价的策略正在逼近资本和集中度的双重天花板。大行下沉加剧价格战，70%以上的城商行科技团队不足200人，2026年前4个月银行业累计罚没超7.69亿元。种种分化之下，数据能力正从锦上添花变成决定生存的基础设施。

息差1.37%意味着……？

2025年四季度，城商行整体净息差1.37%，城商行在所有银行类型里息差最低，这个事实已经持续了好几年。银行赚的是存贷款利差，息差1.37%意味着每放出去100块钱贷款，利息收入扣掉资金成本，只剩一块三毛七。

这块钱里还要覆盖运营成本、拨备计提、资本占用，最后能变成利润的，可能就几毛钱。

虽然单季净利润同比增长12.8%，看起来还不错。但拆开看，这个增长主要靠释放拨备，可拨备覆盖率已经降到173.38%，环比还在往下走——不是赚得更多了，是以前存的安全垫在变薄。

某北方头部城商行2026年一季报把这个问题说得更透，作为资产规模近5万亿的城商行，该行2025年全年净息差1.27%，同比下降20个基点。更值得关注的是，2025年归母净利润同比下降23.7%至200.86亿元，其中第四季度单季计提信用减值损失128.5亿元，相当于当季营收的78%。

虽然管理层表示“盈利拐点已经到来”，2026年一季度营收和利润已恢复正增长，但拨备覆盖率已从高位降至198.04%，一家系统重要性城商行的利润波动幅度如此之大，足以说明息差收窄对城商行盈利能力的侵蚀有多深。

息差为什么这么低？来源是三个原因互相叠加。

一个数字把这个问题说得更直白：上市城商行对公贷款占比67.77%，将近七成的收入押在对公贷款这一张牌上，这张牌的收益率还在持续下滑。

• 资产端利率持续下行。LPR多次下调，贷款利率跟着走低。更关键的是，大行下沉加剧了价格战——优质客户拿着大行的报价单来找城商行议价，你不降利率他就走，城商行在对公贷款定价上几乎没有话语权。
• 负债端成本降不下来。存款利率虽然在调降，但降幅始终慢于资产端，城商行品牌力不如大行，揽储成本天然更高，而负债成本的刚性，是城商行息差劣势的结构性原因。
• 收入结构过于单一。城商行高度依赖对公贷款利息收入，零售业务和高收益中间业务占比不足，当对公贷款利率持续下行，没有其他收入来源可以对冲，息差就被压得越来越薄。

对公贷款飙升，但加速度里藏着刹车片

息差这么低，城商行的应对策略很直接——我就以量补价，利率降了没关系，多放贷款，靠规模把利息收入总量撑起来。

2025年的数据看，这个策略执行得很激进。

江苏银行一年新增对公贷款3441亿，宁波银行新增2805亿，增速都超过了25%，放在整个银行业的语境里，这个增速相当扎眼。

但以量补价的逻辑有个硬伤——它不是免费的。

从2025年7月至2026年1月，半年内20余家城商行增资方案获监管批复。近60家银行发行永续债71只，合计规模8250亿元。密集增资的背后，是资本充足率逼近监管红线的集体焦虑。

集中度风险，如对公贷款高度集中于地方平台和大型企业，部分银行平台类贷款占比接近一半，过于密集的情况，一旦区域经济出问题，风险敞口会集中暴露。

最后就是，规模上去了但优质资产并没有同步增长。为了把贷款放出去，城商行不得不降低客户准入标准或者接受更低的利率，量增价跌的局面会越来越严峻。

业内曾经就提到过类似的话题，在超30%增速背后，城商行对公贷款是解药还是新风险？

现在看，这个问题越来越不像一个设问，而更像一个预言。

不良率：0.68%和2.94%之间，隔着一条长江

如果只看城商行的平均不良率，数字还行，在1.3%左右，跟行业平均水平差不多。

但平均数是最会骗人的统计指标，把17家上市城商行拆开看，资产质量的分化程度令人倒吸一口凉气。

第一梯队（不良率低于1%）

成都银行0.68%，宁波银行0.76%（连续19年低于1%），杭州银行0.76%，苏州银行0.83%，南京银行0.84%，江苏银行0.84%。这六家银行全部集中在长三角和成渝地区，作为数字经济、先进制造业集群、基建投资，区域经济的禀赋优势直接映射到了银行的资产质量上。

第二梯队（1%-2%）

徽商银行0.98%，齐鲁银行1.09%，青岛银行1.12%，长沙银行1.17%，重庆银行1.17%，上海银行1.18%，北京银行1.30%，西安银行1.60%。

处于中间地带，谈不上好也谈不上差，但趋势值得注意。北京银行2025年归母净利润同比下降23.7%，不良贷款余额增至309.67亿元，损失类贷款一年增加了53.69亿元——不过管理层在业绩说明会上表示“风险已基本出清”，2026年一季度营收和利润已恢复正增长。这个案例恰恰说明了城商行在当前环境下正在面临比较波动化的船行幅度。

尾部阵营

江西银行2.36%（2025年半年报），大连银行2.94%（2025年报）。

2.94%的不良率意味着每放出去100块钱贷款，有将近3块钱可能收不回来，在上市银行里，这是非常危险的信号。

拨备覆盖率差距更能说明问题：杭州银行541.45%，苏州银行483.50%，成都银行426.17%——头部城商行的安全垫厚得能扛住两三轮经济冲击，尾部城商行的拨备覆盖率已逼近150%的监管红线，再出一次风险就可能出现击穿危机。

长三角城商行因为区域经济好，资产质量好，拨备计提充足，有空间去扩张和创新。东北、西北的城商行因为区域经济承压，资产质量差，利润被拨备侵蚀，没有余力去做数字化和能力建设，差距只会越拉越大。

联合资信在2026年4月发布的城商行行业分析报告也印证了这一点：城商行不良率小幅上行，拨备水平有所下降，虽然地方政府债务风险化解和房地产支持政策有助于稳定信贷资产质量，但“实质信用风险管控压力仍存”。

大行下沉与中小银行整合，挤压之下的容错空间越来越小

如果说息差收窄和资产质量分化是城商行的“内忧”，那大行下沉和行业整合就是“外患”。

虽然言辞较为激烈，但早在24年，CAFI就发过一份报告，措辞相当直白——

大行正在“掐尖”小微市场，用更低的利率、更强的品牌、更好的科技，把最优质的那批小微客户抢走，基本在三个层面上：

一个数据把这个格局说得非常清楚，农业银行县域网点净息差达2.0%，远超全行平均的1.42%。在下沉市场的定价能力和盈利能力都强于城商行，这不是往下走，而是带着技术和资金优势到一个利润更丰厚的地方去。

更值得关注的是中小银行整合的加速，2025年以来，村镇银行法人机构数量已减少378家，降幅达25%，城商行在整合中扮演着重要角色——中原银行收购濮阳中原村镇银行等三家村镇银行，郑州银行、广西北部湾银行也相继获批收购辖区内村镇银行。监管层在推动中小金融机构减量提质的战略已经进入深水区，对部分城商行而言，被整合的风险甚至比竞争的风险更迫近。

这直接导致城商行被迫面对一个现实：①在规模和价格上，赢不了大行；②在政策红利上，比不过国有行主导的行业整合。

唯一的出路是找到大行不愿意做、做不好、或者懒得做的细分市场，靠本地化服务和精细化运营构建壁垒。

而这个“精细化运营”的核心支撑，是否就是数据能力呢？

数字化转型中，大把的银行科技团队不到200人

200人是什么概念？一家头部技术公司一个业务线的开发团队可能就有这个规模，而城商行要用这么少的人，覆盖从核心系统到风控引擎、从移动银行到数据分析的全栈需求。

科技人才短板不是少招几个的问题，是城商行在薪酬、品牌、发展空间上全面处于劣势，这个瓶颈在短期内几乎不可能通过内部力量解决。

2026年以来，行业趋势也在加速变化。凤凰网商业频道5月的一篇分析指出，银行数智化转型正从“AI辅助”迈向“AI原生”——这不是把大模型当工具使用，而是把AI嵌入信贷审批、风险识别、营销决策的业务决策核心。

从2025年大行试点，到2026-2027年股份制银行和头部城商行规模化部署，窗口期可能只有两年。

那头部城商行是怎么做的？几个案例值得细看。

北京银行。 资产接近五万亿，2025年科技与绿色贷款保持20%以上增速，“京骐AI Agent”已全面渗透到业务全链条，从客户营销到授信审批到贷后管理，不良率连续五年下降，北京银行能走到这一步，靠的是十年以上的持续科技投入和人才积累。

华兴银行。 2025年供应链融资投放量增幅131%。构建了决策引擎+知识图谱+大模型的智能技术体系，智慧营销平台和数智化风控系统投产上线，131%的投放增幅背后，是数据驱动的自动化决策在支撑，没有这套系统，风控团队不可能在业务高速增长的同时管住风险。

威海市商业银行。 构建了“湖仓一体”数据底座（FusionInsight MRS + GaussDB DWS），日终批量时间缩短3小时，查询速度提升3倍，人均AUM提升24%。这家银行不是自己建技术团队，而是选择跟头部科技厂商合作——对于科技实力有限的城商行来说，这是更务实的选择。

重庆银行。 上线“重银晓警”AI风控平台，整合13类数据源、覆盖35万+客户，核查工时降低50%以上，这个选择代表了另一条路径——通过采购第三方数据服务和AI工具，快速补齐风控能力短板，而不是从零开始自建。

这四个案例说明了两件事：

第一，数字化转型的路径不是唯一的。有“自建+自研”的重资产路线、有“合作+采购”的轻资产路线，还有“第三方工具+场景落地”的实用场景；

第二，无论哪条路，都绕不开一个前提就是外部数据服务。自建团队需要外部数据来喂养模型，合作方案需要外部数据来填充底座，第三方工具本身就是外部数据服务的载体，数据能力正在成为城商行数字化转型的“水电煤”。

对公数字化，说到底还是在做三件事

城商行对公业务的数字化，拆解到具体场景上，其实就三件事：找人、看人、盯人。

①找人——就是精准拓客。

以前城商行对公获客靠什么？客户经理的人脉、银政关系、存量客户转介绍。

这套模式在本地市场有一定效果，但它有几个硬伤，一是覆盖面窄，客户经理认识的人就那么多、二是效率低，需要一家一家跑、三是且严重依赖个人能力，一个好的客户经理走了，客户资源也被带走了。

数据驱动的拓客解决了什么问题？

新注册企业推送——每天自动筛选本区域新注册的企业，匹配行内存量客户的关联关系，撞库之后输出高潜客户清单。一个业务经理早上到公司，打开系统就能看到“今天有15家新注册企业跟你的存量客户有供应链关系”，而不是自己打开工商网站一家一家翻。

产业链拓客——沿着目标产业链的上下游，批量挖掘潜在客户，比如要拓展新能源汽车产业链的对公业务，系统自动生成这条链条上的核心企业及其一级、二级供应商名单，按企业规模、经营年限、信用状况做初步筛选，输出可触达的客户池。

招投标商机——监控目标客户的中标和融资事件，捕捉业务时机，一家企业刚中了政府大单，可能马上就有资金需求，事件驱动营销的转化率远高于冷呼叫。

这三个场景的核心痛点是一样的：信息分散、效率低下、依赖个人经验。解决思路也同样一致，用结构化的企业数据替代人工信息收集，用算法筛选替代经验判断，用自动化推送替代被动等待。

②看人，就是智能风控。

对公信贷的风控核心是回答三个问题：这家企业是谁？它背后站着谁？它有没有藏着没说的事？

“是谁”解决的是身份核验——企业工商信息是否真实、经营状态是否正常、行业分类是否准确。这听起来简单，但在城商行每天处理的大量对公业务中，仅靠人工核验的效率根本跟不上。

“背后站着谁”解决的是关联关系穿透——企业的实际控制人是谁、受益所有人是谁、名下有多少关联企业、这些关联企业之间有没有担保链和资金往来。这层穿透在城商行的实际业务中极其重要，因为大量对公信贷风险不是因为借款企业本身出了问题，而是因为它的关联方出了问题，风险沿着担保链或者资金链传导过来。

“藏着没说的事”解决的是隐性风险识别——企业有没有空壳特征、有没有频繁变更法人和股东、有没有正在被执行但还没披露、有没有经营异常被列入名录。这些信息分散在不同的政府部门和司法系统中，人工核查费时费力，而且容易遗漏。

这三个问题，靠人工逐一排查，一笔对公业务的尽调可能要花一天，但如果接入企业数据服务接口，身份核验、关联穿透、风险扫描可以在秒级完成，效率提升的不只是速度，更是覆盖面——人工尽调可能漏看的关联方和风险信号，系统不会漏。

企查查开放平台覆盖3.65亿+市场主体，服务50万+客户，累计完成1000亿次+API请求。数据维度覆盖司法诉讼2.5亿+、知识产权2.1亿+、招投标1.7亿+、新闻舆情4300万+。这组数字背后，是城商行对公业务数字化绕不开的数据底座。

③盯人，就是动态监控。

在接触这么多客户后，会发现贷后管理是城商行对公业务最薄弱的环节，没有之一。

很多城商行的贷后管理还是“定期翻档案”模式——客户经理每隔一段时间打开系统看一遍客户的还款记录，没逾期就默认一切正常。

但风险不是慢慢累积的，是突然爆发的。

一家企业可能在两周内完成法人变更、引入新股东、同时新增三条被执行记录，如果你的监控是每月查一次，等发现的时候，跟你签约的那个人可能已经不是实际控制人了。

动态监控需要覆盖的信号包括：工商变更（法人、股东、注册资本的异动）、司法风险（诉讼、执行、失信的新增）、经营异常（列入异常名录、税务异常）、负面舆情（重大负面报道）。这些信号需要实时抓取、分级推送、自动生成预警工单。

前文提到过重庆银行的”重银晓警”平台，其整合了13类数据源，覆盖35万+客户，核查工时降低50%以上，这个效率提升不是靠多招了几个贷后管理人员，而是靠系统自动盯、自动筛、自动推——人在系统后面做判断，而不是在前面做苦力。

新12号令已经落地，城商行准备好了吗

如果说息差压力和大行竞争是市场力量在推着城商行转型，那新12号令就是监管力量在推动着城商行升级数据能力。

2025年12月19日，央行正式发布《金融机构客户受益所有人识别管理办法》（新12号令），2026年1月20日起施行。

这份文件的核心指向很明确：金融机构在建立业务关系时以及业务关系存续期间，必须识别、核实受益所有人信息——穿透到最终受益自然人。

过渡期安排也很紧凑：高风险存量客户需在法规生效后6个月内完成识别，全量存量客户需在2年内完成。

以前城商行做对公信贷，查到企业法人、股东、注册资本就差不多够了。现在必须穿透到最终受益自然人——谁是这家公司背后真正拿钱的那个人。

这个要求听起来只是多查一步，但在实际操作中，工作量是指数级增长的——一个对公客户可能在工商系统里显示的股东是三家公司，这三家公司背后又各有若干股东，再往下穿透可能涉及数十家关联企业和十几个自然人。

除此之外，空壳公司的识别也不是单一指标能判定的，而是注册地址异常、零纳税、零社保、频繁变更法人等多个维度综合判断的结果。

“识别”只是第一步，“核实”是更难的一步——识别出来张*是最终受益人，但怎么确认这个判断是对的？工商登记信息可能滞后，实际控制关系可能通过代持、协议控制等方式隐藏，仅靠工商数据很难做出准确判断。

从违规成本的角度看，合规压力也在快速攀升。2025年，城商行和农商行合计收到罚单1014张、罚没金额8.75亿元。2026年前4个月，银行业累计罚没已超7.69亿元，仅4月单月就开出380张罚单。

城商行要满足这些合规要求，面临的现实选择是要么自建穿透识别能力，要么采购成熟的数据服务，接入快、效果好、按量付费，企查查的客户身份识别API，一次性返回企业工商照面、股东及股权结构、实际控制人、受益所有人、所属集团、对外投资、财务数据、关联产业链等全维度信息。一个接口调用，替代的是原来需要在不同系统之间来回切换、手工整理的半个工作量。

但有时候数据能力不仅是一个接口的事。

过去几年，城商行接入企业数据最常见的方式是API对接——业务系统调用数据接口，拿到结构化结果，嵌入自己的审批或监控流程。

这条路走通了，但它有一个瓶颈：每一次数据调用都需要开发团队提前写好逻辑、做好字段映射、处理异常返回，业务侧想查一个新的数据维度，得先排队等IT排期。

企查查智能体数据平台，本质上是在做一件事——把企业数据查询能力“装”进AI Agent的脑子里，银行不需要再为每一个数据维度单独开发接口和页面，通过ai直接理解业务意图，从企查查179个数据工具中自动调用、组合、返回结果，目前已覆盖6大Server：

无论是客户经理用自然语言问“帮我看看这家企业最近的股权变更和关联担保”，还是风控人员在审批流程中要求“穿透这家公司的受益所有人并评估关联风险”，MCP都能在对话中完成数据获取和结构化输出，城商行可以根据自身科技团队的实际情况灵活选择。

接入方式是标准化协议，3步完成配置（注册账号获取Key→加载Skill→直接使用），不用写代码。

接入方式：即插即用，3分钟上手

第1步：获取API Key

打开企查查智能体数据平台（agent.qcc.com），注册账号并登录，在个人中心获取API Key。

第2步：在WorkBuddy中配置MCP

复制通用配置后，在WorkBuddy对话框内输入：

“请配置企查查MCP”

然后把官方提供的配置JSON粘贴进去，重启WorkBuddy使配置生效。

第3步：验证能否正常使用

问一句：

“查一下xxx公司的工商登记信息和股东结构。”

看到返回结果中出现 qcc-company (get_shareholder_info) · 运行成功，就说明配置完成了。

分化到了这个程度，数据能力就是分水岭

回到开头那个问题，1.37%息差之下，城商行怎么办？

几个判断。

数据服务的市场格局。精准拓客需要企业工商和产业链数据，智能风控需要司法诉讼和经营异常数据，贷后监控需要实时动态数据，合规管理需要股权穿透和受益所有人数据。这四类需求叠加在一起，构成了城商行对外部数据服务的系统性依赖。

城商行的分化，终局不是 “谁大谁赢”，而是谁的数据能力强谁能活得更好。规模大的城商行如果数据能力跟不上，会在精细化竞争中输给规模小但数据能力强的同行，每一个BP的效率提升都意味着利润，每一次风险的提前发现都意味着拨备的节省。

数据不会直接多拉一个客户，但它能让客户经理一天多看20个客户、让风控团队提前一个月发现那家正在悄悄变更法人的企业、让贷后管理人员在风险爆发的第一时间收到预警而不是在季度复核时才后知后觉。

这些效率的累积，就是城商行在1.37%息差时代最大的杠杆。