寒水微痕做宏观经济和银行信贷研究的同学，应该都有过那种为了凑数据翻遍各家银行年报的煎熬经历。尤其是贷款结构这一块，每家银行披露口径不一样，统计维度五花八门，有的按行业分，有的按期限分，有的按担保方式分，想横向比较简直是噩梦。我最早做信贷周期课题的时候，光是把几家大行的贷款数据从年报里手工抠出来、对齐、补缺，就整整花了两周，还担心漏掉重要字段。后来接触到CnOpenData的中国全部银行贷款结构数据，整个处理效率和结论的可靠性完全不一样了。
这篇帖子就把这套数据的使用心得掰开揉碎讲一讲：里面到底有什么字段、适合拿来做什么研究、拿到手之后怎么清洗才不会被坑、以及几个真实可复用的实证切入角度。无论你是刚入门的经济学研究生，还是做银行风控、区域金融研究的从业者，这篇内容应该都能帮你省下几周的低效劳动。
1. 拆开看这份数据：字段组成与覆盖范围
先说结论：这套数据库的核心价值，在于把“中国全部银行”的贷款资产，从多个结构维度做了系统性的结构化整理。它不是一个简单的汇总表，而是一套可以按银行、按时间、按行业、按担保方式等维度自由切片的底层数据，能支撑从宏观到微观的不少研究问题。
1.1 数据集里到底装了什么
从使用经验来看，这套数据覆盖的银行范围很广，基本包含了我国各类银行业金融机构：大型国有商业银行、全国性股份制银行、城市商业银行、农村商业银行、外资银行等。时间跨度上覆盖了较长周期的历史数据，早期部分银行的数据密度会疏一些，越靠近当下的年份，披露越完整、字段越齐。
我自己拿到数据后，第一步是把所有字段拉出来过了一遍。常见的核心字段可以分成这么几类：
| 字段大类 | 具体示例 | 有什么用 |
|---|---|---|
| 标识类 | 银行名称、银行代码、所属省份/城市、银行类型 | 做面板数据的基础键 |
| 规模类 | 总资产、贷款总额、存款总额 | 给贷款结构做“分母”，算占比 |
| 期限结构 | 短期贷款、中长期贷款、票据贴现 | 观察银行资产负债期限错配 |
| 担保方式 | 信用贷款、保证贷款、抵押贷款、质押贷款 | 判断银行风险偏好与抵押依赖度 |
| 行业投向 | 制造业、房地产、基建、批发零售、农林牧渔等 | 跟踪信贷资金的行业流向 |
| 客户类型 | 公司贷款、个人贷款、普惠小微贷款 | 分析零售银行转型、小微融资 |
| 资产质量 | 不良贷款余额、不良率、五级分类各档规模 | 衡量信贷风险承担 |
| 利率类 | 新发放贷款利率、LPR加减点情况 | 研究利率传导、息差变化 |
这里有一个很容易被忽略的价值点：很多数据商只给“贷款总额”这种粗粒度字段，但贷款结构数据的意义恰恰不在于总量，而在于“拆开看”之后的结构变化。比如同样是10万亿的贷款余额，十年前可能50%是制造业和基建，现在可能很大比例流向了个人按揭和新能源产业，这种结构信息才是研究经济转型的抓手。
1.2 数据是以什么层级组织的
这套数据不是零散的excel表格，而是以“银行—时间—贷款品种”为基本维度，形成了一种长表结构。每一条记录基本上可以理解为某家银行在某个时间点、某一贷款分类下的余额或增量。
实际使用中，这带来了几个