全球范围内，现金支付的使用正在减少，2021 年仅占销售点交易额的 18%。与此同时，电子支付行业正在蓬勃发展，同年交易额增长了 19% ，与疫情前的速度一致。在非洲，虽然现金仍占交易额的 93-95%（截至 2020 年），但随着移动货币和其他电子支付形式的使用增加，其主导地位正在逐渐减弱。事实上，据估计，到 2025 年，国内电子支付收入将以每年约 20%的速度增长。
鉴于这种势头，想象一个无现金大陆是可行的吗鉴于广泛采用数字支付的多重好处，许多利益相关者肯定希望如此——在这方面有理由保持乐观。但仍存在许多挑战，其中一些挑战在过去一年非洲最大经济体发生的事件中凸显出来。
非洲支付格局的演变
在过去的几个世纪里，非洲的支付方式一直在演变，交易慢慢从以物易物转变为使用宝贝，然后又转向使用硬币和纸币。近年来，移动设备的普及，加上非洲大陆糟糕的银行基础设施，使非洲成为移动货币使用爆炸式增长的沃土。根据GSMA 的数据，2022 年，全球处理的 1.26 万亿美元移动货币交易中有三分之二发生在撒哈拉以南非洲。利用这一势头，包括肯尼亚、尼日利亚、卢旺达等在内的几个非洲国家已公开表示对无现金经济感兴趣。
然而，实现这一目标的基本要素是个人和企业能够获得金融服务。现实情况是，不同的非洲国家在金融包容性和数字金融服务采用方面取得了截然不同的进展。例如，虽然只有51% 的尼日利亚成年人可以使用正规金融服务账户，但肯尼亚和卢旺达分别有 83% 和 77% 的成年人可以使用正规金融服务账户，这主要归功于移动货币和其他非银行正规金融服务的普及。
尽管各国的进展各不相同，但非洲在扩大金融包容性方面取得了很大进展。然而，现金在整个非洲大陆的支付交易中仍然占据主导地位。例如，尼日利亚农村的家庭主妇更有可能在市场上用现金支付肉类和蔬菜，因为这似乎是最容易的事情。她没有银行账户，一旦付款，她就可以立即带着货物离开。她的交易具有使用现金固有的隐性成本，包括丢失或被盗的风险、企业需要花费在计算和核对交易上的时间，以及政府印制和分发现金的费用。然而，拥有正式银行账户的成本和不便往往超过了数字化带来的任何好处，所以她的现金交易仍然存在。
事实上现金的普遍使用掩盖了非
洲国家真实的经济状况，因为以现金为基础的非正规部门很难衡量。非正规经济对现金的依赖也限制了这些企业的增长。这阻碍了它们建立信用评级，使它们无法获得贷款等金融服务，而这些服务可以帮助它们扩张。这还迫使它们花时间处理与处理现金有关的低效流程，同时使它们及其客户容易受到安全风险的影响。而且，由于国际交易大多以电子方式进行，这阻碍了它们充分参与全球经济。
无现金非洲将为这些企业及其所在社区带来诸多好处。更多人将有机会获得金融服务，从而减少贫困并促进经济增长。交易将变得更快、更高效，使企业更具竞争力。政府将节省印制、储存和分发实物纸币的费用。税收收入也将增加，因为政府将更容易征税和遏制逃税。最后，由于所有交易都将可追溯，因此安全状况将得到改善，犯罪和腐败现象将减少。
无现金支付如此有意义，但为什么它仍然具有挑战性？今年早些时候发生的一个值得注意的例子或许可以解释其中的一些挑战。
学习尼日利亚 加快无现金议程的艰辛历程
2022 年 10 月，尼日利亚宣布重新设计奈拉纸币。居民被要求在 2023 年 1 月底的最后期限之前将旧奈拉带到银行兑换新纸币。但新纸币并没有直接兑换旧面额的货币，只有一小部分存款以实物形式提供给银行客户。相反，尼日利亚人被鼓励进行电子交易——由于只有一半的成年人口拥有金融服务账户，而且80% 的付款都是现金支付，因此这一提议是有风险的。这一后果可能会为非洲国家无现金化的可行性提供一些见解。
奈拉重新设计政策的一个主要影响是，尼日利亚在 2023 年 2 月和 3 月面临严重的现金短缺。消费者被迫采用手机银行和金融科技应用程序进行支付，因为银行的自动柜员机前排起了长队——有时甚至要排一整夜，银行代理对有限的现金提取收取高昂的费用。因此，银行确实看到了电子支付的繁荣，但他们面临的移动银行系统并发用户数量超过了其基础设施所能处理的数量，交易失败率飙升。投诉和纠纷也增加了，呼叫中心的数量激增。由于客户无法进行现金支付，各种规模的企业都受到影响——有些甚至倒闭了。
促进和处理银行间交易的转接公司也因交易激增而苦苦挣扎，失败和纠纷也随之增加。与移动银行系统一样，它们也在应对电子交易量前所未有的增长。例如，虽然2022 年 12 月（传统高峰月份）的银行间资金转账交易量为5.61 亿笔，但到 2023 年 3 月，这一数字上升至11 亿笔。
手机号码对于公司而言是一笔宝贵的财富，因为它们可以解锁原本无法实现的洞察力，实现个性化沟通，以及有针对性的营销，同时提高服 手机号码数据 务交付效率。它支持身份验证，提升客户参与度并提供富有洞察力的用户行为。通过分析所提供信息的趋势，公司可以利用这些数据制定更好的围绕客户满意度的策略。在保持隐私和安全数据管理原则的同时，消费用例而不损害消费者多年来建立的信任将变得至关重要。
甚至移动网络运营商也难以应对
银行客户对其 USSD 频道日益增长的需求，这些客户希望在没有智能手机或互联网服务的情况下进行交易。整个国家都遭受了巨大的损失，直到最高法院最 如何在 2023 年打造一款成功的移动应用 终下令推翻奈拉重新设计政策。很快，旧版纸币又重新流通，缓解了尼日利亚人几周来一直忍受的现金短缺问题。法院要求这些纸币继续流通到今年 12 月 31 日。
这次失败给我们一个最重要的教训：尼日利亚政府在试图实施如此重大的变革之前，应该确保这项政策成功所需的技术基础设施已经到位。
印度在2016年进行了类似的废钞行动，但该国已具备一定的系统能力来应对这一变化，例如政府支持的支付应用程序BHIM，该应用程序支持银行账 tr 号码 户之间的电子转账，并允许用户输入其唯一的12位Aadhaar ID号码进行支付。该系统不需要智能手机或互联网接入，因此包容性很强。虽然尼日利亚人可以从类似的系统中受益，特别是如果他们的能力足以处理电子交易量的激增，但值得一提的是，印度仍然未能完全实现其废钞目标，即减少流通中的现金、减少银行系统以外的资金和遏制假币的流动。
尼日利亚或其他非洲国家如果想
实现无现金支付目标，非洲最大经济体加速无现金支付的尝试也暴露出一些需要弥补的差距。首先，政府和私营部门组织必须投资于强大的电信网络、广泛的互联网连接和有效的支付处理系统，以确保每个人都能使用数字支付。其次，金融包容性至关重要——大多数人口必须能够获得正规的金融服务，包括银行账户、数字钱包和支付卡。第三，必须齐心协力传播金融知识，让公众了解使用数字金融服务的好处，并指导如何使用这些支付方式。
作为这些努力的一部分，非洲国家需要培养公众对正规金融系统的信任。除其他事项外，这需要投资于有效的安全措施，如加密和欺诈检测系统，以保护电子支付系统免受网络威胁。争议管理系统也必须全面且易于访问。此外，政府必须制定促进创新和竞争的政策和法规，以提高电子支付服务的可及性。必须鼓励利益相关方之间的合作，以推动互操作性并加速采用电子支付而非现金。支付只能作为更广泛生态系统的一部分发挥作用：没有哪个提供商是孤岛。
实现无现金化绝非易事
在非洲这样的地区更是难上加难。低收入、金融服务渠道有限以及对现金的强烈偏好都是难以克服的障碍。好消息是，爱沙尼亚、瑞典和中国等几个国家已经实现（或接近）无现金化，而且它们各自以不同的方式实现无现金化。同样，每个非洲国家都需要制定自己的方法来扩大金融包容性和数字化支付，作为所有利益相关方共同努力的一部分，为无现金非洲奠定坚实的基础。
我们在一个名为 Hugging Face（其独特名称显然来自表情符号）的开源 AI 平台上找到了更复杂的 NLP 模型。这些模型不像具有更直观用户界面的现成产品那样用户友好，但我们的工程师可以轻松地对其进行调整以满足我们的需求。一组基于多标签转换器的 AI 模型对我们来说是一个特别重要的功能：它们为可以“学习”的模型打开了大门，即通过在类似文本上“练习”来提高其理解文本的能力，直到它们微调其处理能力。在分析文本的过程中，这些模型成功地纠正了自己的错误答案，同时强化了正确的答案。但同样，它们也存在缺点。例如，这些 AI 模型只能从一段文本中识别一个主题。因此，如果文本中说“我的木薯作物歉收，所以我需要借钱来支付学费”，模型只能“足够聪明”地将其标记为谈论农业，而了解文本中提到的金融产品和教育费用对我们的数据分类工作也很重要。因此，这些工具仍然无法支持我们的目标。
随后在年推出了
建立在大量数据之上，但它还具有开发对话记忆的能力，其中 AI 部分通过单词出现的上下文来学习单词。如果主题专家提供了正确的上下文，那么训练 ChatGPT 的文本分析模型所需的数据量并不大。凭借强大的上下文设置以及不断增长的主题特定训练数据语料库，Decodis 现在正在使用 ChatGPT 实现比以往更高的准确率。我们大多数 NLP 模型现在的表现都达到了 95% 以上的水平——换句话说，这些模型能够在 95% 以上的时间内正确理解文本的含义，而我们尝试过的其他模型的准确率仅为 60-70%。
人工智能驱动的 NLP 的关键：大量特定主题的数据和保持“人类参与
上下文相关建模的最佳数据集（即可以训练人工智能模型根据周围上下文识别文本含义的数据集）来自自然语言，Decodis 通过语音调查收集这些数据。这意味着我们拥有越来越多的数据，我们用它来训练这些人工智能模型。我们在新数据上运行这些模型的次数越多，它们的准确性就越高——这实际上使我们能够创建专门针对扶贫相关主题的内部模型。
这些模型的性能不仅由大量记录的自然语言驱动，还通过涉及人类主导的上下文设置的过程得到改进。在这个过程中，一位定性研究人员——“环中人”，对手头的主题有专业知识——手动对一小部分响应进行分类，以向 ChatGPT 展示如何从该文本中获取我们想要知道的内容。本质上，在我们使用它来分析更多文本之前，我们提供了 AI 模型训练的对话构建块。然后它可以用于更大的数据集，研究人员进行调整，以便模型再次学习并进一步提高其准确性。下表为一小段文本提供了此过程的示例。列中的上下文信息由熟悉金融包容性的人提供，以提供 NLP 模型应该寻找的概念。这启动了一个训练过程，通过这个过程，NLP 模型在如何在文本中寻找相关的金融包容性概念方面变得越来越“聪明。
