信用評(píng)分卡在微小企業(yè)貸款風(fēng)險(xiǎn)控制中的應(yīng)用

1、信用評(píng)分卡在微小企業(yè)貸款風(fēng)險(xiǎn)控制中的應(yīng)用同所有信貸業(yè)務(wù)一樣，信用風(fēng)險(xiǎn)也是微小企業(yè)貸款面臨的最主要風(fēng)險(xiǎn)。隨著微小企業(yè)信貸業(yè)務(wù)的快速發(fā)展，客戶群體的不斷擴(kuò)大，銀行對(duì)于客戶個(gè)人信用水平的把握變得越來(lái)越難。如何科學(xué)、快速地識(shí)別個(gè)人客戶信用風(fēng)險(xiǎn)，成為微小貸款業(yè)務(wù)持續(xù)、健康發(fā)展的重要前提。信用評(píng)分模型能夠有效識(shí)別個(gè)人信用風(fēng)險(xiǎn)，這在國(guó)外成熟信貸市場(chǎng)上已經(jīng)有著廣泛的應(yīng)用。信用評(píng)分是指根據(jù)銀行客戶的各種歷史信用數(shù)據(jù)，利用信用評(píng)分卡模型，得到不同等級(jí)的信用分值，根據(jù)客戶的信用分值，分析客戶按時(shí)還款的概率，并據(jù)此決定是否給予授信以及授信的額度和利率。本文結(jié)合微小貸款業(yè)務(wù)的實(shí)踐，提出符合現(xiàn)階段實(shí)際業(yè)務(wù)的信用評(píng)分卡模型

2、，探討評(píng)分卡模型在微小貸款業(yè)務(wù)中的適用性及開(kāi)發(fā)路徑。信用評(píng)分卡在微小企業(yè)貸款業(yè)務(wù)中的適用性分析針對(duì)個(gè)人客戶目前，大多數(shù)銀行將信用評(píng)分卡用于評(píng)估個(gè)人貸款業(yè)務(wù)以及信用卡業(yè)務(wù)的客戶信用狀況。微小企業(yè)貸款業(yè)務(wù)與個(gè)人貸款業(yè)務(wù)在某些方面具有相似性：筆數(shù)多，單筆金額小，交易成本高。其一，微小貸款業(yè)務(wù)的貸款額度往往由幾千元到幾十萬(wàn)元不等，而個(gè)人貸款業(yè)務(wù)的額度也基本在這個(gè)范圍之內(nèi)。其二，微小貸款業(yè)務(wù)主要針對(duì)個(gè)人客戶，雖然被稱作微小企業(yè)，但事實(shí)上這些企業(yè)基本上都是以家庭為單位的，家庭開(kāi)支與企業(yè)開(kāi)支經(jīng)?；煜?，家庭成員的其他收入也可以作為清還債務(wù)的來(lái)源之一。其三，除了經(jīng)營(yíng)性現(xiàn)金流之外，企業(yè)主個(gè)人的還款意愿也是貸款償還

3、的關(guān)鍵因素。由于以上這些相似性，廣泛運(yùn)用于個(gè)人貸款業(yè)務(wù)中的信用評(píng)分卡業(yè)務(wù)也可以運(yùn)用于微小企業(yè)貸款業(yè)務(wù)中?？蛻粜畔⒁子谡莆招庞迷u(píng)分卡模型主要為銀行信用風(fēng)險(xiǎn)，尤其是個(gè)人信用風(fēng)險(xiǎn)的控制提供了一個(gè)客觀、準(zhǔn)確的評(píng)估和控制機(jī)制。以數(shù)據(jù)統(tǒng)計(jì)分析為基礎(chǔ)的數(shù)據(jù)挖掘技術(shù)，通過(guò)收集和分析客戶的大量行為、信用和背景記錄，歸納總結(jié)出“好客戶”和“壞客戶”的背景特征，包括：年齡、收入、性別、住房條件、婚姻狀況、職業(yè)、教育狀況等不同屬性，并能準(zhǔn)確計(jì)算出不同屬性值的客戶群所具有的消費(fèi)能力、還款概率，從而建立起能有效分辨“好客戶”、“壞客戶”的數(shù)學(xué)模型。用于信用評(píng)分的這些客戶信息，在客戶的貸款申請(qǐng)表中都可以獲得，對(duì)每個(gè)屬性進(jìn)行

4、評(píng)分之后再配以相應(yīng)的權(quán)重，就可以得出客戶信用狀況的綜合評(píng)分。完善的全國(guó)個(gè)人信用征信系統(tǒng)2006年8月，個(gè)人信用信息基礎(chǔ)數(shù)據(jù)庫(kù)實(shí)現(xiàn)了全國(guó)正式聯(lián)網(wǎng)運(yùn)行。該數(shù)據(jù)庫(kù)采集、保存、整理個(gè)人信用信息，信息涵蓋個(gè)人基本信息、結(jié)算賬戶開(kāi)立信息、銀行信貸信息和來(lái)自銀行系統(tǒng)以外的住房公積金繳存信息等，基本實(shí)現(xiàn)了為城市和部分農(nóng)村每一個(gè)有經(jīng)濟(jì)活動(dòng)的個(gè)人建立一套信用檔案的目標(biāo)。2002年人民銀行初步建成“銀行信貸登記咨詢系統(tǒng)”，主要從商業(yè)銀行等金融機(jī)構(gòu)采集企業(yè)的基本信息、主要財(cái)務(wù)指標(biāo)，以及在金融機(jī)構(gòu)的借款、擔(dān)保等信貸信息，全國(guó)各商業(yè)銀行可與該數(shù)據(jù)庫(kù)聯(lián)網(wǎng)查詢。在該系統(tǒng)多年運(yùn)行基礎(chǔ)上，2005年人民銀行啟動(dòng)全國(guó)統(tǒng)一的企業(yè)信用

5、信息基礎(chǔ)數(shù)據(jù)庫(kù)建設(shè)，2006年8月1日該數(shù)據(jù)庫(kù)實(shí)現(xiàn)所有商業(yè)銀行和有條件的農(nóng)村信用社全國(guó)聯(lián)網(wǎng)運(yùn)行。與此同時(shí)，人民銀行加快推進(jìn)小企業(yè)信用體系建設(shè)，截至2009年10月底，全國(guó)采集、更新未與銀行發(fā)生信貸關(guān)系的中小企業(yè)信息195.7萬(wàn)戶，提供查詢中小企業(yè)信用信息檔案354萬(wàn)多次，其中商業(yè)銀行查詢227.6萬(wàn)次。8.1萬(wàn)余戶中小企業(yè)獲得貸款13413億元，還有15.9戶中小企業(yè)由此取得了銀行授信意向。征信系統(tǒng)個(gè)人數(shù)據(jù)庫(kù)和企業(yè)信用信息數(shù)據(jù)庫(kù)全國(guó)聯(lián)網(wǎng)，意味著全國(guó)1116萬(wàn)家企業(yè)、5.33億自然人的信用記錄可以較為容易地查詢到，這為銀行運(yùn)用信用評(píng)分法提供了足夠的數(shù)據(jù)支持。信用評(píng)分卡運(yùn)用存在的困難構(gòu)建信用評(píng)分卡

6、模型，一個(gè)關(guān)鍵因素就是市場(chǎng)的成熟度和累積的數(shù)據(jù)的完備性。以美國(guó)為代表的西方發(fā)達(dá)國(guó)家，個(gè)人信貸業(yè)務(wù)開(kāi)展的時(shí)間較早，期間經(jīng)過(guò)了歷次經(jīng)濟(jì)周期波動(dòng)的考驗(yàn)，已經(jīng)累積了不同經(jīng)濟(jì)周期和市場(chǎng)環(huán)境下的歷史數(shù)據(jù)，基于這些寶貴數(shù)據(jù)形成的統(tǒng)計(jì)模型具有相當(dāng)可靠的準(zhǔn)確性和預(yù)見(jiàn)性。而我國(guó)微小企業(yè)貸款業(yè)務(wù)開(kāi)展不過(guò)四五年的時(shí)間，期間并沒(méi)有經(jīng)歷過(guò)類似西方經(jīng)濟(jì)危機(jī)的大規(guī)模經(jīng)濟(jì)波動(dòng)，因此數(shù)據(jù)在時(shí)間覆蓋上不夠全面。除此之外，目前開(kāi)展微小貸款的主體還是中小商業(yè)銀行，其中以城市商業(yè)銀行居多，資金實(shí)力有限，沒(méi)有能力建造完善的數(shù)據(jù)中心，數(shù)據(jù)散亂不完整，分散在各個(gè)支行網(wǎng)點(diǎn)，且沒(méi)有統(tǒng)一的視圖。即使有統(tǒng)一的客戶信息管理系統(tǒng)，也運(yùn)行緩慢，無(wú)法進(jìn)行數(shù)據(jù)

7、處理，調(diào)出數(shù)據(jù)經(jīng)常需要很漫長(zhǎng)的時(shí)間。因此，要建立信用評(píng)分卡模型，銀行首先需要建立完善的客戶信息管理系統(tǒng)，并確保系統(tǒng)中的數(shù)據(jù)完整、準(zhǔn)確。信用評(píng)分卡模型的開(kāi)發(fā)信用評(píng)分模型的開(kāi)發(fā)流程包括模型的總體構(gòu)想、選擇合適的樣本空間、確定預(yù)測(cè)變量、制訂模型、評(píng)估和檢驗(yàn)?zāi)Ｐ托Ч?、?shí)施模型、檢測(cè)模型的表現(xiàn)等七個(gè)步驟。定義開(kāi)發(fā)目標(biāo)、方法及業(yè)務(wù)問(wèn)題開(kāi)發(fā)目標(biāo)。（1）減少人為影響，提高信貸政策的執(zhí)行力度。（2）用定量的方法反映客戶的風(fēng)險(xiǎn)級(jí)別。（3）縮短審批時(shí)間，提高貸款發(fā)放速度。（4）實(shí)現(xiàn)審批流程自動(dòng)化，減少人工成本。模型建立方法。按模型的實(shí)證化程度劃分，模型的建立方法可分為三種類型：第一類是統(tǒng)計(jì)型，即采用統(tǒng)計(jì)方法從歷史數(shù)

8、據(jù)中推演出來(lái)的模型，主要采用多元線性回歸分析、邏輯回歸分析等線性分析技術(shù)和最近鄰方法、神經(jīng)網(wǎng)絡(luò)模型等非線性分析技術(shù)，通過(guò)科學(xué)、嚴(yán)密的分析流程而建立。第二類是專家型，即由專家判斷和機(jī)構(gòu)經(jīng)驗(yàn)形成的模型，主要依靠信用評(píng)分人員的經(jīng)驗(yàn)判斷，形成簡(jiǎn)單的信用評(píng)分體系，一般遵循5C原則：品行(Character)、償還能力(Capacity)、資本(Capital)、抵押(Collateral)與環(huán)境(Condition)。第三類是混合型，即由統(tǒng)計(jì)方法和經(jīng)驗(yàn)判斷結(jié)合運(yùn)用形成的模型。在歷史數(shù)據(jù)完備性不足的情況下，對(duì)于開(kāi)展微小貸款業(yè)務(wù)的商業(yè)銀行來(lái)說(shuō)，在應(yīng)用初期采用混合型的評(píng)分卡模型可能是比較好的選擇。即在統(tǒng)計(jì)模型

9、的基礎(chǔ)上，結(jié)合模型變量之外的制度、經(jīng)驗(yàn)因素進(jìn)行綜合評(píng)估，以綜合確定是否給予授信以及授信的額度和利率。這里的統(tǒng)計(jì)模型是指在分析歷史數(shù)據(jù)的基礎(chǔ)上形成的評(píng)分卡模型，而制度、經(jīng)驗(yàn)因素的結(jié)合則體現(xiàn)在兩個(gè)方面：一是在模型評(píng)分指標(biāo)之外設(shè)置相關(guān)的制度規(guī)定和經(jīng)驗(yàn)因子，這些因子我們可以劃分為兩類：一類是“硬政策”因子，它是評(píng)分模型變量之外的基于制度規(guī)定和經(jīng)驗(yàn)的一些條件，包括“自動(dòng)通過(guò)硬政策”和“自動(dòng)拒絕硬政策”。另一類是“篩選政策”因子，同樣是評(píng)分模型變量之外的基于制度規(guī)定和經(jīng)驗(yàn)的一些條件，包括“低分篩選政策”和“高分篩選政策”。二是在模型變量和制度、經(jīng)驗(yàn)因素判斷之后，被拒絕或存在較大不確定性的貸款，在評(píng)分卡應(yīng)用

10、初期，采用轉(zhuǎn)人工審批的方式。確定數(shù)據(jù)來(lái)源，選取數(shù)據(jù)樣本數(shù)據(jù)來(lái)源。微小貸款客戶信息系統(tǒng)數(shù)據(jù)庫(kù)和其他相關(guān)業(yè)務(wù)系統(tǒng)。樣本總數(shù)量。選取某地區(qū)兩三年間的所有貸款申請(qǐng)人(包括“好客戶”、“壞客戶”及被拒絕的申請(qǐng)客戶)。比如說(shuō)，選取確定地區(qū)2007年1月至2009年6月的所有申請(qǐng)人，總數(shù)13萬(wàn)人。抽取、整理數(shù)據(jù)，建立數(shù)據(jù)集合數(shù)據(jù)質(zhì)量的好壞是決定建立的模型能否成功的關(guān)鍵因素。在確定了數(shù)據(jù)來(lái)源之后，由于所采集的數(shù)據(jù)資料來(lái)源廣泛，數(shù)據(jù)量大，抽取所耗時(shí)間較長(zhǎng)，就需要在大量的原始數(shù)據(jù)基礎(chǔ)上，根據(jù)業(yè)務(wù)的需求、數(shù)據(jù)結(jié)構(gòu)、性質(zhì)及內(nèi)在邏輯性，對(duì)大量的數(shù)據(jù)進(jìn)行歸納分類、合并、分組。即不同來(lái)源的數(shù)據(jù)對(duì)同一個(gè)概念有不同的表示方法，

11、在集成多個(gè)數(shù)據(jù)來(lái)源時(shí)，需要消除數(shù)據(jù)結(jié)構(gòu)上的這種差異。此外，對(duì)于相似或重復(fù)記錄，需要檢測(cè)并且合并這些記錄，最終建立數(shù)據(jù)集合(或數(shù)據(jù)倉(cāng)庫(kù))。分析數(shù)據(jù)、選擇變量數(shù)據(jù)經(jīng)過(guò)整理之后進(jìn)行數(shù)據(jù)分析，找出數(shù)據(jù)內(nèi)在的關(guān)聯(lián)性，并經(jīng)過(guò)對(duì)樣本變量的調(diào)整，選擇具有較強(qiáng)預(yù)測(cè)能力的變量。如果是連續(xù)型變量，就是要尋找合適的分界點(diǎn)，將所有變量分為幾個(gè)區(qū)間以使其具有最強(qiáng)的預(yù)測(cè)能力。例如，客戶年齡是連續(xù)型變量，通過(guò)研究如何按年齡分組、每組分界點(diǎn)在哪里以達(dá)到最優(yōu)的預(yù)測(cè)能力。如果是離散型變量，那么每個(gè)變量值都會(huì)有一定的預(yù)測(cè)能力，但是考慮到可能一些變量值有相似的預(yù)測(cè)能力，因此也要進(jìn)行分組。之后是選取變量，即從整個(gè)指標(biāo)體系中選出最終量化模

12、型所需要使用的一組解釋變量，其過(guò)程大致為：用所有變量分別對(duì)違約記錄進(jìn)行單變量回歸。找出對(duì)違約解釋能力最強(qiáng)的單個(gè)變量，再將該變量與每單個(gè)剩余變量組合后再對(duì)違約記錄進(jìn)行雙因素回歸。找出對(duì)違約解釋能力最強(qiáng)的兩個(gè)變量，將這兩個(gè)變量再與每單個(gè)剩余變量進(jìn)行三因素回歸。找出對(duì)違約解釋能力最強(qiáng)的三個(gè)變量，不斷重復(fù)以上過(guò)程直到所選擇的變量個(gè)數(shù)達(dá)到預(yù)定的違約解釋能力為止。一般來(lái)說(shuō)，最后使用的解釋變量個(gè)數(shù)不超過(guò)15個(gè)。創(chuàng)建評(píng)分模型通過(guò)前面的分組產(chǎn)生了最新的數(shù)據(jù)集合，就可以應(yīng)用邏輯回歸運(yùn)算建立初始回歸模型。在回歸模型的基礎(chǔ)上，運(yùn)用概率與分?jǐn)?shù)之間的轉(zhuǎn)換算法把概率轉(zhuǎn)換成分?jǐn)?shù)進(jìn)而得到初始評(píng)分卡。下一步要將初始評(píng)分卡進(jìn)行拒絕

13、推論。拒絕推論是指由于申請(qǐng)被拒的客戶的數(shù)據(jù)沒(méi)有輸入評(píng)分系統(tǒng)內(nèi)，導(dǎo)致樣本的選取非隨機(jī)，整體信用情況被改變，降低了信用評(píng)分模型的有效性。因?yàn)樾庞迷u(píng)分模型是用來(lái)評(píng)價(jià)未來(lái)所有申請(qǐng)貸款的客戶的信用，則樣本必須能夠代表所有的申請(qǐng)貸款的群體，而不僅只代表信用質(zhì)量較好、通過(guò)審批的那部分客戶的信用狀況，所以樣本必須包括歷史上沒(méi)有通過(guò)審批的客戶，否則，樣本空間本身就會(huì)出現(xiàn)系統(tǒng)性扭曲。運(yùn)用拒絕推論時(shí)，由于這部分被拒絕的客戶信用表現(xiàn)是無(wú)法獲得的，只能運(yùn)用一定的統(tǒng)計(jì)手段進(jìn)行推測(cè)。推測(cè)的方法有很多，可以通過(guò)信用評(píng)分卡對(duì)被拒絕的申請(qǐng)人打分，從而得出每個(gè)被拒絕的申請(qǐng)人如果被審批成為信用良好的客戶的概率和信用不好的客戶的概率，

14、再按其權(quán)重放入模型樣本中，這樣能夠減少樣本的偏差，同時(shí)把拒絕樣本的不確定性考慮在內(nèi)。我們利用拒絕推論后產(chǎn)生的樣本（包括通過(guò)和拒絕的）重新對(duì)每個(gè)變量進(jìn)行分組，所用方法與初始分組相同。然后對(duì)第二次分組所形成的數(shù)據(jù)集合建立邏輯回歸模型。最后在第二次回歸模型的基礎(chǔ)上，再通過(guò)轉(zhuǎn)換算法把回歸模型得到的概率轉(zhuǎn)換成分?jǐn)?shù)，從而得到最終得信用評(píng)分卡。檢驗(yàn)?zāi)Ｐ湍Ｐ徒⒅?，模型的預(yù)測(cè)能力、穩(wěn)定性必須通過(guò)檢驗(yàn)之后，才可以運(yùn)用到實(shí)際業(yè)務(wù)中去。評(píng)分模型的檢驗(yàn)方法和標(biāo)準(zhǔn)通常有：K-S指標(biāo)、交換曲線、AR值、Gini數(shù)等。例如，K-S指標(biāo)是用來(lái)衡量驗(yàn)證結(jié)果是否優(yōu)于期望值，具體標(biāo)準(zhǔn)為：如果K-S大于40%，模型具有較好的預(yù)測(cè)功

15、能，發(fā)展的模型具有成功的應(yīng)用價(jià)值。K-S值越大，表示評(píng)分模型能夠?qū)ⅰ昂每蛻簟?、“壞客戶”區(qū)分開(kāi)來(lái)的程度越大。對(duì)模型進(jìn)行監(jiān)控和調(diào)整在模型實(shí)施之后，要產(chǎn)生許多報(bào)表對(duì)模型的穩(wěn)定性和有效性進(jìn)行監(jiān)測(cè)，如：穩(wěn)定性監(jiān)測(cè)報(bào)表，比較新申請(qǐng)人與開(kāi)發(fā)樣本客戶的分?jǐn)?shù)分布，對(duì)模型的有效性進(jìn)行監(jiān)控。特征分析報(bào)表比較目前和模型建立期間的所有記分卡特征的分布，對(duì)模型的有效性進(jìn)行監(jiān)控。不良貸款數(shù)據(jù)分析報(bào)表，評(píng)估不同分值區(qū)間的不良貸款，并且與模型建立階段的預(yù)測(cè)進(jìn)行比較，監(jiān)控客戶貸款質(zhì)量。另外，經(jīng)過(guò)一段時(shí)間之后，經(jīng)濟(jì)環(huán)境、市場(chǎng)情況和申請(qǐng)者、持卡者的結(jié)構(gòu)會(huì)不斷變化，信用評(píng)分卡的預(yù)測(cè)能力會(huì)逐漸減弱，同時(shí)，銀行經(jīng)營(yíng)策略和信貸政策的改變也要求評(píng)分模型進(jìn)行適時(shí)調(diào)整，所以，信用評(píng)分卡在建立后需要進(jìn)行持續(xù)的監(jiān)控，在應(yīng)用