信用评分卡在微小企业贷款风险控制中的应用

信用评分卡在微小企业贷款风险控制中的应用 同所有信贷业务一样,信用风险也是微小企业贷款面临的最主要风险。随着微小企业信贷业务的快速发展,客户群体的不断扩大,银行对于客户个人信用水平的把握变得越来越难。如何科学、快速地识别个人客户信用风险,成为微小贷款业务持续、健康发展的重要前提。信用评分模型能够有效识别个人信用风险,这在国外成熟信贷市场上已经有着广泛的应用。 信用评分是指根据银行客户的各种历史信用数据,利用信用评分卡模型,得到不同等级的信用分值,根据客户的信用分值,分析客户按时还款的概率,并据此决定是否给予授信以及授信的额度和利率。 本文结合微小贷款业务的实践,提出符合现阶段实际业务的信用评分卡模型,探讨评分卡模型在微小贷款业务中的适用性及开发路径。 信用评分卡在微小企业贷款业务中的适用性分析 针对个人客户 目前,大多数银行将信用评分卡用于评估个人贷款业务以及信用卡业务的客户信用状况。微小企业贷款业务与个人贷款业务在某些方面具有相似性:笔数多,单笔金额小,交易成本高。其一,微小贷款业务的贷款额度往往由几千元到几十万元不等,而个人贷款业务的额度也基本在这个范围之内。其二,微小贷款业务主要针对个人客户,虽然被称作微小企业,但事实上这些企业基本上都是以家庭为单位的,家庭开支与企业开支经常混淆,家庭成员的其他收入也可以作为清还债务的来源之一。其三,除了经营性现金流之外,企业主个人的还款意愿也是贷款偿还的关键因素。由于以上这些相似性,广泛运用于个人贷款业务中的信用评分卡业务也可以运用于微小企业贷款业务中。 客户信息易于掌握 信用评分卡模型主要为银行信用风险,尤其是个人信用风险的控制提供了一个客观、准确的评估和控制机制。以数据统计分析为基础的数据挖掘技术,通过收集和分析客户的大量行为、信用和背景记录,归纳总结出“好客户”和“坏客户”的背景特征,包括:年龄、收入、性别、住房条件、婚姻状况、职业、教育状况等不同属性,并能准确计算出不同属性值的客户群所具有的消费能力、还款概率,从而建立起能有效分辨“好客户”、“坏客户”的数学模型。用于信用评分的这些客户信息,在客户的贷款申请表中都可以获得,对每个属性进行评分之后再配以相应的权重,就可以得出客户信用状况的综合评分。 完善的全国个人信用征信系统 2006年8月,个人信用信息基础数据库实现了全国正式联网运行。该数据库采集、保存、整理个人信用信息,信息涵盖个人基本信息、结算账户开立信息、银行信贷信息和来自银行系统以外的住房公积金缴存信息等,基本实现了为城市和部分农村每一个有经济活动的个人建立一套信用档案的目标。 2002年人民银行初步建成“银行信贷登记咨询系统”,主要从商业银行等金融机构采集企业的基本信息、主要财务指标,以及在金融机构的借款、担保等信贷信息,全国各商业银行可与该数据库联网查询。在该系统多年运行基础上,2005年人民银行启动全国统一的企业信用信息基础数据库建设,2006年8月1日该数据库实现所有商业银行和有条件的农村信用社全国联网运行。与此同时,人民银行加快推进小企业信用体系建设,截至2009年10月底,全国采集、更新未与银行发生信贷关系的中小企业信息195.7万户,提供查询中小企业信用信息档 案354万多次,其中商业银行查询227.6万次。8.1万余户中小企业获得贷款13413亿元,还有15.9户中小企业由此取得了银行授信意向。 征信系统个人数据库和企业信用信息数据库全国联网,意味着全国1116万家企业、5.33亿自然人的信用记录可以较为容易地查询到,这为银行运用信用评分法提供了足够的数据支持。 信用评分卡运用存在的困难 构建信用评分卡模型,一个关键因素就是市场的成熟度和累积的数据的完备性。以美国为代表的西方发达国家,个人信贷业务开展的时间较早,期间经过了历次经济周期波动的考验,已经累积了不同经济周期和市场环境下的历史数据,基于这些宝贵数据形成的统计模型具有相当可靠的准确性和预见性。而我国微小企业贷款业务开展不过四五年的时间,期间并没有经历过类似西方经济危机的大规模经济波动,因此数据在时间覆盖上不够全面。 除此之外,目前开展微小贷款的主体还是中小商业银行,其中以城市商业银行居多,资金实力有限,没有能力建造完善的数据中心,数据散乱不完整,分散在各个支行网点,且没有统一的视图。即使有统一的客户信息管理系统,也运行缓慢,无法进行数据处理,调出数据经常需要很漫长的时间。 因此,要建立信用评分卡模型,银行首先需要建立完善的客户信息管理系统,并确保系统中的数据完整、准确。 信用评分卡模型的开发 信用评分模型的开发包括模型的总体构想、选择合适的空间、确定预测变量、制订模型、评估和检验模型效果、实施模型、检测模型的表现等七个步骤。 定义开发目标、及业务问题 开发目标。(1)减少人为影响,提高信贷政策的执行力度。(2)用定量的方法反映客户的风险级别。(3)缩短审批时间,提高贷款发放速度。(4)实现审批流程自动化,减少人工成本。 模型建立方法。按模型的实证化程度划分,模型的建立方法可分为三种类型:第一类是统计型,即采用统计方法从历史数据中推演出来的模型,主要采用多元线性回归分析、逻辑回归分析等线性分析技术和最近邻方法、神经网络模型等非线性分析技术,通过科学、严密的分析流程而建立。第二类是专家型,即由专家判断和机构经验形成的模型,主要依靠信用评分人员的经验判断,形成简单的信用评分体系,一般遵循5C原则:品行(Character)、偿还能力(Capacity)、资本(Capital)、抵押(Collateral)与环境(Condition)。第三类是混合型,即由统计方法和经验判断结合运用形成的模型。 在历史数据完备性不足的情况下,对于开展微小贷款业务的商业银行来说,在应用初期采用混合型的评分卡模型可能是比较好的选择。即在统计模型的基础上,结合模型变量之外的、经验因素进行综合评估,以综合确定是否给予授信以及授信的额度和利率。这里的统计模型是指在分析历史数据的基础上形成的评分卡模型,而制度、经验因素的结合则体现在两个方面:一是在模型评分指标之外设置相关的制度规定和经验因子,这些因子我们可以划分为两类:一类是“硬政策”因子,它是评分模型变量之外的基于制度规定和经验的一些条件,包括“自动通过硬政策”和“自动拒绝硬政策”。另一类是“筛选政策”因子,同样是评分模型变量之外的基于制度规定和经验的一些条件,包括“低分筛选政策”和“高分筛选政策”。二是在模型 变量和制度、经验因素判断之后,被拒绝或存在较大不确定性的贷款,在评分卡应用初期,采用转人工审批的方式。 确定数据来源,选取数据样本 数据来源。微小贷款客户信息系统数据库和其他相关业务系统。 样本总数量。选取某地区两三年间的所有贷款申请人(包括“好客户”、“坏客户”及被拒绝的申请客户)。比如说,选取确定地区2007年1月至2009年6月的所有申请人,总数13万人。 抽取、整理数据,建立数据集合 数据质量的好坏是决定建立的模型能否成功的关键因素。在确定了数据来源之后,由于所采集的数据资料来源广泛,数据量大,抽取所耗时间较长,就需要在大量的原始数据基础上,根据业务的需求、数据结构、性质及内在逻辑性,对大量的数据进行归纳分类、合并、分组。即不同来源的数据对同一个概念有不同的表示方法,在集成多个数据来源时,需要消除数据结构上的这种差异。此外,对于相似或重复记录,需要检测并且合并这些记录,最终建立数据集合(或数据仓库)。 分析数据、选择变量 数据经过整理之后进行数据分析,找出数据内在的关联性,并经过对样本变量的调整,选择具有较强预测能力的变量。 如果是连续型变量,就是要寻找合适的分界点,将所有变量分为几个区间以使其具有最强的预测能力。例如,客户年龄是连续型变量,通过研究如何按年龄分组、每组分界点在哪里以达到最优的预测能力。如果是离散型变量,那么每个变量值都会有一定的预测能力,但是考虑到可能一些变量值有相似的预测能力,因此也要进行分组。 之后是选取变量,即从整个指标体系中选出最终量化模型所需要使用的一组解释变量,其过程大致为:用所有变量分别对违约记录进行单变量回归。找出对违约解释能力最强的单个变量,再将该变量与每单个剩余变量组合后再对违约记录进行双因素回归。找出对违约解释能力最强的两个变量,将这两个变量再与每单个剩余变量进行三因素回归。找出对违约解释能力最强的三个变量,不断重复以上过程直到所选择的变量个数达到预定的违约解释能力为止。一般来说,最后使用的解释变量个数不超过15个。 创建评分模型 通过前面的分组产生了最新的数据集合,就可以应用逻辑回归运算建立初始回归模型。在回归模型的基础上,运用概率与分数之间的转换算法把概率转换成分数进而得到初始评分卡。下一步要将初始评分卡进行拒绝推论。拒绝推论是指由于申请被拒的客户的数据没有输入评分系统内,导致样本的选取非随机,整体信用情况被改变,降低了信用评分模型的有效性。 因为信用评分模型是用来评价未来所有申请贷款的客户的信用,则样本必须能够代表所有的申请贷款的群体,而不仅只代表信用质量较好、通过审批的那部分客户的信用状况,所以样本必须包括历史上没有通过审批的客户,否则,样本空间本身就会出现系统性扭曲。 运用拒绝推论时,由于这部分被拒绝的客户信用表现是无法获得的,只能运用一定的统计手段进行推测。推测的方法有很多,可以通过信用评分卡对被拒绝的申请人打分,从而得出 每个被拒绝的申请人如果被审批成为信用良好的客户的概率和信用不好的客户的概率,再按其权重放入模型样本中,这样能够减少样本的偏差,同时把拒绝样本的不确定性考虑在内。我们利用拒绝推论后产生的样本(包括通过和拒绝的)重新对每个变量进行分组,所用方法与初始分组相同。然后对第二次分组所形成的数据集合建立逻辑回归模型。最后在第二次回归模型的基础上,再通过转换算法把回归模型得到的概率转换成分数,从而得到最终得信用评分卡。 检验模型 模型建立之后,模型的预测能力、稳定性必须通过检验之后,才可以运用到实际业务中去。评分模型的检验方法和通常有:K-S指标、交换曲线、AR值、Gini数等。例如,K-S指标是用来衡量验证结果是否优于期望值,具体标准为:如果K-S大于40%,模型具有较好的预测功能,发展的模型具有成功的应用价值。K-S值越大,表示评分模型能够将“好客户”、“坏客户”区分开来的程度越大。 对模型进行监控和调整 在模型实施之后,要产生许多报表对模型的稳定性和有效性进行监测,如:稳定性监测报表,比较新申请人与开发样本客户的分数分布,对模型的有效性进行监控。特征分析报表,比较目前和模型建立期间的所有记分卡特征的分布,对模型的有效性进行监控。不良贷款数据分析报表,评估不同分值区间的不良贷款,并且与模型建立阶段的预测进行比较,监控客户贷款质量。 另外,经过一段时间之后,经济环境、市场情况和申请者、持卡者的结构会不断变化,信用评分卡的预测能力会逐渐减弱,同时,银行经营策略和信贷政策的改变也要求评分模型进行适时调整,所以,信用评分卡在建立后需要进行持续的监控,在应用一段时间(一般2,3年)后必须适当调整或重建。 结论 微小企业贷款业务中的信用风险一直都是银行最关注的问题,目前大多银行都采用人工审批的方式控制风险,审批的依据是审批政策、客户提供的资料,以及审批人员的个人经验进行审批判断。这种状况很难应对客户群体日益扩大的发展趋势,同时还存在审批决策容易受主观因素影响、审批结果不一致的问题。除此之外,目前很多银行纷纷涉足微小贷款业务,竞争日益激烈,只有高效、低成本的审批手段才能获得竞争优势,因此信用评分卡技术必将在微小企业贷款领域发挥重要作用。 (作者单位:特华博士后科研工作站)