信用評分卡在微小企業貸款風險控制中的應用

同所有信貸業務一樣，信用風險也是微小企業貸款面臨的最主要風險。隨著微小企業信貸業務的快速發展，客戶群體的不斷擴大，銀行對于客戶個人信用水平的把握變得越來越難。如何科學、快速地識別個人客戶信用風險，成為微小貸款業務持續、健康發展的重要前提。信用評分模型能夠有效識別個人信用風險，這在國外成熟信貸市場上已經有著廣泛的應用。

信用評分是指根據銀行客戶的各種歷史信用數據，利用信用評分卡模型，得到不同等級的信用分值，根據客戶的信用分值，分析客戶按時還款的概率，并據此決定是否給予授信以及授信的額度和利率。

本文結合微小貸款業務的實踐，提出符合現階段實際業務的信用評分卡模型，探討評分卡模型在微小貸款業務中的適用性及開發路徑。

信用評分卡在微小企業貸款業務中的適用性分析

針對個人客戶

目前，大多數銀行將信用評分卡用于評估個人貸款業務以及信用卡業務的客戶信用狀況。微小企業貸款業務與個人貸款業務在某些方面具有相似性:筆數多，單筆金額小，交易成本高。其一，微小貸款業務的貸款額度往往由幾千元到幾十萬元不等，而個人貸款業務的額度也基本在這個范圍之內。其二，微小貸款業務主要針對個人客戶，雖然被稱作微小企業，但事實上這些企業基本上都是以家庭為單位的，家庭開支與企業開支經常混淆，家庭成員的其他收入也可以作為清還債務的來源之一。其三，除了經營性現金流之外，企業主個人的還款意愿也是貸款償還的關鍵因素。由于以上這些相似性，廣泛運用于個人貸款業務中的信用評分卡業務也可以運用于微小企業貸款業務中。

客戶信息易于掌握

信用評分卡模型主要為銀行信用風險，尤其是個人信用風險的控制提供了一個客觀、準確的評估和控制機制。以數據統計分析為基礎的數據挖掘技術，通過收集和分析客戶的大量行為、信用和背景記錄，歸納總結出“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、教育狀況等不同屬性，并能準確計算出不同屬性值的客戶群所具有的消費能力、還款概率，從而建立起能有效分辨“好客戶”、“壞客戶”的數學模型。用于信用評分的這些客戶信息，在客戶的貸款申請表中都可以獲得，對每個屬性進行評分之后再配以相應的權重，就可以得出客戶信用狀況的綜合評分。

完善的全國個人信用征信系統

2006年8月，個人信用信息基礎數據庫實現了全國正式聯網運行。該數據庫采集、保存、整理個人信用信息，信息涵蓋個人基本信息、結算賬戶開立信息、銀行信貸信息和來自銀行系統以外的住房公積金繳存信息等，基本實現了為城市和部分農村每一個有經濟活動的個人建立一套信用檔案的目標。

2002年人民銀行初步建成“銀行信貸登記咨詢系統”，主要從商業銀行等金融機構采集企業的基本信息、主要財務指標，以及在金融機構的借款、擔保等信貸信息，全國各商業銀行可與該數據庫聯網查詢。在該系統多年運行基礎上，2005年人民銀行啟動全國統一的企業信用信息基礎數據庫建設，2006年8月1日該數據庫實現所有商業銀行和有條件的農村信用社全國聯網運行。與此同時，人民銀行加快推進小企業信用體系建設，截至2009年10月底，全國采集、更新未與銀行發生信貸關系的中小企業信息195.7萬戶，提供查詢中小企業信用信息檔案354萬多次，其中商業銀行查詢227.6萬次。8.1萬余戶中小企業獲得貸款13413億元，還有15.9戶中小企業由此取得了銀行授信意向。

征信系統個人數據庫和企業信用信息數據庫全國聯網，意味著全國1116萬家企業、5.33億自然人的信用記錄可以較為容易地查詢到，這為銀行運用信用評分法提供了足夠的數據支持。

信用評分卡運用存在的困難

構建信用評分卡模型，一個關鍵因素就是市場的成熟度和累積的數據的完備性。以美國為代表的西方發達國家，個人信貸業務開展的時間較早，期間經過了歷次經濟周期波動的考驗，已經累積了不同經濟周期和市場環境下的歷史數據，基于這些寶貴數據形成的統計模型具有相當可靠的準確性和預見性。而我國微小企業貸款業務開展不過四五年的時間，期間并沒有經歷過類似西方經濟危機的大規模經濟波動，因此數據在時間覆蓋上不夠全面。

除此之外，目前開展微小貸款的主體還是中小商業銀行，其中以城市商業銀行居多，資金實力有限，沒有能力建造完善的數據中心，數據散亂不完整，分散在各個支行網點，且沒有統一的視圖。即使有統一的客戶信息管理系統，也運行緩慢，無法進行數據處理，調出數據經常需要很漫長的時間。

因此，要建立信用評分卡模型，銀行首先需要建立完善的客戶信息管理系統，并確保系統中的數據完整、準確。

信用評分卡模型的開發

信用評分模型的開發流程包括模型的總體構想、選擇合適的樣本空間、確定預測變量、制訂模型、評估和檢驗模型效果、實施模型、檢測模型的表現等七個步驟。

定義開發目標、方法及業務問題

開發目標。(1)減少人為影響，提高信貸政策的執行力度。(2)用定量的方法反映客戶的風險級別。(3)縮短審批時間，提高貸款發放速度。(4)實現審批流程自動化，減少人工成本。

模型建立方法。按模型的實證化程度劃分，模型的建立方法可分為三種類型:第一類是統計型，即采用統計方法從歷史數據中推演出來的模型，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和最近鄰方法、神經網絡模型等非線性分析技術，通過科學、嚴密的分析流程而建立。第二類是專家型，即由專家判斷和機構經驗形成的模型，主要依靠信用評分人員的經驗判斷，形成簡單的信用評分體系，一般遵循5C原則:品行(Character)、償還能力(Capacity)、資本(Capital)、抵押(Collateral)與環境(Condition)。第三類是混合型，即由統計方法和經驗判斷結合運用形成的模型。

在歷史數據完備性不足的情況下，對于開展微小貸款業務的商業銀行來說，在應用初期采用混合型的評分卡模型可能是比較好的選擇。即在統計模型的基礎上，結合模型變量之外的制度、經驗因素進行綜合評估，以綜合確定是否給予授信以及授信的額度和利率。這里的統計模型是指在分析歷史數據的基礎上形成的評分卡模型，而制度、經驗因素的結合則體現在兩個方面:一是在模型評分指標之外設置相關的制度規定和經驗因子，這些因子我們可以劃分為兩類:一類是“硬政策”因子，它是評分模型變量之外的基于制度規定和經驗的一些條件，包括“自動通過硬政策”和“自動拒絕硬政策”。另一類是“篩選政策”因子，同樣是評分模型變量之外的基于制度規定和經驗的一些條件，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、經驗因素判斷之后，被拒絕或存在較大不確定性的貸款，在評分卡應用初期，采用轉人工審批的方式。

確定數據來源，選取數據樣本

數據來源。微小貸款客戶信息系統數據庫和其他相關業務系統。

樣本總數量。選取某地區兩三年間的所有貸款申請人(包括“好客戶”、“壞客戶”及被拒絕的申請客戶)。比如說，選取確定地區2007年1月至2009年6月的所有申請人，總數13萬人。

抽取、整理數據，建立數據集合

數據質量的好壞是決定建立的模型能否成功的關鍵因素。在確定了數據來源之后，由于所采集的數據資料來源廣泛，數據量大，抽取所耗時間較長，就需要在大量的原始數據基礎上，根據業務的需求、數據結構、性質及內在邏輯性，對大量的數據進行歸納分類、合并、分組。即不同來源的數據對同一個概念有不同的表示方法，在集成多個數據來源時，需要消除數據結構上的這種差異。此外，對于相似或重復記錄，需要檢測并且合并這些記錄，最終建立數據集合(或數據倉庫)。

分析數據、選擇變量

數據經過整理之后進行數據分析，找出數據內在的關聯性，并經過對樣本變量的調整，選擇具有較強預測能力的變量。

如果是連續型變量，就是要尋找合適的分界點，將所有變量分為幾個區間以使其具有最強的預測能力。例如，客戶年齡是連續型變量，通過研究如何按年齡分組、每組分界點在哪里以達到最優的預測能力。如果是離散型變量，那么每個變量值都會有一定的預測能力，但是考慮到可能一些變量值有相似的預測能力，因此也要進行分組。

之后是選取變量，即從整個指標體系中選出最終量化模型所需要使用的一組解釋變量，其過程大致為:用所有變量分別對違約記錄進行單變量回歸。找出對違約解釋能力最強的單個變量，再將該變量與每單個剩余變量組合后再對違約記錄進行雙因素回歸。找出對違約解釋能力最強的兩個變量，將這兩個變量再與每單個剩余變量進行三因素回歸。找出對違約解釋能力最強的三個變量，不斷重復以上過程直到所選擇的變量個數達到預定的違約解釋能力為止。一般來說，最后使用的解釋變量個數不超過15個。

創建評分模型

通過前面的分組產生了最新的數據集合，就可以應用邏輯回歸運算建立初始回歸模型。在回歸模型的基礎上，運用概率與分數之間的轉換算法把概率轉換成分數進而得到初始評分卡。下一步要將初始評分卡進行拒絕推論。拒絕推論是指由于申請被拒的客戶的數據沒有輸入評分系統內，導致樣本的選取非隨機，整體信用情況被改變，降低了信用評分模型的有效性。

因為信用評分模型是用來評價未來所有申請貸款的客戶的信用，則樣本必須能夠代表所有的申請貸款的群體，而不僅只代表信用質量較好、通過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有通過審批的客戶，否則，樣本空間本身就會出現系統性扭曲。

運用拒絕推論時，由于這部分被拒絕的客戶信用表現是無法獲得的，只能運用一定的統計手段進行推測。推測的方法有很多，可以通過信用評分卡對被拒絕的申請人打分，從而得出每個被拒絕的申請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，再按其權重放入模型樣本中，這樣能夠減少樣本的偏差，同時把拒絕樣本的不確定性考慮在內。我們利用拒絕推論后產生的樣本(包括通過和拒絕的)重新對每個變量進行分組，所用方法與初始分組相同。然后對第二次分組所形成的數據集合建立邏輯回歸模型。最后在第二次回歸模型的基礎上，再通過轉換算法把回歸模型得到的概率轉換成分數，從而得到最終得信用評分卡。

檢驗模型

模型建立之后，模型的預測能力、穩定性必須通過檢驗之后，才可以運用到實際業務中去。評分模型的檢驗方法和標準通常有:K-S指標、交換曲線、AR值、Gini數等。例如，K-S指標是用來衡量驗證結果是否優于期望值，具體標準為:如果K-S大于40%，模型具有較好的預測功能，發展的模型具有成功的應用價值。K-S值越大，表示評分模型能夠將“好客戶”、“壞客戶”區分開來的程度越大。

對模型進行監控和調整

在模型實施之后，要產生許多報表對模型的穩定性和有效性進行監測，如:穩定性監測報表，比較新申請人與開發樣本客戶的分數分布，對模型的有效性進行監控。特征分析報表，比較目前和模型建立期間的所有記分卡特征的分布，對模型的有效性進行監控。不良貸款數據分析報表，評估不同分值區間的不良貸款，并且與模型建立階段的預測進行比較，監控客戶貸款質量。

另外，經過一段時間之后，經濟環境、市場情況和申請者、持卡者的結構會不斷變化，信用評分卡的預測能力會逐漸減弱，同時，銀行經營策略和信貸政策的改變也要求評分模型進行適時調整，所以，信用評分卡在建立后需要進行持續的監控，在應用一段時間(一般2～3年)后必須適當調整或重建。

結論

微小企業貸款業務中的信用風險一直都是銀行最關注的問題，目前大多銀行都采用人工審批的方式控制風險，審批的依據是審批政策、客戶提供的資料，以及審批人員的個人經驗進行審批判斷。這種狀況很難應對客戶群體日益擴大的發展趨勢，同時還存在審批決策容易受主觀因素影響、審批結果不一致的問題。除此之外，目前很多銀行紛紛涉足微小貸款業務，競爭日益激烈，只有高效、低成本的審批手段才能獲得競爭優勢，因此信用評分卡技術必將在微小企業貸款領域發揮重要作用。

(作者單位:特華博士后科研工作站)