研究型審計在商業銀行個貸數字化風控領域的實踐

2022年1月，原中國銀保監會發布《關于銀行業保險業數字化轉型的指導意見》，對金融機構提出“著力加強數字化風控能力建設”的要求。對此，我國商業銀行普遍在個人貸款（以下簡稱個貸）的數字化風控領域開展了大量建設工作。然而，隨著房地產市場持續低迷、房地產企業債務風險不斷爆發，個貸不良率仍然呈現上升態勢。

在此背景下，A商業銀行將“數字化轉型”列為集團戰略發展任務，并制定了《A商業銀行數字化轉型指導意見》。A商業銀行內部審計部門（以下簡稱審計部）積極響應，組織了近百名內部審計人員參加數據建模能力培訓，打造了集團審計數據實驗平臺，提升了內部審計人員數據建模與研究分析能力，推動了集團內部審計的高質量發展。同時，為分析A商業銀行個貸不良增長的原因，并對個貸數字化風控領域的難點進行研究，審計部積極貫徹落實中央審計委員會與審計署提出的“做實研究型審計”的要求，結合前期數字化轉型取得的成果，實施了針對個貸的研究型審計。

一、審前階段：充分調查研究揭示難點、疑點，確定審計重點，制訂審計計劃

（一）個貸不良率明顯提升，將個貸數字化風控瓶頸列為審計調查重點

審計部通過對比同類商業銀行2020年至2022年的相關經營數據發現，不同商業銀行個貸新增不良的原因有所差異：有的商業銀行個貸風險重點領域是經營貸，有的則集中在互聯網貸款領域，而A商業銀行個貸的首要風險點是住房按揭貸款，且不良資產規模增幅較大。截至2021年6月末，A商業銀行個人住房按揭不良貸款余額與不良貸款率兩項指標在同類商業銀行中均處于較高水平。2020年至2022年，A商業銀行的不良貸款率持續增長，個人住房按揭貸款總體不良規模雖然不高，卻呈現快速增長態勢。審計組研究分析了行內外情況，總結出個人住房按揭貸款風險控制呈現以下新特點：2018年以來，多個數字化風控工具被用于個貸領域，但智能化風控水平得到顯著提升的同時，作為全行個貸主流業務的個人住房按揭貸款，其不良貸款率卻明顯上升。

這給個貸風險管理帶來以下困惑：新形勢下數字化風控要如何優化，才能有效降低本行按揭貸款的不良率？A商業銀行智能風控系統是否存在某些局限性？數字化風控背景下，分行經辦人員在授信準入過程中越來越依靠風控系統，在出現不良貸款時要如何合理界定經辦人員的履職責任？審計組將這些疑問列為本次審計調查的重點。

（二）確定審計目標與計劃，以“邊研究、邊實踐、邊總結”方式實施審計項目

智能化風控模型已經在全行系統深入運用，審計工作思維也不能再墨守成規。帶著前述疑問，審計組借助審計數據實驗平臺開始了本次研究型審計，并設定如下審計目標：一是全面了解個貸數字化風控的發展狀況，對風控模型的有效性進行評估，防范模型算法風險，分析風控模型在不同場景下的局限性；二是充分發揮審計數據實驗平臺的作用，通過創新審計方法與獨立數據建模，精準揭示問題，對個貸風險隱患進行預警，貫徹研究型審計的目標；三是針對數字化風控的局限性，提出有針對性的解決方案，充分發揮審計的決策支持作用。

二、審中階段：通過研究型審計對數字化風控的瓶頸與風控模型的局限性進行評價

審計組始終將研究型審計思維貫穿此次審計項目始終，發現近年個人貸款風險呈現“集群性風險”的新特征，即大量風險集中于少數營銷渠道與營銷場景。因此，有必要將營銷渠道的數字化風控提升至與個貸客戶風控同等重要的水平。

（一）通過研究個貸風險的新特征，對模型算法風險進行評價

傳統審計項目很少會投入時間精力對銀行同業的數字化風控狀況進行對比研究，也很少對風控模型的理論基礎開展評估分析；而目前銀行的風控模型主要是經濟上行周期的產物，尚未經過逆周期的實踐考驗，近年來經濟增速放緩后，諸多個貸風險案例的特征已呈現出與以往不同的特點，確需對風險成因進行深入研究分析，而研究型審計“邊研究、邊實踐”的工作特點恰好可有效應對該挑戰。審計組深入研究了A商業銀行個貸智能化風控系統主要模型的風控策略，并對比了同類優秀商業銀行的風控系統成果，發現各家商業銀行的風控邏輯基本相近，即將個人客戶征信、工作、收入、負債、消費等多方面相關數據收集入庫，再通過風控模型對客戶還款能力進行綜合評分與判斷。

銀行業大量風控模型的規則與原理高度同質，但各家銀行不良率及不良特點卻存在明顯差異，同一家銀行的不同分行也存在顯著差異，原因很可能是在風控模型規則之外、不為人所熟悉的領域中，存在著本應被高度重視的其他因素。在對多家分行不良貸款數據的分析研究過程中，審計組發現了一個更為重要卻易被忽視的因素：不良貸款高發的分行所在地往往有一個或多個樓盤爆發了“集群性風險”，即大量風險集中在個別按揭樓盤中。風險成因包括開發商資金鏈斷裂造成期房住宅樓爛尾引發按揭客戶集體斷供，商業廣場因整體經營失敗導致商用房按揭貸款客戶集體棄房斷供等；此外，還有假按揭、房價下跌、銷售糾紛等因素引發的各類集體斷供。這些風險案例呈現諸多新特征，少數風險樓盤集中出現了大量不良客戶，而以往不良貸款的風險特征往往是“多點、散發”的，新形勢下很多客戶斷供的首要原因并非還款能力不足，而是還款意愿喪失，即遭遇問題樓盤后集體棄房斷供。這些風險特征在經濟上行階段并不常見，也不是傳統風控模型所能控制的。

如2021年6月底，H分行個貸不良貸款余額14，642.95萬元，為2020年初的2.05倍，增幅較大。H分行個貸業務涉及1，261個按揭樓盤，但發生不良的個貸卻高度集中于“H商貿城”這一個樓盤。H分行涉及該樓盤的不良個貸共有112戶，余額2，367.86萬元，筆數與余額在H分行不良貸款中的占比分別高達35.44%與16.17%。審計組通過調閱住房按揭客戶授信檔案與催收報告后發現，該樓盤為一個商業廣場，按揭客戶購買該廣場商鋪用于商業經營或出租，然而，近幾年該廣場經營失敗，商業氛圍蕭條，商鋪市場價大幅下跌，廣場運營方未執行的債務總額達1.92億元，因此大量按揭客戶在有還款能力的情況下卻選擇“棄房斷供”。審計組調閱回訪記錄發現，該樓盤存在棄房斷供意向的正常貸款尚有172戶，余額3，343.09萬元，存在較大風險隱患。

又如，2019年6月，N分行審批通過某房地產開發有限公司“X郡”按揭項目，該開發商的母公司卻因2019年10月涉及非法集資，導致開發商資金鏈斷裂、樓盤停工爛尾；而該項目在準入審核時，其客戶經理與審查人員均未對開發商母公司的經營狀況進行充分調查，在為個人客戶辦理按揭時則過于依賴個貸審批系統的審查結論，甚至在該開發商母公司非法集資事件被曝光后，仍向該樓盤的8名客戶發放了貸款。由于無法交房入住，2021年，該樓盤客戶陸續斷供停貸，N分行向該樓盤發放的個人住房按揭貸款共有65戶，余額7，893.80萬元，其中停貸的客戶37戶，余額4，263.75萬元。

以上兩個事例表明，A商業銀行的個貸風控模型雖能評估個人客戶的還款能力，但難以預測客戶在樓市下行時的還款意愿，也難以識別開發商與樓盤風險因素所衍生的“集群性風險”。全國房地產形勢較好的時期該問題并不突出，但隨著經濟形勢的變化，該隱患已逐漸浮出水面。可見，盡管A商業銀行個貸風控模型持續優化，針對單個客戶的風控模型已較為成熟，但在新形勢下，有必要針對集群性風險構建新的風控模型。

前述案例還帶來其他啟示：業務審核人員在使用風控模型時，應對模型的局限性有充分認識，并將模型風控邏輯以外的因素作為人工審查的重點。在個人住房按揭業務中，審計人員應認識到實地考察開發商公司經營與樓盤狀況的重要性。在開發商與樓盤準入審核方面，分行的人工審查仍需承擔應有的責任與擔當，“人機結合”才能達到最佳風控效果。目前，A商業銀行各業務領域均在廣泛推進智能風控模型的使用，當產生信用風險時，審計人員應合理界定模型與經辦人員的不同責任。有些問題系模型局限性所致，不宜全部界定為分行經辦人員的責任；但還有很多問題是經辦人員忽略了模型的局限性，在業務準入和風險監控時失職導致，在風險產生后又簡單地將責任推給系統與模型，這屬于不當使用模型的責任。例如，在前述“X郡”按揭項目中，經辦人員未及時發現開發商母公司非法集資的情況，一味依賴風控模型的準入策略，當時如能及時停止合作，后期準入的8戶貸款本可避免涉險。

（二）將集群性風險的研究結論應用于更大范圍的全行按揭貸款客群審計中

前述典型案例發生于住房按揭不良貸款率較高的幾家分行中，這些案例表明開發商與樓盤的異常風險信號是住房按揭貸款發生集群性風險的先兆。近年來，泰禾集團、恒大集團等大型房企集團陸續出現資金鏈緊張或經營困難的情況，這都是期房按揭樓盤出現集群性風險的重要信號，這些隱患正日益影響著按揭客群的資產質量。如果能通過數字化風控技術揭示這些先兆特征，便能提前預警集群性風險隱患，發揮審計“防未病”作用。審計組將公司信貸業務審計的分析思路引入住房按揭貸款領域，通過企查查與數易寶等企業資信分析軟件，對全行近5年辦理的期房按揭貸款所對應的按揭樓盤和開發商進行了批量性分析。在審前分析階段，審計組發現A商業銀行個人住房按揭貸款業務中共有36家開發商存在大額未執行債務、資金鏈緊張等情況，涉及按揭項目共51個，按揭余額31.65億元。還有一些開發商因完工風險或房價下跌等因素引發群體性銷售訴訟，涉及按揭貸款規模較大。

針對這些風險信號，審計組實施了精準抽樣調查，在現場審計過程中揭示了各類相關風險，包括開發商失信涉訴、群體性銷售糾紛、四證不全、預售款被挪用、無證預售等。如“T府”期房按揭項目，其開發商為A商業銀行公司信貸的預警客戶，該公司資金周轉存在較大困難，2021年4月，當地媒體報道了其旗下“T府”項目存在完工風險；又如，“D里”期房按揭項目于2020年發生銷售糾紛89宗，原因均為開發商無法及時辦證；再如，“H州”期房按揭項目的開發商未辦理《預售許可證》便擅自銷售且挪用預售款，在樓盤開發過程中資金鏈斷裂；還有“G湖景”批發性住房按揭項目，在準入審核前開發商資信便存在問題，其于2017—2018年先后9次被列為失信被執行人，涉及民間借貸、施工糾紛等多項風險。上述樓盤共涉及按揭貸款378戶，按揭余額15，673.28萬元。審計組向相應分行提示了這些風險信息，分行對這些風險房企和問題樓盤的按揭業務予以限制或停辦，對已辦理的按揭則加強貸后檢查與監測，做好風險處置預案。審計組進一步向全行各級風險管理部門建議，在期房按揭業務的風控中，應對開發商的異常經營風險予以重視、及時預警，這些建議也得到相關部門的積極回應。

（三）總結住房按揭貸款風控模型的審計研究結論，進而延伸至更多個貸品種與業務場景

住房按揭客群的集群性風險特征，是否也會出現在其他個貸品種中？審計組本著研究型審計的工作思路，在組內展開了“頭腦風暴”式討論，爭議的焦點集中在上述疑問。實踐是檢驗真理的唯一標準。審計組通過審計數據研究實驗平臺建立模型，展開“大膽假設、小心求證”的探索和研究。

審計組將分析范圍延伸到集群性營銷的其他消費信貸業務：如圍繞商圈、商會開展集群性營銷的個人經營性貸款，圍繞各類網站開展集群性營銷的信用卡網絡發卡，圍繞房產經紀類中介開展集群性營銷的個人二手房貸款，以及汽車消費信貸等。在這些消費信貸業務中，審計組均發現少數合作渠道或中介機構中出現大量集群性風險的現象。為避免數據分析取證的局限性，審計組在數據分析和抽查檔案之外，還采取了訪談與問卷調查等形式對全行個貸風控人員進行調研，再次證實了此前判斷，即個人信貸的其他產品也會不同程度地呈現集群性風險的特征，大量風險也會集中于少量渠道。

三、審后階段：將研究心得升華至體系性高度指導實踐、助力風控

（一）個貸風控不應僅依靠“大數法則”類模型，新形勢下建議研發“二八效應”類模型作為補充

當前A商業銀行個貸智能化風控系統及其主要模型的基本思路是以客戶為基礎，多方位采集客戶行為數據開展特征畫像，對客戶的還款能力進行綜合評分。其背后的核心風控理念是統計學上的“大數法則”，該理念假設個人信貸風險是隨機且分散的，“戶數多、金額小”的客群基礎構成了個人信貸業務抵御風險的天然屏障。從統計學角度而言，商業銀行在準入時只要確保每個客戶的資信狀況高于一定的綜合評分門檻，便能在概率上保證準入的絕大部分個人客戶具備持續還款能力，從而使得個人貸款的總體不良率被控制在一個可容忍比率下。如果某些地區或某些貸款產品的不良率持續攀升，則提高該地區或該產品客戶準入的綜合評分門檻，便能降低貸款不良率。

但根據本次審計的研究結論以及近年來的審計實踐顯示，個人信用風險分布并非僅遵循“大數法則”，風險也并非隨機分布，而是可能集中于少數營銷渠道。風控策略應該是經營策略的延伸，集群性營銷的經營策略會使不良貸款呈現出集群性的特征。當商業銀行開展個貸集群性營銷時，會呈現“80%的風險集中于20%的營銷渠道或媒介”的風險特征，也即“二八效應”現象，這一點在經濟下行周期中呈現得尤為明顯。銀行應區別于不同渠道所營銷準入的客群，根據“二八效應”的風險特征實施風險評估，當某些營銷渠道出現風險，如期房樓盤爛尾或是某些營銷渠道所介入客群的不良率高于預警值與容忍值時，便限制或停止該渠道的客戶準入。

本次研究型審計，也論證了“二八效應”廣泛存在于集群性營銷業務中。該效應的存在，為集群性風險控制策略提供了理論基礎，對于改進風控模型有著重大意義。它意味著在集群性營銷的業務領域，商業銀行可以采取類似于“微創手術”的方式，對風險點實施精確防控。只要將少數高風險渠道的業務叫停，便可顯著降低風險，將其對正常業務發展的影響降至最低。

如何通過“二八效應”模型識別高風險渠道？以上述H分行與N分行為例，兩家分行不良率總體雖高，但通過對這兩家分行不良客群營銷渠道分析可以發現，上述兩個“棄房斷供”樓盤的營銷渠道正是引發分行不良率高發的首要因素，及時停止這兩個高風險營銷渠道便能控制大量風險客戶，可以達到“微創手術”定點精確打擊的效果。審計人員還可以進一步設立針對營銷渠道的風控模型，便能對銀行整體個貸客群進行全面監控與及時預警。比如，可以監控各期房開發商的財務指標來預警期房樓盤是否存在爛尾的可能，一旦風險模型發現開發商資金鏈出現危險信號，便停止該樓盤中按揭貸款客群的準入；而前期已投放按揭的期房樓盤，一旦發現房企資金鏈斷裂與樓盤爛尾信號，則應盡早做好按揭貸款客群的風險處置預案。

（二）審計研究結論充分應用于風險管理實踐中，揭示并預警了大量風險，減少和挽回了經濟損失

2022年6月，審計組對此前揭示的問題進行整改跟蹤，發現有8個期房樓盤對應的按揭客群出現延期交房或集體斷供情況，如前述“T府”與“X郡”項目，多家銀行都向這些樓盤投放了大量按揭，而這些樓盤在停工后均發生大規模停貸，媒體也對此進行了報道。由于審計組在2021年已針對這些期房按揭業務向各分行提出預警，2021年后各分行未再繼續投放按揭，還要求房企將挪用的預售款轉回，并做好按揭客群的安撫工作，因此，這些分行在本次停貸事件中的信用風險損失被降到最低，也有效化解了涉及本行的負面輿情。同時，前述A商業銀行汽車消費信貸等消費信貸業務，在少量高風險渠道被限制、叫停后，其資產質量也得到明顯改善。

（三）對模型算法風險進行研究，向審計對象發出管理建議書

審后階段，審計組向相關部門提出了管理建議書，建議在建設智能化風控系統及風控建模過程中，要特別關注數據風險和模型算法風險，提示風險管理部門要對風控算法模型進行有效管控，定期評估模型數據來源的合法性、準確性和充分性。審計建議指出，風險管理部門應審慎設置客戶篩選條件和風險評估模型參數，模型上線前應通過系統與人工并行評估、壓力情景下的模擬校驗等方式驗證模型的可信度，模型上線后應定期評估模型的預測能力和模型在不同場景下的局限性，對模型適用范圍和配套策略予以持續監測。在經濟下行周期時，風險管理部門還需關注模型內在的風控邏輯是否符合當時風險管控的新特點，避免因市場環境變化而導致模型失效。同時，應及時開展數據治理工作，對基礎數據的準確性與規范性進行完善，否則前臺數據錄入的失真，也足以導致風控模型失效。

（執筆人：章偉力）