来源：《中国金融电脑》杂志

　　作者：中国工商银行股份有限公司苏州分行祁奇

　　20世纪末，美国银行业由于经济衰退逐渐产生了巨额的不良资产，2008年美国次贷危机全面爆发，金融机构受到重创，贝尔斯、美林、雷曼兄弟相继破产或被收购，华尔街赫赫有名的五大投行仅剩下高盛和摩根士丹利。这次危机还波及全球，给各国金融机构敲响警钟。

　　由于我国商业银行较之国际金融市场相对独立，受美国次贷危机影响有限，但是近年来，不良贷款问题也一直困扰着我国银行业的发展，不良率的攀升不断侵蚀我国银行的利润或资本金，资产质量不容乐观。如何防范不良贷款成为商业银行急待解决的重要问题。

　　对不良贷款的预警是有效减少不良贷款的重要方法之一。以往不良贷款预警方式落后，如客户经理去企业查看生产运行情况，抄写企业电表、水表等，这种方式一是可操作性不强，无法实时全面对贷款企业逐一进行研究；二是企业可通过制造假象，使客户经理的调查失真；三是可能造成部分受调查优质企业对银行产生不信任等不良后果。

　　近年来，随着大数据技术的发展，商业银行开始借助大数据技术基于企业经营信息建立预警模型，有效降低不良贷款。目前不良贷款的预警主要是裸贷预警指标，本文介绍一种新型的预警指标——结算量变化预警。

　　一、结算量变化预警

　　结算量变化的理论依据：一个企业无法偿还贷款的主要原因通常是自身经营出现了问题，而经营出现问题最直接的表现是销售不畅，继而引发结算量锐减。当然也有企业短期内亏本销售，但长期依然符合上述推论。

　　该理论依据需要数据支持。为此，笔者选取了2015年某地区某行首次出现逾期的112家企业进行验证。如果将结算量锐减定义为以自然月为单位，当期结算量比去年同期减少80％及以上时，即当期结算量同比不足20％，则l12家企业中一年内出现一次及以上结算量锐减的企业数量为104家，占比为93％；出现两次及以上结算量锐减的企业数量为97家，占比为87％。其中，出现不良贷款的20家企业结算量锐减次数均为两次及以上(实际情况除一家出现3次外，其他均在5次以上)，占比达100%。

　　为了实现更好的测试效果，我们把结算量锐减重新定义为当期结算量比去年同期结算量减少90％以上，即当期结算量同比不足10％。再进行测算，出现一次及以上结算量锐减的企业数量为99家，占比为93％；出现两次受以上结算量锐减的企业数量为88家，占比为79%。出现不良贷款的企业数量没有变化，出现过两次以及两次以上的企业数量为20家，占比l00％。

　　据此可得出对公客户的逾期、不良贷款与业务量锐减存在一定的关联关系。

　　由此建立模型和算法：以某一个自然月为基期，选择该月未有逾期和不良贷款，且结算量同比无锐减的对公客户(结算量同比不低于50％)，选取后两个月作为比较期，该批客户中发生业务量锐减(结算量同比不足10％)的客户就是我们锁定的预警目标客户，同时进行跟踪，得出以下数据：锁定的预警目标客户半年内发生逾期的概率为26.18％(平均每月10家左右)；一年内发生逾期的概率为34.03％(平均每月13～15家)；一年内发生不良的概率为21.47％(平均每月8家左右)。命中率受数据所限，有些预报日期未到l2个月，实际的命中率还会更高一些(见表1、图1)。

　　二、裸贷预警

　　裸贷预警是当前较为流行的不良预警方法。裸贷顾名思义，即为有贷款无存款的客户。但若将一个月末存款为0的客户视为裸贷客户，显然不够科学。参照各行标准，我们将裸贷客户定义为月均存贷款余额比小于0.05的客户。

　　裸贷预警的理论依据非常简单，即如果账户上没钱了，还贷肯定有问题。

　　图2为某地区某行2014年3月到2015年6月的裸贷客户数量统计，可以看出，2015年裸贷客户数量有所增加、季末裸贷客户数量适当降低。图3为同期不良贷款客户数量统计。

　　将图2与图3合并（见图4)，可知两者呈正相关关系。裸贷预警的命中率，如表2、图5所示。

　　三、裸贷与结算量变化预警的对比与结合

　　1．裸贷与结算量变化预警的对比

　　表1中结算量变化预警191家，6个月内发生逾期50家，命中率26.18％；12个月内发生逾期65家，命中率34.03％；发生不良41家，命中率21.47％。

　　表2中裸贷预警208家，6个月内发生逾期62家，命中率29.8l％；12个月内发生逾期8l家，命中率38.94％；发生不良65家，命中率31.25％。两者对比如表3所示。

　　从上述对比来看，裸贷预警全面优于结算量变化预警。那么，是否结算量预警就变得毫无意义呢?深入分析，笔者发现裸贷预警与结算量变化预警相互结合可以产生更佳的效果。

　　2．裸贷与结算量变化预警的结合

　　我们对裸贷与结算量变化共同预警的39家贷款单位进行跟踪分析，发现12个月内发生逾期29家，占比74.36％；不良23家，占比58.98％。从图6所示的结算量变化与裸贷预警命中率对比可以看出，两者结合后预警命中率大幅提高。这里可能存在误解，即两者共同预警的命中率一定会高于各自预警的命中率。实际上，根据概率统计学，如果两者毫无相关性，且各自的命中率均低于50％，则两者随机抽样的预警命中率也低于50％。而此案例中，两者结合比各自预警命中率有大幅提高，说明不良(逾期)的产生与裸贷和结算量变化有着密切的关联性。

　　四、基于企业规模的逾期和不良率分析

　　取2015年某日数据，该行逾期企业一共l98家，其中小型企业118家，中型企业66家，微型企业ll家，暂无法划分类型企业1家，特殊类型企业2家；不良贷款一共121家，其中小型企业76家，中型企业34家，微型企业11家。在该行有贷款的中型企业1118家，不良占比3.04％；小型企业1832家，不良占比4.15％；微型企业135家，不良占比8.15％。

　　从中不难看出，企业规模越小逾期不良风险越大（见图7）

　　表4为结算量变化预警企业类型逾期、不良命中率，可以看出结算量变化预警对小型企业的预警效果要好于中型企业。

　　表5为裸贷预警企业类型逾期、不良命中率，可以看出裸贷预警对中型企业预警效果优于小型企业。这可能是由于小型企业经营出现问题时，结算量波动更大。

　　表6为结算量变化与裸贷结合的预警逾期、不良命中率，两者结合后对小型、中型企业预警效果均不错，无明显的偏向性。

　　上述图表中有一类较特殊的企业，即未划分类型企业，这类企业客户在近一年半的时间内未出现逾期和不良，预警这些客户没有实际效果，可认为是误报。这类企业主要包括医院、学校、政府机构等单位，根据分析可知此类贷款企业非常安全，可以据此进一步优化预警模型。优化后，逾期预警命中率达到80.56％，不良预警命中率达到63.89％，如图8所示。

　　综上所述，该方法具有较好的预警效果，平均预警的5家企业中4家出现逾期，预警的3家企业中2家出现不良，综合统计时间不足一年的因素，实际效果可能更佳。不足之处是预警的客户数量不够多，平均每月只能预警7～9家，因此可将其预警对象作为关注重点，但不能完全依赖其预警所有不良贷款的产生。

　　▲秃鹫资产：不良资产智库，轻金融旗下平台

　　▲创始人电话：（也是个人）

　　▲不良资产群：回复个人名片可申请

　　长按识别下方二维码，关注秃鹫资产