大数据下银行信用风险管理架构改造

　　信用风险管理是商业银行需要警钟的话题。在互联网时代，商业银行面临着越来越多的风险和挑战。怀疑旧的风险管理结构是否能承担新风险防治的责任。在这种情况下，有必要研究和探索如何利用大数据技术及时有效地防止各种风险。

　　■受宏观经济下行压力和实体经济经营困难向金融领域传递的影响，我国商业银行资产质量正面临新一轮劣变压力，基本符合银行资产质量顺周期演变的规律。但在此过程中，传统银行信用风险管理结构被动适应信用风险上升，难以及时预警，有效控制信用风险。

　　■事实上，随着大数据技术在银行信用风险管理中的有效应用和广泛推广，信用风险并非无法控制总量、有效监控和及时预警。关键是逐步建立新的信用风险管理结构，逐步取代个人判断，重组和重建银行信用风险管理结构，提高银行信用风险管理的有效性，抑制信用资产质量周期的波动。

　　中国银行信贷资产质量面临新一轮压力

 

　　截至2015年第三季度末，中国银行不良贷款余额11863亿元，连续16个季度上升；不良贷款率1.59%，连续9个季度上升。关注贷款余额28130亿元，同比增长53.2%，仅低于不良贷款余额增长1.5个百分点，反映了关注贷款与不良贷款同步变化的运行趋势，表明我国银行信贷资产质量不良趋势尚未真正缓解。然而，也应该看到，这一轮银行信贷质量的不良变化与2003年国有银行股份制转型前上一轮不良贷款持续上升的情况明显不同，不良贷款金额和不良贷款率仍控制在较低水平。

　　20世纪90年代，国有银行从专业银行转向商业银行的产权不明确，政策性和盈利性认同混乱，导致国有银行管理效率普遍较低。从1989年到1998年，中国四大国有银行的信贷资产余额增加了11倍，但总利润只增加了26%，管理费用增加了8.9倍。

　　与此同时，中国国有银行也承担了相当大一部分的改革开放成本。1998年，中国国有企业三年摆脱困境计划正式实施。大量国有企业的合并、重组和退出也间接导致不良贷款率上升到罕见的高点。2002年底，中国国有商业银行贷款余额79510亿元，不良贷款余额高达20770.36亿元，是当年新存款的1.61倍。不良贷款占国有银行贷款总额的26.1%，远高于国际经营良好的大银行。2000年，世界前20家大银行的平均不良资产率仅为3.72%。

　　2003年，我国实行国有银行股份制改造。随着现代银行体系的建立和我国银行体系治理水平的显著提高，商业银行建立了基于信用三检的相对完善的信用风险管理体系。与此同时，银行的发展也处于宏观经济持续两位数增长的历史罕见黄金时期。银行信贷资产质量持续改善，不良贷款金额和不良贷款率持续下降，直到2011年第四季度银行系统不良贷款余额首次上升。

　　即便如此，中国银行体系不良贷款率仍处于全球银行低位，汇丰银行、法国巴黎银行、摩根大通银行、法国农业信贷银行、巴克莱银行、花旗银行、苏格兰皇家银行、法国银行BPCE银行、桑坦德银行、富国银行的不良资产率远远超过2%，有的甚至达到8%。

　　但考虑到中国未来产能过剩、去杠杆化和库存过程的加快，银行信贷资产质量可能面临多方面的压力。值得注意的是，建立现代银行体系后的银行体系信用风险管理结构的有效性在过去十年中基本上没有经历过实际商业环境变化的考验。在当前和未来，中国银行信贷资产的质量管理能力将真正面临宏观经济和金融环境变化的压力测试。

 

　　传统银行信用风险管理结构存在不足

 

　　在从专业银行转向商业银行的过程中，中国银行逐步建立了信用风险管理结构，包括贷款三次检查、贷款审查分离和问责制度。在专业银行运营期间，信贷官员在贷款发放中有更大的自由裁量权，由此产生的寻租行为在基层银行中相对普遍。

　　特别是贷款前调查只是一种形式，贷款审查员无法核实贷款企业或项目的实际情况，导致银行信贷管理普遍广泛、效率低下，信贷风险不断积累。贷款后管理主要局限于贷款合同档案的存储，基本上没有或不能真正实现贷款风险的动态监控和预警。

　　随着现代银行业务体系的引入，银行对信贷业务业务结构的重大变化，主要是进一步明确贷前调查、贷款审查、贷后检查、贷款审查权限和贷款调查，排除银行行长贷款审批权，由信贷审批委员会集体决策。

　　银行信贷业务管理一般形成了公司业务部负责前台营销、信贷审批部负责中台贷款额度控制、贷款审批委员会负责贷款审批、信贷管理部负责贷后管理的商业模式。客观地说，这种信用风险管理结构具有明显的优势，基本克服了过去信用业务结构的缺点，真正实现了信用业务运营前后台的有效隔离，有助于降低银行业的整体信用风险。

　　但在实际操作过程中也存在以下问题。

 

　　一是贷款规模快速增长与客户管理能力提升有限的矛盾突出。

 

　　自2003年以来，中国银行贷款规模增长了近10倍。在此过程中，虽然银行从事贷前调查的客户经理数量也显著增加，但贷款客户数量的快速增长远远超过了银行客户经理数量的增长率。因此，贷款客户的管理能力实际上在缓慢上升后迅速下降。贷前调查的形式要求大量占用客户经理的有效工作时间，缩短企业和项目实际情况的时间和频率。

　　这些问题之所以在过去没有得到充分暴露，并不是因为银行贷款客户的实际管理能力得到了有效的提高，而是因为银行业务处于持续增长的宏观繁荣周期。另一个原因是银行更注重贷款企业的第二还款来源，如抵押担保，这使得现场深入调查的必要性不够。

　　此外，贷款审批分离后，客户经理因贷款坏账被追究责任的可能性和程度低于以往；审批由贷款审批委员会集体决定，集体问责实际上没有人真正被追究责任。

 

　　二是借款企业经营形式复杂，银行客户监控手段单一有限。

 

　　大企业和小企业的经营形式都呈现出复杂的趋势。大型企业经营多元化，投资渠道丰富，资金流向流动，交易对手复杂。小企业虽然主营业务单一，但自主投资范围广，自有资金与企业资金混用。个人投资风险往往转化为企业经营风险，企业经营风险也转化为个人财务风险。与企业经营形式的复杂趋势相比，银行客户监控手段普遍有限。银行虽然建立了贷款风险管理体系，但贷后风险管理主要依靠前台客户经理输入贷款企业的财务数据，处理媒体和网上贷款企业的突发风险。

　　一般来说，财务数据滞后，许多中小企业的财务数据真实性存在疑问。客观上，银行对贷款企业风险的监控明显滞后，基本无法实时预警。事实上，网络或媒体上贷款企业的突发风险是对企业经营风险的充分暴露。银行的弥补风险处置并没有真正达到实时监控贷款风险的初衷。在实际操作过程中，大多数银行只以形式监控大型企业的贷款风险。

 

　　三是贷款企业信息高度统一与银行信贷前、中、后信息传递分离的矛盾突出。

 

　　贷款企业信息覆盖从贷前调查到贷款到期收回的全过程，具有高度统一性。但银行信贷经营前、中、后台的划分，使企业信息的传递被人为分离。贷款企业的信用是基于客户经理贷前调查的信息；贷款审批时，贷款企业信息发生动态变化，但信用没有实时调整；贷款到期期间，贷款风险监测信息往往不能及时传递给信贷部门，前台贷款营销的支持和指导作用断裂。因此，银行贷款经营中存在重授信轻贷、重营销轻风险、重审批轻持续管理等突出问题，难以全面控制贷款企业的经营风险。

 

　　四是贷款企业经营风险动态变化与银行贷后风险监测理念落后矛盾突出。

 

　　借款企业经营面临内外冲击，经营风险发生动态变化。根据贷前调查信息对贷款企业经营风险的综合判断，客观上需要随时间不断纠正。虽然银行也建立了信贷管理部门，但远非真正的贷后风险监测，所谓的信贷管理主要涉及贷后检查、突发风险响应、不良贷款处置、信贷政策指导等，真正需要贷款企业信用风险、行业风险监测功能，或不能发挥作用。这些问题的存在主要归功于银行贷后风险管理理念的落后。贷后管理只有形式要求，但没有实质性功能。

 

　　第五，贷款全过程管理与银行贷后干预处置功能基本缺失矛盾突出。

 

　　贷款生命周期管理需要从发放到收回或处置。在贷款生命周期的任何时候，一旦发现威胁到贷款到期偿还的重大风险，银行都需要及时干预或处置，以保障银行信贷资金的安全。但由于缺乏贷后风险监测功能，或无法有效发挥作用，银行无法及时干预贷款生命周期，导致风险积累爆发，影响银行信贷资产质量。

　　即使银行贷后管理部门根据自己的经验和技术前瞻性监控企业的经营风险，企业的表面经营仍然正常，要求贷款和退出也会遇到很大的阻力。由于这种担忧，银行贷后管理往往会出现与自己无关，高挂的情况。目前，我国煤炭、钢铁等资源型、产能过剩行业贷款大面积变化不佳，可能与银行贷后干预处置功能基本缺因果关系。

 

　　大数据分析为银行信用风险管理提供了新的思路

 

　　大数据是指常规软件工具无法在可承受的时间范围内捕获、管理和处理的数据集。在长期经营过程中，银行积累了大量关于客户资金和交易行为的信息数据，为利用大数据技术管理信用风险奠定了坚实的基础。但数据是基础，分析数据是关键。数据特征转换、假设合理性分析、模型适用性等，不可能一蹴而就，需要长期积累和验证。但毫无疑问，大数据分析为银行信用风险管理开辟了新的大门。

 

　　一是大数据分析真正实现了贷后风险监测和预警。

　　深入挖掘借款企业的账户信息、资本流动、关联方信息、网络信息和政府部门的公共信息，可以接近恢复企业的业务风险状态，为前瞻性动态监测借款企业的风险提供了探索途径。

 

　　二是大数据分析可以实现银行信贷前后信息的贯通。

　　大数据分析需要处理相关贷款企业的大量信息数据，有效整合原分割的银行前、中、后台信息，吸收信贷业务线以外的其他碎片化信息，采用先进的技术手段进行过滤和整合，然后分析和预测贷款企业的信用风险。

 

　　第三，大数据分析可以为贷款前台营销和信用审批提供有效的指导。

　　大数据分析处理后的结果可以为前台营销提供指导。基于数据之间的显著分析，企业具有相同特征的信息越有可能发生违约风险。这样，前台营销就可以更有效地筛选借款企业。基于相同的原则，在贷款企业信贷过程中，可以更有效地控制企业的总风险，而不是不切实际的信贷。

 

　　第四，大数据分析可以更有效地提高信贷管理和风险控制的效率。

　　基于大数据分析，可以有效提高贷前调查的效率。对贷款风险评估有重大影响的信息可以部分通过贷款企业过去的账户信息、信用调查信息和网络信息获得，从而减少贷前调查的时间，促进客户经理进行有针对性的现场调查。通过机器和大数法则取代人工经验判断，可以进一步简化贷款信用审批人员。数据分析广泛应用于贷后管理过程中，可以有效提高风险监测的效率和前瞻性，为前台营销提供方向性指导。

 

　　银行信用风险管理架构围绕大数据分析重建

 

　　大数据分析为银行信贷密集管理和信贷风险有效管理提供了强有力的技术支持。大数据分析的逻辑基础是集中、集成、共享和挖掘大量数据。因此，围绕大数据分析和重建银行信用风险管理结构，需要根据数据处理链改变银行信用管理系统。

 

　　一是建立统一的客户信息管理体系。

　　目前，大多数银行已经开发或购买了信用管理系统，一些大型银行的信用管理系统功能齐全、强大。然而，信用管理系统与客户信息管理系统并不完全相同。银行经营管理部门往往负责实时判断客户经营状况的账户流量信息，并不直接反映在信用管理系统中。信贷管理系统中往往没有显示银行能够掌握的企业主要负责人、关联方、重要供应商和重要收款人的信息。

　　通过网络爬虫技术捕获的外部敏感信息也没有反映在信用管理系统中。因此，有必要有效地整合银行内的业务线信息管理系统，建立统一的客户信息管理系统，集中所有可收集的信息。在客户信息管理系统下设置多个业务模块，根据业务需要整合相关数据。

 

　　二是将客户营销功能与客户调查功能分开。

　　过去，贷前调查本质上包含了客户营销的功能。虽然贷款审查分离后，客户经理在贷款发放中的发言权显著下降，但即使建立了双重调查制度，也不能完全排除客户经理可能存在的道德风险。此外，贷款业务构成了银行的主要收入来源，除非贷款企业表面存在重大缺陷，否则贷款审查委员会倾向于通过贷款申请。

　　在大数据分析下，客户营销和客户调查功能分离，客户经理只负责深入贷款企业调查，收集所有可能涉及企业业务的信息，实时输入系统，不负责撰写贷款申请报告，不判断信息价值，营销业务团队负责客户营销功能。营销业务团队根据大数据技术全面分析贷款企业信息，判断贷款价值及其对综合收益率的贡献，确定是否采用营销，确定相应的营销策略。与过去的贷前调查模式相比，企业调查信息更接近现实，因为它消除了客户经理的主观判断。同时，大数据分析技术过滤后，可以更好地选择客户，提高客户营销效率。

 

　　三是建立以专家审批代替集体审批的制度。

　　为防范信贷员和银行行长的道德风险，建立了审贷委员会集中审批制度。随着银行内部控制体系的日益完善，客户经理的专业素质和职业道德与以往相比有了显著提高。集中贷款审批制度越来越不适应贷款规模显著增长和客户业务多样化、复杂化的需要。客观上，专家审批需要取代集体审批，提高审批的专业性和效率。

　　因此，需要整合建立不同业务类型、不同业务模式的专家审批团队，直接审批授权范围内的贷款申请，结合大数据分析结果和专家对企业信贷风险演变规律的理解；超出授权范围的贷款申请，或由上级专家或临时随机组成三个专家团队进行集体审批。

 

　　四是建立客户风险监控中心。

　　首先，银行需要改变不能动态监控贷款风险的旧观念。过去，由于缺乏数据来源、缺乏专业经验和技术落后，许多银行基本缺乏贷后风险功能业经验和技术。通过大数据对客户信息的实时捕获和集中处理，基本恢复了企业的业务状态，为动态监控贷后风险提供了坚实的基础。

　　其次，银行应提高贷后风险监测信息的权威性。许多银行信贷管理部门都有顾虑，不敢使用贷后风险监测分析获得的信息。一方面，由于对自身风险分析和监测能力缺乏信心，担心严重误差；另一方面，当贷款没有明显的风险迹象时，前台和分行将强烈抵制贷后风险预警。因此，要发挥大数据分析提高银行信用风险管理效率的作用，必须有不怕试错的精神，要求前台和分行尊重贷后风险监测信息的价值，除非有事实支持贷后风险监测信息和实际重大误差，将根据贷后风险程度进行相应处理。

　　第三，成立多个风险监测操作团队。从全行抽调具有丰富信用经验、掌握计量模型技术、懂得数据分析的人才队伍，组建多个风险监测操作团队。团队职责是在建立统一客户风险视图的基础上，通过模型技术动态监控客户信用风险。

　　四是及时处理贷后风险预警信息。在客户风险监测中心下设立风险处置团队，向负责前台信息收集和调查的客户经理发出指示，要求核实风险预警信息。如果风险预警信息预警信息基本属实，风险处置团队应及时采取贷款退出、补充抵押担保等措施，维护银行信贷资产的安全。同时，及时在客户信息管理系统中输入相关信息。如果风险预警信息在验证后出现较大误差，应及时反馈给风险监测团队，动态调整模型参数和方法，逐步提高模型监测风险的覆盖率。

　　中国工商银行率先积极探索信用风险管理中的大数据应用，建立了风险监测中心，初步实现了股票信贷资产和新贷款的动态风险监测和实时预警控制；中心成立一年，累计预警化解潜在风险贷款4237亿元。

 

　　五是建立行业中心，行使反周期信贷结构调整功能。

　　所谓的反周期信贷结构调整机制是要求信贷结构调整贯穿完整的经济周期；信贷结构调整总体稳定，经济周期不同阶段波动不大；信贷结构调整方向与经济结构转型方向基本一致，实现金融与实体经济的持续上升。

　　为了实现这一目标，客观上需要建立行业中心，行使反周期信贷结构调整的功能。行业中心负责动态监测行业发展趋势，及时发现行业发展潜在风险，提出银行业信贷投资总额和业务发展战略。在此基础上，行业中心应有效连接客户信息管理系统，提出单一行业目标客户名单，退出客户名单，为前台客户营销提供方向性支持。此外，行业中心应赋予行业风险监测功能，建立与风险监测团队的信息沟通机制，及时提示和预警行业发展风险，平衡银行信贷资本投资。