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长鸣的话题。在互联网时代，商业银行面临的风险和挑战日益增加，旧的风险管理架构是否担得起防控新型风险的重任，存在疑问。在这种情况下，(数据分析师)如何利用大数据技术及时有效地防堵各类风险，有必要进行研究探索。

受宏观经济下行压力影响，以及实体经济经营困难向金融领域传导，当前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规律。但在这个过程中，传统银行信用风险管理架构被动适应信用风险上升，较难及时预警并有效控制信用风险的弊端暴露无遗。

事实上，随着大数据技术在银行信用风险管理上的有效应用与广泛推广，信用风险并非无法总量控制、有效监测与及时预警。关键是要逐步建立以大数据分析逐步替代个人判断的新型信用风险管理架构，围绕大数据分析对银行信用风险管理架构进行重组与再造，以此提高银行信用风险管理的有效性，进而平抑信贷资产质量周期波动。

我国银行信贷资产质量面临新一轮压力

截至2015年三季度末，我国银行不良贷款余额11863亿元，已经连续16个季度上升；不良贷款率1.59%，已经连续9个季度上升。关注类贷款余额28130亿元，同比增长53.2%，仅低于不良贷款余额增速1.5个百分点，反映出关注类贷款与不良贷款同步变化的运行态势，表明我国银行信贷资产质量劣变趋势尚未真正缓解。但也应该看到，本轮银行信贷质量劣变态势，与2003年国家启动国有银行股份制改造前上一轮不良贷款持续上升形势明显不同，不良贷款额和不良贷款率总体仍控制在较低水平。

上世纪90年代，在国有银行由专业银行向商业银行转轨过程中的产权不清，以及政策性与盈利性的身份认同混乱，导致国有银行经营管理效率普遍低下。1989年到1998年，我国四大国有银行信贷资产余额增长了11倍，但利润总额仅增长了26%，管理费用增长了8.9倍。

与此同时，我国国有银行也承担了相当部分的改革开放成本，1998年我国国有企业“三年脱困”计划正式实施，大量国有企业兼并、重组、退出，也间接导致银行不良贷款率上升至罕见高位。2002年末，我国国有商业银行贷款余额79510亿元，而不良贷款余额却高达20770.36亿元，是当年新增存款的1.61倍，不良贷款额占到国有银行贷款总额的26.1%，远高于国际上营运较好的大银行。2000年，世界前20家大银行平均不良资产率仅为3.72%。

2003年我国实施国有银行股份制改造。随着现代银行制度的建立，以及我国银行体系治理水平的显著提升，商业银行建立了基于信贷“三查”为基础相对较为完善的信用风险管理体系。同时，银行发展也处在历史罕见的宏观经济持续两位数增长的黄金期，银行信贷资产质量持续好转，不良贷款额和不良贷款率持续下降，直至2011年第四季度银行体系不良贷款余额首次出现上升。

即使如此，目前我国银行体系不良贷款率仍处于全球银行低位，而汇丰银行、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BPCE银行、桑坦德银行、富国银行的不良资产率均远远超过2%的水平，有的甚至达到了8%。

但考虑到未来我国去产能、去杠杆、去库存进程加快，有可能从多个方面对银行信贷资产质量形成压力。值得注意的是，建立现代银行制度后的银行体系信用风险管理架构，其有效性如何，在过去十多年基本上未经历现实经营环境变化的检验。当前及未来一段时间，我国银行信贷资产质量管理能力将真正面临宏观经济金融环境变化的压力测试。

传统银行信用风险管理架构存在的不足

在从专业银行向商业银行转轨的过程中，我国银行逐步建立了包含贷款“三查”、审贷分离及问责制度在内的信用风险管理架构。专业银行运行期间，信贷员在贷款发放中拥有较大自由裁量权，由此引发的“寻租”行为在基层银行相对较为普遍。

特别是信贷员贷前调查流于形式，审贷员又无法核实借款企业或项目实际情况，导致银行信贷经营总体粗放低效，信用风险不断累积。而贷后管理也多限于贷款合同档案的保管，基本没有也无法真正做到贷款风险的动态监测与预警。

随着现代银行经营制度引进，银行对信贷业务经营架构实施重大变革，主要是将贷前调查、贷时审查、贷后检查的职责进一步明确，将贷款审查权限与贷款调查相分离，排除了银行行长的贷款审批权，转而由信贷审批委员会集体决策。

银行信贷业务经营大体形成公司业务部门负责前台营销、授信审批部门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经营模式。客观上，这一信用风险管理架构的优势较为明显，基本克服了过去信贷经营架构存在的弊端，真正实现了信贷业务经营前中后台的有效隔离，有助于降低银行业整体信用风险。

但在实际运营过程中，也存在如下问题。

一是贷款规模快速增长与客户管理能力提升有限的矛盾较为突出。

2003年至今，我国银行贷款规模增长了近10倍。在这个过程中，虽然银行从事贷前调查的客户经理人数也出现明显增长，但贷款客户数量的急剧增长，却远远超过银行客户经理人数的增长速度。由此带来贷款客户管理能力实际上是在缓慢上升见顶后快速回落。贷前调查的形式要求大量占据客户经理的有效工作时间，深入现场调查企业和项目实际情况的时间缩短、频率下降。

之所以这些问题在过去没有充分暴露，并非银行贷款客户真实管理能力已经有效提升，只不过是银行经营处在持续增长的宏观景气周期。还有一个原因是，银行更加看重借款企业的抵押担保等第二还款来源，使得现场深入调查的必要性显得并不那么充分。

此外，审贷分离后，客户经理因贷款坏账被追责的可能性和程度较以往出现下降；而审批由审贷委员会集体决策，集体问责实际上也是无人真正被问责。

二是借款企业经营形态复杂与银行客户监测手段单一有限的矛盾较为突出。

无论是大型企业，还是小型企业，经营形态均呈现出复杂化态势。大型企业多元化经营，投资渠道丰富，资金多方向流动，交易对手庞杂。小型企业虽然主业单一，但企业主自主投资范围较宽，且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，企业经营风险也向个人财务风险传导。相对于企业经营形态的复杂化趋势，银行客户监测手段总体有限。虽然各银行建立了贷款风险管理体制，但贷后风险管理，主要依赖于前台客户经理将借款企业财务数据的录入，以及对媒体和网络借款企业突发风险的处置。

通常来说，财务数据存在滞后性，很多中小企业的财务数据真实性存疑，客观上使得银行对借款企业风险的监测明显滞后，基本上无法做到实时预警。而网络或媒体上的借款企业突发风险，实际上是企业经营风险的充分暴露，银行“亡羊补牢”式的风险处置，并未真正达到实时监测贷款风险的初衷。在实际运营过程中，多数银行对大型企业的贷款风险监测流于形式。

三是借款企业信息高度统一与银行信贷前中后信息传递割裂的矛盾较为突出。

借款企业信息覆盖从贷前调查到贷款到期收回的全过程，具备高度统一性。但银行信贷经营前中后台的划分，使得企业信息的传递被人为割裂。对借款企业的授信，是基于客户经理贷前调查的信息；而在贷款审批时借款企业信息已经发生动态变化，但授信并未实时调整；在贷后到贷款到期这段时间内，贷后风险监测信息往往无法及时传递给授信部门，对前台贷款营销的支撑与指导作用存在断裂。如此，银行贷款经营重授信轻贷后、重营销轻风险、重审批轻持续管理的问题较为突出，很难全面把控借款企业的经营风险。

四是借款企业经营风险动态变化和银行贷后风险监测理念落后的矛盾较为突出。

借款企业经营面临内外部冲击，经营风险动态变化。基于贷前调查信息对借款企业经营风险的综合判断，客观上需要随着时间进行不断校正。虽然各银行也建立了信贷管理部门，但与真正的贷后风险监测相去甚远，所谓信贷管理大多涉及贷后检查、突发风险应对、不良贷款处置、信贷政策指导等方面，真正需要对借款企业信用风险、行业投向风险监测的功能没有，或无法发挥作用。这些问题的存在，主要归结于银行贷后风险管理理念的落后，贷后管理仅具备形式要求，却无实质功能。

五是贷款需要全过程管理与银行贷后介入处置功能基本缺失矛盾较为突出。

贷款从发放到收回或处置，需要进行贷款生命周期管理。在贷款生命周期的任何时点，一旦发现威胁到贷款到期偿还的重大风险隐患，就需要银行及时介入或处置，以维护银行信贷资金安全。但银行因为贷后风险监测功能缺失，或无法有效发挥作用，无法及时对贷款生命周期进行干预，进而造成风险累积爆发，影响到银行信贷资产质量。

即使银行贷后管理部门依据自身经验和技术前瞻性监测到企业经营风险，但企业表面经营仍属正常，要求抽贷、退出将遇到前台极大阻力。正因为有此顾虑，银行贷后管理往往会出现“事不关己、高高挂起”状况。当前我国煤炭、钢铁等资源型、产能过剩行业贷款大面积劣变，恐怕与银行贷后介入处置功能基本缺失存在很大的因果关系。

大数据分析为银行信用风险管理提供全新思路

大数据是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。银行在长期经营过程中，已经积累了有关客户资金及交易行为的海量信息数据，为运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，分析数据才是关键。数据特征转换、分析假设合理性、模型适用性等，不可能一蹴而就，需要长时间积累和校验。但毫无疑问，大数据分析为银行信用风险管理开启了一扇全新的大门。

一是大数据分析真正实现了贷后风险监测与预警。

对借款企业账户信息、资金流向、关联方信息、网络信息、政府部门公开信息的深度挖掘，可以接近还原企业经营风险状态，为前瞻性动态监测借款企业风险提供了可探索的路径。

二是大数据分析可以实现银行信贷前中后台信息的贯通。

大数据分析需要处理有关借款企业的海量信息数据，将原本分割的银行前中后台信息进行有效整合贯通，吸纳在信贷业务条线之外的其他碎片化信息，运用先进技术手段进行过滤与整合，进而分析预测借款企业的信用风险。

三是大数据分析可以为贷款前台营销和授信审批提供有效指导。

经过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性分析，企业具备相同特征的信息，发生违约风险的可能性就越大。这样一来，前台营销可以对借款企业进行更为有效的筛选。也基于相同原理，在对借款企业授信过程中，可以更有效地把控企业风险总额，而非不切实际的授信。

四是大数据分析可以更有效地提升信贷经营与风险控制的效率。

基于大数据分析，可以有效提升贷前调查的效率。原本对贷款风险评估具备重大影响的信息，可以部分通过对借款企业过去账户信息、征信信息、网络信息等而获得，从而减少了贷前调查的时间，促使客户经理有针对性地开展现场调查。通过机器和大数法则来替代人工经验判断，可以进一步精简从事贷款授信审批人员。而在贷后管理过程中，广泛采用模型进行数据分析，可以有效提升风险监测的效率和前瞻性，并为前台营销提供方向性指导。

围绕大数据分析再造银行信用风险管理架构

大数据分析为银行信贷集约经营和信用风险有效管理提供了强大的技术支持。而大数据分析的逻辑基础在于对海量数据的集中、整合、分享与挖掘。因而围绕大数据分析再造银行信用风险管理架构，就需要根据数据处理链条对银行信贷经营体制进行变革。

一是建立统一的客户信息管理系统。

目前，多数银行已经开发或购买了信贷管理系统，有些大型银行的信贷管理系统功能还比较齐全、强大。但信贷管理系统与客户信息管理系统并不完全相同，对实时判断客户经营状况具有重要参考价值的账户流水信息往往由银行运营管理部负责管理，并不直接在信贷管理系统内反映。特别是银行可以掌握的企业主要负责人、关联方、重要供货方、重要收款方的信息往往不在信贷管理系统内显示。

还有外部通过网络爬虫技术抓取的涉及客户的敏感信息，也未在信贷管理系统内反映。因此，需要对银行内部各业务条线信息管理系统进行有效整合，建立统一的客户信息管理系统，集中所有能够收集的信息。在客户信息管理系统下设若干业务模块，根据业务需要对相关数据进行整合。

二是将客户营销功能与客户调查功能相分离。

过去，贷前调查实质上也包含着对客户营销的功能。虽然审贷分离后，客户经理在贷款发放上的发言权显著下降，但因为贷款审查信息相当部分来自客户经理调查，即使设立“双人调查制度”，也不能完全排除客户经理可能存在的道德风险。更何况贷款业务构成银行主要收入来源，除非贷款企业表面上存在重大瑕疵，审贷委员会倾向于通过贷款申请。

在大数据分析下，将客户营销与客户调查职能相分离，客户经理只负责深入借款企业调查，收集所有可能涉及企业经营的信息，并实时录入系统，不负责撰写贷款申请报告，也不进行信息价值判断，客户营销职能由营销业务团队负责。营销业务团队根据大数据技术全面分析借款企业信息，判断企业贷款价值以及其对综合收益率的贡献度，确定是否采取营销，并确定相应的营销策略。与过去贷前调查模式相比，企业调查信息因为剔除了客户经理的主观判断而更加接近实际。同时，经过大数据分析技术过滤后，可以更好地选择客户，提高客户营销的效率。

三是建立以专家审批替代集体审批的制度。

在专业银行向商业银行转轨的过程中，为防范信贷员、银行行长道德风险，建立了审贷委员会集中审批制度。随着银行内控制度日趋完善，客户经理专业素质和职业道德规范都较以往有显著提升。而集中审贷制度越来越不适应贷款规模显著增长以及客户业务多元复杂化的需要，客观上需要以专家审批来替代集体审批，提高审批的专业性和效率。

为此，需要整合建立不同业务种类、不同业务模式的专家审批队伍，对于授权范围内的贷款申请，结合大数据分析结果，以及专家对企业信贷风险演化规律的认识而直接审批；超出授权范围内的贷款申请，或由上一级专家审批，或临时随机组成3人专家队伍进行集体审批。

四是组建客户风险监控中心。

首先，银行需要改变贷款风险不能被动态监测的陈旧观念。过去，很多银行贷后风险功能基本缺失，并非贷后风险无法监测，而是因为数据来源不足、缺失以及专业经验技术落后。通过大数据对客户信息的实时抓取和集中处理，可以基本还原企业经营状态，为动态监测贷后风险提供了坚实基础。

其次，银行要提升贷后风险监测信息的共识性。很多银行信贷管理部门存在顾虑，不敢使用通过贷后风险监测分析得到的信息。一方面是因为对自身风险分析监测能力不自信，生怕存在严重误差；另一方面是因为在贷款未出现明显风险迹象时，贷后风险预警将会受到前台和分支行强力抵制。因此，要想发挥大数据分析提升银行信用风险管理效率的作用，就必须要有不怕“试错”的精神，要求前台和分支行尊重贷后风险监测信息价值，除非有事实支持贷后风险监测信息与实际存在重大误差，都将按照贷后风险程度大小进行相应处置。

第三，成立若干风险监测作业团队。从全行抽调具备丰富信贷专业经验、掌握计量模型技术、懂得数据分析的人才队伍组建若干风险监测作业团队。团队职责就是在建立统一客户风险视图基础上，根据行业分类通过模型技术对客户信用风险进行动态监测。

第四，及时处置贷后风险预警信息。在客户风险监测中心之下设立风险处置团队，向负责前台收集信息和调查的客户经理发出指令，要求对风险预警信息进行核实。如果核实后风险预警信息基本属实，那么由风险处置团队及时采取贷款退出、补充抵押担保等措施，维护银行信贷资产安全。同时，在客户信息管理系统中及时录入相关信息。如果核实后风险预警信息存在较大误差，那么将相关情况及时反馈给风险监测团队，对模型参数、方法进行动态调整，以逐步提高模型监测风险的覆盖率。

工商银行在全国率先在信用风险管理中积极探索大数据应用，组建了风险监控中心，初步实现了存量信贷资产和新发放贷款的动态风险监测和实时预警控制；该中心组建一年的时间里，已累计预警和化解潜在风险贷款4237亿元。

五是组建行业中心行使逆周期信贷结构调整职能。

所谓逆周期信贷结构调整机制，就是要求信贷结构调整要贯穿于一个完整的经济周期；信贷结构调整力度总体保持稳定，不以经济周期不同阶段而出现过大波动；信贷结构调整方向与经济结构转型方向保持基本一致，实现金融与实体经济之间契合度的持续上升。

为实现这一目的，客观上需要组建行业中心，行使逆周期信贷结构调整的职能。行业中心负责动态监测行业发展演变趋势，及时发现行业发展的潜在风险隐患，提出银行行业信贷投向总额与业务拓展策略。在这个基础上，行业中心要与客户信息管理系统进行有效对接，提出单一行业目标客户名单以及退出客户名单，为前台客户营销提供方向性支持。还有，行业中心要赋予行业风险监测职能，建立与风险监测团队的信息沟通机制，及时提示并预警行业发展风险，平衡把握银行信贷资金投入。数据分析师培训