征信行业
第一门户

引入企业主征信评分风险因素 创新小微企业贷款定价

文/张日红渤海银行风险管理部总经理;荣沉渤海银行风险管理部零售模型管理主任

解决小微企业贷款难问题的根本是要开发出一套适合小微企业贷款的信贷方法,而贷款定价是这一套信贷方法的核心组成部分。本文以真实历史数据为样本,创新性引入“企业主征信评分”这一重要风险因素对小微企业贷款定价方法进行升级改进。该定价方法既提升了对小微企业信用风险的识别能力,又有效降低了信息不对称所带来的定价差错。

小微企业贷款难是一个全球性的问题。解决小微企业贷款难问题的根本是要开发出一套适合小微企业贷款的信贷方法,而贷款定价是这一套信贷方法的核心组成部分。小微企业的资金运行特点是额度小、需求急、周转快,与大中型企业相比,小微企业所处的信用环境恶劣,存在较严重的信息不对称问题。一般来说,小微企业难以提供准确、可靠的财务报表(对于部分微型企业,商户根本就没有财务报表),因此运用传统的定价方法较难采集到可靠的模型输入数据,进而影响到贷款定价的合理性。

从防范信用风险的角度来看,建立适合现实情况的小微企业信用评级体系,理清信贷决策中违约成本、还款能力和定价水平之间的关系,对于控制信用风险的产生至关重要。小微企业贷款的定价问题,也必须从小微企业贷款的现实出发,以“价格覆盖风险”为准则,采用以违约风险排序为核心的、综合考虑成本和风险因素的定价方法。

国内有关小微企业贷款定价的理论体系尚不完备,本文是在该领域内所做的一次创新性尝试。文章以历史数据为建模样本,尝试将“企业主征信评分”引入定价模型,在筛选财务、公司基本面等风险驱动因子的基础上,通过以逻辑回归分析为核心的数理统计方法构建起一套标准化的小微企业贷款定价模型。企业主征信评分的引入显著提升了针对小微企业贷款的差异化定价能力,有效降低了信息不对称所带来的定价差错,从而提升了定价的科学性和合理性。

西方先进银行重视企业主个人信用

欧美商业银行尤其是大型商业银行在小微企业信贷业务方面普遍拥有完整的管理体系和技术体系,以美国富国银行为例,该行的小微贷款定价模型主要依赖于客户信息所包含的五类风险因素,分别为:企业主个人征信记录、商业信用报告、经营性现金流情况、资产变现能力以及债项担保情况。富国银行认为对小微企业而言,企业主个人的品行和企业的信用风险高度相关,这一风险要素在进行定价评估时的重要性非常突出。该行主要依据个人征信记录对企业主个人品行进行判定,一份良好的征信记录证明企业主拥有良好的还款意愿和还款纪律,这也是对未来债务偿还情况的最佳预测因素。从宏观环境来看,发达国家多具备健全完备的社会征信体系,这为个人征信记录的评判工作提供了极大的便利。

此外,与传统大中型企业贷款定价时通常会采集全面的财务数据不同,富国银行将更多精力用于评估小微企业获得经营性现金流的能力。除了查看企业过去两年是否实现账面盈利外,富国银行将企业净利润加非现金费用(如折旧、摊销等)作为经营性现金流的近似值用以评估贷款决策。作为经验法则,该行通常认为每1美元的贷款需要匹配1.5美元的经营性现金流。通过模型化的定价手段,富国银行在降低经营成本的同时,提高了其小微业务的盈利性。

国内特色银行注重多方位定价信息采集

在国内商业银行当中,也不乏在小微金融领域经营的较为成功的案例,如浙商银行、泰隆银行、台州银行等。这些商业银行均将小企业业务视为业务发展的重点,经过多年积累,目前均已形成了成熟、规范的小微金融服务模式。通过分析这些商业银行的小微企业贷款定价策略,可以发现其定价模型多是通过建立一个兼顾个体和整体的小微贷款定价模式来解决国内银行普遍面临的信息不对称问题。在贷款定价评估中,注重区分个体评估和整体评估的侧重点,如个体评估中重点把握担保品、企业主人品、企业主家庭、企业现金流等因素;而整体评估中则侧重于行业发展前景、经营区域、历史沿革、标准化身份信息等因素。通过对上述风险因素实施模型化的综合评价,确保了贷款定价的区分能力。

通过上述对于国内外商业银行小微企业贷款定价模式的分析,不难看出商业银行的小微信贷运作模式受小微企业自身实力、银行产品设计情况、社会征信体系发展情况等多方面因素的影响。由于市场发展程度的不同,海外银行依靠标准化、自动化的定价流程可以批量化处理小微贷款申请,而国内银行在制定定价政策时则更加灵活化和人性化,这对于处于转型期的商业银行来说具有一定的借鉴意义。

将企业主征信评分风险因素引入定价模型

将企业主征信评分引入小微企业贷款定价模型是本文的创新性探索,企业主征信评分是基于企业主个人过往的征信记录来预测违约概率的定量化评分,属于通用信用评分范畴,与申请评分和行为评分并列归属于风险评分。征信评分模型采集的信息来自于征信系统中跨地区、跨机构、跨产品、跨时段的信用信息,模型利用数理统计方法对这些信用历史信息、交易信息和行为信息进行批量化、自动化挖掘,以一个分数来预测未来一定时期内的违约概率。分数高低代表“好/坏”几率,分数越高违约的可能性越低。主流的征信评分模型通常将预测变量分为五类,分别为负面历史记录、当前负债水平、对新信用的争取、信贷组合、信贷历史长短。在权重分配上,通常将前两项风险要素赋予较高权重,而后三项风险要素权重略低。图1以美国市场为例,展示了一种较为流行的预测力权重分配方式。

企业主征信评分具有三方面特点:首先,企业主征信评分对违约的预测能力较强,其对客户违约风险的区分度具有统计显著性。与内部评级相比,企业主征信评分的适用范围更广,所以常作为一个通用的风险标尺。

其次,企业主征信评分的稳定性较为突出。这一稳定性主要来自于模型开发的一致性和评分验证的稳健性。周密的环节监控和有效性测试贯穿于征信评分模型开发的全过程,无论处于信贷生命周期的哪个阶段,企业主征信评分都始终保持前后一致。当发生重大经济波动或信贷数据发生变化时,征信评分模型会根据最新的数据以及经济形势调整模型参数。

第三,企业主征信评分更遵守业务规则,容易得到银行业从业机构及监管当局的认可。征信评分的关键内容,如分数几率表和评分解读一般简单易懂。征信评分的推广将促进小微企业主对自身信贷行为的关注和自律,有利于小微信贷市场的进一步完善,同时也能够帮助监管当局及时掌握市场动态,为监控和治理提供客观依据。

应用征信评分之前进行验证是国外成熟市场的经验及监管机构的要求。鉴于此,笔者在样本银行个人客户群中实施了针对征信评分模型的验证工作。验证工作主要包含两大部分,首先是性能验证,其目的是考察征信评分在所有客户群体上(包括新申请客户和存量客户)的表现,主要关注的是评分对“好/坏”人群的风险区分、排序能力及人群稳定性。通过验证结果可证实,征信评分的区分能力的确具备统计显著性,并且同一客群在不同时间段的征信得分中枢并没有发生明显的偏移,这保证了分数使用的前后连贯性。

应用验证是在通过性能验证的基础上,验证征信评分对验证机构实现特定的业务目标是否有帮助和提升。如果应用验证的结果或指标符合预期则说明征信评分可以在相关业务领域内进行应用,这有利于全方位考察征信评分的应用效果,进而更好地指导其在小微企业定价中的应用。本文采用了情景分析方法进行应用验证,即将传统信贷审批中被拒绝、但征信评分高于某一特定分数线的客群重新纳入申请通过人群;将传统信贷审批中获得通过、但征信评分低于另一特定分数线的客群给予审批拒绝。通过调整两个特定分数线的高低,以分别实现情景一(即保持通过率基本不变的前提下降低违约率)和情景二(即保持违约率基本不变的前提下提高通过率),如图2所示。

分析结果显示,在情景一中,总通过人数较应用前仅降低了0.5个百分点,但违约客户数量则较应用前大幅下降了近三成;在情景二中,审批通过率较应用前大幅上升近9个百分点,但违约客户数量不但没有上升反而下降了1户。这说明征信评分能够有效提升客户准入环节的审批效率,进一步印证了其在客群风险排序中的应用效果。

定价模型建立需注意三方面问题

首先,对于定价模型输入项的选择,不同商业银行有不同的方法。除了财务信息、债项担保信息等常见输入项外,信贷资金投向、经营地域等债项属性类信息也应给予足够重视,或作为定价模型输入项,或作为资产分池的分类项对贷款做提前划分。虽然历史数据难免会有缺失,但对于数据缺失率高于15%的风险因素应谨慎纳入模型,因为过多的数据缺失项即便进行填补也难免会对模型结果产生一定的负面影响。

其次,在进行违约定义的时候,国内商业银行尤其是中小银行通常会面临违约客户群数量过小的问题。通常情况下国内商业银行对于“违约”的定义是债项发生了超过90天以上的逾期。但就本文所使用的样本数据来看,在跨度近三年半的小微企业贷款记录中,发生90天以上逾期的贷款数量占比极低,无法满足建模对于违约样本数据量的需求。在这种状况下,一种可行的做法是将逾期超过一天即作为违约发生的标志。这种方法放宽了违约发生的范畴约束,可以有效扩充违约样本数量,同时在实际业务操作中,一旦小微企业贷款发生逾期,银行贷后管理部门通常会及时跟进并积极展开催收工作。因此将逾期一天作为违约发生的标志与实际业务中秉持的工作原则并不违背。

第三,在确定小微企业贷款定价中枢时,既可以使用历史均值也可以依据商业银行风险偏好由行内专家议定。本文在确定定价中枢时采用的是历史均值,这种做法的合理性在于该利率水平包含了银行在叙做小微业务时所承担的资金成本、运营成本、风险成本和预期利润,并且是这些因素的一个合理期望值。它避免了传统贷款定价模型下需要单独核算各部分成本所引发的难题,尤其是对于小额贷款而言,精确核算其各类成本几乎是不太可能完成的任务。而历史定价均值又往往是商业银行风险偏好的体现,当市场利率环境发生整体变化时,小微企业的风险排序结果并不会受到显著影响,因此只需调整中枢定价水平即可,定价表会跟随中枢定价整体性上浮或下浮,免去了大规模重新校准所引起的不便。

新定价模型的实证应用分析

新定价模型的建立经过单因素分析、相关性分析、逻辑回归等分析过程,最终展示出统计显著性的模型输入项共有七个,分别为企业主征信评分、经营年限、经营性现金流、用信投向、担保方式、经营地域和控股类型。本文参照价格先导模型的定价形式,首先通过输入项来计算小微企业模型评分,而后以历史均值定价水平为基准,根据模型评分对利率浮动水平进行细分,示例如表所示。

在实际业务操作中,可考虑将客户利润贡献度作为定价模型的调节项,根据经验判断,对于具备一段时期稳定还款记录且对银行有综合利润贡献的小微企业进行适度的定价优惠,有利于增强他们的业务粘性。当历史存量数据较为充足时,建议根据小微企业的经营地域和所属行业进行资产分池,而后逐个资产池估算其中心定价水平,这样可以更加精细的区分行业和地域属性所带来的系统性定价差异,但其对建模数据量的要求通常较高,尤其是对违约样本的数据积累。

新定价模型显著增强了差异化定价能力。由于新模型实施了客观化的风险排序,并据此制定出了更加细化的定价档次。这一新的定价方式将信用风险成本的差异更加直观地反映在了终端定价上,显著增强了差异化定价的能力。以真实发生的两笔小微企业贷款为例,贷款A和贷款B的债务人为两家杭州地区的纺织服装行业小企业,经营年限和经营情况都较为接近,在原有定价模式下两笔贷款的定价相同,均为基准利率上浮20%。但是在企业主征信评分上,A企业主仅为778分,这远远低于样本银行存量客户的征信评分平均水平,而B企业主的征信评分为875分,和该行存量客户的征信评分平均水平接近。此外,A企业的经营性现金流对贷款金额的覆盖率不足40%,而B企业的覆盖率超过200%。这两项重要风险因素上的差异体现出了两个企业信用风险上的不同,但这一点并没有在最终的贷款定价中予以体现。而在新模型中,两家企业的贷款利率被分别设定为基准利率上浮28%和上浮22%,两者上浮程度相差6个百分点,由此可见新定价模型对于信用风险成本的区分度得到了显著提升。

新定价模型对信用风险成本的预测能力得到提升。根据贷款定价的基本原理,债项信用风险成本越高,相应的定价就越高,以抵偿承担风险可能带来的损失。根据建模后检验,新定价模型对于小微贷款信用风险成本的预测更加准确可靠。我们同样以真实发生的一笔贷款业务为例,该笔贷款在业务发起后两年内出现了违约。这笔贷款的担保方式为保证,投向为船用设备制造业,企业主个人的征信评分仅为801分,在样本银行客户群中属于中下游水平,且企业经营性现金流为负。但原定价模型给出的贷款定价为基准利率上浮5%,这一定价水平低于样本银行小微贷款的平均定价水平。企业在贷款存续期内出现了违约,原定价显然低估了债项所蕴含的信用风险。而新模型对于该笔款项的定价为基准利率上浮18%,遵循“价格覆盖风险”的基本原则,新定价对于债项信用风险的预估更加充分和准确。

本文所建立的小微贷款定价模型是定价体系中的技术核心,在实际应用中,还应建立起一套完善的定价体系以实现模型功效的最大化。这一定价体系的基本流程应符合商业银行自身的业务规范,并拥有书面化的管理标准,以保证模型得以合理、有效地在实际业务开展中发挥作用。文中谈及的定价方法与技术还有待不断发展与完善,这一过程不仅对小微企业发展大有裨益,对商业银行的自身发展也具有深远的影响力。

(本文节选改编自中国银行业协会2015年度优秀研究成果二等奖获奖课题《小微企业贷款定价问题研究》)本文原载于《中国银行业》杂志2015年第7期。

 

征信宝网站:www.zhengxinbao.com

微信公众号:征信宝(ID: ixinyong)

联系微信号: aihaozhe

赞(0) 打赏
网站部分资源来自网上,如有侵权请告知删除,我们期待与你长期合作:征信宝 » 引入企业主征信评分风险因素 创新小微企业贷款定价
分享到: 更多 (0)
已有 0 条评论

征信宝推荐

大红包万达万e贷