80%左右的信贷风险来自信贷审批环节！
经授权转载自：消金行业资讯
作者：虞数
写
在
前
面
申请风险评分模型是通过对消费信贷申请人的资信状况进行评估来预测其未来验证拖欠或坏账概率的模型。申请风险评分模型在信贷风险管理中有着非常重要的作用，因为该评分往往是信贷审批的主要依据。最有效的风险管理莫过于把风险过高而收益不能对称的申请者拒之门外，因为一旦高风险的申请人获得信贷，其他管理手段只能减少损失而不能避免损失。
申请风险评分模型的效益
据调查，80%左右的信贷风险来自信贷审批环节，一旦消费者获得信贷，后续的管理只能控制20%的风险，由此可见科学的信贷审批风险管理是十分重要的。
发展申请风险评分模型，进行科学的审批风险管理来降低坏账率，其效益是非常巨大的。如表所示，如果银行一年批准新开户的信用卡账户为100万张，假定主观决策的坏账率为4%，通过发展申请风险评分模型进行科学决策，坏账率降低为3%，假定平均的单位坏账额为2万元，如用模型决策出的效益就把坏账额从8亿元降低为6亿元，减少损失达2亿元之巨。及时以模型决策仅把坏账率下降0.5%，其收益也是1亿元之巨。哪怕是坏账率只下降0.1%，也可节约2000万元的坏账损失。
何况单位坏账可额可能超过2万元，模型决策的单位坏账额也会比主观决策低（因为依赖型决策不仅是批准发卡与否，而且包括根据评分来制定信用额度高低，风险高的客户给予较低的信用额度，这就降低了单位坏账额）。根据银行的具体情况，开发申请风险评分模型进行决策的效益会有所不同，但一个共同之处就是效益巨大，考虑到开发模型的成本并不高，其投资回报率是巨大的。
申请风险评分模型的开发
数据时间段划分
发展申请风险评分模型的数据可以分为表现期和观察期两个时间段，如图所示
表现期：
提炼模型索要预测的信用表现时期，对于信用卡而言，一般为6-18个月，而对于住房贷款而言，则长达24-36个月。表现期长（如18个月）的好处是给账户较充分的时间来表现其信用状况，因为许多高风险账户在6-12个月内往往还没有把拖欠行为表现出来，而18个月则比较充分；
当然表现期也不宜过长，过长可能导致信用表现与申请信息之间的联系比较弱，因为在较长的时间里申请者的贷款资信状况与申请时的资信状况之间的变化可能比较大，而且银行的信贷环境、目标客户、申请群体的变迁也可能比较大，导致历史数据关系的适用性降低；表现期短（如6个月）的好处是可以尽快发展风险评分来作为决策依据，缺点是许多高风险客户的拖欠风险尚未充分表现出来，因此对风险的估计不足。
较短的表现期对于业务历史较短、亟需发展风险评分来改进风险管理的银行比较使用，对业务历史足够长、样本数据量足够多的银行来说，应该尽可能使用长一些的表现期。
观察期：
观察、提炼与模型所要预测的表现有一定相关性的预测变量的时期。
申请风险评分模型的预测性信息主要来源于两个方面：申请表上的信息和信用局的信用历史记录。申请者的信息提供了申请人的个人信息和资信信息，如性别、年龄、婚姻、学历、职业、收入、房产、在现单位工作时间长短、在现居住地址时间长短等；信用局的记录进一步反映了该申请人全面的信用历史记录，包括负面信用历史信息、现期债务负担、信用历史长短、对新信用的追求、信用的种类等方面的信息；
这两方面的信息相互补充，在信用局不存在或不发达的国家，申请表的信息是预测变量的全部或主要来源。当然，如果申请人在银行内部还存在其他业务关系，则这种内部关系的数据也可以是非常有用的预测信息。
由于申请表的信息在申请者填写申请表时即可全部获得，而信用局的信用记录也可在申请时从信用局提取（如果存在信用局的话），所以预测性信息是在申请时即可获得的，这个意义上讲，并不需要经过一个时期的观察来获得这些信息。
但是，在申请风险评分模型里面常常使用6个月左右的观察期，其原因是为了获得足够多的申请者样本，因为一个月的申请者样本量可能不够，特别是后来表现为“坏”的样本量可能不够，这样，通过汇集6个月的观察期里的申请者样本，可以获得模型所需要的比较充分样本量。
表现变量
申请风险评分模型的表现变量的定义一般根据表现期终的信用表现界定如下：
3期拖欠以上、呆账、破产的账户定义为“坏”；
未拖欠或1期拖欠的账户定义为“好”；
2期拖欠的账户定义为“不确定”，被排除于模型之外；
如果银行业务历史较短，“坏”的样本量不足（一般一个模型需要800-1500个“坏”账户为样本），则可以把2期拖欠的账户也定义为“坏”；
如果按“表现期终”的界定方法“坏”的样本量不足，也可以把“表现期内”最大拖欠达3期以上的统统定义为“坏”，即使其在表现期终恢复到相对“好”的地位。
预测变量
如其他任何预测模型一样，申请风险评分模型需要有与未来信用表现密切相关的、已知的信息作为模型的预测依据，是为预测变量、如上所述，申请风险评分模型的预测变量主要来源于申请表上的信息和信用局信用历史记录。（信用局在中国还处于雏形）
根据申请表信息提取的预测变量反映了申请者3个方面的信息：还款能力、还款意愿和稳定性。
第一，反映申请者未来还款能力的预测变量
典型的例子如房产状况、学历高低、收入状况、职业类别等。住房状况是很能区分信用风险的预测变量，一般来说，拥有房产的申请者，其风险要比没有房产的申请者小得多。有能力购买住房本身就相当程度上说明了申请者的还款能力。类似的，收入越高，还款能力越强；学历越高，还款能力也越强，因此风险较低。
第二，反映申请者还款意愿的预测变量
还款意愿更大程度上是信用局负面历史记录里体现出来的。显然，如果申请者历史上有较多或较严重的拖欠记录，说明他们的还款意愿比较低。从申请表上的信息来讲，性别、婚姻状况等信息一般比较能显示申请者的还款意愿。女性的还款意愿一般比男性高，因此风险较低，这是女生的心理特征和生活习惯所决定的，也是实践中经常看到的。类似的，已婚申请者的还款意愿一般比未婚的高，因为已婚人士的责任感一般更强，所以信用风险也低一些。
第三，反映申请者稳定性的预测变量。
稳定性也是预测信用风险的一个重要指标，一般来说，申请者的稳定性越高，风险越低。
反映稳定性预测变量的例子有申请者在现单位工作时间长短、在现住地址居住时间长短等。显然，在一个工作单位或一个住址待的时间越长，稳定性越高，坏账也越低。
当然，也有一些变量不限于某种类型，而是同时反映几个方面的信息，比如年龄，实践中经常观察到的现象是年龄越小，风险越高，其中的原因，可能是年轻人的还款能力、还款意愿和稳定性都相对差一些。