商業(yè)銀行審計(jì)中貸款風(fēng)險(xiǎn)等級(jí)分類規(guī)則挖掘研究

◆馬宇州/ 東北農(nóng)業(yè)大學(xué) 隋學(xué)深/ 審計(jì)署審計(jì)科研所

我國(guó)商業(yè)銀行貸款風(fēng)險(xiǎn)等級(jí)分類通常采用五級(jí)分類法。貸款五級(jí)分類法是以借款人的償還能力為核心，把銀行貸款按風(fēng)險(xiǎn)程度或質(zhì)量高低分為正常貸款、關(guān)注貸款、次級(jí)貸款、可疑貸款和損失貸款五大類。有兩類屬于正常貸款，后三類屬于不良貸款。審計(jì)人員在對(duì)貸款風(fēng)險(xiǎn)等級(jí)分類真實(shí)性進(jìn)行審計(jì)時(shí)，除了希望發(fā)現(xiàn)正常貸款和不良貸款之間相互錯(cuò)分的情況外，還希望挖掘出正常貸款和不良貸款數(shù)據(jù)各自具有的分類規(guī)則特征。本文就是運(yùn)用決策樹(shù)方法挖掘分類規(guī)劃。決策樹(shù)方法是利用信息論中的信息增益尋找示例數(shù)據(jù)庫(kù)中具有最大信息量的屬性字段，建立決策樹(shù)的一個(gè)節(jié)點(diǎn)，再根據(jù)該屬性字段的不同取值建立樹(shù)的分支；之后在每個(gè)分支集中重復(fù)建立樹(shù)的下一個(gè)節(jié)點(diǎn)和分支，樹(shù)的質(zhì)量取決于分類精度和樹(shù)的大小。

一、實(shí)驗(yàn)數(shù)據(jù)采集、預(yù)處理與決策表構(gòu)建

（一）實(shí)驗(yàn)數(shù)據(jù)采集

從某商業(yè)銀行某一級(jí)分行某年度“借款憑證表”中隨機(jī)采集了10 萬(wàn)條貸款記錄作為實(shí)驗(yàn)的原始數(shù)據(jù)。由于不良貸款（次級(jí)貸款、可疑貸款和損失貸款）記錄數(shù)占比較低，從10萬(wàn)條貸款記錄中按照最大化的原則選擇出5350 條屬于不良貸款記錄的數(shù)據(jù)標(biāo)記為B 類數(shù)據(jù)。考慮到?jīng)Q策樹(shù)算法對(duì)類平衡的要求，即要使輸入決策樹(shù)運(yùn)算的兩類數(shù)據(jù)量大體相當(dāng)，所以，從10萬(wàn)條貸款記錄中隨機(jī)選擇出5343條屬于正常貸款（正常貸款和關(guān)注貸款）的數(shù)據(jù)標(biāo)記為A 類數(shù)據(jù)。A 類數(shù)據(jù)和B 類數(shù)據(jù)共10693 個(gè)貸款記錄數(shù)據(jù)作為初始實(shí)驗(yàn)數(shù)據(jù)。

（二）實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

根據(jù)對(duì)商業(yè)銀行“借款憑證表”中字段經(jīng)濟(jì)含義的理解，我們剔除那些和貸款五級(jí)分類耦合性較強(qiáng)的字段，為了提高運(yùn)算速度，還剔除了對(duì)正常貸款和不良貸款分類不相關(guān)的字段，即那些對(duì)分類沒(méi)有價(jià)值的字段。根據(jù)以上原則，我們對(duì)“借款憑證表”中的42 個(gè)字段進(jìn)行了屬性約簡(jiǎn)，剔除掉的字段屬性有：借款憑證編號(hào)、借款合同編號(hào)、客戶代碼、機(jī)構(gòu)編碼、項(xiàng)目編號(hào)、借款憑證原始號(hào)碼、貸款類別、專項(xiàng)貸款類別、借款用途、貸款賬號(hào)、還款方式、分期還款周期標(biāo)志、保證形式、擔(dān)保合同編號(hào)、貸款四級(jí)分類、貸款五級(jí)分類、表內(nèi)欠息五級(jí)分類、表外欠息五級(jí)分類、訴訟時(shí)效提示日、操作員和增量標(biāo)志等共21 個(gè)；保留下來(lái)的字段屬性有：貸款性質(zhì)分類、貸款期限分類、基準(zhǔn)利率、利率浮動(dòng)幅度百分比、幣種、借款金額、借款日期、到期日期、展期到期日、本憑證累計(jì)收回貸款、本憑證貸款余額、核銷金額、擔(dān)保方式、累計(jì)實(shí)收利息、利息收入、表內(nèi)應(yīng)收利息、表外應(yīng)收利息、表內(nèi)實(shí)收利息、表外實(shí)收利息、是否以資抵債和操作日期等共21個(gè)。

（三）決策表構(gòu)建及其數(shù)據(jù)結(jié)構(gòu)說(shuō)明

1.決策表構(gòu)建。用經(jīng)過(guò)預(yù)處理后的含有10693個(gè)A、B類混合數(shù)據(jù)構(gòu)建決策表。

2.決策表數(shù)據(jù)結(jié)構(gòu)說(shuō)明。決策表中包含了21個(gè)經(jīng)過(guò)約簡(jiǎn)后的屬性，由于算法計(jì)算過(guò)程中應(yīng)用的是屬性的英文名稱，為了方便對(duì)實(shí)驗(yàn)結(jié)果的理解，我們建立了21個(gè)條件屬性的英漢對(duì)照及屬性經(jīng)濟(jì)含義表，如表1所示。

二、實(shí)證分析

（一）決策樹(shù)算法對(duì)銀行風(fēng)險(xiǎn)等級(jí)分類規(guī)則挖掘?qū)嶒?yàn)及其結(jié)果

圖1：銀行風(fēng)險(xiǎn)等級(jí)分類規(guī)則提取決策樹(shù)

決策表中的決策屬性為貸款記錄的正常貸款或不良貸款分類，其中正常貸款類在決策表決策屬性中標(biāo)記為1，不良貸款類標(biāo)記為2。然后對(duì)決策表應(yīng)用基于決策樹(shù)的REPTree算法進(jìn)行分類規(guī)則挖掘，其模型參數(shù)為trees.REPTree-M30-V 0.0010-N3-S1-L-1，為了方便解釋和表述，我們將葉子結(jié)點(diǎn)限定的最小事件數(shù)選定為30 個(gè)，這樣決策數(shù)的規(guī)模為29，即Size of the tree:29。實(shí)驗(yàn)構(gòu)建的決策樹(shù)如圖1 所示，其分類規(guī)則提取表如圖2所示。

表1：實(shí)驗(yàn)數(shù)據(jù)屬性名稱英漢對(duì)照及經(jīng)濟(jì)含義表

圖2：REPTree算法對(duì)銀行風(fēng)險(xiǎn)等級(jí)分類規(guī)則提取表

（二）實(shí)驗(yàn)結(jié)果分析

由圖2決策樹(shù)可見(jiàn)，利率浮動(dòng)幅度百分比（LV_FLOATRANGE）這個(gè)屬性處于決策樹(shù)的根結(jié)點(diǎn)上，說(shuō)明在本決策表中其分類能力是最強(qiáng)的，其次是操作日期（LV_OPDATE）這個(gè)屬性，還有借款金額（LV_LOANSUM）、本憑證貸款余額（LV_REST）、表外應(yīng)收利息（LV_ORECVINT）、擔(dān)保方式（LV_GUARWAY）、本憑證累計(jì)收回貸款（LV_TOTREPAY）和到期日期（LV_ENDDATE）等條件屬性都對(duì)正常貸款與不良貸款具有一定的分類能力。

由圖2可見(jiàn)，REPTree算法共提取出15條銀行風(fēng)險(xiǎn)等級(jí)分類規(guī)則。以規(guī)則LV_FLOATRANGE ＜0.5 and LV_OPDATE ＜20090201 and LV_LOANSUM ＜ 6225 and LV_OPDATE ＞=20071127: 1.97 (396/0.03) [205/0.03]為例，該項(xiàng)分類規(guī)則的含義是在決策表中條件屬性滿足利率浮動(dòng)幅度百分比（LV_FLOATRANGE)小于0.5，操作日期（LV_OPDATE）在2007年11月27日和2009年2月1日之間，且借款金額（LV_LOANSUM）小于6225 萬(wàn)元的事件共有604 個(gè)，其中屬于第2類（不良貸款類）的有396 個(gè)，屬于第1 類（正常貸款類）的有205 個(gè)，該項(xiàng)關(guān)聯(lián)規(guī)則在全體樣本集中發(fā)生的概率為(396＋205)/10693=5.62%，即其支持度為5.62%，其置信度為396/(396＋205)=65.6%，也就是說(shuō)，當(dāng)某一條記錄滿足上述分類規(guī)則的條件時(shí)，那么該條貸款記錄屬于不良貸款的可能性是65.6%。

再以規(guī)則LV_FLOATRANGE ＞=0.5 and LV_OPDATE ＜20071004 and LV_FLOATRANGE ＞= 20.75 : 1.84(452/0.14)[238/0.12]為例，該項(xiàng)分類規(guī)則的含義是在決策表中條件屬性滿足利率浮動(dòng)幅度百分比（LV_FLOATRANGE)大于0.5 且小于20.75，且操作日期（LV_OPDATE）在2007年10月4日之前的事件共有690 個(gè)，其中屬于第2 類（不良貸款類）的有452個(gè)，屬于第1 類（正常貸款類）的有238 個(gè)，該項(xiàng)分類規(guī)則在全體樣本集中發(fā)生的概率為(452＋238)/10693=6.45%，即其支持度為6.45%，其置信度為452/(452＋238)=65.5%，也就是說(shuō)，當(dāng)某一條記錄滿足上述規(guī)則的條件時(shí)，那么該條貸款記錄屬于不良貸款的可能性是65.5%。

由于我們?yōu)榱丝刂茮Q策樹(shù)的規(guī)模，將葉子結(jié)點(diǎn)限定的最小事件數(shù)選定為30個(gè)，從而限制了其提取分類規(guī)則的置信度。如果我們將葉子結(jié)點(diǎn)限定的最小事件數(shù)選定為2 個(gè)，那么其決策樹(shù)的規(guī)模將大幅增加為231，在分類規(guī)則置信度提高的同時(shí)，其相應(yīng)的支持度也大幅下降。

三、基本結(jié)論及研究展望

確性，因此，對(duì)類似不純數(shù)據(jù)的提純處理是該領(lǐng)域未來(lái)進(jìn)行深入研究的一個(gè)重點(diǎn)。

本文的實(shí)驗(yàn)結(jié)果在一定程度上揭示了商業(yè)銀行信貸資產(chǎn)風(fēng)險(xiǎn)等級(jí)分類的相關(guān)規(guī)律，有助于增強(qiáng)金融審計(jì)人員對(duì)不良貸款和正常貸款分類數(shù)量特征的理解。由于本研究采用的商業(yè)銀行實(shí)際生產(chǎn)數(shù)據(jù)中，可能存在一小部分不良貸款和正常貸款之間被相互錯(cuò)分的情況，即商業(yè)銀行為使不良貸款率達(dá)標(biāo)，將不良貸款人為錯(cuò)分為正常貸款的情況；也可能存在少部分將正常貸款人為錯(cuò)分為不良貸款的情況。這在一定程度上會(huì)干擾決策樹(shù)算法對(duì)分類規(guī)則提取的正

黃石市西塞山區(qū)審計(jì)局黨支部深入田園社區(qū)，認(rèn)領(lǐng)社區(qū)困難群眾的“微心愿”，把溫暖送到居民手中。通過(guò)到困難群眾家中走訪慰問(wèn)，為殘疾或單親困難家庭兒童送去書(shū)包等學(xué)習(xí)用品，詳細(xì)了解他們的生活現(xiàn)狀與學(xué)習(xí)情況，鼓勵(lì)他們積極面對(duì)生活，用點(diǎn)滴善舉溫暖困難群眾，使他們切實(shí)感受到黨和政府的關(guān)懷。

（梁倩倩 攝影報(bào)道）