銀行業金融機構線上貸款風險狀況分析

胡夢茜 浙江農商聯合銀行杭州管理部

線上貸款產品的風險問題對各銀行業金融機構風控管理能力提出了更高的要求，建立具有針對性的風險防控體系，是決定未來線上產品規模和高質量發展的關鍵因素。

一、數字貸款風險成因分析

(一)各類風險因素分析

1.數據風險

數據是線上產品快速發展的基礎，尤其是針對純數驅產品，也是大數據風控手段能夠廣泛應用的支持。數據風險主要源于數據的真實性、有效性和時效性。一是數據真實性不足。對第三方采集獲取數據以及客戶提供數據的交叉驗證能力不足，真實性難以保證。如依托公積金數據的純線上產品，僅從征信報告判斷客戶的還款意愿，從公積金繳存情況判斷客戶的還款能力，客戶的道德品質、社會評價、資產負債、真實收入能力等重要信息缺失，對于客戶風險評價的準確性存在一定偏離。因此，在真實性不足的情況下，建模偏差難以避免，從而導致過度授信、風控不到位等問題；二是數據有效性不足。在授信及風控建模時，選擇質量差、解釋性差的“臟數據”，會導致模型結果偏差，或者選擇的樣本數據不具有代表性，帶來了數據風險。如公積金數據較為片面，無法有效反映客戶真實收入能力；三是數據時效性不足。隨著時間的變化，客戶的行為模式可能發生變化，數據和相關的隱含信息都將發生變化。因此，數據質量會隨著時間流逝不斷下降，數據的時效性至關重要。如客戶信息維護不完善，配偶信息沒有及時錄入，導致夫妻雙方可同時生成貸款合同。公積金數據會有所延遲，因此會出現客戶本月或上月剛離職，但因為數據未更新，還能申請出純數驅型貸款產品的情況。因此，如果依賴時效性差的數據建模，其結果也必將產生偏差，導致授信或風控偏差。

2.模型風險

模型風險防控是整個風險防控體系的關鍵。如果使用存在缺陷的模型或不具有適用性的模型，會導致無法準確評估相關風險，難以形成對線上貸款業務發展的有效支撐。一是模型缺陷產生的風險。若模型存在設計偏差、泛化能力差、穩定性差等問題，將導致輸出結果偏差，使得信用審批、風險預警等出現偏差。如部分銀行業金融機構準入規則相對寬松，導致了較高的不良率；二是模型使用不合理產生的風險。在特定場景、區域使用有效的信貸風控模型，在未經適用性、擴展性分析的情況下，將其應用于其他業務場景或不同區域，導致模型解釋能力下降，結果出現偏差，帶來產生風險的可能性；三是模型管理不善。如數字貸款模型外泄導致被不法分子盜用，不法分子可通過包裝客戶等行為來突破數字貸款模型。未設置專人專崗管理數字貸款系統及預授信名單導入，數字貸款模型配置由單人完成，導致風險產生。

3.操作風險

對于數字貸款而言，由于涉及貸前線下調查和白名單導入等，涉及流程環節相對較多，人工參與環節較多，由此參生的操作風險可能性相對較大。從貸前環節來看，很多數據都是客戶提供，客戶經理相關經驗和實際調查不足，導致數據的真實性和可靠性難以保證，為后續信貸業務的審批、審核、授信等環節留下較大風險隱患，如客戶經理對申貸資料真實性把關不嚴格，導致存在偶發性的偽造收入證明、房產證等情況的現象；從貸中和貸后環節來看，客戶經理無法嚴格按照相關制度及時對發放的貸款進行貸中和貸后審查，客戶資質發生了變化而無法及時獲知，出現相關風險隱患。或者由于客戶經理的能力和經驗不足，無法全面分析和辨識客戶的生產經營變化情況和財務狀況，導致對客戶信用風險識別、預警和處置存在一定滯后，導致貸中檢查和貸后管理在風險防控中的作用難以發揮。

4.欺詐風險

純線上業務開展過程中，數字身份和物理身份核驗難度提升，借款人真實身份、信用水平辨識難度加大，因此騙取銀行貸款是最常見的外部欺詐風險類型之一。如非本地客戶經中介包裝后申請白名單，實際貸款資金被他人占用，最終出現不良。

(二)已逾期產品風險因素分析

由于已逾期線上產品涉及風險因素的數據取數分析較為困難，但從主要風險成因分析角度還是有一定參考意義。

通過對某銀行數字貸款產品涉及的主要風險因素進行調研分析可以看出，從涉及金額方面，前三大風險因素主要為外部欺騙、貸前調查的有效性不足和模型數據有效性不足；從發生筆數方面，前三大風險因素主要為貸中和貸后審查不足、貸前調查的有效性不足和外部欺騙。從涉及金額和發生筆數綜合分析，外部欺騙每筆發生金額往往相對較大。由于客戶經理貸前調查有效性和真實性不足、未嚴格按照相關制度進行貸中和貸后審查所導致的風險情況，雖然單筆金額相對不大，但發生次數最多，涉及累計金額最大，其通過規范員工行為，提升員工的風險識別和防范能力可以顯著減少發生。模型數據有效性不足涉及的風險發生筆數雖不多，但其導致的單筆風險金額是最大的，需要引起足夠重視，須強化數據采集精準度，進一步優化風控模型。

圖1 某銀行數字貸款產品風險因素(單位：萬元，筆)

圖2 某銀行純線上產品風險因素(單位：萬元，筆)

某銀行純線上產品涉及的主要風險因素是貸前調查有效性不足和模型缺陷。其中，由于貸前調查不足導致產生風險的筆數最多，由于模型缺陷導致產生風險的金額最大。純線上產品手續便利的特點導致缺乏貸前調查，若無法進行多重數據的交叉驗證和識別，易導致不良現象發生。純線上產品由于推出時間短，模型設計的嚴謹性不足，須進一步探索完善。

(三)數字貸款相較傳統個貸業務不良率偏低

1.風控模型提升準入門檻

線上數字貸款采用的是“機控+人控”結合的方式，數字貸款的風控模型相對更加完善，有一整套的信用風險模型，本著謹慎性原則，從嚴設計風控規則，同時增設互聯網金融行為等一系列非銀申請指標，一定程度上提升客戶準入門檻，線上客戶的準入口徑明顯高于線下客戶，客戶的風險判斷更加精準，增強了風控效果。

2.降低了人為風險因素

由于客戶經理風險防控能力不一致，在線下貸款的風控方面很難統一。數字貸款減少了人為干預，減少了人為層面的主觀臆斷，避免了操作風險和道德風險，極大程度上提高了風險防范的水平，同時也從側面反映出通過系統來防范風險的能力較強。

3.貸前調查已進行初步篩選

數字貸款在導入白名單前，已有初步的貸前調查，對客戶已進行初步篩選，再次通過數字貸款進行發放的客戶風險明顯較低。

4.用信形式較為簡單

線上貸款的擔保方式較為單一，面向的客群為主要為信用較為優質的客戶。客戶用款方式為隨借隨還，以中短期貸款為主，也有助于降低不良率。

(四)純線上貸款相較傳統個貸業務不良率偏高

1.風控措施有待完善

由于采用數驅準入方式，相較傳統貸款的貸前審查等，員工對該類客群熟悉度不夠，對于貸款準入后客戶的跟蹤管理缺失，風險防控維度單一，出現風險而不知。同時，由于產品推出時間較短，準入模型存在數據嚴謹性不足、模型缺陷等，模型風控措施有待完善。

案例1：某銀行前期線上產品風控模型未對客戶的退休狀態進行甄別，個別客戶已開始領取養老金仍然準入純線上產品，不符合該行市民貸準入要求。目前該行已接入養老金數據，對開始領取養老金的客戶設置不準入條件，調整該類客戶的準入渠道，由線上準入改為線下準入，加強貸前調查。

案例2：某銀行客戶王某早年因工傷導致智力四級殘疾，接到中介電銷電話后，在其引導下，自行通過該行數驅型浙里貸產品點出了20 余萬元的貸款(因客戶為本地戶主名下具備資產且社保繳存正常)，最終轉賬6 萬元作為本次貸款的中介費。雖最后中介費全額討回，但從客戶的貸款過程中看出，線上貸款的風控仍需進一步完善。該行現已對接了數據資源管理局，獲得了民政局相關的殘障人士數據，后續針對涉及到“智力殘疾”及“精神殘疾”的不具備主觀意識的客戶作了限入處理。

案例3：某銀行客戶經理經他人介紹為客戶黃某增加貸款，查詢后發現客戶黃某已有30 萬授信，且由于配偶已用信而無法自助放款。該客戶經理按照介紹人要求，將客戶黃某的配偶信息篡改為由介紹人提供身份信息的第三人徐某某，順利幫助客戶黃某通過線上貸款方式獲得貸款30 萬元。該客戶經理利用系統風控措施不夠完善，違規為客戶辦理貸款。目前該筆貸款已收回，給予該客戶經理記大過處分并解除勞動合同。

2.客戶對逾期重視不足

線下因某些政策因素拒貸的風險客戶，可能通過線上流程授信進入，規避信貸政策。且部分客戶對產品不夠了解，在按時歸還方面，往往重視不足，法律意識淡薄，沒有及時歸還，導致逾期賬戶較多。主要體現在：一是現階段便捷的獲貸流程導致客戶對貸款償還意識薄弱；二是數驅型貸款尤其是社保貸客戶的流動性較大，且頻繁更換聯系方式，造成貸款逾期后無法及時與借款人取得聯系而產生不良；三是部分繳存社保的客戶對于征信的意識較為淡薄，將貸款作為信用卡使用，未按要求進行還款從而造成逾期；四是便捷的線上申貸流程使得各類中介機構指導客戶線上辦理貸款更加容易。

案例1：某銀行客戶黃某某，于2019 年12月16日線上生成貸款合同，15 筆借據合計貸款余額13.4 萬元，自2022年2月開始利息不能按時結清，每次催收后效果不一，當前部分借據已經涉及本金逾期，客戶當前貸款余額9.5 萬元。

3.缺乏有力催收手段

對于純線上數據驅動貸款的催收手段主要依賴于短信催收、電話催收、上門催收、法院訴訟、限高執行等方式，其中較為有效的是法院訴訟，但在實際業務開展過程中，互聯網法院每年受理并立案的數量十分有限，對于客戶的威懾力不足，而支付令、仲裁調解等新型催收、處置方式未能應用在純線上貸款，其他催收手段周期較長、收效低微。而線上貸款產品從申請、審批到用信都是純線上辦理，部分客戶銀行人員無法觸達，沒有管戶客戶經理，并且不良情況呈現戶數多、金額小的特點，考慮到成本效益，目前催收以短信、電話催收為主，不良催收缺乏威懾力。

案例1：某銀行客戶張某某，于2021 年9月29日和30日共生成20 萬元合同，合同期限3 個月，目前已經逾期5 個月，4月份歸還1 萬元，仍余貸款本金19 萬元，該行仍能與客戶取得聯系，但催收無果。若該行聯系其親友，該客戶就會進行威脅投訴，因此該行除了聯系本人缺乏其他有效手段。

案例2：某銀行客戶張某，于2020 年9月8日申請線上貸款8 萬元，貸款于2021 年8月20日到期，貸款到期后經客戶經理多次催收后借款人仍未歸還貸款。該行向互聯網法院提起訴訟，2021 年11月提交訴訟申請，于2022年4月6日予以立案，歷時6 個月，至今還未判決。

案例3：某銀行客戶胡某某，于2021 年6月27日通過線上自主申請該行線上純數驅型貸款產品，成功辦理線上貸款1 萬元，期限1 年，用途為購買原料。經貸后檢查，發現該客戶預留手機號碼已停機，因無法確認客戶的位置及聯系方式，一直未能進行有效催收。

二、下一步工作

(一)完善數字貸款管理機制，加強員工風險防控能力

提高對數字金融相關業務的重視程度，優化細化業務管理崗位設置，進一步優化調整考核模式。制定和完善數字貸款相關管理辦法，制定并完善符合各銀行業金融機構業務特點的數字貸款管理辦法，指導數字貸款運營管理，降低線上貸款操作風險；優化預授信名單管理，增強員工對數字信貸產品的風險意識，加強白名單導入前的貸前調查和存量客戶的風險排查能力。建立線上貸款客戶信息維護情況的檢查以及考核機制。對于線上貸款的信息進行定期檢查，對于信息上傳存在缺失、不實等情況的客戶應當及時進行聯系和補充，進一步提升線上貸款客戶信息維護的工作質量；深入開展小額貸款風險管理及不良貸款處置專項輔導等工作，強化員工的動態行為管理，加大產品和政策宣傳力度，提升員工風險防控水平。

(二)優化和完善風險模型，提高貸款風控管理水平

進一步完善準入模型，通過行內外數據挖掘、聯合建模、數據合作等方式，建設和完善貸前、貸中、貸后各個數字貸款準入、風險識別、跟蹤等風控模型。如進一步完善人行征信規則、社保規則及高齡低黏性客戶準入規則的優化，增加互聯網金融行為規則、公安涉黃賭黑及精神障礙人員的數據等；引入多數據交叉驗證，提高模型數據精度，積極探索零售業務與公司業務間的風險關聯性，通過與政府和數據服務公司等的合作，加入金融場景數據等多數據引用，針對業務特點、數字貸款風控模型要求，采用多重數據進行交叉驗證、交叉識別的方式，進一步豐富風險判斷的維度，更精準的識別客戶風險，降低線上貸款操作風險，提高線上貸款風控能力；持續監測模型運行情況，通過反復驗證、迭代的方式，提高模型運行穩定性和準確性，提高線上貸款風控水平。采用抽樣、全量等不同維度的切面數據，對模型的運行情況，特別是業務交叉、風險臨界、邏輯邊界上的反復驗證，并根據驗證、監測的情況及時對模型進行優化和修正，調整風險模型指標參數，填補風險漏洞，提高模型運行精度，降低線上貸款的系統風險。

(三)規范貸后管理環節，加大不良貸款催收力度

嚴格落實催收舉措，加大不良貸款催收力度，通過不同催收合作機構的交叉委案，有效提升回款率。保持逾期客戶電話及上門催收強度,并做好情況登記，降低逾期客戶持續惡化的可能性。對于逾期客戶積極營銷分期還款，促進風險資產向生息資產轉化；提高貸后管理子系統的應用率，提升貸后管理質量，加強系統應用情況檢查。建立不良貸款催收管理系統，對于不良貸款從發放到收回進行全流程管控；積極與法院對接，推動電子督促程序落地，進一步擴寬訴訟途徑。做好與相關公司的合作，與法院對接批量申請電子支付令業務，實現批量生成電子支付令，提升訴訟效率，彌補互聯網法院在案件受理效率上的不足。

(四)加強業務產品科技賦能，提升數字金融服務水平

充分整合數據資源，利用各類數據資源開發平臺，創新多方維度、多種形式的合作模式，建設融合金融和政務數據的企業和個人數據平臺，夯實數字化應用基礎，提升數字化營銷水平；打通數據共享渠道，拓展應用場景項目能力，構筑數字金融服務優勢；堅持做好本地化客戶運營，努力做好新市民數字貸款金融服務工作，對接更多可靠數據源，如社保信息等；研發更符合新市民特色的數字貸款產品。通過與政府業務場景合作，啟動定向類數字貸款投放工作。

(五)加強金融風險防范知識宣傳，營造良好信用環境

加強金融風險防范知識宣傳，提高客戶識別和防范金融風險的能力，既是提升金融服務水平、承擔社會責任的要求，也是為營造良好金融信用環境、提高線上貸款風險防控水平的重要舉措，加強對客戶信用意識提升的宣傳教育。依托網點、微信公眾號等線上、線下渠道以及客戶經理開展貸前、貸后調查等方式，多措并舉，加大對居民信用意識的宣傳教育，為營造良好的地方信用環境、持續的信用體系建設奠定基礎，為線上貸款在縣域和農村地區的高質量發展提供支撐；加強對客戶反詐騙能力的宣傳教育。通過多種渠道向客戶宣傳講解如何辨別和防范金融風險，加強對客戶的用信指導，從而為線上金融產品的健康發展提供良好的外部環境。