来源：《中国征信》2016年第6期。

作者：赵勃，征信中心“个人信用报告数字解读”验证组负责人，负责“个人信用报告数字解读”服务在全国各类放贷机构的验证和应用工作。

为更好地满足中国零售信贷市场风险管理的多元化需求，充分挖掘个人金融信用信息基础数据库价值，中国人民银行征信中心于2013年底开发完成了“个人信用报告数字解读”服务（下称“数字解读”）。“数字解读”是运用先进的数理统计技术并结合征信中心所拥有的海量信贷资料所开发出来的个人信用风险量化服务工具，用于预测放贷机构个人客户在未来一段时间内在任意一家放贷机构、在任意一种信贷产品上发生信贷违约的可能性。“数字解读”一经推出便引起了放贷机构的极大兴趣，截至2016年4月底已经有69家放贷机构参加了“数字解读”的验证和试用工作，这些放贷机构利用自身数据在不同产品、不同应用环节上验证“数字解读”的性能和实际应用效果，从已经反馈的验证和试用情况来看，“数字解读”呈现出较好的风险区分和排序能力，在信贷账户生命周期管理的每一个环节都能发挥一定的作用。信贷账户生命周期管理一般包括客户获取、贷前审批以及贷后管理、催收等，本文将从实际应用的角度出发并结合具体案例浅析“数字解读”在中国信贷市场贷前审批环节的一些应用方式及存在的一些问题。

“数字解读”应用方式

利用“数字解读”优化现有拒绝规则

拒绝规则是每家放贷机构设定的政策红线，一旦触碰就直接拒绝，也有放贷机构给予部分拒绝规则一定的复议权限，但大部分情况下，触碰拒绝规则意味着拒绝授信。因此每家放贷都会十分小心地设定自己的拒绝规则，合理的拒绝规则可以起到有效的规避风险、优化客群的作用，但如果拒绝规则设置过于严苛，可能会影响获客规模，把很多本来的潜在客户推向竞争对手。“数字解读”可以用来协助放贷机构优化现有的拒绝规则，一家股份制商业银行卡中心通过在被原策略拒绝的人群上引入“数字解读”，对依据“数字解读”判定为低风险的客户进行引入测试，再通过持续跟踪、监控测试引入客群的风险表现状况来评价策略效果，对拒绝规则进行梳理和不断优化。如果根据现有拒绝规则本该拒绝的客户，在通过“数字解读”引入后的风险表现大部分都很低的话，说明原拒绝规则有优化调整空间；也有放贷机构直接将“数字解读”写进拒绝规则，完全利用“数字解读”对客群进行准入处理，比如有外资银行通过对历史数据的分析后发现直接拒绝某一分数线以下的客群，可以显著提升客群质量，同时也不会对现有批准率造成太大影响。

“数字解读”作为现有规则的补充

判断规则是放贷机构对客户风险进行有效管理的重要手段，在“数字解读”的实际应用中有放贷机构根据“数字解读”验证的结果并参考个人信用报告“数字解读”验证几率表（下称“验证几率表”），设定了一个低分阀值，对“数字解读”低于该阀值的客户实施审慎审核，“审慎审核”的客户群风险高于“建议批准、人工审核”，但低于“建议拒绝”的客户群。这种应用方式可以将有限的审批资源更多地用在那些高风险客户上，实现审批资源的合理分配、高效利用。某全国性银行卡中心通过“数字解读”对个体私营业主授信进行管控，通过规则设置的形式，对低于某一分数的个体私营业主、自由职业客户的初始授信额度从系统层面进行上限控制。

“数字解读”和内部评分卡结合制定准入决策

为进一步降低风险，提升客群质量，有放贷机构将“数字解读”和内部评分卡同时作为准入判断的条件，客户必须在两张评分卡上同时满足准入标准，才予以准入，若客户在两张评分卡中的任一张不符合准入条件的话，需提交总行授信审批部做进一步审批，如果后续验证发现，授信审批部否决率比较高的话，可能会强制规定任意一张卡不符合标准则完全不能准入。

某全国性银行卡中心，利用“数字解读”和内部评分设置了准入基准门槛，对“数字解读”高于某一分数线且内部申请评分高于某一分数线（或等级）的客群予以准入，再根据客户在本机构核心要素（如非贷款类金融资产等）作为定价、确定额度、卡片等级的依据。

某大型国有商业银行曾做过测算，当本行个人客户信用评价工具的评价结果为V级（最差的一个等级）时，如“数字解读”小于某个分值，则系统给出不予准入的结论。假设评价结果为V级的客户占比约为5%，如将其中的10%客户基于“数字解读”进行拒绝，此类客户假设最终预期损失率（EL）为10%，平均每户贷款金额50万，每年新发放贷款总客户数为60万人，则可为该行减少授信损失1.5亿元。

利用“数字解读”优化客户审批流程

放贷机构在进行客户授信审批的时候往往会要求信息主体提供很多材料，如水电煤缴费单、收入证明、房产证等以证明其还款能力、还款意愿等。有了“数字解读”后放贷机构可以在一定程度上优化其审批流程。比如在某些业务上对一部分“数字解读”分值较高，风险较低的客户，可以无需提交相关证明；相反，对那些“数字解读”分值较低、风险较高的客户，则需补充提交更多证明材料。这种差异化的风险管理政策可以实现资源的合理分配，提升客户体验。某全国性银行在小微业务上利用“数字解读”和内部申请评分形成交叉决策矩阵对客户进行审批处理，对“数字解读”和内部申请评分低于某一分数的客群实施自动拒绝，因为这部分客户的违约率高于10%，业务占比0.1%左右；对“数字解读”高于某一分数或内部申请评分高于510分的客户开辟绿色通道或优先处理，这部分客户的风险只有平均风险的一半，业务占比却达到了57%，处于中间分数的人群进行谨慎审批或要求增加抵押物以降低风险。

利用“数字解读”辅助实现一定程度的自动化决策

对一些标准化、小金额、纯信用的信贷产品，可以利用“数字解读”并结合放贷机构其他的风险管理政策，实现一定程度的自动化决策。就信用卡审批而言，“数字解读”可以和放贷机构掌握的信息主体的收入、基本信息等相结合实现部分自动化决策，比方可以对“数字解读”分数较高且收入和学历较高的部分客群实现自动化审批通过，对“数字解读”值较低且收入较低的客群做自动拒绝。中间部分人群可以经由人工做进一步审慎判断，审慎判断的部分也可以利用“数字解读”进一步优化审批资源调配，比如将“数字解读”分数相对较高的人群分配给缺乏经验的审批员来审批，将“数字解读”分数较低的人群分配给经验比较丰富的审批员来审批，藉此提高审批的科学性和针对性。

某大型国有商业银行在贷款及信用卡审批环节的应用策略是，1）当本行申请评分卡给出的分数属于较高的分数段（但未达到所设定的自动通过分数线），且“数字解读”分数高于某个分值时，则给出自动通过结论。对于贷款，按每年新发放贷款总客户数为60万计，假设将评分低于自动通过分数线的占总客户数20%的客户，将其中的1/4客户基于“数字解读”予以自动通过，即提高自动审批通过率5个百分点，按每户节约500元计，可节约管理成本1500万元；对于信用卡，按每年新发放贷款总客户数为850万计，假设“数字解读”低于自动通过分数线的客户占总客户数30%，将其中的1/5客户基于“数字解读”予以自动通过，即提高自动审批通过率6个百分点，按每户节约200元计，共可节约管理成本1.02亿元；2）当本行申请评分卡给出拒绝结论时，如“数字解读”评分小于某个分值，则不允许复议。对于信用卡，按每年新客户数为850万计，申请评分卡给出拒绝结论的客户占比约为5%，如将其中的10%客户基于“数字解读”评分拒绝（不允许复议），此类客户假设最终预期损失率（EL）为30%，平均每户透支金额0.5万元，则可为该银行减少授信损失0.64亿元。

利用“数字解读”实现差异化风险定价

中国信贷市场已经基本实现了利率市场化，能否进行有效风险定价是衡量放贷机构风险管理水平一个核心指标。“数字解读”在协助放贷机构进行风险定价方面有自己独特的优势，“数字解读”本质上是一个通用型信用风险评分，预测评价的是信息主体在所有放贷机构的风险表现，能够更加全面的反映信息主体的信用风险，利用“数字解读”给出的风险提示，放贷机构可实现对信息主体更准确的风险评估和定价。

应用“数字解读”需注意的问题

在将“数字解读”用于贷前审批的时候有几点需要特别注意。

一是作为通用型信用风险评分，“数字解读”主要评估的是信息主体的还款意愿，没有考虑信息主体的还款能力、收入水平及个人基本信息等因素，为更加全面评估信息，放贷机构需有意识相关材料来增加客户风险评估的全面性。

二是充分验证是应用“数字解读”的前提。验证是通过分析历史时点客户的“数字解读”值及其随后在本机构的风险表现之间的关系，来评价“数字解读”模型的风险区分和排序能力，通过对历史数据的验证放贷机构可以更好地了解“数字解读”在本机构客群上的性能表现和应用价值，根据验证结果并结合本行风险偏好、业务特征制定适用于放贷机构自身的“数字解读”应用策略（如划定分数线等）。在未经验证的客群上应用“数字解读”可能会导致不可预测的风险，本着审慎原则目前征信中心只对已通过“数字解读”验证并且制定了合理应用策略的放贷机构开放“数字解读”查询权限。截止2016年4月底已经有38家放贷机构开通了“数字解读”查询权限，累计的“数字解读”查询量已经超过7亿人次。

三是不宜将“数字解读”作为风险防范的唯一标准和尺度。经过60多家放贷机构的实际验证，“数字解读”呈现了较好的风险区分和排序能力。从放贷机构对“数字解读”的实际应用情况来看，大部分放贷机构是将“数字解读”作为现有现有风控措施和流程的一个有益补充来看待，直接拒绝“数字解读”某一分数线下客群的做法仅限于极少的几家放贷机构，绝大多数放贷机构是将“数字解读”和机构内部的规则、评分卡结合应用，从而捞回更多的客户或更好地排除高风险客户。这和我们对“数字解读”服务的定位设计是相一致的，“数字解读”不应该也不可能作为唯一标准和尺度完全取代放贷机构现有的风险管理体系。根据国际惯例，我们认为内外结合、相互补充使用是现阶段“数字解读”应用的最佳实践。

如何划定“数字解读”分数线

无论是单独应用“数字解读”还是和内部评分、规则结合使用，都需要划定相应的“数字解读”分数线，一般来说分数线是放贷机构确定的一个最低分数，放贷机构只对该分数以上的客户予以核准或准予进入后续处理流程。下图是一个分数线的简单示例。在本例中，分数线1以上的客户被自动核准，分数线2以下的客户被自动拒绝，处于中间分数的人群需提交人工做进一步复核。

只有确定好合理的分数线后，“数字解读”才能真正发挥其应有的价值。分数线的划定需要考虑很多因素，一般来说第一步是对分数线进行专门分析，通过分析历史数据，计算在不同的分数线下所对应的核准率和坏账率，注意这里的坏账率是指客户在本机构某一类业务上的坏账率。如下图所示，当分数线在600分的时候对应的核准通过率是60%，相应的坏账率是0.45%，分数线在800分的时候，对应的核准率为37%，坏账率为0.2%。

找到每个分数对应的核准率和坏账率后，放贷机构还需结合参考一些其他资料进行综合分析，一个比较重要的资料是征信中心每半年提供一次的“数字解读”验证几率表，验证几率表给出了“数字解读”每个分数段和风险（这里的风险是指信息主体在整个信贷市场上的风险表现）的对应关系，放贷机构可以将本机构客群分数对应的风险和客群在整个信贷市场上的风险表现进行对比分析，如果本机构客户的风险高于行业风险，说明风险在放贷机构这里形成了一个洼地，需要加强风险管控；反之，若机构客户风险低于行业风险，说明本机构目前的风险管理水平在行业平均水平之上，有进一步拓展业务规模的空间，当然具体的分数线还需要结合业务本身的特征、放贷机构自身的风险偏好等来综合确定。

结语

作为中国大陆第一个真正意义上的通用型信用风险评分，“数字解读”的出现填补了我国在该领域的空白，也是征信中心为适应中国零售信贷市场风险管理需求变化而进行的一次有益尝试，对中国各类放贷机构零售信贷风险管理而言是一个巨大利好，特别是对于广大中小型放贷机构，由于缺乏内部的风险计量工具，“数字解读”提供了一个快速提高内部风险计量水平、实施信用风险量化管理的有力抓手。我们相信在充分验证、合理运用的前提下，“数字解读”服务一定会从整体上提高中国零售信贷风险管理的数量化水平、精细化水平和科学化水平，“数字解读”在贷前审批环节的应用还有很多很多值得探索和尝试的领域，我们热切盼望能有更多的放贷机构参与到“数字解读”的验证试用工作中来，和我们一起推动“数字解读”服务在中国零售信贷风险管理中的深入应用，我们也将继续努力，聆听市场呼声，不断优化改进模型，提供更多更好的增值服务产品。