意見領袖 | 王劍

　　從信貸公式出發

　　商業銀行的主要收入來源是其持有資產的收益，其中，放貸款的利息收入又是其中重中之重。因此，如何評價一家銀行的信貸能力（或放貸能力）非常重要。因為銀行是商業機構，因此我們此處所謂的“評價”暫時仍從股東視角出發，即衡量其盈利能力。當然，這并不代表著我們只認賺錢能力，而不顧其他。事實上，一家好的銀行，能夠兼顧股東、員工、客戶、政府等多方利益。原因其實也非常簡單：

　　在市場經濟環境下，在長期視角下，能給客戶提供好的服務，一般都能賺到不錯的錢，并且還能成就員工。

　　具體到銀行業，如果你真的給客戶提供了人家特別需要的東西，淳樸的客戶是愿意支付合理費用的，銀行也能賺到合理利潤。

　　而有些銀行，貸款利率放得奇低，然后聲稱自己是支持實體……用常識想想都知道這里明顯不符合邏輯。利率奇低，說明對方根本不缺錢，大概率是些資金富余的大企業。當然，非完全商業化考慮的主動讓利行為除外。

　　因此，放貸利率低并不一定是支持了實體，甚至有可能剛好相反，而是放貸時“嫌貧愛富”。

　　以上算是題外話，先不展開了。我們先回到主題，如何衡量銀行貸款業務的能力。當然，大家看完全文后，可能會發現，信貸業務能力，其實和其他業務也是息息相關的，并不能完全獨立看待信貸業務能力。

　　我們首先給出銀行信貸業務的簡單公式：

　　貸款利率-資金成本-業務成本-風險成本=合理利潤

　　資金成本是指銀行的負債成本。業務成本主要是業務及管理費用，其中一大半又是人力資源費用。風險成本就是放貸難免發生違約，銀行因此承受的損失。最后，扣除完所有成本后，最后銀行得到合理利潤，用于交稅、股東分紅、留存資本等。所謂優秀的信貸業務，當然是指上述利潤要足夠高。

　　客戶的分群與銀行的選擇

　　我們開始建立一個簡易但和現實并不脫節的模型。

　　假設一個經濟體中，銀行面臨所有的潛在借款人，這群人的違約率是5%（現實中，違約不代表銀行的最終損失，不良資產處置還能收回一部分。此處理論模型我們先忽略這一細節，直接使用違約率），這一點是眾所周知的信息（公開信息），但大家無法區別個體情況。因此，銀行如果想對這群人開展信貸業務，需要甄別哪些人能還錢，哪些人會違約。這項工作叫做風險定價，也叫“信息生產”，因為銀行要去挖掘關于客戶的更多信息，才能判斷這個客戶會不會違約，而這種“生產活動”也會產生費用。

　　信息生產工作的難度極大，但是好在可以先對整個人群再做個細分（基本上也是公開信息）：在知道整體違約率5%的基礎上，我們還可以把所有人群大致分為四類，也知道每群人的違約率。也就是說，雖然我們依然不能區別每個個體的違約率，但我們知道這些個體分別屬于哪一類人群，并且也知道每類人群的違約率。包括：

　　第一檔的人群，違約率1%

　　第二檔，違約率5%

　　第三檔，違約率10%

　　第四檔，違約率20%以上

　　當然，由于這些人也知道自己所屬的人群，所以他們也知道自己所在群體在信貸市場上借錢時的利率水平，大致為：

　　第一檔，愿意支付利率4%

　　第二檔，利率10%

　　第三檔，利率24%

　　第四檔，利率36%以上

　　當然，在分類的過程中，可能會有誤分類，比如有個個體，知道自己屬于第三檔，但通過粉飾自己，讓自己看上去像第二檔（他想更容易獲得貸款，以及更低利率）。我們假設，在將整體分成四檔時，這種誤分類情況不多，暫忽略。

　　也有些特殊群體可能會落到這些分類之外。比如過去幾年的城投企業，違約率低但收益率高。這城的原因并非是經濟原因，因此將其視為異常值，我們也先不管了。

　　在現實中，第一檔人群就類似本經濟體中實力最強大的那一小群大型企業，他們幾乎不可能違約，當然偶然也會倒霉碰到一些意外而違約，因此違約率極低但也不是0，約1%。后三檔人群就是信用水平漸次下沉的其他企業或個人。其中，第四檔應該是風險很高的群體。

　　此時，銀行開始登場，他們要考慮挑選客戶放貸。很顯然，傻子也知道可以先做第一檔客戶，但由于這些客戶眾所周知的信譽良好，因此他們對利率要求也很苛刻，就是4%。因此，能夠搶到這類客戶的銀行也非常明確：資金成本和其他成本極低的大型銀行。

　　由于這些銀行負債成本極低，業務成本也不高，因此他們放出的貸款利率也可以非常之低，于是就能夠優先搶到這群最優質的客戶。這一點內容相對簡單，幾乎不用怎么展開，甚至連真正意義的甄別客戶職能都省了。你不需要甄別客戶，你只需要按總行的要求去做“這一類”客戶。

　　我們借用投資學的術語，把這種信貸業務叫做β業務。

　　然后還得考慮“供需對比”。如果國內大型銀行的信貸供應較為有限，他們把全部信貸資源投放完了之后，依然有些第一檔客戶沒有拿到貸款，那么這些剩下的客戶可能去其他銀行那邊申請貸款。但在有些城市，情況剛好反過來，即第一檔客戶太少，本地大行都不夠吃，于是大行就會和其他銀行去搶其他客戶，不得不下沉，我們后文會分解。

　　而在除了第一檔的客戶之外，信息生產工作就擺上臺面了。不做信息生產可以嗎？比如，我們知道第二檔客群的違約率是5%，那么我固定給他們投放10%的利率，讓收益能夠覆蓋風險損失，這樣行不行？

　　理論上聽起來，這也行，但現實中并不行，原因其實也不復雜：5%的違約率是整體的違約率，但現實中誰也沒辦法做到從這一整體中隨機取樣，讓自己抽取的樣本也是5%的違約率。而且是客戶知道自己容易違約，反而更加積極地申請貸款，這叫“逆向選擇”。

　　比如，第二檔人群包括100人，違約率5%（有5人會違約）。沒有一家銀行能夠做到隨機取樣，也不能做到把100人全給放貸，如果這銀行只能給20人放貸，萬一這20人中包括了3位會違約的人，那么他承受的違約率就是15%了。此時10%的放貸利率顯然已經失敗了。

　　同理，如果針對第四檔人群，違約率超過20%，還能通過放貸36%來覆蓋風險嗎？更加不能。如果還是面對100人客戶群體，違約率20%，銀行受限于自己規模，只能放貸20人，最倒霉的情況將是來貸款的20人全是違約的，違約率100%。為何會如此呢？這里涉及到逆向選擇的程度問題。

　　銀行的風險定價其實是一份“保險”，是所有不違約的客戶在利息中支付了一個溢價（保費），為那少數違約的客戶買單。比如，第一檔一共100人，違約率1%，假設有家很大的銀行，為全部客戶放貸，利率4%。最后，99人老老實實地還本付息，但有一人違約就沒還本金（更別提利息了），銀行覺得沒問題，是因為收到的4%的利息中，有一部分可以用來彌補虧掉的那位違約客戶的本金。所以，這虧損其實是其他客戶用利息來覆蓋的。銀行在放貸前就已經考慮了這一點了。

　　而且，放貸利率越高，客戶群體中的好客戶就越不樂意為別人的違約買單，他們會退出市場，差客戶留在市場中，逆向選擇就越嚴重。

　　比如，如果違約率達到20%，即使其他客戶支付利率30%，其中約20個百分點用來彌補損失。那么信用好的客戶就會覺得不樂意，自己借錢，利率30%，其中約20個百分點是為別的違約買單。這時，信用好的客戶就會退出，不借了，自己另外想辦法籌錢去。于是，來借錢的幾乎全是會違約的客戶。這就是嚴重的逆向選擇。

　　那么，這些分類在后幾檔中，但其實信用很好的客戶不愿意支付很高利率，他們會如何“另想辦法”呢？這就涉及到放貸業務的真正精華了：不再局限于客群整體違約率，而是真的將信用好的個體甄別出來。

　　相對應的，這就是信貸業務中的α業務。

　　比如，一個客戶被分類到第二檔，他愿意支付10%的利率借錢。但由于很多銀行覺得他所處的第二檔風險太高，不愿意做這類業務，即使有，也需要收取12%以上的利率。但如果有一家銀行，通過某些手段（這個要付出額外費用，比如額外的2%），可以設法從第二檔人群中把這位相對優質的客戶挑出來，那么它可以給他放貸，并且利率還可以收取8%（低于10%，但銀行原本的貸款業務利率只有4%）。

　　此時，客戶借到了錢，并且節省了利息（從10%省至8%）；銀行也掙到了錢，因為他平時給第一檔客戶放貸只有4%，現在卻能按8%放貸（多收取4個百分點的利息），即使多支付2%的費用，也凈掙2個百分點。這是一個皆大歡喜的局面。

　　這額外掙到的2個百分點，就是這個銀行信貸業務的α。

　　什么叫價值？做了別人做不了的事，叫價值。

　　這就是我們最希望看到的，所謂杰出的信貸業務能力。其本質是：通過某些甄別技術，銀行能夠從低檔客戶群體中挑出好的客戶，給他們放貸，利率收得稍微高一點（但依然比該檔原先的融資成本要低），覆蓋了額外技術費用后仍有盈余，這個盈余就是“超額回報”。

　　通過上述分析，我們把銀行信貸業務像投資業務那樣，分為β業務和α業務。兩者并無優劣之分，就好比投資業務也是兩類均有生存空間。當然，我們搞社會科學研究的，畢竟不是自然科學，凡事不會那么絕對。比如大行，主要是做β業務，但會有些α業務，小行也是同理。接下來我們繼續闡述兩類業務的門道。

　　大行的β業務

　　信貸的α業務往往是被大行逼得去做后幾檔客戶的小銀行完成的，大行的大部分業務可能是β業務。

　　但這里完全沒有批評大行不作為的意思，因為我們會解釋為什么大行只能這么做。

　　我們可以試想這樣一個場景：大行總行規定了本行只允許給第一檔客戶放貸，利率4%左右，違約率1%，扣除其他成本后大行還有個穩定的盈利。此時某支行一位客戶經理發現，他熟悉的一位客戶是屬于第三檔人群，但其實當地人都知道他信用非常好，客戶經理也知道，這位客戶經理能不能向總行打報告說：這客戶其實很好，建議放貸，利率8%，這樣我們能掙更多錢。

　　估計大行的朋友看到這里都會笑出來。這顯然是不太可能的事。因為，在多層級管理體系下，客戶經理的信息無法可信地傳達給總行，即總行無法準確地判斷基層每一位客戶經理的判斷是否準確（在區塊鏈成熟應用之前，人類的信息技術只能傳遞信息，但不能傳遞信任，信任只能基于人與人的長期關系來傳遞，長期關系意味著多次博弈）。這不是誰的錯，不是總行的錯，也不是支行的錯，這就是人類目前層級管理體系下的技術所限。

　　所以，不是大行不想掙更多錢，不是大行不想支持這位客戶，因為這個原因批評大行是不公允的。這是基于我們人類目前掌握的技術手段，總行只能“一刀切”，設一些硬指標門檻，保證大家做的客戶主要處于第一檔，從而保證整個體系的運行。這個事情和所有制性質也無關，國有銀行、民營銀行、外資銀行，到了足夠大體量都一樣，只和體量有關。全球展業的國際大銀行把它的一些“一刀切”規定套用到中國，發生過很多令人啼笑皆非的事。

　　所以，一些曾經很輝煌的中小銀行，成長起來之后，總資產規模到了大幾萬億元之后，早晚也得走上這條路：做信貸β業務，自上而下，選取板塊和客群，一刀切，讓客戶經理按這個標準去找客戶。而且由于他們自己放貸的體量很大，還不得不選取一些本身體量也大的優質客群，于是大家就不約而同地選中了大型央國企之類的。于是，數家大型銀行拼命地內卷這些客群，而其他次檔客群卻無人問津，銀行業內出現“銀行放款難”和“企業融資難”并存的局面。

　　不做客戶甄別的信貸業務，還是信貸業務嗎？這更像是資金配置業務吧……

　　那么有沒有兩全的辦法呢？解決思路無非兩個：一是讓總行能夠信任基層，或能夠精準控制基層的微操，然后在此前提下繼續由基層甄別客戶；二是，總行能夠越過基層，直接精細地甄別客戶。

　　第一種思路，由小銀行的信貸α業務實現。后一種思路，在大數據時代取得了很大的突破。我們以下分別介紹。

　　小行的α：客戶甄別和內部治理

　　因此，從后幾檔客戶中挑出好客戶，這種利人利己的好事，傳統上主要由中小銀行來做。他們不是不想做好客戶，而是好客戶被大行搶光了，小銀行被逼去想方設法做后幾檔的客戶。

　　有時候，人不是選擇優秀，而是被迫優秀。

　　經過多年探索，小行們還真找出了很多方法。因此，我們就可以借此評價信貸業務的好壞了。

　　這項工作的本質，就是甄別。這需要兩方面能力：

　　（1）客戶經理掌握調研并甄別客戶情況的能力；（2）總行對客戶經理有很好的激勵與約束機制。

　　以上兩個能力缺一不可，其邏輯是：由于后幾檔客戶中的好客戶是隨機分布的，需要一線客戶經理掌握足夠的技術去把他們選出來；這個甄別任務掌握在一線人員手上，那么一線人員除了技術得好，還得“不做壞事”，不能和差的客戶一起來騙總行貸款（約束）；同時，甄別客戶又非常辛苦，還配合以相應的激勵機制。

　　技術+約束+激勵

　　我們作為分析人員，可以去評判銀行的放貸能力，包括事前評判和事后評判。兩者缺一不可。

　　事后評判相對簡單，如果一家銀行持續經營第二、三檔客戶，利率和不良率都相對穩定，經受住了經濟周期的考驗，那么可以相信他們的能力。

　　事前評判，當然就是看看他們是怎么做的。“怎么做”這三個字，至少包括兩層含義：做事方法，和做事意愿。

　　先說做事方法。傳統的小微業務“人海戰術”，以及后續升級而來的IPC技術等，均是風險甄別技術，并且是多年來行之有效的。其本質，都是通過客戶經理親臨客戶現場，收集信息、交叉驗證、眼見為實，判斷這位客戶的信用水平。所采用的方法非常多樣，比如不看押品看人品、多方打聽信息交叉驗證等。具體業務細節本文不展開，可以參考：

　　【深度】銀行小微信貸業務：原理、模式與實例

　　但這些方法是基層來實施的，總行沒法直接下場操作這些方法。如何讓基層好好地做事呢？這就涉及到做事意愿問題。

　　基層做事意愿問題，本質是銀行內部的委托代理的問題。

　　在上面介紹的那個方法中，客戶經理收集的很多信息，屬于軟信息，即無法書面呈現的現象，只留在客戶經理的腦海中，很難可信、無損地傳遞給總行。那么解決辦法就是：干脆就不用傳遞給總行了，客戶經理自行決策放貸，但總行管好客戶經理的約束和激勵（委托代理問題），即大棒加胡蘿卜。

　　（1）約束（大棒）

　　約束是不讓客戶經理“做壞事”。最典型的壞事，是客戶經理和客戶勾結，一起合伙騙貸，客戶經理拿回扣。一般是通過各種手段監控客戶經理行為，一旦發現違規立即嚴肅處理。有些銀行甚至會為提防此類風險，上很多內控手段。

　　（2）激勵（胡蘿卜）

　　僅僅不做壞事還不夠，如果基層員工沒有主觀能動性去做事，就會躺平、懶政。況且這種α業務本身就非常辛苦，得給予相應的激勵。于是就得有相應的激勵機制，多干多得，少干少得。激勵包括物質的，也包括非物質的，讓員工擁有自豪感、責任感，認同全行的文化，發自內心去幫客戶做事。文化建設是最便宜的風控，也是效果最好的風控。

　　借助這些技術，以及與這些技術配套的約束與激勵機制，共同構成了行業中一些小銀行的次檔客戶甄別體系，并且取得了很好的效果。委托代理問題解決得好的標志是：

　　讓員工仿佛覺得是在用自己的錢放貸款。

　　小行的其他優勢

　　以上是基于風險甄別的角度，評價杰出的信貸能力。也就是說，有些銀行，能從次檔客戶中，甄別出信用水平還不錯的客戶，做到“反逆向選擇”（或正向選擇），從違約率5%、愿意支付利率10%的客群中，挑出違約率只有2%的一小群人，給予8%的放貸，并且覆蓋了額外成本之后還能實現盈利，取得超額回報。我們分析者是希望挑出這樣優秀的銀行。

　　但這一邏輯是僅僅基于信貸業務本身的。我們前文提及，銀行所有業務是一個整體，不能光從信貸談信貸。我們也發現，有些中小銀行也殺入了第一檔客戶群體，和大銀行搶生意，并且還真搶到了不少生意。他們的資金成本等各項成本高，顯然是不可能給這些客戶放4%的貸款的，放貸利率其實會更高。那么這些第一檔的客戶為何愿意支付更高利率呢？

　　從現實情況來看，至少有兩種情況可以解釋這一現象：

　　（1）信息不對稱

　　我們學習微觀經濟學時，都知道瓦爾拉斯拍賣，即所有的買家和賣方在一起拍賣，最后形成一個供需出清的均衡價。但在現實中顯然不是這樣的。尤其是銀行業務，不是所有的買方、賣方都相識的，也不存在一個瓦爾拉斯均衡市場。一家大行雖然全國上下幾十萬員工，但也不可能認識所有的第一檔客戶，還是很多優質客戶根本不認識大銀行的客戶經理，只認識當地的小銀行。因此，小銀行的地緣優勢依然是存在的。

　　這幾年大行加大營銷力度，這種光靠信息不對稱維持的優勢其實是被削弱的。但下一條就很難削弱了。

　　（2）優質服務取勝

　　即使是大行已經認識的第一檔客戶，大行客戶經理都拿著更低利率上門營銷過貸款了，依然沒被大行搶走，這種情況現實中也非常常見。這是因為小行提供了非常好的服務。比如，業務辦理流程更便捷（比如審批時間短，貸款被批準的確定性大）、周邊服務（包括非金融服務）更到位、銀企之間的信任度更高，之類的。客戶雖然支付了更高利率（他自己也知道大行利率更低），但會把這額外的利息支出，視為一種服務購買費用，而他們覺得這種服務購買是劃算的。

　　這令我想起來，以前發現有些年費超級貴的信用卡，竟然也有人辦理和使用。一開始我們不知道都是些什么“不差錢”的土豪在使用這種信用卡。后來業務人員介紹說，這些信用卡每年為這些高端人士提供的權益，幫他們節省時間精力的價值，遠遠超過他們支付的年費。

　　而大行依然是由于多層級體系，無法為客戶提供多種個性化的服務。而這些服務為客戶節省時間精力帶來的價值，也是遠超其從小行那貸款額外支出的利息成本。

　　畢竟，天底下最合算的買賣，就是花錢買時間和精力，然后把時間和精力投入到自己主業上去。

　　突破：大數據的α

　　長期以來，在次檔客戶甄別上體現出來的“小銀行優勢”幾乎成了業界、學界的共識。我國過去的銀行業監管政策實踐也是吸收這了一點，不斷地開設新型中小銀行，希望它們能夠從次檔客戶中挑選出好客戶，給予融資，從而幫助緩解融資難問題。大行在這方面也在嘗試。

　　比如，在浙江臺州，一個因為銀行小微信貸業務而享譽業內的城市，當地的大行就很早開始嘗試做小微業務。在以臺州為代表的浙南山區，叫得出名字的大型央國企就沒幾家，肯定是不夠大行吃的，大行也被逼得去做小微。他們的做法，不同于當地小銀行的α業務，依然是濃濃的β風格，即：通過行業或其他研究，為所謂風險相對好的小微企業“畫像”，貼標簽，符合一定特征的小微企業是風險可控的，然后讓客戶經理去找這些小微企業放貸。

　　很顯然，這依然是β思路（只不過分檔分得更細，原來只分四檔，現在分為七八檔甚至更多檔……），不是α思路。

　　真正的α思路，完全不看“板塊”，只看“個體”。舉個例子：在2013年前后，長三角出現“鋼貿騙貸”事件后，很多銀行一刀切叫停了鋼貿企業信貸。但有些具備真正α思路的小銀行，依然給他熟識的好客戶放貸，哪怕他是做鋼貿生意的。

　　真正的超額回報，來自真正的α。

　　但這并不意味著大行這種分檔更細的β思路沒有價值。互聯網時代，有了大數據加持后，這種分檔可以更細、更細、再更細，最后，只要大數據足夠，理論上可以已經無限逼近α思路了。這就是2013年后發生的事情。

　　2013年，建設銀行在業內率先嘗試基于大數據給小客戶畫像、放貸。同一年，螞蟻微貸推出線上小貸，并取得了較好的風控效果。

　　和傳統信貸業務中客戶和客戶經理一起準備材料不同，大數據不是當事人自己刻意準備的材料，而是他們在互聯網上活動時留下的“足跡”，比如最典型的是聊天、購物等。當然里面肯定也有做假成分，但由于體量足夠大，假的成分的比例就被壓低了。因此，大數據的真實性非常高。而且，大數據由互聯網及其他來源自動收集，大部分不用經客戶經理的手。

　　然后，建立模型，其原理其實是統計學：

　　為每個客戶建立多個屬性（標簽，可用x1、x2、x3等表示），每個屬性有取值（來自大數據），然后先試放一批貸款用來測試。最后的結果是有些人還錢有些人沒還（用Y代表這個結果），然后建立一個回歸模型，找到哪些屬性和最后的還款之間的相關性是顯著的（即系數a、b、c等是顯著的）。通過大量樣本的測試，最后找到一些屬性是和信用高度相關的，這就是可用的模型。未來就在這個模型指導下，挑選出信用好的客戶。

　　Y=ax1+bx2+cx3+……

　　經過十年運行，這個方法已經證明了其效果，銀行們積累了上萬個模型，適用于不同場景或客群。因此，無法精準控制分支行的大行，和沒有分支行的互聯網銀行，找到了一種不用依賴基層組織，借助大數據就能夠甄別次檔客戶的方法。

　　你說這種方法是α還是β？好像都算。是α，因為它較為精確地甄別出來了客戶。是β，是因為它其實是自上而下的，從大樣本中為客戶分類分檔，只是歸的類非常細，細到看上去像α。因此，它更像β一些。

　　那么它就會有前述β業務的通病：最終會陷入標準化。如果大家的大數據來源一致、模型最終也類似，那么大家相互之間的差異化又消失了，超額回報消失，又會重新陷入內卷。

　　未來：幫客戶提檔升級

　　最后還有點題外話，也是未來的研究方向。

　　那么如果面對第四檔，甚至我們平時連做研究都不會涉及到的第五檔、第六檔的客戶怎么辦？直接放棄嗎？

　　我們的職業責任感驅使我們不會這樣輕易放棄。于是，后面還會有新的課題，幫客戶提檔。目前海外這一點做得比較有名的是格萊民銀行。

　　格萊民銀行引入了一個全新的思路：面對非常非常下沉的客群（幾乎是赤貧人群，跟我們上文講的我國小微客群完全不是一回事，大部分小微客戶在社會中并不是低收入人群），已經不僅僅是風控問題了，而是這些人素質不高，行為模式不規范，完全無法套用現代銀行風控。這些人是社會中非常底層的人群，連起碼的收入、支出習慣都沒有的。格萊民銀行把他們組織起來，建立互動小組，手把手教他們怎么管好5美元或10美元，怎么把錢存下來、怎么量入為出……

　　這樣，一步一步把他們從最坐標體系之外，先拉入坐標體系之內，然后再慢慢開始考慮后面借貸的事情。這確實是功德無量之事。

　　我們日常覆蓋的銀行大部分還不會涉及到這樣的赤貧人群。而且我國取得全面脫貧的偉大勝利之后，食不果腹、衣不遮體的絕對貧困應該是基本沒了，但相對貧窮的人還是有的，因為剛剛脫貧的人生活水平依然很低。目前普惠小微信貸取得了較好的進展，下一步進軍的應該是這類群體了。

　　(本文作者介紹：中國人民大學金融學碩士，CFA持牌人，曾供職于浙商證券、光大證券研究所，擔任金融行業分析師，2018年加盟國信證券，任金融業首席分析師。)