基于预期损失模型在中小银行互联网贷款的应用分析

尤佳彬

对于贷款减值损失的计量，商业银行已经逐步从“已损失模型”变更为“预期损失模型”，本文通过对中小银行互联网贷款业务应用预期损失模型计量进行分析，希望可以为商业银行更好的应用预期损失模型提供一个参考。

一、商业银行互联网贷款的现状及特点

（一）互联网贷款的现状

互联网贷款最早是以P2P的形式出现，但此类业务没有商业银行参与，只能算是互联网借贷，不是严格意义上的互联网贷款。随着P2P风险的暴露以及监管政策的变化，截至2020年末存量P2P平台已经全部清零。同时，银保监会在2020年7月公布了《商业银行互联网贷款管理暂行办法》，对互联网贷款进行了定义，指出互联网贷款是商业银行运用信息通讯技术，通过线上受理贷款申请、开展风险评估、贷款审批、合同签订、贷款支付和贷后管理等业务环节，为符合条件的借款人提供贷款。

（二）中小银行互联网贷款的特点

实际业务中，由于中小银行主要是与互联网平台或者互联网银行进行合作开展，在合作模式、业务规模和期限结构、资产质量上均有显著的特点。

从合作模式上，有联合贷款和助贷两种模式。联合贷款具有收益共享、风险共担的特点，但在实务中，互联网平台往往出资比例较低，最低仅有1%，共担风险的特征并不明显。2021年银保监会发布通知要求合作方出资比例不低于30%。未来互联网平台将面临资本补充的较大压力，联合贷款的业务规模也会受到限制。助贷模式下，互联网平台基于商业或者流量生态，通过客户交易记录等形成客户信息画像，并结合大数据风控模型，向商业银行推荐客户，商业银行自主开展授信审批、放款、风险管理等关键环节，互联网平台不承担授信风险，仅基于推荐客户收取相关服务费。

在业务规模和期限结构上，互联网贷款的授信客户，往往具有单笔授信金额小、期限短、授信价格高、不良贷款率高等特点。互联网贷款授信对象，主要是通过传统商业银行无法取得授信额度的客户，属于典型的长尾客户。以某中小银行最新的数百万笔业务计算，笔均授信额度仅约1000元，加权平均授信期限仅约13个月。从业务结构看，消费贷的占比达到了70%以上，远超经营贷的规模。

资产质量方面，2021年上半年上市银行公布的平均不良贷款率为1.46%，而互联网贷款由于其客户特点，不良贷款率通常在3%～5%之间。为匹配客户风险，互联网贷款呈现高不良率和高贷款利率的“双高”特点。

二、从收益结构角度看中小银行互联网贷款业务存在的问题

（一）中小银行互联网贷款业务收益构成情况

部分中小商业银行出于风险厌恶的角度考虑，在开展互联网贷款时，会与合作方约定固定收益模式，同时由合作方通过担保、保险等方式进行风险缓释，风险缓释的成本由合作方承担、相应的资产风险也由合作方承担。在非固定收益模式下，互联网贷款按照出资比例及合同约定承担相应的成本。具体成本收益情况如下：

在固定收益模式下，商业银行享受固定收益，不良贷款的损失均由合作方承担，商业银行通常获取固定收益，通常平均为7%左右，同时承担必要的增值税及附加、综合资金成本等，该两项成本约占对客收益的60%左右，净收益约为固定收益的40%，也就是260BP左右。

在非固定收益模式下，客户贷款利率在5%～22%之间，平均利率利率约为16%。支付给合作方的推广费用等分润费用和支付清算机构的清算费总共约为实收利息的30%，是最大的成本项；其次，在全寿命周期下，按照4%的平均不良贷款率计算，不良贷款的损失耗用了25%的对客收益，是第二大的成本项。此外，资金成本、税收等也耗用了约28%的对客收益，剩余所得税前净收益仅有对客收益的16%，也就是250BP左右。

（二）从收益结构反映中小银行互联网贷款业务存在的问题

通过上述的收益拆分，可以发现互联网贷款存在着贷款利率高，但中小银行最终获得的收益却非常少，反映出几个问题：

农业绿色发展是农业持续稳定发展的前提条件，应发挥科学技术的优势，加大科学技术创新力度，将传统技术与创新技术相融合，保护好农业生态环境，将区域资源优势发挥出来，做到取长补短，推进农业经济稳步发展。

1.中小银行在参与互联网贷款中往往处于劣势地位

互联网平台基于其庞大的客户群和交易数据，在合作中处于强势地位，因而获得了超出合理的收益。监管机构虽然对此现象也有予以关注，要求合作方降低不合理的高收益，但从短期内还是难以改变此种现状。在固定收益模式下，银行近获得约40%的对客收益；在非固定收益模式下，银行最终获得的收益，也仅为对客收益的16%。与之相反，互联网平台却取得了高达实收利息的31%的无风险收益。

2.不良贷款损失成为中小银行参与互联网贷款业务的沉重负担

互联网贷款虽然通过较高的贷款利率对冲不良贷款，但合作方高比例的无风险分润实际上大大降低了中小银行抵御不良贷款风险的能力。同时，由于传统的贷款五级分类，往往导致中小银行在业务初期少记拨备、多记利润，利润虚高进一步提高了中小银行加大投放互联网贷款的冲动，而当不良贷款逐步向下迁徙，拨备支出陡然增加，又给后期利润带来沉重的利润压力。

三、不同损失模型下商业银行互联网贷款收益对比分析

（一）已发生损失模型下贷款拨备支出情况

已发生损失模型下，需要有客观证据表明减值迹象才会触发减值。2008年金融危机时，该模型被普遍批评存在减值计提过迟过少，放大了利润波动，加大了金融系统的风险。商业银行在应用已损失模型时，通常根据人民银行贷款分类指导原则，评估贷款质量，采用贷款风险分类法，即把贷款分类为正常、关注、次级、可疑、损失五类，其中后三类为不良贷款。实务中对不同分类的贷款计提比例不是固定的，但总体平均与下表的比例接近。笔者通过对现有数据进行脱敏处理后，按照对应拨备比例计算出当期应计提的拨备约为2.18亿。

（二）预期损失模型下的贷款拨备支出情况

预期损失模型是对已损失模型的替代，其不需要触发减值即可以计提减值准备，通常将风险判定划分为三阶段，并引入了宏观和行业经济走势等前瞻性变量。

预期信用损失（ECL）=违约概率（PD）×违约损失率（LGD）×风险暴露（EAD）。对于违约概率和违约损失率，在传统信贷业务中，通常是结合宏观经济走势、行业经济走势、风险统计模型和专家判断等方法进行估计，虽然能够解决已损失模型存在的问题，但也带来了新的问题，即存在主观性过强导致盈余管理的出现。而对于互联网贷款，由于其数据量庞大，通常都能达到数百万级的业务数，且客户同质性较高，通过风险监测系统，运用大数据可以很好的监测贷款的违约概率、损失概率，对于资产质量的变化趋势通常也能构建较好的数学模型进行估计。因此，对于在互联网贷款业务中应用预期损失模型能够更好的反映真实的收益水平，给商业银行决策和管理带来更可靠的数据参考。

结合长期业务数据的积累，目前对互联网贷款迁徙的情况有了较为稳定和可靠的数据，具体可以参考下表。

对于逾期M6（即逾期180天）以上的贷款，由于收回概率较低，通常予以撇账处理。结合历史数据，撇账后的互联网贷款收回的比例仅约为5%，即违约损失率（LGD）为95%。

结合上表各期的迁徙率情况，可以计算不同分类贷款的违约概率（PD），例如M0违约概率=0.30%*71%*91%*95%*89%*98%*98%=0.16%，以此类推我们计算出各类贷款的违约概率，具体数据如上表最右列所示。

将各期违约概率*损失率*风险暴露并进行加总，即可算出总体预期信用损失金额为4.18亿。该预期信用损失与我们前文提到的当前平均4%的不良率基本一致。证明了通过大数据，运用预期损失模型计量信用损失的可靠性。

通过上述两种损失模型对拨备进行计算，计算结果显示采用已损失模型将少记2亿拨备（按100亿资产计算），较预期损失模型计提的4.18亿拨备，偏差比例达到48%。同时，在非固定收益模式下，每百亿资产创造约2.5亿税前利润，已损失模型下少记的2亿拨备占真实利润的比例达到了80%，足见已损失模型存在业务前期少记拨备、多记利润的问题，当部分贷款存续期逐步向下迁徙至不良贷款，拨备支出陡然增加，又给后期利润带来沉重的利润压力。

与此相反，采用预期损失模型，基于大数据统计，能够较为准确地估计互联网贷款减值损失，在业务开展期间能够较准确的衡量资产真实损失和收益。这是预期损失模型在现实业务中有效发挥作用的一个参考案例。

四、商业银行应用预期损失模型的建议

（一）细化资产分类，有效区分不同类型资产

当前预期损失模型已经在商业银行中得到逐步应用，为更加准确衡量各类信贷资产的预期损失情况，建议需要对各类信贷资产进行更为细化的分类，通过细化资产类型的颗粒度，将风险类型较为相近的同一类资产进行风险监控，为准确判断同类型资产的风险提供更为准确的数据基础。

（二）加强系统建设，提升数据应用能力

商业银行，特别是基础较为薄弱的中小银行，应该持续加强系统建设，通过构建风险监测系统，持续监测各类资产的风险变化，积累资产质量相关数据，通过数据的积累和系统的支持，提升数据应用能力。

（三）提升管理层判断水平

预期损失模型的引入，要求合理运用会计估计和判断，为避免预期损失与实际损失偏差过大，因此需要提升管理层判断水平，引入风险管理专家等制度，以进一步完善预期损失模型的应用。