从审计视角分析互联网线上银行信贷风险防控
来源:用户上传
作者:何荣梅 毛亮 周芝林
摘要：随着金融行业的快速发展，信贷业务的兴起，随之而来的风险也在不断增加。信贷业务的审核本身就比较复杂，而网上信贷结构更加复杂，使得风险管控面临严峻的挑战。
关键词：风险防控 信贷业务 审计
一、互联网信贷的发展现状
（一）行业背景
目前开展互联网个人信贷业务主要有商业银行和非银行系的互联网金融企业，互联网技术逐步扩展并逐渐渗透到消费者的日常生活中，随之影响了消费者的消费习惯和消费需求，对个人融资产生了深远影响。商业银行的互联网个人信贷业务主要以信用卡及其他能够触网的个人消费贷款为主，通过网上银行、手机银行等自助服务体系，为客户提供综合化的金融服务，满足客户多样化的金融服务需求，提升客户对商业银行互联网产品的认可度。
互联网行业本身作为一个新兴行业，其轻资产公司云集，经营模式不同于传统行业，而互联网上的信贷业务作为近年来的新兴业务，发展迅猛，但由于各种内外不确实性因素的增多，也给信贷的风险预判和管控增加了难度。
2013年之前互联网的第三方支付还主要分布在银行卡收据、在线付款、以及预付卡发行和受理。而2013年-2018年，互联网金融迅速发展，互联网规模持续增长。2018年，中国第三方互联网支付交易规模达到29.1万亿元。截至2019年5月，共有110家公司获得了在全国开展互联网支付服务的资格。从互联网支付应用场景的角度来看，互联网金融服务（包括金融销售、网上借贷等）已逐步发展成為互联网支付市场的最高份额，约占44.5%。
（二）发展现状
何谓互联网银行信贷呢？是指通过互联网模式建立的新型银行，进行信贷服务、信息处理和风险评估通过网络化方式进行，用户从授权到借款、还款都依托互联网完成。互联网贷款包括互联网消费贷款和互联网个人经营性贷款两大类，一边是包括商业银行、民营银行、消费金融公司在内的金融业机构，另一边是360金融、京东数科等在内的科技业巨头，而这个产业链的周围，还围绕着包括外呼、催收、数据、AI公司等服务商。
其中，很多金融业机构都推出了自己的贷款产品，比如，工行的“融e借”、建行的“快e贷”等;另一部分则是通过“助贷”的模式与拥有流量、数据、技术的科技巨头分工协作。近几年，以网商银行、微众银行、招联消费金融等为代表的金融业机构，它们从设立之初便完全基于线上布局，没有线下网点，所有的业务都属于互联网贷款的范畴。
2017年初，随着全国网贷人数的快速增长，多头借贷人数急剧上升，在2017年年末出现陡增现象，与此同时，银监会首次将“现金贷”纳入整治范围，并提出严格执行最高法院关于民间借贷的有关规定，不得进行高利贷以及暴力催收等违法行为。
二、线上银行信贷审计的主要方法
（一）FICO信用分评分卡模型
FICO信用分评分卡模型是网上信贷最常用的一种普通信用分模型，主要是依靠信用分数来评判贷款用户的信用分。信用分达到680分以上，贷款方就认为借款人的信用卓著，可以直接发放贷款;信用评分低于620分，贷款方可以要求借款人增加担保，或者拒绝贷款;如果是借款方的评分介于620-680分，贷款方会作进一步的调查核实，采用其他的信用分析工具来处理。
FICO信用分的评判标准：第一，信用偿还历史（占影响因素的35%）各种信用账户的还款记录、公开记录及存款记录、逾期偿还的具体情况;第二，信用账户数（占影响因素的30%）分析一个借款人究竟有多少信用账户，从而能够判断出账户的还款能力;第三，信用账龄（占影响因素的15%），借款用户的信用历史越长，FICO信用分越高。该项影响因素主要指信用账户的账龄，也包括新开立的信用账户的账龄以及平均信用账户的账龄;第四，新开立的账户（占影响因素的10%）在很短时间内开立多个信用账户的借款人具有更高的信用风险，尤其是那些信用历史不长的借款人;第五，在使用的信用类型（占影响因素的10%），主要分析借款人的信用卡账户、零售账户、金融公司账户和抵押贷款账户的混合使用情况。
（二）评分卡模型
其实评分卡模型大部分应用了机器策略的评分卡生产方式，然而评分卡不是简单地的某一种机器算法，而是一种通用的建模框架，将原始数据通过分箱后进行特征工程变换，从而评估借款方的信用风险。
首先是模型自动筛选出最合适的离散化方式，用到的就是IV值得划分。
、IV=*WOEi
从上可以看出，IV其实就是WOE的加权求和，所谓WOEi的下标i就指代了某一连续特征中的第i个分段位的WOE值，其中一种分段方式WOE的计算方式如下所示：
Age good bad WOE
<18 50 40
18-30 100 60
18-60 100 80
>60 80 40
All 330 220
其中关于IV值相关描述如下所示，值越大代表特征和目标相关性越强：
IV 预测能力
<0.03 无预测能力
0.03-0.09 低
0.1-0.29 中
0.3-0.49 高
>=0.5 极高
具体计算方法为：odds=，评分卡设置的分值刻度可以通过将分值表示为比率对数的线性表达式来定义，公式为Scoretotal=A+B*In（odds）设定比率为θ0的特定点分值为P0，比率为2θ0的点的分值为P0+PDD，带入上式就可以求出A和B的值。一般来说，银行会采用Logistic Regression来表征对于P值得估计，公式为，则有odd==θTx，故有Scoretotal= A+B*θTx=A+B*（W0+W1X1+...WnXn）=（A+B*W0）+B*W1X1+...B*WnXn，其中A、B在之前的布置中已经计算出来了，Xn是特征数据的WOE编码。这样就可以根据评分卡得出最终用户的信用得分，进而决定是否接受用户的借贷申请。另外，不一定要针对全部用户用一张评分卡模型，可以按照类似决策树的方式对用户进行分类，针对每一个子类的用户生成一份具有针对性的评分卡模型。 （三）信贷大数据审核
传统信贷审核主要关注的是收入证明、银行流水等，根据这些数据去评判个人的负债比或者贷款偿还能力。但现在在用户授权的前提下能看到更多的一些个人金融信息。比如用户在社交网络上的数据、手机网购行为数据以及出行数据等。这些数据对于传统信贷决策是新事物，能较好地反应个人信用水平。
大数据审核的流程较长，需要调用40多个数据源中的数据，通过数据湖，再经由中间层筛选字段，进行机器学习、特征提取，再通过模型进行评分，最终输出结果。
三、线上银行信贷风险原因分析
（一）信息获取不对称
互联网贷款主要存在借款人的信用风险，由于信息不对称，借款人可能会产生客户逆向选择和道德风险的行为，为商业银行带来损失，更为严重的是部分借款人可能会通过伪造相关信息造成欺诈行为，例如某线上贷款产品，为某客户授权信贷200万元，企业法定代表人可以在手机端口进行自助借款，但是如果该企业法人线下还有其他大额信贷，在个人没有书面授权的情况下，银行无法查询征信获得客户的实际负债情况，一旦其他的大额贷款出现逾期，将会直接影响到企业此次线上贷款200万，这就存在隐性风险。另外互联网贷款主要借助于互联网平台开展业务，所以，可能会遭遇黑客攻击、程序漏洞以及数据泄露等问题，这会对银行资金的安全带来一定的风险。
（二）金融风险的不确定性
不确定性是金融风险的本质，风险和收益一直处于并存状态，由于国家监管部门出台相关法律法规滞后，所以网贷一直都处于“放养状态”，中国金融行业的风险构造因此产生了重大风险。随着金融创新的不断加快，目前银行互联网的贷款速度也越来越快，创新方式也日益增加，这为商业银行的风险管理带来很大的挑战。目前中国商业互联网贷款的风险，由原先的资产不够的风险衔接到透明度不够的风险与资产不够的风险并举的时期。比如，为了逐利，就会产生贷前审核不严、贷中跟进不足等问题，一旦出现大规模的坏账，这对商业银行来说很容易引发金融危机。以往监管的关键主要是对金融企业开展监管，如今除开对金融企业监管之外，更关键的是要对贷款销售市场的透明度、信息公开开展监管。
（三）信贷制度不完善
由于国内金融科技仍处于发展初步阶段，互联网金融基础设施尚不完善，对商业银行互联网贷款的发展存在一定的制约性。为了提高竞争力，不少商业银行选择与大型互联网公司合作。利用大数据、云计算、移动互联网等技术手段，运用互联网平台积累的客户经营、网络消费、网络交易等内生数据信息以及通过合法渠道获取的其他数据信息，分析评定借款客户信用风险，确定贷款方式和额度，并在线上完成贷款申请、风险审核、贷款审批、贷款发放和贷款回收等流程的小额贷款业务。商业银行如果没有对贷款方进行严格审核，那么当互联网公司的累计放款额达到一定程度而出现“兜不住”的现象，就会引发银行系统性风险。
（四）信息来源受限制
目前，所有的信贷产品都明确规定“禁止挪用贷款”。人民银行、银保监局也出台了多项对应措施来控制资金的流向，但受限制于现有的技术手段，银行对借款人按照约定用途付款后，商业银行互联网贷款无法追踪贷款去向，而且跨行后的资金流向也无法进行准确的查询。由于资金流向监管难度大，所以近年来，企业贷款、个人贷款违规流向股市、楼市、投资私募基金、参与小贷、购买互联网理财产品的情况比比皆是，给各家银行的信贷风险带来了挑战。
四、信贷风险审计应对策略
（一）充分挖掘数据
以2017年出台的141号文件为代表，多项对互联网消费金融业务进行规范的政策出台，互联网金融消费、业务监管政策密集出台，可对暴力催收、房贷资金流向房地产、金融等从业机构越界经营进行监管，控制整体个人杠杆率持续上升。相关政策的出台能实现将互联网信贷业务的情况纳入监管从而实现风险可控。
一款优秀的线上贷款产品必须要有一个严格、缜密的风控模型。风控模型决定着贷款产品的生命周期，是保证信贷资产质量的生命线。而好的风控模型必须要有充分、多样的客户信息数据来支撑。拥有丰富的数据，银行可以构建清晰的客户画像，还原客户真实的还款能力。所以海量的数据是一笔宝贵的财富，对审计而言同样如此。通过对已有数据进行充分的挖掘，银行不仅可以了解该产品的风控规则，还可对已授信客户中的异常数据进行逆程序分析，倒推风险模型中的规则漏洞，而这也是线上贷款审计工作的重中之重。
（二）建立快速高效的数据风险评估机制
风控是重要的，但这样孤立地看待风险在商业上是无法成立的。智能信贷全流程不仅是风控一个方面，智能信贷必须从各个方面都进行精细化的管控、从商业逻辑上实现可行，才有可能在商业上取胜。不同信用水平的用户需要差异化的定价。粗略而言，借贷人群可以用风险水平和借贷需求划分为四个象限。显然低风险高需求的用户是最佳客户，但若在收益能够覆盖损失的情况下，较高风险高需求和低风险低需求申请者也可以带来较好的收入。通过不断测试找到最佳的用户分层方式，从科学的角度找到损失和收益的平衡点，帮助金融机构进行差异化定价，由模型筛选出的客户才能够带来更大的商机。客户信息主要来自于大数据，难以掌握其实际收入波动情况，风险信息存在不对称性，风险预判难度较大。还款周期较短，多采用“分期付息，到期还本”的还款方式，借款人到期还款压力较大，易受收入波动性的影响，后续资产质量管控仍存较大压力。引入外部有效合规数据，构建与客户消费融资需求和风险承担能力真正相吻合的主动授信决策模型，探索建立自有个人信用体系，让消费信贷产品能够覆盖更多客群。
（三）严格把关，加强风险管控
风险，始终贯穿金融工作信贷业务中，防范和控制风险是金融工作永恒的主题，政策性银行也不例外。当前，受国际经济不景气的影响，国内经济发展增速放缓，银行风险管理显得尤为重要。细化信用风险管控，做细做实贷前、贷中、贷后管理，贷前严格审查，尤其是贷款用途调查和审查，要切实了解贷款真实交易背景。其中消费贷用途不得统一的表述为个人消费，要有明确的消费目标及相关证明材料;经营贷不得统一的表达为经营流资，要有具体的经营项目、详尽的资金使用计划以及相关证明材料、对于用途不真实的贷款，不得受理代发;贷后观察，着重于对信贷资金流向监控。对贷款人的结算账户，以及交易流水进行定期的、不定期的抽查，发现可疑资金的流向要及时进行核查。加强对风险的系统性分析，加强各类风险的关联性分析，建立配套的信用模型，加强对风险的识别、预警、监控。
五、结语
由于“互联网+”金融呈爆发式增长，借款主体的融资渠道多元化，融资产品也愈加丰富，实体银行调查借款主体的实际融资情况也不容乐观，很容易出现企业或者个人多头融资、过度融资的风险。对信贷风险防范管理来说，坚持稳健审慎经营是前提、构筑以人为本体制是保证、明确业务市场定位是方向、调整信贷资产结构是手段，达到安全性、流动性和效益性相统一结合，转移和规避信贷风险是目的。要打破现状，必须制定一整套信用履约国家政策，由社会各方面推动信用贷款建设。与此同时，商业银行在线上贷款时也要严格执行贷前、贷中、贷后相關的审计规定，审计作为商业银行的独立职能部门，对风险管控起着至关重要的作用。
参考文献：
[1]詹向勇.商业银行互联网线上信贷业务反欺诈与舞弊内部审计—基于部分典型案例的分析与思考[J].中国内部审计2020.09期.
[2]李昕.我国民间借贷法律规制研究[D].中国石油大学[华东]2013.
[3]乐辉.商业银行类信贷业务内部审计探析[J].冶金财会.2020.08期.
[4]刘柏松.商业银行信贷业务内部审计相关探究[J].中国科技投资.2020.08期.
[5]祝玉芬.探究商业银行信贷业务持续审计[J].经贸实践.2019.19期.
[6]郭鹏程、李霄.从审计视角看商业银行信贷风险防控[J].财会学习.2019.29期.
作者单位：四川轻化工大学
转载注明来源:https://www.xzbu.com/3/view-15389682.htm
