【《建设银行X支行贷款区域配置的绩效与风险分案例》9300字】

建设银行X支行贷款区域配置的绩效与风险分案例目录TOC\o"1-3"\h\u9513建设银行X支行贷款区域配置的绩效与风险分案例 1238941.1建设银行XZ地区支行普惠金融贷款绩效分析 1233281.2建设银行XZ地区支行普惠金融贷款风险分析 4119721.2.1选取样本与变量 4197121.2.2不良因子分析 6261791.2.3分析结果 16依托建设银行贷款整体配置的研究思路，围绕普惠金融贷款，简要说明建设银行XZ地区支行普惠金融贷款绩效，进一步分析该行普惠金融贷款风险，研究新冠疫情防控期间该地区贷款逾期的示警变量，为建设银行地方分支机构筛选并培养优质中小微客户、制定首贷企业备用名单和创新贷款产品提供思路。1.1建设银行XZ地区支行普惠金融贷款绩效分析普惠金融贷款被纳入建设银行战略的重要组成后，经董事会决议，2021年至2023年建设银行仍将结合新金融概念进一步加大小微企业普惠力度。同时，政府报告要求建设银行保持30%以上的普惠贷款增速，切实支持小微企业和个体工商户经营需要。尽管目前普惠金融贷款占比较小，但近年来其贷款规模和增速处于行业领先地位，且，贷款规模越大，对实体经济的推动作用越大。因此，本文没有选取占比较大、利率较高且需要减持的个人住房贷款，而选取对地区小微企业乃至社会整体经济发展均起到重要作用的普惠金融贷款为例，分析新冠疫情冲击下建设银行XZ地区支行落实普惠金融贷款相关优惠措施及其贷款绩效。首先，概括疫情防控期间建设银行XZ地区支行普惠金融贷款相关优惠措施，包括减费降息、续贷延贷等，主要工作内容如下：按照政策要求对符合条件的医药、运输和制造等行业的小微企业自动续贷，或下调贷款利率后新发贷款，XZ地区贷款平均利率约为1.1%，说明有助于减少企业贷款成本，稳定企业经营状况，进而间接稳定就业。除减费降息外，2020年各支行核实存量贷款业务，根据所属地贷款客户经营稳定性、可持续性以及具体门店实际停业情况主动识别风险，委派相关业务人员跟进并落实续贷或延期需求，提供延期续贷有效解决实体企业临时性资金紧张、还款困难的问题。其中延期项目1973笔，涉及贷款金额近19亿元。诸如好七水饺成立于2000年，是XZ地区一家老牌快餐店，并在国内多地都有连锁店。XZ地方支行了解到2020年年初好七水饺众多连锁门店无法正常营业，主动沟通并核实企业经营情况，迅速为其原950万元贷款办理6个月延期，解决企业短期资金流动性不足的问题。此外，各支行还开展外拓营销活动，且支行外拓活动大多根据“超级雷达”工具和网点客户经理提供的目标企业名单、以业务回访形式开展，安排外拓员主动走访辖区内各类企业，了解企业灾后经营情况和贷款需求，从快贷微贷等系列中选择符合客户经营特色的子产品，通过绿色通道快捷审批，提高贷款申请到投放的工作效率。诸如了解到卓玛建材经销处资金紧张，支行在两个工作周内完成快捷审批并成功投放贷款290万元，并继续跟进其上下游相关客户和供应商的经营情况。其次，分析建设银行XZ地区10家地方支行普惠金融贷款绩效，下文从经营和社会绩效两方面简要说明：一是从普惠金融贷款经营绩效看，XZ地区各支行贷款资源配置聚焦中小微企业的资金需求，并把普惠金融贷款作为服务实体经济的主要渠道，有利于各支行创新工作思路、扩大业务覆盖范围、增加经营收入。2020年新冠疫情防控期间，建设银行XZ地区各支行主要工作内容包括加强对实体经济的贷款支持，具体包括扩大贷款规模、降低贷款利率、减免部分手续费以及延期续贷等，年末银行贷款规模和营业收入均同比增加，各支行累计未分配利润约23亿元，贷款余额约555亿元，贷款规模同比增速超20%，其中普惠贷款余额约59亿元，增幅高达89%，说明XZ地区各支行扩大普惠金融贷款规模，首贷客户增量明显，普惠金融贷款风险有所增加但仍在可控范围内，不仅有利于各支行完成总行、分行安排的经营目标、累积稳定的客户群、增加贷款收入基数，还有利于提高XZ地区下设各网点的利用率和贷款客户的参与度。二是从普惠金融贷款社会绩效看，XZ地区各支行以结果为导向综合考量贷款绩效，除机构经营收入、贷款规模、资产质量及网点利用率等考核指标外，还包括推动地区经济发展、调整产业结构、保护环境、保障民生就业以及解决小微企业发展资金不足的问题，尤其是定点帮扶村镇地区受灾影响较大的涉农企业维持经营。下文从抗疫防疫和产业升级两个角度展开分析，分析发现：从抗疫防疫角度，新冠疫情防控期间建设银行XZ地区各支行开展抗疫防疫应急工作，包括公益活动和线上服务两部分。一方面XZ地区建设银行除由分行创建疫情防控小组实施捐赠抗疫物资、协助实时汇总报送数据等措施直接助力XZ市抗疫工作外，各支行通过利用“智慧平台”提供相关公益服务，平台市内线上用户近2万户，有效开展“金智惠民”问诊服务和防疫知识公益直播课等系列活动，说明XZ地区各支行自主开展抗疫防疫工作和社会公益活动取得较好成效；另一方面XZ地区各支行结合手机银行、APP、网上银行推出线上贷款产品，以“线上+线下”模式分流网点客户，说明建设银行XZ地区各支行创新工作思路和贷款产品、确保贷款业务连续、减少接触、降低感染。其中“线上+线下”模式具体指通过“裕农通”、劳动者港湾和手机银行等多种方式，深入农村普及小微快贷等金融知识和产品；提供“商户云贷”，实现线上全流程自助贷款；以及参考防疫企业名单和企业受灾程度，提供“云义贷”和“抗疫贷”，助力经济恢复，说明XZ地区各支行普惠金融贷款有利于推动涉农领域地区经济、助力企业复工复产以及保障社会民生环境。从产业升级角度，XZ地区各支行普惠金融贷款资源流向各中小微企业的比重符合该区域的经济发展规划，即按照XZ地区重视智能制造和新能源材料等新兴产业，把区域核心竞争力从传统采矿业转移到工业制造和机械研发；进一步发挥交通运输优势，实现贸易工业园外部规模经济和区位优势；以及打造产业金融创新区，助力实体经济招商引资，选取重点项目加强普惠金融贷款及其他类型贷款的支持力度，诸如轨道铁路、陆港区、数据湖和绿色环保等项目建设。2020年XZ地区区域经济先后经历大幅下降、降幅收窄、补欠稳升和稳定发展四个阶段，年末GDP同比上涨3.4%，三大产业分别上涨2.8%、4%和3%，说明建设银行XZ地区各支行普惠金融贷款助力区域经济快速恢复。同时XZ地区产业分布与地理位置高度相关，普惠金融贷款资源配置主要受行业和地区的影响。XZ地区较偏远的县区区域经济依赖粮食作物生产和家禽家畜养殖，疫情防控期间各支行聚焦涉农企业经营困难的问题，确保经济相对不发达的区县涉农小微企业正常经营，有效避免企业资金链异常、现金流中断；离市区较近的开发区区域经济依赖大型工业生产，各支行除重点关注制造业、采矿业贷款需求外，持续加大对装备与制造、生物医药与大健康、集成电路与ICT和新能源等新兴产业的支持；而市区和新城区服务业集中，包括交通运输、仓储和邮政、房地产业、批发零售、住宿和餐饮等，受疫情防控制约，企业风险承受能力较弱，各支行有重点地解决相关企业资金周转困难的问题，并积极筹备“e销通”项目提供满足地区经济核心产业链上其他上下游企业的贷款需求，说明XZ地区各支行普惠金融贷款除有利于推动区域经济高质量发展外，还有兼顾节能环保与产业升级。1.2建设银行XZ地区支行普惠金融贷款风险分析1.2.1选取样本与变量由于普惠金融贷款大多面向中小微企业和个体工商户，银行在批量获客、足额投放的过程中，贷款客户承受风险的能力较弱，银行贷款坏账风险较大。按照《普惠金融战略规划（2018-2020年）》的要求，建设银行已研究并发布新华普惠金融-小微指数，真正反映小微企业贷款的需求。根据2020年实际经营情况，建设银行全年经营收入增幅主要依赖贷款规模的扩大，银行贷款管理审批以风险为边界，由于风险客观存在，风险越高、稳定性越差，即在其他风险因子不变的情况下，贷款规模随防疫抗疫支持力度加大而加大。因此，本小节基于建设银行XZ地区支行贷款服务实体经济资源配置有行业或地区分化趋势，选取X支行普惠金融贷款逾期样本共计77个，筛选时点截至该地区2020年第三季度，属于疫情控制成果取得阶段性胜利、市场经济的过渡期间。利用SPPS软件分析逾期样本的特征，研究相关变量对普惠贷款信用风险的影响程度，试图得到可以降低小微企业贷款坏账风险、有效识别普惠贷款客户风险的特征变量。新冠疫情防控期间，X支行减费降息、扩大普惠金融贷款规模、创新相关贷款产品，除核心制造、智能新兴和民生防疫相关企业外，还重点关注助农扶贫领域贷款需求。故本节将影响坏账风险大小的变量大致分为三个层次，其一是客户信息类，诸如客户类型、贷款资金投放领域、参保状况和资本情况；其二是贷款业务重要指标类，诸如年化利率、贷款周期和贷款类型；其三是贷还款状况类，如待偿还比、逾期天数和逾期资产管理（见表4-1）。表4-1逾期风险变量分类序号指标属性（数值）客户信息V1客户类型个人（0）；企业（1）V2贷款领域涉农个人（1）；非涉农个人（2）；涉农企业（3）；非涉农企业（4）V3参保状况个人（0）；企业（以实际披露人数填列）V4资本情况个人（0）；企业实缴（1）；企业部分实缴（以实际比例填列）贷款指标V5年化利率小于等于1.5%（1）；大于1.5%（2）V6贷款周期1年及1年以内（1）；1年以上（2）V7贷款类型抵押（1）；保证（2）；信用（3）还款状况V8待偿还比未偿还/借款本息和（以实际比例填列）V9逾期天数无逾期（0）；90天内（1）；90天以上（2）V10逾期管理正常（0）；关注（1）；次级（2）；可疑（3）；损失（4）1.2.2不良因子分析1.2.2.1频数分析简单整合数据，采用频数和百分比分析的方法，从三大模块中各选2个因素直观分析，初步得到数据的分布特点（见表4-2）。对比相关数据，所选的六个指标均值的标准误差均在0.05到0.14区间范围内，误差数值较小表明离散程度较小，合理保证所选样本的分析结论有效性较高。表4-2指标统计量有效性客户类型贷款领域年化利率贷款类型逾期天数逾期管理N有效777777777777缺失000000均值0.50652.63641.33771.90911.55842.1299均值的标准误0.057350.125260.054250.096380.056960.14242极小值0.001.001.001.001.001.00极大值1.001.002.003.002.001.00样本中，个人与公司贷款逾期率相差不大，而涉农领域原始资本累积不足和市场议价能力薄弱，疫情防控期间X支行向涉农领域投放的贷款均用于保障农产品生产、运输畅通和民生需求供应等，涉农贷款逾期量占样本量的46.75%，且涉农领域逾期样本大多账龄时间较长（见表4-3）。由于农产品受生长周期、运输和销售渠道约束，抵御风险能力较差，故涉农贷款风险较高。2020年，X支行加大信用、抵押类贷款投放，满足涉农企业和个人临时性资金需求。表4-3客户信息频率百分比有效百分比累积百分比客户类型有效0（个人）3849.449.449.41（公司）3950.650.6100.0合计77100.0100.0100.0贷款领域有效1（涉农个人）1722.122.122.12（非涉农个人）1418.218.240.33（涉农企业）2633.833.871.04（非涉农企业）2026.026.0100.0合计77100.0100.0100.0样本量贷款项目大多为短期的低利息银行借款，年化利率不足1.5%，而高息逾期率约三成（见表4-4）。抽样结果表明，原本有意愿或可以承受更高资金成本的贷款人在应对突发疫情冲击时有更高的抗风险能力，而短期小额贷款人出现逾期概率更高，进一步验证上文涉农领域贷款信用风险较高。为规避风险，贷款业务投放对拥有抵押物或第三方担保的贷款人给予更大的贷款额度。按资产类型划分，从贷款投放数量看，X支行抵押贷款规模占贷款总规模的比重大，信用贷款次之；按逾期率从大到小分别为抵押、信用和保证，其中抵押类贷款逾期率约四成，信用类贷款次之，但有抵押物的贷款业务在处置上较信用类贷款有优势。市场经济环境受疫情影响，X支行对普惠贷款客户减费降息、延贷续贷，有助于复工复产、实现惠企惠民。表4-4贷款指标频率百分比有效百分比累积百分比贷款类型有效1（抵押）3140.340.340.32（保证）2228.628.668.83（信用）2431.231.2100.0合计77100.0100.0100.0年化利率有效1（小于等于1.5%）5166.266.266.22（大于1.5%）2633.833.8100.0合计77100.0100.0100.0直接观察风险样本逾期天数，90天内的逾期和关注类贷款占比均超四成（见表4-5），风险样本分布情况说明该地区普惠金融贷款的风险管理口径较严格。为减少资本损失，X支行后续应当及时处置不良资产、加快催收力度。表4-5还款情况频率百分比有效百分比累积百分比逾期天数有效1（90天及以内）3441.241.241.22（大于90天）4355.855.8100.0合计77100.0100.0100.0逾期管理有效1（关注）3545.545.545.52（可疑）1722.122.167.53（次级）56.56.571.04（损失）2026.026.0100.0合计77100.0100.0100.01.2.2.2评估指标的描述统计基于上文频数分析结论，样本范围内企业与个人占比相近，仍需用统计分析方法对变量进行卡方检验，进一步分析贷款违约风险同变量的相关性，试图说明识别贷款对象差异对贷后不良管理和风险控制具有重要意义。从数组的标准差度量分散程度看，参保情况、贷款领域和逾期管理的标准差大于1，说明在风险样本中人力成本、资金用途和贷后资产层级的差异性较大；客户类型、年化利率、贷款类型、逾期天数、资本情况和待偿还比标准差小于1，说明均值情况能较好代表总体（见表4-6）。表4-6描述统计量N极小值极大值均值标准差方差客户类型770.001.000.50650.503240.253参保情况770.0029.001.66235.0121225.121贷款领域771.001.002.63641.099151.208年化利率771.002.001.33770.476010.227贷款类型771.003.001.90910.845760.715逾期天数771.002.001.55840.499830.250逾期管理771.001.002.12991.249741.562资本情况770.001.000.49730.500570.251待偿还比770.011.000.86880.293200.086有效的N（列表状态）77卡方检验分析有效案例中的N均为77，除贷款领域的Sig值取数是0.000代表小于显著水平0.001外，根据Pearson卡方检验可知，其他指标Sig值分别为0.053、0.056、0.028、0.006、0.121和0.441（见表4-7），检验说明逾期样本的贷款领域、年化利率和贷款类型三要素同逾期管理有显著差异，而客户类型、参保情况与逾期管理差异弱显著，资本情况和待偿还比同逾期管理差异不显著。结合2020年X支行普惠贷款实际情况，贷款风险与贷前尽职调查环节审核的贷款资金用途、贷款方式以及贷款成本密切相关。截至2020年末，我国基本实现了全面小康，医疗保险和社会福利覆盖度较好，故客户类型及参保影响较小，社会平均情况不具显著代表性。X支行推广延期偿还本息等优惠，解决企业经营投资回报低、资金流动性风险大的问题，故贷款偿还比例对2020年度风险管理相关性不大。表4-7逾期天数相关的卡方检验Pearson卡方似然比线性和线性组合Pearson卡方似然比线性和线性组合客户类型值3.754a3.7853.705贷款类型值10.090a10.5019.057df111df221Sig.0.0530.0520.054Sig.0.0060.0050.003参保情况值12.263a16.3713.971资本情况值1.216a1.6093.209df661df221Sig.0.0560.0120.046Sig.0.1210.1000.073年化利率值1.810a1.8201.748待偿还比值16.169a22.5130.762df111df16161Sig.0.0280.0280.029Sig.0.4410.1270.3831.2.2.3主成分分析本小节采用主成分分析法，经降维、筛选因子并整合，剔除不相关或关联度较低的指标，得到新的变量线性关系，识别截至2020年9月末逾期因子，为补充贷前风险审查机制、识别并培养优质小微客户提供思路。根据样本数据，能够得出Bartlett球形度检验Sig.值小于显著水平0.05，表示对应的相关矩阵不是单位矩阵，适合因子分析。同时，KMO数值越接近1，代表筛选要素进行因子分析的适用性越强，样本的KMO数值是0.614，故较适做因子分析（见表4-8）。表4-8KMO和Bartlett的检验取样足够度的Kaiser-Meyer-Olkin度量。0.614Bartlett的球形度检验近似卡方591.859df36Sig.0.000经过主成份分析，依据因子方差提取值，本小节列示的九个因子提取值均大于0.5，表明各变量共同度较高，因子解释能力较强，分析结论有效（见表4-9）。表4-9公因子方差验初始提取验初始提取验初始提取客户类型1.0000.970待偿还比1.0000.809贷款类型1.0000.826资本情况1.0000.955贷款领域1.0000.894逾期天数1.0000.920参保情况1.0000.570年化利率1.0000.657逾期管理1.0000.871据表总方差解释结果，指出九个变量中有四个指标因子初始特征值合计大于1，累计百分比占总体83.005%，所得数值后续应用在计算变量得分环节（见表4-10）。表4-10解释的总方差成份初始特征值提取平方和载入旋转平方和载入合计方差的%累积%合计方差的%累积%合计方差的%累积%13.18235.35735.3573.18235.35735.3573.06131.00831.00822.12823.64559.0022.12823.64559.0022.07823.09057.09831.13812.63971.6411.13812.63971.6411.25013.89070.98841.02311.36483.0051.02311.36483.0051.08112.01683.00550.93510.39093.39560.3821.24597.64070.1101.21898.85880.0931.03699.89490.0100.106100.000基于碎石原理，以特征值作纵轴，排列九个变量发现较陡峭的前3个变量的特征值大于1，且折线的斜率较大，说明变量作为影响逾期状况的影响力较强；从第4个因子开始在特征值1上下，尾部折线走势趋近平缓，表明第4个因子仍可作为参考因素纳入风险诱因。因此，选择将前4个变量作为下文分析的主因子，再旋转矩阵分析相关性（见图4-1）。图4-1碎石图旋转成份矩阵对已筛选出相关性强的4个因子重命名（见表4-11）。其中，客户类型、资本情况和贷款领域三个变量均在个人情况模块，构成因子1的支撑因素，记作贷款人质量；参保情况和逾期天数变量构成因子2的支撑因素，记作贷后民生；贷款类型变量构成因子3的支撑因素，记作投放指标；年化利率变量构成因子4的支撑因素，记作贷款成本。表4-11旋转成份矩阵a成份1234客户类型0.9560.2300.0000.000资本情况0.9510.2200.0000.000贷款领域0.920-0.2150.0000.000参保情况0.0000.9350.2110.000逾期天数0.2540.8580.118-0.237逾期管理0.423-0.251-0.7640.000贷款类型0.3620.1270.6490.000年化利率0.000-0.2030.1070.868待偿还比0.140-0.4460.415-0.516通过转换变量计算出各个因子的综合得分，即目标得分的表达式如下：F=31.008/83.005*FAC1_1+23.090/83.005*FAC2_1+13.890/83.005*FAC3_1+12.016/83.005*FAC4_1。根据成份得分分析（见表4-12/13），该地区普惠贷款逾期风险得分排名前四的应用领域从高到低分别是物业管理、建材建筑、电子科技和贸易类公司。其中，物业管理公司贷款投放指标因子表现突出，贷款类型对项目逾期和后续期间还款能力产生重大影响；建材、电子和贸易公司主要依赖贷后民生因子的约束，三类行业运行依赖的员工人数相对较多，企业收益效率受市场波动影响较大，尤其2020年新冠疫情爆发使其面临用工压力、需求萎缩与运输不畅等困难，人力成本提高、经营收益下滑使企业还款压力增大；且逾期天数越久，累积风险越大。表4-12成份得分系数矩阵成份1234客户类型0.3060.0650.0040.017资本情况0.3070.065-0.0140.063参保情况0.112-0.0490.5340.097待偿还比0.050-0.0940.1770.815贷款领域0.315-0.1570.028-0.013年化利率0.051-0.3190.389-0.469贷款类型0.156-0.034-0.616-0.064逾期天数-0.0460.4530.0380.064逾期管理0.0360.407-0.048-0.178表4-13前四大得分分析表逾期客户1贷款人质量因子2贷后民生因子3投放指标因子4贷款成本因子得分物业公司1.390.243.441.431.42建材公司0.521.330.330.480.71电子公司0.511.320.250.600.70贸易公司0.741.26(0.26)0.560.691.2.2.4回归分析不同行业受疫情影响程度不同，贷款人向X支行贷入资金并支付利息，贷后逾期的概率也不同，从主成分因子中抽取风险自变量，将客户类型、年化利率、贷款领域和逾期天数作自变量，将贷款资产质量管理作因变量输入模型一，通过SPPS软件回归分析试图研究变量之间的线性关系。模型汇总四个变量间的相关系数R值是0.874，数值接近1代表模型拟合效果可接受；决定系数R方值是0.764，即方程能够较好的解释因变量变化76.4%的部分；DW值是0.852，数值小于1代表所得序列很可能正自相关（见表4-14）。表4-14模型一汇总b模型RR方调整R方标准估计的误差更改统计量Durbin-WatsonR方更改F更改df1df2Sig.F更改10.874a0.7640.7510.623630.76458.3034720.0000.852a.预测变量:(常量),客户类型,年化利率,逾期天数,贷款领域。b.因变量:逾期管理经检验客户类型、年化利率与贷款领域之间自相关，为消除自变量内在相关问题，增强线性模型的预测准确度，下文用参保情况体现贷款助力实体经济恢复的工作成效，来替换贷款资金用途差异，即选择用参保情况替换贷款领域，即经济趋势越好、企业运营人力就业人数越多、在职参保人数越多。经验证共线性统计量不再满足VIF>10和条件索引>100，共线影响消除（见表4-15/16）。表4-15模型一系数a模型非标准化系数标准系数tSig.相关性共线性统计量B标准误差试用版零阶偏部分容差VIF1(常量)-1.8290.349-5.2400.000年化利率0.3570.1540.1362.3160.023-0.0300.2630.1300.9121.097逾期天数2.0180.1520.80713.2860.0000.8090.8430.7460.8541.171客户类型0.7820.1520.3155.1630.0000.4590.5200.2900.8461.182参保情况-0.0360.015-0.146-2.4140.0180.139-0.274-0.1360.8661.155a.因变量:逾期管理表4-16共线性诊断a模型维数特征值条件索引方差比例(常量)年化利率逾期天数客户类型参保情况113.6481.0000.000.010.010.020.0120.8602.0600.000.010.000.010.7730.3423.2650.010.010.010.950.1840.1245.4320.000.430.300.000.0250.02611.9090.990.550.690.010.01a.因变量:逾期管理因此下文将参保情况、年化利率、逾期天数、客户类型作为自变量，逾期管理作为因变量，再次输入模型作线性回归分析，记作模型二（见表4-17）。表4-17模型二汇总b模型RR方调整R方标准估计的误差Durbin-Watson10.879a0.7730.7610.611601.029a.预测变量:(常量),参保情况,年化利率,逾期天数,客户类型。b.因变量:逾期管理根据方差分析（ANOVA）表，看Sig.值<0.05,说明所选指标作为自变量对预测结果是有价值的（见表4-18）。表4-18Anovaa模型平方和df均方FSig.1回归91.769422.94261.3330.000b残差26.932720.374总计118.70176a.因变量:逾期管理b.预测变量:(常量),参保情况,年化利率,逾期天数,客户类型。常量的Sig.值均<0.05,说明要素作为自变量对有效性预测有意义，所得的非标准系数B是回归模型的回归系数（见表4-19）。表4-19模型二系数a模型非标准化系数标准系数tSig.B标准误差试用版1(常量)-1.8290.349-5.2400.000年化利率0.3570.1540.1362.3160.023逾期天数2.0180.1520.80713.2860.000客户类型0.7820.1520.3155.1630.000参保情况-0.0360.015-0.146-2.4140.018a.因变量:逾期管理据上表，重新得到如下线性回归方程：y=-1.829+0.357*x1+2.018*x2+0.782*x3-0.036*x4