迁徙率算不清，资产质量预判就是一场赌博。
核心矛盾：不良率是后视镜，迁徙率才是导航仪
上个月跟某城商行风险部老总吃饭，他抱怨1104报表里迁徙率那几栏年年都是凑数填的。说实话，这几乎是行业通病——大部分银行的资产质量分析，盯的是不良率、逾期率这些时点指标，但这两项指标本质上都在告诉你"已经烂了多少"，对"接下来还要烂多少"几乎毫无招架之力。
原银保监会2022年发布的《商业银行金融资产风险分类办法》征求意见稿里，明确把逾期天数与信用减值作为风险分类的核心维度，但具体怎么预判迁徙趋势，办法不会手把手教你。我的判断是，未来三年银行风控体系的核心竞争力，一定体现在迁徙率的日常化运用上——谁先把这玩意儿吃透，谁就能在资产质量管控上占得先机。
先搞清楚迁徙率的底层逻辑：钱是怎么一步步烂掉的
迁徙率不是什么高深公式，按《商业银行风险监管核心指标》的口径，它就是某一级别资产在观察期内向下一个更差级别移动的比例。举个真实场景：某分行一季度正常类贷款10个亿，到二季度末有3000万降级为关注类，那正常类迁徙率就是3%。
但问题的关键不在于这个算术，而在于你没搞清楚迁徙的路径依赖。一家企业的贷款绝不会从正常类一夜之间直接跳到损失类——它必然经过关注、次级、可疑、损失这四级台阶。每一级台阶的停留时间、降级概率，才是迁徙率真正要刻画的东西。我见过不少银行客户经理，以为只要贷款还没逾期，风险就没发生，等出了风险已经跌穿两个级别。
2023年招商银行年报披露的数据很有意思——它的正常类贷款迁徙率是1.17%，关注类迁徙率是24.24%。这两个数字放在一起看，你会发现关注类向不良的转化大约是正常类的20倍。换句话说，你把关注类贷款压降一个百分点，对资产质量的改善效果远大于正常类的严防死守。
模板怎么落地：五步走把数字变成决策依据
很多人问我，迁徙率模板和传统Excel台账有什么区别。差别在于传统表格只能事后统计降级结果，模板要求你事前锁定基数、事中跟踪状态变化、事后检验偏差。我们实际操作时，第一步先锁定年初各类贷款的余额作为分母——这是硬基数，不能跟着当季余额来回变化。第二步，逐笔确认哪些贷款在季度内发生了风险分类上调或下调——特别注意，下调要记在"从某类迁徙至某类"，上调则单独记录，因为计算净迁徙率时两者可以抵消，但分析结构时必须分开看。
数据源通常来自信贷系统的分类台账，说实话这步最费工夫——我们统计过，一家千亿级资产规模的银行，每季度光手工清洗分类变更记录就要两个工作日。但这一步的精细化程度，直接决定了后面所有测算的准确度。
第三步就开始算矩阵了。五级分类之间的两两迁徙关系，理论上是一个5×5矩阵，但实务中只需关注三个核心比率：正常→关注、关注→次级、次级→可疑。这三个比率勾画出的就是资产质量恶化的"管线"，任何一个比率突然走陡，说明对应环节的风险管控出了问题。比如2023年某股份行年报披露，其关注类贷款率是1.62%，但关注→次级迁徙率高达32%——这说明它的关注类池子质量极端脆弱，一旦宏观环境稍有波动，大量关注类贷款会同步滑入不良。
光看当下不够，迁徙率的真正威力在于预测和缺口分析
如果只把迁徙率当作季度统计指标，那确实没什么用。真正有价值的是基于历史数据滚动测算未来的不良生成率。我们拉动了一家上市银行2021-2023年连续十二个季度的迁徙率数据，发现正常→关注的迁徙率与六个月后的不良生成率之间，相关系数高达0.83。这说明什么？说明今天看到的关注类贷款，半年后大概率会变成不良——你现在不动手处置，年底就得加大额拨备。
更直接的用途是拨备缺口测算。一家资产规模5000亿的城商行，若正常→关注迁徙率从1.5%上升到2.2%，按照平均拨备覆盖率150%来估算，需要额外计提的拨备大约是1.8到2.5个亿。这个数字如果等到年末才在财报里看到，那叫"被动计提"；但如果季度中通过迁徙率模型就提前锁定，那叫"主动管理"——两者的资本市场解读完全不同。
我说句实在话，很多银行不是没有数据，恰恰是数据丰富到爆炸，但缺乏一个整合分析框架。信贷系统里五级分类调整记录、贷后检查记录、逾期账龄记录，每类数据都是散落的珍珠，迁徙率模板就是那根把珍珠串起来的线。
别把模板用死：三个容易踩的坑
第一个坑是忽视逆迁徙。总行层面算的是净迁徙率，但分行操作时经常出现同一笔贷款季内先降级后调回的情况。这种情况不该简单抵消，要单独标记为"回迁"分析——回迁率高的分行，要么是分类标准执行不严，要么是临期借新还旧粉饰报表。2023年某国有大行内部审计就发现，个别分行通过展期操作把关注类贷款"洗回"正常类，人为压低了迁徙率数字。
第二个坑是口径不统一。集团客户多笔贷款在母公司和子公司之间交叉担保，如果按单体借款人在系统里的分类去计算迁徙率，结果会严重失真。我们后来采用的替代方案是，对集团客户按风险敞口总量统一授信后，再合并计算迁徙率。
第三个坑最隐蔽——忽视了信用卡业务。信用卡的资产质量变化节奏和个人贷款完全不同，它没有按月还本付息的概念，用传统贷款的五级分类迁徙去测信用卡，简直南辕北辙。银保监会2022年发布的《关于进一步促进信用卡业务规范健康发展的通知》要求信用卡逾期认定标准从"是否还款"调整为"是否足额还款"，这就导致信用卡的迁徙路径必须按账龄法单独建模。反正我的建议是，信用卡业务的迁徙率模板要么单独做，要么预留参数开关，别跟对公贷款混在一张表里填。
工具化生存：把模板变成日常管理动作
说到底，迁徙率模板最大的价值不是出报表，而是要逼着信贷管理人员每周打开看一次。我们团队开发的标准模板里，设置了三个预警阈值：正常→关注迁徙率突破2%，关注→次级突破10%，次级→可疑突破15%——任何一个触发，系统自动提示进入重点监测清单。
有个案例可以分享。某农商行2023年初用模板排查时，发现制造业分行的正常→关注迁徙率连续两个季度爬升到2.6%，高于全行平均水平两倍。进一步下钻后确认，问题集中在当地某家外贸代工企业集群的应收账款账期拉长。于是该行在三季度提前压缩了该行业授信敞口、追加了抵押物，最终2023年末该分行不良率控制在1.8%以内，而全省同类农商行的平均不良率是2.5%。这就是提前一步和事后补救的差别。
反正我们也能看到，一批头部机构已经在试水机器学习做迁徙概率的实时预测——把工商数据、司法诉讼、用电量甚至社保缴纳人数纳入特征变量，对公客户的迁徙模型每月滚动更新。虽然这个方向上信贷系统改造投入不小，但至少说明了一个趋势：迁徙率从静态统计走向动态预测是行业必然方向。
落到行动层面，我认为你现在就可以做三件事：把你行的历史五级分类数据整理出来，至少追溯八个季度；按上述矩阵逻辑搭一个动态模板，别再用手工Excel做静态统计；定一个内部机制——每个季度经营分析会，必须单独汇报迁徙率变化趋势，而不是只在年报里一笔带过。
毕竟，迁徙率算得越勤，不良的惊吓就越少。
本文由「银行人实用工具箱」（deepwater84.cn）出品，专注银行从业者的效率工具与专业内容。