迁徙率：穿透银行资产质量的第一道透镜
这篇文章想说的是，迁徙率计算器不是个简单的数学工具，而是银行资产质量分析的透视镜，它让你从一堆静态的报表数字中，看到贷款质量动态演化的真实路径。
说实话，我在银行风险管理条线待了这些年，见过太多人把不良率当作资产质量的唯一标尺。2023年末工行不良率1.37%，建行1.38%，平安银行1.06%——单看这些数字，似乎大家都差不多。但我们心里都清楚，资产质量的真相藏在动态变化里，而迁徙率就是那个能把静态数字掰开了揉碎了的家伙。我觉得，谁掌握了迁徙率的用法，谁就掌握了资产质量分析的主动权。
先说说迁徙率计算器的输入逻辑。它的核心算法其实不复杂：把某一时点的正常类贷款池子作为分子分母的起点，追踪这些贷款在下一观察期（通常是一年）内有多少滑落到了关注类、次级类甚至可疑类。举个例子，2023年你行正常类贷款1000亿，到2024年有15亿滑落为关注类，那正常类到关注类的迁徙率就是1.5%。就这么一个简单的比率，背后却藏着整个信贷组合的基因密码。后来我发现，很多同事用计算器的时候，只盯着最后一个数字，却忽略了迁徙率的分母——也就是期初的贷款余额，这其实是最大的误区。我见过有人拿着前手留下的台账算出来迁徙率奇高无比，慌了神，后来才发现是分母拿错了，把期末余额当成了期初余额，数字整整虚高了30%。
关键的问题来了：迁徙率计算器怎么用才算用对了？我的判断是，它至少要完成三层穿透。第一层是时点穿透，必须保证贷款状态是观察期初的静态快照，而不是期间内反复调级后的结果。第二层是池子穿透，你得搞清楚每一笔贷款从五级分类的哪个格子跳到哪个格子，交叉核验不同分类之间的跳转逻辑。比如关注类贷款向次级类的迁徙率，2023年行业平均水平大约在8%-12%之间（根据原银保监会披露的大中型银行数据推算），如果你所在银行的这个数字超过了15%，那贷后管理模式恐怕已经不适用于当前的风险环境了。第三层是期间穿透，观察期到底选半年还是一年，结果完全不一样。监管报表里的逾期迁徙率通常按季计算，但内部管理我建议用滚动年化口径，否则季度的季节效应会严重干扰你对趋势的判断。
举个例子。某股份行2023年对公房地产贷款的关注类迁徙率飙升至28.6%，而其整体对公贷款的关注类迁徙率只有3.2%。这28.6%意味着什么？意味着该行100亿的关注类房地产贷款中，预计有28.6亿会在未来一年内滑落为不良。如果该行拨备覆盖率是180%，那这28.6亿的潜在不良需要额外计提接近52亿的减值准备——这对利润的吞噬是致命的。2023年招商银行的年报里专门披露了各业务条线的迁徙率数据，其中房地产不良率从2022年的3.43%上升至5.26%，迁徙率的陡峭上升远比不良率的静态攀升更能说明问题的严重性。反观那些迁徙率在低位徘徊的城商行，背后往往是严格的前置预警机制和及时的资产处置策略。
再说监管视角。2023年金融监管总局修订后的《商业银行金融资产风险分类办法》明确规定，逾期超过90天的贷款至少归为次级类，逾期超过270天至少归为可疑类。这个新规实际上把迁徙率推到了合规管理的C位。我为什么这么说？因为监管的底层逻辑是：如果一家银行的正常贷款正在有规律地、持续地向高风险类别迁徙，那说明它的风险偏好、授信流程或者贷后管理一定有系统性缺陷。2024年一季度金融监管总局披露的商业银行净息差已经降到1.40%附近，资产质量稍有风吹草动，利润就被侵蚀殆尽。这种情况下，迁徙率计算器从工具变成了一道防线——它让你在贷款真正变坏之前就看到苗头。
不过，我不想把迁徙率计算器说得神乎其神。它说到底只是一个输入几个数就出结果的工具，真正的价值在于你用什么样的数据喂养它。我在实际工作中最常遇到的情况是：系统中的五级分类更新滞后，客户经理手动调整分类的随意性大，导致迁徙率的分子失真。2023年某省银保监局对辖区内城商行进行现场检查时，发现一家银行在三个月内对同一笔贷款的逾期天数进行了三次手工修正，硬生生把迁徙率从4.8%改成了2.1%。这种数据质量的造假，再好的计算器也算不出真相。所以我的观点很明确：迁徙率计算器的精度，取决于你行的基础数据治理水平。否则，你输入的是垃圾，输出的还是垃圾。
那到底该怎么用？我给你一个实战框架。第一，按业务条线分别计算迁徙率——零售、对公、信用卡、票据各算各的，别混在一起。第二，结合账龄分析，把迁徙率按贷款发放年份拆解，观察不同年份发放的贷款质量差异。第三，把迁徙率与不良生成率交叉验证。2024年二季末商业银行不良贷款率1.56%，而关注类贷款占比约2.2%，如果你所在银行关注类向不良的迁徙率明显高于行业中枢，那未来一个季度不良贷款反弹就是大概率事件。对了，1104报表里S69就是专门的资产质量五级分类情况表，但那个表是时点数，迁徙率的魅力在于它把时点数变成了过程量——这是我从一个做审计的朋友那里体会出来的，后来发现这个视角特别受用。
我还要泼一点冷水。很多时候我们过度迷恋指标的精细化，仿佛迁徙率算得越精准，风险就能控制得越好。反正我的经验是，迁徙率是滞后的——它反映的是过去一年已经发生的事实。2023年兴业银行的年报披露，其零售贷款中信用贷的正常类迁徙率同比上升了0.8个百分点，这个数字确实值得警惕，但真正要紧的是去追问：这0.8个百分点背后的客群画像发生了什么变化？是共债风险抬升还是收入预期走弱？是区域性风险聚集还是产品设计缺陷？数字只是引子，侦查才是正戏。迁徙率计算器给你指了一个方向，但路还得你自己走。
说到底，资产质量管理的本质是管理预期的迁移轨迹，而不是等待结果的降临。我的建议是，每个季度末用迁徙率计算器跑一遍全行数据，重点盯住关注类向次级类的迁徙趋势；同时建立分产品、分区域的迁徙率台账，连续观察至少8个季度。当你在某个季度突然发现迁徙率跳升超过均值两个标准差时，不用等监管来问，自己就该主动收缩投放了。资产质量的恶化从来不是一夜之间发生的，它在迁徙率里留下了漫长的脚印，问题是，你愿不愿意蹲下来看清楚这些脚印。
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。