迁徙率测算不是算账，是给资产质量照X光
打开1104报表的时候，我盯着G01和G12那几栏，说实话，心里常常一种说不出的无力感。不良率、拨备覆盖率这些指标当然重要，但它们顶多是后视镜，告诉你刚才撞了什么。真正要预判风险，你得看迁徙率——这笔贷款一个月后是变好还是变坏，池子里的水往哪个方向流。我的判断是，绝大多数银行把迁徙率测算模板用成了填表工具，没把它当成X光机用。
先捋一下背景。2023年7月，原银保监会正式实施《商业银行金融资产风险分类办法》，把风险分类从“五级分类”进一步细化为“金融资产”全口径穿透。这意味着什么？监管对资产质量的颗粒度要求变了，不再满足于“逾期90天以上进不良”这种粗线条，而是要你回答：关注类往次级类迁徙的比率是多少，次级类往可疑类迁徙的速率有没有加速。我们行去年年报披露了一个数字：关注类贷款迁徙率是22.3%，比前年高了4.1个百分点。这个数一出来，风险总监的脸当场就拉下来了——但说实话，这个数字本身不吓人，吓人的是它背后的趋势。谁在迁徙、迁徙了多少、往哪个方向迁，这才是模板要回答的问题。
模板的第一层逻辑：把“逾期天数”从账本变成坐标轴
很多人做迁徙率测算时，犯的第一个错就是把逾期天数当成一个静态的标签。贷款逾期30天、60天、90天，每个档位挂个数，完事。但迁徙率模板的本质，是让每一笔贷款在时间轴上都有一个坐标。我举个例子，我们行有一笔对公贷款，某制造企业，报表上一直显示“正常类”，但逾期天数已经从第31天挪到了第89天。如果你只看五级分类，它是正常的；如果你把迁徙率模板拉出来，你会看到它正在从“关注类”往“次级类”的跑道上滑，速度还不慢。
所以我坚持的思路是：模板得把贷款在观测期（比如Q1）的分类结果，和它在观测期后（比如Q2）的分类结果做交叉比对。交叉核验的目的不是算出那个比率——比率只是结果——而是揪出那些“看起来正常、实则逾期垒高”的潜伏者。我们内部用这套方法，发现了一个规律：凡是逾期天数连续两个周期上升且贷款本金尚未重组的客户，迁徙到次级类的概率，是普通关注类的3.7倍。这个数据，年报里不会告诉你，光看五级分类你永远看不到。
模板的第二层逻辑：迁徙本身不是问题，迁移加速度才是
这里我想说一个反直觉的判断：迁徙率上升不一定是坏事，关键要看加速度的曲率。我们行2022年底关注类迁徙率是18.7%，2023年底是22.3%，单看这个曲线是恶化的。但如果把时间序列再拉长，你会发现2020年这个数字是25.1%。也就是说，尽管还在上升，但加速度已经大幅放缓了。这背后是什么？是我们当时把大量潜在风险贷款做了重组和打包转让。这里就涉及一个方法论陷阱：迁徙率模板如果没有叠加“处置因素”的标注，那么你用模板算出的比率，可能只是一个被粉饰过的“自然迁徙率”。
监管文件里，《商业银行金融资产风险分类办法》第二十条明确规定，重组资产的风险分类至少观察期一年，观察期内不得上调。这个规定防止了什么？防止了银行用重组手段人为阻断迁徙。我特别想提醒的是，你在用迁徙率模板时，一定要加一列“是否处于重组观察期”。否则，你的模板会把处置带来的迁徙率下降，误判成资产质量的真实改善——这是很多银行测算模板最大的bug。
模板的第三层逻辑：迁徙率是一场“微观行为的群体折射”
模板不能只做统计学矩阵。我和一些风控同事聊过，他们觉得迁徙率就是数学：分子是下一期降级的贷款余额，分母是上一期的指定分类余额。这话没错，但太唯物主义了。我认为，迁徙率真正的价值，是微观行为的群体折射——每一笔贷款的背后，是一个客户的经营行为、行业景气度、甚至地区经济活力。
拿我们行去年突然恶化的一个案例说。某中部省份的城投平台子公司，账面借款余额1.2亿元，分类是“关注类”。按照模板，它的迁徙率路径是正常的，没有异常波动。但如果我们把口径进一步放宽——从对公信贷延伸到关联方交易，看看母公司在这家银行的应付票据认没认——你会发现，这家子公司逾期利息已经跨越了两个结息日。我们后来把这个线索反馈给贷后管理岗时，客户经理说了一句至今让我忘不掉的话：“这户我们盯了两年，真没想到是这种情况。”那笔贷款后来划入次级类，提取减值准备4800万。
所以我的主张很明确：迁徙率模板绝不只是一个“季度底打开算一次”的东西，它应当是一个按月、按产品线、按行业、甚至按地区维度动态跟踪的系统。我曾经算过一笔账，如果提前一个季度识别出那笔4800万的减值，我们行的拨备覆盖率可以少消耗0.8个百分点——这个数，在年终绩效考核时的分量，反正懂得都懂。
方法论迁移：迁徙率不只是对公贷款的专利
我还想再多说一层：迁徙率模板不仅适用于对公贷款，它同样适用于信用卡、个人消费贷、小微经营贷。监管要求“金融资产全口径”分类，说白了就是希望你把每一个存量的资产包都摊开来看。有一个数字我记得很清楚：2023年招商银行年报披露，其信用卡贷款不良率是1.58%。但如果你是做信用卡的，你不能只看不良率，你得看“延滞率”——也就是从M1（逾期30天）进入M2（逾期60天）的比率。我们用信用卡的延滞率做了一个简易迁徙矩阵，发现在某个分群（比如30岁以下、额度使用率超85%的客户），M1向M2的迁徙率高达58%，而全量客户这个数字只有26%。这一下子我们就明白了，该对哪些客群调降额度、该对哪些客群缩短催收周期。这不是理论推演，这是模板算出来的真金白银。
模板的落地路径：从口径统一到动态跟踪
说回操作层面。我认为迁徙率模板怎么用，就三步。第一步，统一口径：把五级分类、逾期天数、重组标记、减值计提这四套数据拉到一张表上，要求每一笔贷款都有唯一标识，确保分类变更可以被追溯。第二步，重排分组：不用死板的“正常→关注”这种单向路径，而是做双向矩阵——正常、关注、次级、可疑、损失互相之间的迁移全部要算。第三步，叠加频次：不要一个季度才动一次，至少要月度跟踪，我们对公条线现在是每旬跑一次模板，跑的指标是“迁徙概率”，而不是静态比率。
这一步的最终目的，是把迁徙率从“报表报表”变成“镜片”。我看见很多同行用模板就是为了应付监管检查，填完数就扔到一边。可你想，迁徙率数据进了1104报表系统之后，它是会沉淀的。等于说，监管比你更早看到你行资产质量的变动方向。如果你自己不算，监管帮你算，那结果就是你的资本充足率被倒逼着走。我反正是这么判断的：未来两年，迁徙率一定会纳入监管评级的核心参考项，谁先建立动态监控，谁就掌握主动权。
最后给一个建议。从现在开始，你去把过去三期的五级分类明细翻出来，手工建一个最简陋的交叉矩阵：本期正常类到下一期正常类、关注类、次级类的余额分别有多少。不需要任何工具，Excel就能做。你会发现，这个矩阵一旦建成，你比之前任何时候都更清楚——你的资产到底在流动的方向是哪些。别等了，越早动手越好。说不定下一次贷后管理会上，你就能比别人多说一句“迁徙率预警了”，而不只是汇报“不良率没变”。
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。