迁徙率计算器：把资产质量变化稳稳装进数据驾驶舱

这篇文章想说的是，你手头那台每天都在弹出风险的信贷系统，其实一直缺一个最核心的透视镜——贷款迁徙率。我翻了银保监会官网，2023年三季度商业银行不良贷款余额超过3.2万亿，关注类贷款占比攀升至2.2%以上，这个数字背后，最让风控条线头疼的不是存量不良处置不掉，而是你不知道哪一批关注类贷款会在半年后变成次级。迁徙率计算器解决的就是这个预判问题：填几个数进去，资产质量的走向就摊开在你面前，比任何月度例会上的空泛汇报都更能说明问题。

说实话，我发现很多从业者把迁徙率理解成了“不良生成率”的影子，总觉得反正都是看资产怎么变坏的，何必分得那么清楚。这种粗放认知，大概率是过去十年高增长时代留下来的惯性。我当时在分行做贷后管理，领导最爱问一句话：这个季度的关注类往下迁了多少？可翻遍贷后报告，能找到的只有各级余额的增减，没人算得出真正的转移概率。后来我去参加银保监会的1104报表培训，才知道监管早就要求报送贷款质量迁徙情况表（G12报表），只是很多人填报时都是按系统自动生成的数据抄一遍，压根没搞懂里面的逻辑。

要我说，迁徙率才是衡量一家银行资产质量控制能力的真实体检指标。不良率是滞后指标，就像你看到一辆车已经撞坏了才说它安全性能差；而迁徙率是先行指标，它告诉你轮胎的磨损速度有多快，刹车片还能撑多少公里。我在建行年报里注意到一个细节，2022年末建筑业贷款迁徙率从前一年的0.85%跳升到1.35%，而这个数据在2023年的半年报里直接反映在了不良率上行曲线上。你看，信号的传递是有时间差的，谁能早一个季度看清迁徙方向，谁就能在信贷政策上提前踩刹车。

那么实务中，我们到底该怎么用好迁徙率计算器？我的理解是，关键不是记住公式，而是建立一个三层递进的思维框架。第一层叫做“矩阵视角”，就是别再只盯着单一级次的变动，要有一张完整的二维表格，把正常、关注、次级、可疑、损失这五个类别的相互流动全部装进去。计算器输入的数据其实就三列：期初余额、本期向下迁徙额、期末余额，但输出的却是一张7×7或者5×5的转移矩阵。我记得自己做对公客户经理时，管过一个做光伏组件的小企业，那个季度它的贷款利息逾期超过了90天，系统自动把它从关注调到了次级，但同期它还有一笔500万的流动资金贷款在正常类里还没到期。如果只看单笔贷款的状态，你会觉得资产质量在劣变；可如果把两笔贷款放在一个客户维度下看现金流，会发现企业只是短期的应收账款回款周期拉长了，远没有到资不抵债的程度。

第二层是“偏离度检测”。计算器不是算完概率就结束的，它的价值在于暴露你预期和现实之间的落差。举个例子，2023年那批罚单里，有一家股份行因为信用卡贷款的五级分类不准确被监管处罚，说到底就是迁徙率测算和实际催收回收情况严重偏离。当时银保监会通报里点了名，该行卡中心把逾期180天以上的账户仍然划在次级类，可逾期天数超过360天、催收失联比例超过四成的账户，按迁徙逻辑早该进入可疑甚至损失类了。分歧出现在哪里？就出现在“迁徙率计算器”里一个容易被忽视的参数——回收率假设。很多人默认逾期90天以内的账户回收率能达到65%以上，可我查过一家上市银行年报附注里披露的历史数据，真正出现两次以上还款断点的客户，最终实际回收率往往不到30%。我判断这个参数是所有计算器里最容易被操纵、也最需要结合历史数据修正的输入项。

第三层才是我真正想强调的：把迁徙率用成“动态预测模型”，而不是“事后统计报表”。我刚入行那阵子，流行的是计算一个静态的不良率，说这个季度我们控制住了，不良率同比下降了0.05个百分点。可我后来看包商银行的案例，2017年它披露的不良率只有1.7%，可到了2019年接管时，监管认定的不良率远超账面，这里面的窟窿说到底就是前几年的迁徙率被低估了。如果当时有一个好用的工具，管理者只需要坚持每个季度输入各等级贷款余额和向下迁移额，三个月后自动生成趋势线，那么当迁徙率连续两个季度偏离阈值的时候，预警信号就会尖锐地响起。现在我们行里的贷后管理，已经把所有企业客户的五级分类变动录成了台账，计算器嵌在风险监测模块里，每次贷后例会我都会要求客户经理把涉及调级的企业迁徙率跑一遍，确认是否和客户的经营现金流变化同频。

这里我特别想提醒一点，不要迷信某个单一数值，央国企和民营小微的迁徙率天然不在一个维度上。我做过的最高一笔对公贷款是给一家钢铁国企的10亿元授信，它的抵押物、股东背景都扎实，哪怕行业下行，迁徙率长期也稳定在0.3%以下。可另一边，一个年营收不到2000万的小企业主，开的是餐饮连锁店，遇上疫情封控三个月，就算笔笔贷款都有房产抵押，他的经营贷迁徙率也很快会冲到5%以上。拿所有客户算同一个算术平均数，得到的迁徙率其实没有多大风控意义。要我说，真正有效的用法是分层建模：按行业分、按担保方式分、按授信金额分，每一个子集跑三次数据，再和全行整体水平做对比。就拿我们行零售贷款部来说，信用卡透支的平均迁徙率在1.8%左右，按揭贷款稳定在0.2%以内，这两类资产的风险画像完全不同，混在一起算出来的迁徙率，说实话还不如不看。

最后谈谈工作习惯的养成。我在基层调研时发现一个共性现象，很多客户经理补录贷后检查报告，都是系统提示到期了再赶工，调级甚至要靠风险部检查时提醒。这种“被动式”管理，最直接的后果是迁徙率计算器里的期初余额和期末余额对不上账，算出来的数字自然失真。财会人员都知道“账实相符”，风险条线也应该建立“四级相符”的底线——贷款台账、五级分类认定表、1104报表G12表、迁徙率计算底稿，这四个表必须能够交叉核验，每一个向下迁徙的客户都有完整的贷后记录支撑，可以随时追溯到是哪一天触发调级、依据了什么标准、审批人是谁。

我2023年走了一圈江浙的城商行，有一家做得特别细，他们把迁徙率计算器用成了全行资产质量的晴雨表，每个月末自动生成一张“迁徙热力图”，行长办公会第一屏展示的就是这个图。那家银行的关注类贷款率只有1.1%，远远低于全省平均水平1.9%。说实话我当时挺惊讶的，后来才知道他们的秘诀不复杂，就是把存量贷款按月滚动划分成二十个行业细类、六种担保方式，每一类都有独立的迁徙率均值和方差，一旦某类贷款的三个月平均迁徙率超出自身均值两倍标准差，系统自动锁定额度新增，必须由风险管理委员会专项审议才能解冻。这个机制让他们的不良率连续五年没有突破过0.9%，这种“把预警装进工具里”的做法，比我见过大多数银行的季度风险报告都实在得多。

所以我觉得，别再把迁徙率计算器当成一个“输入几个数就出结果”的小玩具了。它的本质是资产质量的听诊器，听的是血液流动的杂音和堵点。这里也给你几个非常具体的行动建议：第一，这个月就把你们行的贷款台账导出来，按行业和担保方式做一次重分类，然后挑两个历史季度数据手工跑一遍迁徙率，验证系统计算逻辑是否准确；第二，把迁徙率指标纳入对公客户经理和风险经理的月度考核权重，哪怕只占5%，也会改变大家看数据的习惯；第三，拉上科技部的同事，把计算器的结果输出成一张移动端可查看的趋势图，每周五下午推送给分支行主要负责人。相信我，半年之后你回头看，会发现资产质量的管理抓手比想象中清晰得多。

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。