迁徙率不是数学游戏，而是银行人最该重视的风险前瞻指标。这篇文章讲清楚它对资产质量判断的意义，以及模板怎么建怎么用。

一、迁徙率被低估了

十一假期前我翻了十几份银行年报，发现一个有意思的现象：大部分银行都会披露不良率、拨备覆盖率，但主动披露迁徙率的银行少得可怜。说实话，这不怪银行藏着掖着——很多人根本没意识到迁徙率的价值。

不良率是一个时点概念，抓拍的是资产质量的“照片”；而迁徙率描述的是资产从正常类滑向关注类、次级类甚至损失类的路径，相当于记录风险演变的“影像资料”。照片只能告诉你现状有多差，影像能告诉你差的趋势有多快。银行业干了这么多年，动态分析才是有穿透力的分析。

银保监会2023年发布的《商业银行金融资产风险分类办法》明确要求以债务人的履约能力为中心，对交叉违约也有了更细致的规定。监管的思路已经很清楚了——他们要的不只是一个静态的底数，而是风险演化的全貌。迁徙率恰恰就是这个全貌最直观的表达。

二、为什么多数迁徙率测算成了摆设

现实中很多银行的迁徙率测算流于形式。我见过不少同事为了应付1104报表，拿Excel拉一个矩阵，公式敲完下拉，数字出来往上报，任务就算结束了。后来发现这种做法特别可惜——数字有了，管理动作却没跟上。

问题出在模板的设计思路上。有的行用五级分类直接做迁移矩阵，口径太粗——从正常类一步跳到损失类，中间经历次级、可疑的路径被忽略了，这对日常管理的参考价值非常有限。还有的模板把逾期天数作为唯一维度，但逾期不等于不良，两者之间的错位恰恰是风险预警最敏感的地带。

模板不应该是填数工具，而是一个思考框架。

三、一个能“算清账”的模板应该长什么样

我自己在用的迁徙率测算模板，核心动作只有一句话：把逾期天数的变动矩阵映射到风险分类状态上，然后按金额加权算迁移比例。注意，是逾期状态矩阵，不是五级分类矩阵。原因很简单——逾期数据从信贷系统就能直接取到，时效快，不依赖人工调整后的分类结果。

具体拆开来，模板分四步走。

第一步搭骨架——把观察期初的逾期状态分行：未逾期（C0）、逾期1-30天（C1）、31-60天（C2）、61-90天（C3）、91-180天（C4）、180天以上（C5）。这些区间不需要按银行的惯例硬凑，参照《商业银行信用卡业务监督管理办法》和《贷款风险分类指引》中对逾期档位的划分逻辑，保持与监管报送口径的一致性就行。

第二步填数——把期末每个客户的最新逾期状态按同样的区间再分一次，形成一个行是期初、列是期末的二维迁徙矩阵。这一步决定了输出的质量，如果系统里没有逾期状态的底层数据，采集起来会非常痛苦。

第三步算比例——单元格除以行合计，得出从任一状态迁往更差状态的比例。这就是迁移率。这一步我习惯在Excel里用透视表解决，配上条件格式，一眼能看出哪个档位的恶化最快。

第四步看结构——把C1迁C2的比例和C2迁C3的比例放在一起看。正常类客户的C1-C2迁移率长期稳定在3%-5%区间，如果某个月突然跳到8%以上，这大概率不是偶然波动，而是客群结构或者审批标准出现了变化。

这里有一个很实操的细节：大额客户建议单独做一张表跟踪。某股份行对公业务部门，余额占比不到2%的大额客户一度贡献了超过30%的迁徙率跳跃，不做拆分很难定位问题到底出在长尾客群还是头部客户。

四、算出来只是开始——三张图读懂风险方向

光有算出来的迁移率数字还不够，要把数字翻译成管理层看得懂的语言。我一般把输出做成三张图。

第一张是迁徙瀑布图。期初正常类100亿，经过一年，有多少滑向了关注类，多少直接跳到了次级，还留在正常类的有多少。瀑布图的优势在于每一段损失都可视化，管理层一眼能看到风险从哪一个环节开始累积的。

第二张是滚动趋势线。将最近12个月的C1-C2迁移率连成一条折线，叠加每月新发放贷款的审批通过率和平均首逾率，这样就能直观看到：新客质量是在变好还是变差、存量客户的风险暴露在什么阶段开始加速。2022年银行业整体关注类贷款迁徙率处于历史高位，有的行年末比年初上升了0.3个百分点，但看月度趋势会发现峰值出现在年中——如果只看年末数，敏感期的应对措施就被掩盖了。

第三张是行业热力矩阵。把各行业的迁移率横向对比，尤其要关注制造业、批发零售业这些周期性强的行业。以某上市城商行2023年年报数据为例，其制造业贷款迁徙率明显高于全行平均水平。趋势一旦形成，往往要延续两到三个季度，提早做退出或压缩才来得及。

五、迁徙率不只是用来“看”的，更是用来“做”的

我有段时间对迁徙率最大的困惑是：它是不是一个滞后的指标？说白了，客户的逾期状态都发生了，我们才发现风险在迁移，这能算什么预警？后来想明白了——迁徙率确实是事中指标，但不同档位之间的迁移时间差，就是我们的预警窗口。

从首次逾期到进入不良，中间通常会经历90到180天。这段时间就是贷后管理的黄金窗口。如果C1到C2的迁移率出现明显抬升，说明早期的催收策略没有起到预期的拦截效果——要么触达率不够，要么还款方案设计不合理。如果C2到C3的迁移率攀升，说明常规催收手段已经失效，该准备移交法律手段了。

我自己习惯设两条行动线。第一条是监控线：某档位迁移率连续两个月超过行内历史均值的1.2倍，触发重点关注。第二条是干预线：迁移率超过均值1.5倍，启动专项处置预案，包括高管包户、重组方案设计、甚至提前计提拨备。银保监会2022年发布的《商业银行预期信用损失法实施管理办法》对阶段划分就有明确要求——如果迁徙率数据能反映到三阶段的转换判断上，整个计提逻辑会扎实得多。2023年银行业全年净利润增长3%，如果把迁徙率前瞻性用起来，部分行的资产减值损失本可以计提得更平滑——利润的波动性也会更可控。

反正在我看来，一个模板用得好不好，不看公式多复杂，就看它能不能帮信贷员在一个客户首次逾期后的30天内做出有效反应，而不是等到逾期90天才想起来发律师函。

六、我的建议

每一个信贷条线的从业者，都值得花一个下午把自己的迁徙率模板重新搭一遍。不用追求复杂的模型，不需要Python，一个Excel透视表加三张图表就够用了。关键是——底层数据要准，分档口径要统一，迁移率要和处置动作挂钩形成闭环。

衡量一个模板的最好标准是：它能不能大幅压缩从“风险可见”到“风险处置”之间的时间差。如果能，它就是有效的；如果不能，不管多花哨都是一个摆设。资产质量管理的本质不是事后追认不良，而是在迁徙发生之前切断路径。工具只是手段，对趋势的敏感才是银行人最应该打磨的能力。

本文由「银行人实用工具箱」（deepwater84.cn）出品。