一张迁徙率测算模板，提前看见资产质量的走向
这篇文章想聊一个具体的技术活：银行人怎么用迁徙率模板，把“资产质量在变好还是变差”这个模糊的感觉，变成一张可以量化、可以预测的趋势图。我的核心判断是，迁徙率是比不良率更敏锐的预警器，谁先把这套测算模板用熟，谁就能在风险暴露前拿到筹码。
说实话，干了这么多年信贷管理，我最怕听到一句话：“感觉最近逾期有点多。”感觉是主观的，监管不认、审计不认、行领导决策也不认。他们只认数。但传统的不良率是滞后指标，等不良率掉头向上，损失基本已经定型。迁徙率不一样，它盯的是贷款在分类矩阵里“搬家”的方向和速度——正常类有多少滑向了关注类，关注类又有多少沦为了次级类，这个移动的比率，才是资产质量的脉搏。
先讲透一个概念：迁徙率不是算出来的，是看出来的
翻阅了2023年《商业银行金融资产风险分类办法》之后我愈发确认，监管的思路正在从“结果管理”转向“过程管理”。办法要求商业银行对交叉违约、资产质量迁徙进行动态监测，说白了，监管也想看“过程”。但你去翻上市银行年报，真正把迁徙率讲透的没几家。招商银行在年报里披露过零售贷款的迁徙率结构，平安银行也提过新一贷的迁徙数据。大家披露归披露，内部到底有没有把迁徙率当成一个日常管理工具，我持保留态度。
迁徙率模板的底层逻辑其实不复杂。它把贷款按五级分类建一个矩阵：正常、关注、次级、可疑、损失。每一期，我们统计期初在某一级、期末掉到下一级甚至更差级别的金额占比。这个占比，就是迁徙率。比如某分行一季度正常类贷款是100亿，季末有1.5亿下迁到了关注类，那正常类迁徙率就是1.5%。听起来简单吧？但真正用起来，你会发现它是个透视镜，能照出不良率看不到的结构变化。
模板的关键在于拆分维度，否则只有一个空洞的总数
刚上手做迁徙率测算的人，最容易犯一个错：把全行贷款揉在一起算一个总迁徙率。这个总数有什么意义？只能拿去写报告的，对业务指导等于零。我之前在贷后管理条线待过，后来做风险监测，起初做的模板也是全行一个数，做出来自己都觉得心虚——批发和零售的客群特征完全不一样，对公靠大户、零售靠大数法则，迁徙路径怎么可能一样？
后来我想通了，模板的第一层必须先做客群拆分，至少拆成对公、零售、信用卡三个大类。对公要看行业和评级，零售要看产品（按揭、消费贷、经营贷）和担保方式。举个我实际测算过的例子：某国有大行分行，2024年三季度末对公房地产贷款的正常类下迁率是4.2%，但制造业只有1.1%。如果不拆分，只看总量，你会觉得风险还行，徘徊在2%左右。一拆开，问题瞬间裸奔——房地产行业在加速劣变，制造业相对稳定。我们的风险政策就需要赶紧加码，对房地产存量客户逐户排查，而不是全行一刀切收紧。
维度拆完之后，第二步是要拉长观察周期。我起初也犯过“只看一个季度”的毛病。单看一个季度，迁徙率受偶然因素干扰极大。某个月某笔大额贷款因为还款日调整临时逾期，下迁率突然飙高，你以为是风险事件，结果下个月又降回来了。做这个模板，我的经验是至少看四个季度，用滚动平均去平滑掉季节性扰动。
光看数值没有意义，要建立“下迁率+回迁率”的双向视角
大家谈到迁徙率，眼睛都盯着“向下迁徙”——正常变关注、关注变次级。这当然是核心，但如果只看下迁，你会高估风险。因为还有一部分贷款是“回迁”的：关注类通过催收成功或者担保落实后，又回到了正常类。前阵子我处理过一个案例，某股份制银行的信用卡业务，逾期30天到60天的账户有38%会在下一个账期回到正常状态，但逾期90天以上的账户回迁率不足5%。你看，不同阶段贷款的“流动性”完全不是一个量级。
所以，一张真正靠谱的迁徙率测算模板，必须有双向迁徙的视角。既算流入，也算流出。流入了多少、沉淀了多少、又流出多少，这样你才能估算出未来三到六个季度的不良生成率。我以前测算的时候，会用一个简易的迁移模型：期初正常类余额 × 正常类下迁率 + 期初关注类余额 × 关注类下迁率，再减去回迁部分，得到下一期的新增不良。这个数跟实际值偏差控制在10%以内，用作风控决策足够。
监管规定的五级分类里面，次级和可疑类贷款的迁徙率往往是相对稳定的。真正决定资产质量大盘的，是正常和关注这两个前端的口子。你想，正常类基数巨大，哪怕下迁率只上升0.2个百分点，意味着几十亿的资产瞬间承压。关注类更不用说，它是风险分类里最暧昧的地带。反正我的判断是，盯住正常类→关注类的迁徙率，比盯住不良率有用得多。关注类下迁率一旦连续两个季度抬头，大概率预示第三季度或第四季度不良要冒头。
实操中怎么把模板搭得真正能用？我的几点体会
我在实际搭建模板的过程中，整理过一套自己的算账逻辑。你得先明确分母，用期初余额还是期末余额？如果用期末做主分母，余额下降会让迁徙率被动抬高，数据失真。我建议统一用期初时点的分类余额做分母，分子是期初属于某一类、但期末分类降级的那部分金额。口径一旦定错，数字上下能差出0.5个百分点，决策方向跑偏就麻烦了。
模板不能只是Excel里一个静态的sheet。要在单元格里嵌入银监局1104报送口径的逻辑，做成自动映取底层资产明细的模型，而不是手工贴数。手工贴数的坏处显而易见：效率低且容易出错。我刚入行时经历过一次，手工台账某个单元格公式被不小心覆盖，导致整张表加总错误，差点报给监管。自那以后，我对模板有个执念：公式要锁死，数据源要自动，任何手工修改都得留下痕迹。
另外，我强烈建议把迁徙率模板和逾期台账打通。你在算迁徙率时，如果发现某笔贷款从正常跳到次级，却在逾期台账上没有记录，说明五级分类调整不及时。这种科目间的逻辑校验，是模板的灵魂。否则，测算结果只是一个建立在错误地基上的漂亮数字。
别把工具用成报表，它应该长成管理动作
有一个观点可能有些冒犯，但我必须说：如果迁徙率测算仅仅是为了填一份监管报表，那它存在的价值就废掉一半。我们在基层调研的时候见过一些分支行，月初才在系统里拉数据补填上月模板，填完交给风险管理部就完事。这哪里是风险管理？这是填表，是行政作业。
真正把迁徙率用出价值的团队，会把它做成季度风险检视会的核心输入项。每个业务条线负责人拿着自己分管的贷款迁徙矩阵，解释正常类下迁率为什么走高、回迁率为什么低于全行平均。你让业务人员解释迁移率，他们会下意识地反思自己的客户准入、贷后管理频次、催收策略，这比逼着他们看不良率目标要管用得多。反正我参加过几次这种形式的会议，大家发言的颗粒度完全不一样，不再是“我们一定严格管控风险”这种正确的废话了。
还需要提醒的是，迁徙率在预测资产质量变化趋势上有天然的优越性，但它无法回答“为什么”。它告诉你风险正在往哪里移动，却不告诉你移动的原因。所以得配合微观的贷户排查和宏观的行业景气度分析来使用。比如你算出来制造业正常类下迁率上升，什么原因？是订单流失还是担保圈拖累？这就要落到具体的企业经营层面去判断。
最后，落脚到行动建议。我知道大家最关心的是，这个2025年该怎么用好迁徙率这个东西。第一，我认为要考虑给分支机构的资产质量考核里面加一个新指标——正常类下迁率，用这个指标替代或辅助不良率，让业务前端更早感受到压力。第二，把迁徙率监测频率从按季提高到按月，尤其是关注类和次级类的迁移。特别是当下经济缓慢复苏，企业资金链依旧普遍偏紧，按月监测才能捕捉到苗头。第三，请务必重视早筛模型的开发，有些银行已经在尝试用机器学习的思路，在迁徙率模板基础上叠加行为评分，识别出哪些客户有向下迁徙的早期特征。
银行经营的就是风险，这话说了太多年以至于有点陈词滥调。但资产质量变化的趋势就藏在这些枯燥的百分比后面，你不去拆解它，风险就会在你看不见的地方慢慢堆积，直到某个措手不及的季末突然爆出来。迁徙率这张牌，是防守也是进攻。用好了，你可以在风险真正降临之前完成退避；用不好，它不过就是一张贴在报表后面的死图表。
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。