图片来自“123rf.com.cn”

国内汽车金融发展现况

自2009年开始，中国已连续8年位居全球汽车产销量榜首，截至今年，国内新车销售量仍未停止成长趋势，2016全年新车销量约达两千七百万辆，二手车交易量亦突破千万辆，汽车销量的稳定增长成为带动汽车金融市场蓬勃发展的主要动力。据统计，2015年国内汽车金融市场规模约达8千至9千亿之间，估计2020年将突破2万亿。

借鉴全球先进国家的经验，目前全球汽车金融渗透率平均约达50%以上，在英国、美国等先进国家，渗透率更高达90%。反观国内，中国虽然连续8年位居全球汽车销售市场最高位，但2016年的汽车金融渗透率仅38%，与英美等先进国家相比，我国汽车金融市场仍有很大的发展空间。

庞大的潜在市场吸引许多合资车厂纷纷引进旗下汽车金融公司，国内自主品牌车厂也已成立或筹建自己的汽车金融公司，至2016年，我国汽车金融公司已增加至25家，资产规模突破4千亿。另一方面，互联网金融公司也以其灵活的数据应用提供更为便利的贷款产品来吸引消费者，企图一同抢占汽车金融的市场大饼，这些都显现了我国汽车金融市场融资渠道的逐渐多元化，且发展方向也逐渐转型为以消费者需求为导向——透过大数据应用简化以往冗长的贷款流程，借由优化消费者服务体验来获取并留住更多客户。可以说，大数据分析能力已成为企业的核心竞争力。因此，笔者想借由这次的文章分享对于汽车金融行业目前发展趋势的一些见解。

1.更” 快 “的客户体验要求

买车对很多人来说都是人生一件意义重大的事情，相信大家也大多和笔者一样，对于自己当年购买人生第一辆车的经历以及激动之情还记忆犹新。如何顺利地选择一辆爱车是需要花费很多精力去准备和策划的事情，制定预算、选车、试驾、贷款，提车，整个购车过程中的用户体验对客户的最终决策都至关重要。

笔者以前听朋友说起过这样的例子：一位年轻的客户走进4S店，希望能够挑选自己人生的第一辆车。看过几辆之后，他提出希望能够了解一下自己能够贷款的额度以及期数、利率条件，来决定最终购买哪一辆。4S店根据以往审批流程的经验，表示提交申请后需要3-5天的时间等待最终审批结果。结果年轻客户转身走出4S店，通过购车平台选购了自己心仪的爱车，并通过在线消费金融服务成功办理了贷款。

新一代的年轻客户生长在信息时代，早已习惯了高效率快节奏的服务，他们对于“快”的诉求超越了以往任何一个时代。对于汽车消费贷款提供商而言，审批流程的时效影响的已经不仅仅是自身经营效率和成本，更直接关系到客户贷款过程中的用户体验，乃至于最终影响成交的数量和成功率。特别是在当前金融科技高速发展的格局下，大批新兴的网贷平台、消金公司早就已经摩拳擦掌，打着“当日放款”、“秒贷”的旗号，对传统金融市场虎视眈眈。就如同上面的例子中，当你还在慢慢地走审批流程、核定风险、计算可贷额度的时候，客户可能早已经转身投入他家的怀抱。

所以，在当前的环境下，汽车金融服务提供商也需要迎合客户的诉求，进一步优化自身的申请审批流程，减少人工环节，提升审批决策的效率，实现高效的自动化申请审批决策。但如何在提升效率的同时仍能有效管理进件风险，这也是对各入场玩家在数据分析、经营管理乃至流程设计能力上的一大挑战了。

2.运用共同借款人加强风险管理

如笔者前段所述，买车往往是人生一件意义重大的事情，更可能是一个家庭除了买房以外的第二大开销。然而夫妻之间若有一人具有信用不良记录，就很可能会选择信用状况较好的一方申请车贷，借以掩饰信用瑕疵。因此，在实务上，许多金融业者都会要求客户在申请车贷时必须提供配偶或是直系亲属的姓名作为共同借款人，一同承担还款责任，以同一套风险评估标准共同评估车贷借款人及共借人之信用风险，完整描绘出信用主体的真实信用状况。

同样的概念亦可应用至风险评估模型内，将共借人信息也导入信用风险评估模型中，以借款人与共借人两者的风险评分建立更细化的风险等级判断标准，并以此风险等级为基础来设计额度策略，例如对于有共借人且风险等级良好之客群，可以调降车贷首付比例，让自动化的审批流程也不再只是单方面考量借款人自身信用状况，亦考量共同借款人的信用记录。这样一来，不仅能够更完整地呈现贷款主体的信用风险，也会让贷款额度更符合实际信用情况。

3.不良率太低导致坏客户样本不够支持模型开发

笔者曾与国内多家汽车金融公司以及融资租赁公司的风险负责人探讨风控心得，发现当下汽车金融服务提供商在构建风险模型时，最常遇到的一个问题即是坏客户样本太少。毕竟买车往往属于生活的必需品，资金用途非常明确，车辆价格也十分透明，不容易发生资金挪用及超额贷款风险，加上又有车辆抵押作为债权的保护，客户的违约成本高，自然提升了还款意愿，也造就了新车贷款不良率低的情况。根据中国银行业协会的数据统计，2016年国内汽车消费贷款不良率仅0.37%。

从风险管理的角度来看，低不良率是绩效的表现，是获利的保证，是每个从事风险管理的人最渴望看到的成果，但对于数据分析的人来说，这就未必是一件好事了。一个好的模型，是着眼于过去而预测未来，从过去的失败中学习经验，才能确保在未来提前规避风险。模型开发时，必须要有足够的坏样本支持，才能确保模型对于好坏客户的区分能力。低不良率无疑大大提高了模型开发的难度。

为了在坏样本不足的情况下依然保持模型开发的时效及品质，笔者认为：可以一方面建立多种不同程度的不良客户定义，再借由滚动率分析来选取较为严谨且样本数量相对充足的不良客户定义，确保样本数量足够支持模型开发；另一方面还可以借鉴业内行业经验，找出高风险用户的某些共性特征，结合数据分析结果快速构建申请风险模型原型，来作为第一层风险防线，并随着业务开展，根据反馈来不断地迭代、优化和调整自身模型及策略，做到对风险及时动态的管理。

4.信用白户的风险辨识

据统计数据表明，中国汽车消费者中30岁以下的人群占比正在逐年上升，年轻族群已经逐渐成为汽车市场的主流消费者。基于此发展趋势，许多品牌车厂陆续推出符合年轻人需求的车款，也积极地针对年轻族群打出许多营销方案。另一方面，二手车市场的快速发展，也让许多汽车金融业者放眼于二手车汽车金融市场的庞大商机。现在去逛二手车卖场时，常可看到汽车金融的服务人员提供二手车分期贷款产品，帮助消费者降低购车门槛。然而，二手车客户其实有较大的机率属于人行信用白户，面对这些缺乏信用记录的年轻客群以及二手车客群，套用现有的评分模型是否能有效区分信用风险，亦成为我们模型开发者关注的焦点。

以往信用风险模型皆以人行征信变量占大多数，当面对几无信用记录的客群时，信用评分几乎都是落于中间水平，难以有效辨识风险。面对这样的困境，我们建议的做法是采集更多样化的数据投入模型开发，例如在模型中投入电信运营商数据、航空及铁路数据、第三方支付数据等，扩大模型中变量的维度，降低人行征信变量的比重，借此提升模型对于无人行信用记录客群的风险辨识度。

另一方面，针对无人行征信记录的客群，我们可以再从中细分出具有互联网金融借款记录的客群，针对这些客群采用互联网金融平台的信用评分、欺诈记录、平台查询记录、历史信用记录等数据建立评分模型。对于无人行征信记录也无互联网金融借款之客群，再利用第三方数据开发通用评分模型，透过更缜密的客户细分规则，并针对不同性质之客群套用与之匹配的评分模型，来提升评分系统对于整体客群的覆盖率。

结语：没有放之四海而皆准的屠龙宝刀，只有最适合自己的屠龙之术

近年来，在和各界客户的交流中，笔者经常会被问到一个问题：“Hi John，能不能把你们的评分模型分享给我们，也帮我们提升一下进件风险管理？”每每被问及，笔者都不禁感慨，很多朋友直到目前对于评分模型的理解仍然有所不足，以为优秀的评分模型就像是武侠小说中“屠龙宝刀”一样，放之四海而皆准，得之即可号令天下。然而生活中没有屠龙宝刀，只有勤练内功、修炼出来的属于自己的屠龙之术。

就拿汽车金融领域的申请审批风险管理为例，汽车消费金融服务的客群根据其汽车品牌的不同，其定位以及客群特性也各不相同。胡润百富曾对中国各大豪车品牌特性进行过研究，并根据调研统计结果对各品牌车主进行用户画像，结果表明：各品牌车主画像拥有较大的差异性，甚至同一品牌在不同地域上也体现出较为明显的差异。如：沃尔沃的车主偏向于年龄较长、学历偏高的男性，职业大多为公务员、白领或专业人士；而宝马车主则偏向于年纪较轻的已婚女性客群，学历偏高。对于这两个品牌，如果生搬硬套一个"优秀"评分模型而不结合自身的业务特点进行客制化调整，那无疑是差之毫厘，谬以千里了。反之，笔者也曾见过有人完全从统计学的角度进行数据建模，未考量变量的业务含义，开发出似是而非的评分模型。这种模型如果应用在实际业务审批，可能会出现南辕北辙的结果。

所以，笔者认为：在零售风险领域没有捷径可走，只有俯下身去，从自身客群数据上开始，仔细抽丝剥茧，再结合业务经验和自身发展战略，不断测试与学习，才能搭建出适合自己的风险管理体系。优秀的风险管理不仅仅要有精湛的统计知识、先进的分析工具，更是要基于对自身业务数据、产品客群定位、发展战略等一系列要素的理解，抱着谨慎小心但不怕犯错的精神，勇于尝试、善于学习，方能走向成功。