論文摘要：信貸結構的內容比較廣泛，本文從房地產貸款出發，分析房地產貸款的風險，并利用SPSS統計軟件的決策樹方法，對中國工商銀行陜西省分行的房貸客戶進行分類，以此來討論銀行信貸結構的調整，為銀行更好實施客戶關系管理服務，為其更科學地分配信貸資金提供依據！
論文關鍵詞：銀行信貸,風險,客戶關系管理,決策樹
　　一、引言
　　銀行信貸是銀行將自己籌集的資金暫時借給企事業單位使用，在約定時間內收回并收取一定利息的經濟活動。就某一行業的銀行信貸管理（如房貸）來說，既包括對單一客戶的管理，也包括對不同風險，不同期限信貸產品的管理。
　　從宏觀來說:房地產業是我國國民經濟的重要支柱產業之一，中國房地產市場發展對經濟增長貢獻的重要作用是不容忽視的。2003年我國GDP增長率為9.3%，房地產開發投資的貢獻率達到了4.0%；房地產業又是資金密集型產業，與金融體系關系密切。
　　就微觀而言：住房問題關系著每個消費者的日常生活，隨著人們生活水平的提高，人們對住房的要求越來越高。中國每年新生人口要超過1000萬，每年由農村進入城市需要解決住房的進城人員達到1800萬，還有2100萬流動農民工，也需要居住條件。因此，消費者對住房貸款的需求越來越大，快速發展的房地產貸款大大擴展了銀行的規模，越來越多的貸款需要銀行提高審查和管理的水平，也需要銀行對客戶采取科學的管理方法，控制好風險！
　　二、房貸風險
　　目前大量的住房需求對銀行的貸款需求越來越大，加上之前一直快速上漲的房價，銀行需要對每套住房發放的貸款也越來越多，兩方面導致的大量需求已經使房貸成為銀行擴大其規模的重要途徑。而過高的房價使房地產市場的一些潛在風險隱藏了起來，一些銀行盲目地擴大貸款規模，忽視了潛存的風險。然而，一旦房價下跌，這些潛在的風險就會暴露出來，大量的消費者將還不起貸款，引起房地產貸款大量的違約，給銀行資產的安全運行帶來威脅。目前還在蔓延的金融危機最初亦是由美國房地產業的次級貸款引起的，這些已經給中國的住房貸款敲響了警鐘，也給我國銀行的房貸風險管理提出了更大的挑戰，從而使得銀行更加重視客戶管理的重要性！
　　三、客戶關系管理（CRM）
　　客戶關系管理（CustomerRelationshipManagement，簡稱CRM）是指通過培養企業的最終客戶、分銷商和合作伙伴對本企業及其產品更積極的偏愛或偏好，留住他們并以此提升企業業績的一種營銷策略。
　　CRM管理的作用主要有：
　　1、客戶管理統一化
　　用一個統一的系統對企業的客戶進行識別和管理，有助于企業各部門之間建立一個統一的客戶評定標準，使得對客戶的評價更準確、客觀。
　　2、識別企業的客戶
　　對任何企業而言，都可以將客戶按照價值劃分為“鉛質客戶”“鐵質客戶”“黃金客戶”“白金客戶”四種。其中“鉛質客戶”對企業沒有任何價值，屬于企業應拋棄的對象；“鐵質客戶”具有潛在的價值，屬于企業應該發展的對象；“黃金客戶”和“白金客戶”是企業最有價值的客戶，他們的數量占總客戶群的20%，而實現的利潤往往占總利潤的80%以上。識別出這20%的客戶將對銀行盈利產生事半功倍的效果。
　　3、提高客戶的滿意度
　　企業能夠通過各種銷售活動，服務活動進行跟蹤，通過決策支持系統對客戶的需求動向和潛在需求進行發掘，進而向客戶提供定制化的產品和服務。使客戶的讓渡價值最大化，從而最大限度地提供客戶滿意度。
　　4、實現企業目標
　　企業通過客戶關系管理，一方面可以降低自身的運作成本，提高運作效率；另一方面可以給予客戶更多的價值，提高客戶的滿意度，維持老客戶，并且在發展新客戶的過程中充分發揮老客戶的口碑作用，使企業的客戶群體日益擴大，從而降低營銷成本，最終實現利潤最大化。
　　四、中國工商銀行陜西省分行房貸數據分類分析
　　本文以中國工商銀行的房貸客戶為例，利用SPSS統計軟件的決策樹方法進行客戶分類，并根據決策樹分類的結果，為銀行針對不同的客戶特點進行風險管理采用不同的營銷策略，進而優化銀行的信貸結構提供依據。
　　決策樹，又稱判定樹，是一種類似于二叉樹或多叉樹的樹結構。樹中的每個非葉子節點(包括根節點)對應于訓練樣本集中一個非類別屬性的測試，非葉子節點的每一個分枝對應屬性的一個測試結果，每個葉子節點則代表一個類或類分布。從根節點到葉子節點的一條路徑形成一條分類規則。
　　決策樹的構建是一種自上而下，分而治之的歸納過程，本質是貪心算法。從根節點開始，對每個非葉子節點，找出其對應樣本集中的一個屬性對樣本集進行測試，根據不同的測試結果將訓練樣本集劃分成若干個子樣本集，每個子樣本集構成一個新的子節點，對新子節點再重復上述劃分過程，這樣不斷循環，直至達到特定的終止條件。
　　決策樹分類算法實現簡單，層次結構清晰，能夠產生易于理解和分析的規則，因此被廣泛地應用到醫療診斷、評估貸款申請的信用風險等領域。決策樹的算法有多種，這里僅介紹本文用到的兩種算法——CART算法和CHAID算法。
　　（1）CART算法
　　CART算法(classificationandRegressionTrees，分類回歸樹)是LeoBreiman,JeromeFriedman等專家提出的一種數據勘測和預測算法。CART樹是一種二叉樹，它采用一種二分遞歸分割的技術將當前樣本集分割成為兩個子樣本集，使得生成的決策樹的每個非葉子節點都有兩個分支。
　　（2）CHAID算法
　　CHAID算法即檢驗法自動交互檢測(Chi-squareAutomaticInteractionDetector，卡方自動交互檢測)。CHAID也用于生成決策樹，但是它不使用信息增益或者Gini來度量最佳分裂，它采用列聯表中使用的檢驗法來決定哪個類別預測屬性與預測值能最大程度地獨立。因為CHAID是依靠列聯表對每個預測屬性的重要性進行測試，所以所有的預測屬性都必須是類別形式，或通過重新分級強制轉化成類別形式。
　　決策樹是一個類似于流程圖的樹結構，其中每個內部節點表示一個屬性上的測試，每一個分支代表一個測試輸出，而每個葉節點代表類或類的分布。樹的最頂層節點是根結點。利用決策樹對客戶進行分類，分析客戶的綜合印象，本文從以下幾步進行細分：
　　1、確定決策樹的主屬性；
　　2、對數據進行預分類，選出對綜合印象有關、有價值的數據，減少無用數據的影響，并避免建立的決策樹過于冗余，影響結果；
　　3、分析各屬性與綜合印象的關系，去除無關屬性；
　　4、利用有用屬性建立決策樹；
　　我們的數據總共有35782例，剔除無效數據，得到有效數據共有34624例。首先用各屬性分別做分類分析，從每一單項屬性的結果看該屬性對客戶的綜合評價是否有影響，最后去除無關屬性，再對那些有影響的屬性做一個總的分類，綜合考慮客戶評價，得出對最終結果影響最重要的屬性和其他屬性等。各單項屬性分別為：出生日期（代表年齡）、個人年收入、受教育程度、還款方式、擔保方式（篇幅所限，未將所有的單項屬性分類結果列出來）。具體分析結果見下面圖1：
　　

圖1 年齡決策樹

　　根據出生日期對其分類，即是依年齡來評價客戶的綜合印象，從上面的分類決策樹可以看出，出生日期越早，即年齡越大的客戶的綜合印象中良好的越少。這是由于：
　　1、年齡越大的客戶，其積累的積蓄越多，若購房，則一般不需要從銀行取得貸款，這導致年齡大的貸款客戶的基數比較少，需要貸款的一般都是收入不是很理想的那些客戶，從而良好率較低；
　　2、年齡越大的客戶，其住房問題可能早以解決，暫時不需要再次購房。而對于年輕人來說，剛開始工作，沒有什么積蓄，卻急需要解決住房問題以建立新的家庭，因此，產生了大量的住房貸款需求，而這些客戶的職業一般有較大的發展潛力，可能良好率較高。這也解釋了為什么年齡在30歲左右的客戶占了數據的絕大多數。但是，這些客戶一般剛處于事業的起步階段，其職業發展只是潛在的，帶有很大的不確定性，這種不確定性會導致較高的還款違約率，這就需要銀行在發放貸款時，充分利用各種信息，結合數據挖掘技術，發現潛在的優質客戶和風險客戶，及時采取措施提高客戶整體的綜合素質。
　　
　　由于個人年收入的數據跨度很大，我們選用CHAID分類和CART分類對比來看。選用CART方法進行分類，上圖SPSS做出的CART決策樹先將年收入以26898為界限，劃分為兩個分支，在收入大于此界限時，又以36767為界劃分為兩個分支。整體看來，收入越高，綜合評價越好，這符合我們一般的認識。
　　圖3用CHAID分類的結果將個人年收入分成了多個檔次，結果很明顯，隨著年收入的增多，綜合評價為良好的比例越高。個人年收入是貸款能否正常歸還的一項很重要的要素，銀行在審查客戶的這些信息時，一定要保證所得的信息及時準確，避免一些假收入、假證明所致的不良貸款。這些不需要專門的技術，只要銀行嚴格執行審查程序，細心認真，由此導致的風險便可以降低。
　　

圖4教育程度決策樹

　　從此分類看出，教育程度為大學本科及高中/中專/技校占了所有貸款客戶的92.9%，而這些大量的客戶的綜合評價卻是所有中最低的，低于總體的綜合評價。其他的以受教育程度分類的客戶中，碩士研究生中評價為良好的比例最高，為75%,其次為大專/電大/博士及以上，再次為普及教育及以下。系統會自動將大學本科和高中/中專/技校歸到一類，將大學專科/電大和博士及以上歸為一類是因為他們兩類的良好率相近，直覺不良和一般的比例也相差不大，這從我們下面的交叉分布表可以看出。從這種分析結果可以看到，教育程度越高，客戶的綜合評價不一定最好，究竟是什么原因導致這種結果，有待探討。
　　表1綜合印象、受教育程度交叉分布表
　　
　　
　　從還款方式的分類看出，等額還款方式占了所有還款方式的非常大的一部分，為95%，而在三種還款方式中，等本還款客戶的綜合印象是最好的，其綜合評價為良好的占了11.2%，遠高于整體客戶的綜合評價——4.7%的良好率，利隨本清的客戶綜合評價最差，綜合評價為良好的僅占了1.1%。可見，還款方式對客戶的還款意愿是有一定的影響的，原因是利率不同，還款年限不同時，還款方式對客戶的還款壓力是不一樣的，銀行應在客戶滿意的情況下，盡量讓客戶選擇出現違約情況較少、對銀行來說風險較小的還款方式。
　　對于還款方式的選擇，有些客戶并不了解哪種更適合自己，這時，銀行應根據客戶的具體情況，選擇適合客戶實際情況，對客戶最有利的方式，提高客戶的滿意度，同時降低銀行的貸款違約率。
　　

圖6 擔保方式決策樹

　　以擔保方式分類，我們的擔保方式分為四種，分別為：保證，抵押，抵押︱保證，以及質押。數據分析的結果，抵押︱保證的客戶有最好的綜合評價，其中印象為良好的占到39.7%，遠高于整體的良好率4.7%，可見，同時有兩種擔保方式可以大大降低客戶的還款違約率，促使客戶盡早及時歸還貸款，提高客戶的整體信用評價。可是，我們的數據中，以這種方式還款的客戶僅為3714人，占總數10.7%的比例，而絕大多數的客戶僅有抵押一種擔保方式，這提示我們，銀行要改善客戶的整體還款情況，可以盡量在征得客戶同意的情況下，在其提供抵押后，提供一個擔保人，客戶正常還款的話，擔保人并不需要承擔還款責任，卻能對客戶及時還款起到一定的激勵作用。
　　最后，對數據進行綜合分類，用多項屬性進行決策樹的建立（見附件中的圖7）。我們選取性別、個人年收入、出生日期、受教育程度、職業類型、貸款期限、擔保方式、還款方式、違約月數、累計逾期期數等作為分類變量，但結果中并沒有性別和還款方式作為分類屬性的分支，說明這兩個變量對客戶綜合印象評價的結果影響很小，可以將這些變量剔除，不予作為分類屬性參與決策樹的建立。
　　根據綜合分類的結果，第一支分枝是按照受教育程度分類的，說明在我們的樣本數據中，受教育程度是最重要的對客戶進行分類的依據，CART分類將教育程度分成了兩類。第二支分枝，兩類教育程度則是按照不同的分類標準分類的，左邊的一枝是按照累計逾期期數分成了大于0和小于0兩枝，右邊的一枝則是按照個人年收入以36780為界分成了兩枝。接下來的第三支分枝和第四支分枝按照其他的屬性分別進行了分類，結果如圖所示，整棵樹共有五層，由于前面單項屬性分析的結果有些沒有給出很好的解釋，因此，最后的綜合結果得出的結論也不能解釋所有，這是本文的不足之處，需要進一步的研究。
　　總的來說，受教育程度和個人年收入這兩個屬性在客戶分類中有很重要的作用，銀行在進行客戶分類的時候一定要重點考慮這兩類因素的區分，再結合其他的因素進行進一步的客戶細分，實現銀行客戶關系管理的需要！
　　五、總結
　　本文從銀行房地產貸款風險管理和客戶管理入手，運用SPSS統計軟件的決策樹分析方法對中國工商銀行房貸客戶的資料信息進行分類分析，指出銀行信貸結構調整的必要性，為銀行信貸結構優化提供科學依據！
　　銀行在發放信貸時，決不能將雞蛋放在一個籃子里，盲目地去追求一些看似高收益的業務，一定要注意分析不同客戶以及不同期限、種類信貸產品的風險特點，將風險分散開來，實現銀行資產流動性、安全性和收益性的有機結合，達到信貸結構優化的目的，保證銀行體系健康穩定的發展！
　　參考文獻：