4、核心风控指标与定义：逾期率、不良率、迁徙率、Vintage分析、回收率、损失率等指标的计算与业务含义

小微贷款的风控管理，本质上是一门“用数据度量风险”的科学。如果缺乏统一、可比较的量化指标，风控团队将无法回答三个最基本的问题：当前资产质量如何？风险是在恶化还是改善？过去的放款决策最终产生了多少损失？本章将系统拆解小微贷款风控中最核心的六类指标——逾期率、不良率、迁徙率、Vintage分析、回收率与损失率，从计算公式、业务含义到实战应用场景逐一展开，帮助风控人员建立一套完整的风险度量语言体系。

4.1 逾期率与不良率：资产质量的“快照”指标

4.1.1 核心原理与定义边界

逾期率（Delinquency Rate）是指截至某一时点，处于逾期状态（通常按逾期天数划分，如M1为逾期1-30天，M2为31-60天，M3为61-90天）的贷款余额占全部贷款余额的比例。它反映的是“合同违约”的事实状态，不涉及对借款人还款能力的主观判断。

不良率（Non-Performing Loan Ratio）则是在逾期基础上叠加了“五级分类”的监管标准。根据《贷款风险分类指引》，次级、可疑、损失三类贷款合计为不良贷款。通常逾期超过90天（M3+）的贷款会被强制归入不良，但部分逾期未满90天但已有充分证据表明无法足额偿还的贷款，也应下调为不良。

4.1.2 判断方法与操作流程

在实际计算中，需要特别注意两个口径问题：分母口径（总贷款余额是否包含已核销部分）和分子口径（逾期金额按“整笔余额”还是“逾期部分本金”计算）。监管报送通常采用“整笔余额”口径，即只要一笔贷款发生逾期，其全部未还本金均计入逾期金额。但在内部风控分析中，建议同时计算“逾期本金口径”以更精确地评估风险敞口。

4.1.3 案例拆解：某城商行小微贷逾期率异动分析

某城商行小微金融部2024年Q2报表显示，逾期率（30+）从1.8%降至1.5%，表面看资产质量好转。但进一步拆解发现：Q2新增放款15亿元，较Q1增长40%，而存量贷款的逾期余额实际增加了1200万元。通过计算“剔除新增后的逾期率”发现，存量资产质量实际在恶化。最终定位到原因是某区域性行业（制造业）客户集中违约。该案例说明，逾期率必须结合放款节奏和存量/增量拆分分析，否则会得出完全相反的结论。

4.2 迁徙率：风险演变的“动态追踪器”

4.2.1 核心原理

迁徙率（Migration Rate）衡量的是贷款从某一逾期状态向下一个更严重逾期状态移动的比例。例如，M0→M1迁徙率表示本月正常还款的贷款中，下个月有多少比例进入了M1逾期状态。它是连接静态指标的桥梁，能够提前预判未来不良率的走势。

4.2.2 计算公式与矩阵

M0→M1迁徙率 = 本月M1余额（上月为M0的部分） / 上月M0余额 × 100%
M1→M2迁徙率 = 本月M2余额（上月为M1的部分） / 上月M1余额 × 100%
M2→M3迁徙率 = 本月M3余额（上月为M2的部分） / 上月M2余额 × 100%

4.2.3 实战应用：用迁徙率预判不良率

假设当前M0余额为10亿元，M1为3000万元，M2为1200万元。根据历史平均迁徙率（M0→M1=2.5%，M1→M2=35%，M2→M3=50%），可以推算3个月后的M3余额约为：10亿×2.5%×35%×50% = 437.5万元。若当前不良率为1.2%，则3个月后不良率预计上升至1.4%左右。这种前瞻性预判能力，使迁徙率成为拨备计提和压力测试的核心输入变量。

4.3 Vintage分析：穿透时间维度的“放款质量体检”

4.3.1 核心原理与独特价值

Vintage分析（账龄分析）的核心思想是：将不同月份放款的客户（称为“队列”或“vintage”），按照其账龄（即放款后经过的月份数）进行分组，观察各组在相同账龄下的逾期率或不良率表现。它解决了传统指标无法回答的关键问题：“最近放出去的钱，质量到底怎么样？”

4.3.2 分析框架与操作步骤

1. 数据准备：提取每笔贷款的放款日期、放款金额、当前逾期状态、当前余额。
2. 队列划分：按放款月份（或周）分组，形成独立队列。
3. 账龄计算：计算每个队列在放款后第1个月、第2个月……第N个月的逾期率。
4. 横向对比：将不同放款月份的同账龄逾期率进行对比，识别质量变化趋势。
5. 纵向观察：观察同一队列随账龄增长的风险演变曲线，判断风险暴露周期。

4.3.3 案例拆解：Vintage分析揭示策略失误

某互联网银行小微贷产品在2023年10月调整了审批策略，放宽了收入负债比要求。通过Vintage分析发现，2023年11月放款队列的账龄3个月逾期率达到2.3%，显著高于此前队列的1.2%-1.5%。进一步拆解发现，恶化主要集中在“收入负债比>60%”的客群，其逾期率高达4.8%。该行随即在12月收紧了该维度的审批阈值，并针对已放款的11月队列加强了贷后监控和早期催收。到2024年3月，新队列的账龄3个月逾期率回落至1.4%。Vintage分析的价值在于能够快速定位风险来源，并验证策略调整的效果。

4.4 回收率与损失率：风险成本的“最终结算”

4.4.1 核心原理

回收率（Recovery Rate）衡量的是对逾期或不良贷款进行催收、处置后实际收回的金额占应回收金额的比例。损失率（Loss Rate）则衡量的是最终无法收回的净损失占贷款余额的比例。两者互为镜像：损失率 = 1 - 回收率（在无抵押折价和处置成本的情况下）。

4.4.2 计算口径与实务差异

回收率 = 实际回收金额 / 逾期贷款本金（或本息） × 100%
净损失率 = (逾期本金 - 实际回收金额 + 处置成本) / 逾期本金 × 100%
年化损失率 = 当期核销金额 / 平均贷款余额 × 100%

在实务中，回收率的计算需要区分现金回收和抵债资产回收。现金回收直接计入回收金额；抵债资产则需按公允价值折算，且处置周期长、不确定性高。此外，不同逾期阶段的回收率差异巨大：M1阶段的回收率通常在60%-80%，M3阶段降至30%-40%，M6以上可能不足10%。

4.4.3 实战场景：催收策略的ROI评估

某消金公司针对M2逾期客户（余额5000万元）实施“加强版催收策略”，投入外呼人力成本50万元，最终回收1200万元，回收率24%。而此前标准策略的回收率为18%。增量回收 = 1200 - 5000×18% = 300万元，扣除50万元成本后净增收益250万元。通过回收率对比，验证了新策略的有效性。但需要注意，过度催收可能引发客诉和声誉风险，因此回收率评估必须与投诉率、监管处罚风险等非财务指标平衡考量。

4.5 指标体系的综合应用与常见误区

4.5.1 指标联动分析框架

单一指标无法全面反映风险状况，必须构建“静态+动态+队列”的三维指标体系：

• 静态指标（逾期率、不良率）回答“现在有多差”；
• 动态指标（迁徙率）回答“未来会多差”；
• 队列指标（Vintage）回答“哪批客户造成了恶化”；
• 结果指标（回收率、损失率）回答“最终亏了多少”。

4.5.2 常见误区与纠偏

4.5.3 管理决策建议

建议风控负责人每月召开“指标解读会”，固定审视以下内容：当月逾期率与不良率的环比变化、各迁徙率指标的3个月移动平均趋势、最近6个放款队列的Vintage曲线对比、回收率与催收投入的匹配度。同时，建立指标异常变动的自动预警机制（如迁徙率环比上升超过20%即触发预警），确保风险信号能够被及时捕捉和响应。

综上所述，逾期率、不良率、迁徙率、Vintage分析、回收率与损失率构成了小微贷款风控的“仪表盘”。每一个指标都有其独特的视角和局限，只有将它们组合使用、交叉验证，才能形成对资产质量的全面、动态、精准的认知。在实际工作中，风控人员应养成“先看静态、再看动态、最后归因到队列”的分析习惯，并始终将指标变化与业务策略、外部环境联系起来解读，避免陷入“数字游戏”的陷阱。