2. 坏账率基础概念

坏账率是金融风控中最核心的量化指标之一，它直接反映了资产组合中因债务人违约而无法收回的款项占比。在行情数据哨兵体系中，坏账率是衡量风控模型有效性的“金标准”——任何预警规则、阈值设定、模型迭代的最终目标，都是将坏账率控制在可接受范围内。

2.1 坏账率的定义

坏账率（Bad Debt Ratio, BDR）是指在特定统计周期内，已确认无法收回的应收款项（坏账金额）占该周期内全部应收款项（或贷款余额）的比例。它衡量的是信用风险的实际损失水平，而非预期损失或拨备覆盖。

2.2 坏账率计算公式

坏账率的标准计算公式如下：

坏账率（%）=（当期确认的坏账金额 / 当期平均应收款项总额）× 100%

其中：

• 当期确认的坏账金额：在统计周期内，经风控部门审核、财务部门核销的无法收回的款项总额。
• 当期平均应收款项总额：通常取期初与期末应收款项的算术平均值，或使用日平均余额，以消除季节性波动影响。

在实际业务中，根据数据口径不同，还有两种衍生计算方式：

2.3 常见行业标准与阈值

不同金融业态对坏账率的容忍度差异显著。以下为国内主流金融场景的参考阈值：

2.4 坏账率与风控哨兵的关系

在《行情数据坏账率哨兵》课程体系中，坏账率不仅是监控目标，更是驱动哨兵系统迭代的核心反馈信号。以下 SVG 图展示了坏账率在哨兵闭环中的位置：

2.5 坏账率计算的代码实现

在 Python 中，我们可以使用 Pandas 快速计算流量口径坏账率。以下为示例代码：

import pandas as pd

# 示例数据：每月放款额与坏账额
data = {
    '月份': ['2024-01', '2024-02', '2024-03', '2024-04', '2024-05'],
    '放款总额': [1000000, 1200000, 1100000, 1300000, 1250000],
    '当月新增坏账': [15000, 18000, 22000, 19500, 17500]
}
df = pd.DataFrame(data)

# 计算流量口径坏账率
df['坏账率'] = (df['当月新增坏账'] / df['放款总额']) * 100

# 输出结果
print(df[['月份', '放款总额', '当月新增坏账', '坏账率']])
print(f"\n平均坏账率: {df['坏账率'].mean():.2f}%")

输出结果示例：

      月份      放款总额  当月新增坏账      坏账率
0  2024-01  1000000     15000  1.500000
1  2024-02  1200000     18000  1.500000
2  2024-03  1100000     22000  2.000000
3  2024-04  1300000     19500  1.500000
4  2024-05  1250000     17500  1.400000

平均坏账率: 1.58%

2.6 坏账率监控的常见误区

• 误区一：只看坏账率绝对值，不看趋势。坏账率从1.5%升至1.8%可能比稳定在2.0%更危险，因为趋势反映恶化速度。
• 误区二：忽略分母效应。当放款规模急剧收缩时，坏账率可能被动升高（分子不变，分母变小），此时需结合绝对坏账金额综合判断。
• 误区三：不同口径混用。余额口径与流量口径的坏账率不可直接对比，前者是存量概念，后者是流量概念。
• 误区四：阈值一刀切。不同产品、不同客群、不同期限的坏账率阈值应差异化设定，不能使用统一标准。