本文以2016—2023年我国商业银行发行的信用卡不良贷款资产支持证券（ABS）和个人消费不良贷款ABS为样本，从债务人还款意愿、还款能力、银行管理水平、司法环境、经济环境、其他因素等维度，系统梳理并筛选出影响该类不良资产回收率水平的18项因素，并相应构建了估值模型。回归结果显示，估值模型的拟合程度较好，可以作为从业者较为简单、高效、直观的估值方法。
不良贷款转让 个贷不良 不良贷款ABS 估值模型
研究背景与问题的提出
（一）个贷不良转让市场发展情况
2021年1月7日，原银保监会办公厅下发《关于开展不良贷款转让试点工作的通知》，正式批准开展单户对公不良贷款转让和个人不良贷款批量转让工作。其中，个人不良贷款批量转让的试点范围包括已经纳入不良分类的个人消费信用贷款、信用卡透支、个人经营类信用贷款，并将6家国有大型银行和12家全国性股份制银行纳入首批试点转让机构范围。个人不良贷款（以下简称“个贷不良”）转让市场正式开启。2022年12月29日，原银保监会办公厅下发《关于开展第二批不良贷款转让试点工作的通知》，将国家开发银行、中国进出口银行、中国农业发展银行和信托公司、消费金融公司、汽车金融公司、金融租赁公司，以及注册地位于北京、河北、内蒙古、辽宁、黑龙江、上海、江苏、浙江、河南、广东、甘肃的城市商业银行、农村中小银行等机构，纳入试点转让机构范围。
当前，个贷不良转让市场处于早期快速发展阶段。市场成交方面，2024年成交的债权本息金额高达1583.5亿元，同比增长64.04%。参与主体方面，个贷不良的主要受让方为地方资产管理公司，各家立足自身资源条件竞争展业，其中民营资产管理公司积极性更高。成交价格方面，个贷不良成交价格1较为稳定，2024年四季度平均折扣率为4.8%，平均本金回收率为7.3%，同比分别下降0.2个、0.5个百分点。
（二）估值问题有待进一步研究
定价是不良资产交易的基石，是不良资产转让业务可持续发展的保障。与传统对公不良资产转让业务不同，个贷不良单笔金额小，债务人数较多，地域较为分散，信息变更频繁（董裕平等，2022）。相关定价模型和定价机制的缺乏，导致资产竞价缺乏客观判断依据。同时，在“薄利多销”的个贷不良领域，精准定价也是参与市场交易的核心竞争力。
在实践中，个贷不良估值技术主要由评估机构掌握，但其需要投入较多人力、时间和精力，存在一定的局限性（郑青等，2021）：一是需要对百万条历史回收数据进行清洗、分析，工作量巨大；二是历史数据必须尽可能贴近基础资产的实际情况（如资产类型、客群质量、授信额度等方面），而客观、合理选择历史数据具有一定的难度；三是基础资产与历史数据在资产特征、转为不良的时点、区域、职业、催收方式等方面往往存在一定的差异，根据该差异合理调整估值具有一定的难度。
随着个贷不良转让市场的日益扩容，受让方需要在较短时间内完成尽职调查和审核工作，受限于自身经验及人力的不足，几乎难以复制评估机构所采用的估值方法。当前，已有研究总结了个贷不良的影响因素，但尚未给出具体的计量模型，对实践的指导作用较弱。因此，有必要总结归纳个贷不良回收率的影响因素，构建并完善估值指标体系，探索开发更为简单、高效、直观的估值方法，为定价工作提供理论依据。
估值模型的构建
（一）模型指标的选取
不良资产的成因与其回收率有着密不可分的联系，梳理成因有助于抓住影响个贷不良回收率的核心因素。
个贷不良的形成通常基于以下情况：一是债务人因疏忽或遗忘，未能在还款日节点前清偿贷款，导致逾期；二是债务人受客观因素影响，其身体、家庭、工作遭遇打击，短期内失去偿债能力；三是债务人恶意逃废债，恶意透支、拖欠账单，并伴有转移、隐匿资产等行为；四是银行在发放贷款过程中，未能真实了解和掌握债务人收入及信用，对其偿债能力和个人信用判断有误；五是个人贷款业务的跟踪程序不全，银行未能及时与债务人建立固定联系，没有监督其对贷款的异常使用，主动催收意识不强（娄荣民等，2001）。此外，诉讼后的执行环节受当地司法环境和法治意识影响（王超恩，2021）。
综上，本文从债务人还款意愿、还款能力、银行管理水平、司法环境、经济环境、其他因素6个维度构建估值模型。
1.还款意愿
（1）回收情况
在个贷不良资产包中，可能包含持续回款的优质资产，这部分资产直接反映了债务人的配合程度和还款意愿。本文采用已回收金额占比和持续还款账户未偿本息余额占比来表征。
（2）贷款金额
已有研究发现，贷款金额与回收率之间有负相关关系（冯智杰，2023），即欠款金额越低回收率越高。在偿债能力发生重大变化后，面对高额逾期账单，债务人无力偿还，甚至存有“破罐子破摔”心理。本文以笔均贷款未偿本息余额、前10名债务人未偿本息贷款余额占比（以下简称“前10未偿本息费集中度”）、单笔5万元及以下占比，来表征贷款金额及其分布情况。
（3）逾期时间
通常贷款逾期时间越长，债务人的还款意愿越低（董裕平等，2022），具有明显的“冰棍效应”。一些债务人因疏忽或遗忘导致贷款逾期，经短信或电话提示即可收回贷款，回款时间较短且回款比例较高。部分债务人采取拖延、逃避行为，债务因利息、违约金等积累而愈发沉重，这会进一步降低还款意愿。本文采用加权平均逾期期限和逾期期限长于1年贷款占比来衡量信用类个贷不良的逾期期限情况。
2.还款能力
（1）银行评价维度
在个人信贷发放前，银行一般会收集债务人的个人信息、身份证明和收入证明等，履行相对严格的贷前尽职调查，审核资料的完整性和真实性，并通过多种评分模型来决定个人信贷的发放及额度。其中，授信额度反映在信贷发放时银行对债务人持续还款能力的评价，与贷款逾期后债务人的还款能力或有一定的关联。因此，本文采用债务人加权平均授信额度作为表征指标之一。
此外，在贷后管理环节，银行实施贷款质量五级分类管理，其中次级类、可疑类、损失类合称为不良资产，债务人信用状况依次下降。因此，在个贷不良中，次级类占比越高，代表银行对资产质量的评价相对越好，本文采用次级类贷款本息余额占比作为表征指标。
（2）个体评价维度
已有研究利用年龄、地区、职业、收入等个人信息，描绘债务人的群体画像，并通过计量模型、大数据等方法，探寻个人信用的评价体系（周毓萍和陈官羽，2019）。本文采用以下指标刻画债务人画像。
一是加权平均债务人年龄。一般认为年龄在40岁以上的债务人需要承担更多抚育和赡养责任，所以债务人年龄越大，面临的经济压力越大，其偿债能力更弱。
二是年收入在20万元以上的未偿本息余额占比。该信息反映在贷款发放时债务人的收入水平，与贷款逾期后债务人的收入水平或有一定的关联。
三是加权平均城镇居民可支配收入。该指标表征债务人所处地区经济发展水平，也反映债务人通过经济活动获得新增收入来源的可能性。
四是稳定职业的未偿本息余额占比。本文根据债务人所从事行业，将公务员、事业单位以及公共性更强的行业等认定为更具稳定性的职业，该类债务人更可能出于声誉及职业考虑，尽快偿还贷款并修复个人信用。
3.银行管理水平
（1）是否为国有大型银行
已有研究认为，国有大型银行较早实施了放款审批集中化制度，且各环节业务系统相对完善，能前瞻性地进行风险管理，有效杜绝越权审批，合理判断经济形势，适度控制信贷额度（李宾等，2022）。因此，国有大型银行的信贷质量较好，个贷不良的回收率可能相对较高。
（2）授信风控水平
部分银行因存在贷款投放指标压力，未能客观评判经济形势及债务人还款能力，导致信用类个人贷款形成不良。本文采用加权平均未偿本息与加权平均授信额度之比来度量银行的授信风控水平，即单位授信的逾期比例，该指标数值越低反映银行的风控水平越高。
4.司法环境
司法处置是个贷催收的主要手段之一，尤其对于追讨数额较大的个贷不良，司法处置的回收金额占总回收金额的50%以上（石琦等，2022）。现有研究认为，各地司法资源和执行力度不同，导致个贷不良回收率在区域上有所分化。一般认为，在司法环境相对完善的地区，个贷不良的回收率更高。本文根据中国社会科学院国家法治指数研究中心项目组编创的《中国司法透明度指数报告（2023）》，将司法透明度排名靠前的高级、中级人民法院所在城市认定为司法环境较好的地区，并计算其未偿还本息余额占比。
5.经济环境
经济环境主要从收入方面影响债务人的还款能力。在经济繁荣期，企业扩大生产规模，就业率提高，债务人还款能力提升，个贷不良的回收率提升；反之，在经济衰退期，企业生产规模缩小，就业率走低，债务人还款能力恶化，个贷不良的回收率下降。考虑到数据的可得性和可预测性，本文采用当年国内生产总值同比增速（或预测数）来度量。
6.其他因素
（1）银行催收能力
除了贷前和贷中环节，银行在贷后环节的催收能力同样影响个贷不良的回收率。通常，如果银行针对个贷不良的管理政策相对完善，合作机构也会相对稳定，贷后环节的催收能力往往呈现一定的稳定性。然而催收能力难以量化，为更好衡量回收率，本文控制了银行的个体固定效应。
（2）其他系统性风险
除了宏观经济，个贷不良还受到其他系统性风险因素的影响，包括造成严重社会危害和经济损失的自然灾害、事故灾难、公共卫生事件、社会安全事件、战争等。例如，2020年暴发的全球新冠疫情就对个贷不良的回收表现造成明显冲击（郑青等，2021）。本文通过控制年份的固定效应，尽可能捕捉这类系统性风险因素对个贷不良回收率的影响。
（二）样本与数据来源
1.研究样本
商业银行发行的不良贷款资产支持证券（ABS）为个贷不良回收率估值提供了研究窗口。本文收集2016—2023年商业银行发行的261个信用卡不良贷款ABS和个人消费不良贷款ABS作为总样本。为聚焦信用类不良资产，确保有足够长的观察期，并最大限度保留样本数量，在剔除18个底层资产含有抵押物的样本和65个存续期不足12个月的样本后，最终得到178个个贷不良ABS样本。
2.数据来源
个贷不良ABS数据来自万得（Wind），通过手工整理ABS的评级报告和受托机构报告，收集得到底层资产和历史回收数据。其中，历史回收数据采用受托机构报告中资产池现金流入的回收金额，并在此基础上计算ABS的毛回收率。城镇居民可支配收入和城镇非私营单位就业人员平均工资等数据来自国家统计局。
（三）模型指标筛选
各指标之间可能存在共线性，这会带来信息冗余问题，因此本文以178个个贷不良ABS数据为样本，对各指标进行相关性检验，并剔除相关系数大于或等于0.8的指标。经检验发现，加权平均贷款逾期期限与逾期大于1年贷款占比的相关系数，以及加权平均年龄与40岁以上贷款占比之间的相关系数，均超过0.8。考虑到平均值的数据可得性更好，本文保留加权平均贷款逾期期限和加权平均年龄这两个指标。最终，方差膨胀系数（VIF）均值为3.07，模型指标间不存在严重的多重共线性问题。个贷不良估值指标体系及计量如表1所示。
（四）回收率的估计过程
回收率是个贷不良估值的核心变量，但不同个贷不良ABS产品对回收情况的披露周期并不一致，且存在提前清算现象，这导致回收率数据在时间维度上难以统一。通过分析，笔者发现个贷不良ABS的回收率数据服从乘幂函数分布，拟合R2平均为99.07%。即：
其中Return为回收率，T为对应月份，a和b分别为系数。
为拉齐回收率时点，本文根据真实回收数据估计各ABS的乘幂函数，并计算其1年期、2年期、3年期回收率。在计算各期回收率时，要求预测时点晚于历史回收结束时点，避免以短期真实数据预测未来长期回收率而导致误差。
（五）构建估值模型
基于以上分析，本文构建了个贷不良的估值模型。其中，因变量为回收率（Returni,t），自变量为表1所归纳的影响因素。由于回收率在时间上呈乘幂函数分布，本文对回收率（Returni,t）作加1后取对数的处理。同时，对前10未偿本息费集中度（Top10i,t）这一数值过小的变量作乘以100的处理。
实证结果与分析
（一）描述性统计结果
变量的描述性统计见表2。各变量的均值与中位数比较接近，基本属于对称分布。据笔者估计，个贷不良ABS的资产质量相对较好，样本1年期回收率（Return12）平均为9.63%，2年期回收率（Return24）平均为15.36%，3年期回收率（Return36）平均为21.20%，高于当前个贷不良转让市场的成交价格。
（二）估值模型回归结果
本文采用向后逐步回归的方法，根据回归t值逐个剔除影响最低且不显著的指标，最终得到1年期、2年期和3年期回收率的估值模型。由表3的模型回归结果可知，本文所构建的模型具有较强的解释力，多个变量与回收率存在显著相关性（P>0.1），且方向与预测一致。其中，1年期回收率经调整后的R2在85%以上，各组回归的F值均显著。
受回归样本数量和特征差异影响，各组回归系数显著的指标有所不同，但总体与预期一致，即个贷不良的资产包中持续回款账户越多、单笔未偿本息余额越小、逾期时间越短、授信额度越高、次级占比越高、平均年龄越低、发起机构为国有大型银行、风险管控水平越高、地区司法水平相对越高，则回收率越高。同时，本文发现“年收入20万元及以上占比”与回收率呈负相关，与上文预测相反，或因该指标由银行在放款前采集，存在债务人收入数据虚高等情况，这导致指标未能反映债务人真实收入水平。
结论与思考
本文以2016—2023年我国商业银行发行的个贷不良ABS为样本，从还款意愿、还款能力、银行管理水平、司法环境、经济环境、其他因素等方面，系统梳理并筛选了影响个贷不良回收率水平的因素，构建了拟合程度较好的估值模型。
在理论层面，本文基于现有文献，将估值指标体系拓展至6个维度共18项指标，为个贷不良估值的后续研究奠定了一定的基础。在实践层面，本文探索了以线性回归构建个贷不良估值模型的可能性，且该模型仅需资产包的统计数据，极大地简化了原有估值环节百万级数据处理量带来的繁复工作，估值过程和结果更为直观，有利于从业者理解估值逻辑。
以上研究依然存在不足之处。一是受样本数量限制，模型可能存在过拟合问题，尤其是对2年期和3年期回收率的预测能力可能较为有限。二是样本存在局限性。本文样本均来自商业银行不良贷款ABS，底层资产质量通常有一定的保障。相对而言，个贷不良批量转让市场中的资产可能良莠不齐，本文模型在预测这类资产包上或存在较大误差。三是指标具有局限性。出于数据可得性的考虑，本文在构建指标时更多依赖公开信息，可能存在遗漏影响因素或指标选取不够准确等问题。这些问题有待在后续研究与实践中逐步解决（本文观点不代表作者供职单位意见）。
注：
1. 个贷不良成交价格一般采用平均折扣率和平均本金回收率两项指标衡量。平均折扣率=∑转让价格/∑未偿本息额，平均本金回收率=∑转让价格/∑未偿本金。
参考文献
[1]董裕平，王育森，石琦. 个贷类不良资产业务特点与展业策略[J]. 债券， 2022 （6）. DOI: 10.3969/j.issn.2095-3585.2022.06.014.
[2]冯智杰. 个人不良贷款批量转让定价探析[J]. 福建金融，2023（11）.
[3]李宾，覃子岳，蓝勇平. 上市全国性股份制商业银行信用风险度量——基于KMV模型[J]. 经济研究参考，2022（12).
[4]娄荣民，汤钟尧，房世平. 产品创新与信用制度建设:个人贷款业务发展研究[J]. 金融研究，2001（8）.
[5]石琦，王育森. 个贷不良资产包薄利难多销[J]. 中国农村金融，2022（8）.
[6]王超恩. 商业银行个人不良资产估值问题研究[J]. 新金融，2021（2）.
[7]郑青，王令哲，王俊颖. 信用卡不良ABS估值准确性研究[J]. 金融市场研究，2021（5）.
[8]周毓萍，陈官羽. 基于机器学习方法的个人信用评价研究[J]. 金融理论与实践， 2019（12）.
