论文摘要：信贷结构的内容比较广泛，本文从房地产贷款出发，分析房地产贷款的风险，并利用SPSS统计软件的决策树方法，对中国工商银行陕西省分行的房贷客户进行分类，以此来讨论银行信贷结构的调整，为银行更好实施客户关系管理服务，为其更科学地分配信贷资金提供依据！
论文关键词：银行信贷,风险,客户关系管理,决策树
　　一、引言
　　银行信贷是银行将自己筹集的资金暂时借给企事业单位使用，在约定时间内收回并收取一定利息的经济活动。就某一行业的银行信贷管理（如房贷）来说，既包括对单一客户的管理，也包括对不同风险，不同期限信贷产品的管理。
　　从宏观来说:房地产业是我国国民经济的重要支柱产业之一，中国房地产市场发展对经济增长贡献的重要作用是不容忽视的。2003年我国GDP增长率为9.3%，房地产开发投资的贡献率达到了4.0%；房地产业又是资金密集型产业，与金融体系关系密切。
　　就微观而言：住房问题关系着每个消费者的日常生活，随着人们生活水平的提高，人们对住房的要求越来越高。中国每年新生人口要超过1000万，每年由农村进入城市需要解决住房的进城人员达到1800万，还有2100万流动农民工，也需要居住条件。因此，消费者对住房贷款的需求越来越大，快速发展的房地产贷款大大扩展了银行的规模，越来越多的贷款需要银行提高审查和管理的水平，也需要银行对客户采取科学的管理方法，控制好风险！
　　二、房贷风险
　　目前大量的住房需求对银行的贷款需求越来越大，加上之前一直快速上涨的房价，银行需要对每套住房发放的贷款也越来越多，两方面导致的大量需求已经使房贷成为银行扩大其规模的重要途径。而过高的房价使房地产市场的一些潜在风险隐藏了起来，一些银行盲目地扩大贷款规模，忽视了潜存的风险。然而，一旦房价下跌，这些潜在的风险就会暴露出来，大量的消费者将还不起贷款，引起房地产贷款大量的违约，给银行资产的安全运行带来威胁。目前还在蔓延的金融危机最初亦是由美国房地产业的次级贷款引起的，这些已经给中国的住房贷款敲响了警钟，也给我国银行的房贷风险管理提出了更大的挑战，从而使得银行更加重视客户管理的重要性！
　　三、客户关系管理（CRM）
　　客户关系管理（CustomerRelationshipManagement，简称CRM）是指通过培养企业的最终客户、分销商和合作伙伴对本企业及其产品更积极的偏爱或偏好，留住他们并以此提升企业业绩的一种营销策略。
　　CRM管理的作用主要有：
　　1、客户管理统一化
　　用一个统一的系统对企业的客户进行识别和管理，有助于企业各部门之间建立一个统一的客户评定标准，使得对客户的评价更准确、客观。
　　2、识别企业的客户
　　对任何企业而言，都可以将客户按照价值划分为“铅质客户”“铁质客户”“黄金客户”“白金客户”四种。其中“铅质客户”对企业没有任何价值，属于企业应抛弃的对象；“铁质客户”具有潜在的价值，属于企业应该发展的对象；“黄金客户”和“白金客户”是企业最有价值的客户，他们的数量占总客户群的20%，而实现的利润往往占总利润的80%以上。识别出这20%的客户将对银行盈利产生事半功倍的效果。
　　3、提高客户的满意度
　　企业能够通过各种销售活动，服务活动进行跟踪，通过决策支持系统对客户的需求动向和潜在需求进行发掘，进而向客户提供定制化的产品和服务。使客户的让渡价值最大化，从而最大限度地提供客户满意度。
　　4、实现企业目标
　　企业通过客户关系管理，一方面可以降低自身的运作成本，提高运作效率；另一方面可以给予客户更多的价值，提高客户的满意度，维持老客户，并且在发展新客户的过程中充分发挥老客户的口碑作用，使企业的客户群体日益扩大，从而降低营销成本，最终实现利润最大化。
　　四、中国工商银行陕西省分行房贷数据分类分析
　　本文以中国工商银行的房贷客户为例，利用SPSS统计软件的决策树方法进行客户分类，并根据决策树分类的结果，为银行针对不同的客户特点进行风险管理采用不同的营销策略，进而优化银行的信贷结构提供依据。
　　决策树，又称判定树，是一种类似于二叉树或多叉树的树结构。树中的每个非叶子节点(包括根节点)对应于训练样本集中一个非类别属性的测试，非叶子节点的每一个分枝对应属性的一个测试结果，每个叶子节点则代表一个类或类分布。从根节点到叶子节点的一条路径形成一条分类规则。
　　决策树的构建是一种自上而下，分而治之的归纳过程，本质是贪心算法。从根节点开始，对每个非叶子节点，找出其对应样本集中的一个属性对样本集进行测试，根据不同的测试结果将训练样本集划分成若干个子样本集，每个子样本集构成一个新的子节点，对新子节点再重复上述划分过程，这样不断循环，直至达到特定的终止条件。
　　决策树分类算法实现简单，层次结构清晰，能够产生易于理解和分析的规则，因此被广泛地应用到医疗诊断、评估贷款申请的信用风险等领域。决策树的算法有多种，这里仅介绍本文用到的两种算法——CART算法和CHAID算法。
　　（1）CART算法
　　CART算法(classificationandRegressionTrees，分类回归树)是LeoBreiman,JeromeFriedman等专家提出的一种数据勘测和预测算法。CART树是一种二叉树，它采用一种二分递归分割的技术将当前样本集分割成为两个子样本集，使得生成的决策树的每个非叶子节点都有两个分支。
　　（2）CHAID算法
　　CHAID算法即检验法自动交互检测(Chi-squareAutomaticInteractionDetector，卡方自动交互检测)。CHAID也用于生成决策树，但是它不使用信息增益或者Gini来度量最佳分裂，它采用列联表中使用的检验法来决定哪个类别预测属性与预测值能最大程度地独立。因为CHAID是依靠列联表对每个预测属性的重要性进行测试，所以所有的预测属性都必须是类别形式，或通过重新分级强制转化成类别形式。
　　决策树是一个类似于流程图的树结构，其中每个内部节点表示一个属性上的测试，每一个分支代表一个测试输出，而每个叶节点代表类或类的分布。树的最顶层节点是根结点。利用决策树对客户进行分类，分析客户的综合印象，本文从以下几步进行细分：
　　1、确定决策树的主属性；
　　2、对数据进行预分类，选出对综合印象有关、有价值的数据，减少无用数据的影响，并避免建立的决策树过于冗余，影响结果；
　　3、分析各属性与综合印象的关系，去除无关属性；
　　4、利用有用属性建立决策树；
　　我们的数据总共有35782例，剔除无效数据，得到有效数据共有34624例。首先用各属性分别做分类分析，从每一单项属性的结果看该属性对客户的综合评价是否有影响，最后去除无关属性，再对那些有影响的属性做一个总的分类，综合考虑客户评价，得出对最终结果影响最重要的属性和其他属性等。各单项属性分别为：出生日期（代表年龄）、个人年收入、受教育程度、还款方式、担保方式（篇幅所限，未将所有的单项属性分类结果列出来）。具体分析结果见下面图1：
　　

图1 年龄决策树

　　根据出生日期对其分类，即是依年龄来评价客户的综合印象，从上面的分类决策树可以看出，出生日期越早，即年龄越大的客户的综合印象中良好的越少。这是由于：
　　1、年龄越大的客户，其积累的积蓄越多，若购房，则一般不需要从银行取得贷款，这导致年龄大的贷款客户的基数比较少，需要贷款的一般都是收入不是很理想的那些客户，从而良好率较低；
　　2、年龄越大的客户，其住房问题可能早以解决，暂时不需要再次购房。而对于年轻人来说，刚开始工作，没有什么积蓄，却急需要解决住房问题以建立新的家庭，因此，产生了大量的住房贷款需求，而这些客户的职业一般有较大的发展潜力，可能良好率较高。这也解释了为什么年龄在30岁左右的客户占了数据的绝大多数。但是，这些客户一般刚处于事业的起步阶段，其职业发展只是潜在的，带有很大的不确定性，这种不确定性会导致较高的还款违约率，这就需要银行在发放贷款时，充分利用各种信息，结合数据挖掘技术，发现潜在的优质客户和风险客户，及时采取措施提高客户整体的综合素质。
　　
　　由于个人年收入的数据跨度很大，我们选用CHAID分类和CART分类对比来看。选用CART方法进行分类，上图SPSS做出的CART决策树先将年收入以26898为界限，划分为两个分支，在收入大于此界限时，又以36767为界划分为两个分支。整体看来，收入越高，综合评价越好，这符合我们一般的认识。
　　图3用CHAID分类的结果将个人年收入分成了多个档次，结果很明显，随着年收入的增多，综合评价为良好的比例越高。个人年收入是贷款能否正常归还的一项很重要的要素，银行在审查客户的这些信息时，一定要保证所得的信息及时准确，避免一些假收入、假证明所致的不良贷款。这些不需要专门的技术，只要银行严格执行审查程序，细心认真，由此导致的风险便可以降低。
　　

图4教育程度决策树

　　从此分类看出，教育程度为大学本科及高中/中专/技校占了所有贷款客户的92.9%，而这些大量的客户的综合评价却是所有中最低的，低于总体的综合评价。其他的以受教育程度分类的客户中，硕士研究生中评价为良好的比例最高，为75%,其次为大专/电大/博士及以上，再次为普及教育及以下。系统会自动将大学本科和高中/中专/技校归到一类，将大学专科/电大和博士及以上归为一类是因为他们两类的良好率相近，直觉不良和一般的比例也相差不大，这从我们下面的交叉分布表可以看出。从这种分析结果可以看到，教育程度越高，客户的综合评价不一定最好，究竟是什么原因导致这种结果，有待探讨。
　　表1综合印象、受教育程度交叉分布表
　　
　　
　　从还款方式的分类看出，等额还款方式占了所有还款方式的非常大的一部分，为95%，而在三种还款方式中，等本还款客户的综合印象是最好的，其综合评价为良好的占了11.2%，远高于整体客户的综合评价——4.7%的良好率，利随本清的客户综合评价最差，综合评价为良好的仅占了1.1%。可见，还款方式对客户的还款意愿是有一定的影响的，原因是利率不同，还款年限不同时，还款方式对客户的还款压力是不一样的，银行应在客户满意的情况下，尽量让客户选择出现违约情况较少、对银行来说风险较小的还款方式。
　　对于还款方式的选择，有些客户并不了解哪种更适合自己，这时，银行应根据客户的具体情况，选择适合客户实际情况，对客户最有利的方式，提高客户的满意度，同时降低银行的贷款违约率。
　　

图6 担保方式决策树

　　以担保方式分类，我们的担保方式分为四种，分别为：保证，抵押，抵押︱保证，以及质押。数据分析的结果，抵押︱保证的客户有最好的综合评价，其中印象为良好的占到39.7%，远高于整体的良好率4.7%，可见，同时有两种担保方式可以大大降低客户的还款违约率，促使客户尽早及时归还贷款，提高客户的整体信用评价。可是，我们的数据中，以这种方式还款的客户仅为3714人，占总数10.7%的比例，而绝大多数的客户仅有抵押一种担保方式，这提示我们，银行要改善客户的整体还款情况，可以尽量在征得客户同意的情况下，在其提供抵押后，提供一个担保人，客户正常还款的话，担保人并不需要承担还款责任，却能对客户及时还款起到一定的激励作用。
　　最后，对数据进行综合分类，用多项属性进行决策树的建立（见附件中的图7）。我们选取性别、个人年收入、出生日期、受教育程度、职业类型、贷款期限、担保方式、还款方式、违约月数、累计逾期期数等作为分类变量，但结果中并没有性别和还款方式作为分类属性的分支，说明这两个变量对客户综合印象评价的结果影响很小，可以将这些变量剔除，不予作为分类属性参与决策树的建立。
　　根据综合分类的结果，第一支分枝是按照受教育程度分类的，说明在我们的样本数据中，受教育程度是最重要的对客户进行分类的依据，CART分类将教育程度分成了两类。第二支分枝，两类教育程度则是按照不同的分类标准分类的，左边的一枝是按照累计逾期期数分成了大于0和小于0两枝，右边的一枝则是按照个人年收入以36780为界分成了两枝。接下来的第三支分枝和第四支分枝按照其他的属性分别进行了分类，结果如图所示，整棵树共有五层，由于前面单项属性分析的结果有些没有给出很好的解释，因此，最后的综合结果得出的结论也不能解释所有，这是本文的不足之处，需要进一步的研究。
　　总的来说，受教育程度和个人年收入这两个属性在客户分类中有很重要的作用，银行在进行客户分类的时候一定要重点考虑这两类因素的区分，再结合其他的因素进行进一步的客户细分，实现银行客户关系管理的需要！
　　五、总结
　　本文从银行房地产贷款风险管理和客户管理入手，运用SPSS统计软件的决策树分析方法对中国工商银行房贷客户的资料信息进行分类分析，指出银行信贷结构调整的必要性，为银行信贷结构优化提供科学依据！
　　银行在发放信贷时，决不能将鸡蛋放在一个篮子里，盲目地去追求一些看似高收益的业务，一定要注意分析不同客户以及不同期限、种类信贷产品的风险特点，将风险分散开来，实现银行资产流动性、安全性和收益性的有机结合，达到信贷结构优化的目的，保证银行体系健康稳定的发展！
　　参考文献：