CN108805695A

CN108805695A - 汽车金融业务风险评估方法

Info

Publication number: CN108805695A
Application number: CN201810527937.2A
Authority: CN
Inventors: 赖军
Original assignee: Chengdu Qifafenqi Technology Co Ltd
Current assignee: Chengdu Qifafenqi Technology Co Ltd
Priority date: 2018-05-29
Filing date: 2018-05-29
Publication date: 2018-11-13

Abstract

本发明公开了一种汽车金融业务风险评估方法，采用计算机数据系统自动测评、人工评估和场景风险修正三种方式对贷款人、涉押车辆和车辆监测设备存在的风险行为分项指标进行计算和修正，避免了现有评估方法中对单个节点数据的过分依赖而导致的误差，有利于提高评估的准确度。同时，人工评估的启动是以计算机数据系统自动测评结果为依据，有利于提高贷款服务机构人员劳动效率、降低人力成本。

Description

汽车金融业务风险评估方法

技术领域

本发明涉及一种汽车金融业务风险评估方法，属于汽车金融业风险评估与控制领域技术领域。

背景技术

汽车抵押贷款是近年来发展较为迅猛一种汽车金融业务，以借款人或第三人的汽车或自购车作为抵押物，从而向金融机构或汽车消费贷款公司取得贷款。主要有押车与不押车两种贷款形式，其中，不押车的贷款形式中贷款人的车辆还可继续使用，具有贷款客户群广泛、门槛低、贷款额度合理、放款快等优点，成为汽车抵押贷款服务机构最为主要的业务模式。

随着汽车抵押贷款业务的扩张，贷款客户群质量逐渐下降，人车失联、车辆二押、设备拆除等不良行为频发，行业贷款不良率居高不下。现有汽车金融产品风险评估方法已较为成熟，依靠车辆监测设备数据对车辆及监测设备本身进行监控，并借助多种途径对贷款人进行征信。但由于其评估结果直接来源于监测/征信数据，且依赖于人工对数据进行分析和评价，因而人力成本较高，且由于监测/征信数据存在节点差异，忽略了部分风险事项中存在的可能性，从而使评估结果失真。

发明内容

本发明的目的在于提供一种汽车金融业务风险评估方法，采用计算机数据系统自动测评、人工评估和场景风险修正三种方式对贷款人、涉押车辆和车辆监测设备存在的风险行为分项指标进行计算和修正，避免了现有评估方法中对单个节点数据的过分依赖而导致的误差，有利于提高评估的准确度。同时，人工评估的启动是以计算机数据系统自动测评结果为依据，有利于提高贷款服务机构人员劳动效率、降低人力成本。

为实现上述目的，本发明采用如下技术方案：

汽车金融业务风险评估方法，其特征在于包括计算机数据系统自动测评、人工评估和场景风险修正；

其中，所述计算机数据系统自动测评包括以下步骤：

S11. 分别确定贷款人、涉押车辆和车辆监测设备的风险行为分项指标，并为各分项指标赋予风险等级和风险值区间；

S12. 为步骤S11所述的各分项指标赋予准确度；

S13. 动态监测步骤S11中确定的分项指标，根据监测结果为待评估业务各分项指标在步骤S11所述的风险值区间内赋值；

S14. 将步骤S13中得到的待评估业务的各分项指标的赋值与步骤S12中对应的准确度相乘，得到实际风险值；

S15. 对步骤S14得到的实际风险值分别计算出贷款人、涉押车辆和车辆监测设备的实际风险和值；

S16. 将步骤S15中得到的实际风险和值与预设风险值区间进行对比，分别判断贷款人、涉押车辆和车辆监测设备的风险级别，进行对应的报警处理；

所述人工评估包括以下步骤：

S21. 所述计算机数据系统自动测评报警后，人工根据报警情况在线下对实际情况进行选择性核实和处理；

S22. 对步骤S21中选择性核实的风险行为和选择性处理的风险行为分别进行人工评估，并赋值以替换所述计算机数据系统自动测评结果；

所述场景风险修正包括以下步骤：

S31. 为步骤S12中被赋予低准确度的分项指标确定场景调整项；

S32. 步骤S31中确定的场景调整项由所述计算机数据系统自动测评或所述人工评估进行监测；

S33. 根据S32监测结果调整步骤S12中被赋予低准确度的分项指标的准确度；

S34. 按照步骤S33调整后的准确度重新计算出贷款人、涉押车辆和车辆监测设备的实际风险和值，并判断风险级别。

进一步地，步骤S11中所述的贷款人的风险行为分项指标包括但不限于家庭地址、公司地址、职业情况、放款天数、逾期情况、通信情况、第三方借贷情况、消费情况和反欺诈情况。

进一步地，步骤S11中所述的涉押车辆的风险行为分项指标包括但不限于行驶时长、行驶里程和停留区域。

进一步地，步骤S11中所述的车辆监测设备的风险行为分项指标包括但不限于感光报警、拆除警报、离线报警、设备间距离异常报警、主电源故障和定位模块故障。

进一步地，步骤S11中所述的风险等级至少为3级。

进一步地，步骤S12中所述的准确度为60%~100%，其中，不高于70%的为步骤S31所述的低准确度。

进一步地，步骤S16中所述的报警处理包括不提醒、网页提醒和短信提醒中的至少一种。

进一步地，步骤S21中所述的选择性核实包括但不限于电话核实和第三方信息核实。

进一步地，步骤S21中所述的选择性处理包括但不限于线下设备维修、线下找车和线下拖车。

进一步地，步骤S33中所述的调整后的分项指标的准确度为50%或100%。

本发明中计算机数据系统自动测评采用现有的计算机编程技术实现，采用web界面进行数据录入和导出，由后台数据库对录入数据进行比对、分析和自动赋值。场景风险修正根据多个时间节点数据对分项指标准确度进行修正，可以为计算机数据系统自动修正也可以由人工修正。

计算机数据系统自动测评除根据贷款人、涉押车辆和车辆监测设备的实际风险和值进行报警处理外，还可设定对多个分项指标以及分项指标组合进行报警处理，以满足贷款服务机构不同的风险偏好。

具体实施方式

结合实施例详细阐述本发明的具体实施方式如下：

S1. 分项指标的确定及赋值

本实施例中根据经验确定的贷款人风险行为分项指标包括连续不回家/公司、贷款逾期、放款时长（＜7天、7~90天和＞90天）、黑名单、法院执行、失信名单、多头借贷、身份验证不通过和地址不匹配，其中，黑名单、法院执行、失信名单、多头借贷、身份验证不通过和地址不匹配来源于第三方信息。

确定的涉押车辆风险行为分项指标包括停车异常、风险区域停留、风险区域驶入和风险区域驶出。

确定的车辆监测设备风险行为分项指标包括设备间距离异常（有线监测设备与无线监测设备间距离变化异常）、感光报警、主电源掉电、防拆报警、定位模块故障和离线报警。

实施例中采用低、中、高三个风险等级，其中，低风险等级风险值赋值区间为0~40分；中风险等级风险值赋值区间为41~80分；高风险等级风险值赋值区间为80分以上。

为对个案进行分项指标赋值，须至少采集如下数据：

贷款人的身份信息，包括姓名、年龄、民族、家庭地址、公司地址、职业信息、银卡卡信息等，为提高身份信息采集效率，可允许贷款人本人通过app或者浏览器填写。

借贷还款情况，包括借款金额、借款周期、还款方式、还款状态、放款日期等。

涉押车辆信息，包括车牌、品牌、系列、购买日期、发动机号等。

车辆监测设备信息，包括设备编号、设备型号、卡号、运行状态数据等。

同时利用有线和无线定位设备获得的车辆监测设备实时定位数据。

完成上述数据采集后，计算机数据系统在风险值赋值区间内自动完成各分项指标的风险值赋值。从而生成如表1所示出的数据表。

表1

S2. 分项指标准确度的确定

分析步骤S1中各分项指标在实际情况中可能出现的意外情况，并预测由上述意外情况而导致误差的可能性，从而确定各分项指标的准确度。

S3. 分项指标实际风险值的确定

步骤S2确定准确度后，对表1进行完善，在计算机数据系统中生成如表2所示的评价数据。

表2

上述的由计算机数据系统自动对分项指标的赋值及分项指标准确度的确定在前期根据经验确定，随着计算机数据系统中数据的不断积累以及对数据的深度分析，上述风险值和准确度的赋值处于动态修正状态，以期提高数值的准确性。

S4. 计算机数据系统报警处理

个案1：

计算机数据系统根据个案1采集的数据，生成如表3所示的评价数据。

表3

由表3数据可知，贷款人的实际风险和值为93、涉押车辆的实际风险和值为144、车辆监测设备的实际风险和值为62。本实施例中沿用步骤S1的风险等级划分，因而认定该个案中，贷款人和涉押车辆处于高风险等级，车辆监测设备处于中等风险等级。由此可见，即使采用相同的风险等级划分，贷款人、涉押车辆和车辆监测设备的风险等级也并非与其分项指标所处的风险等级一致。而通过对贷款人、涉押车辆和车辆监测设备的风险等级赋值区域的调整，可匹配不同用户的实际风险承受能力。

完成上述数据处理后，计算机数据系统根据分项指标和风险分类项所处的风险等级进行差异化的报警处理。如对分项指标“连续不回家/公司”和“放款7~90天”进行网页提醒，而对风险分类项“贷款人”除进行网页提醒外，还同时向相关线下风险管理人员发送短信提醒，提示风险分类项、分项指标、可进行的操作等内容。对分项指标“风险区域驶出”进行网页提醒，对“风险区域驶入”、“风险区域停留”以及风险分类项“涉押车辆”同时进行网页和短信提醒，提示风险管理人员关注涉押车辆在风险区域内的活动情况。对分项指标“低电量报警”不进行报警，对“离线报警”和风险分类项“车辆监测设备”进行网页报警。

S5. 人工评估

根据步骤S4的报警情况，若选择电话核实、线下核实等方式进行人工评估，则在人工核实后对对应的分项指标的风险值进行重新赋值，随后须对计算机数据系统中的风险值进行修正。

人工评估的风险值赋值操作也可采用步骤S1~S3的模式，或是根据处理人员的经验进行直接赋值。由处理人员进行直接赋值操作时，可采用中间值计算方法，将风险等级分为四级：

正常：风险值按照0计算；

低风险：风险值按照20计算；

中风险：风险值按照60计算；

高风险：风险值按照80计算。

线下风险管理人员对分项指标进行风险等级评估后，确定风险等级，将对应的风险值与计算机数据系统中生成的风险值进行中间值计算，在计算机数据系统中输入计算结果。

以个案1为例，线下风险管理人员根据分项指标内容判断车辆监测设备运行正常，对涉押车辆的监测结果准确；并根据风险区域停留时长和连续不回家/公司天数判断应进行线下核实。若线下核实后发现贷款人连续不回家/公司具有正当理由和充足的证据证明，因而人工赋值将表3中分项指标“连续不回家/公司”的实际风险值修正为0、风险等级调整为“低风险”；风险分类项“贷款人”的实际风险和值修正为48，风险等级调整为“中风险”。

仍以个案1为例，若线下核实后发现贷款人将涉押车辆驶入风险区域中进行二押，线下风险管理人员对贷款人和涉押车辆进行了及时的管控而未达成二押交易，同时，采取了其他有效的线下处理方法能够避免或减少资金损失，则在完成处理后，由人工根据实际处理情况调整表3中风险分类项“涉押车辆”的实际风险和值以及风险等级。

S6. 场景风险修正

结合步骤S2中对步骤S1中各分项指标在实际情况中可能出现的意外情况及其出现的可能性的分析，对部分分项指标进行场景风险分析。根据后续监测数据的更新，对对应的分项指标的准确度进行修正。

表4示出了部分可进行场景风险修正的分项指标。

表4

以个案1为例，其风险分类项“涉押车辆”中存在“风险区域停留”、“风险区域驶出”和“风险区域驶入”三个分项指标；若其风险分类项“车辆监测设备”中同时存在“离线报警”和“防拆报警”，则可认定发生了车辆二押。此时，可由计算机数据系统或人工修正上述所有分项指标的准确度为100%，进而对分项指标的实际风险值和风险等级，以及对应的风险分类项的实际风险和值和风险等级进行修正。

当步骤S5中人工评估的结果与本步骤所得修正结果存在冲突时，以本步骤所得修正结果为准。

S7 准确度修正后再评估

采用步骤S6修正后的准确度重新计算对应分项指标的实际风险值，进行上述风险评估。

Claims

1.汽车金融业务风险评估方法，其特征在于包括计算机数据系统自动测评、人工评估和场景风险修正；

其中，所述计算机数据系统自动测评包括以下步骤：

S12. 为步骤S11所述的各分项指标赋予准确度；

S15. 由步骤S14得到的实际风险值分别计算出贷款人、涉押车辆和车辆监测设备的实际风险和值；

所述人工评估包括以下步骤：

所述场景风险修正包括以下步骤：

2.根据权利要求1所述的评估方法，其特征在于，步骤S11中所述的贷款人的风险行为分项指标包括但不限于家庭地址、公司地址、职业情况、放款天数、逾期情况、通信情况、第三方借贷情况、消费情况和反欺诈情况。

3.根据权利要求1所述的评估方法，其特征在于，步骤S11中所述的涉押车辆的风险行为分项指标包括但不限于行驶时长、行驶里程和停留区域。

4.根据权利要求1所述的评估方法，其特征在于，步骤S11中所述的车辆监测设备的风险行为分项指标包括但不限于感光报警、拆除警报、离线报警、与车辆距离异常报警、主电源故障和定位模块故障。

5.根据权利要求1所述的评估方法，其特征在于，步骤S11中所述的风险等级至少为3级。

6.根据权利要求1所述的评估方法，其特征在于，步骤S12中所述的准确度为60%~100%，其中，不高于70%的为步骤S31所述的低准确度。

7.根据权利要求1所述的评估方法，其特征在于，步骤S16中所述的报警处理包括不提醒、网页提醒和短信提醒中的至少一种。

8.根据权利要求1所述的评估方法，其特征在于，步骤S21中所述的选择性核实包括但不限于电话核实和第三方信息核实。

9.根据权利要求1所述的评估方法，其特征在于，步骤S21中所述的选择性处理包括但不限于线下设备维修、线下找车和线下拖车。

10.根据权利要求1所述的评估方法，其特征在于，步骤S33中所述的调整后的分项指标的准确度为50%或100%。