JP5008373B2

JP5008373B2 - ローン与信判断システム

Info

Publication number: JP5008373B2
Application number: JP2006272358A
Authority: JP
Inventors: 倫之川田; 秀樹進藤
Original assignee: スルガ銀行株式会社
Priority date: 2006-10-03
Filing date: 2006-10-03
Publication date: 2012-08-22
Anticipated expiration: 2026-10-03
Also published as: JP2008090689A

Description

本発明は、ローンの受付、与信、実行、再与信を含むローン与信判断システムに関する。

発明の背景

今日、銀行等の金融機関において貸出先の信用状態の変化及び貸倒れによる貸出債権の管理を確実に行うため、貸出先に対するローン管理は重要な要素となっている。この為、例えば貸出先を格付けし（ランクＡaa、Ａa 、Ａ、Ｂaa、Ｂa 、Ｂ等に格付けし）、貸倒れを考慮した貸出債権の現在価値を計算してローン管理を行っている。

また、ニューロ・モデルを構築し、各層の重み付けを自動的に修正して債権管理を行う方法も提案されている。さらに、ツリー・モデルを構築し、審査基準を階層状に設定し、債権管理を行う方法も提案されている。

尚、特許文献１に記載された発明は、自動契約機を操作することなく、自宅に居ながらにして、或いは外から任意にローンの申込みが行ない得るローン契約方法を提供するものである。例えば、自宅のパーソナルコンピュータ、或いは携帯電話機からインターネットを通してサーバで運営するローンのホームページにアクセスし、申込み処理を行うものである。

この場合、サーバからローン会社に申込みの情報が配信され、ローン会社が与信のための審査を行なうと共に、融資限度を計算し、融資条件を提示する。したがって、この条件によって契約するかどうかを判断する。契約が成立した場合、顧客に書類が送られ、ローン契約が成立する。
特開２００３−１４１３５８号公報

しかしながら、貸出先がデフォルトする可能性は、勤務先業種等の属性状況によって大きく異なるため、顧客を詳細な属性分類に分け、各属性分類に対する判定基準を定める必要がある。また、貸出先の状況の変化や、経済環境の変化等の要素が加わるため、定期的に諾否判定基準を見直しする必要もある。

そこで、本発明はローン諾否判断基準の作成にロジスティック回帰分析を使用し、常に最新の延滞貸倒状態に基づいて諾否判定基準の自動修正を行うローン与信判断システムを提案するものである。

上記課題は本発明によれば、入力情報に基づいて、顧客の属性分類を行う属性分類作成手段と、該属性分類毎に、前記入力情報に従って関連するファクターを設定する関連ファクター設定手段と、前記属性分類毎に、前記関連ファクターに対応する回帰係数を設定する回帰係数設定手段と、顧客情報に基づいて、対応する前記属性分類を選択し、該当する関連ファクターに対する適正レートの演算処理を行う演算手段と、該演算手段の演算結果が、予め設定された適正レート以上であればローンの承認を行う承認手段とを有し、前記演算手段は、前記ファクター毎のポイント数を計算する第１の演算処理と、該第１の演算結果によって得られたポイント数の情報を使用してリスクポイントを演算する第２の演算処理と、該第２の演算結果によって得られたリスクポイントの情報を使用して推定デフォルト値及びロス率を演算する第３の演算処理と、該第３の演算結果によって得られた適正レート値を前記予め設定された適正レート値と比較する比較処理と、を行い、前記ロス率は、（(融資額−担保額×想定回収率）×推定デフォルト値）÷融資額の計算によって取得し、前記適正レート値は、資金コスト率＋事務コスト率＋ロス率＋期待収益率の計算によって取得するローン与信判断システムを提供することによって達成できる。尚、図１０は本発明の機能ブロック図であり、３０は属性分類作成手段であり、３１は関連ファクター設定手段であり、３２は回帰係数設定手段であり、３３は演算手段であり、３４は承認手段である。

このように構成することにより、自動的にローンの与信判断を行うことができ、適正な貸し出し資金の運用を行うことができる。
また、上記演算手段は、例えば前記ファクター毎のポイント数を計算する第１の演算手段と、該第１の演算結果によって得られたポイント数の情報を使用してリスクポイントを演算する第２の演算手段と、該第２の演算結果によって得られたリスクポイントの情報を使用して推定デフォルト値及びロス率を演算する第３の演算手段と、該第３の演算結果によって得られた適正レート値を前記予め設定された適正レート値と比較する比較手段とで構成されている。尚、図１１は上記構成を示す機能ブロック図であり、３５は第１の演算手段であり、３６は第２の演算手段であり、３７は第３の演算手段であり、３８は比較手段である。

また、前記承認手段によるローン設定の承認後、実際の貸倒率と当初推定の貸倒率との差異が所定値を超える場合、例えば審査基準の修正を行う構成である。
このように処理することにより、ローン設定後の貸出先の返済情報等を考慮して、例えばファクター毎の回帰係数の修正等の処理を自動的に行い、常に最近の情報に基づいて適正な貸し出し資金の管理を行うことができる。

以上のように、本発明によれば、自動的に回帰係数等の修正を行い、最新の情報に基づいて適正な貸し出し資金の管理を行うことができる。
また、ローン設定後においても、貸出先の返済情報等を考慮して、例えばファクター毎の回帰係数の修正処理等を自動的に行い、より確実な貸出資金の管理を可能とする。

以下、図面を参照しながら本発明の実施の形態について説明する。
図１は本発明のローン与信判断システムを説明する全体構成図である。同図において、本システムは、ローン受付部１、自動与信判断部２、融資実行部３、データマイニング部４、債権管理部５で構成されている。

ローン受付部１は、例えば銀行の窓口やＡＴＭ（現金自動預け払い機）、インターネットが対応し、貸出先情報の入力を行う。ここで、貸出先は、例えば個人であり、後述する属性分類に基づく入力を行う。尚、ローン受付部１がＡＴＭ（現金自動預け払い機）の場合、必ずしも銀行支店内に設置されている機械に限らず、例えばコンビニエンスストアや、スーパ、病院等に設置された機械でも入力可能である。

自動与信判断部２は、図１に示すように属性情報Ｘ１、不動産情報Ｘ２、資金情報Ｘ３、家族情報Ｘ４、個人信用情報Ｘ５、返済計画情報Ｘ６、履歴情報Ｘ７のファクターに基づいてポイントを計算し、貸し出し先の与信を自動的に行う。また、自動与信判断部２は後述するロジスティック回帰分析を使用して算出した回帰式に基づき、与信判断を行う。尚、この自動与信判断部２における具体的な処理については後述する。

融資実行部３は上記自動与信判断部２による判断をホストデータに自動的に移行し、融資の実行を行う。尚、上記ホストデータは、例えば銀行のサーバであり、自動与信判断部２による演算結果をサーバに送信し、融資の実行を行う。

データマイニング部４は、前述のローン受付部１からの入力に基づいて得られた情報を有効利用するものであり、決済情報、返済情報、市場情報、取引情報に分けて管理される。例えば、決済情報や返済情報は、後述する再与信の際に使用される。

債権管理部５は、再与信枠の設定、再与信処理等を行い債権管理を行う。この債権管理部５の処理については後述する。

図２は管理サーバのシステム構成図である。管理サーバ２０は、ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３等で構成されるホストコンピュータである。ＣＰＵ２１はＲＯＭ２２に登録されたシステムプログラムに従って処理を行い、管理サーバ２０に接続された外部記憶装置２４に情報を書き込み、また外部記憶装置２４から情報を読み出す。また、ディスプレイ２０ａには必要な情報が表示され、通信回線を介して情報の授受が行われる。

また、管理サーバ２０は上記ＲＯＭ２２に記憶されたプログラムに従ってシステム制御を実行する場合のほか、管理サーバ２０に配設されたメディアドライバ２０ｂにＣＤ−ＲＯＭ等の記録媒体２５を装着し、当該記録媒体２５から上記プログラムを読み出して処理を行う構成としてもよい。

次に、上記構成において、本発明の処理動作を説明する。図３は本例の処理を説明するフローチャートである。

先ず、前述のローン受付部１である銀行窓口又はＡＴＭ（現金自動預け払い機）から入力した顧客情報に基づいて業種分類（属性分類）を選択する（ステップ（以下、Ｓで示す）１）。図４は本発明で使用する業種分類である。本発明においては、業種分類を大分類、中分類、小分類に分け、大分類は同図に示す農林水産業、食品飲食業、建設不動産業等の１３分類、中分類は大分類を５９分類に分け、小分類は中分類を更に５１３分類に分けて構成している。本例においては、上記５１３分類で構成される小分類を顧客情報に基づいて選択する。例えば、顧客情報に基づいて「園芸」や「果樹園」、「生花」等の選択を行う。

次に、顧客情報に基づいて、ファクター毎のポイントを計算する（Ｓ２）。ここで、ファクターは前述の図１で説明した属性情報Ｘ１、不動産情報Ｘ２、資金情報Ｘ３、家族情報Ｘ４、個人信用情報Ｘ５、返済計画情報Ｘ６、履歴情報Ｘ７の７つファクターであり、図５に示す算出例に従って計算する。属性情報Ｘ１の場合、年齢、未既婚の別、性別等によってポイントが設定され、例えば２０代はポイントが１点であり、３０代は２点であり、既婚者はポイントが３点であり、男性はポイントが３点である。例えば、３０代既婚男性の場合、属性情報Ｘ１のファクターは８点（２ポイント＋３ポイント＋３ポイント）である。尚、年齢４０代以上や、未既者、女性等のポイントも勿論設定されている。

また、ファクターが不動産情報Ｘ２の場合、掛目（担保評価額に占める貸出額の割合）５０％未満は５点、掛目５０％〜６０％は８点というように、ポイントが予め設定されている。尚、他のファクター（資金情報Ｘ３、家族情報Ｘ４、個人信用情報Ｘ５、返済計画情報Ｘ６、履歴情報Ｘ７）についても、同様に予めポイントが設定されている。

次に、ファクター別回帰係数表に基づいて、採用する５つのファクターの回帰係数を参照してリスクポイントを計算する（Ｓ３）。図６はファクター別回帰係数表の例である。前述の小分類の業種分類に従って、５１３の業種コードに対する回帰係数が予め設定されている。

例えば、業種コード「園芸」の場合、採用するファクターは、属性情報Ｘ１、不動産情報Ｘ２、家族情報Ｘ４、個人信用情報Ｘ５、返済計画情報Ｘ６の５つのファクターであり、それぞれ予め設定された回帰係数が登録されている。また、業種コード「果樹園」の場合、採用するファクターは、不動産情報Ｘ２、資金情報Ｘ３、家族情報Ｘ４、返済計画情報Ｘ６、履歴情報Ｘ７の５つのファクターであり、他の業種コードに対しても採用する５つのファクター毎に回帰係数が登録されている。尚、ファクターの選択は、ステップワイズ法（変数選択法）を使用し、対象業種に対して貸倒や延滞と最も相関が強く、有効で効果的であると判断する５つのファクターが選択されている。

上記ファクター別回帰係数表を使用したリスクポイントの具体的な計算式は以下の通りである。
リスクポイント＝β_１Ｘ_１＋β_２Ｘ_２＋β_３Ｘ_３＋β_４Ｘ_４＋β_５Ｘ_５＋β_６Ｘ_６＋β_７Ｘ_７＋β_０尚、β_０は定数項である。

例えば、前述の業種コード「園芸」の場合、回帰係数β１は−０.１３であり、β２は０.１であり、β４は−０.１３であり、β５は−０.６であり、β６は−０.２である。この回帰係数のデータを、前述の３０代既婚男性に対応してリスクポイントを計算すると、以下のようになる。但し、前述の属性情報Ｘ１は８ポイントであり、他のファクターのポイントを全て５ポイントとして計算する。

リスクポイント＝−５.３６（−０.１３・８＋０.１・５−０.１３・５−０.６・５−０.２・５−０.１７）である。

尚、他の業種コード「果樹園」や「生花」等においても、同様にリスクポイントを計算することができる。

次に、上記リスクポイントを推定デフォルト値に置き換えて、ロス率を計算する（Ｓ４）。この計算は以下の計算式による。尚、EXP（exponential）は、自然対数の底eの指数乗を指す。

推定デフォルト値＝１÷（１＋ＥＸＰ（−リスクポイント））

ロス率＝（（融資額−担保額×想定回収率）×推定デフォルト値）÷融資額

ここで、想定回収率は担保額に応じて、図７に示すテーブルから取得する。例えば、担保額が１０００万円以下の場合、想定回収率は６０％であり、１００１万円〜３０００万円までは４５％であり、以下同図に示す通りである。

次に、適正レートを算出し、対顧客適用レートより低ければローン設定を承認する（Ｓ５）。ここで、適正レートは以下の計算式により求める。
適正レート＝資金コスト率＋事務コスト率＋ロス率＋期待収益率

尚、上記資金コスト率及び事務コスト率は予め定まった定数であり、期待収益率も予め設定された値である。したがって、適正レートは前述のロス率によって決まり、対顧客適用レート≧適正レートの条件を満足すれば、融資が承認される。

例えば、融資額が４千万円、担保額が３千万円、想定回収率が４５％、資金コスト率が０．１％、事務コスト率が０．４％、期待収益率が１．０％、対顧客適用レートが２．０％の場合、以下に計算例を示す。
先ず、推定デフォルト値は前述の式に基づいて、

推定デフォルト率＝１÷（１＋exp(-リスクポイント））＝１÷（１＋exp(５．３６））＝０．００４７＝０．４７％となる。

また、ロス率は前述の式に基づいて、
ロス率＝（（融資額−担保額×想定回収率）×推定デフォルト値）÷融資額＝（（４千万円−３千万円×０．４５）×０．００４７）÷４千万円＝０．００３１＝０．３１％となる。

さらに、適正レートも前述の式に基づいて、
適正レート＝資金コスト率＋事務コスト率＋ロス率＋期待収益率＝０．１％＋０．４％＋０．３１％＋１．０％＝１．８１％となる。
したがって、対顧客適用レート（２．０％）≧適正レート（１．８１％）となるので、この場合承認される。

以上のように、本例によればローン受付部１から顧客情報が入力すると、以下前述の計算式に従って融資の判断が自動的に行われ、短時間で容易にローン設定を行うことができる。また、本例によれば、従来のニューロ・モデルに比べて審査基準が明確化される。
次に、上記ローン設定後、債権管理部５は返済情報等に基づいて見直し処理を行う。図８に示すフローチャートは、この処理を説明するものである。

先ず、毎月の延滞情報や貸倒情報を管理サーバ２０に取り込む（ステップ（以下、ＳＴで示す）１）。次に、業種コード毎の貸倒率を算出し、当初推定の貸倒率（推定デフォルト値）と比較する（ＳＴ２）。図９は業種コード毎の実際の貸倒率と当初推定の貸倒率とを比較した一例である。例えば、業種コード「園芸」の場合、顧客の実行者数が３０００人であり、推定の貸倒率（Ｂ）が０.５％であるが実際の貸倒率（Ａ）が０.８％であった。したがって、この場合差異率（（Ａ−Ｂ）／Ａ）は、０.３８である。

また、例えば業種コード「果樹園」の場合、顧客の実行者数が２０００人であり、推定の貸倒率（Ｂ）が０.４％であるが実際の貸倒率（Ａ）が０.５％であり、この場合差異率は、０.２である。
次に、上記差異率の絶対値が所定値以上である場合、当該業種を審査基準修正の対象とする（ＳＴ３）。例えば、本例では３ヶ月以上差異率が−０.５未満、又は０.５以上の業種を審査基準修正の対象とする。

次に、審査基準修正対象となった業種コードの業種に対し、基準修正処理を行う（ＳＴ４）。この場合、最新データによるロジスティック回帰分析を行い、回帰係数を再計算し、前述の図６に示すファクター別回帰係数表の修正を行う。すなわち、ファクター別回帰係数表に示すβ１〜β７の回帰係数の修正を行う。また、必要に応じて業種コードに対する５つのファクターの選択の修正も行う。

例えば、図９に示す差異率−１.０の業種コード「農業」の場合、推定の貸倒率（Ｂ）が０.３％であるのに対し、実際の貸倒率（Ａ）が倍の０.６％である。

この場合、貸倒した貸出先の入力データをステップワイズ法により解析した結果、例えば業種コード「農業」に関して対象となっていない不動産情報Ｘ２のファクターに関して特異な特徴がある場合、５つの対象ファクターの変更を行う。この場合、当該属性情報Ｘ２を５つの対象ファクターに加え、最も影響のないファクターを対象外とする補正を行なう。

また、例えば貸倒した貸し出し先の入力データをロジスティック回帰分析により解析し、例えば貸倒した貸し出し先として、年齢等の属性情報Ｘ１のファクターに関して特異な特徴がある場合、属性情報Ｘ１に関する回帰係数を変更する。また、家族構成等に関する家族情報Ｘ４のファクターに関して特異な特徴がある場合、当該属性情報Ｘ４に関する回帰係数を変更する。

上記審査基準の修正処理は、業種コード「農業」に限らず、差異率が上記範囲を超える場合、他の業種コードについても同様に行われる。したがって、このように処理することによって、ローン設定後の貸出先の返済情報等を考慮した審査基準の修正を自動的に行うことができ、例えばファクター毎の回帰係数の修正処理等を実行し、常に最近の情報に基づいて適正な貸し出し資金の管理を行うことができる。

尚、本例においては、審査基準の修正処理を行う基準を前述のように３ヶ月以上差異率が−０.５未満、又は０.５以上の業種を対象としたが、本発明は上記数値に限定されることなく、１ヶ月以上差異率が前述の基準を超えた場合実行してもよく、差異率も上記数値に限るものではない。

本発明のローン管理システムを説明する全体構成図である。管理サーバのシステム構成図である。本例の処理動作を説明するフローチャートである。本発明で使用する業種分類を説明する図である。ファクター別のポイント数の計算を説明する図である。ファクター別回帰係数表を説明する図である。想定回収率を説明する図である。審査基準修正処理を説明するフローチャートである。業種コード毎の実際の貸倒率と当初推定の貸倒率とを比較する図である。本発明の機能ブロック図である。演算手段の機能ブロック図である。

符号の説明

１・・・ローン受付部
２・・・自動与信判断部
３・・・融資実行部
４・・・データマイニング部
５・・・債権管理部
２０・・管理サーバ
２１・・ＣＰＵ
２２・・ＲＯＭ
２３・・ＲＡＭ
２４・・外部記憶装置
２５・・記録媒体
３０・・属性分類作成手段
３１・・関連ファクター設定手段
３２・・回帰係数設定手段
３３・・演算手段
３４・・承認手段
３５・・第１の演算手段
３６・・第２の演算手段
３７・・第３の演算手段
３８・・比較手段

Claims

入力情報に基づいて、顧客の属性分類を行う属性分類作成手段と、
該属性分類毎に、前記入力情報に従って関連するファクターを設定する関連ファクター設定手段と、
前記属性分類毎に、前記関連ファクターに対応する回帰係数を設定する回帰係数設定手段と、
顧客情報に基づいて、対応する前記属性分類を選択し、該当する関連ファクターに対する適正レートの演算処理を行う演算手段と、
該演算手段の演算結果が、予め設定された適正レート以上であればローンの承認を行う承認手段とを有し、
前記演算手段は、
前記ファクター毎のポイント数を計算する第１の演算処理と、
該第１の演算結果によって得られたポイント数の情報を使用してリスクポイントを演算する第２の演算処理と、
該第２の演算結果によって得られたリスクポイントの情報を使用して推定デフォルト値及びロス率を演算する第３の演算処理と、
該第３の演算結果によって得られた適正レート値を前記予め設定された適正レート値と比較する比較処理と、を行い、
前記ロス率は、（(融資額−担保額×想定回収率）×推定デフォルト値）÷融資額の計算によって取得し、
前記適正レート値は、資金コスト率＋事務コスト率＋ロス率＋期待収益率の計算によって取得することを特徴とするローン与信判断システム。
前記ファクターは複数設定され、該複数のファクターの中から適切な複数のファクターが選択されることを特徴とする請求項１記載のローン与信判断システム。
前記ファクターは、属性情報、不動産情報、資金情報、家族情報、個人信用情報、返済計画情報、履歴情報であることを特徴とする請求項１、又は２記載のローン与信判断システム。
前記属性分類に関連する関連ファクターは、前記７つのファクターから関連ある５つのファクターが選択されたものであることを特徴とする請求項２、又は３記載のローン与信判断システム。
入力情報に基づいて、顧客の属性分類を行う属性分類作成処理と、
該属性分類毎に、前記入力情報に従って関連するファクターを設定する関連ファクター設定処理と、
前記属性分類毎に、前記関連ファクターに対応する回帰係数を設定する回帰係数設定処理と、
顧客情報に基づいて、対応する前記属性分類を選択し、該当する関連ファクターに対する適正レートの演算を行う演算処理と、
該演算結果が、予め設定された適正レート値以上であればローンの承認を行う承認処理と、を行い、
前記演算処理は、
前記ファクター毎のポイント数を計算する第１の演算処理と、
該第１の演算結果によって得られたポイント数の情報を使用してリスクポイントを演算する第２の演算処理と、
該第２の演算結果によって得られたリスクポイントの情報を使用して推定デフォルト値及びロス率を演算する第３の演算処理と、
該第３の演算結果によって得られた適正レート値を前記予め設定された適正レート値と比較する比較処理であり、
前記ロス率は、（(融資額−担保額×想定回収率）×推定デフォルト値）÷融資額の演算処理によって取得し、
前記適正レート値は、資金コスト率＋事務コスト率＋ロス率＋期待収益率の演算処理によって取得することを特徴とするプログラムであって、コンピュータが実行可能なローン与信判断プログラム。