本文摘要：作為信用交易的電子化載體，信用卡是現代貨幣體系的重要延伸，更是重要的支付手段和信貸工具，在便利商品和服務交易支付結算的同時，也促進了商業銀行相關業務的增長。 對商業銀行來說，信用卡業務是其夯實客戶基礎的戰略性業務之一，具有綁定客戶、擴面擴戶、穩定存款
作為信用交易的電子化載體，信用卡是現代貨幣體系的重要延伸，更是重要的支付手段和信貸工具，在便利商品和服務交易支付結算的同時，也促進了商業銀行相關業務的增長。 對商業銀行來說，信用卡業務是其夯實客戶基礎的戰略性業務之一，具有綁定客戶、擴面擴戶、穩定存款、創造中間業務收入等綜合作用。
客戶是商業銀行信用卡業務發展的基礎，信用卡消費規模、貸款規模、業務收入的增長均依賴于客戶的規模和質量。 可以說，誰優先獲得龐大且優質的信用卡客戶群，誰就優先取得了消費金融時代的發展優勢。 本文基于某商業銀行北京市A支行(以下簡稱“A支行”)的調查結果對個人信用卡準入、申請評分和初始授信影響因素進行研究分析，為商業銀行提升信用卡營銷水平、信用卡申請者提高申請通過率提供參考建議。
一、調查對象的基本情況
1.調查對象
通過對A支行一年的個人信用卡申請、審批情況的調查分析，筆者發現其間共有438人向該營業網點申請個人信用卡，其中有134人獲得準入，獲得準入的比例為30.60%(該百分比為四舍五入后數值，下同)，其余申請者均因各種原因被拒絕準入。
2.申請者性別分布情況
調查樣本中，男性申請者294人，占比67.10%; 女性申請者144人，占比32.90%。 其中，男性申請者中有228人被拒絕準入，占比為77.60%; 女性申請者中有76人被拒絕準入，占比為52.80%; 獲得準入的男性申請者和女性申請者分別為66人和68人，分別占同性別申請者總數的22.40%和47.20%。 整體來看，男性申請者數量是女性申請者的兩倍，但最終獲得準入的男性申請者人數比女性申請者少2人，女性申請者獲得準入的比例是男性申請者的2倍多。 對申請者性別分布情況進行卡方檢驗得出P值小于0.01，說明不同性別申請者獲得準入的差異極顯著。
3.申請者來源分類情況
84.90%的申請者是A支行的新客戶，共372人，其中271人未獲得準入，101人獲得準入，獲得準入的比例為27.20%。 申請者為本行借記卡客戶、已有本行信用卡客戶和系統識別優質客戶分別占申請者總數的5.50%、2.30%和5.90%，獲得準入的比例分別為29.20%、50.00%和61.50%。 申請者為本行房貸客戶和本行員工的分別占申請者總數的0.90%和0.50%，但獲得準入的比例分別為75.00%和100.00%。
在獲得準入的申請者中，申請者來源為新客戶的人數占75.40%，系統識別優質客戶和本行借記卡客戶的人數分別占11.90%和5.20%，其他來源的人數占比均小于5.00%。 可以看出，申請者與發卡行的關系越緊密，獲得準入的可能性就越高。
4.申請渠道分布情況
75.30%的申請者通過營業網點申請個人信用卡，共330人，其中有111人獲得準入，獲得準入的比例為33.60%。 通過網上銀行和其他渠道申請的人數分別為52和35，分別占申請總數的11.90%和8.00%，獲得準入的比例分別為5.80%和14.30%，遠低于通過營業網點申請獲得準入的比例。 通過柜面客戶端、網銀交叉銷售和手機銀行申請的人數逐漸減少，分別為15、4和2，獲得準入的比例分別為66.70%、100.00%和50.00%，高于通過營業網點申請獲得準入的比例。
在獲得準入的申請者中，通過營業網點申請的人數占82.80%，通過柜面客戶端申請的人數占7.50%，其他渠道申請的人數占比均小于5.00%。 調查結果顯示，營業網點依然是客戶申請個人信用卡的主要渠道，雖然近年來通過網上銀行、手機銀行等電子渠道申請個人信用卡的客戶有所增多，但通過電子渠道申請個人信用卡獲得準入的比例遠低于通過營業網點等傳統渠道申請個人信用卡獲得準入的比例。
5.獲得準入的申請者的基本特征
在獲得準入的申請者中，已婚有子女的申請者人數為92，占獲得準入總數的比例為68.70%; 未婚的申請者人數為32，占獲得準入總數的比例為23.90%; 已婚無子女與其他婚姻狀態的申請者人數分別7和3，占獲得準入總數的比例分別為5.20%和2.20%。 擁有大學本科和專科學歷的申請者人數分別為64和34，占獲得準入總數的比例分別為47.80%和25.40%; 擁有研究生及以上學歷和高中/中專及以下學歷的申請者人數分別為15和21，占獲得準入總數的比例分別為11.20%和15.70%。
二、個人信用卡申請被發卡行拒絕的原因分析
調查對象中共有304名信用卡申請者被拒絕準入，占申請總數的69.40%。 “內部核查未通過”“征信未滿足準入條件”和“綜合評分不足”是個人信用卡申請被發卡行拒絕的前三大原因，分別占比25.00%、19.10%和15.10%，合計為59.20%。 由于“郵寄地址核實有誤”和“申請者要求取消”原因被拒絕準入的人數占被拒絕總數的比例均為5.60%。
由于個人信用卡申請者自身不良信用記錄導致申請被發卡行拒絕的情況包括“申請者信用卡最長逾期2個月數及以上”“信用卡當前逾期期數為1且當前逾期金額在200元(不含)以上”和“申請者被系統識別為風險客戶”，因此三種情況被拒絕準入的人數分別為14、4和3，占被拒絕總數的比例分別為4.60%、1.30%和1.00%，合計為6.90%。 由于申請者“持有信用卡總數過多”和“用信已高”原因被拒絕準入的人數分別為8和10，合計占被拒絕總數的比例為5.90%。 由于申請者“近3個月征信查詢機構大于3家”原因被拒絕準入的人數為13，占被拒絕總數的比例為4.30%。
由于申請者提供的申請信息不準確和申請資料不完備而導致被拒絕準入的客戶占一定比例，發生這種情況的主體責任在申請者，但如果營銷人員在客戶填寫申請表或提供申請資料時為其提供相應的指導，并在第一時間檢查判斷客戶申請信息的準確性和申請資料的完備性，就可以有效減少客戶被拒情況的發生。 申請信息不準確主要體現在“郵寄地址核實有誤”“調查時聯系不到客戶”“申請表多處涂改”和“資料邏輯有誤”等方面，因此類原因被拒絕準入的人數占被拒絕總數的比例為13.49%。
申請資料不完備主要體現在“申請資料不完整但到期未收到補充資料”，因此類原因被拒絕準入的人數占被拒絕總數的比例為3.30%。 另外，“申請評分與征信評分偏離度較大”和“申請者被系統識別為風險客戶”也是申請者被拒絕準入的原因。
從信用卡申請被拒絕環節來看，22.40%的申請者被拒絕準入發生在調查環節，77.60%的申請者被拒絕準入發生在審批環節。
三、基于自動線性建模的指標對申請評分的相對重要性分析
提前預測貸款違約者可以幫助金融機構采取一些預防措施，避免向潛在風險客戶發放貸款，從而減少不良貸款的數量。 申請評分可幫助金融機構確定申請者是否符合貸款條件及其需支付的利率，是金融機構重要的風險管理措施。 目前，發卡機構主要基于申請者的信用歷史情況對申請者進行信用評分。 隨著科學技術的發展，越來越多的信用評分方法被應用于該領域，如判別分析、邏輯回歸、決策樹、數據挖掘和人工智能等。
近年來，自動線性建模(Automatic Linear Modeling)在回歸模型的構建過程中被廣泛使用，可通過簡單的參數選擇實現自動的數據處理、特征選擇、模型訓練和預測，從而輸出預測結果，將各種最新的智能分析和自動分析技術以簡明易懂的形式直接提供給用戶。
為了探索個人信用卡申請評分影響因素，本文采用SPSS數據分析軟件的自動線性建模功能，參考國內外成熟的信用評價或評分模型，以“客戶來源”“申請渠道”“征信等級”“年齡”“婚姻狀況”“學歷水平”“個人年收入”“住房情況”“職業”“行業種類”“職務”和“職稱”等12個指標為自變量，“申請評分”為因變量，分析各指標對申請評分的的相對重要性。
根據自動線性建模分析，“征信等級”“年齡”“職業”“客戶來源”“住房情況”“申請渠道”和“學歷水平”這7個指標是影響申請評分的重要指標，且各指標的相對重要性依次下降。 其中，相對重要性大于5%的指標有“征信等級”“年齡”“職業”和“客戶來源”，相對重要性依次分別為69.59%、9.51%、7.81%和7.33%。 表4顯示，上述7個相對重要指標均與申請評分存在顯著的相關性。
四、基于逐步回歸模型的指標對初始授信額度的影響分析
逐步回歸(Stepwise Regression)是指逐步將自變量輸入模型，如果該自變量具統計學意義，則將其納入回歸模型中，同時移出不具有統計學意義的變量，最終得到一個自動擬合的回歸模型。 以“客戶來源”“申請渠道”“征信等級”“年齡”“婚姻狀況”“學歷水平”“個人年收入”“住房情況”“職業”“行業種類”“職務”和“職稱”等12個指標為自變量，“初始授信額度”為因變量，采用逐步回歸方法建立回歸模型，進一步分析各指標對初始授信額度的影響。
根據逐步回歸結果可知，逐步回歸分析過程中一共建立了4個回歸模型，這些模型中依次被納入的自變量是“客戶來源”“個人年收入”“年齡”“學歷水平”。 引入新變量后，原有模型中的變量均有統計學意義(顯著性檢驗的P值均小于0.05)，因而未有自變量被移出，且4個模型校正決定系數也是持續增大的。
在4個被納入模型的自變量中，“個人年收入”和“年齡”變量是數值變量，“客戶來源”和“學歷水平”變量是分類變量。 “客戶來源”的賦值情況為：新客戶的賦值為1，本行借記卡客戶的賦值為2，系統識別優質客戶的賦值為3，已有本行信用卡客戶的賦值為4，本行房貸客戶的賦值為5，本行員工的賦值為6。 “學歷水平”的賦值情況為：高中/中專以下的賦值為1，大學專科的賦值為2，大學本科的賦值為3，研究生及以上的賦值為4。
4個回歸模型中自變量的偏回歸系數估計值均為正數，且各個自變量的統計檢驗P值均小于0.05。 隨著新變量的納入，原有變量的偏回歸系數估計值均在發生變化。 將回歸系數進行標準化轉化，可以消除原始變量單位不同及量綱不同的影響，便于對回歸模型中自變量對因變量的影響進行比較。 根據標準化系數估計值可知，4個自變量對因變量的影響大小從高到低依次為“客戶來源”“個人年收入”“年齡”和“學歷水平”。
申請者來源在一定程度上反映的是申請者與發卡行的關系，是發卡行評估申請者信用卡初始授信額度的重要參考依據。 根據回歸模型，申請者與發卡行的關系越緊密，申請信用卡時獲得的初始授信額度就越高。 申請者的個人年收入反映的是其還款能力，年齡反映的是其工作時長或財富累積時長，學歷水平因對申請者的收入有較大影響，在一定程度上也反映了其還款能力。 因此，客戶的“個人年收入”“年齡”和“學歷水平”在一定程度上代表了客戶的收入水平或還款能力，也是發卡行評估客戶信用卡初始授信額度的重要考量指標。
反映的是被回歸模型4排除在外的自變量的偏相關系數估計值、偏相關關系以及多重共線容忍度。 從模型分析結果可知，被各個模型排除在外的自變量若納入原有模型，“客戶來源”這一自變量的偏相關系數估計值都很小且均未能通過統計檢驗，銀行信用卡營銷人員對客戶的“初始授信建議額度”除在模型1(模型1的校正決定系數是4個模型中最小的)中偏相關系數相對較大且通過統計檢驗外，在其余模型中的偏相關系數都較小且未能通過統計檢驗。 表6中的共線性統計量“容差”越小，則多重共線性越嚴重。 從共線性統計結果來看，4個回歸模型不存在嚴重的多重共線性。
五、結論與啟示
結合上述調查分析結果，筆者建議，銀行應通過完善考核體系促使營銷人員的營銷目標與銀行各層級目標一致，降低對營銷數量的考核比重，提升有效營銷的考核比重，鼓勵營銷人員在第一時間判斷申請信息的準確性和申請資料的完備性，在客戶填寫申請表或提供申請資料時為客戶提供相應的指導，減少客戶因此類原因被拒情況的發生，進一步提升信用卡營銷水平。 此外，申請者應增強信用意識，保持良好的個人信用記錄，盡量選擇與自身關系比較緊密的銀行申請信用卡，以降低被拒絕的可能性，并獲得更高的初始授信額度。
轉載請注明來自發表學術論文網：http://www.zpfmc.com/jjlw/29554.html
