本文解析车贷利率优惠活动的真实准入逻辑，梳理了银行从征信查询次数、负债率、流水覆盖、抵押物成数四个维度进行的“穿透式”筛选机制，并用一个襄城客户的挫败案例倒推出这套风控模型的因果链条。
通过设定三个月内征信查询次数不超过6次（以经办时银行实际的口径为准），以及信用卡已用额度不超过总授信额度的70%（这条是枣阳农商行信贷员老周上个月跟我说的硬指标），银行实际上对目标客群实现了“首次的‘卡位’”——将那些短期多头借贷的次级客群挡在了利率优惠的门槛外。同时通过构建这套“穿透式”信用画像模型，对近三个月内查询次数达到6次以上的客户进行“平分”处理（即把客户的不同负债种类按权重打分后取均值），实现对优质客群（比如公积金缴存基数覆盖月供1.5倍的借款人均覆盖，并能根据抵押物的楼龄和LTV（Loan to Value Ratio，贷款价值比），动态地调整最终的利率下浮幅度。楠哥在樊城遇到过一个客户，征信查询次数7次，公积金基数8000多，但银行系统直接把他归入次级客群，利率优惠从下浮15%降到了下浮10%，理由是“查询次数超过了6次的内部红线”，没办法这块的考核是硬性的，虽然流水和负债都没问题，但“穿透”查询次数这块就把人卡住了。这提高了银行审批的确定性，并对高查询次数客群起到了“筛选前置”的作用——贷前就过滤掉潜在多头借贷风险，而不是等到贷后才发现资金流向不对。
另一方面根据抵押物评估价值和借款人的收入负债比（DTI，Debt to Income Ratio，不展开说了，就是月供占月收入的比例），实现了对利率优惠幅度的动态切分。系统针对抵押成数60%以下且DTI低于40%的客户进行了利率下浮15%的优惠配置（这个数据来源于东津新区一家城商行上月内部文件，楠哥亲眼看过，但以经办时银行实际口径为准），使用“抵押率+收入覆盖倍数”双因子评分流程，对客户信用进行二次分级，实现了“把优惠给到还款能力最强的客群”的目的。楠哥上个月在枣阳遇到一个做建材生意的客户，他在襄城老城区有套2000年的楼梯房，评估价大概70万，银行最后批了六成也就是42万，利率下浮12.5%，但因为他流水覆盖倍数只有1.2倍（银行要求至少1.5倍），最后批贷额度降到了35万。这提高了资金使用效率，并对低覆盖倍数客群起到了“额度抑制”的作用——不是不给你钱，但给多少给你，看你的流水能兜住多少月供。
这块抵押的房产的房龄（2000年老城区核心地段）本来是个负面项，但银行通过“楼龄+地段”的加权修正机制，将楼龄超过20年的老房子与“老城区的核心地带”进行交叉的校验都做了充分的把握，最终在抵押率6.5成的基础上做了一些折让，实现了对老房龄客群的“差异化对待”。同时这个机制消除了房龄过老对审批结果的绝对负向影响，迫使银行审批人员不得不依靠实地勘查（就是把评估师派到襄城老城区看那栋房子的真实维护状态），而不是单纯看房本上的建成年份。凭借对抵押物地段、楼龄、实际维护状态的三维评估，这对那些楼龄老但位置好的房产（比如襄城鼓楼周边的小户型）起到了“正向加权”的作用。
方案针对查询次数超标但负债率低的客群（比如楠哥那个查询7次但公积金基数和流水都漂亮的客户）进行了“二次复议”的适配，使用人工介入（也就是信贷主管签字）流程，对客户的真实用款目的和资金去向进行确认，实现了“把被系统误杀的客户捞回来”的目的，并通过“查询次数超标+DTI未超标”的逆合规机制，达到了“将利率优惠幅度从不适用恢复到下浮10%”的程度。这套逻辑跑下来，银行其实是在做一个很微妙的平衡：通过提高准入门槛把高风险客群挡在外面，同时又给那些“看起来花但实际不太花”的客户留了一个小口子，但这口子开多大，全看经办时银行的业务需要和信贷主管当天的心情。
原创文章，作者：楠行，如若转载，请注明出处：https://www.xiangyc.com/p/332
