近几年，金融机构为了扩大信贷规模，抢占市场份额，通过贷款将贷款发放给无法直接通过金融机构获得贷款的个人或者企业，但这也给金融机构带来了多重风险。

首先，我们来看下资金归集是什么。所谓资金归集，是银行根据客户的约定，即时或定期将一个或多个指定账户的资金全部或部分转入另一个指定账户的业务。

而贷后资金归集是指多人多笔贷款后的资金短时间内汇集到同一个账户，这种情形多发生在私贷公用、亲友拆借（购房、运营）、中介包装、员工作弊等场景。

贷后资金归集往往伴随着合规或坏账的风险，例如，在楼市或股市火热的时候，消费贷就会通过这种方式违规流入楼市或股市。

如图所示，图中红色的节点表示可能存在资金归集风险。

那么，金融机构要如何识别这种风险呢？

如何通过关联网络建模分析贷后资金归集风险？

在上期团伙欺诈案例中，曾提到关联网络技术指的是通过关联图谱识别团伙欺诈、补充个体风险的识别能力。

同样，关联网络技术也可应用到检测贷后资金归集的风险中。

首先，我们需要构建关联网络。通过用户贷后的资金交易关系构建交易网络。

第二步，通过连通性社区发现算法，得到各个子网络，对其中的超大子网络使用社区划分算法（LPA、Louvain等）拆分成小的子网络，表示高聚集性的交易社区，也就是团伙。

不同类型的子网络一般聚集着不同的风险，如图所示。

第三步是进行归集度计算。通过计算各个团伙中每个节点的归集度（即中心度），进而判断团伙内是否存在着资金聚集行为。

最后一步便是输出风险团伙了。经过多轮方法对团伙进行筛选后，得到风险团伙，对风险团伙进行输出，并对风险团伙内的用户进行打分。

下面对算法流程进行更详细的介绍。

节点中心度在交易网络中，可以衡量网络中资金流向某个节点的概率，流入节点概率越大则节点的中心度越高。

因此，我们可以通过 PageRank算法计算节点PR值，计算流程如下：

1、PageRank算法初始时，每个节点的PageRank值（以下简称PR值）都初始化为P0 = [1/n, 1/n, ...]，其中P表示节点PR值向量，下标表示迭代次数。

2、Pk表示第k次迭代后各个节点的PR值，A是由资金交易构成的资金转移概率矩阵。

3、对任意i，∑iAij = 1, M = dA + (1-d)/n1，PR迭代计算的过程变为：Pk+1 = MPk , 其中d介于0到1之间，一般取d=0.85。

对于划分后的社区或团伙,需要根据多个社区指标来判断这个是否是业务关注的风险团伙。

针对初步筛选出的风险团伙，计算成果中各个节点的PR值，每个团伙中PR值最高的用户将被认为是归集账户，归集账户所对应的团伙会被最终认定为是聚集性风险团伙、贷后资金归集的团伙。

最终，我们可以就风险名单对风险团伙内的用户进行打分，并输出到业务系统中方便排查。

警惕信贷风险，需各方共同努力

对于金融机构而言，对此类风险进行防范管理是当下非常紧要的事情。

除了可利用关联网络及时发现此类风险外，金融机构也要做好管理防范工作。

一方面，金融机构在签订此类合同时需充分了解贷款用途，查清真正的借款人，避免签约失误，最大程度降低信贷风险。同时，完善信贷内控制度，加强信贷队伍建设。

另一方面，需完善信贷监控体系，扩大贷款监控行为。对为借款人提供保证的企业加强贷后监控，密切注意担保企业经营动向，在担保企业经营不善后及时采取必要措施，降低信贷风险。

当然，金融机构业内也可对已经发生恶意贷款行为的个人或企业及时向银行业监督管理和人民银行报告，编制黑名单及案例汇编，提醒业内同行对相关企业和个人加以防范和制裁。