结果可以看出，各种处置方式对回收率的影响都是显着的；其中委托处置、破产清偿、直接催收的系数估计都显着为负，对不良资产回收率有负向的影响；诉讼（仲裁）追偿、修改债务条款、拍卖及协议转让方式的系数估计显着为正，对回收率有正向的影响；而以物（股）偿债、竞价转让虽然也表现为正向影响，但统计性质稍弱。
基于以上分析，我们构建的不良资产处置方式选择的决策树指标体系，以不良贷款的贷款担保方式、债务企业经营状况、工商登记状况以及贷款五级分类四个方面为切入点，提出选择处置方式的指标，为银行及资产管理公司进行处置方式的选择过程中提供决策参考，如图2所示。
通过图2所示决策树指标选择体系，可以更加清晰地明确处置方式的选择所依据的各类信息，在实际的应用过程中具有很好的可操作性和可执行性。
2.3.不良资产特征的信息挖掘
2.3.1.区域特征
区域因素在不良资产形成和处置回收中具有重要影响。对此我们的分析思路是：首先，结合我国各省的回收率数据，分析了我国不良贷款回收率的现状，并且通过引入Theil指数，在将这些省划分成东北、东部、中部、西部四个地区的基础上，分析了回收率的地区差异。其次，利用一系列能够代表省份的经济发展水平与市场化程度的指标解释了中国省份之间的回收率存在显着差异的原因，并建立模型，如图3所示。
实证表明，各省的人均GDP水平、要素市场发育程度、中介组织发育和法律环境、政府干预企业的程度、非国有经济的发展程度等指标与各省的回收率存在显着的正相关关系，也就是说地方的经济发展水平与市场化程度越高，则地方的回收率水平也会越高。这些指标的提出对不良贷款的风险管理具有重要意义。进一步，我们基于这些指标，将研究样本中的省份进行聚类，将回收率水平相近的省份划分到相同的区域，使得区域内的回收率明显小于区域间的回收率差异，为实现不良贷款的区域风险管理和处置回收奠定了基础。
2.3.2.规模特征
贷款企业规模是影响贷款回收率的一个重要因素。不同规模企业的回收率状况存在很大差异。我们运用广义贝塔模型，对不同企业规模下贷款回收率建模拟和，得到不同企业规模下影响贷款回收率的因素和影响机制。结果显示，采用单因素模型分析得到地区、行业、经营状况、贷款级别、抵押和保证因素对我国贷款回收有重要影响，而且对不同规模企业贷款的影响不完全相同；多因素模型结果显示，不同规模企业贷款的回收机制存在显着差异，主要体现在小型企业的回收与是否有房产土地抵押和保证有显着关系，而大型企业则主要依赖企业自身的偿还；企业性质中经营状况和贷款级别是影响小型、中型和大型企业贷款回收的共同因素；同时，地区、行业、抵押和保证因素这些因素在不同程度上影响了不同规模企业贷款回收的分布均值和形态。
2.3.3.时间效应特征
目前对违约贷款回收的研究文献中，绝大部分都是以抵押担保、所属行业等作为影响因素的静态研究，较少考虑回收时间长度不同导致的动态影响。部分考虑了回收时间的文章也多以经济周期等绝对时间视角分析，较少考虑从回收开始到回收结束时间长度对回收的影响。
由于我国银行贷款并非纯粹的商业活动，而包含很多政策性因素和体制改革的痕迹，这个特点使我国的贷款模型构建在参数选择、影响因素选取等方面与国外有所区别。所以，对我国违约贷款回收的时间效应研究具有重要意义。
我们采用衰减分析和回归分析两种方法开展研究。衰减分析研究整个资产池的回收随时间变化情况；回归分析研究不同回收时间下影响回收率的因素及影响程度，同时计算了几个关键因素在不同回收时期下对回收率的边际影响程度。
衰减分析的结果显示，与商业银行回收率随时间单调衰减不同，资产管理公司的边际回收率在一年内和三年后较低而两年到三年间比较高。回归分析的结果显示，企业经营状态中破产终结状态和房产土地抵押因素在所有回收时间模型中都属于重要变量；与商业银行不同，资产管理公司回收前的清收信息是影响回收率的一个重要因素；其他因素在不同回收时间段对回收率有不同影响。
2.4.不良资产回收率的信息挖掘
2.4.1.单户处置回收率
我们结合资产管理公司不良资产处置实务，利用LossMetrics数据库中全部不良资产数据，描绘出我国不良资产回收率的整体分布，发现其呈现U型分布，与国外主流研究认为的双峰分布大大不同，如若直接对回收率进行建模估计将会导致较大的偏差，因此我们采取“先分类再预测”的方法，即先运用贝叶斯判别分析模型来判断不良资产是否有回收，如果判断其无回收，则认为其回收率为0，如果判断其有回收，再对其进行建模预测。
接下来，针对判断有回收的部分，我们先对不良贷款回收率的各影响因素（风险暴露规模、地区、行业、担保方式、五级分类、逾期时间等）进行统计分析，建立单因素分析模型。此基础上，筛选出对回收率有显着性影响的因素作为解释变量。我们根据各解释变量的不同性质，在建模过程中对其进行对数或虚拟变量转换，最终采用回归模型进行回收率预测。检验后发现，模型预测效果较强。图7是模型预测的残差，70%的预测误差都在±0.2以内。
这样，通过结合判别模型和回收率预测模型，可以对单个企业的回收率做出总体预测。
2.4.2.中小企业回收率
依托于LossMetrics数据库中以中小型企业债务人为主体的数据，针对不同规模注册资本金的中小企业不良贷款数据，从银行贷款金额和协议转让金额两方面分析了不同规模中小型企业资产和债务的关系；用聚类方式划分出有相似回收率结构特征的四个类别，分别为完全回收（recovery rate=1），部分回收中较低（recovery rate ），部分回收较高（recovery rate ）），完全无回收（recovery rate=0），并用logistic方法对不同规模企业分别建模，进一步研究影响每一类企业回收率的关键因素，给出不同企业不良贷款的质量判别。
实证研究结果表明：形成不良贷款的大部分中小型企业都存在资不抵债、贷款数量过于庞大的问题；注册资本金在1000万元人民币到3000万元人民币之间的企业的不良贷款数量最为庞大，应引起银行的重点监控；不同规模企业的logistic模型的显着变量差异较大，违约和回收信用风险差异十分显着；企业经营情况、不良贷款的处置方式及有效抵质押情况为不同模型中共有的重要区别不良贷款质量的因素。研究结果对处于金融危机的中小型企业贷款融资和银行业风险管理提供了帮助和参考指标，对今后建立完善的适用于我国的中小型企业的信用评分模型和加强中小型企业贷款风险管理给出建议。
2.4.3.打包处置回收率
以LossMetrics数据库为样本数据来源，并考虑数据的有效性及完整性，我们选取了481个有效资产包进行分析。这些资产包中涉及企业涵盖了19个省级行政地区和17个行业大类。每个资产包我们都从三个层面分析回收率的影响因素：
（1）资产包自身相关信息：协议签订时间、资产包所在地区、资产包最终买受人所处地区及行业、资产包规模、资产包中债权集中度等信息；
（2）资产包中各客户信息：客户注册资本、客户经营现状、所处行业分布及债权金额等信息；
（3）资产包内各债项信息：贷款银行、贷款的五级分类情况、担保情况、合同期限等信息。
对资产包回收率的影响因素进行梳理后，我们按照以下思路进行深入分析：首先利用参数回归方法进行建模，通过模型分析出相关因素对不良资产回收率的影响程度；其次利用决策树分析主要影响因素；最后利用上述模型对样本外和时间外的债权回收率进行预测。
研究后发现，利用Logit-变换、Log-log变换和决策树三种方法建立的回收率预测模型中，共同的显着变量有：资产包所处地区、资产包内行业集中度、客户经营状况、债项的担保情况及贷款银行都是资产包回收率的重要影响因素；此外，资产包处置时的协议签订时间对资产包回收率也有显着性影响，体现了资产管理公司接收的政策性剥离资产和商业化收购资产的差异。再对其进行平均误差分析来看，决策树模型最精确，Log-log变换下模型次之。
3.不良贷款处置数据挖掘软件工具的开发
在对违约数据信息进行量化、统计、分析、修正的基础上，我们与不良资产处置实际情况充分结合，开发了一系列的服务于信贷不良资产管理及金融风险管理方面的软件系统。该系列产品是专门针对不良资产处置业务所开发的，覆盖了不良资产处置的全部流程。
3.1.NPLAS信贷不良资产管理分析系统
该系统专注于信贷不良资产的管理与分析；为从事信贷不良资产管理的企业和机构提供一个覆盖信贷不良资产管理从规划、收购、到日常管理、处置和归档全程的系统解决方案。
通过该系统提供的程序化、自动化的技术手段，能够提高不良资产收购、管理、处置的工作效率，增强信贷不良资产业务的市场竞争力；规范信贷不良资产数据采集流程，提高数据的质量；健全相关指标体系、处置流程的管理；进行全面实时的风险预警、风险管理和处置规划等；规避可能出现的操作风险。通过信息的采集，清洗，管理、分析，该系统能完成信贷不良资产核心数据的原始积累，为数据分析、数据挖掘、模型建立、风险监测及相关的知识管理、决策支持提供重要途径。
3.2.NPLPC信贷不良资产快速估值系统
针对大规模信贷不良资产交易设计，提供简单、实用的操作界面，方便用户进行快速的不良资产价值的估算，合理的使用可以为投资者提供快速便捷的资产价值衡量的参考，并对掌握组合资产价值和风险具有重要的作用。
系统采用自主研发的CEIP框架及我们长期对信贷不良资产数据研发的成果；通过运用统计分析技术，按照数据的特征，我们开发完成了区分行业、区域的多组估值模型作为估值的引擎。为确保估值结果的经济性和统计性可靠，模型中充分运用宏观指标数据进行结果矫正，并加入了灵活的人工调整机制。
3.3.NPLRM信贷不良资产风险监测系统
该系统可为商业银行和金融资产管理公司不良资产风险管理的动态监测提供保障和支持。系统利用的核心算法是我们根据不良资产数据挖掘成果开发的模型，可以对不良资产收购、管理、处置各个环节中蕴含的风险，提供全面的监测和预警方案，能够进行多种风险指标和风险区间的划分，为进行实时定量的风险管理提供技术的保障。
上述基于数据挖掘成果开发的系统，总结了银行违约贷款的特点和规律，充分利用历史违约数据实现了对不良资产的价值发现功能。定价模型的科学判别力，加上处置人员的业务经验，可以及时准确的对影响资产价格的因素进行设定、调整和计算，大大减少处置定价的随机性，快速有效地形成一个贴近实际的价值发现机制。
4.数据挖掘在不良资产管理公司的应用效果
4.1.数据挖掘业务的全面实施
平衡收益、效率、成本是企业的重要工作内容，也是数据挖掘技术在资产管理公司不断推广实施的动力所在。我们的数据挖掘涉及包括面向一线处置人员的前端运营和管理人员的后端运营。前者为处置人员提供数据处置尽调，定价估值，包含市场变动趋势的管理分析和处置成本管理分析；后者则是管理人员的决策管理工具和风险管理工具。我们的研究成果已经在东方资产管理公司展开了广泛的应用，有效地提高了公司不良资产定价、风险管理、处置决策等多项工作能力。
LossMetrics数据库的建立对已经为加强不良金融资产的定价能力，实现不良金融资产的量化管理提供了科学的手段。利用LossMetrics数据库能够有效地评估不良金融资产的实际价值，加强违约债务的回收，尽可能的保全和提升资产的价值，对银行和资产管理公司降低损失，提高盈利水平，加强抗风险能力具有重要意义。
4.2.应用结果示例
基于LossMetrics数据库的数据挖掘已经在实践中得到很好的展示。以资产管理公司A、B两个地区资产包的实际处置回收率为例。
其中：A地区模型预测回收率均值为21.32%，实际回收率为22.41%。模型较好地预测了实际的回收水平。
B地区的模型预测回收率均值为36.29%，这与当地之前资产包的平均回收率（10%左右）相差甚远。同时，36.29%的预测回收率也远远超出了处置人员的预期，最终实际37.65%的回收率打消了业务人员的疑虑。可见，数据挖掘可以全面分析不良资产的质量，减少了人为主观判断的偏差，提高了不良资产的回收效率，由此数据挖掘对于资产管理公司的重要性可见一斑。
