1 与信判断の基本概念
1.1 定義と目的
与信判断とは、金融機関や事業者が融資や取引を行う際に、相手方（個人・法人）の信用力を評価し、返済能力や債務履行の確実性を分析・判定する一連のプロセスである。その目的は、貸出や取引に伴うリスクを適切に評価し、貸し倒れや債務不履行の発生を未然に防止することにある。与信判断の結果は、融資の可否、限度額、金利、担保要件などの条件設定に直接反映される。
1.2 信用リスクの分類
信用リスクは、主に以下の種類に分類される。第一に「債務不履行リスク」であり、相手方が約定通りの返済を行わないリスクを指す。第二に「格付変動リスク」で、相手方の信用力が時間経過とともに低下するリスクである。第三に「集中リスク」で、特定の業種や地域に与信が偏ることで生じるリスクである。第四に「カントリーリスク」で、相手方が所在する国の政治・経済情勢の悪化により生じるリスクである。
1.3 与信判断のプロセス概要
与信判断のプロセスは、一般的に以下の段階を経る。第一段階は「情報収集」であり、申込者の属性、財務データ、取引履歴などを収集する。第二段階は「評価分析」であり、定性・定量の両面から信用力を分析する。第三段階は「判定」であり、与信可否や条件を決定する。第四段階は「モニタリング」であり、貸出後も定期的に信用状態を監視し、必要に応じて条件の見直しを行う。
2 与信判断の評価要素
2.1 定性評価（5C分析）
5C分析は、伝統的な与信判断の枠組みであり、以下の5要素から構成される。
2.1.1 人品（Character）
人品は、借入人の返済意欲や誠実性、社会的信用を評価する要素である。過去の返済実績、経営者の経歴や評判、法令遵守の姿勢などが判断材料となる。人格的な信頼性が低い場合、返済能力が十分でも債務不履行のリスクが高まるとされる。
2.1.2 能力（Capacity）
能力は、借入人の返済能力を評価する要素である。個人の場合、収入の安定性や雇用状況、健康状態などが対象となる。法人の場合、経営者の事業運営能力、組織体制、技術力、販売力などが分析される。
2.1.3 資本（Capital）
資本は、借入人の財務的な体力を示す要素である。自己資本比率、純資産額、利益剰余金の蓄積状況などが評価される。資本が充実しているほど、不測の事態に対する耐性が高いと判断される。
2.1.4 担保（Collateral）
担保は、貸出に対する物的な保証を評価する要素である。不動産、有価証券、預金などの担保価値、換金性、法的な権利関係が分析される。担保があれば、万一の債務不履行時にも回収可能性が高まる。
2.1.5 景況（Conditions）
景況は、借入人を取り巻く外部環境を評価する要素である。景気動向、業界の成長性、競争環境、法的規制の変化などが対象となる。景気後退や業界不振が予想される場合、与信判断は慎重になる。
2.2 定量評価（財務分析）
定量評価は、財務諸表を用いて数値的に信用力を分析する手法である。
2.2.1 収益性指標
収益性指標は、企業の利益獲得能力を測定する。主要な指標として、売上高総利益率、営業利益率、経常利益率、ROA（総資産利益率）、ROE（自己資本利益率）などがある。収益性が高いほど、返済原資が確保しやすいと判断される。
2.2.2 安全性指標
安全性指標は、企業の財務安定性と返済能力を評価する。代表的な指標に、自己資本比率、流動比率、当座比率、インタレスト・カバレッジ・レシオ（利払い倍率）、D/Eレシオ（負債対自己資本比率）などがある。安全性が高いほど、倒産リスクが低いとされる。
2.2.3 成長性指標
成長性指標は、企業の将来の拡大可能性を示す。売上高成長率、利益成長率、総資産成長率、研究開発費比率などが用いられる。成長性が高い企業は、将来の収益増加による返済能力向上が期待される一方で、急成長に伴うリスクも考慮する必要がある。
2.3 将来性評価（3F分析）
3F分析は、企業の将来性を評価する手法であり、「要素（Factor）」「財務（Finance）」「将来性（Future）」の3つを分析する。要素は事業内容や競争優位性、財務はキャッシュフローの健全性、将来性は市場環境や技術革新への適応力を評価する。この分析は、特に新興企業や成長段階にある企業の与信判断において重視される。
3 与信判断の手法
3.1 伝統的手法
3.1.1 マニュアル審査
マニュアル審査は、審査担当者が収集した書類や情報を基に、経験と知識を駆使して与信判断を行う手法である。定性評価と定量評価を組み合わせ、個別の事情を考慮できる利点がある一方で、審査のばらつきや時間的コストが課題となる。
3.1.2 スコアリングモデル
スコアリングモデルは、過去の貸出データを統計的に分析し、デフォルト率と相関の高い変数を抽出してスコアを算出する手法である。個人向け与信ではFICOスコアなどが有名であり、法人向けでは財務指標を基にしたスコアリングが行われる。効率的で客観的な判定が可能だが、過去のデータに依存するため新たなリスク要因を捉えにくいという欠点がある。
3.2 現代的手法
3.2.1 AI・機械学習による自動審査
AI・機械学習による自動審査は、大量のデータから複雑なパターンを学習し、従来のスコアリングモデルよりも高精度な与信判断を実現する手法である。決定木、ランダムフォレスト、ニューラルネットワークなどのアルゴリズムが用いられる。リアルタイム処理が可能で、非線形な関係性も捉えられるが、モデルの解釈性（説明可能性）に課題がある。
3.2.2 ビッグデータを活用した代替データ分析
ビッグデータを活用した代替データ分析は、従来のクレジットヒストリーや財務データに加え、携帯電話の利用履歴、公共料金の支払状況、オンラインショッピングの行動パターン、SNSの活動データなど、多様な非伝統的データを分析する手法である。特にクレジットヒストリーが不十分な個人や中小企業の与信判断に有効であり、金融包摂の促進にも貢献する。
3.2.3 ブロックチェーンを利用した信用履歴管理
ブロックチェーンを利用した信用履歴管理は、分散型台帳技術を用いて、改ざんが困難な信用履歴を構築する手法である。取引履歴や返済実績をブロックチェーン上に記録することで、データの透明性と信頼性を高める。また、個人や企業が自身の信用データを自己管理できる点が特徴で、異なる金融機関間でのデータ共有も容易になる。
4 与信判断の実務
4.1 個人向け与信判断
4.1.1 住宅ローン審査
住宅ローン審査では、申込者の年収、勤続年数、雇用形態、既存の借入額、頭金の金額、物件の評価額などが総合的に評価される。審査基準は金融機関ごとに異なるが、一般的に返済負担率（年収に対する年間返済額の割合）が重視され、30%から40%以内が目安とされる。また、担保となる物件の価値も重要な判断材料となる。
4.1.2 クレジットカード審査
クレジットカード審査では、申込者の年収、職業、居住形態（持ち家・賃貸）、クレジットヒストリー（過去の支払い遅延の有無）などが評価される。スコアリングモデルによる自動審査が主流で、即時発行や即時利用開始が可能なカードもある。近年では、クレジットヒストリーが乏しい若年層向けに、収入データや公共料金の支払い実績を重視する審査も増えている。
4.2 法人向け与信判断
4.2.1 融資審査
法人向け融資審査では、企業の財務諸表（貸借対照表、損益計算書、キャッシュフロー計算書）の分析に加え、事業内容、業界の状況、経営者の資質、取引先関係などが総合的に評価される。特に、キャッシュフローが返済原資として重要視され、営業キャッシュフローが借入金の返済額を上回っているかが確認される。また、担保や保証人の有無も考慮される。
4.2.2 取引先信用限度設定
取引先信用限度設定は、販売先や仕入先などの取引先に対して、与信限度額を設定する実務である。売掛金の回収リスクを管理するために行われ、取引先の財務状況、過去の支払い実績、取引規模、決済条件などを基に設定される。新規取引先の場合は初期限度額を低めに設定し、取引実績の蓄積に応じて段階的に引き上げる方式が一般的である。
4.3 与信限度額と条件設定
4.3.1 金利設定
金利設定は、与信判断の結果に基づいて行われるリスクプレミアムの決定である。信用力の高い借入人には低い金利が、信用力の低い借入人には高い金利が適用される。金利は、無リスク金利（国債利回りなど）に信用リスクプレミアム、流動性プレミアム、期限プレミアムなどを加算して決定される。また、変動金利と固定金利の選択も条件設定の一部である。
4.3.2 担保・保証要件
担保・保証要件は、貸出の回収可能性を高めるための条件である。担保には不動産、有価証券、預金、売掛債権などが用いられ、担保価値は時価評価または鑑定評価により決定される。保証には個人保証（経営者保証）や法人保証があり、特に中小企業融資では経営者保証が一般的である。近年では、経営者保証に依存しない融資（事業性評価融資）も拡大している。
5 与信判断の課題と倫理
5.1 過剰与信と貸し倒れリスク
過剰与信とは、借入人の返済能力を超えた貸出を行うことであり、貸し倒れリスクを高める。金融機関が業績目標を達成するために過度な貸出を促進したり、競争激化により審査基準が緩和されたりする場合に発生しやすい。過剰与信は、金融システム全体の安定性を脅かす要因ともなり、サブプライムローン問題などの歴史的な金融危機の原因の一つとなった。
5.2 差別的な審査（アルゴリズムバイアス）
AIや機械学習を用いた与信判断では、学習データに含まれる過去の差別的な傾向がアルゴリズムに反映され、人種、性別、居住地域などに基づく不当な差別を生じさせる可能性がある。アルゴリズムバイアスは、特定の集団に対する与信拒否や不利な条件設定を結果としてもたらし、社会的な公平性を損なう。対策として、訓練データの偏りの除去、モデルの公平性評価、説明可能なAIの導入などが進められている。
5.3 プライバシーとデータ保護
ビッグデータや代替データを活用した与信判断では、個人のプライバシーに関する情報が大量に収集・分析される。データの取得方法や利用目的が不透明な場合、本人の同意なく個人情報が利用されたり、第三者に漏洩したりするリスクがある。各国ではGDPR（EU一般データ保護規則）や個人情報保護法などの規制が整備されており、金融機関はデータ管理と利用に関する厳格なコンプライアンスが求められる。
5.4 規制対応（バーゼル規制等）
国際的な金融規制であるバーゼル規制（バーゼルI、II、III）は、与信判断に大きな影響を与えている。バーゼル規制では、リスク資産の計算方法や自己資本比率の最低基準が定められており、金融機関は与信ポートフォリオのリスク量を適切に計測し、それに見合う自己資本を維持する必要がある。内部格付手法（IRB）を用いる場合、金融機関は自社の与信判断モデルを規制当局に認証してもらう必要があり、高度なリスク管理体制が要求される。また、IFRS9（国際財務報告基準第9号）では、予想信用損失モデルの採用が義務付けられ、与信判断の結果が貸倒引当金の計上に直接反映されるようになっている。