基于Logistic回歸模型的個(gè)人小額貸款信用風(fēng)險(xiǎn)評(píng)估及應(yīng)用

羅方科+++陳曉紅

摘要：根據(jù)光大銀行某分行的實(shí)際樣本數(shù)據(jù)，構(gòu)建二分類Logistics信用風(fēng)險(xiǎn)評(píng)估模型，對(duì)互聯(lián)網(wǎng)金融個(gè)人小額貸款信用風(fēng)險(xiǎn)評(píng)估問(wèn)題進(jìn)行實(shí)證研究。實(shí)證表明：年齡、性別、收入、職業(yè)、學(xué)歷、是否持有信用卡、存貸比以及客戶所屬地對(duì)個(gè)人小額貸款信用風(fēng)險(xiǎn)影響非常顯著；其中年齡越大、收入越穩(wěn)定、學(xué)歷越高、持有信用卡、存貸比越低的客戶其信用等級(jí)越高；女性信用風(fēng)險(xiǎn)顯著低于男性；一、二線城市客戶的履約率普遍高于縣地級(jí)市客戶的履約率，商業(yè)銀行應(yīng)有針對(duì)性地對(duì)其進(jìn)行有效規(guī)避和分散。

關(guān)鍵詞：Logistic模型；互聯(lián)網(wǎng)金融；小額貸款；信用風(fēng)險(xiǎn)；

一、引言

20世紀(jì)末以來(lái)，隨著以互聯(lián)網(wǎng)、大數(shù)據(jù)為代表的信息技術(shù)快速發(fā)展，金融與互聯(lián)網(wǎng)從逐漸融合到全面滲透，“互聯(lián)網(wǎng)金融”概念應(yīng)運(yùn)而生。互聯(lián)網(wǎng)金融憑借成本低廉、高效便捷、受眾廣泛的特征使其在滿足客戶個(gè)性化需求、服務(wù)長(zhǎng)尾客群方面具有先天性優(yōu)勢(shì)，因此傳統(tǒng)商業(yè)銀行可以通過(guò)發(fā)展互聯(lián)網(wǎng)金融模式，加快個(gè)人信貸領(lǐng)域產(chǎn)品和服務(wù)創(chuàng)新，達(dá)到業(yè)務(wù)處理的便捷性，提升客戶體驗(yàn)，增加客戶黏性，拓展普惠金融服務(wù)范圍。傳統(tǒng)的小額貸款主要面向中低收入個(gè)人客戶、中小企業(yè)主等群體，涉及面廣、個(gè)性化需求強(qiáng)烈，由于缺乏統(tǒng)一的規(guī)范化管理，風(fēng)險(xiǎn)管理難度較大，這也是商業(yè)銀行小額貸款業(yè)務(wù)發(fā)展緩慢的一個(gè)主要原因，但隨著“互聯(lián)網(wǎng)+金融”模式的興起，大數(shù)據(jù)、云計(jì)算、社交網(wǎng)絡(luò)、搜索引擎等互聯(lián)網(wǎng)技術(shù)不斷突破與運(yùn)用，商業(yè)銀行大力發(fā)展個(gè)人小額貸款業(yè)務(wù)已成為可能，但同時(shí)也應(yīng)看到隨之而來(lái)的欺詐風(fēng)險(xiǎn)、準(zhǔn)入風(fēng)險(xiǎn)等，商業(yè)銀行信用風(fēng)險(xiǎn)管理所考量的因素不斷細(xì)化。所以，傳統(tǒng)商業(yè)銀行如何運(yùn)用互聯(lián)網(wǎng)金融的優(yōu)勢(shì)來(lái)創(chuàng)新發(fā)展個(gè)人小額信貸業(yè)務(wù)、搶占個(gè)人信貸業(yè)務(wù)市場(chǎng)、高效的解決信息不對(duì)稱的問(wèn)題，有效的管理風(fēng)險(xiǎn)將會(huì)成為傳統(tǒng)商業(yè)銀行未來(lái)不得不考慮的問(wèn)題。

信貸的核心是風(fēng)險(xiǎn)管理，而對(duì)于個(gè)人小額貸款業(yè)務(wù)而言，風(fēng)險(xiǎn)管理的核心是客戶信用管理，包括客戶準(zhǔn)入管理、存量客戶管理及逾期客戶管理。所以如何識(shí)別不同時(shí)期的客戶的信用風(fēng)險(xiǎn)并進(jìn)行有效控制將成為商業(yè)銀行發(fā)展小額貸款業(yè)務(wù)的重中之重。本文將利用光大銀行長(zhǎng)沙分行收集的實(shí)際樣本數(shù)據(jù)進(jìn)行分析，以二分類Logistic回歸為計(jì)量工具，通過(guò)對(duì)商業(yè)銀行的個(gè)人信用貸款數(shù)據(jù)進(jìn)行分析，來(lái)識(shí)別影響個(gè)人小額貸款信用風(fēng)險(xiǎn)的主要因素，旨在對(duì)商業(yè)銀行在開(kāi)展個(gè)人小額信貸業(yè)務(wù)中的風(fēng)險(xiǎn)管理提供一種思路或方法。

二、 文獻(xiàn)綜述

在對(duì)貸款風(fēng)險(xiǎn)管理的研究中，定量分析方法越來(lái)越受到學(xué)者和實(shí)踐操作者們的青睞。定量分析法不僅可以優(yōu)化貸款決策，將被動(dòng)的風(fēng)險(xiǎn)管理模式轉(zhuǎn)為積極主動(dòng)的防范和控制風(fēng)險(xiǎn)，還能盡可能的減少拖欠的賬款，降低收回賬款的成本；同時(shí)還可以提高貸款決策效率，節(jié)約人力成本，實(shí)現(xiàn)貸款決策過(guò)程的客觀性、信息化和科學(xué)化。從目前的研究來(lái)看，貸款風(fēng)險(xiǎn)研究的定量模型主要有判別分析法（Altman E，1968[1]）、主成分分析法（Weat Robert Craig， 1985[2]）、Z-score和ZETA模型（Altman，1968，2000），Logistic回歸，貝葉斯決策模型（Daniel E，1992[3]），上世紀(jì)末以來(lái)，人工智能技術(shù)的快速發(fā)展使得銀行運(yùn)用該技術(shù)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估和貸款決策已成為可能。上述定量分析方法雖然均能在不同程度上對(duì)貸款風(fēng)險(xiǎn)進(jìn)行研究，但各有側(cè)重和短板，比如Z-score和ZETA模型只適用于對(duì)上市公司進(jìn)行研究，貝葉斯網(wǎng)絡(luò)模型則主要是偏重于操作風(fēng)險(xiǎn)。

大量研究證明Logistic是被廣泛運(yùn)用于個(gè)人信用風(fēng)險(xiǎn)評(píng)估的較為成熟的模型。Altman 、 Sabato（2007）[4]等人通過(guò)長(zhǎng)期研究發(fā)現(xiàn)，使用logistic 模型衡量中小企業(yè)信用風(fēng)險(xiǎn)可以取得最佳效果，且該模型限制件較少，操作便利，且具有較高的預(yù)測(cè)性。該模型的主要優(yōu)勢(shì)是：一是因變量取值可以是違約概率與履約概率發(fā)生比的任何自然對(duì)數(shù)，對(duì)自變量沒(méi)有任何限制；二是對(duì)數(shù)據(jù)是否滿足協(xié)方差相同和正態(tài)分布的假設(shè)沒(méi)有作限制性要求，適用范圍廣；三是因變量是一個(gè)二分類變量，只能取0或1的數(shù)值，可以直觀的說(shuō)明某個(gè)事件是否發(fā)生以及發(fā)生的概率是多少。我國(guó)學(xué)者在研究貸款信用風(fēng)險(xiǎn)的時(shí)候也多采用Logistic回歸模型。姜秀華等（2002）[5]在采用13個(gè)變量進(jìn)行l(wèi)ogistic回歸分析的基礎(chǔ)上構(gòu)建了財(cái)務(wù)危機(jī)預(yù)警模型。于立勇（2004）[6][7]首先運(yùn)用正向逐步選擇法選擇信用風(fēng)險(xiǎn)評(píng)估指標(biāo)變量，然后在Logistic回歸模型的基礎(chǔ)上構(gòu)建違約概率測(cè)算模型。梁琪（2005）[8]將主成分分析法結(jié)合到Logistic模型中進(jìn)行分析研究，構(gòu)建了上市公司經(jīng)營(yíng)失敗預(yù)警模型，并提出引入主成分分析法的logistic模型在預(yù)測(cè)準(zhǔn)確度對(duì)和風(fēng)險(xiǎn)度量穩(wěn)定性方面都優(yōu)于簡(jiǎn)單的logistic模型。油永華（2006）[9]運(yùn)用Logistic回歸模型對(duì)100家上市企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行了定性的評(píng)價(jià)。石曉軍（2006）[10]運(yùn)用貝葉斯法對(duì)邊界Logistic違約率模型的預(yù)測(cè)效果進(jìn)行了分析。葛君（2010）[11]運(yùn)用Logistic回歸模型對(duì)信用卡信用風(fēng)險(xiǎn)進(jìn)行了研究。羅曉光（2011）[12]將 Logistic 回歸法引入商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，從資本充足性風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、盈利能力風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)和發(fā)展能力風(fēng)險(xiǎn)五個(gè)方面建立了適合商業(yè)銀行的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。史小康（2015）[13]將非對(duì)稱連接函數(shù)的思想引入到信用評(píng)級(jí)中，將有偏Logistic分布的分布函數(shù)作為連接函數(shù)的反函數(shù)，利用實(shí)際數(shù)據(jù)來(lái)估計(jì)偏度參數(shù)和回歸系數(shù)對(duì)個(gè)人信用進(jìn)行了研究。

然而隨著互聯(lián)網(wǎng)金融的興起，大數(shù)據(jù)時(shí)代的到來(lái)，商業(yè)銀行所能獲取的數(shù)據(jù)也越來(lái)越方便、快捷，數(shù)據(jù)也會(huì)越來(lái)越復(fù)雜多樣，變量之間的關(guān)系也會(huì)變得紛繁復(fù)雜。以往研究專門針對(duì)個(gè)人小額貸款的研究較少，在建模方面，對(duì)離散數(shù)據(jù)進(jìn)行建模尤為更少。本文在現(xiàn)有Logistic回歸模型側(cè)重財(cái)務(wù)指標(biāo)的基礎(chǔ)上，以非財(cái)務(wù)指標(biāo)為重點(diǎn)來(lái)識(shí)別和評(píng)估商業(yè)銀行個(gè)人小額貸款的信用風(fēng)險(xiǎn)，旨在為傳統(tǒng)商業(yè)銀行進(jìn)軍互聯(lián)網(wǎng)金融領(lǐng)域提供一種新思路或者新方法，對(duì)風(fēng)險(xiǎn)因素進(jìn)行量化。

三、Logistic模型簡(jiǎn)介及變量選取

3.1 模型簡(jiǎn)介

所以由（4）式可知， 的經(jīng)濟(jì)意義表示在控制其他變量水平的情形下， 變化 ，則對(duì)數(shù)優(yōu)勢(shì)比率變化 或優(yōu)勢(shì)比率變化 ，特別的，當(dāng) 為等級(jí)變量或啞變量時(shí)， 每增加一個(gè)等級(jí)或變化一種類型，對(duì)應(yīng)的兩個(gè)樣本之間的對(duì)數(shù)優(yōu)勢(shì)比率變化 或優(yōu)勢(shì)比（OR）率增加 ，由此也可知當(dāng) 大于0時(shí)（此時(shí)OR>1），每增加一個(gè)等級(jí)導(dǎo)致個(gè)人的違約概率就降低，反正增加。

3.2變量選取

Schreiner（1999）對(duì)發(fā)展中國(guó)家的小額貸款進(jìn)行研究表明，可以根據(jù)潛在借款人與歷史不良借款人的特性對(duì)違約風(fēng)險(xiǎn)進(jìn)行評(píng)估，其中性別、職業(yè)、違約記錄、借款人與信貸員從業(yè)經(jīng)驗(yàn)以及借貸機(jī)構(gòu)性質(zhì)等對(duì)貸款違約風(fēng)險(xiǎn)產(chǎn)生顯著影響。此外諸如季節(jié)因素、政策變化和市場(chǎng)變化等外部環(huán)境變量也會(huì)對(duì)違約風(fēng)險(xiǎn)產(chǎn)生一定的影響。Olomola（2000）通過(guò)研究指出，借款人與貸款人特征以及貸款特征對(duì)判斷貸款是否違約有著決定性的影響。借款人特征有：教育背景、借貸情況、存款情況、貸款類型及其貸款經(jīng)歷，而貸款特征包含貸款規(guī)模、期限、用途，貸款人特征有信貸員拜訪次數(shù)，申請(qǐng)與批準(zhǔn)之間的時(shí)間長(zhǎng)度。Schreiner（2004）的研究對(duì)發(fā)展中國(guó)家的小額貸款信用風(fēng)險(xiǎn)構(gòu)建非常詳細(xì)的評(píng)估指標(biāo)體系，具體如下圖所示。

在國(guó)內(nèi)，有部分學(xué)者從對(duì)小額貸款的信用評(píng)估指標(biāo)體系進(jìn)行了研究和構(gòu)建，但這些研究基本都是從理論展開(kāi)論述的。孟建華（2002）對(duì)國(guó)內(nèi)和國(guó)外的小額貸款差異進(jìn)行了比較細(xì)致的研究，研究指出，貸款擔(dān)保和法律約束是影響我國(guó)小額貸款風(fēng)險(xiǎn)評(píng)估的最大影響因素。任娜（2011）在對(duì)小額貸款公司的貸款客戶類別進(jìn)行區(qū)分的條件下，在Z 值模型中引入非財(cái)務(wù)因素的，設(shè)置二級(jí)指標(biāo)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。但是該研究最終未能結(jié)合實(shí)際樣本數(shù)據(jù)作進(jìn)一步分析，對(duì)多涉及指標(biāo)的合理性與科學(xué)性沒(méi)能進(jìn)行實(shí)證檢驗(yàn)。此外，國(guó)內(nèi)學(xué)者關(guān)于小額貸款信用風(fēng)險(xiǎn)評(píng)估的相關(guān)研究大部分都是以農(nóng)村信用社的小額貸款數(shù)據(jù)為樣本進(jìn)行的。

所以結(jié)合已有的研究成果和樣本數(shù)據(jù)的可獲得性，本文選取性別、年齡、職業(yè)、學(xué)歷、城市發(fā)展程度、信用卡持有情況、電子渠道開(kāi)通情況、存貸比和年收入等9個(gè)指標(biāo)作為解釋變量，對(duì)個(gè)人小額貸款信用風(fēng)險(xiǎn)進(jìn)行評(píng)估。

四、數(shù)據(jù)來(lái)源及實(shí)證

（一）數(shù)據(jù)樣本選取

逾期未還本付息，即客戶違約的預(yù)判，是商業(yè)銀行小額信用貸款風(fēng)險(xiǎn)把控的關(guān)鍵。直接導(dǎo)致銀行呆賬、壞賬的產(chǎn)生，甚至帶來(lái)流動(dòng)性風(fēng)險(xiǎn)。本文樣本數(shù)據(jù)來(lái)源于中國(guó)光大銀行長(zhǎng)沙分行的個(gè)人信用貸款數(shù)據(jù)，從該行2014-2016年辦理信用貸款的客戶中隨機(jī)抽選530個(gè)樣本數(shù)據(jù)，并從中篩選出100萬(wàn)以下的小額信用貸款客戶，獲取性別、年齡、職業(yè)、學(xué)歷、城市發(fā)展程度、信用卡持有情況、電子渠道開(kāi)通情況、存貸比和年收入等基本信息。本文將這9方面的數(shù)據(jù)轉(zhuǎn)換為14個(gè)虛擬變量。

客戶準(zhǔn)入的標(biāo)準(zhǔn)是其正常履約能力水平，客戶是否能正常履約是模型的判斷依據(jù)。通過(guò)對(duì)客戶履約能力的預(yù)判，授信銀行對(duì)預(yù)計(jì)能正常還款的客戶提供金融產(chǎn)品和服務(wù)，拒絕還款存在不確定性的客戶的授信申請(qǐng)。在本文中，我們將違約客戶定義為一年內(nèi)發(fā)生三次（含）以上欠息或墊款的客戶，履約客戶為一年內(nèi)未發(fā)生或發(fā)生三次以下欠息或墊款的客戶。通過(guò)數(shù)據(jù)整理，530個(gè)樣本數(shù)據(jù)中履約客戶和違約客戶客戶數(shù)分別是410和120，并選取指標(biāo)體系如表 1所示。

（二）樣本虛擬變量處理

由于我們選取的解釋變量和被解釋變量都屬于離散變量，所以在進(jìn)行建?；貧w之前，我們需要將其變成虛擬變量，如表2所示，其中1表示“是”，0表示“否”。例如：性別（sex），sex=1，表示為男性，sex=0表示不是男性（即為女性）。由于為了避免多重共線性，在建立虛擬變量之前，虛擬變量的個(gè)數(shù)要比分類變量的個(gè)數(shù)小1。例如：學(xué)歷有三個(gè)分類，但只能建立2個(gè)虛擬變量，當(dāng)edu1=0和edu2=0都等于0時(shí)表示高中、中專以下學(xué)歷，這樣就可以避免多重共線性問(wèn)題。在建立模型前，我們將數(shù)據(jù)進(jìn)行虛擬變換，以符合模型的回歸分析要求，將指標(biāo)逐一轉(zhuǎn)換為虛擬變量如表2所示。

（三）樣本數(shù)據(jù)的格蘭杰因果檢驗(yàn)

對(duì)上述所構(gòu)建的虛擬變量和履約率做格蘭杰因果分析，根據(jù)相關(guān)統(tǒng)計(jì)指標(biāo)反復(fù)檢驗(yàn)比較之后，我們選取的滯后階數(shù)為2，其檢驗(yàn)結(jié)果最好，檢驗(yàn)結(jié)果如表3所示。

根據(jù)上表檢驗(yàn)結(jié)果我們發(fā)現(xiàn)，如果在5%的顯著性水平下，只有Cit2、Loa2兩個(gè)指標(biāo)大于 0.05，否定原假設(shè)；但是在10%的顯著性水平下，除了Int，其他全部變量的檢驗(yàn)p值都顯著小于0.10，在剔除掉電子渠道開(kāi)通情況后，其余變量在一定程度上都對(duì)履約率產(chǎn)生影響，因此，我們剔除電子渠道開(kāi)通情況，將其余變量都選入到模型中。

（四）模型的計(jì)算

從表4我們可以看出，模型似然比為84.89，兩個(gè)偽決系數(shù)分別為83.1%和76.4%，即解釋變量可以解釋被解釋變量的程度，都在75%以上，說(shuō)明模型解釋效果較好。另一方面，解釋變量的系數(shù)在10%顯著水平下，都是顯著的。此外從模型的預(yù)測(cè)精度來(lái)看，如表5所示，模型對(duì)410個(gè)履約樣本的預(yù)測(cè)準(zhǔn)確率為84.88%，對(duì)120個(gè)違約樣本的預(yù)測(cè)準(zhǔn)確率為88.33%，整體準(zhǔn)確率為85.66%。特別的性別、信用卡持有情況、學(xué)歷、存貸比、收入、年齡等變量系數(shù)為正值代表著客戶履約率會(huì)提高，為負(fù)值則代表客戶違約率會(huì)升高。其影響程度可以通過(guò)OR來(lái)進(jìn)行分析。從表4的回歸系數(shù)，我們可以得出以下結(jié)論：

1、從各因素影響大小方面來(lái)看，年齡、收入、職業(yè)水平以及學(xué)歷對(duì)違約率的影響較大，應(yīng)納入貸款考察的重點(diǎn)。通過(guò)模型可以看出，年齡越大的客戶，其違約率就越低，從年齡的OR值來(lái)看，年齡在31歲-45歲階段的履約概率與年齡在30歲以下的履約概率的優(yōu)勢(shì)比為71.47，而年齡在45以上歲階段的履約概率與年齡在30歲以下的履約概率的優(yōu)勢(shì)比為1360.354。其原因可能是由于其信用觀念的不斷加強(qiáng)以及自身能力的提高，收入也會(huì)隨之增加，道德約束感增強(qiáng)，所以更不容易違約，這樣已有的研究文獻(xiàn)結(jié)論相一致。在職業(yè)方面，國(guó)有企業(yè)、股份制企業(yè)的員工與私營(yíng)個(gè)體戶的OR值為26倍多，他們不僅受公司內(nèi)部的規(guī)章制度約束，同時(shí)也受社會(huì)責(zé)任的道德約束，其違約率較低。同樣在學(xué)歷方面，高學(xué)歷的客戶違約率較低，主要是因?yàn)榻逃礁摺⑿庞糜^念、法律意識(shí)較強(qiáng)，以及工作家庭較穩(wěn)定、收入可觀、自有資金充足，特別的，當(dāng)學(xué)歷是在碩士以上時(shí)，其違約的風(fēng)向大大降低。

2、從銀行存量客戶方面來(lái)看，LOA1估計(jì)系數(shù)明顯高于LOA2，說(shuō)明存貸比越低，其履約的概率越大。原因可能是客戶的資金大多用于儲(chǔ)蓄存款、銀行理財(cái)?shù)确€(wěn)定性收益產(chǎn)品，屬于相對(duì)保守型投資，他們認(rèn)為按期還款是理所當(dāng)然的事情；而持有信用卡的客戶相對(duì)于未持有信用卡的客戶履約率較高，原因可能是客戶在長(zhǎng)期的信用卡使用過(guò)程中已經(jīng)形成了到期還本付息的消費(fèi)習(xí)慣，所以對(duì)于自己的資金使用有著合理而清晰的計(jì)劃，每月會(huì)有足額的資金用作還款，很少發(fā)生逾期。

3、從性別方面來(lái)看，女性的履約率高于男性，原因可能是男性客戶的資金更多用于創(chuàng)業(yè)、大額投資等用途，受經(jīng)濟(jì)環(huán)境、行業(yè)、經(jīng)營(yíng)等因素影響，發(fā)生資金鏈斷裂，無(wú)法按期還款甚至導(dǎo)致不良貸款的幾率較大。

4、從地域方面來(lái)看，縣級(jí)市、地級(jí)市的客戶違約概率較大。原因主要有兩點(diǎn)，一是一、二線城市市民受教育程度更高、信用觀念更強(qiáng)、工作與收入也更加穩(wěn)定；二是縣級(jí)、地級(jí)城市客戶資金用途一般用于農(nóng)業(yè)、工業(yè)投資，受地域、市場(chǎng)、自然等因素影響較大，投資風(fēng)險(xiǎn)較大。

五、結(jié)論

本文在現(xiàn)有的研究基礎(chǔ)上，利用光大銀行長(zhǎng)沙分行采集的實(shí)際樣本數(shù)據(jù)，通過(guò)格蘭杰因果檢驗(yàn)和構(gòu)建Logistic回歸模型，對(duì)個(gè)人小額貸款的信用風(fēng)險(xiǎn)進(jìn)行了實(shí)證分析，本文所構(gòu)建評(píng)估模型對(duì)離散數(shù)據(jù)和分類數(shù)據(jù)有著特有的優(yōu)勢(shì)。文章主要結(jié)論如下：

第一，從格蘭杰因果關(guān)系檢驗(yàn)來(lái)看，在置信水平10%條件下，本文根據(jù)以往研究的文獻(xiàn)和相關(guān)理論選取的9個(gè)指標(biāo)變量中，只有電子渠道開(kāi)通情況與是否違約不存在格蘭杰因果關(guān)系外，其他的8個(gè)變量都顯著相關(guān)，模型結(jié)果較好，解釋程度達(dá)75%以上。

第二，從風(fēng)險(xiǎn)因素的影響顯著程度來(lái)看，年齡、收入、職業(yè)水平以及學(xué)歷對(duì)違約率的影響較大，應(yīng)納入貸款考察的重點(diǎn)。年齡是特別顯著影響個(gè)人小額貸款的信用指標(biāo)，年齡越大的客戶，其違約率就越低，特別的，年齡在45以上歲階段的履約概率與年齡在30歲以下的履約概率的優(yōu)勢(shì)比為1360.354倍。國(guó)有企業(yè)、股份制企業(yè)的員工與私營(yíng)個(gè)體戶的OR值為26倍多，其違約率較低。學(xué)歷方面，高學(xué)歷的客戶違約率較低，特別的，當(dāng)學(xué)歷是在碩士以上時(shí)，其違約的風(fēng)向大大降低。存貸比越低，持有信用卡的客戶，其履約的概率越大。個(gè)人的信用風(fēng)險(xiǎn)在對(duì)不同的性別也有著顯著差異，女性的優(yōu)勢(shì)比男性的1.76倍。此外縣級(jí)市、地級(jí)市的客戶違約概率較大。

因此，基于本文的研究，在互聯(lián)網(wǎng)金融時(shí)代，為了提高個(gè)人小額貸款信用風(fēng)險(xiǎn)管理水平，我們建議：在金融系統(tǒng)越發(fā)復(fù)雜，需要綜合考慮更多更細(xì)的風(fēng)險(xiǎn)因素，要結(jié)合定性和定量的方法對(duì)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，構(gòu)建適合我國(guó)商業(yè)銀行實(shí)際情況且易于操作的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，定量化分析與評(píng)估信用風(fēng)險(xiǎn)。在具體操作方面，我們建議：在篩選個(gè)人小額貸款客戶時(shí)，應(yīng)充分考慮其特有的基本背景信息指標(biāo)，在其他條件相同的情況下，選取年齡越大、女性、收入越穩(wěn)定、學(xué)歷越高、持有信用卡、存貸比越低、來(lái)自于一、二線城市的客戶；商業(yè)銀行應(yīng)有針對(duì)性地對(duì)其進(jìn)行有效規(guī)避和分散。

六、參考文獻(xiàn)

[1] Altman E.Financial ratios， discriminant analysis and the prediction of corporate bankruptcy.J.Finanec. 1968，589-609.

[2] West R C. A factor-analytic approach to bank condition[J]. Journal of Banking & Finance， 1985， 9（2）： 253-266.

[3] Pugh W N， Page D E， Jahera J S. Antitakeover charter amendments： Effects on corporate decisions[J]. Journal of Financial Research， 1992， 15（1）： 57-67.

[4] Altman E I， Sabato G. Modelling credit risk for SMEs： Evidence from the US market[J]. Abacus， 2007， 43（3）： 332-357.

[5] 姜秀華，任強(qiáng)，孫錚. 上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究[J]. 預(yù)測(cè)，2002，03：56-61.

[6] 于立勇，詹捷輝. 基于Logistic回歸分析的違約概率預(yù)測(cè)研究[J]. 財(cái)經(jīng)研究，2004，09：15-23.

[7] 于立勇，詹捷輝，金建國(guó). 內(nèi)部評(píng)級(jí)法中違約概率與違約損失率的測(cè)算研究[J]. 統(tǒng)計(jì)研究，2004，12：22-26.

[8] 梁琪. 企業(yè)經(jīng)營(yíng)管理預(yù)警：主成分分析在logistic回歸方法中的應(yīng)用[J]. 管理工程學(xué)報(bào)，2005，01：100-103.

[9] 油永華. 企業(yè)信用狀況的定性評(píng)價(jià)——基于logistic回歸模型的分析[J]. 統(tǒng)計(jì)與信息論壇，2006，06：85-88.

[10] 石曉軍，任若恩，肖遠(yuǎn)文. 邊界Logistic違約率模型Bayes分析及實(shí)證研究[J]. 中國(guó)管理科學(xué)，2006，04：25-29.

[11] 葛君. 基于Logistic模型的信用卡信用風(fēng)險(xiǎn)研究[J]. 中國(guó)信用卡，2010，24：26-32.

[12] 羅曉光，劉飛虎. 基于Logistic回歸法的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究[J]. 金融發(fā)展研究，2011，11：55-59.

[13] 史小康，何曉群. 有偏logistic回歸模型及其在個(gè)人信用評(píng)級(jí)中的應(yīng)用研究[J]. 數(shù)理統(tǒng)計(jì)與管理，2015，06：1048-1056.

[14] Viganò L. A CREDIT SCORING MODEL FOR DEVELOPMENT BANKS： AN AFRICAN CASE STUDY/UN MODELE DE" CREDIT SCORING" POUR LES BANQUES DE DEVELOPPEMENT： UNE ETUDE DE CAS AFRICAIN[J]. Savings and development， 1993： 441-482.

[15] Van Gool J， Verbeke W， Sercu P， et al. Credit scoring for microfinance： is it worth it？[J]. International Journal of Finance & Economics， 2012， 17（2）： 103-123.

[16] Kinda O， Achonu A. Building a Credit Scoring Model for the Savings and Credit Mutual of the Potou Zone[J]. Consilience： The Journal of Sustainable Development， 2012 （7）： 17-32.

[17] Schreiner M. A Scoring Model of the Risk of Costly Arrears at a Microfinance Lender in Bolivia[J]. Cancer Medicine， 2001， 4（1）：36–42.

[18] Schreiner M. Scoring arrears at a microlender in Bolivia[J]. ESR Review， 2004， 6（2）： 65.

[19] Schreiner M. Credit scoring for microfinance： Can it work？[J]. Journal of Microfinance/ESR Review， 2000， 2（2）： 105-118.

[20] Kinda O， Achonu A. Building a Credit Scoring Model for the Savings and Credit Mutual of the Potou Zone[J]. Consilience： The Journal of Sustainable Development， 2012 （7）： 17-32.

[21] Blanco A， Pino-MejíAs R， Lara J， et al. Credit scoring models for the microfinance industry using neural networks： Evidence from Peru[J]. Expert Systems with applications， 2013， 40（1）： 356-364.

[22] Maddala G S. Limited-dependent and qualitative variables in econometrics[M]. Cambridge university press， 1986.

[23] West R C. A factor-analytic approach to bank condition ☆[J]. Journal of Banking & Finance， 1985， 9（2）：253-266.

[24] Daniel E O`leary，On bankruptcy information systems，European Journal of Operational Research. 1992，56，67-79

Abstract： According to the actual sample data collected from one branch of Everbright Bank of China， this paper build a two-classification Logistics credit risk assessment model on personal small loans credit risk assessment. Empirical evidence showed that： Age， gender， income， occupation， educational background， whether to hold credit CARDS， the lower the LDR and customer belongs to very significant factors on personal small loans credit risk； age older， income stability， the greater the degree is higher， hold a credit card， the lower the LDR customer the higher credit rating； Women's credit risk significantly less than men； The execution rate of first-tier and second-tier cities is generally higher than that of county level city clients.The bank should take specific measures to effectively avoid and diversify risks.

Key words： Logistic model； Internet finance； Small loan； Credit risk；