个人信用评价影响因素决策分析，本文主要内容关键词为：信用评价论文,因素论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
个人消费信贷在我国迅速发展，对拉动经济增长起到了一定的促进作用。但其中也隐藏着很大的潜在风险，即信贷资产不能及时有效地收回。因此，亟须建立完善的个人信用体系，使得商业银行在放贷前就能够对贷款申请人的信用做出有效的评估，从而降低信贷风险。通过建立数学模型，对申请人的信用进行预测，是常用的一种信用评价方法。目前广泛应用的方法主要有两大类：统计分析方法和机器学习方法[1]。当然，也有学者将多种方法加权组合进行预测[2]。机器学习方法虽然预测精度较高，但稳健性差，且建模过程基本上是一个“黑箱”，模型的解释性不强；统计分析方法则在稳健性和模型可解释性上有其自身的优势。统计分析方法中，学者最关注的是logistic模型，其计算简单、预测精度高、模型解释能力强[3]。国内外许多学者对个人信用评价方法进行了许多有益的探讨，但对信用评价影响因素的讨论并不多见。本文将通过logistic模型，对影响个人信用评价的因素进行探讨。 二、数据及预处理 （一）数据来源 本文数据选用的是德国某银行的个人信贷数据集合[4-5]。该数据集中有1000条记录，21个字段。其中前20个字段为信贷申请人的个人特征描述（表1），最后1个字段是银行对客户信用级别的定义：0为“差客户”，1为“好客户”。数据集中信用差客户与好客户的数量比为3:7。在信用“差客户”和“好客户”中分别随机抽取80%用以建立模型，剩余20%用来验证。 （二）共线性检测 拟合logistic模型时，与多元线性回归一样，对自变量中存在多元共线性很敏感[6-7]。在建立模型前，首先对数据做共线性诊断，结果（表2）可见，最大的VIF值为2.299，表明共线性不明显。 （三）数据不平衡处理 当数据存在不平衡问题时，稀有类的识别率远远低于大类，使得分析结果具有很大的偏向性[8]。个人信用评价将信贷申请人评判为“差客户”和“好客户”，而真实数据中“差客户”数量比“好客户”要少得多。信用评价模型将真正的“差客户”误判为“好客户”的错误称为A类错误，将真正的“好客户”误判为“差客户”的错误称为B错误。建模过程中，在保证整体判别准确率的前提下，应尽量减少A类错误，因为犯A类错误比B类错误的代价更大，这样做可以降低信贷违约率[5]。
