基于Logistic模型的商业银行个人消费信贷风险评估研究

【问题探讨】　基于Ｌｏｇｉｓｔｉｃ模型的商业银行　个人消　费信贷风险评估研究　张国政。陈维煌。刘呈辉　（湖南农业大学商学院，湖南长沙４１０１２８）　摘要：在消费者“贷款消费”意识不断增强的今天，伴随而来的风险问题也不断显现出来，特别是　个人信用风险首当其冲。基于商业银行个人消费信贷的实际操作数据和Ｌｏｇｉｓｔｉｃ回归模型，利　用ＳＰＳＳ１７．０统计软件构建个人信用评分模型。通过实证，测得借款人的年龄、婚姻状况、受教育　程度等六项指标是影响个人信用风险的关键因素。最后，提出了防范个人消费贷款风险的相关　建议。　关键词：个人消费信贷；信用评分；风险评估；Ｌｏｇｉｓｔｉｃ回归　文章编号：１００３—４６２５（２０１５）ｏ３—００５３—０５　中图分类号：Ｆ８３２．４７９　文献标识码：Ａ　Ａｂｓｔｒａｃｔ：Ｉｎ　ｒｅｃｅｎｔ　ｙｅａｒｓ，ｃｏｎｓｕｍｅｒｓ　ｏｆ“ｃｏｎｓｕｍｅｒ　ｌｏａｎｓ”ｇｒｏｗｉｎｇ　ａｗａｒｅｎｅｓｓ，ａｎｄ　ｔｈｅ　ｒｉｓｋ　ｈａｓ　ｂｅｃｏｍｅ　ｉｎｃｒｅａｓｉｎｇｌｙ，ｔｈｅ　ｍａｉｎｌｙ　ｐｒｏｂｌｅｍｓ　ｉｓ　ｐｅｒｓｏｎａｌ　ｃｒｅｄｉｔ　ｒｉｓｋ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｂａｓｅｄ　ｏｎ　ｔｈｅ　ａｃｔｕａｌ　ｏｐｅｒａｔｉｏｎ　ｄａｔａ　ｏｆ　ｐｅｒｓｏｎａｌ　ｃｏｎｓｕｍｐｔｉｏｎ　ｃｒｅｄｉｔ　ｏｆ　ｃｏｍｍｅｒｃｉａｌ　ｂａｎｋ　ａｎｄ　ｔｈｅ　Ｌｏｇｉｓｔｉｃ　ｒｅｇｒｅｓｓｉｏｎ　ｍｏｄｅｌ，Ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｓｔａｔｉｓｔｉｃａｌ　ｓｏｆｔｗａｒｅ　ＳＰＳＳ１７．０　ｔｏ　ｃｏｎｓｔｒｕｃｔｅｄ　ｔｈｅ　ｐｅｒｓｏｎａｌ　ｃｒｅｄｉｔ　ｍｅａｓｕｒｅｍｅｎｔ　ｍｏｄｅ１．Ａｆｔｅｒ　ｅｍｐｉｒｉｃａｌ，　ｍｅａｓｕｒｅｄ　ｔｈｅ　ｂｏｒｒｏｗｅｒ’Ｓ　ａｇｅ，ｍａｒｉｔａｌ　ｓｔａｔｕｓ，ｌｅｖｅｌ　ｏｆ　ｅｄｕｃａｔｉｏｎ，ｅｔｃ　ａｒｅ　ｔｈｅ　ｋｅｙ　ｆａｃｔｏｒｓ　ｉｎｆｌｕｅｎｃｉｎｇ　ｔｈｅ　ｐｅｒｓｏｎａｌ　ｃｒｅｄｉｔ　ｒｉｓｋ．Ｆｉｎａｌｌｙ，ｔｈｉｓ　ａｒｔｉｃｌｅ　ａｌｓｏ　ｐｕｔｓ　ｆｏｒｗａｒｄ　ｔｈｅ　ｐｒｅｖｅｎｔｉｎｇ　ｔｈｅ　ｒｉｓｋｓ　ｏｆ　ｐｅｒｓｏｎａｌ　ｃｏｎｓｕｍｐ－　ｔｉｏｎ　ｌｏａｎｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｃｏｎｓｕｍｅｒ　ｃｒｅｄｉｔ；ｃｒｅｄｉｔ　ｒａｔｉｎｇｓ；ｒｉｓｋ　ａｓｓｅｓｓｍｅｎｔ；Ｌｏｇｉｓｔｉｃ　ｒｅｇｒｅｓｓｉｏｎ　一、引言　情况下，个人信贷风险凸现，银行个人信贷中的不良　随着中国经济的快速发展，国民消费能力的不　资产率上升　１。从我国四大国有商业银行的情况来　断提高，各种形式的信用消费规模迅速扩大，各商业　看，个人消费贷款的不良率维持在２％一３％左右，一　银行都将个人消费信贷视为自身的优质资产和未来　直高于国际１％左右的平均水平，可见我国缺乏科学　发展的重点。个人消费信贷是国家为了刺激和提高　的个人消费贷款信用风险评估体系。　消费者对耐用消费品的消费需求，在居民现有的收　个人信用评分主要针对个人借贷违约可能性的　入水平下，通过金融机构抵押、保证、担保、信用等方　预测，以被评估者相关指标的历史数据为依据，运用　式，向个人消费者提供的信用贷款。个人消费贷款　统计方法对被评估者的还贷能力和违约行为进行预　用途多样，几乎涵盖居民生活的各个方面，贷款灵　测和分析。其目的在于得出借款人在未来特定时间　活，使用方便。此外，消费贷款的出现也有利于银行　内违约的可能性，将贷款申请者的信用级别分类，对　资产业务的多元化，但消费贷款仍不可避免作为一　信用评估者的潜在违约行为做出预测，为信贷决策　种借贷行为面临种种风险。我国个人消费贷款业务　提供依据。　起步较晚，呈现出起步晚、发展快、发展不平衡，个人　经过一个多世纪的发展，国外对于个人信用风　住房贷款占绝对比例，信用卡、助学贷款违约率高等　险评估技术的研究已经相当成熟。沃格勒（１９７０）首　特点。随着个人信用消费的不断扩大，消费信贷的　次将线性回归模型引入个人消费贷款风险评估研究【２］。　比重不断提高，在整个市场个人信用制度不完善的　同时，洛克（１９８４）　、奥德格莱（１９８７）　等国外学者也　收稿日期：２０１４—１２—２２　基金项目：本文为２０１２国家社科青年基金（１２ＣＧＬ０４６）；２０１２年度教育部人文社科青年基金（１２ＹＪＣ７９０２５９）。　作者简介：张国政（Ｉ９７６一），男，湖北浠水人，湖南农业大学商学院副教授，博士，硕士生导师，研究方向：投资风险控制；陈维煌　（１９８９一），女，湖南常德人，湖南农业大学研究生，研究方向：投资风险控制；刘呈辉（１９９ｏ＿＿），男，湖南涟源人，湖南农业大学研　究生，研究方向：投资风险控制。　２０１５年第３期（总第４２８期）　５３　金融理论与实践　【问题探讨】　曾先后使用线性回归法、判别分析法、ＬＲ模型、神经　网络法对个人信用进行评分。国内的研究起步相对　较晚，曹鹏（２００８）提出商业银行防范个人消费信贷　之比。　所以：　ｌｎ（ｏｄｄｓ）＝Ｌｏｇｉｔ（Ｐ）＝ｐｏ＋ｐ１　Ｘｌ＇［－８２　ｘ２＋…＋Ｂｋ　ｘｋ＋￡　风险的具体方法有：主观判断法、消费贷款计分法、　收入水平微观模拟法　。陈春香（２００９）认为我国个　则当ｘｉ增加一个单位：　ｌｎ（ｏｄｄｓ／ｘ　＋ｔ）＝Ｉｎ（ｏｄｄｓ／ｘ，）＋Ｂ　ｌｎ（ｏｄｄｓ／ｘｊ＋】）－Ｉｎ（ｏｄｄｓ＆。）＝Ｂｉ　・．．　人消费贷款的风险主要有信用风险、银行操作风险、　合作方风险、保证风险和市场风险　。张成虎、李育　林（２００８）￣用ＢＰ神经网络算法建立了个人信用评　ｎ　ｌ　分模型，其研究结果表明：ＢＰ神经网络预测精确度　较高并且有较强的判别预测能力，但稳健性较差　。　周黎（２０１２）提出把保险和个人消费信贷结合起来，　当出现不良贷款时，保险公司就要给商业银行支付　笔赔偿金，这样可以减少银行损失，又可以推动保　一由此，可以得到逻辑回归关于Ｐ｛Ｙ＝ｌｌｘ｝的预　测。通常以０．５为界，若Ｐ的估计值大于０．５，Ｙ取１；　若Ｐ的估计值小于Ｏ．５，则Ｙ取０。　３．极大似然估计　设Ｙ是０—１变量，Ｘ。，Ｘ：，…，Ｘｋ是与Ｙ相关的自　险业的发展　。　变量，ｎ组观测数据为ｘ　Ｘ∞…，Ｘ　ｙ。）（ｉ＝１，２，…，ｎ），　国内外专家学者有关个人消费贷款及其风险研　则Ｙ　，Ｙ　，…，ｙ　的似然函数为：　究对个人信用风险评估的实际应用起到了重要的参　Ｌ＝Ⅱｐ（ｙｉ）＝Ⅱｐ（ｘｉ）　［１一ｐ（Ｘ１）】卜　考作用。但是，从国内的研究来看，在个人信用评分　上还缺乏一个比较成熟全面的评估机制，中国目前　等式两边同时取自然对数：　还没有制定出一套规范的个人信用评分指标体系和　ＩｎＬ＝　方法，各种信用评分模型还未真正普及到个人消费　ＥＥｙ　０＋　ｘＩ１＋Ｂ２ｘ谊＋…Ｇｋｘ｜ｋ）一Ｉｎ（１＋ｅ　。　。　…　瞄　）］　贷款风险评估体系中，用传统的风险评价方法进行　等式两边分别对ｐ。，ｐ　，ｐ　，…，８　求偏导数，　个人信贷风险管理评估很难达到满意的效果　。因　得到ｐ。，ｐ　，８。，…，ｐ　此，本文通过对比分析以及构造回归分析的统计学　使得似然函数的取值最大，。，Ｂ　，　。，…，Ｂ　。　方法，结合某商业银行提供的个人消费贷款数据，对　的估计值６（二）构建评分模型　数据进行统计处理，得出个人信用中的关键指标和　１．候选指标　套较为科学的信用评分方法，并提出防范个人消　在个人消费贷款中，我们把因变量Ｙ定义为：　费信贷风险的具体措施，以期为我国商业银行个人　Ｙ＝Ｉ违约客户，Ｙ＝０非违约客户，在模型中，如果某　消费贷款的风险管理提供一点借鉴。　５，则该客户被认为是　二、基于Ｌｏｇｉｓｔｉｃ回归方法的个人信用评分模　客户得到的Ｐ的估计值大于０．违约客户，即Ｙ＝Ｉ，反之则Ｙ＝０。调查中发现，商业　型构建　银行在进行客户的贷款申请录入时，比较重视借款　（一）Ｌｏｇｉｓｔｉｃ回归模型原理介绍　Ｌｏｇｉｓｔｉｃ回归模型是研究因变量非连续型变量　人的基本情况有：年龄、婚姻状况、受教育程度、个人　情况的分析模型。其中，解决这个问题的核心方法　月收入等基本信息。为构建信用评分模型，通过调　查得到了长沙市某国有大型商业银行２００个个人消　称为极大似然估计法㈣：　费贷款相关数据，剔除一些由于操作人员失误而明　１．建立一般线性模型　显错误的数据，例如月收入的银行流水反映的情况　Ｅ（Ｙ）＝ｐ０＋Ｂ１　Ｘｌ４＇－Ｂ２　Ｘ２＋…＋ｐｋ　Ｘｋ　大大少于其每月还款额，得到１９８个有效数据。其　对于０—１变量Ｙ（此处为Ｙ取０或者１），　中履约客户数为１１７，违约客户数为８１。候选指标　Ｅ（Ｙ）＝Ｐ（Ｙ＝１）＝Ｐ　包括年龄、婚姻状况、受教育程度、个人月收入、职　Ｐ＝Ｂｏ＋ｐ１Ｘｌ＋ｐ２ｘ２＋…＋ｐｋ　Ｘｋ＋￡　务、贷款年限、贷款金额、还款方式、担保方式，共９个。　２．为简化模型，对Ｐ进行Ｌｏｇ－ｉｔ变换　２．变量指标初步筛选　Ｌｏｇｉｔ（Ｐ）＝ｌｎ（Ｐ／１一Ｐ）＝ｐｏ＋Ｂ１　Ｘｉ＋８２　Ｘ２＋…＋Ｂｋ　ｘｋ＋￡　在应用统计学中，通常用交叉表来初步分析自　Ｐ＝　变量和因变量的关联性，下面将使用该工具进行初　１＋ｅｐｏ　Ｂ１Ｘｌ－－　…　一１＋ｅ　。　ｐｌＸｌ＋口２Ｘ２＋－．，　）　步统计，计算优势（ｏｄｄｓ）。　优势＝。ｄｄｓ＝丁　是事件发生与不发生的概率　如表１，可以看出，随着年龄的增大，优势比呈　一金融理论与实践　５４　２０１５年第３期（总第４２８期）　【问题探讨】　现增长趋势，这可能说明年龄越小，个人违约风险越　高，年龄越高，违约风险越低。　表１年龄分布优势　指标项　履约客户　违约客户　履约客户　违约客户　履约客户优势　频数　频数　频率　频率　≤２５岁　２６—３０　３１—３５　的贷款。这说明贷款年限越长，违约风险越大。贷　款年限是一个考虑因素。　表５职务优势比　指标项　履约客户　违约客户　履约客户　违约客户　履约客户优势　频数　频数　频率　频率　管理人员　５３　职员　３６　其他　２８　１７　４０　２４　０．７５７　０．２４３　０．４７４　０．５２６　０．５３８　０．４６２　３．１２　０．９０　１．１６　２　１ｌ　１７　５　ｌ１　１３　０．２８６　０．５　０．５６７　０．７１４　０．５　０．４３３　０．４０　１．００　１－３１　３６—４０　４　１－４５　４６—５Ｏ　３３　１８　２０　２ｌ　ｌ２　１３　０．６ｌ１　０．６　０．６０６　０．３８９　０．４　０．３９４　１．５７　１．５　１．５４　合计　ｌｌ７　８１　０．５９１　０．４０９　１．４４　表６贷款年限优势比　指标项　履约客户　违约客户　履约客户　违约客户　履约客户优势　５０以上　１６　６　０．７２７　０．２７３　２．６６　合计　１１７　８１　０．５９１　０．４０９　１．４４　频数　ｌ～５年　６—１０年　频数　频率　频率　３９　２６　如表２，履约客户的优势已婚客户明显高于未　婚客户。这说明已婚家庭还款风险要小于未婚或者　离异的贷款个人，具有一定的说服能力。　表２婚姻状况优势　指标项　履约客户　违约客户　履约客户　违约客户　履约客户优势　频数　频数　频率　频率　已婚　８６　２９　０．７４８　０．２５２　２．９７　未婚　３１　５２　０．３７３　０．６２７　Ｏ．６０　合计　１ｌ７　８ｌ　０．５９１　０．４ｏ９　１．４４　６０　４１　０．６０６　０．３９４　０．６１２　０．３８８　１．５４　１．５８　１ｌ一１５年　１６　ｌ６　０．５　０．５　１．０　合计　１１７　８１　０．５９１　０．４０９　１．４４　如表７，显示的结果并没有显现明显的关系，由　于贷款金额是个人消费信贷风险的重要指标因素，　这可能是因为样本的局限性导致，所以在建模中仍　然将其纳入回归模型。　袁７贷款金额优势　指标项（元）　履约客户　违约客户　履约客户　违约客户　履约客　频数　频数　频率　频率　户优势　≤１０万　２２　１０万一３０万　６７　３０万一５０万　１８　５０万以上　１０　１３　５５　１３　０　０．６２９　０．５４９　０．５８１　１　０．３７１　０．４５１　０．４１９　０　１．７０　１．２２　１．３９　∞　如表３，受教育程度的优势比可以看出，受教育　程度越高，个人信用违约风险越小，反之越大，所以　受教育程度是一个重要因素。　表３受教育程度优势　指标项　履约客户　违约客户　履约客户　违约客户　履约客户优势　频数　频数　频率　频率　合计　ｌ１７　８１　０．５９１　０．４０９　１．４４　高等教育　８５　中等教育　２７　初等教育　５　合计　１１７　２１　３２　２８　８１　０．８０２　０．４５８　０．１５２　０．５９１　０．１９８　０．５４２　０．８４８　０．４０９　４．０５　０．８５　０．１８　１．４４　如表８，结果显示选择等额的还款方式的客户　违约风险要高于等本金还款方式的客户。所以，还　款方式应该纳入回归模型。　表８还款方式优势　指标项　履约客户　违约客户　履约客户　违约客户　履约客户优势　频数　频数　频率　频率　等额　１０９　７４　Ｏ．５９６　０．４０４　１．４８　等本金　８　７　０．５３３　０．４６７　１．１４　合计　ｌ１７　８１　０．５９１　０．４０９　１．４４　如表４，看出个人月收入越高，履约客户的优势　比是增大的趋势，这说明借款人的月收入越高，还款　风险越小。所以，个人月收入是个有说服力的因素。　表４个人月收入优势　指标项（元　履约客户　违约客户　履约客户　违约客户　履约客户优势　频数　频数　频率　频率　≤３０００　３０００—８０００　８ｏ００～１３０ｏ０　１８　５７　１８　２８　４４　６　０．３９１　０．５６４　０．７５　０．６０９　０．４３６　Ｏ．２５　０．６４　１．２９　３．ｏ０　因此，在初步筛选中，由于担保方式全部都为抵　押，可判断担保方式可以排除到考虑范围之外。所　以，进入模型的指标为年龄、婚姻状况、受教育程度、　职位、月收入、贷款年限、贷款金额、还款方式。　３．指标进入Ｌｏｇｉｓｔｉｃ回归模型　１３０ｏ０以上　２４　３　０．８８９　０．１１１　８．００　合计　ｌ１７　８１　０．５９１　０．４０９　１．４４　如表５，明显管理人员的优势比要高于其他职　根据以上的结论，本次模型应该引入年龄、婚姻　状况、受教育程度、个人月收入、职务、贷款年限、贷　情况是应该考虑的情况。　款金额、还款方式这８个指标。　如表６，年限较长的贷款优势比要低于年限短　（１）指标量化。引入模型中的指标，是数值型变　２０１５年第３期（总第４２８期）　５５　金融理论与实践　务。这说明职务越高，还款风险越小。个人的职务　【问题探讨】　量的直接引入模型，非数值变量的指标应该事先进　行量化以便进入模型。量化过程如表９。　表９虚拟指标体系　指标项　量化前（实际指标）　量化后（虚拟指标）　婚姻状况　已婚　婚姻状况１　未婚（离异）　高等教育　受教育程度　中等教育　初等教育　≤３０００元　月收入　３０００—８０００元　８０００—１３０００元　１３０００元以上　表１０结果显示，总体数据违约情况的百分比预　测值和实际情况的相符率为７８．３％，准确性较高。　通过显著性水平检验（如表１　１），发现通过检验　的指标为年龄、婚姻状况、受教育程度、职位、月收入　和贷款金额六个指标，在本次实验中，剔除出方程的　指标是“还款方式”和“贷款期限”，所以最终进入方　程的虚拟变量和系数为（如表１２）：　表１１方程中的变量　虚拟变量　Ｂ　Ｓ．Ｅ　Ｗａｉｓ　ｄｆ　Ｓｉｇ　Ｅｘｐ（Ｂ）　年龄　一０．０５３　０．０２５　４．４０４　１　０．０３６　０．９４９　婚姻状况（１）　１．６９８　０．４２３　１６．１４０　ｌ　０．０００　５．４６２　受教育程度１　受教育程度２　月收入１　月收人２　月收入３　职位１　职位２　职位　管理人员　职员　其他　还款方式　等额　等本金　还款方式１　受教育程度１（１）　２．６３４　０．５９４　１９．６４２　１　０．０００　１３．９２８　受教育程度２（１）　１．２０１　０．５９７　４．４４　ｌ０　０．４４　３．０３２４　月收入１（１）　－３．５０７　１．０１２　１２．０１８　１　０．００１　０．０３０　月收入２（１）　一２．３０５　０．８７０　７．０１７　ｌ　０．００８　０．１００　月收入３（１）　一１．４９１　０．９６７　２．３７７　ｌ　０．１２３　０．２２５　步　职位１（１）　０．８１６　０．５２１　２．４５１　１　０．１ｌ７　２．２６２　骤　职位２（１）　一０Ｉ２０４　０４９４　Ｏ．１７ｌ　ｌ　０．Ｏｌ１　０．８１５　．在使用ＳＰＳＳ软件进行Ｌｏｇｉｓｔｉｃ归回分析中，为　了避免“虚拟变量陷阱”，虚拟变量个数比该项总指　标数要少一个。每个虚拟变量赋值为０或１。若某　借款人为已婚、高等教育、月收入４０００元、其他职　务、等额还款，则赋值为：婚姻状况１＝１，受教育程度　１＝１、受教育程度２＝０，月收入２＝１，职务１＝０、职务２＝　０，还款方式１＝１，其他都等于０．　（２）使用ＳＰＳＳ１７．０（中文版）统计软件进行Ｌｏ—　ｇｉｓｔｉｃ回归分析。　１）指标进一步筛选方式。　１ａ　贷款期限　－０．００７　０．０５６　０．０ｌ５　１　０．９０ｌ　０．９９３　贷款金额　０．０４１　０．０１７　６．０９０　１　０．０ｌ４　１．０４２　还款方式（１）　１．１９３　０．７３１　２．６６４　ｌ　０．１０３　３．２９８　常量　一０．３６８　０．１４５　６．４７２　１　０．０１１　１２．０５８　ａ．在步骤１中输入的变量：年龄，婚姻状况。　ｂ．受教育程度１，受教育程度２，月收入１，月收入２，　月收入３，职位１，职位２，贷款期限，贷款金额，还款　方式。　表１２虚拟变量和系数　虚拟变量名称　年龄　婚姻状况１　系数Ｂ　－０．０５３　１．６９８　指标变量之间的联系共同影响结果的准确性。　为了降低“多重共线性”的影响，还需要利用ＳＰＳＳ进　行进一步的筛选。　２）回归系数的显著性检验。　若给出的Ｐ值在临界值（一般为０．０５）以内，显　著性强，应该进入方程。　４．ＳＰＳＳ运算结果　受教育程度１　受教育程度２　月收入１　月收入２　２．６３４　１．２０１　－３．５０７　－２．３０５　月收入３　—１．４９１　在实际操作中，选用ＥＮＴＥＲ方法使变量强制进　入回归方程来筛选变量，步骤为１步。结果如表ｌＯ：　表１０分类表ａ　已预测　职位１　０．８１６　职位２　－０．２０４　贷款金额　常量　５．个人信用评分结果　０．０４１　－０．３６８　已观测　违约情况　步骤１　０．００　１．００　违约　育况　０．００　１．００　百分比校正　１００　１７　２６　５５　８５．５　６７．９　７８－３　根据以上结果，可以得到Ｌｏｇｉｓｔｉｃ回归方程为：　Ｉｎ［ｐ／（１－ｐ）］＝Ｌｏｇｉｔ（Ｐ）＝一０．３６８－０．０５３　年龄＋１．６９８　婚姻状况１＋２．６３４＊受教育程度１＋１．２０１＂受教育程度　２－３．５０７＊月收入１－２．３０５＊月收入２—１．４９１　月收入３＋　０．８１６＂职位１－０．２０４＊职位２＋０．０４１　贷款金额　在模型中，得到Ｌｏｇｉｔ（Ｐ）的方式为客户所属的虚　５６　２０１５年第３期（总第４２８期）　总计百分比　ａ．切割值为０．５００　金融理论与实践　【问题探讨】　拟变量为１时则用１代入，为０时则用０代入，数值变　量直接带人方程。基准分的评定：具体方法是设履　约客户发生比为１：１时的分数为５０，当履约客户发　生比为２：１时信用分数增加２０分。　信用分数＝５ｏ＋２０％ｌｎ［ｐ／（１一ｐ）］／ｌｎ２　各项指标信用分数（如表１３）：　表１３各项指标和信用分数　额），并统计出了每个因素在影响个人信用程度中所　占的权重和分数，有利于对办理商业银行贷款业务　指标　年龄　已婚　未婚　虚拟指标项　系数Ｂ　信用分数＝５０十　２０　ｌｎ［ｐ／（１一ｐ）］／ｌｎ２　年龄　一０．ｏ５３　４９．５　婚姻状况１　１．６９８　６７．０　０　５０　高等教育　中等教育　初等教育　受教育程度１　２．６３４　受教育程度２　１．２０１　０　７６－３　６２．Ｏ　５０　ｌ４．９　２７．０　３５．１　５０　的个人进行信用评分。　针对我国当今商业银行个人消费贷款的现状，　可以提出以下防范个人消费贷款风险的相关建议：　建立和完善科学的个人信用评估体系；对风险程度　不同客户进行针对性管理；从银行自身来说，加强银　行从业者管理，加强行行合作，完善公共信息体制；　以社保为突破口，从银行内部建立有效的内控体系　及风险转移渠道；建立银行内部消费信贷的风险管　理体系，建立消费贷款的风险管理制度，逐步试点个　人破产制度；同时可以让二级市场参与进来，将消费　月收入≤３０００元　月收入１　—３．５０７　月收入３０００－－８０００元　月收入２　—２．３０５　月收入８０００－－１３０００元　月收入３　一１．４９１　月收入＞１３０００元　０　贷款证券化，降低或转移贷款风险。我国的消费信　贷市场还有很大的发展空间，本文对于商业银行个　人消费信贷风险评估的研究希望能在抵御风险方面　提供一定的参考价值。　参考文献：　【１］杨大楷，俞艳．中国个人消费信贷状况及风险　防范研究ｆＪ］．金融论坛，２００５，（７）：４５—５０＋６３．　【２］Ｌｙｎ　Ｔｈｏｍａｓ．Ａ　Ｓｕｒｖｅｙ　ｏｆ　Ｃｒｅｄｉｔ　ａｎｄ　Ｂｅｈａｖｉｏｒａｌ　Ｓｃｏｒｉｎｇ：Ｆｏｒｅｃａｓｔｉｎｇ　Ｆｉｎａｎｃｉａｌ　Ｒｉｓｋ　ｏｆ　Ｌｅｎｄｉｎｇ　ｔｏ　Ｃｏｎ—－　管理人员　职员　其他职位　贷款金额　常量　职位１　０．８１６　职位２　—０．２０４　０　贷款金额　０．０４１　一０．３６８　５８－２　４８．０　５０　５０．４　４６．３　ｓｕｍｅｒ［Ｊ］．Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｄｉｎｂｕｒｇｈ　Ｗｈｒｋｐａｐｅｒ，２００　１（９）：　３９－４０．　个人信用评分公式＝４６．３＋４９．５　年龄＋６７．Ｏ　已　婚＋５０：Ｉｃ未婚＋７６．３：Ｉｃ高等教育＋６２．０　中等教育＋５Ｏ　初　等教育＋１４．９，ｃｌ月收入≤３０００＋２７．０　月收入　３０００—８０００＋３５．１；ｌ：月收人８０００—１３０００＋５０＊月收入＞　［３］Ｌｏｃｋ　Ｊ．Ｃｏｎｓｕｍｅｒ　ａｎｄ　Ｂｕｓｉｎｅｓｓ　Ｃｒｅｄｉｔ　Ｍａｎａｇｅ－　ｍｅｎｔ［Ｍ］．Ｉｒｗｉｎ，１９８４：１２０－１２１．　［４］Ａｕｇｒａｄｅ　Ｌ　Ｂ．Ｒｅｇｒｅｓｓｉｏｎ　ａｎｄ　Ｏｒｄｅｒｅｄ　Ｃａｔｅｇｏｒｉ－　ｃａｌ　Ｖａｒｉａｂｌｅｓ［Ｍ］．Ｊ　Ｒ．Ｓｔａｔｉｃ　Ｓｉｃ，１９８７．　１３０００＋５８．２　管理人员＋４８．０　职员＋５０　其他职位＋　【５】曹鹏．商业银行个人消费贷款风险的防范与　５０．４　贷款金额。个人信用评分公式的评分方法是　控制ｆＪ１．银行在线，２００８，（２）：６９—７０．　某借款人的以上指标为真时，则取１；为假时，则取０　［６］陈春香．浅论商业银行个人消费贷款风险管　带人上式。　６．实证结果　理ｆＪ１．金融保险，２００９，（１０）：６１—６３．　由以上结果可以得出，影响个人信用风险的主　要因素是借款人的年龄、婚姻状况、受教育情况、收　【７】张成虎，李育林．基于神经网络的个人信用评　分模型研究［Ｊ］．云南师范大学学报（哲学社会科学　版），２００８，（６）：８７－９３．　入情况和贷款金额，“还款方式”“贷款期限”指标对　于个人信用风险没有显著影响。　三、结论及建议　［８］周黎．商业银行个人消费信贷风险控制的探　讨ｆＪ］．商业现代化，２０１２，１１（２）：１８４－１８５．　［９］廖绚，李兴绪．基于Ｌｏｇｉｔ模型的银行个人信　伴随着个人信贷业务的快速发展，个人信贷业　贷风险管理评估ｆＪ］．统计与决策，２００８，（２１）：５０—５２．　务已经成为我国商业银行一项重要的资产业务项　【１０］张铮烁．我国商业银行个人消费信贷风险评　目，商业银行个人信贷业务在总量和结构上的变化，　估研究［Ｄ］．北京：北京交通大学硕士学位论文，２００７：　　已成为金融机构信贷风险的重要组成部分　”。本文　１５—１７．通过对商业银行个人消费贷款的实际数据进行实证　［１１］颜剩勇，王小玉．商业银行个人信贷风险识　研究，借用稳定性较高的Ｌｏｇｉｓｔｉｃ回归模型，得出了　别及其模糊测度【Ｊ】．湖南科技大学学报（社会科学　影响个人消费贷款中个人信用的主要因素（借款人　版），２００８，（５）：５９—６２．　的年龄、婚姻状况、受教育情况、收入情况和贷款金　（责任编辑：王淑云）　２０１５年第３期（总第４２８期）　５７　金融理论与实践