基于Logistic模型的个人信用评分体系研究

!
男 D1 女 D5
C3D
学历： C@D
C6D
! ! ! !
1 &? 岁及以下 5 5 1 5 1 5
其他 其他 高中及以下 其他 本科及以下 其他
C7D C?D CED
!
1 &@ 岁 87? 岁 5
其他 其他 专科 其他
1 7@ 岁 83? 岁
! !
1 3@ 岁 8@5 岁 5 1 5
婚姻状况：C2D
一、 问题的提出 人民银行组织商业银行建设的个人信用信息基础 数据库（ 以下简称个人征信系统） 于 3++4 年 1 月正式运 行。个人征信系统主要采集和保存个人在商业银行的贷 款、 信用卡、 担保等信用信息以及相关的身份识别信息。 同时， 人民银行将继续完善个人征信系统， 逐步采集完 整的个人身份信息和社保、 住房公积金、 税务、 教育、 法 院、 公用事业等单位的相关信用信息。商业银行在个人 贷款（ 信用卡） 审批时一般都会取得申请人的书面授权 进入个人征信系统进行个人信用报告查询。但据调查， 目前我国商业银行在根据个人信用报告判断客户信用 状况时往往依靠工作人员的主观判断来认定一个客户 的质量。在这种状况下， 一个客户也许仅仅因为一次还 款不及时而被商业银行拒贷， 这种过度惜贷将会造成商 业银行个人信贷业务的萎缩以及引起社会公众对个人 征信系统的质疑， 这与人民银行建立个人征信系统的初 衷是相违背的。可见， 商业银行如何根据个人信用报告 中的详细信息科学、准确地判断申请人的信用状况， 并 做出是否予以贷款且以何种利率执行或是否予以发放
收稿日期： 3++.2+1214 作者简介： 余文建（ ， 男， 经济学博士， 高级经济师， 现供职 1/4)2 ） 于中国人民银行厦门市中心支行； 沈益昌（ ， 男， 现供职于中国人民银行厦门市中 1/)12 ） 心支行； 杜 洋（ ， 女， 经济学硕士， 现供职于中国人民 1/./2 ） 银行厦门市中心支行。
&()*+,- )./*0- 信用计分模型 )*+,- )./*0- 信 用 计 分 模 型 是 美 国 经 济 研 究 局 专
家 )*+,- )./*0- 于 1231 年将数学和统计学模型运用在 信贷评估中， 以大量的信贷历史经验为依据， 以定量的 分析方法来评估消费信贷的风险， 建立的独特的信用评 分模型。
!
!
1 5
已婚 其他
C15D
!
1 5
未婚 其他
根据国内外研究结果， 9:;,<=,> 模 型 在 有 较 强 的 分 辨
好客户、 坏客户的能力， 而且该模型比较容易理解和应用， 从实 用性有效性相结合角度本文选择了 9:;,<=,> 模型计算客户守约 概率。
67
金 融 实 务
%$$* 年第 & 期
3++. 年第 * 期
总第 33+ 期
J9,*， 3++.
I07J0J (7J0J8C
KL?$;B J",33+
基于 !"#$%&$’ 模型的个人信用评分体系研究
余文建， 沈益昌， 杜 洋
（ 中国人民银行厦门市中心支行， 福建 厦门 *41++-）
摘
要： 本文通过收集的样本客户信用报告资料拟合了 !"#$%&$’ 模型， 并设计了客户基本分计算方法、 客户平时
(789 信用分模型和 :;<$= :>?;@= 信用计分模型历史比
较悠久且使用范围比较广。
1,(789 信用分模型 (789 信用分模型是由美国工程师 A$BB(;$? 和数学家
如今它是美国 C;?B7%;;’ 于 1/D4 年共同发明的评分方法。
(;$? 7%;;’E8"FG;@H 的专有产品， (789 信用分因此而得
名。目前， 美国著名的三大信用管理局都使用 (789 评分
)3
&55E 年第 7 期
金 融 实 务
很难达到满意的效果， 需要通过更科学、 更客观的技术 进行数据处理才能更准确地发现隐藏在数据里的规律， 以 作 出 准 确 的 判 断 。 出 于 上 述 考 虑 ，本 文 建 立 了 基 于 在借鉴 !"#$ 信用评 9:;,<=,> 模型 !的个人信用评分体系， 分 模 型 和 )*+,- )./*0- 信 用 计 分 模 型 的 评 分 指 标 基 础 上， 结合个人信用报告中的信息设计了个人信用评分指 建立起相对 标体系， 并运用 9:;,<=,> 模型进行定量分析， 客观的个人信用评分体系， 以减少在信贷审批时的主观 成分所占比重， 从而更为准确地判断客户情况， 为推动 个人信贷业务服务。 %3’%?’基于 9:;,<=,> 模型的个人信用评 分体系的建立过程如下：
方法， 每一份评估报告上都附有 !"#$ 信用分。美国商务 部也要求在半官方的抵押住房业务审查中使用 !"#$ 信 用分。 把借款人过去的信 !"#$ 信用分计算的基本思想是， 用历史资料与数据库中的全体借款人的信用习惯相比 较， 检查借款人的发展趋势是否跟经常违约、 随意透支、 甚至申请破产等各种陷入财务困境的借款人的发展趋 势相似。其实质就是应用数学模型对个人信用报告包含 的信息进行量化分析。该模型主要的评估内容是客户以 往发生的信用行为， 其对近期行为的衡量权重要高于对 远期行为的衡量权重。 %&’
年收入： !%"#
!%&#
! !
" %-( 万及以下 $ 其他
!%%#
" &-(.) 万 /含0
$ 其他
!%’#
! !
" %-(.&-( 万 /含 0 $
其他
" ) 万以上 $ 其他
最近一次工作年限： !%(#
!
" ( 年及以上 $
其他
!%)#
1(样本采集与变量选取
我 们 从 个 人 征 信 系 统 中 随 机 选 择 了 ?&1 份 个 人 信 用报告作为样本，其中 7@& 个为从未违约的客户 （ 好客 户） ， 1?2 个为曾经严重违约记录的客户 A坏客户 B。 在利用样本估计 9:;,<=,> 模型之前，首先从个人信 用报告中选择与客户信用状况相关的个人基本信息进 入模型作为自变量， 客户质量作为因变量。个人基本信 息中性别、 年龄、 学历、 婚姻状况、 住房、 职务、 职称、 年收 入、 最近一次工作年限、 是否为他人提供担保、 是否有特 别记录等 11 个变量与个人信用状况紧密相关，所以将 这 11 个变量作为自变量选择进入模型。 由于 11 个变量都是分类变量，在建立模型时必须 将它们用虚拟变量来表示。为了避免“ 虚拟变量陷阱” ， 每一个变量对应的虚拟变量数均比其分类数少 1 个。因 具体情况如下： 此共设计了 75 个虚拟变量， 自变量： 性别： C1 D 年龄： C&D
!"*#
!Leabharlann " $一般员工 其他
职称：!"+#
" $
高级 其他
!",#
!
" $
中级 其他
!%$#
!
" $
初级 其他
确率为 *’-)E ，其中将好客户判断为好客户的准确率为 将坏客户判断为坏客户的准确率为 ((-"E ， 模型 +&-&E ， 的拟合效果较为理想。由于目前个人信用报告中的信息 尚不完整， 所以将坏客户判断为坏客户的准确率还不是 很高， 相信随着客户资料的完善这一准确率会得到很大 的提升。 以上的模型是根据样本基本信息估计的， 在判断一 个客户质量好坏时除了要考虑他的基本情况， 同时还需 要考虑其以往的信用表现， 这就需要在估计模型的基础 上进一步加入以往信用表现成分。 并利用守约概率计 &- 剔除样本中判断失误 的 样 品 ， 算样本客户的基本分 根据上一步样本客户实际情况与利用拟合模型判断 的情况相比较的结果剔除模型判断失误的样品，利用剩 余的 &++ 个判断正确的样品守约概率计算客户基本分。 将客户的守约概率乘以起 我们选择以 ($ 分作为起评分， 评分即得出该客户的基本分。比如说一个客户的守约概 该客户的基本分为 ’%-( 分。 率为 +(E， $-+(F($#’%-( 分，
%7’
7(两种评分模型的比较与借鉴 !"#$ 信用评分模型和 )*+,- )./*0- 信用计分模型
实际上都是首先选取一系列和个人信用状况相关的指 标（ 两种方法选取的指标不尽相同） ， 将每个指标取值进 行分类，然后对指标的每一类取值赋以一定的分值， 根 据客户状况确定其各指标的分值， 最后将客户各指标的 分值进行加总求出个人信用得分。上述两种信用评分模 型的主要优点是将量化管理引入到信贷审批过程中， 指 标的选取刻画了客户的信用、 品德以及支付能力， 评分 标准和方法简单直观， 这些都值得我们借鉴。 三、 基于 9:;,<=,> 模型的个人信用评分体系 设计 !"#$ 信用评分模型和 )*+,- )./*0- 信用计分 模型的目的是为了尽量在判断客户质量时避免主观色 彩 ，但 是 由 于 两 种 模 型 中 各 项 指 标 的 分 值 都 是 人 为 规 定， 故难免在评估过程中包含过多的主观意志， 所以都
)*+,- )./*0- 信 用 计 分 模 型 首 先 分 析 各 种 变 量 与
消费信贷质量的关系， 找出最能反映贷款质量的一组变 量（ 如住房情况、 现工作单位时间、 偿债率等） ； 然后根据 各个变量与贷款质量之间的关系， 为每个变量的各种情 租 况设定一个数值 （ 如购买 4 拥有住房的分值为 &5 分， 房的分值为 15 分，在现单位工作 6 年以上的 &6 分， 786 年的 &3 分等） ； 最后， 所有变量的分值相加， 得出消费者 信用得分。如果其综合分数超过了贷款政策中制定的最 低标准， 则说明申请人符合贷款条件； 否则， 就不符合条 件。