許園園 中央軍委機關(guān)事務(wù)管理總局財務(wù)結(jié)算中心

隨著住房成本不斷攀升占用了年輕人較多資金，越來越多的人會選擇使用貸款去購買一些大型的家用品。在業(yè)務(wù)辦理初期，做好信用審核，把好準入關(guān)尤為重要?；诖髷?shù)據(jù)分析，企業(yè)可以得知其客戶的結(jié)構(gòu)、喜好、購物習慣、風險偏好等一大批結(jié)果，甚至可以發(fā)現(xiàn)一些表面看起來無關(guān)聯(lián)，但是又存在的內(nèi)在聯(lián)系，從而更了解自己的客戶。根據(jù)這些結(jié)果，企業(yè)制定更精準的營銷方案或者是控制風險，從而快速提升企業(yè)發(fā)展。本文研究的主題是充分利用銀行做掌握的大數(shù)據(jù)，建立一個數(shù)據(jù)評分模型，在降低信用卡逾期風險的同時，提高信用卡審批效率。

一、產(chǎn)生違約風險的可能因素

本文參照信用卡業(yè)務(wù)常見填寫選項：性別、年齡、參加工作時間、職級、信用卡額度、年收入、住房情況、婚姻狀況等八項因素，結(jié)合搜集的5200筆分期業(yè)務(wù)（其中131筆發(fā)生違約），對每項因素做出簡要分析。

表1 性別在總樣本和違約樣本中的分布

（一）性別

從表中可見，男性對信用卡分期業(yè)務(wù)接納度更高一些，比女性高出了7%，但是從發(fā)生分期違約人數(shù)看，男性的違約人數(shù)占比比女性高出10%，初步認為性別對信用卡是否產(chǎn)生違約有影響。

表2 工作時間在總樣本和違約樣本中的分布

（二）工作年限

從表中可見，工作年限1-5年的客戶對信用卡分期業(yè)務(wù)接納度更高一些，占比53.6%，但是從發(fā)生分期違約人數(shù)看，工作年限1-5年的客戶占比更高，高達62.6%，而工作10年以上的客戶占比對比處于下降趨勢，初步認為工作年限對信用卡分期業(yè)務(wù)是否產(chǎn)生違約有影響。

表3 額度在總樣本和違約樣本中的分布

（三）信用卡額度

從表中可見，信用卡額度各個統(tǒng)計段對分期業(yè)務(wù)接納程度差別不是很明顯，但是從發(fā)生分期違約人數(shù)看，信用額度2萬以上的人數(shù)占比明顯下降，初步判定信用卡額度對信用卡分期業(yè)務(wù)是否產(chǎn)生違約有影響。

表4 年齡在總樣本和違約樣本中的分布

（四）年齡

從表中可見，45歲以下對信用卡分期業(yè)務(wù)接納度更高一些，尤其是34歲以下，達到了各年齡段的最高點25.15%。從發(fā)生分期違約人數(shù)看，34歲以下違約人數(shù)占比更高，而45歲以上違約人數(shù)占比開始下降，初步認為性別對信用卡分期業(yè)務(wù)是否產(chǎn)生違約有影響。

（五）婚姻狀況

表5 婚姻狀況在總樣本和違約樣本中的分布

從表中可見，已婚客戶對信用卡分期業(yè)務(wù)接納度更高一些，占比74.17%，但是從發(fā)生分期違約人數(shù)看，已婚占比較少，只有58.78%，而未婚和婚姻狀況為其他的違約人數(shù)占比均高于業(yè)務(wù)接納人數(shù)占比，初步認為婚姻狀況對信用卡分期業(yè)務(wù)是否產(chǎn)生違約有影響。

（六）年收入

表6 年收入在總樣本和違約樣本中的分布

從表中可見，個人年收入統(tǒng)計段的分期業(yè)務(wù)接納度和違約人數(shù)占比集中度大體一致。

（七）職級

表7 職級在總樣本和違約樣本中的分布

科級/部門經(jīng)理 18.00% 19.08%縣處級/總經(jīng)理 8.52% 9.16%局級/董事 7.02% 7.63%

從表中可見，個人職務(wù)統(tǒng)計段的分期業(yè)務(wù)接納度和違約人數(shù)占比集中度大體一致。

表8 住房情況在總樣本和違約樣本中的分布

（八）住房情況

從表中可見，個人住房情況統(tǒng)計段的分期業(yè)務(wù)接納度和違約人數(shù)占比集中度大體一致。

二、使用Logistics回歸模型分析違約因素

比較于傳統(tǒng)的多元回歸分析，Logistics回歸分析不需要數(shù)據(jù)滿足正態(tài)分布的假設(shè)，這是其由于普通多元回歸分析的最主要的特點，而且Logistics回歸在擬合度和預(yù)測精度上，往往優(yōu)于普通多元回歸分析。

同理，本文引入Logistics回歸分析，將因變量定為是否違約，而自變量主要由造成違約的幾種因素組成。

（一）變量設(shè)定

1.性別。本文中用sex代表性別變量，取0代表男性，1代表女性。

2.工作年限。本文用workyear代表工作年限變量，取值為各個統(tǒng)計段的中位數(shù)。

3.信用卡額度。本文用limit代表信用卡額度變量（以萬元為單位），取值為各個統(tǒng)計段的中位數(shù)。

4.年齡。本文用age代表年齡變量，取值為各個統(tǒng)計段的中位數(shù)。

5.婚姻狀況。本文用marry代表婚姻變量，取0代表已婚，1代表未婚及其他。

6.年收入。本文用income代表年收入變量（以萬元為單位），取值為各個統(tǒng)計段的中位數(shù)。

7.職級。本文用class代表職級變量，取值0-4分別代表無固定職業(yè)、科員/職員級、科級/部門經(jīng)理、縣處級/總經(jīng)理、局級/董事。

8.住房情況。本文用house代表住房情況變量，取值0代表自有住房，1代表租房及貸款買房。

我們用default代表違約這個因變量，則可以通過Logit變換建立logistics回歸分析如下：

（二）計算系數(shù)，標準誤及顯著性

通過計量學數(shù)據(jù)軟件EViews將搜集的數(shù)據(jù)進行處理，結(jié)果如下表：

變量指標 系數(shù) 標準誤 顯著性Sex -0.381617 0.194568 0.0498 Workyear -0.067624 0.29361 0.0213 Limit -0.476347 0.061401 0.0000

Age -0.191911 0.34021 0.0000 Marry 1.180618 0.240143 0.0000 Income 0.180611 0.023917 0.0000 Class 1.053083 0.182052 0.0000 House 0.830914 0.338914 0.0142 C（β0）1.725246 1.046204

從表中可見，各項變量的顯著性Prob均小于0.05，因此可以認為各項變量對違約的影響都是顯著的。

三、結(jié)論及建議

（一）變量影響情況分析

1.性別。通過計算結(jié)果可見，性別對違約概率影響為負相關(guān)，即隨著性別變量取值增大，違約概率減少，也就是男性違約概率更大，女性對風險厭惡程度更高。

2.工作年限。通過計算結(jié)果可見，工作年限對違約概率影響為負相關(guān)，即隨著工作年限變量取值增大，違約概率減少?？梢?，隨著工作年限增加，人們資本積累更豐厚，風險意識更強，考慮更加周全，違約概率降低。

3.信用卡額度。通過計算結(jié)果可見，信用卡額度對違約概率影響為負相關(guān)，即信用卡額度越高的客戶，越不容易出現(xiàn)違約行為。其原因可能是，能信用卡額度是跟客戶用卡頻率、刷卡金額和工作收入相關(guān)的，額度越高的客戶工作收入越高，刷卡金額越高，用卡時間越長，已經(jīng)養(yǎng)成了良好的信用習慣，并且珍惜已經(jīng)擁有的額度，所以違約概率比較低。

4.年齡。同樣，年齡與違約概率影響為負相關(guān)，即年齡越大的客戶，違約概率越低。年齡大的客戶工作時間長，有一定的儲蓄，并且有一定的人脈，也更懂得信用在生活和工作中的重要性，所以他們在出現(xiàn)資金短缺的時候，更傾向選擇別的方式來解決融資問題，而不是去消耗自己的未來信用。

5.婚姻狀況?；橐鰻顩r與違約概率呈正相關(guān)，即已婚客戶更不容易出現(xiàn)違約行為。原因可能是已婚客戶家庭收入來源比較穩(wěn)定，即使一方收入出現(xiàn)問題，另一方的收入仍能夠保證生活的正常進行。而未婚或者離異的客戶，因為自己還款能力完全取決于自己的收入和積蓄，所以一旦此類客戶經(jīng)濟出現(xiàn)問題，備選的解決方案較少，更容易出現(xiàn)違約。

6.收入。結(jié)果顯示，收入與違約概率呈正向相關(guān)，即收入越高，違約概率越高。這個結(jié)果與平新喬等實證發(fā)現(xiàn)相一致5。原因可能是，隨著收入的增加，客戶對自己的還款能力出現(xiàn)預(yù)判偏差，從而消費超過自己還款能力的物品，導致違約。

7.職位。職位與違約概率呈現(xiàn)正相關(guān)，也就是說，職位越高的人，違約概率越大。表面上看，職位越高的人收入越高，償還能力越高，所以違約概率越低。但是數(shù)據(jù)結(jié)果顯示，職位越高的人，違約概率越大。通過表7，我們可以看出，職位高的違約概率相對高于總樣本的比例。筆者認為，職位高的人群中，更多的是公司董事或者總經(jīng)理，他們收入相對較高，但是資金需求也相對高，他們在公司出現(xiàn)資金問題的時候，更多的是通過信用卡分期這種融資成本較低的方式，來解決問題，所以職位越高的人，違約概率越大。

8.住房情況。通過結(jié)果發(fā)現(xiàn)，貸款買房的客戶違約概率比較低。原因可能為，雖然貸款買房的客戶需要償還貸款，每月的經(jīng)濟壓力較大，但是信用卡違約會對其房貸產(chǎn)生不良影響，導致后期房貸利率無形升高。所以此類客戶更愿意保持良好的信用記錄。

本文通過量化信用卡表上填寫項，利用大數(shù)據(jù)分析這些因素與違約概率之間的關(guān)系。通過Logistics回歸，我們發(fā)現(xiàn)八個自變量都與違約有顯著的關(guān)系。通過這個結(jié)論，有助于后期信用卡發(fā)卡審核階段，對此類客戶準入的風險把控。本文的創(chuàng)新點在于將這些填寫項量化，得出這些項目在違約概率中所占的比重，通過帶入數(shù)據(jù)計算，能夠得出此客戶的違約概率，從而更好地衡量客戶準入標準。

（二）建議

目前本方法可以針對每一個客戶計算出違約概率，商業(yè)銀行可以根據(jù)自己的風控水平，劃定違約概率線，超過此概率的客戶，則不予批準分期業(yè)務(wù)。例如，風控較嚴格的商業(yè)銀行可以將違約線定在1%，按此標準實行一段時期，如果實際違約率仍超標，可繼續(xù)下調(diào)違約概率的數(shù)值，加強風控。如果實際違約概率低于期望風控水平，則可以適當提升違約概率線，從而加大分期業(yè)務(wù)核準量，增加商業(yè)銀行收入。最優(yōu)的違約概率需要商業(yè)銀行結(jié)合自身情況，不斷調(diào)整，最后達到屬于自己的最有選擇。