个人信用评估是当前金融科技中的热点课题之一。在当今智能时代,随着大数据、人工智能、移动互联等数字技术快速发展,金融与信息技术深度融合,现代金融科技不断进步,大数据背景下互联网信贷交易场景逐渐复杂。在互联网消费金融场景下,完善现代征信体系成为亟待解决的问题。近十年,随着互联网分期消费业务的快速发展,网络分期交易已是互联网电商活动中主流支付方式之一。与此同时,互联网个人信用体系的缺失和个人信用评价体系的落后成为阻碍行业平稳安全发展的瓶颈。如何通过分期业务中用户与订单的基本信息,识别和预测分期账单还款意愿和还款能力,将互联网个人信用风险控制在较低水平,降低分期订单逾期率,是监管部门、电商平台与互联网金融机构面临的重要议题,也是促进互联网经济平稳发展的重要方向。在网络分期订单逾期风险研究和实务中,研究对象往往具有鲜明的分层结构和组内特征,分层信息对于识别逾期风险、提升模型精度具有重要价值。然而,在传统研究中,为符合模型的数据独立假设,数据的嵌套分层信息往往被忽略,导致模型召回效果与预测精度欠佳,同时也失去了对分层相关嵌套结构的解释能力。为解决以上问题,充分挖掘互联网分期订单交易数据中用户所属组织与机构对逾期风险的影响,本文选取某互联网公司的分期订单数据,建立了一系列广义分层线性模型,从简单到复杂,分别拟合空模型、仅包含个体水平的层1模型、仅包含群体水平的层2模型以及全模型。本文将逾期风险的影响因素划分为两层,第一层包含分期用户个人与订单维度的影响因素,层1模型从订单规模、订单风险、订单细节、个人属性以及注册属性五个角度解释个体订单水平对订单逾期的影响,第二层包含个人所属机构维度的影响因素,层2模型从机构逾期直接指标、机构逾期间接指标、机构经营结果状态指标、机构经营模式方法指标四个角度解释群体机构水平对订单逾期的影响,全模型综合考虑全部个体水平与群体水平,最终建立完整的订单逾期风险评估模型。本文将模型结果与传统逻辑回归和集成学习模型进行比较,并将构建的广义分层线性模型与集成学习模型Xgboost进行组合预测,发现广义分层线性模型稳定性最好,召回率与准确率的综合结果最好,组合预测也一定程度上优化了预测效果。使用最终的组合预测模型相比使用逻辑回归模型,召回率从3.16%提升至44.25%,模型的F1从0.61%提升至53.13%,一定程度上兼顾解释能力与预测效果。