互联网时代的到来使得各行业的发展有了新的契机,对于汽车金融业来说,越来越多的车贷平台出现。随着车贷业务的发展,由于客户的信用资质参差不齐,违约现象屡见不鲜,如何识别客户违约风险变得尤为重要。目前已有学者基于网络平台视角对车贷信用风险进行了研究,但少有学者基于银行视角进行分析。银行的车贷业务通常是与多个汽车销售平台合作,为这些平台的客户发放贷款,即需要对来自不同渠道的客户进行信用风险预测。这些客户贷款目的都与车辆有关,且他们来自不同的平台,各平台的运营模式和客户来源上有所不同,因此既有相似性,也存在一定的差异性。本文将来自不同平台的车贷客户数据看作是多源数据利用整合分析求解,同时由于车贷信用风险数据通常是不平衡数据,把不平衡这一特征考虑到整合分析中。构建Logistic回归模型来处理二分类问题,并在Composite MCP（Minimax Concave Penalty）惩罚函数的基础上考虑代价敏感学习方法。上述模型采用的是双层变量选择方法,模型求解时通过组坐标下降法来求解最优化问题。模拟分析中,基于模型评价指标预测准确性（Accuracy）、AUC（Area Under Curve）和召回率（Recall）比较了考虑代价敏感学习的Composite MCP模型（c-cMCP）、仅考虑Composite MCP惩罚的模型（cMCP）、分数据集MCP模型（MCPs）和合并数据集MCP模型（MCP）的预测效果,得出c-cMCP优于其它三种方法,尤其是不平衡程度较高时。实证分析中,本文选取了车抵贷业务的两个渠道,获取客户的人行征信变量以及车辆信息,建立了基于c-cMCP的车贷业务信用风险模型,计算出模型的AUC、KS和召回率,并与基于cMCP、MCPs和MCP构建的模型进行对比分析,得出c-cMCP模型在实证数据集上表现更好。