中国正处于消费升级的时期，居民的支付方式和生活习惯得到了很大的改变，越来越多的居民开始接受超前消费、透支消费的生活方式，丰富多样的借款渠道也使得人们可以随时通过个人贷款进行提前消费，促进了国内银行业个人贷款业务的发展。在个人贷款迅速发展的同时，风险控制是关键，而其中信用风险的评估是提升风险控制水平的基础。目前，A银行的个人贷款违约率较高，信用风险评估存在一定的问题，信用风险指标无法真实反应客户的信用水平。因此，提高个人贷款信用风险评估的准确性是目前A银行面临的重要问题。
　　本文对地方商业银行A个人信用风险评估进行了研究。首先，本文基于相关文献与理论对目前常用的个人信用风险评估方法进行了研究。其次，本文对A银行个人贷款业务及信用风险进行了分析，研究了目前A银行个人信用风险评估方法的不足；第三，本文融合大数据生活类信息指标，建立了A银行个人信用风险评估指标体系；第四，本文使用Logistic回归对传统评价指标体系以及融入大数据生活类指标信息体系的模型进行了实证分析，验证了大数据指标体系的有效性；最后，本文提出了相关建议。
　　本文的研究结论如下：（1）目前A银行存在个人贷款信用风险评估不准确的问题，其原因在于目前的评价指标体系不能真实反映个人的信用风险大小；（2）本文融入大数据生活信息类指标设计了个人贷款信用风险评估指标体系，包括电商信息、运营商信息指标；（3）通过对A银行的数据进行实证，可以看到，使用传统指标集的情况下，逻辑回归在正样本上的准确率为0.809，在负样本上的准确率为0.629，模型综合准确率为0.741。融入大数据生活信息类指标后，模型在正样本上的准确率为0.89，在负样本上的准确率为0.871，综合准确率为0.882，可以看到模型在各个样本上的预测准确性有了较大提高。同时，融入大数据生活信息类指标后，传统评估指标的权重均有所下降，
　　社保缴纳金额的影响权重为-0.2751，公积金缴纳金额影响权重为-0.1321，手机号码使用时长影响权重为-0.1107。这三个指标是影响权重最大的大数据类指标。
　　本文的研究对于进一步提高A银行个人贷款信用风险评估的准确率具有一定的参考，也对其他地方性商业银行的个人贷款信用风险评估提供了借鉴。