授信额度(1ines of credit)是银行对特定主体在一定时期内贷款的最高限额，国际主要商业银行超过70％的贷款为授信额度下的提款。在近年来中国经济波动加剧、信贷风险管理问题日益突出、居民杠杆率增高使零售类信贷业务的占比与重要性日益升高、数字化金融产品增多、普惠金融全面推广的背景下，零售客户的身份和行为特征使风控管理更加复杂，如何从个人经济价值成长性的角度，科学、客观地评价个人所能承担的最大债务总量是一个具有前瞻性和探索性的问题。
　　传统对授信额度的测算主要基于静态的个人收入、资产状况进行测算，本文在风险限额的建模方法上主要有三点创新:一是应用人力资本理论，预测个人客户劳动收入的未来价值，在刻画收入成长性基础上，体现对未来劳动收入价值不确定性的风险因素。二是应用行为经济学理论将客户的行为(如消费习惯、差旅频率等)纳入了模型体系内，显著提升了收入预测科学性。三是应用机器学习方法进行模型训练和迭代，提升模型精准度。
　　在理论基础上，本文从劳动经济学理论出发，根据相关研究，将个人收入受到所在行业、现居住地域、工作年限、教育背景等影响量化为收入指标;通过教育水平(education)和工作经验(experience)对人的“能力”进行拟合，用于衡量人力资本价值，形成量化指标。
　　在建模方法上，本文从收入限额策略出发，以客户为核心，结合人力资本理论和行为经济学等理论，设计个人收入类指标、劳动力指标、行为指标三大类指标，首先对客户进行分群，从客群出发预测同质化群体的未来发展，在统计意义上降低模型偏差;在分群的基础上，综合考虑人力资本价值，从收入成长性、收入波动性和尾部风险三个维度测量劳动收入未来价值，预测客户的收入变化规律、度量个人还款风险和意愿，形成量化指标，确定客户可承担的最大债务总量。
　　通过模型测算的额度中，95.96％可以被房金部(个人信贷额度测算部门)测算额度所覆盖，98.64％可以被实际授信额度所覆盖。通过变量特征检验分析，发现工作年限增加后增长率逐年下降、学历与风险限额不存在绝对线性对应关系、风险限额系数变动趋势在各地区存在差异等特征。
　　通过本次建模分析，对银行零售风险管控提出关注客户行为时序性变化，动态调整授信额度、运用数据形成差异化额度授信方法与政策、增加客户特征数据收集的维度和质量等建议。