小微信贷具有“短、小、频、急”的特点,目前银行大多是专家打分、人工单笔审核的信贷评审模式,主观性强、成本高、效率低。降低小微信贷审核的成本、提高贷款发放效率,最有效的手段是改变人工单笔审核的业务模式,将贷款的审批和发放标准化,特别是信用额度测算的信息化和标准化。通过建立信用额度测算模型,从大量数据中提炼出的预测信息和行为模式,能够比较准确地预测贷款申请人的信用表现,有助于银行对贷款申请人授信额度的掌握、计量和控制。本文在总结和借鉴国内外相关研究成果和实践经验的基础上,以实际小微信贷业务数据为样本,采用了有序多分类Logistic回归模型、模糊C均值聚类模型(FCM聚类)两种方法进行对比研究。通过实证研究发现,有序多分类Logistic回归模型对样本信用等级的回判正确率整体高于FCM聚类模型。作为一种演绎式的模型,回归模型能够更好地模拟人工信贷评审的过程;FCM聚类模型属于非监督式模型,在基于授信评审前期数据的学习过程中,模型的预测结果与人工评审结果偏差较大。从实用角度分析,有序多分类Logistic模型易于建模、运用灵活、可操作性强,在小微贷授信额度测算中能够起到较好的效果。本文提出的模型方法有助于提高小微贷款评审的效率,但同时应该注意到,数据质量问题始终是困扰小微贷授信评估的主要问题,也是导致模型拟合效果欠佳的主要原因。数据的规范采集、噪声的控制仍然是提升模型适用性关键的问题,本文最后也对此问题进行了探讨。