建议先去查找信贷模型相关的内容，了解这一块已有的模型，在此基础上后续我们来说怎么选择模型和改进模型来解决C题，否则并不能解决你们所有的问题。记住：模型改进至关重要，这是你跟别的团队的差异点，也是取胜的关键。
C题 中小微企业的信贷决策，这道题的核心是根据历史的信贷数据选择最优的信贷策略，这是大部分银行都会遇到的问题，在收益和风险之间如何进行决策，从而选择最佳的收益。
在实际中，由于中小微企业规模相对较小，也缺少抵押资产，因此银行通常是依据信贷政策、企业的交易票据信息和上下游企业的影响力，向实力强、供求关系稳定的企业提供贷款，并可以对信誉高、信贷风险小的企业给予利率优惠。银行首先根据中小微企业的实力、信誉对其信贷风险做出评估，然后依据信贷风险等因素来确定是否放贷及贷款额度、利率和期限等信贷策略。
标黑色字体的部分已经表明了这道题的解题思路：
1、风险评估：评估企业的实力（销项发票的规模，也即主营业务收入，记为营业收入R）、信誉（是否出现发票作废退货的情况），但个人倾向于规模之外再加上毛利率和毛利，作为衡量企业还债能力的指标。附件有Python代码说明了如何衡量营业收入，并排序，信誉、毛利、毛利率类似
2、计算风险：把以上营业收入、信誉、毛利、毛利率分别进行归一化处理，并给与一定的权重，计算出相应的的分，可以参考下图，坏账率可以假设，也可以参考商业银行的实际数据作为参考
3、利率策略：A 表示额度，r 表示预期收益率，p 表示坏账率，对每个评分段分别计算预期收益 ri，但通常情况下，利率是固定的，当分数在某个阈值时，就直接拒绝掉。
4、额度策略：额度策略本身受限于产品设计、客户需求及竞品情况，结合自身成本和风险偏好，可初步确定产品的额度区间 [A1，A2] 和件均 A0。由于右图中俩个梯形的面积应该是相等的，因此，可以得到关于 A0 的计算表达式，由于 A0、A1、A2 都是已知的，因此我们能计算出 A0 对应的常数 K0，这样就可以把右图中蓝色的折线拟合出来，即相对最优的一个解。可以实现，根据不同的分位数，给不同的额度。那么，这么做合理吗？它是需要满足一定的假设条件的：额度在借款区间中变化时，同一分段的坏客户占比没有明显差异；评分有较好的排序能力，每一分段对应的坏客户占比有显著差异。
5、额度策略优化：采用 sigmoid 来替代分段函数，确定基础风险额度。对于大额借贷，还是考虑用户的偿债能力，即收入，资产，流水等指标，先算出基础风险额度，再结合收入等指标，差异化调整基础额度
第二问、第三问都是类似的思路，只是需要对利率、额度的模型进行调整，即可获得所需要的答案。
数据分析及代码说明
企业的销项发票，意味着企业的销售收入，可以计算到月、年的主营业务收入；同理企业的进项发票意味着企业的花出去的钱，基本等于主营业务成本，同样到年月的数据。如此计算，可以计算一下某一周期内企业的毛利率和盈亏情况
结合1的数据分析，银行优先给盈利能力强、增长速度快、信用等级高的企业优先放款，其获得利益才会最大，接着就可以建立银行的盈亏平衡模型了 #更新部分python数据处理的代码，供参考。Python的基础知识和应用可以参考本人专栏，再说一下，由于数据量超乎寻常的大，建议使用Python进行数据出来，并导出到excel进行操作，本人逐步完善相关代码信息。
import pandas as pd
data1 = pd.read_excel('/Users/samuelzhan/Downloads/2020数学建模/C/附件1：123家有信贷记录企业的相关数据.xlsx',sheet_name='销项发票信息')
data2 =pd.read_excel('/Users/samuelzhan/Downloads/2020数学建模/C/附件1：123家有信贷记录企业的相关数据.xlsx',sheet_name='进项发票信息')
s1=data1.groupby('企业代号').sum().rename(columns = {
"价税合计": "销售收入"})
s2=data2.groupby('企业代号').sum().rename(columns = {
"价税合计": "采购支出"})
s=pd.merge(s1,s2,on=['企业代号'],how='inner')
s['毛收入']=s['销售收入']-s['采购支出']
s['毛利率']=s['毛收入']/s['销售收入']
s.sort_values(by='毛收入',axis = 0,ascending = False)
s.to_excel('/Users/samuelzhan/Downloads/2020数学建模/C/shuju.xlsx')
代码跑出来的收入、毛利、毛利率数据
点击上面，然后回复2020数学建模领取2020必用工具，你懂的！！