基于Logistic模型的校園貸違約風(fēng)險因素分析

黃麗?仇樂寧?徐琬瑩?門明坤

摘要：違約風(fēng)險是潛藏在校園貸發(fā)展過程中的重要風(fēng)險，也是校園貸平臺可持續(xù)發(fā)展的主要障礙。學(xué)生違約的根本原因還是由于其沒有穩(wěn)定的收入來源，無法保證還款的及時性，同時其他潛在因素也影響著學(xué)生的違約行為，例如學(xué)生的年級、貸款金額和貸款期限等。本文基于對大學(xué)生使用校園貸情況的問卷調(diào)查，統(tǒng)計整理調(diào)查數(shù)據(jù)，通過建立logistic模型來探究影響大學(xué)生違約的相關(guān)因素，從大學(xué)生角度分析其違約行為，并在最后給出相關(guān)建議。

關(guān)鍵詞：校園貸款；違約風(fēng)險；logistic模型

中圖分類號：F832.4；F224；F724.6 文獻(xiàn)識別碼：A 文章編號：1001-828X（2016）08-000-03

繼信用卡被銀監(jiān)會叫停，退出大學(xué)生市場后，隨著互聯(lián)網(wǎng)金融發(fā)展的不斷延伸以及大學(xué)生日益增長的消費需求，校園貸轉(zhuǎn)手接力信用卡，迅速進(jìn)駐高校。除國家助學(xué)貸款和生源地貸款外，現(xiàn)今的校園網(wǎng)絡(luò)貸款已在高校占據(jù)很大的市場額，而校園貸的模式也多種多樣，主要分為P2P網(wǎng)貸、分期消費平臺和電商平臺開展的信貸服務(wù)，而當(dāng)前這些平臺的發(fā)展模式尚不完善，平臺的風(fēng)控系統(tǒng)還存在諸多漏洞，且大學(xué)生的信用意識又較為薄弱，因此在校園貸發(fā)展過程中，違約風(fēng)險無疑是制約平臺發(fā)展的重要因素，也是學(xué)生貸款時所面臨的重要問題。

一、文獻(xiàn)綜述

針對學(xué)生貸款中越來越高的違約率，許多學(xué)者致力于研究學(xué)生的違約行為，希望探究出其影響因素以降低貸款過程中的信用風(fēng)險。廖茂忠，沈紅[1]（2008）結(jié)合大量經(jīng)驗數(shù)據(jù)，發(fā)現(xiàn)學(xué)生貸款違約主要受七大因素影響，即學(xué)生的學(xué)業(yè)狀況，畢業(yè)后的收入水平與就業(yè)狀況，債務(wù)水平，就讀院校特征，家庭特征，個人特征及學(xué)生貸款制度。沈華[2]（2010）通過實證分析研究了四種主要貸款模式下學(xué)生的償還影響因素，并針對相應(yīng)的研究結(jié)果提出貸款發(fā)放和償還的政策性意見。廖茂忠、沈紅[3]（2010）調(diào)研了貸款參與方的信息，論證了大學(xué)畢業(yè)生的收入狀況、還款意愿和社會信用環(huán)境是影響貸款違約的重要因素，而收入狀況則是最核心的因素。耿新[4]（2012）基于對八所高校的調(diào)查，發(fā)現(xiàn)貸款償還方式單一，學(xué)生誠信意識不強(qiáng)，銀行對貸款追繳管理不到位等諸多因素影響了助學(xué)貸款的風(fēng)險控制。葉菁菁[5]（2015）等分析歸納了P2P網(wǎng)貸的信用評估指標(biāo)、評估方法以及其未來的研究趨勢，指出應(yīng)將貸款人的網(wǎng)絡(luò)行為引入其個人信用評估的過程中，對其進(jìn)行信用評級。

當(dāng)前研究信用風(fēng)險的方法有很多，如判別分析、聚類分析、神經(jīng)網(wǎng)絡(luò)模型分析、多群組結(jié)構(gòu)模型分析和logistic模型分析等，其中最常用的是logistic模型分析法。李萌[6]（2005）建立Logit模型來分析商業(yè)銀行信用，證明其具有很強(qiáng)的識別預(yù)測和推廣能力，是分析商業(yè)銀行信用風(fēng)險的有效工具。孫清和汪祖杰[7]（2006）通過構(gòu)造Logit模型，證明了基于農(nóng)村信用數(shù)據(jù)所建立的Logit模型能夠判定農(nóng)村信用社借款人的信用風(fēng)險程度。龐素琳[8]（2006）收集了106家上市公司的財務(wù)數(shù)據(jù)，建立了Logistic回歸信用評價模型，運用SPSS軟件對數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)該模型的判別準(zhǔn)確率達(dá)到了99.06%。宋榮威[9]（2007）利用行業(yè)內(nèi)上市公司的歷史數(shù)據(jù)，證明了Logit模型在評價一個企業(yè)的信用狀況方面有很強(qiáng)的借鑒性。鄧曉衛(wèi)[10]（2010）運用偏極大似然估計方法，以發(fā)生控制權(quán)轉(zhuǎn)讓的上市公司為樣本，建立了面板Logit模型。嚴(yán)潔，陳超[11]（2010）通過建立Logistic回歸模型分析大學(xué)生使用信用卡違約的影響因素，發(fā)現(xiàn)違約概率與每月月均收入、擁有信用卡的時間、每月月均透支額和信用指數(shù)有關(guān)。胡勝，朱新榮[12]（2011）檢驗了Logit模型在評估我國上市公司信用風(fēng)險中的準(zhǔn)確度，證實其在實際運用中將高信用風(fēng)險企業(yè)誤判為低信用風(fēng)險企業(yè)的錯誤率達(dá)到30%左右。

研究信用風(fēng)險的文獻(xiàn)大多數(shù)是針對商業(yè)銀行、企業(yè)財務(wù)、國家助學(xué)貸款等機(jī)構(gòu)的分析，而對新興的校園貸違約風(fēng)險的研究不多，尤其是通過建立模型來進(jìn)行具體分析的文獻(xiàn)更是極少，以報道性文章為主。因此本文借鑒前人對信用風(fēng)險的模型分析的經(jīng)驗，將logistic模型引入到對當(dāng)前的校園貸違約風(fēng)險的分析中，從大學(xué)生的角度探究影響違約行為的潛在因素，通過這些研究我們將會了解到哪些學(xué)生更容易違約，哪些因素會影響學(xué)生正常還款。

二、建立Logit模型

Logistic回歸為概率型非線性回歸模型，是研究分類變量Y與其影響因素之間關(guān)系的一種多變量分析方法。通常情況下，因變量為二分類變量，即Y只取0或1，也可以是多分類變量。該模型可用來預(yù)測某事件發(fā)生的概率，因此早期被廣泛用于醫(yī)學(xué)檢測領(lǐng)域，檢測對象是否患病，后來又?jǐn)U展到研究企業(yè)和商業(yè)銀行的信用風(fēng)險，判斷其經(jīng)營狀況好壞。

本文構(gòu)建的logistic回歸模型表述如下：（P是學(xué)生違約的概率）

其中：

經(jīng)對數(shù)變換后：

P/（1-P）為優(yōu)勢比Odds，即事件發(fā)生與不發(fā)生的概率之比，P∈（0，1），其函數(shù)呈S型分布，且為遞增函數(shù)，P衡量了各貸款個體i（i=1，2，…，n）的違約概率的大小，若P≈0，表明違約風(fēng)險較小，若P≈1，表明違約風(fēng)險較大。

Xk（k=1，2，…，m）為違約風(fēng)險評定過程中的影響因素，即指標(biāo)變量，βj （j=1，2，…，m）為需要估計的回歸系數(shù)。

通過建立樣本的聯(lián)合密度函數(shù)的似然函數(shù)，利用極大似然法即可求解模型中的回歸系數(shù)，由于可以直接用SPSS軟件進(jìn)行操作，具體求解步驟不再贅述。

三、實證分析

（一）樣本數(shù)據(jù)采集及變量指標(biāo)的選定

此次研究的樣本數(shù)據(jù)來源于對全國各高校學(xué)生使用校園貸情況的調(diào)查問卷，調(diào)查對象包括各重本與非重本院校的本科生、研究生和博士，共發(fā)放問卷708份，調(diào)查對象中108人使用過校園貸，其中 17人違約，91人未違約。

根據(jù)調(diào)研結(jié)果，假設(shè)學(xué)生性別、年級、教育背景、在校成績、貸款期限、貸款金額、每月可支配資金及家庭背景等因素可能影響其違約行為，將8個指標(biāo)引入模型，利用SPSS21.0軟件對108份樣本數(shù)據(jù)進(jìn)行分析，篩選出與自變量相關(guān)度較強(qiáng)的幾個變量作為最終指標(biāo)，再對Logistic模型進(jìn)行回歸分析，得出結(jié)論。首先將一些指標(biāo)設(shè)置成虛擬變量：性別，男取0，女取1；年級，本科設(shè)為0，碩士和博士設(shè)為1；教育背景，重本設(shè)為0，非重本設(shè)為1；在校成績，掛科為1，沒掛為0；家庭背景，城市為1，農(nóng)村為0。

（二） 實驗結(jié)果分析

將樣本數(shù)據(jù)輸入SPSS21.0軟件，檢測各自變量對模型的貢獻(xiàn)率，首先可通過各變量的Score值簡單判斷其在模型中的影響程度。如表1所示，其中家庭背景和每月可支配金額得分分別僅有0.006和0.011，遠(yuǎn)低于其他指標(biāo)得分，且P值為0.939和0.916，遠(yuǎn)高于分割點0.05，同時性別的分值也較低，P值較大。再對這些指標(biāo)進(jìn)行單獨檢驗，其顯著性也無法通過檢驗，因此可初步判斷在模型的作用不大，不適合引入模型中，只有貸款金額和貸款期限得分最高，其他變量相對來說比較適合引入模型中，故先剔出家庭背景、每月可支配金額和性別三項變量。（見表1）

1.變換指標(biāo)后模型的估計結(jié)果

剔除顯著性不強(qiáng)的的三個指標(biāo)后，研究剩下的五個指標(biāo)在模型中的作用，Logit模型如下：

X1是年級，本科設(shè)為0，碩士和研究生設(shè)為1；X2是教育背景，重本設(shè)為0，非重本設(shè)為1，X3是在校成績，沒掛為0，掛科為1；X4是貸款期限，X5是貸款金額。

仍使用之前的樣本數(shù)據(jù)，運用SPSS軟件估計模型，得到表2對模型的整體性檢驗結(jié)果：（見表2）

從回歸模型的整體性檢驗來看， Hosmer 和 Lemeshow 檢驗的卡方值較小，小于顯著性水平為0.05，自由度為7的臨界值14.07（可通過計算獲得），且P值為0.917，說明解釋變量一起對違約情況產(chǎn)生顯著性影響，即方程的總體顯著性通過檢驗。Cox & Snell R Square和Nagelkerke R Square較高，所以模型的擬合效果也較好，對因變量違約風(fēng)險具有較強(qiáng)的解釋能力。

2.模型的參數(shù)估計結(jié)果分析

利用SPSS估計模型的參數(shù)，如表3所示，可得出回歸函數(shù)為：

據(jù)表，對各變量的顯著性檢驗可通過觀察P值判斷，X3、X4、X5均在1%的置信水平下顯著成立，X1、X2雖然P值大于0.05，但也能以80%以上的概率保證估計的正確性，故也可以接受X1、X2的估計結(jié)果。X1的系數(shù)估計結(jié)果為負(fù)，表明隨著年級的上升，違約風(fēng)險越來越小，學(xué)生的償債能力越來越強(qiáng)。X2、X3、X4及X5的系數(shù)估計結(jié)果均為正，表明隨著學(xué)生院校級別的下降，違約風(fēng)險逐漸升高。掛科的學(xué)生違約的概率高于沒掛科的學(xué)生，貸款期限越長，貸款金額越大，則違約的風(fēng)險也會相應(yīng)的增加。

引入貸款學(xué)生相關(guān)指標(biāo)數(shù)據(jù)并利用上述模型進(jìn)行違約風(fēng)險預(yù)測時，若得出的結(jié)果P<50%，則違約風(fēng)險較低；若P>50%，則違約風(fēng)險較大。

3.模型的預(yù)測能力檢驗

通過運行SPSS可以對模型的預(yù)測能力進(jìn)行檢驗，如表4所示：

表4 Logit回歸模型的分類預(yù)測

已觀測 已預(yù)測

違約Y 百分比校正

0 1

步驟 1 違約Y 0 89 2 97.8

1 7 10 58.8

總計百分比 91.7

a. 切割值為 .500

表4給出了Logit模型對108個樣本是否違約的分類情況，實證研究表明，Logit回歸模型對大學(xué)生使用校園貸的違約情況的預(yù)測能力較強(qiáng)。第一類錯誤為2.2%，即將高違約風(fēng)險學(xué)生誤判為低違約風(fēng)險學(xué)生的錯誤概率；第二類錯誤為41.2%，即將低違約風(fēng)險學(xué)生誤判為高違約風(fēng)險學(xué)生的錯誤概率。這表示該模型對于低違約風(fēng)險學(xué)生判別的準(zhǔn)確率是58.8%，對于高違約風(fēng)險學(xué)生判別的準(zhǔn)確率則高達(dá)97.8%。同時，該模型的總體預(yù)測準(zhǔn)確率為91.7%，可見模型的預(yù)測能力較強(qiáng)，在測度學(xué)生使用校園貸過程中的違約風(fēng)險時具有一定的現(xiàn)實作用，可作一般情況下的推廣。

四、結(jié)論及建議

（一）研究結(jié)論

本文通過構(gòu)造Logit信用風(fēng)險度量模型對108位使用過校園貸的大學(xué)生的相關(guān)信息數(shù)據(jù)利用SPSS軟件進(jìn)行分析，首先選取了八個與學(xué)生違約行為可能具有相關(guān)性的指標(biāo)作為解釋變量，通過顯著性檢驗最后剔除顯著性不強(qiáng)的三個指標(biāo)，即家庭背景、性別和每月可支配金額，將剩下的五個指標(biāo)代入Logit模型中分析，得到相關(guān)結(jié)論：

1.由SPSS軟件分析結(jié)果可知，Logit模型的總體預(yù)測能力較強(qiáng)，可用于判定大學(xué)生在使用校園貸時的違約風(fēng)險程度，為平臺審核學(xué)生的借貸資格提供參考依據(jù)，加強(qiáng)平臺內(nèi)部的風(fēng)險管理和防控，從而降低不良貸款率。

2.影響學(xué)生違約的因素很多，本文研究了其中具代表性的五個因素。學(xué)生的在校成績在某些方面可能反映其信用狀況，學(xué)習(xí)較好的學(xué)生可能更難接受違約對自己形象和聲譽造成的影響，因此違約風(fēng)險可能降低，而貸款金額過大，貸款期限過長，則會使違約風(fēng)險增加，因為貸款過多增大了學(xué)生后期的還款壓力，期限過長則會降低學(xué)生還款的積極性。其次是年級和教育背景，年級越低的學(xué)生，由于此前接觸信用貸款的機(jī)會不多，信用意識薄弱，在還款中更易拖欠貸款。在調(diào)查中發(fā)現(xiàn)，三本和專科院校的學(xué)生違約的比例更大，一方面是由于其使用校園貸的人數(shù)更多，平臺的審核較為松懈；另一方面，這些學(xué)生的日常開銷更大，消費攀比之風(fēng)盛行，因此提高了違約風(fēng)險。

（二）建議

1.平臺應(yīng)完善內(nèi)部風(fēng)險防控系統(tǒng)，建立風(fēng)險預(yù)警機(jī)制?？赏ㄟ^引入Logit信用風(fēng)險度量模型判定學(xué)生的信用程度，在審核學(xué)生貸款資格時應(yīng)充分了解學(xué)生的信息，并對其信息進(jìn)行嚴(yán)格保密，審查其真實性和可靠性，并將一些信息數(shù)據(jù)化，代入風(fēng)險測量模型中，用數(shù)據(jù)來分析學(xué)生的資信狀況，從而減少判定過程中的主觀性，降低違約率。

2.嚴(yán)格審核學(xué)生身份信息，對貸款對象進(jìn)行篩選。一般來說，低年級的學(xué)生貸款金額不宜太高，因為他們的信用意識薄弱；對于掛科較多，在校成績十份欠佳的學(xué)生，貸款審核中要更為謹(jǐn)慎，對其資信情況要有更全面的了解。其次，無論針對哪類學(xué)生，貸款期限都不宜太長，貸款金額也應(yīng)控制在較低限度，以免學(xué)生負(fù)債過多，最后無力償還。

3.違約帶來的將是高額的違約金和加倍的利率，因此學(xué)生在貸款時一定要清楚自身的處境，對自身的信息進(jìn)行一個預(yù)先審核，確保自己能及時還款的情況下再使用校園貸，且不到萬不得已時不要輕易使用，目前許多校園貸還存在著誘導(dǎo)性和欺騙性，所以學(xué)生自己要仔細(xì)鑒別，同時養(yǎng)成良好的理財和消費習(xí)慣。

參考文獻(xiàn)：

[1]廖茂忠，沈紅.學(xué)生貸款違約的七大因素[J].高等工程教育研究，2008，5.

[2]沈華.不同學(xué)生貸款模式的償還影響因素分析——基于多群組結(jié)構(gòu)方程模型視角[C].2010年中國教育經(jīng)濟(jì)學(xué)學(xué)術(shù)年會論文集，2010，12.

[3]廖茂忠，沈紅.國家助學(xué)貸款違約的影響因素的研究[J].教育科學(xué)，2010，10.

[4]耿新.國家助學(xué)貸款違約風(fēng)險控制研究[J].現(xiàn)代教育科學(xué)，2012，1.

[5]葉菁菁，吳斌，董敏.P2P網(wǎng)貸個人信用評估[J].財經(jīng)視線，2015 （31）.

[6]李萌.Logit模型在商業(yè)銀行信用風(fēng)險評估中的應(yīng)用研究[J].管理科學(xué)，2005，4.

[7]孫清，汪祖杰.Logit模型在小額農(nóng)貸信用風(fēng)險識別中的應(yīng)用[J].南京審計學(xué)院學(xué)報，2006，8.

[8]龐素琳.Logistic回歸模型在信用風(fēng)險分析中的應(yīng)用[J].數(shù)學(xué)的實踐與認(rèn)識，2006，9.

[9]宋榮威.貸款風(fēng)險度量的Logit模型檢驗[J].電子科技大學(xué)學(xué)報，2007，5.

[10]鄧曉衛(wèi).面板Logit模型在控制權(quán)轉(zhuǎn)移影響因素分析中的應(yīng)用[J].數(shù)學(xué)的實踐與認(rèn)識，2010，6.

[11]嚴(yán)潔，陳超.基于Logistic的大學(xué)生使用信用卡違約影響因素分析[J].學(xué)術(shù)研究，2010，8.

[12]胡勝，朱新榮.我國上市公司信用風(fēng)險評估研究[J].中南財經(jīng)政法大學(xué)學(xué)報，2011，9.