基于Logistic模型的校園貸違約風險因素分析

黃麗?仇樂寧?徐琬瑩?門明坤

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

關鍵詞：校園貸款；違約風險；logistic模型

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

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

一、文獻綜述

針對學生貸款中越來越高的違約率，許多學者致力于研究學生的違約行為，希望探究出其影響因素以降低貸款過程中的信用風險。廖茂忠，沈紅[1]（2008）結合大量經驗數據，發現學生貸款違約主要受七大因素影響，即學生的學業狀況，畢業后的收入水平與就業狀況，債務水平，就讀院校特征，家庭特征，個人特征及學生貸款制度。沈華[2]（2010）通過實證分析研究了四種主要貸款模式下學生的償還影響因素，并針對相應的研究結果提出貸款發放和償還的政策性意見。廖茂忠、沈紅[3]（2010）調研了貸款參與方的信息，論證了大學畢業生的收入狀況、還款意愿和社會信用環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查，發現貸款償還方式單一，學生誠信意識不強，銀行對貸款追繳管理不到位等諸多因素影響了助學貸款的風險控制。葉菁菁[5]（2015）等分析歸納了P2P網貸的信用評估指標、評估方法以及其未來的研究趨勢，指出應將貸款人的網絡行為引入其個人信用評估的過程中，對其進行信用評級。

當前研究信用風險的方法有很多，如判別分析、聚類分析、神經網絡模型分析、多群組結構模型分析和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模型來分析商業銀行信用，證明其具有很強的識別預測和推廣能力，是分析商業銀行信用風險的有效工具。孫清和汪祖杰[7]（2006）通過構造Logit模型，證明了基于農村信用數據所建立的Logit模型能夠判定農村信用社借款人的信用風險程度。龐素琳[8]（2006）收集了106家上市公司的財務數據，建立了Logistic回歸信用評價模型，運用SPSS軟件對數據進行分析，發現該模型的判別準確率達到了99.06%。宋榮威[9]（2007）利用行業內上市公司的歷史數據，證明了Logit模型在評價一個企業的信用狀況方面有很強的借鑒性。鄧曉衛[10]（2010）運用偏極大似然估計方法，以發生控制權轉讓的上市公司為樣本，建立了面板Logit模型。嚴潔，陳超[11]（2010）通過建立Logistic回歸模型分析大學生使用信用卡違約的影響因素，發現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有關。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險中的準確度，證實其在實際運用中將高信用風險企業誤判為低信用風險企業的錯誤率達到30%左右。

研究信用風險的文獻大多數是針對商業銀行、企業財務、國家助學貸款等機構的分析，而對新興的校園貸違約風險的研究不多，尤其是通過建立模型來進行具體分析的文獻更是極少，以報道性文章為主。因此本文借鑒前人對信用風險的模型分析的經驗，將logistic模型引入到對當前的校園貸違約風險的分析中，從大學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生更容易違約，哪些因素會影響學生正常還款。

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。該模型可用來預測某事件發生的概率，因此早期被廣泛用于醫學檢測領域，檢測對象是否患病，后來又擴展到研究企業和商業銀行的信用風險，判斷其經營狀況好壞。

本文構建的logistic回歸模型表述如下：（P是學生違約的概率）

其中：

經對數變換后：

P/（1-P）為優勢比Odds，即事件發生與不發生的概率之比，P∈（0，1），其函數呈S型分布，且為遞增函數，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，表明違約風險較小，若P≈1，表明違約風險較大。

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

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

三、實證分析

（一）樣本數據采集及變量指標的選定

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

根據調研結果，假設學生性別、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個指標引入模型，利用SPSS21.0軟件對108份樣本數據進行分析，篩選出與自變量相關度較強的幾個變量作為最終指標，再對Logistic模型進行回歸分析，得出結論。首先將一些指標設置成虛擬變量：性別，男取0，女取1；年級，本科設為0，碩士和博士設為1；教育背景，重本設為0，非重本設為1；在校成績，掛科為1，沒掛為0；家庭背景，城市為1，農村為0。

（二） 實驗結果分析

將樣本數據輸入SPSS21.0軟件，檢測各自變量對模型的貢獻率，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，遠低于其他指標得分，且P值為0.939和0.916，遠高于分割點0.05，同時性別的分值也較低，P值較大。再對這些指標進行單獨檢驗，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.變換指標后模型的估計結果

剔除顯著性不強的的三個指標后，研究剩下的五個指標在模型中的作用，Logit模型如下：

X1是年級，本科設為0，碩士和研究生設為1；X2是教育背景，重本設為0，非重本設為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據，運用SPSS軟件估計模型，得到表2對模型的整體性檢驗結果：（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，對因變量違約風險具有較強的解釋能力。

2.模型的參數估計結果分析

利用SPSS估計模型的參數，如表3所示，可得出回歸函數為：

據表，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的估計結果。X1的系數估計結果為負，表明隨著年級的上升，違約風險越來越小，學生的償債能力越來越強。X2、X3、X4及X5的系數估計結果均為正，表明隨著學生院校級別的下降，違約風險逐漸升高。掛科的學生違約的概率高于沒掛科的學生，貸款期限越長，貸款金額越大，則違約的風險也會相應的增加。

引入貸款學生相關指標數據并利用上述模型進行違約風險預測時，若得出的結果P<50%，則違約風險較低；若P>50%，則違約風險較大。

3.模型的預測能力檢驗

通過運行SPSS可以對模型的預測能力進行檢驗，如表4所示：

表4 Logit回歸模型的分類預測

已觀測 已預測

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回歸模型對大學生使用校園貸的違約情況的預測能力較強。第一類錯誤為2.2%，即將高違約風險學生誤判為低違約風險學生的錯誤概率；第二類錯誤為41.2%，即將低違約風險學生誤判為高違約風險學生的錯誤概率。這表示該模型對于低違約風險學生判別的準確率是58.8%，對于高違約風險學生判別的準確率則高達97.8%。同時，該模型的總體預測準確率為91.7%，可見模型的預測能力較強，在測度學生使用校園貸過程中的違約風險時具有一定的現實作用，可作一般情況下的推廣。

四、結論及建議

（一）研究結論

本文通過構造Logit信用風險度量模型對108位使用過校園貸的大學生的相關信息數據利用SPSS軟件進行分析，首先選取了八個與學生違約行為可能具有相關性的指標作為解釋變量，通過顯著性檢驗最后剔除顯著性不強的三個指標，即家庭背景、性別和每月可支配金額，將剩下的五個指標代入Logit模型中分析，得到相關結論：

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

2.影響學生違約的因素很多，本文研究了其中具代表性的五個因素。學生的在校成績在某些方面可能反映其信用狀況，學習較好的學生可能更難接受違約對自己形象和聲譽造成的影響，因此違約風險可能降低，而貸款金額過大，貸款期限過長，則會使違約風險增加，因為貸款過多增大了學生后期的還款壓力，期限過長則會降低學生還款的積極性。其次是年級和教育背景，年級越低的學生，由于此前接觸信用貸款的機會不多，信用意識薄弱，在還款中更易拖欠貸款。在調查中發現，三本和?？圃盒５膶W生違約的比例更大，一方面是由于其使用校園貸的人數更多，平臺的審核較為松懈；另一方面，這些學生的日常開銷更大，消費攀比之風盛行，因此提高了違約風險。

（二）建議

1.平臺應完善內部風險防控系統，建立風險預警機制?？赏ㄟ^引入Logit信用風險度量模型判定學生的信用程度，在審核學生貸款資格時應充分了解學生的信息，并對其信息進行嚴格保密，審查其真實性和可靠性，并將一些信息數據化，代入風險測量模型中，用數據來分析學生的資信狀況，從而減少判定過程中的主觀性，降低違約率。

2.嚴格審核學生身份信息，對貸款對象進行篩選。一般來說，低年級的學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生，貸款審核中要更為謹慎，對其資信情況要有更全面的了解。其次，無論針對哪類學生，貸款期限都不宜太長，貸款金額也應控制在較低限度，以免學生負債過多，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，因此學生在貸款時一定要清楚自身的處境，對自身的信息進行一個預先審核，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性和欺騙性，所以學生自己要仔細鑒別，同時養成良好的理財和消費習慣。

參考文獻：

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

[2]沈華.不同學生貸款模式的償還影響因素分析——基于多群組結構方程模型視角[C].2010年中國教育經濟學學術年會論文集，2010，12.

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

[4]耿新.國家助學貸款違約風險控制研究[J].現代教育科學，2012，1.

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

[6]李萌.Logit模型在商業銀行信用風險評估中的應用研究[J].管理科學，2005，4.

[7]孫清，汪祖杰.Logit模型在小額農貸信用風險識別中的應用[J].南京審計學院學報，2006，8.

[8]龐素琳.Logistic回歸模型在信用風險分析中的應用[J].數學的實踐與認識，2006，9.

[9]宋榮威.貸款風險度量的Logit模型檢驗[J].電子科技大學學報，2007，5.

[10]鄧曉衛.面板Logit模型在控制權轉移影響因素分析中的應用[J].數學的實踐與認識，2010，6.

[11]嚴潔，陳超.基于Logistic的大學生使用信用卡違約影響因素分析[J].學術研究，2010，8.

[12]胡勝，朱新榮.我國上市公司信用風險評估研究[J].中南財經政法大學學報，2011，9.