基干Logistic模型校园贷违约风险因素探析.docVIP

基于Logistic模型的校园贷违约风险因素分析 　　摘要：违约风险是潜藏在校园贷发展过程中的重要风险，也是校园贷平台可持续发展的主要障碍。学生违约的根本原因还是由于其没有稳定的收入来源，无法保证还款的及时性，同时其他潜在因素也影响着学生的违约行为，例如学生的年级、贷款金额和贷款期限等。本文基于对大学生使用校园贷情况的问卷调查，统计整理调查数据，通过建立logistic模型来探究影响大学生违约的相关因素，从大学生角度分析其违约行为，并在最后给出相关建议 关键词：校园贷款；违约风险；logistic模型 中图分类号：F832.4；F224；F724.6 文献识别码：A 文章编号：1001-828X（2016）08-000-03 继信用卡被银监会叫停，退出大学生市场后，随着互联网金融发展的不断延伸以及大学生日益增长的消费需求，校园贷转手接力信用卡，迅速进驻高校。除国家助学贷款和生源地贷款外，现今的校园网络贷款已在高校占据很大的市场额，而校园贷的模式也多种多样，主要分为P2P网贷、分期消费平台和电商平台开展的信贷服务，而当前这些平台的发展模式尚不完善，平台的风控系统还存在诸多漏洞，且大学生的信用意识又较为薄弱，因此在校园贷发展过程中，违约风险无疑是制约平台发展的重要因素，也是学生贷款时所面临的重要问题 一、文献综述 针对学生贷款中越来越高的违约率，许多学者致力于研究学生的违约行为，希望探究出其影响因素以降低贷款过程中的信用风险。廖茂忠，沈红[1]（2008）结合大量经验数据，发现学生贷款违约主要受七大因素影响，即学生的学业状况，毕业后的收入水平与就业状况，债务水平，就读院校特征，家庭特征，个人特征及学生贷款制度。沈华[2]（2010）通过实证分析研究了四种主要贷款模式下学生的偿还影响因素，并针对相应的研究结果提出贷款发放和偿还的政策性意见。廖茂忠、沈红[3]（2010）调研了贷款参与方的信息，论证了大学毕业生的收入状况、还款意愿和社会信用环境是影响贷款违约的重要因素，而收入状况则是最核心的因素。耿新[4]（2012）基于对八所高校的调查，发现贷款偿还方式单一，学生诚信意识不强，银行对贷款追缴管理不到位等诸多因素影响了助学贷款的风险控制。叶菁菁[5]（2015）等分析归纳了P2P网贷的信用评估指标、评估方法以及其未来的研究趋势，指出应将贷款人的网络行为引入其个人信用评估的过程中，对其进行信用评级 当前研究信用风险的方法有很多，如判别分析、聚类分析、神经网络模型分析、多群组结构模型分析和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模型来分析商业银行信用，证明其具有很强的识别预测和推广能力，是分析商业银行信用风险的有效工具。孙清和汪祖杰[7]（2006）通过构造Logit模型，证明了基于农村信用数据所建立的Logit模型能够判定农村信用社借款人的信用风险程度。庞素琳[8]（2006）收集了106家上市公司的财务数据，建立了Logistic回归信用评价模型，运用SPSS软件对数据进行分析，发现该模型的判别准确率达到了99.06%。宋荣威[9]（2007）利用行业内上市公司的历史数据，证明了Logit模型在评价一个企业的信用状况方面有很强的借鉴性。邓晓卫[10]（2010）运用偏极大似然估计方法，以发生控制权转让的上市公司为样本，建立了面板Logit模型。严洁，陈超[11]（2010）通过建立Logistic回归模型分析大学生使用信用卡违约的影响因素，发现违约概率与每月月均收入、拥有信用卡的时间、每月月均透支额和信用指数有关。胡胜，朱新荣[12]（2011）检验了Logit模型在评估我国上市公司信用风险中的准确度，证实其在实际运用中将高信用风险企业误判为低信用风险企业的错误率达到30%左右 研究信用风险的文献大多数是针对商业银行、企业财务、国家助学贷款等机构的分析，而对新兴的校园贷违约风险的研究不多，尤其是通过建立模型来进行具体分析的文献更是极少，以报道性文章为主。因此本文借鉴前人对信用风险的模型分析的经验，将logistic模型引入到对当前的校园贷违约风险的分析中，从大学生的角度探究影响违约行为的潜在因素，通过这些研究我们将会了解到哪些学生更容易违约，哪些因素会影响学生正常还款 二、建立Logit模型 Logistic回归为概率型非线性回归模型，是研究分类变量Y与其影响因素之间关系的一种多变量分析方法。通常情况下，因变量为二分类变量，即Y只取0或1，也可以是多分类变量。该模型可用来预测某事件发生的概率，因此早期被广泛用于医学检测领域，检测对象是否患病，后来又扩展到研究企业和商业银行的信用风险，判断其经营状况好坏 本文构建的logis