黃麗?仇樂(lè)寧?徐琬瑩?門(mén)明坤

摘要：違約風(fēng)險(xiǎn)是潛藏在校園貸發(fā)展過(guò)程中的重要風(fēng)險(xiǎn)，也是校園貸平臺(tái)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(méi)有穩(wěn)定的收入來(lái)源，無(wú)法保證還款的及時(shí)性，同時(shí)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(jí)、貸款金額和貸款期限等。本文基于對(duì)大學(xué)生使用校園貸情況的問(wèn)卷調(diào)查，統(tǒng)計(jì)整理調(diào)查數(shù)據(jù)，通過(guò)建立logistic模型來(lái)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(xiǎn)；logistic模型

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

繼信用卡被銀監(jiān)會(huì)叫停，退出大學(xué)生市場(chǎng)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(zhǎng)的消費(fèi)需求，校園貸轉(zhuǎn)手接力信用卡，迅速進(jìn)駐高校。除國(guó)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(chǎng)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(fèi)平臺(tái)和電商平臺(tái)開(kāi)展的信貸服務(wù)，而當(dāng)前這些平臺(tái)的發(fā)展模式尚不完善，平臺(tái)的風(fēng)控系統(tǒng)還存在諸多漏洞，且大學(xué)生的信用意識(shí)又較為薄弱，因此在校園貸發(fā)展過(guò)程中，違約風(fēng)險(xiǎn)無(wú)疑是制約平臺(tái)發(fā)展的重要因素，也是學(xué)生貸款時(shí)所面臨的重要問(wèn)題。

一、文獻(xiàn)綜述

針對(duì)學(xué)生貸款中越來(lái)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(guò)程中的信用風(fēng)險(xiǎn)。廖茂忠，沈紅[1]（2008）結(jié)合大量經(jīng)驗(yàn)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(gè)人特征及學(xué)生貸款制度。沈華[2]（2010）通過(guò)實(shí)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(duì)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(jiàn)。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(huì)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(duì)八所高校的調(diào)查，發(fā)現(xiàn)貸款償還方式單一，學(xué)生誠(chéng)信意識(shí)不強(qiáng)，銀行對(duì)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(xiǎn)控制。葉菁菁[5]（2015）等分析歸納了P2P網(wǎng)貸的信用評(píng)估指標(biāo)、評(píng)估方法以及其未來(lái)的研究趨勢(shì)，指出應(yīng)將貸款人的網(wǎng)絡(luò)行為引入其個(gè)人信用評(píng)估的過(guò)程中，對(duì)其進(jìn)行信用評(píng)級(jí)。

當(dāng)前研究信用風(fēng)險(xiǎn)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(lái)分析商業(yè)銀行信用，證明其具有很強(qiáng)的識(shí)別預(yù)測(cè)和推廣能力，是分析商業(yè)銀行信用風(fēng)險(xiǎn)的有效工具。孫清和汪祖杰[7]（2006）通過(guò)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(xiǎn)程度。龐素琳[8]（2006）收集了106家上市公司的財(cái)務(wù)數(shù)據(jù)，建立了Logistic回歸信用評(píng)價(jià)模型，運(yùn)用SPSS軟件對(duì)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(píng)價(jià)一個(gè)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(yùn)用偏極大似然估計(jì)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(guò)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(shí)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(yàn)了Logit模型在評(píng)估我國(guó)上市公司信用風(fēng)險(xiǎn)中的準(zhǔn)確度，證實(shí)其在實(shí)際運(yùn)用中將高信用風(fēng)險(xiǎn)企業(yè)誤判為低信用風(fēng)險(xiǎn)企業(yè)的錯(cuò)誤率達(dá)到30%左右。

研究信用風(fēng)險(xiǎn)的文獻(xiàn)大多數(shù)是針對(duì)商業(yè)銀行、企業(yè)財(cái)務(wù)、國(guó)家助學(xué)貸款等機(jī)構(gòu)的分析，而對(duì)新興的校園貸違約風(fēng)險(xiǎn)的研究不多，尤其是通過(guò)建立模型來(lái)進(jìn)行具體分析的文獻(xiàn)更是極少，以報(bào)道性文章為主。因此本文借鑒前人對(duì)信用風(fēng)險(xiǎn)的模型分析的經(jīng)驗(yàn)，將logistic模型引入到對(duì)當(dāng)前的校園貸違約風(fēng)險(xiǎn)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(guò)這些研究我們將會(huì)了解到哪些學(xué)生更容易違約，哪些因素會(huì)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(lái)預(yù)測(cè)某事件發(fā)生的概率，因此早期被廣泛用于醫(yī)學(xué)檢測(cè)領(lǐng)域，檢測(cè)對(duì)象是否患病，后來(lái)又?jǐn)U展到研究企業(yè)和商業(yè)銀行的信用風(fēng)險(xiǎn)，判斷其經(jīng)營(yíng)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(duì)數(shù)變換后：

P/（1-P）為優(yōu)勢(shì)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(gè)體i（i=1，2，…，n）的違約概率的大小，若P≈0，表明違約風(fēng)險(xiǎn)較小，若P≈1，表明違約風(fēng)險(xiǎn)較大。

Xk（k=1，2，…，m）為違約風(fēng)險(xiǎn)評(píng)定過(guò)程中的影響因素，即指標(biāo)變量，βj （j=1，2，…，m）為需要估計(jì)的回歸系數(shù)。

通過(guò)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(shí)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(lái)源于對(duì)全國(guó)各高校學(xué)生使用校園貸情況的調(diào)查問(wèn)卷，調(diào)查對(duì)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(wèn)卷708份，調(diào)查對(duì)象中108人使用過(guò)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(jí)、教育背景、在校成績(jī)、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(gè)指標(biāo)引入模型，利用SPSS21.0軟件對(duì)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(gè)變量作為最終指標(biāo)，再對(duì)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(jí)，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(jī)，掛科為1，沒(méi)掛為0；家庭背景，城市為1，農(nóng)村為0。

（二） 實(shí)驗(yàn)結(jié)果分析

將樣本數(shù)據(jù)輸入SPSS21.0軟件，檢測(cè)各自變量對(duì)模型的貢獻(xiàn)率，首先可通過(guò)各變量的Score值簡(jiǎn)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(diǎn)0.05，同時(shí)性別的分值也較低，P值較大。再對(duì)這些指標(biāo)進(jìn)行單獨(dú)檢驗(yàn)，其顯著性也無(wú)法通過(guò)檢驗(yàn)，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(duì)來(lái)說(shuō)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(xiàng)變量。（見(jiàn)表1）

1.變換指標(biāo)后模型的估計(jì)結(jié)果

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

X1是年級(jí)，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(jī)，沒(méi)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(yùn)用SPSS軟件估計(jì)模型，得到表2對(duì)模型的整體性檢驗(yàn)結(jié)果：（見(jiàn)表2）

從回歸模型的整體性檢驗(yàn)來(lái)看， Hosmer 和 Lemeshow 檢驗(yàn)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(guò)計(jì)算獲得），且P值為0.917，說(shuō)明解釋變量一起對(duì)違約情況產(chǎn)生顯著性影響，即方程的總體顯著性通過(guò)檢驗(yàn)。Cox & Snell R Square和Nagelkerke R Square較高，所以模型的擬合效果也較好，對(duì)因變量違約風(fēng)險(xiǎn)具有較強(qiáng)的解釋能力。

2.模型的參數(shù)估計(jì)結(jié)果分析

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

據(jù)表，對(duì)各變量的顯著性檢驗(yàn)可通過(guò)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(jì)的正確性，故也可以接受X1、X2的估計(jì)結(jié)果。X1的系數(shù)估計(jì)結(jié)果為負(fù)，表明隨著年級(jí)的上升，違約風(fēng)險(xiǎn)越來(lái)越小，學(xué)生的償債能力越來(lái)越強(qiáng)。X2、X3、X4及X5的系數(shù)估計(jì)結(jié)果均為正，表明隨著學(xué)生院校級(jí)別的下降，違約風(fēng)險(xiǎn)逐漸升高。掛科的學(xué)生違約的概率高于沒(méi)掛科的學(xué)生，貸款期限越長(zhǎng)，貸款金額越大，則違約的風(fēng)險(xiǎn)也會(huì)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(xiǎn)預(yù)測(cè)時(shí)，若得出的結(jié)果P<50%，則違約風(fēng)險(xiǎn)較低；若P>50%，則違約風(fēng)險(xiǎn)較大。

3.模型的預(yù)測(cè)能力檢驗(yàn)

通過(guò)運(yùn)行SPSS可以對(duì)模型的預(yù)測(cè)能力進(jìn)行檢驗(yàn)，如表4所示：

表4 Logit回歸模型的分類預(yù)測(cè)

已觀測(cè) 已預(yù)測(cè)

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(jì)百分比 91.7

a. 切割值為 .500

表4給出了Logit模型對(duì)108個(gè)樣本是否違約的分類情況，實(shí)證研究表明，Logit回歸模型對(duì)大學(xué)生使用校園貸的違約情況的預(yù)測(cè)能力較強(qiáng)。第一類錯(cuò)誤為2.2%，即將高違約風(fēng)險(xiǎn)學(xué)生誤判為低違約風(fēng)險(xiǎn)學(xué)生的錯(cuò)誤概率；第二類錯(cuò)誤為41.2%，即將低違約風(fēng)險(xiǎn)學(xué)生誤判為高違約風(fēng)險(xiǎn)學(xué)生的錯(cuò)誤概率。這表示該模型對(duì)于低違約風(fēng)險(xiǎn)學(xué)生判別的準(zhǔn)確率是58.8%，對(duì)于高違約風(fēng)險(xiǎn)學(xué)生判別的準(zhǔn)確率則高達(dá)97.8%。同時(shí)，該模型的總體預(yù)測(cè)準(zhǔn)確率為91.7%，可見(jiàn)模型的預(yù)測(cè)能力較強(qiáng)，在測(cè)度學(xué)生使用校園貸過(guò)程中的違約風(fēng)險(xiǎn)時(shí)具有一定的現(xiàn)實(shí)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(guò)構(gòu)造Logit信用風(fēng)險(xiǎn)度量模型對(duì)108位使用過(guò)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(gè)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(guò)顯著性檢驗(yàn)最后剔除顯著性不強(qiáng)的三個(gè)指標(biāo)，即家庭背景、性別和每月可支配金額，將剩下的五個(gè)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(cè)能力較強(qiáng)，可用于判定大學(xué)生在使用校園貸時(shí)的違約風(fēng)險(xiǎn)程度，為平臺(tái)審核學(xué)生的借貸資格提供參考依據(jù)，加強(qiáng)平臺(tái)內(nèi)部的風(fēng)險(xiǎn)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(gè)因素。學(xué)生的在校成績(jī)?cè)谀承┓矫婵赡芊从称湫庞脿顩r，學(xué)習(xí)較好的學(xué)生可能更難接受違約對(duì)自己形象和聲譽(yù)造成的影響，因此違約風(fēng)險(xiǎn)可能降低，而貸款金額過(guò)大，貸款期限過(guò)長(zhǎng)，則會(huì)使違約風(fēng)險(xiǎn)增加，因?yàn)橘J款過(guò)多增大了學(xué)生后期的還款壓力，期限過(guò)長(zhǎng)則會(huì)降低學(xué)生還款的積極性。其次是年級(jí)和教育背景，年級(jí)越低的學(xué)生，由于此前接觸信用貸款的機(jī)會(huì)不多，信用意識(shí)薄弱，在還款中更易拖欠貸款。在調(diào)查中發(fā)現(xiàn)，三本和?？圃盒５膶W(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(tái)的審核較為松懈；另一方面，這些學(xué)生的日常開(kāi)銷更大，消費(fèi)攀比之風(fēng)盛行，因此提高了違約風(fēng)險(xiǎn)。

（二）建議

1.平臺(tái)應(yīng)完善內(nèi)部風(fēng)險(xiǎn)防控系統(tǒng)，建立風(fēng)險(xiǎn)預(yù)警機(jī)制?？赏ㄟ^(guò)引入Logit信用風(fēng)險(xiǎn)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(shí)應(yīng)充分了解學(xué)生的信息，并對(duì)其信息進(jìn)行嚴(yán)格保密，審查其真實(shí)性和可靠性，并將一些信息數(shù)據(jù)化，代入風(fēng)險(xiǎn)測(cè)量模型中，用數(shù)據(jù)來(lái)分析學(xué)生的資信狀況，從而減少判定過(guò)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(duì)貸款對(duì)象進(jìn)行篩選。一般來(lái)說(shuō)，低年級(jí)的學(xué)生貸款金額不宜太高，因?yàn)樗麄兊男庞靡庾R(shí)薄弱；對(duì)于掛科較多，在校成績(jī)十份欠佳的學(xué)生，貸款審核中要更為謹(jǐn)慎，對(duì)其資信情況要有更全面的了解。其次，無(wú)論針對(duì)哪類學(xué)生，貸款期限都不宜太長(zhǎng)，貸款金額也應(yīng)控制在較低限度，以免學(xué)生負(fù)債過(guò)多，最后無(wú)力償還。

3.違約帶來(lái)的將是高額的違約金和加倍的利率，因此學(xué)生在貸款時(shí)一定要清楚自身的處境，對(duì)自身的信息進(jìn)行一個(gè)預(yù)先審核，確保自己能及時(shí)還款的情況下再使用校園貸，且不到萬(wàn)不得已時(shí)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(shí)養(yǎng)成良好的理財(cái)和消費(fèi)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(guó)教育經(jīng)濟(jì)學(xué)學(xué)術(shù)年會(huì)論文集，2010，12.

[3]廖茂忠，沈紅.國(guó)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(guó)家助學(xué)貸款違約風(fēng)險(xiǎn)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(gè)人信用評(píng)估[J].財(cái)經(jīng)視線，2015 （31）.

[6]李萌.Logit模型在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)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(xiǎn)識(shí)別中的應(yīng)用[J].南京審計(jì)學(xué)院學(xué)報(bào)，2006，8.

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

[9]宋榮威.貸款風(fēng)險(xiǎn)度量的Logit模型檢驗(yàn)[J].電子科技大學(xué)學(xué)報(bào)，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(shí)踐與認(rèn)識(shí)，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(guó)上市公司信用風(fēng)險(xiǎn)評(píng)估研究[J].中南財(cái)經(jīng)政法大學(xué)學(xué)報(bào)，2011，9.