影响消费的因素(大学生消费现状调研报告)

来源：《金融市场研究》2023年3月刊

作者：中债资信评估有限公司ABS团队

内容摘要

作为信用风险相对较高的零售类贷款，消费贷款近年来资产质量的变化广受关注。本文基于对银行间消费贷ABS项目情况的全面掌握，使用约663万笔消费贷款的真实表现数据，运用样本分布特征分析和logistic回归模型验证两种途径，从借款人和贷款两个维度探究影响消费贷款违约的风险因素，并就商业银行和消费金融公司两种类型进行对比，从而得出各风险因素的影响显著性、影响程度等相关结论，以期为投资人识别消费贷款的信用风险提供有益参考。

关键词：消费贷款 违约 资产支持证券

引言

近年来，我国消费贷款[1]规模快速增长，形成以商业银行、持牌消费金融公司和其他非持牌机构为主的面向不同群体的多层次消费金融服务体系。与此同时，消费贷资产支持证券（ABS）也已成为信贷ABS市场的主流产品之一，广受投资者关注。消费贷款作为纯信用类贷款，与房贷、车贷等抵押类消费性贷款相比，其违约率呈现出更大的波动性。此次疫情期间，相较于其他信贷ABS产品，存续消费贷ABS的逾期率在2月跳升明显，于近期开始回落；同时累计违约率上升趋势较存续住房抵押贷款支持证券（RMBS）和车贷ABS产品更为明显（图1）。

图1 2023年存续零售类ABS实际累计违约率及消费贷ABS逾期率

数据来源：受托报告，中债资信整理。

鉴于近年来消费贷款资产质量下滑的现状，以及借款人差异较大导致的消费贷款信用风险较难辨别，本文使用约663万笔消费贷款的真实表现数据，运用样本分布特征分析和logistic回归模型验证两种途径，从借款人和贷款两个维度探究影响消费贷款违约的风险因素，并就商业银行和消费金融公司两种类型进行对比，从而得出各风险因素的影响显著性、影响程度等相关结论，以期为识别消费贷款的信用风险提供有益参考。

一、样本数据选取和分析模型基础

（一）样本数据选取

本文选取商业银行和消费金融公司的贷款真实表现数据，总体样本数据合计约663万笔贷款，其中违约贷款[2]数据约为162万笔，违约贷款笔数占比为24.47%。

由于客户资质、业务模式的差异，消费金融公司和商业银行消费贷款的违约率表现存在较大差异。本文使用的总体样本中，消费金融公司的数据中违约贷款笔数为40.5%，而银行仅为2.0%；违约样本中，消费金融公司贷款占比96.7%。因此，针对两种类型的发起机构表现差异较大的影响因素，本文会在下述分析中进行区分。

（二）分析模型基础

国内外用于研究贷款违约率的统计学工具主要包括主成分分析、Bayes判别分析和logistic回归分析等，其中logistic回归是一种广义的线性回归分析模型，适用于分析违约与影响因素的直接联系，被广泛运用于违约概率相关研究。该模型限制条件较少，不需要对变量做限制性假设，使用准确性高的最大似然法计算估计量，并且可以直观地说明在其他变量固定不变的情况下，每个自变量对因变量取某一值的概率的影响程度大小。故本文选用logistic回归模型研究消费贷款的违约影响因素，以研究在其他变量固定不变的情况下，每个自变量对消费贷款违约概率的影响大小。

二、样本统计和模型结果分析

影响消费贷款违约的因素包括宏观和微观层面的诸多指标，比如宏观层面的经济增速、失业率、物价水平等；微观层面的金融机构获客模式、消费用途、借款人信用风险水平等；而这些因素会体现在贷款的期限、金额、客群等方面。比如，线下获客的消费贷款一般贷款期限相对较长、金额相对更大；消费用途方面，家装、旅游等用途的贷款金额较大，电子产品、家电等用途的贷款金额较小、客群则年轻人较多等。

结合上述分析，并考虑到指标的可量化性、数据的可获取性，本文基于样本数据质量和消费贷款的真实表现，主要对借款人特征（年龄、性别、收入、职业等）和贷款特征（利率、期限、金额等）这两个微观层面影响违约率的因素进行探究。

（一）借款人特征因素

1、男性借款人的违约率高于女性

通常而言，男性和女性在就业情况、消费习惯、履约意识、风险偏好等方面存在一定的差异，从而导致性别对违约可能有一定的影响。总体样本中，男性借款人占比高于女性，一定程度上说明相较于女性，男性对超前消费的接受程度更高；违约样本中，男性借款人占比也高于女性。从违约贷款笔数占比来看，男性借款人同样高于女性，均体现出男性借款人的违约率高于女性。

从模型结果来看，性别对贷款违约有显著性影响，且女性违约概率约为男性借款人的78.1%。

2、违约率在年龄中的分布呈现U形，30-50岁的借款人违约率相对更低

通常而言，不同年龄阶段的借款人还款能力和还款意愿可能有所差异。比如，年轻人尚未形成良好的消费观念，可能通过消费贷款超前消费、过度消费，同时年轻人收入相对较低，还款能力和还款意愿相对较低，违约风险相对较高；中年人收入相对较高且较稳定，考虑问题更加全面，面对风险可能相对谨慎，还款能力和还款意愿相对较高，违约风险相对较低；而老年人面对风险相对较为保守，但收入也急剧下降，还款能力相对较低，违约风险相对较高。

总体样本中，30岁以下借款人占比最高，其次为30—40岁，一定程度上说明40岁以下的借款人对超前消费的接受程度更高；同时也说明随着年龄的增加，借款人的财富慢慢累积，消费习惯也趋于理性。违约样本中，各年龄段占比与在总体样本中的占比基本一致。同时，各年龄段违约贷款笔数占比呈现U形，其中30—40岁以及40—50岁的借款人违约率均低于总体样本的平均水平。

模型结果显示，年龄对贷款违约有显著性影响，且同样呈现U形，30岁以下借款人相比对照组50岁以上借款人相对违约概率高12.1%，而30—50岁借款人比50岁以上组低约7.5%。

消费金融公司的客户群体更年轻，30岁以下借款人的违约率相对更高。商业银行和消费金融公司的样本数据中均有80%左右的借款人年龄在40岁以下，但消费金融公司的客户群体更为年轻，30岁以下客户占比高达51.8%，高于商业银行的42.5%。商业银行样本数据中各年龄段的违约贷款笔数占比依次分别为2.1%、1.9%、1.8%和1.7%，各年龄段表现相差不大；而消费金融公司的分别为43.8%、37.5%、36.2%、37.0%，30岁以下的借款人违约率明显较高。

3、整体而言，借款人收入越高，违约率越低；中等收入借款人的违约率最高。

通常而言，借款人收入越高，借款人的还款能力越强，出现违约的概率相对越小。总体样本[3]中，大多数借款人处在中等收入[4]区间，高收入和低收入人群均较少。违约样本中，各收入群体占比与在总体样本中的占比基本一致。就违约贷款笔数占比而言，除低收入组外，借款人收入越高，违约率越低。

低收入组呈现的违约率低，究其原因，一方面由于该组样本量少，数据体现出的规律待商榷；另一方面说明金融机构在对低收入借款人授信时更为谨慎，对其信用资质要求更高；从商业银行和消费金融公司分别来看，低收入借款人在商业银行样本中违约率（0.7%）远低于消费金融公司（40.3%）。

模型结果与上述统计特征分析所体现出的规律基本一致，借款人收入对贷款违约有显著影响，且高收入区间的违约概率最低，较高收入的违约概率为高收入的1.54倍，中等收入区间的违约概率为高收入的1.97倍，低收入的违约概率为高收入的1.75倍。

4、未婚借款人违约率高于已婚借款人

通常而言，已婚借款人收入相对较稳定且在面临相关决策时更为谨慎，借款人的还款能力和还款意愿相对越高，出现违约的概率相对较小。总体样本[5]中，已婚占比最高，可能因为已婚人群家庭支出相对较高，因此对消费贷款的需求相对较大。违约样本中，已婚借款人占比略高于未婚借款人；但未婚借款人的违约贷款笔数占比高于已婚借款人。

模型结果显示，婚姻状况对贷款违约有显著影响，但是其显著性相较于其他变量更低；未婚的违约概率略高于已婚，约为后者的1.05倍。须注意的是，由于婚姻状况是含有缺失值最多的变量，模型分析中将缺失值均归入“其他”分类，因此模型所体现出的规律尚需数据积累后再商榷。

（二）贷款特征因素

1、违约率随合同期限的增加呈现先升后降的形态

通常而言，贷款的期限越长，不确定性越大，借款人的违约风险越高。总体样本和违约样本中，合同期限12月以下的贷款占比均为最高；违约贷款笔数占比随合同期限的增加呈现先升后降的形态（图2）。其中18个月以上的贷款违约率低，一方面是因为期限较长的贷款主要以线下渠道方式进行获客，而线下获客的贷款违约率通常低于线上；另一方面说明金融机构在授信时会根据借款人信用资质调整贷款期限，资质好的借款人更容易获得长期限的贷款。

从模型结果来看，贷款期限对贷款违约有显著性影响，且呈负相关，但相对变化较小。贷款期限每增加一个月，相对违约概率下降约0.5%。

图2 贷款期限与违约率的关系

2、违约率随合同金额的提升而降低

通常而言，贷款的金额越大，借款人的还款压力越大，借款人的违约风险越高。总体样本中，合同金额在3500元以下的贷款占比最多，3500-9000元和9000元以上贷款占比相近；但在违约样本中，合同金额在3500元以下的贷款占比远高于后两者；相应的，合同金额在3500元以下的贷款中，违约贷款笔数占比最高，违约率随着合同金额的提升而降低。合同金额大的贷款违约率低的原因与上述合同期限的分析基本相似，即金额较大的贷款主要以线下渠道方式进行获客，而线下获客的贷款违约率通常低于线上。

模型结果与上述统计特征分析所体现出的规律基本一致，贷款合同金额对贷款违约有显著影响，且呈负相关；合同金额每上升1000元，相对违约概率下降8.4%。

3、商业银行和消费金融公司贷款利率分布差异较大，分别来看，违约率与利率高低成正比

通常而言，不同机构面对的客群不同，其要求的风险定价也不同；违约风险越高的人群，需要的风险定价越高。总体样本和违约样本中，利率为21%-24%区间的贷款占比最高（图3），主要因为样本中消费金融公司数据较多，且消费金融公司的消费贷款利率和违约贷款笔数均高于商业银行。

图3 利率与违约率的关系

考虑到两类机构的利率分布差异性较大，因此对其进行分别的样本统计分析。其中，消费金融公司的贷款利率主要集中在21%以上，且利率21%-24%区间内的违约贷款占比明显高于利率21%以下的区间（图4）。商业银行的贷款利率主要集中在9%以上，且该区间内的违约贷款占比明显高于其他区间（图5）。

模型结果显示，总体来看，贷款利率对贷款违约有显著性影响，且呈正相关；年利率每上升1%，相对违约概率上升12%。但是分机构类型来看，商业银行模型中利率对违约率的影响幅度远大于消费金融公司模型。商业银行模型中，利率每提高1%，相对违约率提升约51.2%，而消费金融公司模型中仅提高约0.4%，主要由于消费金融公司各利率区间贷款的违约贷款占比水平均较高，相对差异较小，而商业银行各利率区间的消费贷款虽然违约贷款占比水平均较低，但各区间的违约表现差异较大。

图4 消费金融公司贷款利率与违约率的关系

图5 商业银行消费贷款利率与违约率的关系

三、模型预测效果的检验

为了考察模型对目标结果分类的准确程度，使用ROC曲线和AUC值衡量TPR和FPR[6]之间的关系。本文模型的目标是识别出违约的借款人，即希望能够使TPR尽量地大，而FPR尽量地小。ROC曲线下方的面积（AreaUnder Curve, AUC）在[0.5,1]间取值，能够反应模型的预测能力。一般认为AUC>0.75的模型有一定的预测能力。本文模型的AUC值为0.781，模型有一定的预测能力（图6）。

图6 ROC曲线

四、结论和局限性

基于总体数据，并采用上述样本统计分析和模型检验的两种方式，本文得出如下结论。

本文所验证的借款人因素均对贷款违约有显著性影响，其中婚姻状况的显著性相对略低；不同收入区间的相对违约概率差别最大，地区、性别和年龄次之。借款人各因素中（包括性别、年龄、收入、婚姻状况和地区），婚姻状况对贷款违约影响的显著程度相对其他因素略低，可能与该变量缺失值较多有关，尚需数据积累后再商榷。不同收入区间违约概率的最大差异为97.1%（即中收入区间对贷款违约的影响程度是高收入区间的1.97倍），不同地区的最大差异为34.8%，而性别和年龄的则分别为21.9%和12.1%。

本文所验证的贷款特征因素均对贷款违约有显著影响，但影响程度略有不同，其中利率对违约概率的影响程度最大。模型结果显示，贷款期限的每单位变动带来的违约率变动很小，仅为0.5%，贷款金额方面为8.4%，而利率方面则为12.1%。利率对违约率的影响程度最大，也反向说明机构在发放贷款时，对借款人的信用资质评定结果主要体现在定价方面。

合同期限较长的贷款和金额较大的贷款，呈现出相对较低的违约率。金融机构消费贷款包含两种常见的自主获客渠道，即线下和线上方式，其中线下获客相较于线上，可获取更多、更真实的客户信息，对客户信用风险的判断更准确，因此高授信额度和长合同期限的比例更大，同时该部分客户的信用水平较好，违约率也相对更低。

消费金融公司相较于商业银行，客群更年轻、收入更低；贷款利率和违约率更高。从样本统计分析结果来看，消费金融公司的借款人在30岁以下和低、中等收入区间的占比更高，同时贷款利率分布区间和违约率水平均远高于商业银行。

最后，因数据的可得性及数据质量等问题，本文存在一定的局限性。一是金融机构发放贷款时已根据借款人的相关信息对借款人的信用资质进行判定从而确定具体的授信方案，可能会导致部分因素对违约的影响与理论情况存在差异。二是本文可获取的数据主要来源于消费贷ABS的跟踪资产池和抽样静态池，为筛选或抽样之后的贷款样本，可能与整体贷款的表现存在一定差异，因此可能导致部分因素对违约的影响显著性不明显。三是本文可获取的数据字段以及获取字段的完备性、准确性存在一定的局限性，可能影响研究结论。

附注：

[1]本文消费贷款泛指担保方式为信用的信用卡贷款和消费性贷款。

[2]本文消费贷款违约指逾期90天以上。

[3]剔除收入字段空白数据后。

[4]本文参照国家统计局的划分标准对借款人收入各阈值进行划分。

[5]剔除婚姻字段缺失数据后。

[6] TPR指正确将违约样本预测为违约样本的概率（True PositiveRate, TPR，真阳性率），FPR指将未违约样本预测为违约样本的概率（False PositiveRate, FPR）。

参考文献：

[1] AustinMurphy, An empirical analysis of the structure of credit risk premiums in theEurobond market[J]. Journal of International Money and Finance, 2003.

[2] 程建,连玉君,刘奋军.信用风险模型的贝叶斯改进研究[J].国际金融研究,2009(1).

[3] 程天笑,闻岳春.融资融券业务个人客户违约概率计量研究[J].金融研究,2016(4).

[4] 冯蕾,董继刚.基于logistic模型商业银行借款企业违约概率的度量——以制造业上市公司为例[J].金融教育研究,2016(11).

[5] 于立勇,詹捷辉.基于Logistic回归分析的违约概率预测研究[J].财经研究,2004(9).

声明

本报告由中债资信评估有限责任公司（China Bond Rating Co.,Ltd）（简称“中债资信”，CBR）提供，本报告中所提供的信息，均由中债资信相关研究人员根据公开资料，依据国际和行业通行准则做出的分析和判断，并不代表公司观点。本报告中所提供的信息均反映本报告初次公开发布时的判断，我司有权随时补充、更正和修订有关信息。报告中的任何表述，均应从严格经济学意义上理解，并不含有任何道德、政治偏见或其他偏见，报告阅读者也不应从这些角度加以解读，我司及分析师本人对任何基于这些偏见角度理解所可能引起的后果不承担任何责任，并保留采取行动保护自身权益的一切权利。

本报告内容仅供报告阅读者参考，一切商业决策均将由报告阅读者综合各方信息后自行作出。在任何情况下，我司及分析师对任何机构或个人因使用本报告所引发的任何直接或间接损失不承担任何法律责任。

本报告版权归中债资信评估有限责任公司所有，未经许可任何机构和个人不得以任何形式翻版、复制和发表。如为合理使用的目的而引用本报告中的定义、观点或其他内容或刊发本报告，需注明出处为中债资信评估有限责任公司，且不得对本报告进行有悖原意的引用、删节和修改。我司对于本声明条款具有修改和最终解释权。

持中守正

秉真而立