影响上班族贷款金额的主要因素分析

本文是基于“融360”身价计算器测试数据以及相关结果进行的分析,用于探索目前国内个人信贷主要的影响因素。

Part 1 影响因素初步统计分析

1.就职公司类型【Company Type】

  • 贷款额度的偏好顺序为: 公务员/事业单位 > 大型垄断企业 > 世界500强 > 上市公司 > 普通企业

  • 结合我国社会现状,这一偏好顺序主要是考虑到工作的稳定性以及借贷人违约信用成本的高低

2. 职位【Position】

  • 贷款额度的偏好为:公司法人 = 高层领导/处级 > 中层领导/科级 > 员工/干部

  • 其他变量保持一致时,公司法人及高层领导/处级在贷款额度上没有差异

  • 这一偏好顺序主要是基于贷款人的收入和还款能力

3.工龄(在当前单位)【Seniority】

  • 其他变量保持一致时,工龄6-11个月、4-7年以及7年以上在贷款额度上没有差异。

  • 贷款额度的偏好为:1-3年 > 6-11个月 = 4-7年 = 7年以上 > 3-5个月 > 3个月以下

  • 对1-3年的绝对偏好是基于贷款人的贷款需求、工作稳定性及收入都较高。

4.户籍【Census Register】

  • 拥有上海本地户籍的贷款人会比外地户籍获得更多的贷款额度,一线城市的户籍在一定程度上综合代表了还款能力和贷款需求

5.房产类型【House Property Type】

  • 其他变量保持一致时,无房产、经济/限价房、房改/危改房、小产权房、宅基地/自建房及军用房这五类房型在贷款额度上没有差异;商铺和商住两用的房产获得的贷款额度一致;办公楼和厂房的贷款额度也没有差异。

  • 贷款额度的偏好为:商品住宅 > 商铺 = 商住两用 > 办公楼 = 厂房 > 无房产 = 经济/限价房 = 房改/危改房 = 小产权房 = 宅基地/自建房 = 军用房

  • 这一偏好顺序是基于房产本身是否便于进行抵押贷款。


Part 2 回归模型——分析各个因素对贷款金额大小的解释作用

1.主要变量说明

变量名 变量性质 变量说明
lnvalue 因变量 贷款金额的对数值
lnincome 自变量 每月银行卡内工资金额的对数值
d_user_posi~1 控制变量 代表职位的虚拟变量,公司法人、高层领导\处级=1,其他=0
d_user_posi~3 控制变量 代表职位的虚拟变量,中层领导\处级=1,其他=0
d_user_posi~4 控制变量 代表职位的虚拟变量,员工/干部=1,其他=0,由于多重共线性在模型中被自动省略
d_company_t~1 控制变量 代表公司类型的虚拟变量,公务员/事业单位=1,其他=0
d_company_t~2 控制变量 代表公司类型的虚拟变量,大型垄断企业=1,其他=0
d_company_t~3 控制变量 代表公司类型的虚拟变量,世界500强=1,其他=0
d_company_t~4 控制变量 代表公司类型的虚拟变量,上市公司=1,其他=0
d_company_t~5 控制变量 代表公司类型的虚拟变量,普通企业=1,其他=0,由于多重共线性在模型中被自动省略
d_col_type1 控制变量 代表房产类型的虚拟变量,无房产、经济/限价房、房改/危改房、小产权房、宅基地/自建房、军产房=1,其他=0
d_col_type2 控制变量 代表房产类型的虚拟变量,商品住宅=1,其他=0
d_col_type3 控制变量 代表房产类型的虚拟变量,商铺/商住两用=1,其他=0
d_col_type4 控制变量 代表公司类型的虚拟变量,办公楼/厂房=1,其他=0,由于多重共线性在模型中被自动省略
d_user_work~1 控制变量 代表工龄的虚拟变量,小于3个月=1,其他=0
d_user_work~2 控制变量 代表工龄的虚拟变量,3-5个月=1,其他=0
d_user_work~3 控制变量 代表工龄的虚拟变量,6-11个月、4-7年、7年以上=1,其他=0
d_user_work~4 控制变量 代表工龄的虚拟变量,1-3年=1,其他=0,由于多重共线性在模型中被自动省略
d_user_nati~1 控制变量 代表户籍的虚拟变量,本地户籍(上海)=1,其他=0
d_user_nati~2 控制变量 代表户籍的虚拟变量,外地户籍(非上海)=1,其他=0,由于多重共线性在模型中被自动省略

2. 回归模型结果

Number of observations = 47520
Adj R-squared = 1.0000

lnvalue Coef. Std. Err. t P>t [95% Conf. Interval]
lnincome 0.9999988 2.28E-08 4.40E+07 0.00 0.999999
d_user_posi~1 0.4054656 4.55E-08 8.90E+06 0.00 0.405466
d_user_posi~3 0.2623646 5.26E-08 5.00E+06 0.00 0.262365
d_user_posi~4 0 (omitted)
d_company_t~1 0.4054655 5.88E-08 6.90E+06 0.00 0.405465
d_company_t~2 0.3364719 5.88E-08 5.70E+06 0.00 0.336472
d_company_t~3 0.2623647 5.88E-08 4.50E+06 0.00 0.262365
d_company_t~4 0.0953108 5.88E-08 1.60E+06 0.00 0.095311
d_company_t~5 0 (omitted)
d_col_type1 -0.2623644 5.03E-08 -5.20E+06 0.00 -0.26236
d_col_type2 0.1431009 7.55E-08 1.90E+06 0.00 0.143101
d_col_type3 0.0741073 6.16E-08 1.20E+06 0.00 0.074107
d_col_type4 0 (omitted)
d_user_work~1 -0.318455 6.44E-08 -4.90E+06 0.00 -0.31846
d_user_work~2 -0.2006703 6.44E-08 -3.10E+06 0.00 -0.20067
d_user_work~3 -0.0953107 5.26E-08 -1.80E+06 0.00 -0.09531
d_user_work~4 0 (omitted)
d_user_nati~1 0.0953107 3.72E-08 2.60E+06 0.00 0.095311
d_user_nati~2 0 (omitted)
_cons 2.303595 2.16E-07 1.10E+07 0.00 2.303595
  • 模型的拟合度较好,自变量和控制变量的参数显著
  • 每月银行卡内的工资对贷款额度有正向影响,工资越高,可获得的贷款额度越高
posted @ 2016-04-28 15:11  稻粮谋  阅读(405)  评论(0编辑  收藏  举报