第四章 實證結果
第二節 變數分析
組成之虛擬變數(dummy variable)，並將日期型態變數轉換為以月為單位之期間 (epoch)。轉換後變數共計 49 個，表 7 顯示各變數與目標變數間之相關係數。
表7 最佳變數與目標變數之相關係數
Attributes loan_status Attributes loan_status
debt_settlement_flag = Y 0.354 purpose = renewable_energy 0.001
total_rec_late_fee 0.145 tot_coll_amt 0.001
acc_open_past_24mths 0.117 home_ownership = OWN 0.000
inq_last_6mths 0.081 home_ownership = ANY 0.000
purpose = debt_consolidation 0.034 disbursement_method = Cash -0.027
num_actv_bc_tl 0.030 issue_d -0.029
disbursement_method = DirectPay 0.027 purpose = credit_card -0.030
purpose = small_business 0.021 revol_bal -0.031
num_il_tl 0.018 annual_inc -0.037
delinq_2yrs 0.014 max_bal_bc -0.052
collections_12_mths_ex_med 0.013 mo_sin_old_rev_tl_op -0.057
open_act_il 0.013 home_ownership = MORTGAGE -0.064
num_accts_ever_120_pd 0.011 term = 36 months -0.076
num_tl_90g_dpd_24m 0.009 verification_status = Not Verified -0.079
total_bal_il 0.008 last_credit_pull_d -0.218
purpose = house 0.007 last_pymnt_amnt -0.249
purpose = moving 0.005 last_pymnt_d -0.284
verification_status = Source Verified 0.004 debt_settlement_flag = N -0.354
purpose = medical 0.002
本研究將借款人提供之資料分為個人資訊及信用紀錄兩類分析如下：
一、 個人資訊變數分析
表 7 中貸款期間(term)為 60 個月與貸款違約(loan_status)呈現正相關(0.076)，
反之，期間為 36 個月呈現負相關(-0.076)，與 Dorfleitner & Oswald(2016)結果一 致，貸款期間愈長借款人違約風險愈大。而借款人年收入(annual_inc)愈高，貸款 違約風險愈低(相關係數為-0.037)，另外，借款人自行報告之年收入是否經過驗證 (verification_status)，結果發現有經過驗證之年收入(verification_status=Verified、
verification_status =Source Verified)皆呈現正相關(0.074、0.004)，反之，無經過驗 證之年收入(verification_status=Not Verified)呈現負相關(-0.079)，與預期不符，這 或許反映貸款機構進行貸款審核時，對於風險較高之借款人才進行驗證，該類風 險較高者之違約風險自然較高。
借 款 人 申 請 貸 款 目 的 (purpose) 各 演 算 法 皆 有 選 出 ， 其 中 債 務 整 合 (debt_consolidation)與小型企業貸款(small_business)與貸款違約之間有較高的正 相關(0.034、0.021)，而信用卡(credit_card)與房屋裝潢(home_improvement)則有負 相關(-0.03、-0.019)。其中債務整合或屬再融資，表示借款人利用所貸款之資金進 行其他債務還款，實質上只是將債務移轉至 Lending Club，但還款狀況可能不佳。
而小型企業貸款資金用途廣，本身風險較高，與預期相符。另外，借款人將所貸 款之資金繳付信用卡則違約風險較低，根據 Financial Advisory 統計，美國信用卡 循環利率平均為 6.9%至 23.9%，而 Lending Club 貸款利率平均為 12.74%，客戶 可有效降低利息支出。最後將貸款資金運用在房屋裝潢未來有較低之違約風險，
或許反映有房屋資產者，會違約風險的可能性相對較低。
二、 個人信用紀錄之變數分析
表 7 顯示借款人 曾有債務清算(debt_settlement_flag=Y) 呈現最高正相關 (0.354)，反之，無債務清算者(debt_settlement_flag=N)呈現負相關(-0.354)，表示 借款人只要有被債務清算之紀錄，貸款違約風險可能極高
。
另一變數為借款人每 月總債務償還金額(不包括房貸及 Lending Club 貸款)除以月收入之比率(dti)呈現 正相關(0.075)，借款人每月償還金額愈接近月收入時，償債能力愈低，而導致違約風險上升，顯示每月償還金額占所得比過多之借款人較不適合再提供貸款。
此外，借款人之房屋持有狀況為租賃(home_ownership=RENT)呈現正相關 (0.066) ， 表 示 無 資 產 之 借 款 人 違 約 風 險 高 ， 而 房 屋 持 有 狀 況 為 抵 押 貸 款 (home_ownership= MORTGAGE)呈現負相關(-0.064)，雖然借款人有抵押房屋貸 款，但意味其已有一定的信用條件，因此貸款違約風險較低。
而借款人在過去 24 個月開戶次數(acc_open_past_24mths)、6 個月內信用被 查詢之次數(inq_last_6mths)、個人財務被查詢次數(inq_fi)過多，違約機率將會提 高(相關係數為 0.117、0.081、0.064)，表示借款人在短時間內開立太多帳戶可能 會有洗錢的疑慮，又或者借款人可能在其他多個管道進行申貸 (當借款人進行貸 款申請時被婉拒，在短時間內又重複申請，表示資金需求迫切)，因而違約風險會 相對較高，與預期結果相符。
最後，借款人之貸款帳戶循環使用率(revol_util)愈高、貸款帳戶循環使用餘 額(revol_bal)愈低，且所有循環帳戶中積欠的最大餘額(max_bal_bc)愈低及最早開 立循環帳戶的時間(mo_sin_old_rev_tl_op)愈早，貸款違約風險高(相關係數為 0.037、-0.031、-0.052、-0.057)，表示借款人已有高度循環使用之其他貸款，可能 無法再負擔多餘之貸款，貸款機構可考慮不再放貸給該類借款人，進而降低貸款 違約風險。
另外值得一提的是在表 7 中也顯示貸款發生後的相關資訊，顯示距離上次繳 款時間(last_pymnt_d)愈近以及償付之金額(last_pymnt_amnt)愈多，借款人愈不會 違 約 ( 相 關 係 數 為 -0.254 、 -0.249) ， 反 之 ， 借 款 人 延 遲 付 款 且 產 生 滯 納 金 (total_rec_late_fee)愈多，貸款違約風險就愈大(相關係數為 0.145)，這與常理相符。
最後，表 7 顯示 Lending Club 最近一個月查詢信用狀況的時間(last_credit_pull_d) 愈近，違約風險會降低(相關係數為-0.218)，由於此變數樣本相當不平衡(絕大部 分在 2019 年 1 月被查詢)，本研究不予分析。
綜合上述，本研究研究結果顯示貸款期間、年收入、貸款目的、是否曾有債 務清算、債務所得比率、房屋持有狀況、過去 24 個月開戶次數、6 個月內信用被 查詢次數、貸款帳戶循環使用率、貸款帳戶循環使用餘額、循環帳戶中積欠的最
大餘額、最早開立循環帳戶時間及個人財務被查詢次數為影響貸款違約主要變 數，而過去也有許多學者同樣使用 Lending Club 數據尋找影響違約的因素，雖然 過去研究多僅對部分變數進行分析，但結果與本研究仍有一定相同處，例如，
Emekter et al.(2015)發現信用等級、債務所得比率、FICO 分數和循環額度影響借 貸違約最為關鍵；而 Jin & Zhu(2015)則發現貸款期間、年收入、貸款金額、債務 所得比率、信用等級和循環額度為貸款違約的決定因素。