1．目的及意义

P2P也称为个人对个人贷款，允许个人在基于互联网的平台上直接贷款或相互借贷，而无需传统的金融中介的介入，它具有门槛低，使用快捷，利润高等特点，然而，它同样存在着许多问题，如平台出现的跑路、倒闭现象，对于中小型企业以及平台投资者来说最重要的一点在于平台存在着很大的信用风险，又因为借款人是交易过程中风险发生的主要因素，因此对借款人的信用风险评估显得尤为重要。大学生作为一个具有良好价值观的群体，具有良好的信誉，但是恶性网贷事件却在大学生身上频发，说明大学生对P2P网贷这种新型的贷款方式不够了解，也说明网贷平台缺乏科学性规范性的风险评估体系去限制不良贷款，而传统的商业银行信用风险评估体系并不适用于大学生这一群体，因此一个针对大学生可靠的风险评估体系^[1]就显得尤为重要。

本文通过研究大学生网贷情况，运用统计学的基本原理与方法，在综合考虑借款人的基本信息、履约能力、借款产品、信用历史以及在校情况下的影响因素^[2]，建立大学生网贷信用风险评价指标体系^[3]，并基于相关指标数据，建立回归模型以提取影响大学生网贷违约率的指标^[4]，最后建立信用风险评级模型，并根据判别结果为平台投资者以及借款人提出相应的建议意见。

P2P网贷作为一种新型的金融模式，引起了广泛关注，学术界以及金融专家都对其进行了系列研究，在于个人信用风险评价指标体系的建立上有了较成熟的理论。Cinca等^[5]分析了影响违约率的主要因素，他们从贷款目的、年收入、当前住房情况、信用记录和债务方面，通过Logistic回归预测违约，进而找出最具预测性的违约因素。Riza等^[6]发现信用等级、债务收入比、FICO得分在贷款违约中起着重要作用。钱舒婷和王刚贞^[7]将评价借款人信用的指标分成借款信息、借款人资产、借款人职业、借款人基本信息、借款历史表现等5大类，利用层次分析法建立借款人信用递阶层次模型，分析得出借款人信息影响最大，借款人历史表现影响最小。朱文倩^[8]通过描述性统计分析以及K-means聚类研究，将借款人的信用情况划分为五个等级，后又对其进行判别分析，发现借款人的年龄、收入、工作年限、房产和逾期次数对分类影响较大。张冉^[9]通过建立组合模型，运用随机森林以及Logistic回归预测选取借款人的有效预测指标，并将这些指标作为输入变量代入神经网络模型，对单一模型进行适当的组合，得到精确度较高的个人信用风险评价模型。

对于大学生网贷问题的研究，国外学者主要分析互联网金融下影响大学生网贷的因素以及存在的问题，通过分析给出相应的解决措施。Han等^[10]通过对大学生消费需求、消费习惯、消费方式以及消费金额做了详细研究，指出相比于传统的商业银行，中小金融机构通过互联网金融在开展小额信贷业务上具有灵活和成本上的比较优势，有助于满足大学生的消费需求。Ionescu等^[11]通过建立大学投资模型，发现较高的政府借款限额会增加大学投资，但会导致私人市场更多违约学生贷款，而学费减少会增加大学投资并降低私人市场的违约率，因此，对政府学生贷款的上限有较小的负面福利效应，而学费补贴则会增加总体福利。国内学者对大学生网贷进行研究的包括，邓秀焕^[12]通过对大学生网络贷款数据搜集，利用非均衡样本，采用两种不同的算法进行建模，为大学生网贷提供很好的实用价值，进而为大学生网贷行为提供了理论依据。高姗姗和储莎莎^[13]通过分析大学生网贷的金融风险以及技术风险，建立了一系列的信用风险评估体系，并且通过设计风险评估模型对研究结果进行验证。

由此可以得到，国内外关于大学生网贷的相关研究主要包括对于大学生网贷现状以及未来发展的分析，缺少对大学生网贷信用风险评价模型以及大学生贷款违约的相关研究^[14-25]，本文通过对大学生网贷情况的研究建立大学生网贷信用风险评价指标体系并分析大学生网贷违约的影响因素。

{title}

2. 研究的基本内容与方案

{title} (1) 选取网贷平台的大学生网贷数据作为研究样本，通过查阅相关文献确定基本信息、履约能力、借款产品、信用历史、在校情况下的评价指标，构建大学生网贷信用风险评价指标体系；

(2) 基于信用风险评价指标体系，搜索与违约行为相关数据，数据来源于网贷平台，对获取的数据进行量化处理以适应模型的需求；

(3) 利用Lasso-logistic回归模型，构建信用风险评级模型，筛选出影响大学生违约的指标因素；