孙 梦，房启全

(浙江科技学院 理学院，浙江 杭州 310023)

0 引言

校园贷初衷是国家开发银行向学生提供助学贷款，协助贫困大学生完成学业、解决生活困难。随着互联网的普及和“互联网+”的风行，互联网与金融行业在校园内的耦合孕育出了一种新型的校园金融—校园贷。随着社会经济的纵深发展和生活水平的不断提高，大学生的消费水平也随之改变。他们在面对五花八门的校园网贷平台时，稍不防范就容易成为网贷平台的“囊中物”。由于相关法律法规方面的滞后和缺位、风险防范意识不足以及相应监管不力等原因导致大学生们掉入了校园网贷的陷阱。互联网技术发展的同时也给了非法分子钻法律空子的机会。网贷平台往往打着“低门槛”“无利息”“无担保”等一系列的口号，宣传力度大而且贷款方式五花八门，在大学校园生活中泛滥衍生。

近年来，出现了许多对校园网贷的研究成果，为杭州高校大学生校园贷的现状的调查研究提供了思路与方法。如胥青等[1-5]对校园贷乱象的危害、产生原因以及风险防范与教育引导机制等进行了较系统的阐述。吴再发[6]阐述了校园贷的危害以及如何跨越校园贷的陷阱；在赵忠亮等[7-10]中，作者对校园贷类借贷监管问题进行了研究，并就校园贷类借贷平台法律监管、贷款程序等方面提出了若干建议；王德国等[11-12]中，作者分别以青岛某高校和江苏省大学生为例，通过问卷调查,分析了大学生校园贷的现状，并探讨了问题的解决方法，并指出校园贷良好市场秩序的回归和维持需要政府等外界监管力度的增强、校园贷平台内部运行机制和管理体制的改革创新以及在校大学生法律意识和风险意识的加强。

在借鉴以上研究结果的基础上，本文基于“互联网+”大环境下，对杭州高校内校园网贷现状进行调查，在获取数据基础上，以经济情况、消费欲望、金融知识、风险意识和征信意识作为影响学生是否选择校园贷的主要因素，利用主成分分析和Logistic回归模型研究大学生校园贷的主要成因，探寻防范并遏制不良校园贷发展的对策，为各高校校园网贷现状提供规避风险的参考途径，致力于净化“互联网+”时代的校园贷生态环境，维护社会和金融市场的稳定。

1 校园网贷主要影响因素回归分析

1.1 数据来源与分析

本项目通过网上发放问卷和实地调查的方式，借助校图书馆相关资料编写调查问卷，主要从经济情况、消费欲望、金融知识、风险意识及征信意识等多方面探讨在杭高校学生校园贷的情况及成因。

2019年上半年，在杭州小和山高教园区的三所高校和一所高职校内，就“校园贷”进行了初步调查。被调查的院校包括浙江科技学院、浙江工业大学、浙江外国语学院和浙江长征职业技术学院，涵盖了省部共建双一流高校、省属重点高校、省属普通高校、省属高职院校4个层次，覆盖面较广，覆盖学校层次具有代表性，能很好地表征杭州高校校园贷状况。院校主要集中在省会杭州小和山高教园区，学校之间距离较近，方便问卷的发放与回收且能保证其有效性，都远离闹市区，校园环境比较接近。

通过线下和线上发放问卷并进行回收筛选，最终获得有效电子问卷300份和有效纸质问卷200份。问卷所涉及的问题主要为以下几类：参与度、金融知识的知晓率、消费去向、贷款额度、父母亲人知晓情况、对利息计算、还款方式的接受程度、借贷平台选择的依据和面对风险时的处置办法。对回收的有效问卷进行数据整合，针对这几个方面简要分析高校学生使用“校园贷”情况。利用主成分分析法对数据进行更为细致地处理，得出了使学生沦陷“校园高利贷”的成因有如下几点：大学生不良的消费行为、互联网技术迅速发展、校园网贷的运作流程是陷阱、法律体制不完善及社会监管不严等因素。

1.2 数据预处理

通过对数据整理，发现各个因素数据的格式及单位不统一，为使建立模型时计算机更好的识别数据，不考虑单位的转化关系，可将各类数据按照程度分为4个等级，如表1所示。

表1 变量取值范围和赋值内容

1.3 主成分分析的原理及数学模型

在运用统计方法解决实际问题时，人们常常会面对研究多个变量的问题，且在大部分情况下，多个变量之间存在某种相关性。由于变量个数多及变量之间的相关性，会增加分析解决问题的复杂性和难度。一般情况下，变量之间的相关性可以理解为变量在反映实际问题的信息时具有一定的重叠。在实际应用中，人们希望变量数较少而得到的信息较多，主成分分析法就是将事先提出的所有变量中重复的或者关系紧密的变量删去，找出尽可能少的综合变量，使得这些综合变量尽可能地代表原来变量的信息量，且两两之间互不相关[13-14]。

主成分分析法是利用线性代数技巧进行降维的统计方法，概括而言就是根据某种正交变换，将原先给出的多个变量进行线性组合，提炼出尽可能少的互不相关的新变量[14]，具体步骤如下：

(1) 原始数据标准化。

假定有n个样本，每个样本共有p个变量，构造一个n×p阶的数据矩阵：

(2) 计算相关系数矩阵。

其中rij为原始变量xi,xj的相关系数

(3) 求解相关系数矩阵R的特征根、特征向量及贡献率，找出主成分。

首先，根据特征方程det(λE-R)=0，求出特征值，并且使其按大小顺序排列：

λ1≥λ2≥…≥λp≥0;

取累计贡献率在85%～95%的特征值λ1,λ2…λm所对应的第一、第二…第m(m≤p)个主成分。

(4) 各主成分的载荷。

记x1,x2…xp为原变量指标，z1,z2…zm(m≤p)为新变量指标，则可得主成分得分函数：

1.4 主成分模型建立求解

(1) 将附件一表1中数据作标准差标准化处理，计算相关系数矩阵，如表2所示。

由表2可知：家庭月均收入X1和月消费水平X2的相关系数为0.831 5，因此解释变量之间存在多重共线性。

(2) 为了消除回归模型的多重共线性，将自变量X1～X8进行降维处理，构造原变量的一系列线性组合，使得各线性组合在互不相关的前提下尽可能多地反映原变量的信息，这些新变量称为主成分。由相关系数矩阵计算特征值以及各个主成分的贡献率与累计贡献率，如表3所示。

表2 相关系数矩阵

表3 特征值及主成分贡献率

实际应用当中，一般应选取累计贡献率≥80%的前几个主成分。由表3可知： 第一至第五主成分的累积贡献率高达85.88% (>85%)，因此可认为Z1～Z5为我们所求的主成分。根据线性关系得到主成分Zi与原始变量Xi的相关系数，其绝对值的大小刻画了该主成分的成因，体现了Xi对Zi的重要程度，如表4所示。

由表4 得，第一主成分Z1与X1,X2,X3,X5及X8呈现较强的正相关，主要代表了家庭经济情况；第二主成分Z2与X3,X6,X7及X8呈现较强的正相关，主要代表了风险意识的强度；第三主成分Z3与X1,X2,X4及X6呈现较强的正相关，主要代表了消费欲望的强度；第四主成分Z4与X3,X4及X5呈现较强的正相关，主要代表了征信意识的强度；第五主成分Z5与X6及X8呈现较强的正相关，主要代表了金融知识的掌握情况。于是以第一、二、三、四、五主成分作为自变量进行回归分析，其中第一至第五主成分的表达式分别为:

表4 主成分特征向量

Z1=0.6053X1+0.6343X2+0.2380X3-0.2838X4+0.2485X5-0.1365X6-0.0597X7+0.1007X8，Z2=-0.1493X1-0.0022X2+0.4797X3+0.1845X4+0.2303X5+0.3289X6+0.5491X7+0.5008X8，Z3=0.2958X1+0.2805X2-0.1221X3+0.2475X4-0.5827X5+0.5666X6+0.2154X7-0.2250X8，Z4=0.0048X1+0.0439X2+0.4794X3+0.6163X4+0.2495X5-0.0628X6-0.2107X7-0.5271X8，Z5=0.0040X1+0.0075X2-0.0860X3+0.1455X4+0.1703X5+0.5182X6-0.7177X7+0.3983X8。

2 Logistic回归模型

Logistic回归模型是一种概率模型，属于概率型非线性回归，是分析因变量为定性变量时常用的统计分析方法，适用于对照研究和横断面研究，且结果发生的变量必须是二分的或多项分类的，可用影响结果变量发生的自变量与因变量来建立回归方程[15]，其在医学、社会学、经济学等领域有着广泛的应用。

2.1 Logistic回归方程

设有一个因变量Y和p个自变量X1,X2…Xp，对每个实验对象共有n次观测结果，可将原始资料列成表5形式。

表5 Logistic回归模型的数据结构

其中，Y取值为0或1，其中，Y=1：选择校园贷，Y=0：不选择校园贷。将选择校园贷的概率记为P(0≤P≤1)，它与自变量X1,X2…Xp之间的Logistic回归模型为：

则不选择校园贷的概率为：

即

ln[P/(1-P)]=β0+β1X1+…+βpXp,

定义Logistic变换：

Logit(P)=ln[P/(1-P)],

即Logistic回归方程为：

Logit(P)=β0+β1X1+…+βpXp。

2.2 Logistic模型求解

根据主成分分析得到的结果，将所得的主成分作为自变量，各变量赋值内容如表6所示。

表6 Logistic回归模型的变量赋值

根据主成分分析方法知影响学生是否选择校园贷的主要因素有5个，分别对这5个因素按照程度的高低划分为4个等级，再根据附件当中的数据二，得出5个因素与是否选择校园贷概率的密度图，如图1-5所示。

图1 经济情况与选择校园贷概率密度

图2 消费欲望与选择校园贷概率密度

图3 金融知识与选择校园贷概率密度

图4 风险意识与选择校园贷概率密度

根据概率密度图，在经济情况等级中，一般贫困的学生选择校园贷的概率较大；在消费欲望等级中，消费欲望较低的学生选择校园贷的概率较大；在金融知识等级中，了解一点金融知识的学生选择校园贷的概率较大；在风险意识等级中，有风险意识但不强的学生选择校园贷的概率较大；在征信意识等级中，有一点征信意识的学生选择校园贷的概率较大。因此，所选取的主成分在一定程度上能够反映学生选择校园贷的影响因素。运用SPSS软件对因变量和自变量进行二元Logistic回归分析，如表7所示。

图5 征信意识与选择校园贷概率密度

表7 参数

在5%显著性水平上，对多元回归模型进行总体显著性检验，由上表知，统计量Z=3.179 53>2.58，P=0.001 475 16<<0.01，说明各个因素的共同影响是显著的，此时校园贷影响因素的Logistic回归方程为：

即，

Logit(P)=-10.266 3+1.556 7X1+1.621 4X2+1.304 54X3+0.538 1X4+0.725 2X5。

2.3 模型检验

为检验所设定的多元函数参数在应用过程中所得结果与实际结果的偏差程度，我们按照5%的置信水平对多元函数的参数进行检验，所得结果如表8所示。

表8 参数置信区间

由上表知：估计值均在置信区间内，故可认为该模型的参数估计的可信度为95%。根据Logistic模型结果，经济情况等级、消费欲望等级、金融知识等级主要体现大学生自身的主观条件，这些为影响大学生校园贷的重要因素，风险意识等级、征信意识等级主要体现大学生客观风险知识的积累，为影响大学生校园贷的外在因素。

校园贷现状调查显示，当代大学生一是没有妥善的财务规划能力，不知如何管理与支配自己的财产；二是自控能力不足，超前消费，因此在资金短缺时，会在网上申请信用贷来解决燃眉之急；三是多数大学生由于专业受限，他们本身对于违约金、滞纳金等一系列收费项目的计算方式和金额了解不多；四是一些大学生存在攀比心理，诚信缺失。因此经济情况等级、消费欲望等级、金融知识等级是影响大学生校园贷的重要因素，这也进一步说明主成分分析法研究的结果是比较合理的。

3 对策与建议

针对校园贷款平台发展过程中出现的问题以及对大学校园环境造成的影响，按照银监会和教育部等的统一部署，明确要求各高校应建立校园不良网络借贷日常监测机制、实时预警机制和校园不良网络借贷应对处理机制[11-12]。本文根据以上实证研究结果，给出如下相应的对策建议。

3.1 政府相关部门加强监督管理

政府应该组织公安、工商、银监、银行等相关职责部门进行统一协调，加强校园贷款监督体系的建设力度，完善对消费金融类公司的监管办法。政府应进一步明确监管主体、监管措施和监管责任，出台严格的行业审批及监管制度。针对校园网贷的源头、网络贷款平台的资质、借贷方面的利息、暴力催生等情况都必须进行严格监管。例如，在网贷平台上需要设置更多的风控门槛，其次核实借款人还款能力、是否多平台借贷等信息，建立担保人制度，以保证大学生的贷款行为有知情人知悉；或是限制贷款次数，防止大学生因多次贷款以致无力偿还带来不良后果，最后再根据借款人的资信能力来发放贷款，建立校园网贷行业的自律准则。

3.2 鼓励扶持合理合法校园贷，严厉打击不良借贷平台

一方面，校园贷行业应该严格规范催收方式以及筛查合法的催收机构，转变其核心职能，从原来的营销型转变成服务型；加强对在校大学生还款能力的审查，提高贷款门槛。另一方面，校园贷应加强自身平台的贷款流程的严谨性，将贷款额度限制在适合大学生群体的范围内；同时注意收集资料，并协助监管部门建立一套相应的适合大学生群体的信用体系，且平台自身加入征信系统，从而提升自身的规范性和合法性。校园贷平台具有简单快捷的优势，能够短时间内快速解决高校大学生资金短缺的问题，市场前景广阔。若运营得当，将有利于促进社会经济的发展。因此，对于合理合法校园贷平台应当鼓励和扶持其发展，但对于不良平台，例如存在违法暴力催收、高额利息等行为的平台应严厉打击、坚决取缔，从而营造良好的网络借贷市场环境。

3.3 学校要给在校大学生提供勤工助学的岗位和规范的创新创业平台

为社会培养具有创新精神和实践能力的高级专门人才是高等教育的任务，要在大学教育教学实习中为大学生提供创新创业的相关培训及实践平台和基地，积极正面地引导他们参与相关的创新创业活动，在实践中激发他们的潜能去探索、去积累经验，从而增强风险防范意识，充分认识个人信息和信用的重要性。同时使大学生能够体验到创业的艰辛，有利于大学生建立正确的消费意识，进而重新审视自己的消费方式的合理性，纠正一些错误的消费观念。这样，可导致校园网贷的消费频率的减少，使得非法网络借贷产品在校园难以衍生。

4 结语

本文以经济情况、消费欲望、金融知识、风险意识和征信意识作为影响学生是否选择校园贷的主要因素作了实证分析。根据主成分分析法，建立主成分模型并求解得影响学生是否选择校园贷的上述5个主要因素，将它们作为自变量建立Logistic回归模型，分别对这5个因素按照程度的高低划分为4个等级，可得5个因素与是否选择校园贷概率的密度图。利用Logistic回归分析，按照5%的置信水平对所得结果与实际结果的偏差程度进行检验，上述5个因素对学生是否选择校园贷影响是显著的。从经济情况、消费欲望、金融知识、风险意识和征信意识等方面，探寻防范并遏制不良校园贷发展的措施，对净化“互联网+”时代的校园贷生态环境，维护社会和金融市场的稳定，促进浙江省经济发展有积极意义。