Determinants of Home Loan Default Risk among Salaried and Self- Employed Borrowers in India: A Comparative Empirical Study Using PLS-SEM and Logistic Regression
Diese Studie schlägt ein vergleichendes empirisches Framework vor und validiert dieses unter Verwendung von PLS-SEM und logistischer Regression, um zu identifizieren, wie sich finanzielle, verhaltensbezogene und makroökonomische Determinanten des Ausfallrisikos bei Immobilienkrediten zwischen angestellten und selbstständigen Kreditnehmern in Indien unterscheiden, wobei nachgewiesen wird, dass die Disziplin der Kredithistorie die Risikominderung bei Angestellten signifikant stärker beeinflusst, während gleichzeitig eine einsatzbereite analytische Pipeline für differenziertes Underwriting und Risikopricing bereitgestellt wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der geschäftigen Landschaft der indischen Finanzmärkte ist ein Immobiliendarlehen mehr als nur eine Transaktion; es ist ein Versprechen zwischen einem Kreditnehmer und einer Bank, ein Versprechen, das sich über Jahrzehnte erstreckt. Für Kreditgeber besteht die zentrale Herausforderung darin, vorherzusagen, wer dieses Versprechen halten wird und wer vielleicht strauchelt. Während das traditionelle Bankwesen seit langem auf harten, nüchternen Zahlen basiert – etwa darauf, wie viel des monatlichen Einkommens einer Person für die Kreditrate aufgewendet wird oder wie hoch der Wert des Hauses im Verhältnis zur Verschuldung ist –, erkennen Forscher zunehmend, dass das menschliche Verhalten eine ebenso entscheidende Rolle spielt. Menschen sind nicht bloß Tabellenkalkulationen; ihre finanziellen Entscheidungen werden davon geprägt, wie gut sie Geld verstehen, von ihren psychologischen Merkmalen wie Impulsivität und davon, wie sie die Stabilität der breiteren Wirtschaft wahrnehmen. Eine zentrale Frage bleibt: Beeinflussen diese Faktoren einen Angestellten, der ein regelmäßiges Gehalt erhält, auf die gleiche Weise wie einen selbstständigen Geschäftsinhaber, dessen Einkommen je nach Saison stark schwanken kann?
Diese Studie setzt sich zum Ziel, diese Frage zu beantworten, indem sie ein umfassendes Modell für das Risiko von Immobiliendarlehen erstellt, das Finanzdaten mit menschlichem Verhalten verbindet. Die Forscher konzentrierten sich auf zwei unterschiedliche Gruppen in Indien: Angestellte und Selbstständige. Sie untersuchten sieben spezifische Treiber des Risikos: die Stabilität des Einkommens einer Person, die Belastung durch monatliche Zahlungen, die Angemessenheit des Hauswerts als Sicherheit, die Historie der Schuldentilgung, das Finanzwissen, psychologische Tendenzen und die Wahrnehmung wirtschaftlicher Belastungen. Das Ziel war es zu sehen, ob diese Faktoren das eigene Risikogefühl eines Kreditnehmers beeinflussen – wie wahrscheinlich er es hält, eine Zahlung zu versäumen – und um zu testen, ob die Art der Beschäftigung die Stärke dieser Beziehungen verändert. Um sicherzustellen, dass ihre Methoden fundiert sind, bevor sie echte Real-World-Daten sammeln, testete das Team seinen gesamten Ansatz zunächst an einem simulierten Datensatz von 400 Kreditnehmern und schuf so einen digitalen Spiegel der realen Welt, um zu prüfen, ob ihre Werkzeuge funktionierten.
Die Ergebnisse dieser simulierten Testreihe zeichneten ein klares Bild davon, was die Angst vor einem Zahlungsausfall antreibt. Alle sieben von den Forschern untersuchten Faktoren erwiesen sich als signifikante Prädiktoren. Wenn das Einkommen instabil ist, wenn die monatlichen Zahlungen schwer auf dem wiegen, wenn der Kreditbetrag im Verhältnis zum Hauswert zu hoch ist oder wenn ein Kreditnehmer eine Historie von Zahlungsausfällen hat, steigt das wahrgenommene Ausfallrisiko. Umgekehrt wirken eine starke Kredithistorie, hohe Finanzkompetenz und stabile psychologische Merkmale wie ein Schutzschild, der das wahrgenommene Risiko senkt. Das Modell war robust genug, um fast 28 Prozent der Variation in der Wahrnehmung des eigenen Risikos durch die Kreditnehmer zu erklären, und es konnte Ergebnisse besser vorhersagen, als es eine einfache Schätzung könnte. Dies bestätigte, dass ein Modell, das Finanzkennzahlen mit verhaltensbezogenen Erkenntnissen kombiniert, ein gangbarer Weg ist, um das Kreditrisiko zu verstehen.
Die aufschlussreichste Erkenntnis ergab sich jedoch, als die Forscher die beiden Gruppen verglichen. Sie entdeckten, dass die Bedeutung dieser Faktoren nicht für jeden gleich ist. Insbesondere die Verbindung zwischen der Kredithistorie eines Kreditnehmers und seinem Ausfallrisiko war bei Angestellten signifikant stärker als bei Selbstständigen. Für einen Angestellten ist eine saubere Kreditakte ein starkes Signal der Zuverlässigkeit, das bei der Vorhersage ihres Verhaltens ein erhebliches Gewicht hat. Für Selbstständige, deren Einkommensströme oft unregelmäßig und schwieriger zu dokumentieren sind, ist eine Kredithistorie ein verrauschteres Signal; sie spielt eine Rolle, besitzt aber nicht dieselbe entscheidende Macht. Dies deutet darauf darauf hin, dass die Regeln, nach denen Banken das Risiko bewerten, für diese beiden Gruppen unterschiedlich sein müssen, da ein einzener Standard die Realität, wie jede Gruppe mit Schulden umgeht, möglicherweise nicht genau widerspiegelt.
Um die Lücke zwischen diesen verhaltensbedingten Gefühlen und tatsächlichen finanziellen Ergebnissen zu schließen, führte die Studie auch eine ergänzende Analyse durch, die harte Daten wie das Verhältnis von Zahlungen zum Einkommen und Scores aus Kreditauskunfteien betrachtete. Dieser Teil der Studie bestätigte, dass höhere Zahlungsbelastungen und niedrigere Kredit-Scores die Wahrscheinlichkeit eines Kreditausfalls direkt erhöhen. Es zeigte auch, dass die Finanzkompetenz selbst nach Berücksichtigung dieser Finanzkennzahlen als Schutzfaktor wirkt, der die Wahrscheinlichkeit eines Zahlungsausfalls verringert. Die Analyse demonstrierte die methodische Durchführbarkeit der Verbindung des Verhaltensmodells mit beobachtbaren Kreditergebnissen und zeigte eine gute Trennschärfe zwischen ausfallenden und nicht ausfallenden Konten auf den simulierten Daten, wenngleich diese spezifischen Leistungsmetriken anhand realer Kreditdaten erneut überprüft werden müssen.
Die Autoren weisen vorsorglich darauf hin, dass diese Ergebnisse aus einer simulierten Pilotstudie stammen, die ein notwendiger erster Schritt war, um ihre Methoden zu validieren, bevor sie die Befragung unter echten Menschen durchführen. Die beschriebenen Zahlen und Muster sind illustrativ für einen Arbeitsrahmen und noch nicht das endgültige Urteil über den indischen Wohnungsmarkt. Dennoch bietet die Studie einen klaren Weg nach vorn für Institute der Wohnungsbaufinanzierung. Sie legt nahe, dass Kreditgeber ihre Risikobewertungen maßschneidern sollten, indem sie beispielsweise unterschiedliche Gewichtungen für die Kredithistorie vornehmen, je nachdem, ob es sich um einen Angestellten oder einen Selbstständigen handelt. Darüber hinaus hebt sie den Wert von Programmen zur Finanzbildung hervor, insbesondere für selbstständige Kreditnehmer, die einer Einkommensvolatilität ausgesetzt sind, um die Resilienz gegen Zahlungsausfälle zu stärken. Indem sie verstehen, dass das menschliche Element des Risikos je nach Beschäftigungsart unterschiedlich reagiert, kann der Finanzsektor zu präziseren, gerechteren und effektiveren Kreditpraktiken übergehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.