Determinants of Home Loan Default Risk among Salaried and Self- Employed Borrowers in India: A Comparative Empirical Study Using PLS-SEM and Logistic Regression
本研究提出并验证了一个使用偏最小二乘结构方程模型（PLS-SEM）和逻辑回归的比较性实证框架，旨在识别印度薪资收入者与自雇者之间在住房贷款违约风险的财务、行为及宏观经济决定因素方面的差异，证明了信用历史纪律对薪资收入者的风险缓解作用更为显著，同时为差异化承保和风险定价提供了一个可直接部署的分析流程。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在印度金融市场繁忙的景象中，住房贷款不仅仅是一笔交易；它是借款人与银行之间的一份承诺，一份跨越数十年的承诺。对于贷方而言，核心挑战在于预测谁会履行这份承诺，而谁又可能失足。虽然传统银行业长期以来依赖于冰冷、硬性的数字——例如一个人的月收入中有多少用于偿还贷款，或者房屋价值相对于债务的比率——但研究人员日益意识到，人类行为也发挥着同样关键的作用。人们不仅仅是电子表格中的数据；他们的财务选择受到其对金钱理解程度、心理特质（如冲动性）以及他们如何看待更广泛经济稳定性等因素的影响。一个关键问题仍然存在：这些因素对一名拥有稳定薪水的受薪雇员的影响方式，是否与对一名收入可能随季节剧烈波动的自雇企业主的影响方式相同？
本研究旨在通过构建一个融合了财务数据与人类行为的综合住房贷款风险模型来回答这个问题。研究人员将目光聚焦在印度的两个不同群体上：受薪人员和自雇人士。他们考察了七个具体的风险驱动因素：个人收入的稳定性、每月还款的负担、房屋价值作为抵押品的充足性、过往的债务偿还记录、金融知识、心理倾向以及对经济压力的感知。目标是观察这些因素如何预测借款人自身的风险感——即他们认为自己有多大可能错过还款——并测试就业类型是否会改变这些关系的强度。为了确保他们在收集真实世界数据之前方法论是严谨的，团队首先在一个包含400名借款人的模拟数据集上测试了整个方法，创建了一个现实世界的数字镜像，以验证其工具是否有效。
这项模拟试验的结果揭示了驱动违约恐惧感的清晰图景。研究人员调查的所有七个因素都被发现是显著的预测因子。当收入不稳定、每月还款感沉重、贷款金额相对于房屋价值过高，或者借款人有逾期还款记录时，感知到的违约风险就会上升。相反，良好的信用记录、高水平的金融素养以及稳定的心理特质则起到了盾牌的作用，降低了这种感知风险。该模型足够稳健，能够解释近28%的借款人对自身风险看法的变化，并且成功预测结果的效果优于简单的猜测。这证实了结合财务比率与行为洞察的模型是理解贷款风险的一种可行方式。
然而，当研究人员比较这两组人群时，最深刻的发现浮出水面。他们发现，这些因素的重要性对每个人而言并不相同。具体而言，借款人的信用记录与违约风险之间的联系对于受薪雇员来说，显著强于自雇人士。对于一名受薪劳动者来说，一份干净的信用记录是可靠性的有力信号，在预测其行为方面具有实质性的权重。对于收入流通常不规律且难以记录的自雇人士来说，信用记录是一个噪声较大的信号；它很重要，但并不具备同样的决定性力量。这表明，银行用来评判风险的规则可能需要针对这两个群体进行差异化处理，因为单一的标准可能无法准确反映每组人群管理债务的现实情况。
为了弥合这些行为感受与实际财务结果之间的差距，研究还进行了一项补充分析，研究了诸如还款收入比和征信局评分等硬性数据。这部分研究证实，更高的还款负担和较低的信用评分会直接增加贷款违坏的概率。它还表明，即使在考虑了这些财务数字之后，金融素养仍然是一种保护性因素，能够降低违约的可能性。该分析展示了将行为模型与可观察到的贷款层面结果相连接的方法论可行性，显示在模拟数据上对违约账户与非违约账户具有良好的区分度，尽管这些特定的性能指标必须在真实的贷款数据上进行重新验证。
作者谨慎地指出，这些发现来自于一项模拟试点研究，这是在向真实人群开展调查前验证其方法的必要第一步。这里描述的数字和模式是说明性的工作框架，而非对印度住房市场的最终定论。然而，这项研究为住房金融机构提供了一条清晰的前行路径。它建议贷方应考虑定制化其风险评估，例如根据申请人是受薪人员还是自雇人士，对信用记录赋予不同的权重。此外，它强调了金融素养教育的价值，特别是针对面临收入波动性的自雇借款人，将其作为增强抗风险能力的一种手段。通过理解“风险中的人类因素”在不同就业类型下表现各异，金融部门可以向更精准、公平且有效的信贷实践迈进。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。