核心摘要:
报告内容:《3月手机信用租赁行业租金逾期率分析》
报告日期:2023年3月20日 采样数据:125家(平台、商户)、待收租金约12.33亿元。
采样平台分类:监管机(39家)、非监管机(86家)。
数据采集来源:公众号《租得出去收得回来》社群俱乐部成员。
本报告基于125家平台和商户的采样数据,对2023年3月手机信用租赁行业的租金逾期率进行分析,旨在为行业参与者提供有价值的洞察。
根据我们的数据统计结果:
监管机:综合逾期率4.2%。
非监管机:综合逾期率12.42%。
图示:写文章时随机截图展示,部分俱乐部成员数据反馈。
手机信用租赁行业逾期数据分析
1)逾期率整体趋势根据采样数据,监管机,逾期率保持在较低水平,综合为4.2%,显示出较强的风险控制能力。相对而言,非监管机的逾期率较高,达到12.42%。与其较为宽松的风险管理政策有关、和用户属性有关系。
结论:
1/非监管机用户多数具有“金融属性”,即在这类平台上,逾期率往往较高。
2/监管机流量被头部平台垄断,导致二线平台难以获得足够的市场份额,从而流量渠道决定了用户属性。
逾期回款率是指企业的应收账款中,在逾期后收回的款项占逾期款项的总金额。其计算公式为:逾期回款率=实际收回的逾期款/总的逾期款*100%。该指标一般反应企业催收部门的催款能力和效率,对企业调整赊销方式等有指导意义。
3/目前数据采样中,租金逾期爆炸(逾期30%以上的平台仅3家)说明整体行业处于良性发展阶段。
图示:采样样本随机截图展示。目前俱乐部成员贡献了149个数据样本,由于时间原因只分析了125个。
2)利润点分析:
在采样样本中进行深度分析,在行业整体良性发展的背景下,监管机和非监管机在利润和风险方面表现出不同特点。
1/监管机具有更稳定的利润和较低的风险大致年毛利润60%左右,适合1000万级玩家长期经营。
2/非监管机的利润更大但同时较高的风险。大致年毛利润130%左右,适合200-500万的玩家。
3)行业应对措施与建议
计算公式:可按期末余额和平均余额计算,其公式如下:期末逾期贷款率=期末逾期贷款余额/期末贷款总余额平均逾期贷款率=全期逾期贷款平均余额/全期贷款平均余额式中的逾期贷款平均余额是指实际逾期额,包括逾期变展期,短期常用。
针对手机信用租赁行业逾期率的现状,建议采取以下措施:
(1)加强风险管理,优化信用评估模型,以更准确地预测客户的逾期风险;
(2)制定针对性的租金缴纳提醒与诉讼策略,提高租金回收率;
(3)交换平台之间的逾期黑名单;
(4)关注地域、租赁期限和品牌等多维度因素,制定合理的信用租赁政策;
(5)加强行业间的信息共享,提高信用租赁行业整体的风险防范能力。
我们对采样的125家数据进行了建模测算,包括首逾、综合逾期、逾期期数等指标进行了测算。
商业借款的逾期利息只要不超过人民银行规定的利率标准,民间借款符合最高人民法院规定的不高于银行贷款利率的4倍,就应按照其约定的利率计算。二是当事人在借款合同中只对借款期间的利息作了约定,对逾期借款利息没有约定。商业。
训练模型时使用交叉验证挑选正则化常数,最后预测结果:
1、非监管机的首逾期率在28.22%,可能导致亏损,监管机的首逾期率在17.41%时也有可能出现亏损。
2、当逾期率超过38.42%时,本金可能出现亏损。
逾期贷款率的计算公式,可以按照期末余额和平均余额来计算,它的公式如下:期末逾期贷款率=期末逾期贷款的余额/期末贷款的总余额;平均逾期贷款率=全期逾期贷款的平均余额/全期贷款平均余额。贷款逾期的后果一、罚息:在签订贷款。
3、用户在第五期的还款中,逾期概率最高。
下面先了解一下常用的风险指标进行分类和分析。
其中,租金逾期率是衡量租客信用风险的重要指标,可以分为金额逾期率、笔数逾期率和人头逾期率三种不同的计算方式。
1、从金额逾期率来看,不良租金账单的逾期金额占应还租金总额的比例越高,表明租客信用风险越大。
例如,逾期金额占应还租金总额的比例为50%以上时,可以将租金账单的逾期风险分类为可疑或损失级别。
2、从笔数逾期率来看,逾期租金账单数量占应还租金账单总数的比例越高,表明租客信用风险越大。
例如,逾期账单占应还账单总数的比例为20%以上时,可以将租金账单的逾期风险分类为关注或次级级别。
3、从人头逾期率来看,逾期租客人数占应还租客人数总数的比例越高,表明租客信用风险越大。
例如,逾期租客人数占应还租客人数总数的比例为30%以上时,可以将租客信用风险分类为关注或次级级别。
下面我们进行数据模拟:
这里使用回归模型来预测客户的租金按时履约行为,模型将对数几率表示为特征的线性组合:
作为分类器时其决策函数为上述表达式右边部分:
作为概率输出模型时,正类、负类的概率预测分别为:
模型的损失函数通常采用交叉熵损失函数,在n个样本构成的数据集上总代价为:
为减小共线性带来的影响,可以采用Ridge回归的方法,即向损失函数中加入L2惩罚项:
我们先将采集的数据样本,用测试集来检验模型效果。
训练模型时使用交叉验证挑选正则化常数,最后预测结果:
1、非监管机的首次逾期率在29.22%,可能导致亏损,监管机的首次逾期率在17.41%时也有可能出现亏损。
2、当逾期率超过38.42%时,本金可能出现亏损。
3、用户在第五期的还款中,逾期概率最高。