基于生存分析法的P2P網貸提前償付風險影響因素研究

吳慶田　劉妍

內容提要：本文基于美國P2P網貸平臺Lending Club公司的借貸數據，從宏觀和微觀兩個層面構建影響P2P網貸提前償付風險的指標，并運用生存分析法建立COX模型，對模型的預測能力進行評價。結果表明，COX模型的風險預測能力良好，提前償付風險不僅受借款人特征、貸款特征等微觀因素的影響，還受外部宏觀經濟環境的影響，其中受市場利率的影響最大。

關鍵詞：P2P網貸；提前償付風險；生存分析法

中圖分類號：F830文獻標識碼：B文章編號：1001-148X（2017）01-0150-07

一、引言

基于互聯網而迅速發展起來的P2P網貸是一種實現資金直接在借貸雙方合理配置的新型融資模式，其以門檻低、手續簡單、普惠性高等傳統金融機構不可比擬的優勢，逐漸成為大眾投融資的熱捧對象。據網貸之家統計，截至2016年一季度，中國P2P網貸行業歷史累計成交量達到了17 45027億元，其中2016年一季度累計成交量達到3 79806億元，是2015年同期累計成交量的32倍。

然而，在如此火爆的景象背后，蘊藏的危機不應小覷，除了問題平臺、違約借貸標的損害投資人的利益之外，借款人提前償付貸款不僅會對投資人的投資收益產生負面影響，還將使P2P網貸平臺的營業收入減少，從而影響其可持續經營。此外，伴隨P2P網貸興起的P2P網貸基金以類資產證券化的債權轉讓模式進行運作，在該種模式下，提前償付行為的存在將使基金產品的未來現金流量無法確定，從而影響其實際收益率與定價水平。據不完全統計，截至2015年末，美國P2P網貸行業領軍者Lending Club借貸項目的違約率為6%，提前償付率高達22%。鑒于提前償付風險對P2P網貸多方主體的不利影響以及提前償付率的高企，對P2P網貸提前償付風險的研究具有重大的現實意義。本文擬在相關理論分析的基礎上，利用Lending Club公司的借貸數據，從宏觀和微觀兩個層面來研究影響P2P網貸提前償付風險的因素，以期為投資人和P2P網貸平臺應對該種風險提出有效的對策建議。

二、相關文獻回顧

作為金融創新產物的P2P網貸，以高速的發展勢頭吸引了學術界的廣泛關注，眾多國內外學者對其進行了大量研究，主要分別從P2P網貸的發展、模式、借貸行為、風險等四個方面開展研究。

從P2P網貸風險領域的研究來看，國內外學者更關注來源于借款人的違約風險，主要以微觀角度從軟信息、硬信息進行研究。軟信息方面，學者們重點研究了社會資本信息對違約風險的影響，發現朋友關系、小組關系等社會資本能降低違約風險，如Freedman & Jin（2008）、Krumme & Herrero（2009）、Lin et al.（2013）、繆蓮英和陳金龍（2014）、Everett（2015）等[1-5]。然而，有少數學者研究認為某些社會資本與貸款違約率并無必然聯系，如Greiner & Wang（2009）、Freedman & Jin（2014）等[6-7]。另外，學者們也研究了借款人外貌、借款表述等其他軟信息與違約風險的關系，如Herzenstein et al（2011）、Duarte et al（2012）、Gao & Lin（2015）[8-10]。硬信息方面，學者們研究了貸款特征、借款人特征等對違約風險的影響與識別，如Puro et al（2010）、王會娟和廖理（2014）、Andrew et al（2015）、Emekter et al（2015）、廖理等（2015）、肖曼君等（2015）[11-16]。此外，還有學者對識別P2P網貸中“好”、“壞”客戶的方法進行了比較研究，如Malekipirbazari & Aksakalli（2015）[17]。

對投資人和P2P網貸平臺來說，盡管違約風險和提前償付風險都是影響投資人投資收益、P2P網貸基金產品定價的主要因素，但是學術界對于貸款違約風險的研究更加豐富，從傳統的商業銀行貸款到新興的P2P網貸均有涉獵。相比之下，國內外學者對P2P網貸提前償付風險的研究基本處于空白，關于貸款提前償付風險的研究大多集中在商業銀行貸款領域，主要有以下兩個方面：一方面，對提前償付風險影響因素的研究，主要有借款人特征、貸款特征、房產特征、區域特征等，如Danis & Pennington-Cross（2008）、Tsai et al（2009）、Varli & Yildirim（2015）[18-20]。另一方面，對提前償付風險相關模型方法的研究，有期權分析法如Deng & Quigley（2012）、Steinbuks（2015）[21-22]，博弈分析法如傅強和張宜松（2004）、陳穎和屠梅曾（2007）[23-24]，因子分析和判別分析法如丁正斌（2012）、馬欽玉（2015）[25-26]，生存分析法如Tiwari（2000）、Ho & Su（2006）、蔡明超和費一文（2007）[27-29]。

綜上，目前國內外學者對P2P網貸風險的研究大多集中于以微觀角度研究違約風險問題，較少從宏觀角度研究P2P網貸風險，并且鮮有對P2P網貸提前償付風險的研究。此外，研究提前償付風險的方法多種多樣，各有利弊，其中，生存分析法將正常還款和違約貸款等數據納入研究樣本，無需對數據進行配對，并且既考慮了影響風險的特定因素，還考慮了風險的歷時效應，具有較大的優越性。因此，本文將利用生存分析法，從宏觀和微觀兩個層面構建影響P2P網貸提前償付風險的指標，建立COX模型，分析其對P2P網貸提前償付風險的影響，并對該模型進行相關檢驗與預測能力評價。

三、理論分析

在P2P網貸中，來源于借款人的風險主要有兩個，即提前償付風險和違約風險。其中，提前償付風險是指在貸款到期之前，借款人將貸款余額部分或全部提前償還，從而給投資人造成利息損失的風險。針對部分提前償付行為數據的難以獲得與分辨，本文研究的提前償付風險是對貸款余額一次性全部清償的風險。

當借款人的收入在滿足基本消費支出、債務支出、必要投資支出之外仍有閑置資金，或者借款人能以更低的資金成本獲得資金的情況下，借款人才有可能作出提前償付貸款的行為決策。因此，對借款人提前償付行為的分析不僅應立足于借款人特征、貸款特征等微觀視角，還應關注整個外部宏觀經濟環境變化引起的再融資機會、成本以及投資收益率變化對借款人還款行為決策的影響。首先，于借款人自身來說：第一，還款能力對提前償付風險的影響。當借款人擁有豐厚的資金收入和少量的財務負擔，并且財務狀況穩定時，借款人的還款能力較強，提前償付貸款的可能性大，提前償付風險高。其中，借款人的財務負擔又可以從兩方面來看，一方面是借款人的絕對財務負擔，即借款人債務負擔的絕對額，如貸款金額；另一方面是借款人的相對財務負擔，即借款人債務負擔與其收入的比值，如債務收入比。第二，信用質量對提前償付風險的影響。借款人的信用質量反映借款人的違約風險，低信用質量的借款人不僅可能不會提前償付貸款，還可能發生逾期還款，甚至不還款的行為，高信用質量的借款人提前償付貸款的可能性更大，提前償付風險更高。第三，社會心理特征對提前償付風險的影響。受我國傳統文化的影響，借款人大多不愿背負債務，秉承“無債一身輕”的想法；另外，不同年齡階段的借款人在生活觀念上有所差異，年齡較長的借款人，生活態度更傾向于保持現狀，預防性貨幣需求較高，導致提前償付行為發生的可能性更小，提前償付風險更低（Tiwari，2000）[27]。其次，于外部宏觀經濟環境來說：第一，宏觀經濟狀況對提前償付風險的影響。宏觀經濟狀況越好，居民的可支配收入越高，不僅借款人自身的收入可能有提升，而且借款人通過市場再融資的機會變多，借新債還舊債的可能性變大，提前償付風險增大。第二，貨幣政策對提前償付風險的影響。作為理性經濟人的借款人具有趨利避害的特征，總會選擇最有利的融資方式，最大程度地降低資金成本。當貨幣政策趨于寬松，即市場利率大大低于貸款利率時，一方面，若借款人手中無多余資金，再融資成本和費用較低，借新債還舊債的可能性大，提前償付風險高；另一方面，若借款人手中有多余資金，自由閑置資金的投資回報較低，利用閑置資金選擇提前償付貸款的可能性大，提前償付風險高。此外，貸款期限即貸款的風險暴露時間也是影響借款人提前償付貸款的重要因素，貸款的風險暴露時間在一定程度上反映提前償付行為受未來不確定因素的影響，風險暴露時間越長，貸款受未來不確定性因素影響越大，風險事件發生的機會越大，即提前償付風險越大。

四、實證分析

（一）數據來源、變量選取與賦值

本文隨機抽取美國P2P網貸平臺Lending Club2007年至2015年個人貸款的30萬條數據，數據來源為Lending Club官方網站。在選取數據后，對數據進行清洗，刪除含有缺失值、異常值的觀測樣本，最終得到277 140條數據作為研究樣本，其中提前償付率為2239%。為了保持原有的提前償付比例和非提前償付比例不變，對所建立的模型進行評價。本文以3：1的比例通過分層隨機抽樣的方法將研究樣本分為訓練樣本集和測試樣本集，其中，訓練樣本集包括207 855個觀測樣本，測試樣本集包括69 285個觀測樣本。

本文將在貸款到期日之前已把貸款全部還清的狀態視為提前償付，賦值為1，違約、按時到期還款以及未到期貸款均賦值為0；定義提前償付和按時到期還款的持續時間為貸款發放到全部還清的時間，違約貸款的持續時間為貸款發放到第一次違約的時間，未到期貸款的持續時間為貸款發放到隨訪截止的時間（隨訪截止時間為2016年2月）。本文在數據可獲得性和重要性的基礎上，根據上述理論分析，從微觀、宏觀兩個層面，選取貸款金額、貸款期限、貸款利率、貸款評級、工作年限、房屋所有權、年收入、債務收入比等8個微觀變量，借款人最后一期還款時的聯邦基金利率、GDP實際增長率、居民可支配收入實際增長率等3個宏觀變量，自變量的選取與賦值結果如表1。

（二）自變量描述性統計

由表1可以看出，本文選取的自變量既有連續變量，又有分類變量。分別對連續變量和分類變量進行描述性統計（見表2、表3）。相比非提前償付貸款樣本而言，提前償付貸款樣本中貸款金額、工作年限、債務收入比、聯邦基金利率較低，GDP實際增長率、居民可支配收入實際增長率較高，期限短、貸款評級高（5-7）的貸款占比略多，擁有房屋的借款人占比較少。

（三）實證研究

1.變量的顯著性檢驗

分別對連續變量進行曼-惠特尼U檢驗、分類變量進行卡方檢驗，結果顯示所選解釋變量在提前償付與非提前償付樣本中具有顯著性差異。

2.變量的相關性檢驗

如果自變量之間存在精確的相關關系，即存在共線性，會導致模型參數難以準確估計，因此本文對變量間的相關性進行檢驗，結果如表4所示。由于貸款利率與貸款評級的相關系數高達09，聯邦基金利率與GDP實際增長率的相關系數達05，其他變量之間相關性不高，相關系數均小于05，本文采取剔除變量法，去除貸款利率、GDP實際增長率這兩個變量，將余下的9個相關性不強的變量進行COX回歸。

3.COX模型回歸結果與分析

用貸款金額、貸款期限、貸款評級、工作年限、房屋所有權、年收入、債務收入比、聯邦基金利率、居民可支配收入實際增長率作為自變量進行COX回歸分析，結果如表5所示。所有變量在5%水平上顯著，均進入模型，提前償付風險COX回歸方程如下：

由上述COX回歸方程的形式可知，若β系數為正數，X為危險因子，X變量值越大，累積提前償付風險率越高，更易發生提前償付風險；反之，則X為保護因子，X變量值越大，累積提前償付風險率越小，發生提前償付風險的可能性越小。β系數絕對值的大小反映了該因素對累積提前償付風險率影響的大小，β系數絕對值越大對累積提前償付風險率影響越大。至此，可以得出：貸款評級、房屋所有權、年收入、居民可支配收入實際增長率為危險因子，貸款金額、貸款期限、工作年限、債務收入比、聯邦基金利率為保護因子，工作年限對累積提前償付風險率的影響最小，聯邦基金利率對累積提前償付風險率的影響最大。在借款人還款能力方面，借款人有房、收入高、貸款金額與債務收入比小時，借款人的還款能力越強，提前償付風險越高，實證結果符合理論預期。在借款人信用質量方面，貸款評級是Lending Club平臺在綜合考量借款人信用得分、信用報告和貸款申請的風險評價指標的基礎上作出的評價，一般來說，貸款評級越高，借款人的信用質量就越高，違約風險越小，相應地，提前償付貸款的可能性越大，實證結果符合理論預期，Lending Club平臺對于貸款的評級較為準確。在借款人的社會心理特征方面，工作年限較長的借款人，一般年齡較長，生活態度更傾向于保持現狀，預防性貨幣需求較高，從而導致提前償付行為發生的可能性更小，實證結果符合理論預期。此外，工作年限的β系數僅為-0004，對累積提前償付風險率影響最小，其變動一單位，累積提前償付風險率反向變動僅為0004倍，說明在有限的研究樣本中，由借款人的社會心理特征引起的行為差異并不顯著。在宏觀經濟狀況方面，宏觀經濟狀況向好，居民可支配收入增加，提前償付風險增大，實證結果符合理論預期。在貨幣政策方面，與一成不變的高貸款利率相比，聯邦基金利率降低將導致再融資成本與投資收益率下降，借款人傾向于選擇再融資或放棄其他投資機會以提前償付貸款，來達到降低資金成本目的，提前償付風險將增大，實證結果符合理論預期。另外，聯邦基金利率的β系數為-2744，對累積提前償付風險率的影響最大，其變動一單位，累積提前償付風險率反向變動高達0936倍，說明在資金來源渠道暢通的情況下，借款人能夠審時度勢，做出最利己的還款決策，利差導致的成本差異成為影響借款人提前償付貸款行為決策的最主要因素。在貸款的風險暴露時間方面，貸款期限越長，越不容易發生提前償付行為，說明較長期的貸款更穩定，實證結果不符合理論預期，可能的解釋是，由于P2P網貸放款周期短，但貸款利率較高，大多數借款人只是將其用于滿足臨時資金周轉的需要，計劃將來提前償付貸款，加之長貸款期限的貸款利率較高，理性的借款人將選擇短期限的貸款，以在提前償付貸款之前降低利息成本。

4.COX模型檢驗

（1）比例風險假設檢驗。COX模型假設檢驗的方法有很多，主要分為兩大類：圖示檢驗法和正式檢驗法，兩者的區別在于判斷是否滿足比例風險假設的依據。圖示檢驗法是通過觀察圖形是否滿足模型基本假設下的形狀來判斷數據是否滿足比例風險假設，正式檢驗法則是利用P值來判斷假設是否成立。Klein（1997）指出，與正式的比例風險假設檢驗相比，學者們似乎更喜歡圖示檢驗法，因為COX模型的比例風險假設僅近似滿足即可，而任何大樣本下的正式檢驗將拒絕比例性的零假設[30]。本文的訓練數據集多達20萬，屬于基于大樣本的研究，因此本文將采用比較COX模型生存曲線與壽命表法生存曲線的圖示檢驗方法進行比例風險假設的檢驗。

本文基于訓練數據集，運用SAS軟件，將COX模型生存曲線與壽命表法生存曲線進行比較，結果如圖1所示。由圖1可以看出，本文利用生存分析法建立的COX模型的生存曲線與壽命表法的生存曲線趨勢基本相同，而且無明顯交叉點，可以認為滿足比例風險的基本假設，建立COX模型是較為合適的。此外，從圖中也可以看出，大致從貸款發放的第10個月至第22個月生存曲線愈發陡峭，說明提前償付的貸款逐步增加，之后，生存曲線漸漸平緩，說明提前償付的貸款逐步減少。

（2）擬合性檢驗。Cox-snell殘差圖可用來檢驗COX模型的擬合程度，圖形的橫坐標為Cox殘差項，縱坐標為Cox殘差的累計危險率估計值。如果建立的COX模型能夠擬合訓練數據，則圖形應大致呈現為經過零點的45°直線。本文運用SAS軟件，畫出提前償付風險Cox-snell殘差圖，結果如圖2所示。從圖2可以看出，提前償付風險Cox-snell殘差圖近似為過零點的45°直線，說明提前償付風險的COX模型基本擬合建模數據。

5.COX模型預測能力評價

在對COX模型預測能力進行評價之前，首先需要確定一個分界點，若模型估計的風險率大于該分界點，則預測風險事件發生，反之，則預測不發生。本文沿用雷振華和楚攀（2013）[31]的做法，將風險事件實際發生的占比作為該分界點來對COX模型的預測能力進行評價。

本文的研究樣本中提前償付占比為2239%，因此確定提前償付風險COX模型的分界點為2239%。利用上述已建立的提前償付風險COX模型對測試樣本集進行預測，預測規則為：若提前償付風險COX模型估計的風險率大于2239%，則預測提前償付行為發生，反之，則預測提前償付行為不發生。根據該預測規則，預測結果如表6所示。從表6中可以看出，提前償付風險COX模型對提前償付樣本的誤判率大于非提前償付樣本，總體而言，該模型的預測準確率不錯。

五、結論與建議

本文以美國P2P網貸平臺Lending Club公司的數據為樣本，運用生存分析方法，對P2P網貸的提前償付風險進行了研究，研究結果以及對我國P2P網貸行業發展的有關政策建議如下：

第一，提前償付風險不僅受借款人特征、貸款特征等微觀因素的影響，還受外部宏觀經濟環境的影響。我國P2P網貸行業正處于高速發展期，風險較大，相對于風險識別能力有限的投資人來說，P2P網貸平臺不僅擁有更加充分的信息，還有更專業的風險管理人員和風險識別與評估的手段，因此P2P網貸平臺應利用其比較優勢，從微觀與宏觀兩方面，建立科學的貸款質量綜合評價指標，多維度評價借款人帶來的風險，而不僅限于違約風險，優化P2P網貸基金產品的設計以及價格、收益率的確定。投資人應樹立投資風險意識，正確認識提前償付風險，提前做好資金運用計劃，以免借款人的提前償付行為導致資金閑置，大幅降低投資收益率。

第二，市場利率對提前償付風險的影響最大，借款人具有理性的還款行為決策。當前，P2P網貸的借貸利率是P2P網貸平臺確定的固定利率形式，其不隨外部市場利率的變化而變化，當市場利率降低時，二者的利差擴大，促使提前償付貸款的行為發生。因此，應實現P2P網貸利率的市場化，縮小市場利率與高質量貸款利率的差異，留住信用質量高的借款人，從而降低投資人的利息損失與再投資風險，加大P2P網貸基金產品未來現金流的穩定性。

第三，在貸款發放的第10個月至第22個月，提前償付行為愈加頻繁發生，之后，趨于減少，說明提前償付行為發生的高峰期出現在貸款中前期。因此，應對提前償付行為收取合理水平的違約金，并且針對借款人不同時間的提前償付行為確定差異化的違約金水平。 對于借款人的提前償付行為適當收取罰金，一方面能給予投資人利息損失的適當補償，另一方面，在一定程度上能抑制借款人提前償付行為的發生，加大P2P網貸基金產品未來現金流的穩定性。考慮到借款人在貸款期內不同時間提前償付貸款，對投資人、P2P網貸基金產品造成的影響不同，應確定差異化的提前償付違約金水平，切忌“一刀切”。但是，如何確定差異化的提前償付違約金水平，從而一定程度上抑制借款人的提前償付行為，卻又不會提升貸款的違約率，是一個值得深入研究的課題。

參考文獻：

[1]Freedman S.， Jin G.Z. Do Social Networks Solve Information Problems for Peer-to-Peer Lending？ Evidence from Prosper.com[EB/OL].[2008].http：//papers.ssrn.com/ sol3/papers.cfm？abstract_id=1936057.

[2]Krumme K.A.， Herrero S. Lending behavior and community structure in an online peer-to-peer economic network[A].Proceedings of the 2009 International Conference on Computational Science and Engineering[C].Vancouver： Institute of Electrical and Electronics Engineers，2009：613-618.

[3]Lin M.F.，Prabhala N.R.，Viswanathan S. Judging Borrowers by the Company They Keep： Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending[J].Management Science，2013，1：17-35.

[4]繆蓮英，陳金龍.P2P網絡借貸中社會資本對違約風險影響研究——以Prosper為例[J].金融論壇，2014（19）：9-15.

[5]Everett Craig R. Group Membership， Relationship Banking and Loan Default Risk： The Case of Online Social Lending[J].Banking and Finance Review，2015，7（2）.

[6]Greiner M.E.， Wang H. The Role of Social Capital in People-to-People Lending Marketplaces[A].International Conference on Information Systems 2009 Proceedings[C].Phoenix： Association for Information Systems，2009.

[7]Seth Freedman， Ginger Zhe Jin. The Signaling Value of Online Social Networks： Lessons from Peer-to-Peer Lending[EB/OL].[2014].http：//ssrn.com/abstract=2380469.

[8]Herzenstein M.，Sonenshein S.， Dholakia U.M. Tell Me a Good Story and I May Lend You My Money： The Role of Narratives in Peer-to-peer Lending Decisions[J].Journal of Marketing Research，2011，48：138-149.

[9]Duarte J.， Siegel S.， Young L. Trust and Credit： the Role of Appearance in Peer-to-peer Lending[J].Review of Financial Studies，2012，8：2455-2484.

[10]Gao Q.， Lin M.F. Lemon or Cherry？ The Value of Texts in Debt Crowdfunding[EB/OL].[2015].http：//papers.ssrn.com/sol3/papers.cfm？abstract_id=2446114.

[11]Puro L.， Teich J.E.， Wallenius H.， Wallenius J. Borrower Decision Aid for people-to-people lending[J].Decision Support System，2010，49：52-60.

[12]王會娟，廖理.中國網絡借貸平臺信用認證機制研究[J].中國工業經濟，2014（4）：136-147.

[13]Andrew H.， Andres L.， Daniel P. Adverse Selection and Maturity Choice in Consumer Credit Markets： Evidence from an Online Lender[EB/OL].[2015].http： //w4.stern.nyu.edu/finance/docs/pdfs/Seminars/1502f-liberman.

[14]Emekter R.，Tu Y.，Jirasakuldech B.， Lu M. Evaluating Credit Risk and Loan Performance in Online Peer-to-Peer（P2P） lending[J].Applied Economics，2015，1：54-70.

[15]廖理，吉霖，張偉強.借貸市場能準確識別學歷的價值嗎？——來自P2P平臺的經驗證據[J].金融研究，2015（3）：146-159.

[16]肖曼君，歐緣媛，李穎.我國P2P網絡借貸信用風險影響因素研究——基于排序選擇模型的實證分析[J].財經理論與實踐，2015（1）：2-6.

[17]Malekipirbazari M.， Aksakalli Vural. Risk assessment in social lending via random forests[J].Expert Systems with Applications， 2015，42：4621-4631.

[18]Danis M.A.， Pennington-Cross A. The delinquency of subprime mortgages[J].Journal of Economics and Business，2008（1-2）：67-90.

[19]Tsai M.S.， Liao S.L.，Chiang S.L. Analyzing yield， duration and convexity of mortgage loans under prepayment and default risks[J]. Journal of Housing Economics，2009，6：92-103.

[20]Varli Y.， Yildirim Y. Default and prepayment modelling in participating mortgages[J].Journal of Banking & Finance，2015，61： 81-88.

[21]Deng Y.， Quigley J.M. Woodhead Behavior and the Pricing of Residential Mortgages[EB/OL].[2012].http：//papers.ssrn.com/sol3/papers.cfm？abstract_id=288694.

[22]Steinbuks J. Effects of prepayment regulations on termination of subprime mortgages[J].Journal of Banking & Finance，2015，59：445-456.

[23]傅強，張宜松.住房購買者償還銀行的博弈分析[J].重慶大學學報，2004（6）：133-136.

[24]陳穎，屠梅曾.住房抵押貸款償還過程中的博弈分析[J].哈爾濱工業大學學報，2007（8）：1341-1344.

[25]丁正斌.住房按揭貸款提前還款風險預警實證研究[J].金融理論與實踐，2012（6）：44-48.

[26]馬欽玉.某市個人住房抵押貸款提前還款風險因素實證研究[J].當代經濟，2015（29）：138-139.

[27]Tiwari P.Mortgage termination due to prepayments in India[J].Applied Economics Letters，2000，7：623-628.

[28]Ho K.H.， Su H. Structural prepayment risk behavior of the underlying mortgages for residential mortgage life insurance in a developing market [J].Journal of housing economics，2006，9：257-278.

[29]蔡明超，費一文.商業銀行消費信貸中的提前償還風險影響因素與風險管理——理論與實證[J].金融研究，2007（7）：25-35.

[30]John P. Klein， Melvin L. Moesehberger. Survival analysis techniques for Censored and truneated data[M].Springer，1997.

[31]雷振華，楚攀.基于Cox模型的財務風險預警實證研究——以1990-2012年信息技術類上市公司數據為例[J].湖南社會科學，2013（6）：164-167.

（責任編輯：張曦）