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。
