應用資料採礦技術建置中小企業傳統產業之信用評等系統

Applications of Data Mining Techniques in Establishing Credit Scoring System for the Traditional Industry of the SMEs

10.6338/JDA.200910_4(5).0005

羅浩禎(Hao-Chen Lou)；洪哲裕(C. Y. Hung)

中小企業 ； 信用評等模型 ； 資料採礦 ； 新巴賽爾協定 ； the SMEs ； the credit scoring model ； Data Mining ； the Basel II

Journal of Data Analysis

4卷5期（2009 / 10 / 01）

113 - 141

繁體中文

中小企業是台灣經濟貿易發展的命脈，過去以中小企業為主的出口貿易經濟體系，是創造台灣經濟奇蹟的主要動力。隨著2006年底新巴賽爾協定的正式實施，金融機構為符合新協定規範，亦需將中小企業信用評分程序，納入其徵、授信管理系統，以求信用風險評估皆可量化處理。故本研究將資料採礦技術應用於建置中小企業違約風險模型，針對內部評等法中的企業型暴險，根據新協定與金管會的準則，不僅以財務變數為主，也廣泛增加如企業基本特性及總體經濟因子等非財務變數，納入模型作為考慮變數，計算違約機率進而建置一信用評等系統，作為金融機構對於未來新授信戶之風險管理的參考依據。而本研究將以中小企業中製造傳統產業公司為主要的研究對象，建構企業違約風險模型及其信用評等系統，資料的觀察期間為2003至2005年。本研究分別利用羅吉斯迴歸、類神經網路、和C&R Tree三種方法建立模型並加以評估比較其預測能力。研究結果發現，經評估確立以1:1精細抽樣比例下，使用羅吉斯迴歸技術建模的效果最佳，共選出六個變數作為企業違約機率模型之建模變數。經驗證後，此模型即使應用到不同期間或其他實際資料，仍具有一定的穩定性與預測效力，且符合新巴塞資本協定與金管會的各項規範，表示本研究之信用評等模型，確實能夠在銀行授信流程實務中加以應用。

In the developing history of Taiwan economy, the SMEs are always the key branches of it. Along with the formal implementation of Basel II in the end of 2006, the banking institutions also need to establish a credit scoring process for the SMEs into its credit checking system in order to conform with the new accords and to quantify the credit risk assessment process. Therefore, in this reserch we use the data mining techniques in establishing the default risk model for the SMEs. According to the new accords and the guidelines published by the FSC (the Financial Supervisory Commission), we not only take the financial variables as the core but also increase the non- financial variables such as the enterprise's basic characteristics and overall economic factors extensively into the default risk model for the enterprise-based exposure at default in the IRB in the second pillars of the Basel II. By the model we can get the probability of default then to establish the credit scoring system which could be one of the reference for the banking institutions to hold the risk management of any newly furture incoming customers. In this reserch, we take the traditional industry of the SMEs as the mainly object of study to establish the default risk model and the credit scoring system and the data was collected from 2003 to 2005.We use each of the following three methods, the Logistic Regression, the Nerual Network and the C&R Tree, to bulid the model and by evaluating several statistics test results to compare the capability of prediction of each model. As the result of this reserch, under the 1:1 oversampling proportion, using the Logistic Regression techniques to bulid the model would get the best outcome and there are six variables being chosen from the dataset as the final significant variables in the default risk model. After several conscientious and formal evaluations, we believe that this model would still hold the constancy and produce a good capability of prediction even with a different period of data or other practical data. And the model conform with the Basel II and the norm published by the FSC. It means that the credit scoring system can be put in practice in the banking credit process indeed.

1. 張大成(2003)。違約機率與信用評分模型。台灣金融財務季刊，4(1)，19-37。
   連結：
2. 財團法人金融徵信中心，http://www.jcic.org.tw
3. 金管會銀行局，http://www.banking.gov.tw
4. 行政院金融監督管理委員會，http://www.fscey.gov.tw
5. 經濟部中小企業處，http://www.moeasmea.gov.tw
6. Jes, Saurina and Carlos Trucharte, “The Impact of Basel II on Lending to Smalland Medium-sized Firms. A Regulatory Policy Assessment Based on the Spanish Credit Register,＂ Bank of Span, 2003..
7. 經濟部中小企業處，「中小企業白皮書」，經濟部中小企業處網站，2005-2008年。
8. 行政院金融監督管理委員會，「新巴塞爾資本協定全文中文版」，行政院金融監督管理委員會全球資訊網，2004年。
9. 台灣金融研訓院，http://www.tabf.org.tw/tw
10. Altman, E. I.(1968).Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy.Journal of Finance,23,589-609.
11. Atiya, A. F.(2001).Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results.IEEE Transactions on Neural Networks,12(4),929-935.
12. Black, F.,Scholes, M.(1973).The pricing of Options and Corporate Liabilities.Journal of Political Economy,91,637-654.
13. Daniel, A. Bloch,Olshen, Richard A.,Walker, Michael G.(2002).Risk Estimation for Classification Trees.Journal of Computational and Graphical Statistics,11(2),263-288.
14. Efron, B.,Tibshirani, R. J.(1993).An Introduction to the Bootstrap.:Chapman & Hall.
15. Hilbe, Joseph M.(2009).Logistic Regression Models.:Chapman & Hall.
16. 吳振晃(2003).私立中國文化大學資訊管理研究所.
17. 呂美慧(2000).國立政治大學金融研究所.
18. 李彥錚(2008)。「中型企業」與「微、小型企業」評分模型之區隔。金融聯合徵信月刊，3，9-13。
19. 沈大白、張大成(2003)。信用風險模型效力檢驗—以台灣市場為例。金融風險管理季刊，十二月號
20. 沈大白、張揖平(2006)。新巴賽爾協定對國內中小企業影響之實證研究。金融風險管理季刊，2(3)，89-112。
21. 沈大白、賴柏志(2004)。壓力測試於信用風險模型之應用。金融風險管理季刊，二月號
22. 阮正治、江景清(2004)。台灣企業信用評分模型建置與驗證。金融風險管理季刊，六月號
23. 阮正治、敬永康(2003)。中小企業信用評分研究。金融風險管理季刊，十月號
24. 林怡伶(2006).國立清華大學科技管理研究所.
25. 林建州(2001).國立中山大學財務管理研究所.
26. 洪明欽、張揖平、陳昱陵、陳和貴(2007)。信用評等模型區別力之穩健性研究。金融風險管理季刊，3(4)，1-23。
27. 洪雪媚(2003)。國立台灣大學國際企業學研究所。
28. 孫銘誼、王思芳(2004)。信用評等模型驗證之初探—相關方法與文獻。金融風險管理季刊，1(1)，111-125。
29. 徐慧玲(2007)。國立政治大學統計學研究所。
30. 陳生祥(2005)。中原大學資訊管理研究所。
31. 陳忠賢(2005)。天主教輔仁大學金融研究所。
32. 陳錦村、江玉娟、朱育男(2006)。商業銀行如何建置符合新巴賽爾資本協定的信用評等制度。金融風險管理季刊，2(1)，115-140。
33. 敬永康、林思惟、黃寶慶(2005)。內部評等法之最低作業要求。金融風險管理季刊，一月號
34. 萬智傑(2007)。東吳大學商學院企業管理學研究所。
35. 蔡明熹(2004)。天主教輔仁大學應用統計研究所在職專班。
36. 謝邦昌、鄭宇庭、蘇志雄(2009)。Data Mining概述—以Clementine 12.0爲例。中華資料採礦協會。

1. 葉彩蓮、翁家君(2011)。投資客與風險變數對於房屋貸款信用之影響。東吳經濟商學學報，73，1-28。