English  |  正體中文  |  简体中文  |  Post-Print筆數 : 27 |  Items with full text/Total items : 94986/125531 (76%)
Visitors : 30927957      Online Users : 502
RC Version 6.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
Scope Tips:
  • please add "double quotation mark" for query phrases to get precise results
  • please goto advance search for comprehansive author search
  • Adv. Search
    HomeLoginUploadHelpAboutAdminister Goto mobile version
    政大機構典藏 > 商學院 > 統計學系 > 學位論文 >  Item 140.119/95116
    Please use this identifier to cite or link to this item: http://nccur.lib.nccu.edu.tw/handle/140.119/95116


    Title: 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
    Authors: 羅浩禎
    Luo, Hao-Chen
    Contributors: 鄭宇庭
    Cheng, Yu-Ting
    羅浩禎
    Luo, Hao-Chen
    Keywords: 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
    Date: 2009
    Issue Date: 2016-05-09 15:11:19 (UTC+8)
    Abstract: 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。
    To track the development of Taiwan’s economy history, one very important factor that should never be ignored is the role of small enterprise businesses (the SMEs) which has always been played as a main driving force in the growth of Taiwan’s export trade economic system. With the formal implementation of Basel II in the end of 2006, there arises the need in the banking institutions to establish a credit scoring process for the SMEs into their credit evaluation systems in order to conform to the new accords and to quantify the credit risk assessment process.

    Consequently, in this research we apply data mining techniques to construct the default risk model for the SMEs in accordance to the new accords and the guidelines published by the FSC (the Financial Supervisory Commission). In addition we not only take the financial variables as the core variables but also increase the non- financial variables such as the enterprise basic characteristics and overall economic factors extensively into the default risk model in order to formulate the probability of credit default risk as well as to establish the credit rating system for the enterprise-based at risk for default in the IRB in the second pillars of the Basel II. The data which used in this research is taken from the traditional SMEs industry ranging from the year of 2003 to 2005.

    We use each of the following three methods, the Logistic Regression, the Neural Network and the C&R Tree, to build the model. Evaluation of the models is carried out using several statistics test results to compare the prediction accuracy of each model. Based on the result of this research under the 1:1 oversampling proportion, we are inclined to adopt the Logistic Regression techniques modeling as our chosen choice of model. There are six variables being selected from the dataset as the final significant variables in the default risk model. After multiple testing of the model, we believe that this model can withstand the testing for its capability of prediction even when applying in a different time frame or on other data set. More importantly this model is in conformity with the Basel II requirements published by the FSC which makes it even more practical in terms of evaluating credit risk default and credit rating system in the banking industry.
    Reference: 一、中文文獻
    呂美慧,2000年,「銀行授信評等模式-Logistic Regression 之應用」,國立政治大學金融研究所碩士論文。
    吳振晃,2003年,「資料採礦技術於銀行授信之應用-以消費者貸款為例」,私立中國文化大學資訊管理研究所碩士論文。
    李彥錚,2008年,「「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,民國97年十月號,第三期,9-13。
    沈大白、張大成,2003年,「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,民國92年十二月號。
    沈大白、賴柏志,2004年,「壓力測試於信用風險模型之應用」,金融風險管理季刊,民國93年二月號。
    沈大白、張揖平,2006年,「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,民國95年,第二卷,第三期,89-112。
    阮正治、敬永康,2003年,「中小企業信用評分研究」,金融風險管理季刊,民國92年十月號。
    阮正治、江景清,2004年,「台灣企業信用評分模型建置與驗證」,金融風險管理季刊,民國93年六月號。
    林怡伶,2006年,「中小企業信用風險之評價」,國立清華大學科技管理研究所碩士論文。
    林建州,2001年,「銀行個人消費信用貸款授信風險評估模式之研究」,國立中山大學財務管理研究所碩士論文。
    洪明欽、張揖平、陳昱陵、陳和貴,2007年,「信用評等模型區別力之穩健性研究」,金融風險管理季刊,民國96年,第三卷,第四期,1-23。
    洪雪媚,2003年,「新巴塞爾資本協定對國內中小企業影響之實證研究」,國立台灣大學國際企業學研究所碩士論文。
    孫銘誼、王思芳,2004年,「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,民國93年,第一卷,第一期,111-125。
    徐慧玲,2007年,「應用資料採礦技術建置符合新巴塞爾協定之信用風險模型–以傳統產業為例」,國立政治大學統計學研究所碩士論文。
    張大成,2003年,「違約機率與信用評分模型」,台灣金融財務季刊,民國92年三月號,第四輯,第一期,19-37。
    陳生祥,2005年,「運用資料探勘技術建構企業財務危機預警模式-結合財務與非財務資料」,中原大學資訊管理研究所碩士論文。
    陳忠賢,2005年,「中小企業信用評等模式之研究-以台北(縣)市中小企業為例」,天主教輔仁大學金融研究所碩士論文。
    陳錦村、江玉娟、朱育男,2006年,「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,民國92年,第二卷,第一期,115-140。
    蔡明熹,2004年,「商業銀行企業信用評等模式之研究—以製造業與批發及零售業為例」,天主教輔仁大學應用統計研究所在職專班碩士論文。
    敬永康、林思惟、黃寶慶,2005年,「內部評等法之最低作業要求」,金融風險管理季刊,民國94年一月號。
    萬智傑,2007年,「台灣中小企業之財務危機預警模型、信用評等與巴塞爾協定資本計提」,東吳大學商學院企業管理學研究所碩士論文。
    謝邦昌、鄭宇庭、蘇志雄,2009年,「Data Mining概述─以Clementine 12.0為例」,中華資料採礦協會。
    行政院金融監督管理委員會,2004年,「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。
    經濟部中小企業處,2005-2008年,「中小企業白皮書」,經濟部中小企業處網站。

    二、英文文獻
    Altman, E.I. (1968), “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy,” Journal of Finance, 23, 589-609.
    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.
    Black, F. and M. Scholes (1973), “The pricing of Options and Corporate Liabilities,” Journal of Political Economy, 81, 637–654.
    Daniel, A. Bloch, Richard A. Olshen, and Michael G.Walker (2002), “Risk Estimation for Classification Trees,” American Statistical Association, Institute of Mathematical Statistics, and Interface Foundation of North America Journal of Computational and Graphical Statistics, Volume 11, Number 2, 263–288.
    Jes, Saurina and Carlos Trucharte (2003), “The Impact of Basel II on Lending to Small- and Medium-sized Firms. A Regulatory Policy Assessment Based on the Spanish Credit Register,” Bank of Span.
    Merton, R. (1974), “On the Pricing of Corporate Debt: The Risk Structure of Interest Rates,” Journal of Finance, 28, 449-470.
    Efron, B. and R.J. Tibshirani (1993), ”An Introduction to the Bootstrap,” Chapman & Hall/CRC Press.
    Hilbe, Joseph M. (2009), “Logistic Regression Models,” Chapman & Hall/CRC Press.

    三、相關網站
    行政院金融監督管理委員會,http://www.fscey.gov.tw
    金管會銀行局,http://www.banking.gov.tw
    財團法人金融徵信中心,http://www.jcic.org.tw
    經濟部中小企業處,http://www.moeasmea.gov.tw
    台灣金融研訓院,http://www.tabf.org.tw/tw
    Description: 碩士
    國立政治大學
    統計學系
    96354004
    Source URI: http://thesis.lib.nccu.edu.tw/record/#G0096354004
    Data Type: thesis
    Appears in Collections:[統計學系] 學位論文

    Files in This Item:

    File SizeFormat
    index.html0KbHTML99View/Open


    All items in 政大典藏 are protected by copyright, with all rights reserved.


    社群 sharing

    著作權政策宣告
    1.本網站之數位內容為國立政治大學所收錄之機構典藏,無償提供學術研究與公眾教育等公益性使用,惟仍請適度,合理使用本網站之內容,以尊重著作權人之權益。商業上之利用,則請先取得著作權人之授權。
    2.本網站之製作,已盡力防止侵害著作權人之權益,如仍發現本網站之數位內容有侵害著作權人權益情事者,請權利人通知本網站維護人員(nccur@nccu.edu.tw),維護人員將立即採取移除該數位著作等補救措施。
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - Feedback