跳到主要內容

臺灣博碩士論文加值系統

(3.236.84.188) 您好!臺灣時間:2021/07/30 03:35
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:周嵐葶
研究生(外文):Lan-Ting Chou
論文名稱:租賃業信用評等模型之研究-以重車分期付款為例
論文名稱(外文):A research on credit rating model of leasing company---A case study of heavy vehicles installment
指導教授:李永山李永山引用關係
指導教授(外文):Yung-Sun Lee
學位類別:碩士
校院名稱:銘傳大學
系所名稱:資訊管理學系碩士在職專班
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:77
中文關鍵詞:決策樹資料探勘信用評等模型租賃業
外文關鍵詞:Credit rating modelData MiningDecision treeLeasing company
相關次數:
  • 被引用被引用:11
  • 點閱點閱:700
  • 評分評分:
  • 下載下載:178
  • 收藏至我的研究室書目清單書目收藏:3
近年來國內商業銀行的逾放問題,造成經營上的一大難題,使得銀行對授信業務轉趨於保守,造成多數中小企業開始轉向租賃公司進行融資行為。租賃公司提供如租賃、分期付款買賣、國內應收帳款受讓等多元化的商品。而目前租賃公司對客戶之徵審授信評估,多是依據過往的經驗法則作出主觀判定,此方式之標準甚為模糊,亦可能制定出錯誤的決策。

本研究應用資料探勘技術,以個案公司的重車分期資料進行分析,建構客戶授信之信用評等模型,強化租賃公司承辦重車分期案件時的授信判斷依據,以建立客觀且嚴謹之評分標準,避免不良債權之產生,保有並追求優質客戶,達成提昇整體營業利益之目的。

本研究以個案公司重車分期業務之徵授信資料為主要研究樣本,運用決策樹分類技術,對徵授信資料進行分析,研究結果發現較佳預測力之6個重要變數,分別為開戶年數、貸款成數、申貸期數、資本額、資金用途與車主年齡。

由模型之實證結果可歸納出以下四個結論:1、開戶年數為模型最重要的影響變數。2、貸款成數百分比較小者,申貸期數較短者、客戶之資本額越大者,屬於較佳之信用評等等級。3、資金用途為買賣件者(首購、增購或汰舊換新)較資金用途為融資件者(週轉、正常轉件、展延轉件、解約增貸)之信評等級為佳。4、車主年齡應與其他重要變數相互對應觀察,方能對信用評等等級做出正確判斷。
In recent years, the non-performing loans problems of most domestic commercial banks caused management problems. The banks become more conservative on their credit business that makes small and medium sized enterprises encounter difficulties of loans and pushes them to loan money from leasing company. The leasing company provides multiple products such as leasing, installment, domestic account receivable, etc. Currently, the leasing companies evaluate their customer’s credit according to their personal experiences. However, without a standard criteria, they might make decision mistakes easily.

This research used data mining techniques to analysis the installment data of heavy vehicles, to build a highly trustable and predictable credit rating model, and to enhance the quality of credit checking for leasing company. This research will set up a standard criteria to avoid high debt risk, retain high contribution customers and increase the total profits.

This research is based on the the installment data of heavy vehicles, using decision tree classification of data mining technique, to analyze credit data. We found 6 major factors of better prediction. The major factors are the tenure of an account , the percentage of loans, the period of loans, the capital of customer’s company , the purpose of loans and the customer''s age.

The results from the model can be summed up to four conclusions:1. The tenure of an account is the most important factor of the model. 2. The customer with a smaller percentage of loans, the shorter period of loans, and the greater amount of capital which have better credit. 3. The purpose of loans is for purchasing vehicles (the first purchase or purchase a new one or replacement of the old) which has better credit rating than the purpose of loans is for finance adjustment (turnover or transfer or extension or the denunciation of contract). 4. The customer''s age must be mutual observed with other major factors, in order to make the right judgement for the credit rating.
中文摘要 i
ABSTRACT ii
誌 謝 iv
目 錄 v
表目錄 vii
圖目錄 viii
第壹章 緒論 1
第一節 研究背景 1
第二節 研究動機 2
第三節 研究目的 3
第四節 研究範圍 3
第五節 研究流程 4
第貳章 文獻探討 5
第一節 租賃業之現況 5
一、租賃業的定義 5
二、租賃業的分類與營業項目 5
三、分期付款業務之概念 7
第二節 授信與信用評等 10
一、授信管理 10
二、信用評等制度 11
三、信用評等方式之分類 14
四、信用評等模型探討 16
第三節 資料探勘 21
一、資料探勘之定義與流程 21
二、資料探勘之功能 24
三、決策樹 25
四、類神經網路 27
第三章 研究方法 29
第一節 研究架構 29
第二節 資料來源 30
第三節 研究期間與變數 30
一、應變數 30
二、自變數 31
第四章 資料分析 35
第一節 資料前置處理 35
一、資料選擇 35
二、資料清理 37
三、資料轉換 37
四、資料篩選 39
第二節 資料探勘 41
一、資料抽樣 41
二、模型建立 42
三、分類規則 55
第五章 結論與建議 61
第一節 結論 61
一、研究發現 61
二、實務應用 63
第二節 建議 65
參考文獻 66
中文部份
1.一銀產經資訊編輯部,「國內租賃業務的發展概況」,一銀產經資訊,第468期,2004,頁53~62。
2.尹相志,SQL 2000 Analysis Service資料採礦服務,台北:維科圖書有限公司,2003。
3.吳銘鴻,「台灣租賃產業的現況與未來發展策略之探討---中租迪和股份有限公司個案分析」,東海大學管理碩士學程在職進修專班碩士論文,2002。
4.李明峰,「銀行業對企業授信『信用評等表』財務比率預警有效性之實證分析」,國立中山大學財務管理學系研究所碩士論文,2001。
5.李樑堅、張志向,「中小企業授信評估模式建立之研究」,臺大管理論叢,第9卷第2期,1999,頁69~95。
6.阮正治、江景清,「台灣企業信用評分模型建置與驗證」,金融風險管理季刊,2004。
7.周鵬程,類神經網路入門第三版,台北:全華科技圖書股份有限公司,2006。
8.林達榮、胡淑慧,「非財務資訊於客戶信用評估模式之分析」,貨幣市場,第8卷第2期,2004,頁13~30。
9.金管會,「97年2月份本國銀行逾期放款情形」,網址:http://www.fscey.gov.tw/news_detail2.aspx?icuitem=4048377,2008。
10.張大成、劉宛鑫、沈大白,「信用評等模型之簡介」,中國商銀月刊,第21:11卷,2002,頁1~5。
11.許麻,「本國銀行授信信用風險管理之探討」,大葉大學事業經營研究所碩士論文,2003。
12.陳石進,銀行授信管理,台北:財團法人台灣金融研訓院,2007。
13.陳仲明,「銀行中小企業授信評估因素探討」,國立台北大學企業管理學系碩士論文,2005。
14.陳錦村、李智芳,「中小企業信保案件之違約機率、回收率與信用風險值的實證研究」,台灣金融財務季刊,第6卷第4期,2005,頁69~98。


15.陳龍忠,「租賃公司之授信內控探討-以H公司為例」,元智大學管理研究所碩士論文,2006。
16.曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯,資料探勘,台北:旗標出版股份有限公司,2005。
17.經濟部統計處,「96年12月租賃、專業及技術服務業動態調查」,網址:http://2k3dmz2.moea.gov.tw/GNWEB/news/news22.aspx?id=172,2008。
18.謝邦昌,資料採礦與商業智慧,台北:鼎茂圖書出版股份有限公司,2005。
19.羅仕宇,「租賃業的風險管理」,實踐大學企業管理研究所碩士論文,2006。
20.蘇木春、張孝德,機器學習:類神經網路、模糊系統以及基因演算法則第三版,台北:全華科技圖書股份有限公司,2006。
21.蘇紋慧,「中小企業信用評估模式之研究-以中小型製造業為例」,國立中山大學財務管理學系研究所碩士論文,2001。

英文部份
1.Altman, E. I., “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”, Journal of Finance, vol. 23, 1968, pp. 589-609.
2.Berry, M. J. A. and Linoff, G., Data Mining Technique for Marketing, Sale, and Customer Support, Wiley Computer, 1997.
3.Berry, M. J. A. and Linoff, G., Data Mining Techniques:For Marketing, Sales, and Customer Relationship Management ,2nd edition, Wiley, New York, USA, 2004.
4.Fayyad, U., Shapiro, G. P. and Smyth, P., “From Data Mining to Knowledge Discovery in Databases”, AI Magazine, vol. 17, 1996, pp. 37-54.
5.Fayyad, U., Shapiro, G. P. and Smyth, P., “The KDD process for extracting useful knowledge from volumes of data”, Communications of the ACM, vol. 39, 1996, pp. 27-34.
6.Fayyad, U. M., Shapiro, G. P. and Uthurusamy, R. eds., Advances in Knowledge Discovery and Data Mining, Menlo Park, CA: AAAI/MIT Press, 1996.
7.Frawely, W. J., Piatetsky-Shapiro, G. and Matheus, C. J., “Knowledge Discovery in Databases: An Overview”, AI Magazine, vol. 13, 1992, pp. 57-70.


8.Gruppe, F. H., Owrang, M., “Data Base Mining Discovery New Knowledge and Cooperative Advatage”, Information System Management, vol. 12, 1995.
9.Han, J. and Kamber, M., Data Mining Concepts and Techniques ,2nd edition, Morgan Kaufmann, San Francisco, CA, USA, 2006.
10.http://www.crisp-dm.org/Process/index.htm, 2007.
11.Quinlan, J. R., C4.5: Programs for Machine Learning, Morgan Kaufmann, San Francisco, CA, USA, 1993.
12.Srinivasan, V. and Kim, Y. H., “Designing Expert Financial Systems: A Case Study of Corporate Credit Management”, Financial Management, vol. 17 , 1988, pp. 32-43.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top