驗證模型

經過前三節模型開發之實證比較後，發現 MODEL III 的區別能力及各項模 型評估指標均顯示該模型的表現較佳，因此以 MODEL III 做為最終模型，進行 驗證分析。

以 94 年 2 月至 94 年 11 月之有效卡客戶，作為衡量信用風險評估模型是否 適當的驗證樣本，並以 94 年 12 月至 95 年 1 月做為定義樣本逾期與否之觀察期。

驗證樣本共抽取 3,357 件，其中逾期戶 1,370 件，非逾期戶 1,987 件。

將驗證樣本之資料帶入最終評估模型，以檢驗所開發之評估模型是否適當。

由圖 4.5 之 ROC Curve，可以看出驗證樣本之 C 值為 0.936；而 K-S 檢定圖可以 看出 KS 值為 75.7，驗證模型之表現與最終模型相當；另外，由 Population Stability Report(圖 4.6)，可以看出分析樣本與驗證樣本的信用風險累積機率分佈，其 Population Stability Index 為 0.179，表示樣本呈輕微波動，然分析樣本開發之模 型仍可適用於後續期間之樣本評估；另外，該模型對驗證樣本的區別正確率如表 4.16 所示，對於逾期戶的區別正確率為 84.2%，非逾期戶的區別正確率為 88.9%，

整體區別正確率為 86.9%。綜合上述資料，說明所開發之模型是適用的，但仍需 隨時間及樣本之變化做適當調整。

圖4.5 Population Stability Report(PSI=0.179)

0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

分析樣本 驗證樣本

圖 4.6 TESTING MODEL 之 ROC CURVE 與 K-S CURVE

TESTING FINAL MODEL 之 C 值為 0.936。

TESTING FINAL MODEL 之 KS 值為 75.7。

表 4.16 TESTING FINAL MODEL 之分類表 實際樣本

模型判別

非逾期戶 逾期戶 正確率 總正確率

非逾期戶 1,733 216 88.9%

逾期戶 217 1,152 84.2%

TOTAL 1,950 1,368 3,318

86.9%

第五章 研究結論與建議

本章繼研究方法與實證分析後，針對本研究之實證結果進行總結，同時闡 明研究之限制，並對後續相關研究提出改善之建議。

第一節 研究結論

經由實證分析，本研究發現對於衡量銀行信用卡現存客戶的信用風險方面，

「繳款行為變數」對逾期戶的區別能力明顯優於「個人屬性變數」。由表 5.1 中，

MODEL I 與 MODEL II 的比較可得到證實，尤其對於逾期戶的判別能力，行為 變數的判別正確率較屬性變數提升 38%左右，顯示若單由屬性變數建立之風險評 估模型（MODEL I），將無法預警客戶逾期情況的發生，而進一步在事件發生前 先進行適當之風險控管措施。另外，MODEL III 為綜合屬性變數及行為變數之模 型，由表 5.1 中得知，MODEL III 在逾期戶的區別正確率中，較 MODEL II 下降 了 0.08%，然而，其區別正確率仍高達 91.1%，代表對逾期戶的判別錯誤率低 10%

以下，表現已非常良好，另外，於其他各項均較 MODEL II 微幅上升。因此，本 研究採用 MODEL III 為最終信用風險評估模型。

表 5.1 三模型綜合比較表

MODEL I MODEL II MODEL III

非逾期戶區別正確率 81.6% 87.5% 88.8%

逾期戶區別正確率 54.1% 91.9% 91.1%

整體區別正確率 71.1% 89.1% 89.6%

R ² 0.194 0.513 0.524

資料來源：本研究

最終模型以行為變數為主，屬性變數為輔的概念，做為評估信用卡客戶的信

用風險模型，其中個人屬性變數中，顯著的變數有：客戶之性別、子女數、學歷、

工作年資及住宅所有。男性由於承受較大的經濟壓力與家庭重擔，成為逾期戶的 機率較女性高，信用風險也相對較高。而子女數該變數在過去相關研究中較少人 採用，本研究顯示，其亦為影響信用風險之因子，當客戶之子女數較多時，花費 在民生必需上的支出比例較大，一般始用信用卡娛樂休閒的支出相對較小，因 此，信用風險相對於無子女及子女數為１人者小。學歷方面，如過去研究所示

（2000 年，呂美慧、2001 年，林建州），學歷較高者，因道德感及責任感較高，

信用風險相對較低。工作年資則顯示，一年以下者成為逾期戶的比率較高，表示 因工作時間短、收入仍不穩定，因此信用風險相對較高。而住宅非自己或親屬所 有者，表示居住地不一定，可能常搬遷，經濟能力不足以購屋，信用風險相對較 住宅為自家或親屬所有者高。而行為變數方面顯示，平均繳款率愈高者，表示其 繳款行為較正常，信用風險愈低。而平均動撥率及平均預借現金率則相反，動撥 率愈高者，表其尚欠餘額占信用額度比例愈高，循環利息亦會不斷累積增加，產 生逾期不繳或壞帳的機率相對較高，而預借現金率愈高者，表示急迫需要現金的 比例較高，當前經濟收入可能無法支出，因此，信用風險亦相對較高。

利用本研究之信用風險評估模型，定期審視現存有效卡客戶的繳款行為，可 幫助金融界做好事預防的工作，透過模型分析判別客戶之信用風險之高低，以利 公司監控行內客戶的風險狀況，並做出適當的管控措施或活動企劃，其對金融機 構之助益如下：

一．藉由客觀工具建立一致性客戶之風險等級

利用客觀的統計分析工具，篩選出影響客戶風險性之因子，將現有客戶 區分成各風險等級，不以主觀人為做判斷，不但減少時間成本及，也降低 人為操作上的偏誤。強調以模型系統為主，人工審視為輔，可減少人為判 斷時對資訊未能充份了解，以至模糊兩難，難下決定或下錯決定的困擾。

二．針對不同風險等級之顧客分群管理

依據不同風險等級之客戶，公司可擬定不同之應對措施控管。例如：

風險等級最高之危險客戶，可立即給予鎖卡，不允許其再消費；風險等級 次高之客戶，則可調降其信用卡額度至其已消費金額，甚至更低…等；但 對於風險級最低之客戶，能針對其消費特性或個人屬性給予促銷活動，鼓 勵其消費或再辦新卡等行銷方式。針對不同風險群之客戶應有相對之管理 手法，以留住好客戶增加公司利潤，管制壞客戶防止其產生更大的損失。

三．對於好客戶提供良好的互動因子

對於風險性較高的客群，公司即不需浪費過多資源於此。除了開發新 客源之外，對於風險性低，繳款行為良好之客戶，應與之維持長久之良好 關係，針對其需要開發出適合之產品或進行相關之促銷活動，以從中獲取 大部份之利潤，而非對公司現有客戶“全面撒網＂，不論好魚壞魚都捕，

如此不但浪費成本也可能再度吸收那些高風險型顧客，造成惡性循環。

四．藉由風險控管模型降低未來逾期壞帳率之可能性

由模型區分出來的高風險型顧客，表示其變成逾期戶的機率較大，公 司能提前鎖定高風險型客戶，隨時監控其行為，或對其做適當之控管，以 減少其發生壞帳的機率或金額，提高組織內的獲利能力。

「信用風險之管理」為金融界首要工作之一，它直接關係著金融機構的營業 利潤及市場競爭力，因此，建立一套優良的信用風險評估系統，並貫徹施行，為 當今產業環境下之時勢所趨，本研究模型及結果便可提供金融業界參考修正之。

第二節 研究限制

由於本研究以銀行信用卡客戶為研究對象，資料呈現的方式均來自抽樣銀行 之資料庫系統，因而，主要之研究限制亦源於抽樣銀行的資料型態，說明如下：

一．項目齊全性：研究變數的選擇，僅能考慮銀行資料中呈現的項目，若非 銀行資料內所納入之項目，則無法進行分析，即使是過去文獻中顯著之影響因 子，如：客戶之「年所得」項目，年所得對於客戶之繳款能力具有相當之影響。

二．資料完整性：即使分析項目為銀行資料庫所納入，然資料不完整的狀況 仍會造成該變數分析上的偏頗，若分析項目並非銀行要求客戶必填之資料，則可 能出現，部份樣本有值，而部份樣本出現空白的情況，如：職業、住宅所有及聯 絡人關係…等，均有資料不完整之問題。

三．資料正確性：在以上兩項限制均不存在的狀況下，仍會出現資料正確性 的限制，本研究假設取得之樣本資料均為正確的情況下，進行實證分析，若樣本 資料出現錯誤，亦可能使本研究出現不一致的結論。

四．模型適用性：本研究模型的適用性只限於該抽樣銀行，原因為研究樣本 之抽取僅來自該行，且分析之資料型態、項目或類別亦服從該資料系統，因此，

該評估模型僅適用於該銀行，若勉強用於他行可能有所偏頗。

第三節 後續研究建議

本研究針對行為評分（Behavior Scoring）的部份，只採用行內繳款資料做為 模型變數，後續相關研究建議加入：銀行內部消費型態資料及外部聯合徵信中心

（JCIC）資料。如此，評估模型不僅考慮到客戶於行內的消費、繳款行為，同時 亦兼顧客戶於金融業整體之信用往來情況，對於信用風險之預警，應會更為精確。

另外，建立之信用評估模型，若欲提供整體金融機構使用，研究之樣本之抽 取應考慮跨各行庫之資料，雖然實務進行上有其困難之處，然建立金融產業皆能 適用之信用評估模型是產業界趨勢，如此，才能避免各家銀行因採用不同信用評 估系統而產生的不一致性。

參 考 文 獻

1. Altman, E. I. “Financial ratios, discriminate analysis, and the prediction of corporate bankruptcy”, Journal of Finance, 23, pp 589-609, 1968.

2. Elizabeth Mays. Credit Scoring for Risk Managers: The Handbook for Lenders, Thomson, U.S.A, 2004.

3. Espahbodi, P. ” Identification of Problem Banks and Binary Choice Models”, Journal of Banking and Finance, 15 , pp 53-71, 1991.

4. Lyn, C. Thomas, David B. Edelman, Jonathan N. Crook. Credit Scoring and Its Applications, The Society for Industrial and Applied Mathematics, 2002.

5. Ohlson, J. S. “ Financial ratios and the probabilistic prediction of bankruptcy”, Journal of Accounting Research ,19, pp 109-131, 1980.

6. Orgler, Y.E. “A Credit Scoring Model for Commercial Loans”, Journal of Money, Credit, and Banking, 2 , pp 435-445, 1970.

7. Updegrave, W. L. “How Lender Size You Up” Money, pp 28-33, April 1987.

8. 方永銘，「新巴塞爾資本協定-信用風險探討」，交銀通訊，6-10頁，民國 92年5月。

9. 王濟川、郭志剛，Logistic迴歸模型方法及應用，五南圖書出版有限公司，

初版，台北市，民國 92 年。

10. 呂美慧，「銀行授信評等模式－Logistic Regression 之應用」，政治大學財 務金融研究所，碩士論文，民國89年。

11. 李桐豪、呂美慧，「金融機構房貸客戶授信評量模式分析－Logistic廻歸之 應用」，台灣金融財務季刊，1：1，1-20頁，民國89年。

12. 吳玉絹，「新版巴塞爾資本適足率簡介」，交銀通訊，12-17頁，民國91年7 月。

13. 林建州，「銀行個人消費信用貸款授信風險評估模式之研究」，中山大學財

13. 林建州，「銀行個人消費信用貸款授信風險評估模式之研究」，中山大學財