第一節 研究結論
本研究主要有兩個目的, 第一個目的是找出影響現金卡持卡人發生逾期違約的顯著變 數。 第二個目的是輔以區別分析、 羅吉斯迴歸分析、 倒傳遞類神經網路模式, 將資料作最 完善的分析探討, 透過分析結果加以篩選比較, 建立一個具效率、 客觀及準確的信用風險 評估模式,期能提升貸放品質,降低與預防逾期呆帳的損失。 根據上述目的,就實證分析結 果整理如下。
一、 發現影響客戶逾期違約的顯著變數有八個:
分別是: 年收入、 擔保放款餘額總歸戶、 信用卡總張數、 現金卡總張數、 同業最近兩 個月查詢次數、 動用後第二個月核准額度、 動用後第二個月提領金額、 動用後第一年還款 金額。 其中動用後第二個月核准額度、 動用後第二個月提領金額、 動用後第一年還款金額, 等3個變數尚未為其他文獻提出, 應可為本研究之貢獻。
茲將影響發生逾期違約的八個顯著變數說明如下: 1.年收入:
就授信實務而言, 年收入低的客戶相對上較容易發生逾期違約情形; 年收入越高之客 戶, 其支付能力較強, 因此逾期違約比率越低, 但是對客戶所提出的收入證明依據及可信 度仍是銀行徵審的重點。
2.擔保放款餘額總歸戶:
就授信實務而言, 而無不動產的客戶, 經濟情況較為吃緊, 擁有不動產的客戶, 其經濟 能力較無不動產的客戶為優良, 但仍須考量客戶整體負債比是否過高。
3.信用卡總張數:
就授信實務而言, 在雙卡風暴之前, 由於各家銀行競爭激烈, 往往客戶申辦一張信用 卡, 銀行主動核准多張卡片, 加速客戶擴張信用,由於信用卡也兼具借貸功能, 所以客戶持
有之信用卡張數越多,發生逾期違約的可能性也較高。 建構的過程獲得顯著影響變數, 研究發現可以利用區別分析與 Logistic Regression 兩種 方式篩選出顯著影響變數, 運用倒傳遞類神經網路模式進行模型的建構, 如此可獲得具代 表性的預測模型。
三種分析方法中, 區別分析的準確率為69%; Logistic Regression的準確率為69.5%;
倒傳遞類神經網路模式的準確率為90%, 以逾期戶預測準確度而言, 區別分析的逾期戶準 確率為69%; Logistic Regression 的逾期戶準確率為69.7%;倒傳遞類神經網路的準確率
為90%。 倒傳遞類神經網路之分類正確率明顯優於區別分析與 Logistic Regression。
第二節 研究建議
一、 對銀行業者的建議:
1. 以電腦建立一套標準化系統, 協助徵審人員迅速了解申貸戶違約機率, 且能有效控 管逾期放款比率。
2. 對於審核未通過之案件亦應建檔納入分析,以增加風險模型的完整性。
3. 銀行業者必須注意到申貸戶資料的正確性, 一旦發生資料偽造, 違約的機率將會增 加, 並且也影響系統的判別能力。
二、 對後續研究者的建議:
1. 除了現金卡持卡人個人因素影響違約外, 尚可從銀行的進件體系: 如委外行銷進件、
業務專員進件等, 來建立現金卡最佳授信模式。
2. 本研究所蒐集之資料範圍僅包含持卡兩年且經審核通過之持卡者基本資料, 若能進 一步蒐集申請但被駁回發卡之樣本進行分析研究, 應可更加強系統判斷能力。
3. 倘若能搜集多家發卡銀行資料進行多樣化研究, 應可推導出持卡戶更普遍性的顯著 變數,使發展出的模式能應用於不同的發卡銀行。
4. 本研究之研究方法如圖5.1 ,只針對應用較廣泛的區別分析、Logistic Regression找 出顯著變數; 利用倒傳遞類神經網路建立模型, 後續研究者尚可針對不同架構分析 比較其結果, 如: 支援向量機、 模糊層級分析法等模式等, 找出更適宜的預警模式。
圖5.1: 本研究之研究方法流程圖