評分系統

信用評分系統是運用統計方法來預測貸款申請人或現有借款人違約的發生機率，利用借 款者過去的信用行為與個人資料的徵信作為判斷的因子資料，來判斷信用卡申請人的信 用風險與償債能力。此方法從 1950 年建立，現今信用卡越來越普及，再加上電腦普及 與資訊的快速傳遞，進一步加強了信用評分系統的準確度，因此銀行業者廣泛的使用信 用評分系統，也將此列為信用評估重要的方法之一。

2.3.1 如何運用評分系統 如何運用評分系統 如何運用評分系統 如何運用評分系統:

第一，我們需要先拿到申請人的基本資料、過往信用情況、消費行為與過往金融商品的 交易項目作為一個分析的資料庫。將資料分成三類如下:

表 2-4 申請資料分析表

分類 內容

1.顧客基本資料 1. 婚姻狀況 2. 年齡

3. 性別

資料來源：整理於(Steenackers 1989; Mester 1997)

表格內的分類為基本資料，可以再隨著情況的不同，增加須分析的資訊。一般而言，

模型、區別分析、機率預測、決策樹方法模型。但這四種方法都有著不同的假設，羅 吉斯模型依據各個變數之權重給定信用分數，並可用來篩選重要變數，尤其對解釋變 數之資料尺度不受限制，可考慮解釋變數之間共線性並進行預測的資料，但假設中需 要違約機率服從羅吉斯分配；決策樹方法，找出目標變數與解釋變數存在互動效果，

並區分兩個以上的目標群體。雖然資料尺度不受限制，亦可找對目標群體解釋區分的 重要因素組合，終究仍無法給定權重，以進行評分，而且由於方法上較為困難與複雜，

所以較不廣為使用。機率模型需要假設違約機率服從常態分配;而區別分析只能夠將申 請人依造風險程度分類，比較過三種方法的假設後，由於機率模型的假設較難符合，

而決策樹模型估計較複雜與困難，因此羅吉斯模型與區別分析是較常用來分析的方法。

2.3.2 評分系統的優點:

評分系統的優點包含快速、便宜，而且更客觀。以往傳統的信用審核過程平均要 12 個 小時到一天半左右，但運用了評分系統後，可將時間所短為一個小時。加上資訊科技日 益進步，網際網路的廣泛運用，也減少了信用徵信的成本，更凸顯了評分系統便宜的優 點，運用電腦取代人力，節省了大量的人力成本，更可減少人為誤差與干擾，讓評等更 為客觀。根據歐美銀行的經驗，即時且精準的信用風險評估能有效降低 5%到 15%的壞 帳率，同時降低 5%到 10%的重覆核貸作業成本。銀行可更進一步將未提撥的資本準備 金做最佳運用以創造更高獲利，快速簡便且有效率的方法可以使銀行獲利提高。

第三章 第三章

(11) 95 年 1 月信用卡徵審業務由分行徵審作業改為總行集中作業制

四、婚姻

八、信用卡近三個月循環信用比率

3 使用率 0~40%者 -10 4 使用率 41~70%者 -20

5 使用率 71%以上者 -30

十三、持卡家數(有效卡)

內容 分數

1 無持卡往來報送紀錄 0

2 持 1~5 家 0

3 持 6~8 家 -3

4 持 9~11 家 -5

5 持 12 家以上 -10

十四、近 12 個月信用卡延滯繳款次數

內容 分數

1 無信用卡往來報送紀錄 0

2 有信用卡無繳款延滯紀錄 5

3 有 1 次延滯繳款紀錄 0

4 有 2~3 次延滯繳款紀錄 -20 5 有 4~5 次延滯繳款紀錄 -30 6 有 6 次以上延滯繳款紀錄 -50

※K21 無持卡紀錄者及 B51 無貸放紀錄者，則不予評分 (資料來源:本研究整理)

3.1.3.2 內部評分 內部評分 內部評分 內部評分項目 項目 項目 項目(額度授予 額度授予 額度授予 額度授予)

1.10 年以上 10 分

3.10~20 萬 12 分 4.5~10 萬 6 分 5.2~5 萬 4 分

6.2 萬以內 2 分(含無存款往來)

九、理財客戶 最高配分 20 分(定存、基金、股票、RP) 1.500 萬以上 20 分

2.100~500 萬 16 分 3.50~100 萬 12 分 4.50 萬以內 10 分 5.無理財往來 0 分

3.2 文獻探討

有關國內外對於信用卡違約探討與研究的文獻很多，就本次對於影響違約風險 變數的討論，找了幾篇近幾年來與相關議題討論並具代表性的文獻如下：

Aggarwal, Chomsisengphet, and Liu (2011)利用 170,000 筆信用卡資料分析倒帳 與個人社會成本(individual social cost)的關係，實證發現社會網絡，規範、合作及

Lee, Lin, and Chen (2011)利用台灣某中小型商業銀行信用卡持卡人資料，取自 1998 年 1 月至 2006 年 12 月為止合計 612 個持卡人，包括 439 個正常戶及 173 個

Black and Morgan (1999)利用 1995 年及 1989 年美國消費者金融調查(Survey of consumer finances)的資料，因為這兩年經濟情勢相當，可以排除總體因素影響倒 帳的比較分析，結果顯示美國消費者中，年輕人、低收入族群及藍領階級的持卡 人增加，而且信用卡持卡人的債務所得比上升，進而推論以上因素可以解釋後續 年來信用卡倒帳增加的主要原因。

Gross and Souleles(2002)探討在 1995 至 1997 年間，美國經濟表現良好，但個 人倒帳及破產案件上升，他們利用 duration model 分析倒帳機率，結果顯示，在 其他條件不變下，相同信用風險評分的信用卡借款人，在 1997 年的破產及倒帳機

率，比在 1995 年分別提高了 1%及 3%，其中信用額度增加及信用評分組合變化 僅解釋一小部份此期間倒帳風險，而因倒帳成本(default costs)下降所衍生的需求 效果(demand effect)明顯增加，致使一般標準倒帳模型無法預測出此因素。因此金 融機構在信用卡業務競爭增加信用供給(credit supply)給消費者，且消費者面臨倒 帳的法律成本下降，均造成信用評分較低的消費者更傾向於增加借款及選擇倒帳。

社會資本( social capital)對消費者破產及倒帳行為的研究，Fay, Hurst, and White (2002)指出，美國州破產豁免規定對債務人來說，提出破產保護有利自身財務利 益，進而引導借款人傾向策略性倒帳。Gross and Souleles (2002)利用信用卡借款 人資料，控制個人風險評分組合及經濟環境變數後，分析結果顯示，借款人倒帳 機率升高的原因可推測是由於倒帳成本下降，因倒帳所引起的社會規範(social norms)變化，使得社會烙印( social stigma)降低所致，因此倒帳的社會觀感變得友 善，進而造成大量借款人提出破產案件。其他研究如 Buckley and Brinig(1998)提 出實證資料說明各州狀況，另外， Livshits and MacGee (2007)則利用倒帳均衡模 型(equilibrium bankruptcy model)預測此現象。因此，以上文獻支持有關社會資本 ( social capital)對消費者破產及倒帳行為。

在國內研究信用卡違約因素研究方面，主要就信用卡持卡人的個人基本資料、

資、住宅狀況、教育程度、家庭狀況、年齡、授信存款、主管綜合評述加分等變

料進行違約因子相關性分析，並採用下列十個解釋變數: 性別、年齡、職業等級、

教育程度、婚姻狀況、卡別、年消費金額、年循環金額、信用額度、居住地區等 進行實證分析。實證分析結果: 性別、年齡、職業等級年消費金額、卡別、年循 環金額、信用額度、居住地區呈現和違約正相關；教育程度、婚姻狀況、年消費 金額則都違約呈負相關。此外，年循環金額則不具解釋能力。

陳怡婷 (2009)就持卡人個人屬性，銀行往來關係與總體環境因素等三構面進行 實證分析，實證結果顯示，持卡人職業分類等級、持卡人每月是否使用信用卡、

持卡人繳款意願、持卡人是否動用循環利息、持卡人使用循環利息之額度、持卡 人是否有其他銀行信用貸款、持卡人使用信用額佔額比率、銀行核發持卡人信用 總額度等因素影響信用卡之逾放額。

盧玟君 (2011) 就持卡人個人屬性、在授信狀況方面、在信用卡使用方面以及 在金融機構查詢紀錄方面等四大構面進行實證分析，實證結果指出，有無辦理擔 保放款、擔保放款件數多寡、無擔保貸款金額高低、是否每月都使用信用卡、支 票存款帳戶的家數、三個月內新業務查詢家數以及聯徵中心提供的個人信用評分 為逾放之顯著因素。

3.3 研究架構

依前節之文獻探討，可推得本研究之研究假設如下:

假設 1: 職級別風險正向影響呆帳比

假設 2: 性別對於職級類別風險對呆帳比的影響具有調節效果

假設 3: 是否預借現金對於職級類別風險對於呆帳比的影響具有調節效果 以上三研究假設可彙整示於圖 3-1 之研究架構圖。

圖 3-1

第四章 第四章 第四章 第四章、 、 、 、研究方法 研究方法 研究方法 研究方法

4.1 樣本描述 樣本描述 樣本描述與 樣本描述 與 與 與研究變數說明 研究變數說明 研究變數說明 研究變數說明

我們由個案公司資料庫中取出民國 95 年到民國 99 年已列為呆帳之資料，移除 不完整之資料後，總共有 10,394 筆資料。

I. 職級別風險 A. 定義:

職級別風險為職級別違約風險程度，我們將個案銀行現有的 54 種職級別分 類，依造其違約風險程度分成五種職級別風險等級進行探討。

B. 分類與衡量:

a. Class job 1 為違約風險程度最高者；人數佔全體 79%

b. Class job 2 為違約風險程度次高者；人數佔全體 3%

c. Class job 3 為違約風險程度居中者；人數佔全體 10%

d. Class job 4 為違約風險程度次低者；人數佔全體 5%

e. Class job 5 為違約風險程度最低者；人數佔全體 3%

C. 變數命名: job D. 資料分析:

由圖 4-1 中，顯示出呆帳的資料庫中，我們有 79%的人風險等級都被列為最高風 險(等級 1)

圖 4-1 職級別風險變數佔比圖(本研究整理)

II. 性別 A. 定義:

借款人的性別，我們將資料庫內的 10394 筆資料，依照男生與女生進行 分類。

B. 分類與衡量:

a. Gender=0 代表女生；42%是女性。

b. Gender=1 代表男生；58%是男性。

C. 變數命名: Gender D. 資料分析:

由圖 4-2 可知，呆帳資料庫中男性多於女性。

圖 4-2 性別變數佔比圖(本研究整理)

III. 是否預借現金(credit or not) A. 定義:

借款人違約前半年是否有預借現金行為，我們將資料庫內的 10,394 筆資料，進行 分成兩類。

B. 分類與衡量:

a. Credit =1 代表違約半年前，有預借現金行為；人數佔全體 97%

b. Credit= 2 代表違約半年前，無預借現金行為；人數佔全體 3%

C. 變數名稱: Credit D. 資料分析:

由圖 4-3 可知，呆帳資料庫中，大部分的人都是有預借現金。

圖 4-3 預借現金行為變數佔比圖(本研究整理) IV. 婚姻狀況:

A. 定義:

借款人的婚姻狀況，我們將資料庫內的 10,394 筆資料，依照已結婚與未結 婚進行分類。

B. 分類與衡量:

a. Marriage=1 代表已結婚；人數佔全體 32%

b. Marriage=2 代表未結婚；人數佔全體 68%

C. 變數名稱: Marriage D. 資料分析:

由圖 4-4 可知，呆帳資料庫中，未婚人數是多於已婚。

圖 4-4 婚姻變數佔比圖(本研究整理)

V. 呆帳之額度比:

A. 定義:

將借款人已過回收期限列為呆帳費用除以銀行給予之信用額度。

呆帳之額度比

B. 變數名稱: debt

4.2 分析方法 分析方法 分析方法 分析方法:

為檢驗假設 1，本研究使用下列之迴歸模型:

為檢驗假設 1，本研究使用下列之迴歸模型: