1. NCCU Academic Hub
  2. Publications
  3. College of Informatics
  4. Theses
  5. Item

Publications-Theses

Article View/Open

Publication Export

Google ScholarTM

NCCU Library

Citation Infomation

Related Publications in TAIR

題名 以資料探勘技術作中小企業信用保證貸款之信用預測
Credit Prediction of Small-Medium Enterprises for Credit Guarantee Loans
作者 陳玉珊
貢獻者 沈錳坤
陳玉珊
關鍵詞 資料探勘
信用預測
信保基金
日期 2010
上傳時間 1-Apr-2013 14:39:03 (UTC+8)
摘要 我國中小企業一向以靈活、具彈性的經營聞名，具有穩定社會經濟不可動搖的地位，但是中小企業卻常因為擔保品不足、財務資訊不夠透明，使得銀行融資意願不高，政府為扶助中小企業，特別設置中小企業信用保證基金(以下簡稱信保基金)，其主要功能就是以提供保證的方式解決中小企業因擔保品不足無法順利向銀行貸款的問題。為了使信保基金扶助中小企業之功能能更加發揮，如何評估企業逾期風險，並避免承做高風險的案件是非常重要的工作。本研究之主要目的希望在針對台灣的中小企業移送信保基金保證時，可以根據歷年來承保之准駁及貸放後逾期之案件，找出其授信風險規則，以此規則可以對其他新案件作信用預測，以便在處理承保作業時，能快速地根據中小企業申請貸款時提供之各項資訊做出評估。
     本研究使用資料探勘技術從信保基金所建立之中小企業資料庫中選出欲探勘之需逐案審核的案件資料，並以是否承保及承保後是否逾期兩個方向來研究。首先對選出之資料先進行Data Preprocessing，並就Data Imbalance之問題，利用增加樣本數方法(SMOTE)解決。再以是否承保和承保後是否逾期為切入點，使用ID3、J48、Naïve Bayesian Classifier、SVM、Logistic Regression、Adaboost和Random Forest 7種探勘方法來探勘出承保之准駁及貸放後逾期之規則。
     實驗結果顯示這七種探勘方法準確率大都可以達到80%以上，另就有無含資本額、資產總額、營業額、員工人數等基本資料來做比較，發現就準確率來看，並無明顯影響。
參考文獻 [1}潘玉葉，台灣股票上市公司財務危機預警分析，淡江大學管理科學研究所博士論文，1990。
     [2]王文英，“運用類神經網路建構台灣上市公司財務危機預警模型”，實踐大學企業管理學系碩士論文，1999。
     [3]沈大白、張大成、劉宛鑫，“運用類神經網路建構財務危機預警模型”，貨幣觀測與信用評等，第 38 期，113-120，2001。
     [4]邱碧芳，公司財務危機預警資訊之研究－考慮現金流量因素，朝陽科技大學財務金融所碩士論文，2002。
     [5]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研究所碩士論文，2002。
     [6]蔡廷彥，金融機構辦理中小企業移送信保基金保證貸款授信風險評量模式之研究-以某商業銀行為例，中正大學企業管理所碩士論文，2005。
     [7]吳楷華，建構財務預警系統之可行性，中山大學高階經營碩士班碩士論文，2005。
     [8]江坤林，“資料探勘於個人信用貸款審核之應用”，國立台灣科技大學資訊工程系碩士論文，2006。
     [9]張慶光，以資料探勘之決策樹方法建立小額信貸之信用評分模型研究，台灣大學商學組碩士論文，2006。
     [10]王景煌，以資料探勘技術建構企業危機預警模式－結合財務與非財務及智慧資本指標，中原大學資訊管理研究所碩士論文，2006。
     [11]李惟喬, 我國銀行對中小企業放款之違約預警模式探討，朝陽科技大學保險金融管理系碩士論文，2008。
     [12]馮淑玲，中小企業貸款違約預警模式之探討，中華大學科技管理學系(所)碩士論文，2008。
     [13]楊宗叡，本國銀行承作中小企業小額授信風險之研究，中山大學人力資源管理研究所碩士論文，2009。
     [14]財團法人中小企業信用保證基金，中小企業融資信用保證作業手冊2008年版。
     [15]經濟部中小企業處，2010年和2009年中小企業白皮書。
     [16]財團法人中小企業信用保證基金，民國98年年報。
     [17]財團法人中小企業信用保證基金，信保實務班基金業務與送保資格介紹，信保基金教育訓練講義，2009。
     [18]行政院金融監督管理委員會網站http://www.fsc.gov.tw。
     [19]財團法人中小企業信用保證基金網站http://www.smeg.org.tw
     [20]A. N. Berger and W. S. Frame, “Small Business Credit Scoring and Credit Availability,” Journal of Small Business Management, Vol. 45, No. 1, 522, 2007.
     [21]M. J. A. Berry and G. Linoff, Data Mining Techniques: For Marketing Sale and Customer Support, John Wiley & Sons, Inc., 1997.
     [22]L. Breiman,” Random Forests,” Machine Learning, Vol. 45, 5-32, 2001.
     [23]S. Le Cessie and J. C. van Houwelingen, “Ridge Estimators in Logistic Regression,” Applied Statistics, 41, Vol.1, 191-201, 1992.
     [24]C. C. Chang, and C. J. Lin, A Library for Support Vector Machines. URL http://www.csie.ntu.edu.tw/~cjlin/libsvm/.
     [25]N. V. Chawla, K. W. Bowyer, L. O. Hall and W. P. Kegelmeyer , “SMOTE:Synthetic Minority Over-sampling Technique,” Journal of Artificial Intelligence Research, Vol.16, 321-357, 2002.
     [26]N. V. Chawla, A. Lazarevic, L. O. Hall and K. W. Bowyer, “SMOTEboost: Improving Prediction of the Minority Class in Boosting,” In 7th European Conference on Principles and Practice of Knowledge Discovery in Databases Cavtat-Dubrovnik, Croatia, 107–119, 2003.
     [27]Pedro Domingos, “Metacost: A general Method for Making Classifiers Cost Sensitive,” In Proceedings of the Fifth International Conference on Knowledge Discovery and Data Mining, San Diego, 155-164, 1999.
     [28]S. Floyd and M. Warmuth, “Sample Compression, Learnability, and the Vapnik-Chervonenkis Dimension,” Machine Learning, Vol.21, 269-304, 1995.
     [29]Y. Freund, and R. E. Schapire, “Experiments with a New Boosting Algorithm,” In Thirteenth International Conference on Machine Learning, San Francisco, 148-156, 1996.
     [30]I. Guyon, B. E. Boser, and V. Vapnik, “Automatic Capacity Tuning of Very Large VC-Dimension Classifiers,” Advances in Neural Information Processing Systems, Vol.5, 147-155, 1993.
     [31]J. Han,and M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, CA, USA, 2001.
     [32]N. Japkowicz and S. Stephen, “The Class Imbalance Problem: A Systematic Study,” Intelligent Data Analysis Journal, Vol. 6, No. 5, 429-450, 2002.
     [33]G. H. John, and P. Langley, “Estimating Continuous Distributions in Bayesian Classifiers,” In Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann Publishers, San Mateo, 338-345, 1995.
     [34]H. C. Koh, and S. S. Tan, “A Neural Network Approach to the Prediction of Going Concern Status,” Accounting and Business Research, Vol.21, 211-216, 1999.
     [35]C. X. Ling and C. Li, “Data Mining for Direct Marketing Problems and Solutions,” In Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining, New York, 1998.
     [36]M. D. Odom, and R. Sharda, “A Neural Network Model forBankruptcy Prediction,” IEEE INNS International Joint Conference on Neural Networks, Vol.2, 163-168, 1990.
     [37]J. A. Ohlson, “Financial Ratios and the Probabilistic Prediction of Bankruptcy,” Journal of Accounting Research, Vol. 18, No. 1, 109-131, 1980.
     [38]J. R. Quinlan, “Induction of Decision Trees,” Machine Learning, Vol. 1, 81-106, 1986.
     [39]J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers, San Mateo, CA, 1993.
     [40]G. Udo, “Neural Network Performance On the Bankruptcy Classification Problem,” Computers & Industrial Engineering, Vol. 25, 1-4, 377-380, 1993.
     [41]I. H. Witten and E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, 2nd Edition, Morgan Kaufmann, San Francisco, 2005.
描述 碩士
國立政治大學
資訊科學學系
97971017
99
資料來源 http://thesis.lib.nccu.edu.tw/record/#G0097971017
資料類型 thesis
dc.contributor.advisor 沈錳坤zh_TW
dc.contributor.author (Authors) 陳玉珊zh_TW
dc.creator (作者) 陳玉珊zh_TW
dc.date (日期) 2010en_US
dc.date.accessioned 1-Apr-2013 14:39:03 (UTC+8)-
dc.date.available 1-Apr-2013 14:39:03 (UTC+8)-
dc.date.issued (上傳時間) 1-Apr-2013 14:39:03 (UTC+8)-
dc.identifier (Other Identifiers) G0097971017en_US
dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/57578-
dc.description (描述) 碩士zh_TW
dc.description (描述) 國立政治大學zh_TW
dc.description (描述) 資訊科學學系zh_TW
dc.description (描述) 97971017zh_TW
dc.description (描述) 99zh_TW
dc.description.abstract (摘要) 我國中小企業一向以靈活、具彈性的經營聞名，具有穩定社會經濟不可動搖的地位，但是中小企業卻常因為擔保品不足、財務資訊不夠透明，使得銀行融資意願不高，政府為扶助中小企業，特別設置中小企業信用保證基金(以下簡稱信保基金)，其主要功能就是以提供保證的方式解決中小企業因擔保品不足無法順利向銀行貸款的問題。為了使信保基金扶助中小企業之功能能更加發揮，如何評估企業逾期風險，並避免承做高風險的案件是非常重要的工作。本研究之主要目的希望在針對台灣的中小企業移送信保基金保證時，可以根據歷年來承保之准駁及貸放後逾期之案件，找出其授信風險規則，以此規則可以對其他新案件作信用預測，以便在處理承保作業時，能快速地根據中小企業申請貸款時提供之各項資訊做出評估。
     本研究使用資料探勘技術從信保基金所建立之中小企業資料庫中選出欲探勘之需逐案審核的案件資料，並以是否承保及承保後是否逾期兩個方向來研究。首先對選出之資料先進行Data Preprocessing，並就Data Imbalance之問題，利用增加樣本數方法(SMOTE)解決。再以是否承保和承保後是否逾期為切入點，使用ID3、J48、Naïve Bayesian Classifier、SVM、Logistic Regression、Adaboost和Random Forest 7種探勘方法來探勘出承保之准駁及貸放後逾期之規則。
     實驗結果顯示這七種探勘方法準確率大都可以達到80%以上，另就有無含資本額、資產總額、營業額、員工人數等基本資料來做比較，發現就準確率來看，並無明顯影響。		zh_TW
dc.description.tableofcontents 第一章 緒論.....................................1
     1.1研究背景與動機..................................1
     1.2研究目的及方法..................................2
     1.3中小企業信用保證貸款.............................3
     1.4中小企業與授信逾期之定義..........................8
     1.5論文架構.......................................9
     第二章 文獻探討..................................10
     第三章 探勘承保之准駁及貸放後逾期之規則..............13
     3.1資料來源.......................................13
     3.2 DATA PREPROCESSING...........................20
     3.3 ID3和J48.....................................25
     3.4 NAÏVE BAYESIAN CLASSIFIER....................32
     3.5 SUPPORT VECTOR MACHINE.......................35
     3.6 LOGISTIC REGRESSION .........................38
     3.7 ADABOOST.....................................39
     3.8 RANDOM FOREST................................41
     第四章 資料分析與實驗..............................42
     4.1 實驗資料.......................................42
     4.2實驗方法........................................44
     4.3實驗結果及分析...................................45
     第五章 結論與未來研究..............................52
     5.1結論...........................................52
     5.2未來發展........................................52
     參考文獻...........................................54
     註解說明...........................................57
     附錄--實驗結果......................................58		zh_TW
dc.language.iso en_US-
dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0097971017en_US
dc.subject (關鍵詞) 資料探勘zh_TW
dc.subject (關鍵詞) 信用預測zh_TW
dc.subject (關鍵詞) 信保基金zh_TW
dc.title (題名) 以資料探勘技術作中小企業信用保證貸款之信用預測zh_TW
dc.title (題名) Credit Prediction of Small-Medium Enterprises for Credit Guarantee Loansen_US
dc.type (資料類型) thesisen
dc.relation.reference (參考文獻) [1}潘玉葉，台灣股票上市公司財務危機預警分析，淡江大學管理科學研究所博士論文，1990。
     [2]王文英，“運用類神經網路建構台灣上市公司財務危機預警模型”，實踐大學企業管理學系碩士論文，1999。
     [3]沈大白、張大成、劉宛鑫，“運用類神經網路建構財務危機預警模型”，貨幣觀測與信用評等，第 38 期，113-120，2001。
     [4]邱碧芳，公司財務危機預警資訊之研究－考慮現金流量因素，朝陽科技大學財務金融所碩士論文，2002。
     [5]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研究所碩士論文，2002。
     [6]蔡廷彥，金融機構辦理中小企業移送信保基金保證貸款授信風險評量模式之研究-以某商業銀行為例，中正大學企業管理所碩士論文，2005。
     [7]吳楷華，建構財務預警系統之可行性，中山大學高階經營碩士班碩士論文，2005。
     [8]江坤林，“資料探勘於個人信用貸款審核之應用”，國立台灣科技大學資訊工程系碩士論文，2006。
     [9]張慶光，以資料探勘之決策樹方法建立小額信貸之信用評分模型研究，台灣大學商學組碩士論文，2006。
     [10]王景煌，以資料探勘技術建構企業危機預警模式－結合財務與非財務及智慧資本指標，中原大學資訊管理研究所碩士論文，2006。
     [11]李惟喬, 我國銀行對中小企業放款之違約預警模式探討，朝陽科技大學保險金融管理系碩士論文，2008。
     [12]馮淑玲，中小企業貸款違約預警模式之探討，中華大學科技管理學系(所)碩士論文，2008。
     [13]楊宗叡，本國銀行承作中小企業小額授信風險之研究，中山大學人力資源管理研究所碩士論文，2009。
     [14]財團法人中小企業信用保證基金，中小企業融資信用保證作業手冊2008年版。
     [15]經濟部中小企業處，2010年和2009年中小企業白皮書。
     [16]財團法人中小企業信用保證基金，民國98年年報。
     [17]財團法人中小企業信用保證基金，信保實務班基金業務與送保資格介紹，信保基金教育訓練講義，2009。
     [18]行政院金融監督管理委員會網站http://www.fsc.gov.tw。
     [19]財團法人中小企業信用保證基金網站http://www.smeg.org.tw
     [20]A. N. Berger and W. S. Frame, “Small Business Credit Scoring and Credit Availability,” Journal of Small Business Management, Vol. 45, No. 1, 522, 2007.
     [21]M. J. A. Berry and G. Linoff, Data Mining Techniques: For Marketing Sale and Customer Support, John Wiley & Sons, Inc., 1997.
     [22]L. Breiman,” Random Forests,” Machine Learning, Vol. 45, 5-32, 2001.
     [23]S. Le Cessie and J. C. van Houwelingen, “Ridge Estimators in Logistic Regression,” Applied Statistics, 41, Vol.1, 191-201, 1992.
     [24]C. C. Chang, and C. J. Lin, A Library for Support Vector Machines. URL http://www.csie.ntu.edu.tw/~cjlin/libsvm/.
     [25]N. V. Chawla, K. W. Bowyer, L. O. Hall and W. P. Kegelmeyer , “SMOTE:Synthetic Minority Over-sampling Technique,” Journal of Artificial Intelligence Research, Vol.16, 321-357, 2002.
     [26]N. V. Chawla, A. Lazarevic, L. O. Hall and K. W. Bowyer, “SMOTEboost: Improving Prediction of the Minority Class in Boosting,” In 7th European Conference on Principles and Practice of Knowledge Discovery in Databases Cavtat-Dubrovnik, Croatia, 107–119, 2003.
     [27]Pedro Domingos, “Metacost: A general Method for Making Classifiers Cost Sensitive,” In Proceedings of the Fifth International Conference on Knowledge Discovery and Data Mining, San Diego, 155-164, 1999.
     [28]S. Floyd and M. Warmuth, “Sample Compression, Learnability, and the Vapnik-Chervonenkis Dimension,” Machine Learning, Vol.21, 269-304, 1995.
     [29]Y. Freund, and R. E. Schapire, “Experiments with a New Boosting Algorithm,” In Thirteenth International Conference on Machine Learning, San Francisco, 148-156, 1996.
     [30]I. Guyon, B. E. Boser, and V. Vapnik, “Automatic Capacity Tuning of Very Large VC-Dimension Classifiers,” Advances in Neural Information Processing Systems, Vol.5, 147-155, 1993.
     [31]J. Han,and M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, CA, USA, 2001.
     [32]N. Japkowicz and S. Stephen, “The Class Imbalance Problem: A Systematic Study,” Intelligent Data Analysis Journal, Vol. 6, No. 5, 429-450, 2002.
     [33]G. H. John, and P. Langley, “Estimating Continuous Distributions in Bayesian Classifiers,” In Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann Publishers, San Mateo, 338-345, 1995.
     [34]H. C. Koh, and S. S. Tan, “A Neural Network Approach to the Prediction of Going Concern Status,” Accounting and Business Research, Vol.21, 211-216, 1999.
     [35]C. X. Ling and C. Li, “Data Mining for Direct Marketing Problems and Solutions,” In Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining, New York, 1998.
     [36]M. D. Odom, and R. Sharda, “A Neural Network Model forBankruptcy Prediction,” IEEE INNS International Joint Conference on Neural Networks, Vol.2, 163-168, 1990.
     [37]J. A. Ohlson, “Financial Ratios and the Probabilistic Prediction of Bankruptcy,” Journal of Accounting Research, Vol. 18, No. 1, 109-131, 1980.
     [38]J. R. Quinlan, “Induction of Decision Trees,” Machine Learning, Vol. 1, 81-106, 1986.
     [39]J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers, San Mateo, CA, 1993.
     [40]G. Udo, “Neural Network Performance On the Bankruptcy Classification Problem,” Computers & Industrial Engineering, Vol. 25, 1-4, 377-380, 1993.
     [41]I. H. Witten and E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, 2nd Edition, Morgan Kaufmann, San Francisco, 2005.		zh_TW