銀行業者為審核信用卡顧客之信用品質，常藉信用評等與行為評等建構其風險管理機制，其中對於顧客之後續持卡行為管理卻相形困難，往往待顧客已發生逾期違約之示警始行催收作業，徒增利益與成本之耗費。故本研究試圖建構顧客行為評等模式，期能掌握顧客未來還款行為，並精確預防不良壞帳產生以達預警之效，且可因人制宜設計策略性的顧客管理，為企業掌握顧客資訊與創造利潤最大化。
    有鑑於此，本研究藉由國內某家發卡銀行之顧客資料進行實證分析，試圖整合二階段研究方法，先以卡方自動互動檢視與類神經網路建構第一階段之分類模式，將顧客分為正常繳款、循環納息與逾期違約等三類，進而尋得最佳預測分類結果；第二階段則援引資料包絡分析法，不僅可強化上階段所預測顧客類別之分類正確性，更有別於過去資料包絡分析法多用於評估整體經營績效，本研究則應用於探討個人行為評等，建構個人績效評估，試圖降低銀行對顧客信用評等判斷錯誤之機會成本，且針對未達效率之顧客提供目標改進方案，進而提升信用持卡人之高效率與貢獻度。
實證結果顯示，藉由資料包絡分析法可輔佐分類模式之鑑別結果，將上階段分類後之同質性顧客再予以異質化，藉以發掘具有能力成為潛在利潤或低風險顧客之額外訊息，此外又可利用資料包絡分析法之效率分析以助銀行業者強化個別顧客之信用風險管理，並可制定其相關決策方案，期能提供予銀行業者較為具體的改良依據，有效提升整體之信用品質與管理意涵。

Constructing a risk management mechanism with credit scoring and behavioral scoring has turned out to be the prerequisite of banks to evaluate customer’s credit quality. However, behavioral scoring has long been recognized as a difficult task because its complexity of delinquency prediction. Accordingly, this study attempts to propose a two-stage method that integrates ANNs and DEA to assess individual cardholder’s behavioral scoring. Generally, DEA is applied to evaluate enterprises performance appraisal as a common method; nevertheless, it evaluates the behavioral scoring in this study.  
   This empirical study shows that the DEA efficiency analysis not only provides improvement suggestions for inefficient DMUs, but also identifies the ANNs’ classification results as protective measures to ensure weather the prediction is accurate or not. The former information can enhance customers’ contribution and the later is helpful to observe the potential profit customer for banks. Consequently, this proposed two-stage method is applicable to banks for the real world in terms of its classification accuracy guidance and managerial implication.

目錄
表目錄	II
圖目錄	III
第壹章	緒論	1
第一節	研究背景	1
第二節	研究動機	4
第三節	研究目的	6
第四節	研究流程	8
第五節	研究範圍與限制	9
第貳章	文獻探討	10
第一節	信用卡發展概述與業務流程	10
第二節	信用風險管理	13
第三節	信用評等	18
第參章	研究方法	27
第一節	研究架構	27
第二節	研究對象	29
第三節	資料處理	30
第肆章	實證研究	49
第一節	個案公司之持卡顧客資料特性	50
第二節	五摺交叉驗證	53
第三節	CHAID與BPN分類模式之鑑別結果	55
第四節	資料包絡分析法(DEA)於相對效率分析	64
第伍章	結論與建議	81
參考文獻	84


 
表目錄
表1-1 歷年逾放比率、備抵呆帳率與逾期放款總額一覽表	2
表1-2 整體消費者貸款成長	3
表1-3 國內信用卡業務統計	4
表1-4 部分信用卡重要業務及財務資訊	6
表2-1 信用卡種類說明表	11
表2-2 信用風險評估方式比較表	20
表2-3 信用卡風險管理相關文獻整理	25
表4-1 繳款行為評等之變數說明	49
表4-2 變數定義說明	51
表4-3 輸出變數(顧客行為類別)之筆數與相對比例	54
表4-4 決策樹重要依變數之分割值	58
表4-5 CHAID模式之交叉驗證結果	59
表4-6 BPN顧客行為評等模式於不同參數組合之預測結果	61
表4-7 BPN模式之交叉驗證結果	62
表4-8 各模式交叉驗證結果	63
表4-9 Wilcoxon Rank Sum Test等級和檢定	63
表4-10 BPN五摺資料子集之預測結果資料筆數	65
表4-11 第一子集敘述統計資料與變數轉換表	66
表4-12 CHAID五摺資料子集之重要變數與編碼	67
表4-13 BPN預測為0類之Pearson相關係數	68
表4-14 BPN預測為1類之Pearson相關係數	68
表4-15 BPN預測為2類之Pearson相關係數	68
表4-16 Pearson相關分析檢定之正相關變數	69
表4-17 BPN預測為0類之DEA效率值	72
表4-18 BPN預測為1類之DEA效率值	75
表4-19 BPN預測為2類之DEA效率值	75
表4-20 整合五摺資料子集之有效率分析值	77
表4-21 DMU-1327之效率目標改進值	79
表4-22 DMU-1127之效率目標改進值	80

圖目錄
圖1-1 本論文之研究流程圖	9
圖2-1 信用卡交易流程圖	13
圖2-2 信用循環管理圖	16
圖3-1 本研究之行為模式建構流程圖	28
圖3-2 人工類神經網路之基本運作	32
圖3-3 倒傳遞類神經網路模式之架構	34
圖3-4 投入導向之技術效率與配置效率	38
圖3-5 等產量線及DEA效率量測	39
圖3-6 固定規模報酬與變動規模報酬之效率前緣	44
圖4-1 五摺交叉驗證資料分割示意圖	53
圖4-2 二階段研究變數圖	54
圖4-3 CHAID決策樹狀圖	57
圖4-4 BPN{34-66-1}模式之訓練樣本RMSE趨勢圖	62
圖4-5 DEA流程圖	64
圖4-6 DEA目標同儕參考頻率值	74
圖4-7 DEA整體改進空間圓餅圖	76
圖4-8 DMU-1327之效率參考橫條圖	78
圖4-9 DMU-1127之效率參考橫條圖	79

1.	丁玉成(2000)。臺灣區銀行信用評等之模式研究-以Bankwatch 評等為基礎的實證研究。國立臺灣大學商學研究所博士論文。
2.	王信勝(2001)。整合分析層級程序與類神經網路之信用評分模型。輔仁大學資訊管理學系碩士班碩士論文。
3.	白豐榮(2002)。銀行經營信用卡業務與風險管理之研究。銘傳大學金融研究所碩士在職專班碩士論文。
4.	江淑娟(2003)。信用評等因素與信用卡違約風險之關係-以台灣A金融機構所發行之信用卡為例。逢甲大學保險研究所碩士論文。
5.	江聖元(2000)。授信保險與信用保險之研究。國立政治大學風險管理與保險學系碩士論文。
6.	余菁蓉、陳家豪(2006)。利用混合整數規劃處理多類別分類。管理與系統，13(2)，頁221-240。
7.	吳俊儒(2002)。中小企業信用評等模式之研究。輔仁大學應用統計學研究所碩士論文。
8.	吳濟華、何柏正(2008)。組織效率與生產力評估:資料包絡分析法。台北縣：前程文化。
9.	呂奇傑、邱志洲、李天行(2005)。整合模糊鑑別分析與類神經網路於資料探勘中分類模式之應用，清雲科技大學全國商學研討會，頁1-17。
10.	呂美慧(2000)。銀行授信評等模式-Logistic Regression之應用。國立政治大學金融學系碩士論文。
11.	李秀梅(2001)。信用卡持卡者資料探勘之研究。輔仁大學應用統計學研究所碩士論文。
12.	李忠達(2008)。應用資料包絡分析及支援向量機建構信用評分模式於顧客貢獻度之評估與改善。輔仁大學管理學研究所碩士論文。
13.	李明謙(2002)。羅吉斯迴歸模型在信用卡評分制度之研究。輔仁大學應用統計學研究所碩士論文。
14.	李沃牆、朱竣平(2008)。信用評等、公司違約率與財務危機預測之探討。真理財經學報，18期，頁38。
15.	林正榮(2003)。資料探勘-信用卡風險控管。淡江大學資訊工程學系碩士論文。 
16.	林有田(1980)。信用管理-不景氣時期的壞帳預防與處理實務。台北市：陽明管理發展中心。
17.	林燕萍(2007)。消費性貸款違約行為預測模式之研究—DEA-DA、類神經網路、Logistic迴歸與判別分析之比較。中華大學經營管理研究所碩士論文。
18.	林淑萍、黃劭彥、蔡昆霖(2007)。企業危機預警模式之研究-DEA-DA、邏輯斯迴歸與類神經網路之應用。會計與公司治理，4(1)，頁35-56。
19.	邱志洲、李天行、周宇超、呂奇傑(2002)。整合鑑別分析與類神經網路在資料探勘上之應用。工業工程學刊，19(2)，頁9-22。
20.	邱俊智(2008)。資料包絡法在信用卡持卡人貢獻之研究。臺北科技大學商業自動化與管理研究所碩士論文。
21.	胡志宏(2003)。新版巴塞爾資本協定對我國金融業信用風險管理之衝擊。元智大學管理研究所碩士論文。
22.	唐筱菁(2002)。整合財務比率與智慧資本指標建構企業危機預警系統-MARS與類神經網路之應用。輔仁大學金融研究所碩士論文。
23.	馬芳資(1994)。信用卡信用風險預警範例學習系統之研究。國立政治大學　資訊管理研究所碩士論文。
24.	高強、黃旭男、Sueyoshi(2003)。管理績效評估:資料包絡分析法。台北：華泰文化事業公司。
25.	張宮熊(1996)。財務管理。台北市：文京圖書有限公司。
26.	郭銘輝(1985)。個人信用評等制度。台北：財團法人金融人員研究訓練中心。
27.	陳玉涓、邱永和(2007)。風險性資本與銀行效率之分析。管理與系統，14(4)，頁519-543。
28.	陳佳群(2002)。銀行併購與效率之分析-SFC與DEA方法之比較。東吳大學經濟學系碩士經濟學系碩士論文。
29.	陳來成(2002)。應用資料探勘技術建立商業預測模式-以信用卡為例。元智大學資訊管理學系碩士論文。
30.	陳姍霓(2004)。整合類神經網路、多元適應性雲形迴歸與分類迴歸樹於信用平等模式之建構-以房屋貸款為例。輔仁大學管理學研究所碩士論文。
31.	陳宗豪(2000)。消費者小額信用貸款之信用風險研究-甄選的觀點。國立中山大學人力資源管理研究所碩士論文。
32.	陳忠賢(2005)。中小企業信用評等模式之研究-以台北(縣)市中小企業為例。輔仁大學金融研究所碩士論文。
33.	陳怡妃(2008)。新興分類技術於行為評等模式之建構。輔仁大學商學研究所博士論文。
34.	陳炳良(1999)。信用卡的風險管理。金融財務季刊，3，頁77~91。
35.	陳敬聰(1996)。信用卡信用風險評估之研究。國立雲林科技大學資訊管理技術研究所碩士論文。
36.	陳肇榮(1985)。信用管理的作法與評核。現代管理月刊，6。
37.	彭慧雯(2001)。建構信用卡資料挖礦架構及其實證研究。國立台北科技大學生產系統工程與管理研究所碩士論文。
38.	黃思騰(2007)。利用資料探勘方法建構再分類信用評等模型。臺北科技大學商業自動化與管理研究所碩士論文。
39.	黃秋凌(1993)。信用卡管理問題之研究。國立政治大學會計研究所碩士論文。
40.	黃琮盛(2001)。以個人消費行為預測信用卡詐欺事件之研究。國立中央大學資訊管理研究所碩士論文。
41.	楊世彬(2006)。信用風險管理架構簡介。華南金控，39，頁13-18。
42.	楊正義(2008)。後卡債時期信用卡行銷策略之研究。國立中央大學管理學院高階主管企管碩士班碩士論文。
43.	楊軒榮(2007)。台灣信用卡發卡銀行之績效及生產力分析。東吳大學經濟學系碩士論文。
44.	葉怡成(1993)。類神經網路模式應用與實作：儒林出版社。
45.	葉建良(2006)。利用CART分類與迴歸樹建立消費者信用貸款違約風險評估模型之研究-以國內A銀行為例。輔仁大學應用統計學研究所碩士論文。
46.	葉秋南(1998)。美國金融業風險管理。台北市：財團法人金融人員研究訓練中心。
47.	詹育晟(2004)。個人信用行為評分模式之研究-以現金卡用戶為例。國立政治大學資訊管理研究所碩士論文。
48.	廖俊男、劉雨芬(2008)。南韓及香港處理卡債危機之經驗及其對台灣的啟示。國際金融參考資料，53，頁23-42。
49.	趙景明、張淑珍(2005)。利用一次性的SQL改良決策樹建立信用卡審核之信用評等。中原學報(自然科學及工程系列)，33(1)，頁12。
50.	賴欣儀(2000)。消費者風險態度與資金運用行為對銀行信用卡業務影響之研究。國立中山大學企業管理研究所碩士論文。
51.	鍾依芸(2004)。行動電話系統業服務品質滿意度之研究-應用統計分析與決策樹法。元智大學工業工程與管理學系碩士論文。
52.	簡安泰(1971)。消費者信用評分制度之研究。國立政治大學企業管理學系。
53.	蘇怡靜(2008)。信用卡持有人行為評分模式之建構-結合ICA與DEA方法之應用。臺北科技大學商業自動化與管理研究所碩士論文。
54.	龔昶元(1998)。Logistic Regression模式應用於信用卡信用風險審核之研究-以國內某銀行信用卡中心為例。臺北銀行月刊，28(9)，頁35-49。
1.	Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), pp.589-609.
2.	Avkiran, N. K. and Rowlands, T. (2008). How to better identify the true managerial performance: State of the art using DEA. Omega, 36(2), pp.317-324.
3.	Baesens, B., Van Gestel, T., Stepanova, M., Van den Poel, D. and Vanthienen, J. (2005). Neural network survival analysis for personal loan data. J Oper Res Soc, 56(9), pp.1089-1098.
4.	Banker, R. D., Charnes, A. and Cooper, W. W. (1984). Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis. Management Science, 30(9), pp.1078-1092.
5.	Beaver, W. H. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4, pp.71-111.
6.	Berry, M. J. and Linoff, G. (1997). Data Mining Techniques for Marketing, Sales and Customer Support (Vol. 1 edition): Wiley. 
7.	Boussofiane, A., Dyson, R. G. and Thanassoulis, E. (1991). Applied data envelopment analysis. European Journal of Operational Research, 52(1), pp.1-15.
8	Cabena, P., Hadjinaian, P. O., Stadler, D. J., Verhees, J. and Zanasi, A. (1997). Discovering Data Mining from Concept to Implementation: Prentice Hall PTR.
9.	Charnes, A., Cooper, W. W. and Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), pp.429-444.
10.	Chen, M. C. and Huang, S. H. (2003). Credit scoring and rejected instances reassigning through evolutionary computation techniques. Expert Systems with Applications, 24(4), pp.433-441.
11.	Chen, W., Ma, C. and Ma, L. (2009). Mining the customer credit using hybrid support vector machine technique. Expert Systems with Applications, 36(4), pp.7611-7616.
12.	Cheng, E. W. L., Chiang, Y. H. and Tang, B. S. (2007). Alternative approach to credit scoring by DEA: Evaluating borrowers with respect to PFI projects. Building and Environment, 42(4), pp.1752-1760.
13.	Chung, H. M. and Gray, P. (1999). Special Section: Data Mining. Journal of Management Information Systems, 16, pp.11-16.
14.	Chung, S. H. and Suh, Y. (2009). Estimating the utility value of individual credit card delinquents. Expert Systems with Applications, 36(2, Part 2), pp.3975-3981.

15.	
Cook, W. D. and Seiford, L. M. (2009). Data envelopment analysis (DEA) -Thirty years on. European Journal of Operational Research, 192(1), pp.1-17.
16.	Cooper, W. W., Seiford, L. M. and Tone, K. (2007). Data Envelopment Analysis: A Comprehensive Text with Models, Applications, References and DEA-Solver Software Springer.
17.	Craven, M. W. and Shavlik, J. W. (1997). Using neural networks for data mining. Future Generation Computer Systems 13(2-3), pp.211-229.
18.	Desai, V. S., Crook, J. N. and Overstreet, G. A. (1996). A comparison of neural networks and linear scoring models in the credit union environment. European Journal of Operational Research, 95(1), pp.24-37.
19.	Doyle, P. (1973). The Use of Automatic Interaction Detector and Similar Search Procedures. Operational Research Quarterly (1970-1977), 24(3), pp.465-467.
20.	Durand, D. (1941). Risk Elements in Consumer Instalment Financing. New York: National Bureau of Economic Research 
21.	Emel, A. B., Oral, M., Reisman, A. and Yolalan, R. (2003). A credit scoring approach for the commercial banking sector. Socio-Economic Planning Sciences, 37(2), pp.103-123.
22.	Färe, R., Grosskopf, S., Norris, M. and Zhang, Z. (1994). Productivity Growth, Technical Progress, and Efficiency Change in Industrialized Countries. The American Economic Review, 84(1), pp.66-83.
23.	Färe, R. S., Grosskopf, S. and Whittaker, G. (2005). Network DEA. Discussing Paper: Chapter 9.
24.	Farrell, M. J. (1957). The Measurement of Productive Efficiency. Journal of the Royal Statistical Society. Series A (General), 120(3), pp.253-290.
25.	Fayyad, U., Piatetsky-Shapiro, G. and Smyth, P. (1996). The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM 39(11), pp.27-34.
26.	Freeman, J. A. and Skapura, D. M. (1992). Neural Networks: Algorithms, Applications, and Programming Techniques Addison-Wesley.
27.	Fried, H. O., Lovell, C. A. K., Schmidt, S. S. and Yaisawarng, S. (2002). Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis. Journal of Productivity Analysis, 17, pp.157-174.
28.	Golanly, B. and Roll, Y. (1989). An application procedure for DEA. Omega, 17(3), pp.237-250.
29.	Gothe, P. (1990). Credit bureau point scoring sheds light on shades of gray. The credit world, pp.26-29.
30.	Han, J. and Kamber, M. (2000). Data Mining: Concepts and Techniques (Vol. 1st edition): Morgan Kaufmann.
31.	Hand, D. J. and Henley, W. E. (1997). Statistical Classification Methods in Consumer Credit Scoring: A Review. Journal of the Royal Statistical Society. Series A (Statistics in Society), 160(3), pp.523-541.
32.	Hoare, R. (2004). Using CHAID for classification problems. Paper presented at the Statistical Association, New Zealand, Wellington.
33.	Hsieh, N. C. (2004). An integrated data mining and behavioral scoring model for analyzing bank customers. Expert Systems with Applications, 27(4), pp.623-633.
34.	Hsieh, N. C. (2005). Hybrid mining approach in the design of credit scoring models. Expert Systems with Applications, 28(4), pp.655-665.
35.	Huang, J. J., Tzeng, G. H. and Ong, C. S. (2006). Two-stage genetic programming (2SGP) for the credit scoring model. Applied Mathematics and Computation, 174(2), pp.1039-1053.
36.	Joseph, P. D. and David, D. V. (2001). International Monetary and Financial Economics: Thomson Learning 
37.	Kao, C. and Liu, S. T. (2000). Data envelopment analysis with missing data: an application to University libraries in Taiwan. J Oper Res Soc, 51(8), pp.897-905.
38.	Kass, G. V. (1980). An Exploratory Technique for Investigating Large Quantities of Categorical Data. Applied Statistics, 29(2), pp.119-127.
39.	Klayman, J. (1988). Cue discovery in probabilistic environments: uncertainty and experimentation. Learning, memory, and cognition, 14(2), pp.317-330.
40.	Klopp, P. (1985). The analysis of the efficiency of production systems with multiple inputs and outputs. Ph.D thesis, University of Illinois, Chicago.
41.	Lachtermacher, G. and Fuller, J. D. (1995). Back propagation in time-series forecasting. Journal of Forecasting, 14(4), pp.381-393.
42.	Lee, T. S., Chiu, C. C., Chou, Y. C. and Lu, C. J. (2006). Mining the customer credit using classification and regression tree and multivariate adaptive regression splines. Computational Statistics & Data Analysis, 50(4), pp.1113-1130.
43.	Lee, T. S. and Chen, I. F. (2005). A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines. Expert Systems with Applications, 28(4), pp.743-752.
44.	Lee, T. S., Chiu, C. C., Lu, C. J. and Chen, I. F. (2002). Credit scoring using the hybrid neural discriminant technique. Expert Systems with Applications, 23(3), pp.245-254.
45.	Li, S. T., Shiue, W. and Huang, M. H. (2006). The evaluation of consumer loans using support vector machines. Expert Systems with Applications, 30(4), pp.772-782.

46.	
Lim, M. K. and Sohn, S. Y. (2007). Cluster-based dynamic scoring model. Expert Systems with Applications, 32, pp.427-431.
47.	Lin, S. L. (2009). A new two-stage hybrid approach of credit risk in banking industry. Expert Systems with Applications, 36(4), pp.8333-8341.
48.	Lippmann, R. P. (1987). An introduction to computing with neural nets. ASSP Magazine, IEEE, 4(2), pp.4-22.
49.	Min, J. H. and Lee, Y. C. (2008). A practical approach to credit scoring. Expert Systems with Applications, 35(4), pp.1762-1770.
50.	Morgan, J. N. and Sonquist, J. A. (1963). Problems in the Analysis of Survey Data, and a Proposal. Journal of the American Statistical Association, 58(302), pp.415-434.
51.	Nelson, R. W., Credit Card Risk Management. . The Bankers Magazine, 1997, pp.36-38.
52.	Nishimizu, M. and Page, J. M., Jr. (1982). Total Factor Productivity Growth, Technological Progress and Technical Efficiency Change: Dimensions of Productivity Change in Yugoslavia, 1965-78. The Economic Journal, 92(368), pp.920-936.
53.	Noh, H. J., Roh, T. H. and Han, I. (2005). Prognostic personal credit risk model considering censored information. Expert Systems with Applications, 28(4), pp.753-762.
54.	Robert, H. C. (1972). Consumer and commercial credit management (4 ed.): Richard D. Irwin inc.
55.	Rock, A., Sure Ways to Score With Lender. Money, September, 1984, pp.55.
56.	Rothstein, H. G. (1986). The effects of time pressure on judgment in multiple cue probability learning. Organizational Behavior and Human Decision Processes, 37(1), pp.83-92.
57.	Rygielski, C., Wang, J. C. and Yen, D. C. (2002). Data mining techniques for customer relationship management. Technology in Society, 24(4), pp.483-502.
58.	Salchenberger, L. M., Cinar, E. M. and Lash, N. A. (1992). Neural Networks: A New Tool for Predicting Thrift Failures. Decision Sciences, 23(4), pp.899-916.
59.	Sanjay, C., Neema, M. L. and Chin, C. W. (2005). Modeling of tool wear in drilling by statistical analysis and artificial neural network. Journal of Materials Processing Technology, 170(3), pp.494-500.
60.	Sarlija, N., Bensic, M. and Zekic-Susac, M. (2009). Comparison procedure of predicting the time to default in behavioural scoring. Expert Systems with Applications, 36(5), pp.8778-8788.
61.	Seiford, L. M. (1996). Data envelopment analysis: The evolution of the state of the art (1978-1995). Journal of Productivity Analysis, 7, pp.99-138.
62.	Setiono, R., Thong, J. Y. L. and Yap, C.S. (1998). Symbolic rule extraction from neural networks: An application to identifying organizations adopting IT. Information & Management, 34(2), pp.91-101.
63.	Sherman, H. D. and Gold, F. (1985). Bank branch operating efficiency: Evaluation with Data Envelopment Analysis. Journal of Banking & Finance, 9(2), pp.297-315.
64.	Steenackers, A. and Goovaerts, M. J. (1989). A credit scoring model for personal loans. Insurance: Mathematics and Economics, 8(1), pp.31-34.
65.	Sueyoshi, T. (1999). DEA-discriminant analysis in the view of goal programming. European Journal of Operational Research, 115(3), pp.564-582.
66.	Sueyoshi, T. (2004). Mixed integer programming approach of extended DEA-discriminant analysis. European Journal of Operational Research, 152(1), pp.45-55.
67.	Sueyoshi, T. (2005). Financial ratio analysis of the electric power industry. Asia-Pacific Journal of Operational Research, 22(3), pp.349-376.
68.	Sueyoshi, T. (2006). DEA-Discriminant Analysis: Methodological comparison among eight discriminant analysis approaches. European Journal of Operational Research, 169(1), pp.247-272.
69.	Sueyoshi, T. and Hwang, S. N. (2004). A use of nonparametric tests for DEA-Discriminant Analysis: a methodological comparison. Asia-Pacific Journal of Operational Research, 21(2), pp.179.
70.	Thomas, L. C. (2000). A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers. International Journal of Forecasting, 16(2), pp.149-172.
71.	Toloo, M. and Nalchigar, S. (2009). A new integrated DEA model for finding most BCC-efficient DMU. Applied Mathematical Modelling, 33(1), pp.597-604.
72.	Updegrave, W. L., How Lender Size You Up. Money, 28 April, 1987.
73.	Vellido, A., Lisboa, P. J. G. and Vaughan, J. (1999). Neural networks in business: a survey of applications (1992-1998). Expert Systems with Applications, 17(1), pp.51-70.
74.	Werbos, P. J. (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavior Science. Unpublished doctoral dissertation, Harvard University, MA.
75.	West, D. (2000). Neural network credit scoring models. Computers & Operations Research, 27(11-12), pp.1131-1152.
76.	Wu, D. (2009). Supplier selection: A hybrid model using DEA, decision tree and neural network. Expert Systems with Applications, 36(5), pp.9105-9112.

77.	
Yu, L., Wang, S. and Lai, K. K. (2008). Credit risk assessment with a multistage neural network ensemble learning approach. Expert Systems with Applications, 34(2), pp.1434-1444.
78.	Zhang, G., Eddy Patuwo, B. and Y. Hu, M. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14(1), pp.35-62.

三、 網路資料
1. U.S. Department of Labor. (2009, March 08), Employment Situation: Unemployment Rate. Retrieved March 20,2009, from http://www.dol.gov/
2. Fitch (2009, March 03), Accelerating Unemployment to Pose Tough Test for U.S. Consumer ABS. Retrieved March 10,2009, from http://www.reuters.com/article/pressRelease/
3. Shenn, J. (2008, September 04), U.S. Must Buy Assets to Prevent "Tsunami", Gross Says. Retrieved February 25,2009, from http://www.bloomberg.com
4. 中央銀行全球資訊網。檢自http://www.cbc.gov.tw/
5. 行政院主計處。檢自http://www.dgbas.gov.tw/
6. 行政院金融監督管理委員會。檢自http://www.fscey.gov.tw/
7. 宋鴻兵(2009年3月5日)。金融海嘯第二波即將登陸。環球財經。2009年3月10日，檢自http://finance.sina.com.cn/review/20090305/17305937038.shtml
8. 財政部國庫署。檢自http://www.nta.gov.tw/