隨著消費型態的改變，信用卡成為主要支付的工具，消費性貸款因而成為銀行業者主要收入來源之一，但近年因次級房貸導致金融海嘯的發生，使業者必須更重視事前信用評等以及事中的行為評等工作。國內信用卡流通數至97年底達三千多萬張，雖然總卡數有減少趨勢，但過去所引發的問題仍無法徹底解決，且銀行發卡前之信用評等只能做到防範工作，而後續持卡期間之繳款行為更是銀行應注意的事項。因此，本研究使用類神經網路、CHAID以及存活分析，進行二階段行為評等模式建構，針對國內某家發卡銀行之顧客資料進行實證分析，於第一階段使用類神經網路及CHAID分析出顧客還款行為類別，並選擇整體鑑別率較高之分類模式進行第二階段模式建構，第二階段試圖利用存活分析提供之違約機率，針對第一階段較佳模式所分類之同質性顧客予以差異化。研究結果顯示，第一階段以類神經網路所建構之分類模式比CHAID所建立之整體鑑別率較佳，並於第二階段建構中將類神經網路判別之同質性顧客差異化後，發現存活分析較可找出後續還款行為之重要變數及未來期間內違約之機率，因此，本研究所提之二階段行為評等模式，對於顧客未來還款狀態不僅擁有較佳之鑑別能力，且可幫助業者預先掌握經分類模式判別為不同還款狀態下，個別顧客於未來期間還款之違約機率，而使業者於針對個別顧客之信用風險上，如催繳帳款、調整信用額度等動作時做出正確之判決，或未來經營策略上獲得更重要的線索，並提升往後管理決策之成效。

For the evolution of consumption behavior, credit cards have become one of main tools of paying. Banks start to be aware of credit risks associated with delinquency, so they make effort to build up a variety of models selecting good clients before approving their application for credit cards. We have learnt that there are a lot of researches providing many models to solve the problems, whereas the majority of those are related to credit scoring and minority related to behavioral scoring. Therefore, in this study we propose a two-stage behavioral scoring model and use artificial neural networks (ANNs) and chi-square automatic interaction detection (CHAID) as the scoring classifying methods, then we use survival analysis to estimate the different probabilities of each cardholder among different groups predicted by ANNs. The result shows that the ANNs model has a better classification accuracy rate than CHAID model as we expected at the stage one. At the stage two, survival analysis provides not only the important variables of delinquency but the default probability of each cardholder. For banks, they can use this two-stage model to classify clients. Also, they can use the additional information to circumvent the credit risk and improve the efficiency of the decisions on credit-grading strategy.

目錄	i
表目錄	ii
圖目錄	iii
第一章 緒論	1
第一節	研究背景	1
第二節	研究動機與目的	3
第三節	研究流程	6
第四節	研究範圍與限制	8
第二章 文獻探討	9
第一節	信用卡簡介	9
第二節	信用風險與管理	11
第三節	信用評等與行為評等	14
第三章　研究方法	21
第一節	研究架構	21
第二節　類神經網路	24
第三節　卡方自動互動檢視	27
第四章 實證結果	32
第一節	資料倉儲與變數定義	32
第二節	第一階段分類模式結果	36
第三節	第二階段違約機率模式	43
第五章 結論與建議	47
參考文獻	49
一、 中文文獻	49
二、 英文文獻	51
三、 網路及其他資料	56

表目錄
表1. 1　整體消費性貸款成長表	2
表1. 2　歷年逾放比率及備抵呆帳/預期放款比率	2
表1. 3　國內信用卡業務統計表	4
表2. 1　信用風險評估方法	16
表2. 2　信用卡評等相關文獻	17
表4. 1  變數定義表	33
表4. 2　類神經網路顧客行為評等各項參數預測結果	37
表4. 3　類神經網路交叉驗證結果	38
表4. 4　決策樹分類模式鑑別結果	41
表4. 5　決策樹交叉驗證結果	42
表4. 6　第一階段研究工具比較	42
表4. 7　存活分析判別結果	44
表4. 8　存活分析下不同機率值之個別鑑別率	44
表4. 9　子集一個別鑑別率	45
表4. 10　存活分析篩選之重要變數	45
表4. 11　存活分析五子集鑑別結果	46
 
圖目錄
圖1. 1　研究流程圖	7
圖2. 1  信用卡作業流程	10
圖2. 2  信用管理循環圖	12
圖3. 1　本研究模型建構程序	22
圖3. 2　五摺交叉驗證示意圖	23
圖3. 3　類神經網路之基本架構	24
圖3. 4　倒傳遞類神經網路基本架構	25
圖4. 1　二階段研究變數圖	35
圖4. 2　類神經網路{34-67-1-0.0005}模式之訓練樣本RMSE趨勢圖	38
圖4. 3　決策樹子集一分類準則	40

一、 中文文獻
1.	王榮德、游正芬、鍾智文、姚開屏(2000)。廿一世紀之健康照護效性評量：生活品質與生活品質調整後之存活分析，台灣醫學，4(1)，頁65-74。
2.	江淑娟(2002)。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。
3.	吳同琪(1997)。犯罪行為研究，輔仁大學應用統計學研究所碩士論文。
4.	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。
5.	李明謙(2002)。邏輯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。
6.	李美笑(2002)。信用卡持卡人信用風險之研究，逢甲大學保險學系研究所碩士論文。
7.	周俊宏(2006)。運用類神經網路與支撐向量機於個人信用卡授信決策之研究，國立台灣科技大學資訊管理學系碩士論文。
8.	周美伶(2005)。先前租買經驗對自住者購屋搜尋行為之影響－存活分析之應用，住宅學報，14(1)，頁21-40。
9.	周慶華(2001)。整合基因演算法及類神經網路於現貨開盤指數之預測-以新加坡交易所摩根台股指數期貨為例，輔仁大學金融研究所碩士論文。
10.	林勉今(2004)。消費性貸款授信風險評估之研究－以X銀行為例，大同大學事業經營研究所碩士論文。
11.	邱郁蓁(2005)。汽車貸款之風險預測模型研究，國立成功大學統計學研究所碩士論文。
12.	邱靖華(2004)。應用倒傳遞類神經網路建立體適能之運動處方診斷模式，大專體育學刊，6卷1期，頁245-253。

13.	施孟龍、游清芳、李佳珍(1999)。Logit Model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，金融財務月刊，4，10月，頁85-104。
14.	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。
15.	張仁明、林達德(1999)。類神經網路與貝氏分類法應用於影像分割之比較研究，農業機械學刊，8(3)，頁64-77。
16.	張文生(2001)。銀行建構"信用卡信用風險即時預警系統"之研究，中原大學企業管理研究所碩士論文。
17.	張新立、葉祖宏(2005)。存活分析應用於機車持有年限，運輸計畫季刊，34(3)，頁443-468。
18.	梁德馨、卓聖恆、陳冠宇、張博彥(2008)。消費者小額信用貸款違約風險評估區別分析模型建構，創新與管理，5(1)，頁101-134。
19.	陳安斌、張志良(2001)。基因演算法自動演化之類神經網路在選譯權評價及避險之研究：分析與實證，資訊管理學報，7(2)，頁63-80。
20.	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。
21.	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。
22.	陳炳良(1999)。信用卡風險管理，金融財務季刊，3，頁77-91。
23.	陳敬聰(1999)。信用卡信用風險評估之研究，國立雲林技術學院資訊管理技術研究所碩士論文。
24.	郭敏華(2000)。債信評等，台北：智勝。
25.	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學位論文。
26.	曾俊堯(1991)。信用卡信用管理之研究，國立政治大學企業管理研究所碩士論文。
27.	楊世彬(2006)。信用風險管理架構簡介，華南金控，39，頁13-18。
28.	葉怡成(2001)。應用類神經網路，台北：儒林圖書。
29.	葉怡成(2003)。類神經網路模式應用與實作，台北：儒林圖書。
30.	葉玫惠、張靖宜、廖咸興、周國瑞(2007)。信用卡使用者之違約風險研究－存活分析模型之應用，金融風險管理季刊，3(2)，頁1-30。
31.	葉秋南(1998)。美國金融業風險管理，台北：財團法人金融人員研究訓練中心。
32.	廖彥琪(2006)。機車交通事故與其衍生之醫療費用成因探討與分類模型研究，中台科技大學醫護管理研究所碩士論文。
33.	劉泰谷(2004)。信用評分模型之建構與分析，世新大學管理學院財務金融學系碩士論文。
34.	鄭婷月(2003)。汽車貸款客戶之風險研究，國立成功大學統計學研究所碩士論文。
35.	謝宜芳(2003)。信用卡業務的徵審過程、繳款改變與違約之研究，國立中央大學財務金融研究所碩士論文。
36.	鍾岳昌(2004)。以危險比例模型估計房貸借款人提前清償及違約風險，國立政治大學財務管理研究所碩士論文。
37.	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研究所碩士論文。
38.	龔昶元(1998)。Logistic Regression 模式應用於信用卡風險審核之研究－以國內某銀行信用卡中心為例，台北銀行月刊，28(9)，頁38-49。

二、 英文文獻
1.	Andreeva, G. (2006). European generic scoring models using survival analysis, Journal of Operational Research Society, 57(10), pp. 1180-1187.
2.	Andreeva, G., Ansell, J. & Crook, J. (2007). Modelling profitability using survival combination scores, European Journal of Operational Research, 183, pp. 1537-1549.
3.	Angelini, E., di Tollo, G. & Roli, A. (2008). A neural network approach for credit risk evaluation, The Quarterly Review of Economics and Finance, 48, pp. 733-755.
4.	Baesens, B., Van Gestel, T., Stepanova, M., Van den Poel, D. & Vanthienen, J. (2005). Neural network survival analysis for personal loan data, Journal of the Operational Research Society, 56, pp. 1089-1098.
5.	Banasik, J., Crook, J. N. & Thomas, L. C. (1999). Not if but when will borrowers default. Journal of Operational Research Society, 50(12), pp. 1185-1190.
6.	Beran, J. & Djaidja, K. A. (2007). Credit risk modeling based on survival analysis with immunes, Statistical Methodology, 4, pp. 251-276.
7.	Berry, M. J. A. & Linoff, G. (1997). Data mining technique techniques for marketing, sales and customer support, NY: Wiley Computer Publishing.
8.	Chen, M. C. & Huang, S. H. (2003). Credit scoring and rejected instances reassigning through evolutionary computation techniques, Expert System with Applications, 24, pp. 433-441.
9.	Chung, H. M. & Gray, P. (1999). Guest editors, special section: data mining, Journal of Management Information System, 16, pp. 11-16.
10.	Craven, M. W. & Shavlik, J. W. (1997). Using neural networks for data mining, Future Generation Computer Systems, 13, pp. 221-229.
11.	Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function, Mathematics of Control Signals and Systems, 2, pp. 303-314.
12.	Davis, R. H., Edelman, D. B. & Gammerman, A. J. (1992). Machine learning algorithms for credit-card application, IMA Journal of Mathematics Applied in Business and Industry, 4, pp. 43-52.
13.	Donato J. M., Schryver J. C., Hinkel G. C., Schmoyer R. L. Jr., Leuze M. R., & Grandy N. W. (1999). Mining multi-demensional data for decision support, IEEE Future Generation Computer Systems, 15, pp. 433-441.
14.	Durand, D. (1941). Risk elements in consumer installment financing, National Bureau of Economic Research, NY.
15.	Ederington, L.H. (1985). Classification models and bond ratings, The Financial Review, 20(4), pp. 237-262.
16.	Fredric, M. H. & Kostanic, I. (2001). Principles of Neurocomputing for Science and Engineering, NY: McGraw-Hill.
17.	Freeman, J. A. & Skapura, D. M. (1992). Neural networks algorithms, application, and programming techniques, MA: Addison-Wesley Publishing Company.
18.	Glassman, C. (2000). The Last Word: An evolution in risk strategy, The Risk Management Association Journal, 83(2), pp. 87-90.
19.	Glorfeld, L. W. & Hardgrave, B. C. (1996). A performance comparison of eight inductive decision models for predicting commercial loan creditworthiness, Computer and Operations Research, 23(10), pp. 933-944.
20.	Hand, D. J. (1981). Discrimination and classification, NY: Wiley.
21.	Hempel, G. H., Coleman, A. B. & Simonson, D. G. (1990). Bank Management, NY: J. Wiley.
22.	Hoare, R. (2004). Using CHAID for classification problems. Paper presented at the Statistical Association, New Zealand, Wellington.
23.	Horrigan, J. O. (1966). The determination of long term credit standing with financial ratios, Journal of Accounting Research (Supplement), pp. 44-62.
24.	Huang, C. L., Chen, M. C. & Wang, C. J. (2007). Credit scoring with a data mining approach based on support vector machines, Expert Systems with Applications, 33, pp. 847-856.
25.	Jagielska, I., & Jaworski, J. (1996). Neural network for predicting the performance of credit card accounts, Computational Economics, 9(1), pp. 77-82.
26.	Jain, A. K., Mao, J. & Mohiuddin, K. (1996). Artificial neural network: a tutorial, IEEE Computer, 29, pp. 31-44.
27.	Johnson, R. A. & Wichern, D. W. (2002). Applied multivariate statistical (5th ed.), Upper Saddle River, NJ: Prentice-Hall.
28.	Kaplan, E. L. & Meier, P. (1958). Nonparametric estimation from incomplete observations, Journal of the American Statistical Association, 53, pp. 457-481.
29.	Kass, G. V. (1980). An exploratory technique for investigating large quantities of categorical data, Applied Statistics, 29(2), pp. 119-127.
30.	Lee, T. S. & Chen, I. F. (2005). A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines, Expert Systems with Application, 28(4), pp. 743-752.
31.	Leonard, K. J. (1993). Detecting credit card fraud using expert systems, Computers and Industrial Engineering, 25, pp. 103-106.
32.	Morgan, J. N. & 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.
33.	Michael, J. A., & Gordon, S. L. (1997). Data mining technique for marketing, sales and customer support, NY: Wiley.
34.	Narain, B. (1999). Survival analysis and the credit granting decision. In L. C. Thomas, J. N. Crook, & D. B. Edelman (Eds), Credit scoring and credit control (pp.109-122), Oxford: Oxford University Press.
35.	Nelson, R. W. (1997). Credit card risk management, the Banker Magazine, pp. 36-38.
36.	Noh, H. J., Roh, T. H. & Han, I. (2005). Prognostic personal credit risk model considering censored information, Expert Systems with Applications, 28, pp. 753-762.
37.	Nou, E. (1997). Full chemotherapy in elderly patients with small cell bronchial carcinoma, Lung Cancer, 16(2-3), pp. 277.
38.	Quah, T. S. & Srinivasan, B. (1999). Improving returns on stock investment through neural network selection, Expert Systems with Applications, 17(4), pp. 295-301.
39.	Robert, H. C. (1972). Consumer and commercial credit management (4 ed.): Richard D. Irwin inc.
40.	Rock, A. (1984). Sure ways to score with lender, Money, pp. 55.
41.	Romeu, J. L. (2004). Censored data, Start, 11, pp.1-8.
42.	Sarlija, N., Bensic, M. & Zekic-Susac, M. (2009). Comparison procedure of predicting the time to default in behavioural scoring, Expert Systems with Applications, 36(5), pp. 8778-8788.
43.	Setiono, R., Thong, J. Y. L. & Yap, C. S. (1998). Symbolic rule extraction from neural networks- an application to identifying organizations adopting IT, Information and Management, 34(2), pp. 91-101.
44.	Sohn, S. Y. & Shin, H. W. (2006). Reject inference in credit operations based on survival analysis, Expert Systems with Applications, 31, pp. 26-29.
45.	Thomas, L. C. (2000). A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers, International Journal of Forecasting, 16, pp.149-172.
46.	Toroslua, I. H. & Yetisgen-Yildiz, M. (2005). Data mining in deductive databases using query flocks, Expert Systems with Applications, 28(3), pp. 395-407.
47.	Ture, M., Kurt, I., Kurum A. T. & Ozdamar, K. (2005). Comparing classification techniques for predicting essential hypertension, Expert Systems with Applications, 29(3), pp. 583-588.
48.	Updegrave, W. L. (1987). How lender size you up, Money, 28, pp. 23-40.
49.	Vellido, A., Lisaboa, P. J. & Vaughan, J. (1999). Neural networks in business: a survey of applications (1992-1998), Expert Systems with Application, 17, pp. 51-70.
50.	West, R. R. (1970). An alternative approach to predicting corporate bond ratings, Journal of Accounting Research, 8(1), pp. 118-125.
51.	Yeh, I. C. & Lien, C. H. (2009). The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients, Expert Systems with Applications, 36, pp. 2473-2480.
52.	Zhang, G., Patuwo, B. E. & Hu, M. Y. (1998). Forecasting with artificial neural networks: the state of the art, International Journal of Forecasting, 14, pp. 35-62.

三、 網路及其他資料
1.	行政院金融管理委員會。信用卡業務統計及銀行逾放等財務資料揭露，檢索日期2009年3月20日，取自：http://www.fscey.gov.tw
2.	中央銀行。消費性貸款，檢索日期2009年3月20日，取自：http://www.cbc.gov.tw/
3.	行政院金融管理委員會銀行局。檢索日期2008年11月2日，取自：http://www.banking.gov.tw/ct.asp?xItem=68701&ctNode=1725&mp=7
4.	ReliaSoft Corporation. (2006). Data Classification. Retrieved November 10, 2008, from http://www.weibull.com/LifeDataWeb/data_classification.htm#censored