金融機構於信用循環(credit cycle)之管理程序中，潛在壞帳之預警及防範，是其重要課題之一，而縮短對顧客信用/還款行為評等之觀察期，並有效預測顧客未來還款行為，更可俾金融機構掌握預先示警之時效，然為縮短對顧客之觀察期並有效預測其未來還款行為狀態，本研究結合灰色系統理論與貝氏機率建構三階段之「貝氏灰行為評等模式」，援引灰色預測處理短期資訊之長處，企圖降低蒐集顧客過往信用交易記錄所耗費之時間與倉儲等成本，然又於文獻中，GM(1,1)乃常用於預測面問題之解決，鮮少用於處理分類相關議題，故藉由grey cluster分析將由GM(1,1)所獲致之連續數值轉換成具分類效用之各類別機率，後更輔以貝氏事後機率修正，藉此提高模式之鑑別率。
    為驗證模式之適用性，採用金融個案公司所提供之信用卡顧客資料進行實證，結果顯示，本研究提出之貝氏灰行為評等模式，於兩期測試樣本之鑑別率分別為92.98%與88.76%，確有優於單獨使用GM(1,1)之27.68%與26.75%及其結合grey cluster之二階段灰模式30.97%與30.78%之鑑別表現。

For financial institutes, an advance warning and prevention of potential delinquency are very crucial to their credit risk management. Furthermore, shortening the observation periods of customers’ payment behaviors without compromising accuracy of predicting customers’ future credit status is referred to a contributing factor to the enterprise time-based core competence.
Taking advantages of grey theory superiorly able to tackle subtle small sample problems and Bayesian learning process to correct prediction errors, this study aims to propose a 3-stage credit payment behavioral scoring model based on the underlying rationale that the resulting continuous numbers from the 1st stage grey credit prediction are transferred into the corresponding probabilities to predicted classes by the 2nd stage grey clustering and the predicted classes are consequently revised by the posterior probabilities of Bayesian theorem at the 3rd stage.
The proposed model is constructed on 10 observation periods as training samples and 2 performance periods as testing samples. Also its applicability is examined on a real-life dataset of 2677 credit cardholder accounts, each of which contains 12 historical payment periods. Every cardholder in each period was ranked as 1, 2, and 3 in accordance with ascending profitability of his/her payment behaviors. This empirical results show that the accuracies of this proposed model on 2 testing samples respectively are 92.98% and 88.76%, strikingly outperforming grey prediction GM(1,1) model of 27.68%, 26.75%, and 2-stage grey classification model of 30.97%, 30.78%.

目錄
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	4
第三節 研究目的	5
第四節 研究流程	7
第五節 研究範圍與限制	8
第二章 文獻探討	9
第一節 信用卡概述與業務流程	9
第二節 信用風險及信用風險管理	11
第三節 信用評等與行為評等	13
第四節 灰色系統理論	16
第五節 灰色預測之相關文獻	19
第六節 灰色分類之相關文獻	21
第三章 研究方法	23
第一節 建模架構	23
第二節 研究樣本	24
第三節 研究變數	25
第四節 研究工具	25
第四章 實證研究	31
第一節 前測實驗	31
第二節 顧客行為評等模式分析結果	32
第三節 顧客行為評等模式表現之比較	37
第五章 結論	38
第一節 研究結果	38
第二節 研究貢獻與管理意涵	39
第三節 未來研究建議	40
參考文獻	42
一、中文部分	42
二、英文部分	45

表目錄
表1-1  國內信用卡業務統計表	3
表1-2  本國銀行歷年財務逾放比率	5
表4-1  GM(1,1)之預試鑑別率(30筆資料)	32
表4-2  二階段灰模式之預試鑑別率(30筆資料)	32
表4-3  2005年12月灰預測模式鑑別結果	33
表4-4  2006年1月灰預測模式鑑別結果	33
表4-5  2005年12月二階段灰行為評等模式鑑別結果	34
表4-6  2006年1月二階段灰行為評等模式鑑別結果	35
表4-7  2005年12月之貝氏灰行為評等模式鑑別結果	36
表4-8  2006年1月之貝氏灰行為評等模式鑑別結果	36
表4-9  2005年12月分類鑑別率比較	37
表4-10  2006年1月分類鑑別率比較	37
表5-1  金融業者於不同客群之可能作為	40

圖目錄
圖1-1  整體消費性貸款成長表	1
圖1-2  失業率趨勢圖	2
圖1-3  研究流程	7
圖2-1  信用卡業務運作流程圖	11
圖2-2  信用循環圖	13
圖3-1  貝氏灰行為評等模式之建構	24
圖3-2  白化權函數(高中低)	28

中文部分
1.	田自力（1996）。灰色理論在預測與決策之研究。國立成功大學機械工程研究所博士論文。
2.	吳漢雄（1996）。灰關聯分析之線性數據前處理探討。第一屆灰色系統理論與應用研討會。
3.	李仁森 (2007)。以灰色預測法預測不良債權之研究-以一家台灣的銀行為例。朝陽科技大學企業管理系碩士論文。
4.	邱芳瑜（2009）。信用卡持有人顧客價值估計及行為異質性分析。台北科技大學商業自動化與管理研究所碩士論文。
5.	凌氤寶、康裕民、陳森松（2005）。保險學概論。台北市：華泰文化。
6.	徐演政（2005）。基於灰類神經模型之金融資訊分析與預測系統研究。國科會計畫NSC93-2213-E-011-040- 國立台灣科技大學資訊工程系。
7.	涂祖薇 (2009)。整合類神經網路與存活分析於行為評等模式之建構。淡江大學管理科學研究所碩士論文。
8.	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。
9.	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。
10.	張品傑（2010）。整合灰關聯分析、遺傳演算法和粒子群運算對信用評等之研究。義守大學財務金融學系碩士論文。
11.	張玲、張佳琳（2000）。信用風險評估方法發展趨勢。預測第四期。
12.	張偉哲、陳朝光（2000）。灰色系統理論與發展應用。中華民國資訊學會通訊第三期第一卷。
13.	張淑琴 （2004）。The empirical investigation into credit management：An NPV approach。國立成功大學高階管理碩士在職專班碩士論文。
14.	莊昆益（2002）。灰色預測理論應用於電子遊戲產業預測之研究－以台灣市場為例。朝陽科技大學企業管理系碩士論文。
15.	許可達（2009）。保戶投資型保險購買決策之預測。風險管理學報第十一卷第一期。
16.	郭英峰、陳邦誠（2007）。以單變量模式ARIMA模式、類神經網路、灰色GM(1,1)模型預測高雄港貨櫃吞吐量。台大管理論叢第十七卷第二期。
17.	陳其域（2010）。塑膠機械產品需求預測模式之研究-以俄羅斯市場為例。朝陽科技大學企業管理系碩士論文。
18.	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。
19.	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。
20.	温坤禮、趙忠賢、張宏志、陳曉瑩、温惠筑（2009）。灰色理論。台北市：五南圖書。
21.	黃姿菁（2009）。整合類神經網路與資料包絡分析法於行為評等模式之建構。淡江大學管理科學研究所碩士論文。
22.	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。
23.	楊適伃（2002）。房貸灰色信用風險管理模式之建立與應用。銘傳大學管理科學研究所博士論文。
24.	詹育晟（2005）。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。
25.	詹淑鳳 (2010)。應用灰色支援向量迴歸預測國際旅遊需求。淡江大學管理科研究所碩士論文。
26.	廖仁傑（2005）。信用卡業務信用評分制度與模型之有效性研究。國立中央大學財務金融學系在職專班碩士論文。
27.	廖俊男、劉雨芬（2007）。南韓及香港處理卡債危機之經驗及其對台灣的啟示。國際金融參考資料第五十三輯。
28.	趙嬙（2003）。灰色預測理論應用於汽車產業預測之研究-以台灣大陸市場為例。朝陽科技大學企業管理系碩士論文。
29.	劉泰谷（2004）。信用卡信用評分模型之建構與分析。世新大學管理學院財務金融系碩士論文。    
30.	蔣柏廷（2006）。各種改良灰預測模型之探討。義守大學工業工程與管理學系碩士論文。
31.	蔣柏廷、陳俊益、張剛誠（2006）。以灰色理論預測台灣地區職業災害傷亡人數。第十一屆灰色系統理論與應用研討會。
32.	鄧聚龍（2002）。灰預測與灰決策。武漢：華中科技大學出版社。
33.	謝志森（2004）。應用灰色預測理論於台灣化妝品消費市場發展趨勢之預測。朝陽科技大學企業管理系碩士論文。
34.	謝坤民（1997）。長期火災保險之研究。逢甲大學保險研究所碩士論文。
35.	嚴宗銘、龔昶元、劉蓓雯（2006）。中央健保局年度醫療費用支出之預測模式研究-灰預測理論之應用。第七屆管理學域學術研討會。
36.	龔昶元、李貞枝、陳其域（2006）。中央信託局共同供應契約採購預測模式之研究-以資訊設備為例。第十一屆灰色系統理論與應用研討會。



二、英文部分
1.	Chen, M. C. and Huang, S. H. (2003). Credit scoring and rejected instances reassigning through evolutionary computation techniques, Expert Systems with Applications, 24, pp.433-441.
2.	Deng, J. L. (1982). Control problem of grey system, System and Control Letter ,5, pp. 288-294.
3.	Deng, J. L. (1989). Introduction to grey system theory. Journal of Grey System,1, pp.1-24.
4.	Hsu, K. T., Liu, W. L. and Yan, T. M. (2010).Grey clustering statistic, policyholder’s risk attitude and purchase decision. Grey System and Intelligent 
Services.
5.	Hsu, L. C. (2003).Applying the grey prediction model to the global integrated circuit Industry. Technological Forecasting and Social Change, 170, pp. 563-574.
6.	Huang, J. J., Tzeng, G. H. and Ong, C. S. (2006).Two-stage genetic programming (25GP) for the credit scoring model. Applied Mathematics and Computation, 174, pp.1039-1053. 
7.	Huang, S. J., Chiu, N. H. and Chen, L. W. (2008).Integration of grey relational analysis with genetic algorithm for software effort estimation. European Journal of Operational Research, 188, pp.898-909
8.	Lee, Y. S. and Tong, L. I. (2011). Forecasting energy consumption using a grey model improved by incorporating genetic programming. Energy Conversion and Management, 52 ,pp.147-152.
9.	Nelson, R. W. (1997).Credit card risk management, The Banker Magazine, pp.36-38.
10.	Ong, C. S., Huang, J. J. and Tzeng, G. H. (2005).Build credit scoring models using genetic programming. Expert System with Application, 29(1), pp.41-47.
11.	Robert, H. C. (1972).Consumer and commercial credit management（4 ed.）：Richard D. Irwin inc.
12.	Thomas, L. C. (2000).A survey of credit and behavioural scoring：Forecasting Financial Risk of Credit Risk Spreads. International Journal of Forecasting, 16, pp.149-172. 
13.	Wang, C. H. and Hsu, L. C. (2008).Using genetic algorithms grey theory to forecast high technology industrial output. Applied Mathematics and Computation, 195, pp.256-263.