Responsive image
博碩士論文 etd-0604119-002355 詳細資訊
Title page for etd-0604119-002355
論文名稱
Title
中小企業放款違約因子研究-以國內C租賃公司為例
Analysis of Default Factors of Small and Medium Enterprise-– A Case Study of C Leasing Company
系所名稱
Department
畢業學年期
Year, semester
語文別
Language
學位類別
Degree
頁數
Number of pages
50
研究生
Author
指導教授
Advisor
召集委員
Convenor
黃振聰
Huang,Jen-Jsung
口試委員
Advisory Committee
吳錦文, 黃泓智, 邱魏頌正
Yi-Chen Wu; Ho Chih Huang; Song-zan Chiou Wei
口試日期
Date of Exam
2019-06-18
繳交日期
Date of Submission
2019-07-04
關鍵字
Keywords
租賃業、違約風險因子、風險評估模型、XGBoost、機器學習
leasing industry, default factor, XGBoost, machine learning tool, risk prediction model
統計
Statistics
本論文已被瀏覽 5702 次,被下載 0
The thesis/dissertation has been browsed 5702 times, has been downloaded 0 times.
中文摘要
國內中小企業對於台灣經濟發展處於舉足輕重之地位,係國內經濟結構核心之一,而租賃公司在許多中型及小型企業之發展中更係位居要角,成為其營運過程中資金之關鍵支應者。由於國內之中小企業經營模式、慣例,其報表在稅務等其他原因下無法完整顯示其經營成果,故與銀行業者易產生高度之訊息不對稱情事,導致其向銀行融資難度高,而租賃業者之角色則適時成為中小企業關鍵之資金供應者。
國內租賃業以中小企業為目標市場,雖成為中小企業成長之資金供應者,惟因中小企業在發展過程中易因企業內外部因素而影響其經營成敗,亦使租賃業者需承擔較銀行業者較高之授信違約風險,故租賃業者有必要針對違約風險因子進行研究,以發展出有效之違約預警預測工具。
本研究選取37個變數以作為預測是否違約之風險因子,包含一般銀行產業常運用之財報因子13項,及關於企業經營、經營者特質、案件架構、徵審層面等非財報因子24項,以XGBoost之機器學習工具為預測之方法,發現選取之變數、樣本經XGBoost學習訓練後,確實能發揮預測之效果,其對正常戶之預測準確率達87~88%。
本次研究所選取之授信風險因子、預測工具,可提供租賃業、銀行小中企業放款部門在預估融資違約風險時作為研究參考。
Abstract
Small and medium enterprises (SMEs) develop production and bring about prosperous economy in Taiwan. They're the main parts of finance and economics of our country. At the meantime, leasing companies play significant roles helping the growing of SMEs, serving as important budget providers to SMEs. Because of business model and usual practice of SMEs, their financial reports can’t reflect actual status. There is severe information asymmetry between SMEs and banks, so it’s very difficult for them to get financial line from banks. Under such circumstances, leasing companies turn into be the critical budget providers.
The target markets of leasing companies are SMEs, and serving as important fund providers. But the operational results of SMEs are often influenced by internal and external factors. Therefore it causes leasing companies to take more risk than bank industry. That’s why leasing industry need to analyze the default factors, developing effective prediction model.
This study selectd 37 variables to forecast the risk factors whether cause to default, including 13 variables which banks often utilize, and other non-financial 24 variables regarding business operating, characters of operators, case structures and investigating processes. Applied machine learning tool of XGBoost as prediction model . It was found that after training the variables of samples, the tool has the prediction ability indeed. The results revealed the predictive accuracy reaching 87~88%.
The default factors and prediction tool of this study could be for reference when leasing companies and banks predict the risk of default.
目次 Table of Contents
目錄
論文審定書--------------------------------------------------------- i
誌謝--------------------------------------------------------------- ii
中文摘要----------------------------------------------------------- iii
英文摘要----------------------------------------------------------- iv
目錄--------------------------------------------------------------- v
圖次--------------------------------------------------------------- vi
表次--------------------------------------------------------------- vii
第一章 緒論---------------------------------------------------------1
第一節 研究背景與動機--------------------------------------------1
第二節 研究目的--------------------------------------------------2
第三節 研究流程--------------------------------------------------2
第四節 範圍與限制------------------------------------------------3
第二章 文獻探討-----------------------------------------------------5
第一節 租賃相關行業現況-----------------------------------------5
第二節 違約因子文獻探討-----------------------------------------10
第三節 實證研究方法文獻-----------------------------------------16
第三章 研究方法----------------------------------------------------19
第一節 資料來源與樣本選擇--------------------------------------19
弟二節 研究變數定義--------------------------------------------20
第三節 資料統計分析方法----------------------------------------31
第四章 實證結果與研究分析----------------------------------------- 33
第一節 研究對象----------------------------------------------- 33
第二節 研究因子敍述統計--------------------------------------- 34
第三節 機器學習工具------------------------------------------- 35
第四節 預測結果----------------------------------------------- 36
第五章 結論與建議--------------------------------------------------38
參考文獻 -----------------------------------------------------------40
參考文獻 References
一、中文部份
1. 中租控股股份有限公司2018年年報。
2. 中華民國銀行公會會員授信準則,2010,中華民國銀行商業同業公會全國聯合會。
3. 王律文(2009),金融機構對中小企業授信評估因素與逾期風險之相關性實證研究─以TC銀行中部地區分行為例,朝陽科大保險金融管理系碩士班碩士論文。
4. 吳幸珍(2010),中小企業經營特性與貸放違約率關係之實證研究,臺中技術學院事業經營研究所碩士論文。
5. 呂和龍(2004),租賃業授信與企業違約風險預警模式之研究,高雄一科大財務管理所碩士論文。
6. 李惟喬(2008),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班碩士論文。
7. 邱淑雯(2016),中小企業授信風險因子之研究─現金流量波動性觀點探討,輔仁大學金融碩士在職專班碩士論文。
8. 高裕豐(2013),銀行對中小企業授信決策與授信風險關聯性之研究,台北大學國際財務金融碩士在職專班碩士論文。
9. 張國浩(2004),我國中小企業財務危機預警系統之研究,輔仁大學金融研究所碩士論文。
10. 郭婉芬(2007),中小企業逾期放款之因素研究,開南大學企業碩士班碩士論文。
11. 陳建在(2017),銀行對中小企業授信違約因素之研究,銘傳大學高階經理碩士論文。
12. 陳柏樫(2006),非財務信評因素對中小企業融資之探討,大葉大學國際企業管理學系碩士在職專班碩士論文。
13. 陳榮德(2015),中小企業授信風險之探討---以T銀行為例,世新大學企業管理研究所碩士論文。
14. 曾信超、黃新宗(2009),金融機構融資授信實證分析--以國內中小企業為例,嶺東通識教育研究學刊卷期3:1,頁17~48。
15. 黃錫苑(2010),租賃業違約風險之研究-以台灣某租賃公司為例,臺北大學國際財務金融碩士在職專班碩士論文。
16. 黃國輝(2017),租賃業信用風險評估之實務研究:以T租賃公司為例,中山大學高階經營碩士班碩士論文。
17. 詹博翔(2016),銀行對中小企業授信評估因子與授信風險關係之探討,東吳大學企業管理學系碩士論文。
18. 劉炯森(2011),商業銀行對中小企業授信風險評估要素研究,淡江大學企業管理學系碩士在職專班碩士論文。
19. 蔡富吉(2011),中小企業授信風險與財務指標之關聯性,台北大學國際財務金融碩士在職專班碩士論文。


二、英文部份

1. Chen, T., & Guestrin, C. (2016). “XGBoost: A Scalable Tree Boosting System.” In Proceedings of The 22Nd ACM SIGKDD International Conference On Knowledge Discovery and Data Mining, New York, USA: ACM, 785–794.
2. Chen, T., He, T., & Benesty, M. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2, 1-4.
3. Jesse C. Sealand(2018).Short-term Prediction of Mortgage Default using Ensembled Machine Learning Models,Graduate School of Mathematics and Statistics Slippery Rock University.
4. Shi, X., Li, Q., Qi, Y., Huang, T., & Li, J. (2017, November). An accident prediction approach based on XGBoost. In Intelligent Systems and Knowledge Engineering (ISKE), 2017 12th International Conference on (pp. 1-7). IEEE.
5. Huiting Zheng , Jiabin Yuan and Long Chen(2017,August).Short-Term Load Forecasting Using EMD-LSTM Neural Networks with a Xgboost Algorithm for Feature Importance Evaluation, College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics.
6. Mesut Gumus, Mustafa S. KiranI(2017,November), Crude oil price forecasting using XGBoost. Institute of Electrical and Electronics Engineers(IEEE).
電子全文 Fulltext
本電子全文僅授權使用者為學術研究之目的,進行個人非營利性質之檢索、閱讀、列印。請遵守中華民國著作權法之相關規定,切勿任意重製、散佈、改作、轉貼、播送,以免觸法。
論文使用權限 Thesis access permission:自定論文開放時間 user define
開放時間 Available:
校內 Campus:永不公開 not available
校外 Off-campus:永不公開 not available

您的 IP(校外) 位址是 18.206.12.157
論文開放下載的時間是 校外不公開

Your IP address is 18.206.12.157
This thesis will be available to you on Indicate off-campus access is not available.

紙本論文 Printed copies
紙本論文的公開資訊在102學年度以後相對較為完整。如果需要查詢101學年度以前的紙本論文公開資訊,請聯繫圖資處紙本論文服務櫃台。如有不便之處敬請見諒。
永不公開 not available

QR Code