博碩士論文 etd-0604119-002355 詳細資訊


[回到前頁查詢結果 | 重新搜尋]

姓名 蘇子豪(Tzu-Hao Su) 電子郵件信箱 E-mail 資料不公開
畢業系所 財務管理學系研究所(Department of Finance)
畢業學位 碩士(Master) 畢業時期 107學年第2學期
論文名稱(中) 中小企業放款違約因子研究-以國內C租賃公司為例
論文名稱(英) Analysis of Default Factors of Small and Medium Enterprise-– A Case Study of C Leasing Company
檔案
  • etd-0604119-002355.pdf
  • 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

    紙本論文:不公開

    電子論文:使用者自訂權限:校內校外均不公開

    論文語文/頁數 中文/50
    統計 本論文已被瀏覽 5586 次,被下載 0 次
    摘要(中) 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。
    摘要(英) 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.
    關鍵字(中)
  • 租賃業
  • 違約風險因子
  • 風險評估模型
  • XGBoost
  • 機器學習
  • 關鍵字(英)
  • leasing industry
  • default factor
  • XGBoost
  • machine learning tool
  • risk prediction model
  • 論文目次 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 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).
    口試委員
  • 黃振聰 - 召集委員
  • 吳錦文 - 委員
  • 邱魏頌正 - 委員
  • 黃泓智 - 委員
  • 王昭文 - 指導教授
  • 口試日期 2019-06-18 繳交日期 2019-07-04

    [回到前頁查詢結果 | 重新搜尋]


    如有任何問題請與論文審查小組聯繫