隨著2006年新巴賽爾協定的施行，我國銀行如何在WTO開放金融服務業全球競爭的環境下生長茁壯，「信用評等」已逐漸成為銀行授信的重要依據，傳統依賴授信人員過去的經驗的授信決策者會因不同的授信人員而產生決策不一致的情況，而信用評等則可以保證相同標準，減少主觀的認定過程，降低信用風險。 台灣80年代至90年代的股市與房地產市場熱潮，不少建設公司爭先恐後的爭取上市上櫃，即使證券主管機關針對營建業設下了較高的門檻來進行把關，仍有建設公司費盡心思為了上市上櫃。有鑑於建築投資業風險高，根據新版巴賽爾資本協定與金管會的準則，建立一個信用評等機制，以利銀行推估風險成分中的違約機率。 本研究以台灣經濟新報資料庫的公開發型中小企業財務報表為實例，資料的觀察期間為1996至2005年。資料來源為授信案件以建築投資業為主，藉由企業財務報表簽證資料與總體金融指數，經誤差抽樣，以羅吉斯迴歸建立模型，模型驗證則依據金管會建議的七個方向執行。 研究結果顯示，經評估確立以1:2誤差抽樣比例下，建模的效果最佳，模型共選入四個財務報表變數和一個總體經濟指標，變數皆具有一定的解釋預測能力，檢定後發現，本研究建立之信用評分等級有符合等級內同質性的要求。在壓力測試下，結果顯示整體上是穩定的，只有借款比率會呈現較為敏感。信用轉移矩陣觀察前後兩年度間企業授信戶評等的變動情形，在實務上看來，房地產業相關行業容易受到政局影響，重大事件都會影響到此評等的轉移。

近年來銀行經營管理方式已因經濟環境改變及金融市場變遷而產生了巨大變革，商業銀行的資產規模是不是可以無限制地擴張？銀行經營績效的評估方式仍可用傳統盈餘及成本觀念加以框架嗎？在此背景下，巴塞爾資本協定應運而生。1987 年，美聯儲和英格蘭銀行聯合向巴塞爾清算委員會提出要在世界上建立共同的資本體系，目的就是要限制在資本不足的情況下銀行規模的過度擴張；現代金融機構經營績效的評估亦不再僅是單純存放款利差的擴大，而更由考量「每單位資本」所得利潤，轉變為衡量「每單位風險」下所能創造的獲利。藉由這種思維轉變所產生的評估指標，較能忠實呈現風險下的真正績效，並有效掌握銀行內部風險程度及獲利狀況，對資金與稀少性資源做適當分配。 如何達到最佳化的資本配置？最主要在於精確量化銀行業者每天所面臨的各項風險，尤其是信用風險的量化。而信用評等（credit rating）制度的建立係現代商業銀行量化信用風險管理的最重要且最基本的一環，信用評等的建置成敗在於資料倉儲的品質與IT 支援能力，這也是銀行內部評等建置的基楚工程，而一般大型國際銀行在建置內部評等系統時，會一併將後續呆帳準備（provisions）計提、預期損失與未預期損失、資本配置管理與風險調整後績效評估連結。 本研究室針對電子製造產業，在新巴賽爾協定規範下，建立信用評等模型。模型採用羅吉斯迴歸建立，模型中的變數可分成三個構面：『董事持股面』、『公司獲利面』、『公司負債面』；而模型的整體正確率可達88.31%。在各項模型的測試中，皆有穩定的表現。

中小企業是台灣經濟貿易發展的命脈，過去以中小企業為主的出口貿易經濟體系，是創造台灣經濟奇蹟的主要動力。隨著2006年底新巴賽爾協定的正式實施，金融機構為符合新協定規範，亦需將中小企業信用評分程序，納入其徵、授信管理系統，以求信用風險評估皆可量化處理。故本研究將資料採礦技術應用於建置中小企業違約風險模型，針對內部評等法中的企業型暴險，根據新協定與金管會的準則，不僅以財務變數為主，也廣泛增加如企業基本特性及總體經濟因子等非財務變數，納入模型作為考慮變數，計算違約機率進而建置一信用評等系統，作為金融機構對於未來新授信戶之風險管理的參考依據。而本研究將以中小企業中製造傳統產業公司為主要的研究對象，建構企業違約風險模型及其信用評等系統，資料的觀察期間為2003至2005年。 本研究分別利用羅吉斯迴歸、類神經網路、和C&R Tree三種方法建立模型並加以評估比較其預測能力。研究結果發現，經評估確立以1:1精細抽樣比例下，使用羅吉斯迴歸技術建模的效果最佳，共選出六個變數作為企業違約機率模型之建模變數。經驗證後，此模型即使應用到不同期間或其他實際資料，仍具有一定的穩定性與預測效力，且符合新巴塞資本協定與金管會的各項規範，表示本研究之信用評等模型，確實能夠在銀行授信流程實務中加以應用。 / To track the development of Taiwan’s economy history, one very important factor that should never be ignored is the role of small enterprise businesses (the SMEs) which has always been played as a main driving force in the growth of Taiwan’s export trade economic system. With the formal implementation of Basel II in the end of 2006, there arises the need in the banking institutions to establish a credit scoring process for the SMEs into their credit evaluation systems in order to conform to the new accords and to quantify the credit risk assessment process. Consequently, in this research we apply data mining techniques to construct the default risk model for the SMEs in accordance to the new accords and the guidelines published by the FSC (the Financial Supervisory Commission). In addition we not only take the financial variables as the core variables but also increase the non- financial variables such as the enterprise basic characteristics and overall economic factors extensively into the default risk model in order to formulate the probability of credit default risk as well as to establish the credit rating system for the enterprise-based at risk for default in the IRB in the second pillars of the Basel II. The data which used in this research is taken from the traditional SMEs industry ranging from the year of 2003 to 2005. We use each of the following three methods, the Logistic Regression, the Neural Network and the C&R Tree, to build the model. Evaluation of the models is carried out using several statistics test results to compare the prediction accuracy of each model. Based on the result of this research under the 1:1 oversampling proportion, we are inclined to adopt the Logistic Regression techniques modeling as our chosen choice of model. There are six variables being selected from the dataset as the final significant variables in the default risk model. After multiple testing of the model, we believe that this model can withstand the testing for its capability of prediction even when applying in a different time frame or on other data set. More importantly this model is in conformity with the Basel II requirements published by the FSC which makes it even more practical in terms of evaluating credit risk default and credit rating system in the banking industry.