Journal of the Korean Data and Information Science Society

The Korean Data and Information Science Society (한국데이터정보과학회)
권호 표지
DOI QR코드

DOI QR Code

Developing the credit risk scoring model for overdue student direct loan

학자금 대출 연체의 신용위험 평점 모형 개발

  • Han, Jun-Tae (Statistics & Analysis Team, Korea Student Aid Foundation) ;
  • Jeong, Jina (Statistics & Analysis Team, Korea Student Aid Foundation)
  • 한준태 (한국장학재단 통계분석팀) ;
  • 정진아 (한국장학재단 통계분석팀)
  • Received : 2016.07.26
  • Accepted : 2016.09.19
  • Published : 2016.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, we develop debt collection predictive models for the person in arrears by utilizing the direct loan data of the Korea Student Aid Foundation. We suggest credit risk scorecards for overdue student direct loan using the developed 3 models. Model 1 is designed for 1 month overdue, Model 2 is designed for 2 months overdue, and Model 3 is designed for overdue over 2 months. Model 1 shows that the major influencing factors for the delinquency are overdue account, due data for payment, balance, household income. Model 2 shows that the major influencing factors for delinquency loan are days in arrears, balance, due date for payment, arrears. Model 3 shows that the major influencing factors for delinquency are the number of overdue in recent 3 months, due data for payment, overdue account, arrears. The debt collection predictive models and credit risk scorecards in this study will be the basis for segmented management service and the call & collection strategies for preventing delinquency.

본 연구는 한국장학재단 일반상환 학자금 대출 연체자를 대상으로 연체 미회수 그룹으로 분류될 수 있는 위험요인들을 파악하고, 학자금 대출 연체 회수 예측모형을 개발하였다. 또한 개발된 예측모형을 활용하여 그에 따른 신용위험 평점표를 작성하였다. 예측모형 개발은 연체기간에 따라 총 3가지 모형 (Model 1: 연체 1개월 모형, Model 2: 연체 2개월 모형, Model 3: 연체 3개월 이상 모형)으로 로지스틱 회귀분석 분석을 적용하였다. 연체기간 구분은 금융권에서 일반적으로 사용하고 있는 연체회수모형의 단위를 준용하여 1개월 단위를 기준으로 연체 1개월, 연체 2개월, 연체 3개월 이상으로 구분하였다. 연체 1개월 모형 (Model 1)에서는 연체계좌수, 이체일자, 연체잔액, 소득분위가 영향력이 큰 것으로 나타났으며, 연체 2개월 모형 (Model 2)에서는 연체 일수, 연체잔액, 이체일자, 연체금액이 중요한 것으로 나타났다. 마지막으로 연체 3개월 이상 모형 (Model 3)에서는 최근 3개월 이내 연체 횟수, 이체일자, 연체계좌수, 연체액의 영향력이 큰 것으로 나타났다. 본 연구에서 개발된 연체회수 모형이나 평점표를 바탕으로 연체 채권관리를 함에 있어 좀더 세분화된 관리서비스를 제공하고, 상담센터의 상담원이 연체자의 평점에 따라 상담전략을 세울 수 있는 기초자료가 될 수 있을 것으로 사료된다.

Keywords

References

  1. Altman, E. I., Haldeman, R. and Narayanan, P. (1977). Zeta analysis-a new model to identify bankruptcy risk of corporations. Journal of Banking and Finance, 1, 29-54. https://doi.org/10.1016/0378-4266(77)90017-6
  2. Choi, J. S., Han, J. T., Kim, M. J. and Jeong, J. (2015). Developing the high risk group predictive model for student direct loan default using data mining. Journal of the Korean Data & Information Science Society, 26, 1417-1426. https://doi.org/10.7465/jkdi.2015.26.6.1417
  3. Grunert, J. and Weber, M. (2009). Recovery rates of commercial lending: Empirical evidence for German companies. Journal of Banking and Finance, 33, 505-513. https://doi.org/10.1016/j.jbankfin.2008.09.002
  4. Jin, S. K., Kim, K. R. and Park, C. (2012). Cutpoint selection via penalization in credit scoring. The Korean Journal of Applied Statistics, 25, 261-267. https://doi.org/10.5351/KJAS.2012.25.2.261
  5. Khieu, H. D., Mullineaux, D. J. and Yi, H. C. (2012). The determinants of bank loan recovery rates. Journal of Banking and Finance, 36, 923-933. https://doi.org/10.1016/j.jbankfin.2011.10.005
  6. Kang, H. C., Han, S. T., Choi, J. H., Lee, S. G., Kim, E. S. and Um, I. H. (2014). Methodology of data mining for big data analysis: A case study on SAS Enterprise Miner, Free Academy, Seoul.
  7. Kim, T. H. and Kim, Y. H. (2013). A study on the analysis of customer loan for the credit finance company using classification model. Journal of the Korean Data & Information Science Society, 24, 411-425. https://doi.org/10.7465/jkdi.2013.24.3.411
  8. Leow, M. and Crook, J. (2016). The stability of survival model parameter estimates for predicting the probability of default: Empirical evidence over the credit crisis. European Journal of Operational Research, 249, 457-464. https://doi.org/10.1016/j.ejor.2014.09.005
  9. Pompe, P. P. M. and Bilderbeek, J. (2005). The prediction of bankruptcy of small-and medium-sized industrial firms. Journal of Business Venturing, 20, 847-868. https://doi.org/10.1016/j.jbusvent.2004.07.003
  10. Siddiqi, N. (2006). Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring, John Wiley & Sons, New Jersey.
  11. Woo, H. S., Lee, S. H. and Cho, H. J. (2013). Building credit scoring models with various types of target variables. Journal of the Korean Data & Information Science Society, 24, 85-94. https://doi.org/10.7465/jkdi.2013.24.1.85
  12. Zurada, J. and Zurada, M. (2002). How secure are good loans: Validating loan-granting decisions and predicting default rates on consumer loans. The Review of Business Information Systems, 6, 65-83.