Conclusie 40

In deze studie is onderzoek gedaan naar de relatie tussen default en verschillende sociaal- demografische en gedrag specifieke variabelen. De onderzoeksvraag is:

•   In hoeverre is er een relatie tussen specifiek klantgedrag en default van een klant?

Voor deze studie is een dataset gebruikt van ongeveer 25.500 klanten van het bedrijf Omega, waarbij aangegeven kan worden dat N groot genoeg is om dezelfde resultaten te presenteren bij een herhaling van het onderzoek.

Uit het onderzoek is gebleken dat verschillende variabelen een relatie hebben met default die significant blijken te zijn. De variabelen die een significante relatie hebben met default zijn:

Bezettingsgraad, BKR-score, storno, achterstand, terugbetaalmethode, huisvesting en leeftijd. Vier van deze variabelen zijn gedrag specifiek.

Het sociaal-demografische model verklaart tot 9,3% van de variantie en is significant. Het gedrag specifieke model verklaart tot 17% en is tevens significant. Het combined model verklaart het grootste percentage tot 19,3% en ook dit model is significant. In dit onderzoek wordt aangetoond dat het combined model de meeste variantie verklaart en hierbij aantoont dat gedrag specifieke variabelen een aanvullende voorspellende waarde kunnen toevoegen aan een PD- model. Tevens voorspellen alle modellen met tenminste 99% de accuraatheid van default juist. De backward en forward regressie geven hierbij allebei een combinatie van sociaal- demografische variabelen en gedrag specifieke variabelen aan. Dit is in lijn der verwachting op basis van het onderzoek van Tobback en Martens (2017), die concluderen dat het toevoegen van transactie informatie aan de dataset, de accuraatheid van een model zal vergroten.

De contributie van dit onderzoek was onder meer een verdieping geven op de bestaande literatuur met betrekking tot variabelen die een relatie hebben met default. Deze studie toont aan dat verscheidene gedrag specifieke variabelen een relatie hebben met default en hierbij een contributie leveren aan de bestaande literatuur. Tevens toont deze studie aan dat verscheidene gedrag specifieke variabelen geen relatie hebben met default wat ook een verdieping geeft op de bestaande literatuur.

Concluderend kan gesteld worden dat er een relatie is tussen default en klantspecifiek gedrag, maar dat een combinatie van gedrag specifieke variabelen en sociaal-demografische variabelen de beste fit heeft om default te voorspellen. Vervolgonderzoek naar een model die meer variantie verklaart dan 19,3% is gewenst.

Literatuur

Agarwal, S., Chomsisengphet, S., & Liu, C. (2011). “Consumer Bankruptcy and Default: The Role of Individual Social Cap- ital.” Journal of Economic Psychology 32:632–650. Basel Committee on Banking Supervision (2004): International convergence of capital

measurement and capital standards. Bank for International Settlements, Basel. Geraadpleegd van https://www.bis.org/publ/bcbs107.pdf

Bellotti, T., & Crook, J. (2013). Forecasting and stress testing credit card default using dynamic models. International Journal of Forecasting, 29, 563–574.

Boyes, W. J., Hoffman, D. L., & Low, S. A. (1989). An econometric analysis of the bank credit scoring problem. Journal of Econometrics, Vol. 40, Issue 1, p. 3-14.

Caouette, J. B., Altman, E. I., Narayanan, P., & Nimmo, R. (2008): Managing credit risk. 2nd ed., Wiley, Hoboken.

Dinh, T. H. T., & Kleimeier, S. (2007). A Credit Scoring Model for Vietnam’s Retail Banking Market. International Review of Financial Analysis, Vol. 16, Issue 5, p. 571-495.

Dunn, L. F., & Kim, T.-H. (1999). An empirical investigation of credit card default. Working Paper, Department of Economics. The Ohio State University, Columbus, Ohio

Field, A. (2013). Discovering Statistics using IBM SPSS statistics (4th edn). London: Sage

Gurný, P., & Gurný, M. (2013). Comparison of credit scoring models on probability of default estimations for US banks. Praque economic papers, 2, 163-181. doi: 10.18267/j.pep.446 Horkko, M. (2010). The determinants of default in consumer credit market. Unpublished

Master’s Thesis, Department of Accounting and Finance, School of Economics, Aalto University

Jungmann, N., & Van Geuns, R. (2014). De psychologie van schuld. In S. Verhagen, M. Ham, & L. Linders (Reds.), Verlossing van schuld en boete (pp. 93-107). Amsterdam, Nederland: Van Gennep.

Kocenda, E., & Vojtek, M. (2009). Default Predictors and Credit Scoring Models for Retail Banking. CESifo Working Paper, No. 2862.

Lawrence, E. L., Smith, S., & Rhoades, M. (1992). An analysis of default risk in mobile home credit. Journal of Banking and Finance 299-312.

Lee, T. S., Chiu, C. C., Lu, C. J., & Chen, I. F. (2002). Credit scoring using the hybrid neural discriminant technique. Expert Systems with Applications, Vol. 23, Issue 3, p. 245-254.

Leow, M., & Crook, J. (2016). A new Mixture model for the estimation of credit card Exposure at Default. European Journal of Operational Research, 249, 487-497.

Lim, M., & Sohn, S. (2007). Cluster-based dynamic scoring model. Expert Systems with Applications, 32, 427-431.


Mester, L. J. (1997). What Is the Point of Credit Scoring? Business review (Federal Reserve Bank of Philadelphia), September/October, 3-16.

Norden, L., & Weber, M. (2010). Credit line usage, checking account activity, and default risk of borrowers. The Review of Financial Studies. 23(10), 3665–3699.

Ozdemir, O., & Boran, L. (2004). An empirical investigation on consumer credit default risk. Discussion Paper. 2004/20. Turkish Economic Association.

Palant, J. (2007). SPSS survival manual: A step by step guide to data analysis using SPSS for Windows. Maidenhead: Open University Press.

Popa, C., & Bertea, L. (2010). The border between business intelligence and psychology segmentation based on customer behavior. Management & Marketing, 1s, 108-114. Sohn, S. Y., Lim, K.T., & Ju, Y. (2014). Optimization strategy of credit line management for

credit card business. Computers & Operations Research (48), pp. 81-88.

Sullivan, T. A., Thorne, D. & Warren, E. (2001). Young, Old, and In Between: Who Files for Bankruptcy? Norton Bankruptcy Law Adviser, p. 1-11.

Summers, B., & Wilson, N. (2000). Trade Credit Management and the Decision to Use Factoring: An Empirical Study. Journal of Business Finance & Accounting, 27 (1) & (2), 37-68.

Tabachnick, B.G., & Fidell, L.S. (2007). Using multivariate statistics (5th edn). Boston: Pearson Education

Tobback, E., & Martens, D. (2017). Retail credit scoring using fine-grained payment data. Working Paper, Department of Engineering Management, University of Antwerp Vissing-Jorgensen A., (2011). Consumer credit: Learning your customer’s default risk from what

(s)he buys. Working Paper, Kellog School of Management, Northwestern University, NBER and CEPR.

Wilson, N., Summers, B., & Hope, R. (2000), “Using payment behaviour data for credit risk Modelling”, International Journal of the Economics of Business, 7(3): 333-346.