نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد مدیریت صنعتی دانشگاه علامه طباطبائی، تهران، ایران

2 دانشیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی

3 استاد گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی

چکیده

ارزیابی ریسک اعتباری یکی از موضوعات اساسی برای بانک­ها و مؤسسات­مالی بوده که مدل­های مختلفی برای این منظور توسعه یافته است. این پژوهش با استفاده از مدل استدلال مبتنی بر مورد (CBR) و در نظر گرفتن یک بانک اطلاعاتی از مشتریان اعتباری بانک به ارزیابی ریسک اعتباری متقاضیان تسهیلات بانکی می­پردازد. در این راستا 9 معیار مطابق با نظر خبرگان انتخاب و با استفاده از روش فرآیند تحلیل سلسله مراتبی فازی (FAHP) وزن­دهی شدند. نتیجه حاصل از مقایسه زوجی معیارها نشان داده است که سه معیار چک­برگشتی، وضعیت­مسکن و مقدار درآمد به ترتیب دارای بیشترین اهمیت در ریسک اعتباری متقاضیان تسهیلات بانکی است. سپس با تکنیک تاپسیس به سنجش شباهت مورد جدید با موارد گذشته واقعی و یا ارزیابی گزینه جدید نسبت به گزینه ایده­آل  و با استفاده از مدل استدلال مبتنی بر مورد به پیش­بینی احتمال نکول یا عدم نکول متقاضی تسهیلات بانکی می­پردازد. جامعه پژوهش شامل پرونده­های اعتباری متقاضیان تسهیلات بانکی یکی از بانک­های خصوصی در بین سال­های 94-90  است. این تحقیق از نوع کاربردی و بصورت مطالعه پیمایشی و توصیفی انجام شده است. نتایج نشان می­دهد دقت مدل CBR نسبت به سایر روش­های اعتبارسنجی و رتبه­بندی مشتریان بانک بیشتر است. استفاده از مدل CBR در قالب اعتبارسنجی مشتریان، نتایجی به مراتب بهتر از عملکرد کارشناسان بخش اعتباری بانک عامل که به روش قضاوتی و بر اساس تجربه به پیش­بینی نکول یا عدم نکول مشتریان می­پرداختند حاصل نموده است که نشان دهنده کارایی بالای مدل مورد استفاده پژوهش در مقایسه با مدل مورد استفاده بانک و کارشناسان اعتبارسنجی می­باشد. CBR منجر به طراحی سیستمی خبره، متخصص و هوشمند شده و علاوه بر ذخیره داده­ها در بانک اطلاعاتی، مدل­ها و الگو­هایی را برای استفاده ذخیره می­کند.[M1] 



 

کلیدواژه‌ها

عنوان مقاله [English]

Credit Status Assessment of Bank Loan Applicants Using CBR Method

نویسندگان [English]

  • Amir Khorrami 1
  • Mohammad Taghi Taghavifard 2
  • Seyed Mohammad Ali Khatami Firouzabadi 3

2 Faculty Member/Allameh Tabataba'i University

3 Member of Faculty, Allameh Tabataba'i University Business School (ATUBS)

چکیده [English]

Credit risk assessment is one of the key issues for banks and financial institutions and various models have been developed for this. This study uses Case Based reasoning (CBR) Model and considers a database of bank credit customers to assess the credit risk of bank applicants. For this, 9 criteria were selected based on the experts' opinion and were weighted using the Fuzzy Analytical Hierarchy Process (FAHP). Return check, housing situation and income level are the most important criteria for credit risk assessment of the bank applicants. Then, using the TOPSIS Technique, we could evaluates the similarity of the new item with actual past cases or evaluate the new applicant with the ideal option, and uses a case-based reasoning model to predict the likelihood of default or non-default applicants. Survey research was applied for this study and the research community was the records of previous bank applicants between 1390-94 years. This research is an applied and descriptive and descriptive study. The results show that the accuracy of the CBR model is higher than other validation and ranking methods of bank customers. The use of the CBR model in order to authenticate customers has obtained results far better than the performance of the credit sector experts, which led to the judgment of default or non-default of customers, indicating the high performance of the model used in comparison to the model used by bank and validation experts. CBR leads to the design an expert, specialized and intelligent system which addition to storing data in a database, stores models and templates for use.



 

کلیدواژه‌ها [English]

  • : Credit Risk
  • Credit Rating
  • Validation
  • Default
  • Fuzzy Analytical Hierarchy Process (FAHP)
  • TOPSIS
  • Case-Based Reasoning (CBR)
اکرمی، محمود و آزاده رهنما اسکی. (1388). بررسی عوامل مؤثر در مطالبات سررسید گذشته و معوق بانکی، پژوهشنامه اقتصادی ویژه نامه بانک، شماره 6، ص 216-195.
انصاری، سارا. (1388). اعتبارسنجی مشتریان حقوقی بانک پارسیان با استفاده از شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد، تهران. دانشگاه الزهرا، دانشکده علوم اجتماعی و اقتصادی.
بانک مرکزی جمهوری اسلامی ایران، (1388). آیین نامه وصول مطالبات سر رسید گذشته، معوق و مشکوک الوصول مؤسسات اعتباری مصوب هیئت وزیران.
البرزی، محمود، محمد پورزرندی، محمد ابراهیم و خان بابایی، محمد، (1391). به کارگیری الگوریتم ژنتیک در بهینه سازی درختان تصمیم­گیری برای اعتبارسنجی مشتریان بانک­ها، نشریه مدیریت فناوری اطلاعات، دوره 2، شماره 4، ص 38-23.
جلیلی، محمد، خدائی به­زادفرد، محمد  و کنشلو، مهدیه. (1389)، اعتبارسنجی مشتریان حقیقی در سیستم بانکی کشور، مطالعات کمی در مدیریت، دوره 1، شماره 3، ص 148- 127.
جمشیدی، سعید (1389). شیوه­های اعتبارسنجی مشتریان. تهران: پژوهشکده پولی و بانکی.
حسینی، وحید (۱۳۹۴)، ارائه یک چارچوب جدید سیستم امتیاز دهی اعتباری مبتنی بر ماشین بردار پشتیبان جهت مدیریت ریسک اعتباری در بانک ها و مؤسسات مالی، کنفرانس بین المللی پژوهش در مهندسی، علوم و تکنولوژی، استانبول، مؤسسه مدیران ایده پرداز پایتخت ویرا.
خالصی، نرگس و شکوهی، امیرحسین (1389). ارائه روشی جدید برای اعتبارسنجی مشتریان بانکی با استفاده از تکنیم­های داده کاوری. مجموعه مقالات چهارمین کنفرانس داده کاوی ایران. تهران: دانشگاه شریف.
دهقانی، محمد علی. (1388) .ارئه مدلی برای رتبه­بندی اعتباری مشتریان حقیقی در بانک کارآفرین. پایان نامه کارشناسی ارشد، مؤسسه عالی بانکداری ایران.
ذکاوت، سید مرتضی، پرویزیان، کوروش و محمدیان، مهدی. (1386). رتبه­بندی داخلی مشتریان بانک­ها با استفاده از مدل­های رگرسیونی لاجیت. پژوهشنامه اقتصادی، شماره 6، ص 89-61.
رجب زاده قطری، علی، احمدی، پرویز و بهرام میرزایی، آرش ، (1388). طراحی سیستم هوشمند ترکیبی رتبه­بندی اعتباری مشتریان بانک­ها با استفاده از مدل­های استدلال فازی ترکیبی، فصلنامه پژوهشنامه بازرگانی، شماره 53، ص 201- 159.
صفارزاده, غلامرضا و مدافعی، پویا. (۱۳۹۳). اعتبار سنجی تخصیص تسهیلات در نظام بانکی با رویکرد تحلیل پوششی داده ها در قالب شبکه عصبی، کنفرانس بین المللی حسابداری و مدیریت، تهران، مؤسسه همایشگران مهر اشراق، مرکز همایش­های دانشگاه تهران.
عنایی, سیده مریم، صادق زاده، مهدی و کشاورز، مهدی. (۱۳۹۳). ارائه روشی جدید بر مبنای خوشه بندی و انتخاب ویژگی برای امتیاز دهی اعتباری مشتریان بانک، اولین همایش داخلی مهندسی کامپیوتر و فناوری اطلاعات، بروجن، دانشگاه آزاد اسلامی واحد بروجن.
میرطلایی، منیره السادات و محمدعلی آزاده، مرتضی صابری، بهزاد اشجری، (1391). اراده الگوریتم هوشمند مبتنی بر اعتماد جهت تعیین اعتبار مشتریان یک سیستم مالی، نشریه تخصصی مهندسی صنایع، دوره 46، شماره 1، ص 104-91.
 
Abdou, H. A., & Pointon, J. (2009). Credit scoring and decision making in Egyptian public sector banks. International journal of managerial finance,5(4), 391-406.
Abdou, H., Pointon, J., & El-Masry, A. (2008). Neural nets versus conventional techniques in credit scoring in Egyptian banking. Expert Systems with Applications, 35(3), 1275-1292.
Basel Committee On Banking. (2006). Studies on the validation of internal rating Systems. Working paper, 14.
Chen,F-l., Li,F-ch. (2010). Combination of feature selection approaches with SVM in credit scoring. Expert systems with application’s, 37, 4902-490
Emekter, R., Tu, Y., Jirasakuldech, B., & Lu, M. (2015). Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending. Applied Economics, 47(1), 54-70.
Huaug, l-l. tzeng, G-h, & One, Ch-Sh. (2007) Two- stage genetic Programming (2SGP) for the credit scoring model. Applied mathematics and computation, 174, 1036-1053.
Jacobson, T. , Roszbach, K, (2003). Bank leding policy, credit scoring and value-at-risk. J. banking & finane. 27, 4, 615-633.
Johnson, R. A., & Wichern, D. W. (2002). Applied multivariate statistical analysis (Vol. 5, No. 8). Upper Saddle River, NJ: Prentice hall.
Kollár, B., Weissová, I., & Siekelová, A. (2015). Comparative Analysis of Theoretical Aspects in Credit Risk Models. Procedia Economics and Finance, 24, 331-338.
Lee Amy H.I; Wen-Chin Chen, Ching-Jan, Chang (2008), A fuzzy AHP and BSC approach for evaluating performance of IT department in the manufacturing industry in Taiwan, Expert Systems with Applications.
Lee, K. C., & Chung, N. (2009). Understanding factors affecting trust in and satisfaction with mobile banking in Korea: A modified DeLone and McLean’s model perspective. Interacting with computers, 21(5-6), 385-
Lee, T. S., & Chen, I. F. (2005). A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines.Expert Systems with Applications, 28(4), 743-752.
Lee. H.K.H., (2008). Model selection for consumer loan application data. Technical report:650. Carnegie mellon university. Department of Statistics.
Malhotra, R., & Malhotra, D. K. (2008). Differentiating between good credits and bad credits using neuro-fuzzy systems. European journal of operational research, 136(1), 190-211.
Perner, P. (2014). Mining sparse and big data by case-based reasoning.Procedia Computer Science, 35, 19-33.
Sarlija, N., Bensic, M., & Zekic-Susac, M. (2006). Modeling customer revolving credit scoring using logistic regression, survival analysis and neural networks. In Proceedings of the 7th WSEAS international conference on neural networks (pp. 164-169). World Scientific and Engineering Academy and Society (WSEAS).
Sousa, M. R., Gama, J., & Brandão, E. (2016). A new dynamic modeling framework for credit risk assessment. Expert Systems with Applications, 45, 341-351.