رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان (بخش سوم)

معرفی متغیرهای الگو

برای تعیین رتبه و امتیاز اعتباری، بایستی متغیرهای توضیحی موثر بر ریسک اعتباری مشتری که توانایی توضیح دهندگی متغیر وابسته را داشته باشند، شناسایی کرد. متغیرهای مورد استفاده در الگو را می توان به دو گروه اصلی زیر تقسیم بندی نمود:

1. متغیرهای کمی: اطلاعاتی که مشتریان برای گرفتن تسهیلات ارائه می دهند و در پرونده اعتباری آنها موجود است مثل نسبت جاری، نسبت آنی و نسبت مالکانه
2. متغیرهای کیفی: شامل متغیرهایی از قبیل شخصیت قانونی متقاضی (حقیقی یا حقوقی)، نوع فعالیت اقتصادی، سابقه همکاری با بانک و مالکیت محل کار

فهرست متغیرهای مورد استفاده نمایش داده شده اند. براساس اطلاعات پرونده های یاد شده، مشتریان را به دو گروه خوب (عدم نکول وام) و بد (نکول وام) تقسیم کرده و مبتنی بر مجموعه اطلاعات نمونه برای متغیرهای وابسته و مستقل، الگوهای اقتصادسنجی لاجیت و پروبیت را برآورده کرده و عملکرد آن ها با شبکه عصبی GMDH مقایسه می شود. 

معرفی الگوی اقتصادسنجی و روش شبکه عصبی GMDH

به منظور مدل سازی عوامل تعیین کننده ریسک اعتباری از الگوهای اقتصادسنجی متعارف لاجیت و پروبیت و روش های شبکه عصبی GMDH کمک خواهیم گرفت. در این بخش به معرفی این الگوها می پردازیم. 

شبکه عصبی GMDH

شبکه های عصبی بر پایه یک مفهوم کلی از شناخت الگو و تصفیه کننده متدهای سنتی تکنیکی هستند. شبکه های عصبی که انعطاف پذیری بالایی دارند، به صورت مدل های نیمه پارامتری در بسیاری از رشته های عملی، به ویژه علوم رفتاری و اقتصاد به کار برده شده اند. 
روش دسته بندی گروهی داده های عددی، یک فن آوری آموزش آماری، جهت غلبه بر ضعف های آماری و شبکه های عصبی است. آنچه الگوریتم GMDH را به عنوان یک روش هیوریستیک معرفی می کند، ساختن مدل هایی برای سیستم های پیچیده از نوع رگرسین با درجات بالا می باشد که دارای مزایایی نسبت به مدل سازی کلاسیک است. 
اولین بار الگوریتم GMDH توسط یک دانشمند اوکراینی به نام ایواخننکو معرفی گردید. شبکه GMDH شبکه ای خود سازمانده و یک سویه می باشد که از چندین لایه و هر لایه نیز از چندین نرون تشکیل یافته است. تمامی نرون ها از ساختار مشابهی برخوردار می باشند به طوری که دارای دو ورودی و یک خروجی هستند و هر نرون با 5 وزن و یک بایاس عمل پردازش را میان داده های ورودی و خروجی برقرار می کند. 
یکی از مسائل مهمی که در شبکه های عصبی مصنوعی مطرح می باشد، طراحی ساختار شبکه است. در این طراحی بایستی تعداد لایه ها و نیز ساختار نرونی از قبیل: تعداد وزن ها و مقادیر اولیه آن ها و همچنین تابع تحریک هر نرون به صورت مناسب انتخاب گردند، تا یک نگاشت مناسب و ایده آل میان داده های ورودی و خروجی برقرار شود. 
در طراحی شبکه های عصبی GMDH، هدف جلوگیری از رشد واگرایی شبکه و نیز مرتبط کردن شکل و ساختار شبکه به یک یا چند پارامتر عددی می باشد، به گونه ای که با تغییر این پارامترها، ساختار شبکه ها نیز تغییر کند. روش های تکاملی مانند الگوریتم ژنتیک کاربرد وسیعی در مراحل مختلف طراحی شبکه های عصبی دارند، چنانچه دارای قابلیت های منحصر به فردی در پیدا کردن مقادیر بهینه و امکان جستجو در فضاهای غیر قابل پیش بینی دارند. در تحقیق حاضر، برای طراحی شکب شبکه عصبی و تعیین ضرایب آن، از الگوریتم ژنتیک استفاده شده است. 
نرم افزار محاسباتی مبتنی بر روش تلفیقی الگوریتم ژنتیک و شبکه عصبی GMDH با هدف بهینه سازی دو منظوره، کمیته خطای مدل سازی و پیش بینی، با استفاده از نرم افزار Matlab طراحی شده که مجموعه ای از نقاط بهینه، خطای پیش بینی و الگوسازی فرآیند را گزارش می دهد. 
بهینه سازی چند منظوره یا بهینه سازی برداری عبارت است از یافتن برداری از متغیرهای تصمیم گیری که شرایط و محدودیت های مورد نظر را ارضا کنند و مقادیر بهینه اس برای همه توابع هدف فراهم کنند. 

اعتبار سنجی مشتریان

اعتبارسنجی به مفهوم ارزیابی و سنجش توان بازپرداخت متقاضیان اعتبار تسهیلات مالی و احتمال عدم بازپرداخت اعتبارات دریافتی از سوی ان ها می باشد. اعتبارسنجی اظهارنظری رسمی است که توسط موسسه های اعتبارسنجی درباره اعتبار مشتریان حقیقی و حقوقی بانک ها و موسسات مالی اعتباری مطرح می شود و امکان شناخت بیشتر را نسبت به وضعیت و توان مالی افراد جهت بازپرداخت تسهیلات دریافتی و دریافت خدمات بیشتر فراهم می کند. 
رتبه سنجی (تعیین رتبه اعتباری) در حقیقت بینش لازم جهت شناخت ریسک اعتباری مشتریان را برای یک بنگاه فراهم می سازد. مرحله اعتبارسنجی در بررسی اعتباری مشتریان، شناسایی عوامل اصلی اثرگذار بر ریسک اعتباری می باشد. 
اساس کار اعتبارسنجی بر مبنای داده کاوی بنیان نهاده شده است. در فرآیند اعتبارسنجی، مشتریان براساس شاخص ها و ویژگی های مختلفی مورد ارزیابی و رتبه بندی قرار می گیرند. این رتبه یا امتیاز در واقع نمایانگر اعتبار مالی مشتری است که بانک می تواند براساس ان نسبت به ارائه خدمات به مشتری خیلی سریع تر و دقیق تر تصمیم گیری کند. 
در فعالیت های مالی همواره سود بیشتر همراه با ریسک بیشتر است و در چنین شرایطی پرتفوی اعتباری با نگاهی همزمان به دو مولفه سود و ریسک چیده می شود که علاوه بر پذیرش ریسک معقول، فرآیند اعطای تسهیلات با سودآوری مناسب همراه باشد. طراحی چنین پرتفویی مستلزم ایجاد موازنه میان توان ریسک پذیری و سود انتظاری است. 
در چنین شرایطی سیستم رتبه بندی اعتباری مشتریان برای ایجاد چنین توازنی بین ریسک و سود، ضروری است و عدم وجود چنین سیستمی بی شک به وجود و شکل گیری یک پرتفوی اعتباری کارآمد و بهینه که تامین کننده منافع مالی موسسات باشد، لطمه وارد خواهد نمود. 

مدل سازی با شبکه های عصبی GMDH

پس از تخمین الگوسازی احتمال نکول به روش های رگرسیون لاجیت و پروبیت، در این بخش با شبکه های عصبی GMDH مبتنی بر نرم افزار MATLAB احتمال نکول را الگوسازی کرده و پیش بینی های آن را برای خارج از دوره آموزش (یا دوره تست) با پیش بینی های رگرسین های لاجیت و پروبیت مقایسه می کنیم. 
لازم به توضیح است که از مزیت های الگوریتم GMDH آن است که در میان تعدادی از متغیرهای ورودی، متغیرهایی را که به نسبت سایر متغیرها اثرگذاری کمتری بر متغیر خروجی دارند، شناسایی نموده و در مدل سازی دخالت نمی دهد. به این ترتیب پس از چند مرحله غربال سازی متغیرهایی که بیشترین اثرگذاری را بر متغیر خروجی دارند، شناسایی می شوند. 
پس از اجرای مدل و به دست آوردن نتایج، متغیرهایی که بیشترین تکرار را داشتند تحت عنوان دارای (اثر بالا)، متغیرهایی که تکرار کمتری داشتند تحت عنوان دارای (اثر معمولی) و متغیرهایی که توسط مدل حذف شده بودند به عنوان (کم اثر)، معرفی می شوند. 
باتوجه به توانایی الگوریتم GMDH در شناسایی متغیرهای زاید و انتخاب متغیرهای مهم در فرآیند مدل سازی، تمام 11 متغیر را در مدل سازی مورد استفاده قرار می دهیم. نتایج حاصل از تخمین بیانگر آن است که برخی متغیرها دارای اثر بالا، برخی اثر معمولی و برخی دیگر کم اثر می باشند. 
میزان اهمیت هر یک از ورودی ها را در مدل سازی به کمک شبکه های عصبی با الگوریتم GMDH نشان داده می شود. 
در تخمین مدل با شبکه های عصبی GMDH با دو لایه پنهان (نوع وثیقه) و نسبت بدهی بالاترین اثر را در تعیین ریسک اعتبار مشتریان دارد. به علاوه متغیرهای (سابقه همکاری با بانک)، (نسبت جاری)، (نسبت آنی)، و (نسبت مالکانه)، متغیرهای با اثر معمولی می باشند. 
همچنین متغیرهای (نوع مالکیت محل فعالیت)، (سرمایه مشتری)، (نسبت دارایی جاری به دارایی کل)، (گردش دارایی کل) و (گردش سرمایه جاری) دارای اثر کمی در اعتبار سنجی مشتریان می باشند. 
پس از آموزش الگوی شبکه عصبی (تخمین ضرایب9 بر اساس اطلاعات 350 مشتری، عملکرد پیش بینی الگو برای 50 مشتری در  دوره تست (خارج از دوره آموزش) را مورد ارزیابی قرار می دهیم . از بررسی نتایج عملکرد شبکه های عصبی GMDH در پیش بینی احتمال نکول به مراتب رضایت بخش تر از عملکرد پیش بینی الگوهای رگرسیون لاجیت یا پروبیت است. 
در واقع درصد موارد تشخیص صحیح نکول یا عدم نکول مشتری در الگوی شبکه عصبی 86% می باشد، در حالی که این رقم برای الگوهای رگرسیون 80 درصد بوده است. به ویژه دقت الگوی شبکه عصبی برای تشخیث مشتریان خوش حساب حدود 71% است که به مراتب بیشتر از مقدار محاسبه شده برای الگوی رگرسیون لاجست و پروبیت 58% می باشد. 

نتایج و پیشنهاد ها

موضوع رتبه بندی ریسک اعتباری، به یک موضوع بسیار مهم و حساس در فرآیند تصمیم گیری در سطوح مختلف اعطای تسهیلات تبدیل شده است. مطالعات زیادی در خصوص سنجش ریسک اعتباری مشتریان در داخل و خارج از کشور به خصوص برای موسسات اعتباری و مالی انجام شده است. 
هدف اصلی این مقاله استفاده از الگوهای رگرسیون لاجیت و پروبیت برای شناسایی عوامل موثر بر احتمال نکول مشتری (یا ریسک اعتباری مشتریان) و مقایسه نتایج حاصله با شبکه عصبی هوشمند GMDH می باشد. 
در مقاله حاضر، برای طراحی شکل شبکه عصبی و تعیین ضرایب آن، از الگوریتم ژنتیک استفاده شده است. به کارگیری این الگوریتم به خاطر قابلیت های منحصر به فرد خود در پیدا کردن مقادیر بهینه و امکان جستجو در فضاهای غیر قابل پیش بینی، از عملکرد بهتر نسبت به دیگر شبکه های عصبی متعارف برخوردار است. 
این مطالعه روی نمونه ای به حجم 400 از مشتریان حقوقی بانک پارسیان انجام شده است. با توجه به ادبیات موضوع، 11 عامل تاصیرگذار بر روی ریس اعتباری شامل: نوع وثیقه، نوع مالکیت محل فعالیت، سابقه همکاری، سرمایه، نسبت جاری، نسبت آنی، دارایی جاری به دارایی کل، گردش دارایی کل، گردش سرمایه جاری، نسبت بدهی و نسبت مالکانه برای تعیین احتمال نکول مشتری در الگو استفاده شده اند. 
نتایج به دست آمده از الگوها رگرسیون پروبیت و لاجیت بیانگر صحیح بودن علامت ضرایب (سازگاری علامت ها با انتظارات قبلی) می باشد. به علاوه ضرایب متغیرهای نوع وثیقه، نوع مالکیت، سابقه همکاری مشتری، نسبت جاری، نسبت بدهی و نسبت مالکانه به لحاظ آماری معنی دار تشخیص داده شدند. 
در واقع با تغییر وثیقه از سایر به سند رهنی، افزایش سابقه همکاری مشتری با بانک، افزایش نسبت دارایی جاری به بدهی جاری (مقیاس نقدینگی یا نسبت جاری) و افزایش سهم سهام داران از کل دارایی ها (نسبت مالکانه) احتمال نکول به طور معنی داری کاهش می یابد. به همین ترتیب با تغییر نوع مالکیت از استیجاری به ملکی و افزایش نسبت بدهی ها احتمال عدم نکول افزایش می یابد. 
بر اساس نتایج حاصل از برآورد (آموزش) شبکه عصبی، نوع وثیقه و نسبت بدهی به عنوان (اثر بالا) طبقه بندی شده و به همین علت مهم ترین متغیرهای تاثیرگذار بر احتمال نکول مشتری تشخیص داده شدند. به علاوه متغیرهای سابقه همکاری مشتریان با بانک، نسبت های جاری و آنی و همچنین نسبت مالکانه به عنوان متغیرهایی با (اثر معمولی) طبقه بندی شدند. سایر متغیرها نیز در این رویکرد کم اثر تشخیص داده می شوند.
هر چند آزمون های تشخیصی مانند آزمون هاسمر-لموشوف دلالت بر آن دارد که مدل های پروبیت و لاجیت به نحو رضایت بخشی قادر به تشخیص ریسک اعتباری مشتریان هستند اما عملکرد پیش بینی آن ها در خصوص احتمال نکول مشتری به مراتب ضعیف تر از شبکه عصبی GMDH است. 
دقت پیش بینی کل (درصد پیش بینی های صحیح برای نکول یا عدم نکول مشتری) در مدل شبکه عصبی GMDH برای نمونه ای خارج از دوره آموزش 86% محاسبه می شود در حالی که این رقم در مدل های لاجیت و پروبیت 80 درصد می باشد. به ویژه الگوی شبکه عصبی عملکرد چشم گیرتری در تشخیص مشتریان خوش حساب (با دقت 70%) در مقابل الگوهای رگرسیون با دقت 58 درصد دارد. 

منبع: فصلنامه مدلسازی اقتصادی (سال سوم، شماره 3، پیاپی 9، پاییز 1388، صفحات 150-121)، رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=137093