روش های سنتی تصمیم گیری در مورد اعطای اعتبار به متقاضیان وام، همانند آنچه که اکنون در کشور ما انجام می گیرد، برپایه قضاوت شخصی در مورد خطر عدم بازپرداخت استوار است. با این وجود، فشارهای اقتصادی ناشی از افزایش تقاضا برای شکل های مختلف اعتبار، در کنار رقابت های تجاری گسترده و تلاش موسسات مالی و بانک ها برای پایین آوردن درصد عدم بازپرداخت، موجب افزایشی به کارگیری روش های آماری در زمینه اعطای اعتبار شده است.
رتبه بندی اعتباری به منظور پیش بینی احتمال کوتاهی در بازپرداخت و یا عدم بازپرداخت و یا معادل آن برای طبقه بندی متقاضیان اعتبار به دو گروه ریسک خوب و ریسک بد مورد استفاده قرار می گیرد.
از جمله مزایای این روش می توان به صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان وام اشاره کرد.
روش های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون لجستیک، روش های هموارساز نا پارامتری و شبکه های عصبی در زمینه
رتبه بندی اعتباری مورد استفاده قرار گرفته اند.
در این میان، شبکه های عصبی به دلیل انعطاف پذیری بالا، در سال های اخیر بیشتر مورد توجه قرار گرفته اند. در این مقاله، یک مدل شبکه عصبی برای طبقه بندی متقاضیان دریافت وام فروش اقساطی ارائه و سپس عملکرد این مدل را با دو مدل آماری آنالیز ممیزی و رگرسیون لجستیک مقایسه می کنیم.
نتایج حاصل از این مقایسه نشان می دهد که مدل شبکه عصبی در مقایسه با سایر مدل های مورد مطالعه از کارایی و دقت بالاتری برخوردار است.
مقدمه
با توجه به روند توسعه و پویایی صنعت اعتبار، امروز این صنعت نقش مهمی در اقتصاد کشورها یافته است. اگرچه افزایش تقاضای اعتبار، افزایش رقابت و به وجود آمدن کانال های جدید در فضای اقتصاد نوین، فرصت های جدیدی برای موسسات اعتبار دهنده به وجود آمده است، اما از طرفی آن ها را نیازمند ابزارها و روش های جدیدی نیز نموده است.
این مسئله موسسات مزوبر را به سمت تجدید نظر، توانمندسازی و ورود فن آوری های جدید در فرایند مدیریت اعتبار سوق داده است.
مدل های رتبه بندی اعتباری، یکی از مهم ترین و اساسی ترین سیستم های تصمیم گیری هستند که بخش عمده ای از اطلاعات مورد نیاز موسسات اعتباردهنده در مدیریت اعتبار را فراهم می کنند. هدف مدل های رتبه بندی اعتباری، پیش بینی احتمال عدم بازپرداخت اعتبار از سوی مشتری و یا طبقه بندی متقاضیان اعتبار به دو گروه خوب و بد است.
به عبارت دیگر، رتبه بندی اعتباری مجموعه ای از مدل های تصمیم گیری و روش های مرتبط با آن هاست که به اعتباردهندگان در اعطای اعتبار به مشتریان کمک می کند.
یک قرض دهنده می بایست دو نوع تصمیم بگیرد: اول این که آیا به یک متقاضی جدید اعتبار بدهد یا نه، و دوم اینکه با مشتریان موجود چگونه رفتار کند. روش هایی که در مورد اول تصمیم گیری می کنند، رتبه بندی اعتباری نامیده می شوند در حالی که روش هایی که در مورد مشتریان موجود تصمیم گیری می کنند،
رتبه بندی رفتاری نامیده می شوند.
روش های آماری مختلفی در زمینه رتبه بندی اعتباری مورد استفاده قرار گرفته اند. این مدل های آماری را علاوه بر مدل های رتبه بندی، طبقه بندی کننده و یا کارت امتیاز نیز می نامند.
از این مدل ها برای پیش بینی احتمال کوتاهی و یا عدم بازپرداخت وام توسط فرد متقاضی و یا دریافت کننده وام استفاده می شود.
اطلاعات مورد نیاز برای ساختن چنین مدل هایی از طریق فرم های تقاضا و یا از اطلاعات پیشین مشتریان به دست می آید. اطلاعاتی مانند درآمد ماهیانه، بدهی های عمده، دارایی های مالی، مدت زمان اشتغال به کار، کوتاهی یا عدم کوتاهی مشتری در مورد وام های قبلی وی، نوع حساب های بانکی و وضعیت مسکن مشتری، همگی فاکتوهایی هستند که می توانند در نهایت، در ارزیابی مشتری و یا در
مدل اعتباری مورد استفاده قرار گیرند.
سپس با استفاده از تجزیه و تحلیل های آماری رابطه بین عملکرد وام با این متغیرها مورد بررسی قرار می گیرد تا دریابیم که کدام ترکیب از متغیرها می توانند بهترین پیش بینی را در مورد احتمال کوتاهی و یا عدم بازپرداخت ارائه دهند و به هر کدام از این متغیرها چه وزنی باید داده شود.
پس طبیعی به نظر می رسد که تعدادی از متغیرهایی که در ابتدا با آنها سر و کار داشته ایم در مدل نهایی مورد استفاده قرار نگیرند. در رتبه بندی اعتباری به این متغیرها پیش بینی کننده یا صفت و مقادیری را که این متغیرها به خود اختصاص می دهند، ویژگی می گویند.
روش های آماری، متعارف ترین و پرکاربردترین روش ها برای ساختن کارت های امتیاز یامدل های رتبه بندی هستند. در ابتدا آنالیز ممیزی و رگرسیون، تنها مدل هایی بودند که در زمینه رتبه بندی اعتباری استفاده می شدند.
اولین مقاله منتشر شده در مورد استفاده از آنالیز ممیزی در رتبه بندی اعتباری مربوط به دوراند است که نشان داد این روش یک پیش بینی خوب در مورد بازپرداخت اعتبار ارائه می دهد.
مایرز و فورگی در مقاله خود به مقایسه دقت آنالیز ممیزی و رگرسیون در رتبه بندی اعتباری پرداختند. اورگلر از رگرسیون برای رتبه بندی متقاضیان وام های تجاری استفاده کرد.
ویگینتون برای اولین بار از رگرسیون لجستیک در زمینه رتبه بندی اعتباری استفاده کرد. او مدل رگرسیون لجستیک را با آنالیز ممیزی مقایسه کرد و نتیجه گرفت که رگرسیون لجستیک، برتر از آنالیز ممیزی است.
گرابلوسکی و تالی از آنالیز ممیزی و مدل پروبیت برای رتبه بندی متقاضیان یک فروشگاه زنجیره ای بزرگ در آمریکا استفاده کردند. از دیگر روش های اماری که در زمینه رتبه بندی اعتباری مورد استفاده قرار گرفته اند، می توان از روش های هموارسازی ناپامتری نام برد .
هنلی و هند از روش نزدیک ترین همسایگی ها برای رتبه بندی متقاضیان دریافت وام مسکن استفاده کرد.
هنلی و هند در یک مطالعه جامع، دقت چهار روش مختلف در رتبه بندی را با استفاده از داده های مربوط به یک شرکت فروش پستی بزرگ، مقایسه کردند. آن ها در تحقیق خود از چهار روش رگرسیون خطی، رگرسیون لجستیک، نزدیک ترین همسایگی و درخت تصمیم استفاده کردند. نتیجه تحقیق خود از چهار روش رگرسیون خطی، رگرسیون لجستیک، نزدیک ترین همسایگی و درخت تصمیم استفاده کردند.
نتیجه تحقیق این بود که روش نزدیک ترین همسایگی نسبت به سه روش دیگر عملکرد بهتری دارد و رگرسیون لجستیک، رگرسیون خطی، و درخت تصمیم از نظر دقت طبقه بندی در رده های بعدی قرار می گیرند.
از زمانی که سیستم های هوش مصنوعی نظیر شبکه های عصبی مصنوعی، الگوریتم های ژنتیک و سیستم های خبره طراحی و معرفی شدند، استفاده از آن ها در تحقیقات مالی و رتبه بندی اعتباری مرسوم گشته و به سرعت در حال گسترش و نوآوری است.
از جمله مقالاتی که در آن ها از سیستم های خبره در رتبه بندی اعتباری استفاده شده است، می توان به داویس و لئونارد اشاره کرد. به طور مثال، از کاربرد الگوریتم های ژنتیک در رتبه بندی اعتباری می تون به مقاله شین و لی اشاره کرد که صورت های مالی حسابرسی شده 528 شرکت صنعتی را برای تخمین احتمال ورشکستگی مورد استفاده قرار دادند. نتایج نشان داد که مدل، به طور متوسط در 80 درصد موارد قابلیت پیش بینی صحیح دارد.
مالهترا و مالهترا از یک مدل شبکه عصبی پرسپترون چندلایه برای طبقه بندی مشتریان 12 موسسه مالی در آمریکا استفاده و نتایج آن را با روش آنالیز ممیزی مقایسه کردند که باز هم مدل شبکه عصبی دقت طبقه بندی بالاتری را نشان داد.
کیم وسون در مقاله خود از یک روش شبکه عصبی برای طبقه بندی متقاضیان وام استفاده کردند. در نهایت، مدل، دقت کلی معادل 71-84 درصد در داده های فراگیری و 84-69 درصد در داده های آزمایشی را به دست آورد.
در ایران نیز مقالات متعددی در زمینه کاربردهای شبکه عصبی در زمینه های مختلف از جمله پزشکی، مهندسی و اقتصاد به چاپ رسیده است. اما کاربرد شبکه عصبی در رتبه بندی اعتباری کمتر مورد توجه قرار گرفته است.
فلاحی و همکاران (1385) کاربرد شبکه های عصبی مصنوعی را در پیش بینی درآمدهای مالیات بر مشاغل در اقتصاد ایران مطالعه کردند. مشیری و مروت (1384) شبکه عصبی مصنوعی را به منظور بررسی وجود فرایند آشوبی در شاخص بازدهی کل قیمت سهام بازار بورس تهران به کار بردند.
علاوه بر آن مشیری و مروت (1385) مدل های شبکه عصبی را به منظور پیش بینی شاخص کل بازدهی سهام تهران به کار بردند و نشان دادند که مدل شبکه عصبی در پیش بینی شاخص و روزانه و هفتگی بازدهی سهام تهران عملکرد بهتری نسبت به برخی مدل های سری زمانی دارد.
نجفی و طرازکار (1385) به نیز از شبکه عصبی به منظور پیش بینی میزان صادرات پسته ایران استفاده کردند.
کمیجانی و سعادت فر (1385) به کاربرد مدل های شبکه عصبی در پیش بینی ورشکستگی اقتصادی شرکت های بازار بورس پرداختند و متوسلی و طالب کاشفی (1385) نیز کاربرد پذیری پیش بینی قیمت سهام به وسیله شاخص های تحلیل تکنیکی با استفاده از شبکه های عصبی را بررسی نمودند.
عباس پور و امین ناصری (1384) قیمت سهام شرکت ایران خودرو را به کمک شاخص های عصبی پیش بینی کردند. سرانجام از جمله دیگر مطالعات انجام شده می توان به مقاله مهدوی و بهمنش محمدرضا (1384) اشاره نمود که در آن به طراحی مدل پیش بینی قیمت سهام شرکت های سرمایه گذاری با استفاده از شبکه های عصبی مصنوعی پرداخته اند.
در این مقاله، یک مدل شبکه عصبی برای رتبه بندی متقاضیان وام فروش اقساطی از یکی از شعب بانک را پیشنهاد نموده و این مدل را با برخی مدل های دیگر آماری مقایسه می کنیم. بدین منظور در بخش بعدی به معرفی داده های گردآوری شده گرداخته و متغیرهای مورد استفاده را معرفی و در مورد چگونگی انتخاب متغیرهای مهم بحث می کنیم.
معرفی داده ها و روش جمع آوری آن ها
جامعه آماری مورد مطالعه در این تحقیق شامل متقاضیان دریافت وام های فروش اقساطی در یکی از شعب بانک است. از ان جا که برای طراحی یک مدل رتبه بندی رفتاری، نیازمند به داشتن اطلاعاتی در زمینه رفتار بازپرداختی مشریان هستیم، بنابراین از میان متقاضیان دریافت وام های فروش اقساطی تنها آن دسته از مشتریان که با درخواست وام آن ها موافقت شده و مدتی از زمان دریافت وام از سوی آن ها گذشته است، انتخاب و اطلاعات مورد نیاز در مورد آنها جمع آوری شده است.
در این تحقیق، برای انتخاب نمونه، از روش نمونه گیری سیستماتیک دوری (ککران) استفاده شده است. با توجه به محدودیت ها و موانع موجود بر سر راه جمع آوری اطلاعات و همچنین محرمانه بودن اطلاعات، یک نمونه به حجم 500 از میان دریافت کنندگان وام های فروش اقساطی انتخاب و اطلاعات مورد نیاز آن ها، جمع آوری شده است.
البته به دلیل محرمانه بودن اطلاعات مشتریان بانک و لزوم حفظ امانت، در جمع آوری اطلاعات از ثبت اطلاعاتی نظیر نام، نام خانوادگی، نشانی، شماره تلفن و حتی شماره حساب مشتریان بانک خودداری شده است.
در انتخاب صفات و متغیرها و کلاس بندی آن ها، پرسشنامه ای را مبنای کار خود قرار داده ایم. که توسط پروفسور هنس هافمن، استاد دانشگاه هامبورگ آلمان و با هدف ارزیابی متقاضیان وام های شخصی طراحی شده است.
چارچوب پرسشنامه و حتی داده های جمع آوری شده در آن، پیش از ایران به دفعات در زمینه طراحی مدل های رتبه بندی، بررسی عملکرد این مدل ها و مقایسه دفت روش های مختلف طبقه بندی در رتبه بندی اعتباری، مورد استفاده قرار گرفته است که از آن جمله می توان به مقالاتی چون وست (2000)، پاردس و ویدال، لی و همکاران (2002) و کیم و سون (2004) اشاره کرد.
کاربرد شبکه هاي عصبي در رتبه بندي اعتباري فروش اقساطي متقاضيان وام
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=74663