كاربرد سيستم های استدلال عصبی - فازی در رتبه بندی اعتباری مشتريان حقوقی بانك ها (بخش دوم)

ساختار شبکه های سازگار

همان طور از نام این نوع سیستم ها بر می آید، از شبکه ای شامل گره ها و اتصالات که نشان دهنده ارتباط بین دو گره هستند، تشکیل یافته اند.
بخش یا تمامی گره ها سازگارند. سازگاری بدین معناست که این گره ها دارای پارامتر هستند و در حین آموزش سیستم این پارامترها طوری تنظیم می شود که شاخص خطا کمینه شود. 
قانون پایه ای آموزش شبکه های سازگار بر اساس روش گرادیان کاهشی و قانون زنجیر است که توسط ورباس (1974) پیشنهاد شده است. از آن جایی که این روش به دلایل کندی و رسیدن به یک کمینه محلی موفق نبود، جانگ روشی ترکیبی را به کار برد.
شبکه سازگار یک شبکه پیشرو چند لایه است که هر گره، تابعی مشخص (تابع گره) را بر روی سیگنال های ورودی اعمال می کند. ماهیت توابع گره ها از گره ای به گره دیگر ممکن است تغییر کند، و انتخاب هر یک  از توابع به تابع ورودی – خروجی کلی که شبکه سازگار قصد اجرای آن را دارد، وابسته است. 
برای نمایش تفاوت گره ها در یک شبکه سازگار، از دو نوع گره، مربع و دایره استفاده می شود. یک گره مربعی (گره سازگار) دارای پارامتر است، در حالی که یک گره دایره ای (گره ثابت) هیچ پارامتری ندارد. 
مجموعه پارامترهای یک شبکه سازگار، اجتماع مجموعه پارامترهای گره های سازگار است.

جامعه و نمونه آماری

جامعه آماری مورد بررسی در مقاله حاضر، مشتریان حقوقی در سطح شعب بانک کشاورزی شهر تهران هستند که تسهیلات اعتباری دریافت کرده اند. پس از استعلام از شعب بانک در تهران، اسامی مشتریان حقوقی که طی سال های 80 تا 85 از بانک اعتبار دریافت کرده اند جمع آوری و در نهایت 272 پرونده تشکیل شد. 
از این مجموعه، اطلاعات 235 مشتری حقوقی به طور تصادفی برای طراحی مدل و شناسایی متغیرهای موثر استفاده شد. اطلاعات 37 مشتری نیز به منظور بررسی کارایی و قدرت پیش بینی به عنوان داده های شاهد مورد استفاده قرار گرفت. 
از این نمونه 235 تایی، 165 مورد جزء مشتریان خوش حساب و 70 مورد جزء مشتریان بدحساب بودند. 
در مقاله حاضر مجموعه ای از نسبت های مالی شامل نسبت جاری، نسبت آنی، نسبت بدهی، نسبت سرمایه گذاری، نسبت فعالیت، نسبت دوره وصول مطالبات، نسبت بازده دارایی ها، نسبت گردش دارایی، حاشیه سود، نسبت گردش موجودی کالا و نسبت ارزش ویژه به مجموه دارایی، حاشیه سود، نسبت گردش موجودی کالا و نسبت ارزش ویژه به مجموع دارایی ها، برای هر یک از مشتریان حقوقی محاسبه شد. 
با توجه به تعداد متغیرها، برای بالا بردن دقت مدل و از سویی محدودیت های روش های کاربردی در رابطه با متغیرهای توضیحی، لازم است متغیرهای با اهمیتت بیشتر انتخاب و در مدل قرار گیرند و متغیرهایی که تاثیر قابل توجهی در خروجی سیستم ندارند، حذف شوند. 
از سوی دیگر، از آن جایی که بسیاری از متغیرها از صورت های اصلی مالی و اطلاعات پایه ای آن استخراج می شوند، ممکن است به صورت دو به دو با همدیگر همبستگی داشته باشند، بنابراین تعدادی از این متغیرهای به هم وابسته نیز باید حذف شوند.
از این رو متغیرهای شناخته شده در بدو امر متغیرهای کاندید تلقی شده و به عنوان ورودی در یک آزمون همبستگی به کار گرفته شدند. 
پس از انجام آزمون، نسبت هایی که از همدیگر نتاثر می شوند از مدل خارج شده و نسبت های مستقل، در مدل باقی می مانند. به دلیل ویژگی های مشترک بین نسبت ها، هدف از این آزمون، جلوگیری از محاسبه مضاعف مشخصه ای خاص است. 
از طریق آزمون همبستگی، به منظور دسته بندی و تفکیک دو گروه مشتریان، سه متغیر نسبت بدهی، نسبت فعالیت و نسبت ارزش ویژه به مجموع دارایی ها به عنوان متغیرهای توضیح دهنده انتخاب شدند. 

نسبت بدهی:

این نسبت عبارت است از جمع بدهی ها به جمع دارایی ها. تشخیص این که چه مبلغی از سرمایه یک موسسه باید از طریق حقوق صاحبان سرمایه و چه مبلغی از طریق وام های بلند مدت (سرمایه استقراضی) یا تسهیلات اعطایی بلند مدت بانک ها تامین شود، یکی از مهم ترین مسائلی است که در موفقیت یا شکست موسسات تاثیر به سزایی دارد. 
آن چه انتظار می رود این است که نسبت بدهی بالاتر، احتمال نکول بیشتری را به دنبال دارد. 

نسبت فعالیت

این نسبت یکی از مهم ترین نسبت ها در هر موسسه صنعتی است و نشان می دهد که دارایی های خالص با چه درجه کفایت و کارایی در عملیات موسسه مورد استفاده قرار گرفته اند. نسبت فعالیت برابر است با نسبت فروش خالص به دارایی های جاری، منهای بدهی های جاری.
آن چه انتظار می رود این است که نسبت فعالیت بالاتر، احتمال نکول پایین تری را به دنبال داشته باشد. 

نسبت ارزش ویژه به مجموع دارایی ها:

تعیین است نسبت شاخصی برای اندازه گیری نتایج عملیات، ارزیابی و کنترل طرح های سرمایه گذاری است. آن چه انتظار می رود این است که هر چه این نسبت بالاتر باشد، احتمال نکول پایین تری را به دنبال خواهد داشت. 

سیستم استدلال فازی کاربردی

پارامترهای مدل شامل اندازه اولیه گام، نرخ کاهش گام، نرخ افزایش آن، تعداد تکرارها، میزان خطای هدف و تعداد مجموعه های فازی هر یک از متغیرها به ترتیب برابر با 0.01 ، 0.9 ، 1.1 ، 200 ، صفر و سه در نظر گرفته شده اند. 
لازم به ذکر است به منظور تنظیم تعداد مجموعه های فازی مورد استفاده برای هر یک از متغیرها، مقادیر سه و چهار با در نظر گرفتن پارامترهای ذکر شده مورد بررسی قرار گرفتند، که بر اساس شاخص خطا تعداد مجموعه های فازی، سه، انتخاب شد. 
با در نظر گرفتن پارامترهای ذکر شده، به منظور تعیین تعداد تکرارهای الگوریتم، میزان RMSE در تعداد تکرارهای مختلف مورد بررسی قرار گرفت و این طور مشاهده شد که میزان RMSE بعد از حدود 200 تکرار کاهش می یابد و پس از آن تغییر محسوسی مشاهده نمی شود و در حقیقت افزایش تعداد تکرارها زمان اجرا را افزایش داده و تاثیری در بهبود جواب نخواهد داشت، لذا تعداد تکرار 200، جهت اجرای الگوریتم انتخاب می شود. 
لازم به یادآوری است که، نتیجه هر قاعده، یک معادله خطی است و تعداد پارامترهای خطی 108 (برای هر تابع خطی چهار پارامتر) می باشد. هر یک از این پارامترها تاثیر متغیرها و اریب در قاعده متناظر را نشان می دهد. 

جامعه آماری و نمونه آماری

جامعه آماری مورد بررسی در مقاله حاضر، مشتریان حقوقی در سطح شعب بانک کشاورزی در شهر تهران هستند که تسهیلات اعتباری دریافت کرده اند. 
پس از استعلام از شعب بانک در تهران، اسامی مشتریان حقوقی که طی سال های 80 تا 85 از بانک اعتبار دریافت کرده اند جمع آوری و در نهایت 272 پرونده تشکیل شد. 
از این مجموعه اطلاعات 235 مشتری حقوقی به طور تصادفی برای طراحی مدل و شناسایی متغیرهای موثر استفاده شد. اطلاعات 37 مشتری نیز به منظور بررسی کارایی و قدرت پیش بینی به عنوان داده های شاهد مورد استفاده قرار گرفت. 
از این نمونه 235 تایی، 165 مورد جزء مشتریان خوش حساب و 70 مورد جزء مشتریان بد حساب بودند. 
در مقاله حاضر مجموعه ای از نسبت های مالی شامل نسبت جاری، نسبت آنی، نسبت بدهی، نسبت سرمایه گذاری، نسبت فعالیت، نسبت دوره وصول مطالبات، نسبت بازده ارزش ویژه، نسبت بازده دارایی ها، نسبت گردش دارایی، حاشیه سود، نسبت گردش موجودی کالا و نسبت ارزش ویژه به مجموع دارایی ها، برای هر یک از مشتریان حقوقی محاسبه شد. 
باتوجه به تعداد متغیرها، برای بالا بردن دقت مدل و از سویی محدودیت های روش های کاربردی در رابطه با تعداد متغیرهای توضیحی، لازم است متغیرهای با اهمیت بیش تر انتخاب و در مدل قرار گیرند و متغیرهایی که تاثیر قابل توجهی در خروجی سیستم ندارند، حذف شوند. 
از سوی دیگر، از آن جایی که بسیاری از متغیرها از صورت های اصلی مالی و اطلاعات پایه ای آن استخراج می شوند، ممکن است به صورت دو به دو با همدیگر همبستگی داشته باشند، بنابراین تعدادی از این متغیرهای به هم وابسته نیز باید حذف شوند. 
از این رو متغیرهای شناخته شده در بدو امر متغیرهای کاندید تلقی شده و به عنوان ورودی در یک آزمون همبستگی به کار گرفته شدند. 

معیارهای ارزیابی مدل

کارایی مدل های رتبه بندی اعتباری مشتریان با تعیین دو شاخص ارزیابی می شود: 

1. درجه حساسیت، عبارت است از نسبی از مشتریان واقعا بد حساب که مدل رتبه بندی نیز آن ها را در گروه بد حساب قرار می دهد. 
2. درجه تشخیص، عبارت است از نسبتی از مشتریان واقعا خوش حساب، که مدل اعتبار سنجی مشتریان نیز آن ها را در گروه خوش حساب قرار می دهد. 

حد آستانه بهینه

با توجه به توضیحات پیشین، می بایست براساس احتمالات نکول مشتریان به عملکرد آتی مشتریان قضاوت کرد و آن ها را بین دو رتبه خوش حساب و بد حساب طبقه بندی کرد. از این رو لازم است نقطه ای در بازه صفر و یک تعیین شود که احتمالات نکول بیش از آن، در رتبه بدحساب و کمتر از آن در رتبه خوش حساب طبقه بندی شوند که این نقطه را حد آستانه می نامند. 
حد آستانه بهینه مدل با توجه به معیارهای ارزیابی تعیین می شود. کرشلم، توابع هدف مختلفی برای به دست آوردن حد آستانه بهینه ارائه می کند. در این مقاله، حد آستانه بهینه برابر مقداری است که در آن مجموع درجه حساسیت و درجه تشخیص مدل ماکزیمم شود. 
مقدار عددی حد آستانه به طور مستقیم قابل محاسبه نیست، ولی با توجه به مقادیر درجه حساسیت و تشخیص و نیز احتمال وقوع پیامد مورد نظر، برای کل مشاهدات نمونه قابل محاسبه است. حد آستانه بهینه به وسیله دو نمودار که در آن منحنی درجه حساسیت و درجه تشخیص مدل ها در مقابل مقادیر مختلف حد آستانه رسم شده، نشان داده شده است.
منحنی ای که از سمت چپ پایین به سمت راست بالا کشیده شده است، منحنی درجه تشخیص و منحنی ای که از سمت چپ بالا به سمت راست پایین آمده است، منحنی درجه حساسیت است.

بررسی کارایی مدل با استفاده از داده های شاهد

به منظور بررسی کارایی مدل، قدرت پیش گویی آن برای داده های خارج از مدل یا داده های شاهد مورد بررسی قرار می گیرد. بدین منظور تعداد 37 داده از 272 داده اولیه به صورت تصادفی انتخاب شدند و در آموزش یا طراحی مدل ها به کار گرفته نشدند، تا پس از تعیین پارامترهای مدل، برای سنجش کارایی آن مورد استفاده قرار گیرند. 
در بخش این داده ها وارد مدل ANFIS شدند و احمال عدم بازپرداخت به موقع تسهیلات اعطایی (ریسک اعتباری) مشاهدات، محاسبه و با حد آستانه بهینه به دست آمده در بخش قبل مقایسه شد. 
معیار طبقه بندی به این ترتیب است که اگر مقدار احتمال محاسبه شده برای هر مشاهده (مشتری) کمتر از حد آستانه باشد، مشتری در گروه خوش حساب و در صورتی که مقدار احتمال بیش تر از حد آستانه تعیین شده باشد، مشتری در گروه بد حساب طبقه بندی می شود. 
همان طور که مشاهده می شود، درجه حساسیت و تشخیص مدل ANFIS به ترتیب برابر با مقادیر 0.625 و 0.69 هستند. 

نتیجه گیری

ارائه تسهیلات مالی، یکی از فعالیت های مهم نظام بانکی تلقی می شود. برای اعطای تسهیلات، باید درجه اعتبار و قدرت گیرنده تسهیلات را در بازپرداخت اصل و سود تسهیلات اعطایی تعیین کرد. 
احتمال عدم بازگشت اصل و سود تسهیلات اعطایی را ریسک اعتباری گویند. مهم ترین ابزاری که بانک ها برای مدیریت و کنترل ریسک اعتباری به آن نیازمندند، سیستم رتبه بندی اعتباری مشتریان است. 
در این تحقیق مدلی مبتنی بر سیستم استدلال عصبی – فازی سازگار، به منظور رتبه بندی اعبتاری مشتریان یعنی مشخص کردن اعتبار بانکی افراد ارائه شد. 
این سیستم، بر اساس سوابق و اطلاعات موجود، درجه اعتبار سنجی مشتریان را تعیین و آنان را بر اساس میزان ریسکی که متوجه بانک خواهند کرد، رتبه بندی می کند. 
بدیهی است وجود چنین سیستمی، بانک را در گزینش مطلوب مشتریان اعتباری خود، یاری کرده و ضمن کنترل و کاهش ریسک اعتباری، سطح بهره وری فزایند اعطای تسهیلات بانکی را ارتقا می بخشد. 


كاربرد سيستم های استدلال عصبی - فازی در رتبه بندی اعتباری مشتريان حقوقی بانك ها
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=113753