طراحی سیستم هوشمند ترکیبی رتبه بندی اعتباری مشتریان بانک ها با استفاده از مدل های استدلالی فازی ترکیبی (بخش سوم)

روش پژوهش

روش انجام پژوهش به دلیل ارائه مفاهیم هیبریدی، سیستم خبره و شبكه های عصبی و همچنین به دلیل وجود امكان اجرای آن در نظام بانكی از نقطه نظر هدف، توسعه ای کاربردی می باشد و از نظر اجرایی، تحلیلی‐ توصیفی می باشد. 
بدین صورت که در این پژوهش در ابتدا ادبیات نظری پژوهش مورد بررسی و تحلیل قرار می گیرد و همزمان با آن تحلیل جامع مرتبط با موضوع در نظام بانکی نیز مورد بررسی قرار می گیرد. 
با استناد به نتایج بدست آمده از ادبیات نظری و تحلیل های نظام بانکی، اقدام به مدلسازی کلی رتبه بندی اعتباری و پایگاه دانش آن می شود.
مدلی که در این پژوهش از آن استفاده شده است از پژوهشی استخراج شده است که در یکی از بانك های معتبر كشور به مدت دو سال بر روی آن توسط كاركنان بخش تسهیلات تحقیق مداوم صورت گرفته است. 
از آنجائیكه به طور كلی می توان مشتریان اعتباری را به صورت مشتریان حقیقی (اشخاص حقیقی) و مشتریان حقوقی (وزارتخانه ها، موسسات دولتی، شركت های دولتی، شركت های تجاری و غیرتجاری خصوصی و موسسات و نهادهای عمومی) تقسیم نمود این مدل برای هر كدام از متقاضیان حقوقی و یا حقیقی وام، به طور جداگانه شاخص هایی را در نظر گرفته و بسته به نوع اطلاعات مشتری به هر كدام از این شاخص ها امتیازی تعلق می گیرد. 
بر اساس مدل این بانك هر كدام از این شاخص ها نیز بسته به میزان اهمیت شان دارای ضریب مشخصی می باشند. در این بخش به تبیین این مدل و نوع امتیازدهی آن پرداخته می شود.
در این پژوهش تحلیلی كه صورت گرفته است با استناد به روش هیبریدی سیستم ها متوالی می باشد. در روش هیبریدی سیستم های متوالی خروجی یك موثر به عنوان ورودی روش دیگر محسوب می شود. 
در این بررسی، انتخاب اولیه توسط سیستم خبره صورت گرفته است و سپس با استفاده از شبكه عصبی به تركیب اقدام شده است. تركیب دیگر نیز با استناد به روش شبكه عصبی فازی بوده است كه نتایج آن ها با یكدیگر مورد بررسی تحلیلی قرار گرفته است.
-شاخص های اصلی مدل
بنابر نوع مساله در این پژوهش برای هر كدام از گروه ها (مشتریان حقیقی و مشتریان حقوقی) مؤلفه های جداگانه ای وجود دارد كه به شرح زیر می باشند:

شاخص های مربوط به مشتریان حقیقی 

در این مدل برای رتبه بندی مشتریان حقیقی دوازده شاخص در نظر گرفته شده است. هر شاخص نیز دارای چهار معیار ارزیابی
می باشد كه وضعیت هر مشتری مشمول یكی از این معیارهای ارزیابی می باشد. 
هر کدام از این معیارهای ارزیابی به ترتیب اولویت برای بانک 1و2و3و4 امتیاز می گیریند. هر کدام از شاخص ها نیز بسته به اهمیتشان برای بانک دارای ضریب مشخصی می باشند. مجموع این ضرایب برابر با 100 می باشد. 
برای مثال شاخص سن دارای چهار معیار ارزیابی می باشد بدین صورت که اگر سن مشتری بین 40 و 50 سال باشد چهار امتیاز، بین 30 تا 40 سال سه امتیاز، بیش از 50 سال دو امتیاز و کمتر از 30 سال یک امتیاز تعلق می گیرد. هر کدام از شاخص های دیگر نیز به نوبه خود دارای معیارهای ارزیابی خود می باشند. 

شاخص ها مربوط به مشتریان حقوقی

در این مدل مانند مشتریان حقیقی برای رتبه بندی مشتریان حقیقی شاخص هایی در نظر گرفته شده اند. تعداد این شاخص ها به لخاظ ابهام بیشتر وضعیت اعتباری مشتریان حقوقی نسبت به مشتریان حقیقی 10 شاخص بیشتر می باشند یعنی 22 شاخص. 
هر کدام از شاخص های نیز بسته به اهمیتشات برای بانک دارای ضریب مشخصی می باشند. مجموع این ضرایب برابر با 100 می باشند. هر شاخص نیز مانند مشتریان حقیقی دارای چهار معیار ارزیابی می باشد. 
برای مثال شاخص سیستم فروش دارای چهار معیار ارزیابی می باشد بدین صورت که اگر سیستم فروش و خدمات فروش مشتری حقوقی ملی باشد چهار امتیاز به آن تعلق می گیرد، اگر سیستم فروش و خدمات فروش منطقه ای داشته باشد سه امتیاز، اگر تنها سیستم فروش منطقه ای داشته باشد دو امتیاز و اگر سیستم فروش متمرکز داشته باشد یک امتیاز به آن تعلق می گیرد. هر کدام از شاخص های دیگر نیز به نوبه خود دارای معیازهای ارزیابی خود می باشند. 

طراحی سیستم هیبریدی

برای طراحی سیستم هیبریدی مورد استفاده برای رتبه بندی اعتباری مشتریان، از مدل های استدلالی تركیبی از نوع مدل تبدیلی استفاده گردیده است. 
این نوع مدل ها به صورت ترتیبی عمل می کنند بدین صورت که خروجی یکی از ماژول ها به عنوان ورودی ماژول دیگر به کار می رود. ماژول سمبولیک پژوهش ما ES و ماژول غیر سمبولیک پژوهش ANN است. 
طراحی این سیستم بدین صورت بوده است كه ابتدا سیستم خبره ای که توسط پوسته طراحی شده است با استفاده از شاخص ها و وزن های استخراج شده از كارشناسان بانكی پایگاه دانش خود را تشكیل می دهد. 
این پایگاه دانش برای مشتریان حقیقی متشكل از دوازده شاخص و چهار معیار ارزیابی مربوط به هركدام از این شاخص ها می باشد و برای مشتریان حقوقی این پایگاه دانش متشكل از ۲۲ شاخص و چهار معیار ارزیابی مربوط به هر كدام از آنها می باشد. 
برای امتیاز دهی سیستم خبره به پایگاه داده خود كه توسط كاربر از داده های مشتریان تهیه شده است مراجعه می كند و برآورده شدن هریك از معیارها در شاخص های دوازده گانه برای مشتریان حقیقی و شاخص های ۲۲ گانه برای مشتریان حقوقی را بررسی می كند. 
بر اساس برآورده شدن هر معیار، سیستم خبره امتیازی را به شاخص تعلق می دهد و در پایان بررسی هر كدام از شاخص ها، در نهایت یك امتیاز كلی به مشتری تعلق می گیرد و رتبه آن در بین سایر مشتری ها مشخص می گردد. 
در مرحله دوم از طراحی سیستم هیبریدی استدلالی تركیبی از نوع مدل تركیبی خروجی های سیستم خبره به عنوان ورودی های شبكه عصبی مصنوعی به كار می روند. 
به این ترتیب ورودی شبكه عصبی برای مشتریان حقیقی به صورت یك ماتریس ٥٠ در ١٢ و ورودی شبكه های عصبی برای
مشتریان حقوقی به شكل یك ماتریس ٥٠ در ٢٢ می باشند. 
امتیازات تخصیص یافته از طرف خبرگان بانکی به هر مشتری به عنوان متغیرهای هدف Target معماری شبکه عصبی مصنوعی به کار می روند. این امتیازات به صورت یک ماتریس یک در پنجاه مورد استفاده قرار می گیرد. 
در این پژوهش اطلاعات مربوط به ۵۰ مشتری حقیقی و ۵۰ مشتری حقوقی با كمك مشاوران و كارشناسان اعتباری از داده های بانکی تهیه شده است كه در پایگاه داده ثبت شده است. 
همین بررسی تحلیلی با استناد به روش تحلیل هیبریدی فازی صورت گرفته است.

دلایل استفاده از سیستم خبره و شبکه عصبی به عنوان اجزای مدل هیبریدی و مدل هیبریدی فازی

نحوه انتخاب مدل کاربردی طراحی و پیاده سازی سیستم های هیبریدی به نوع مسئله و ویژگی های اجزای تشکیل دهنده این سیستم ها که (باید به طور خاص مناسب حل مسئله باشد) بستگی دارد.
اکثر تحقیقات صورت گرفته در این زمینه نیز از سیستم هایی استفاده نموده اند که بنا بر نوع مسئله سیستم مورد نظر برای حل آن و گرفتن جواب مناسب کارا و موثر باشد. 
در انتخاب مدل طراحی سیستم هوشمند هیبریدی محققان علاوه بر این مسائل، مسئله به صرفه بودن اقتصادی سیستم ها را در نظر می گیرند, به همین دلیل سیستم های هوشمند هیبریدی فازی‐عصبی و ژنتیکی عصبی و رگرسیون‐عصبی با استقبال بیشتری روبرو شده اند. 
چرا که شبکه های عصبی قابلیت ادغام الگوریتم ژنتیک و منطق فازی را بدون نیاز به محیط نرم افزاری جدید در خود دارند. یکی از دلایل استفاده کم از سیستم های هوشمند ترکیبی شبکه های عصبی و سیستم خبره نیز همین امر است چرا که سیستم های خبره و شبکه عصبی را در دو محیط جداگانه باید طراحی نمود و سپس ادغام نمود که باعث افزایش هزینه می گردد. 
دلیل دیگر زمانبر بودن طراحی این سیستم ها برای طراحان و همچنین پیچیده تر شدن بیشتر این سیستم ها می باشد. اما در بعضی از موارد استفاده از این نوع سیستم های هوشمند برای حل مسائل اجتناب ناپذیر خواهد بود. مسائلی که احتیاج به پایگاه دانش قوی دارند و روایی مدل بستگی به پایگاه دانش آن ها دارد از این نوع مسائل هستند. 
در این نوع مسائل به دلیل اهمیت بالای دانش مورد استفاده در سیستم طراحان از سیستم خبره کمک می گیرند.
با توجه به مسائل فوق و دلایل زیر در این پژوهش نیز سعی گردید که از ترکیب سیستم خبره و شبکه عصبی برای طراحی سیستم هوشمند هیبریدی استفاده گردد:

1. نوع مساله که احتیاج به پایگاه دانش قوی برای روایی مدل داشت
2. کم هزینه بودن و در دسترس بودن سیستم های مورد استفاده برای طراحی اجزای سیستم هیبریدی
3. وجود زمان کافی برای طراحی اجزای سیستم های هیبریدی
4. نیاز مساله به سیستم با دقت بالا که پیچیده بودن سیستم را اجتناب ناپذیر می کند
5. تحلیل های عدم قطعیت که در بحث مدلسازی هیبریدی فازی صورت می گیرد. 

در این قسمت از پژوهش به طور جداگانه به تشریح معماری سیستم خبره و شبکه عصبی هیبریدی و هیبریدی فازی می پردازیم.
در مدل تحلیلی هیبریدی فازی اقدام به فاز کردن اعداد مرتبط شده است و سپس با استفاده از شبکه عصبی تحلیل های مرتبط صورت گرفته است این تحلیل با استفاده از آنالیزهای نوروفازی صورت گرفته است. 

ساختار کلی سیستم خبره و ساختار شبکه عصب هیبریدی

برای طراحی سیستم خبره رتبه بندی اعتباری مشتریان از سیستم خبره فوپس (FOOPES) استفاده گردیده است. 
فوپس پوسته ای است که مجموعه ای از توانایی هایی برگرفته از 30 پوسته و نرم افزارهای استاندارد نظیر Excel, Word, Visual Basic, Matlab و ... را دارا می باشد. 

ورودی های سیستم 

در این پژوهش برای طراحی سیستم خبره رتبه بندی اعتباری مشتریان از روش نسبت دهی متغیر از طریق پایگاه داده استفاده گردیده شده است. بدین صورت که سیستم بسته به نوع مشتری (حقیقی یا حقوقی) به پایگاه دانش مربوط به آن مراجعه می کند و داده های ورودی خد را از آن پایگاه داده استخراج می نماید. 
برای مشتریان حقیقی پایگاه داده متشکل از اطلاعات مربوط به 50 مشتری است. به صورتی که امتیاز مربوط به هر کدام از شاخص های 12گانه هر مشتری در این پایگاه داده قرار گرفته شده است. 
برای مشتریان حقوقی پایگاه داده متشکل از اطلاعات مربوط به 50 مشتری است. به صورتی که هر کدام از شاخص های 22 گانه هر مشتری در این پایگاه داده قرار گرفته شده است. 

پایگاه داده سیستم خبره برای مشتریان حقیقی

پایگاه داده سیستم خبره برای مشتریان حقیقی متشکل از داده هایی است که کاربر با توجه به اطلاعات مالی مشتریان ثبت نموده است. این داده ها بر طبق شاخص های مدل رتبه بندی اعتباری جمع آوری می شوند بدین معنی که در صورتی که هر کدام از معیارهای چهارگانه مربوط به هر شاخص در مورد هر مشتری صادق باشد در پایگاه داده سیستم ثبت می گردد. 
اطلاعات 50 مشتری حقیقی (استخراج شده از داده های بانکی) مورد استفاده در پایگاه داده سیستم موجود می باشد. 

پایگاه داده سیستم خبره برای مشتریان حقوقی

پایگاه داده سیستم خبره نیز برای مشتریان حقوقی متشکل از داده هایی است که کاربر با توجه به اطلاعات مالی مشتریان ثبت نموده است. این داده ها بر طبق شاخص های مدل رتبه بندی اعتباری جمع آوری می شوند بدین معنی که در صورتی که هر کدام از معیارهای چهارگانه مربوط به هر شاخص در مورد هر مشتری صادق باشد در پایگاه داده سیستم ثبت می گردد. 
اطلاعات 50 مشتری حقوقی مورد استفاده در پایگاه داده سیستم موجود می باشد. 

منطق محاسباتی سیستم

برای طراحی سیستم خبره رتبه بندی اعتباری مشتریان از منطق ارسطویی بهره گرفته شده است. به این صورت که برای طراحی پایگاه دانش سیستم خبره از قوانین IF…Then…Else استفاده شده است. پایگاه دانش این سیستم متشکل از 136 قانون می باشد. 

روش استنتاج

روش استنتاج سیستم خبره رتبه بندی اعتباری مشتریان روش استنتاج پسرو است. 

توابع

تابعی که در طراحی این سیستم استفاده گردیده است تابع Plus می باشد.

خروجی های سیستم

خروجی های سیستم خبره رتبه بندی اعتباری مشتریان از نوع گزارش اعلان مقادیر کلیه متغیرها (متغیرهای ورودی و پیدا شده) است. این خروجی ها قابلیت ارسال به نرم افزار Excel, Access را داراست. 
خروجی های سیستم خبره نیز شامل امتیازات هر شاخص مربوط به هر کدام از مشتری ها و در نهایت امتیازات کلی مربوط به هر مشتری می باشد. این امتیازات با توجه به پایگاه دانش توسط سیستم خبره به هر کدام از شاخص ها تخصیص گردیده شده است. 
در این پژوهش با توجه به نوع مسئله و قابلیت های شبکه عصبی پرسپترون چند لایه از شبکه عصبی پرسپترون استفاده شده است. 

طراحی سیستم هوشمند ترکیبی رتبه بندی اعتباری مشتریان بانک ها با استفاده از مدل های استدلالی فازی ترکیبی
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=103919