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

تعداد گره های ورودی

تعداد گره های ورودی مرتبط با تعداد متغیرهای ماتریس ورودی مورداستفاده برای امتیازدهی شاخص ها برای هر مشتری است . در این پژوهش جهت بهبود خطای امتیازات مشتریان در رتبه بندی اعتباری از یك ماتریس ۵۰ در ۱۲ به عنوان ورودی شبكه برای بهبود خطای امتیازات مشتریان حقیقی ( كه ۵۰ به عنوان سطرهای ماتریس نشان دهنده تعداد مشتریان و ۱۲ به عنوان ستون های ماتریس نشان دهنده تعداد متغیرهاست كه به هركدام امتیازی تعلق گرفته شده است) و از یك ماتریس ۵۰ در ۲۲ برای بهبود خطای امتیازات مشتریان حقوقی (كه ۵۰ به عنوان سطرهای ماتریس نشان دهنده تعداد مشتریان و ۲۲ به عنوان ستون های ماتریس نشان دهنده تعداد متغیرهاست كه به هر كدام امتیازی تعلق گرفته است) استفاده گردیده است.

تعداد گره های خروجی

گره برای مشتریان حقوقی در لایه خروجی شبكه استفاده شده است . این گره ها شامل مقدار امتیازات بهبود یافته هر مشتری ( حقوقی یا حقیقی) می باشند. مقدار خروجی شبكه می تواند هر عدد غیر منفی باشد و خروجی های با مقادیر منفی برای مسئله قابل قبول نبوده و توجیه واقعی ندارند. خروجی شبكه برای رتبه بندی مشتریان حقیقی از یك ماتریس ۵۰ در یك تشكیل شده است كه نشان دهنده امتیازات بهبود یافته برای هر مشتری حقیقی می باشد .
برای مشتریان حقوقی خروجی شبكه از یك ماتریس ۵۰ در یك تشكیل است که نشان دهنده امتیازات بهبود یافته برای هر مشتری حقوقی می باشد. 

تابغ تبدیل

در این پژوهش با توجه به اینکه از یک شبکه سه لایه، یک لایه ورودی، یک لایه مخفی و لایه خروجی، استفاده شده است از تابع تبدیل لجیستیک سیگموئید در لایه مخفی استفاده شده است. نظر به اینکه خروجی های مورد نظر مسئله بایستی غیر منفی باشند، ترکیبی از توابع تبدیل مختلف برای لایه خروجی جهت رسیدن به جواب های مورد آزمایش شده و در نهایت از توابع تبدیل Polism در لایه خروجی استفاده شده است. 

داده های آموزش

در این پژوهش برای شبکه عصبی، از مجموع 100 داده موجود (۵۰ داده مشتریان حقیقی و ۵۰ داده مشتریان حقوقی) از ۵۰ داده برای آموزش شبكه عصبی مشتریان حقیقی و از ۵۰ داده برای آموزش شبكه عصبی مشتریان حقوقی استفاده گردید. 
با توجه به ماهیت مسئله و نبود نیاز به پیش بینی امتیازات، از داده های آزمایش استفاده نگردید.

تعداد نرون های لایه مخفی

برای تعیین تعداد نرون های لایه مخفی از روش سعی و خطا استفاده شده است. تعداد نرون های لایه مخفی برای مشتریان حقیقی از یك تا ۴۰ و برای مشتریان حقوقی از یك تا ۴۵ درنظرگرفته شده است. 
ضمن اینكه با استفاده از رابطه بالا نیز تعداد نرون ها تعیین شده و خروجی ها براساس این تعداد نرون نیز معین شده اند. در استفاده از سعی وخطا، در مورد هر شبكه با مقایسه خطای گزینه های مختلف، بهترین گزینه انتخاب شده است. نكته دیگری كه در انتخاب تعداد نرون های لایه مخفی مورد توجه قرار گرفته است، سادگی شبكه می باشد. 
بعبارتی دیگر از بین دو گزینه نسبتا مشابه گزینه ای كه تعداد نرون كمتری داشته، انتخاب شده است. این امر در راستای اجتناب
از پیچیدگی شبكه صورت گرفته است.

وزن های اولیه: 

در این پژوهش قبل از آموزش شبكه برای اولین بار وزن ها به صورت تصادفی انتخاب شده اند اما به منظور كاهش حساسیت شبكه به مقادیر اولیه پارامترها در هر مورد شبكه مورد نظر پنج بار پیاپی به ازای مقادیر اولیه متفاوت پارامترها اجرا شده و بهترین پاسخ ها انتخاب شده اند.

معیار توقف: 

در این پژوهش فرآیند آموزش هنگامی متوقف می شود كه هیچ بهبود دیگری در خطای حاصل رخ ندهد یا تعداد تكرارها از ۵۰۰۰ بیشتر شود. 
در این پژوهش تعداد اپكها كه شامل اعمال ورودی های شبكه و محاسبه خروجی های آن می باشد، ۵۰۰۰ درنظر گرفته شده است.
مدل هیبریدی فازی غیرمطابق با توپولوژی شبكه فوق مد نظر قرار گرفته است.

بررسی تحلیلی آزمون همبستگی و آزمون اختلاف میانگین

براساس خروجی های سیستم خبره، سیستم هیبریدی و امتیازات خبرگان مقایسه میانگین زوجین برای این سه دسته داده صورت گرفت. این نتایج از طریق بررسی آماری T-Test نیز مورد بررسی قرار گرفت. در این بررسی همبستگی های داده ها سه گروه مورد توجه بود. 
SHO برابر با امتیازات تخصیصی خبره های بانکی به شاخص های حقوقی، SHA برابر با امتیازات تخثیثی خبره های بانکی به شاخص های حقیقی، EHO برابر با خروجی های سیستم خبره برای مشتریان حقوقی، EHA برابر با خروجی های سیستم خبره برای مشتریان حقیقی، HHO برابر با خروجی های سیستم هیبریدی برای مشتریان حقوقی و HHA برابر با خروجی های سیستم هیبریدی برای مشتریان حقیقی می باشد. 
علاوه بر تحلیل های آماری فوق در این بخش از این پژوهش به بررسی تحلیلی آزمون همبستگی و آزمون اختلاف میانگین بر روی خروجی های سیستم خبره و سیستم هئشمند هیبریدی برای مشتریان حقیقی و حقوقی پرداخته خواهد شد.
می توان مشاهده کرد که میانگین خروجی های سیستم هوشمند هیبریدی نسبت به میانگین دو خروجی دیگر برای مشتریان حقوقی بالاتر است و به میانگین خروجی امتیازات خبرگان بسیار نزدیک است اما برای مشتریان حقوقی میانگین خروجی های امتیازات خبرگان از خروجی های دو سیستم دیگر بالاتر و به میانگین خروجی های سیستم هوشمند هیبریدی بسیار نزدیک است. 
این می تواند حاکی از دقت بالاتر سیستم هوشمند هیبریدی نسبت به سیستم خبره باشد چرا که اختلاف میانگین امتیازات سیستم هوشمند هیبریدی نسبت به امتیازرات خبرگان بسیار پایین تر از اختلاف میانگین امتیازات سیستم خبره نسبت به امتیازات خبرگان است. سیستم هیبریدی فازی هم تفاوت معنادار و قابل ملاحظه با سیستم هیبریدی ندارد. 
همبستگی بین خروجی های سیستم خبره و امتیازات خبرگان برای مشتریان حقوقی برابر با 0.976 و بین خروجی های سیستم هوشمند هیبریدی و امتیازات خبرگان برای مشتریان حقوقی برابر یك می باشد. 
از طرفی این همبستگی بین خروجی های سیستم خبره و امتیازات خبرگان برای مشتریان حقیقی برابر با 0.927 و بین سیستم هوشمند هیبریدی و امتیازات خبرگان برابر یك می باشد. با توجه به نتایج همبستگی تمام زوج های بالا 0.8 به دست آمده است بنابراین بین تمام زوج ها همبستگی بالایی وجود دارد. 
همبستگی بین خروجی های سیستم هیبریدی و امتیازات مربوط به خبره ها برای هر دو گروه مشتریان حقیقی و حقوقی برابر یک است و این نشان دهنده همبستگی بسیار بالای این دو گروه از داده هاست و نشانگر قدرت و دقت بسیار بالای سیستم هیبریدی در امتیاز دهی اعتباری مشتریان است. (از آنجا كه سطح معنی دار محاسبه شده برابر عدد صفر است ارتباط معنی داری بین دو گروه نتایج وجود دارد). همبستگی سیستم هیبریدی فازی و سیستم هیبری نیز با شدت كامل و برابر یك می باشد.
در بررسی تفاوت معنا دار نیز P-value (Significance) برای تمام زوج ها به غیر از زوج سیستم خبره و سیستم هوشمند هیبریدی در داده های حقوقی کوچکتر از سطح خطای 0.05 است، لذا تفاوت معنی دار بین دو گروه متغیر در پنج زوج وجود دارد و بین زوج سیستم هوشمند هیبریدی و سیستم خبره برای مشتریان حقوقی تفاوت معنی دار با احتمال 90% تفاوت معنی دار وجود دارد. 
از آن جا که علامت آن برای دو زوج SHO و EHO و همچنین SHO و HHO مثبت است لذا مولفه های اول این دو زوج (امتیازات خبره ها) دارای میانگین بیشتر و بزرگتری نسبت به مؤلفه دوم (به ترتیب امتیازات خروجی سیستم خبره و سیستم هیبریدی) دارا می باشد. 
از طرف دیگر میانگین خطای معیار نیز بین امتیازات خبرگان و سیستم هوشمند هیبریدی برای هر دو گروه مشتریان حقیقی و حقوقی كمتر از میانگین خطای معیار بین امتیازات خبرگان و خروجی های سیستم خبره است. 
تفاوت بین سیستم هیبریدی فازی و سیستم هیبریدی نیز معنی دار نمی باشد و لذا در تمام تحلیل ها سیستم ها یكسان قابل بكارگیری می باشند.

نتیجه گیری

1. عدم وجود سیستم مناسب مدیریت مطالبات مشکوک الوصول سبب شده است که به طور گسترده ای بانک های مختلف در دنیا و نیز به طور خاص در ایران با چالش گسترده ای مواجه شده باشند یعنی درصد بالایی از تسهیلات اعطایی با مشکل برگشت مواجه شده است و به دلیل عمده آن هم عدم بررسی دقیق اعتبار مشتریان در زمان اعطای تسهیلات است. جهت حل این مشکل عمدتا در بانک های پیشرو استفاده از سیستم های کامپیوتری جهت بررسی همه جانبه و جامع همه مولفه ها امکان پذیر است و در این مقاله استفاده و ارائه مدل های شبکه های عصبی، سیستم خبره و مدل های هیبریدی در این خصوص می تواند امکان پذیر باشد. 
2. در خصوص ویژگی های مدل حاضر، شبکه های عصبی ذاتا عددی هستند و به این دلیل به طور ویژه ای برای داده های کمی مانند اطلاعات مالی و شاخص های اقتصادی مناسب می باشند. در مقابل شبکه های عصبی تکنیک هایی مانند AQ, ID3 بر روی متغیرهای اسمی کار می کنند و این روش ها به دلیل اینکه متغیرهای کمی برای وارد شدن به عنوان ورودی باید به متغیرهای اسمی تبدیل شوند مناسب نیستند چرا که در طی این تبدیل ممکن است مشکلاتی مانند از دست رفتن اطلاعات به وجود بیاید و با تکنیک های مختلف تبدیل، به خروجی های مختلفی بیانجامد. شبکه های عصبی مصنوعی به هیچ گونه فرضیات توزیع برای داده های ورودی نیاز ندارند و به همین دلیل نسبت به تکنیک های آماری و رگرسیون و تحلیل تشخیصی می توانند برای طیف وسیع تری از مشکلات به کار بروند. 
3. شبکه های عصبی مصنوعی اینن خاصیت را دارند که اجازه می دهند داده های جدیدی به شبکه عصبی آموزش دیده اضافه شوند و منابع آموزش دیده قبلی را به روز کنند در حالی که بر خلاف شبکه های عصبی مصنوعی تکنیک های متداول سمبولیک و تکنیک های آماری دسته گرا هستند و باید داده های جدید و قدیمی با هم وارد دسته واحدی شوند تا بتوانند نتایج جدیدی به دست دهند. 
4. این شبکه ها یک تخمین زن بدون نیاز به مدل هستند. این ویژگی به آن ها این اجازه را می دهد تا بدن نیاز به فرمول بندی کردن مدل صریحی بتوانند اثر متقابل داده ها را بر روی هم ضبط کنند. 
5. شاخص های ارائه شده و اوزان آن ها قابلیت تعدیل در طول دوره های زمانی مختلف باتوجه به وضعیت سیاسی و اقتصادی و تکنولوژی و حتی فرهنگی نیز دارند و لذا استفاده از مدل هیبریدی حاضر امکان انجام این تعدیل ها را نیز دارد. 

از طرف دیگر سیستم های خبره با داشتن قابلیت هایی مانند افزایش قابلیت دسترسی، کاهش هزینه، کاهش خطر، دائمی بودن، توانایی ادغام منابع دانشی مختلف، اطمینان بالا، قدرت تبیین، توانایی پاسخ دهی سریع و همچنین توانایی پاسخ دهی در همه حالات، توانایی آموزش کاربر و سهولت انتقال دانش برتری های خود را در حیطه مالی و به خصوص ارزیابی اعتبار به رخ تکنیک های سنتی کشیده اند. 
با وجود این باز هم نمی توان ادعا کرد که تکنیک هایی مانند شبکه عصبی و سیستم های خبره می توانند به طور کامل و دقیق در حیطه تصمیم گیری مالی عمل کنند. 
چرا که مشکلاتی که مدیران را در این زمینه درگیر می سازند ذاتا مشکلاتی جداگاه ای و تمیزی نیستند بنابراین سیستم های خبره و شبکه های عصبی نیز ممکن است نتوانند به طور جداگانه این مشکلات را به طور موثر و کارا حل کنند چرا که هر کدام از این سیتم ها علاوه بر مزیت هایی که دارند، دارای نقصان هایی هم هستند. 
از آن جمله می توان به عدم توانایی شبکه عصبی در پردازش داده های غیر کمی، عدم وجود قابلیت تشریح در شبکه های عصبی، زمان بر بودن آموزش این شبکه ها و احتیاح بسیار زیاد این شبکه ها به داده های آموزش و آزمایش دانست. 
سیستم های خبره نیز به دلیل هزینه بر بودن و عدم انعظاف پذیری در برابر مسائل مختلف و همچنین نداشتن قابلیت یادگیری (سیستم خبره علاوه بر آنچه به آن داده می شود، اطلاعاتی به دست نمی آورد) دارای کاستی هایی هستند. 
ایم نجاست که اهمیت سیتم های هیبریدی در این حوزه مشخص می گردد سیستم هایی که با جمع کردن مزیت های سیستم های خبره و شبکه های عصبی مصنوعی می توانند هم در طیف وسیع ترین مشکلات را حل کنند هم اثربخشی و کارایی راه حل این مشکلات را بالا ببرند. 
بدین معنی که شامل استدلال و تشریح پذیری سیستم های خبره و انعطاف پذیری و یادگیری شبکه های عصبی مصنوعی را به همراه دارند. با توجه به قابلیت های مورد بررسی قرار گرفته سیستم های خبره و توانایی این سیستم ها در بازنمایی دانش مدل رتبه بندی اعتباری مشتریان و همچنین توانایی بالای شبکه های عصبی در بهینه کردن امتیازات سیستم خبره (حدود 99%) مدل مناسب هیبریدی رتبه بندی اعتباری، ترکیبی از شبکه عصبی و سیستم خبره می باشد. 
سیستم مورد نظر به صورت یک سیستم مشاور در حد گسترده ای در سیستم بانکی قابلیت استفاده را دارد و در فرایند رتبه بندی اعتباری مشتریان می تواند نقش موثری داشته باشد. 

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