بخشی از مقاله
چکیده
سیستم امتیازدهی اعتبار مشتریان ٌ - CS - به عنوان یکی از روشهای ارزیابی ریسک شناخته میشود که در آن مشتریان به دو طبقه مشتریان ریسکی و مشتریان غیر ریسکی تقسیم می شوند. هدف مدلهایCS آن است که با استفاده از تکنیکهای مدرن همچون دادهکاوی به ارزیابی دقیق و عینی از ریسک افراد گیرنده اعتبار دست یابد. مدلسازی مساله CS را می توان به صورت یک مساله کلاسبندی در داده کاوی در نظر گرفت که هدف آن تخمین نگاشتی است که با بکارگیری ویژگیهای مشتریان، آنها را به یکی از دو کلاس پر ریسک و کم ریسک نگاشت نماید.
درتحقیق حاضر به بررسی عوامل مؤثر بر ریسک اعتباری مشتریان بانک مسکن شعب استان خراسان جنوبی با بکارگیری مدل شبکه عصبی بهینه شده با الگوریتم بهینه سازی پرواز پرندگان - - PSO می پردازیم. در این راستا متغیرها اعم از مشتریان حقیقی وحقوقی ،سن ، جنسیت، تحصیلات، میزان تسهیلات، گردش حساب، درآمد مشتری، شغل، نوع تسهیلات اعم از تکلیفی و غیرتکلیفی و شهری یا روستایی بودن مورد بررسی قرار گرفت و مدل شبکه عصبی آموزش دیده با PSO نگاشت پیش بینی کننده اعتبار مشتری را به عنوان توابعی از متغیرهای فوق بدست آورد. نتایج حاکی از دقت بالای مدل ارائه شده نسبت به مدلهای شبکه عصبی آموزش دیده با الگوریتم پس انتظار خطا و شبکه عصبی -ژنتیک می باشد.
.1مقدمه
از آنجا که بانک ها بزرگترین نهاد تامین کننده منابع مالی طرح ها و پروژه های بخش دولتی و خصوصی بوده و اعتبارات رگ حیاتی سیستم بانکی میباشد،در این راستا موفقیت یا شکست این سیستم کاملا تحت تاثیر برگشت منابع اولیه یا به عبارت دیگر متأثر ازمدیریت ریسک اعمال شده توسط آنها می باشد. بانکها در اعطای تسهیلات با ریسک مواجه هستند که عدم مدیریت صحیح آنها میتواند منجر به بروز مخاطرات نامطلوب برای بانک شود.
در بسیاری از کشورها افزایش سهم وام به دارایی بانکها، به طور کلی و افزایش مطالبات نامناسب، بد، معوق و مشکوک الوصول، به طور خاص،مهمترین دلیل وخامت ترازنامه بانکهاست . ضعف مقررات هدایت کننده و بی تجربه بودن بانکها در غربالگری و نظارت بر قرض گیرندگان باعث افزایش زیان وام ها و فزونی گرفتن مطالبات معوق شده که این خود باعث نقصان ارزش ویژه بانک ها گردیده است.
افزایش مجموع مطالبات معوق در راستای افزایش تسهیلات اعطایی،نشان دهنده افزایش ریسک اعتباری بانکهاست.که گویای وخامت شدید ترازنامه بانکها و و عملکرد ضغیف آنها در زمینه مدیریت ریسک است.[1] در اعطای تسهیلات باید درجه اعتبار و قدرت بازپرداخت اصل و سود مبلغ اعتبار را برای دریافت کننده تسهیلات تعیین کرد . شانس اینکه وام گیرنده نتواند وام را بازپرداخت کند ، ریسک اعتباری یا ریسک عدم بازپرداخت شناخته می شود.
هدف مدیریت ریسک عبارت است از تحقق اهداف از پیش تعیین شده مربوط به امور ریسک . این موضوع بدین معنا است که آیا در یک بانک، اعم از اینکهدولتی یا خصوصی باشد، نباید شاخصهای معینی وجود داشته باشد تا بتوان تأثیرات مالی نامطلوب فعالیتهای آن - اگر نتوانیم کاملاٌ حذف کنیم -کنترل نمائیم؟ آیا شناسایی و اندازهگیری و ارائه الگوهایی مدون جهت کاهش ریسک اعتباری مشتریان تحت مدیریت ریسک از اهمیت ویژه ای برخوردار نمی باشد؟
مساله رتبهبندی اعتبار مشتریان یک مساله دستهبندی است که در آن اطلاعات مجموعه ای از n مشتری که از بانک وام دریافت کردهاند و وضعیت اعتبار آنها نیز مشخص است - در کلاسهای مختلف اعتباری - که به وسیله iمشخصه که شامل اطلاعات مربوط به درامد و حسابهای مالی مشتری با بانک و ... باشند شرح داده می شود و هدف آن به دست آوردن یک سیستم است که به طور خودکار به هر مشتری یک برچسب دسته بگمارد.[2] بنابراین سیستم کلاسبند الگو تابعی مانند. است که بر روی هر الگو تعریف میشود و برای مجموعهای از خصلت های ایجاد شده کلاس مربوطه را پیشبینی میکند. با آموزش سیستم کلاسبند فوق میتوان از آن جهت پیشبینی کلاس اعتباری مشتریان جدید استفاده کرد.
میرزائی،نظریان و باقری - 1390 - در پژوهشی تحت عنوان " بررسی عوامل موثر بر ریسک اعتباری اشخاص حقوقی بانکها،مطالعه موردی شعب بانک ملی ایران" یک نمونه تصادفی 455 تایی از شرکت های حقوقی که در سال 1387 از بانک ملی ایران شعب شهر تهران تسهیلات اعتباری دریافت نموده اند را مورد بررسی قراردادند. ابتدا 39 متغیر توضیح دهنده شامل متغیرهای کیفی و مالی با استفاده از روش 5C شناسایی شده و درنهایت 11 متغیر را که اثر معنا داری بر ریسک اعتباری و تفکیک بین دو گروه از مشتریان خوش حساب و بد حساب داشتند، انتخاب کرده و مدل نهایی را به وسیله آنها برازش کرده اند. در مدل برازش شده، معنا داری ضرایب، با استفاده از آمارهLR و معنا داری کل رگرسیون، - در سطح اطمینان 95 درصد - ، مورد بررسی قرار گرفت.
نتایج نشان می دهد که براساس شاخص های آماری، این توابع از نظر ضرایب و همچنین قدرت تفکیک کنندگی معنادار بوده و اعتبار بالایی دارند.[3] در سال 2000 وستٍ رگرسیوخطی، رگرسیون لجستیک، درخت تصمیم، شبکه عصبی، k نزدیکترینهمسایه را مورد مقایسه قرار داد و مطابق با نتایج به دست آمده شبکه عصبی با دقت برابر با 82 درصد و بعد از آن رگرسیون لجستیک با دقت 81 درصد بهترین روشها در ارزیابی ریسک اعتباری میباشند.[4]
هوینَ و کلیمیرُ در سال 2006 در مقاله خود تحت عنوان "رتبه بندی اعتباری برای بانکداری خرد ویتنام" به بررسی مدلهای درجه بندی اعتبار برای وامهای جزئی ویتنام به عنوان کشور در حال توسعه در مقابل سایر کشورهای توسعه یافته پرداختند. در این راستا از مدل رگرسیونلجستیک استفاده شده است و جامعه آماری آنها برای برآورد مدل 56037 پرونده از پروندههای اعطای وام بانکهای تجاری در سال 2005 بوده است.
[5] عدنان عزیزِ در سال 2006 مدلهای مختلف پیشبینی ورشکستگی را در یک سال قبل از ورشکستگی مقایسه نموده و با تحلیل نتایج 46 تحقیق و بررسی 89 شرکت به این نتیجه رسیدند که 60 درصد از مطالعات انجام شده از نسبتهای مالی به عنوان متغیرهای توصیفی تحقیقات خود استفاده نمودهاند و 7 درصد از اطلاعات جریان نقدی و 23 درصد مابقی از ترکیبی از نسبتهای مالی و سایر متغیرها همچون متغیرهای اقتصاد خرد و کلان و خاص صنعت و خاص شرکت استفاده کردهاند که این یافته دال بر اعتبار محتوای اطلاعاتی حسابهای شرکت میباشد.[6]
در سال 2013 بلانکو ّ و همکاران در مقالهای با نام "مدل امتیاز دهی برای صنایع خرد با استفاده از شبکه عصبی" به مقایسه شبکه عصبی با روشهای سنتی برنامه ریزی کوادراتیک، تحلیل تمایزی و رگرسیونلجستیک پرداخت و مطابق با نتایج آن شبکه عصبی به صورت قابل ملاحظهای عملکرد بهتری نسبت به سایر روشها دارد.[7] یوْ و چنگَ در سال 2013 در مقالهای با نام "مدل ترکیبی جهت رتبه بندی اعتباری در صنعت بانک جهانی"، با رویکرد فازی به بررسی مسئله پرداخت وی در این مطالعه 36 متغیر انتخاب شده را در 9 گروه کفایت سرمای، قدرت عملیاتی، نقدینگی، کیفیت دارایی سود بخشی، وام، سایز و کارایی هزینه تقسیم بندی کرد و با کاهش ابعاد مسئله به کارایی قابل ملاحظهای دست یافت و در انتها به بیان متغیرهای اثر گذار در هر گروه پرداخت.[8]
در سال 2014 دیمیتریوسُ و همکاران در مقالهای تحت عنوان "ارائه مدل امتیاز اعتباری، با ترکیب متغیرهای بازار و حسابداری بر اساس روش ماشین بردار پشتیبان" به بررسی شرکتهای یونانی پرداخته و طی بررسی صورت گرفته بیان نمود نسبتهای نرخ رشد سود به فروش، درآمد قبل از مالیات به کل دارایی، دارایی جاری به بدهی کوتاه مدت و فروش به بدهی کوتاه مدت با ریسکاعتباری رابطه معکوس دارد و متغیرهای کل بدهی به کل دارایی و نرخ حسابهای دریافتی به فروش با ریسکاعتباری رابطه مستقیم دارند.[9] بکارگیری مدلهای کلاسبندی رویکرد غالب در مدلسازی مسائل CS بوده است و در این تحقیق مدل شبکه عصبی مدنظر قرار گرفته است. یکی از مسائل مهم در مدلساز شبکه عصبی، آموزش وزنهای شبکه با بکارگیری الگوریتم های تکاملی می باشد.[10] در این مقاله استفاده از الگوریتم پرواز پرندگان - PSO - جهت آموزش شبکه عصبی مدنظر قرار گرفته است.
