در سیستم بانکی ایران، تجهیز منابع و تخصیص آن در قالب تسهیلات مالی کماکان اصلی ترین وظیفه بانک های تجاری را تشکیل می دهد. در بخش تخصیص منابع، توجه به این نکته حائز اهمیت است که نرخ سود تسهیلات اعطایی فراتر از سیاست های پولی به عنوان ابزاری جهت اعمال سیاستهای اقتصادی در بخش های مختلف اقتصادی مورد استفاده قرار می گیرد و این امکان که ریسک عدم بازپرداخت تسهیلات از طریق نوسانات نرخ سود جبران شود تا حد زیادی از بانکهای اعطا کننده تسهیلات سلب شده است. لذا هنگام تصمیم گیری نسبت به اعطای تسهیلات، بررسی همه جانبه درخواست تسهیلات به منظور به حداقل رساندن ریسک عدم بازپرداخت از اهمیت خاصی برخوردار است. (حسینی پور عزآبادی،۱۰،۱۳۸۲)

بانک ها به عنوان بخش اصلی نظام مالی همواره با ریسک های متفاوتی روبرو هستند که یکی از عمده ترین آنها ریسک اعتباری است. حجم قابل ملاحظه ای از تسهیلات اعطایی سوخت شده یا معوقه بانک ها، گویای فقدان مدل های مناسب اندازه گیری اعتباری و سیستم های مدیریت ریسک در شبکه بانکی است. (اخباری،۱۳۸۷، ۱۰)

یکی از ابزارهایی که بانک ها می توانند جهت مدیریت و کنترل ریسک اعتباری از آنها بهره­ گیری نمایند، “سیستم اعتبارسنجی مبتنی بر صورت های مالی مشتریان” است. بخش قابل توجهی از منابع سیستم بانکی، جهت تأمین نیازهای مالی شرکت ها تخصیص می یابد که عمدتاً در قالب شرکتهای تجاری، متقاضی استفاده از تسهیلات بانکی هستند.

در تحقیق حاضر بررسی خواهیم نمود که آیا تکنیکهای داده کاوی جهت اعتبارسنجی   صورتهای مالی واحدهای تجاری در اعطای تسهیلات کارآ می باشد یا خیر؟ ، زیرا بر اساس شواهد موجود از جمله حجم تسهیلات سوخت شده و معوقه می توان ادعا نمود بانک ها در اعطای وام به ریسک مربوطه توجه نمی کنند و براساس سیستم وثیقه محوری و قضاوتی وام به مشتریان می دهند.

در این فصل از تحقیق سعی شده است ضمن بیان تاریخچه داده کاوی و ریسک اعتباری ، مبانی نظری و علمی رتبه بندی اعتبار و امتیاز بندی اعتباری و کاربرد داده کاوی در حوزه اعتبارسنجی به صورت تفصیلی ذکر گردد.

  • چارچوب نظری تحقیق

همانطوری که گفته شد، داده کاوی در بسیاری از شاخه ها همچون بازاریابی، امور مالی، بانکداری، تولید، پزشکی، مدیریت ارتباط با مشتری، ردیابی، پیش بینی خرابی ها، آموزش سازمانی و… کاربرد دارد. که در این میان کاربرد داده کاوی در صنعت بانکداری از اهمیت بالایی برخوردار است که میتوان به موارد زیر اشاره کرد :

۱- پایگاه داده عظیم و بسیاری وجود دارند. ۲- اطلاعات تجاری ارزشمندی می تواند از این پایگاه داده استخراج شوند. ۳- استفاده از روش های سنتی گذشته برای پشتیبانی تصمیم و تحلیلها اجرا شدنی نیست. ۴- تحلیلهای انسانی تحت تأثیر ابعاد و حجم داده ها قرار میگیرد. ۵- متدهای آماری سنتی رتبه قادر به رتبه بندی نیستند و نیاز به کارشناسان و تحلیلگران مهم و قابل توجه دارد.

یکی از مباحث مهم در صنعت بانکداری تشخیص توانائی یا ارزیابی قدرت شرکت ها در بازپرداخت بدهی، جهت کاهش خسارت های ناشی از ناتوانی آنان در بازگرداندن تسهیلات دریافتی است. که برخی از مزایای آن عبارت است از: ۱- کاهش هزینه تحلیل ۲- تصمیم گیری سریع۳- تضمین تسهیلات و حذف ریسک های احتمالی. ۴- تعیین اولویت در مجموعه اعطاء تسهیلات

در نتیجه ما می توانیم از مدل های مختلفی جهت ارزیابی وضعیت مالی مشتریان استفاده کنیم که این مدل ها به دو گروه اصلی تقسیم می شوند که عبارتند از :

گروه اول: مدلهای پارامتریک: شامل ۱- مدل احتمال خطی ۲- مدل لاجیت و پروبیت ۳- مدلهای تحلیل متمایز کننده

گروه دوم: مدلهای ناپارامتریک: شامل ۱- برنامه ریزی خطی ۲- شبکه های عصبی ۳- درخت های تصمیم ۴- مدل نزدیکترین همسایگی ۵- فراگرد تجزیه و تحلیل سلسله مراتبی ۶- سیستم های خبره ۷- الگوریتم ژنتیک

در این پژوهش سه روش برای ارزیابی مشتریان بانک از نقطه نظر اعتبار آنها، مورد استفاده قرار خواهد گرفت. همچنین سعی شد تا با بهره گرفتن از یک مجموعه داده، مدلی مناسب برای پیش بینی وضعیت اعتباری مشتریان جدید طراحی شود. مدلی که بتواند با کمترین خطا مشتریان را اعتبارسنجی کند. از آنجایی که پیشرفت صحت حتی به میزان کم می تواند منجر به کاهش هزینه های کلان برای بانک در زمینه ریسک اعتباری شود، در این پژوهش از روش های ماشین بردار پشتیبان، درخت تصمیم و شبکه های عصبی برای اعتبارسنجی مشتریان استفاده می شود.

پس از بررسی میزان اتکای بانک ها به اطلاعات صورت های مالی شرکت در ارزیابی توان مالی آنان در بازپرداخت بدهی ها و نیز قابلیت پاسخگوئی این صورت ها به نیاز های اطلاعاتی جهت انجام این ارزیابی و با توجه به چارچوب نظری ارائه شده ، مدل مفهومی تحقیق حاضر به شکل زیر مدنظر قرار می گیرد.

بازخورد

شکل ۲-۱ : مدل مفهومی تحقیق

 

تعریف مسأله

 

( ارزیابی وضعیت کمی و کیفی شرکت ها جهت اعطای تسهیلات)

 

آنالیز پایگاه داده

 انتخاب و تعدیل داده ها

سازماندهی داده ها

یکپارچه سازی داده

آدرس سایت برای متن کامل پایان نامه ها

حوزه تصمیم گیری

ایجاد دانش  

تفسیر نتایج

 

پایگاه داده ها

 

 

 

 

 

 

 

 

 

مدل های داده کاوی

o ماشین بردار پشتیبان

o درخت تصمیم

o شبکه های عصبی

 

– مرتب سازی داده ها

– الگوبردای از قواعد و شروط :

– مؤلفه ها :

– متغیر های کیفی مالی

– نسبت های مالی

خوشه بندی

                                                

تأیید/ اعتبار مدل ها

پالایش داده

تجسم داده (نمودار ،گراف و…)

    

خروجی مدل ها

 

 

 

 

منبع : یافته های پژوهشگر

  • ریسک اعتباری و تاریخچه پیدایش آن

در حوزه مالی و بانکی یکی از عوامل مهم که پیش تر ذکر شد، مفهوم ریسک می باشد که از اهمیت بالایی برخوردار است، بدین جهت یکی از مهمترین رویکردها جهت کاهش خسارت های ریسک اعتباری، شناسایی، سنجش درجه و طبقه بندی اعتباری مشتریان، رویکرد اعتبارسنجی میباشد. اعتبارسنجی به معنای ارزیابی و سنجش توان بازپرداخت متقاضیان وام و تسهیلات مالی و احتمال عدم بازپرداخت دریافتی از سوی آنها می باشد.

طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال ۱۹۰۹ به وسیله جان موری[۱] بر روی اوراق قرضه انجام شد. برخی از محققان متوجه شباهت زیاد اوراق قرضه و تسهیلات اعطایی شدند و اندازه گیری ریسک عدم پرداخت اصل و سود وام ها را بررسی نمودند.

در همین راستا اعتبارسنجی روشی برای شناخت گروه های مختلف جامعه است و زمانی مفید میباشد که شخص نمی تواند ویژگی هایی که گروه ها را از هم تفکیک می کند، مشاهده نماید. این تکنیک یک تکنیک آماری است که توسط”فیشر[۲] “، در سال ۱۹۳۶ بیان گردید. در سال ۱۹۴۱، “دوراند[۳]” متوجه شد که می توان از این تکنیک و تکنیک های مشابه برای تفکیک قرض گیرندگان خوب و بد استفاده نمود. با ظهور کارت های اعتباری در سال ۱۹۶۰، ارزش اعتبارسنجی بیشتر شد. زمانی که بانک ها از این تکنیک استفاده کردند، متوجه شدند که این تکنیک بهتر از طرح های قضاوتی است. در سال ۱۹۶۶ برای تعیین ورشکستگی شرکتها، مدل رگرسیون لجستیک به وسیله   بی ور[۴] بکار گرفته شد. بعدها از این مدل برای اندازه گیری ریسک اعتباری اوراق قرضه منتشر شده شرکتها استفاده شد. در سال ۱۹۸۰ موفقیت اعتبارسنجی در کارت های اعتباری منجر به این شد که بانک ها به استفاده از روش های اعتبارسنجی به دیگر خدمات خود مثل وام به اشخاص ثالث تشویق گردند. زیرا تا قبل از آن به خانه و کسب و کارهای کوچک وام می دادند. موفقیت در امر محاسبات منجر به این شد که تکنیک های دیگر نیز به کمک اعتبارسنجی بیایند مانند رگرسیون لجستیک و برنامه ریزی خطی و درخت تصمیم گیری. اخیراً نیز تکنیک های هوش مصنوعی مانند سیستم های خبره و شبکه های عصبی به جمع این روشها اضافه شده اند.

۲-۲-۱: ضرورت طراحی سیستم های سنجش و ارزیابی اعتبار مشتریان

از جمله مهمترین دلایل می توان به کمک آنها به افزایش جریان نقدینگی مؤسسه، اطمینان از بازگشت اعتبار اعطایی توسط مشتری، کاهش ریسک بازپرداخت اصل و فرع اعتبار اعطایی، بهبود کیفی تصمیمات مدیریتی، کاهش هزینه های تجزیه و تحلیل اعتبار مشتریان، افزایش سرعت اخذ تصمیمات اعتباری و نظارت بهتر بر حسابهای اعتباری موجود مؤسسه اشاره نمود.

به دلیل اهمیت مشتری در سازمانهای عصر نوین و حساسیت و پیچیدگی فرآیند سنجش و اندازه گیری صحیح، دقیق، عینی و عملی اعتبار مشتریان و همچنین به لحاظ نقش حائز اهمیت اعتبارسنجی در موفقیت عملکرد سازمانها، طراحی سیستم های اعتبار سنجی بیش از پیش ضرورت یافته است.

[۱] Jon Mory

[۲] Fisher

[۳] Durand

[۴] Beaver