ارائه سیستم پشتیبانی تصمیم جهت ارزیابی ریسک اعتباری مشتریان حقیقی بانک
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
سیروس عزیزاللهی
1
,
مهدی معدن چی زاج
2
,
قاسم محسنی
3
,
مهرداد حسینی شکیب
4
1 - گروه حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
2 - گروه مدیریت مالی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران )نویسنده مسئول).
3 - گروه حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
4 - گروه مدیریت صنعتی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.
کلید واژه: مشتریان حقیقی, ریسک اعتباری, اعتبارسنجی, رگرسیون لجستیک چندگانه , سیستم پشتیبان تصمیم,
چکیده مقاله :
هدف از این پژوهش ارائه یک سیستم پشتیبانی تصمیم جهت ارزیابی ریسک اعتباری مشتریان حقیقی بانک، است. بدین منظور، ابتدا به روش کتابخانه‌ای، شاخص‌های مؤثر بر ارزیابی ریسک اعتباری مشتریان حقیقی، شناسایی و سپس، از روش دلفی فازی، استفاده و شاخص‌ها، غربالگری گردید. جامعه این بخش را خبرگان بانکی (بانک ملت) تشکیل دادند که به روش گلوله برفی انتخاب شدند. در ادامه، سیستم پشتیبانی تصمیم جهت ارزیابی ریسک اعتباری مشتریان حقیقی بانک در نرم‌افزار SPSS Modeler، طراحی و اجرا شد. داده‌های نهایی مرتبط با شاخص‌ها، شامل پرونده‌های 7318 مشتری حقیقی بانک ملت طی سالهای 1399 1393، بود. نتایج تحقیق نشان داد، سیستم پشتیبان تصمیم متشکل از ماشین بردار پشتیبان و جنگل تصادفی به ترتیب به میزان67.09 و 65.10 درصد، وضعیت مشتریان را در چهار طبقه وصول به‌موقع، سررسید گذشته، معوقه و مشکوک الوصول، صحیح پیش-بینی نمود. این در حالی است که مدل تلفیقی ماشین بردار پشتیبان- جنگل تصادفی، با میزان 17/77 درصد، پیش‌بینی بهتری را ارائه نموده است.
The purpose of this research is to provide a decision support system to assess the credit risk of real bank customers. For this purpose, firstly, using the library method, the effective indicators on the credit risk assessment of real customers were identified and then, using the fuzzy Delphi method, the indicators were screened. The community of this section was formed by banking experts (Bank Mellat) who were selected by the snowball method. In the following, The decision support system was designed and implemented to evaluate the credit risk of real bank customers in SPSS Modeler software. The final data related to the indicators included the files of 7318 real customers of Bank Mellat during the years 2013-2016.The results of the research showed that the decision support system consisting of support vector machine and random forest correctly predicted the status of customers in the four categories of on-time delivery, past due, overdue and questionable delivery by 67.09% and 65.10%, respectively. Meanwhile, the combined support vector machine-random forest model has provided a better prediction with a rate of 77.17%.
