2,677 views
عنوان :
تعداد صفحات :۱۸۹
نوع فایل : ورد و قابل ویرایش
بازار اعتبارات مصرفی در ایران با تشکیل بانکهای خصوصی رونق یافته است. فعالیت اصلی در این بازار اعطای تسهیلات مصرفی به متقاضیان بوده و این امر نیاز به اعتبار سنجی متقاضیان تسهیلات جهت کاهش ریسک اعتباری دارد. امروزه سیستمهای هوشمند کاربردهای فراوانی در امور مختلف بانکی و مالی پیدا کردهاند. بررسی و تصویب اعتبارات یکی از کاربردهای شبکه عصبی است. پژوهش حاضر با هدف ارائه مدل مناسب بررسی رفتار اعتباری مشتریان تسهیلات مصرفی وام مضاربه با استفاده از شبکه های عصبی جهت رتبه بندی اعتباری شکل گرفته است. به دنبال این هدف ابتدا عوامل مهم تاثیر گذار بر رفتار اعتباری مشتریان شناسایی گردید و سپس مشتریان به سه دسته خوش حساب، بد حساب وسر رسید گذشته تقسیم شدند.
در مرحله بعد مدلهای شبکه عصبی پس از طراحی؛ با دادههای آموزشی؛ آموزش داده شده و سپس با دادههای آزمایشی مورد آزمایش قرار گرفتند.
نتایج بدست آمده نشان میدهد که رفتار اعتباری مشتریان با استفاده از مدلهای رتبه بندی شبکههای عصبی قابل پیش بینی است.
کلمات کلیدی:شبکه عصبی؛ رتبه بندی اعتباری؛ تسهیلات
فصل اول
کلیات تحقیق ۱
مقدمه ۲
۱-۱ بیان مسأله ۴
۱-۲ سوالهای تحقیق ۷
۱-۳ اهمیت و ضرورت موضوع تحقیق ۷
۱-۴ اهداف تحقیق ۸
۱-۵ فرضیات تحقیق ۹
۱-۶ چارچوب نظری تحقیق ۱۰
۱-۷ متغیرهای پژوهشی ۱۲
۱-۸ سابقه و ضرورت انجام تحقیق (پیشینه تحقیق) ۱۳
۱-۹ کاربردهای تحقیق ۱۵
۱-۱۰ نوع روش تحقیق ۱۶
۱-۱۱ محدوده تحقیق ۱۶
۱-۱۲ روش نمونه گیری و تعیین حجم نمونه ۱۷
۱-۱۳ ابزار گردآوری اطلاعات ۱۸
۱-۱۴ محدودیتهای تحقیق ۱۸
۱-۱۵ روش تجزیه و تحلیل اطلاعات ۱۹
۱-۱۶ برخی تعاریف، مفاهیم و اصطلاحات ۱۹
فصل دوم ۲۲
ادبیات تحقیق ۲۳
مقدمه ۲۴
بخش اول ۲۵
آشنایی با بانک سامان و انواع تسهیلات ۲۵
آشنایی با بانک سامان ۲۶
چارت خدمات بانک سامان ۲۹
انواع سپردههای سرمایه گذاری ۲۹
سپرده کوتاه مدت ۲۹
سپرده کوتاه مدت ویژه ۳۰
سپرده بلند مدت ۳۰
سپرده اندوخته ۳۱
سپرده ارزی ۳۲
تسهیلات حقوقی ۳۲
ابزارهای اعتباری ۳۳
انواع ابزارهای اعتباری ۳۳
ضوابط و معیارهای اساسی اعطای تسهیلات ۳۴
۱- قابلیت اعتماد و اطمینان ۳۷
۲- قابلیت و صلاحیت فنی ۳۹
۳- ظرفیت مالی و کشش اعتباری ۴۰
۴- وثیقه (تامین) ۴۲
بخش دوم ۴۷
مبانی نظری رتبه بندی اعتبار ۴۷
مقدمه ۴۸
۲-۱ مروری بر تاریخچه رتبه بندی اعتبار ۵۰
۲-۲ رتبه بندی اعتبار ۵۲
فرآیند تصمیم گیری اعطای تسهیلات ۵۳
۳-۲ سیستمهای رتبه بندی اعتبار ۵۸
۴-۲ مدلهای رتبه بندی اعتباری ۵۹
۵-۲ مزایا و محدودیتهای مدل رتبه بندی اعتبار ۶۰
– محدودیتها ۶۰
بخش سوم ۶۲
مبانی نظری شبکه عصبی ۶۲
مقدمه ۶۳
۳-۱ هوش مصنوعی ۶۵
۳-۲ مروری بر تاریخچه شبکه عصبی ۶۷
۳-۳ شبکههای عصبی مصنوعی ۷۰
۳-۴ اساس بیولوژیکی شبکه عصبی ۷۵
۳-۵ مقایسه بین شبکههای عصبی مصنوعی و بیولوژیکی ۷۹
۳-۶ مدل ریاضی نرون ۸۰
۳-۷ ویژگیها و خصوصیات شبکههای عصبی مصنوعی ۸۲
۳-۷-۱ قابلیت یادگیری ۸۲
۳-۷-۲ پردازش اطلاعات به صورت متنی ۸۳
۳-۷-۳ قابلیت تعمیم ۸۳
۳-۷-۴ پردازش موازی ۸۴
۳-۷-۵ مقاوم بودن ۸۴
۳-۸ مشخصههای یک شبکه عصبی ۸۴
۳-۸-۱ مدلهای محاسباتی ۸۵
۳-۸-۲ قواعد یادگیری ۸۸
۳-۸-۳ معماری شبکه ۹۰
۳-۹ عملکرد شبکههای عصبی مصنوعی ۱۰۱
۳-۱۰ محدودیتهای شبکه عصبی ۱۰۳
۳-۱۱ کاربرد شبکههای عصبی در مدیریت ۱۰۴
بخش چهارم ۱۱۰
خلاصه مقالهها ۱۱۰
بخش پنجم ۱۲۴
نتیجه گیری ۱۲۴
فصل سوم ۱۲۹
روش شناسی تحقیق ۱۲۹
۳-۱ مقدمه ۱۳۰
۳-۲ روش تحقیق ۱۳۱
۳-۳ جامعه آماری ۱۳۲
۳-۴ نمونه آماری ۱۳۲
۳-۵ فرضیات تحقیق ۱۳۳
۳-۶ محدوده تحقیق ۱۳۵
۳-۷ جمع آوری دادهها ۱۳۶
۳-۸ تعیین حجم نمونه ۱۳۷
۳-۹ ابزار گردآوری دادهها ۱۳۸
۳-۱۰ روش تجزیه و تحلیل دادهها ۱۳۸
۳-۱۱ فرآیند تحقیق ۱۴۱
فصل چهارم ۱۵۳
یافتههای تحقیق ۱۵۳
۴-۱ مقدمه ۱۵۴
۴-۴-۱ آماده سازی دادههای ورودی جهت رتبه سنجی مشتریان با کمک شبکه عصبی آماده سازی دادهها ۱۵۴
معماری شبکه ۱۵۵
فصل پنجم ۱۶۲
نتیجه گیری و پیشنهادها ۱۶۲
نتیجه گیری ۱۶۳
پیشنهادات ۱۶۸
منابع
۱-آر.بیل وتی .جکسون،۱۳۸۳، “آشنایی باشبکه های عصبی”،ترجمه محمودالبرزی ، (تهران:انتشارات دانشگاه شریف ،چاپ دوم)
۲- اصغری اسکویی،محمدرضا،۱۳۸۱، کاربرد شبکه های عصبی درپیش بینی سریهای زمانی ، فصلنامه پژوهشهای اقتصادی ایران،شماره۱۲،پاییز.
۳- البرزی ، محمود،۱۳۷۷،”روش تحقیق ازدید گاه آمار”دانشگاه شهید بهشتی،چهارمین کنفرانس بین المللی آمار ایران.
۴- البرزی،محمود،عبده تبریزی،حسین،۱۳۷۷،”مدلهای ارزیابی اعتبار مشتریان بااستفاده از شبکه های عصبی”طرح تحقیق.
۵- امیر غیاثوند،فرید، شبکه های عصبی،نشریه راه المپیاد،شماره۴
۶- پناهیان،حسین،۱۳۷۹، استفاده از شبکه های عصبی برای پیش بینی روند قیمت سهام در بورس اوراق بهادار تهران ،پایان نامه دکترای دانشگاه آزاد اسلامی واحد علوم تحقیقات.
۷- جزوه آموزشی مجموعه دستورات بانک
۸- جعفر علی جاسبی،جواد،۱۳۸۲، “تبین وارئه الگو های تصمیم گیری چند شاخصه پویا “،دانشگاه آزاد اسلامی واحد علوم تحقیقات ،پایان نامه دکترای مدیریت.
۹- چاوشی ،کاظم،۱۳۸۰، “برسی رفتار قیمت در بورس اوراق بهادار تهران ، پایان نامه کارشناسی ارشد مدیریت مالی ،دانشگاه امام صادق (ع) “.
۱۰- جوادی پور،سعید،حسن زاده،علی،۱۳۸۱، “مقررات زدایی در نظام بانکی ،مطالعه موردی اعطای تسهیلات “پژوهشکده پولی وبانکی بانک مرکزی.
۱۱- خاکی ،غلامرضا،۱۳۷۸،”روش تحقیق با رویکرد پایانامه نویسی “،مرکز تحقیقات علمی کشور.
۱۲- شایان آرانی، شاهین،۱۳۸۰،”مدیریت ریسک وبانکداری اسلامی غیر دولتی “موسسه عالی بانکداری ایران ،دوازدهمین همایش بانکداری اسلامی.
۱۳- هدایتی،علی اصغر،سفری، علی اصغر،کلهر،حسن،۱۳۷۰،”عملیات بانکی داخلی (تخصیص منابع)”، موسسه عالی بانکداری ایران.
۱۴- مجموعه رهنمودهایی برای مدیریت موثر ریسک اعتباری ، بانک جمهوری اسلامی ایران
۱۵- مقصود، حسین، ۱۳۸۵، پیش بینی بازار سهام اوراق بهادار در بورس اوراق سهام تهران با استفاده از شبکه عصبی، پایان نامه کارشناسی ارشد دانشگاه آزاد اسلامی.
۱۶- منصف،حسن،رنجبر،علیمحمد،۱۳۷۴،”کاربرد هوش مصنوعی در سیستمهای قدرت”، نشریه علمی و پژوهشی برق ، شماره ۸۴ ، بهار.
منابع انگلیسی
۱٫Altman,Edward.I(2000)”predicting Financial Distress of companies ,Revisiting The Z_score and Zeta Models ,business credit”,July
۲٫Anthony Saunders,(2000) “Understanding your credit score “
۳٫Fenster stock,Albert(2003) “Credit scoring Basics,business credit”March
۴٫Haykin,s (1994) ,s .Neural Network :A Comrehensive Foondation ,Macmillan
۵٫James Matlews,
۶٫Jensen,H.L (1996) ,Using Neural Networks For Credit Scoring ,Efrairn Turhan chicage :Inwin
۷٫Kiss ,Ferenc.Credit Scoring Processes From Knowledge Management Perspective , Periodical Polytechnics .Soc .Vol11,No.1
۸٫Morsman ,E.(1997) “Risk Management and Cerdit Culture “.Journal of lending Cerdit Risk Management ,special Ed. June
۹٫P.Mandic ,A . chambers (2001) ,Recurrunt Neuer Networks for Prediction ,۲d.ed.
۱۰٫Sinkey.Jr , Joseph .F (1992) ,Commerical Rant Financial Management , 4th Edition macmillan
۱۱٫Thomas ,Lync (2000), A Survey of credit and Bahavioral Scoring :Forecasting Financial Risk of lending to Customer ,International
Journal of forcasting 16
۱۲٫Zir illi ,Jose hp .S (1997) ,Financial Prediction Using Neural Networks ,International Thomson Computer press
۱۳٫Zurada,J.M(1992),Introduction to Artificial System,Boston Pws . Publishing Company , p.xv
علم تصمیم گیری همواره با انسان همراه بوده و با ظهور سازمانها، شرکتها و خاصه با تغییرات پرشتاب محیطی توسعه فراوان یافته است. بسیاری از محققان تلاش و همت خویش را در این حوزه متمرکز نمودهاند تا الگوهای مناسبتر و دقیقتری را برای بهبود نظامهای تصمیم گیری معرفی نموده و تصمیم گیران را با توفیق بیشتری مواجه سازند.[۱]
در اعطای تسهیلات که یکی از عمدهترین فعالیتهای بانکها و موسسات اعتباری است برای تصمیم گیری صحیح، باید درجه اعتبار و قدرت بازپرداخت اصل و سود تسهیلات دریافت کننده را تعیین نمود تا احتمال عدم برگشت اصل و سود تسهیلات اعطایی، یعنی ریسک درجه اعتبار، کاهش یابد. یکی از روشهای کاهش این ریسک، طراحی نظام تعیین درجه اعتباری برای دریافت کنندگان تسهیلات است، و کانون این نظام، مدل رتبه بندی یا ارزیابی اعتباری است[۲].
با استفاده از چنین مدلی، رتبه یا درجه اعتباری متقاضی مشخص شده و بر اساس آن راجع به اعطای تسهیلات یا عدم اعطا، تصمیم گیری می شود. در حال حاضر بهره برداری از سیستمهای هوشمند به منظور بهینه سازی و پیش بینی به عنوان یکی از ابزارهای پیشرفته در حوزههای مختلف علوم، کاربرد فراوان دارد. شبکههای عصبی به عنوان یک سیستم هوشمند در عرصههای مختلف مالی از جمله تصویب اعتبارات، کاربرد دارند.
در تصویب اعتبارات، ارزیابی اعتبار مشتریان یکی از موارد بسیار پیچیده در فعالیتهای مالی به شمار میرود[۳].
به نظر میرسد جستجو برای روابط عملی دیگر اهمیت خود را از دست داده است. آنچه اهمیت دارد این است که حرکت و رابطه مجموعهای از متغیرها را با مجموعهای دیگر دریابیم. برای اینکار مدل شبکه عصبی مصنوعی به مراتب از مغز فراتر میرود که در یک آن نمیتواند همه چیز را با هم ببینید[۴].
ارزیابی اعتباری مشتریان میتواند توسط کارشناسان خبره و ارزیابها انجام پذیرد، لیکن این امر اغلب به علت کمبود وقت، هزینه بالا، کمبود تعداد افراد خبره و تعداد موارد ارزیابی، مقرون به صرفه نیست. با استفاده از فن آوری اطلاعات و ارتباطات که تحول عظیمی در سیستم بانکداری بوجود آورده و ضمن ایجاد فرصتهای نوین، چالشهای جدیدی را نیز با خود به ارمغان آورده است، میتوان مدلهای ارزیابی اعتباری را طراحی کرد که با استفاده از روشهای علمی به جای قضاوتهای ذهنی در زمان کم و با هزینه مناسب، حسابهای خوب (مشتریان خوش حساب) و حسابهای بد (مشتریان بد حساب) را از هم تفکیک کرد.
اعطای تسهیلات بانکی از لحاظ اقتصادی اهمیت زیادی دارد. زیرا با افزایش کمی سرمایه، باعث رشد و توسعه اقتصادی میشود[۵]. اما در اعطای تسهیلات، بانکها با خطر بزرگی که به آن ریسک اعتباری میگویند مواجه هستند. این ریسک علت مواجهه بانکها با بحرانهای عمده مالی است. ریسک اعتباری را میتوان احتمال عدم بازپرداخت وام از طرف متقاضی در نظر گرفت[۶]. که بایستی مدیریت گردد. برای مدیریت ریسک اعتباری از روشهای مختلفی میتوان استفاده کرد یکی از روشها طراحی نظام تعیین درجه اعتباری برای دریافت کنندگان تسهیلات است.
هدف از این تحقیق این است که در بازار اعتبارات با طراحی و استقرار سیستم اعتبار سنجی مشتریان، به دنبال شناسایی الگوهای رفتاری مشتریان و در نتیجه ایجاد امکان پیش بینی رفتار است. ارزیابی اعتبار مشتریان زمینه بسیار پیچیدهای در فعالیتها به حساب میآید. تعداد عوامل و پیچیدگی روابط مالی، اقتصادی و رفتاری، ارزیابی اعتبار را بسیار دشوار میسازد. از طرفی امر ارزیابی اغلب باید در محدوده زمانی کوتاهی صورت پذیرد زیرا طولانی شدن فرآیند ارزیابی موجب تاخیر در عملیات و در نهایت موجب افزایش هزینهها خواهد شد. از طرف دیگر عدم دقت احتمالی در ارزیابی میتواند به تصمیمات اشتباه و در نهایت زیانهای گزاف منجر گردد. محدودیت زمانی و ضرورت دقت در ارزیابی، پیچیدگی موضوع را دو چندان میکند[۷].
سیستمهای رتبه بندی اعتباری را میتوان به سه دسته تقسیم کرد[۸].
۱ـ سیستمهای قضاوتی
۲ـ رتبه بندی بر مبنای تکنیک های آماری
۳ـ سیستمهای هوشمند
سیستمهای قضاوتی بسیار کند و پرهزینه هستند. عموماً زمانی که تعداد تقاضاها بالا، و تعداد خبرگان کم میباشد این سیستمها کارآیی لازم را ندارند، در مورد روشهای آماری نیز هر یک از تکنیکهایش فرضهای خاص را میطلبند. بدیهی است با عدم وجود یا کمرنگ شدن پیش فرضها، دقت و صحت فزونیها مورد تردید قرار میگیرد. وقتی قوانین تصمیم گیری واضح و اطلاعات معتبر میباشند سیستمهای خبره کمک بزرگی به حل مسائل میکنند. اما اغلب موسسات اعطا کننده وام، شفاف نیست و اطلاعات اصلاً وجود نداشته و یا بخشی از اطلاعات صحیح نیست، در این حال شبکههای عصبی گزینه بسیار مناسبی هستند. در بازار اعتبارات ایران یکی از مشکلات اعطای تسهیلات، ضوابط اخذ وثیقه و یا آورده نقدی از طرف متقاضیان استفاده از اعتبارات و تسهیلات شبکه بانکی است. تجزیه و تحلیل اطلاعات نشان میدهد که درصد بیشتری از افراد مورد مطالعه، ضوابط اخذ وثیقه و انعطاف ناپذیر بودن معیارهای ارزیابی جهت جلوگیری از سوخت شدن اصل و سود تسهیلات را یکی از مشکلات دسترسی به تسهیلات و اعتبارات اعطایی سیستم بانکی،میدانند. همچنین درصد بالایی از پاسخ دهندگان، طولانی بودن زمان ارزیابیها را مشکل آفرین بیان نمودهاند[۹].
با توجه به شرایط بازار اعتبارات و با در نظر گرفتن انواع سیستمهای رتبه بندی اعتباری و عملکرد مناسب شبکههای عصبی مساله اصلی این تحقیق طراحی مدلی با کمک شبکه عصبی است که با استفاده از آن بتوان با حداقل خطاها و در کمترین زمان ممکن نسبت به اعطای تسهیلات در بانک اقدام شود.
این مدل در صورتی میتواند از کارایی لازم برخوردار گردد که قادر باشد پاسخ مناسبی را برای سوالات تحقیق دهد.
۱ـ آیا با استفاده از مختصات مشتریان اعتباری میتوان مشتریان اعتباری بانک را رتبه بندی نمود؟
۲ـ آیا با استفاده از شبکههای عصبی مصنوعی میتوان مشتریان اعتباری بانک را رتبه بندی نمود؟
ضرورت سیستم رتبه بندی زمانی اهمیت لازمه را خواهد داشت که از معیار مناسبی[۱۰] برای ارزیابی مشتریان قبل از اعطای تسهیلات برخوردار باشد، به گونهای که تسهیلات بانکی با استفاده از این سیستم به مشتریان مطلوب تخصیص یابد. از دیدگاه سیستم بانکداری[۱۱] مشتری مطلوب به مشتریانی اطلاق میشود که ضمن هزینه نمودن تسهیلات دریافتی در بخشهای مختلف اقتصادی بتواند به موقع تسهیلات دریافتی را به سیستم بانکی بازگرداند. عدم بازپرداخت به موقع تسهیلات بیانگر آن است که دریافت کننده تسهیلات در بهره برداری از تسهیلات دریافتی از موفقیت چندانی برخوردار نبوده است[۱۲].
به بیان ساده تر بازده حاصل از به کارگیری تسهیلات از سود بانکی آن کمتر بوده از این رو در موعد بازپرداخت با مشکلاتی مواجه بوده است. در این حالت بانک ناچار است در حد استقراض از منابع دیگر از جمله بانک مرکزی و با نرخی فراتر از نرخ سپرده گیری خود برای جبران کمبود نقدینگی باشد.
به بیان دیگر تطابق زمانی سررسید دارایی و بدهیها بازپرداخت تسهیلات با توجه به ترکیب زمانی منابع و برنامه ریزی در جهت اجرای سیاستهای پرداخت تسهیلات در مورد موسسات مالی مانند بانکها سبب کاهش ریسک و تسریع در تحقق اهداف پیشبینی شده خواهد شد. لذا با توجه به عصر فن آوری و وجود بانکهای پیشرفته وقت آن رسیده است که بانکها از سیستمهای پیشرفته جهت بهبود وضعیت اعطای تسهیلات و رتبه بندی اعتباری مشتریان خود استفاده نمایند[۱۳].
اگر تخصیص اعتبار به صورت بهینه انجام گیرد احتمال بازپرداخت درست و به موقع افزایش یافته و امکان اعتباردهی نیز بیشتر میشود.
هر تحقیقی برای دستیابی به هدف و منظور خاصی صورت میپذیرد. اهداف این تحقیق را میتوان به شرح زیر بیان نمود.
۱ـشناسایی مختصات اساسی مشتریان که در تعیین رتبه بندی آنها موثر است.
۲ـ طراحی مدلی برای ارزیابی رتبه بندی مشتریان با استفاده از شبکه عصبی مصنوعی
۳ـ کاهش ریسک اعتباری در بانک و به تبع آن استفاده مطلوب از منابع و تسهیلات بانکی
طراحی مدلی برای رتبهبندی اعتباری مشتریان به عنوان هدف اصلی پژوهش قلمداد میشود. از این رو فرضیات تحقیق نیز در این راستا و با توجه به سوالات تحقیق به صورت زیر تدوین گردید.
فرضیه اول: با استفاده از مختصات مشتریان اعتباری (شغل، درآمد،…) میتوان مشتریان اعتباری بانک را رتبه بندی نمود.
فرضیات فرعی :
۱-بین میزان وثیقه متقاضی تسهیلات و رتبه بندی اعتباری ( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
۲-بین تحصیلات متقاضی تسهیلات و رتبه بندی اعتباری( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
۳-بین درآمد متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب )آنها رابطه معنی داری وجود دارد.
۴-بین سابقه اعتباری متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب )آنها رابطه معنی داری وجود دارد.
۵-بین شغل متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
فرضیه دوم: با استفاده از شبکه عصبی پرسپترون چند لایه میتوان مشتریان اعتباری بانک را رتبه بندی نمود.
در صنعت بانکداری با ریسکهای مختلفی مواجه هستیم که یکی از آنها ریسک اعتباری یا ریسک عدم پرداخت است. سیستم اعتباری بانک باید بتواند از به تعویق افتادن تسهیلات جلوگیری کند این سیستم باید به این نکات توجه داشته باشد.
۱ـ پرداخت تسهیلات ارزی و ریالی متناسب با ساختار منابع با ریسک
۲ـ پرداخت تسهیلات به بخشهای گوناگون اقتصاد تا چنانچه در صنعتی رکود ایجاد شد بانک دچار مشکل نشود.
۳ـ توزیع جغرافیایی تسهیلات در سطح کشور تا ریسک در منطقه خاص و پیشامدهایی مثل حوادث طبیعی و غیر طبیعی، قدرت مانور بانک را کاهش ندهد تا بانک قدرت تصمیم گیری داشته باشد.
۴ـ توزیع زمانی پرداخت تسهیلات (کوتاه مدت، میان مدت، بلند مدت) با توجه به ساختار منابع، این سیستم باید قدرت خود کنترلی، یادگیری، قابلیت بهبود، کسب اطلاعات و قابلیت دقت نیز داشته باشد تا بتواند خودش را با شرایط جدید وفق دهد و رتبه بندی اعتباری را به درستی انجام دهد.
شبکههای عصبی با ساختن نورونهای مصنوعی و کنار هم قرار دادن آنها به شکل موازی، ابداع الگوریتمهای مناسب یادگیری و ارائه الگوها از توانایی پردازش اطلاعات سریع و دقیق بالایی برخوردارند و میتوانند برخلاف سایر متدهای آماری، هوشمند عمل کرده و به یادگیری فرآیندها بپردازند تا بتوانند در شرایط جدید و از قبل تعیین نشده نیز بهترین نتایج را در پی داشته باشند. به علت برتری آنها نسبت به سایر مدلها هم اکنون در نقاط مختلف دنیا از آنها استفاده میشود. شبکههای عصبی میتوانند برخلاف مدلهای رگرسیونی که توانایی شناسایی روابط غیر خطی را ندارند، مثالها و الگوها را نیز به عنوان اطلاعات ورودی دریابند و با کمک قانون یادگیری شان با تغییر شرایط، موقعیت جدید و پارامترهای ایجاد شده را درک کرده و نتایج خود را بهبود بخشند. این شبکهها میتوانند از میان انبوهی از اطلاعات ورودی که از شبکههای مختلف دریافت میکنند بهترین پارامترها را شناسایی کنند تا بهترین پیش بینی را ارائه دهند. به همین علت پیش بینی وضعیت اعتباری مشتریان با کمک این مدلها به راحتی امکان پذیر است.
با توجه به ماهیت تحقیق در این پژوهش متغیرهای مستقل و وابسته به طور کامل از همدیگر تفکیک شده است.
در این تحقیق متغیرهای مستقل عبارتند از:
ـ شغل
ـ تحصیلات
ـ درآمد
ـ ارزش وثیقه
ـ سابقه اعتباری
با استفاده از سیستم ۵C ( اولین روش تحلیل اعتباری روش ۵c می باشد که رایج ترین روش نیز می باشد. در این روش یک متقاضی اعتبار از ۵ زاویه شخصیت[۱۴] ، ظرفیت[۱۵] ، سرمایه[۱۶] ، وثیقه[۱۷] و شرایط[۱۸] مورد تحلیل و بررسی قرار می گیرد ) شناسایی شده اند ، متغیرهای فوق به عنوان متغیرهای ورودی در مدل شبکه عصبی مصنوعی مورد استفاده قرار می گیرند.
متغیرهای وابسته تحقیق همان خروجی مدل شبکه عصبی میباشد که با استفاده از متغیرهای مستقل برآورد میگردند. این متغیرها به این شرح میباشند:
ـ مشتریان خوش حساب
ـ مشتریان سررسید گذشته
ـ مشتریان بدحساب
مدلسازی نرون برای نخستین بار در سال ۱۹۴۳ توسط وارن مک کلوث[۱۹] فیزیولوژیست اعصاب، والترپیتز [۲۰] منطقدان صورت گرفت تمامی مکتب شبکههای عصبی از همین جا آغاز شد. بعضی از پیش زمینههای شبکههای عصبی را میتوان به اوایل قرن ۲۰ و اواخر قرن ۱۹ برگرداند. در این دوره کارهای اساسی توسط دانشمندانی چون هرمان فون هلمهالتز[۲۱]، ارنست ماخ[۲۲] و ایوان پاولوف[۲۳] صورت پذیرفت. این کارهای اولیه عموماً بر تئوریهای کلی یادگیری و شرطی تاکید داشتند و اصلا به مدلهای مشخص ریاضی و عملکرد نورونهای عصبی اشاره نداشتند.
دیدگاه جدید شبکههای عصبی در دهه قرن بیستم شروع شد زمانی که وارن مک کلوث و والتر پیتز نشان دادند که شبکههای عصبی در اصل میتوانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را میتوان نقطه شروع حوزه علمی شبکههای عصبی مصنوعی نامید.
نخستین کاربرد عملی شبکههای عصبی اواخر دهه ۵۰ قرن ۲۰ مطرح شد زمانی که روزنبلات و همکارانش شبکهای ساختند که قادر بود الگوها را از هم شناسایی نماید در همین زمان بود که برنارد ویدرو در سال ۱۹۶۰ شبکه عصبی تطبیقی آدلاین[۲۴] را با قانون یادگیری جدید مطرح نمود. پیشرفت شبکههای عصبی تا دهه ۷۰ قرن بیستم ادامه یافت که در خلال دهه ۸۰ رشد تکنولوژی میکروپرسسورها روند صعودی یافت و تحقیقات روی شبکههای عصبی افزایش یافت و ایدههای جدید مطرح شد[۲۵].
ایده استفاده از مکانیسمهای تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکههای برگشتی که میتوان آنها را درجهت ذخیره سازی اطلاعات استفاده نمود. ایده بعدی که کلید توسعه شبکههای عصبی، الگوریتم پس انتشار بود که توسط راملهارت مک لند ارائه شد. او اولین استفاده کننده از آنالیز ممیزی برای رتبه بندی اعتباری بود که شاید بتوان او را بنیانگذار سیستمهای رتبه بندی امروز دانست. با آمدن کارتهای اعتباری در اواخر دهه ۶۰ اهمیت اعتباردهی برای بانکها و دیگر ارائه کنندگان کارتهای اعتباری مشخص شد. همچنین مدلهای طبقه بندی اعتبارات در بانک چیس ـ مانهتان[۲۶] در سال ۱۹۹۰ طراحی شد. این بانک که از گذشته از فنون کمّی برای کمک به مدیران ارشد اعطای تسهیلات استفاده میکرد در این سال با طراحی مدل کردیت ویو[۲۷] ، پلم[۲۸] کوشید تا براساس سیستم عصبی مصنوعی کار طبقه بندی حساب مشتریان اعتباری را نظم و شتاب بیشتری بخشد[۲۹] .
رتبه بندی مشتریان (خوش حساب، سررسید گذشته، بدحساب) متغیرهایی است که در اعطاء تسهیلات و سرمایه گذاری در شرکتها از اهمیت ویژهای برخوردار است. با توجه به گرایش سیستم بانکداری به سمت خصوصی سازی و توسعه روز افزون موسسات مالی در سطح کشور این پژوهش میتواند در سطح وسیعی از سوی آنها به کار گرفته شود. این بانکها میتوانند مدل نهایی پژوهش را در تخصیص اعتبار به مشتریان به کار گیرند. محققین ودانشجویان مقاطع تحصیلی دکترا و کارشناسی ارشد از جمله استفاده کنندگان دیگر این تحقیق هستند. این گروه با استفاده از روش تحقیق و فرایند طراحی مدل میتوانند مدل مشابه را برای کاربردهای دیگر طراحی کرده و از آن بهرهمند گردند.
شرکتهای بیمه از جمله دیگر کاربران تحقیق هستند که میتوانند از مدل مفهومی برای ارزیابی شرکتهای مختلف و به تبع آن صدور انجام بیمه نامه استفاده نمایند. سرمایه گذاران سهام نیز به عنوان یکی از گروههای مهم کاربران مدل نهایی تحقیق هستند که از آن میتوانند در ارزیابی شرکتهایی که در صدد سرمایه گذاری در آنها هستند استفاده نمایند. ساختار مدل از جمله مهمترین نتایج تحقیق است که میتواند به عنوان الگویی برای طراحی مدلهای مشابه باشد.
این پژوهش ، از نظر هدف ، یک پژوهش کاربردی می باشد که نتایج حاصل از آن میتواند به وسیله مدیران بانکها مورد استفاده قرار گیرد.
همچنین تحقیق حاضر از نظر روش جمع آوری داده ها ، یک تحقیق توصیفی و از نوع کتابخانه ای می باشد که از طریق اطلاعات و مستندات موجود در شعب بانک سامان استان تهران و همچنین اطلاعات و مستندات موجود در اداره اعتبارات بانک سامان بدست می آید.
ـ قلمرو موضوعی تحقیق: هدف اساسی تحقیق طراحی مدلی برای ارزیابی رتبهبندی مشتریان اعتباری با کمک شبکه عصبی میباشد، لیکن به منظور پیاده سازی مدل سعی گردید یکی از بانکهای خصوصی کشور (بانک سامان استان تهران ) انتخاب و از بین آنها تعدادی به عنوان نمونه انتخاب گردد و از اطلاعات مشتریان اعتباری آنها استفاده شود.
ـ قلمرو مکانی تحقیق: از نظر مکانی میتوان شامل مشتریان اعتباری بانک سامان استان تهران قلمداد نمود.
ـ قلمرو زمانی تحقیق: از نظر زمانی نیز دادههای مورد استفاده برای طراحی مدل مربوط به مشتریانی میباشند که برای ادامه فعالیت خود از ابتدای سال ۱/۱/۱۳۸۵ تا اواخر سال ۲۹/۱۲/۱۳۸۵ اقدام به دریافت اعتبار نمودهاند.
ـ جامعه آماری
با توجه به اینکه هدف تحقیق رتبه بندی اعتباری مشتریان می باشد ، در این پژوهش جامعه آماری شامل ۴۵۰ نفر از مشتریان تحصیلات وام مضاربه بانک سامان استان تهران در سال ۸۵ می باشند. که از مجموع این ۴۵۰ نفر از مشتریان استان تهران بعنوان معیاری جهت تحقیق روند و مطالعه رفتار مشتریان استفاده شده است.
جامعه آماری متشکل از مشتریان خوش حساب ( ریسک اعتباری کمتر ) ، مشتریان سررسید گذشته ( ریسک اعتباری متوسط ) و مشتریان بد حساب ( ریسک اعتباری بالاتر ) بانک سامان استان تهران می باشد.
ـ نمونه آماری
با توجه به استفاده از متون آماری و شبکه های عصبی برای طراحی مدل ، در این پژوهش می بایست تعدادی از مشتریان گذشته بانک با خصوصیات ویژه مورد توجه قرار می گرفت . که بر اساس تعداد جامعه آماری و با استفاده از فرمول آماری زیر تعداد ۳۵۰ نفر از مشتریان به عنوان نمونه آماری انتخاب شدند.
سطح اطمینان ۹۵% درصد خطا ۱%
بر اساس پیش نمونه ای که گرفته شد میزان انحراف معیار ۹% می باشد .
شامل اطلاعات کتابخانهای، مقالات، پایان نامهها، اینترنت و کتابهای مختلف و کلیه اطلاعاتی است که از روی پروندههای مشتریان تسهیلاتی به دست میآید.
عدم دخالت بعضی متغیرها: یکی از عوامل بسیار مهم و تأثیر گذار بر ارائه یا عدم ارائه تسهیلات بانکی وجود نظرات شخصی مدیران است، ولیکن به علت عدم امکان تعریف یک متغیر کمی و در دسترس نبودن اطلاعات مکتوب و قابل استناد در این زمینه در طراحی مدل مورد استفاده قرار گرفته نشد.
اطلاعات جمع آوری شده در چند مرحله بررسی و مورد تجزیه و تحلیل قرار میگیرد.
مرحله اول: در این مرحله دادههای جمع آوری شده از شعب به صورت دستی مورد بررسی قرار گرفته و اقدامات لازم برای تصحیح آن انجام میگیرد.
مرحله دوم: در این مرحله دادههای پژوهشی با استفاده از نرم افزار EXCEL طبقه بندی و کدگذاری میگردد و به صورت کاربرگ اطلاعاتی در میآید.
مرحله سوم: با استفاده از نرم افزار Neurosolution داده مورد بررسی قرار گرفته و فرایند داده آمایی صورت میگیرد.
مرحله چهارم: با استفاده از نرم افزار Neurosolution متغیرهای پژوهشی دسته بندی میشود و سپس با استفاده از محاسبات پیشرفتهای که توسط این نرم افزار انجام میشود از بین متغیرهای مستقل متغیرهایی که دارای رابطه معنیداری با متغیر وابسته هستند شناسایی شده و با استفاده از متغیرهای مربوطه مدل شبکه عصبی با استفاده از نرم افزار neurosolution طراحی میگردد.
۱ ـ جعفرعلی جاسبی، ۱۳۸۳، ص ۱۲٫
۲ ـ شایان آرانی، ۱۳۸۰، ص ۲۰٫
۱ـ البرزی، عبده تبریزی، ۱۳۷۷، ص ۷٫
۲ـ همان.
۱ـ هدایتی، سفری، کلهر، ۱۳۷۰، ص ۱۲٫
[۶] – Sinkey, 1992, pp. 20.
۱ ـ البرزی، عبده تبریزی، ص ۸، پیشین.
[۸] – Fensterstock , 2003, pp.8
۱ ـ جوادی پور، حسن زاده، ۱۳۸۰، ص ۵٫
[۱۰] – Suitable criteria
[۱۱] – Banking system
[۱۲] – Morsman, 1997, pp.6-12.
پیشین و Fenster stock .1
۱- Charactor
۲- Capacity
۳- Capital
۴- Collateral
۵- Condition
[۱۹] – Waren MC calloth
[۲۰] – waltes pits
[۲۱]– Herman fon Hemholtz
[۲۲] – Ernest mach
[۲۳] – Ivan pavlof
[۲۴] – Adaptive linear Element
[۲۵] – Jensen , 1996, pp 20
۱ – chic manhatan
۲ – Creditview
[۲۸] – pelm
[۲۹] – Hay Kin , 1994, pp.2.
جهت دریافت و خرید متن کامل مقاله و تحقیق و پایان نامه مربوطه بر روی گزینه خرید انتهای هر تحقیق و پروژه کلیک نمائید و پس از وارد نمودن مشخصات خود به درگاه بانک متصل شده که از طریق کلیه کارت های عضو شتاب قادر به پرداخت می باشید و بلافاصله بعد از پرداخت آنلاین به صورت خودکار لینک دنلود مقاله و پایان نامه مربوطه فعال گردیده که قادر به دنلود فایل کامل آن می باشد .