داده کاوی صورت‌های مالی جهت اعطای تسهیلات مالی

محورهای موضوعی : حسابداری مالی و حسابرسی

امیر رضا کیقبادی ¹ (استادیار - دانشگاه آزاد تهران مرکزی)
وحید خدامی ² (کارشناس ارشد حسابداری)

تاریخ دریافت : 1391/10/15 تاریخ پذیرش : 1391/12/17 تاریخ انتشار : 1392/03/01

کلید واژه: واژه‌های کلیدی: اعتبارسنجی – داده کاوی– ماشین بردار پشتیبان – درخت تصمیم – شبکه های عصبی,

چکیده مقاله :

بررسی، سنجش و اندازه گیری اعتبار مشتریان در مؤسسات اعتباری، امروزه یکی از مهمترین تصمیم‌های مالی بشمار می‌آید. نحوه تصمیم‌گیری در خصوص اعطای تسهیلات به مشتریان از این جهت دارای اهمیت می‌باشد که عدم ارزیابی دقیق مشتریان می‌تواند منجر به مطالبات سررسید گذشته و معوق با کاهش توان تسهیلات دهی بانک‌ها و در نهایت سوخت شدن مطالبات بانک‌ها گردد. این پژوهش با هدف مدل‌سازی اعتبارسنجی مشتریان در بانک به روش‌های شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان انجام می‌شود. بدین منظور اطلاعات و داده‌های مالی و کیفی یک نمونه تصادفی 300 تایی(218 مشتری خوش حساب و 82 مشتری بدحساب) از شرکت‌های حقوقی را که در سال‌های 89 و 90 از بانک ملی ایران شعب شهر تهران تسهیلات اعتباری دریافت نموده اند، مورد بررسی قرار می‌گیرد. در این تحقیق پس از بررسی پرونده های اعتباری هریک از مشتریان، 31 متغیر توضیح دهنده مورد ارزیابی قرار گرفت و نتایج ضمن دلالت بر تأیید نظریه های اقتصادی و مالی نشان می دهد که تکنیک های داده کاوی جهت اعتبارسنجی مشتریان از کارآیی بالایی برخوردار می‌باشد و همچنین عملکرد پیش بینی الگوی شبکه عصبی به مراتب بهتر از سایر الگوها است. Nowaday's, one of the most important financial decision's in financial institution's is investigation, assessment and measuring customer's validity. Decision making for granting facilitie's to customer's is vital from this perspective that imprecise assessment of customer's could Past due and delayed claim's and attenuated financial granting facilities power of banks and finally resulted the unpaid claim's of the bank's. This study has been conducted with the aim of modeling customer's validity in bank by using neural network, decision tree and support vector machine method's. For this purpose, financial and qualitative data for a random sample with 300 member's(218 good customer's and 82 bad customer's) have been selected from legal firm's that were received credit facilitie's from Iranian meli bank's of Tehran city member's in 1389 and 1390 year's, will be survey. In this study, after investigating each of customer's credit dossier's, 31 descriptive variable's were assessed and result's addition to verifying financial and economic theorie's, show that data mining method's have high efficiency for Validation of customer's. Also, performance of neural network model for prediction is much better than other model's.

منابع و مأخذ:

اخباری، مهدیه، (1387)، "رتبه‌بندی اعتباری مشتریان حقوقی بانک‌ها با رویکرد هوش مصنوعی"، پایان نامه کارشناسی ارشد، دانشگاه صنعتی اصفهان.

ایزد پناهی، نگهدار، (1372)، "میزان اتکای بانک های تجاری به اطلاعات صورت های مالی در اعطای تسهیلات به واحد های اقتصادی در ایران"، پایان نامه کارشناسی ارشد،دانشگاه علامه طباطبائی.

تهرانی، رضا و میرفیض فلاح شمس، (1384)، "طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور"، مجله علوم انسانی و اجتماعی دانشگاه شیراز، 2 (43):60-45.

حائری مهریزی، علی اصغر، (1382)، "داده کاوی: مفاهیم و روش‌ها و کاربردها"، پایان نامه کارشناسی ارشد، دانشکده اقتصاد دانشگاه علامه طباطبائی.

سوری، داود، (1384)، "یک مدل سنجش اعتبار برای مشتریان اشخاص حقوقی یک بانک، کاربردی از روش بیزین"، مجموعه مقالات شانزدهمین همایش بانکداری اسلامی، 484-488.

مدرس، احمد و سید مرتضی ذکاوت، (1381)، "مدل‌های ریسک اعتباری مشتریان بانک(مطالعه موردی)"، فصل نامه حسابرس، 19(14): 58-54.

میرعمادی، سید علی اکبر، (1386)، "بررسی رابطه‌ی بین نسبت‌های مالی(متغیرهای حسابداری) و ریسک اعتباری مشتریان بانک‌ها"، پایان نامه کارشناسی ارشد،دانشگاه تربیت مدرس.

Abdi. H.(2007)," Discriminant Correspondence Analysis" in: N.J. Salkind(Ed.):Encyclopedia of Measurement and Statistics.Thousand Oaks(CA):Sage,PP.270-275.

Abdou H. Pointon J.(2008), " Neural Nets Versus Conventional Techniques in Credit Scoringin Egyptian Banking". Expert Systems with Applications.doi:10.1016/j.eswa,P.1.

Cheng-Lung Huang et al.;(2006), " Credit Scoring with a Data Mining Based on Support Vector Mashines", Expert System with Application 33,PP.847-856.

E. Khandani, Amir. J. Kim, Adlar.and W. Lo, Andrew.(2010)," Consumer Credit-Risk Models via Machine Learning Algorithms".Journal of Banking & Finance 34,PP.2767-2787.

Elmer , P. J & D. M. Borowski.(1988), " An Expert System and Neural Networks Approach To Financial Analysis ", Financial Management ,12(5):pp.66-76.

Goukasian, L. & S. Seaman.(2009)," Sttrategies for Predicting Equipment Lease Default", Journal of Equipment Lease Financing , 27(1):pp. 1-7.

Hassan Sabzevari, Mehdi Soleymani, Eaman Noorbakhsh,(2007)," A Comparison Between Statistical and Data Mining Methods for Credit Scoring in Case of Limited Available Data", Credit Research Center Conference, UK.s.n,PP.1-7.

Hussein A.Abdou.(2010), " Genetic Programming for Credit Scoring: The Case of Egyptian Public Sector Banks", Expert System with Application,36:pp.11402-11417,doi:10.1016/j.esw.

Nanni L., Lumini A.(2009)," An Experimental Comparison of Ensemble of Classifiers for Bankruptcy Prediction and Credit Scoring". Expert Systems with Applications.Vol.36,PP.1-4.

Weimin Chen, Guocheng Xiang, Youjin Liu, Kexi Wang.(2012)," Credit risk Evaluation by Hybrid Data Mining Technique", Systems Engineering Procedia, Volume3,issue(2012),PP.194-200.

Xu,X,Zhou.C,&Wang,Z.(2008)," Credit Scoring Algorithm based on Link Analysis Ranking with Support Vector Machine",Expert Systems With Applications. Vol.36 Issue 2, March, 2009 ,PP. 2625-2632.

Ye, Jieping. Janardan, Ravi.and Li, Qi.(2011), " Two-Dimensional Linear Discriminant Analysis", Vol.44, No.10-11, PP.2565-2575.