ارزیابی ریسک اعتباری مشتریان بانک‌ها

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار مدیریت و حسابداری، دانشکدة اقتصاد، دانشگاه یزد

2 دانشجوی کارشناسی ارشد مدیریت صنعتی- گرایش تولید، دانشگاه یزد

چکیده

بانک­های تجاری به منظورمدیریت ریسک اعتباری، از روش­های امتیازدهی اعتباری متفاوتی برای ارزیابی عملکرد مالی شرکت­های متقاضی تسهیلات اعتباری استفاده می­کنند. در این تحقیق از یک روش پارامتریک (رگرسیون لجستیک) و یک روش ناپارامتریک (درخت تقسیم و رگرسیون) برای ایجاد مدل امتیازدهی اعتباری استفاده شده است. برای ساخت مدل امتیازدهی اعتباری داده­های مربوط به 282 شرکت کوچک و متوسط وام­گیرنده از یکی از شعب بانک تجارت استان تهران مورد استفاده قرار گرفت. 13 نسبت مالی به عنوان شاخص‌های تعیین کننده وضعیت مالی شرکت‌های انتخاب شده به کار گرفته شدند. با استفاده از این دو روش، نسبت­های مؤثر و همچنین دقت روش­های مذکور در طبقه‌بندی مشتریان مشخص شد. با مشاهده نتایج حاصل از ارزیابی این روش­ها می­توان فهمید که روش­های ناپارامتریک دارای دقت قابل رقابتی با روش­های پارامتریک می­باشند.

کلیدواژه‌ها


عنوان مقاله [English]

Presenting a Model for Measuring Credit Risk of Bank Customers using Data Mining Approach

نویسندگان [English]

  • Seyed Habibollah Mirghafouri 1
  • Zohreh Amin 2
1 Associate Professor, Department of Industrial Management, University of Yazd
2 Master of Science, University of Yazd
چکیده [English]

To manage credit risk, commercial banks use various scoring methodologies to evaluate the financial performance of client firms. In this study, a parametric model (Logistic regression) and a nonparametric model (Classification and regression tree) were used in order to create credit scoring models. These models were designed using 13 financial ratios as independent variables. The data were collected from 282 companies and then were compared in term of accuracy rate. The two models specified the important variables which affect the classification and credit risk. The obtained results revealed that the accuracy rates of nonparametric methods were competitive with the parametric methods.

کلیدواژه‌ها [English]

  • Credit Risk
  • Credit scoring model
  • Logistic regression
  • Classification and regression tree
1-   تهرانی، رضا. فلاح شمس، میرفیض (1384). طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور. مجله علوم اجتماعی و انسانی دانشگاه شیراز، 43، 45-60.
2-   چترجی، سمپریت. اس.هادی، علی. پرایس، برترام (1384). تحلیل رگرسیون با مثال. حسینعلی نیرومند. مشهد: دانشگاه فردوسی مشهد.
3-   حبیب­پور، کرم. صفری، رضا (1388). راهنمای جامع کاربرد SPSS در تحقیقات پیمایش (تحلیل داده­های کمی). تهران: لویه.
4-   راعی، رضا. فلاح­پور، سعید (1387). کاربرد ماشین بردار پشتیبان در پیش­بینی درماندگی مالی شرکت­ها با استفاده از نسبت­های مالی. بررسی­های حسابداری و حسابرسی، 53، 17-34.
5-   شریعت­پناهی،س. برکادهی، س. (1388). ارائه مدلی برای اعتبار سنجی مشتریان در بانک صنعت و معدن. فصلنامه مطالعات حسابداری، 21، 61-82.
6-   صفری، سعید. ابراهیمی شقاقی، مرضیه. شیخ، محمدجواد (1389). مدیریت ریسک اعتباری مشتریان حقوقی در بانک های تجاری با رویکرد تحلیل پوششی داد ه ها (رتبه بندی اعتباری).پژوهش های مدیریت در ایران (مدرس علوم انسانی)، 14، 137- 164.
7-   طالبی، محمدصادق. شیرزادی، نازنی (1390). ریسک اعتباری: اندازه­گیری و مدیریت. انتشارات سمت.
8-   عبدلی، قهرمان.فرد حریری،علیرضا (1394). الگوسازی سنجش ریسک اعتباری مشتریان حقوقی بانک رفاه. نظریه های کاربردی اقتصاد, 2(1), 1-24.‎
9-   عرب­مازار، عباس. روئین­تن، پونه (1385). عوامل مؤثر بر ریسک اعتباری مشتریان بانکی؛ مطالعه موردی بانک کشاورزی. جستارهای اقتصادی، 6، 45-80.
10-    غضنفری، مهدی. علیزاده، سمیه. تیمورپور، بابک (1387). داده‌کاوی و کشف دانش. تهران: دانشگاه علم و صنعت ایران.
11-    قدسی پور، حسن. سالاری، میثم. دلاوری، وحید (1391). ارزیابی ریسک اعتباری شرکت های وام گیرنده از بانک با استفاده از تحلیل سلسله مراتبی فازی وشبکه عصبی ترکیبی درجه بالا، نشریه بین المللی مهندسی صنایع و مدیریت تولید،شماره 1، جلد23.
12-    کرمی، مصطفی (1389). ارائه مدلی برای ارزیابی وضعیت ریسک اعتباری مشتریان قبل از اعطای تسهیلات بانکی. بانک، 142-146.
13-    مشکانی، علی.، ناظمی، عبدالرضا (1388). مقدمه‌ای بر داده‌کاوی. چاپ و انتشارات دانشگاه فردوسی مشهد، چاپ اول.
14-    میرزایی، حسین. نظریان، رافیک. باقری، رعنا (1390). بررسی عوامل مؤثر بر ریسک اعتباری اشخاص حقوقی بانک­ها. فصل­نامه روند پژوهش­های اقتصادی، شماره 58، 67-98.
15- Altman, Edward I. Sabato, Gabriele. (2006). Modeling Credit Risk for SMEs: Evidence from the US Market. In Proceedings of the international conference C.R.E.D.I. 25–26 September, Venice, Italy.
16- Basel Committee on Banking Supervision.; “Credit rating and complementarysources of credit quality information”; Working Paper, No.3, 2000.
17- Chen, W, Xiang, G. Liu, Y. Wang, K. (2012). Credit risk Evaluation by hybrid data mining technique. Systems Engineering Procedia, 3(0), 1, 20-94.
18- Emel, AhmetBurak. Oral, Muhittin. Reisman, Arnold. Yolalan, Reha. (2003). A credit scoring approach for the commercial banking sector. Socio-Economic Planning Sciences, 37, 103–123.
19- Greuning, Hennie van. Bratanovic, Sonja Brajovic. (2009). Analyzing Banking Risk: A Framework for Assessing Corporate Governance and Risk Management. World Bank Publications.
20- Kabari, L. G. Nwachukwu, E. O. (2013). Credit Risk Evaluating System Using Decision Tree – Neuro Based Model. International Journal of Engineering Research &Technology, 2, 2738-2745.
21- Lee, Tian-Shyug. Chiu, Chih-Chou.  Lu, Chi-Jie. Chen, I-Fei. (2002). Credit scoring using the hybrid neural discriminant technique. Expert Systems with Applications, 23, 245-254.
22- Lee, T. S., Chiu, C. C., Chou, Y. C., Lu, C. J. (2006). Mining the customer credit using classification and regressiontree and multivariate adaptive regression splines. Computational Statistics & Data Analysis, 50, 1113-1130.
23- Lin, S. (2009). A new two-stage hybrid approach of credit risk in banking industry. Expert Systems with Applications, 36, 8333–8341.
24- Mileris, Ricardas. Boguslauskas, Vytautas. (2011). Credit Risk Estimation Model Development Process: Main Steps and Model Improvement. InzinerineEkonomika-Engineering Economics, 22, 126-133.
25- Min, Jae H. Lee, Young-Chan. (2008). A practical approach to credit scoring. Expert Systems with Applications, 35, 1762–1770.
26- Nazari, Mohsen. Alidadi, Mojtaba. (2013). Measuring Credit Risk of Bank Customers Using Artificial Neural Network. Journal of Management Research, 5, 17-27.
27- Pourdarab, Sanaz. Nadali, Ahmad. EslamiNosratabadi, Hamid.(2011). A Hybrid Method for Credit Risk Assessment of Bank Customers. International Journal of Trade, Economics and Finance, 2, 125-131.
28- Singh, S., Murthi, B. P. S., & Steffes, E. (2013). Developing a measure of risk adjusted revenue (RAR) in credit cards market: Implications forcustomer relationship management. European Journal of Operational Research, 224(2), 425-434.
29- Soares, J., Pina, J., Ribeiro, M., Catalão-Lopes, M. (2011). Quantitative vs. Qualitative Criteria for Credit Risk Assessment. Frontiers in Finance and Economics, 8(1), 69-87.
30- Yanping,Y.,Zhengming, Q., Min, Y.,Rui, G.,Liting, F.,Penghui, G. (2012). Research on the Application of Decision Tree to the Analysis of Individual Credit Risk. Information Technology, 25, 209-214.
31- Yu, L., Wang, S., Lai, K. (2008). Credit risk assessment with a multistage neural network ensemble learning approach. Expert Systems with Applications. 34, 1434–1444.
32- Yu, L.,Yue, W., Wang, S., Lai, K.K.(2010). Support vector machine based multiagent ensemble learning for credit risk evaluation. Expert Systems with Applications, 37, 1351-1360.