• امتیازدهی و رتبه بندی اعتباری و تاریخچه پیدایش آنها

امروزه به منظور اعتبارسنجی مشتریان، نظامهایی نظیر ” امتیازدهی اعتباری ” و ” رتبه بندی اعتباری [2] ” تدوین و توسعه یافته اند. امتیازدهی اعتباری، نظامی است که بوسیله آن بانکها و مؤسسات اعتباری با بهره گرفتن از اطلاعات حال و گذشته متقاضی، احتمال عدم بازپرداخت وام توسط وی را ارزیابی نموده و به او امتیاز می دهد(یانگ لویی،2001، 4). به عبارت دیگر امتیازدهی اعتباری به معنی کمی نمودن احتمال نکول در آینده است. این روش مشتریان اعتباری را بی طرفانه و بر اساس آمار و اطلاعات کمی رتبه بندی می نماید در حالی که روش های قدیمی برای ارزیابی مشتریان به طور عمده ذهنی و مبتنی بر دیدگاه مسئولین بودند. رتبه بندی اعتباری هم در واقع روشی برای شناسایی و موافقت با اعطای وام به متقاضیان با ریسک پایین و اجتناب از اعطای وام به متقاضیان با ریسک بالا از طریق رتبه بندی آنها می باشد.

امروزه در صنعت اعتباری، شبکه های عصبی تبدیل به یکی از دقیق ترین ابزار آنالیز اعتبار در میان سایر ابزار شده است. دیسای و همکارانش در سال 1996 به بررسی توانایی های شبکه های عصبی و تکنیکهای آماری متداول نظیر آنالیز ممیزی خطی و آنالیز رگرسیون خطی در ساخت مدلهای امتیازدهی اعتباری پرداخته اند (دیسای ،1996، 24-37). همچنین وست در سال 2000 به بررسی مدلهای کمی پرداخت. نتایج بدست آمده بیانگر این بود که شبکه های عصبی قادر به بهبود دقت امتیازدهی می باشند. آنان همچنان بیان کردند که آنالیز رگرسیون خطی جایگزین بسیار خوبی برای شبکه های عصبی است. در حالیکه درخت تصمیم و مدل نزدیکترین همسایه و آنالیز ممیزی خطی نتایج نوید بخش و دلگرم کننده ای ایجاد نکردند. (وست،2000، 1131-1152).

رتبه بندی اعتبار به طور اساسی یک راه تشخیص تفاوت‌های گروه‌ها در یک جمعیت است. ایده جدا کردن گروه ها در یک جمعیت در آمار به وسیله فیشر در سال 1963 معرفی گردید. (توماس،2000، 16).

Credi Scoring

Credit Rating

Yang Lui

Subjective

Desai,Crook & Overstreet

Linear Discriminant Analysis (LDA)

Logistic Regression Analysis (LRA)

West

Thomas

دانهم در سال 1938 اولین سیستم ارزیابی تقاضا نامه‌های اعتباری را با بکارگیری پنج معیار زیر توسعه داد.(آلتمن،2000، 16)

1ـ موقعیت

2ـ درآمد

3ـ وضعیت مالی

4ـ ضامن یا وثیقه

5ـ اطلاعات بازپرداخت وام از بانک‌ها

دانهم استدلال کرد که اهمیت معیارهای مختلف باید براساس تجربه مشخص گردد.

با آمدن کارت‌های اعتباری در اواخر 1960 اهمیت رتبه بندی اعتباری برای بانک‌ها و دیگر        ارائه کنندگان کارت‌های اعتباری نمایان شد. وقتی این سازمان‌ها رتبه بندی اعتبار را به کار بردند دریافتند که این کار از هر تدبیر قضاوتی مفیدتر است، زیرا نرخ اشتباه به میزان 50 درصد یا بیشتر پایین آمده بود.

بوکس در سال 1967 اولین فردی بود که استفاده از پس زمینه کامپیوتر برای استفاده از مجموعه بزرگی از داده‌ها را معرفی کرده همچنین او سعی در ترکیب ابزارهای آماری چند متغیره را داشت. اتفاقی که پذیرش کامل رتبه بندی اعتبار را تضمین کرد تصویب قانون فرصت برابر اعتبار در آمریکا در سال‌های 1975 و 1976 بود.

پیشرفت در محاسبات اجازه داد تا سعی شود تکنیک‌های دیگری برای ساختن کارت امتیاز به کار رود. در حال حاضر با به کارگیری تکنیک‌های هوش مصنوعی مانند سیستم‌های خبره و شبکه‌های عصبی و الگوریتم ژنتیک تأکید بر روی تغییر واقع بینانه از سعی در حداقل کردن شانس یک مشتری در درخواست ناجور (ریسک بالا)‌ در مورد یک محصول خاص به تحقیق در مورد اینکه چگونه شرکت می‌تواند سود خود را از آن مشتری ماکزیمم کند رخ داده است.(توماس،2000، 17)

2-3-1: مدلهای امتیازدهی اعتباری

روش های امتیازدهی اعتباری به دو صورت کمی و کیفی انجام می شود. در تحلیل کیفی، امتیازدهی اعتباری ارتباط نزدیکی با توانایی و قابلیت تجزیه و تحلیل مسئولین بخش اعتباری دارد. لیکن در تحلیل کمی، تعیین احتمال عدم بازگشت اصل و سود تسهیلات از طریق تابع توزیع آن امکان پذیر است.

اکثر الگوهای کمی ریسک اعتباری، چارچوب معنایی مشابهی دارند، اما اختلافاتی که در اجرای این مدل ها بوجود می آید، ناشی از شیوه برآورد پارامترهای اصلی از اطلاعات موجود است. به طور کلی روش های آماری و ریاضی اندازه گیری ریسک اعتباری را می توان به دو گروه عمده زیر تقسیم کرد :

الف) مدل‌های رتبه‌بندی اعتباری پارامتریک

ـ مدل احتمالی خطی

ـ مدل‌ لجیت و پروبیت

ـ مدل‌های مبتنی بر آنالیز ممیزی

ـ شبکه‌های عصبی

ب) مدل‌های رتبه بندی اعتباری ناپارامتریک

ـ برنامه ریزی ریاضی

ـ درخت دسته بندی (الگوریتم تقسیم بندی بازگشتی)

ـ مدل نزدیکترین همسایه

ـ فرایند تجزیه و تحلیل سلسله مراتبی

ـ سیستم‌های خبره

ـ الگوریتم ژنتیک

Danhem

Position Held

Income Statement

Collateral

Loan Repayment Data From Banks

Bogess

Equal Credit Opportunity

Liner Probability Model

Logit & Probit Model

Discriminate Analysis Model

Mathematical Planning

K-Nearest Neighbor (K-NN)

Analytical Hierarchy Process

Expert System

Genetic Algorithm

معیارهای رتبه بندی اعتباری مشتریان

الف) معیار C5 : این معیار به طور خلاصه به شرح زیر است :

1. 1. 1. شخصیت : شامل بررسی تعهدپذیری، اعتبار متقاضی و بررسی صحت عمل وی در عملیات مالی و فعالیتهای گذشته
   2. 2. ظرفیت : توان مدیریت و ظرفیتهای تجاری متقاضی، ظرفیت درآمدی شامل قدرت کسب سود و درآمدزایی
   3. 3. سرمایه : بررسی سرمایه و صورتهای مالی متقاضی
   4. 4. وثیقه : پیش بینی وثیقه ها یا ابزارهایی که می توان در زمان دریافت اعتبار یا تسهیلات، به عنوان پوشش در اختیار مؤسسه مالی یا بانک قرار داد.
   5. 5. شرایط : بررسی شرایط سیاسی، اقتصادی و اجتماعی و عوامل بیرونی که بسته به نوع فعالیت شرکت، از حیطه اختیار متقاضی خارج است و کنترلی بر آن نمی تواند داشته باشد، ولی در عین حال می تواند بر بازپرداخت وام ها یا تعهدات اعتبارگیرندگان تأثیر بگذارد.

ب) معیار LAPP: این معیار به طور خلاصه به شرح زیر است :

1. 1. 1. نقدینگی : توانایی مشتری در تأمین وجوه به منظور رفع نیازهای جاری از جمله پرداخت تعهدات کوتاه مدت مانند اصل و سود تسهیلات دریافتی
      2. فعالیت : بررسی نوع و حجم فعالیت، دوره گردش عملیات و…
      3. سودآوری : بررسی میزان سودآوری، سود ناویژه و سود خالص در مقایسه با فروش و قیمت تمام شده
      4. توان بالقوه یا پتانسیل : بررسی و تحلیل وضعیت و کارآیی مدیریت، ترکیب نیروی انسانی، محصولات، منابع مالی، نفوذ در بازار و ارتباطات.(جمشیدی،1383، 26)

ج) معیار P5 : این معیار به طور خلاصه به شرح زیر است :

1. 1. 1. مردم : بررسی و ارزشیابی نظرات مردم در خصوص واحد اقتصادی شامل : کارآیی در امر تولید، سود حاصل از سرمایه و دارایی ها، جایگاه در صنعت

1. 1. 1. محصول : بررسی و ارزیابی سودآوری، کمیت و کیفیت، ارزش، در دسترس بودن
      2. حمایت : حمایت داخلی بر اساس صورتهای مالی، حمایت خارجی مانند ضمانت بانکی، ظهرنویسی و اسناد مالی
      3. پرداختها : بررسی اطلاعات مربوط به پرداختهای گذشته، قابلیت نقدینگی و دارایی ها، سوددهی، کیفیت
      4. شمای کلی آینده : بررسی سود ناشی از فروش در قبال احتمالات بازار در خصوص نوسانات قیمت

Character

Capital

Coverage Or Collateral

Conditions

Liquidity

Activity

Profitability

People

Product

Protection

Payment

Perspective

مزایا و محدودیت‌های مدل رتبه بندی اعتباری

از مزایای آن می توان به موارد زیر اشاره کرد :

1ـ بهبود بخشیدن کنترل اعتباری

2ـ استانداردهای اعتباری را به راحتی تنظیم و سازگار می‌کند

3ـ گردآوری راحتتر داده‌ها

4ـ آموزش به وام دهندگان جدید آسان‌تر می‌شود

5ـ زمان کوتاهتری هم از مشتری و هم از بخش اعطای تسهیلات صرف می‌شود (که این امر هم برای بانک و هم برای مشتریان سود آور است)‌

6ـ تصویب وام دهی را هدفمند می‌کند (سبب می‌شود که وام دهندگان یک محدوده مشخص را در وام دادن رعایت کنند و تمام محدودیت‌های قانونی را برای همه وام گیرندگان در نظر می‌گیرد و تأثیر هر یک از متغیرها را بر ویژگی‌های مشتریان در نظر دارد)

7ـ کاهش ریسک اعتباری

از محدودیتهای آن می توان به این موضوع اشاره کرد که صحت سیستم رتبه بندی اعتبار به داده‌هایی که به سیستم وارد می‌شود ارتباط دارد، این داده‌ها باید به روز باشند و مدل باید مرتباً تغییر کند تا از ارتباط میان عوامل بالقوه و عملکرد وام مطمئن شود. اگر بانک بخواهد پس از بازاریابی به یک گروه جدیدی وام بدهد باید از تشابه عملکرد وام گیرندگان قبلی اطمینان حاصل کند تا بداند که آیا سیستم توانایی پاسخگویی به آنها را نیز دارد؟ یا باید در داده‌ها و در خود سیستم تغییر ایجاد کند. و ممکن است در این هنگام سیستم پیش بینی درستی به عمل نیاورد. باید یک وزن دهی مناسب به عوامل در این سیستم وجود داشته باشد و صحت و اطمینان مدل آزمون شود. یک مدل مناسب باید در شرایط خوب و بد اقتصادی کاربرد داشته باشد و بتواند پیش بینی درستی کند.

2-3-6: سیستم‌های رتبه بندی اعتباری

سیستم‌های رتبه‌بندی اعتباری را می‌توان به سه دسته تقسیم کرد. (استاک،2003، 3)

1ـ سیستم‌های قضاوتی

2ـ رتبه بندی بر مبنای تکنیک‌های آماری

3ـ 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 خاصی را می‌طلبند. بدیهی است با عدم وجود یا کمرنگ شدن پیش فرض‌ها، دقت و صحت خروجی‌ها مورد تردید قرار می‌گیرد. وقتی قوانین تصمیم گیری واضح و اطلاعات معتبر می‌باشند سیستم‌های خبره کمک بزرگی به حل مسائل می‌کنند. اما اغلب قوانین مؤسسات  اعطاء کننده وام، شفاف نیست و اطلاعات اصلا وجود نداشته و یا بخشی از اطلاعات صحیح نیست، در این حال شبکه‌های عصبی گزینه بسیار مناسبی هستند.

Fenster Stock

• داده کاوی و تاریخچه پیدایش آن

امروزه متخصصین وآگاهان، توسعه تجارت جهانی را منوط به توسعه تجارت الکترونیک دانسته و همچنین بانکداری الکترونیک و استفاده از تکنیکها، مدل ها و ابزارهای مناسب را نیز موجب حضور موفق تر مؤسسات مالی و بانکها در عرصه رقابت و تجارت جهانی قلمداد می نمایند. بانکها در فضای رقابتی کسب و کار امروزی با مسائل و مشکلات عدیده ای همگام با تغییرات محیطی و اقتصادی روبرو هستند که با توسعه تکنولوژی و حجیم و پیچیده تر شدن فعالیتها، این امر بیش از پیش ملموس بوده، که از آن جمله می توان به پدیده ریسک اشاره نمود. به واقع ریسکها در ذات فعالیتهای بانکی و مالی نهفته اند. از آنجایی که از لحاظ نظری حذف ریسک غیر ممکن می باشد بنابراین می بایست با مدیریت بر آن به عنوان تنها راه حل ممکن اقدام نمود. با مطالعه در حوزه مدیریت ریسک با تکنیکها، روشها و ابزارهای گوناگونی روبرو می شویم که لازمه بکارگیری آنها تشخیص نوع ریسک و متناسب با آن ابزارهای اندازه گیری و کاهش ریسک می باشد. نتایج    بررسی های به عمل آمده در خصوص مدلهای مورد استفاده در مدیریت بر انواع ریسک ها نشان داده است که بکارگیری الگوها و مدلهای داده کاوی از مدلهای مناسب در این زمینه می باشد.

2-5-1: گام های داده کاوی

به طور کلی گام های اجرای داده کاوی در تمام منابع یکسان نیستند ولی آنچه که تقریباً در بین همه آنها به صورت مشترک وجود دارد، کشف دانش را دارای مراحل تکراری زیر می دانند :

• پاکسازی داده ها : از بین بردن نویز و ناسازگاری داده ها
• یکپارچه سازی داده ها : ترکیب چندین منبع داده
• انتخاب داده ها : بازیابی داده های مرتبط با آنالیز از پایگاه داده
• تبدیل کردن داده ها : تبدیل داده ها به فرمی که مناسب برای داده کاوی باشد مثل خلاصه سازی و همسان سازی
• داده کاوی : فرایند اصلی که روال های هوشمند برای استخراج الگوها از داده ها به کار گرفته می شوند.
• ارزیابی الگو : مشخص کردن الگوهای صحیح و مورد نظر توسط معیارهای اندازه گیری
• ارائه دانش : نمایش بصری تکنیکهای بازنمایی دانش برای ارائه دانش کشف شده به کاربر

به عبارت دیگر به دلیل آنکه هدف داده کاوی در نهایت یافتن الگویی است که بتوان داده های موجود را در آن بسط داد و از مدل ساخته شده جهت تصمیم گیری برای داده های آینده بهره جست، بنابراین همان گونه که گفته شد تمامی این فرایند در راستای طرح یک فرضیه بر مبنای الگوی کشف شده از داده های خام چیده شده است.