نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مدیریت، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران

2 عضو هیئت علمی دانشگاه سمنان

3 عضو هیأت مدیره بانک رفاه عضو هیئت علمی دانشگاه علامه طباطبایی

چکیده

یکی از وظایف اصلی موسسات مالی در حمایت از فعالان اقتصادی، اعطای تسهیلات و انجام تعهدات آنان است. پیش‌بینی ریسک‌ اعتباری ناشی از اعطای تسهیلات و در نتیجه مدیریت این ریسک از مهم‌ترین چالش‌های پیش‌روی بانک‌ها و موسسات مالی است. هدف اصلی در این کار تهیه مدل بهینه لجستیک جهت تعیین اعتبار مشتریان حقیقی با بررسی نقش تعداد رده‌های اعتبار مشتری از دو رده خوش‌حساب و بدحساب تا چهار رده خوش‌حساب، سررسیدشده، معوق و مشکوک‌الوصول و نیز شناسایی مهم‌ترین متغییرهای مستقل تاثیرگذار بر اعتبار مشتریان حقیقی بانک رفاه کارگران است. نتایج هر دو مدل برازش لجستیک چندگانه و باینری تهیه شده در این‌کار نشان‌دهنده اهمیت نسبی متغیرهای سطح تحصیلات و سن مشتری حقیقی نسبت به سایر متغییرهای مستقل است. نتایج یکسان هر دو مدل می‌تواند نشان‌دهنده تاثیر کم افزایش تعداد رده‌بندی متغییر وابسته (اعتبار مشتری) و یا توزیع نامناسب تعداد مشتریان برای رده‌های مختلف اعتبار مشتری باشد.

کلیدواژه‌ها

البرزی، محمد، محمد‌ابراهیم محمد‌پورزرندی و محمد خان‌بابایی (1389)، »بکارگیری الگوریتم ژنتیک در بهینه‏سازی درختان تصمیم‏گیری برای اعتبارسنجی مشتریان بانک‌ها»، نشریه مدیریت فناوری اطلاعات، 2(4).
محتشمی، عباس (1389)، »اعتبارسنجی مشتریان اعتباری در بانکداری نوین»:
  http://as-mohtashami.blogfa.com/post-49.aspx
مدیرپلاس (1392)، «رگرسیون لجستیک»:
  http://modirplus.com/side_info.php?id=88
مهرآرا، محسن، میثم موسایی،‌مهسا  تصوری و آیت حسن‌زاده (1388)، »رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان»، فصلنامه مدلسازی اقتصادی، 3(10), 121-150.
ویکی‌پدیا، (2015)، »رگرسیون لجستیک»:
 Retrieved from https://fa.wikipedia.org
Abdou, H., A. El-Masry and J. Pointon (2007), “On the Applicability of Credit Scoring Models in Egyption Banks”, Banks and Bank Systems, 2(1), 4-20.
Hand, D., S. Sohn and Y. Kim (2005), “Optimal Bipartite Scorecards”, Expert Systems with Applications, 29(3), 684-690. doi:10.1016/ j.eswa.2005.04.032.
Hand, D. J. and N. M. Adams (2014), “Selection Bias in Credit Scorecard Evaluation”, Journal of the Operational Research Society, 65(3), 408-415. doi:10.1057/jors.2013.55.
Karimi, A. (2014), “Credit Risk Modeling for Commercial Banks”, International Journal of Academic Research in Accounting, Finance and Management Sciences, 4(3), 187-192.
Ong, C., J. Huang and G. Tzeng (2005), “Building Credit Scoring Models Using Genetic Programming”, Expert Systems with Applications, 29(1), 41-47.
doi:10.1016/j.eswa.2005.01.003
SmartDrill , “ Data Mining | Decision Support”,  Retrieved from https://smartdrill.com/
Sustersic, M., D. Mramor and J. Zupan (2009), “Consumer Credit Scoring Models with Limited Data”, Expert Systems with Applications, 36(3), 4736-4744.doi:10.1016/j.eswa.2008.06.016.
Tabagari, S. (2015), “Credit Scoring by Logistic Regression”, (MS), Uuniversity of Tartu.
Torabian, A. and K. Azizi (2013), “Credit Scoring of Real Customers: A Case Study in Saderat Bank of Iran”, European Online Journal of Natural and Social Sciences, 2(3), 2725-2735.  Retrieved from www.european-science.com.