دوبوویتسکی V.S.
تحلیلگر یک بانک بزرگ روسیه
(شهر مسکو)
مدیریت مالی شرکت
05 (65) 2014

این مقاله مطالعه ای را در مورد توسعه یک مدل امتیازدهی برای ارزیابی اعتبار شرکت های تجاری بزرگ شرح می دهد که این امکان را فراهم می کند تا بر اساس مقادیر شاخص های فردی قضاوت در مورد پرداخت بدهی وام گیرنده و ارزیابی اثربخشی آن انجام شود. حجیم ترین بلوک ها در توسعه یک مدل امتیازدهی، انتخاب سیستم شاخص های ارزیابی و تعیین ضرایب وزنی برای این شاخص ها است که در این مقاله به تفصیل به آن ها پرداخته خواهد شد.

معرفی

یکی از حوزه های کلیدی کسب و کار در بخش بانکداری وام دهی است. این وام است که اساس دارایی های بانکی است و درآمد سود بانک را تأمین می کند. اخیراً در کشور ما توسعه سریع بخش بانکداری، در درجه اول روابط اعتباری بین بانک ها و جمعیت، کارآفرینان و مشاغل بزرگ صورت گرفته است. وام ها نه تنها شامل درآمد بهره، بلکه خطرات اعتباری مرتبط با ورشکستگی وام گیرنده و از دست دادن وام نیز هستند. ارزیابی ریسک اعتباری یک حوزه کلیدی تجزیه و تحلیل هنگام تصمیم گیری در مورد وام دادن به یک وام گیرنده خاص است و رفاه یک موسسه مالی تا حد زیادی به آن بستگی دارد.

امروزه بانک ها از روش های مختلفی برای تحلیل و ارزیابی سطح زیان احتمالی و احتمال نکول توسط وام گیرنده استفاده می کنند. بر اساس این تجزیه و تحلیل، مطابق با مقررات بانک مرکزی فدراسیون روسیه شماره 254-p "در مورد روش تشکیل،" به وام گیرنده یک رتبه کیفیت - "خوب"، "متوسط" یا "ضعیف" اختصاص می یابد. توسط مؤسسات اعتباری ذخایر برای ضرر احتمالی وام، وام و بدهی معادل آن» 26 مارس 2004

بانک مرکزی به عنوان تنظیم کننده اصلی سیستم اعتباری عمل می کند و توصیه هایی در مورد ارزیابی اعتبار وام گیرندگان ارائه می دهد. مطابق با آنها، بانک ها مدل های ارزش گذاری خود را می سازند - تنوع و نبوغ نویسندگان آنها شگفت انگیز است. چنین مدل هایی شامل ارزیابی جامع از وضعیت مالی وام گیرنده به عنوان شاخص اصلی پرداخت بدهی آینده است. با این حال، تمام مدل‌ها رتبه اعتباری وام گیرنده را هدف قرار می‌دهند که سطح ریسک زیان مالی را توصیف می‌کند. طبق طبقه بندی پذیرفته شده عمومی، سطح اعتبار خوب مربوط به وضعیت مالی خوب شرکت و ریسک کم زیان احتمالی، متوسط ​​- تا متوسط ​​وضعیت مالی و ریسک متوسط، بد - به احتمال زیاد نکول توسط شرکت است. وام گیرنده در شرایط خوب، به احتمال زیاد، تصمیم مثبتی در مورد صدور وام گرفته می شود، میانگین نیاز به تحقیقات اضافی دارد و وام گیرنده بد رد می شود.

ارزیابی ریسک اعتباری در بانک ها همواره جایگاه قابل توجهی را به خود اختصاص داده است. بنابراین، طبق تحقیقات بیلی و گیتی، روش های موجودارزش‌گذاری‌ها دائماً در حال بهبود هستند، با تکنیک‌های جدیدتری که هرازگاهی ظهور می‌کنند، مانند ارزش‌گذاری با استفاده از شبکه‌های عصبی، به دلیل تقاضای زیاد وام دهندگان برای بهینه‌سازی و بهبود توانایی پیش‌بینی ابزارها برای ارزیابی احتمال نکول وام گیرندگان بالقوه.

بنابراین ارزیابی اعتبار یک وظیفه کلیدی در هنگام صدور وام است. هدف از این کار ایجاد مدل امتیازدهی خودمان برای ارزیابی کیفیت اعتبار است اشخاص حقوقی. برای شرکت های بزرگ طراحی خواهد شد خرده فروشیو به شما امکان می دهد به سرعت در مورد مناسب بودن تامین مالی وام گیرندگان مختلف تصمیم گیری کنید.

ابتدا، یک تحلیل مقایسه ای مختصر از رویکردهای موجود برای ارزیابی اعتبار انجام خواهد شد. بر اساس آن، استدلال هایی به نفع توسعه یک مدل امتیازدهی ارائه می شود، سپس یک مدل امتیازدهی به طور مستقیم با استفاده از روش های نظری مختلف توسعه می یابد. یکی از وظایف اصلی در توسعه، تعریف کارت امتیازی متوازن با در نظر گرفتن صنعت انتخاب شده و تعیین فاکتورهای وزنی برای این شاخص ها است.

در ادامه، یک مطالعه آماری بر اساس نمونه ای متشکل از 41 بازرگان (برای 16 نفر از آنها پیش فرض ثبت شد) به منظور مقایسه نتایج بر اساس وزن شاخص با نتایج به دست آمده در ابتدا انجام خواهد شد. بر اساس نتایج مقایسه، در مورد درستی مدل امتیازدهی تدوین شده نتیجه‌گیری خواهد شد. در پایان این مقاله ارزیابی اثربخشی مدل توسعه‌یافته ارائه می‌شود، توانایی پیش‌بینی مدل توسعه‌یافته مشخص می‌شود و در مورد قابلیت اجرا آن نتیجه‌گیری می‌شود.

رویکردهای مختلف برای ارزیابی اعتبار

تمام مدل های موجود برای ارزیابی اعتبار وام گیرندگان را می توان به صورت طبقه بندی زیر نمایش داد (شکل 1).

بنابراین، انواع رویکردها برای تجزیه و تحلیل اعتبار را می توان با تقسیم همه روش ها به سه بلوک بزرگ سیستماتیک کرد:

• مدل های کمی؛
• مدل های پیش بینی
• مدل های با کیفیت

مدل‌های کمی از شاخص‌های مرتبط استفاده می‌کنند و بر اساس آن‌ها امتیاز خاصی را به وام گیرنده اختصاص می‌دهند، مدل‌های پیش‌بینی بر اساس آمارهای گذشته و با هدف مدل‌سازی تحولات بیشتر و احتمال نکول وام گیرنده هستند، و مدل‌های کیفی از سیستمی از شاخص‌های کیفی همه‌کاره استفاده می‌کنند.

برای تعیین مؤثرترین رویکرد برای ارزیابی اعتبار، روش‌های ارزیابی توصیف‌شده را با هم مقایسه می‌کنیم. روی میز. 1 ویژگی های مقایسه ای مدل های ارزیابی وام را که قبلا در نظر گرفته شده بود نشان می دهد.

جدول 1. جدول خلاصه مدل های رتبه بندی اعتباری

نام مدل	مزایای مدل	معایب مدل
روش ضریب	به شما امکان می دهد وضعیت مالی وام گیرنده را به طور جامع ارزیابی کنید	شاخص های کیفیت، آمار سال های گذشته را در نظر نمی گیرد. یک سیستم غیر خودکار نیاز به تفسیر مداوم مقادیر شاخص های فردی دارد
مدل های رتبه بندی	امکان خودکارسازی ارزیابی با روش ضرایب با محاسبه شاخص انتگرال. در راحتی و سهولت استفاده متفاوت است	آنها فقط شاخص های مالی را در نظر می گیرند، از آمار سال های گذشته استفاده نمی کنند. نیاز به تجدید ساختار برای انواع مختلف شرکت ها
مدل های امتیاز دهی	آنها به شما این امکان را می دهند که ارزیابی اعتبار را در یک امتیاز معادل دریافت کنید و وام گیرنده را به یکی از سه گروه اختصاص دهید. ساده و آسان برای استفاده، کمک به ارزیابی شاخص های کیفیت غیر مالی. هنگام ارزیابی ضرایب وزنی با روش های آماری، آنها اجازه می دهند تا داده های مربوط به وام های صادر شده را در نظر بگیریم و از نظر اقتصادی توجیه شوند.	جهانی نیست، نیاز به تجدید ساختار برای انواع خاصی از شرکت ها دارد. برای مطالعه ضرایب وزنی به مقدار زیادی داده نیاز دارد
مدل های جریان نقدی	به شما امکان می دهد جریان های نقدی آتی شرکت را تخمین بزنید و آنها را با بار بدهی مقایسه کنید	آنها شرایط بازار و شاخص های کیفی شرکت وام گیرنده را در نظر نمی گیرند. ممکن است نتایج متناقضی ایجاد کند
مدل های تجزیه و تحلیل متمایز	امکان تعیین احتمال نکول شرکت وام گیرنده بر اساس آمار سالهای گذشته
مدل های رگرسیون	آنها امکان تعیین احتمال نکول شرکت وام گیرنده را بر اساس آمار سالهای گذشته فراهم می کنند. هنگام استفاده از مدل بر روی داده های صحیح، می توانید نتایج را با درجه اطمینان بالایی بدست آورید	نتایج کاملاً تجربی، به شدت به نمونه آموزشی وابسته است و هنگام مطالعه مدل بر روی داده‌های دیگر، اغلب با واقعیت مطابقت ندارد. برای مطالعه ضرایب وزنی به مقدار زیادی داده نیاز دارد
مدل های تحلیل کیفی	اجازه خرج کردن تجزیه و تحلیل پیچیدهشرکت ها	عدم وجود روش های ریاضی، منجر به ارزیابی ذهنی شاخص های فردی و خطاهای مرتبط با عامل انسانی می شود. آمار سال های گذشته را در نظر نگیرید. هیچ مقررات مشخصی برای ارزیابی اعتبار برای بلوک های کیفی تحلیل وجود ندارد

بر اساس تحلیل تطبیقی ​​فوق می توان نتیجه گرفت که مدل امتیازدهی در راس تکامل کمی قرار دارد نام مدل مزیت های مدل معایب مدل

روش نسبت امکان ارزیابی جامع از وضعیت مالی وام گیرنده را فراهم می کند. شاخص های کیفیت، آمار سال های گذشته را در نظر نمی گیرد. یک سیستم غیر خودکار نیاز به تفسیر مداوم مقادیر شاخص های فردی دارد

مدل‌های رتبه‌بندی اجازه می‌دهد ارزیابی با روش ضریب با محاسبه شاخص انتگرال خودکار شود. آنها از نظر راحتی و سهولت استفاده متمایز می شوند. آنها فقط شاخص های مالی را در نظر می گیرند، از آمار سال های گذشته استفاده نمی کنند. نیاز به تجدید ساختار برای انواع مختلف شرکت ها

مدل‌های امتیازدهی امکان به دست آوردن ارزیابی اعتبار در یک امتیاز را می‌دهد و وام گیرنده را به یکی از سه گروه اختصاص می‌دهد. ساده و آسان برای استفاده، کمک به ارزیابی شاخص های کیفیت غیر مالی. هنگام ارزیابی ضرایب وزنی با روش های آماری، آنها اجازه می دهند تا داده های مربوط به وام های صادر شده را در نظر بگیریم، از نظر اقتصادی توجیه پذیر هستند، جهانی نیستند، نیاز به تجدید ساختار برای انواع خاصی از شرکت ها دارند. برای مطالعه ضرایب وزنی به مقدار زیادی داده نیاز دارد

مدل‌های جریان نقدی امکان برآورد جریان‌های نقدی آتی شرکت و مقایسه آن‌ها با بار بدهی را فراهم می‌کند. شرایط بازار و شاخص‌های کیفی شرکت وام‌گیرنده را در نظر نمی‌گیرد. ممکن است نتایج متناقضی ایجاد کند

مدل های تجزیه و تحلیل تشخیصی امکان تعیین احتمال نکول شرکت وام گیرنده را بر اساس آمار سال های گذشته فراهم می کند. واقعیت برای مطالعه ضرایب وزنی به مقدار زیادی داده نیاز دارد

مدل های تحلیل رگرسیون امکان تعیین احتمال نکول شرکت وام گیرنده را بر اساس آمار سال های گذشته فراهم می کند. هنگام استفاده از مدل بر روی داده‌های صحیح، می‌توانید نتایجی با درجه بالایی از اطمینان به دست آورید. این نتایج کاملاً تجربی هستند، نتایج به شدت به مجموعه آموزشی وابسته هستند و هنگام مطالعه مدل بر روی داده‌های دیگر، اغلب با آن مطابقت ندارند. واقعیت برای مطالعه ضرایب وزنی به مقدار زیادی داده نیاز دارد

مدل‌های تحلیل کیفی امکان تجزیه و تحلیل جامع شرکت را فراهم می‌کند. عدم وجود روش‌های ریاضی، که منجر به ارزیابی ذهنی شاخص‌های فردی و خطاهای مرتبط با عامل انسانی می‌شود. آمار سال های گذشته را در نظر نگیرید. هیچ مقررات مشخصی برای ارزیابی اعتبار برای بلوک های کیفی تحلیل وجود ندارد مقدار متفاوتنکته ها. مقادیر ضرایب بیشتر به محدوده تقسیم می شوند. برای هر محدوده (ستون محدوده ضریب در جدول 2)، درصدی (25%، 50%، 75% یا 100%) از ضریب وزنی در جدول 2 تنظیم می شود. 2. ضریب وزنی در این مورد حداکثر امتیاز است. در ادامه به جستجوی ضرایب وزنی می پردازیم. بنابراین، تفکیک ضرایب به محدوده مشروط است (بر اساس ملاحظات منطقی بر اساس مقادیر این شاخص ها برای شرکت های مختلف صنعت، فواصل به گونه ای در نظر گرفته می شود که حدود 60 درصد از شرکت های پیشرو در صنعت (Magnit، Dixy) پس از حداکثر، X5 Retail Group، OK، L'Etoile) که برای تعیین میانگین ضرایب بازار و معیارها انتخاب شده است، در دومین بازه قرار می گیرند. هر چه بار بدهی بیشتر باشد، احتمال نکول و تعداد امتیازهایی که شاخص باید دریافت کند، ضرایب را کاهش داده و با دو رویکرد تحلیلی (روش تی. ساعتی) و آماری (مطالعه رگرسیونی) (حداکثر تعداد امتیازها در این مورد با ضریب وزنی منطبق است) نشان داده می شود. خود ضرایب بعدا مشخص خواهد شد.

شاخص های مالیمدل امتیاز دهی در جدول ارائه شده است. 2.

جدول 2. شاخص های مالی مدل امتیازدهی

گروه شاخص	فهرست مطالب	محدوده ضریب
نقدینگی		> 0,75	1
		0,5-0,75	0,75
		0,25-0,5	0,25
		0-0,25	0
تسویه شوندگی		0-1	1
		1-1,5	0,75
		1,5-2	0,5
		2-2,5	0,25
		> 2,5	0
		< 1,5	1
		1,5-2	0,5
		> 2	0
	نسبت پوشش بهره، EBIT/ بهره	> 1,5	1
		1,3-1,5	0,75
		1-13	0,5
		< 1	0
فعالیت تجاری	بازگشت به فروش، ROS	> 0,025	1
		0,02-0,025	0,75
		0,015-0,02	0,5
		< 0,015	0
	زیان شرکت در سه دوره گزارش اخیر	خیر	1
		برای یک دوره گزارش	0,5
			0

مقادیر نسبت مجاز بر اساس مقادیر متوسط ​​برای پنج شرکت تجاری پیشرو در روسیه بر اساس بیانیه های IFRS به مدت سه سال تعیین شد: Magnit، X5 Retail Group، Dixy، OK، M.Video. مهم ترین شاخص های مالی را برای تعیین وضعیت مالی وام گیرنده بررسی کردیم. با این حال، اعتبار شرکت نیز تا حد زیادی تحت تأثیر عواملی است که باعث ظهور خطرات در فرآیندهای تجاری وام گیرنده می شود. اول از همه، باید کیفیت مدیریت را در نظر گرفت. این یک شاخص بسیار دشوار برای تجزیه و تحلیل کمی است، زیرا. ارزیابی عینی سطح مدیریت شرکت مشکل ساز است.

ما سعی خواهیم کرد از ارزیابی کیفی به کمی حرکت کنیم و حداکثر ارزیابی این شاخص را در شرایط زیر تنظیم کنیم:

• استراتژی مشخصی برای توسعه شرکت برای سالهای آینده وجود دارد.
• ترکیب مدیریت ارشد تغییر نکرده است (مدیر کل و حسابدار ارشد بیش از دو سال است که در سمت‌های خود هستند)، زیرا حضور یک تیم مدیریتی قوی، از جمله، با پایداری آن مشهود است.
• شایستگی های حرفه ای مطابقت دارد الزامات بالا(در دسترس بودن نمایه آموزش عالیمدیر کل و حسابدار ارشد، سابقه کار - بیش از پنج سال).

عامل مهم بعدی که باید در مدل امتیازدهی لحاظ شود، عمر شرکت است. علاوه بر این، لازم است یک عامل توقف نیز معرفی شود: اگر دوره تجاری کمتر از یک سال باشد این مدلبه دلیل عدم گزارش دهی و توانایی درک کسب و کار شرکت قابل اجرا نخواهد بود.

یکی دیگر از شاخص های ضروری، سابقه اعتباری مثبت است. این یکی از مهمترین شاخص های غیرمالی است که در واقع کیفیت خدمات وام آینده را مشخص می کند. غیرمنطقی است که روی بازپرداخت به موقع وجوه اعتباری شرکتی که به سایر طلبکاران تاخیر دارد حساب کنیم. بیایید شاخص های غیرمالی در نظر گرفته شده و توزیع امتیاز برای آنها را در جدول ارائه کنیم. 3.

جدول 3. شاخص های غیر مالی مدل امتیازدهی

گروه	شاخص های شاخص		درصد حداکثر امتیاز برای محدوده
فرآیندهای کسب و کار	کیفیت مدیریت		1
			0,5
			0
		> 5 سال	1
		3-5 سال	0,75
		1-3 سال	0,25
		< 1 года	عامل توقف
			1
			0,5
			0
		وجود تاخیر سیستماتیک در وام‌ها و استقراض‌ها در سال مالی گذشته؛ مقدار قابل توجهی از حساب های پرداختنی معوق (> 25%)	عامل توقف

ما سیستمی از شاخص‌های ارزیابی را تدوین کرده‌ایم که به نظر ما باید به طور جامع و جامع کیفیت وام گیرنده و توانایی او در انجام تعهداتش را ارزیابی کند. بخش بعدی کار، هنگام ایجاد هر مدل امتیازدهی، وقت گیرترین بخش است - تعیین وزن شاخص های مختلف تخمین زده شده. ارزش پیش‌بینی مدل ما بستگی به این دارد که چقدر اهمیت برخی عوامل را به طور عینی ارزیابی کنیم. این مقاله وزن ها را بر اساس چندین روش برای حذف خطاهای احتمالی تجزیه و تحلیل می کند.

ضرایب وزنی ابتدا با استفاده از روش های تحلیلی تعیین و سپس با نتایج تحلیل رگرسیون مقایسه می شود.

برآورد تحلیلی ضرایب وزنی مدل

به عنوان یک ابزار ارزیابی، ما روشی را که به طور مفصل در کتاب TL توضیح داده شده است، در نظر خواهیم گرفت. ساعتی "مدل های ریاضی موقعیت های تعارض" [b]. این روش به شما امکان می دهد از انواع عوامل دور شوید و تنها دو مورد از آنها را برای اهمیت در یک نقطه خاص از زمان مقایسه کنید و در نهایت اهمیت تأثیر هر یک از عوامل را بر هر شاخص کلی تعیین کنید. این تکنیک مبتنی بر گردآوری ماتریس‌هایی از مقایسه‌های زوجی است که برای عواملی ساخته شده‌اند که بر هر شاخص مشترک تأثیر می‌گذارند. چنین ماتریس هایی را می توان برای مثال برای شاخص پرداخت بدهی در چارچوب عواملی که توسط ضرایب اهرم مالی، بار بدهی و پوشش بهره نشان داده می شود، ایجاد کرد. وظیفه ساخت چنین ماتریس هایی برای همه گروه های عواملی است که بر هر شاخص کلی تأثیر می گذارد. در نتیجه دو ماتریس برای جدول ایجاد می شود. 2 - برای گروه‌های شاخص «پروانه‌پردازی» و «فعالیت تجاری» یک ماتریس برای جدول. 3 - برای شاخص‌های فرآیندهای تجاری و همچنین دو ماتریس برای سطوح تجمیعی - یک ماتریس برای گروهی از شاخص‌های مالی، متشکل از گروه‌های شاخص‌های «نقدینگی»، «توان پرداخت بدهی» و «فعالیت تجاری» و یک ماتریس برای دو بلوک تجمیع‌شده. - شاخص های مالی و غیر مالی به طور کلی.

در مجموع پنج ماتریس مقایسه زوجی وجود دارد که هر کدام ضریب خود را برای اندیکاتور موجود در آن ارائه می دهند. بنابراین، برای به دست آوردن یک ضریب وزنی برای اندازه گیری در پایین سلسله مراتب، به عنوان مثال، برای نسبت پوشش بهره، لازم است ضریب وزنی شاخص های مالی در ضریب وزنی شاخص های پرداخت بدهی در شاخص های مالی ضرب شود و توسط ضریب شاخص پوشش بهره در شاخص های مالی.

در سرفصل های خود ماتریس ها برای گروه های شاخص، نام فاکتورها در ستون های عمودی و افقی قرار می گیرد. سپس ماتریس ها با مقادیری پر می شوند که نشان دهنده تبدیل ترجیحات ذهنی یک عامل به عامل دیگر است. دیدگاه تجربیبا توجه به روش ارائه شده در جدول. 4 (با استفاده از داده های شکل 2).

جدول 4. روش T. Saaty. طبقه بندی ترجیحات (براساس شکل 2)

بیشتر از اعداد فرد استفاده می شود، اما اگر انتخاب آن دشوار است، می توانید از زوج ها به عنوان سطح متوسط ​​بین دو فرد فرد استفاده کنید. نمونه ای از چنین ماتریسی برای چهار عامل در شکل 1 نشان داده شده است. 2. بر این اساس، وقتی یک عامل را با هم مقایسه می کنیم، عنصر مقدار 1 را می گیرد، بنابراین چنین ماتریس هایی هویت هستند. به راحتی می توان فهمید که آنها متقارن معکوس نیز هستند، که به ما امکان می دهد چنین ماتریسی را فقط برای مقادیری که در بالا یا پایین مورب اصلی قرار دارند پر کنیم.

با توجه به اینکه ماتریس های مقایسه های زوجی متقارن معکوس هستند، باید فقط در یک جهت مقایسه کرد و مقادیر مربوطه را در ماتریس بالای مورب اصلی وارد کرد، در حالی که مقادیر زیر قطر اصلی معکوس خواهند شد.

پس از دریافت پنج چنین ماتریس، ضرایب وزن محاسبه می شود: وزن هر مقدار در ماتریس ها نسبت به مجموع کل ستون اندازه گیری می شود و سپس میانگین حسابی این مقادیر از این مقادیر گرفته می شود. در هر ردیف مقادیر میانگین حسابی ضرایب وزنی خواهد بود. نمونه ای از یک ماتریس برای گروهی از شاخص های پرداخت بدهی در شکل نشان داده شده است. 3.

پس از انجام محاسبات شرح داده شده، وزن ویژه هر شاخص را بدست می آوریم. برای راحتی محاسبات بیشتر، ما حداکثر امتیاز ممکن را به عنوان حاصل ضرب وزن مخصوص نشانگر با 50 1 تعریف می کنیم و به دنبال آن به یک عدد صحیح گرد می کنیم (جدول 5.6).

1 این عملیات صرفا برای راحتی ساخته شده است، عدد 50 اجازه می دهد تا حداقل ضریب به یک مقدار صحیح (در این مورد، مقدار 2) برود. از آنجایی که همه ضرایب در یک عدد ضرب می شوند، نتایج رویکرد تحلیلی را تحریف نمی کنیم. - تقریبا ویرایش

تعیین اهمیت شاخص ها با استفاده از تحلیل رگرسیون

برای انجام یک مطالعه آماری از داده های 41 استفاده کردیم شرکت بزرگاز بخش خرده فروشی این شرکت ها اوراق قرضه شرکتی منتشر کردند و 16 اوراق قرضه نکول کردند. برای هر شرکت، هشت شاخص منتخب از مدل امتیازدهی بر اساس گزارش‌های سالانه در سال انتشار اوراق مشارکت محاسبه شد. نمونه در ضمیمه 1 ارائه شده است. حاوی یک شاخص توضیحی y - احتمال نکول است که اگر شرکت به تعهدات خود عمل نکرده باشد، مقدار 1 را می گیرد. سه شاخص انتخاب شده در سمت راست به دلیل ماهیت کیفی آنها به عنوان متغیرهای ساختگی تنظیم شدند (فقط می توانند مقادیر 0 یا 1 را دریافت کنند). اگر در سه سال گذشته شرکت دارای سود خالص > O (Nl> 0)، تیم مدیریتی پایدار و با کیفیت (مدیر) و سابقه اعتباری مثبت (تاریخچه) باشد، مقادیر 1 را می گیرند. شاخص های مالی (پنج شاخص اول) بر اساس صورت های مالی سالانه طبق استانداردهای IFRS در سال انتشار اوراق قرضه معوق محاسبه شد.

به عنوان مدلی برای مطالعه، ساخت یک رگرسیون چند متغیره خطی را انتخاب می کنیم:

p = w 0 + w 1 x 1 + w 2 x 2 + ... + w n x n ,

که در آن p متغیر وابسته است که احتمال پیش‌فرض را توصیف می‌کند.
w - ضرایب وزن؛ x - نشانگرها

بنابراین، اجازه دهید داده های اولیه را در اکسل وارد کرده و از تابع تجزیه و تحلیل داده - رگرسیون استفاده کنیم. هنگام تجزیه و تحلیل داده های اولیه برای هشت شاخص از مدل امتیازدهی بدون تعدیل، نتیجه ارائه شده در پیوست 2 را به دست می آوریم. R^2 تنظیم شده 0.55 است - یک مقدار کم اما قابل قبول، که نشان دهنده اهمیت عملی رگرسیون ساخته شده است. می توان در مورد دلیل اهمیت کم حضور پرت در داده ها فرضی را مطرح کرد، به عنوان مثال، عدم وجود مقادیر برای برخی شرکت ها از نظر EBIT / بهره به دلیل عدم بار بدهی ( ساده شده، برای اهداف مطالعه، مقدار ضریب برابر با 0 در این مورد گرفته شد) یا مقدار منفی شاخص بدهی / EBITDA با توجه به منفی جریان نقدی. در این مورد، تأثیر یک شاخص منفی به اشتباه درک می شود، زیرا، طبق منطق مطالعه، هر چه بدهی / EBITDA بیشتر باشد، احتمال نکول بالاتر است. یک شاخص منفی، به نوبه خود، نشانگر بار بدهی کم نیست. همچنین، توانایی پیش‌بینی تحت تأثیر شرکت‌هایی با مقادیر شدید شاخص‌های فردی قرار می‌گیرد. بنابراین، شرکت Banana-Mama دارای سرمایه سهام 10000 روبل است که منجر به تحریف شاخص های مربوطه می شود - اهرم مالی 181957 است (با مقادیر متوسط ​​صنعت در محدوده 0.7-1.5).

جدول 5. شاخص های مالی با در نظر گرفتن وزن

فهرست مطالب	وزن در کارت امتیازی	حداکثر امتیاز	محدوده ضریب
			>1	5
نسبت نقدینگی جاری	0,1072	5	> 1	5
			0,75-0,1	4
			0,5-0,75	1
			0-0,5	0
نسبت نقدینگی جاری	0,1581	8	< 1	8
			1-1,5	6
			1,5-2	4
			2-2,5	2
			> 2,5	0
نسبت بار بدهی، بدهی خالص / EBITDA	0,1581	8	< 1.5	8
			1,5-2	4
			> 2	0
	0,0790	4	> 1,5	4
			1,3-1,5	3
			1-1,3	2
			< 1	0
بازگشت به فروش، ROS	0,1256	6	> 0,025	6
			0,02-0,025	5
			0,015-0,02	3
			< 0,015	0
	0,0418	2	خیر	2
			برای یک دوره گزارش	1
			برای دو دوره گزارش یا بیشتر	0
جمع	0,6698	33	-	68

اجازه دهید شش شرکت زیر را از مطالعه مستثنی کنیم: سوپرمارکت گورود، اینترترید، ام.ویدئو (2013)، سویازنوی، بنان-ماما، و پروویانت. ما همچنین به عدم امکان استفاده همزمان از شاخص های ROS و عدم تلفات (Nl> 0) به دلیل همبستگی بالای آنها اشاره می کنیم. واقعیت این است که اگر شرکت زیان داشته باشد، سودآوری فروش به طور خودکار ارزش منفی می گیرد.

جدول 6. شاخص های غیرمالی بر حسب وزن

فهرست مطالب	وزن در کارت امتیازی	حداکثر امتیاز	محدوده نسبت / روش برآورد	تعداد امتیاز برای محدوده وزنی
کیفیت مدیریت	0,099	5	تحقق تمام شرایط توصیف شده	5
			عدم رعایت یکی از شرایط	2,5
			عدم رعایت بیش از یک شرط	0
زندگی شرکت	0,0528	3	> 5 سال	3
			3-5 سال	2
			1-3 سال	1
			< 1 года	عامل توقف
سابقه اعتباری مثبت	0,1782	9	عدم وجود معوقات وام ها و وام ها، حساب های پرداختنی معوق	9
			در دسترس بودن اطلاعات در مورد تجدید ساختار بدهی؛ تاخیر ناچیز در حساب های پرداختنی (تا 10%)	4,5
			یک مورد واحد تاخیر در وام ها و اعتبارات با بازپرداخت بعدی؛ تاخیر قابل توجه در حساب های پرداختنی (10-25٪ از کل بدهی)	0
			وجود تاخیر سیستماتیک در وام‌ها و استقراض‌ها در سال مالی گذشته؛ مقدار قابل توجهی از حساب های پرداختنی معوق (بیش از 25%)	عامل توقف
جمع		17

بر اساس این ملاحظات، ما نشانگر Nl > 0 را از مدل خود حذف می کنیم. برای یک رگرسیون هفت عاملی جدید در یک نمونه به روز شده از 35 شرکت، نتیجه زیر را دریافت می کنیم (پیوست 3). می بینیم که شش شاخص از هفت شاخص مورد مطالعه قابل توجه است. علائم موجود در ضرایب به درستی مفروضات بالا را منعکس می کند: هرچه سودآوری فروش و کیفیت مدیریت بیشتر باشد، احتمال نکول کمتر است (y = 1) و بالعکس: هر چه بار بدهی بیشتر باشد، احتمال بالاتر است. پیش فرض در نگاه اول، علامت فقط برای نسبت نقدینگی فعلی نادرست است. با این حال، ارزش نقدینگی بالا به همان اندازه بد است - آنها نشان دهنده کارایی پایین کسب و کار و سود از دست رفته هستند. شرکت هایی با نسبت های نقدینگی بالا مستعد کسری سود، سودآوری کم و سودآوری تجاری هستند که باعث می شود از نظر سرمایه گذاران بالقوه جذابیت کمتری داشته باشند و در نتیجه در برابر تغییرات شرایط مالی آسیب پذیرتر شوند. مهمترین آنها ضرایب D (یا بدهی - حجم بدهی دارای بهره) / EBITDA، سابقه اعتباری مثبت و اهرم مالی است. نسبت پوشش بهره ناچیز است.

در بالا، هنگام مدل‌سازی ضرایب با استفاده از روش T. Saaty، ما همچنین فرض کردیم که مهم‌ترین شاخص‌ها ضرایب بار بدهی و اهرم مالی هستند. تحلیل مقایسه ای اهمیت نهایی ضرایب در جدول آورده شده است. 7.

جدول 7. تحلیل مقایسه ای اهمیت ضرایب

شاخص بر اساس ارزیابی های کارشناسی بر اساس روش تی ساعتی	ضریب	شاخص بر اساس تحلیل رگرسیون	مقدار p
سابقه اعتباری مثبت	0,1782	نسبت بار بدهی، بدهی خالص / EBITDA	0,014
نسبت اهرم مالی	0,1581	سابقه اعتباری مثبت	0,020
نسبت بار بدهی، بدهی خالص /EBITDA	0,1581	نسبت اهرم مالی	0,022
بازگشت به فروش، ROS	0,1256	کیفیت مدیریت	0,037
نسبت نقدینگی جاری	0,1072	بازگشت به فروش، ROS	0,039
کیفیت مدیریت	0,099	نسبت نقدینگی جاری	0,047
نسبت پوشش بهره، EBIT / بهره	0,0790	نسبت پوشش بهره، EBIT / بهره	ناچیز
زیان شرکت در سه دوره گزارش اخیر	0,0418	زیان شرکت در سه دوره گزارش اخیر	به عنوان یک شاخص غیر مالی، ناچیز مورد مطالعه قرار گرفت

این نتایج نشان دهنده سازگاری روش T. Saaty و داده های آماری است. سه شاخص مهم با توجه به رویکرد تحلیلی اهمیت بالای آنها را تایید می کنند تحقیق عملی، فقط توزیع ترتیب خود شاخص ها تغییر کرده است. همچنین، دو شاخص کم اهمیت برای بخش اول کار - کیفیت مدیریت و EBIT / بهره - در مطالعه آماری ناچیز بودند.

بنابراین، تجزیه و تحلیل رگرسیون اصول طبقه‌بندی اهمیت ضرایب وزنی در بخش تحلیلی کار را تأیید می‌کند و به ما امکان می‌دهد در مورد اهمیت آماری مدل امتیازدهی ساخته شده صحبت کنیم.

تعیین نتایج مدل امتیاز دهی توسعه یافته

مجموع حداکثر امتیاز مدل امتیازدهی 50 است. برای هر شاخص در فرآیند تعیین محدوده مقادیر، سطح بعدی را بعد از حداکثر امتیاز شناسایی کردیم که البته با ریسک نسبتاً بالا نیز قابل قبول است. بر ارزش بازار شاخص ها برای برخی از شاخص ها، سطح زیر حداکثر 75٪ از تعداد کل امتیازات بود، برای برخی دیگر - 50٪. تمام سطوح بعدی سطوح با ریسک اعتباری بالا در نظر گرفته می شود و وام گیرندگان مربوطه به عنوان بد طبقه بندی می شوند. ارجح ترین گروه شامل وام گیرندگانی است که حداکثر الزامات را برای شاخص ترین شاخص ها (از نظر ضرایب وزنی) دارند: سابقه اعتباری، اهرم مالی و بار بدهی، و همچنین بازده فروش به میزان 31 امتیاز و تحقق حداقل حداکثر سطح الزامات زیر برای سایر شاخص ها - در کل 12.5 است. مجموع 43.5 امتیاز برای سطح پایین تر از اعتبار بالا.

برای تعیین مشخصه فاصله مرزی درجه بالااعتبار، تعداد امتیاز برای شاخص های مالی و غیر مالی را در بعدی پس از حداکثر دامنه مقادیر از جدول محاسبه کنید. 5 و ب. شاخص ها با توجه به مقادیر پذیرفته شده ضرایب به محدوده های دیگر تقسیم می شوند. ما طبقه بندی زیر را دریافت خواهیم کرد (جدول 8).

جدول 8. طبقه بندی نتایج

جدول 9. توانایی پیش بینی مدل امتیازدهی، %

بر اساس جدول 8، ما توانایی پیش‌بینی مدل خود را با جایگزین کردن داده‌های شرکت در شرایط آن ارزیابی می‌کنیم. پیوست 4 نمرات محاسبه شده برای شرکت های مورد بررسی را نشان می دهد. بسته به مقدار شاخص، امتیاز آن مطابق مدل توسعه‌یافته در جدول وارد شد و سپس تمام امتیازات در یک شاخص انتگرال (ستون "Sum") جمع‌بندی شدند. بر اساس مجموع امتیازات، شرکت ها به سه طبقه تقسیم شدند، سپس داده ها با وجود یا عدم وجود واقعی یک پیش فرض توسط شرکت مقایسه شد. در ستون "درست است یا نه"، 1 به معنای نتیجه صحیح مدل امتیازدهی است، 0 - یک خطا. به این ترتیب، به نتیجه زیر رسیدیم (جدول 9).

ما یک میانگین (نسبت به مواردی که در منابع مختلف توضیح داده شده است) را برای توانایی پیش‌بینی مدل‌های امتیازدهی به دست آورده‌ایم. با این حال، شایان ذکر است که درصد پایین خطاهای نوع II، که ارزش پیش بینی مدل ما را افزایش می دهد. این نتیجه می تواند مثبت تلقی شود و اثربخشی مطالعه را تایید می کند.

نتیجه

در این مقاله، یک مدل امتیازدهی برای ارزیابی اعتبار شرکت‌های بزرگ خرده‌فروشی پیشنهاد شد. این مدل مبتنی بر مجموعه‌ای از شاخص‌های عملکردی است که ارزیابی جامع وضعیت مالی و غیرمالی وام گیرنده را ممکن می‌سازد.

بر اساس نتایج ارزیابی، به وام گیرنده یکی از سه طبقه اعتباری اختصاص داده می شود که درجه ریسک اعتباری و امکان پذیری وام را مشخص می کند.

ما سیستمی از شاخص‌های عملکرد را مدل‌سازی کردیم که به ما امکان می‌دهد تا وضعیت وام گیرنده از بخش خرده‌فروشی را به دقت ارزیابی کنیم. پس از تجزیه و تحلیل رهبران بازار خرده فروشی و محاسبه شاخص های مورد استفاده برای آنها، مرزهای مقادیر قابل قبول برای آنها را تعیین و آنها را بر اساس رتبه بندی گروه های مختلفبا درصدهای مختلف از حداکثر امتیاز ممکن.

زمان برترین کار تعیین ضرایب وزنی برای شاخص های مورد مطالعه بود. نتیجه گیری شد که به دلیل فقدان یک روش ایده آل، یک رویکرد یکپارچه مورد نیاز است. یک رویکرد پیچیدهبه شرح زیر اجرا شد: در بخش اول کار با استفاده از روش های تحلیلی ضرایب وزنی و در بخش دوم با استفاده از مطالعه آماری تعیین شد.

مدل توسعه‌یافته نتایج بالایی در توانایی پیش‌بینی نشان داد، در حالی که به هزینه‌های منابع زیادی برای تجزیه و تحلیل نیاز ندارد. راه اندازی سیستم امتیازدهی توسعه یافته باعث افزایش کارایی تصمیم گیری اعتباری در حوزه شرکت های خرده فروشی بزرگ و بهینه سازی فرآیند اعتبار می شود.

ادبیات

1. Ayvazyan S.A., Mkhitaryan B.C. آمار کاربردی و مبانی اقتصاد سنجی. - M.: GU HSE، 1998.

2. Gavrilova A.H. امور مالی سازمان - M.: Knorus، 2007.

3. Korobova G.G.، Petrov M.A. پرداخت بدهی وام گیرنده بانک و ارزیابی آن در یک محیط رقابتی // خدمات بانکی. -2005. -شماره 7/8. -C. 22-24.

4. Kulikov N.I., Chainikova L.I. ارزیابی اعتبار شرکت وام گیرنده. - تامبوف: دانشگاه TSTU، 2007.

5. مقررات بانک مرکزی فدراسیون روسیه شماره 254-P "در مورد روش تشکیل ذخایر توسط موسسات اعتباری برای ضررهای احتمالی وام، وام و بدهی معادل" مورخ 26 مارس 2004 - http:// base.garant.ru/584458/.

6. ساعتی تی.ل. مدل‌های ریاضی موقعیت‌های تعارض / ویرایش. I.A. اوشاکوف. - M.: رادیو شوروی، 1977.

7. Sheremet A.D., Saifulin R.C., Negashev H.B. روش شناسی آنالیز مالی. - M.: Infra-M، 2001.

8. Abdou H.A., Pointon J. (2011). "امتیاز اعتبار، تکنیک های آماری و معیارهای ارزیابی: مروری بر ادبیات". سیستم های هوشمند در حسابداری، مالی و مدیریت، جلد. 18، شماره 2-3، صص. 59-88.

9. بیلی ام (2004). کیفیت اعتبار مصرف کننده: پذیره نویسی، امتیازدهی، جلوگیری از تقلب و جمع آوری. انتشارات جعبه سفید، کینگزوود، بریستول.

10. Crook J., Edelman D., Thomas L. (2007). "تحولات اخیر در ارزیابی ریسک اعتبار مصرف کننده". مجله اروپایی تحقیقات عملیاتی، جلد. 183، شماره 3، صص 1447-1465.

11. Gately E. (1996). شبکه های عصبی برای پیش بینی مالی: تکنیک های برتر برای طراحی و بکارگیری جدیدترین سیستم های معاملاتی. نیویورک: John Wiley & Sons, Inc.

12. Guillen M.، Artis M. (1992). مدل‌های داده‌های شمارش برای یک سیستم امتیازدهی اعتباری: مجموعه کنفرانس‌های اروپایی در اقتصاد کمی و اقتصادسنجی در مورد اقتصادسنجی مدل‌های مدت، شمارش و انتقال. پاریس.

13. هفرنان اس (2004). بانکداری مدرن جان وایلی و پسران، شرکت، چیچستر، ساسکس غربی.

14. لیانگ کیو (2003). "مشکلات مالی شرکت در چین: یک تحلیل تجربی با استفاده از مدل‌های امتیازدهی اعتباری". مجله تجارت و مدیریت هیتوتسوباشی، جلد. 38، شماره 1، صص 13-28.

ضمیمه 1.

نمونه مطالعه

№	شرکت	y / پرچم پیش فرض	نسبت نقدینگی جاری			نسبت EBIT / بهره / EBIT به بهره		NI > 0/ وجود سود خالص
1	داروخانه 36.6	0	0,82	1,32	2,41	1,83	0,0496	1	1	1
2	L "اتویل	0	5,04	2,75	10,98	1,64	0,007	1	1	1
3	پارس سگ	0	0,795	0,77	3,13	1,89	0	0	1	1
4	روبان	0	0,75	9,7	2,91	3,1	0,049	1	1	1
5	خوب	0	0,67	0,78	1,59	7,01	0,0357	1	1	1
6	دنیای خودکار	0	1,2	0,65	3,09	1,35	0,04	1	1	1
7	Х5 گروه خرده فروشی	0	0,55	0,53	3,32	2,82	0,027	1	1	1
8	شهر	0	0,99	18,97	10,25	1,29	0,01	1	1	0
9	دنیای کودک	0	0,93	0,83	2,14	3,99	0,032	1	1	1
10	دیکسی	0	0,77	1,19	6,1	1,78	0,01	1	1	1
11	InterTrade	0	1,24	20,65	4,92	2,1	0,015	1	1	0
12	چرخ فلک	0	0,73	0,68	3,175	1,71	0,059	1	1	1
13	پنی	0	0,68	2,93	7,03	1,82	0	0	1	1
14	گروه کاسموس	0	1,64	1,11	2,88	2,65	0,043	1	1	1
15	آهن ربا	0	و	0,54	1,11	10,2	0,061	1	1	1
16	مگنولیا	0	0,27	2,35	3,55	1,02	0,064	1	1	1
17	M.Video (2007)	0	1,31	0,73	1,9	2,58	0,013	1	1	1
18	M.Video (2013)	0	0,95	0	0	0	0,039	1	1	1
19	JSC "NTS"	0	1,18	3,09	5,44	1,05	0,21	1	0	1
20	کفش های روسیه	0	0,87	2,34	1,87	5,65	0,1	1	1	1
21	چهارراه (2005)	0	0,54	1,09	3,16	3,92	0,026	1	1	1
22	Pivdom	0	1,99	3	8	1,1	0,0006	1	0	1
23	خانواده	0	10	0,28	1,66	6	0,58	1	1	1
24	سویازنوی	0	1,07	0	0	0	0,001	1	1	1
25	الکام	0	1,44	1,82	4,25	1,3	0,01	1	1	1
26	ماکرو	1	1	15	11	1,52	0,01	1	0	1
27	پرستیژ اکسپرس	1	8	0,98	12,43	1,02	0,002	1	0	1
28	آربات پرستیژ	1	0,49	1,81	7,6	1,45	0,017	1	1	0
29	ارکیده	1	3	1,164	13	0	0,01	1	0	1
30	مامان موز	1	0,94	181957	-35	-0,6	-0,033	0	1	0
31	ناوچه سفید	1	7	932	8,76	0,88	-0,4	0	1	1
32	مارتا	1	3,96	20	11	1/17	0,003	1	1	1
33	ماتریس	1	2,38	21	6,82	1	0,001	1	0	0
34	سیاره تیر (خود ستایش)	1	1,12	9,98	7,32	1,27	0,003	1	1	1
35	مینهسکو	1	0,79	4,39	12	0,12	-0,047	0	1	1
36	Mosmart	1	12	5	8	1,5	0	0	0	0
37	پولیسیا	1	7,93	15	14	1,03	0,003	1	0	1
38	تدارک	1	0,12	35557	0	0	-0,819	0	0	1
39	قاره هفتم	1	1,93	0,41	1,52	1,35	0,07	1	0	1
40	تکنوسیلا	1	14	18	10,36	1	0,002	1	1	1
41	TOAP	1	7	22	10,83	1,04	0,009	0	0	1

توجه: اگر شرکت پیش فرض داشته باشد، ضریب 1 و اگر پیش فرض وجود نداشته باشد، 0 را می گیرد.

ضمیمه 2

رگرسیون هشت عاملی برای 41 شرکت

رگرسیون و باقیمانده	DF / تعداد درجات آزادی	SS / مجموع مربع ها	MS=SS/DF	آمار F	اهمیت F / اهمیت
پسرفت / رگرسیون	8	6,250849408	0,781356176	7,133131961	2.17209Е-05
باقیمانده	32	3,505248153	0,109539005	-	-
مجموع / مجموع	40	9,756097561	-	-	-

پارامترهای مورد استفاده			tStat/ t-statistic	P-vaiue / اهمیت
رهگیری / ثابت	0,354797355	0,281481615	1,260463691	0,216616062
نسبت نقدینگی جاری	0,034652978	0,01876389	1,846790732	0,074043212
اهرم مالی / اهرم مالی	1.31819Е-05	4.77939E-06	2,758072506	0,009529947
D / EBITDA / نسبت بدهی دارای بهره به EBITDA	0,044980795	0,018152923	2,477881708	0,018682248
	-0,012377044	0,030936193	-0,40008296	0,691753745
ROS / بازگشت به فروش	-0,530759612	0,375019201	-1,415286499	0,166643428
NI > 0 / وجود سود خالص	-0,02891433	0,164713359	-0,175543319	0,861758855
مدیر / مدیریت کیفیت	-0.266367tl2	0,134861932	-1,975109717	0,056935374
تاریخچه/ کیفیت سابقه اعتباری	-0,109402928	0,159841844	-0,684444857	0,498621797

ضمیمه 3

رگرسیون هفت عاملی برای 35 شرکت

رگرسیون و باقیمانده	DFI تعداد درجات آزادی	SS / مجموع مربع ها	MS=SS/DF	آمار F	اهمیت F / اهمیت F
پسرفت / رگرسیون	7	5,898901667	0,842700238	9,097165886	9.56Е-06
باقیمانده	27	2,501098333	0,092633272	-	-
مجموع / مجموع	34	8,4	-	-	-

پارامترهای مورد استفاده	ضرایب / ضرایب	خطای استاندارد / خطای استاندارد	t آمار/ t-statistic	P-value / اهمیت
رهگیری / ثابت	0,473712463	0,25308461	1,871755309	0,072111654
نسبت نقدینگی جاری	0,018420061	0,017803477	1,034632774	0,047018946
اهرم مالی / اهرم مالی	0,017110959	0,009674238	1,768713818	0,022823937
D / EBITDA / نسبت بدهی دارای بهره به EBITDA	0,046019604	0,021802198	2,110778177	0,014194286
نسبت EBIT / بهره / EBIT به بهره	-0,004583381	0,032996403	-0,13890548	0,89055573
ROS / بازگشت به فروش	-0,582081686	0,483677061	-1,203451088	0,039247801
مدیر / مدیریت کیفیت	-0,174077167	0,138900851	-1,253247659	0,03786026
تاریخچه / کیفیت سابقه اعتباری	-0,378981463	0,194742843	-1,946061058	0,020243892

ضمیمه 4

ارزیابی شرکت ها از نمونه با استفاده از مدل امتیازدهی

شرکت	در	نسبت نقدینگی جاری	اهرم مالی / اهرم مالی	D / EBITDA / نسبت بدهی دارای بهره به EBITDA	نسبت EBIT / بهره / EBIT به بهره	ROS / بازگشت به فروش	مدیر / مدیریت کیفیت	تاریخچه / سابقه اعتباری مثبت	زندگی شرکت	مجموع	کلاس	درسته یا نه*
داروخانه 36.6	0	4	6	4	4	6	5	9	3	41	2	1
L "اتویل	0	5	0	0	4	0	5	9	3	26	3	0
پارس سگ	0	4	8	0	4	0	5	9	3	33	2	1
روبان	0	1	0	0	4	6	5	9	3	28	3	0
خوب	0	1	8	4	4	6	5	9	3	40	2	1
دنیای خودکار	0	5	8	0	3	6	5	9	3	39	2	1
Х5 گروه خرده فروشی	0	1	8	0	4	5	5	9	3	35	2	1
دنیای کودک	0	4	8	4	4	6	5	9	3	43	2	1
دیکسی	0	4	6	0	4	0	5	9	3	31	2	1
چرخ فلک	0	1	8	0	4	6	5	9	3	36	2	1
پنی	0	1	0	0	4	0	5	9	3	22	3	0
گروه کاسموس	0	5	6	0	4	6	5	9	3	38	2	1
آهن ربا	0	5	8	8	4	6	5	9	3	48	1	1
مگنولیا	0	0	2	0	2	6	5	9	3	27	3	0
M.Video (2007)	0	5	8	4	4	0	5	9	3	38	2	1
JSC "NTS"	0	5	0	0	2	6	0	9	3	25	3	0
کفش های روسیه	0	4	2	4	4	6	5	9	3	37	2	1
چهارراه (2005)	0	1	6	0	4	5	5	9	3	33	2	1
Pivdom	0	5	0	0	2	0	0	9	3	19	3	0
خانواده	0	5	8	4	4	6	5	9	3	44	1	1
الکام	0	5	4	0	2	0	5	9	3	28	3	0
ماکرو	1	4	0	0	4	0	0	9	3	20	3	1
پرستیژ اکسپرس	1	5	8	0	2	0	0	9	3	27	3	1
آربات پرستیژ	1	0	4	0	3	0	5	0	3	15	3	1
ارکیده	1	5	6	0	0	0	0	9	3	23	3	1
ناوچه سفید	1	5	0	0	0	0	5	9	3	22	3	1
مارتا	1	5	0	0	2	0	5	9	3	24	3	1
ماتریس	1	5	0	0	0	0	0	0	3	8	3	1
تیر (خود ستایش)	1	5	0	0	2	0	5	9	3	24	3	1
مینهسکو	1	4	0	0	0	0	5	9	3	21	3	1
Mosmart	1	5	0	0	3	0	0	0	3	11	3	1
پولیسیا	1	5	0	0	2	0	0	9	3	19	3	1
قاره هفتم	1	5	8	4	3	6	0	9	3	38	2	0
تکنوسیلا	1	5	0	0	0	0	5	9	3	22	3	1
TOAP	1	5	0	0	2	0	0	9	3	19	3	1

* ستون نشان می دهد که آیا ما تصمیم درستی را در مورد وام دادن به شرکت با توجه به مدل امتیازدهی دریافت کرده ایم یا خیر.

اصطلاح "امتیاز" در ترجمه تحت اللفظی از به انگلیسیبه معنای "امتیاز" است. این نام سیستم و روش ارزیابی ریسک برای وام دادن به یک شخص خاص است، مدیریت ریسک بر اساس یک پیش بینی ریاضی. امتیازدهی بانکی به شما امکان می دهد تا بر اساس اطلاعات تاریخچه اعتباری خود و برخی داده های دیگر، احتمال تاخیر در پرداخت را تعیین کنید. معیار اصلی امتیازاتی است که قبلاً توسط کارمندان مؤسسات مالی به صورت دستی محاسبه می شد ، اما اکنون بیشتر و بیشتر توسط یک برنامه خاص محاسبه می شود.

امتیازدهی در زمینه وام اکسپرس، تامین مالی خرد، که در آن متخصص بیش از یک ساعت فرصت ندارد تا درخواستی را بررسی کند، به طور موثر عمل می کند. که در برنامه ویژهداده های یک وام گیرنده بالقوه وارد می شود. این سیستم اطلاعات را با آمار مقایسه می کند. به عنوان مثال، اگر اطلاعات زیادی در پایگاه داده وجود داشته باشد که افراد هم سن و / یا حرفه وام را بازپرداخت نکرده اند، ممکن است تصمیم منفی باشد - بانک ممکن است بدون توضیح دلایل امتناع کند.

ارزیابی اعتبار وام گیرنده - شخصی- به طور خودکار بر اساس تجزیه و تحلیل اطلاعات مختلف از جمله:

• داده های شناسایی. اطلاعات پاسپورت، عکس متقاضی در حال پردازش است. در حال حاضر در این مرحله، کلاهبرداران، افراد با سابقه اعتباری بد شناسایی می شوند.
• موقعیت اجتماعی. جنسیت، سن متقاضی، تحصیلات و محل کار وی در نظر گرفته می شود. آدرس ثبت نام و محل سکونت، حضور خانواده، افراد تحت تکفل در نظر گرفته می شود.
• جایگاه مالی. در حالت ایده آل، لازم است نه تنها درآمد کافی، بلکه منظم نیز داشته باشید. برخی از بانک ها هزینه های احتمالی را نیز در نظر می گیرند: خدمات رفاهی, مهد کودکو غیره بسیاری از مدعیان با عدم ادعای افراد تحت تکفل یا با اغراق آمیز بودن درآمد خود، تلاش زیادی می کنند. برای وام های کوچک، این ممکن است کارساز باشد، اما برای وام های بزرگ، بانک ها معمولا داده ها را بسیار دقیق تر بررسی می کنند.
• سابقه اعتباری. در ارزیابی اعتبار یک فرد، اطلاعات مربوط به وام های قبلی یکی از عوامل تعیین کننده است. وام های معوق، وجود تاخیر و مدت زمان پرداخت آنها مشخص می شود. اگر خدمات وام ها با دقت انجام شود، سیستم احتمال زیادی از همان رفتار مشتری در آینده خواهد داد و امتیاز را افزایش می دهد. همین اصل در کار است سمت معکوس;
• رفتار معاملاتی. گزینه ارزیابی برای متقاضیانی که مشتریان یک موسسه مالی هستند در دسترس است. دارندگان کارت های پلاستیکی، حساب های سپرده، شرکت کنندگان در پروژه های حقوق و دستمزد اغلب نمره بالایی دریافت می کنند. این سیستم مقادیری را که برای آنها خرید انجام می شود، دسته بندی نقاط فروش ارزیابی می کند.

همه داده ها به طور جداگانه بررسی شده و با یکدیگر برای ناسازگاری مقایسه می شوند. باید بین درآمد و هزینه، موقعیت و محل سکونت و ... ارتباط وجود داشته باشد.

بی طرفی. سیستم امتیازدهی برای ارزیابی اعتبار با ارقام و حقایق بدون در نظر گرفتن ویژگی های شخصی افراد عمل می کند. کارمند دفتری که درخواست را می پذیرد نمی تواند به هیچ وجه بر الگوریتم محاسبه تأثیر بگذارد. در صورتی که برنامه وام گیرنده را به عنوان فردی توانمند ارزیابی کرده باشد، یک افسر وام حق ندارد به طور غیرمنطقی از صدور وام امتناع کند.

بهره وری. امتیازدهی در حالت دستی به صورت جدول انجام می شود. در خطوط جداگانه، متخصص به طور مستقل داده ها را وارد می کند و امتیازات را اختصاص می دهد و فقط بر تجربه و دانش خود تمرکز می کند. این فرآیند پر زحمت و طولانی است، متقاضیان باید یک ساعت یا بیشتر منتظر بمانند. برنامه های مدرن امتیاز را صدها برابر سریعتر محاسبه می کنند.

سود مالی. بانک هایی که از سیستم امتیازدهی اعتباری استفاده می کنند، اغلب شرایط وام مطلوب تری را ارائه می دهند. محاسبه ریسک ها و حذف خودکار غیر پرداخت کنندگان احتمالی، سهم عدم بازپرداخت را که معمولاً در نرخ سود لحاظ می شود، به میزان قابل توجهی کاهش می دهد. این به نفع وام گیرنده و وام دهنده است.

اول از همه، باید یک سابقه اعتباری خوب، بدون تاخیر تشکیل داد. اگر پرداخت به موقع به دلایل عینی غیرممکن باشد، لازم است در اسرع وقت به بانک اطلاع داده شود و ورشکستگی موقت ثابت شود. اکثر وام دهندگان نیازهای مشتریان را با ارائه تعویق پرداخت، محاسبه مجدد یا راه حل های دیگر برآورده می کنند. در این صورت، تاریخ با امتناع از پرداخت خراب نخواهد شد. اگر قبلاً خطوط منفی در تاریخ وجود داشته باشد، می توان آنها را با وام های به موقع پرداخت کرد.

یکی دیگر از راه های افزایش امتیازدهی اعتبار، وجود سپرده است. سپرده بانکی باز نشان می دهد که مشتری وجوه لازم برای پرداخت را دارد. همین امر در مورد دارندگان کارت حقوق و دستمزد که معمولاً امتیاز بالایی دارند نیز صدق می کند.

برای افزایش امتیاز، باید به دقت پر کردن درخواست را در نظر بگیرید. توصیه می شود اطلاعات تماس قابل اعتمادی را ارائه دهید و به همه افرادی که شماره تلفن آنها را در پرسشنامه وارد می کنید هشدار دهید. اگر کارمند بانک شروع به زنگ زدن کرد، باید با همه مشترکین تماس بگیرد. در غیر این صورت، اطلاعات ممکن است به عنوان غیر قابل اعتماد شناخته شود و به این دلیل از اعتبار خودداری شود.

اگر به دلیل اینکه برنامه امتیازدهی شما را ورشکسته تشخیص داد، از دریافت وام محروم شدید، ناامید نشوید. شاید تنظیمات الگوریتم فقط در این بانک برای شما نامطلوب باشد. برای بررسی این موضوع، سعی کنید امتیاز را در سایت ما پاس کنید.

ارسال کار خوب خود در پایگاه دانش ساده است. از فرم زیر استفاده کنید

دانشجویان، دانشجویان تحصیلات تکمیلی، دانشمندان جوانی که از دانش پایه در تحصیل و کار خود استفاده می کنند از شما بسیار سپاسگزار خواهند بود.

نوشته شده در http://www.allbest.ru/

نوشته شده در http://www.allbest.ru/

• معرفی
• 1.4 شبکه های عصبی
• 1.5 CHAIDتحلیل و بررسی
• 1.6 روش های دیگر
• 2.1 بیان مشکل
• 3.1 مشکل مونگ-کانتوروویچ
• 3.2 کاربرد مسئله مونگ-کانتوروویچ در امتیازدهی
• نتیجه
• کتابشناسی - فهرست کتب

معرفی

امتیاز دهی یک روش اکتشافی برای ایجاد رتبه بندی و طبقه بندی اشیاء مختلف به گروه ها است. بر این فرض استوار است که افراد با شاخص‌های اجتماعی مشابه رفتار مشابهی دارند. این در بانکداری، بازاریابی، تجارت بیمه استفاده می شود.

هدف اصلی امتیازدهی سنتی طبقه بندی مشتریان بانک به دو دسته «خوب» و «بد» است که بر اساس آن وام دهنده می تواند اقدامات مناسب را در رابطه با مشتری انتخاب کند. برای مثال، یک مشتری "بد" را می توان به عنوان مشتری با احتمال تجربی کم برای بازپرداخت وام تعریف کرد. اما، به عنوان یک قاعده، چنین تعریفی از مشتری "بد" به هر رفتار مشتری که برای بانک نامطلوب است تعمیم می یابد. طبقه بندی بر اساس یک کارت امتیازدهی انجام می شود که با کمک آن امتیاز امتیاز مشتری محاسبه می شود. امتیازدهی متمایز بیزی

از ادبیات اختصاص داده شده به امتیازدهی، چندین اثر را یادداشت می کنیم.

"راهنمای امتیازدهی اعتبار" ویرایش شده توسط الیزابت میز، 2008 - تنها کتاب در مورد امتیازدهی به زبان روسی. شرح داده شده مفاهیم کلیروش های ساخت کارت امتیازی تجزیه و تحلیل شده و کاربرد امتیازدهی در عمل مورد بحث قرار می گیرد. این کتاب مشتمل بر مقالاتی است که توسط کارشناسان خارجی در زمینه امور مالی نوشته شده است.

پایان نامه ساموئل گلسون، "روش نمونه گیری سانسور شده برای امتیازدهی اعتبار"، 2007. ابزارهای تجزیه و تحلیل بقا برای امتیازدهی اعتباری تحت داده های سانسور شده را بررسی می کند. کاربرد روش رگرسیون خطی و به ویژه روش باکلی-جیمز مورد تجزیه و تحلیل قرار گرفته است. بخش عملیاین کار شامل کاربرد این روش ها برای تخمین زمان نکول اعتبار و زمان پرداخت پرداخت بعدی است.

کار پایان نامه توسط کریستینا بولتون "رگرسیون های لجستیک و کاربرد آنها در امتیازدهی اعتبار"، 2009. مفهوم امتیازدهی اعتباری در رابطه با بانکداری در آفریقای جنوبی تجزیه و تحلیل شده است. روش های ساخت یک مدل امتیازدهی با تاکید ویژه بر روش رگرسیون لجستیک در نظر گرفته شده است. از این روش برای ایجاد یک مدل امتیازدهی استفاده می شود.

پایان نامه ماتیاس کرمپل "مدل های تطبیقی ​​و کاربرد آنها در امتیازدهی اعتبار"، 2011. تاکید بر مطالعه روش های ساخت مدل های پیش بینی در شرایط رانش و تاخیر داده ها است. معرفی کرد روش جدیدبرای ساخت مدل های امتیازدهی بر اساس روش درخت تصمیم. روش ارائه شده برای تخمین رانش در دو مجموعه از داده های مالی واقعی استفاده می شود.

آثار ذکر شده در بالا دارند یک مشکل رایج: استفاده از روش ها در ساخت مدل های امتیازدهی توجیه پذیر نیست. این باعث ایجاد شک و تردید در مورد صحت داده های به دست آمده می شود. وظیفه ساخت روشی است که کاربرد آن قابل توجیه باشد. در این مقاله روشی را ارائه می کنیم که این مشکل را حل می کند.

رویکردهای زیادی برای ساخت یک مدل امتیازدهی وجود دارد. فصل 1 این اثر روش های مورد استفاده در پایان نامه های فوق را تشریح می کند. فصل 2 معرفی می کند مدل ریاضیامتیازدهی و تجزیه و تحلیل رویکرد تجربی بیزی برای ساخت یک مدل امتیازدهی: این رویکرد به صورت تئوری توصیف می‌شود و سپس برای ایجاد یک مدل امتیازدهی به داده‌های واقعی Sberbank روسیه اعمال می‌شود. فصل 3 روشی را بر اساس مسئله Monge-Kantorovich معرفی می کند. اثبات نظری استفاده این روش. سپس برای ساخت یک مدل امتیازدهی بر روی داده های استفاده شده در فصل 2 استفاده می شود.

فصل 1. روش‌های ساخت مدل‌های امتیازدهی

1.1 تاریخچه پیدایش و توسعه امتیازدهی

در ابتدا، امتیازدهی با هدف خودکارسازی فرآیند تصمیم گیری در مورد صدور وام ایجاد شد. قبل از معرفی امتیازدهی، تصمیم گیری در مورد اینکه چه کسی به چه میزان وام صادر کند توسط افسر وام گرفته می شد. او این را بر اساس تجربه و نظر خود، با هدایت پارامترهای مشتری که بر اعتبار او تأثیر می گذارد، تصمیم گرفت.

در دهه 1940، معرفی سیستم های امتیازدهی آغاز شد. در سال 1941، دیوید دوران اولین کتاب را منتشر کرد کار تحقیقاتیدر امتیازدهی اعتباری، که در آن او نقش عوامل مختلف را در سیستم پیش بینی ارزیابی کرد. پس از پایان جنگ جهانی دوم، تقاضا برای محصولات اعتباری به شدت افزایش یافت و مشخص شد که روش های سنتیتصمیم گیری تحت شرایط ضعیف عمل می کند تعداد زیادیمشتریان انفجار در تقاضا برای وام، که تا حدی به دلیل معرفی کارت های اعتباری ایجاد شده است، وام دهندگان را برانگیخته است تا سیستم های تصمیم گیری خودکار وام را پیاده سازی کنند. توسعه موازی فناوری رایانه به این امر کمک کرد و پردازش مقادیر زیادی از داده های مالی را ممکن کرد.

FICO در سال 1956 برای توسعه وام های مصرفی تاسیس شد. در دهه 60، معرفی فناوری های رایانه ای در زمینه امتیازدهی آغاز شد. در سال 1963، استفاده از تجزیه و تحلیل داده های متمایز برای امتیازدهی اعتباری پیشنهاد شد. و سرانجام در سال 1975 با تصویب "قانون فرصت های اعتباری برابر ایالات متحده I" سرانجام امتیازدهی به رسمیت شناخته شد.

یک گام مهم در توسعه امتیازدهی اعتباری، ظهور امتیازدهی رفتاری در اوایل دهه 90 بود. هدف آن پیش بینی پرداخت های مشتریان فعلی است.

اخیراً، توسعه سیستم‌های امتیازدهی توسط محیط خارجی تنظیم شده است. به عنوان بخشی از الزامات کفایت سرمایه که در ارتباط با اجرایی شدن دومین موافقتنامه بازل (کمیته بازل برای نظارت بانکی 2001) بر بانک ها تحمیل شده است، مؤسسات باید ریسک های مرتبط با پرتفوی وام خود را به دقت رصد کنند. روش های امتیازدهی اعتباری این امکان را به شما می دهد.

از زمان معرفی اولین سیستم امتیازدهی، روش های ریاضی و آماری زیادی مورد استفاده قرار گرفته است. از جمله موارد آماری می توان به تحلیل تفکیک، رگرسیون خطی، رگرسیون لجستیک و درخت تصمیم اشاره کرد. روش‌های دیگر از ریاضیات به دست آمدند: برنامه‌ریزی ریاضی، شبکه‌های عصبی، الگوریتم‌های ژنتیک و سیستم‌های خبره. در ادامه متداول ترین روش ها را تجزیه و تحلیل خواهیم کرد و در مورد مزایا و معایب آنها صحبت خواهیم کرد.

1.2 تجزیه و تحلیل تفکیک خطی و رگرسیون خطی

تجزیه و تحلیل تشخیص خطی روشی برای طبقه بندی اشیا به دسته های از پیش تعریف شده است. ایده این است که ترکیبی خطی از متغیرهای توضیحی پیدا کنیم که به بهترین نحو اشیا را دسته بندی کند. منظور از بهترین تقسیم، چیزی است که حداکثر فاصله را بین میانگین های این دسته ها فراهم می کند. امتیاز به عنوان یک تابع خطی از مقادیر ویژگی مشتری محاسبه می شود:

در اینجا، مقادیر ویژگی مشتری، پارامترهای مدل هستند که رابطه را به حداکثر می‌رسانند

بردار میانگین ها برای کجاست خوبو بدمشتریان، ماتریس کوواریانس رایج است.

روش تشخیص خطی تحقق دو شرط را فرض می کند. ابتدا، ماتریس های کوواریانس متغیرهای مستقل برای هر دو گروه باید مطابقت داشته باشند. دوم، متغیرهای مستقل باید به طور عادی توزیع شوند. اغلب، در امتیازدهی، متغیرهای مستقل گسسته هستند یا به طور معمول توزیع نمی شوند. از این رو در کاربرد این روش مشکلاتی وجود دارد. با این حال، نشان داده شده است که حتی در صورت نقض نرمال بودن، این روش به طور گسترده قابل اجرا است. مزیت آن سهولت استفاده است.

یک روش رگرسیون خطی مشابه نیز برای تولید مدل امتیازدهی استفاده می شود. در مورد دو دسته، معادل روش تحلیل افتراق خطی است و وابستگی یک متغیر (وابسته) به متغیرهای دیگر (مستقل) را بیان می کند. به طور کلی به نظر می رسد این است:

متغیر وابسته;

متغیرهای مستقل توضیحی؛

ضرایب رگرسیون ناشناخته که با روش حداقل مربعات یافت می شوند.

برای اعمال یک مدل امتیازدهی خطی، فرض زیر لازم است: رابطه بین متغیرهای وابسته و مستقل باید خطی باشد. در غیر این صورت، دقت تخمین به طور قابل توجهی بدتر می شود. خطاها باید مستقل و به طور معمول توزیع شوند.

همانند تجزیه و تحلیل متمایز، در شرایط امتیازدهی اعتباری، مفروضات مورد نیاز برای اعمال رگرسیون خطی اغلب نقض می شوند. رگرسیون خطی ممکن است تخمین احتمالی خارج از محدوده ارائه دهد که غیرقابل قبول است. برای مثال رگرسیون لجستیک این عیب را ندارد.

1.3 رگرسیون لجستیک و رگرسیون پروبیت

این نوع رگرسیون برای ساخت یک مدل امتیاز دهی مناسب تر است، زیرا امکان ارائه طبقه بندی داده ها را فراهم می کند. مدل رگرسیون لجستیک به صورت زیر تعریف می شود:

تخمینی از احتمال "بد" بودن مشتری کجاست , - بردار پارامترهای رگرسیون ناشناخته که از طریق شرط بیشینه سازی نسبت احتمال محاسبه می شود.

مدل رگرسیون لجستیک بر اساس تابع لگاریتم است. به نوبه خود، رگرسیون پروبیت بر اساس توزیع نرمال است و به صورت زیر ارائه می شود:

جایی که. بردار به همان شکلی که در مدل رگرسیون لجستیک یافت می شود.

از آنجایی که رگرسیون لجستیک و رگرسیون پروبیت از توزیع هایی استفاده می کنند که شکل مشابهی دارند، نتایج به کارگیری این مدل ها نیز مشابه است. رگرسیون لجستیک ترجیح داده می شود زیرا محاسبات ساده تر از رگرسیون پروبیت هستند و ابزارهای بیشتری برای کار با آن وجود دارد. با توجه به ماهیت دودویی آن، رگرسیون لجستیک زمانی که برای ساخت مدل های امتیازدهی استفاده می شود، به رگرسیون خطی ارجحیت دارد. در عمل، مشخص شد که تفاوت در دقت نتایج پیش بینی شده ناچیز است. با این حال، غلبه رگرسیون لجستیک در سیستم های امتیازدهی وجود دارد.

1.4 شبکه های عصبی

شبکه های عصبی مصنوعی شبیه سازی شبکه های عصبی موجود در طبیعت هستند. این مفهوم هنگام تلاش برای مدل‌سازی فرآیندهای رخ داده در مغز انسان به وجود آمد.

شبکه‌های عصبی که پرسپترون‌های چندلایه نیز نامیده می‌شوند، مخصوصاً برای حل مسئله طبقه‌بندی مناسب هستند. آنها به طور گسترده ای استفاده می شوند زمینههای مختلف: دارایی، مالیه، سرمایه گذاری، علوم کامپیوتر، فیزیک و پزشکی. محبوبیت شبکه های عصبی تا حدی به دلیل توانایی مدل سازی موقعیت های پیچیده با هزینه اندک برای کاربر است. طبق ماهیت خود، شبکه های عصبی به طور خودکار هر موقعیت غیرخطی در داده ها را شناسایی کرده و بر اساس آن تنظیم می کنند. همچنین شبکه‌های عصبی چندلایه تقریب‌کننده‌های جهانی هستند، یعنی می‌توانند هر تابعی را به دقت مورد نظر تقریب بزنند.

شبکه های عصبی از لایه هایی تشکیل شده اند که به نوبه خود از گره ها تشکیل شده اند. در شبکه ها 3 نوع لایه وجود دارد: ورودی، مخفی، خروجی. لایه ورودی توسط ویژگی های مشتری مانند جنسیت، سن و غیره تشکیل می شود.

خروجی گره k با m ورودی به صورت زیر نمایش داده می شود:

که در آن تابع فعال سازی است، بردار داده ورودی است، بردار وزنی است که قدرت اتصال بین گره ها را نشان می دهد.

نقطه ضعف اصلی این است که علیرغم توانایی دستیابی به دقت بالای پیش بینی، درک دلایلی که این یا آن تصمیم گرفته شده است غیرممکن است.

در زمینه امتیازدهی اعتباری، شبکه‌های عصبی به خوبی روش‌های سنتی عمل می‌کنند.

1.5 تجزیه و تحلیل CHAID

این روش برای یافتن روابط بین داده ها عالی است، به خصوص اگر روابط غیر خطی باشند. برای ساخت درخت های تصمیم استفاده می شود و با روش های کلاسیک مانند آنالیز متمایز و رگرسیون خطی اشتراکات زیادی دارد.

مخفف CHAID مخفف Chi-squared Automated Interaction Detector است.

انعطاف پذیری این روش استفاده از آن را جذاب می کند، اما این بدان معنا نیست که باید به جای روش های سنتی از آن استفاده کرد. در مواردی که مفروضات نظری دقیقی در مورد توزیع وجود دارد، روش‌های سنتی ترجیح داده می‌شوند. به عنوان یک تکنیک تحقیق یا زمانی که روش های سنتی شکست می خورند، تجزیه و تحلیل CHAID یک ابزار بی نظیر است.

CHAID بر اساس یک الگوریتم نسبتا ساده که برای تجزیه و تحلیل مجموعه داده های بزرگ مناسب است، درخت های غیر باینری (یعنی درختانی که می توانند بیش از دو شاخه داشته باشند) می سازد. الگوریتم مبتنی بر کاربرد آزمون کای اسکوئر است.

1.6 روش های دیگر

درخت تصمیم

این روش داده‌ها را به زیرمجموعه‌هایی تقسیم می‌کند که رفتار هر کدام از مجموعه داده‌های اصلی یکنواخت‌تر است. هر یک از این زیر مجموعه ها بر اساس الگوریتم مشابهی تقسیم می شوند. حاصل تقسیم را «برگ» این درخت می نامند. روش های دیگری نیز وجود دارد که بر اساس یک اصل مشابه کار می کنند.

از مزایای این روش می توان به سادگی و شهودی بودن آن اشاره کرد. این روش قادر است با مشاهدات گمشده کار کند. این امر به ویژه در مواردی کاربرد دارد که عملاً هیچ چیز در مورد داده ها قبل از مطالعه آنها شناخته نشده است و نمی توان حدس یا فرضیه ای ساخت.

عیب اصلی این روش پیچیدگی محاسبات کامپیوتری است. با توجه به حجیم بودن درختان حاصل، فرآیند مطالعه مدل پر زحمت است. تغییرات در وضعیت ممکن است به تجدید نظر در کل درخت تصمیم منجر شود.

اساساً این روش به عنوان یک کمکی استفاده می شود. به عنوان مثال، برای تعیین متغیرهایی که به شدت رفتار متغیر وابسته را توضیح می دهند.

روشکنزدیکترین همسایگان روش ناپارامتریک طبقه بندی اشیا بر اساس معیاری که شباهت بین داده ها را اندازه گیری می کند.

در ابتدا، داده های آموزشی وارد شده و به کلاس ها تقسیم می شوند. سپس داده های برآورد شده وارد شده و شباهت بین داده های وارد شده و آموزشی مشخص می شود. بر اساس متریک، k نزدیکترین همسایه انتخاب می شوند. عنصر جدید به کلاسی که بیشتر همسایگانش به آن تعلق دارند، اختصاص داده می شود.

تعداد همسایگان k با یک مبادله بین جبران و پراکندگی تعیین می شود. هر چه کلاس کوچکتر باشد، k کوچکتر انتخاب می شود. در این صورت لزومی ندارد که برای k بزرگ نتیجه بهتر باشد.

یکی از مزایای این روش این است که به راحتی می توان داده های جدید را بدون تغییر مدل اضافه کرد. ماهیت ناپارامتری این روش به فرد اجازه می دهد تا با غیرمنطقی بودن توابع ریسک در فضای ویژگی کار کند.

فقدان روش رسمی برای انتخاب k و عدم امکان تفسیر احتمالی نتیجه، از آنجایی که نتیجه فرکانس های مورد انتظار است، از معایب اصلی روش است. این مشکلات را می توان با استفاده از روش تقریب بیزی حل کرد.

این روش در امتیازدهی کم استفاده می شود. یکی از دلایل این امر این است که برای طبقه بندی یک شی، باید روی همه اشیا یک پایه داشته باشیم.

جدیدتر ماشین بردار پشتیبانی، که بر اساس یادگیری ماشین ساخته شده است، نشان داد که بدتر از روش های سنتی امتیازدهی نیست. این شامل دو فرآیند است: اولی داده های ورودی را به داده های با ابعاد بالا در فضای ویژگی تبدیل می کند. دومی داده ها را با استفاده از یک طبقه بندی خطی طبقه بندی می کند. طبقه بندی کننده می تواند، برای مثال، تجزیه و تحلیل تشخیص خطی باشد.

1.7 مقایسه روش های مختلف

تعدادی از مطالعات تطبیقی ​​برای روش های امتیازدهی انجام شده است. معیار رتبه بندی درصد خطاهای طبقه بندی و منحنی ROC بود. 8 مجموعه داده مورد مطالعه قرار گرفت.

	امتیاز متوسط
شبکه های عصبی
بردارهای پشتیبانی
رگرسیون لجستیک
تحلیل تشخیصی خطی
LS-SVM های خطی
درخت بیز گسترش یافته
طبقه بندی کننده ساده لوح بیز
توابع پایه شعاعی
k-نزدیکترین همسایه (k=100)
SVM خطی
تجزیه و تحلیل تفکیک درجه دوم
درخت تصمیم
برنامه ریزی خطی
درخت تصمیم
درخت تصمیم
k-نزدیکترین همسایه (k=10)
درخت تصمیم

جدول نشان می دهد که شبکه های عصبی و ماشین بردار پشتیبان بهترین در 8 مجموعه داده مورد مطالعه بودند. علاوه بر این، روش‌های سنتی مانند تحلیل خطی و متمایز، رقابتی بودن خود را نشان داده‌اند. نتیجه این است که این احتمال وجود دارد که بیشتر داده های امتیازدهی اعتباری فقط اندکی غیرخطی باشند. در نتیجه، ثابت شد که روش های خطی در سطحی با روش های غیر خطی قرار دارند.

هیچ مدل امتیازدهی بهینه برای هر موقعیتی وجود ندارد. انتخاب مدل به داده ها و هدفی که ایجاد مدل برای آن هدایت می شود بستگی دارد. همچنین، روشی که بهترین را تخمین می زند، لزوماً در یک موقعیت معین بهترین نیست.

فصل 2 رویکرد بیزی تجربی

در این فصل، رویکرد تجربی بیزی را تحلیل کرده و از آن برای ساخت یک مدل امتیازدهی استفاده خواهیم کرد. ساخت و ساز بر اساس آمار وام های مصرفی بانک "Sberbank روسیه" خواهد بود.

2.1 بیان مشکل

فرض کنید بانک خاصی وجود دارد که به افراد وام می دهد. مشتریان برای دریافت وام به بانک ها مراجعه می کنند. تصمیم برای صدور وام توسط بانک بر اساس اطلاعات مشتری گرفته می شود.

بانک اطلاعات مربوط به مشتری را از منابع مختلف دریافت می کند: از خود مشتری، از دفتر اعتبار و از منابع دیگر. ما اطلاعات ارائه شده توسط خود مشتری را در نظر خواهیم گرفت. بانک آن را از طریق پرسشنامه ای که توسط وام گیرنده پر می شود دریافت می کند.

در پرسشنامه، وام گیرنده داده های زیر را نشان می دهد: جنسیت، سن، وضعیت تأهل، حضور فرزندان، درآمد ماهانه، در دسترس بودن املاک و غیره.

بر اساس این داده ها، ما مشتریان را به گروه هایی تقسیم می کنیم که از جهات خاصی شبیه به هم هستند. برای هر مشتری، با روش بیزی، رتبه‌بندی پیدا می‌کنیم - احتمال تجربی که مشتری وام را بازپرداخت کند، مشروط بر اینکه متعلق به این گروه باشد.

برای اعمال روش، داده ها باید شرایط زیر را داشته باشند:

استقلال - مشتریان برای بازپرداخت وام تبانی نمی کنند.

همگنی - داده ها از یک گرفته می شوند جمعیت;

equiprobability - مشتریان به طور مساوی به گروه ها تقسیم می شوند.

اجرای آنها در زیر تأیید شده است.

2.2 ساخت یک مدل امتیازدهی

ما یک فضای احتمال را معرفی می کنیم. بیایید در این فضا - مشتری بانک را تعیین کنیم.

هر مشتری بانک طبق پرسشنامه تکمیل شده دارای مجموعه ای از خصوصیات است. به عنوان مثال: متاهل یا غیر متاهل، سطح درآمد به دسته ها، مالکیت خودرو و سایر ویژگی ها تقسیم می شود. با توجه به این ویژگی ها، یک پارتیشن از فضا را به مجموعه ها معرفی می کنیم

بنابراین، مجموعه مشتریان به گروه‌هایی تقسیم می‌شوند.

بیایید متغیرهای تصادفی را معرفی کنیم.

تعداد مشتریان در گروه j.

از داده‌ها، می‌توانیم یک توزیع احتمال تجربی مشترک بسازیم.

احتمال تجربی پیشینی رویداد A کجاست،

احتمال تجربی رویداد B تحت شرط A،

احتمال تجربی یک رویداد A در شرایط B که به آن احتمال پسین می گویند.

احتمال تجربی رویداد B.

این فرمول به شما امکان می دهد تا احتمال رویداد A را با توجه به این واقعیت که رویداد B رخ داده است، بیش از حد تخمین بزنید.

از تعریف احتمال شرطی می توان نوشت:

با بیان از (1) و جایگزینی عبارت به این فرمول، به دست می آوریم:

2.3 به کارگیری یک مدل برای داده ها

ما اطلاعاتی در مورد 1977 مشتریان Sberbank روسیه داریم، از جمله اطلاعاتی در مورد اینکه آیا آنها وام را بازپرداخت کرده اند یا خیر.

برای اعمال رویکرد بیزی، لازم است از تحقق 3 فرضیه اطمینان حاصل شود:

· در مورد استقلال - مشتریان برای پرداخت یا عدم پرداخت وام تبانی نمی کنند.

در مورد همگنی - داده ها از یک جمعیت عمومی گرفته شده است.

· در مورد نوع توزیع - داده ها به صورت همسان توزیع می شوند.

فرضیه استقلال

برای آزمون این فرضیه از معیار رتبه اسپیرمن استفاده می کنیم. آماره این معیار ضریب همبستگی رتبه ای است که به صورت زیر تعریف شده است.

دو سری از مشاهدات داده شده است: i. بر اساس این مشاهدات، ما جفت رتبه ها را می سازیم. منظور ما از رتبه، تعداد مکان اشغال شده توسط یک مشاهده در یک سری متغیر است. ما رتبه را به همین صورت درک می کنیم. سپس جفت‌های رتبه‌ها را به ترتیب صعودی مولفه اول دوباره مرتب می‌کنیم. بیایید سری حاصل را نشان دهیم.

ضریب همبستگی با فرمول بدست می آید:

منطقه بحرانی معیار. برای یافتن، از این واقعیت استفاده می کنیم که قانون توزیع برای n بزرگ تمایل دارد. از اینجا. در اینجا تابع توزیع قانون استاندارد گاوس است.

در سطح معناداری 959964/1 =. مرز منطقه بحرانی. ضریب همبستگی پیدا شده.

بنابراین آمار معیار در منطقه بحرانی آن قرار نمی گیرد و می توان فرضیه استقلال را در سطح معناداری 05/0 پذیرفت.

فرضیه همگنی

فرضیه به صورت زیر تدوین شده است. با توجه به دو نمونه و از توزیع ها و به ترتیب با توابع توزیع و. سپس فرضیه همگنی.

برای آزمون این فرضیه از معیار اسمیرنوف استفاده می کنیم.

آمار این معیار این است که توابع توزیع تجربی بر روی نمونه ها کجا هستند و. منطقه بحرانی در فرم مشخص شده است. برای n و m بزرگ، مرز ناحیه بحرانی را می توان برابر با، جایی که در نظر گرفت. تابع توزیع کولموگروف است.

بنابراین، فرضیه همگنی رد می شود اگر. در سطح معنی داری 05/0. مرز منطقه بحرانی است. آمار.

آماره آزمون در ناحیه بحرانی قرار نمی گیرد و می توانیم فرضیه همگنی را در سطح معنی داری 05/0 بپذیریم.

فرضیه در مورد نوع توزیع

بیایید یک فرضیه را تدوین کنیم. نمونه ای از توزیع با تابع توزیع ناشناخته به ما داده می شود. لازم است بررسی شود که تابع توزیع توزیع یکنواخت در بازه است.

برای این کار از تست خوب بودن تناسب پیرسون استفاده می کنیم.

آمار آزمون است. در اینجا فراوانی مشاهده مشاهدات در اینجا آمده است بخش i-ام، - احتمال ورود به بخش i. اگر فرضیه مورد آزمایش درست باشد، برای n بزرگ، آمار از توزیع کای دو با درجه آزادی k-1 تبعیت می کند.

اگر آمار از مقدار بحرانی بیشتر شود، فرضیه رد می شود.

ارزش آمار را با استفاده از بسته نرم افزاری Statistica محاسبه می کنیم - =24.19468, k-1=39. مرز منطقه بحرانی در سطح اهمیت.

بنابراین، ارزش آمار از سطح بحرانی فراتر نمی رود و فرضیه توزیع یکنواخت مشتریان بر اساس گروه ها در سطح معناداری 05/0 پذیرفته می شود.

بنابراین، داده ها تمام فرضیه های داده شده در بالا را برآورده می کند و ما می توانیم رتبه بندی را پیدا کنیم.

داده های موجود شامل بسیاری از آنها است ویژگی های مختلفمشتریان برای ساخت و ساز ما از 4 مورد از آنها استفاده خواهیم کرد که مهمترین آنها هستند. محدود بودن نمونه ما (عناصر 1977) به ما اجازه نمی دهد که عناصر بیشتری را انتخاب کنیم.

مشخصات انتخابی: سن و جنسیت وام گیرنده، حضور فرزندان، بازپرداخت وام به درصد از کل درآمد وام گیرنده. سن مشخصه 3 مقدار را می گیرد - 18-29، 30-45، 46-…. جنسیت وام گیرنده دو مقدار - مرد و زن؛ حضور کودکان دو معنا دارد - بچه وجود دارد و بچه وجود ندارد. پرداخت ها 5 مقدار می گیرند - (<5%),(6-10%), (11-16%), (17-22%),(23-55%).

هر مقدار خاص از مشخصه، دارایی وام گیرنده نامیده می شود. بیایید همه مشتریان خود را بر اساس وجود یک ویژگی خاص در یک مشتری معین به مجموعه هایی تقسیم کنیم. به عنوان مثال، مشتریان زیادی هستند که فرزندی ندارند.

این نمادها هستند:

فرزندان، = بدون فرزند، = بچه دار شدن.

سن، =سن1(18-29)، =سن2(30-45)، =سن3(46-…)؛

جنسیت، =زن، =مرد.

بازپرداخت وام به درصد از کل درآمد وام گیرنده، =In1(<5), =Вып2(6-10), =Вып3(11-16), =Вып4(17-22), =Вып5(23-55).

ما مجموعه های جدیدی را به عنوان ترکیبی از تمام ویژگی های ممکن مشتری تشکیل می دهیم - برای همه ممکن است.<5% от своего суммарного дохода. Количество таких множеств равно 60.

جدول 2.1. رمزگذاری را تنظیم کنید.

						بدون بچه	بچه داشتن

توجه داشته باشید که - یک پارتیشن از کل مجموعه مشتریان تشکیل دهید:

بیایید یک توزیع تجربی مشترک از دو متغیر تصادفی گسسته بسازیم - و، جایی که =(0،1)، =(، i=1:60). ما آن را به عنوان نسبت تعداد مشتریانی که یک جفت مقادیر از متغیرهای تصادفی (X, Y) را برآورده می کنند به تعداد کل مشتریان می سازیم.

تعداد کلاینت های مربوط به هر جفت ممکن (X,Y) را ثابت می کنیم.

جدول 2.2. تعداد مشتریانی که وام را بازپرداخت کردند و در هر گروه بازپرداخت نکردند. 0 - وام را پس داد، 1 - وام را پس نداد.

اجازه دهید یک توزیع احتمال تجربی مشترک بسازیم. برای انجام این کار، تعداد مشتریانی که بازگشته اند و وام را پس نداده اند در هر یک از گروه ها بر تعداد کل مشتریان تقسیم می کنیم.

جدول 2.3. توزیع احتمال تجربی مشترک

شکل 2.1. تابع توزیع تجربی در X=0.

شکل 2.2. تابع توزیع تجربی برای X = 1.

شکل 2.3. هیستوگرام توزیع مشترک در X=0.

شکل 2.4. هیستوگرام توزیع مشترک در X=1.

بیایید توزیع تجربی احتمالات ورود به هر یک از گروه ها را پیدا کنیم. برای انجام این کار، تعداد مشتریان هر گروه را بر تعداد کل مشتریان تقسیم می کنیم. تعداد کل مشتریان

جدول 2.4. توزیع تجربی احتمالات ورود به هر گروه.

شکل 2.5. هیستوگرام ورود به گروه i.

بر این اساس طبقه بندی را دریافت می کنیم:

مشتریان از گروه خطر 60

مشتریان از گروه های 1-5، 7-12، 15، 17، 25، 31، 32، 33، 35-37، 39، 40، 42، 54-56، 58 - ریسک متوسط

· مشتریان گروه های 6، 13، 14، 16، 18-24، 26-30، 34، 38، 41، 43-53، 57، 59 قابل اعتماد هستند.

فصل 3. رویکرد مبتنی بر مسئله مونگ-کانتوروویچ

3.1 مشکل مونگ-کانتوروویچ

مشکل مونگ

با توجه به دو فضای احتمال و یک تابع قابل اندازه گیری غیر منفی روی، ...

اسناد مشابه

تجزیه و تحلیل تمایز به عنوان شاخه ای از تجزیه و تحلیل آماری چند متغیره. تجزیه و تحلیل متمایز تحت قانون عادی توزیع شاخص ها. کاربرد تحلیل تفکیک در حضور دو نمونه آموزشی. حل مشکل در آمار سیستم.

مقاله ترم، اضافه شده در 2011/01/21


مدل های تجزیه و تحلیل افتراقی کارایی مدل‌های کلاسیک غربی و روسی پیش‌بینی ورشکستگی. خاص صنعت شرح مقالات شامل مشخصات نمونه، روش، فهرست عوامل و قدرت پیش بینی روش تحلیل.

چکیده، اضافه شده در 1395/07/24


مبانی تحلیل رگرسیون خطی. ویژگی های استفاده از عملکرد کاب داگلاس. کاربرد رگرسیون خطی چندگانه ماهیت روش حداقل مربعات. راه هایی برای جلوگیری از همبستگی کاذب بررسی معناداری ضرایب رگرسیون.

چکیده، اضافه شده 10/31/2009


طبقه بندی اقتصادی کشورها، ویژگی های شاخص های اصلی توسعه اقتصادی. روش های آماری تجزیه و تحلیل، توصیف تفکیک، تجزیه و تحلیل خوشه ای، فاکتوریل و گرافیکی. پارامترهای مطالعه امنیت اقتصادی.

پایان نامه، اضافه شده در 1392/10/14


تاریخچه ظهور تجزیه و تحلیل هزینه عملکردی، روش شناسی، اصول، وظایف و مراحل پیاده سازی آن. استفاده از تجزیه و تحلیل سیستم و توسعه عنصر به عنصر طراحی هر قسمت Yu.M. سوبولف. کاربرد تحلیل هزینه عملکردی

تست، اضافه شده در 04/08/2012


مبانی نظری و روش شناختی تحلیل اقتصادی، موضوع، موضوع، وظایف. ویژگی های اصول تحلیل اقتصادی، رویکردها و ویژگی های استفاده از آنها در عمل. تعیین روند توسعه شرکت بر اساس تجزیه و تحلیل.

مقاله ترم، اضافه شده در 2010/12/20


ماهیت و کاربرد روش حداقل مربعات برای رگرسیون خطی یک طرفه. یافتن ضریب کشش برای مدل مشخص شده در نقطه X و تحلیل اقتصادی آن. پیش بینی ضرر بر اساس رگرسیون خطی.

تست، اضافه شده در 2009/06/15


ماهیت مدل اولسون به عنوان یکی از امیدوارکننده ترین تحولات مدرن در تئوری ارزش گذاری شرکت است. EVO در ارزیابی عملی، ویژگی های کار آن در روسیه. ویژگی های دینامیک اطلاعات خطی Olson و Feltham-Olson.

تست، اضافه شده در 04/07/2011


مفهوم اطلاعات اقتصادی، ماهیت و ویژگی های آن، طبقه بندی و انواع، ویژگی ها و ویژگی های متمایز. ماهیت، موضوع و اهداف تحلیل اقتصادی، اهداف و مقاصد. رابطه تحلیل با سایر علوم، سازماندهی آن.

برگه تقلب، اضافه شده در 04/05/2009


روش‌های توسعه یک مدل اقتصادی-ریاضی: بیان مسئله، سیستم متغیرها و محدودیت‌ها. انواع حل مدل اقتصادی - ریاضی برای بهینه سازی ساختار تولید یک بنگاه کشاورزی، تجزیه و تحلیل برآوردهای دوگانه.

افزایش سودآوری عملیات وام دهی ارتباط مستقیمی با کیفیت ارزیابی ریسک اعتباری دارد. بسته به طبقه بندی مشتری توسط گروه های ریسک، بانک تصمیم می گیرد که آیا وام صادر کند یا خیر، چه حد اعتبار و چه سودی باید تعیین کند.

در عمل جهانی، دو روش اصلی برای ارزیابی ریسک وام‌دهی وجود دارد که می‌توان آن‌ها را هم به صورت جداگانه و هم در ترکیب با یکدیگر مورد استفاده قرار داد:

• نظر ذهنی کارشناسان یا افسران وام؛
• سیستم های امتیاز دهی خودکار

این مقاله به شیوه غربی استفاده از سیستم های امتیازدهی اختصاص دارد که در حال حاضر به طور گسترده در همه کشورهای توسعه یافته اقتصادی استفاده می شود. اگرچه امتیازدهی یکی از موفق‌ترین نمونه‌های استفاده از روش‌های ریاضی و آماری در تجارت است، اما این موضوع در مطبوعات روسیه به طور غیرقابل توجهی نادیده گرفته می‌شود. هدف این نشریه پر کردن این شکاف و ارائه یک نمای کلی از تاریخچه و تمرین امتیازدهی است. از آنجایی که مقاله برای طیف نسبتاً وسیعی از خوانندگان در نظر گرفته شده است، فقط یک توصیف بسیار کلی از نحوه عملکرد امتیازدهی ارائه می دهد. مبانی نظری و توجیهات قانونی بودن استفاده از این یا روش دیگر در اینجا تحت تأثیر قرار نمی گیرد.

از آنجایی که امتیازدهی عمدتاً در اعطای وام به افراد، به ویژه در اعتبارات مصرفی برای وام های بدون تضمین استفاده می شود، بحث زیر بر ارزیابی ریسک اعتباری وام گیرندگان - افراد متمرکز خواهد بود.

تعریف اعتبار و اطلاعات مورد استفاده برای پیش بینی آن

برای ارزیابی ریسک اعتباری، تجزیه و تحلیل اعتبار وام گیرنده انجام می شود، که در عمل بانکداری روسیه به معنای توانایییک شخص حقوقی یا حقیقی برای پرداخت کامل و به موقع تعهدات بدهی خود. در رویه بانکداری غربی، اعتبار به این صورت تعبیر می شود آرزو کردنمرتبط با فرصتپرداخت به موقع تعهد صادر شده در ادامه، اصطلاح «اعتبار» را به این معنا به کار خواهیم برد. بر اساس این تعریف، وظیفه اصلی امتیازدهی تنها این نیست که آیا مشتری قادر به بازپرداخت وام است یا خیر، بلکه میزان اطمینان و تعهد مشتری نیز هست. به عبارت دیگر، امتیاز دهی میزان اعتبار یک مشتری را ارزیابی می کند، به عنوان مثال، چقدر «شایستگی» وام دارد.

امتیاز دهییک مدل ریاضی یا آماری است که براساس آن، بر اساس سابقه اعتباری مشتریان «گذشته»، بانک سعی می‌کند تعیین کند که چقدر احتمال دارد که یک وام گیرنده بالقوه خاص وام را به موقع بازپرداخت کند.

در سیستم بانکداری غربی، زمانی که شخصی برای دریافت وام درخواست می کند، بانک ممکن است اطلاعات زیر را برای تجزیه و تحلیل داشته باشد:

پرسشنامه ای که توسط وام گیرنده پر شده است؛

اطلاعات مربوط به این وام گیرنده از یک اداره اعتبار - سازمانی که سابقه اعتباری کل جمعیت بزرگسال کشور را ذخیره می کند.

داده های مربوط به حرکات حساب، اگر در مورد مشتری موجود بانک صحبت می کنیم.

تحلیلگران اعتباری با مفاهیم زیر عمل می کنند: "ویژگی های" مشتریان (در اصطلاح ریاضی - متغیرها، عوامل) و "نشانه ها" - مقادیری که متغیر می گیرد. اگر پرسشنامه ای را تصور کنیم که مشتری آن را پر می کند، مشخصه ها سؤالات پرسشنامه (سن، وضعیت تأهل، حرفه) و نشانه ها پاسخ این سؤالات است.

در ساده‌ترین شکل آن، یک مدل امتیازدهی مجموع وزنی از ویژگی‌های خاص است. نتیجه یک شاخص جدایی ناپذیر (امتیاز) است. هر چه بالاتر باشد، ضریب اطمینان مشتری بیشتر می شود و بانک می تواند مشتریان خود را به ترتیب افزایش اعتبار تنظیم کند.

شاخص انتگرال هر مشتری با یک آستانه عددی خاص یا خط تقسیم مقایسه می شود که در اصل یک خط سربه سر است و از نسبت تعداد مشتریانی که به طور متوسط ​​به موقع پرداخت می کنند محاسبه می شود. به منظور جبران خسارت از یک بدهکار. به مشتریانی که اندیکاتور انتگرال بالای این خط دارند وام داده می شود، به مشتریانی که اندیکاتور انتگرال زیر این خط دارند وام نمی دهند.

همه اینها بسیار ساده به نظر می رسند، اما بخش دشوار این است که تصمیم بگیرید کدام ویژگی ها را در مدل قرار دهید و کدام وزن ها را مطابقت دهید. چندین رویکرد برای این مشکل وجود دارد که در بخش روش های طبقه بندی مشتری مورد بحث قرار خواهد گرفت.

فلسفه امتیاز دادن این نیست که توضیحی برای چرایی پرداخت نکردن این شخص پیدا کنیم. امتیاز دهی ویژگی هایی را برجسته می کند که بیشترین ارتباط را با غیرقابل اعتماد بودن یا برعکس با قابلیت اطمینان مشتری دارد. نمی دانیم که این وام گیرنده وام را بازپرداخت می کند یا نه، اما می دانیم که در گذشته افراد این سن و سال، همان حرفه، با همان سطح تحصیلات و با همان تعداد افراد تحت تکفل، وام را بازپرداخت نمی کردند. بنابراین ما به این فرد اعتباری نمی دهیم.

این ماهیت تبعیض آمیز (نه به معنای آماری، بلکه به معنای اجتماعی کلمه) امتیازدهی است، یعنی اگر شخصی به طور رسمی به گروهی با سابقه اعتباری بد نزدیک باشد، به او وام نمی دهند. بنابراین، حتی با درجه بسیار بالای استفاده از سیستم‌های امتیازدهی خودکار، مداخله ذهنی زمانی اتفاق می‌افتد که افسر وام اطلاعات بیشتری داشته باشد که ثابت کند فردی که به‌عنوان غیرقابل اعتماد طبقه‌بندی شده است در واقع «خوب» است و بالعکس.

چه ویژگی هایی برای پیش بینی ریسک اعتباری "با ارزش" هستند؟ در انگلستان، ویژگی های زیر بیشتر مورد استفاده قرار می گیرد:

تعداد فرزندان / افراد تحت تکفل

حرفه

حرفه همسر

درآمد همسر

منطقه سکونت

هزینه مسکن

داشتن گوشی

چند سال است که در این آدرس زندگی می کنید؟

چند سال است که در این شغل هستید؟

چند سال است که مشتری این بانک هستید؟

کارت اعتباری/چک داشته باشید

در کشورهای دیگر، مجموعه ویژگی هایی که بیشترین ارتباط را با احتمال نکول دارند - احتمال نکول وام گیرنده یا تأخیر در بازپرداخت آنها - به دلیل ویژگی های ملی اقتصادی و اجتماعی-فرهنگی متفاوت خواهد بود. هر چه جمعیت مشتریانی که مدل بر اساس آن توسعه یافته است همگن تر باشد، پیش بینی پیش فرض دقیق تر است. بنابراین بدیهی است که نمی توان به طور خودکار مدلی را از کشوری به کشور دیگر یا از بانکی به بانک دیگر انتقال داد. حتی در یک بانک، مدل‌های متفاوتی برای گروه‌های مختلف مشتریان و انواع مختلف وام وجود دارد.

تاریخچه پیشرفت امتیازدهی

امتیازدهی، در اصل، روشی برای طبقه بندی کل جمعیت مورد علاقه ما به گروه های مختلف است، زمانی که ما مشخصه ای را که این گروه ها را از هم جدا می کند (این که آیا مشتری وام را پس می دهد یا نه) نمی دانیم، اما ویژگی های دیگر مربوط به یکی از مورد علاقه ما شناخته شده است. در آمار، ایده‌های طبقه‌بندی یک جمعیت به گروه‌ها توسط فیشر در سال 1936 با استفاده از گیاهان به عنوان مثال ایجاد شد. در سال 1941، دیوید دورانت برای اولین بار از این تکنیک برای طبقه بندی وام ها به "بد" و "خوب" استفاده کرد. این مصادف با جنگ جهانی دوم بود، زمانی که تقریباً تمام تحلیلگران اعتباری به جبهه فراخوانده شدند و بانک ها با نیاز به جایگزینی فوری این متخصصان مواجه شدند. بانک ها تحلیلگران خود را مجبور کردند تا قبل از خروج، مجموعه ای از قوانین بنویسند تا تصمیم خود را برای اعطای وام راهنمایی کنند تا تجزیه و تحلیل توسط افراد غیرمتخصص انجام شود. این، همانطور که بود، نمونه اولیه از سیستم های خبره آینده بود.

در اوایل دهه 50. در سانفرانسیسکو، اولین شرکت مشاوره در زمینه امتیازدهی، Fair Issac، تشکیل شد که همچنان در بین توسعه دهندگان سیستم های امتیازدهی پیشرو است.

اما استفاده گسترده از امتیازدهی با گسترش کارت های اعتباری آغاز شد. با تعداد افرادی که روزانه درخواست کارت اعتباری می کردند، بانک ها چاره ای جز خودکارسازی فرآیند تصمیم گیری برای صدور وام نداشتند. با این حال، خیلی زود آنها نه تنها از سرعت پردازش درخواست های وام، بلکه از کیفیت ارزیابی ریسک نیز قدردانی کردند. طبق برخی مطالعات، پس از معرفی سیستم های امتیازدهی، سطح بدهی های معوق به 50 درصد کاهش یافت. چرچیل G.A., نوین جی.آر., واتسون آر.آر.//نقش امتیازدهی اعتباری در تصمیم گیری وام. دنیای اعتباری اسفند/ 1356; مایرز جی.اچ., Forgy E.W.توسعه سیستم های ارزیابی اعتبار عددی//مجله انجمن آماری آمریکا. سپتامبر/1963).

در سال 1974، ایالات متحده قانون فرصت های اعتباری برابر را تصویب کرد که امتناع از وام را بر اساس ویژگی های زیر ممنوع کرد: نژاد، رنگ، منشاء ملی، سن، جنسیت، وضعیت تأهل، مذهب، دریافت مزایای اجتماعی، دفاع از مصرف کننده. حقوق. در بریتانیا، قانون اجازه استفاده از اطلاعات مربوط به سن و وضعیت تأهل را می دهد، اما در نظر گرفتن هرگونه آسیب جسمی و معلولیت (ناتوانی) را ممنوع می کند. برای مؤسسات اعتباری، استفاده از سیستم های امتیازدهی به دلیل اجرای این قوانین ضد تبعیض تبدیل شده است - رایانه هیچ تعصبی ندارد.

علاوه بر ایجاد اصول انصاف در وام دهی، قوانین اعتباری ایالات متحده، مانند قانون اعتبار مصرف کننده، که در همان سال 1974 در بریتانیا به تصویب رسید، برای تشکیل خدمات دفتر اعتباری مهم بود. در این گونه دفاتر، سابقه اعتباری تمامی افرادی که تاکنون در یکی از مؤسسات اعتباری کشور درخواست وام کرده اند، ثبت می شود.

دفاتر اعتباری انواع داده های زیر را نگهداری می کنند:

ویژگی های اجتماعی و جمعیت شناختی؛

تصمیمات دادگاه (در صورت انتقال پرونده های مطالبه بدهی وام به دادگاه)؛

اطلاعات در مورد ورشکستگی؛

داده های مربوط به وام گیرندگان فردی که از موسسات اعتباری بر اساس اصل "شما - برای من، من - به شما" دریافت می کند، یعنی یک بانک می تواند اطلاعات مشتریان سایر بانک ها را تنها در صورتی دریافت کند که خودش اطلاعات مشابهی را ارائه کند.

دامنه و ماهیت اطلاعات نگهداری شده توسط این دفتر به شدت توسط قوانین هر کشور تنظیم می شود. در "تکنولوژی های بانکی" قبلاً در سپتامبر 1999 انتشاراتی در مورد دفاتر اعتباری وجود داشت - "مسائل ایجاد یک دفتر اعتباری در روسیه". می خواهم اضافه کنم که علاوه بر مدل های دفتری که در مقاله مورد بحث قرار گرفت، شرکت های تجاری فراملی مانند Experian، Equifax، TransUnion، Scorex نیز وجود دارند. این شرکت‌ها خودشان از سیستم‌های امتیازدهی استفاده می‌کنند و در بسیاری از موارد اطلاعات «خام» را به مشتریان نمی‌فروشند، بلکه یک شاخص انتگرال آماده را که وارد سیستم خودکار یک مؤسسه اعتباری می‌شود، می‌فروشند.

اهمیت دفاتر اعتباری بسیار زیاد است، وجود آنها به سازمان های اعتباری این امکان را می دهد که به مشتریانی که قبلاً توسط این سازمان خدمات دریافت نکرده اند وام صادر کنند. علاوه بر این، ارزش سابقه اعتباری قبلی در پیش بینی احتمال نکول به طور کلی تشخیص داده می شود.

در حال حاضر، امتیازدهی نه تنها در ارزیابی ریسک انواع وام‌ها، بلکه در زمینه‌های دیگر نیز محبوبیت بیشتری پیدا می‌کند: در بازاریابی (برای تعیین احتمال استفاده از این نوع محصول توسط این گروه خاص از مشتریان)، هنگام کار با بدهکاران (اگر مشتری در پرداخت بعدی تاخیر داشته باشد، کدام روش تأثیرگذاری مؤثرتر خواهد بود)، هنگام شناسایی کلاهبرداری از کارت اعتباری، هنگام تعیین احتمال اینکه مشتری ممکن است به رقیب معیوب شود و غیره.

روش های طبقه بندی مشتری

بنابراین، ما حجم زیادی از اطلاعات مختلف در مورد مشتریان در اختیار داریم. در این اقیانوس اطلاعات، حتی یک افسر وام با تجربه کاری قابل توجه گاهی اوقات هنگام پاسخ دادن به این سؤال دشوار است - مثلاً کدام مشتری خطر بیشتری دارد: یک کارآفرین مرد مطلقه بدون فرزند یا یک وکیل زن متاهل با سه فرزند، با وجود این واقعیت این است که سطح درآمد آنها یکسان است؟ برای اینکه بتوانیم مشتریانی با ویژگی‌های کاملاً متفاوت مقایسه کنیم و تصمیمات وام‌دهی را نه به صورت شهودی، بلکه بر اساس معیارهای رسمی که مستقیماً با احتمال نکول مرتبط هستند، اتخاذ کنیم، لازم است یک مدل ریاضی بسازیم که به ما امکان می‌دهد کدام اطلاعات را ارزیابی کنیم. قابل توجه است و می توان از آن غفلت کرد.

برای ساخت یک مدل ابتدا نمونه ای از مشتریان یک موسسه اعتباری تهیه می شود که از قبل مشخص شده است که آیا آنها خود را وام گیرنده خوبی هستند یا خیر، گاهی اوقات به چنین نمونه ای "آموزش" می گویند. می تواند از چند هزار تا صدها هزار متغیر باشد، که در غرب مشکلی نیست، جایی که سبد وام یک شرکت می تواند از ده ها میلیون مشتری تشکیل شود. نمونه به دو گروه ریسک های «خوب» و «بد» تقسیم می شود. این به این معنا توجیه می شود که بانک هنگام تصمیم گیری در مورد وام دادن، در مرحله اول از بین دو گزینه انتخاب می کند: دادن وام یا ندادن. علیرغم "کودکی" بودن تعاریف "خوب" / "بد"، این دقیقاً همان اصطلاحاتی است که توسط تحلیلگران اعتباری استفاده می شود.

تعریف ریسک "بد" بسته به سیاست بانک ممکن است متفاوت باشد؛ در اروپای غربی معمولاً مشتری که با پرداخت بعدی به مدت سه ماه تاخیر داشته باشد، ریسک "بد" در نظر گرفته می شود. گاهی اوقات ریسک‌های «بد» شامل مشتریانی می‌شود که وام را خیلی زود بازپرداخت می‌کنند و بانک زمانی برای کسب چیزی از آنها ندارد.

بنابراین، امتیازدهی یک کار طبقه بندی است، که در آن، بر اساس اطلاعات موجود، لازم است تابعی به دست آید که نمونه ای از مشتریان را با بیشترین دقت به "بد" و "خوب" تقسیم کند.

اما ابتدا باید اطلاعات موجود را به شکلی قابل تحلیل تبدیل کرد. دو رویکرد اصلی وجود دارد که برای کار با ویژگی های کمی و کیفی مناسب هستند:

1. هر ویژگی را به یک متغیر باینری جداگانه تبدیل کنید. این رویکرد از این جهت ناخوشایند است که منجر به تعداد زیادی متغیر می شود، اگرچه هیچ رابطه اضافی بین متغیرهای وابسته و مستقل تحمیل نمی کند.

   هر مشخصه را به متغیری تبدیل کنید که مقادیر مربوط به نسبت تعداد مشتریان "بد" با یک ویژگی داده شده به تعداد مشتریان "خوب" با همان ویژگی را بگیرد. یک گزینه پیچیده تر، گرفتن لگاریتم این نسبت است. بنابراین، هر ویژگی یک مقدار عددی مربوط به سطح "خطرناک بودن" خود را دریافت می کند.

روش های طبقه بندی خود بسیار متنوع هستند و عبارتند از:

روش های آماری مبتنی بر تجزیه و تحلیل متمایز (رگرسیون خطی، رگرسیون لجستیک)؛

انواع مختلف برنامه ریزی خطی؛

درخت طبقه بندی یا الگوریتم پارتیشن بازگشتی (RPA)؛

شبکه های عصبی؛

الگوریتم ژنتیک؛

روش نزدیکترین همسایه

سنتی و رایج ترین روش های رگرسیون، در درجه اول خطی هستند رگرسیون چند متغیره :

آر = w o + w 1 x 1+ w 2 x 2 + … + w n x n ,

جایی که آر- احتمال پیش فرض، w- ضرایب وزنی، ایکس-- ویژگی های مشتری

نقطه ضعف این مدل این است که در سمت چپ معادله احتمالی وجود دارد که مقادیر از 0 تا 1 را می گیرد، در حالی که متغیرهای سمت راست می توانند هر مقدار را از - Ґ تا + Ґ بگیرند.

رگرسیون لجستیکاین نقص را برطرف می کند:

log (p/(1-p)) = w o + w 1 x 1+ w 2 x 2 + … + w n x n .

استفاده از رگرسیون لجستیک به محاسبات بسیار پیچیده تری برای استخراج وزن ها و در نتیجه یک پایگاه کامپیوتری قوی تر و نرم افزار بهبود یافته نیاز دارد. اما با سطح فعلی توسعه فناوری رایانه، این مشکلی نیست و در حال حاضر رگرسیون لجستیک پیشرو در سیستم های امتیازدهی است.

مزیت رگرسیون لجستیک این است که می تواند مشتریان را به دو گروه (0 - بد، 1 - خوب) یا به چند گروه (1، 2، 3، 4 گروه خطر) تقسیم کند.

همه روش‌های رگرسیون نسبت به همبستگی بین ویژگی‌ها حساس هستند، بنابراین نباید متغیرهای توضیحی همبستگی بالایی در مدل وجود داشته باشد.

برنامه ریزی خطیهمچنین منجر به یک مدل امتیازدهی خطی می شود. نمی توان یک طبقه بندی کاملا دقیق به مشتریان بد و خوب انجام داد، اما مطلوب است که خطا را به حداقل برسانیم. مشکل را می توان به عنوان جستجو برای ضرایب وزنی که خطا در آن حداقل خواهد بود فرموله کرد.

درخت طبقه بندی و شبکه های عصبیسیستم‌هایی هستند که مشتریان را به گروه‌هایی تقسیم می‌کنند که در آن سطح ریسک یکسان و حداکثر با سطح ریسک سایر گروه‌ها متفاوت است. شبکه‌های عصبی عمدتاً در تعیین اعتبار اشخاص حقوقی استفاده می‌شوند، جایی که نمونه‌های کوچک‌تری نسبت به اعتبار مصرف‌کننده تحلیل می‌شوند. اما موفق ترین کاربرد آنها در تشخیص کلاهبرداری از کارت اعتباری به دلیل توانایی آنها در تشخیص موقعیت های غیرعادی بوده است (نگاه کنید به: نورتون ام.تجارت عصبی//فناوری های بانکی. 1995. شماره 3. S. 73).

الگوریتم ژنتیکبر اساس قیاس با فرآیند بیولوژیکی انتخاب طبیعی. در زمینه وام، به نظر می رسد: مجموعه ای از مدل های طبقه بندی وجود دارد که "جهش یافته"، "تقاطع" شده اند، و در نتیجه، "قوی ترین" انتخاب می شود، یعنی مدلی که دقیق ترین را ارائه می دهد. طبقه بندی.

استفاده كردن روش نزدیکترین همسایهیک واحد اندازه گیری برای تعیین فاصله بین مشتریان انتخاب می شود. همه مشتریان در نمونه موقعیت مکانی خاصی را دریافت می کنند. هر مشتری جدید بر اساس تعداد مشتریان خوب یا بد در اطراف او طبقه بندی می شود.

در عمل، ترکیبی از چندین روش استفاده می‌شود و شرکت‌ها مدل‌های امتیازدهی خود را با اطمینان کامل حفظ می‌کنند، بنابراین نمی‌توان گفت کدام روش بهتر است. تنها می توان نتیجه گیری های تقریبی را بر اساس انتشارات علمی انجام داد، در زیر جدول مقایسه ای دقت طبقه بندی برای روش های مختلف ارائه شده است که توسط پروفسور L. Thomas گردآوری شده است. توماس ال.سی.بررسی امتیازدهی اعتباری و رفتاری//دانشگاه ادینبورگ. 1999).

مقایسه فقط باید به صورت افقی انجام شود زیرا نویسندگان از تعاریف مختلفی از خطرات "خوب" استفاده کرده و مطالعاتی را بر روی جمعیت ها و نمونه های مختلف انجام داده اند. جدول درصد مشتریان به درستی طبقه بندی شده را نشان می دهد. هدف از تمام مطالعات ذکر شده مقایسه اثربخشی روش های مختلف طبقه بندی بوده است، بنابراین نباید نتیجه گرفت که این ارقام اثربخشی سیستم های امتیازدهی را به طور کلی نشان می دهد، زیرا قبلاً گفته شد که سیستم های تجاری از چندین روش استفاده می کنند.

جدول

منابع:

هنلی دبلیو ای.جنبه های آماری امتیازدهی اعتباری. دکتری پایان نامه. دانشگاه آزاد 1995.
بویل ام., کروک جی.ان., همیلتون آر., توماس ال.سی.روش‌های امتیازدهی اعتباری برای پرداخت‌کنندگان کند در امتیازدهی اعتبار و کنترل اعتبار // انتشارات دانشگاه آکسفورد اعمال می‌شود. 1992.
سرینیواسان وی., کیم ی.اچ.اعطای اعتبار: تجزیه و تحلیل مقایسه ای از روش های طبقه بندی // مجله مالی. 1987. شماره 42.
Yobas M.B., کروک جی.ان., راس پی.امتیازدهی اعتبار با استفاده از تکنیک های عصبی و تکاملی//مقاله کاری 97/2، مرکز تحقیقات اعتباری، دانشگاه ادینبورگ.
دسای وی.اس., کانوی دی.جی., کروک جی.ان., Overstreet G.A.مدل‌های امتیازدهی اعتباری در محیط اتحادیه اعتباری با استفاده از شبکه‌های عصبی و الگوریتم‌های ژنتیک//IMA J. ریاضیات کاربردی در تجارت و صنعت. 8/1997.

هر یک از روش ها دارای مزایا و معایب خاص خود هستند، علاوه بر این، انتخاب یک یا روش دیگر به استراتژی بانک و الزاماتی که بانک در هنگام توسعه مدل ها در اولویت قرار می دهد، مرتبط است. روش‌های رگرسیون اهمیت هر یک از مشخصه‌ها را برای تعیین سطح ریسک نشان می‌دهند و بنابراین در مرحله تهیه پرسشنامه‌ای که مشتریان آن را پر می‌کنند، اهمیت ویژه‌ای دارند. برنامه‌ریزی خطی می‌تواند بر روی تعداد زیادی متغیر عمل کند و شرایط خاصی را مدل‌سازی کند: به عنوان مثال، اگر استراتژی بازاریابی یک بانک برای جوانان باشد، می‌توانید شرایطی را وارد کنید که شاخص انتگرال جوانان بالاتر از افراد بالای 60 سال باشد. شبکه‌های عصبی و درختان طبقه بندی روابط غیر خطی بین متغیرها را نشان می دهند که می تواند منجر به خطا در مدل های خطی شود.

دقت طبقه‌بندی یا با روش "امتحان کشویی" برای نمونه‌های کوچک بررسی می‌شود (مدل بر روی کل نمونه ساخته می‌شود، به جز یک مشتری، که به‌طور تصادفی انتخاب می‌شود، سپس روی این مشتری بررسی می‌شود و همه مشتریان مرتب می‌شوند. به این ترتیب)، یا با یک نمونه به اندازه کافی بزرگ، به دو قسمت تقسیم می شود: روی یک مدل ساخته شده است، از سوی دیگر - بررسی می شود.

محدودیت های مربوط به استفاده از امتیازدهی

دو مشکل اصلی در امتیاز دهی وجود دارد. اول این که طبقه بندی نمونه فقط بر روی مشتریانی است که وام داده شده است. ما هرگز نمی دانیم که مشتریانی که از اعتبار محروم شده اند چگونه رفتار می کنند: کاملاً ممکن است که بخشی از آنها وام گیرندگان کاملاً قابل قبولی باشند.

اما، به عنوان یک قاعده، وام بر اساس دلایل نسبتا جدی رد می شود. بانک ها این دلایل امتناع را برطرف می کنند و اطلاعات مربوط به "refuseniks" را ذخیره می کنند. این به آنها اجازه می دهد تا جمعیت اصلی متقاضیان وام را بازسازی کنند.

مشکل دوم این است که افراد در طول زمان تغییر می کنند و شرایط اجتماعی-اقتصادی که بر رفتار افراد تأثیر می گذارد نیز تغییر می کند. بنابراین، مدل‌های امتیازدهی باید بر روی نمونه‌ای از «تازه‌ترین» مشتریان توسعه داده شوند، به‌طور دوره‌ای کیفیت سیستم را بررسی کرده و زمانی که کیفیت بدتر می‌شود، مدل جدیدی ایجاد شود. در غرب، یک مدل جدید به طور متوسط ​​هر یک و نیم سال یک بار توسعه می‌یابد، دوره بین جایگزینی مدل ممکن است بسته به اینکه اقتصاد در آن زمان چقدر با ثبات بوده است، متفاوت باشد. برای روسیه، احتمالاً حداکثر مدت شش ماه خواهد بود و حتی در آن زمان، مشروط بر اینکه در این مدت هیچ شوک اساسی مانند رویدادهای آگوست 1998 رخ ندهد.

در حال حاضر تحقیقاتی در مورد چگونگی گنجاندن ویژگی‌های اقتصادی-اجتماعی در مدل در حال انجام است تا دوام بیشتری داشته باشد.

چشم انداز توسعه امتیازدهی در روسیه

در روسیه، استفاده از سیستم های امتیازدهی، اول از همه، به دلیل حجم کم وام با مشکل مواجه می شود. اما با رشد اقتصادی (بیایید خوشبین باشیم)، وضعیت شروع به تغییر خواهد کرد.

به خودی خود تعداد کم وام گیرندگان در مقایسه با موسسات اعتباری غربی مانعی ندارد، فقط باید بر تعداد ویژگی ها نسبت به حجم نمونه نظارت کرد. در مقاله V. Stepanov، A. Zayats "تحلیل وضعیت بانک" (تکنولوژی های بانکی. 1996. شماره 8. ص 58)، نویسندگان از یک رویکرد آماری - تحلیل خوشه ای - برای طبقه بندی بانک ها بر اساس ریسک استفاده کردند. گروه ها در مجموع 76 ایالت و در عین حال نتیجه خوبی به دست آوردند - بیش از 90٪ از مسابقات با ارزیابی متخصص.

البته نبود دفاتر اعتباری نیز به توسعه امتیاز دهی کمکی نمی کند. اما، از سوی دیگر، در غرب مشکل تأیید صحت اطلاعاتی که شخص در مورد خود در پرسشنامه نشان می دهد وجود دارد. در روسیه، بیشتر این اطلاعات در گذرنامه موجود است. کافی است بانک ها داده های گذرنامه و داده های کتاب کار را داشته باشند - این منبع منبع برای تجزیه و تحلیل است.

یکی دیگر از عوامل نامطلوب شیوع ناکافی بسته های آماری جهانی مانند SAS و SPSS است. اما با مراجعه مجدد به مقاله V. Stepanov و A. Zayats، ما به استفاده از بسته Stat-Media اشاره می کنیم. علاوه بر این، برنامه های دیگری با قیمت مقرون به صرفه وجود دارد که می توانند رگرسیون چند متغیره خطی را انجام دهند و این برای شروع کاملاً کافی است.

این احتمال وجود دارد که در روسیه امتیازدهی ابتدا نه برای افراد، بلکه برای اشخاص حقوقی استفاده شود، صرفاً به این دلیل که بانک ها اطلاعات بسیار بیشتری در مورد شرکت ها جمع آوری کرده اند، در حالی که از سیستم های امتیازدهی ریسک با پیچیدگی های مختلف و با سطوح مختلف اتوماسیون استفاده می کنند. تفاوت بین سیستم امتیازدهی و سیستم امتیازدهی در این است که در اولی اهمیت یک ضریب یا شاخص مالی خاص به صورت ذهنی تعیین می شود و در دومی ضرایب به سطح ریسک مرتبط هستند.

در غرب، هنگام اعطای وام به اشخاص حقوقی، مدل های امتیازدهی به اندازه وام های مصرفی گسترده نیست. این به دلیل این واقعیت است که استخدام تعداد کافی از شرکت‌هایی که مشابه یکدیگر هستند برای توسعه یک مدل بسیار دشوار است: شرکت‌ها از نظر اندازه، گردش مالی و بخش‌های اقتصادی بسیار متفاوت هستند. هرچه شرکت بزرگتر باشد، یافتن شرکت های مشابه برای مقایسه دشوارتر است.

در سال‌های اخیر، تغییرات بزرگی در توسعه مدل‌های امتیازدهی برای کسب‌وکارهای کوچک رخ داده است. استفاده از امتیازدهی برای مشاغل کوچک و متوسط ​​دقیقاً به دلیل تعداد زیاد شرکت های مشابه امکان پذیر است.

در خاتمه، مایلم یادآوری کنم که در روسیه، معرفی امتیازدهی نه چندان به دلیل عینی بلکه با دلایل ذهنی مربوط به نگرش بی اعتمادی مدیران بانک به روش های ریاضی و آماری مختل می شود. شروع به تجزیه و تحلیل مشتریان خود - تاریخچه اعتباری مشتریان قبلی و بسته آماری - زیاد لازم نیست و بازده آن بسیار زیاد خواهد بود. از جمله مزایای سیستم های امتیازدهی، بانکداران غربی، اول از همه، کاهش سطح نکول وام را نشان می دهند. در ادامه به سرعت و بی طرفی در تصمیم گیری، امکان مدیریت موثر سبد وام و عدم نیاز به آموزش طولانی مدت کارکنان اشاره شده است.

در روسیه، معرفی امتیازدهی باید به تدریج انجام شود. برای شروع، می توانید یک سیستم خودکار برای ارزیابی اولیه وام گیرندگان ایجاد کنید، که به طور خودکار ریسک های بدیهی "بد" را فیلتر می کند و ریسک های "خوب" و "حاشیه ای" را برای بررسی توسط کمیته اعتبار ارائه می دهد. اما حتی بدون معرفی اتوماسیون، می توان رابطه ویژگی های فردی مشتری را با احتمال نکول برای اشخاص حقیقی و حقوقی ارزیابی کرد - آگاهی از چنین ویژگی هایی می تواند به عنوان پشتیبانی قابل توجهی برای افسران وام باشد.

بنابراین، امتیازدهی یک سیستم خودکار ارزیابی ریسک اعتباری است که به طور گسترده در ایالات متحده و اروپای غربی استفاده می شود. منبع امتیازدهی اطلاعات متنوعی درباره مشتریان گذشته است که بر اساس آن با استفاده از روش های مختلف طبقه بندی آماری و غیرآماری، پیش بینی اعتبار وام گیرندگان آتی انجام می شود. سیستم های امتیازدهی به کارمندان بانک اجازه می دهد تا تصمیمات سریع وام بگیرند، حجم وام را بسته به وضعیت بازار تنظیم کنند و نسبت بهینه بین سودآوری عملیات وام دهی و سطح ریسک را تعیین کنند.

در تهیه مقاله از مطالب مرکز مطالعات اعتبار در دانشگاه ادینبورگ (بریتانیا) استفاده شده است.

امتیازدهی یک سیستم ارزیابی مشتری است که توسط بانک ها استفاده می شود که بر اساس روش های آماری است. به عنوان یک قاعده، این یک برنامه کامپیوتری است که در آن داده های یک وام گیرنده بالقوه وارد می شود. در پاسخ، نتیجه داده می شود - آیا ارزش وام دادن به او را دارد یا خیر. نام نمره گذاری از کلمه انگلیسی score یعنی «score» گرفته شده است.

چهار نوع امتیاز دهی وجود دارد:

امتیازدهی برنامه (ترجمه تحت اللفظی از انگلیسی - "امتیاز درخواست ها، تجدید نظرها") - ارزیابی اعتبار وام گیرندگان هنگام صدور وام. این رایج ترین نوع امتیازدهی شناخته شده برای مشتریان است. این مبتنی بر مجموعه اولیه داده های شخصی وام گیرنده، پردازش آنها توسط رایانه و نتیجه گیری است: اعطای وام یا عدم اعطای وام.

جمع آوری امتیاز - سیستم امتیازدهی در مرحله کار با وام های بد. اقدامات اولویت دار کارکنان بانک برای بازپرداخت وام های "بد" را تعیین می کند. در واقع این برنامه به شما این امکان را می دهد که برای مقابله با بدهی های معوق، مراحل مختلفی را انجام دهید، به عنوان مثال، از اخطار اولیه تا ارجاع پرونده به سازمان جمع آوری. اعتقاد بر این است که در جریان چنین پردازشی، حدود 40٪ از مشتریان به فراموشی مراجعه کرده و وام را بازپرداخت می کنند.

امتیاز دهی رفتاری، "امتیاز رفتار" - ارزیابی محتمل ترین اقدامات مالی وام گیرنده. چنین سیستمی امکان پیش بینی تغییرات در پرداخت بدهی وام گیرنده، تنظیم محدودیت های تعیین شده برای او را امکان پذیر می کند. اساس تجزیه و تحلیل می تواند اقدامات مشتری برای یک دوره خاص باشد، به عنوان مثال، معاملات کارت اعتباری.

تقلب - ارزیابی آماری از احتمال اقدامات متقلبانه توسط وام گیرنده بالقوه. چنین امتیازدهی معمولاً همراه با انواع دیگر تحقیقات مشتری استفاده می شود. در عین حال، اعتقاد بر این است که تا 10٪ از نکول وام ها در روسیه با کلاهبرداری آشکار همراه است و این رقم در حال رشد است.

بسیاری از سیستم های امتیازدهی نه تنها داده های وارد شده را پردازش می کنند، بلکه قادر به خودآموزی نیز هستند: آنها رفتار مشتریانی که قبلاً پذیرفته شده اند را در نظر می گیرند تا ارزیابی خود را از وام گیرندگان آینده تنظیم کنند.

راه حل های آماده ای در بازار نرم افزارهای بانکی وجود دارد. معروف ترین برنامه های غربی عبارتند از SAS Credit Scoring، EGAR Scoring، Transact SM (Experian-Scorex)، K4Loans (KXEN)، Clementine (SPSS). در میان توسعه دهندگان روسی، Basegroup Labs، Diasoft برجسته هستند و شرکت اوکراینی Neuro-Systems Business شناخته شده است. در همان زمان، بسیاری از بانک ها در حال توسعه سیستم های خود هستند.

سیستم‌های امتیازدهی به کاهش هزینه‌ها و به حداقل رساندن ریسک عملیاتی با خودکار کردن تصمیم‌گیری، کاهش زمان پردازش درخواست‌های وام، امکان اجرای سیاست اعتباری خود به بانک‌ها و ایجاد حفاظت اضافی برای مؤسسات مالی در برابر تقلب، اجازه می‌دهند. در عین حال، امتیازدهی تعدادی معایب نیز دارد: اغلب تصمیم سیستم بر اساس تجزیه و تحلیل داده‌هایی است که منحصراً توسط وام گیرنده ارائه می‌شود. علاوه بر این، سیستم های امتیازدهی نیاز به بهبود و حفظ دائمی دارند، زیرا آنها فقط تجربیات گذشته را در نظر می گیرند و به تغییرات در وضعیت اجتماعی-اقتصادی با تاخیر واکنش نشان می دهند.