پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,514 |
| تعداد مشاهده مقاله | 124,130,590 |
| تعداد دریافت فایل اصل مقاله | 97,236,913 |
شناسایی شاخص‌های اعتبارسنجی و رتبه‌بندی مشتریان در تسهیلات خُرد در بانک خاورمیانه | ||
| تحقیقات مالی | ||
| دوره 26، شماره 2، 1403، صفحه 399-423 اصل مقاله (550.32 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2024.370376.1007551 | ||
| نویسندگان | ||
| آزاده احمدی کوشا* 1؛ فائق احمدی* 2؛ محمد حسین رنجبر3؛ حمیدرضا کردلویی4 | ||
| 1دانشجوی دکتری، گروه علوم اقتصادی، واحد قشم، دانشگاه آزاد، قشم، ایران. | ||
| 2استادیار، گروه مدیریت مالی، واحد قشم، دانشگاه آزاد اسلامی، قشم، ایران. | ||
| 3دانشیار، گروه حسابداری و مدیریت مالی، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران. | ||
| 4دانشیار، گروه مدیریت بازرگانی، واحد اسلامشهر، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| چکیده | ||
| هدف: در بانک‌ها، مدیریت و اعتبارسنجی مشتریان، یکی از موارد حیاتی است و برای حفظ امنیت مالی و پایداری سازمان بانکی بسیار اهمیت دارد. یکی از چالش‌های اساسی در این حوزه، شناسایی شاخص‌های مناسب برای اعتبارسنجی و امتیازدهی به مشتریان است. چون اغلب این مشتریان به اطلاعات مالی و اعتباری دسترسی محدودی دارند و نمی‌توانند ضامن یا سوابق قرض‌دهی مناسبی ارائه کنند، تعیین شاخص‌های صحیح و قابل اعتماد بسیار چالش‌برانگیز است. همچنین، برای امتیازدهی به مشتریان، باید یک سیستم امتیازدهی مناسب و عادلانه وجود داشته باشد. این سیستم باید بتواند با در نظر گرفتن معیارهای اعتباری و رفتاری، مشتریان را در رده‌های مختلف قرار دهد و بر اساس عملکرد آن‌ها، به آن‌ها امتیازهای متناسب اختصاص دهد. علاوه‌براین، نیاز به توسعه روش‌هایی برای ارزیابی و پایش مشتریان در طول زمان نیز وجود دارد. هدف این پژوهش، شناسایی شاخص‌های اعتبارسنجی و رتبه‌بندی مشتریان در تسهیلات خُرد در بانک خاورمیانه است. روش: این پژوهش از نظر هدف کاربردی ـ زمینه‌ای و از نظر روش اکتشافی است. جامعه آماری آن، کلیۀ مشتریان خُرد بانکداری دیجیتال بانک خاورمیانه بودند که درخواست دریافت تسهیلات کم‌بهرۀ ۲ درصد سالانه با نرخ جریمۀ ۶ درصد را داشتند. روش‌های آماری در این پژوهش، در دو بخش آمار توصیفی و استنباطی انجام گرفت. در بخش آمار توصیفی، برخی فاکتورهای شخصیتی همچون سن، جنسیت، تحصیلات، کسب‌وکار، وضعیت بدهی جاری نظام بانکی، وضعیت چک‌های برگشتی، وضعیت پول‌شویی، مانده موجودی حساب بانکی (بانکینو)، سوابق تراکنش‌های بانکی، مکان جغرافیایی (محل زندگی و کار)، مدل گوشی همراه و سیستم عامل گوشی و رتبۀ اخذ شده از سامانۀ شرکت مشاوره رتبه‌بندی اعتباری ایران و... تجزیه‌وتحلیل و از طریق جدول و نمودارها بررسی شدند. الگوریتم‌های نایو بیز، متا، Attribute Selected Classifier و الگوریتم j۴۸ اجرا و از نرم‌افزار وکا برای رده‌بندی معیارها و ایجاد الگو استفاده شد. افزون‌بر این، به‌منظور ارزیابی نهایی مدل اعتبارسنجی و رتبه‌بندی مشتریان تسهیلات خُرد بدون پشتوانه، از آزمون تی در سطح ۰/۲۵ استفاده شد. یافته‌ها: یافته‌ها نشان داد که اگر فردی برای درخواست وام مراجعه کند، بانک باید به شاخص‌هایی توجه کند و بر اساس آن شاخص‌ها، در خصوص پرداخت یاعدم پرداخت وام تصمیم‌گیری کند. از این رو به فردی که تمام یا بخش عمده‌ای از این شاخص‌ها را دارد، می‌توان وام پرداخت کرد یا از متقاضی، وثیقه مناسب گرفت. این شاخص‌ها عبارت‌اند از: ۱. تسویه وام‌های قبلی شخص در بانک اعطا کننده، ۳۰ روز و ۶۰ روز بعد از سررسید وام انجام شده باشد؛ ۲. مبلغ تسهیلات دریافت شده این شخص، بالاترین مبلغ وام قابل پرداخت باشد؛ ۳. وضعیت وام‌های قبلی شخص در سایر بانک‌ها تسویه شده باشد؛ ۴. مبلغ وام درخواستی هر چه بالاتر باشد، بهتر است؛ ۵. سن فرد بالاتر از میان‌سال باشد؛ ۶. مدرک فرد کارشناسی، دیپلم و زیر دیپلم نباشد؛ ۷. امتیاز فرد بالای ۴۰ باشد؛ ۸. سیستم عامل گوشی فرد اندروید نباشد؛ ۹. مدل گوشی فرد سامسونگ یا شیائومی نباشد؛ ۱۰. بررسی‌های مربوط به وضعیت پول‌شویی فرد منفی باشد. نتیجه‌گیری: بانک‌ها باید در این استراتژِی (تسهیلات خُرد بدون پشتوانه) به اشخاصی تسهیلات بدهند که قبل از وارد شدن به هرگونه رابطۀ اعتباری جدید، دربارۀ آن‌ها کاملاً شناخت داشته باشند. داده‌های لازم را از آن‌ها جمع‌آوری کنند و از حسن اعتبار و شهرت آن‌ها اطمینان یابند. بانک باید اطلاعات کامل و جامعی در خصوص وام‌گیرنده دریافت کند؛ به نحوی که این اطلاعات قابل اتکا باشد؛ زیرا اعطای تسهیلات به اندازه سودآوری، می‌تواند بانک را متحمل ریسک کند. | ||
| کلیدواژه‌ها | ||
| اعتبارسنجی؛ رتبه‌بندی مشتریان؛ تسهیلات خُرد | ||
| عنوان مقاله [English] | ||
| Validation Indicator Identification and Customer Ranking in Microloans: A Study at Middle East Bank in Iran | ||
| نویسندگان [English] | ||
| Azadeh Ahmadi Kousha1؛ Faegh Ahmadi2؛ Mohammad Hossein Ranjbar3؛ Hamidreza Kordlouie4 | ||
| 1Ph.D. Candidate, Department of Economic Sciences, Qeshm Branch, Islamic Azad University, Qeshm, Iran. | ||
| 2Assistant Prof., Department of Financial Management, Qeshm Branch, Islamic Azad University, Qeshm, Iran. | ||
| 3Associate Prof., Department of Accounting and Financial Management, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran. | ||
| 4Associate Prof., Department of Business Management, Islamshahr Branch, Islamic Azad University, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective In banking, customer management and validation are crucial to maintain financial security and organizational stability. A fundamental challenge in this area is the identification of appropriate indicators for validating and ranking customers. Because these customers generally have limited access to financial and credit information and cannot provide guarantors or good credit records, it is very challenging to determine correct and reliable indicators. Also, to score customers, there is a need to determine an appropriate and fair scoring system. This system should be able to place customers in different categories by considering credit and behavioral criteria and assigning them appropriate points based on their performance. In addition, there is a need to develop methods for evaluating and monitoring customers over time. This research aims to identify the indicators of validation and ranking of customers in micro-lending in Iran’s Middle East Bank. Methods This research is applied-contextual in terms of purpose and exploratory in terms of method. The statistical population of this research includes all retail banking clients of Digital Middle East Bank who seek low-interest loans at an annual rate of 2%, with a penalty rate of 6%. Statistical methods in this study were carried out in two phases: descriptive and inferential statistics. In the descriptive statistics section, various personality factors including age, gender, education, occupation, current debt status within the banking system, bounced checks history, money laundering records, bank account balance, transaction history, geographic location (residence and workplace), mobile phone model and operating system, as well as credit rating obtained from Iran's credit rating consulting company, were analyzed and presented using tables and graphs. Naive Bayes, Meta, Attribute Selected Classifier, and j48 algorithms were implemented and WEKA software was used to classify criteria and create patterns. Also, to evaluate the validation model and ranking of customers of unsupported microlending, the T-test was used at the significance level of 0.25. Results The findings indicate that when assessing a loan application, the following indicators should be considered to determine the applicant's ability to repay the loan or provide suitable collateral. Applicants demonstrating most or all of the following indicators are more likely to meet loan repayment requirements or offer adequate collateral: First, the person's previous loans have been settled 30 days and 60 days after the loan maturity date in the granting bank. Second, the person's previous loans have been settled in other banks. Third, the higher the requested loan amount, the better. Fourth, the person's age is above middle age. Fifth, the person's degree is not a bachelor's degree, diploma, or sub-diploma. Sixth, the person's score is above 40. Seventh, the operating system of the person's phone is not Android. Eighth, the person's phone model is not SAMSUNG or XIAOMI. Ninth, if the investigations related to the person's money laundering status are negative, then preferably, and if necessary, the loan of that person can be approved. Conclusion In this approach (unsupported micro-lending), banks should extend loans to individuals only after acquiring comprehensive knowledge about them before initiating any new credit arrangement. It is vital to gather the required data and ensure their creditworthiness and positive reputation. Banks need to obtain reliable and detailed information about borrowers, as extending facilities for maximum profitability also exposes the bank to associated risks. | ||
| کلیدواژه‌ها [English] | ||
| Customer ranking, Microlending, Validation | ||
| مراجع | ||
|
بیک‌زاده، جعفر؛ آقازاده، غلامرضا و آقازاده، محمد رضا (1393). بررسی عوامل مؤثر بر ریسک اعتباری و اولویت‌بندی معیارهای امتیازدهی اعتباری (6C) مشتریان بانکی با تکنیک AHP: مطالعه موردی بانک ملی استان آذربایجان غربی. روند (روند پژوهش‌های اقتصادی)، 21(68)، 121- 150.
ذوالفقاری، روح‌اله؛ تشکری، نسیمه و ارم، اصغر (1401). طراحی مدل تعیین تضامین جهت تأمین مالی طرح‌ها و شرکت‌های کوچک و متوسط (SME) فناور با استفاده از مدل فازی ـ عصبی. تحقیقات مالی، 24(3)، 453-479.
راعی، رضا؛ انصاری، حجت‌اله و پورطالبی جاغرق، محمد (1397). بررسی اثرات قدرت بازار و ساختار درآمدی بر سودآوری و ریسک ورشکستگی در نظام بانکداری ایران. راهبرد مدیریت مالی، 6(2)، 51- 72.
رحمانی، علی؛ پارسایی، منا و محمدی خانقاه، گلشن (1402). رتبه اعتباری و هزینه سرمایه. تحقیقات مالی، 25(1)، 110- 126.
رئیسی، سارا؛ باجلان، سعید و فلاح پور، سعید (1403). بهینه‌سازی پرتفوی اعتباری بانک‌ها با استفاده از رویکرد اکچوئری و شبکه عصبی مصنوعی. تحقیقات مالی. (در دست انتشار). doi: 10.22059/FRJ.2021.311064.1007074
سرکانیان، جواد؛ راعی، رضا؛ شیرکوند، سعید و عباسیان، عزت اله (1402). ارزیابی تأثیر مشخصه‌های بانک بر کانال وام‌دهی بانک‌ها با رویکرد FAVAR. تحقیقات مالی، (251)، 1-25.
سلطانی، ساسان (1400). اعتبارسنجی مشتریان مؤسسه‌های مالی با استفاده از شبکه عصبی مصنوعی توسعه یافته با کمک الگوریتم ژنتیک (مطالعه موردی: بانک ملی مرکزی ایلام). فصلنامه رویکردهای نوین در تحقیقات علوم پایه، فنی و مهندسی، 4(13)، 42- 61.
عربی، سیدهادی و شاه جمالی، مهدیه (1398). رتبه بندی ابزارهای مدیریت ریسک اعتباری در بانکداری بدون ربا با استفاده از تکنیک AHP. نشریه اقتصاد و بانکداری اسلامی، 8(۲۸)، ۳۹-۷.
کریمی، حمیدرضا و محمدی، پرستو (1401). الگوی مالی پایدار برای کسب‌وکارِ بانکهای اجتماعی. تحقیقات مالی، 24(4)، 480-504.
کوهی، حسن و غلامی، روح اله (1391). رتبه بندی اعتباری مشتریان حقوقی بخش صنعت با استفاده از مدل تحلیل پوششی داده‌ها (DEA). مطالعات کمی در مدیریت، 3(3)، 115-138.
محبی، سمیه؛ فدایی نژاد، محمداسماعیل و اصولیان، محمد (1401). پیش بینی شاخص کل بورس اوراق بهادار تهران با استفاده از رگرسیون بردار پشتیبان بر مبنای تکنیک کاهش ابعاد. راهبرد مدیریت مالی، 10(38)، 1-26.
مهدوی، کاوه و حری، محمدصادق (1394). طراحی مدلی جهت پیش‌بینی رتبه اعتباری مشتریان بانک‌ها با استفاده از الگوریتم فراابتکاری و هیبریدی چند معیاره شبکه عصبی فازی ـ کلونی مورچگان (مطالعه موردی شعب پست بانک استان تهران). پژوهش‌های مدیریت در ایران، 19(1) 91- 116.
هادوی، محمد حسین؛ قاسمی، بهروز و سرمد سعیدی، سهیل (1402). طراحی الگوی اولویت‌بندی متقاضیان اعتبار اسنادی ریالی: راه‌کار توسعه خدمات اعتباری در بانک صادرات ایران. اقتصاد پولی مالی، 30(26).
References Arabi, S H. & Shah Jamali, M. (2018). Ranking of credit risk management tools in interest-free banking using AHP technique. Journal of Islamic Economics and Banking, 8 (28), 7-39. (in Persian) Beikzadeh, J., Aghazadeh, G. & Aghazadeh, M. (2013). Investigating factors affecting credit risk and prioritizing credit scoring criteria (6C) of bank customers using AHP technique: a case study of National Bank of West Azarbaijan province. Trend (Economic Research Trends), 21(68), 121-150. (in Persian) Hadavi, M H ., Ghasemi, B. & Sarmad Saidi, S. (2023). Designing a pattern for prioritizing rial letter of credit applicants: a strategy for developing credit services in Saderat Bank of Iran. Financial monetary economy, 30(26). (in Persian) Hota, L. (2023). A Comparative Performance Assessment for Prediction of Loan Approval in Financial Sector. Mathematics, 8(10), 1756. Idrees, A. M., Elseddawy, A. I. & Zeidan, M. O. (2019). Knowledge discovery based framework for enhancing the house of quality. International Journal of Advanced Computer Science and Applications, 10(7), 324-331. Kohi, H. & Gholami, R. (2011). Credit rating of legal clients of the industry sector using data envelopment analysis (DEA) model. Quantitative Studies in Management, 3(3), 115-138. (in Persian) Li, X., & Sun, Y. (2021). Application of RBF neural network optimal segmentation algorithm in credit rating. Neural Computing and Applications, 33(14), 8227-8235. Mahdavi, K. & Horri, M. (2014). Model for Credit Rating Prediction of Banks CustomersBy use of A Meta-Heuristic Hybrid Multi-Attribute Fuzzy neural network-Ant Colony (Case study on Tehran's Postbank branches). Management Research in Iran, 19(1), 91-116. Mohabi, S., Fadainejad, M. I. & Usulian, M. (2022). Prediction of total index of Tehran Stock Exchange using support vector regression based on dimensionality reduction technique. Financial Management Strategy, 10(38), 1-26. (in Persian) Moradi, S. & Mokhatab Rafiei, F. (2019). A dynamic credit risk assessment model with data mining techniques: evidence from Iranian banks. Financial Innovation, 5(1), 1-27. Mun, J. H. & Jung, S. W. (2021). A customer credit Prediction Researched to Improve Credit Stability based on Artificial Intelligence. Korea Journal of Artificial Intelligence, 9(1), 21–27. Padimi, V., Venkata, S. T. & Devarani, D. N. (2022). Applying Machine Learning Techniques To Maximize The Performance of Loan Default Prediction. Journal of Neutrosophic and Fuzzy Systems (JNFS), 2(2), 44-56. Rahmani, P. & Mohammadi Khanqah, G. (2023). Credit rating and cost of capital. Financial Research, 25 (1), 126-110. (in Persian) Rai, R., Ansari, H. E. & Portalebi Jaghargh, M. (2017). Investigating the effects of market power and income structure on profitability and bankruptcy risk in Iran's banking system. Financial Management Strategy, 6(2), 51-72. (in Persian) Raisi, S., Bajlan, S. & Falahpour, S. (2024). Optimization of credit portfolio of banks using actuarial approach and artificial neural network. Financial research. doi: 10.22059/FRJ.2021.311064.1007074 (in Persian) Saha, S. & Waheed, S. (2017). Credit Risk of Bank Customers can be Predicted from Customer's Attribute using Neural Network. International Journal of Computer Applications, 161(3), 39-43. Sarkanian, J., Rai, R., Shirkund, S. & Abbasian, E. (2023). Evaluating the effect of bank characteristics on banks' lending channel with the FAVAR approach. Financial Research, 25 (1), 1-25. (in Persian) Sha, Y. (2022). Rating manipulation and creditworthiness for platform economy: Evidence from peer-to-peer lending. International Review of Financial Analysis, 84, 102393. Sharafi, G., Fathi Hafashjani, K. & Ahmadi, F. (2023). Identification of Factors Affecting Project Financing Risk. Financial Research Journal, 25(3), 485-507. Soltani, S. (2021). Validation of customers of financial institutions using artificial neural network developed with the help of genetic algorithm (case study: National Bank of Ilam). Quarterly Journal of New Approaches in Basic Science, Technical and Engineering Research, 4(13), 42-61. (in Persian) Sundar, R., Sapna, S. & Mohit, G. (2021). Impact of Pre Loan assessment customer credit worthiness on loan defaults at later stages in Rural Segment – a study at Vehicle Financing NBFC. Turkish Journal of Computer and Mathematics Education, 12(12), 232-240. Wang, Y., Jia, Y., Fan, S. & Xiao, J. (2023). Deep Reinforcement Learning Based on Balanced Stratified Prioritized Experience Replay for Customer Credit Scoring in Peer-to-Peer Lending. Artificial Intelligence Review, 57(4). Xia, Y., Guo, X., Li, Y., He, L. & Chen, X. (2022). Deep learning meets decision trees: An application of a heterogeneous deep forest approach in credit scoring for online consumer lending. Journal of Forecasting, 41(8), 1669-1690. Xiaobing, H., Xiaobing, L. & Yuanqian, R. (2018). Enterprise credit risk evaluation based on neural network algorithm. Cognitive Systems Research, 52, 317-324. | ||
|
آمار تعداد مشاهده مقاله: 337 تعداد دریافت فایل اصل مقاله: 216 |
||