تحقيق – 
بررسی عوامل مؤثر بر ریسک اعتباری و کاهش مطالبات معوق بانکی- قسمت ۱۱

تحقيق – بررسی عوامل مؤثر بر ریسک اعتباری و کاهش مطالبات معوق بانکی- قسمت ۱۱

توسعه سیستم خبره کامپیوتری مستلزم فراگیری دانش انسان خبره می باشد. به همین دلیل طراحی . استقرار چنین سیستمی اغلب دارای احتمال خطا و زمان بر است.بسیاری از سیستم های خبره از طریق روش قیا سی وشبیه سازی به ادراک فرآیند تصمیم گیری متخصصین می پردازند. همانطور که اشاره گردیداز مهمترین سیستم های خبره، زمان بری، هزینه زیاد برنامه ریزی الگوریتم تصمیمات و عدم انعطاف پذیری سیستم می باشد. مدل شبکه های عصبی برای حل چنین مشکلاتی ارائه شده است. این سیستم در حقیقت فرآیند یاد گیری انسانی را شبیه سازی می کند. سیستم شبکه عصبی مصنوعی با تقلید از سیستم عصبی و مغزی انسان سعی می کند که ارتباط بین داده ها(نسبت های مالی، روند اقتصادی، کیفیت مدیریت و…) و ستاده ها(وضعیت اعتباری وام گیرنده) را از طریق تکرار نمونه برداری از مجموعه اطلاعات گذشته داده – ستانده یادگیری نماید. مزیت شبکه عصبی نسبت به سیستم خبره این است که هنگامی که داد ه ها کامل نبوده و یا دارای پارازیت باشند، از طریق آموخته های گذشته، داده های جدیدی را ایجاد می نمایند. یک شبکه عصبی مصنوعی شامل مجموعه ای از عناصر محاسباتی ساده بوده که در ارتباط متقابل با یگدیگر می باشند. در مغز انسان عناصر محاسباتی نرون ها هستند. سیستم مغزی انسانی چیزی جز مجموعه ای از نرون های مرتبط یا یگدیگرنیست.مغز انسان، بر اساس آنچه که در گذشته آموخته است، سیگنال های الکتروشیمیایی را که از نرون ها عبور می کنند منع و یا تقویت می نماید و از این طریق اقدام به یاد گیری پیامد های محرک ها می نماید. شبکه های عصبی مصنوعی نیز در حقیقت بخش های سخت افزاری و نرم افزاری بوده که مشابه نرون های بیو لوژیکی در سیستم عصبی انسان عمل می نماید. رفتار شبکه عصبی از رفتار جمعی واحد های پیوسته استخراج می شود. ارتباط بین واحد های (نرون ها) در شبکه عصبی محکم نبوده و این ارتباط از طریق فرآیند یادگیری ایجاد شده توسط تعامل شبکه با جهان خارج تعدیل می گردد. ساختار شبکه عصبی مصنوعی بر اساس درون داده ها، تعداد نرون ها، تعداد لایه های پنهان، وزن ها، تابع مجموع، تابع تبدیل و ستادها یا برون داده ها مشخص می شود.
همانند شبکه های بیولوژیکی، هر یک از شبکه های عصبی مصنوعی را می توان با توپولوژی[۷۷] مختلف سازماندهی کرد. به عبارت دیگر، نرون ها یا واحد های پردازشگر در شبکه به طرق مختلف می توانند به هم متصل شوند و با هم ارتباط داشته باشند. بنابراین شبکه های عصبی مصنوعی در اشکال گوناگون پدیدار می شوند. بسیاری از عناصر پردازشگر اطلاعات، محاسباتشان را به طور موازی و همزمان انجام می دهند. این پردازش موازی[۷۸] شبیه روشی است که مغز عمل می کند و در مغایرت با پردازش متوالی[۷۹] در محاسبات سنتی است. زمانی که ساختار شبکه مشخص گردید، اطلاعات مربوطه برای حل مسأله مورد پردازش قرار می گیرند. عناصر اصلی که در پردازش مشارکت دارند عبارتند از:
الف) درون داده ها[۸۰]
هر درون داده به یک ویژگی مسأله مربوط می شود. برای مثال، اگر مسأله تصمیم گیری در مورد تصویب یا عدم تصویب یک وام باشد، از ویژگی هایی از قبیل سطح درآمد، سود خالص، گردش عملیات و میزان دارایی های متقاضی وام می توان استفاده نمود. ارزش یک ویژگی، به عنوان درون داده یک شبکه تلقی می شود. اگر چه داده های مربوط به درون داده به صورت ارزش گذاری می شوند، ممکن است در برخی موارد اعداد نشان دهنده داده ها کیفی مانند عبارات «بله یا خیر» با شند.
ب) برون داده ها[۸۱]
برون داد شبکه، در واقع همان راه حل یا جواب مسأله است. شبکه های عصبی مصنوعی از ارزش عددی برای برون داداستفاده می کنند. به عنوان مثال، یک(۱+) برای بله و صفر(۰) برای خیر در نظر گرفته شده است. هدف شبکه عصبی محاسبه ارزش برون داد می باشد.
ج) وزن ها[۸۲]
وزن ها، عناصر کلیدی در شبکه های عصبی مصنوعی است. وزن ها قدرت نسبی داده ها ورودی اولیه یا اتصال های گوناگونی که داده ها را از لایه به لایه دیگر انتقال می دهند، نشان می دهند. به عبارت دیگر وزن ها بیانگر اهمیت نسبی هر یک از درون داده ها در یک عنصر پردازشی(نرون) هستند. وزن ها در شبکه های مصنوعی دارای اهمیت زیادی است زیرا یادگیری در شبکه های عصبی مصنوعی از طریق تعدیلات مکرر در وزن ها حاصل می شود.
د) تابع مجموع[۸۳]
از طریق تابع مجموع، میانگین موزون تمامی دروندادها در هر یک از عناصر پردازشی محاسبه میگردد. یک تابع مجموع، ارزشهای مربوط به دروندادها(Xj) را در وزنهای مربوطه (Wij) ضرب و سپس مجموع آنها (Y) را محاسبه میکند. به عنوان مثال برای n درونداده که به عنصر پردازشی kام وارد میشوند، داریم:
 
با فرض اینکه شبکه تعیین شده دارای دو لایه باشد، تابع مجموع لایه پنهان بهصورت مجموع حاصل ضرب ماتریس وزنها و ماتریس دروندادها بعلاوه ماتریس وزنهای خطا میباشد. بنابراین خواهیم داشت:
 
با داشتن تابع مجموع لایه پنهان، تابع مجموع لایه خروجی نیز بهصورت زیر تعریف خواهد شد:
 
در رابطههای فوق،  ماتریس وزن درونداده Jام در لایه iام را نشان میدهد.
هـ) تابع تبدیل (انتقالی)
تابع مجموع، تحریک داخلی یا سطح فعال شدن داخلی از یک نرون را محاسبه میکند. بههمین دلیل به تابع مجموع، تابع فعالسازی نیز میگویند. براساس این سطح فعالسازی نرون ممکن است یک برونداد تولید کند یا بروندادی تولید نکند. رابطه بین سطح فعال شدن داخلی و برونداد، ممکن است خطی یا غیرخطی باشد. چنین رابطهای توسط تابع تبدیل توصیف میشود. این تابع انواع مختلف دارد. انتخاب نوع خاصی از این تابع است که عملیات شبکه را تعیین میکند. یکی از توابع غیرخطی بسیار مشهور تابع سیگموئید نام دارد.
 
در رابطه فوق، Y نشان داده حاصل تابع مجموع در لایهها میباشد. هدف از این تعدیل، تبدیل سطح بروندادها به یک ارزش معقول میباشد. (برای مثال بین صفر تا یک).
آنچه که در یک مدل شبکه عصبی حائز اهمیت است، برآورد مطلوب وزنهای موجود در شبکه عصبی میباشد. بدیهی است که پس از تعیین وزنها بهنحو مطلوب، با تعیین بردار متغیرهای ورودی به سهولت میتوان بردار خروجی را برآورد نمود.
از معایب اصلی شبکههای عصبی فقدان شفافیت آنها میباشد. ساختار درونی شبکه، پنهان است و به آسانی امکان کپیبرداری از آن وجود نخواهد داشت. اگرچه شبکه عصبی به عنوان یک ابزار مناسب برای پیشبینی است، ولی فرآیند عملیات و اهمیت نسبی متغیرها روشن نیستند. بهعبارت دیگر شبکه عصبی چیزی در مورد گامهای میانی را آشکار نمیسازد.
۳-۶-۴٫ سیستم نمردهدهی اعتباری[۸۴] بر مبنای اطلاعات حسابداری
در دهه اخیر سیستمهای کمّی و عینی زیادی برای رتبهبندی اعتبار ایجاد شده است. در سیستمهای نمردهدهی اعتباری بر مبنای اطلاعات حسابداری، تحلیلگران مالی نسبتهای مالی مختلف وامگیرنده را با شاخصهای صنعت مقایسه و براساس مقایسه روند نسبتهای شرکت و صنعت تصمیمات اعتباری اتخاذ میگردد. امروزه مؤسسات خدمات مالی همچون مودیز به بانکها و مؤسسات اعتباری، اطلاعات مربوط به نسبتهای مالی شرکتها و شاخص صنعت را ارائه میدهند. یکی از محدودیتهای سیستم نمردهدهی اعتباری یک متغیره این است که ایجاد ارتباط و توازن بین نسبتهای ضعیف و قوی بهدلیل تأثیرگذاری سایر عوامل، مشکل است؛ البته تحلیلگر خوب میتواند این قضاوتها را به خوبی انجام دهد. (ساندرز و آلن، ۲۰۰۲)
امروزه اگرچه مدلهای یکمتغیره هنوز در بسیاری از مؤسسات مالی مورد استفاده قرار میگیرد، ولی اکثر بانکها از تجزیه و تحلیل نسبتهای مالی بهعنوان یک ابزار ارزیابی و تعیین عملکرد بنگاهها مأیوس شدهاند. بسیاری از نظریهپردازان، مواردی مانند تجزیه و تحلیل نسبتها را که بهطور گسترده مورد استفاده قرار میگیرد را کمارزش دانسته و توجه خود را به بکارگیری فنون آماری دقیقتری از قبیل مدلهای نمرهدهی چندمتغیره معطوف داشتهاند.
اولین مطالعات در زمینه نمرهدهی اعتباری چندمتغیره توسط بیور[۸۵](۱۹۶۷) و آلتمن[۸۶](۱۹۶۸) انجام گرفت. مدل استفاده شده توسط این دو محقق یک مدل تحلیل ممیزی چندگانه بوده است. هدف اصلی تحلیل ممیز چندگانه، تشخیص تفاوت بین گروهها و پیشبینی احتمال تعلق یک شرکت به یک گروه خاص است. در این مدل برای انجام پیشبینی از چندین متغیر مستقل کمّی استفاده میشود. مدل طراحی شده بیور برای پیشبینی درماندگی مالی شرکتها، دارای ۱۴متغیر مستقل (نسبتهای مالی) بوده است. مدل آلتمن که به نمره z5 معروف گردید از ۵نسبت مالی (که در بخش بعدی توضیح داده خواهد شد) برای تشخیص شرکتهای ورشکسته استفاده کرده است.
در طراحی سیستمهای چندمتغیره، سئوالات زیر مدنظر است:
کدامیک از نسبتهای مالی بهترین شاخص جهت پیشبینی ورشکستگی شرکت میباشند؟
وزن هر یک از نسبتهای اضافه شده به مدل چقدر است؟
چگونه میبایست ارزش وزنها را بهطور عینی مشخص ساخت؟
مدلهای نمرهدهی اعتباری را میتوان در تحلیل انواع اعتبارات اعم از اعتبار مصرفی و تجاری مورد استفاده قرار داد. اساساً ایده به کار رفته در سیستم نمرهدهی یکسان است. در اینگونه مدلها، عوامل اصلی تعیین کننده احتمال عدم بازپرداخت شناسایی و سپس از طریق وزندهی میزان اهمیت هر یک از این معیارها مشخص و با ترکیب آنها یک نمره اعتباری محاسبه میگردد. در برخی موارد، نمره اعتباری به عنوان احتمال عدم بازپرداخت تعبیر میشود و در موارد دیگر به عنوان سیستم طبقهبندی اعتبارات در گروههای اعتباری خوب و بد مورد استفاده قرار میگیرد. بهطور کلی مدلهای نمره اعتباری براساس مدل احتمالی خطی، مدل رگرسیون لاجیت و مدل رگرسیون پروبیت محاسبه میشوند.
۱-۳-۶- ۴٫ مدل احتمالی خطی
نوعی از مدل رگرسیون است که متغیرهای مستقل مقادیر کمّی و متغیر وابسته مقادیر صفر و یک را اختیار میکند. متغیر وابسته (Y1) زمانی برابر با صفر است که حادثه موردنظر رخ نداده است و زمانی که برابر با یک میباشد، حادثه موردنظر قطعاً رخ داده است. مدل رگرسیون احتمال خطی بهصورت زیر تعریف میشود: (ابریشمی، ۱۳۸۱)
 
امید ریاضی شرطی Yi برحسب Xi معین  را میتوان بهعنوان احتمال شرطی وقوع حادثه موردنظر به شرط Xi معین تعبیر نمود. نظر به اینکه Pi باید بین صفر و یک باشد، لذا محدودیت زیر را خواهیم داشت:
 
به عبارت دیگر احتمال شرطی وقوع حادثه موردنظر لزوماً (عدم بازپرداخت وام) باید بین صفر و یک باشد. چرا که احتمال وقوع یک حادثه هرگز کوچکتر از صفر و بزرگتر از یک نخواهد بود. اگرچه این امر بهطور نظری صادق است، اما هیچ تضمینی برای قرار گرفتن  (تخمینزن  بین صفر و یک وجود ندارد. به عبارت دیگر در مدل پردازش شده، ممکن است که مقدار متغیر وابسته یعنی  با قراردادن مقادیر متغیر مستقل در مدل کوچکتر از صفر و یا بزرگتر از یک گردد. یک راهحل این است که مقادیر کمتر از صفر مساوی صفر فرض شده و مقادیر بزرگتر از یک نیز برابر با یک فرض شود.
۲-۳-۶-۴٫ مدل رگرسیون لاجیت[۸۷]
مدل رگرسیون لاجیت یکی از مدلهای رگرسیونی است که از تابع سیگموئیدی لاجیت برای تمیز یا تشخیص دو یا چند گروه متمایز از هم استفاده میکند. در این مدل متغیرهای پیشبینی با مقیاس کمّی و مقولهای اندازهگیری شده و متغیر وابسته، مقولهای و دوسطحی است. این دو مقوله معمولاً به عضویت یا عدم عضویت در یک گروه لاجیت از مفهوم بخت برای مقدار متغیر وابسته استفاده میشود. در اصطلاح آماری بخت به معنی نسبت احتمال وقوع یک حادثه (Pi) بر احتمال عدم وقوع (Pi-1) آن میباشد. احتمال بین ۰ و ۱ تغییر میکند درحالی که بخت ممکن است. بیش از یک باشد. رگرسیون لاجیت بهصورت زیر تعریف میگردد:
 

برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.
برچسب گذاری شده با: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,