شناسایی آثار دست کاری احتمالی در داده های اعتبارسنجی بر مدل های اعتبارسنجی مشتریان حقوقی با استفاده از داده کاوی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 104

فایل این مقاله در 24 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_INDU-11-3_002

تاریخ نمایه سازی: 25 دی 1400

چکیده مقاله:

بانک ها برای پیشگیری از زیان های ناشی از ریسک اعتباری به دلیل عدم بازپرداخت اقساط تسهیلات بانکی، به اعتبارسنجی مشتریان خود می پردازند. بانک های توسعه ای به­ دلیل اعطای تسهیلات با شرایط تسهیل­ شده در نرخ، وثیقه و بازه زمانی بلندمدت تسهیلات صرفا بر اساس میزان سرمایه در گردش موردنیاز مشتریان، به آن ها تسهیلات اعطا می کنند. این موضوع باعث می شود تا برخی از مشتریان اقداماتی را در صورت­ های مالی و سایر داده ­های خود صورت دهند که بتوانند از تسهیلات بیشتر از نیاز خود برخوردار شوند. هدف پژوهش حاضر، بررسی آثار این نوع تقلب بر مدل های اعتبارسنجی و ایجاد یک مدل اعتبارسنجی پایدار و حساس به تقلب است. جامعه آماری این پژوهش شامل شرکت هایی است که به منظور اخذ تسهیلات به شعب بانک توسعه صادرات مراجعه کرده اند. متغیرهای این پژوهش شامل ۵۵ متغیر مالی و غیرمالی است که بر اساس آن ها مدل اعتبارسنجی ایجادشده و به کارگرفته شده است. ابتدا شرکت هایی که احتمالا در صورت­ های مالی دست کاری احتمالی در سرمایه در گردش داشتند، شناسایی و برچسب گذاری شدند و درنهایت با استفاده از ترکیبی از روش های داده­کاوی و گزارش شاخص های ارزیابی عملکرد به بررسی آثار این نوع تقلب بر مدل های اعتبارسنجی پرداخته شد تا بتوان به مدل بهینه و پایدار یک بانک توسعه­ ای دست یافت.

نویسندگان

سید مهدی سادات رسول

استادیار، دانشگاه خوارزمی.

امید مهدی عبادتی

استادیار، دانشگاه خوارزمی.

مهسا سادات بختیاری

کارشناسی ارشد، دانشگاه خوارزمی.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abdelhamid, D. Khaoula, S. & Atika, O. (۲۰۱۴). Automatic Bank ...
  • Abdolli, Gh. Fard Hariri, E. (۲۰۱۶). Refah bank credit scoring ...
  • Arabmazar, M. & Rouientan, P. (۲۰۰۵). Factros effecting bank credit ...
  • Chen, C. & Kieschnick, R. (۲۰۱۷). Bank credit and corporate ...
  • Asadpour, E. & Pouya, A. & Farimani, N. M. (۱۳۹۶). ...
  • Hajizadeh, S. & Torani, Z. (۲۰۱۶). Datamining in banks using ...
  • Kim, Y. S., & Sohn, S. (۲۰۰۴). Managing loan customers ...
  • Kirkos, E., Spathis, C., & Manolopoulos, Y. (۲۰۰۷). Data mining ...
  • Lei, J. Z. & Ghorbani, A. A. (۲۰۱۲). Improved competitive ...
  • Liu, Y., & Schumann, M. (۲۰۰۵). Data mining feature selection ...
  • Mahmoudi, S., & Sharifi, H. (۲۰۱۳). Study the causes and ...
  • Martínez, J De L., & Vicente, CL. (۲۰۱۲). Global survey ...
  • Mehregan, M. R. & Moradi, Z. (۲۰۱۹) Using the Multi-Stage ...
  • Mohammadi Vala, H. & Farhoudinejad, A. (۲۰۱۴), Fraud detection in ...
  • Nami, S. & Shajari, M. (۲۰۱۸). Cost-sensitive payment card fraud ...
  • Ngai, E. W. Hu, Y. Wong, Y. H. Chen, Y. ...
  • Tolouie Ashalghi, A. Maghdori Sharibani, F., & Daneshgar, F. (۲۰۰۸). ...
  • Repousis, S. (۲۰۱۶). Using Beneish model to detect corporate financial ...
  • Sahin, Y., Bulkan, S., & Duman, E. (۲۰۱۳). A cost-sensitive ...
  • Shin, K.-S., Lee, T & Kim, H.-J. (۲۰۰۵). An application ...
  • Tehrani, R. & Falahshams, M. F. (۱۳۸۴). Desigining and developing ...
  • Verikas, A., Kalsyte, Z., Bacauskiene, M., & Gelzinis, A. (۲۰۱۰). ...
  • Zakaryazad, A., & Duman, E. (۲۰۱۶). A profit-driven Artificial Neural ...
  • Zaringhalalm, Z. & Nazemi Hrandi, N. (۲۰۰۳). Banking customers credit ...
  • نمایش کامل مراجع