اعتبار مشتریان

بدحساب
خوش حساب

تعداد
تعداد

پیش بینی مدل
درخت تصمیم
بدحساب
۳۲
۳

خوش حساب
۹
۱۰۵

منبع : یافته های پژوهشگر
همانطور که در جدول فوق مشخص است از مجموع ۱۰۸ مشتری خوش حساب، تعداد ۱۰۵ مشتری به عنوان خوش حساب و ۳ مشتری (به اشتباه) به عنوان بدحساب تشخیص داده شده اند به طوری که دقت الگو در این خصوص ۹۷.۲۲ درصد محاسبه شده است. به همین ترتیب از ۴۱ مشتری بدحساب، ۳۲ مشتری به عنوان بدحساب و ۹ مشتری (به اشتباه) خوش حساب تشخیص داده شده اند و دقت الگو در این حالت حدود ۷۸.۰۴ درصد می باشد. بنابراین میانگین دقت پیش بینی در این مدل ۹۱.۹۵ درصد است.

همچنین بر اساس این مدل متغیرهای با اهمیت در شکل زیر نمایش داده شده است :
شکل ۴-۵ : متغیرهای با اهمیت مدل درخت تصمیم
منبع : یافته های پژوهشگر
بر اساس نمودار فوق متغیرهای با اهمیت عبارت است از : مبلغ وام، تحصیلات مدیرعامل، وضعیت مالیاتی، نسبت آنی، نسبت تسهیلات مالی دریافتنی به دارایی، زمینه فعالیت شرکت، نسبت مالکانه، و سایر متغیرهایی که در نمودار فوق مشخص می باشد.
۴-۳-۱-۳ : آزمون فرضیه فرعی سوم
فرضیه فرعی ۳ : مدل منتج از تکنیک شبکه های عصبی جهت اعتبارسنجی مبتنی بر صورتهای مالی از کارآیی مناسبی برخودار است.
مراحل زیر برای طراحی و اجرای مدلهای شبکه های عصبی دنبال گردیده است.
همانطور که قبلاً بیان شد سعی بر آن است که مشتریان تسهیلات با کمک شبکه های عصبی رتبه بندی شود. با کمک این رتبه بندی مشتریان در دسته های مختلفی از نظر اعتبار رتبه بندی میشوند تا مشخص شود که کدام مشتریان و با چه مشخصاتی شرایط دریافت تسهیلات را دارند و از طرفی چه کسانی شایستگی دریافت اعتبار را ندارند. برای اینکار احتیاج به سیستمی است که قابلیتی داشته باشد که بتواند مجموعه ای از داده ها را در خود جای داده و طبق برنامه پردازش کرده و نتیجه درستی بیرون بدهد.
نرم افزار SPSS Clementine که از قابلیت و توانایی های شبکه عصبی استفاده می کند این داده ها و متغیرها را که با انجام مصاحبه ها و ملاحظه اسناد و مدارک از پرونده های مشتریان خارج کرده، طی جدولی بررسی می کند.
در تحقیق حاضر یک نمونه ۳۰۰ تایی که برخی از آنها دارای دو سال مالی مقایسه ای بودند در نهایت شامل ۵۹۳ تراکنش شد که ۴۲۹ تا از آنان مشتریان خوش حساب (ریسک اعتباری پایین) و ۱۶۴ تا از مشتریان بدحساب (ریسک اعتباری بالا) می باشند.
در این تحقیق ۷۵ درصد را به عنوان داده های آموزش و ۲۵ درصد را برای داده های تست انتخاب می نماییم.
مدل انتخابی از نوع پرسپترون چند لایه است این مدلها کاربرد موفقیت آمیزی در حل برخی از مسائل مخصوصاً مسائل رتبه بندی داشته اند. این مدل جزء شبکه های پیشخور چند لایه است که مجموعه ای از واحدهای گیرنده ، لایه ورودی را تشکیل می دهند و یک یا چند لایه پنهانی از گره های محاسباتی وجود دارد و همچنین یک لایه خروجی گره محاسباتی در انتها قرار دارد.
شکل ۴-۶ پرسپترون چند لایه
تعداد نرون ها در لایه ورودی به سادگی برابر با تعداد متغیرها در مجموعه داده هایی است که ورودی شبکه را تشکیل می دهند. با توجه به هدف تحقیق که طبقه بندی متقاضیان به دو گروه است، یک نرون در لایه خروجی به کار گرفته می شود که دو کد مختلف را به متقاضیان خوب و بد اختصاص می دهد. همچنین شبکه دارای یک لایه میانی است که باید در مورد تعداد نرون ها در این لایه تصمیم گیری شود.
تابع عملکرد آموزش شبکه، بر اساس متوسط مجموع مربعات خطا (MSE) در نظر گرفته شده است. این تابع عملکرد معمولاً در طراحی شبکه های عصبی پیشخور چند لایه مورد استفاده قرار میگیرد که از رابطه زیر محاسبه می شود :
رابطه ۴-۱ : تابع عملکرد آموزش شبکه
MSE =
تابع تبدیل به مدل ریاضی به تبدیل کردن داده ها مربوط می شود. در این تحقیق از توابع تانژانتی که اغلب در مسائل رتبه بندی بکار می رود استفاده می شود.
رابطه ۴-۲ : تابع مدل ریاضی
تانژانت هیپربولیکی