[صفحه اصلی ]   [Archive] [ English ]  
بخش‌های اصلی
صفحه اصلی
فرم ثبت‌ نام
فرم ارسال مقاله
اطلاعیه‌ها
برای نویسندگان و داوران
موضوع مقالات قابل چاپ
انواع مقالات قابل چاپ
ویژگی‌های فایل مقاله
ویژگی‌های باطن مقالات
ویژگی‌های ظاهر مقالات
صفحه‌کلید استاندارد فارسی
فرایند داوری و چاپ مقالات
فرم تعارض منافع
راهنما
راهنمای ثبت نام
راهنمای ارسال مقاله
راهنمای داوری مقالات
آرشیو مجله و مقالات
کلیه شماره‌های مجله
آخرین شماره
مقالات آماده انتشار
نمایه نویسندگان
نمایه واژه های کلیدی
اطلاعات نشریه
اهداف و زمینه‌ها
هیات تحریریه
اطلاعات نشریه
پیشینه نشریه
اصول اخلاقی نشریه
اسامی داوران
تماس با ما
اطلاعات تماس
فرم برقراری ارتباط
::
شبکه‌های اجتماعی


..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات از پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار نشریه
تعداد دوره های نشریه: 18
تعداد شماره ها: 63
تعداد مشاهده ی مقالات: 1187378

مقالات دریافت شده: 2119
مقالات پذیرفته شده: 397
مقالات رد شده: 1604
مقالات منتشر شده: 384

نرخ پذیرش: 18.74
نرخ رد: 75.7

میانگین دریافت تا پذیرش: 248 روز
میانگین پذیرش تا انتشار: 71.3 روز
____
..
نشریات مرتبط

پژوهش‌های مالیه اسلامی

AWT IMAGE

(دوفصلنامه)

..
:: سال 17، شماره 61 - ( 9-1403 ) ::
سال 17 شماره 61 صفحات 564-535 برگشت به فهرست نسخه ها
مدیریت ریسک اعتباری جهت بهبود اعطای تسهیلات به مشتریان بانکی
محسن مهرآرا1 ، فاطمه محمدی*1 ، علی جدیدزاده1
1- دانشکده اقتصاد دانشگاه تهران
چکیده:   (442 مشاهده)
نظام بانکی به عنوان یکی از ارکان‌های مالی کشور، نقشی اساسی در توسعه اقتصادی دارد. یکی از چالش‌های مهم بانک‌ها در ارائه تسهیلات، شناخت دقیق مشتریان و تمایز میان گروه‌های مختلف از آن‌هاست. این پژوهش با هدف شناسایی و دسته‌بندی مشتریان بانکی بر اساس ریسک اعتباری و پیش‌بینی احتمال نکول آن‌ها با استفاده از مدل‌های یادگیری ماشین انجام می‌شود. نتایج دسته‌بندی با الگوریتم میانگین کا (K-means) نشان داد که مشتریان به چهار گروه اصلی تقسیم می‌شوند. خوشه چهارم شامل مشتریان پرریسکی است که بدهی‌های معوقه بالا و تسهیلات نکول‌شده دارند و نیازمند نظارت دقیق‌اند. خوشه سوم مشتریان بحران‌سازی را شامل می‌شود که با بدهی‌های معوقه بالا در معرض انتقال به گروه پرریسک قرار دارند. خوشه دوم شامل مشتریان با ریسک متوسط است که هرچند پایدارند، اما به نظارت نیاز دارند. خوشه اول نیز مشتریان کم‌ریسکی را شامل می‌شود که بدهی‌های معوقه کمی دارند و بهترین گزینه برای اعطای تسهیلات جدید هستند. در این پژوهش، از مدل‌های ایکس‌جی‌بوست و لاجیت برای پیش‌بینی نکول استفاده شده است. مدل ترکیبی ارائه‌شده به بانک‌ها کمک می‌کند تا استراتژی‌های موثرتری برای مدیریت ریسک و تخصیص بهینه منابع مالی تدوین کرده و جایگاه رقابتی خود را در بازار تقویت کنند.
شماره‌ی مقاله: 6
واژه‌های کلیدی: ریسک اعتباری، احتمال نکول، دسته‌بندی مشتریان، تسهیلات بانکی، پیش‌بینی وضعیت اعتباری
متن کامل [PDF 776 kb]   (94 دریافت)    
نوع مطالعه: مطالعه موردی | موضوع مقاله: سیاست پولی، بانکداری مرکزی و عرضه پول و اعتبارات (E5)
دریافت: 1403/9/19 | پذیرش: 1403/11/16 | انتشار: 1403/12/14
فهرست منابع
1. مرادی، م، حری، م و نوری، ا. (1402). مطالعات کمی در مدیریت صنعت بانکداری به منظور افزایش رضایتمندی و سودآوری مشتریان (مطالعه موردی: بانک ملت). مطالعات کمّی در مدیریت، 14(53)، 52-84.‎
2. تقوی فرد، م. (1396). دسته‌بندی مشتریان حقوقی و پیش‌بینی توانایی سوددهی آنان با استفاده از ارزش طول عمر مشتری و رویکرد زنجیرهٔ مارکوف (مورد مطالعه: مشتریان یک بانک خصوصی). مطالعات مدیریت صنعتی، 45. 45-74.
3. مهرآرا، م.، و مهران‌فر، م. (1392). عملکرد بانکی و عوامل کلان اقتصادی در مدیریت ریسک. مدلسازی اقتصادی، 7(1 (پیاپی 21))، 21-37
4. خواجوند، س.، تقوی فرد، م.، و نجفی، ا. (1391). بخش‌بندی مشتریان بانک صادرات ایران با استفاده از داده کاوی. مطالعات مدیریت بهبود و تحول،21(67)، 179-200
5. سهرابی، ب.، خانلری، ا.، و آجرلو، ن. (1390). الگویی برای تعیین ارزش چرخهٔ عمر مشتریان (CLV) در صنعت بانکداری. پژوهش های مدیریت در ایران، 15(1 (پیاپی 70))، 223-239
6. Li, T., Kou, G., Peng, Y., & Philip, S. Y. (2021). An integrated cluster detection, optimization, and interpretation approach for financial data. IEEE transactions on cybernetics, 52(12), 13848-13861. [DOI:10.1109/TCYB.2021.3109066] [PMID]
7. Dawood, E. A. E., Elfakhrany, E., & Maghraby, F. A. (2019). Improve profiling bank customer's behavior using machine learning. Ieee Access, 7, 109320-109327. [DOI:10.1109/ACCESS.2019.2934644]
8. Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794). [DOI:10.1145/2939672.2939785]
9. Scitovski, S., & Šarlija, N. (2014). Cluster analysis in retail segmentation for credit scoring. Croatian Operational Research Review, 235-245. [DOI:10.17535/crorr.2014.0010]
10. Khobzi, H., Akhondzadeh-Noughabi, E., & Minaei-Bidgoli, B. (2014). A new application of RFM clustering for guild segmentation to mine the pattern of using banks'e-payment services. Journal of Global Marketing, 27(3), 178-190. [DOI:10.1080/08911762.2013.878428]
11. Haenlein, M., Kaplan, A. M., & Beeser, A. J. (2007). A model to determine customer lifetime value in a retail banking context. European Management Journal, 25(3), 221-234. [DOI:10.1016/j.emj.2007.01.004]
12. Heffernan, S. (2003). 14. The causes of bank failures. Handbook of International Banking, 366. [DOI:10.4337/9781843765646.00023]
13. Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of educational psychology, 24(6), 417. [DOI:10.1037/h0071325]
14. Pearson, K. (1901). LIII. On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin philosophical magazine and journal of science, 2(11), 559-572. [DOI:10.1080/14786440109462720]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
سال 17، شماره 61 - ( 9-1403 ) برگشت به فهرست نسخه ها
فصلنامه پژوهش‌های پولی-بانکی Journal of Monetary & Banking Research
Persian site map - English site map - Created in 0.08 seconds with 38 queries by YEKTAWEB 4713