CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

مقایسه عملکرد مدل های کلاسیک و هوش مصنوعی در پیش بینی وضعیت اعتباری مشتریان بانک

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۹ | تعداد نمایش خلاصه: ۱۲ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: JR_BAR-10-20_003
زبان مقاله: فارسی
حجم فایل: ۳۷۲.۱۸ کیلوبایت (فایل این مقاله در ۱۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۹ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه عملکرد مدل های کلاسیک و هوش مصنوعی در پیش بینی وضعیت اعتباری مشتریان بانک

  نرجس قاسم نیا عربی - کارشناسی ارشد گروه مدیریت صنعتی، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران
  عبدالحمید صفایی قادیکلایی - استاد گروه مدیریت صنعتی،دانشکده علوم اقتصادی و اداری، دانشگاه مازندران

چکیده مقاله:

 در حال حاضر در نظام بانکداری، عدم بازپرداخت تسهیلات به یکی از بزرگ ترین مسائل تبدیل شده است و به دلیل عدم وجود یک سیستم مناسب برای تخصیص تسهیلات، بانک ها و موسسات مالی دچار مشکلات عدیده ای ازجمله افزایش حجم مطالبات معوق شده اند. نظر به اهمیت ریسک اعتباری، بانک های تجاری در سطح دنیا درگذشته اغلب از روش قضاوتی برای تعیین ریسک استفاده می نمودند، لکن استفاده از این روش ها با توجه به توان محدود انسان ها در تحلیل هم زمان فاکتورهای مختلف موثر بر ریسک اعتباری در مقایسه با روش های آماری و هم چنین روش های هوش مصنوعی از کارایی کمتری برخوردار است. به همین منظور این تحقیق درصدد است تا کارایی مدل رگرسیون لجستیک و شبکه عصبی مصنوعی را در تشخیص وضعیت اعتباری مشتریان بانک در فاصله زمانی سال 1388-1392 بسنجد. بررسی نتایج نشان داد که دقت کل مدل شبکه عصبی در داده های آموزش 87% و رگرسیون لجستیک 2/77% تعیین شده است و خطای نوع اول و دوم در شبکه عصبی به میزان قابل ملاحظه ای نسبت به روش دیگر کاهش یافته است. با توجه به نتایج نمی توان انتظار داشت مدل های آماری با مفروضات کلاسیک نظیر خطی بودن روابط متغیرها، بتوانند ریسک اعتباری مشتریان را به درستی ارزیابی نماید؛ از این رو بکارگیری یا تلفیق تکنیک های هوش مصنوعی در این مساله ضرورتا توصیه می شود.

کلیدواژه‌ها:

اعتبار سنجی, شبکه عصبی مصنوعی, رگرسیون لجستیک, سیستم بانکی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-JR_BAR-JR_BAR-10-20_003.html
کد COI مقاله: JR_BAR-10-20_003

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
قاسم نیا عربی, نرجس و عبدالحمید صفایی قادیکلایی، ۱۳۹۷، مقایسه عملکرد مدل های کلاسیک و هوش مصنوعی در پیش بینی وضعیت اعتباری مشتریان بانک، دوفصلنامه کاوش های مدیریت بازرگانی 10 (20)، https://www.civilica.com/Paper-JR_BAR-JR_BAR-10-20_003.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (قاسم نیا عربی, نرجس و عبدالحمید صفایی قادیکلایی، ۱۳۹۷)
برای بار دوم به بعد: (قاسم نیا عربی و صفایی قادیکلایی، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Ekrami, M. & Rahnama Aski, Azadeh(2009). Investigation the risk factors ...
  • Alborzi, M., Mohammad Pourzarandi, M., khanbabaei, M. (2010). Using Genetic ...
  • Taghavifard, M., Nadali, A. (2012). Classification of Credit Applicants of ...
  • jalili, M., Khodaei valah zadgharad, M. & Koneshlou, M. (2010). ...
  • Dehmordeh, N., Shahraki, J., Seyfoddinpoor, S. & Esfandiyari, M. (2013). ...
  • Rjabzadeh ghatari, A., Ahmadi, P. & Mirzaei, A. B. (2009).  ...
  • Mirtalaei, M., Azadeh, M. A., Saberi, M. & Ashjari, B. ...
  • Abdou, H. A., Alam, S. T., & Mulkeen, J. (2014). ...
  • Abdou, H. A. (2009). An evaluation of alternative scoring models ...
  • Abdou, H. A., & Pointon, J. (2009). Credit scoring and ...
  • Abdou, H. A., & Pointon, J. (2011). Credit scoring, statistical ...
  • Angelini, E., di Tollo, G., & Roli, A. (2008). A ...
  • Bekhet, H. A., & Eletter, S. F. K. (2014). Credit ...
  • Dimitriu, M., Avramescu, E.A., & Caracota, R. C. (2010). Credit ...
  • Dong, G., Lai, K. K., & Yen, J. (2010). Credit ...
  • Einav, L., Jenkins, M., & Levin, J. (2013).The impact of ...
  • Fogarty, D. J. (2012). Using Genetic Algorithms for Credit Scoring ...
  • Harris, T. (2015). Credit scoring using the clustered support vector ...
  • Hui, L., Li, S., & Zongfang, Z. (2013). The Model ...
  • Kozeny, V. (2015). Genetic algorithms for credit scoring: Alternative fitness ...
  • Lee, T.S., & Chen ,I. F. (2005). A two-stage hybrid ...
  • Li, X. L., & Zhong, Y. (2012). An overview of ...
  • Liu, Y. (2001). New issue in credit scoring application. Nr ...
  • Lu, H., Liyan, H., & Hongwei, Z. (2013). Credit scoring ...
  • Marques, A. I., García, V., & Sanchez, J. S. (2012). ...
  • Nguyen, H. T. (2014). Credit Scoring–An empirical study involving auto ...
  • Nicula, I. (2013). Some Aspects Concerning the Measurement of Credit ...
  • Nurlybayeva, K., & Balakayeva, G. (2013). Algorithmic Scoring Models.Applied Mathematical ...
  • Sarlija, N., Bensic, M., & Zekic-Susac,M. (2006). Modeling customer revolving ...
  • Šušteršicˇ, M., Zupan, J.,&  Mramor, D. (2009). Consumer credit scoring ...
  • West. D. (2000). Neural Network Credit Scoring Models. Computers and ...
  • Yu, L., Wang, S., Lai, K. K., & Zhou, L. ...
  • Zhao, Z., Xu, S., Kang, B. H., Kabir, M. M. ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۵۲۷
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • صنعت بانکداری > بانکداری
  • اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.