به کارگیری تحلیل پوششی داده ها (dea) در تحلیل ممیز (da) و کاربرد آن در طبقه بندی مشتریان اعتباری بانک ملت

عدم بازپرداخت به موقع وامهای اعطایی یکی از مهمترین چالشهای اعطای تسهیلات در نظام بانکی کشور میباشدکه منجر به مطالبات معوق، سررسید گذشته و مشکوک الوصول میشود. یکی از راهکارهای مناسب جهت مقابله با این چالش، تفکیک مشتریان خوش حساب از بدحساب پیش از اعطای وام میباشد. سنجش ریسک اعتباری مشتریان پیش از اعطای وام میتواند به عنوان راهکاری جهت کاهش ریسک اعتباری در نظر گرفته شود. هدف پژوهش حاضر ارایه مدلی است که با استفاده از قضاوت خبرگان، ویژگیهای اثرگذار مشتری در سنجش ریسک اعتباری را انتخاب کند و با استفاده از به کارگیری تحلیل پوششی داده ها در تحلیل ممیز، مشتریان خوش حساب را از بدحساب تفکیک نماید. مدل ارایه شده با یک مجموعه داده از مشتریان بانک با درنظر گرفتن 20 ویژگی از 500 وام گیرنده مورد آزمایش قرار گرفت. با استفاده از روش دلفی8 ویژگی موثر مشتریان در پیش بینی ریسک اعتباری، شناسایی شده سپس بر مبنای تعداد اقساط معوق، مشتریان به دو دسته خوش حساب و بدحساب دسته بندی و به ترتیب در دو گروه g1 و g2 قرار گرفتند. در ادامه با قرار دادن داده ها در مدل da، وزن هایα_(1,…,8 ) ، β_(1,…,8) و d مر بوط به ابرصفحه های جداکننده دو گروه به دست آمد. بر اساس این وزن ها می توان تعیین کرد که داده های جدید در کدام گروه قرار خواهند گرفت. با توجه به دقت بالای پیش بینی مدل در دسته بندی مشتریان به دو گروه خوش حساب و بدحساب پیش از اعطای وام، میتوان از این مدل به عنوان یک سیستم تصمیم یار برای کمک به مسئولین تسهیلات بانکها استفاده نمود. به این ترتیب نه تنها از پرداخت وام به مشتریان بدحساب جلوگیری میشود بلکه میتوان تمهیداتی را )از جمله گرفتن وثیقه کافی( جهت اعطای وام به مشتریان خوش حساب و یا بدحساب در نظر گرفت. بنابراین علاوه بر برداشتن گامی عملی برای کاستن حجم مطالبات بانک ها میتوان سطح رضایتمندی مشتریان خوش حساب را نیز افزایش داد.