skip to Main Content
ارزیابی ریسک اعتبار: کاربرد داده کاوی در یک بانک روستایی

ارزیابی ریسک اعتبار: کاربرد داده کاوی در یک بانک روستایی

عنوان انگلیسی: Assessing Credit Risk: an Application of Data Mining in a Rural Bank
سال نشر: ۲۰۱۲
نویسنده: I Gusti Ngurah Narindra Mandala , Catharina Badra Nawangpalupi , Fransiscus Rian Praktikto
رشته های مرتبط: مدیریت مالی ، حسابداری
تعداد صفحه فارسی: ۹ تعداد صفحه انگلیسی: ۷
شناسه: ۱۰.۱۰۱۶/S2212-5671(12)00355-3
دانشگاه: Industrial Engineering Department, Parahyangan Catholic University, Ciumbuleuit 94, Bandung 14141, Indonesia
نشریه: Procedia Economics and Finance

چکیده

ارزیابی ریسک اعتبار برای وام های تضمینی یک عملیات مهم در سیستم بانکداری می باشد تا وام دهندگان را ضمانت نماید که وام را با برنامه پرداخت نمایند و به موجب نظم ، بانک را به عنوان بانک کارا طبقه بندی نماید. این مقاله هدفمند است تا فاکتورهای ضروری برای بانک روستایی (Bank Perkredutan Rakyat) را شناسایی نماید تا عملیات اعتبار را ارزیابی نماید. با هدف کاهش تعداد وام های غیر اجرایی، معیار تصمیم حاضر در ارزیابی ریسک اعتبار بررسی شده است. متعاقبا، یک مدل درخت تصمیم با اعمال روش داده کاوی پیشنهاد شده است.

مدل ارزیابی ریسک اعتباری به PT BPR X در Bali اعمال شده که ۱۰۸۲ وام دهنده(lender) (%99/11) داشته است،که وام غیر اجرایی داشته اند و به عنوان موارد وام بد شناسایی شده بودند. این باعث شد تا بانک PT BPR X به عنوان بانک ضعیف طبقه بندی شود.

داده کاوی استفاده شده تا مدل درخت تصمیم برای ارزیابی اعتبار را پیشنهاد نماید همانطور که میتواند تشخیص دهد که آیا تقاضای وام دهندگان می تواند به عنوان ریسک وام های اجرایی یا غیر اجرایی طبقه شود. با استفاده از روش C 5.0، یک مدل درخت تصمیم جدید ایجاد شده است.  این مدل معیارهای جدید در تحلیل کاربردهای وام پیشنهاد می کند. نتایج ارزیابی نشان داد که اگر این مدل اعمال شود، PT BPR X می تواند وام های غیر اجرایی را به کمتر از %۵ کاهش دهد و بانک می تواند به عنوان بانک با بهترین عملکرد طبقه بندی گردد.

Abstract

Credit risk assessment for secured loans is an important operation in banking systems to ensure the lenders pay the loans on schedule and to classify the bank as a well performing bank due to regulation. This paper aims to identify factors which are necessary for a rural bank (Bank Perkreditan Rakyat) to assess credit application. By aiming on the reduction of number of non-performing loans, current decision criteria on credit risk assessment are evaluated. Subsequently, a decision tree model is proposed by applying data mining methodology.

The credit risk assessment model is applied to PT BPR X in Bali that had 1082 lenders (11.99%) who had non-performing loans and were identified as bad loan cases. This made PT BPR X was categorized as a poorly performing bank.

Data mining is used to suggest a decision tree model for credit assessment as it can indicate whether the request of lenders can be classified as performing or non-performing loans risk. Using C 5.0 methodology, a new decision tree model is generated. This model suggests that new criteria in analyzing the loan application. The evaluation results show that if this model is applied, PT BPR X can reduce non-performing loans to less than 5% and the bank can be classified as a well performing bank.

۵۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top