رويكردي نوين از كاربرد مدل‌هاي تصميم‌گيري چند معياره در طبقه‌بندي مشتريان اعتباري بانك

A New Approach of applying multi criteria decision making models for classifying the credit customers of bank

همواره مهم‌ترين عامل در تعيين وضعيت اعتباري مشتريان، بررسي ريسك اعتباري آن‌ها بوده است. در گذشته ريسك اعتباري غالبا با قضاوت شهودي تعيين مي‌گرديد كه در مقايسه با روش‌هاي آماري و هوش مصنوعي كه اخيرا مورد توجه قرار گرفته‌اند ازكارايي كمتري برخوردار بوده است. اين در حالي است كه بكارگيري روش‌هاي آماري، مستلزم توزيع مشخص داده‌ها مي‌باشد و از طرف ديگر استفاده از روش‌هاي هوش مصنوعي نيز مستلزم محاسبات پيچيده، هزينه‌بر بوده و مدل‌هاي ارائه شده از آن نيز غيرقابل تفسير و تحليل است. از اين رو مقاله حاضر سعي دارد با استفاده از رويكرد جديدي از بكارگيري مدل‌هاي تصميم‌گيري چند معياره، ضمن كاهش پيچيدگي محاسبات و عدم نياز به فرض خاصي براي داده‌ها، به طبقه‌بندي مشتريان اعتباري بپردازد. در تحقيق حاضر، رويكرد CTOPSIS كه بر پايه روش TOPSIS مي‌باشد به عنوان رويكردي جديد از كاربرد فنون تصميم‌گيري چندمعياره، براي طبقه‌بندي مشتريان اعتباري بانك بكارگرفته شد. براي سنجش اعتبار رويكرد جديد CTOPSIS، عملكرد اين مدل با عملكرد مدل كلاسيك رگرسيون لجستيك در تشخيص وضعيت اعتباري مشتريان شعب بانك سينا در فاصله زماني سال 1388-1392 مورد مقايسه قرار گرفت. نتايج نشان داد كه مدل C-TOPSIS با دقت كل 8/58% عملكرد بهتري در مقايسه با رگرسيون لجستيك با دقت 4/54% داشته است و خطاي نوع اول و دوم در C-TOPSIS نيز به ميزان قابل‌ملاحظه‌اي نسبت به روش ديگركاهش يافته است.

Evaluating the credit risk has been the most important factor in determining the customer's credit status. In the past, credit risk often determined by intuitive judgment that was inefficient compared to statistical and artificial intelligence methods which recently have been considered. Whereas the use of statistical methods requires specific data distribution, on the other hand use of artificial intelligence requires complex and costly calculations, and its obtained models are not interpretable. Hence, this paper attempts to use a new approach of applying multi criteria decision making models while reducing the computational complexity and lack of need for specific assumption for data to classify the credit customers. In this study CTOPSIS approach that is based on the TOPSIS technique was used as a new approach of applying MADM for classifying the credit customers of bank. To assess the validity of CTOPSIS approach, the performance of this method was compared to the performance of logistic regression model in credit status detection of Sina bank customers in the period 13881392. The results indicated that CTOPSIS model has more accuracy (58.82 %) than logistic regression model (54.4%), in fact TypeI error and TypeII error of CTOPSIS significantly decreased compared to other method