شناسایی و تحلیل شاخصهای اعتباری و رفتاری: مدلی برای رتبهبندی مشتریان تسهیلات خُرد بانکی
نویسندگان
1 دانشیار، گروه مدیریت بازرگانی و مدیریت مالی، واحد اسلامشهر، دانشگاه آزاد اسلامی، تهران، ایران.
2 دانشجو دکتری، گروه علوم اقتصادی، واحد قشم، دانشگاه آزاد اسلامی، قشم، ایران.
3 استادیار، گروه مدیریت مالی، واحد قشم، دانشگاه آزاد اسلامی، قشم، ایران.
4 دانشیار گروه حسابداری و مدیریت مالی، دانشکده علوم انسانی، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران
doi
10.22059/frj.2025.388263.1007692چکیده
هدف: برای امتیازدهی به مشتریان، بایستی یک سیستم امتیازدهی مناسب و عادلانه تعیین شود؛ سیستمی که بتواند با در نظر گرفتن معیارهای اعتباری و رفتاری، مشتریان را در ردههای مختلف قرار دهد و بر اساس عملکرد آنها، به آنها امتیازهای متناسب اختصاص دهد. علاوهبراین، به توسعۀ روشهایی برای ارزیابی و پایش مشتریان در طول زمان نیاز است. هدف از این پژوهش، شناسایی و تحلیل شاخصهای اعتباری و رفتاری و ارائۀ مدلی برای رتبهبندی مشتریان در تسهیلات خُرد بدون پشتوانه (بدون وثیقه) است. اعتبارسنجی مشتریان فرایند پیچیدهای است که شامل مراحل بررسی مدارک، تحلیل وضعیت مالی و تاریخچۀ پرداختهای قبلی مشتریان است. یکی از موضوعات مهم در اعتبارسنجی مشتریان، تعیین میزان، توان و قابلیت بازپرداخت وام توسط مشتریان است. هدف از این پژوهش، ارائۀ مدل اعتبارسنجی و رتبهبندی مشتریان در تسهیلات خُرد بدون پشتوانه و برآورد احتمال نکول تسهیلات خُرد بدون پشتوانه، در بانکداری دیجیتال بانک خاورمیانه است. روش: جامعۀ آماری این پژوهش، کلیۀ مشتریان خُرد بانکداری دیجیتال بانک خاورمیانه بود و از روش تمام شماری برای مشتریان سالهای ۱۴۰۰ تا ۱۴۰۱ استفاده شد. مبنای این پژوهش برای رتبهبندی مشتریان در تسهیلات خُرد بدون پشتوانه، مدلی بود که در پژوهش احمدی کوشا و همکاران (۱۴۰۳) ارائه شد؛ از این رو شاخصهایی همچون سن، مبلغ وام دریافتی، مبلغ مجاز درخواست وام، مبلغ کل تسهیلات دریافتی، امتیاز، تأیید پولشویی، جنسیت، شغل، شهر، مدرک، وضعیت وام و نوع شغل، بهعنوان متغیرهای ورودی اولیه در نظر گرفته شدند. در ادامه، از رگرسیون فازی و با الهام از کتابخانههای نرمافزار Python مانند SciKit-Fuzzy و NumPy، دادهها تحلیل شدند و در ادامه، فرمولی برای رگرسیون فازی بهدست آمد. همچنین، بهمنظور ارزیابی نهایی مدل اعتبارسنجی و رتبهبندی مشتریان تسهیلات خُرد بدون پشتوانه، از یک مثال برای یک مشتری استفاده شد. یافتهها: بر اساس خروجی بهدستآمده، متغیرهای مبلغ وام دریافتی درخواستشده، مبلغ کل تسهیلات و شغل، تأثیری در پرداخت اقساط ۶۰ روز بعد از سررسید ندارد. افزونبراین، رتبهبندی متغیرهای مهم در پرداخت اقساط ۶۰ روز بعد از سررسید، بهترتیب عبارتاند از: وضعیت تسویۀ وام، وضعیت پولشویی، جنسیت، مدرک، سن، امتیاز، نوع شغل و شهر. همچنین، اعتبار و قدرت پیشبینی مدل، از طریق یک مشتری بررسی شد که نمرۀ 8738/0 بهدستآمد که نشان میدهد این مشتری در پرداخت اقساط ۶۰ روز بعد از سررسید، در وضعیت خوبی قرار داشته است. بدین ترتیب کارآمدی مدل در ارزیابی و مدیریت ریسک اعتباری آزمون شد. استفاده از این مدل برای مؤسسههای مالی در تضمین شیوههای وامدهی پایدار حیاتی است. نتیجهگیری: با توجه به متغیرهای شناساییشدۀ مؤثر بر رفتار پرداخت پس از سررسید، برای مؤسسههای مالی ضروری است که این عوامل را در چارچوبهای ارزیابی ریسک خود بگنجانند. این بانک باید اجرای پروتکلهای سختگیرانۀ مبارزه با پولشویی را در اولویت قرار دهد و بهطور منظم معیارهای ارزیابی ریسک خود را بهروز کند تا با الزامات نظارتی هماهنگ شود. همچنین، برای به حداکثر رساندن کاربرد این مدل، بانک خاورمیانه باید در نظارت و اصلاح مستمر مدل سرمایهگذاری و از آخرین دادههای موجود از رفتارهای مشتری برای انطباق با پویایی بازار استفاده کند.