مدیریت تسهیلات اعتباری با استفاده از توسعه تحلیل پوششی داده‌ها

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه اقتصاد ، واحد یزد ، دانشگاه آزاد اسلامی، یزد، ایران

2 عضو هیات علمی ، دانشگاه یزد، ایران

چکیده

مدیریت صحیح منابع محدود بانک‌ها با وجود متقاضیان فراوان تسهیلات  یکی از مسایل پیچیده‌ای است که عدم توجه کافی به آن، باعث ایجاد مشکلات عدیده‌ای در سازمان می‌شود. روش‌ها و تکنیک‌های بسیاری در زمینه کمک به مدیریت منابع، توسط محقیقن به‌کارگرفته شده است. مبحث رتبه‌بندی اعتباری که خود شامل مدل‌های متنوعی است، از جمله این تکنیک‌ها به شمار می‌رود. روش تحلیل پوششی داده‌ها یکی از پرکاربردترین روش‌های ناپارامتری در بحث رتبه‌بندی است. هر چند که استفاده از این روش برای رتبه‌بندی بسیار مورد استقبال محققان قرار گرفته‌است لکن پیش شرط متجانس بودن "واحدهای ارزیابی شونده" باعث شدهتا کمتر در رتبه‌بندی واحدهای گروه‌بندی شده به کارگرفته شود. از این رو در این مقاله روش تحلیل پوششی داده‌ها به‌‌گونه‌ای توسعه داده شده است که بتوان با استفاده از آن، شرکت‌های حقوقی متقاضی تسهیلات بانکی که در صنایع و صنف‌های مختلفی قرار گرفته‌اند را هم در بین صنایع (بخش‌های اقتصادی) و هم بین کل شرکت‌ها رتبه‌بندی نمود. به عبارت دیگر در این مقاله یک مدل ریاضی گروه محور جدید ارائه شده است که با استفاده از آن بتوان به صورت همزمان اثرات بین‌گروهی و کل داده‌ها مورد سنجش قرار گیرد. نتایج حاصل از اجرای روش پیشنهادی نشان داد که مدل، قدرت بالایی در رتبه‌بندی واحدهای گروه‏بندی شده دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Credit Facilities Management by Developing Data Envelopment Analysis

نویسندگان [English]

  • tahere Aliheydari Biuki 1
  • hasan Khademi Zare 2
  • hasan Hosseyni Nasab 2
چکیده [English]

Proper resource management with many applicants for banking facilities includes lack of attention to the issues that have caused major problems for the managers of these institutions. To help resource managers, many techniques have been used by researchers. Credit rating methods, which include a variety of models, can help managers. Data envelopment analysis is one of the most widely used nonparametric methods in credit rating. Although, using this method for ranking decision-making units (DMU) have been very well received by researchers, the homogeneity condition of DMUs is one of the most important rules in applying this technique. Therefore, in this paper we develop and improve DEA to apply for ranking firms in different industries and classes are also among industries (sectors) and among all companies. In other words, the main purpose of this paper is to resolve this key weakness in such a way that makes it possible to simultaneously consider the heterogeneous companies or DMUs. The results of this proposed method show that this model is high power useful to rank grouped units.

کلیدواژه‌ها [English]

  • Credit Facilities Management
  • Development DEA
  • Credit rating
1-آذر،عادل، خسروانی، فرزانه، جلالی، رضا، (1392) کاربرد تحلیل پوششی داده‌ها در تعیین پرتفویی از کارآمدترین و ناکارامدترین شرکت‌های حاضر در بورس اوراق بهادار تهران، پژوهش‌های مدیریت در ایران، دوره 17، شماره 1.
2-تهرانی، رضا و رهنما، روح الله. (1387) تجزیه و تحلیل صورتهای مالی، چاپ اول،تهران، نگاه دانش.
3-خدادوست طهرانی، طاهره. (1380) توسعه اقتصادی و نقش بانک توسعه صنعتی و معدنی ایران در پیشرفت اقتصادی کشور، پایان نامه کارشناسی ارشد، دانشگاه تهران، دانشکده علوم اداری و مدیریت بازرگانی.
4-صفری، سعید، ابراهیمی شقاقی، مرضیه، شیخ، محمدجواد، (1389) مدیریت ریسک اعتباری مشتریان حقوقی در بانک‌های تجاری با رویکرد تحلیل پوششی دادها (رتبه‌بندی اعتباری)، مدرس علوم انسانی-پژوهش‌های مدیریت در ایران، دوره 14، شماره4.
5-صفری، سعید، ابراهیمی شقاقی، مرضیه،طاهری فرد، مرتضی، (1390) مدیریت ریسک اعتباری در نظام بانکی رویکرد مقایسه ای تحلیل پوششی ‌هاداده‌ها و شبکه عصبی، مجله دانشور- رفتار مدیریت و پیشرفت، دوره جدید، شماره2-47.
6-عریانی، بهاره، (1384) رتبه‌بندی ریسک اعتباری مشتریان حقوقی بانک‌ها به روش تحلیل فراگیر ‌هاداده‌ها (مطالعه موردی بانک کشاورزی استان تهران سال 1380)، دانشگاه بوعلی سینا.
7-علی حیدری بیوکی، طاهره، خادمی زارع، حسن، (1391) توسعه تحلیل پوششی ‌هاداده‌ها به منظور رتبه‌بندی مشتریان اعتباری بانک‌ها ،یازدهمین کنفرانس بین المللی مدیریت.
8-کوپر، سیفورد، تون، (1389) تحلیل پوششی داده‌ها مدل‌ها و کاربردها، مترجم، میرحسینی، علی، انتشارات دانشگاه امیرکبیر،چاپ دوم.
9-گرونیگ، هنی ون، براجوویچ براتانوویچ، سونیا، (1390) تجزیه و تحلیل و مدیریت ریسک بانکی، مترجمان:بختیاری حسن، خدارحمی، بهروز، انتشارات موسسه عالی آموزش بانکداری ایران.
 
10-محمودآبادی، حمید، غیوری مقدم، علی، (1390) رتبه‌بندی اعتباری از لحاظ توان مالی پرداخت اصل و فرع بدهیها با استفاده از تحلیل پوششی داده (مورد مطالعه: شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران)، مجله دانش حسابداری، سال دوم ، شماره 4.
11-میرغفوری،سید حبیب الله، شفیعی رودپشتی، میثم و ندافی، غزاله، (1391) ارزیابی عملکرد مالی با رویکرد تحلیل پوششی دادها (مورد:شرکت مخابرات استانی)، پژوهش‌های مدیریت در ایران، دوره 16، شماره 4.
12-میرزائی، حسین ، نظریان، رافیک ، باقری، رعنا. (1390) بررسی عوامل مؤثر بر ریسک اعتباری اشخاص حقوقی بانک‌ها (مطالعه موردی شعب بانک ملی ایران، شهر تهران)، فصلنامه روند پژوهش‌های اقتصادی، شماره 58، صص98-67.
13-یوسفی، ندا. (1389) بررسی عوامل مؤثربر احتمال بازپرداخت تسهیلات اعتباری بانکها(مطالعه موردی بانک توسعه صادرات ایران)، پایان نامه کارشناسی ارشد، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا.
14-یوسفی، نیلوفر، (1390) ارائه چارچوبی برای ارزیابی ریسک اعتباری بر اساس استاندارد بازل 2 و با استفاده از تکنیک‌های داده کاوی:مورد مطالعه یک بانک ایرانی، پایان نامه کارشناسی ارشد، گروه مهندسی صنایع، دانشگاه تهران.
15-Abdou H., Pointon J., El-Masry A., (2008) Neural nets versus conventional techniques in credit scoring in Egyptian banking,Expert Systems with Applications, Volume 35, Issue 3, October, Pages 1275-1292.
 16-Abdou. H.A., (2009) Genetic programming for credit scoring: The case of Egyptian public sector banks, Expert Systems with Applications, Volume 36, Issue 9, November, Pages 11402-11417.
17-Banker, R. D., Charnes, A., & Cooper, W. W. (1984) Some models for estimating, technical and scale inefficiencies in DEA. Management Science, 32, 1078–1092.
18-Bijak K., Thomas L.C., Does, (2012). segmentation always improve model performance in credit scoring? Expert Systems with Applications, Volume 39, Issue 3, 15 February, Pages 2433-2442.
19-Bowlin, W.F, (1998) Measuring Performance: an Introduction to Data Envelopment Analysis, Journal of cost analysis.
20-Charnes, A., Cooper, W.W., Rhodes, E.,.(1978) Measuring the efficiency of decision making units. European Journal of Operational Research 2, 429–44..
21-Chi B.W., Hs C.C., (2012) A hybrid approach to integrate genetic algorithm into dual scoring model in enhancing the performance of credit scoring model, Expert Systems with Applications, Volume39, Issue 3, 15 February, Pages 2650-2661.
22-Chung-Hua Shen, Yu-Li Huang, Iftekhar Hasan, (2012) Asymmetric benchmarking in bank credit rating. Int. Fin. Markets, Inst. and Money (Journal of International Financial Markets, Institutions & Money) . 22 171– 193.
23-Eddie W.L. Cheng, Yat Hung Chiang, Bo Sin Tang, (2007) Alternative approach to credit scoring by DEA: Evaluating borrowers with respect to PFI projects,Building and Environment, Volume 42, Issue 4, April, Pages 1752-1760.
24-Emel A.B., Oral M., Reisman A., Yolalan R., (2003) A credit scoring approach for the commercial banking sector, Socio-Economic Planning Sciences, Volume 37, Issue 2, June, Pages 103-123.
25-Grunert J., Norden L., Weber M., (2005) The role of non-financial factors in internal credit ratings, Journal of Banking & Finance, Volume 29, Issue 2, February, Pages 509-531
26-Hens A.B., Tiwar M.K., (2012) Computational time reduction for credit scoring: An integrated approach based on support vector machine and stratified sampling method, Expert Systems with Applications, In Press, Uncorrected Proof, Available online 3 January.
27-Huang C.L., Chen M.C., Wang C.J., (2007) Credit scoring with a data mining approach based on support vector machines, Expert Systems with Applications, Volume 33, Issue 4, November, Pages 847-856.
28-Jankowitsch R., Pichler S., Walter S.A. Schwaiger., (2007) Modelling the economic value of credit rating systems, Journal of Banking & Finance, Volume 31, Issue 1, January, Pages 181-198.
29-John S.Liu, LouisY.Y.Lu, Wen-MinLu, BruceJ.Y.Lin. (2013) Data envelopment analysis1978–2010: Acitation-based literature survey. Omega 41  3–15.
30-Lee T.S., Chen I.F., (2005) A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines, Expert Systems with Applications, Volume 28, Issue 4, May, Pages 743-752.
31-Malik M., Thomas L.C., (2012) Transition matrix models of consumer credit ratings,International Journal of Forecasting, Volume 28, Issue 1, January–March, Pages 261-272.
32-Stefanescu C., Tunaru R., Turnbull S., (2009) The credit rating process and estimation of transition probabilities: A Bayesian approach, Journal of Empirical Finance, Volume 16, Issue 2, March, Pages 216-234.
33-Tsai C.F., Chen. M.L., (2010) Credit rating by hybrid machine learning techniques,Applied Soft Computing, Volume 10, Issue 2, March, Pages 374-380.
34-Yang lui., (2002) The evaluation of classification models for credit scoring. Arbeitsbericht,2.
35-Yap B. W., Ong S.H., (2011) Mohamed Husain N.H., Using data mining to improve assessment of credit worthiness via credit scoring models,Expert Systems with Applications, Volume 38, Issue 10, 15 September, Pages 13274-13283.
36-ZChe.H., Wang H.S., Chuang C.L., (2010) A fuzzy AHP and DEA approach for making bank loan decisions for small and medium enterprises in Taiwan, Expert Systems with Applications, Volume 37, Issue 10, October, Pages 7189-7199.