ارايه يك سيستم خبره فازي جهت اعتبارسنجي مشتريان حقيقي بانك

A Fuzzy Expert Systems for Bank Real Customersʹʹ Credit Rating

عدم بازپرداخت تسهيلات توسط مشتريان، بانكها را دچار مشكلات بزرگي همچون ناتواني در بازپرداخت وامهاي بانك مركزي و افزايش معوقات بانكي ميكند. اهميت اعطاي تسهيلات در صنعت بانكداري به توسعه مدلهاي گوناگون براي ارزيابي ريسك اعتباري مشتريان بانكها منجر شده است. بسياري از اين مدلها كلاسيك هستند و بهطوركامل و بهينه نميتوانند اعتبار مشتريان را ارزيابي كنند. با توجه به محدوديتهاي مدلهاي كلاسيك، در اين مقاله سعي شده است براي اعتبارسنجي مشتريان حقيقي بانك مدلي بر مبناي تيوري مجموعههاي فازي ارايه شود. از اينرو سيستم خبرهاي در شش مرحله طراحي شده است. در مرحله اول، وروديهاي سيستم خبره (معيارهاي تعيين ريسك اعتباري) براساس ادبيات نظري، سپس براساس ديدگاه افراد خبره و با استفاده از تحليل عاملي تعيين شدند. وروديهاي سيستم خبره شامل ظرفيت مالي، پشتيباني، قابليت اطمينان و سابقه بازپرداخت است. خروجي سيستم خبره نيز سطح اعتبار مشتري تعريف شد. در مرحله دوم، وروديها و خروجيها افرازبندي شدند. وروديها و خروجيهاي افرازبنديشده در مرحله سوم به اعداد فازي تبديل شده و قوانين استنتاج (موتور استنتاج) نيز در مرحله چهارم تبيين شدند. در مرحله پنجم فازيزدايي انجام گرفته و در نهايت مدل طراحيشده در مرحله ششم آزمون شد.

Reimbursement delays by the customers leads the banks to suffer major problems including the inability of the central bank to repay loans more than the amount of credits offered to the customers. Importance of credits in the banking industry and its critical role in economic and employment growth has led to the development of several models to evaluate the applicantʹs credit. But many of these models are classic and they could not evaluate the customerʹs credit in optimal way. Thus artificial intelligence models were considered in this field. In this paper a model based on fuzzy logic is presented to bank real customers’ credit rating. In this research a structured model was obtained for determination and categorization of input variables for application in the system by factor analysis then an expert fuzzy system was modeled consisting of six steps. In the first step, a fuzzy system was designed with inputs of financial capacity, support, reliability, repayment record and output of customer credit.In the second step input and outputs were partitioned, in the third step these partitioned inputs and outputs were converted into fuzzy numbers. The fuzzy inference was compiled in step four. In step five the de-fuzzy was conducted. Finally the designed model was tested in step six. The model proposed by using fuzzy specialist system has better performance than the studied bank experts credit rating.