یک مدل ترکیبی تصمیم‌گیری برای تخصیص اعتبارات بانکی بر پایه مجموعه‌های نوتروسوفیک

نویسندگان

  • عبداله آبداری گروه مدیریت، دانشگاه آیندگان، تنکابن، ایران.
  • علی سرورخواه * گروه مدیریت، دانشگاه آیندگان، تنکابن، ایران. https://orcid.org/0000-0002-4961-5941

https://doi.org/10.22105/ssfmi.v2i3.87

چکیده

هدف: با وجود سودآوری فعالیت‌های اعتباری، اعطای وام بانک‌ها را در معرض ریسک اعتباری قابل‌توجهی قرار می‌دهد که در صورت ناتوانی وام‌گیرندگان در ایفای تعهدات مالی، می‌تواند منجر به افزایش مطالبات معوق و تهدید ثبات مالی بانک‌ها شود. رویکردهای سنتی ارزیابی ریسک اعتباری که عمدتا بر داده‌های مالی تاریخی، مدل‌های آماری و قضاوت‌های کارشناسی متکی هستند، معمولا شاخص‌های کیفی را به‌صورت قطعی و ساده‌سازی‌شده تحلیل می‌کنند و درنتیجه، عدم‌قطعیت، ابهام و ذهنیت موجود در قضاوت‌های انسانی را به‌طور کامل در نظر نمی‌گیرند. بر این اساس، هدف این پژوهش ارایه یک چارچوب تصمیم‌گیری ساختاریافته برای رتبه‌بندی و اولویت‌بندی متقاضیان وام است که با تلفیق شاخص‌های کمی مالی و قضاوت‌های کیفی خبرگان، عدم‌قطعیت موجود در ارزیابی اعتباری را به‌صورت صریح مدل‌سازی کند.

روش‌شناسی پژوهش: با اتخاذ یک رویکرد ترکیبی مبتنی بر شاخص‌های کمی و کیفی، این مطالعه مجموعه‌های نوتروسوفیک را برای مدیریت عدم قطعیت به‌کار گرفته است. در گام نخست، شاخص‌های ارزیابی با استفاده از مطالعات پیشین و نظر خبرگان شناسایی و در دو گروه کمی (ارزش وثیقه، امتیاز اعتباری و نسبت وام به وثیقه) و کیفی (شهرت و اعتبار، وضعیت شغلی و حرفه‌ای و موقعیت اقتصادی–اجتماعی) طبقه‌بندی شدند. سپس وزن شاخص‌ها از طریق مقایسات زوجی تعیین شد. در ادامه، داده‌های کمی از پرونده‌های مالی استخراج و داده‌های کیفی با استفاده از مجموعه‌های نوتروسوفیک برای مدیریت عدم‌قطعیت گردآوری شد. این داده‌ها پس از تبدیل به مقادیر قطعی، وارد ماتریس تصمیم شده و رتبه‌بندی نهایی متقاضیان با روش تاپسیس انجام گرفت.

یافته‌ها: یافته‌ها نشان داد متقاضیانی که از توان مالی بالاتر و وثایق قابل‌اتکاتر برخوردارند، در اولویت دریافت تسهیلات قرار می‌گیرند. علاوه بر این، مقایسه خروجی‌های حاصل از مجموعه‌های نوتروسوفیک در مقابل مقیاس لیکرت بیانگر آن است که رویکرد نوتروسوفیک در کاهش عدم‌قطعیت، افزایش دقت داده‌ها و بهبود کیفیت رتبه‌بندی عملکرد بهتری دارد.

اصالت/ارزش افزوده علمی: برخلاف رویکردهای متداول مبتنی بر طیف لیکرت یا امتیازدهی قطعی به شاخص‌های کیفی، چارچوب پیشنهادی قادر است عدم‌قطعیت و ابهام موجود در داده‌ها را به‌صورت واقع‌گرایانه‌تری بازنمایی کند. همچنین، این مطالعه نشان می‌دهد که برای بهره‌گیری مؤثر از توانمندی مجموعه‌های نوتروسوفیک، نیازی به استفاده از نسخه‌های پیچیده نوتروسوفیک روش‌های تصمیم‌گیری چندمعیاره نیست و می‌توان با تبدیل اطلاعات نوتروسوفیک به مقادیر قطعی از طریق تابع امتیاز و به‌کارگیری روش کلاسیک تاپسیس، به نتایجی دقیق‌تر با پیچیدگی محاسباتی کمتر دست یافت. مقایسه تجربی با رویکرد مبتنی بر طیف لیکرت نیز تایید می‌کند که چارچوب نوتروسوفیک به‌ویژه در شرایطی که متقاضیان دارای ویژگی‌های نزدیک به هم هستند، موجب بهبود دقت رتبه‌بندی و ارتقای کیفیت تصمیم‌گیری در مدیریت ریسک اعتباری می‌شود.

کلمات کلیدی:

اولویت‌بندی، متقاضیان وام، مجموعه‌های نوتروسوفیک، تاپسیس

مراجع

  1. [1] Zhang, X., & Yu, L. (2024). Consumer credit risk assessment: A review from the state-of-the-art classification algorithms, data traits, and learning methods. Expert systems with applications, 237, 121484. https://doi.org/10.1016/j.eswa.2023.121484
  2. [2] Cheng, Y., Yang, Q., Wang, L., Xiang, A., & Zhang, J. (2024). Research on credit risk early warning model of commercial banks based on neural network algorithm. https://arxiv.org/abs/2405.10762
  3. [3] Okoli, U. I., Obi, O. C., Adewusi, A. O., & Abrahams, T. O. (2024). Machine learning in cybersecurity: A review of threat detection and defense mechanisms. World journal of advanced research and reviews, 21(1), 2286–2295. https://doi.org/10.30574/wjarr.2024.21.1.0315
  4. [4] Edunjobi, T. E., & Odejide, O. A. (2024). Theoretical frameworks in AI for credit risk assessment: Towards banking efficiency and accuracy. International journal of scientific research updates, 7(01), 92–102. https://doi.org/10.53430/ijsru.2024.7.1.0030
  5. [5] Mehrabi, M., Sorourkhah, A., & Edalatpanah, S. A. (2023). Decision-making regarding the granting of facilities to Sepah Bank loan applicants based on credit risk factors considering hesitant fuzzy sets. Financial and banking strategic studies, 1(3), 153-166. (In Persian). https://doi.org/10.22105/fbs.2023.181500
  6. [6] Addy, W. A., Ugochukwu, C. E., Oyewole, A. T., Ofodile, O. C., Adeoye, O. B., & Okoye, C. C. (2024). Predictive analytics in credit risk management for banks: A comprehensive review. GSC advanced research and reviews, 18(2), 434–449. https://doi.org/10.30574/gscarr.2024.18.2.0077
  7. [7] Xin, Q., Song, R., Wang, Z., Xu, Z., & Zhao, F. (2024). Enhancing bank credit risk management using the C5. 0 decision tree algorithm. Journal of computer technology and applied mathematics, 1(4), 100–107. https://doi.org/10.5281/zenodo.14032041
  8. [8] Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X
  9. [9] Atanassov, K. T. (1989). More on intuitionistic fuzzy sets. Fuzzy sets and systems, 33(1), 37–45. https://doi.org/10.1016/0165-0114(89)90215-7
  10. [10] Smarandache, F. (1998). Neutrosophy: Neutrosophic probability, set, and logic: Analytic synthesis & synthetic analysis. American Research Press. https://philpapers.org/rec/SMANNP
  11. [11] Forouzandeh, M., & Saadi, Z. (2025). Prioritization and appropriate contract allocation of production risks. Innovation management & operational strategies, 6(3), 287–311. https://doi.org/10.22105/imos.2025.496535.1422
  12. [12] Zanke, P. (2023). Machine learning approaches for credit risk assessment in banking and insurance. Internet of things and edge computing journal, 3(1), 29–47. https://orcid.org/0009-0002-4341-2972
  13. [13] Jemai, J., & Zarrad, A. (2023). Feature selection engineering for credit risk assessment in retail banking. Information, 14(3), 200. https://doi.org/10.3390/info14030200
  14. [14] Chen, Z. S., Zhou, J., Zhu, C. Y., Wang, Z. J., Xiong, S. H., Rodríguez, R. M., ... & Skibniewski, M. J. (2023). Prioritizing real estate enterprises based on credit risk assessment: an integrated multi-criteria group decision support framework. Financial innovation, 9(1), 120. https://doi.org/10.1186/s40854-023-00517-y
  15. [15] Wang, T., Liu, R., & Qi, G. (2022). Multi-classification assessment of bank personal credit risk based on multi-source information fusion. Expert systems with applications, 191, 116236. https://doi.org/10.1016/j.eswa.2021.116236
  16. [16] Levy, A., & Baha, R. (2021). Credit risk assessment: A comparison of the performances of the linear discriminant analysis and the logistic regression [Évaluation du risque de crédit des PME: Une approche comparative des performances de l’analyse discriminante linéaire et de la régres. https://ideas.repec.org/p/hal/journl/hal-04553429.html
  17. [17] Mhlanga, D. (2021). Financial inclusion in emerging economies: The application of machine learning and artificial intelligence in credit risk assessment. International journal of financial studies, 9(3), 39. https://doi.org/10.3390/ijfs9030039
  18. [18] Ghaforiyan, M., Sorourkhah, A., & Edalatpanah, S. A. (2024). Identifying and prioritizing antifragile tourism strategies in a neutrosophic environment. Journal of fuzzy extension and applications, 5(3), 374–394. https://doi.org/10.22105/jfea.2024.456894.1470

دانلود

چاپ شده

2025-09-18

شماره

دوره 2 شماره 3 (1404): مطالعات راهبردی در مدیریت مالی و بیمه

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

آبداری ع., & سرورخواه ع. (2025). یک مدل ترکیبی تصمیم‌گیری برای تخصیص اعتبارات بانکی بر پایه مجموعه‌های نوتروسوفیک. مطالعات راهبردی در مدیریت مالی و بیمه, 2(3), 248-257. https://doi.org/10.22105/ssfmi.v2i3.87
Crossref
Scopus
Google Scholar
Europe PMC