مجازی (صفر و یک)

نسبتهای سودآوری

پیوسته (درصد)

نسبتهای اهرمی

پیوسته (درصد)

نسبتهای نقدینگی

پیوسته (درصد)

نسبتهای فعالیت و کارآیی

پیوسته (درصد)

منبع : یافته های پژوهشگر
۴-۲- ملاک کارآمدی مدل ها
در این تحقیق با توجه به نظر کارشناسان امر در حوزه داده کاوی، پرس و جو از خبرگان و مسئولان تصمیم گیری در بانک مبنای کارآیی مناسب برای مدل ها ۷۰% تعیین شد به این معنا که مدلهایی که درجه اعتبارشان از ۷۰% بیشتر باشد جهت اعتبارسنجی از کارآیی مناسبی برخوردار میباشند و مدلهایی که درجه اعتبارشان از ۷۰% کمتر باشد جهت اعتبارسنجی ناکارآمد می باشد.

۴-۳- تحلیل داده ها و بررسی اعتبار مدل با بهره گرفتن از تکنیکهای داده کاوی (آزمون فرضیه های تحقیق)
۴-۳-۱ : آزمون فرضیه اصلی
فرضیه اصلی : مدل های منتج از تکنیک های داده کاوی جهت اعتبارسنجی مبتنی بر صورت های مالی از کارآیی مناسبی برخوردار می باشند.
فرضیه مخالف : مدل های منتج از تکنیک های داده کاوی جهت اعتبارسنجی مبتنی بر صورت های مالی از کارآیی مناسبی برخوردار نمی باشند.
این فرضیه که هدف آن بررسی کارآیی تکنیک های داده کاوی در اعتبارسنجی مشتریان اعتباری بانک به منظور ارزیابی آنها می باشد از اهمیت ویژه ای در این تحقیق برخوردار است. زیرا در صورتیکه با بهره گرفتن از این مدل ها می توان قبل از اعطای تسهیلات ، مشتریان را ارزیابی به تبع آن می توان تسهیلات اعتباری را به مشتریان واجد شرایط اعطا نمود. به منظور آزمون این فرضیه ابتدا با بهره گرفتن از پیشینه پژوهشی و با بهره گرفتن از ایده های محقق متغیرهای کیفی و کمی و نسبتهای مالی انتخاب گردیدند. سپس با بهره گرفتن از نرم افزار SPSS Clementine کارآیی مدل ها در پیش بینی وضعیت اعتباری مشتریان بانک بررسی گردید. در شکلهای زیر نحوه ساخت الگوریتم شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان در نرم افزار SPSS Clementine و همچنین اجرای آنها در نرم افزار نمایش داده شده است.
شکل ۴-۱ : نحوه ساخت الگوریتم در نرم افزار SPSS Clementine
منبع : یافته های پژوهشگر
شکل ۴-۲ : نحوه اجرای الگوریتم در نرم افزار SPSS Clementine
منبع : یافته های پژوهشگر
همانطور که در شکل فوق نمایش داده شده است، مدل ها به این صورت عمل می کنند که سه شرکت ابتدایی را به عنوان آموزش انتخاب کرده و بر اساس داده های آنها آموزش را انجام داده بعد که به منطق خود دست پیدا کرد داده های شرکت چهار را به عنوان تست انتخاب کرد به همین صورت این کار تا انتها ادامه پیدا می کند به نحوی که نا زمانیکه مدل به یک منطق مشخصی دست پیدا کند داده ها را آموزش می دهد بعد از آن، داده های بعدی را تست می کند.
نتایج آزمون و یافته های فرضیه اصلی
نتایج حاصل از بررسی در هر سه مدل، کارآیی این تکنیک ها را در اعتبارسنجی نشان داد. بنابراین این فرضیه تأیید گردید. بدین معنی که با بهره گرفتن از تکنیک های داده کاوی می توان مشتریان را بر اساس صورتهای مالی اعتبارسنجی نمود.
۴-۳-۱-۱ : آزمون فرضیه فرعی اول
فرضیه فرعی۱ : مدل منتج از تکنیک ماشین بردار پشتیبان جهت اعتبارسنجی مبتنی بر صورتهای مالی از کارآیی مناسبی برخودار است.
برای آزمون این فرضیه از نرم افزار SPSS Clementine استفاده کردیم. بدین صورت که ابتدا داده های خام را جمع آوری و طبقه بندی کردیم سپس در قالب SQL وارد نرم افزار کردیم. سپس فیلتر را در راه آن می گذاریم تا پاکسازی و پیش پردازش روی داده های انجام شود. بعد بر اساس یک تایپ متغیرهای ورودی و خروجی را مشخص کرده و سپس بر اساس ایجاد پارتیشن، مقدار تست و آموزش را مشخص می نماییم که در این تحقیق ۷۵ درصد را به عنوان داده های آموزش و ۲۵ درصد را برای داده های تست انتخاب می نماییم. بعد الگوریتم ماشین بردار پشتیبان (SVM) را ساخته و در آن هدف (تعیین وضعیت اعتباری) و متغیرهای ورودی را می آوریم. سپس الگوریتم را اجرا نموده تا مدل ماشین بردار ساخته شود. سایر مشخصات پارامترهای این الگوریتم عبارت است از : نوع کرنل : ار بی اف (RBF)- پارامتر تنظیم : ۱۰ - صحت رگرسیونی : ۰.۱ - گاما: ۱ - گاما ار بی اف : ۰.۱ - بایاس : ۰ - درجه : ۳
نتایج آزمون و یافته های فرضیه فرعی اول
نتیجه حاصل از صحت طبقه بندی این الگوریتم و اعتبار مدل در شکل زیر ارائه شده است .
شکل ۴-۳ :میزان صحت و قدرت پیش بینی مدل ماشین بردار پشتیبان
منبع : یافته های پژوهشگر
میزان صحت مدل ماشین بردار پشتیبان (SVM) در مجموعه داده های آموزش ۶۹.۱۴ % میباشد. درصدهای مربوط به تست مربوط به صحت طبقه بندی و معیاری برای ارزیابی اعتبار و صحت مدل می باشد که در این تکنیک ۷۴.۵۰ % می باشد. همچنین تعداد داده های آموزش مدل ۴۴۴ تراکنش و تعداد داده های تست در این مدل ۱۴۹ تراکنش برآورد شد.
پیش بینی های مورد انتظار برای ۱۴۹ مشتری در مجموعه داده های تست برای مدل ماشین بردار پشتیبان در جدول صفحه بعد مشاهده می شود.
جدول ۴-۶ : عملکرد پیش بینی مدل ماشین بردار پشتیبان در مرحله تست