Zastosowanie modelu drzewa klasyfikacyjnego w ocenie ryzyka kredytowego

• Autorzy: Mariusz Dacko , Ireneusz Kurczyna

Warianty tytułu

Applying the Classification Tree Model in Credit Risk Assessment

• Języki publikacji: EN

Abstrakty

EN

Celem pracy była ocena możliwości wykorzystania modelu drzewa klasyfikacyjnego, jako narzędzia wspierającego działalność banku przez ograniczenie ryzyka kredytowego. Omówiono kwestie ryzyka bankowego i kredytowego oraz przedstawiono kwestię możliwości wykorzystania zaawansowanych modeli statystycznych w charakterze narzędzi wspomagających działalność banków. Zaprezentowano model drzewa klasyfikacyjnego, pozwalającego ograniczyć ryzyko w podejmowaniu decyzji kredytowej. Baza danych obejmowała 1308 wniosków kredytowych, pozytywnie rozpatrzonych w latach 2015-2016, które opisano zestawem 27 cech potencjalnego kredytobiorcy. Skonstruowany na tej podstawie model z trafnością 93% wskazywał statystyczne prawidłowości, pozwalające ustalić a priori starających się o kredyt klientów, którzy wywiążą się z umowy oraz klientów, którzy prawdopodobnie będą mieli problemy ze spłatą kredytu. Pierwszym kryterium podziału zbiorowości klientów na "dobrych" i "złych" były zaległości w spłacie zobowiązań w okresie ostatnich trzech lat. Inne istotne czynniki ryzyka, to posiadanie limitu w ROR, posiadanie rachunku w banku udzielającym kredytu oraz deklarowana przez wnioskodawcę kwota jego obciążeń. Ważny był także wiek kredytobiorcy oraz jego wykonywany zawód. Na tle uzyskanych wyników przedyskutowano możliwości, jakie oferuje model drzewa klasyfikacyjnego, zwrócono uwagę na jego intuicyjność i łatwość jego interpretacji. Omówiono korzyści stosowania takich modeli w zarządzaniu ryzykiem towarzyszącym działalności kredytowej prowadzonej przez banki spółdzielcze.(original abstract)

Celem pracy była ocena możliwości wykorzystania modelu drzewa klasyfikacyjnego, jako narzędzia wspierającego działalność banku przez ograniczenie ryzyka kredytowego. Omówiono kwestie ryzyka bankowego i kredytowego oraz przedstawiono kwestię możliwości wykorzystania zaawansowanych modeli statystycznych w charakterze narzędzi wspomagających działalność banków. Zaprezentowano model drzewa klasyfikacyjnego, pozwalającego ograniczyć ryzyko w podejmowaniu decyzji kredytowej. Baza danych obejmowała 1308 wniosków kredytowych, pozytywnie rozpatrzonych w latach 2015-2016, które opisano zestawem 27 cech potencjalnego kredytobiorcy. Skonstruowany na tej podstawie model z trafnością 93% wskazywał statystyczne prawidłowości, pozwalające ustalić a priori starających się o kredyt klientów, którzy wywiążą się z umowy oraz klientów, którzy prawdopodobnie będą mieli problemy ze spłatą kredytu. Pierwszym kryterium podziału zbiorowości klientów na "dobrych" i "złych" były zaległości w spłacie zobowiązań w okresie ostatnich trzech lat. Inne istotne czynniki ryzyka, to posiadanie limitu w ROR, posiadanie rachunku w banku udzielającym kredytu oraz deklarowana przez wnioskodawcę kwota jego obciążeń. Ważny był także wiek kredytobiorcy oraz jego wykonywany zawód. Na tle uzyskanych wyników przedyskutowano możliwości, jakie oferuje model drzewa klasyfikacyjnego, zwrócono uwagę na jego intuicyjność i łatwość jego interpretacji. Omówiono korzyści stosowania takich modeli w zarządzaniu ryzykiem towarzyszącym działalności kredytowej prowadzonej przez banki spółdzielcze.(abstrakt oryginalny)

Słowa kluczowe

EN

Classification trees; Credit risk; Data Mining; Cooperative banks; Research results

PL

Drzewa klasyfikacyjne; Ryzyko kredytowe; Data Mining; Banki spółdzielcze; Wyniki badań

• Czasopismo: Roczniki Naukowe Stowarzyszenia Ekonomistów Rolnictwa i Agrobiznesu
• Rocznik: 2023
• Tom: 25
• Numer: z. 1
• Strony: 39--49

Twórcy

autor

Mariusz Dacko

• Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie

autor

Ireneusz Kurczyna

• Agencja Ratingowa BS sp. z o.o., Polska

Bibliografia

• 1. Baster Paweł, Katarzyna Pocztowska. 2011. Sieci neuronowe i polichotomiczne modele zmiennych jakościowych w analizie ryzyka kredytowego (Neural networks and models for polychotomous ordered data in credit risk analysis). Folia Oeconomica Cracoviensia, LII: 5-17.
• 2. Bereza Stanisław. 1995. Zarządzanie ryzykiem bankowym (Banking risk management). Warszawa: Związek Banków Polskich.
• 3. Breiman Leo, Jerome Friedman, Richard A. Olshen, Charles J. Stone. 1998. Classification and Regression Trees. Boca Raton: Chapman & Hall/CRC.
• 4. Dacko Mariusz, Jarosław Janus, Jacek Pijanowski, Jarosław Taszakowski, Tomasz Wojewodzic. 2019. Efektywność ekonomiczna scaleń gruntów w Polsce (Economic effectiveness of land consolidation in Poland). Kraków: Poligraficzny Zakład Usługowy Drukmar.
• 5. Dacko Mariusz, Wojciech Sroka. 2010. Ocena czynników rozwoju przodujących gospodarstw rolniczych z wykorzystaniem drzew regresyjnych typu C&RT (Evaluation of development factors in the leading agricultural holdings using the method of regression trees C&RT). Zagadnienia Ekonomiki Rolnej 2: 100-113.
• 6. Gościński Janusz. 1977. Zarys teorii sterowania ekonomicznego (Outline of economic control theory). Warszawa: PWN.
• 7. Łapczyński Mariusz. 2003. Drzewa klasyfikacyjne w badaniach satysfakcji i lojalności klientów (Classification trees in customer satisfaction and loyalty research). StatSoft Polska, http://www.statsoft.pl/czytelnia/marketing/drzewa.pdf, access: 17.12.2022.
• 8. Łapczyński Mariusz. 2005. Podejście regresyjne w budowie drzew klasyfikacyjnych CART (A regression approach in constructing CART classification trees). Zeszyty Naukowe Akademii Ekonomicznej w Krakowie 680: 135-151.
• 9. Manasse Paolo, Nouriel Roubini. 2009. "Rules of thumb" for sovereign debt crises. Journal of International Economics 78 (2): 192-205.
• 10. Mierzejewski Piotr. 1998. Wykorzystanie sieci neuronowych do oceny ryzyka kredytowego (Using neural networks to assess credit risk). Prace Naukowe Akademii Ekonomicznej we Wrocławiu 797: 165-175.
• 11. Migut Grzegorz. 2003. Modelowanie ryzyka kredytowego (Credit risk modeling). Statsoft Polska, http://media.statsoft.nazwa.pl/_old_dnn/downloads/migut.pdf, access: 17.12.2022.
• 12. Misztal Małgorzata. 2000. Wykorzystanie drzew klasyfikacyjnych do wspomagania procesów podejmowania decyzji (Using classification trees to support decision-making processes). Statsoft Polska, https://media.statsoft.pl/_old_dnn/downloads/nawykorzystanie5.pdf, access: 17.12.2022.
• 13. Płoszajski Piotr. 2005. Przerażony kameleon. Eseje o przyszłości zarządzania (Scared chameleon. Essays on the future of management). Warszawa: Fundacja Rozwoju Edukacji Menadżerskiej SGH.
• 14. Sokołowski Andrzej. 2002. Metody stosowane w Data Mining (Methods used in Data Mining). Statsoft Polska, https://media.statsoft.pl/_old_dnn/downloads/metody_stosowane_w_data_mining.pdf, access: 17.12.2022.
• 15. Witkowska Dorota, Mariola Chrzanowska. 2006. Drzewa klasyfikacyjne jako metoda grupowania klientów banku (Classification trees as a method of grouping bank customers). Prace Naukowe/Akademia Ekonomiczna w Katowicach: Modelowanie Preferencji a Ryzyko 5: 485-496.
• 16. Wójcicka-Wójtowicz Aleksandra. 2018. Sieci neuronowe a podejście oparte na ratingach wewnętrznych. Studium przypadku (Neural networks vs. internal-rating based approach. A case study). Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu/Finanse Przedsiębiorstw i Gospodarstw Rolnych 533: 250-258.

Identyfikatory

DOI

10.5604/01.3001.0016.2473