3 نتیجه برای لجستیک
محمود عیدان ترک زاده، مرجان دامن کشیده، هوشنگ مومنی وصالیان، مجید افشاری راد،
دوره 14، شماره 53 - ( 9-1402 )
چکیده
بررسی اثر سرریز شاخص عملکرد لجستیک بر صادرات در مناطق آزاد یکی از موارد مهم جهت توجه ویژه در این مناطق محسوب میگردد که در سالهای اخیر کمتر به این مهم توجه شده است. از این رو در این مطالعه با استفاده از روشهای مختلف دادههای تابلویی نظیر دوربین فضایی به بررسی اثر سرریز شاخص عملکرد لجستیک در بین هفت منطقه آزاد موجود و براساس شش شاخص عملکردی صنعت لجستیک طی سالهای 1393-1402 پرداخته شده است. از اینرو، این مقاله با استفاده از الگوهای مختلف رگرسیون فضایی به بررسی عملکرد مدیریت جریان کالا بر روی صادرات (که یک شاخص ترکیبی و نشانگر توسعهیافتگی کشورها در حوزههای مختلف است) در مناطق آزاد ایران پرداخته است. نتایج پژوهش بیانگر این است که اثر سرریز شاخص عملکرد لجستیک در روش دوربین فضایی مورد تایید قرار گرفته و عملکرد لجستیک تاثیر مثبت و معناداری بر صادرات مناطق آزاد داشته، به طوری که رشد شاخصهای لجستیک در کشور منجر به افزایش صادرات در مناطق آزاد هفتگانه میگردد. میزان سرمایه گذاری، نیروی کار و درجه باز بودن اقتصاد دارای تأثیرگذاری مثبت و معنی دار بر ارزش صادرات مناطق آزاد تجاری دارند. با توجه به نتایج تحقیق پیشنهاد میشود سیاستگذاران اقتصادی با ارتقای شاخص عملکرد لجستیک، سرمایه گذاری و اشتغال به بهبود ظرفیت تولید و صادرات در این مناطق مبادرت ورزند.
سید احمد عاملی، آرزو چقایی، حسین رضایی،
دوره 16، شماره 59 - ( 3-1404 )
چکیده
بانک ها می توانند با طراحی یک سیستم کارآمد مدیریت وام، کارایی را افزایش داده و احتمال عدم برگشت اصل و فرع وام کاهش دهند.. در این مقاله کارآیی مدلهای رگرسیون لجستیک، شبکه عصبی مصنوعی، به منظور پیش بینی ریسک اعتباری مشتریان حقیقی یا به عبارتی متقاضیان وامهای خرد که گروه زیادی از مشتریان نظام بانکی کشور را شامل میشوند، مورد بررسی قرار گرفت. باتوجه به نامتعادل بودن تعداد دادهها حدآستانه بهینه با بکارگیری دو منحنی درجه حساسیت و درجه تشخیص محاسبه شد و از این روش میزان ریسک اعتباری هریک از مدلها استخراج شد. در رگرسیون لجستیک برای برآورد ضرایب با توجه به تعداد اندک مشتریان بدحساب بجای روش حداکثر درستنمایی از روش حداکثر درستنمایی تاواندیده استفاده شد. در نهایت میزان صحت و دقت هر مدل با معیارهای متعدد بررسی شد. با استفاده از منحنی راک به بررسی قدرت تفکیک کنندگی مدلها پرداخته که در اینجا مدل شبکه عصبی بهترین قدرت تفکیک کنندگی را دارا بود. سپس با مقایسه خطاهای MSE، RMSE و MAE کارایی سنجش روشها مورد مقایسه قرار گرفت و عملکرد لجستیک MPLE و شبکه عصبی تقریبا با یکدیگر یکسان است. و در نهایت با توجه به هدف بانک در سه سناریو حداقل ریسک اعتباری، تشخیص مشتریان خوش حساب و تفکیک مشتریان به ترتیب شبکه عصبی، لجستیکMPLE و در سناریوی سوم شبکه عصبی و لجستیکMPLE بطور همزمان به عنوان مدل های برتر انتخاب شده اند.
محمود محمودزاده، مسعود صوفی، مرتضی علی پور،
دوره 16، شماره 60 - ( 6-1405 )
چکیده
با وجود گسترش کاربرد یادگیری ماشین در اعتبارسنجی، بخش مهمی از مطالعات داخلی همچنان بر مدلهای آماری سنتی و متغیرهای ایستا تکیه داشتهاند و کمتر به نقش دادههای واقعی رفتاری، تراکنشی و عملکرد بازپرداخت در پایش ریسک اعتباری پس از اعطای تسهیلات پرداختهاند. این پژوهش برای پوشش این خلأ، با استفاده از دادههای 119,050 تسهیلات اعطایی به مشتریان حقیقی بانک قرضالحسنه رسالت طی دوره 06/01/1401 تا 28/12/1402، عملکرد چهار مدل رگرسیون لجستیک تدریجی و الگوریتم LightGBM را در پیشبینی نکول اعتباری مقایسه میکند. متغیر هدف بر اساس تأخیر بیش از ۹۰ روز در بازپرداخت اقساط تعریف شد و مدلها با معیارهای AUC، Accuracy، Recall، F1-Score و Balanced Accuracy ارزیابی شدند. سهم دانشی پژوهش در ارائه شواهد تجربی از کارایی دادههای واقعی بانکی، تمرکز بر متغیرهای رفتاری و تراکنشی، مقایسه مدل کلاسیک و یادگیری ماشین، و تحلیل توان مدلها در شناسایی کلاس اقلیت در دادههای نامتوازن اعتباری است. نتایج نشان داد متغیرهای مرتبط با رفتار بازپرداخت، بهویژه تعداد اقساط معوق و مانده بدهی، مهمترین پیشبینیکنندههای نکول هستند. اگرچه مدل چهارم رگرسیون لجستیک با AUC برابر 0.98 عملکرد کلی بالایی داشت، اما در شناسایی مشتریان پرریسک بسیار ضعیف عمل کرد؛ بهگونهای که مقدار Recall آن تنها 0.12 درصد بود. در مقابل، LightGBM توانست 92.2 درصد مشتریان پرریسک را شناسایی کند و در معیارهای حساس به عدمتوازن دادهها عملکرد برتری نشان دهد. این یافته نشان میدهد که در دادههای نامتوازن، اتکای صرف به شاخصهایی مانند AUC و Accuracy میتواند گمراهکننده باشد و معیارهایی مانند Recall، F1-Score و Balanced Accuracy برای ارزیابی توان مدل در شناسایی مشتریان پرریسک اهمیت بیشتری دارند. بنابراین، در سناریوی پایش پس از اعطای تسهیلات، استفاده از الگوریتمهای یادگیری ماشین مبتنی بر دادههای رفتاری و تراکنشی میتواند چارچوب دقیقتر و قابل اتکاتری برای مدیریت ریسک اعتباری در بانکهای ایرانی فراهم کند.
