چکیده اجرایی
ناتوانی در ارزیابی ریسک اعتباری متقاضیان فاقد سابقه وامگیری (Credit Invisibles)، یکی از چالشهای ساختاری نظام بانکداری سنتی است که منجر به طرد مالی و از دست رفتن فرصتهای سودآور میشود. این پژوهش به تبیین مدلی میپردازد که در آن «رفتار» جایگزین «سابقه» میشود. با بهرهگیری از الگوریتمهای یادگیری ماشین نظیر Gradient Boosting و شبکههای عصبی، میتوان دادههای خام تراکنشی، مخابراتی و روانشناختی را به سیگنالهای دقیق ریسک تبدیل کرد. یافتهها نشان میدهد که شاخصهای مستخرج از «نحوه هزینهکرد» و «الگوهای دیجیتال» همبستگی معناداری با احتمال نکول (PD: Probability of Default) دارند.
۱. مقدمه: بنبست مدلهای خطی در بانکداری مدرن
سیستمهای کلاسیک اعتبارسنجی (مانند رگرسیون لجستیک) برای عملکرد صحیح نیازمند دادههای سریزمانی از بازپرداخت اقساط هستند. در غیاب این دادهها، مدل دچار عدم قطعیت میشود. رویکرد سنتی در مواجهه با مشتریان Thin-File (پرونده نازک)، یا رد درخواست است (خطای نوع اول) و یا اخذ وثایق سنگین که منجر به انصراف مشتری میشود.
پارادایم جدید بر این فرض استوار است: «همه انسانها داده تولید میکنند، حتی اگر وام نگیرند.» هنر بانکداری مدرن، ترجمه این دادههای روزمره به زبان ریسک اعتباری است.
۲. منابع دادههای جایگزین (Alternative Data Sources)
برای اعتبارسنجی بدون سابقه، باید افق دید را فراتر از سامانه بانک مرکزی برد. دادههای جایگزین به سه دسته اصلی تقسیم میشوند:
۲-۱. دادههای تراکنشی (Transactional Data)
این غنیترین منبع اطلاعاتی است. تراکنشها فقط اعداد نیستند؛ آنها راوی داستان زندگی مشتری هستند.
- تحلیل جریان نقدینگی (Cash-Flow): بررسی خالص جریان ورودی و خروجی. آیا مشتری ماهانه مازاد درآمد دارد یا با کسری بودجه مواجه است؟
- شاخص تابآوری (Resilience Index): در روزهایی که موجودی حساب به حداقل میرسد، مشتری چقدر سریع میتواند نقدینگی را بازیابی کند؟ (قدرت تأمین مالی اضطراری).
۲-۲. دادههای مخابراتی (Telco Data)
شرکتهای مخابراتی در سراسر جهان (مانند وودافون و اورنج) با بانکها همکاری میکنند.
- ثبات شماره: مالکیت یک سیمکارت به مدت ۵ سال، نشانگر ثبات اجتماعی است.
- رفتار شارژ (Top-up Behavior): مشتریانی که سیمکارت اعتباری دارند و همیشه قبل از اتمام کامل شارژ، اقدام به شارژ مجدد میکنند، ریسک نکول کمتری نسبت به کسانی دارند که پس از قطع شدن سرویس شارژ میکنند.
۳. معماری هوش مصنوعی: از داده خام تا امتیاز اعتباری
چگونه دادهها تحلیل میشوند؟ در اینجا از متدولوژیهای پیشرفته علم داده استفاده میشود.
۳-۱. پردازش زبان طبیعی (NLP) برای طبقهبندی مخارج
شرح تراکنشها اغلب متنی و نامنظم است (مثلاً: "خرید از فروشگاه کوروش شعبه ۴"). الگوریتمهای NLP این متون را پردازش کرده و تراکنشها را برچسبگذاری میکنند:
- برچسبگذاری خودکار: تراکنش ۱ -> دسته: خواربار (ضروری). تراکنش ۲ -> دسته: کافیشاپ (تفننی).
- نسبتگیری هوشمند: محاسبه نسبت "هزینههای تفننی" به "درآمد". تحقیقی در دانشگاه استنفورد نشان داد افرادی که بیش از حد بر روی کالاهای لوکس یا قمار آنلاین هزینه میکنند، ۳ برابر بیشتر احتمال نکول دارند.
۳-۲. الگوریتمهای درخت تصمیمگیری (Gradient Boosting & Random Forest)
برخلاف رگرسیون که روابط را خطی میبیند، این الگوریتمها قادرند روابط پیچیده و غیرخطی را کشف کنند.
مقایسه مدل سنتی و مدل هوشمند
| ویژگی |
مدل سنتی (رگرسیون) |
مدل هوش مصنوعی (Machine Learning) |
| نوع داده ورودی |
ساختاریافته (تعداد وام، اقساط معوق) |
ساختاریافته + بدون ساختار (متن تراکنش، زمان خرید) |
| تفسیر روابط |
خطی (درآمد بالا = ریسک کم) |
غیرخطی (درآمد بالا اما پرنوسان = ریسک متوسط) |
| دقت در Thin-File |
بسیار پایین (Blind Spot) |
بسیار بالا (با استفاده از دادههای جایگزین) |
۴. اقتصاد رفتاری و روانسنجی: حلقه گمشده
وقتی داده مالی نداریم، باید "شخصیت" را بسنجیم. این بخش بر پایه نظریات اقتصاد رفتاری بنا شده است.
۴-۱. ترجیح زمانی (Time Preference) و به تعویق انداختن لذت
مفهوم روانشناختی Delaying Gratification (آزمایش معروف مارشمالو) رابطه مستقیمی با خوشحسابی دارد.
کاربرد در تراکنشها: هوش مصنوعی به دنبال الگوی "خرید آنی" (Impulse Buying) میگردد. مشتریانی که بلافاصله پس از واریز حقوق، خریدهای بزرگ غیرضروری انجام میدهند، "ترجیح زمانی حالنگر" دارند و ریسک بالاتری دارند. در مقابل، کسانی که پول را در حساب نگه داشته و به تدریج خرج میکنند، آیندهنگر هستند.
۴-۲. وظیفهشناسی (Conscientiousness)
یکی از پنج ویژگی بزرگ شخصیتی (Big Five). افراد وظیفهشناس قوانین را رعایت میکنند.
- سیگنال دیجیتال: پرداخت قبض موبایل ۳ روز قبل از مهلت، به روزرسانی منظم اطلاعات کاربری، چک کردن منظم موجودی حساب (بدون وسواس).
۵. چالشها و ملاحظات اخلاقی
پیادهسازی این سیستمها بدون چالش نیست:
- تفسیرپذیری (Explainability): مدلهای هوش مصنوعی گاهی مانند "جعبه سیاه" عمل میکنند. رگولاتوری (بانک مرکزی) نیاز دارد بداند چرا وام یک فرد رد شده است. استفاده از تکنیکهای XAI (Explainable AI) برای شفافسازی تصمیمات الگوریتم ضروری است.
- سوگیری الگوریتم (Bias): اگر دادههای تاریخی بانک حاوی تبعیض علیه منطقهای خاص باشد، هوش مصنوعی ممکن است آن تبعیض را یاد بگیرد و تشدید کند. پالایش دادهها قبل از آموزش مدل الزامی است.
۶. نتیجهگیری
آینده اعتبارسنجی در گرو حرکت از "مدارک هویتی" به "هویت رفتاری" است. برای کارمندان و مدیران بانکی، پیام روشن است: مشتریان فاقد سابقه، مشتریان بدحساب نیستند؛ آنها صرفاً "ناشناخته" هستند. با ابزارهای هوش مصنوعی و تحلیل دقیق جریان نقدینگی و عادات خرجکردن، میتوان این ناشناختهها را به فرصتهای طلایی برای اعطای تسهیلات تبدیل کرد.
منابع و مراجع پژوهشی
1. Óskarsdóttir, M., et al. (2019). The value of big data for credit scoring: Enhancing financial inclusion using mobile phone data and social network analytics. Applied Soft Computing, 74, 26-39.
2. Financial Stability Board (FSB). (2017). Artificial intelligence and machine learning in financial services: Market developments and financial stability implications.
3. Mian, A., & Sufi, A. (2009). The Consequences of Mortgage Credit Expansion: Evidence from the U.S. Mortgage Default Crisis. The Quarterly Journal of Economics. (تحلیل رفتار وامگیرندگان و ارتباط با شوکهای درآمدی).
4. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. (مبانی اقتصاد رفتاری و تصمیمگیریهای مالی).