23683

ارائه رويكردي داده مبنا مبتني بر تحليل شبكه‌هاي اجتماعي براي پيش‌بيني ريسك اعتباري بازيگران در زنجيره تأمين

كارشناسي ارشد

مهتدسي صنايع

1399

بهمن 1399

محمدرضا رسولي

بابك اميري

پيشرفت

تبديل مدل‌هاي كسب‌وكار، انطباق با فناوري‌هاي پيشرفته، تغيير محيط‌هاي نظارتي، تحولات گسترده اقتصادي، توليدي و تجاري و… كسب‌وكارها را ناگزير به حضور و مشاركت فعال در اقتصادهاي مبتني بر شبكه و زنجيره نموده است. توجه بيشتر به شبكه‌هاي زنجيره تامين مي‌تواند مترادف با صرفه‌هاي اقتصادي، كاهش هزينه‌هاي مالي و تسهيل دستيابي به خدمات مالي باشد. زنجيره تامين مالي در همين راستا شكل‌گرفته و راه‌حل‌هاي مختلفي براي رسيدن به اين اهداف ارائه مي‌دهد. يكي از مهم‌ترين و جذاب‌ترين اين راه‌حل‌ها را مي‌توان مكانيسم سازمان‌دهي معكوس ناميد. بر اساس تحقيقات تجربي مكانيسم سازمان‌دهي معكوس نقش غيرقابل‌انكار و مهمي در شبكه زنجيره تامين مالي در كشورهاي درحال‌توسعه دارد. مكانيسم سازمان‌دهي معكوس سرمايه در گردش را در يك زنجيره تأمين، فراهم مي‌كند. اين در حالي است كه اين تامين نقدينگي، يك وام متعارف بانكي نيست و بدهي بيشتري به ترازنامه سازمان‌ها تحميل نمي‌كند. مهم‌ترين پارامتري كه مي‌تواند موفقيت يا شكست يك مكانيسم سازمان‌دهي معكوس را تعيين كند ريسك اعتباري بازيگران در شبكه زنجيره تامين مالي مي‌باشد. ريسك اعتبار را مي‌توان به‌عنوان تهديد اصلي پايداري زنجيره تامين مالي برشمرد. در ادبيات اين حوزه رويكردهاي داده مبني به‌صورت گسترده براي حفاظت از زنجيره تامين مالي در مقابل ريسك اعتباري بازيگران به كار برده شده است. اما در اين پژوهش‌ها عموما ريسك اعتباري به‌عنوان يك ريسك فردي در نظر گرفته مي‌شود، يعني نوعي از خطر كه براي بازيگران منفرد و به‌صورت انفرادي در شبكه تعريف مي‌گردد. اين درحالي است كه به قطعيت در ادبيات پژوهشي و عملي ثابت گرديده است كه ريسك اعتباري يك ريسك سيستماتيك مي‌باشد. هدف از اين پژوهش ارائه رويكردي داده مبنا به‌منظور پيش‌بيني ريسك اعتباري بازيگران به‌عنوان يك ريسك سيستماتيك، در يك شبكه زنجيره تأمين مالي به كمك رويكردهاي داده‌مبنا و شبكه‌اي مي‌باشد. دستاوردهاي اين تحقيق مي‌تواند از مكانيسم‌هاي سازماندهي معكوس در زنجيره تامين مالي پشتيباني كند. اين پژوهش بر اساس علم شبكه، شاخص‌هاي شبكه‌اي مربوط به بازيگران در يك زنجيره تامين مالي را از طريق تجزيه‌وتحليل شبكه اجتماعي به دست مي‌آورد. يافته‌هاي اين تحقيق به‌وضوح نشان مي‌دهند كه درنظرگرفتن صفات مشخصه شبكه‌اي بازيگران در مدل‌هاي پيش‌بيني مي‌تواند به طور قابل‌توجهي دقت و صحت مدل‌ها را افزايش دهد. اين مطالعه با درنظرگرفتن ريسك اعتباري به‌عنوان يك ريسك سيستماتيك كه مي‌تواند تحت تأثير رفتارهاي شبكه‌اي بازيگران قرار گيرد، ادبيات موجود در حوزه ارزيابي ريسك در يك زنجيره تأمين مالي را توسعه مي‌دهد.

1400/02/30

A Data-Driven and Network-Aware Approach for Credit Risk Prediction in Supply Chain Finance

1/1/1900 12:00:00 AM

The purpose of this paper is to propose a data driven model to predict credit risks of actors collaborating within a supply chain finance (SCF) network based on the analysis of their network attributes. This can support applying reverse factoring mechanisms in SCFs. Based on network science, the network measures of the actors collaborating in the investigated SCF are derived through a social network analysis. Then several supervised machine learning algorithms are applied to predict the credit risks of the actors on the basis of their network level and organizational level characteristics. For this purpose, a data set from an SCF within an automotive industry in Iran is used. The findings of the research clearly demonstrate that considering the network attributes of the actors within the prediction models can significantly enhance the accuracy and precision of the models. The proposed model can provide a well-established basis for financial intermediaries in SCFs to make more sophisticated decisions within financial facilitation mechanisms. This study contributes to the existing literature of credit risk evaluation by considering credit risk as a systematic risk that can be influenced by network measures of collaborating actors. To do so, the paper proposes an approach that considers network characteristics of SCFs as critical attributes to predict credit risk.

مديريت ريسك _ ريسك اعتباري _ زنجيره تأمين _ علم داده _ يادگيري ماشين _ سيستم‌هاي تصميم يار_ تحليل شبكه‌هاي اجتماعي

-Risk Management – Credit Risk – Supply Chain – Data Science – Machine Learning – Decision Support Systems – Social Network Analysis