Kredi analizinde makine öğrenmesi kullanımı: Tarımsal kredilerde uygulama örneği
Use of machine learning in credit analysis: Application in agricultural loans
- Tez No: 537430
- Danışmanlar: PROF. DR. BİROL YILDIZ
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: İşletme Bilim Dalı
- Sayfa Sayısı: 200
Özet
Tarımsal kredi limitlerinin tespit edilmesinde kullanılan değişkenler ile kredi kullanan şahıslara ait bazı demografik özelliklerin, kredilerin vadesinde tahsil edilmesine ne ölçüde etkide bulunduğunu tespit etmek, çalışmamızın hareket noktasını oluşturmaktadır. Bu çalışmada, yurt genelinde faaliyet gösteren Tarım Kredi Kooperatiflerinden, farklı bölgelerde bulunan 19 tarım kredi kooperatifinin 2012-2016 dönemine ait verileri kullanılarak kredilerin vadesinde ödenmesine etki eden faktörlerin saptanması amaçlanmıştır. Söz konusu amaç doğrultusunda bazı makine öğrenmesi algoritmaları kullanılarak, kredi tahsisinde kullanılan değişkenleri içeren bir model geliştirilmesi ve bu modelin kredilerin vadesinde tahsil edilip edilemeyeceğini en iyi şekilde öngörmesi hedeflenmiştir. Tezimizde, ilgili Kurum tarafından kooperatif ortaklarına kullandırılan kredilerin büyüklüğünün tespitinde kullanılan değişkenler ile kredi kullanan şahıslara ait bazı demografik unsurlar kullanılarak kredilerin vadesinde ödenip ödenmeyeceğini tahmin eden bir model geliştirilmeye çalışılmıştır. Böyle bir modelin geliştirilmesi için WEKA yazılımı kullanılarak söz konusu değişkenler farklı makine öğrenmesi algoritmalarının kullanımına sunulmuştur. Her bir algoritma tarafından geliştirilecek modelin performansının değerlendirilmesinde, ZeroR algoritması eşik değeri belirleyen algoritma olarak kullanılmıştır. Doğrusal Ayırma Analizi ve Lojistik Regresyon algoritmaları tarafından geliştirilen modellerin, eşik değerin altında doğru sınıflandırma yapabildiği görülmüştür. K en yakın komşu, Naive Bayes ve Yapay Sinir Ağları algoritmaları tarafından ortaya konulan modellerin eşik değerin üzerinde ve eşit düzeyde doğru sınıflandırma yapabildiği gözlenmiştir. En yüksek düzeyde doğru sınıflandırma yapabilen tahmin modeli, Karar Ağacı algoritmasınca geliştirilmiştir. En yüksek düzeyde doğru sınıflandırma başarısı sağlayan modelin, kredi kullanan şahısların yetiştirdikleri tarımsal ürünün kg fiyatı ile sahip oldukları büyükbaş hayvanların değerini esas alarak tahminlerini şekillendirdiği algoritma çıktısından anlaşılmıştır. Bu bağlamda anılan değişkenlerin, kredilerin vadesinde tahsil edilmesinde önem arz eden değişkenler olduğu gözlenmiştir. Her ne kadar çalışmamızda kullanılan algoritmaların çoğunluğu eşik değer üzerinde doğru sınıflandırma yapabilen tahmin modelleri geliştirmiş olsa da vadesinde tahsil edilemeyecek kredilerin daha yüksek düzeyde tespit edilebilmesi için analiz kapsamının geliştirilmesi gerektiği anlaşılmıştır. Tarımsal kredilerin daha riskli olmasına sebep olan çok sayıda etmen olduğu dikkate alındığında, diğer kredi türlerindeki analizlerde olduğu gibi, vadesinde ödenmeyecek kredilerin daha yüksek düzeyde önceden tespit edilebilmesi gerek tasarruf sahipleri gerekse kredi kurumlarınca önem arz etmektedir. Bu sebeple, tarımsal kredilere dair veri setinin genişletilmesi ve daha fazla sayıda değişkenin modellemeye dahil edilmesi ile vadesinde ödenmeyen kredilere ilişkin daha yüksek düzeyde doğru sınıflandırma yapabilecek bir model geliştirilebileceği kanaatine varılmıştır.
Özet (Çeviri)
In addition to the factors used in deciding the credit limits, some of the demographic characteristics of the credit users can be collected in credit analysis. The starting point of our study is to determine which factors are valuable to detect overdue loans. In this study, it was aimed to determine the factors that affect the payment of the credits on the maturity of the loans by using the data of the agricultural credit cooperatives in different regions in the 2012-2016 period. For this purpose, it is aimed to develop a model which processes the variables used in credit granting by using some machine learning algorithms and to determine whether this model can be collected in detecting of overdue loans. In our thesis, a model has been tried to be developed to estimate whether the loans will be paid or not by using the variables which are used to determine the size of credits by the credit institution and some demographic elements belonging to the credit users. For the development of such a model, these variables were introduced to the use of different machine learning algorithms using WEKA software. In evaluating the performance of the model to be developed by each algorithm, ZeroR algorithm is used as the algorithm to determine the threshold value. Linear Discriminant Analysis and Logistic Regression algorithms developed models which were able to make a correct classification below the threshold value. It was observed that the models introduced by K nearest neighbors, Naive Bayes and Artificial Neural Networks algorithms were able to make an accurate classification above the threshold value. The estimation model, which can make the correct classification at the highest level, was developed by Decision Tree algorithm. It is understood from the model which has the highest correct classification level, that the price of agricultural crops and cattle were based in forming the estimates. In this context, it is observed that the variables mentioned are important variables for the collection of loans. Although the majority of the algorithms used in our study have developed prediction models that can make accurate classification on the threshold value, it has been understood that the scope of analysis should be developed in order to determine the loans that cannot be collected on date at a higher level. Considering that there are many factors that cause agricultural loans to be more risky, as in the analyzes in other types of loans, it is important for the credit agencies and account owners to detect overdue credits in advance. For this reason, it was concluded that the data set and the number of variables on agricultural loans could be expanded and then a more accurate model could be developed to obtain higher level in estimating overdue credits.
Benzer Tezler
- Enerji sektöründe makine öğrenmesi algoritmaları kullanılarak müşterilerin tahsilat potansiyellerinin değerlendirilmesi
Assessing the collection potential of customers in the energy sector using machine learning algorithms
EMİNE CEREN ÖZAY
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERMAN ÇAKIT
- Makine öğrenmesi yöntemleri ile kredi risk analizi
Credit risk analysis using machine learning algorithms
SACİDE KALAYCI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Bankacılık sektöründe kredi ödemelerinin makine öğrenimi sınıflandırma algoritmalarına göre analizi
Analysis of loan payments in the banking sector according to machine learning classification algorithms
ASLI MUKADDES ESİ
Yüksek Lisans
Türkçe
2022
EkonometriMarmara ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. SAİT ERDAL DİNÇER
- Destek vektör makineleri yardımıyla tüketici kredilerinin sınıflandırılması
Classifying consumer loans by means of support vector machines
KAYAHAN KAYA
Yüksek Lisans
Türkçe
2016
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Taahhüt firmalarında finansal analiz ve banka kredi analizine etkileri
Başlık çevirisi yok
İBRAHİM VOLKAN BODUR