Adaptive DEA for clustering of credit clients
سال انتشار: 1393
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 264
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_APRIE-1-1_005
تاریخ نمایه سازی: 6 دی 1400
چکیده مقاله:
Competition among the industrial and service organizations to provide their clients with financial and credit requirements through the banking facilities has considerably increased. On the other hand, the challenge facing these financial and credit resources is that they are limited. Therefore, the optimal allocation of these limited financial resources with the aim of maximizing the investment value is of a great priority for banks and other financial institutes. In this study, first the credit criteria for the applicants for bank facilities have been identified and then based on the improved Data Envelopment Analysis (DEA) technique, an effective method has been proposed for the client clustering. The improved DEA method which is called Golden DEA reduces the calculation time and increases the decision-making operations that ultimately lead to the improvement of the existing method. Also, the improved DEA model provides a short, dynamic and straight path in order to achieve greater efficiency for every institution. The priority provided by the improved DEA method has been compatible with the priority given by the existing DEA method for all of the understudied cases.
کلیدواژه ها:
نویسندگان
T. Aliheidari bioki
Department of Industrial Engineering, Yazd University, Yazd, Iran
H. Khademi Zare
Department of Industrial Engineering, Yazd University, Yazd, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :