معاون فناوریهای نوین بانک مرکزی: محدودیت انتشار توکنهای معاملاتی حذف شدهاست
معاون فناوریهای نوین بانک مرکزی در رویداد ملی ارز دیجیتال از حذف بخش عمدهای از…
۱۷ آذر ۱۴۰۳
۳۰ آبان ۱۴۰۲
زمان مطالعه : ۷ دقیقه
فعالان حوزه بانکی شرکتکننده در نشست اعتبارسنجی و بانکداری هوشمند، از چالشها و مدلهای جدید در حوزه اعتبارسنجی هوشمند صحبت و تاکید کردند اعتبارسنجی یک فرآیند است و باید اکوسیستم آن در کشور شکل بگیرد و همه ارکان برای موفقیت آن همکاری کنند.
به گزارش پیوست، رضا بیات ترک مدیر کل فناوری اطلاعات بانک مرکزی به عنوان مدیر پنل در در نشست اعتبارسنجی و بانکداری هوشمند گفت: اعتبارسنجی هنوز یک مبحث مهم است و با وجود همه پیشرفتها باید به آن بیشتر توجه شود. در گذر به بانکداری هوشمند نیاز به دقت بیشتر در حوزه اعتبارسنجی داریم. با همین نگاه در بانک مرکزی پایگاه اطلاعاتی مشتریان را غنیتر کردهایم.
در ابتدای این نشست صبا مرادی در تشریح نتایج تحقیقی که با مشارکت رضا بیات ترک با عنوان مدل هوشمند اعتبارسنجی مشتریان و مدیریت ریسک اعتباری انجام شده گفت: تحقیق از منتقاضیان وام نشان میدهد میزان وام وصول نشده مبالغ چشمگیری است و بانکها همچنان نیاز به اعتبارسنجی بهتری دارند. در گذر سالها از میزان اهمیت ارزیابی ریسک اعتباری کم نشده و حتی از سال ۲۰۱۸ به بعد با جهش روبرو بوده است.
رضا قاسمپور، مدیرعامل شرکت مشاوره رتبهبندی اعتباری ایران در مورد اعتبارسنجی در ایران و دنیا به تاریخ ۲۲۰ ساله اعتبارسنجی در جهان و دستاوردهای آن در ایران که از سال ۱۳۸۵ راهاندازی شده گفت: مدل جدیدی برای اعتبارسنجی هوشمند طراحی کردیم که در آن ۲۴۸ شاخص مورد بررسی قرار میگیرد و مورد تائید بانک مرکزی قرار گرفته است. ما درخواست داده کردیم که ۱۳۵ شاخص در اختیار ما قرار گرفت و در مدلسازی به ۷۰ شاخص رسیدهایم که به امتیاز اعتباری اشخاص کمک میکند. در نهایت مدل امتیاز اعتباری که نهایی شده از ۷۰ قلم اطلاعاتی در موضوعاتی مانند مالیات ابرازی و پرداختی، قوه قضائیه با دادههای مانند چک و اعسار و محکومیتها مالی، رفاه ایرانیان و صدک درآمدی، موارد در اختیار بانک مرکزی مانند شاخصهای تسهیلاتی و چک، شاخصهای تعهدات و ارزی، بحث جرایم راهنمایی رانندگی، سن و شاخصهای هویتی وارد شده و توانستیم مدل امتیازی را نهایی کنیم.
قاسمپور در ادامه گفت: در مدل قبلی برای ۳۰ درصد افراد امتیاز اعتباری داریم. به همین دلیل افراد زیادی قابل تشخیص نیستند ولی مدل جدید تمام افراد جامعه را شامل میشود. ضمن اینکه دقت در مدل فعلی ۷۶ درصد و دقت مدل جدید ۹۰ درصد است. در مدل امتیاز اعتباری برای چک، معاملات، امتیاز اعتباری BNPLها، صنعت بیمه و سایر حوزهها را در دستور کار داریم.
او افزود: ما موافق توسعه اکوسیستم اعتبارسنجی در کشور هستیم و شورایی هم تشکیل شده ولی هنوز به این جمعبندی نرسیدهایم که یک شرکت حاکمیتی داشته باشیم تا مرجعی برای کسبوکارهای دیگر باشند. اما در آمریکا دو سه شرکت اصلی داریم و بیش از ۲۰۰ شرکت بر اساس دادههای آنها اعتبارسنجی انجام میدهند.
روحالله ابوجعفری، عضو هیات علمی پژوهشکده مطالعات فناوری در مورد حد ورود سیستمهای اعتبارسنجی به دادههای مشتریان گفت: از ابتدای دولت سیزدهم یکی از پروژههای وزارت اقتصاد بحث شمولیت مالی بود. اما زیرساختهای مورد نیاز هنوز در کشور فراهم نیست. در همین مورد در وزارت اقتصاد پروژهای تعریف شده است که دو بال دارد، یکی اعتبارسنجی است و دیگری ضمانت. در موضوع اعتبارسنجی چالش جدی این است که از ابتدای شکلگیری این صنعت، اعتبارسنجی را محدود کردهایم. در دنیا اعتبارسنجی یک فرآیند است که از بخشهای مختلفی تشکیل شده حتی برای مدلهای مختلف، استارتآپها و کسبوکارهای متفاوت داریم ولی در ایران ما این فرآیند را فقط در یک شرکت جا دادهایم.
ابوجعفری در ادامه با اشاره به اقدامات لازم برای توسعه اعتبارسنجی گفت: اقدامات نظام سنجش اعتبار باید رویکرد ایجاد یک صنعت اعتبارسنجی ملی در کشور حرکت کند. ضمن اینکه رفتار اعتباری شرکتها و فعالان اقتصادی باید به رسمیت شناخته شود. در اپراتورها این رفتار را میبینیم مثلاً پرداخت قبضها یا خرید بستههای اینترنت را مبنا قرار میدهند. دوم بحث پلتفرمها است که دادههای فراوانی در آنها ایجاد میشود و سوم بحث BNPLها است. اگر در مدل کلان اجازه شکلگیری CRSP را بدهیم آنها خودشان این دادهها را جمع میکنند و ظرفیت بحثهایی مانند مدلینگ و اعتبارسنجی شکل میگیرد. یک سری زیرساختهای اساسی فنی و حقوقی دارای اشکالات جدی است و باید رویکرد به این سمت برود که یک زنجیره ارزش شکل بگیرد. در نهایت به سمت توسعه محصول در این حوزه برویم.
سعید شمسینژاد، مدیرعامل بانک قرضالحسنه مهر ایران در مورد اعتبارسنجی در بانکداری خرد گفت: در سال ۱۴۰۰ برای اعطای حدود سه میلیون فقره وام، فقط هشتاد هزار اعتبارسنجی انجام میشد. سال گذشته این عدد به هشتصد هزار فقره رسید و فکر میکنم امسال حدود دو میلیون فقره اعتبارسنجی داشته باشیم. به دلیل کمبودها و محدودیتهایی که وجود دارد الان هر بانکی برای خود یک سیستم اعتبارسنجی راهاندازی میکند و بانکها مجبورشدن به فراخور نیاز خود این سیستم را توسعه دهند. ما در شرایط بد اقتصادی انتظار داریم رفتار متفاوتی ببینیم اما در عمل شاهد هستیم با اعتماد به مردم در سه و نیم میلیون فقره تسهیلات با عدد ۱۷۰-۱۸۰ همت به ۰.۳۶ درصد نکول رسیدهایم.
شمسینژاد در ادامه با اشاره به اختلافاتی که میان بنچمارکهای بینالمللی و داخلی وجود دارد گفت: مسائل متفاوتی میتواند در اعتبارسنجی مورد توجه قرار گیرد. به عنوان مثال با تغییر در فضای وام به سمت قرض الحسنه رویکردها به سمت نگرشهای دینی میرود. در استانهایی که فضای دینی یا شاخصهای کیفی دیگری موثر است میبینیم که مدل اعتبارسنجی هم متفاوت است. من آینده خوبی را در حوزههای مختلف اعتبارسنجی میبینم و باید کسبوکارها و استارتآپها در این حزوه ورود کنند. به شرطی که بعد نظارت هم وجود داشته باشد.
مدیرعامل بانک قرضالحسنه مهر ایران با اشاره به نقصهای موجود در مدلهای اعتبارسنجی گفت: در فضایی که دهکهای پایین ما نیازمند وام هستند افرادی که تحت پوشش مدلهای حمایتی قرار دارند و عملاً پولی برای گردش مالی ندارند، این مدلهای اعتباری کارایی ندارد. افرادی که در کمیته امداد یا بهزیستی هستند قطعا رتبه کمتری میگیرند ولی کسی که دارای گردش مالی و طبعاً رفاه بالاتری است اعتبار بهتری دریافت میکند. باید تمام ابعاد صنعت اعتبارسنجی ملی مورد نظر قرار گیرد. همچنین ما در دو سال اخیر بحثاعتبار سنجی قرضالحسنه برای افراد حقوقی را شروع کردهایم.
امیرحسین شبیری، مدیرعامل مرکز نوآوری بانک ملی در مورد اعتبارسنجی داخلی گفت: اعتبارسنجی قبلاً حضوری بوده و هنوز در خیلی از شعب استفاده میشود. بعد از آن اعتبارسنجی آنلاین و الکترونیکی شکل گرفت و مدل بعدی اعتبارسنجی هوشمند با کمک یادگیری ماشین است. برخی از بانکهای ما هنوز در همان مرحله اول ماندهاند. این مشکل هم فرهنگی است و دلایل متعددی دارد اما چالش فنی و منابع انسانی در سطح بالا نداریم. یک جنس مقاومت جدی داریم که علاقه ندارند این موضوع از شعبه جمع و آنلاین شود. حتی در بررسیهایی مشخص شده که اعتبارسنجی حضور در شعب با وجود سختگیریهایی که دارد در برابر اعتبارسنجیهای دیگر با خطای بیشتری مواجه است. بعد به لایه دیتا میرسیم اینکه دیتای موجود چقدر تمیز است. حتی در دیتا میبینیم که در موارد اولیه مانند جنسیت و نام اشتباهاتی وجود دارد.
در خیلی از بانکها در لایه وبسرویس چالشهایی داریم. در نشستی که با فعالان حوزه BNPL و لندتک داشتیم صرف نظر از دادههای کلی، حتی نتوانستیم لیست سیاه را میان چند شرکت استارتآپی به اشتراک بگذاریم و این موضوع در سطح بانک خیلی گستردهتر است. نکته دیگر اینکه شبکههای عصبی شبیه مدلهای آماری نیستند و فرآیند ارزیابی داده در آنها مشخص نیست که این هم برای عدهای مورد بحث است.