| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Uzņēmējdarbības finanses |
| Nosaukums |
Kredītvērtēšanas modeļa izstrāde Indijas mikrofinansēšanas institūcijām kreditēšanas lēmumu pilnveidošanai |
| Nosaukums angļu valodā |
Development of a credit scoring model for Indian microfinance institutions to improve lending decisions |
| Struktūrvienība |
22000 Inženierekonomikas un vadības fakultāte |
| Darba vadītājs |
Nadežda Koleda |
| Recenzents |
Andrejs Čirjevskis |
| Anotācija |
Gopakumara A. Kredītvērtēšanas modeļa izstrāde Indijas mikrofinansēšanas institūcijām
kreditēšanas lēmumu pilnveidošanai: Maģistra darbs / Gopakumara A., Nadežda Koeļda
(2026). Rīga: Rīgas Tehniskā universitāte, Inženierekonomikas un vadības fakultāte, maģistra
profesionālo studiju programma “Uzņēmējdarbības finanses”. 102 lpp.
Maģistra darbs uzrakstīts angļu valodā, to veido ievads, trīs daļas, secinājumi un priekšlikumi.
Darba apjoms ir 102 lpp., tajā iekļauti vairāk nekā 33 attēli, 7 tabulas. Izmantotajā literatūras
un avotu sarakstā ietverti 48 avoti angļu valodā. Darbam pievienots 1 pielikums.
Pētījuma mērķis ir izstrādāt un novērtēt stabilu kredītpunktu vērtēšanas modeli mikrokredītu
iestādēm, kas integrē tradicionālos finanšu rādītājus ar alternatīviem, nefinanšu datiem, lai
uzlabotu aizdevumu lēmumu precizitāti, samazinātu portfeļa risku un veicinātu finanšu
iekļaušanu nepietiekami apkalpotiem iedzīvotājiem.
Darba pirmajā daļā ir sniegts teorētiskais pamatojums un literatūras apskats par kredītu un
mikrokredītu pamatiem, kredītpunktu vērtēšanas teorētiskajiem pamatiem, alternatīvo datu
rašanos finansēs, kā arī veikta bibliometriskā analīze un sistemātiska literatūras atlase.
Darba otrajā daļā ir aprakstīta pētījuma metodoloģija, tostarp pētījuma konceptuālais ietvars,
datu avoti un izlases veidošana, mainīgo lielumu definēšana un izvēle, kā arī pētījuma metodes
– loģistiskā regresija un Random Forest algoritms, izmantojot pieckārtīgu šķērsvalidāciju.
Trešajā daļā ir sniegti empīriskie rezultāti: aprakstošā statistika, eksploratīvā datu analīze, datu
pirmapstrāde, modeļu novērtēšana un veiktspējas salīdzinājums, pazīmju nozīmīguma analīze,
kā arī hipotēžu pārbaude.
Alternatīvie dati (psihometriskie rādītāji, mobilo darījumu biežums, komunālie maksājumi)
uzlaboja prognozēšanas spēju par 9,1% (AUC). Spēcīgākie prognozētāji ir psihometriskais
rādītājs un mobilo darījumu biežums. Random Forest nebija precīzāks par loģistisko regresiju
nelielās izlases dēļ (300 novērojumi, 37 nokavējumi). Hibrīdais modelis identificē 27%
nokavējumu ar 98,5% specifiskumu. |
| Atslēgas vārdi |
kredītpunktu vērtēšana, mikrokredītu iestādes, alternatīvie dati, mašīnmācīšanās, loģistiskā regresija, Random Forest, finanšu iekļaušana |
| Atslēgas vārdi angļu valodā |
credit scoring, microfinance institutions, alternative data, machine learning, logistic regression, Random Forest, financial inclusion |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
19.05.2026 23:31:42 |
