مقايسه عملكرد مدل‌هاي كلاسيك و هوش مصنوعي در پيش‌بيني وضعيت اعتباري مشتريان بانك

Comparison of the Performances of Classical Models and Artificial Intelligence in Predicting Bank Customers' Credit Status

در حال حاضر در نظام بانكداري، عدم بازپرداخت تسهيلات به يكي از بزرگ‌ترين مسائل تبديل شده‌است و به‌دليل عدم وجود يك سيستم مناسب براي تخصيص تسهيلات، بانك‌ها و موسسات مالي دچار مشكلات عديده‌اي ازجمله افزايش حجم مطالبات معوق شده‌اند. نظر به اهميت ريسك اعتباري، بانك‌هاي تجاري در سطح دنيا درگذشته اغلب از روش قضاوتي براي تعيين ريسك استفاده مي‌نمودند، لكن استفاده از اين روش‌ها با توجه به توان محدود انسان‌ها در تحليل هم‌زمان فاكتورهاي مختلف مؤثر بر ريسك اعتباري در مقايسه با روش‌هاي آماري و هم‌چنين روش‌هاي هوش مصنوعي از كارايي كمتري برخوردار است. به همين منظور اين تحقيق درصدد است تا كارايي مدل رگرسيون لجستيك و شبكه عصبي مصنوعي را در تشخيص وضعيت اعتباري مشتريان بانك در فاصله زماني سال 1388-1392 بسنجد. بررسي نتايج نشان داد كه دقت كل مدل شبكه عصبي در داده‌هاي آموزش 87% و رگرسيون لجستيك 2/77% تعيين شده‌است و خطاي نوع اول و دوم در شبكه عصبي به ميزان قابل‌ملاحظه‌اي نسبت به روش ديگر كاهش يافته است. با توجه به نتايج نمي‌توان انتظار داشت مدل‌هاي آماري با مفروضات كلاسيك نظير خطي بودن روابط متغيرها، بتوانند ريسك اعتباري مشتريان را به درستي ارزيابي نمايد؛ از اين رو بكارگيري يا تلفيق تكنيك‌هاي هوش مصنوعي در اين مساله ضرورتا توصيه مي‌شود.

Currently, in the banking system, defaults in the repayment of loans have become one of the biggest problems, and banks and financial institutions have faced many problems such as the increase in the volume of outstanding receivables due to the lack of an appropriate system for allocating facilities. Considering the importance of credit risks, commercial banks used to apply judgment methods for determining those risks. However, the use of these methods was not efficient enough due to limited human abilities and, at the same time, various factors affecting credit risks in contrast to statistical methods as well as artificial intelligence methods. For this reason, this article measures the efficiency of logistic regression models and artificial neural networks in detection of bank customers’ credit status in the period of 2009-2013. The results indicated that the total accuracy rates of the Artificial Neural Network model and the Logistic Regression model were 87% and 77.2% respectively, and the error types I and II were reduced significantly in the neural network. According to the results, statistical models cannot be expected to properly evaluate the credit risk of customers with classical assumptions such as the linear relationship between variables. Therefore, application and integration of artificial intelligence techniques is strongly recommended in this regard.