مديريت ريسك اعتباري در نظام بانكي- رويكرد تحليل پوششي داده ها و رگرسيون لجستيك و شبكه عصبي

Credit risk management in the banking system - A comparative approach of Data Envelopment Analysis and Neural Network and Logistic Regression

اين مقاله با هدف شناسايي عوامل موثر بر ريسك اعتباري و ارايه مدلي جهت پيش بيني ريسك اعتباري و رتبه بندي اعتباري مشتريان حقوقي متقاضي تسهيلات يك بانك تجاري، با استفاده از روش تحليل پوششي داده‌ها و رگرسيون لجستيك و شبكه عصبي و مقايسه اين سه مدل انجام گرفته است. بدين منظور بررسي هاي لازم بر روي اطلاعات مالي و غير مالي با استفاده از يك نمونه 146 تايي تصادفي ساده از مشتريان حقوقي متقاضي تسهيلات، صورت گرفت. در اين پژوهش، 27 متغيرتوضيح دهنده شامل متغيرهاي مالي و غير مالي مورد بررسي قرار گرفت كه از بين متغيرهاي موجود نهايتاً با استفاده از تكنيك تجزيه و تحليل عاملي و قضاوت خبرگان (روش دلفي)، 8 متغير تاثيرگذار بر ريسك اعتباري انتخاب گرديد كه وارد مدل تحليل پوششي داده ها شده و امتيازات كارايي شركت‌هاي حقوقي با استفاده از آنها بدست آمد. همچنين متغير هاي انتخابي به عنوان بردار ورودي شبكه عصبي پرسپترون 3 لايه وارد مدل شد و در نهايت با استفاده از رگرسيون لجستيك نيز اطلاعات مربوطه پردازش گرديد. نتايج حاصل از مدل تحليل پوششي داده ها و شبكه عصبي و رگرسيون لجستيك در برآورد ريسك اعتباري و رتبه بندي اعتباري در مقايسه با نتايج واقعي حاكي از آنست كه مدل شبكه عصبي در پيش بيني ريسك اعتباري مشتريان حقوقي و رتبه بندي اعتباري از كارايي بيشتري برخوردار است.

This research has been done with the aim of identification of effective factors which influence credit risk and designing model for estimating credit Rating of the companies which have borrowed from a commercial Bank in the one-year period by using Data Envelopment Analysis and neural network model and comparison of these two models . For this purpose the necessary sample data on financial and non-financial information of 146 companies (as random simple) was selected. In this research, 27 explanatory variables (include financial and non-financial variables) were obtained, by application of factor analysis and Delphi method for examination. Finally 8 variables which had significant effect on credit risk were selected and entered to DEA model. Efficiency of companies was calculated with these variables. Also variables as well as the input vector three-layer perceptron neural network models were added to the model .finally data was processes with logistic regression. Results from data envelopment analysis model and Neural network and Logistic regression in comparisons to the actual results obtained from neural network models to predict credit risk legal customers and credit rating suggest that neural network is more efficient than data envelopment analysis and logistic regression.