مقايسه مدل بهينه رگرسيون لجستيك چندگانه و باينري براي رتبه‌بندي اعتباري مشتريان حقيقي بانك رفاه كارگران

Comparison Between the Optimized Binary and Multinomial Logistic Regression for Credit Scoring of Real Costumers in Bank Refah Kargaran

يكي از وظايف اصلي موسسات مالي در حمايت از فعالان اقتصادي، اعطاي تسهيلات و انجام تعهدات آنان است. پيش‌بيني ريسك‌ اعتباري ناشي از اعطاي تسهيلات و در نتيجه مديريت اين ريسك از مهم‌ترين چالش‌هاي پيش‌روي بانك‌ها و موسسات مالي است. هدف اصلي در اين كار تهيه مدل بهينه لجستيك جهت تعيين اعتبار مشتريان حقيقي با بررسي نقش تعداد رده‌هاي اعتبار مشتري از دو رده خوش‌حساب و بدحساب تا چهار رده خوش‌حساب، سررسيدشده، معوق و مشكوك‌الوصول و نيز شناسايي مهم‌ترين متغييرهاي مستقل تاثيرگذار بر اعتبار مشتريان حقيقي بانك رفاه كارگران است. نتايج هر دو مدل برازش لجستيك چندگانه و باينري تهيه شده در اين‌كار نشان‌دهنده اهميت نسبي متغيرهاي سطح تحصيلات و سن مشتري حقيقي نسبت به ساير متغييرهاي مستقل است. نتايج يكسان هر دو مدل مي‌تواند نشان‌دهنده تاثير كم افزايش تعداد رده‌بندي متغيير وابسته (اعتبار مشتري) و يا توزيع نامناسب تعداد مشتريان براي رده‌هاي مختلف اعتبار مشتري باشد.

One of the main tasks of the financial institutions is to give loan to the customers. Prediction and evaluation of the credit risks due to loan and consequently managing this risk is one of the greatest ongoing challenges for the financial institutions. The main aim of this work is to provide an optimized logistic regression model for credit scoring of real customers. Here the effects of increasing the customer’s credit classification from two (binary) to four (multinomial) distinct groups on the results of the logistic regression has been investigated. Identification of the most important parameters in prediction of the real customers’ credit scoring is the other important outcome of this work. The results of both binary and multinomial logistic regression show the relative importance of the education level and the age of the customer compared with other independent variables. The results of this work show that either increasing the number of classification types of the dependent variable, real customer’s credit, to four distinct groups has no sharp effect on the results of the optimized models or this conclusion can be due to improper distribution of the number of customers in different groups.