اندازه گيري ريسك اعتباري مشتريان با رويكرد شبكه عصبي در يكي از بانك هاي دولتي

(Assessing credit risk rating with Artificial Neural Network method (the Case of an Iranian Bank

ريسك اعتباري را مي توان به عنوان ضرر محتمل كه در اثر يك رخداد اعتباري اتفاق مي افتد، بيان كرد. هنگامي كه توانايي طرف قرارداد در تكميل تعهداتش تغيير كند اين رخداد اعتباري رخ مي دهد. ريسك اعتباري يكي از مهم ترين عوامل توليد ريسك در بانك­ ها مي باشد و اين ريسك از اين جهت ناشي مي شود كه دريافت كنندگان تسهيلات توانايي بازپرداخت اقساط بدهي خود را به بانك نداشته باشند. بررسي عوامل موثر و تاثير گزار بر ريسك اعتباري از اهميت بالايي برخوردار است،. بنا به آنچه اظهار شد، هدف از انجام پژوهش حاضر طراحي مدلي جهت رتبه بندي مشتريان در حوزه ريسك اعتباري با رويكرد تلفيقي MADM و SOM است. بدين منظور در نخستين مرحله با مرور ادبيات موضوع،29 شاخص موثر در ارزيابي ريسك اعتباري مشتريان شناسايي وبر مبناي مدل 6c طبقه بندي شد. در مرحله بعد با توجه به فراواني شاخص ها و نظر خبرگان 12 شاخص به عنوان شاخص نهايي در نظر گرفته شد. سپس با روش الگوريتم تشخيص الگو شبكه عصبي به تعيين خوشه هاي بهينه اقدام گرديد؛ و با استفاده از روش شبكه عصبي خود سامانده (SOM) و k-mean مشتريان حقوقي دريافت كننده تسهيلات طبقه بندي گرديد. در خاتمه وزن نسبي هريك شاخص هاي دخيل را در ارزيابي ريسك اعتباري شد.

Nowadays، Loans in the banking industry has a crucial role in productivity because a substantial portion of the assets of a bank formed though the individuals and companies. So today’s credit risk has known as a biggest contributing factor of failure in the banks and financial institutions. Because of mentioned factors، control and management of these risks are necessary.As it mentioned before، the aim of this research is a model designed for customers in the areas of Assessing credit risk rating with a synthesized MADM and SOM method. For this purpose، the first step is identifying 29 indices that influence credit risk. After that، according to expert opinion and the past researches 12 indices was extracted. So the optimal clusters were determined by neural network pattern recognition algorithm. Then customers were categorizing with SOM and K-mean. Finally، the relative weight of each indicator of the credit risk assessment was determined.so research show that the customer experience in the economic sectors and account duration has high percentage. Finally، some recommendations are offered for future research and suggestions for researchers and practitioners in the field of banking are. At the end، some of the limitations mentioned in this research.