ارزيابي ريسك اعتباري كارآفرينان به كمك سوگيري‌هاي رفتاري با استفاده از سيستم عصبي-فازي تطبيقي

Evaluating entrepreneurs’ credit risk by behavioral biases using adaptive neuro-fuzzy inference system

كارآفرينان، به عنوان عناصر مهم توسعه اقتصاد خرد در اغلب كشور‌ها مورد توجه مي‌باشند. حمايت مالي كسب و كارهاي كوچك و متوسط – به دليل اشتغال‌زايي و ثروت‌آفريني – مي‌تواند موجب رشد اقتصادي هر كشوري شود. اما اين حمايت با ريسك اعتباري همراه است. اينجاست كه ارزيابي ريسك اعتباري كارآفرينان اهميت پيدا مي‌كند. تحقيقات پيرامون تئوري سوگيري‌هاي رفتاري در تصميمات كارآفرينان در سال‌هاي اخير به سرعت افزايش يافته و با دستاوردهاي قابل توجهي همراه بوده است.در اين پژوهش و براي اولين بار، به كمك سوگيري‌هاي رفتاري، مسئله رتبه‌بندي اعتباري مشتريان توسعه يافته و ريسك اعطاي تسهيلات به آن‌ها مورد ارزيابي قرار گرفته است. بدين منظور، در ابتدا پرسشنامه استاندارد ميتني بر پژوهش‌هاي قبلي طراحي و در ميان جامعه هدف توزيع شد. در مرحله بعدي و براي مقايسه قدرت ارزيابي متغيرهاي رفتاري با متغيرهاي دموگرافيك، از سيستم فازي-عصبي تطبيقي استفاده شد. هزينه خطاي دسته‌بندي به عنوان معيار مقايسه تعيين گشت و در نهايت نشان داده شد كه استفاده از سوگيري‌هاي رفتاري مي‌تواند ارزيابي دقيق‌تري را بدست آورد.

Entrepreneurs are under consideration as their important role in micro-economic development in most countries. Financing the SMEs, as its employment and wealth growth, can lead to growth of each country’s economy. But this supportive policy is along with credit risk. This is where assessing entrepreneurs’ credit risk matters. Research on theory of biases in entrepreneurial decision making has increased rapidly in recent years achieving considerable points. In this paper and for the first time, applicants’ credit scoring is developed by utilizing behavioral biases in order to evaluate risk of financial loans. For this, firstly, a qualified questionnaire, based on previous papers, is provided and distributed among target community. On the next stage, to compare the assessment power of behavioral biases with demographic attributes, we used adaptive-neuro fuzzy inference system. Misclassification cost is determined for comparison and finally, it is shown that by using behavioral biases, more powerful credit risk assessments would be provided.