چکیده:
شناسایی عوامل اصلی نکول و استفاده از این اطلاعات در تصمیم گیری برای پرداخت تسهیلات، می تواند در کاهش هزینه های بانک نقش بسیار موثری داشته باشد. تحقیق حاضر با هدف شناسایی عوامل موثر بر ایجاد نکول و پیش بینی احتمال نکول متقاضیان حقیقی بانک پاسارگاد، با استفاده از روش شبکه های عصبی انجام شده است. نمونه مورد بررسی، شامل اطلاعات پرونده تسهیلات ۴۷۰ مشتری، از جامعه آماری ۲۵۳۴۲ مشتری شعب بانک پاسارگاد شهر تهران، در سال های ۱۳۹۲ تا ۱۳۹۳ است. نتایج اجرای مدل نشان می دهد که روش شبکه های عصبی می تواند با دقت ۹۲ درصد پیش بینی مناسبی از احتمال نکول متقاضیان داشته باشد. طبق نتایج این روش، متغیرهایی چون سوء سابقه مالی و نوع وثیقه، تاثیر زیادی بر روی پیش بینی داشته اند.
خلاصه ماشینی:
این امر زمانی محقق می شود که بانک ها قادر به شناسایی مشتریان خود اعم از حقیقی و حقوقی بوده و بتوانند آن ها را بر اساس توانایی و تمایل نسبت به بازپرداخت کامل و به موقع تعهدات ، با استفاده از معیارهای مالی و غیرمالی مناسب ، طبقه بندی کنند؛ زیرا در چنین سیستمی تسهیلات به متقاضیانی اعطا میشود که از ریسک اعتباری کمتری برخوردار بوده و احتمال بازپرداخت بدهی آن ها در موعد مقرر بیشتر است .
بلانکو٣ و همکاران (٢٠١٣)، از مدل های شبکه عصبی، رگرسیون لجستیک ، تحلیل تمایزی و تحلیل تمایزی درجه دوم برای اعتبارسنجی 1 Malhorta 2 Mandala 3 Blanco متقاضیان تسهیلات استفاده کرده و با مقایسه نتایج به این نتیجه رسیدند که شبکه های عصبی هم دقت بیشتری در پیش بینی و هم خطای کمتری در گروه بندی به دست میدهد.
2 از تحقیقات انجام شده بر روی مشتریان حقوقی نیز می توان به تحقیق المر و بروفسکی (١٩٩٨) اشاره کرد که برای پیش بینی توانایی بازپرداخت تسهیلات از مدل شبکه عصبی چند لایه پرسپترون استفاده کردند و نتایج حاکی از این بود که قدرت پیش بینی مدل پرسپترون بیشتر از مدل تحلیل تمایزی بوده است .
نتایج این تحقیق نشان می دهد که مدل شبکه های عصبی نسبت به تحلیل پوششی داده ها عملکرد بهتری در پیش بینی ریسک اعتباری و گروه بندی متقاضیان تسهیلات دارند.
در این تحقیق از روش شبکه های عصبی به عنوان روشی با دقت بالا در پیش بینی احتمال نکول متقاضیان تسهیلات استفاده شده است .