چکیده:
زمینه و هدف:در بین انواع مختلف ریسک هایی که نظام بانکی با آن مواجه است، ریسک اعتباری از جایگاه ویژه ای برخوردار است. عدم توجه به این ریسک، نظام بانکی را با خطر ورشکستگی و هدر رفت منابع مواجه می کند. از این رو توسعه مدل هایی در جهت تفکیک انواع مشتریان نظام بانکی چه در حوزه نظری و چه در حوزه عملی جایگاه ویژه ای داشته است. بنابراین ضرورت، پژوهش حاضر به پیش بینی ریسک اعتباری مشتریان حقیقی شعب بانک قوامین شهرستان شیراز، بر اساس مدل ترکیبی رگرسیون لجستیک و رگرسیون سمبلیک می پردازد. روش شناسی: این پژوهش از نظر هدف کاربردی و از نظر شیوه جمع آوری داده ها، توصیفی پیمایشی است. جامعه آماری پژوهش را کلیه مشتریان حقیقی دریافت کننده تسهیلات از شعب بانک قوامین شهرستان شیراز تشکیل می دهد. حجم نمونه بر اساس فرمول کوکران 384 پرونده تسهیلاتی تعیین و در نهایت به روش نمونه گیری تصادفی طبقه ای نسبی، 351 پرونده در بازه 1396-1390 در اختیار پژوهشگر قرار گرفت. جهت انتخاب متغییرهای مستقل از معیار C5 استفاده شده و با نظرسنجی از نخبگان حوزه مربوطه 17 متغییر توضیح دهنده شامل متغیرهای مالی و غیر مالی برای طبقه بندی مشتریان به خوش حساب و بد حساب تعیین گردید. در نهایت از بین متغیرهای موجود با استفاده از تکنیک انتخاب رو به جلوی والد، 5 متغیر اثرگذار بر ریسک اعتباری انتخاب و به منظور آموزش، از رگرسیون سمبلیک دارای 4 ژن و همچنین برای انتخاب نقطه برش بهینه از منحنی مشخصه عملکرد استفاده گردید. یافته ها: یافته ها نشان داد که از بین 17 متغییر مستقل، متغییرهای متوسط درآمد ماهیانه، تعداد چک برگشتی، سابقه بدهی بانکی، طول عمر حساب و نوع وثیقه دارای بیشترین اثر معنادار بر متغییر وابسته می باشند. همچنین مشخص شد که دقت مدل ترکیبی رگرسیون لجستیک- سمبلیک در طبقه بندی مشتریان خوش حساب برابر 88/0 و در طبقه بندی مشتریان بد حساب برابر 83/0 بوده است. نتیجه گیری: با توجه به یافته های پژوهش، در جامعه آماری پژوهش، نتایج حاصل از مدل ترکیبی رگرسیون لجستیک- سمبلیک در رتبه بندی اعتباری مشتریان حقیقی بهتر از روش رگرسیون لجستیک بوده و می توان دقت پیش بینی مدل ترکیبی رگرسیون لجستیک- سمبلیک در این راستا را مناسب ارزیابی کرد.
Purpose: Credit risk holds a special place among all different types of risks. Lack of attention to this risk may cause bankruptcy and waste of resources. Therefore, the development of models to differentiate different types of banking system customers is eminent in both theoretical and practical fields. This study predicts real customer credit risk of Qavamin Bank branches of Shiraz based on a logistic-symbolic regression approach. Methodology: In order to accomplish the purpose and objectives of the research, this study employed a survey research and correlation method. The statistical population of the study consisted of all real customers who received facilities from the branches of Qavamin Bank of Shiraz. Based on the population, the size of sample was calculated using Cochran formula. Then, the size of sample was estimated at 384 (number of facilities). Furthermore, the 351 cases were identified between 2011- 2017 using stratified random sampling method. The C5 criterion was used to select the independent variables. In addition, 17 explanatory variables including financial and nonfinancial variables were identified to classify customers as good (credit worthy) and bad (non-credit worthy), using a questionnaire. Finally, 5 variables influencing credit risk were selected from parent variables using forward parent selection technique. For this purpose, symbolic regression with 4 genes as well as optimum cut-off point was used to select the optimal cut-off point. Findings: The results showed that among the 17 independent variables, the mean monthly income variables, the number of checks payable, bank debt history, account lifetime and type of collateral had the most significant effect on the dependent variable. Also, it was found that the accuracy of the hybrid logistic-symbolic regression model was 0.88 among good customers and 0.83 among bad customers. Results: accuracy of the results of logistic-symbolic regression model in the credit rating of real customers is better than the logistic regression model. Furthermore, the prediction accuracy of the hybrid logistic-symbolic regression model is adequate and satisfying.