ارزيابي ريسك اعتباري تعاوني‌هاي شهري با استفاده از روش شبكه عصبي

Credit Risk Assessment of Urban Cooperatives Using Neural Network Method

يكي از مهم‌ترين مسائل مؤسسه‌هايي كه تسهيلات مالي در اختيار ديگران قرار مي‌دهند، مسئله ريسك اعتباري است. يكي از راه‌هاي كمي كردن و اندازه‌گيري ريسك اعتباري و در نتيجه، مديريت مناسب آن، استفاده از رتبه‌بندي اعتباري مي‌باشد. رتبه‌بندي اعتباري، مدلي براي اندازه‌گيري عملكرد گيرندگان تسهيلات است كه عمدتاً بر اساس معيارهاي كمي مانند: اطلاعات مالي شركت‌ها انجام مي‌گيرد تا از اين طريق، پيش‌بيني عملكرد آتي متقاضيان اخذ تسهيلات با مشخصات مشابه، ممكن شود و مشتريان با موقعيت اعتباري مناسب و نامناسب، مشخص گردند. اتحاديه مركزي تعاوني‌هاي مصرف كارگران ايران با توجه به مأموريت سازمان داراي تعاوني‌هاي عضو متعددي از سراسر كشور است كه اجناس مورد نياز خود را از آنجا تهيه مي‌كنند. در اين تحقيق، ابتدا تأثير هر يك از عوامل دخيل در تعيين ريسك اعتباري در اين تعاوني، آزمون گرديده است و تأثير هر يك از اين عوامل به تأييد مي‌رسد. سپس با استفاده از الگوريتم نگاشت خودسازمان‌ده، به خوشه‌بندي داده‌ها پرداخته شده تا خوشه‌هايي كه بسيار كم و دورافتاده هستند از رده خارج شوند. ريسك اعتباري هر يك از تعاوني‌ها از طريق الگوريتم شبكه‌هاي عصبي پرسپترون چندلايه در نرم‌افزار MATLAB محاسبه شده و الگويي براي پيش‌بيني ريسك اعتباري در آينده ارائه گرديده است. در نهايت مشخص شد كه شبكه عصبي به كار رفته توانسته با كارايي برابر با 99/1 درصد، ريسك اعتباري را مطابق با واقع برآورد كند. همچنين ميزان خطاي روش شبكه عصبي نسبت به روش كنوني كمتر است كه اين امر نشانگر توانايي مدل شبكه عصبي به كار رفته در بهبود محاسبه ريسك اعتباري مشتريان است.

One of the most important issues for institutions that provide financial facilities to others is the issue of credit risk. One of the ways to quantify and measure credit risk and, consequently, its proper management, is to use a credit rating. Credit rating is a model for measuring the performance of facility recipients, which is based on quantitative criteria such as corporate financial information, in order to allow prospective clients to obtain a similar profile with facilities and customers with a proper and inappropriate credit position. To be identified. According to the mission of the organization, the Central unio‎n of Cooperative of Workers of Iran has numerous member cooperatives from across the country, which provides their products there. In this research, the effect of each of the factors involved in determining the risk of credit in this cooperative has been tested first. Then, using the self-organizing mapping algorithm, we will cluster the data to exclude clusters that are very remote and far-reaching. The credit risk of each of the cooperatives has been calculated through the algorithm of the multi-layer perceptron neural networks in MATLAB software and a model for predicting credit risk in the future. The main purpose of this research was to use this algorithm to classify cooperatives by calculating credit risk numbers and use it to predict the future credit risk of the future cooperatives