مدیریت ریسک اعتباری در نظام بانکی- رویکرد تحلیل پوششی داده ها و رگرسیون لجستیک و شبکه عصبی
محورهای موضوعی : دانش سرمایهگذاریمرضیه ابراهیمی 1 , عبداله دریابر 2
1 - دانشجوی دکتری دانشگاه آزاد اسلامی،واحد علوم و تحقیقات،گروه مدیریت مالی،تهران،ایران
2 - دانشجوی دکتری دانشگاه آزاد اسلامی،واحد علوم و تحقیقات،گروه مدیریت مالی،تهران،ایران
کلید واژه: ریسک اعتباری, مدیریت ریسک اعتباری, کارایی, رتبه بندی اعتباری, تحلیل پوششی داده ها, شبکه عصبی, رگرسیون لجستیک,
چکیده مقاله :
این مقاله با هدف شناسایی عوامل موثر بر ریسک اعتباری و ارائه مدلی جهت پیش بینی ریسک اعتباری و رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات یک بانک تجاری، با استفاده از روش تحلیل پوششی داده‌ها و رگرسیون لجستیک و شبکه عصبی و مقایسه این سه مدل انجام گرفته است. بدین منظور بررسی های لازم بر روی اطلاعات مالی و غیر مالی با استفاده از یک نمونه 146 تایی تصادفی ساده از مشتریان حقوقی متقاضی تسهیلات، صورت گرفت. در این پژوهش، 27 متغیرتوضیح دهنده شامل متغیرهای مالی و غیر مالی مورد بررسی قرار گرفت که از بین متغیرهای موجود نهایتاً با استفاده از تکنیک تجزیه و تحلیل عاملی و قضاوت خبرگان (روش دلفی)، 8 متغیر تاثیرگذار بر ریسک اعتباری انتخاب گردید که وارد مدل تحلیل پوششی داده ها شده و امتیازات کارایی شرکت‌های حقوقی با استفاده از آنها بدست آمد. همچنین متغیر های انتخابی به عنوان بردار ورودی شبکه عصبی پرسپترون 3 لایه وارد مدل شد و در نهایت با استفاده از رگرسیون لجستیک نیز اطلاعات مربوطه پردازش گردید. نتایج حاصل از مدل تحلیل پوششی داده ها و شبکه عصبی و رگرسیون لجستیک در برآورد ریسک اعتباری و رتبه بندی اعتباری در مقایسه با نتایج واقعی حاکی از آنست که مدل شبکه عصبی در پیش بینی ریسک اعتباری مشتریان حقوقی و رتبه بندی اعتباری از کارایی بیشتری برخوردار است.
This research has been done with the aim of identification of effective factors which influence credit risk and designing model for estimating credit Rating of the companies which have borrowed from a commercial Bank in the one-year period by using Data Envelopment Analysis and neural network model and comparison of these two models . For this purpose the necessary sample data on financial and non-financial information of 146 companies (as random simple) was selected. In this research, 27 explanatory variables (include financial and non-financial variables) were obtained, by application of factor analysis and Delphi method for examination. Finally 8 variables which had significant effect on credit risk were selected and entered to DEA model. Efficiency of companies was calculated with these variables. Also variables as well as the input vector three-layer perceptron neural network models were added to the model .finally data was processes with logistic regression. Results from data envelopment analysis model and Neural network and Logistic regression in comparisons to the actual results obtained from neural network models to predict credit risk legal customers and credit rating suggest that neural network is more efficient than data envelopment analysis and logistic regression.