نظارت موثر بانکی در اعطای تسهیلات خرد با تاکید بر رتبه بندی اعتباری مشتریان حقیقی

پژوهش حاضر با تاکید بر به‎کارگیری مدل ترکیبی رگرسیون لجستیک، شبکه‎ های عصبی مصنوعی و رگرسیون سمبلیک و با هدف نظارت موثر بر تسهیلات خرد، عوامل اثرگذر بر ریسک اعتباری مشتریان حقیقی را در شعب منتخب بانک سپه شیراز شناسایی می‎کند. با بررسی یک نمونه 351تایی از مشتریان حقیقی، 17 متغیر شامل میزان وام، مهلت بازپرداخت، نرخ بهره، درآمد، سن، تعداد چک برگشتی، سابقه بدهی، طول عمر حساب، نوع وثیقه، تحصیلات، جنسیت، اشتغال همسر، تاهل، وضعیت ملکی، شغل، نوع وام، تکلیفی یا غیرتکلیفی بودن، برای طبقه‎ بندی مشتریان به خوش ‎حساب و بدحساب استخراج شد. با استفاده از روش انتخاب رو به جلو والد، 5 متغیر تاثیرگذار بر ریسک اعتباری انتخاب شد. آموزش شبکه‎ های عصبی نیز با استفاده از 3 نرون در لایه پنهان انجام گرفت. انتخاب نقطه برش بهینه، بر اساس منحنی مشخصه عملکرد سیستم انجام شد. نتایج خروجی شبکه عصبی مصنوعی روی داده ‎های آزمایش نشان داد که دقت مدل ترکیبی رگرسیون لجستیک شبکه‎ های عصبی مصنوعی، در طبقه ‏بندی مشتریان خوش‎حساب برابر 89/0 و در طبقه‎بندی مشتریان بدحساب برابر 83/0 است که از رگرسیون لجستیک و مدل ترکیبی رگرسیون لجستیک رگرسیون سمبلیک بهتر است.