مقایسه عملکرد مدل‌های کلاسیک و هوش مصنوعی در پیش‌بینی وضعیت اعتباری مشتریان بانک

 در حال حاضر در نظام بانکداری، عدم بازپرداخت تسهیلات به یکی از بزرگ‌ترین مسائل تبدیل شده‌است و به‌دلیل عدم وجود یک سیستم مناسب برای تخصیص تسهیلات، بانک‌ها و موسسات مالی دچار مشکلات عدیده‌ای ازجمله افزایش حجم مطالبات معوق شده‌اند. نظر به اهمیت ریسک اعتباری، بانک‌های تجاری در سطح دنیا درگذشته اغلب از روش قضاوتی برای تعیین ریسک استفاده می‌نمودند، لکن استفاده از این روش‌ها با توجه به توان محدود انسان‌ها در تحلیل هم‌زمان فاکتورهای مختلف مؤثر بر ریسک اعتباری در مقایسه با روش‌های آماری و هم‌چنین روش‌های هوش مصنوعی از کارایی کمتری برخوردار است. به همین منظور این تحقیق درصدد است تا کارایی مدل رگرسیون لجستیک و شبکه عصبی مصنوعی را در تشخیص وضعیت اعتباری مشتریان بانک در فاصله زمانی سال 1388-1392 بسنجد. بررسی نتایج نشان داد که دقت کل مدل شبکه عصبی در داده‌های آموزش 87% و رگرسیون لجستیک 2/77% تعیین شده‌است و خطای نوع اول و دوم در شبکه عصبی به میزان قابل‌ملاحظه‌ای نسبت به روش دیگر کاهش یافته است. با توجه به نتایج نمی‌توان انتظار داشت مدل‌های آماری با مفروضات کلاسیک نظیر خطی بودن روابط متغیرها، بتوانند ریسک اعتباری مشتریان را به درستی ارزیابی نماید؛ از این رو بکارگیری یا تلفیق تکنیک‌های هوش مصنوعی در این مساله ضرورتا توصیه می‌شود.