چكيده :
با توجه به بانكمحور بودن نظام مالي ايران و اهميت مديريت ريسك اعتباري در صنعت بانكداري، اعتبارسنجي مشتريان حقيقي از اهميت ويژهاي برخوردار است. هدف اين پژوهش، ارائه مدلي مبتني بر هوش مصنوعي براي تعيين اهليت پرداخت وامگيرندگان حقيقي است كه بتواند دقت اعتبارسنجي را افزايش داده و ريسك اعتباري بانكها را كاهش دهد.
جامعه آماري اين پژوهش شامل پروندههاي تسهيلات اعطايي به مشتريان حقيقي بانك سپه شهرستان مهريز است. نمونهگيري به روش خوشهاي انجام شده است و در مجموع دادههاي مربوط به 6500 پرونده وام مورد بررسي قرار گرفته است كه پس از پاكسازي دادهها، پروندهي 365 شخص حقيقي بهعنوان نمونه نهايي انتخاب شدند.
روش تحقيق اين پژوهش از نوع توصيفي-تحليلي است و با استفاده از تكنيكهاي هوش مصنوعي، بهويژه شبكههاي عصبي عميق، مدلي براي پيشبيني وضعيت اعتباري مشتريان توسعه داده شده است. دادههاي ورودي مدل شامل 12 معيار كليدي مرتبط با وضعيت مالي، سوابق وام، ويژگيهاي دموگرافيك و ساير عوامل مؤثر در اعتبارسنجي بوده است. براي آموزش مدل، از زبان برنامهنويسي پايتون و تكنيكهاي يادگيري ماشين استفاده شده است و دادهها به دو مجموعه آموزشي و آزمون تقسيم شدهاند.
نتايج تحقيق نشان ميدهد كه مدل پيشنهادي توانسته است با دقت 88٪ وضعيت اعتباري مشتريان را در دو دسته خوشحساب و بدحساب پيشبيني كند. همچنين مشخص شد كه متغيرهايي مانند نوع وثيقه، سابقه بازپرداخت، و ميانگين مانده حساب تأثير قابلتوجهي در دقت پيشبيني مدل دارند. اين يافتهها نشان ميدهد كه استفاده از هوش مصنوعي در اعتبارسنجي مشتريان بانكي ميتواند به بهبود تصميمگيريهاي اعتباري و كاهش ريسك نكول وامها كمك كند.
پيشنهاد ميشود كه بانكها از مدلهاي مبتني بر هوش مصنوعي در ارزيابي ريسك اعتباري استفاده كنند و دادههاي بيشتري از مشتريان را در تحليلهاي خود لحاظ نمايند. همچنين، پژوهشهاي آتي ميتوانند به بررسي تأثير ساير الگوريتمهاي يادگيري ماشين بر بهبود دقت اعتبارسنجي بپردازند.
