سعید یوسف اقدم - کارشناس ارشد علوم اقتصادی، بانک انصار

این پژوهش با هدف ارزیابی ریسک اعتباری مشتریان حقوقی بانک بوسیله دو مدل رگرسیون لاجیت و شبکه عصبی با الگوریتم GMDH و انتخاب مدل بهینه انجام شده است. بدین منظور تعداد 011 پرونده از مشتریان حقوقی یکی ازبانکهای خصوصی ایران با روش نمونه گیری تصادفی انتخاب و 01 متغیر شامل متغیرهای کیفی و اطلاعات مالی شرکتها از آنها استخراج گردید. برای مدلسازی توسط رگرسیون لاجیت ابتدا 01 متغیر برای تخمین وارد مدل شدند و باحذف متغیرهایی که در سطح اطمینان 59 درصد معنی دار نبودند، در نهایت 8 متغیرمستقل بعنوان متغیر های تاثیر گذار توسط این مدل شناسایی و مدل بهینه نهایی با آنها تخمین زده شد و دلالت بر تایید دو فرضیه از فرضیات تحقیق مبنی بر ارتباط معکوس سابقه فعالیت شرکت نزد بانک و همچنین سرمایه شرکت ها، با ریسک نکول تسهیلات داشت. درادامه و با توجه به قابلیت مدل شبکه عصبی در تفکیک متغیرهای موثر و کم اثر، تمامی 01 متغیر مستقل وارد مدل شدند و با تخمین انجام شده 00 متغیر بعنوان عوامل با تاثیر بیشتر شناسایی گردید و با مقایسه نتایج حاصل از دو مدل دقت مدل شبکه عصبی با الگوریتم GMDH بیشتر از مدل لاجیت مشخص و تبیین گردید

ریسک اعتباری، اعتبارسنجی، نکول تسهیلات، رگرسیون لاجیت، شبکه عصبی GMDH