شناسایی عوامل موثر بر مطالبات غیرجاری بانک‌ها با استفاده از شبکه‌های عصبی و الگوریتم ماشین بردار پشتیبان

هدف این مقاله شناسایی عوامل تاثیرگذار بر ایجاد و افزایش مطالبات غیرجاری برای اتخاذ تصمیم مناسب تر در اعطای تسهیلات است. بدین منظور برای انتخاب متغیرهای موثر، از الگوریتم های تجزیه و تحلیل مولفه‌های هم‌بستگی و لاسو و برای کلاس‎بندی نمونه ها، از شبکه های عصبی و ماشین بردار پشتیبان استفاده شده است. در این پژوهش، نمونه ای از 660 مشتری حقوقی بانک سپه برای سال‌های 1396-1385 انتخاب و بر متغیرهای خصوصیتی مستخرج از قراردادهای تسهیلاتی این مشتریان در کنار متغیرهای مالی، غیرمالی، حسابرسی و اقتصادی تمرکز شده است. نتایج نشان داد الگوریتم لاسو با تمرکز بر متغیرهای مالی، اقتصادی و حسابرسی، عملکرد بهتری نسبت به الگوریتم تجزیه و تحلیل مولفه های هم‌سایگی داشته و براساس این الگوریتم، 10 متغیر کلیدی تاثیرگذار بر مطالبات غیرجاری شناسایی شدند. با توجه به عملکرد بهتر ماشین‌های بردار پشتیبان با هسته شعاعی، استفاده از آن در مدل‌سازی مطالبات غیرجاری پیشنهاد می‌شود.

Identifying Factors Affecting Non-curent Debts of Banks Using Neural Networks and Support Vector Machine Algorithm

The main purpose of this paper is to identify the factors influencing the creation and increase of noncurrent debts to make a more appropriate decision in granting facilities. For this purpose, to select effective variables, from the analysis algorithms of correlation and Lasso components; And to classify the samples, neural networks and support machine were used. In this study, a sample of 660 legal customers of Sepah Bank for the years 20062017 was selected and focused on the characteristic variables extracted from the facility contracts of these customers along with financial, nonfinancial, auditing and economic variables. The results showed that the Lasso algorithm focused on financial, economic and auditing variables, performed better than the neighboring component analysis algorithm, and based on this algorithm, 10 key variables affecting noncurrent debts were identified. Due to the better performance of support vector machines with radial cores, its use in modeling noncurrent debts is recommended.