دوره 6، شماره 24 - ( پاییز 1397 )                   جلد 6 شماره 24 صفحات 17-33 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Bagheri N, Haghshenas Kashani F. Credit Risk Assessment of Urban Cooperatives Using Neural Network Method. IUESA. 2018; 6 (24) :17-33
URL: http://iueam.ir/article-1-967-fa.html
باقری نوشین، حق‌شناس کاشانی فریده. ارزیابی ریسک اعتباری تعاونی‌های شهری با استفاده از روش شبکه عصبی. فصلنامه علمی-پژوهشی اقتصاد و مدیریت شهری. 1397; 6 (24) :17-33

URL: http://iueam.ir/article-1-967-fa.html


1- دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران
2- دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران ، fahaghshenaskashani_93@yahoo.com
چکیده:   (1178 مشاهده)
یکی از مهم‌ترین مسائل مؤسسه‌هایی که تسهیلات مالی در اختیار دیگران قرار می‌دهند، مسئله ریسک اعتباری است. یکی از راه‌های کمی کردن و اندازه‌گیری ریسک اعتباری و در نتیجه، مدیریت مناسب آن، استفاده از رتبه‌بندی اعتباری می‌باشد. رتبه‌بندی اعتباری، مدلی برای اندازه‌گیری عملکرد گیرندگان تسهیلات است که عمدتاً بر اساس معیارهای کمی مانند: اطلاعات مالی شرکت‌ها انجام می‌گیرد تا از این طریق، پیش‌بینی عملکرد آتی متقاضیان اخذ تسهیلات با مشخصات مشابه، ممکن شود و مشتریان با موقعیت اعتباری مناسب و نامناسب، مشخص گردند. اتحادیه مرکزی تعاونی‌های مصرف کارگران ایران با توجه به مأموریت سازمان دارای تعاونی‌های عضو متعددی از سراسر کشور است که اجناس مورد نیاز خود را از آنجا تهیه می‌کنند. در این تحقیق، ابتدا تأثیر هر یک از عوامل دخیل در تعیین ریسک اعتباری در این تعاونی، آزمون گردیده است و تأثیر هر یک از این عوامل به تأیید می‌رسد. سپس با استفاده از الگوریتم نگاشت خودسازمان‌ده، به خوشه‌بندی داده‌ها پرداخته شده تا خوشه‌هایی که بسیار کم و دورافتاده هستند از رده خارج شوند. ریسک اعتباری هر یک از تعاونی‌ها از طریق الگوریتم شبکه‌های عصبی پرسپترون چندلایه در نرم‌افزار MATLAB محاسبه شده و الگویی برای پیش‌بینی ریسک اعتباری در آینده ارائه گردیده است. در نهایت مشخص شد که شبکه عصبی به کار رفته توانسته با کارایی برابر با ۹۹/۱  درصد، ریسک اعتباری را مطابق با واقع برآورد کند. همچنین میزان خطای روش شبکه عصبی نسبت به روش کنونی کمتر است که این امر نشانگر توانایی مدل شبکه عصبی به کار رفته در بهبود محاسبه ریسک اعتباری مشتریان است. 
متن کامل [PDF 2024 kb]   (139 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۲/۲۰ | پذیرش: ۱۳۹۷/۵/۱۶ | انتشار: ۱۳۹۷/۵/۱۶

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول


این فصل نامه دارای درجه علمی - پژوهشی مصوب به شماره مجوز ۳/۵۷۸۸۱۰  از وزارت علوم ،تحقیقات فناوری است .
کلیه حقوق این وب سایت متعلق به فصلنامه علمی-پژوهشی اقتصاد و مدیریت شهری می باشد.

استفاده از مطالب ارایه شده در این پایگاه با ذکر منبع آزاد می باشد.

© 2019 All Rights Reserved | Journal of Urban Economics and Management