fa ارزیابی ریسک اعتباری تعاونی‌های شهری با استفاده از روش شبکه عصبی تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="font-size: 14px;"><span style="font-family: yekanyw;">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&nbsp; 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.&nbsp;</span></span></div> <span style="font-size: 16px;"><span style="font-family: times new roman;">One of the most important issues for institutions that provide financial facilities to others is the issue of credit risk. One of the ways to quantify and measure credit risk and, consequently, its proper management, is to use a credit rating. Credit rating is a model for measuring the performance of facility recipients, which is based on quantitative criteria such as corporate financial information, in order to allow prospective clients to obtain a similar profile with facilities and customers with a proper and inappropriate credit position. To be identified.<br> According to the mission of the organization, the Central :::::union::::: of Cooperative of Workers of Iran has numerous member cooperatives from across the country, which provides their products there. In this research, the effect of each of the factors involved in determining the risk of credit in this cooperative has been tested first. Then, using the self-organizing mapping algorithm, we will cluster the data to exclude clusters that are very remote and far-reaching. The credit risk of each of the cooperatives has been calculated through the algorithm of the multi-layer perceptron neural networks in MATLAB software and a model for predicting credit risk in the future. The main purpose of this research was to use this algorithm to classify cooperatives by calculating credit risk numbers and use it to predict the future credit risk of the future cooperatives.</span></span><br> &nbsp; امتیازدهی, الگوریتم شبکه عصبی , اعتبارسنجی, ریسک اعتباری. Scoring, Neural Network Algorithm, Validation, Credit Risk 17 33 http://iueam.ir/browse.php?a_code=A-10-158-103&slc_lang=fa&sid=1 Noushin Bagheri نوشین باقری 10031947532846004723 10031947532846004723 No Faculty of Management, Central Tehran Branch , Islamic Azad University, Tehran, Iran. دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران Farideh Haghshenas Kashani فریده حق‌شناس کاشانی fahaghshenaskashani_93@yahoo.com 10031947532846004724 10031947532846004724 Yes Faculty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran. دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران