خلاصة:
هدف این مقاله شناسایی عوامل تاثیرگذار بر ایجاد و افزایش مطالبات غیرجاری برای اتخاذ تصمیم مناسبتر در اعطای تسهیلات است. بدین منظور برای انتخاب متغیرهای موثر، از الگوریتمهای تجزیه و تحلیل مولفههای همبستگی و لاسو و برای کلاسبندی نمونهها، از شبکههای عصبی و ماشین بردار پشتیبان استفاده شده است. در این پژوهش، نمونهای 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 مولفههای 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.
The main purpose of this paper is to identify the factors influencing the creation and increase of non-current 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 2006-2017 was selected and focused on the characteristic variables extracted from the facility contracts of these customers along with financial, non-financial, 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 non-current debts were identified. Due to the better performance of support vector machines with radial cores, its use in modeling non-current debts is recommended.
ملخص الجهاز:
واژگان کلیدی: تسهیلات بانکی، مطالبات غیرجاری، ماشین بردار پشتیبان، شبکه عصبی عنوان مقاله [English] Identifying Factors Affecting Non-curent Debts of Banks Using Neural Networks and Support Vector Machine Algorithm نویسندگان [English] sajjad kordmanjiri 1 iman dadashi 2 zahra Khoshnood 3 hamid reza gholamnia roshan 4 1 PhD Student, Department of Accounting, Babol Branch, Islamic Azad University, Babol, Iran 2 Assistant Professor, Department of Accounting, Babol Branch, Islamic Azad University, Babol, Iran 3 Assistant Professor, Banking Group, Monetary and Banking Research Institute of the Central Bank, Tehran, Iran 4 Assistant Professor, Department of Accounting, Babol Branch, Islamic Azad University, Babol, Iran, چکیده [English] The main purpose of this paper is to identify the factors influencing the creation and increase of non-current debts to make a more appropriate decision in granting facilities.
به این ترتیب، نتایج این مطالعه با وجود استفاده از دامنه گستردهتری از متغیرها در شناسایی عوامل موثر بر مطالبات غیرجاری در نمونهای از مشتریان حقوقی بانک سپه با استفاده از شبکههای عصبی که براساس مطالعات بلانکو و همکاران (۲۰۱۳)، راعی و فلاحپور (۱۳۸۷)، ابراهیمی و دریابر (۱۳۹1)، میرغفوری و امینآشوری (۱۳۹۳)، تاری و همکاران (۱۳۹۶) و جعفری اسکندری و روحی (۱۳۹۶)، استفاده از آن در تدوین ریسک اعتباری در مقایسه با مدلهای سنتی توصیه شده بود؛ در مجموع، بیانگر عملکرد بهتر الگوریتم انتخاب ویژگی لاسو در مقایسه با عملکرد الگوریتم انتخاب ویژگی تجزیه و تحلیل مولفههای همسایگی تحت شبکه ماشین بردار پشتیبان با هسته شعاعی است.