محمود محمودزاده، مسعود صوفی، مرتضی علی پور،
دوره 16، شماره 60 - ( 6-1405 )
چکیده
با وجود گسترش کاربرد یادگیری ماشین در اعتبارسنجی، بخش مهمی از مطالعات داخلی همچنان بر مدلهای آماری سنتی و متغیرهای ایستا تکیه داشتهاند و کمتر به نقش دادههای واقعی رفتاری، تراکنشی و عملکرد بازپرداخت در پایش ریسک اعتباری پس از اعطای تسهیلات پرداختهاند. این پژوهش برای پوشش این خلأ، با استفاده از دادههای 119,050 تسهیلات اعطایی به مشتریان حقیقی بانک قرضالحسنه رسالت طی دوره 06/01/1401 تا 28/12/1402، عملکرد چهار مدل رگرسیون لجستیک تدریجی و الگوریتم LightGBM را در پیشبینی نکول اعتباری مقایسه میکند. متغیر هدف بر اساس تأخیر بیش از ۹۰ روز در بازپرداخت اقساط تعریف شد و مدلها با معیارهای AUC، Accuracy، Recall، F1-Score و Balanced Accuracy ارزیابی شدند. سهم دانشی پژوهش در ارائه شواهد تجربی از کارایی دادههای واقعی بانکی، تمرکز بر متغیرهای رفتاری و تراکنشی، مقایسه مدل کلاسیک و یادگیری ماشین، و تحلیل توان مدلها در شناسایی کلاس اقلیت در دادههای نامتوازن اعتباری است. نتایج نشان داد متغیرهای مرتبط با رفتار بازپرداخت، بهویژه تعداد اقساط معوق و مانده بدهی، مهمترین پیشبینیکنندههای نکول هستند. اگرچه مدل چهارم رگرسیون لجستیک با AUC برابر 0.98 عملکرد کلی بالایی داشت، اما در شناسایی مشتریان پرریسک بسیار ضعیف عمل کرد؛ بهگونهای که مقدار Recall آن تنها 0.12 درصد بود. در مقابل، LightGBM توانست 92.2 درصد مشتریان پرریسک را شناسایی کند و در معیارهای حساس به عدمتوازن دادهها عملکرد برتری نشان دهد. این یافته نشان میدهد که در دادههای نامتوازن، اتکای صرف به شاخصهایی مانند AUC و Accuracy میتواند گمراهکننده باشد و معیارهایی مانند Recall، F1-Score و Balanced Accuracy برای ارزیابی توان مدل در شناسایی مشتریان پرریسک اهمیت بیشتری دارند. بنابراین، در سناریوی پایش پس از اعطای تسهیلات، استفاده از الگوریتمهای یادگیری ماشین مبتنی بر دادههای رفتاری و تراکنشی میتواند چارچوب دقیقتر و قابل اتکاتری برای مدیریت ریسک اعتباری در بانکهای ایرانی فراهم کند.
