Journal of Economic Modeling Research

fa ارزیابی ریسک اعتباری تسهیلات اعطایی در بانک قرض‌الحسنه رسالت: با استفاده از مدل‌های یادگیری ماشین Credit Risk Assessment of Loans Granted by Resalat Charity Bank: Using Machine Learning Models پولی و مالی پولی و مالی بنیادی بنیادی 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.   Despite the growing use of machine learning in credit scoring, many domestic studies still rely mainly on traditional statistical models and static borrower characteristics, while limited attention has been paid to the role of real behavioral, transactional, and repayment-performance data in post-disbursement credit risk monitoring. To address this research gap, this study compares the performance of four stepwise logistic regression models and the LightGBM algorithm in predicting credit default, using data from 119,050 loan facilities granted to individual customers of Resalat Qard al-Hasan Bank during the period between 26 March 2022 and 18 March 20240. The target variable was defined based on repayment delays of more than 90 days, and model performance was evaluated using AUC, Accuracy, Recall, F1-Score, and Balanced Accuracy. The knowledge contribution of this study lies in providing empirical evidence on the effectiveness of real banking data, focusing on behavioral and transactional variables, comparing a classical statistical model with a machine learning algorithm, and assessing model performance in identifying the minority class under imbalanced credit data. The results indicate that repayment-related variables, particularly the number of overdue installments and outstanding debt balance, are the most important predictors of default. Although the fourth logistic regression model achieved a high overall AUC of 0.98, it performed poorly in identifying high-risk customers, with a Recall of only 0.12%. In contrast, LightGBM identified 92.2% of high-risk customers and outperformed logistic regression on imbalance-sensitive evaluation metrics. These findings suggest that, in imbalanced credit datasets, relying solely on AUC and Accuracy can be misleading, while Recall, F1-Score, and Balanced Accuracy are more informative for assessing a model’s ability to detect high-risk borrowers. Therefore, in the post-disbursement monitoring scenario, machine learning algorithms based on behavioral and transactional data can provide a more accurate and reliable framework for credit risk management in Iranian banks.   ریسک اعتباری، نکول، LightGBM، رگرسیون لجستیک، داده‌های رفتاری و تراکنشی، ، الگوریتم یادگیری ماشین Credit risk, Default, LightGBM, Logistic regression, Behavioral and transactional data, machine learning algorithm 0 0 http://jemr.khu.ac.ir/browse.php?a_code=A-10-3045-2&slc_lang=fa&sid=1 mahmood mahmoodzadeh محمود محمودزاده ma.mahmood@iau.ac.ir 100319475328460014158 100319475328460014158 Yes دانشگاه ازاد اسلامی فیروز کوه Masood soufi مسعود صوفی masoud.soufimajidpour@iau.ac.ir@gmail.com 100319475328460014159 100319475328460014159 No دانشگاه ازاد اسلامی فیروز کوه Morteza Alipour مرتضی علی پور m.alipur62@gmial.com 100319475328460014160 100319475328460014160 No دانشگاه ازاد اسلامی فیروز کوه