fa ارزیابی ریسک اعتباری شرکت‌های وام گیرنده از بانک با استفاده از تحلیل سلسله مراتبی فازی و شبکه عصبی ترکیبی درجه بالا سایر موضوعاتی که به مرزهای دانش در مهندسی صنایع و تولید کمک می کند Other related Industrial and production reserach subjects in which has direct relation to the state-of-the art of the IE پژوهشي Research <p align="right"><span lang="FA" style="FONT-FAMILY: Nazanin FONT-SIZE: 11pt mso-ascii-font-family: 'Times New Roman' mso-hansi-font-family: 'Times New Roman' mso-fareast-font-family: 'Times New Roman' mso-ansi-font-size: 10.0pt mso-ansi-language: EN-US mso-fareast-language: EN-US mso-bidi-language: FA" dir="rtl">بانک به عنوان یک نهاد مالی باید ریسک اعتباری هر یک از بدهکاران را برآورد کند. این کار مبنای اصلی قیمت گذاری یک وام، تعیین نرخ بهره مناسب و تعیین مقدار وثیقه مورد نیاز در مورد هر وام گیرنده است. در عین حال باید به کیفیت اعتباری سبد وام خود نیز به عنوان مجموعه­ای از بدهی­ها توجه کند، زیرا تداوم فعالیت بانک، تا حد زیادی به عملکرد آن و حجم زیان­های اعتباری در یک دوره معین بستگی دارد. در این مقاله نحوه محاسبه ریسک اعتباری شرکتهای متقاضی وام بررسی شده است به طوریکه<font face="Nazanin"><span style="mso-spacerun: yes"><font size="3">  </font></span>با استفاده از روش تحلیل سلسله مراتبی فازی معیارهای موثر بر ریسک اعتباری شرکتهای متقاضی وام وزن دهی شده­اند و با استفاده از شبکه عصبی ارتباط بین معیارهای موثر بر ریسک اعتباری و میزان اعتبار شرکت متقاضی وام به صورت مدل جعبه باز</font>¹ استخراج شده است. مدل شبکه عصبی با داده­های تاریخی مربوط به 174 شرکت وام گیرنده در سال­های 1383 تا 1387 از بانک ملت جمهوری اسلامی ایران وام دریافت نموده­اند و دوره بازپرداخت آن­ها تمام شده است اجرا شده است. خروجی مدل قابلیت پیش بینی ریسک اعتباری با دقت 84% را دارا می­باشد</span></p> <p> <i> Banks as financial institutions must estimate the credit risk of their debtors. This is the basis of pricing a loan, determining appropriate interest rates and determining the mortgage required to each borrower. Since the continuity of bank activities largely depends on the amount of credit losses in a particular period, banks should consider the credit quality of their loan portfolio as a collection of debts. </i></p><p> <i> In this paper, the calculation of credit risk of corporates applying for loans has been investigated. Using fuzzy analytic hierarchy process, effective criteria for credit risk have been analyzed. </i></p><p> <i> The neural network is used to extract an open box model that describes the relationship between effective criteria and the credit risk of the companies who apply for a loan. Neural network model has been run with historical data. Observations have been based on 174 corporate who had taken out a loan from a major Iranian bank named Mellat (All loans had been made during 2005 to 2008). </i></p><i>The output of the model can predict credit risk of a corporate by at least 84% accuracy . </i> ریسک اعتباری، نرخ عدم پرداخت بدهی، شبکه عصبی، تحلیل سلسله مراتبی فازی. Credit risk, Default rate, neural network, fuzzy analytic hierarchy process 43 54 http://ijiepm.iust.ac.ir/browse.php?a_code=A-10-479-2&slc_lang=fa&sid=1 Seyed Hassan Ghodsypour Ghodsypo@aut.ac.ir 180031947532846003959 180031947532846003959 Yes Professor of Industrial Engineering, Department of Industrial Engineering, Amirkabir University of Technology, Tehran, Iran Meysam Salari 180031947532846003960 180031947532846003960 No M.Sc. in Industrial Engineering, Department of Industrial Engineering, Amirkabir University of Technology, Tehran, Iran Vahid Delavari 180031947532846003961 180031947532846003961 No M.Sc. in Information Technology Management, Shahidbeheshti University, Tehran, Iran