دانشگاه نبی اکرم(ص) مدیریت بازاریابی هوشمند 2783-5405 مقالات آماده انتشار 2026 07 15 Customer Ranking Modeling in Credit Risk Using Machine Learning Algorithms مدل سازی رتبه بندی مشتریان در حوزه ریسک اعتباری با استفاده از الگوریتم های یادگیری ماشین 737632 JABM.3.2.15564.351256.3257.33197 FA هادی برنا کارشناسی ارشد مهندسی مالی و مدیریت ریسک، دانشگاه غیر انتفاعی آفاق، ارومیه، ایران. رضا محمدپور دکتری علوم اقتصادی، دانشگاه تهران، دانشکده اقتصاد، تهران، ایران. Journal Article 2026 04 28 In Iran, given the country’s economic structure and due to reasons such as the underdevelopment of capital markets and other non-bank and contractual networks, financing of the real sectors of the economy is mainly undertaken by the banking system. The proper functioning of this system depends on the efficient use of the resources collected. This, in turn, requires accurate assessment of the risks ahead and identification of appropriate ways to deal with these threats. In terms of purpose, the present study is applied research, and in terms of nature and method, it is descriptive-analytical. It aims to model, cluster, and rank corporate customers based on their level of credit risk. In this study, the financial and non-financial indicators affecting customers’ credit risk are first identified through a review of common credit scoring models. After comparing models such as LAPP, P5, and C6, the C6 model is selected as the base model, and the other indicators and models are classified accordingly. To implement the SOM algorithm, map parameters including grid dimensions, number of neurons, initial weight vectors, learning rate, and neighborhood radius are first determined. Then, customer records, each containing quantitative values of financial and non-financial indicators, are presented to the network either simultaneously or sequentially. Accordingly, the final framework of the study uses a combination of entropy-standard deviation weighting, multi-criteria scoring, and unsupervised clustering through the SOM neural network to evaluate, classify, and rank the credit risk of corporate customers. The findings showed that among the initial 29 indicators, 12 financial and non-financial indicators were selected as factors affecting credit risk. Model evaluation identified three clusters as the optimal number. Due to the weak performance of SOM in separating observations, the K-Means algorithm was employed and classified corporate customers into three groups: low-, medium-, and high-risk. Overall, K-Means demonstrated greater efficiency than SOM in ranking customers’ credit risk. در ایران با توجه به ساختار اقتصادی کشور و به دلایلی همچون عدم توسعه بازارهای سرمایه و سایر شبکه های غیر بانکی و قراردادی، تامین مالی بخش های واقعی اقتصاد بر عهده شبکه بانکی است و کارکرد صحیح این سیستم منوط به استفاده صحیح از منابع جمع آوری شده است. این امر مستلزم بررسی و ارزیابی صحیح ریسک های پیش رو و شناخت روش های مقابله با این مخاطرات است. <br>پژوهش حاضر از نظر هدف، کاربردی و از نظر ماهیت و روش، توصیفی–تحلیلی است و با هدف مدل‌سازی، خوشه‌بندی و رتبه‌بندی مشتریان حقوقی بر اساس سطح ریسک اعتباری انجام می‌شود. در این پژوهش، ابتدا شاخص‌های مالی و غیرمالی مؤثر بر ریسک اعتباری مشتریان با بررسی مدل‌های متداول اعتبارسنجی شناسایی می‌شوند. پس از مقایسه مدل‌هایی مانند LAPP، P5 و C6، مدل C6 به‌عنوان مدل پایه انتخاب شده و سایر شاخص‌ها و مدل‌ها بر مبنای آن طبقه‌بندی می‌شوند. برای اجرای الگوریتم SOM، ابتدا پارامترهای نقشه شامل ابعاد شبکه، تعداد نورون‌ها، بردارهای وزنی اولیه، نرخ یادگیری و شعاع همسایگی تعیین می‌شود. سپس رکوردهای مشتریان، که هر یک شامل مقادیر کمی شاخص‌های مالی و غیرمالی هستند، به‌صورت هم‌زمان یا متوالی به شبکه ارائه می‌شوند. بدین‌ترتیب، الگوی نهایی پژوهش از ترکیب وزن‌دهی آنتروپی–انحراف معیار، امتیازدهی چندشاخصه و خوشه‌بندی غیرنظارتی شبکه عصبی SOM برای ارزیابی، طبقه‌بندی و رتبه‌بندی ریسک اعتباری مشتریان حقوقی استفاده می‌کند. یافته ها نشان داد که نتایج نشان داد که از میان 29 شاخص اولیه، 12 شاخص مالی و غیرمالی به‌عنوان عوامل مؤثر بر ریسک اعتباری انتخاب شدند. ارزیابی مدل‌ها، سه خوشه را به‌عنوان تعداد بهینه تعیین کرد. به دلیل عملکرد نامناسب SOM در تفکیک مشاهدات، الگوریتم K-Means به کار گرفته شد و مشتریان حقوقی را در سه گروه با ریسک پایین، متوسط و بالا طبقه‌بندی کرد. در مجموع، K-Means نسبت به SOM کارایی بیشتری در رتبه‌بندی ریسک اعتباری مشتریان نشان داد.