fa شناسایی و تعیین عوامل مؤثر بر رفتار اعتباری متقاضیان حقیقی تسهیلات خرد درشهرتهران؛ با نگرش بر کاهش نرخ رشد مطالبات در یکی از بانک های خصوصی مطالعه تجربی Empirical Study <p>این پژوهش با هدف شناخت عوامل مؤثر بر رفتار اعتباری متقاضیان حقیقی تسهیلات خرد&nbsp; تدوین شده است. در این راستا پژوهشگران اقدام به شناسایی 36 شاخص کرده و سپس با استفاده از روش نمونه‌گیری احتمالی طبقه‌بندی‌شده ، 429 پرونده اعتباری انتخاب و با بهره‌گیری از تکنیک‌های داده‌کاوی مانند انواع درخت تصمیم ( CHAID،&nbsp; CART، QUEST ،( C5، شبکه عصبی،&nbsp; ماشین بردار پشتیبان،&nbsp; رگرسیون لجستیک&nbsp; و تحلیل تشخیصی&nbsp; اقدام به ارزیابی میزان اثرگذاری این شاخص‌ها بر احتمال نکول تعهدات کردند. نتایج حاصل از پژوهش نشان می‌دهد که مدل شبکه عصبی در مقایسه با سایر روش‌ها بالاترین قابلیت پیش‌بینی را دارد. علاوه بر این از 35 شاخص مورد بررسی دوازده شاخص مدت (دوره زمانی بازپرداخت)، نوع عقد، تعداد اقساط بازپرداخت، نوع وثیقه، تعداد چک برگشتی قبل از دریافت تسهیلات، مبلغ قسط، مدت سپرده‌گذاری (سپرده کوتاه‌مدت)، بخش اقتصادی، جنسیت، شغل، میانگین گردش شش ماه قبل از دریافت تسهیلات و وضعیت مالکیت به ترتیب بیشترین اهمیت را در توضیح رفتار اعتباری وام‌گیرندگان دارند. در نهایت قواعد به دست آمده از درخت تصمیم برای تصمیم‌سازی (طراحی یک مدل امتیازدهی اعتباری) در بانک استخراج شدند.</p> <p>طبقه‌بندی C1, C4, E1, E5 : JEL</p> <p>تاریخ دریافت: ۱۳۹۱/۱۲/۲۵&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; تاریخ پذیرش: ۱۳۹۲/۰۲/۲۰</p> <p>Regarding to an increased growth of nonperforming loan plus banks benefits being at risk through the recent years, this study aims to investigate the influential factors in credit behavior of real applicants of retail facilities. Therefore, the researchers identified 35 factors, followed by which they selected 429 credit files to evaluate the effect of these factors on Probability of default applying data mining&nbsp; techniques such as decision trees (C5, QUEST, CART, CHAID), artificial neural network, Support vector machine, logistic regression and discriminant analysis. The results are indicative of the fact that the artificial neural network has a higher prediction ability compared to other methods. Besides these 35 factors, 12 other indicators (including repayment duration, type of the loan contract, repayment installments number, collateral type, the number of invalid checks before receiving loans, installment amounts, depositing time (short-term deposits), economic sector, gender, job, transaction average through 6 month prior to receiving the loan and the property status) were respectively of highest importance in explaining the creditors behavior. Among the aforementioned factors, only 3 factors (including the property status, gender and Job) were out of bank control. In the end, the regulations resulted from the decision tree were extracted for decision creating (designing a credit evaluation model) in bank.</p> <p><strong>JEL Classification Codes: E5, E1, C4, C1</strong></p> تسهیلات خرد, بانک خصوصی, شبکه عصبی, SVM, رگرسیون لجستیک, تحلیل تشخیص, درخت تصمیم, احتمال نکول تعهدات و نمونه‌گیری طبقه‌بندی‌شده. 27 58 http://jmbr.mbri.ac.ir/browse.php?a_code=A-10-39-1&slc_lang=fa&sid=1 Khashayar Moghaddam خشایار مقدم 10031947532846002636 10031947532846002636 Yes کارشناس بانکی Ali Arshadi علی ارشدی 10031947532846002637 10031947532846002637 No Banking Expert پژوهشکده پولی و بانکی بانک مرکزی Kianoosh Rezayee کیانوش رضایی 10031947532846002638 10031947532846002638 No کارشناس بانکی