fa پیش‌بینی ریسک تسهیلات پرداختی با استفاده از ابزارهای داده‌کاوی مؤسسات و خدمات مالی (G2) Financial Institutions and Services (G2) مطالعه موردی Case Study <div style="text-align: justify;">&nbsp;<span dir="RTL"><span style="font-family:xb kayhan;"><span style="font-size:11.0pt;">یکی از شایع‌ترین علل که در ریسک اعتباری باید مورد توجه قرار ‌گیرد عدم ایفای تعهدات مشتریان است. با پیش‌بینی رفتار اعتباری متقاضیان تسهیلات، می‌توان نرخ رشد مطالبات غیرجاری را کاهش داد. به همین منظور، این پژوهش در خصوص صاحبان کسب‌وکار متقاضی تسهیلات در یکی از بانک‌های دولتی ایران انجام گرفته است. در پژوهش حاضر، پس از گزینش شاخص‌های اساسی شکل‌دهندهٔ رفتار مشتریان، به کمک روش نمونه‌گیری طبقه‌بندی‌شده، ۵۲۱ نمونهٔ تصادفی از بین پرونده‌‌های تسهیلاتی مشتریان صاحبان کسب‌و‌کار متقاضی تسهیلات انتخاب شد؛ سپس فرایند آماده‌سازی داده‌ها با تلخیص و یکپارچه‌سازی و درون‌یابی برخی داده‌های مفقود صورت پذیرفت؛ در گام بعدی، نهایتاً ۸۵ شاخص جهت الگوسازی انتخاب و به‌منظور سنجش درجهٔ اهمیت عوامل مؤثر در رفتار اعتباری متقاضیان، از الگوریتم‌های درخت تصمیم، شبکهٔ عصبی، و ماشین بردار پشتیبان بهره گرفته شد که الگوریتم درخت تصمیم با میانگین قدر مطلق خطای ۱۴ درصد در بهترین حالت نرخ نکول را پیش‌بینی کرد. بر اساس داده‌های موجود و مطابق با نتایج به‌دست‌آمده، الگوریتم درخت تصمیم چاید و استفاده از شاخص‌های مدت قرارداد، مبلغ امهال، تعداد اقساط، سود عملیاتی به دارایی، نوع عقد، میانگین قرض‌الحسنه 3 ماه قبل و مبلغ وام می‌تواند پیش از اعطای تسهیلات، در تصمیم‌گیری و پیش‌بینی رفتار اعتباری مشتری نقش حائز اهمیتی داشته باشد.</span></span></span></div> <div style="text-align: justify;">&nbsp;One of the most common causes or credit phenomenon that is taken into account for credit risk is the customer&rsquo;s noncompliance with the commitments. Thus, by predicting the behavior of loan applicants, the growth rate of debts can be decreased. Hence, this study is conducted on corporate applicants for loans in one of the public banks in Iran. In this paper, the main elements comprising the customers&rsquo; behavior are selected with the help of categorized sample collection of 521 random samples from all corporate applicants. the process of data preparation, then, is accomplished by summarization, integration, and interpolation of some lost data. In the next step, 85 key performance indicators are selected for modeling. In order to measure the importance degree of the affecting elements on the customers&rsquo; behavior, the decision tree<span dir="RTL">، </span>neural net algorithms and Support Vector Machine were applied, the decision tree algorithm with 14 percent average absolute error, having the highest degree, was recognized as the top algorithm capable of assessing the probability of defaults. Finally, based on the available data and according to the results of the CHAID decision tree, contract maturity, amount of interest, number of installments, operating profit to asset, type of contract, average debt &nbsp;in 3 months ago and loan amount are the most important indicators affecting the customers&rsquo; behavior. Taking these indicators into account, before granting the loans, could have a significant role in the prediction of the customers&rsquo; behavior and the related decision making.</div> ریسک اعتباری, مطالبات غیرجاری, درخت تصمیم, شبکه عصبی, ماشین بردار پشتیبان. 654 625 http://jmbr.mbri.ac.ir/browse.php?a_code=A-10-1062-1&slc_lang=fa&sid=1 MOSLEM Nilchi مسلم نیلچی moslem.nilchi@gmail.com 10031947532846007210 10031947532846007210 Yes yazd University دانشگاه یزد Khashayar Moghadam خشایار مقدم khash.moghadam@gmail.com 10031947532846007211 10031947532846007211 No TT bank بانک توسعه تعاون Alireza Naser SadrAbadi علیرضا ناصر صدرآبادی alireza_naser@yazd.ac.ir 10031947532846007212 10031947532846007212 No yazd University دانشگاه یزد Ali Farhadian علی فرهادیان farhadian@kashanu.ac.ir 10031947532846007213 10031947532846007213 No Kashan University دانشگاه کاشان