داده كاوي صورت‌هاي مالي جهت اعطاي تسهيلات مالي

Data Mining of Financial Statementʹs for Granting Financial Facilitieʹs

بررسي، سنجش و اندازه گيري اعتبار مشتريان در موسسات اعتباري، امروزه يكي از مهمترين تصميم‌هاي مالي بشمار مي‌آيد. نحوه تصميم‌گيري در خصوص اعطاي تسهيلات به مشتريان از اين جهت داراي اهميت مي‌باشد كه عدم ارزيابي دقيق مشتريان مي‌تواند منجر به مطالبات سررسيد گذشته و معوق با كاهش توان تسهيلات دهي بانك‌ها و در نهايت سوخت شدن مطالبات بانك‌ها گردد. اين پژوهش با هدف مدل‌سازي اعتبارسنجي مشتريان در بانك به روش‌هاي شبكه عصبي، درخت تصميم و ماشين بردار پشتيبان انجام مي‌شود. بدين منظور اطلاعات و داده‌هاي مالي و كيفي يك نمونه تصادفي 300 تايي(218 مشتري خوش حساب و 82 مشتري بدحساب) از شركت‌هاي حقوقي را كه در سال‌هاي 89 و 90 از بانك ملي ايران شعب شهر تهران تسهيلات اعتباري دريافت نموده اند، مورد بررسي قرار مي‌گيرد. در اين تحقيق پس از بررسي پرونده هاي اعتباري هريك از مشتريان، 31 متغير توضيح دهنده مورد ارزيابي قرار گرفت و نتايج ضمن دلالت بر تاييد نظريه هاي اقتصادي و مالي نشان مي دهد كه تكنيك هاي داده كاوي جهت اعتبارسنجي مشتريان از كارآيي بالايي برخوردار مي‌باشد و همچنين عملكرد پيش بيني الگوي شبكه عصبي به مراتب بهتر از ساير الگوها است.

Nowadayʹs, one of the most important financial decisionʹs in financial institutionʹs is investigation, assessment and measuring customerʹs validity. Decision making for granting facilitieʹs to customerʹs is vital from this perspective that imprecise assessment of customerʹs could Past due and delayed claimʹs and attenuated financial granting facilities power of banks and finally resulted the unpaid claimʹs of the bankʹs. This study has been conducted with the aim of modeling customerʹs validity in bank by using neural network, decision tree and support vector machine methodʹs. For this purpose, financial and qualitative data for a random sample with 300 memberʹs(218 good customerʹs and 82 bad customerʹs) have been selected from legal firmʹs that were received credit facilitieʹs from Iranian meli bankʹs of Tehran city memberʹs in 1389 and 1390 yearʹs, will be survey. In this study, after investigating each of customerʹs credit dossierʹs, 31 descriptive variableʹs were assessed and resultʹs addition to verifying financial and economic theorieʹs, show that data mining methodʹs have high efficiency for Validation of customerʹs. Also, performance of neural network model for prediction is much better than other modelʹs.