كليدواژه :
تسهيلات خرد , بانك خصوصي , شبكه عصبي , SVM , رگرسيون لجستيك , تحليل تشخيص , درخت تصميم , احتمال نكول تعهدات و نمونه‌گيري طبقه‌بندي‌شده
چكيده فارسي :
اين پژوهش با هدف شناخت عوامل مؤثر بر رفتار اعتباري متقاضيان حقيقي تسهيلات خرد تدوين شده است. در اين راستا پژوهشگران اقدام به شناسايي 36 شاخص كرده و سپس با استفاده از روش نمونه‌گيري احتمالي طبقه‌بندي‌شده ، 429 پرونده اعتباري انتخاب و با بهره‌گيري از تكنيك‌هاي داده‌كاوي مانند انواع درخت تصميم (CHAID، CART، QUEST ،(C5، شبكه عصبي، ماشين بردار پشتيبان، رگرسيون لجستيك و تحليل تشخيصي اقدام به ارزيابي ميزان اثرگذاري اين شاخص‌ها بر احتمال نكول تعهدات كردند. نتايج حاصل از پژوهش نشان مي‌دهد كه مدل شبكه عصبي در مقايسه با ساير روش‌ها بالاترين قابليت پيش‌بيني را دارد. علاوه بر اين از 35 شاخص مورد بررسي دوازده شاخص مدت (دوره زماني بازپرداخت)، نوع عقد، تعداد اقساط بازپرداخت، نوع وثيقه، تعداد چك برگشتي قبل از دريافت تسهيلات، مبلغ قسط، مدت سپرده‌گذاري (سپرده كوتاه‌مدت)، بخش اقتصادي، جنسيت، شغل، ميانگين گردش شش ماه قبل از دريافت تسهيلات و وضعيت مالكيت به ترتيب بيشترين اهميت را در توضيح رفتار اعتباري وام‌گيرندگان دارند. در نهايت قواعد به دست آمده از درخت تصميم براي تصميم‌سازي (طراحي يك مدل امتيازدهي اعتباري) در بانك استخراج شدند.
چكيده لاتين :
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 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.
