هدف این مقاله شناسایی عوامل تاثیرگذار بر ایجاد و افزایش مطالبات غیرجاری برای اتخاذ تصمیم مناسب تر در اعطای تسهیلات است. بدین منظور برای انتخاب متغیرهای موثر، از الگوریتم های تجزیه و تحلیل مولفه های هم بستگی و لاسو و برای کلاس بندی نمونه ها، از شبکه های عصبی و ماشین بردار پشتیبان استفاده شده است. در این پژوهش، نمونه ای از 660 مشتری حقوقی بانک سپه برای سال های 1396-1385 انتخاب و بر متغیرهای خصوصیتی مستخرج از قراردادهای تسهیلاتی این مشتریان در کنار متغیرهای مالی، غیرمالی، حسابرسی و اقتصادی تمرکز شده است. نتایج نشان داد الگوریتم لاسو با تمرکز بر متغیرهای مالی، اقتصادی و حسابرسی، عملکرد بهتری نسبت به الگوریتم تجزیه و تحلیل مولفه های هم سایگی داشته و براساس این الگوریتم، 10 متغیر کلیدی تاثیرگذار بر مطالبات غیرجاری شناسایی شدند. با توجه به عملکرد بهتر ماشین های بردار پشتیبان با هسته شعاعی، استفاده از آن در مدل سازی مطالبات غیرجاری پیشنهاد می شود.
