بررسی عوامل موثر بر ریسک اعتباری مشتریان بانک رفاه با استفاده از تحلیل تابع بقا (شعب شهر تهران)

الموضوعات : دانش سرمایه‌گذاری

احمد رضا الهی ¹ , رحمت الله محمدی پور ² , اسفندیار محمدی ³

1 - دانشجوی دکتری مدیریت مالی، واحد علوم و تحقیقات ایلام، دانشگاه آزاد اسلامی ایران، ایلام، ایران.
2 - دکتری حسابداری، گروه حسابداری، واحد علوم و تحقیقات ایلام، دانشگاه آزاد اسلامی ایران، ایلام، ایران .
3 - دکتری مدیریت استراتژیک، دانشگاه ایلام، ایلام، ایران.

تاريخ الإرسال : 01 الثلاثاء , ربيع الأول, 1441 تاريخ التأكيد : 16 الإثنين , جمادى الثانية, 1441 تاريخ الإصدار : 23 الأربعاء , ذو القعدة, 1443

الکلمات المفتاحية: بانک رفاه, ریسک اعتباری, تابع بقا, شرایط وام گیرنده,

ملخص المقالة :

ریسک اعتباری یکی از ریسک های بسیار مهم در صنعت بانکداری است. این مطالعه با هدف شناسایی عوامل اثرگذار (همچون ویژگی های مربوط به وام، ویژگی های فردی مشتریان و عوامل اقتصاد کلان) بر ریسک اعتباری گرفته است. بدین منظور از یک نمونه تصادفی شامل ۵۳۱۹ نفر از مشتریان که در بازه ی زمانی ۱۳92-۱۳۹7 از بانک رفاه وام گرفته اند استفاده شده است. این مقاله با استفاده از مدل های مرسوم تحلیل بقا شامل مدل ناپارامتری کاپلان - میر و مدل شبه پارامتری کاکس به شناسایی عوامل اثرگذار بر ریسک قصور مشتریان پرداخته است.نتایج مدل نشان داد که متغیرهایی همچون مبلغ وام، تعداد اقساط، تعداد فرزند، تحصیلات، سن، نوع شغل و عنوان شغلی بر منحنی های تابع بقا و تابع نرخ خطر تأثیر گذارند. در افق های زمانی کوتاه مدت (مثلا یک ساله) شرایط اقتصادی جامعه نقش کلیدی در وقوع قصور این دسته از مشتریان بازی می کند.

المصادر:

• اصلی، شعله. (۱۳۹۰). مدیریت ریسک اعتباری با نگاهی بر الگوی پرداخت تسهیلات در سایر کشورها. گزارش منتشر شده. اداره تحقیقات و کنترل ریسک بانک سپه


• البرزی، محمود محمد پورزرندی، محمدابراهیم و خان بابایی، محمد، (۱۳۸۹). به کارگیری الگوریتم ژنتیک در بهینه سازی درختان تصمیم گیری برای اعتبارسنجی مشتریان بانکها، نشریه مدیریت فناوری اطلاعات. ۲ (4)، صص ۲۳-۳۸


• پرویزیان، کورش، ذکاوت، مرتضی و محمدیان، مهدی. (۱۳۸۸). رتبه بندی داخلی مشتریان بانکها با استفاده از مدل های رگرسیونی لاجیت. پژوهشنامه اقتصادی. 6، صص ۹۱-۸۹


• Abdou, H. (2009). An Evaluation of Alternative Scoring Models in Private Banking. The Journal of Risk Finance, 10, pp: 38-53.


• Abdou, H. and Pointon, J. (2011). Credit Scoring, Statistical Techniques and Evaluation Criteria: a Review of the Literature. Intelligence Systems in Accounting, Finance and Management, 18(2, 3), pp: 59-88.


• Abdou, H., Pointon, J. and El Masiy, A. (2008). Neural Nets versus Conventional Techniques in Credit Scoring in Egyptian Banking. Expert Systems with Applications, 35 (3), pp: 1275-1292


• Akritas, M. G. (1994). Nearest Neighbor Estimation of a Bivariate Distribution under Random Censoring. Annals of Statistics, 22, pp: 1299-1327.


• Al Amari, A. (2002). The Credit Evaluation Process and the Role of Credit Scoring: A Case Study of Qatar. Ph.D. Thesis, University College Dublin.


• Ali, A. and Daly, K. (2010). Macroeconomic Determinants of Credit Risk: Recent Evidence from a Cross Country Study. International Review of Financial Analysis, 19, pp:165-171.


• Allen, L. N. and Rose, L. C. (2006). Financial Survival Analysis of Defaulted Debtors. Journal of Operational Research Society, 57, pp: 630-636.


• Anderson, R. (2007). The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation. New York: Oxford University Press.


• Aver, B. (2008). An Empirical Analysis of Credit Risk Factors of Slovenian Banking System. Managing Global Transitions, 6(3), pp: 317-334.


• Baba, N. and Goko, H. (2006). Survival Analysis of Hedge Funds, Bank of Japan. Working Papers Series, No.06-E-05.


• Baboucek, I. and Jancar, M. (2005). Effects of Macroeconomic Shock to the Quality of Aggregate loan portfolio, Czech National Bank. Working Paper Series, No.1, pp: 1-62.


• Baesens, B., Van gestel, T., Stepanova, M. and Van den Poel, D. (2005). Neural Network Survival Analysis for Personal Loan Data. Journal of the Operational Research Society, 56(9), pp: 1089-1098.


• Bailey, M. (2004). Consumer Credit Quality: Underwriting, Scoring, Fraud Prevention and Collections. Kings Wood, Bristol: White Box Publishing,


• Banasik, J., Crook, J. and Thomas, L.C. (1999). Not if But When will Borrowers Default. The journal of the operational research, 50(12), pp: 1185-1190.


• Banasik, J., Crook, J. and Thomas, L.C. (2003). Sample Selection Bias in Credit Scoring Models. Journal of the Operational Research Society, 54 (8), pp: 822-832.


• Bangia, A., Diebold, F.X., Kronimus, A., Schagen, C. and Schuermann, T. (2002). Ratings Migration and the Business Cycle, With Applications to Credit Portfolio Stress Testing. Journal of Banking and Finance, 26 (2-3), pp: 235-264.


• Basel Committee on Banking Supervision. (2006). International Convergence of Capital Measurement and Capital Standards: A Revised Framework Comprehensive Version.


• Bellotti, T. and Crook, J. (2009). Credit Scoring with Macroeconomic Variable Using Survival Analysis. Journal of Operational Research Society, 60, pp: 1699-1707.


• Bellotti, T. and Crook, J. (2013). Forecasting and Stress Testing Credit Card Default Using Dynamic Models. International Journal of Forecasting, 29(4), pp: 563-574.


• Bellotti, T., Crook, J. (2009). Support Vector Machines for Credit Scoring and Discovery of Significant Features. Expert Systems with Applications, 36 (2/2), pp: 3302-3308.


• Beran, J. and Djaidja, A.K. (2007). Credit Risk Modeling Based on Survival Analysis with Immunes. Statistical Methodology, 4(3), pp: 251-276.


• Bessis, J. (2002). Risk management in banking. England ,John Wiley & Sons Ltd.


• Betancourt, L. (1999). Using Markov Chains to Estimates Losses from a Portfolio of Moitgages. Review of Quantitative Finance and Accounting, 12(3), pp: 303-318.


• ۱۷۲


• Therneau, T. M., Grambsch, P.M. and Fleming, T. R. (1990). Martingale-Based Residuals for Survival Models. Biometrika, 77, pp: 147-160.


• Thomas, L. C., Edelman, D. B. and Crook, J. N. (2004). Readings in Credit Scoring: Recent Developments, Advances, and Aims. New York, Oxford University Press.


• Thomas, L.C. (2009). Consumer Credit Models: Pricing, Profit, and Portfolios. First Ed, Oxford University Press.


• Thomas, L.C., Edelman, D.B. and Crook, J.N. (2002). Credit Scoring and Applications. Philadelphia: Society for Industrial and Applied Mathematics.


• Thomas, L.C., Ho, J. and Scherer, W.T. (2001). Time will Tell: Behavioral Scoring and the Dynamics of Consumer Credit Assessment. IMA Journal of Management Mathematics, 12, pp: 89-103.


• Tong, E.N., Mues, C. and Thomas, L.C. (2012). Mixture Cure Models in Credit Scoring: If and when Borrowers Default. European Journal of Operational Research, 218(1), pp: 132139.


• Tripe, D. (1999). Liquidity Risk in Banks. New Zealand, Massey University.


• Uno, H., Cai, T., Pencina, M.J., D'Agostino, R.B. and Wei, L.j. (2011). On the C-statistics for Evaluating Overall Adequacy of Risk Prediction Procedures with Censored Survival Data, Statistics in Medicine, 30(10), pp: 1105-1117.