بررسی اثر نسبت‌های اهرمی مشتریان بر ریسک اعتباری بانک‌ها در ایران با استفاده از الگوی اثرات ترکیبی (ثابت و تصادفی)

محورهای موضوعی : دانش سرمایه‌گذاری

تیمور محمدی ¹ , هادی جوهری ²

1 - دانشیار و عضو هیات علمی، دانشکده اقتصاد دانشگاه علامه طباطبائی
2 - دانشجوی دکتری اقتصاد مالی، دانشکده پردیس، دانشگاه علامه طباطبائی

تاریخ دریافت : 1397/04/30 تاریخ پذیرش : 1397/06/18 تاریخ انتشار : 1399/09/01

کلید واژه: رگرسیون لاجیت ترکیبی, نسبت بدهی بلندمدت, نسبت بدهی جاری, ریسک اعتباری, نسبت‌های اهرمی,

چکیده مقاله :

به منظور برآورد احتمال نکول (ریسک اعتباری) مشتریان حقوقی از مدل رگرسیون لاجیستیک ترکیبی به صورت چندسطحی استفاده شده است. مجموع مشاهدات به کار گرفته شده در تخمین این مدل شامل 5925 رکورد از شخصیت های حقوقی بوده که از بانک های کشور تسهیلات دریافت کرده اند. با توجه به نتایج مدل تخمین زده شده به منظور برآورد ریسک اعتباری مشتریان حقوقی سیستم بانکی کشور، ملاحظه می شود که از میان 40 متغیر کمی و کیفی که مورد بررسی قرار گرفتند، تنها 10 متغیر بر ریسک اعتباری مشتریان حقوقی تاثیر داشتند که در این بین تاثیر نسبت های اهرمی مشتریان بر ریسک اعتباری مثبت بوده است به گونه‌ای که با افزایش یک واحد در میزان نسبت بدهی جاری، شانس نکول یا احتمال عدم بازپرداخت به موقع تسهیلات دریافتی به میزان 0.05 درصد افزایش می‌یابد. همچنین با افزایش یک واحدی در نسبت بدهی بلندمدت، ریسک اعتباری به میزان 0.03 درصد افزایش می‌یابد.

چکیده انگلیسی:

In this study, we examine the effect of customer leverage ratios on credit risk of banks in Iran using a mixed (fixed and random effects) model.To estimate credit risk of legal customers in Iran banking system, we use mixed effect logistic regression. Total observations would be 5925 records of legal companies which have been received loan from Iranian banks.Considering the results of the estimated model in order to estimate the credit risk of the legal customers of the banking system of the country, it can be seen that among the 40 qualitative and quantitative variables studied, only 10 variables influenced the credit risk of legal customers, among which The effect of customer leverage ratios on credit risk has been positive so that by increasing one unit in the ratio of current debt ratio, credit risk is increased by 0.05 percent. Also, with a one-unit increase in the Long-term debt ratio, credit risk increases by 0.03 percent.

منابع و مأخذ:

• ابوالحسنی، اصغر و رفیع حسنی مقدم. (1387). "بررسی انواع ریسک‌ها و روش‌های مدیریت آن در نظام بانکداری بدون ربای ایران". فصلنامه علمی پژوهشی اقتصاد اسلامی، سال هشتم، ش 30.


• آقایی، م، آقایی، ا، آقایی، ر. (1391). "شاخص‌های اساسی مؤثر بر وفاداری مشتریان در صنعت بهداشتی و سلولزی ایران با استفاده از رویکرد دلفی فازی و دیمتل فازی". مدیریت بازرگانی، شماره 3.


• برزده، سید محمد و تقوی فرد، محمد. (1392). "طراحی و توسعه یک سیستم خبره فازی مبتنی بر قانون برای ارزیابی اعتباری مشتریان شرکت‌های تجاری (مورد مطالعه: شرکت توزیع و پخش البرز)". مدیریت بازرگانی دوره 5 شماره 2 صفحات 46-17.


• تهرانی، فلاح و شمس، میرفیض. (1384). "طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور". مجله علوم اجتماعی و انسانی دانشگاه شیراز دوره بیست و دوم، شماره دوم.


• حکیم آبادی، محمدتقی، جعفری صمیمی، احمد و مولانا، مسیح. (1389). "مدل رتبه بندی ریسک اعتباری کشورهای در حال توسعه به روش تحلیل مولفه های مستقل". دو فصلنامه علمی – پژوهشی جستارهای اقتصادی، ش 14، صفحات 115-93.


• موسویان، سید عباس و موسوی بیوکی، سید محمدمهدی. (1388). "مدیریت ریسک اعتباری در بانکداری اسلامی از طریق سوآپ نکول اعتباری". فصلنامه علمی پژوهشی اقتصاد اسلامی/ سال نهم، شماره 33.


• موسویان سید عباس و موسوی بیوکی، سید محمدمهدی. (1389). "بررسی امکان استفاده از سوآپ بازده کل جهت مدیریت ریسک اعتباری در بانکداری اسلامی". فصلنامه علمی پژوهشی اقتصاد اسلامی، سال دهم، شماره 37.


• نادری، ابوالقاسم. (1381). "الگوسازی چندسطحی و کاربردهای آن در اقتصاد". همایش معرفی و کاربرد مدلهای ناخطی پویا و محاسباتی در اقتصاد، تهران، دانشکده اقتصاد دانشگاه علامه طباطبایی.


• نیلی، مسعود و سبزواری، حسن. (1387). "برآورد و مقایسه مدل درجه‌بندی اعتباری لاجیت با روش تجزیه و تحلیل سلسله مراتبی AHP". مجله علمی، پژوهشی شریف، شماره 43.


• Alesia S. K. (2010). “Improved Credit Scoring with Multilevel Statistical Modelling”. Technische Universität Dortmund, Wirtschafts- und Sozialwissenschaftliche Fakultät, December 17.


• Altman EI. (1968). “Financial ratios discriminate analysis & the prediction of corporate bankruptcy”. The Journal of finance XXIII.


• Altman, E.I. and Saunders, A. (1997). “Credit Risk Measurement: Developments over the Last 20 Years”. Journal of Banking and Finance, forthcoming (New York University SalomonCenter Working Paper S-96-40).


• Beaver, W.H. (1976). “Financial Ratios and Predictors of Failure”. Journal of Accounting Reserch, 11-71.


• Beltratti, A., and Stulz, R. M. (2012). “The credit crisis around the globe: why did some banks perform etter?”. Journal of Financial Economics 105, 1-17.


• Berger, A.N., and Bouwman, C.H.S. (2013). “How does capital affect bank performance during financial crises?”. Journal of Financial Economics, forthcoming.


• Boggess, W.B. (1967). “Screen-test your credit risk”. Harvard Business Review


• Bryk, A.S. &Raudenbush, S.W. (1992). "Hierarchical Linear Models". Newbury Park:CL: SAGE.


• Chikashi, T. (2014). “An Investigation of the Relationship between Risk and Return: The Case of the Latin American Stock Markets”. Accounting and Finance Research Vol. 3, No. 1.


• Deakin, E.B. (1972). “A discriminate analysis of predictors of business failure”. Journal of accounting Research.


• Doumpos M., Dimitrios, N., Constantin, Z., and Andriosopoulos, K. (2014). “Combining accounting data and a structural model for predicting credit ratings: Empirical evidence from European listed firms”. Journal of Banking & Finance.


• Durand, N. (1971). “Risk element in consumer installment lending”. National bureau of economic research, New York, vol.8.


• Fisher R.A. (1963). “The Use of multiple measurement in Taxonomic problem”. Annals of Eugenics


• Gelman, A., and Hill, J. (2007). “Data analysis using regression and multilevel/hierarchical models”. Cambridge University Press.


• Goldstein, H. (2003). “Multilevel Statistical Models”. London. Edward Arnold.


• Graham, S., Singer, J. and Willett, J. (2008). “An Introduction to the Multilevel Model for Change”. In P. Alasuutar, L. Bickman and J. Brannen (Eds.) Handbook of Social Research Methods. Newbury Park, CA: Sage, pp. 377-394.


• He, Z., and Xiong, W. (2012). “Rollover Risk and Credit Risk”. Journal of Finance 67, 391-429.


• Imbierowicz, B., and Rauch, C. (2014). “The Relationship between Liquidity Risk and Credit Risk in Banks”. Journal of Banking & Finance.


• Joseph, C. (2013). “Advanced Credit Risk Analysis and Management”. Includes bibliographical references and index, United Kingdom.


• Jorekson, G., and Sorbom, D. (2004). “Lisrel.8.7. Student Version”. Scientific Software International.


• Khudnitskaya, A. (2009). “Adverse selection in credit scoring through the prism of hierarchical multilevel modelling”. Proceedings book of Spring Meeting of Young Economists, pp. 121-125, Beta: ISBN 978-605-377-049-7.


• Li, S., Li, J. Z. (2010). “Agents International: Integration of multiple agents, simulation, knowledge bases and fuzzy logic for international marketing decision making”. Expert Systems with Applications, 37 (3):2580–2587


• Morgan G. (1994). “Risk metrics technical Document”. 2nd Edition, New York.


• Mousavi, S.M.M. (2008). “The Comparative Study of Credit Defult Swap and Total Return Swap with Islamic Jurisprudence Principle”. Proceeding of 3rd Islamic Banking, Acounting and Finance (iBAF) Conference, Malaysia, Faculty of Economics and Muamelat, Islamic University Science of Malaysia.


• Papke, L.E. and Wooldridge, J.M. (2008), "Panel Data Methods for Fractional Response Variables with an Application to Test Pass Rates", Journal of Econometrics, 145(1-2), pp. 121-133.


• Rabe-Hesketh, S., Skrondal A. and Pickles A. (2004). “Generalized multilevel structural equation modelling”. Psychometrika, 69, pp.167-190.


• Rabe-Hesketh, S., Skrondal, A. (2008). “Multilevel and Longitudinal Modelling using STATA”. College Station, TX: Stata Press.


• Raeder, K., Siegmund, U., Grittner, U., Dassen, T. and Heinze, C. (2010). “The use of fall prevention guidelines in German hospitals - a multilevel analysis”. Journal of Evaluation in Clinical Practice, Vol. 16 Issue 3, pp. 464 – 469


• Saunders, A and Millon Correntt, M. (2001). “Financial markets and Institutions: A modern perspective”. Mc Graw-Hill, International Edition.


• Treacy, W.F. (1998). “Credit Risk Rating Systems at Large U.S. Bank”. Gournal of Banking and Finance, 24 (1-2), 167-201.


• Yang L. (2001). “New Issue in credit scoring applications”. Gearge-Augest, University Gottingen, Institute for Wirtschart.