بررسی نظریه تحلیل بقا در مدیریت ریسک اعتباری دریافت‌کنندگان تسهیلات (مطالعه موردی بانک توسعه تعاون استان گیلان)

Subject Areas : Operation Research

مریم عاملی ¹ ( دانشجو )
رضا آقاجان نشتایی ² ( مربی )

Received: 2017-05-09 Accepted : 2017-09-20 Published : 2018-06-01

Keywords: تحلیل بقا, مدیریت ریسک اعتباری, بانک توسعه تعاون,

Abstract :

امروزه یکی از اساسی‌ترین مباحث مدیریت ریسک بانکها و مؤسسات مالی و اعتباری، مدیریت ریسک اعتباری است. در این پژوهش، روشهای تحلیل بقا را برای مدل‌سازی ریسک اعتباری برحسب تابع توزیع شرطی زمان نکول، به کار می‌بریم. به‌عنوان یک کار عملی، پرتفوی اعتباری جعاله بانک توسعه تعاون استان گیلان را در نظر گرفته و احتمال‌های نکول آن را براساس روش تحلیل بقا برآورد می کنیم. به منظور استنباط و تحلیل فرضیه تحقیق ابتدا به سه روش پارامتریک، نیمه پارامتریک (مدل خطر متناسب) و ناپارامتریک تحلیل بقا، تابع بفا و سپس مقدار تابع احتمال نکول برآورد خواهد شد سرانجام یک مقایسه بین سه رویکرد را با استفاده از روش ROCانجام می دهیم. به منظور تجزیه و تحلیل داده‌ها، از نرم افزار SPSS، SAS، R و Minitab استفاده شده است. نتایج نشان می‏دهد مدل پارامتریک از سایر مدل‌ها ارجح‌تر و مناسب‌تر است. و بعد از مدل پارامتریک، مدل نیمه پارامتریک (مدل خطر متناسب) و سپس مدل ناپارامتریک بهترین مدل‌ها هستند. از جمله پیشنهادهایی که نتایج این پژوهش عنوان می‌کند، در ارتباط با استفاده بانک از رتبه بندی یا امتیاز اعتباری است؛ چرا که علاوه بر نحوه مدیریت صحیح تخصیص تسهیلات به مشتریان، استفاده از امتیاز اعتباری به عنوان یک متغیر تبیینی باعث کاراتر و دقیقتر شدن برآوردهای احتمال نکول خواهد شد.

References:

Baba, N., & Goko, H. (2006). Survival analysis of hedge funds. Institute for Monetary and Economic Studies and Financial Markets Department, 6.

Bekhet, H. A., & Eletter, S. F. K. (2014). Credit risk assessment model for Jordanian commercial banks: Neural scoring approach. Review of Development Finance, 4(1), 20-28.

Cao, R., Vilar, J. M., Devia, A., Veraverbeke, N., Boucher, J. P., & Beran, J. (2009). Modelling consumer credit risk via survival analysis.

Carling, K., Jacobson, T., & Roszbach, K. (1998). Duration of consumer loans and bank lending policy: dormancy versus default risk (No. 70). Sveriges Riksbank Working Paper Series.

Karani, H., & Aghaeipoor, M. (2014). Application of survival analysis theory in risk management of facility receivers; Case study of Meskan Bank. Ravand Quarterly Journal, 21, 65 – 66. 200 - 175.

Malik, M., & Thomas, L. (2006). Modelling credit risk of portfolio of consumer loans, University of Southampton. School of Management Working Paper Series No. CORMSIS-07-12.

Narain, B. (1992). Survival Analysis and the Credit Granting Decision, [in:] LC Thomas, J. Crook N., DB Edelman (eds.), Credit Scoring and Credit Control.

Taghavi Takyar, S.M. (2015). Comparison of credit risk in artificial neural network Models (RBF) and logistic regression in Tose'e Ta'avon Bank of Guilan Province. Unpublished thesis, Department of Business Management, Rasht Branch, Islamic Azad University, Rasht, Iran.

Taghva, M. R., Olfat, L., & Hosseini Bamakan, S. M. (2009). Application of data mining techniques for improving customer relationship management in banking industry. Third Data Mining Conference, Poster No. 11.

Yazdan Panah, A., & Shakibhaji aghaie, S. (2009). Factors affecting liquidity risks of banks (A case study of Mellat Bank). Journal of Financial Studies, 3, 27-54.

Yurdakul, F. (2015). Macroeconomic modeling of credit risk for banks. Procedia Social and Behavioral Sciences, 109, 784-793.