پروفایل صحت تجمعی در ارزیابی ریسک اعتباری بانک‌ها: مدل‌های مبتنی بر اطلاعات حسابداری و مدل‌های مبتنی بر اطلاعات بازار

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

سمانه شفیعی ¹ (دانشجوی دکتری حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران)
محمدحامد خان محمدی ² (استادیار گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران. (نویسنده مسئول))
علیرضا زارعی سودانی ³ (استادیار گروه حسابداری، واحد فلاورجان، دانشگاه آزاد اسلامی، فلاورجان، ایران)
محمود آقا حسینعلی شیرازی ⁴ (استادیارگروه مدیریت، دانشگاه ارشاد دماوند، دماوند، ایران)
زهرا مرادی ⁵ (استادیار گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند ، ایران)

تاریخ دریافت : 1400/10/21 تاریخ پذیرش : 1400/10/21 تاریخ انتشار : 1400/09/01

کلید واژه: حداکثر درستنمایی اطلاعات انتقا, نسبت صحت, مدل ساختاری, مدل تحلیل تشخیصی,

چکیده مقاله :

پژوهش حاضر به مقایسه مدل ساختاری مرتون مبتنی بر اطلاعات بازار و مدل تحلیل تشخیصی مبتنی بر اطلاعات حسابداری در بانک ها طی سال های 1386 الی 1398می پردازد. با توجه به ساختار متفاوت ترازنامه بانک ها، برای اولین بار با استفاده از روش تخمین حداکثر درستنمایی اطلاعات انتقالی و لحاظ سایر بدهی ها با ضریب تعدیل، ارزش بازار و نوسان دارایی ها با استفاده از قیمت سهام تخمین زده شده و با مدل تعدیل شده مرتون، متغیر فاصله تا نکول و احتمال نکول محاسبه می گردد. سپس با مدل تحلیل تشخیصی و شاخص لامبدای ویلکز، مدلی مبتنی بر اطلاعات حسابداری به منظور سنجش ریسک اعتباری بانک ها معرفی می گردد. از میان متغیرهای مورد بررسی، اعتبارات غیرفعال به کل اعتبارات، اعتبارات به چهار سپرده و ذخیره اختصاصی به اعتبارات غیرفعال به ترتیب دارای بیشترین تاثیر در تعیین ریسک اعتباری بانک ها می باشند که با ضرایب استانداری، نمره z را تعیین می کنند. هرچه نمره z کمتر باشد ریسک اعتباری بیشتر است و برعکس. در نهایت با استفاده از پروفایل صحت تجمعی و نسبت صحت که شیوه ای نوین در تعیین مدل کارامد ریسک اعتباری است، مدل ساختاری مرتون با مدل تحلیل تشخیصی مقایسه و در نهایت مدل ساختاری مرتون با نسبت صحت معادل 70.97 درصد به عنوان مدلی کارامد جهت سنجش ریسک اعتباری بانک ها معرفی می گردد

چکیده انگلیسی:

This study examine the Merton structural model based on market data and the discriminant analysis model based on accounting data in banks during 1386 to 1398. Due to the different structure of banks' balance sheets, for the first time, using the transformed data maximum likelihood estimation method and other liablilty with an adjustment and calculate the market value of assets and their volatility Using the stock price, we calculated the distance to default and the probability of default with the modified Merton model. Then, with the discriminant analysis model and Wilkes lambda index, we introduced a model based on accounting data to measure credit risk in banks. Among variables, inactive credits to total credits, total credits to main deposits and reserves to inactive credits have the most impact on determining the credit risk of banks, respectively, which is determined by z coefficients. The lower  z score, the greater credit risk and vice versa. Finally, using the cumulative accuracy profile and accuracy ratio, which is a new method in determining an efficient model for credit risk, Merton's structural model is compared with z-score model, and finally Merton's structural model with an accuracy ratio of 70.97 as an efficient model for measuring credit risk in banks

منابع و مأخذ:

• اسماعیل زاده،ع. و جوانمردی، ح. (1396). طراحی الگوی مناسب مدیریت ریسک نقدینگی و پیش­بینی ریسک آن در صنعت بانکداری ایران. فصلنامه اقتصاد مالی، 11(39)، 171-191


• -امیری، حسین (1396). ارزیابی نرخ بیمه سپرده در بانک­های ایرانی. فصلنامه علمی پژوهشی مدلسازی اقتصاد سنجی، سال دوم، شماره دوم، (پیایی5)، ص151-178


• بیگدلی،محمد، تقوی، مهدی، اسماعیل زاده مقری، علی، دامن کشیده، مرجان(1398). آزمون تجربی تاثیر ریسک فضای کسب و کار بر رابطه بین ریسک اعتباری و عملکرد مالی در صنعت بانکداری ایران. فصلنامه اقتصاد مالی، 13(48)،1-35


• ثقفی، علی، دامغانیان، جمال، بولو، قاسم، سیاح، سجاد و دولو، مریم (1395). سنجه سازی جامع برای ارزیابی مدیریت ریسک اعتباری. فصلنامه پژوهش­های پولی-بانکی، سال نهم، شماره 30، 595-623


• حاجیها، زهره، بخشی، نیره (1396). بررسی رابطه اطلاعات حسابداری و ریسک اعتباری در شرکت­های پذیرفته شده در بورس اوراق بهادار تهران. مطالعات حسابداری و حسابرسی، شماره 24، 53-68


• سلحشور، رضا (1389). آسیب شناسی اعتبارات و ریسک اعتباری. صنعت و کارآفرینی، شماره41


• سوری، علی (1396). اقتصادسنجی پیشرفته. جلد2. چاپ ششم. 531


• علم الهدی، س.س (1397). بانکداری اسلامی و ریسک، یک تحلیل تطبیقی. فصلنامه اقتصاد مالی، 12(44)، 69-86


• فلاح شمس، میر فیض و رشنو، مهدی (1387). مدیریت ریسک اعتباری در بانک­ها و موسسات مالی و اعتباری (مفاهیم و مدل­ها). انتشارات دانشکده علوم اقتصادی


• کرمی، غلامرضا و حسینی، سید مصطفی (1391). سودمندی اطلاعات حسابداری نسبت به بازار در پیش بینی ورشکستگی. مجله دانش حسابداری، 3(10)، 93-116


• کلانتری، خلیل (1385). پردازش و تحلیل داده­ها در تحقیقات اجتماعی-اقتصادی. نشر شریف


• محقق نیا، م.، دهقان دهنوی، م. و بائی، م. (1398). تاثیر عوامل درونی و بیرونی صنعت بانکداری بر ریسک اعتباری بانک­ها در ایران. فصلنامه اقتصاد مالی، 13(46)،127-144


• محمدی، تیمور، پورکاظمی، محمدحسین، شاکری، عباس، صفدری، علی و امین رستمکلائی، بنام (1395). ارزشگذاری بازاری و ارزیابی ریسک (نمرهZ ) برخی بانک­های خصوصی ایران: رویکرد مرتون-بلک-شولز. فصلنامه پژوهش­های اقتصادی ایران، سال بیست و یکم، شماره66، بهار95، 31-58


• ناجی اصفهانی، سید علی و رستگار، محمد علی.(1397). برآورد ریسک اعتباری مشتریان با استفاده از تحلیل چند بعدی ترجیحات (مطالعه موردی:یک بانک تجاری در ایران). فصلنامه مدل سازی اقتصادی، سال دوازدهم، شماره 4 پیاپی(44)، صفحه 143-161


• Agarwal, V. and Taffler, R. (2008). Comparing the performance of market-based and accounting-based bankruptcy prediction models. Journal of Banking and Finance, Volume 32, Number 8, 1541-1551


• Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, 23, 589-609


• Beaver, W. (1968). Market prices, financial ratios, and the prediction of failure. Journal of Accounting Research, 178-192


• Boateng, Kwadwo. (2019). Credit risk management and performance of banks in chana, The camels rating model approach. International Journal of business and management Invention, vol(8), 41-48


• Campbell, J.Y., Hilscher, J. and Szilagyi, J. (2008). In search of distress risk. Journal of Finance, 63, 2899-2939


• Crosbie, P. and Bohn J. (2003). Modeling default risk. moody’s KMV technical document.


• Doumpos, M., & Kosmidou, K., & Baourakis, G., & Zopounidis, C. (2002). Credit risk assessment using a multicriteria hierarchical discrimination approach:A comparative analysis. European journal of operational research, 138,392-412


• Duan, J.-C. (1994). Maximum Likelihood Estimation Using Price Data of the Derivative Contract. Mathematical Finance, 4,155-167


• Duan, J.-C. (2000). Correction: maximum likelihood estimation using price data of the derivative contract. Mathematical Finance, 10, 461-462


• Duan, J.-C. (2010). Clustered Defaults. National university of Singapore working paper.


• Duan, J.-C., Sun, J. and Wang, T. (2012). Multiperiod corporate default prediction-a forward intensity approach. Journal of Econometrics, 170,191-209


• Duan, J-C. & Wang, T. (2012). Measuring distance-to-default for financial and non-financial firms. Global Credit Review, 2,95-108


• Ericsson, J. and Reneby, J. (2005). Estimating structural bond pricing models. Journal of Business,78,707-735


• Flannery, M.J. (2000). Modernizing financial regulation:The relation between interbank transactions and supervisory reform. Journal of financial services Research, 17(1), 101-116


• Gestel, Tony Van and Baesens, Bart (2009). Credit Risk Management Basic Concepts: Financial Risk Components, Rating Analysis, Models, Economic and Regulatory Capital.


• Greuning, H.V. and Bratanovic, S. B. (2009). Analysing banking risk: a framework for assessing corporate governance and risk management. Third edition .World bank publications


• Hillegeist, S.A., Keating, E., Cram, D.P. and Lunstedt, K.G. (2004). Assessing the probability of bankruptcy. Review of Accounting Studies, 9, 5-34


• Joseph,C. (2013). Advanced credit risk Analysis and Mangement, Retrieved from https://ebookproquest.com


• Kliestik, T. and Cug, J. (2015). Comparison of selected models of credit risk. Procedia Economics and Finance, 23, 356-361


• Kollar, B. and Gondzarova, B. (2015). Comparison of current credit risk models. Procedia Economics and Finance, 23, 341-347


• Liu, M., Chang, D., Lee, H. (2010). The Default Prediction Power of the Market-based Approach Relative to Accounting Variables – Evidence for Taiwan and China, International Conference on Finance.


• Martin,S. & Peat,M. (2009). A comparison of the information content of accounting and market measures in distress prediction.


• Mensah, Y.M., (1984). An examination of the stationarity of multivariate bankruptcy prediction models: A methodological study. Journal of Accounting Research 22 (1), 380–395.


• Muvingi H., Nkomo, D., Mazuruse, P. and Mapungwana, P. (2015). Default prediction models a comparison between market based models and accounting based: case of the zimbabwe stock exchange 2010-2013. Journal of Finance and Investment Analysis, Vol. 4, No.1, 39-65


• Niklis, Dimitrios, Doumpos, Michalis and Zopoundis, Constantin. (2018). Credit risk modeling: a literature overview based on market models. Internatinal journal of sustainable economics management, 7(3):50-64


• NUS-RMI credit research initiative technical report (2017), credit research initiative. risk management institute, national university of singapore


• Oderda, G., Dacorogna, M., Jung, T., (2003). Credit risk models: Do they deliver their promises? A quantitative assessment. Review of Banking, Finance and Monetary Economics 32, 177–195


• Rashid, A. & Abbas, Q. (2011). Predicting Bankruptcy in Pakistan, Theoretical Applied Economics,103-128.


• Reisz, A., Perlich, C., (2004). A market-based framework for bankruptcy prediction.Working paper, Baruch College, City University of New York


• Rose, P. S. (1999). Commercial bank management, 4th edition: MC Graw-Hill, p.170


• Sinha, P., Sharma, S. and Sondhi, K. (2013). Market valuation and risk assessment of indian banks using Black-Scholes-Merton model. MPRA, 1-26


• Sloan, R. (1996). Do Stock Prices Fully Reflect Information in Accruals and Cash Flows About Future Earnings? Accounting Review ,71:3, 289–315.


• Taiwo, JN; Ucheaga, EG; Achuganmonu, BU; Adetiloye, K. Okoye, L. and Agwu,M.E. (2017). Credit risk management: implications on bank performance and lending growth. Saudi Journal of business and management studies, Vol 2,584-590


• Trujillo-ponce, Antonio, Samaniego medina, Reyes & Laura cardone riportella,Clara. (2013). Examining what best explains corporate credit risk: accounting based versus market based models. Journal of business economics and management,15(2),1-24


• Wong, H.Y. and Choi, T.W. (2009). Estimating default barriers from market information. Quantitativa Finance, 9,187-196


• Zhou, Z., & Tang, X., & Shi, Y. (2005). A multi-factors evaluation method on credit evaluation of commerce banks. Data Mining and Knowledge Management, 229-232.


• Zmijewski ,M.E.(1984). Methodological Issues Related to the Estimation of Financial Distress Prediction Models, Journal of Accounting Research, 22, 59-82.