برآورد احتمال نکول تسهیلات اعطایی به اشخاص حقوقی در موسسات سپرده پذیر غیربانکی

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

شادانلو عامری سیاهویی ¹ (دانشجوی دکتری مدیریت مالی دانشگاه آزاد اسلامی واحد بین الملل کیش؛ ایران)
حمیدرضا کردلویی ² (دانشیار گروه مدیریت مالی ، واحد اسلامشهر ،دانشگاه آزاد اسلامی ، اسلامشهر، ایران)
سید محمد عبداللهی کیوانی ³ (استادیار دانشکده مدیریت مالی ، دانشگاه آزاد اسلامی ، واحد تهران شمال، ایران)

تاریخ دریافت : 1400/03/22 تاریخ پذیرش : 1400/03/22 تاریخ انتشار : 1400/03/01

کلید واژه: ریسک اعتباری, احتمال نکول, الگوی رگرسیون خطی (LPM), رگرسیون لجستیک (Logit), پروبیت (Probit) و Z آلتمن,

چکیده مقاله :

یکی از مهمترین ریسک های مترتب بر سیستم بانکی ریسک اعتباری یا همان ریسک نکول تسهیلات می باشد. با توجه به ترکیب پورتفوی موسسات مالی و اعتباری و ارتباط متقابل اقلام آن با یکدیگر، هرگونه تنش در بازپرداخت تسهیلات سررسید شده می تواند باعث مشکلات اساسی دیگر مانند ریسک نقدینگی، ریسک نرخ بهره و حتی ورشکستگی گردد. لذا موسسات مالی و اعتباری همواره به دنبال مدل ها، کسب تجربیات و بهبود مدل های مورد استفاده در زمینه اعتبارسنجی مشتریان اعتباری خود بوده اند. لیکن لیست متغیرهای مهم در اعتبارسنجی و انتخاب مدل مناسب و موثرتر سوال اساسی بسیاری از موسسات مذکور بوده است. تحقیق حاضر مدل های خطی LPM، غیرخطی لاجیت و پروبیت و Z آلتمن را با استفاده از مجموعه ای از متغیرهای متغیرهای کیفی (عمر شرکت، وثیقه، تجربه مدیران، نوع شرکت) و متغیرهای مالی (سرمایه در گردش به کل دارایی ها، ارزش دفتری حقوق صاحبان سهام به ارزش دفتری بدهی ها، کل فروش به کل دارایی ها، سود انباشته به کل دارایی ها، سود قبل از بهره و مالیات به کل دارایی ها) 400 مشتری حقوقی بانک ها و موسسات اعتباری غیردولتی طی سال های 1395 لغایت 1398 را مورد بررسی و مقایسه قرار می دهد. نتایج به دست آمده گویای آن است که اولاً متغیرهای مورد استفاده با اطمینان مناسبی وضعیت اعتباری یعنی احتمال نکول تسهیلات مشتریان حقوقی را توضیح می دهند. ثانیاً تمامی مدل ها بیش از 80% در پیش بینی احتمال نکول تسهیلات موفق بوده لیکن مدل لاجیت (هر چند اندک) کارایی بالاتری از خود نشان داده است.

چکیده انگلیسی:

One of the most important risks of the banking system is the credit risk. Considering the portfolios of institutes and the mutual relationship of their items, any tension in refunding the overdone facilities can lead to essential problems such as liquidity risk, interest rate, and even bankruptcy. In this way, finance and credit institutes look for models, achieving experience, and improving credit evaluation models they use to validate the credit of their credit customers. However, the list of the important variables for credit validation and selection of the more appropriate and effective model has been a crucial question for many of these institutes. The present study investigates the LOGIT, PROBIT, and Z Altman models, using a set of qualitative and quantitative variables of the legal customers of depository institutions. The findings prove that qualitative and financial variables of the legal customers for this institute proved to be explanatory for the credit risk probability at a high degree of confidence. These models successfully predicted credit risk for 80% of the facilities and LOGIT was more successful than other models.

منابع و مأخذ:

*      اصلی، شعله (1390)، مدیریت ریسک اعتباری با نگاهی بر الگوی پرداخت تسهیلات در سایر کشورها، اداره تحقیقات و کنترل ریسک بانک سپه، تهران.

*      راعی، رضا و سعیدی، علی (1383)، مبانی مهندسی مالی و مدیریت ریسک، تهران: دانشکده مدیریت دانشگاه تهران و سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه (سمت).

*      کریمی وردنجانی، رضا (1393)، مطالبات معوق بانکی، نشریه بانک و اقتصاد، بهمن ماه : ش135.

*      امینی، علیرضا، حقیقت، علی و فاطمه همتی(1389)، "بررسی مطالبات شبکه بانکی استان قزوین"، مجله اقتصادی، شماره های 9 و 10.

*      سلامی، حبیب­الله. انسان، ابراهیم. (1397)، «تفکیک اثر متغیرهای مؤثر بر نکول تسهیلات کشاورزی در طبقات مختلف مطالبات غیرجاری»، فصلنامه پژوهش­های اقتصادی ایران، سال بیست و سوم، شماره 76، صص 217-185.

*      Altman، E. Discriminant Analysis and the Prediction of Corporate Bankruptcy ،jornal of Finance،pp.589-609.1968Basel Committee on Banking Supervision.; “Credit rating and complementary sources of credit quality information”; Working Paper, No.3, 2001.

*      Behr, P., Guttler, A. and Plattner, D (2004). Credit Scoring and relationship lending: The case of german SME

*      Beaver, W., 1967, Financial Ratios as Predictors of Failure, Empirical Research in Accounting: Selected Studies, Supplement, Journal of Accounting Research 5, 71-127.

*      Cascio٬ w. F. (2003). Costing human resource : the financial impact of behavior in organization .3rd ed. Boston:Pws-kent.

*      Glantz٬ Morton٬ (2003). Managiming Bank Risk Academic Press.

*      Gordy Michael, 2010, A Risk – Factor Model Foundation for Rating. Based Bank Capital Rules

*      Hanefi٬ mostafa (2003). ”Management credit risk “ the next grate financiall challenge “

*      Huan Z. chen. H.Hsu٬c.j..chen٬w.H.and Wu٬s.(2004)٬ “ crdit rating analysis with support vector machines and neural  networks : a market comparative study Desiion support systems٬ vol.37.

*      Khan٬T and Ahmad٬ H. (2001)٬ “Risk Management : An Analysis of issues in Islamic Financial Industry”٬Jeddah: Islamic Research and Training Institut(IRTI)

*      Maria psillaki ٬ Ionanis E. Tsolas٬ Dimitris Margaristis (2010)٬” Evauation of credit risk based on firm performanance ٬” Available at www. Elsevir .com /locate/ejor.

*      Saunders ٬ A and Millon correntt٬ M٬2001٬ Financial markets and institution: "A modern perspective". Mc Graw-Hill٬ internationall Edition.

*      Website: www.century21.ca, "ABC`s of Mortgage Loan Insurance", 2011.