برآورد ریسک اعتباری مشتریان با استفاده از تحلیل چند بعدی ترجیحات (مطالعه موردی: یک بانک تجاری در ایران)

محورهای موضوعی : اقتصاد کار و جمعیت

سید علی ناجی اصفهانی ¹ (دانشجوی کارشناسی ارشد دانشگاه خوارزمی)
محمد علی رستگار ² (گروه مهندسی مالی، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس)

تاریخ دریافت : 1397/12/20 تاریخ پذیرش : 1397/12/20 تاریخ انتشار : 1397/12/01

کلید واژه: طبقه‎بندی JEL: .G32, C15, G21 واژگان کلیدی: ریسک اعتباری, بانک تجاری, آنالیز چند بعدی ترجیحات (LINMAP),

چکیده مقاله :

چکیده هدف این مقاله ارزیابی و پیش‌بینی ریسک اعتباری شرکت‎های متقاضی تسهیلات از یک بانک تجاری در ایران است. بدین منظور، با استفاده از نمونه‌گیری تصادفی بین مقطعی، 75 درصد درون نمونه‌ای و 25 درصد برون نمونه‌ای و مدل تحلیل چندبعدی ترجیحات وضعیت نسبت‎های مالی و عملکرد آن‎ها نزد بانک طی سال‌های 1389–1393 مورد بررسی قرار گرفت. نتایج حاکی از کارایی روش استفاده شده جهت پیش‌بینی رفتار اعتباری مشتریان بانک می‎باشد. با توجه به مزیت‎های روش استفاده شده که شامل عدم وابستگی به سابقه عملکرد مالی شرکت‎ها و دقت پیش‌بینی این روش نسبت به روش‎های متداول می‎باشد، پیشنهاد می‎شود از این روش به عنوان ورودی تحقیقات مدیریت پرتفوی اعتباری بانک‎ها استفاده گردد.

چکیده انگلیسی:

Abstract The aim of this paper is evaluation and forecasting of credit risk of the companies that were applied for a loan in a commercial bank in Iran. So, by using cross-section random sampling by having 75% of total data as an in-sample and 25% as out-sample and also by using LINMAP model, financial statements and their performance in the bank were investigated during 1389-1393. The results indicate the efficiency of the method for forecasting credit behavior of the bank's customers. Considering the method advantages including its independence to the companies' financial background and precision in forecasting relative to prevailing methods, it is recommended to use this method as input to researches for banks' credit portfolio management.   

منابع و مأخذ:

منابع

-  رستگار، محمد‌علی، جبینی، سجاد (1397). طبقه‎بندی اعتباری مشتریان حقوقی یک بانک ایرانی با استفاده از KFP-MCOC. فصلنامه علمی- پژوهشی اقتصاد مقداری، 15 (56): 181-199.

-      Agliardi, E., & Agliardi, R. (2009). Fuzzy defaultable bonds. Fuzzy Sets and Systems, 160: 2597-2607.

-      Altman, E.I. (2000). Predicting financial distress of companies: revisiting the Z-score and ZETA models. Stern School of Business, New York University: 9-12.

-      Altman, E.I. (2001). Analyzing and explaining default recovery rates.

-      Altman, E.I., & Saunders, A. (1997). Credit risk measurement: Developments over the last 20 years. journal of banking & finance, 21: 1721-1742.

-      Bereketli, I., & Erol Genevois, M., & Esra Albayrak, Y., & Ozyol, M. (2011). WEEE treatment strategies_آ evaluation using fuzzy LINMAP method. Expert Systems with Applications, 38: 71-79.

-      Castagnetti, C., & Rossi, E. (2013). EURO corporate bond risk factors. Journal of Applied Econometrics, 28: 372-391.

-      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.

-      Hayre, L., & Chiluveru, S. (2012). Evaluation of Mortgage Credit Risk. The Journal of Fixed Income, 21: 43-54.

-      Mou,T.Y., & Zhou,Z.F. & Shi,Y., (2006). Credit Risk Evaluation Based on LINMAP. In Computational Science–ICCS.

-      Ohlson, J.A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of accounting research,109-131.

-      Orsenigo, C., & Vercellis, C. (2013). Linear versus nonlinear dimensionality reduction for banks credit rating prediction. Knowledge-Based Systems, 47: 14-22.

-      Pérez-Martín, A., & Pérez-Torregrosa, A., & Vaca, M. (2018) Big Data techniques to measure credit banking risk in home equity loans. Journal of Business Research, 89: 448-454.

-      Shen, F., & Ma, X., & Li, Z., & Xu, Z., & Cai, D. (2018). An extended intuitionistic fuzzy TOPSIS method based on a new distance measure with an application to credit risk evaluation. Information Sciences, 428: 105-119.

-      Srinivasan, V., & Shocker, A.D. (1973). Linear programming techniques for multidimensional analysis of preferences. Psychometrika , 38: 337-369.

-      Xia, H.C., & Li, D.F., & Zhou, J.Y., & Wang, J.M. (2006). Fuzzy LINMAP method for multiattribute decision making under fuzzy environments. Journal of computer and system sciences, 72: 741-759.

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