اعتبارسنجی و رتبه بندی مشتریان حقیقی: مطالعه موردی بانک صاردرات ایران

محورهای موضوعی : دانش سرمایه‌گذاری

علیرضا ترابیان ¹ (دانشجوی دکترای علوم اقتصادی، واحد میانه ،دانشگاه آزاد اسلامی ،میانه، ایران.)
محمد رضا ناهیدی امیرخیز ² (گروه علوم اقتصادی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.)
سیاوش جانی ³ (دانشیار گروه اقتصاد، دانشگاه پیام نور،ایران.)
رقیه حسن زاده ⁴ (استادیار گروه مدیریت، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران.)

تاریخ دریافت : 1398/10/04 تاریخ پذیرش : 1398/10/11 تاریخ انتشار : 1401/01/01

کلید واژه: اعتبارسنجی, مدیریت ریسک اعتباری, رتبه بندی اعتباری,

چکیده مقاله :

ارزیابی ریسک اعتباری یکی از موضوعات چالش برانگیز و مهم در حوزه تجزیه و تحلیل مالی بخصوص بخش بانکی است. یکی از روش‌های مربوط به کاهش ریسک مذکور به طراحی سیستم تعیین رتبه اعتباری گیرندگان تسهیلات مربوط می‌شود. اعتبارسنجی روشی برای ارزیابی ریسک اعتباری متقاضی وام است که داده‌های گذشته و تکنیک‌های آماری را به کار می‌برد تا تأثیر ویژگی‌های مختلف یک متقاضی وام را بر احتمال تأخیر یا قصور در پرداخت بدهی توسط وی، بررسی کند. این پژوهش در مورد روش‌های مدیریت ریسک اعتباری با استفاده از روش‌های رگراسیون لاجیت و اعتبار سنجی و رتبه بندی مشتریان حقیقی سرپرستی مرکز بانک صادرات انجام و مشخصاتی نظیر سن، جنسیت، مبلغ و وثیقه تسهیلات به عنوان متغیرهای مستقل در نظر گرفته می‌شود. این پژوهش رابطه بین نتایج کسب شده از این مدل و وضعیت اعتباری مشتریان انتخاب شده را مورد مطالعه قرار می‌دهد. نتایج حاصل نشان می دهد که متغیرهای سن و تحصیلات بر وضعیت و رتبه بندی اعتباری مشتریان تاثیر دارد، در حالی که دیگر متغیرهای فوق الذکر با وضعیت اعتباری مشتری رابطه معناداری دارد.

چکیده انگلیسی:

Credit risk assessment is one of the most challenging issues in financial analysis especially in the banking sector. One of the ways to reduce this risk is to design a credit rating system for facility recipients. Accreditation is a method of assessing a loan applicant's credit risk that uses past data and statistical techniques to investigate the impact of different features of a loan applicant on the likelihood of default or default on the loan. This research on credit risk management methods using Logistic Regression and Validation methods and real customer ratings of Saderat Bank Supervision Center is performed and characteristics such as age, gender, amount and collateral of facilities are considered as independent variables. This study examines the relationship between the results of this model and the credit status of selected customers. The results show that the variables of age and education have an impact on the status and credit rating of the customers, while the other variables mentioned have a significant relationship with the credit status of the customer.

منابع و مأخذ:

• احمدیان، اعظم (1396) "آسیب‌پذیری رشد اقتصادی از بحران مدیریت ریسک اعتباری در شبکه بانکی کشور" فصلنامه مطالعات مالی و بانکداری اسلامی، سال سوم، شماره 67.


• بافنده زنده، علیرضا؛ رحیمی، رحیم؛ (زمستان1393)" ارائه یک سیستم خبره فازی جهت اعتبار سنجی مشتریان حقیقی بانک " فصلنامه پژوهشنامه بازرگانی، شماره 73


• تقوی، مهدی؛ لطفی، علی‌اصغر و سهرابی، عبدالرضا (1387)، "الگوی ریسک اعتباری و رتبه‌بندی مشتریان حقوقی بانک کشاورزی" نشریه پژوهشنامه اقتصادی، ش4، ص99-128.


• حیدری، هادی؛ زواریان، زهرا و نوربخش، ایمان (1389)، "بررسی اثر شاخص‌های کلان اقتصادی بر مطالبات معوق بانک‌ها"، فصلنامه پول و اقتصاد، ش4، ص 191-219.


• دهمرده، نظر؛ شهرکی، جواد؛ سیف‌الدین پور، سمیرا و اسفندیاری، مرضیه (1391)، "اعتبارسنجی مشتریان بانک با استفاده از رویکرد امتیازدهی اعتباری: مطالعه موردی بانک سپه زاهدان" پژوهش‌های مدیریت عمومی، 5 (18)، ص 135-152.


• راستی، محمدرضا؛ اختیاری، مصطفی؛ " تصمیمگیری گروهی برای رتبهبندی اعتباری مشتریان (خرداد1390)، اداره تحقیقات و کنترل ریسک بانک سپه، شماره 122


• رجب زاده قطری، علی؛ بهرام میرزایی، آرش؛ احمدی، پرویز؛ " طراحی سیستم هوشمند ترکیبی رتبه بندی اعتباری مشتریان بانکها با استفاده از مدلهای استدلالی فازی ترکیبی "(زمستان 1390)، فصلنامه پژوهشنامه بازرگانی، شماره 53


• شاکری، حسن و اخلاقی، بیژن (1398) "بررسی روش های داده کاوی برای امتیاز دهی اعتبار مشتریان برمبنای الگوریتم های انتخاب ویژگی مبتنی بر اعتماد" سومین همایش ملی دانش و فناوری مهندسی برق.


• عرب مازار، عباس و رویین‌تن، پونه (1385)، "عوامل مؤثر بر ریسک اعتباری مشتریان بانکی" جستارهای اقتصادی (6)، ص 45-80.


• عیسی زاده، سعید؛ مهرگان، سعید؛ شکری، نوشین (1397) "بررسی تأثیر شاخص‌های سودآوری بانکی بر رشد بخش صنعت در ایران رویکردی بر روش رگرسیون انتقال ملایم" فصلنامه پژوهش‌ها و سیاست‌های اقتصادی شماره 86.


• کاظمی، ابوالفض؛ قاسمی، جواد؛ زندیه، وحید؛ " رتبهبندی اعتباری مشتریان حقیقی بانکها با استفاده از مدلهای مختلف شبکه عصبی، مطالعه موردی یکی از بانکهای خصوصی ایران "(زمستان 1395) فصلنامه علمی پژوهشی مطالعات مدیریت صنعتی، سال نهم- شماره 23 ، صفحات 161


• کامران، رضا؛ (1392) "اعتبارسنجی متقاضیان تسهیلات در بانک‌ها با استفاده از مدل‌های شبکه عصبی"، پایان‌نامه کارشناسی ارشد، دانشگاه فردوسی مشهد.


• مجموعه رهنمودهایی برای مدیریت مؤثر ریسک اعتباری ،بانک مرکزی جمهوری اسلامی ایران (1382).


• نوری بروجردی، پیمان (1393)، طراحی و پیاده‌سازی الگوی مناسب ارزیابی عملکرد شعب بانک‌ها با استفاده از روش تحلیل پوششی داده‌ها (مطالعه موردی: بانک قوامین)، پژوهش‌های پولی – بانکی.


• واعظ، محمد؛ امیری، هادی و حیدری، مهدی (1391)، "تأثیر چرخه‌های تجاری بر نرخ نکول تسهیلات بانکی طی دوره 1388-1379 و تعیین سبد بهینه تسهیلات برای کل نظام بانکی" فصلنامه پول و اقتصاد، ش7، ص 76-41.


• همتی، عبدالناصر و محبی نژاد، شادی (1388)، "تأثیر چرخه‌های تجاری بر نرخ نکول تسهیلات بانکی طی دوره 1379-1388 و تعیین سبد بهینه تسهیلات برای کل نظام بانکی" فصلنامه پول و اقتصاد، ش 7، ص 41-76.

 

• Abdou, H. and Pointon, J. (2011), “Credit Scoring, Statistical Techniquesand Evaluation Criteria: a Review of the Literature”, Intelligence Systemsin Accounting, Finance and Management, Vol. 18 (2,3), pp: 59-88.


• Ademu, A. (2006). The informal sector and employment generation in Nigeria: the role of credit. Employment generation in Nigeria. Selected papers for the annual conference of the Nigeria economic society, in calabar, August 22nd to 24th.


• Adeniyi, O. M. (2006). Bank credit and economic development in Nigeria: A case study of deposit money banks. Jos: university of Jos.


• Banasik, J, Crook, J. and Thomas, L.C. (1999), “Not if but when will Borrowers Default”, the journal of the operational research, 50 (12), pp:1185-1190


• Baesens, B, Van gestel, T, Stepanova, M. and Van den Poel, D. (2005) “Neural Network Survival Analysis for personal Loan Data”, Journal of the Operational Research Society, 56 (9), pp: 1089-1098.


• Belloti, T.and Crook, J. (2009), “Credit Scoring with macroeconomic variable using survival analysis”, journal of operational research society, Vol.60, pp:1699-1707


• Bolton, C. (2009), Logistic Regression and its Application in Credit Scoring, Ph.D. Thesis, University of Pretoria, South Africa.


• Carling, K, Jacobson, T, Linde, J. and Roszbach, K.(2007), “corporate credit Risk Modelling and the macri economy”, journal of banking and finance, Vol. 31, pp: 845-868


• Delamaire, L. (2012), Implementing a Credit risk Management System Based on Innovative Scoring Techniques, Ph.D. thesis, the University of Birmingham, England.


• Demirgüç-Kunt, A. and Detragiache, E. (1998), “The Determinants of Banking Crises in Developing and Developed Countries”, IMF Staff Papers, 45 (1), pp: 81-109.


• Durand, D.D. (1941), “Risk Elements in Consumer Installment Financing”, Occasional Paper, No.8, New York: National Bureau of Economic Research.


• Gambera, M. (2000), “Simple Forecasts of Bank Loan in the Business Cycle”, Emerging Issues Series, Vol. 3, pp: 1-27.


• Hua Z., Wang Y., Xu X., Zhang B., Liang L. ;"Predicting corporate financial distress based on integration of support vector machine and logistic regression"; Expert Systems with Applications, 33: 434-440, 2012.


• Imoughele, L. E., & Ismaila, M. (2014) the impact of commercial bank credit on the growth of small and medium scale interprises: An econometric evidence from Nigeria (1986 - 2012), Journal of educational policy and entrepreneurial research. Vol. 1, NO. 2.


• Jafry, Y. and Schermann, T. (2004)T “measurement, estimate and comparison of credit migration’ journal of banking and finance, 28 (11), pp: 2603-2639.


• Louzis, D, Vouldis, A. and Metaxas, V. (2012), “Macroeconomic and Bank-Specific Determinants of nonperforming loans in Greece: a Comparative Study of mortgage, business and Consumer loan portfolio”, journal of banking and finance, 36 (4), PP:1012-1027


• McKinnon, R., & Shaw, E. D. (1973). Money and capital in economic development. Washington: the brooking institute.


• Malik, M and Thomas L.C. (2006), “Modeling credit risk of portfolio of consumer loans”, University of Southampton. School of Management Working Paper Series, No. CORMSIS-07-12.


• Mester, L. (1997), What's the Point of Credit Scoring? Business Review, Federal Reserve Bank of Philadelphia, September/October 1997.


• Pesola, J. (2005), “Banking Fragility and Distress: an Econometric Study of Macroeconomic Determinant”, Bank of Finland Research Discussion Papers, 13/2005.


• Purhit, US, mahadevan, V. and kukarni, A.N. (2012) “credit evaluation model of loan proposals for indian banks”, international journal of modeling and optimization , 2(4), pp:868-873


• Sullivan,A.C. (1987), Economic Factors Associated with Delinquency Rate on Consumer Installment Debt. Credit research Centre, Krannert Graduate School of management, Purdue University. Working paper


• Thomas, L.C. (2009), Consumer Credit Models: Pricing, Profit, and Portfolios (first Ed), New York: Oxford University Press.


• Thomas, L. C, Edelman, D.B, and Crook, J.N. (2002), Credit Scoring and Applications, Philadelphia: Society for Industrial and Applied


• Thomas, L.C, Ho, J. and Scherer, W.T. (2001), “Time will tell: Behavioral Scoring and the Dynamics of Consumer Credit Assessment”, IMA Journal of Management Mathematics, 12, pp: 89-103.


• Wachtel, P. (2003). How much do we really know about growth and finance? Economic review. Federal Reserve Bank of Atlanta, Issue Q1, 33-47.