اعتبار سنجی مشتریان حقوقی کوچک و متوسط بانک ها با استفاده از مدل های لوجیت و پروبیت (قسمت دوم)

در این روش، کارشناسان اعتباری بانک با استفاده از اطلاعات مشتریان و به کمک تجربه و احساس خود اقدام به قضاوت در مورد ریسک نکول مشتری می کنند و بر اساس، آن به وی تا حد معینی اعتبار تخصیص می دهند. 

اعتبار سنجی مشتریان حقوقی کوچک و متوسط بانک ها با استفاده از مدل های لوجیت و پروبیت (قسمت دوم)

روش های کیفی یا ذهنی

در این روش، کارشناسان اعتباری بانک با استفاده از اطلاعات مشتریان و به کمک تجربه و احساس خود اقدام به قضاوت در مورد ریسک نکول مشتری می کنند و بر اساس، آن به وی تا حد معینی اعتبار تخصیص می دهند. 

مدل های تک متغیره

استفاده از نسبت های مالی برای تعیین ریسک نکول شرکت ها مربوط به اواخر قرن 19 میلادی بوده است. این موضوع ناشی از تاکید بانک های تجاری بر صورت های مالی مشتریان در دهه 1890 بود. در سال های بعد محققاتی مانند پاتریک (1930)، مروین (1942)، والتر (1950)، سورتر و بیکر (1960) تحقیقاتی در این زمینه انجام دادند. مهمترین مطالعه صورت گرفته در زمینه مربوط به پیش بینی وضعیت مالی شرکت ها توسط بیور انجام شده است. 

روش های آماری چند متغیره

در روش های آماری چند متغیره محقق سعی دارد تا با استفاده از ارتباط بین چندین متغیر به صورت همزمان، به یک عدد واد برسد تا با توجه به آن تصمیم گیری کند که آیا به مشتری اعتبار تخصیص دهد یا خیر. از انجا که این روش برای مدل های اعتبار سنجی مشتریان و مدل های پیش بینی ورشکستگی به صورت تقریبا یکسامی به کار می رود، از این رو، برای تبیین بهتر موضوع، تفاوت بین مدل های اعتبارسنجی و مدل های پیش بینی ورشکستگی مدل های متفاوتی ارائه شده است. 
از سوی دیگر، مهم ترین وجه شباهت مدل های اعتبارسنجی و پیش بینی ورشکستگی در تعیین نقطه برش بهینه است. نقطه برش معیاری برای تعیین ورشگسته بودن یا نبودن شرکت است. از این رو، ورشستگی، می توان یک مدل اعتبارسنجی مناسب ارائه کرد. 
در این زمینه باید یاد داشت که در حالت کلی هدف مدل های اعتبارسنجی این است که مشتریان را به دو گروه خوب، یعنی مشتریانی که تعهدات مالی خود را در موعد مقرر انجام می دهند و بد، یعنی مشتریانی که نمی توانند یا نمی خواند تعهدات مالی خود را در موقع مقرر انجام دهند، تقسیم کنند. 

تحلیل ممیز چندگانه

تحلیل ممسز چندگانه روش آماری است که از ان برای دسته بندی مشاهدات به گروه های از پیش تعیین شده استفاده می شود. این روش ترکیبی خطی از ویژگی های مختلف را بر اساس تعاملات بین متغیرها برقرار می سازد. 
در اواخر دهه 1960 تحلیل ممیزی برای ترکیب نسبت های مالی برای تحلیل وضعیت و عملکرد شرکت ها معرفی شدند. با وجود گذشت چند دهه از آن زمان، همچنان از مدل های تحلیل ممیزی چندگانه برای ایجاد و توسعه مدل های اعتباری استفاده می شود. تحقیقات آلتمن، مویر، تافلر، موزس و لیو از این دسته تحقیقات به شمار می آیند. 

رگرسیون لوجیت و پروبیت

مدل های لوجیت و پوبیت برای پیش بینی وضعیت مالی و اعتباری شرکت ها در اواخر دهه 1970 معرفی شدند. روش لوجیت یک تحلیل چند متغیری است که تمام عوامل پیش بینی کننده موجود در یک مساله را به طور هم زمان مورد توجه قرار می دهد. در تحلیل لوجیت برخلاف تحلیل ممیزی چندگانه وزنی که به هر یک از متغیرهای مستقل داده می شود با در نظر گرفتن احتمالی است که به هر یک از دسته ها داده می شود. 
این مدل ها به دنبال تخمین میزان احتمال شکست در ایفای تعهدات شرکت ها بودند. مهم ترین تفاوت مدل های رگرسیون لوجیت و پروبیت نیز در این است که در مدل های پروبیت فرض می شود اطلاعات از توزیع نرمال تبعیت می کند. اهلسون (1980)، زاوگرن (1983) و گرایس (1998) از جمله افرادی هستند که از این مدل برای پیش بینی ورشکستگی شرکت ها استفاده کردند. 
وینگتون (1980) نتایج اعتبارسنجی حاصل از مدل های تحلیل ممیزی و رگرسیون لوجستیک را با یکدیگر مقایسه کرد. وی به این نتیجه رسید که رگرسیون لوجستیک از درصد خطای کمتری نسبت به روش های تحلیل ممیزی برخوردار است. 
جوز و دیگران (19989 نیز میزان کارایی تحلیل مدل رگرسیون لوجیت را با نتایج حاصل از درخت تصمیم گیری مقایسه کردند. آن ها به کمک اطلاعات موجود در پایگاه داده بزرگ ترین بانک های بلژیک، نشان دادند که نتایج مدل لوجیت از دقت بیشتری برخوردار است. 
همچنین افراد دیگری مانند هنلی (1995)، لاتینن (1999)، وستگارد و وندرویجست (2001) برای اعتبار سنجی مشتریان حقوقی و حقیقی از رگرسیون لوجیت استفاده کرده اند. 
در ایران نیز تحقیقاتی در زمینه پیش بینی درماندگی مالی شرکت ها صورت گرفته است. از جمله آن ها می توان به تحقیق فلاح پور (1383) اشاره کرد. وی در تحقیق خود شش نسبت را به عنوان متغیرهای اصلی تعیین کرد و با استفاده از نمونه ای متشکل از 80 شرکت تولید، به کمک شبکه پرسپترون چندلایه مدل خود را با مدل رگرسیون لوجیت مقایسه کرد و به این نتیجه رسید که دقت مدل شبکه های عصبی از رگرسیون لوجیت بالاتر است. 
امیری (1382)، در تحقیق خود اقدام به ارائه الگویی برای پیش بینی ورشکستگی در ایران کرده است. وی 60 نمونه را برای طراحی مدل خود انتخاب کرد که نیمی از آنها دارای بحران مالی بودند. وی با استفاده از 5 نسبت مالی، مدلی براساس رگرسیون چندگانه ارائه کرد. نتایج آزمون مدل حاکی از آن بود که مدل 93 درصد از کل نمونه را به صورت صحیح طبقه بندی می کند.  
فلاح شمس (1384)، در مقاله خود با عنوان (طراح و تبیین مدل ریسک اعتباری در نظام بانکی کشور)، به بررسی کارایی مدل های احتمای خطی، لوجیت و شبکه های عصبی مصنوعی برای پیش بینی ریسک اعتباری پرداخته است. 
وی در تحقیق خود با استفاده از اطلاعات مالی و اعتباری 316 نفر از مشتریان حقوقی بانک های کشور، مدل های یاد شده را مورد آزمون قرار داد. نتایج تحقیق وی نشان می دهد که ارتباط بین متغیرهای مدل پیش بینی ریسک اعتباری، به صورت خطی نیست و توابع نمایی و سیگموند مناسب ترین مدل های پیش بینی ریسک اعتباری محسوب می شوند. 
راعی و فلاح پور (1387)، در تحقیق خود به بررسی کاربرد ماشین بردار پشتیبان در پیش بینی درماندگی مالی شرکت ها پرداختند. آنها با استفاده از اطلاعات 40 شرکت تولیدی اقدام به ارائه مدلی کردند. دقت کلی پیش بینی مدلی ارایه شده در مقایسه با نتایج حاصل از مدل رگرسیون لوجیت بررسی و مشخص شد که دقت کلی پیش بینی مدل SVM در یک سال، دو سال و سه سال قبل از ورشکستگی از دقت مدل رگرسیون لوجستیک بیشتر است.

منبع: فصلنامه پژوهشنامه اقتصادی (رویکرد اسلامی-ایرانی)، سال دوازدهم، شماره 44، بهار 1391، صفحات 145-131
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=207808
 
كلمات كليدی: اعتبارسنجی، اعتبار سنجی مشتریان، سامانه اعتبارسنجی، سایت اعتبارسنجی، تعریف اعتبارسنجی، اعتبار بانکی افراد


نظر شما
نام
پست الكترونيک
وب سایت
متنی که در تصویر می بینید عینا تایپ نمایید
نظر
مقالات بیشتر
مقالات مرتبط
.
.
2019© کلیه حقوق مادی و معنوی این سایت متعلق به شرکت توسعه زیر ساخت های فناوری اطلاعات سیگما میباشد.