1398/12/25 یکشنبه

رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان (بخش دوم)

ریسک اعتباری ریسکی است که از نکول/قصور طرف قرارداد، یا در حالتی کلی تر ریسکی که از (اتفاقی اعتباری) به وجود می آید. به طور تاریخی این ریسک معمولا در مورد اوراق قرضه واقع می شد، بدین صورت که قرض دهنده ها از بازپرداخت وامی که به قرض گیرنده داده بودند، بی اطمینانی داشتند. به همین خاطر گاهی اوقات ریسک اعتباری را (ریسک نکول) هم گویند. 

رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان (بخش دوم)

ریسک اعتباری

ریسک اعتباری ریسکی است که از نکول/قصور طرف قرارداد، یا در حالتی کلی تر ریسکی که از (اتفاقی اعتباری) به وجود می آید. به طور تاریخی این ریسک معمولا در مورد اوراق قرضه واقع می شد، بدین صورت که قرض دهنده ها از بازپرداخت وامی که به قرض گیرنده داده بودند، بی اطمینانی داشتند. به همین خاطر گاهی اوقات ریسک اعتباری را (ریسک نکول) هم گویند. 
ریسک اعتباری، ناشی از ناتوانی و یا عدم تمایل دریافت کننده تسهیلات در بازپرداخت تسهیلات می باشد. این عدم عمل به تعهدات می تواند ناشی از کسادی شرایط کسب و کار یا سایر وضعیت هایی باشد که طرف قرارداد با آن مواجه است. به عبارت دیگر ریسک اعتباری عبارت است از احتمال اینکه بعضی از دارایی های بانک، به ویژه تسهیلات اعطایی از نظر ارزش کاهش یابد و یا بی ارزش شود. 
با توجه به اینکه سرمایه بانک ها نسبت به کل ارزش دارایی های آن ها کم است، حتی اگر درصد کمی از وام های اعطایی، قابل وصول نباشد، بانک با خطر ورشکستگی رو به رو خواهد شد. 
فرآیند مدیریت ریسک اعتباری یعنی شناسایی، ارزیابی و تجزیه و تحلیل و واکنش مناسب به ریسک اعتباری و نیز نظارت مستمر بر آن ها با توجه به شرایط متغیر محیطی (اقتصادی، سیاسی، اجتماعی و تکنولوژیکی ...) (مدرس و ذکاوت، 1386)
بحران های مشاهده شده در نظام بانکی کشورها عمدتا ناشی از عدم کارایی در مدیریت ریسک اعتباری بوده است. تمرکز اعطای تسهیلات با حجم بالا به یک فرد، شرکت، گروه و یا بخش اقتصادی خاص از عوامل افزایش دهنده این ریسک خواهد بود. مهمترین ابزاری که بانک ها برای مدیریت و کنترل ریسک اعتباری به آن نیازمندند، سیستم رتبه بندی اعتباری مشتریان است. 
چنین سیستمی، مشتریان را بر اساس میزان ریسکی که متوجه بانک خواهد نمود، رتبه بندی می کند. بدیهی است چنین سیستمی بانک را در گزینش مطلوب مشتریان اعتباری خود، یاری نموده و ضمن کنترل و کاهش ریسک اعتباری، سطح بهره وری فرایند اعطای تسهیلات را ارتقا خواهد داد. (احمدی زاده، 1385)

اعتبارسنجی

اعتبارسنجی به مفهوم ارزیابی و سنجش توان بازپرداخت متقاضیان اعتبار تسهیلات مالی و احتمای عدم بازپرداخت اعتبارات دریافتی از سوی آن ها می باشد. اعتبارسنجی اظهارنظری رسمی است که توسط موسسه های اعتبار سنجی مشتریان درباره اعتبار بانکی افراد حقیقی و حقوقی بانک ها و موسسات مالی اعتباری مطرح می شود و امکان شناخت بیشتر را نسبت به وضعیت و توان مالی افراد جهت بازپرداخت تسهیلات دریافتی و دریافت خدمات بیشتر فراهم می کند. 
رتبه سنجی (تعیین رتبه اعتباری) در حقیقت بینش لازم جهت شناخت ریسک اعتباری مشتریان را برای یک بنگاه فراهم می سازد (مدرس 1386). مرحله اعتبارسنجی در بررسی اعتباری مشتریان، شناسایی عوامل اصلی اثرگذار بر ریسک اعتباری می باشد. 
اساس کار اعتبار سنجی مشتریان بر مبنای داده کاوی بنیان نهاده شده است. در فرآیند اعتبارسنجی، مشتریان بر اساس شاخص ها و ویژگی های مختلفی مورد ارزیابی و رتبه بندی قرار می گیرند (فردحریری، 1387). این رتبه یا امتیاز در واقع نمایانگر اعتبار مالی مشتری است که بانک می تواند بر اساس آن نسبت به ارائه خدمات به مشتری خیلی سریع تر و دقیق تر تصمیم گیری کند. 
در فعالیت های مالی همواره سود بیشتر همراه با ریسک بیشتر است و در چنین شرایطی پرتفوی اعتباری با نگاهی به دو مولفه سود و ریسک چیده می شود که علاوه بر پذیرش ریسک معقول، فرآیند اعطای تسهیلات با سودآوری مناسب همراه باشد. طراحی چنین پرتفویی مستلزم ایجاد موازنه میان توان ریسک پذیری و سود انتظاری است.
در چنین شرایطی سیستم رتبه بندی اعتباری مشتریان برای ایجاد چنین توازنی بین ریسک و سود، ضروری است و عدم وجود چنین سیستمی بی شک به وجود و شکل گیری یک پرتفوی اعتباری کارآمد و بهینه که تامین کننده منافع مالی موسسات باشد، لطمه وارد خواهد نمود. 

روش تحقیق

نوع روش تحقیق در این پژوهش از نظر هدف کاربردی و از نظر نحوه گردآوری داده، توصیفی پیمایشی می باشد. به منظور رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان، از اطلاعات مربوط به پرونده های 400 مورد از مشتریان اعتباری بانک استفاده می شود. جامعه آماری این تحقیق، اطلاعات تراکنشی و جمعیت شناختی 400 نفر از مشتریان این بانک می باشد که به صورت کاملا تصادفی انتخاب شده اند. این حجم نمونه از مشتریان دارای حساب منتهی به سال 1388 انتخاب شده اند. 

معرفی متغیرهای الگو

برای تعیین رتبه و امتیاز اعتباری، بایستی متغیرهای توضیحب موثر بر ریسک اعتباری مشتری که توانایی توضیح دهندگی متغیر وابسته را داشته باشند، شناسایی کرد. متغیرهای مورد استفاده در الگو را می توان به دو گروه اصلی زیر تقسیم نمود:
الف) متغیرهای کمی: اطلاعاتی که مشتریان برای گرفتن تسهیلات ارائه می دهند و در پرونده اعتباری آنها موجود است مثل نسبت جاری، نسبت آنی و نسبت مالکانه.
ب) متغیرهای کیفی: شامل متغیرهایی از قبیل شخصیت قانونی متقاضی (حقیقی یا حقوقی)، نوع فعالیت اقتصادی، سابقه همکاری با بانک و مالکیت محل کار
براساس اطلاعات پرونده های یاد شده، مشتریان را به دو گروه خوب (عدم نکول وام) و بد (نکول وام) تقسیم کرده و مبتنی بر مجموعه اطاعات نمونه برای متغیرهای وابسته و مستقل، الگوهای اقتصادسنجی لاجیت و پروبیت را برآورده کرده و عملکرد آن ها با شبکه عصبی GMDH مقایسه می شود. 

معرفی الگو اقتصادسنجی و روش شبکه عصبی GMDH

به منظور مدل سازی عوامل تعیین کننده ریسک اعتباری از الگوهای اقتصاد سنجی متعارف لاجیت و پروبیت و روش های شبکه عصبی GMDH کمک خواهیم گرفت. در این بخش به معرفی این الگوها می پردازیم.

تابع لاجیت

مدل لاجیت یکی از مدل های رگرسیونی است که در حالتی که متغیر وابسته باینری یا موهومی باشد مورد استفاده قرار می گیرد. در این حالت Y به عنوان متغیر وابسته تنها می تواند مقادیر 0 (متناظر با بازپرداخت به موقع وام توسط مشتری) و 1 (نکول در بازپرداخت) را اختیار کند. 

مدل پروبیت

مدل پروبیت نیز مانند مدل لاجیت یک تابع توزیع تجمعی (CDF) می باشد، با این تفاوت که در مدل لاجیت تابع توزیع لوجیستیکی و در مدل پروبیت نرمال می باشد. 

شبکه عصبی GMDH

شبکه های عصبی بر پایه یک مفهوم کلی از شناخت الگو و تصفیه کنند متدهای سنتی تکنیکی هستند. شبکه های عصبی که انعطاف پذیری بالایی دارند، به صورت مدل های نیمه پارامتری در بسیاری از رشته های عملی، به ویژه علوم رفتاری و اقتصاد به کار برده شده اند. 
روش دسته بندی گروهی داده های عددی، یک فن آوری آموزش آماری، جهت غلبه بر وضعیت های آماری و شبکه های عصبی است. آنچه الگوریتم GMDH را به عنوان یک روش هیوریستیک معرفی می کند، ساختن مدل هایی برای سیستم های پیچیده از نوع رگرسیون با درجات بالا می باشد که دارای مزایایی نسبت به مدل سازی کلاسیک است. 
اولین بار الگوریتم GMDH توسط یک دانشمند اوکراینی به نام ایواخننکو (1968، 1995،2000) معرفی گردید. شبکه GMDH، شبکه ای خود سازمانده و یک سویه می باشد که از چندین لایه و هر لایه نیز از چندین نرون تشکیل یافته است. تمامی نرون ها از ساختار مشابهی برخوردار می باشند به طوری که دارای دو ورودی و یک خروجی هستند و هر نرون با 5 وزن و یک بایاس عمل پردازش را میان داده های ورودی و خروجی بر اساس رابطه برقرار می کند. 
یکی از مسائل مهمی که در شیکه های عصبی مصنوعی مطرح می باشد، طراحی ساختار شبکه است. در این طراحی بایستی تعداد لایه ها و نیز ساختار نرونی از قبیل: تعداد وزن ها و مقایر اولیه آنها و همچنین تابع تحریک هر نرون به صورت مناسب انتخاب گردند، تا یک نگاشت مناسب و ایده آل میان داده های ورودی و خروجی برقرار شود. 
در طراحی شبکه های عصبی GMDH، هدف جلوگیری از رشد واگرایی شبکه و نیز مرتبط کردن شکل و ساختار شبکه به یک یا چند پارامتر عددی می باشد، به گونه ای که با تغییر این پارامترها، ساختار شبکه ها نیز تغییر کند. روش های تکاملی مانند الگوریتم ژنتیک کاربرد وسیعی در مراحل مختلف طراحی شبکه های عصبی دارند (واچکین و یارین، 2001)، چنان که دارای قاببتی های منحصر به فردی در پیدا کردن مقاویر بهینه و امکان جستجو در فضاهای غیر قابل پیش بینی دارند. 
در تحقیق حاضر، برای طراحی شکل شبکه عصبی و تعیین ضرایب آن، از الگوریتم ژنتیک استفاده شده است (جمالی و همکاران، 2006)
نرم افزار محاسباتی مبتنی بر روش تلفیقی الگوریتم ژنتیک و شبکه عصبی GMDH (نریمان زاده و همکاران، 2003)، با هدف بهینه سازی دو منظوره (آتش کاری و همکاران، 2007)، کمیته خطای مدل سازی و پیش بینی، با استفاده از نرم افزار Matlab طراحی شده که مجموعه ای از نقاط بهینه (امانی فرد و همکاران، 2008)، خطای پیش بینی و الگوسازی فرآیند را گزارش می دهد. 
بهینه سازی چند منظوره یا بهینه سازی برداری عبارت است از یافتن برداری از متغیرهای تصمیم گیری که شرایط و محدودیت های مورد نظر را ارضاء کنند و مقادیر بهینه ای برای همه توابع هدف فراهم کنند. به بیان ریاضی می خواهیم بردار را بیابیم به گونه ای که تابع زیر بهینه شود. 

برآورد مدل و تجزیه و تحلیل آن 

در این بخش به بررسی متغیرهای اثرگذار بر ریسک اعتبار بانکی افراد حقوقی بانک پارسیان با استفاده از روش های اقتصادسنجی مدل های لاجیت و پروبیت و شبکه عسبی GMDH می پردازیم. مدل های اقتصاد سنجی لاجیت یا پروبیت در حالتی که متغیر وابسته، باینری یا موهومی باشد مورد استفاده قرار می گیرند. 
به عبارت دیگر در این حالت متغیر وابسته یا خروجی برای الگوری شبکه عصبی تنها می تواند مقادیر 0 (عدم نکول) و 1 (نکول) را اختیار کند. در ادامه به معرفی متغیرهای الگو و ارائه و تحلیل نتایج تجربی می پردازیم. 

نتایج الگوی اقتصادسنجی

باتوجه به نمونه 400 تایی حاصل از پرونده های مشتریان اعتباری بانک، از اطلاعات مربوط به 350 مشتری حقوقی بانک برای تخمین الگوی لاجیت و پروبیت استفاده کرده و سپس با استفاده از الگوی برآورده شده، متغیر وابسته (نکول یا عدم نکول) را برای 50 مشتری دیگر پیش بینی می کنیم. 
اطلاعات واقعی در خصوص متغیر وابسته برای 50 مشتری دیگر در دسترس هستند و براساس آن می توان عملکرد پیش بینی الگو در خارج از دوره تخمین (نسبت پیش بینی های صحیح در خصوص نکول یا عدم نکول در خصوص 50 مشتری) را ارزیابی کرد. در انتها عملکرد پیش بینی عملکرد پیش بینی مذکور را با عملکرد پیش بیتی الگوی GMDH مقایسه می کنیم. 
نتایج حاصل از تخمین ضرایب مبتنی بر الگوهای لاجیت و پروبیت با استفاده از 350 مشاهده ارائه شده است. از آن جا که تفسیر مقادیر ضرایب حاصل از مدل لاجیت و پروبیت پیچیده است اثر نهایی هر یک از متغیرهای توضیحی روی احتمال شرطی به وسیله زیر تعیین شده است. 
مطابق نتایج حاصله برای الگوی پروبیت با تغییر وثیقه از سایر به سند رهنی، احتمال نکول کاهش می یابد. به عبارت دیگر بین وثیقه سند رهنی و احتمال نکول رابطه منفی با اثر نهایی -0/3496 وجود دارد. به همین ترتیب با تغییر نوع مالکیت از استیجاری به ملکی، احتمال عدم نکول افزایش می یابد، به طوری که مالکیت ملکی، احتمال عدم نکول را با ضرایب نهایی 0/1750 به طور معنی داری افزایش می دهد. با افزایش سابقه همکاری مشتری با بانک، احتمال نکول با ضریب -0/0411 کاهش می یابد. ضریب مذکور به لحاظ آماری معنی دار می باشد. 
به همین ترتیب بین ریسک نکول و نسبت جاری در الگوی پروبیت، نطابق انتظار رابطه منفی و معنی داری با ضریب -0/2446 وجود دارد. افزایش نسبت بدهی مطابق انتظار ریسک نکول مشتری را با ضریب 0.034 به طور معنی داری افزایش می دهد. بالاخره نسبت مالکانه، سازگار با انتظارات قبلی اثر منفی معنی داری با ضریب -0.3161 بر احتمال نکول دارد. 
بین سایر نسبت های مالی و ریسک اعتباری رابطه معناداری وجود ندارد. نتایج حاصل از الگوی لاجیت به لحاظ کیفی تفاوتی با الگوی پروبیت ندارد. 
پیش بینی های مورد انتظار برای 50 مشتری خارج از دوره تخین برای دو مدل لاجیت و پروبیت قابل مشاهده است (نتایج حاصل از دو مدل یکسان می باشند). از مجموع 17 مشتری خوش حساب، تعداد 10 نفر به عنوان خوش حساب و 7 نفر (به اشتباه) به عنوان بد حساب تشخیض داده شده اند به طوری که دقت الگو در این خصوص 58% محاسبه شده است. 
به همین ترتیب از 33 مشتری بد حساب، 30 نفر به عنوان بدحساب و 3 نفر (به اشتباه) خوش حساب تشخیص داده شده اند و وقت الگو در این حالت حود 90% می باشد. لذا نتایج نشان می دهند که توانایی این الگوها در پیش بینی مشتریان بد حساب بسیار زیاد، اما در پیش بینی مشتریان خوش حساب حدود 58% می باشد. دقت پیش بینی کل برای این الگوها 80% به دست می آید. 

منبع: فصلنامه مدلسازی اقتصادی (سال سوم، شماره 3، پیاپی 9، پاییز 1388، صفحات 150-121)، رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=137093

 
كلمات كليدی: اعتبارسنجی، رتبه بندی اعتباری، امتیاز اعتباری، سایت اعتبارسنجی، اعتبار بانکی افراد، اعتبار سنجی مشتریان

 
امتیاز دهی
 
 

نظر شما
نام
پست الكترونيک
وب سایت
متنی که در تصویر می بینید عینا تایپ نمایید
نظر
مقالات بیشتر
مطالب محبوب
آخرین مقالات
.
1398/1/7 چهارشنبه
2022© کلیه حقوق مادی و معنوی این سایت متعلق به موسسه مطالعات سرمایه گذاری ایرانیان  میباشد.