مدل ریسک اعتباری و رتبه بندی مشتریان حقوقی بانک کشاورزی (قسمت دوم)

پیرامون موضوع ریسک اعتباری، امتیازدهی و رتبه بندی مشتریان بانک ها، مطالعات متعددی در سطح داخلی و خارجی صورت گرفته است. این مطالعات با استفاده از تکنیک ها و روش های مختلف آماری و اقتصادی سعی در کمی کردن ریسک اعتباری مشتریان بانک ها و موسسات مالی داشته اند که در ادامه به مرور برخی از این مطالعات و پژوهش ها پرداخته خواهد شد. 

مدل ریسک اعتباری و رتبه بندی مشتریان حقوقی بانک کشاورزی (قسمت دوم)

مطالعات و تحقیقات انجام شده

پیرامون موضوع ریسک اعتباری، امتیازدهی و رتبه بندی مشتریان بانک ها، مطالعات متعددی در سطح داخلی و خارجی صورت گرفته است. این مطالعات با استفاده از تکنیک ها و روش های مختلف آماری و اقتصادی سعی در کمی کردن ریسک اعتباری مشتریان بانک ها و موسسات مالی داشته اند که در ادامه به مرور برخی از این مطالعات و پژوهش ها پرداخته خواهد شد. 
الف) پژوهشی با عنوان (تحلیلی از امتیازدهی اعتباری برای وام های کشارزی در تایلند) توسط (لیمسو بونچایی)، (گان) و (لی) صورت گرفته است. هدف پژوهشگران از انجام این مطالعه تخمین مدل امتیازدهی اعتباری (تصمیم گیری وام دهی) برای وام های کشاورزی در تایلند بوده است. برای این منظور، آن ها از مدل لاجیت و دو نوع از مدل های شبکه عصبی مصنوعی، یکی با عنوان (شبکه عصبی احتمالی) که به صورت اختصار با PNN نشان داده می شود و دیگری با عنوان (شبکه عصبی چند لایه باز خوردی) به اختصار به صورت MLFN نشان داده می شود، برای برآورد مدل امتیازدهی اعتباری خود استفاده کرده اند. در این مطالعه، قدرت پیش بینی هر یک از سه مدل مورد استفاده، مورد بررسی تجربی نیز قرار گرفته است. نتایج حاصله در این تحقیق نشان می دهد که مدل PNN به طور قدرت پیش بینی صحیح این مدل در داده های داخل نمونه، بیشتر از دو مدل دیگر است. نتایج حاصل از قدرت پیش بینی مدل در داده های خارج از نمونه نشان می دهد که هر سه مدل از قدرت پیش بینی یکسان برخوردارند، اما در کل، مدل لاجیت فقط وام های خوب (وام هایی که به موقع تسویه شده اند) را ندارد، اما قدرت پیش بینی مدل لاجیت در مورد وام های خوب بالاتر از دو مدل دیگر است. به منظور تصمیم گیری در مورد انتخاب یکی از این سه مدل و کاهش خطای طبقه بندی وام ها (ارتکاب خطای نوع اول و نوع دوم)، زیان انتظاری طبقه بندی نادرست محاسبه شده است. محاسبه این نسبت نشان می دهد که مدل PNN نسبت به دو مدل دیگر، از اولویت در برآورد امتیاز اعتباری مشتریان برخوردار است. 
ب) مطالعه ای با عنوان مدل امتیازدهی اعتباری برای وام های تجاری، توسط (یر. ای. اورگلر) در سال 1970 انجام شده است. در این تحقیق، مدل امتیازدهی اعتباری با استفاده از اطلاعات مربوط به وام های خوب استخراج شده است. این مدل، مجموعه ای از شاخص ها را به دست می دهد که بر اساس آن می توان بین دو گروه از وام های بد و خوب، تمایز قائل شد. برای این منظور یک مدل رگرسیون چند متغیره، از نوع مدل های لاجیت مورد استفاده قرار گرفته است.این مدل ها، توسط ارزیاب وام ها مورد بررسی مختصری قرار گرفته و سپس در یکی از گروه های وام های بد یا وام های خوب جای داده می شود. 
ج) آقای سبزواری و نوربخش با استفاده از مدل امتیازدهی لاجیت و روش غیر پارامتریک CART به ارزیابی مشتریان حقوقی بانک کارآفرین پرداخته و نتایج دو مدل مذکور را با یکدیگر مقایسه کرده اند. در این پژوهش 448 مشاهده از مشتریان حقوقی بانک کارآفرین مورد استفاده قرار گرفته است. براساس نتایج به دست آمده هر دو مدل برای تمام مشاهدات از دقت پیش بینی تقریبا برابری برخوردارند، لیکن در نمونه های کوچکتر دقت پیش بینی روش CART بیشتر است.

متدولوژی و روش تحقیق

از آنجا که هدف اصلی این مطالعه، شناسایی متغیرهای اثرگذار بر ریسک اعتباری مشتریان است در این بخش با استفاده از روش اقتصادسنجی و مدل رگرسیون لاجیت به تحلیل ریسک اعتباری و امتیازدهی و رتبه بندی اعتباری مشتریان خواهیم پرداخت.

جامعه آماری و دوره زمانی تحقیق

در این تحقیق به منظور بررسی عوامل موثر بر ریسک اعتباری مشتریان حقوقی بانکی، بنا به پیشنهاد کمیته عالی ریسک بانک مورد بررسی، حقوقی شعب بانک در سطح استان اصفهان به عنوان اعضای جامعه آماری انتخاب شدند. بر این اساس از پرونده اعتباری تمامی مشتریان حقوقی بانک در استان فوق که حدود هفتصد پرونده می شد و از ابتدای سال 1380 تا انتهای سال 1385 از بانک تسهیلات اعتباری دریافت کرده بودند، مورد بررسی قرار گرفت که از این تعداد تنها دویست و شصت پرونده واجد اطلاعات لازم برای برآورد الگوی رتبه بندی مشتریان بود. 
مسئله ای که درباره این مشتریان وجود داشت عدم وجود صورت های مالی در پرونده آن ها بود. برای اخذ صورت های مالی این دسته از مشتریان، اقدامات متعددی انجام گرفت و مکاتبات بسیاری با مدیران استان و روسای شعب اصفهان انجام گرفت، اما متاسفانه اطلاعات کافی از صورت های مالی مشتریان به دست نیامد و اطلاعاتی که هم حاصل شد از کیفیت مناسبی برخوردار نبود.
بر این اساس، در ادامه کار تصمیم گرفته شد مشتریان حقوقی شعب بانک در استان تهران نیز به جامعه آماری ما اضافه شود و در این راستا بیش از ششصد و پنجاه پرونده مورد بررسی قرار گرفت که از این تعداد نیز سیصد و هشتاد پرونده از اطلاعات لازم برخوردار بودند. نکته قابل توجه این است که اغلب، پرونده اعتباری مشتریان استان تهران نیز فاقد صورت های مالی بودند و لذا امکان استفاده از نسبت های مالی در برآورد الگوی ریسک اعتباری و رتبه بندی مشتریان میسر نشد. بر این مبنا، مدل رتبه بندی مشتریان بدون استفاده از نسبت های مالی و با استفاده از مجموع اطلاعات مشتریان حقوقی استان های تهران و اصفهان تخمین زده شد. 

طبقه بندی مشتریان از نظر وضعیت اعتباری

جامعه آماری فوق از نظر وضعیت اعتباری به دو دسته تقسیم شده است: 
  1. مشتریان خوش حساب: شرکت هایی که تسهیلات دریافتی خود را در سر رسید مربوطه (قبل از این که تسهیلات سر رسید گذشته شود) تسویه می نمایند.
  2. مشتریان بد حساب: شرکت هایی که پس از دریافت تسهیلات، در سررسید مربوطه نسبت به تسویه تعهدات خود (اصل و سود تسهیلات) اقدام نمایند. شرکت هایی که پس از سررسید گذشته یا معوق شدن تسهیلات مورد نظر و پس از گذشت مدتی نسبت به تادیه تعهدات خود اقدام می نمایند، نیز جزء این گروه از مشتریان هستند. 

متغیرهای پژوهش

الف) متغیر وابسته: در این تحقیق با def نشان داده شده است که در مدل رگرسیون تعیین کننده وضعیت مشتری بوده و ذاتا از خصوصیت گسسته برخوردار است. با توجه به اینکه مشتریان اعتباری به دو دسته خوش حساب و بدحساب تقسیم شده اند، این متغیر می تواند دو حالت صفر و یک را به خود اختصاص دهد. بر این اساس، باتوجه به وضعیتی که مشتری دارد، این متغیر یکی از مقادیر صفر و یک را خواهد داشت:
اگر مشتری در بازپرداخت تسهیلات نکول کرده باشد (تسهیلات سر رسید گذشته یا معوق داشته باشد) متغیر def=1 در نظر گرفته می شود و چنانچه بازپرداخت تسهیلات در سررسید صورت گرفته باشد، Def=0 در نظر گرفته می شود. 
ب) متغیرهای مستقل: شامل آن دسته از متغیرهایی می شوند که بر ریسک اعتباری مشتری و به عبارتی دیگر بر متغیر وابسته مدل تاثیر گذارند. باتوجه به بررسی های انجام شده، مجموعه متغیرهایی که به نوعی می توانند بر متغیر وابسته مدل تاثیر گذارند به شرح زیر هستند:
  1. مصرف تسهیلات در بخش های مختلف اقتصادی
  2. نوع شرکت از نظر ثبتی
  3. سابقه فعالیت شرکت
  4. سابقه همکاری شرکت با بانک
  5. سال اخذ آخرین تسهیلات
  6. مبلغ آخرین تسهیلات
  7. معدل حساب شش ماهه قبل از اخذ تسهیلات
  8. سابقه داشتن یا نداشتن چک برگشتی
  9. مصرف تسهیلات براساس نوع عقد
  10. مدت بازپرداخت تسهیلات
  11. نحوه بازپرداخت اقساط
  12. نرخ سود تسهیلات
  13. نوع تضمین های اخذ شده
  14. سوابق اعتباری مشتری از داشتن و یا نداشتن سابقه نکول
  15. نسبت های مالی استخراج شده از صورت های مالی شرکت ها

برآورد مدل رگرسیون

همان طور که پیش از این ذکر شد به منظور برآورد احتمال نکول مشتریان از مدل رگرسیون لجستیک استفاده شد. مجموع مشاهدات به کار گرفته شده در تخمین مدل جدید، شامل 595 شخصیت حقوقی بوده در استان های تهران و اصفهان اعتبار از بانک کشاورزی، تسهیلات دریافت کرده اند. لازم به ذکر است که اعتبار دریافتی توسط این مشتریان، شامل اعتبارات جاری (نه سرمایه ای) بوده است. 

معنی داری ضرایب

با توجه به سطوح اطمینان محاسبه شد، متغیرهای معدل حساب، سابقه اعتباری، لگاریتم وام و فعالیت در بخش کشاورزی در سطح 95% معنی دار هستند و متغیرهای سابقه همکاری با بانک و وضعیت چک برگشتی، اگرچه از لحاظ آماری در سطح اطمینان 95% معنی دار نیستند، لیکن به دلیل اهمیت نظری آن ها در توضیح رفتار مشتریان در مورد نکول یا عدم نکول، از مدل حذف نشده اند. 

معنی داری مدل

پس از بررسی معنی داری تک تک ضرایب مدل، لازم است به بررسی معنی داری مدل و به عبارتی دیگر نیکویی برازش مدل نیز پرداخته شود. یکی از معیارهای موجود برای بررسی معنی داری معدل (صفر نبودن کلیه ضرایب)، احتمال آماره LR است. مقدار احتمال این آمار برابر صفر بوده و چون کمتر از 0.05 است، نشان دهنده آن است که در سطح اطمینان 95%، فرضیه سفر مبنی بر صفر بودن کلیه ضرایب رد شده و در نتیجه رگرسیون تخمین زده شده معنی دار است. 
آماره دیگری که برای بررسی نیکویی برازش یا معنی داری مدل مورد استفاده قرار می گیرد، آزمون هاسمر – لمشو است، این آماده از طریق گروه بندی مشاهدات، میزان خوبی برازش را مورد آزمون قرار می دهد. خروجی کامپیوتری این آزمون نشان داده شده است. کل مشاهدات به ده گروه تقسیم شده اند و مقادیر واقعی و پیش بینی شده تعداد متغیرهای وابسته دارای مقادیر صفر و یک در هر یک از گروه های ده گانه نشان داده شده است. 

متوسط (معدل) حساب شش ماهه

این متغیر دارای ضریب منفی است که در سطح اطمینان 95% نیز معنی دار است. مقدار منفی این متغیر اشاره به آن دارد که با یک میلیون ریال افزایش در میزان معدل حساب شش ماهه مشتریان، لگاریتک نسبت شانس (نسبت احتمال نکول به عدم نکول) به اندازه 0.00028 واحد کاهش پیدا می کند. به عبارتی دیگر با افزایش در میزان معدل حساب شش ماهه مشتریان، احتمال معوق و یا سررسید شدن وام ها کم می شود. این ضریب بیانگر اهمیت معدل حساب شش ماهه مشتریان در ارزیابی ریسک اعتباری آنان است. بر این اساس، مشتریانی که از معدل حساب بالاتری برخوردارند، ریسک اعتباری کمتری را نسبت به سایر مشتریان دارا هستند.

سابقه همکاری با بانک

منظور از سابقه همکاری با بانک، فاصله زمانی بین افتتاح حساب تا اخذ تسهیلات از بانک است. مقدار منفی این متغیر اشاره به آن دارد که با یک سال افزایش در سابقه همکاری با بانک، لگاریتم نسبت شانس (نسبت احتمال نکول به عدم نکول) به اندازه 0.0453 کاهش می یابد.  ضریب این متغیر دارای علامت منفی است و بیانگر آن است که هر چه سابقه همکاری مشتریان با بانک بیشتر باشد، احتمال نکول تسهیلات کاهش می یابد. 
در واقع علامت منفی ضریب این متغیر نشان می دهد که مشتریان قدیمی نسبت به مشتریان جدید خوش حساب ترند. با اینکه ضریب این متغیر در سطح اطمینان کمتر از 90% قابل قبول است، با این حال به دلیل اهمیت آن در توضیح نکول یا عدم نکول مشتریان و علامت منطبق با واقعیت آن، از مدل حذف نشده است. 

چک برگشتی

داشتن چک برگشتی می تواند نشانه ای از بدحسابی مشتریان باشد. در واقع شخصی که نسبت به دیگران تعهد کافی نداشته و چک صادره اش به دلیل عدم تامین موجودی کافی، برگشت می خورد، می تواند رفتار مشابهی نیز با بانک داشته و در موعد مقرر نسبت به تسویه بدهی هایش اقدام نکند. از این رو متغیر چک برگشتی در مدل وارد شده است. 
مقدار عددی این ضریب نشان می دهد در صورتی که مشتری دارای سابقه چک برگشتی باشد، لگاریتم نسبت احتمال نکول به احتمال عدم نکول به اندازه 0.34 افزایش می یابد. ضریب این متغیر در سطح اطمینان 95% معنی دار نیست ولیکن دلیل اهمیت آن در توضیح رفتار نکول مشتریان و این نکته که دارای علامت مثبت است و بیان می کند مشتریانی که دارای چک برگشتی هستند، احتمال نکول بیشتری دارند. بنابراین علیرغم پایین بودن سطح اطمینان آن، از مدل حذف نشده است. لازم به توضیح است که متغیر فوق در سطح کمتر از 80% سطح اطمینان، معنی دار است. 

منبع: مدل ریسک اعتباری و رتبه بندی مشتریان حقوقی بانک کشاورزی
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=129070
 
كلمات كليدی: اعتبارسنجی، اعتبار سنجی مشتریان، سایت اعتبارسنجی، اعتبار بانکی افراد، رتبه بندی اعتباری، امتیاز اعتباری


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.