مدل های امتیازدهی اعتباری
مدل های
امتیازدهی اعتباری، به طور بالقوه توان کاهش تغییر پذیری تصمیمات اعتباری و نیز افزایش کارایی فرایند ارزیابی ریسک اعتباری را دارا هستند. مدل های امتیاز دهی اعتباری کاربردهای وسیعی دارند که از آن جمله می توان به تصویب وام، قیمت گذاری وام، تعیین مقدار وام، نظارت بر وام،
مدیریت ریسک اعتباری و ارزیابی ریسک های پورتفوی اعتباری بانک ها اشاره کرد.
شواهد زیادی وجود دارد که نشان می دهد توانایی انسان ها برای قضاوت در مورد خوب یا بد بودن درخواست تسهیلات، نسبتا ضعیف است. دلایل این امر عبارتند از:
- وجود نواحی خاکستری که از فرایند کارکنان ارزیابی وام به دور می ماند
- وجود حالت های خاصی که به سرعت نمی توان در مورد آن تصمیم گیری نمود
- انسان ها ممکن است دچار تورش شوند، برای مثال، وجود برخی شرایط فیزیکی یا احساسی، می تواند بر فرایند تصمیم گیری آن ها اثر بگذارد. علاوه بر این نسبت فامیلی یا آشنایی با متقاضی وام، ممکن است ظرفیت قضاوت کارکنان اعتباری را تحت تاثیر قرار دهد.
- اطلاعات تجاری مشتریان، شامل اطلاعات تاریخی از عملکرد گذشته آنان است و این به مفهوم آن است که دانش نهفته ای در این داده ها وجود دارد که ممکن است در ارزیابی و تصمیم گیری مفید باشد. اما کشف روابط بین این داده ها یا الگویی که از این اطلاعات نهفته در داده ها استفاده می کنند، توسط یک انسان کار مشکلی است.
استفاده از مدل های امتیازدهی اعتباری، مزایای متعددی برای بانک ها موسسات مالی و اعتباری خواهد داشت. مزایای استفاده از این مدل ها را میتوان به شرح زیر عنوان داشت:
- کاهش زمان لازم برای فرایند تصویب وام (تا زمانی کمتر از یک ساعت)، که خود موجب کاهش هزینه های بانک ها خواهد شد
- اعمال بی طرفی در فرایند تصویب وام
- تعیین ضریب اهمیت هر یک از متغیرهای موثر بر امتیازدهی اعتباری
- در دسترس قرار دادن بهترین مدل برای پیش بینی عملکرد اعتباری مشتریان
سابقه اعتباری
منظور از سابقه اعتباری مشتری این است که آیا مشتری فعلی در عملکرد گذشته ای، خوش حساب بوده است یا نه؟ مقدار عددی این ضریب نشان می دهد در صورتی که مشتری دارای سابقه خوش حسابی باشد (X14=1)، لگاریتم نسبت احتمال نکول به احتمال به احتمال عدم نکول به اندازه 2/497 واحد کاهش می یابد.
ضریب این متغیر دارای علامت منفی است و بیان می دارد مشتریانی که سابقه خوش حسابی دارند، در تسهیلات جدیدشان از احتمال نکول پایین تری نسبت به مشتریان بد حساب برخوردارند. به عبارتی دیگر مشتریان دارای سابقه بد حسابی از احتمال نکول بالاتری نسبت به مشتریان خوش حساب برخوردارند.
مقدار تسهیلات
در مدل برآورد شده، به جای مقدار تسهیلات از لگاریتم تسهیلات استفاده شده است. ضریب این متغیر در سطح اطمینان بالای 95% قابل قبول است و دارای علامت مثبت است. علامت مثبت این ضریب با منطق نیز سازگاری دارد و بیان می دارد با یک میلیون ریال افزایش در مقدار تسهیلات اعطایی، لگاریتم احتمال بدحسابی به خوش حسابی به میزان 0/2265 واحد افزایش می یابد.
در حقیقت باتوجه به این ضریب، می توان گفت که تسهیلات بزرگتر، از ریسک بالاتری نسبت به تسهیلات کوچکتر برخوردارند.
نوع فعالیت
متغیر نوع فعالیت، عامل دیگری است که بر ریسک اعتباری مشتری تاثیر می گذارد. در این مدل فعالیت کشاورزی به صورت متغیر دامی وارد شده است. عدد یک برای فعالیت کشاورزی و عدد صفر برای فعالیت غیر کشاورزی (شامل صنعت و خدمات و بازرگانی) به این متغیر اختصاص داده شده است. ضریب این متغیر در سطح اطمینان 90% معنی دار است و دارای علامت منفی است.
علامت منفی این متغیر گویای آن است که با پرداخت تسهیلات به بخش کشاورزی، لگاریتم احتمال بد حسابی به خوش حسابی به اندازه 0/759 واحد کاهش می یابد.
بررسی قدرت پیش بینی مدل
نتایج حاصل از بررسی قدرت پیش بینی مدل با استفاده از داده های آزمایش و حد آستانه 0/45 نشان داده می شود. با توجه به نتایج قدرت پیش بینی صحیح مدل درباره وام های بد، برابر 89.26% و در مورد وام های خوب، برابر 44.12% است. کارایی کل مدل نیز براساس داده های آزمایش 77.82% است، یعنی این که مدل 77.82% از وضعیت نکول یا عدم نکول وام ها را به درستی پیش بینی کرده است.
با توجه به اینکه استفاده از نتایج این مدل در پیش بینی داده های داخل نمونه نمی تواند مبنای قضاوت در مورد قدرت توضیح دهندگی مدل باشد، لذا لازم است که قدرت پیش بینی آن در مشاهدات خارج از نمونه نیز بررسی شود. به همین منظور، کارایی (قدرت پیش بینی) این مدل برای مشاهدات خارج از نمونه، یعنی استان های فارس، خراسان رضوی، آذربایجان شرقی و قزوین جمع آوری شده، مورد بررسی قرار گرفته است.
قدرت پیش بینی مدل با استفاده از مشاهده استان فارس
در سطح استان تعداد 54 مشاهده از شعب مختلف جمع آوری شد. قدرت پیش بینی مدل درباره این مشاهدات نشان داده شده است. ملاحظه می شود که این مدل در مورد مشاهدات استان فارس، 78% کارایی داشته است. همانطور که معلوم است، 82% از وام های بد و 70% از وام های خوب به درستی پیش بینی شده اند .
قدرت پیش بینی مدل براساس مشاهدات استان خراسان رضوی
در سطح استان خراسان رضوی تعداد 63 پرونده انتخاب شده و کارایی مدل در مورد آن ها مورد بررسی قرار گرفت. ملاحظه می شود که کارایی مدل در استان خراسان رضوی برابر 35% است. این حد از کارایی، برای ارزیابی و رتبه بندی مشتریان اعتباری کافی نیست و نمی توان براساس آن به رتبه بندی مشتریان پرداخت.
پایین بودن میزان کارایی مدل در استان خراسان رضوی نیاز به بررسی دارد. در این راستا، بررسی عملکرد این مشتریان نشان می دهد که اغلب آن ها دارای سابقه اعتباری خوبی بوده اند و لذا انتظار می رفت که در تسهیلات اخیر خود نیز عملکرد خوبی از خود نشان دهند.
اما اغلب آن ها در آخرین تسهیلات خود نکول کرده اند. به نظر می رسد دلیل عمده این امر ناشی از وقوع خشکسال هایی باید که در سطح استان خراسان اتفاق افتاده و باعث شده است مشتریان اعتباری در باز پرداخت تسهیلات خود نکول کنند.
قدرت پیش بینی مدل براساس داده های استان قزوین و آذربایجان شرقی
قدرت پیش بینی مدل بر اساس مشاهدات نمونه استان قزوین که شامل 54 مشاهده می شود. ملاحظه می شود که مدل در استان قزوین از کارایی نسبتا خوبی برخوردار بوده و مقدار آن برابر 90.7% است. علاوه بر این ملاحظه می شود که 97.3% از وام های بد به درستی پیش بینی شده اند که رقم قابل توجهی بوده و حاکی از پایین بودن خطای نوع اول است. همچنین 75% از وام های خوب نیز به طور صحیح پیش بینی شده اند که رقم بسیار مطلوبی است.
قدرت پیش بینی مدل بر اساس مشاهدات نمونه استان آذربایجان شرقی نیز به شرح جدول بوده و تعداد مشاهدات در این استان 53 مشاهده بوده است. ملاحظه می شود که کارایی مدل در این استان برابر 79% است و 81% از وام های بد و 69% از وام های خوب به درستی پیش بینی شده اند.
کارایی مدل در کل مشاهدات خارج از نمونه
بکارگیری مجموع مشاهدات استان های فارس، قزوین و آذربایجان شرقی برای بررسی کارایی مدل در جدول نشان داده شده است. همان طور که ملاحظه می شود کارایی مدل در سه استان مذکور را به 82.5% می رسد. لازم به ذکر است تعداد کل مشاهدات در استان های مزبور برابر 160 مشاهده بوده که از این تعداد مشتری، وضعیت ریسک اعتباری 132 مشتری به درستی پیش بینی شده است.
عمده خطای مدل در جایی است که وام های خوب در زمره وام های بد طبقه بندی می شوند (خطای نوع دوم). خطر این اشتباه در آن است که بانک، تعدادی از مشتریان خوب خود را از دست می دهد، اما خطر اصلی جایی است که مشتریان بد در گروه مشتریان خوش حساب طبقه بندی شوند (خطای نوع اول).
خطای نوع اول در این مدل حدود 12.5% است، یعنی 12.5% از مشتریان بد حساب به صورت مشتری خوش حساب پیش بینی شده اند. خطای نوع دوم نیز برابر 30% باشد.
رتبه بندی مشریان از نظر ریسک اعتباری
مشتریان اعتباری را می توان بر حسب درجه ریسک اعتباری آن ها گروه بندی کرد. این نوع رتبه بندی مزایای زیر را به دنبال خواهد داشت:
- هر یک از مشتریان براساس ریسک اعتباری شان رتبه بندی می شوند و می توان تغییرات در ریسک اعتباری آن ها را طی زمان مورد بررسی قرار دارد.
- امکان تصمیم گیری در مورد اعطای تسهیلات و تعیین شرایط پرداخت تسهیلات برای مشتریان براساس رتبه آن ها فراهم می شود
- زمان بررسی و ارزیابی اعتباری مشتریان کاهش یافته و به عبارتی دیگر سرعت ارائه خدمات بانکی افزایش می یابد
- امکان تخلفات در پرداخت تسهیلات تقلیل می یابد
معمولا مشتریان اعتباری را بر اساس ریسک اعتباری آن ها در قالب ده گروه طبقه بندی می کنند که گروه اول در برگیرنده مشتریان با کمترین میزان ریسک اعتباری و گروه دهم در برگیرنده مشتریان با بالاترین میزان ریسک اعتباری است. هر یک از این گروه ها دارای ویژگی هایی هستند که مسئولان بانک را در چگونگی مواجهه با آنها یاری می دهد.
عدد هر گروه نشانه رتبه آن گروه از مشتریان است. گروه یک شامل آن دسته از مشتریان می شود که ریسک اعتباری آن ها بین 0-0.01 قرار دارد و در واقع از کمترین ریسک اعتباری برخوردارند. گروه دهم نیز گروهی هستند که از بالاترین ریسک اعتباری برخوردارند و احتمال نکول آن ها بین 90% تا 100% است.
بانک بایستی از اعطای تسهیلات به این گروه از مشتریان خودداری کند و یا در صورت اعطای تسهیلات، تصمین های مناسب و وثایق سهل البیع اخذ نماید و یا اینکه میزان تسهیلات اعطایی به آن ها را کاهش دهد تا ریسک اعتباری آن ها را تحت کنترل درآورد.
نتیجه گیری و پیشنهادات
اعطای تسهیلات اعتباری از جمله مهم ترین وظایق بانک ها به شمار می رود. از این رو بانک ها ناگزیرند ریسک اعتباری ناشی از اعطای تسهیلات اعتباری را شناسایی، اندازه گیری و کنترل کنند. بنابراین لازم است معیارها و ابزارهایی را در اختیار داشته باشند تا علاوه بر ارزیابی ریسک اعتباری مشتریان، زمان اعطای تسهیلات اعتباری را نیز کاهش دهند.
در گذشته روش های متعددی برای پیش بینی رفتار متقاضیان تسهیلات معرفی شده است. روش قضاوتی یکی از روش هایی است که در بسیاری از بانک ها مورد استفاده قرار گرفته است. لیکن با توجه به عدم کارایی، این روش به تدریج منسوخ شد و روش های آماری جهت پیش بینی رفتار مشتریان در بازپرداخت یا عدم بازپرداخت اصل و فرع تسهیلات مورد استفاده قرار گرفت.
در این پژوهش برای پیش بینی رفتار مشتریان بانک کشاورزی روش های آماری و اقتصادسنجی به کار گرفته شد و از مدل لاجیت استفاده گردید و در آن از متغیرهای کمی و کیفی موجود در پرونده های اعتباری در مدل سازی سیستم امتیازدهی و رتبه بندی مشتریان استفاده شد.
نتایج به دست آمده نشان می دهد که رابطه معنی داری میان متغیر وابسته مدل و متغیرهای مستقل مورد نظر وجود دارد. همچنین علامت ضرایب متغیرهای مستقل، حاکی از تایید نظریه های اقتصادی در زمینه عوامل تعیین کننده ریسک اعتباری است. در بین متغیرهای منتخب، سابقه اعتباری تاثیرگذاری بیشتری را بر متغیر وابسته دارد.
آزمون مدل برآوردی در مشاهدات خارج از نمونه در سه استان کشور نتایج قابل قبولی داشته است. قدرت پیش بینی مدل در مشاهدات خارج از نمونه در استان قزوین 90.7 درصد، در استان فارس 78 درصد، در استان خراسان رضوی 35 درصد و در استان آذربایجان شرقی برابر 79 درصد می باشد.
همچنین کارایی مدل برای تمام مشاهدات خارج از نمونه برابر 82.5 درصد است. نکته حائز اهمیت این است که خطای نوع اول در این مدل پایین است و عمده خطای مدل در جایی است که وام های خوب را در زمره وام های بد طبقه بندی می کند. (خطای نوع دوم که میزان آن برابر 30% است)
منبع: مدل ریسک اعتباری و رتبه بندی مشتریان حقوقی بانک کشاورزی
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=129070