مدیریت ریسک اعتباری مشتریان حقوقی در بانک های تجاری با رویکرد تحلیل پوششی داده ها (بخش اول)

چکیده

این مقاله با هدف شناسایی عوامل موثر بر خطرپذیری اعتباری و ارائه مدلی برای رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات بانک تجارت استان تهران، با استفاده از روش تحلیل پوششی داده ها انجام شده است. به این منظور بررسی های لازم بر اطلاعات مالی و غیر مالی با استفاده از یک نمونه 146 تایی تصادفی ساده از مشتریان حقوقی متقاضی تسهیلات صورت گرفت.
در این پژوهش، 27 متغیر توضیح دهنده شامل متغیرهای مالی و غیرمالی بررسی شد که از بین متغیرهای موجود در نهایت با استفاده از تکنیک تجزیه و تحلیل عاملی و قضاوت خبرگان (روش دلفی)، 8 متغیر تاثیرگذار بر خطرپذیری اعتباری انتخاب شد که وارد مدل تحلیل پوششی داده ها شد و امتیازات کارایی شرکت های حقوقی با استفاده از آن ها به دست آمد.
سپس برای اعتبارسنجی مدل تحلیل پوششی داده ها شد و امتیازات كارایی شركت های حقوقی با استفاده از آن ها به دست آمد. سپس برای اعتبارسنجی مدل مربوط به آن، تابع رگرسیونی برآورد شد كه درآن 8 شاخص مالی و غیر مالی به عنوان متغیر مستقل و رتبه كارایی حاصل از مدل تحلیل پوششی داده ها به عنوان متغیر وابسته در نظر گرفته شد.
نتایج نشان می دهد كه 25 شركت، روی مرز كارایی قرار داشته و كاملاً كارا بوده اند. هم چنین با آزمون فرضیه معناداربودن ضرایب مشخص شد كه تمامی شاخص ها بجز یك شاخص "ارزش ویژه به دارایی كل" بر مسیر های مورد انتظار قرار داشته و از نظر آماری، در سطح 95 % اطمینان معنادار می باشند.
با مقایسه رتبه های حاصل از به كارگیری معادله رگرسیونی با رتبه های به دست آمده از روش تحلیل پوششی داده ها، ملاحظه شد كه تفاوت معنا داری میان مقادیر محاسبه شده و واقعی وجود ندارد و این مسأله دلالت بر تأیید فرضیه كارایی مدل تحلیل پوششی داده ها در رتبه بندی اعتباری مشتریان حقوقی بانك تجارت می كند.

مقدمه

بررسی نظام اقتصادی در سطح بین المللی بیانگر این حقیقت است كه همواره میان سرمایه گذاری و سطح پیشرفت اقتصادی كشور ها رابطه نزدیكی وجود دارد. به این معنا كه كشور هایی با الگویی كارامد در تخصیص سرمایه به بخش های مختلف اقتصادی، اغلب از پیشرفت اقتصادی و در نتیجه رفاه اجتماعی بالاتری برخوردار می باشند. تجهیز و تخصیص منابع سرمایه گذاری به فعالیت های اقتصادی از طریق بازار مالی صورت می پذیرد كه بازار اعتبارات بانكی قسمتی از این بازار است.
مهم ترین فعالیت بانك ها جمع آوری منابع مالی وتخصیص آن ها به بخش های مختلف اقتصادی می باشد. اما باید توجه داشت كه از یك طرف، همین منابع مالی، تأمین كننده نیاز های بانك از جهت اعطای تسهیلات بوده و از طرف دیگر بانك ها باید منابع مالی محدود خود را به صورت بهینه به تولید كالاها و خدمات اختصاص دهند كه به معنای فعالیت بنگاه در سطح كارا می باشد، چرا كه از نظر تئوری های اقتصاد، كارایی نتیجه بهینه سازی تولید و تخصیص منابع است.
بنابراین بانك ها در صدد اعطای تسهیلات خود به شركت هایی هستند كه ضمن برخورداری از ریسك پایین بتوانند بازده متناسب با سود تسهیلات اعطایی را داشته باشند. این امر زمانی محقق می شود كه بانك ها قادر به شناسایی مشتریان اعتباری خود اعم از حقیقی و حقوقی بوده و بتوانند آن ها را براساس توانایی و تمایل نسبت به بازپرداخت كامل و به موقع تعهدات با استفاده از معیار های مالی و غیر مالی مناسب، طبقه بندی كنند؛ زیرا در چنین سیستمی تسهیلات به متقاضیانی اعطا می شود كه از ریسك اعتباری كمتری برخوردار بوده و احتمال بازپرداخت بدهی آن ها در موعد مقرر بیشتر است.
با توجه به اینكه این وجوه می توانند به عنوان منبع مالی برای اعطای تسهیلات بعدی مورد استفاده قرار گیرند، در این صورت نقش بسیار مهمی در افزایش سرمایه گذاری، رشد و توسعه اقتصادی كشور دارند.
علی رغم اهمیت ریسك اعتباری در فعالیت های بانكی و مؤسسات مالی به نظر می رسد كه حركت منسجم و سازمان یافت های برای ایجاد مدل های ریسك اعتباری در كشور صورت نگرفته است.
برای مثال در بازار های مالی كشور از یك سو، نبود شاخص های ریسك اعتباری و مؤسسات رتبه بندی آن ها به وضوح احساس می شود و از سوی دیگر در زمینه اعطای تسهیلات به مشتریان نیز روند منسجم و منظمی برای تعیین ریسك اعتباری و رتبه بندی آن ها و تعیین سقف های اعتباری براساس شاخص های ریسك، ملاحظه نشده است و در حال حاضر كارشناسان و كمیته
اعتباری به تعیین آن ها می پردازند.
در این صورت برخورداری از یك مدل ریسك كارامد، نه تنها تصمیم گیری در زمینه اعطای اعتبار و اخذ وثائق را تسهیل می كند بلكه باعث خواهد شد كه سیستم بانكی و به دنبال آن كشور از الگوی كارآمدی در تخصیص سرمایه به بخش های مختلف اقتصادی برخوردار شود.
با توجه به توضیحات ذكر شده، در این مقاله به دنبال پاسخ به دو سؤال هستیم : 1- آیا شاخص های مالی و شاخص های غیر مالی بر خطرپذیری اعتباری تأثیر گذارند؟؛ 2- آیا روش تحلیل پوششی داده ها از كارایی لازم برای رتبه بندی اعتباری مشتریان حقوقی بانك ها برخوردار است؟
اهمیت این مسأله موجب شده است تا مقاله حاضر به رتبه بندی ریسك اعتباری مشتریان حقوقی متقاضی تسهیلات بانك تجارت استان تهران با در نظر گرفتن ابعاد مالی و غیر مالی و با به كارگیری روش تحلیل پوششی داده ها بپردازد.

ریسک و مدیریت ریسک اعتباری

ارائه تسهیلات مالی یکی از فعالیت های مهم نظام بانکی تلقی می شود. برای اعطای تسهیلات باید درجه اعتبار و قدرت بازپرداخت اصل و سود مبلغ اعتبار را برای دریافت کننده تسهیلات تعیین کرد. شانس این که وام گیرنده نتواند وام را بازپرداخت کند، ریسک اعتباری یا ریسک عدم بازپرداخت شناخته می شود.
تعرفی که کمیته بال سویس از ریسک اعتباری ارائه می دهد به این شرح است: (ریسک اعتباری عبارت است از امکان بالقوه اینکه قرض گیرنده از بانک و یا از طرف حساب وی در اجرای تعهدات خود در مقابل بانک در مدت مشخصی ناتوان شود)
در كنار موضوع ریسك اعتباری، مدیریت این ریسك به امر قابل توجهی تبدیل می شود. مدیریت ریسك اعتباری فرایندی است كه در طول آن زیان های ناشی از نكول وام طی ادوار تجاری به صورت كمی محاسبه می شود و شامل 3 مرحله، 1- محاسبه احتمال نكول وام های مشتریان با استفاده از مدل های كمی، محاسبه زیان های ناشی از نكول با استفاده از مدل های آماری و ارزشیابی مدل با استفاده از داده های دوران های گذشته می باشد. براساس نظر كمیته بال سویس هدف مدیریت ریسك اعتباری بهینه كردن بازده تعدیل شده بانك براساس ریسك اعتباری و هم چنین كنترل خطر ریسك اعتباری از طریق پارامتر های قابل قبول است.
امروزه اغلب بانک ها و موسسات مالی و اعتباری که به نوعی درگیر اعطای اعتبار هستند، معمولا یکی از روش های موجود را بر اساس شرایط خود و جامعه پیرامون جهت رتبه بندی اعتباری مورد استفاده قرار می دهند، اکثر الگوهی کمی ریسک اعتباری چارچوب معنایی مشابهی دارند اما اختلافی را که در اجرای این مدل ها وجود دارد، ناشی از طریقه براورد پارامترهای اصلی از اطلاعات در دسترس می باشد.
به طور کلی فنون اندازه گیری ریسک اعتباری را می توان به دو گروه عمده تقسیم کرد.

1. مدل های بر مبنای تحلیل ممیزی
2. مدل های امتیازدی غیر پارامتری

برنامه ریزی ریاضی طبقه بندی درخای (الگوریتم های تقسیم بندی بازگشتی)، مدل های نزدیک ترین همسایگان، فرایند تحلیل سلسله تحلیل سلسله مراتبی، سیستم های کارشناسی (خبره)، شبکه های عصبی مصنوعی، الگوریتم ژنتیک.
اما در این میان روش تحلیل پوششی داده ها از چند جنبه مورد توجه قرار گرفته است :

• در این رویكرد نیازی به اختصاص وزن ها به معیار ها وجود ندارد. تحلیل پوششی داده ها به صورت اتوماتیك برای تجزیه و تحلیل وزن های مرتبط را ایجاد می كند. حذف كردن بخش تخصیص وزن ا به فرایند ارزیابی اعتبار شتاب بیش تری می بخشد.
• برخلاف روش های پارامتری كه نیازمند یك تابع ریاضی هستند كه براساس آن با به كارگیری متغیر های مستقل متغیر وابسته تخمین زده می شود، تحلیل پوششی داده ها نیازمند به دست آوردن تابع توزیع و فرضیاتی كه به همراه دارد نمی باشد.
• برخلاف روش های پارامتری كه با میانگین سازی در مقایسه واحد ها به بهترین عملكرد موجود در مجموعه واحد های تحت بررسی دست پیدا می كند، تحلیل پوششی داده ها هر كدام از مشاهدات را در مقایسه با مرز كارا بهینه ساخته و از كلیه مشاهدات گردآوری شده برای اندازه گیری كارایی استفاده می كند.
• روش تحلیل پوششی داده ها، رویكرد ساده و آسانی است و به جهت توانایی های خاص آن، این روش می تواند منجر به اخذ یك تصمیم اعتباری درست و برمبنای اعتماد شده و با این وجود رضایت مشتریان خود را نیز جلب كند
• آخرین مزیت این روش در به كارگیری اطلاعات و داده های به وقوع پیوسته و عملی است. برخلاف روش های مشهوری نظیر آنالیز ممیزی چندگانه، آنالیز رگرسیون لجستیك و شبكه های عصبی كه به منظور رتبه بندی نیازمند داده های پیش بینی شده می باشند، رویكرد تحلیل پوششی داده ها مجموعه داده های واقعی و عملی متقاضیان وام (داده ها و ستانده ها) را برای محاسبه امتیازات اعتباری آنان به كار می گیرد.

پیشینه پژوهش

اعتبارسنجی به معنای ارزیابی و سنجش توان بازپرداخت متقاضیان وام و تسهیلات مالی و اختمال عدم بازپرداخت اعتبارات دریافتی از سوی آن ها می باشد. طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال 1909 به وسیله جان موری بر روی اوراق قرضه انجام شد.
در سال 1966 برای تعیین ورشكستگی شركت ها، مدل رگرسیون لجستیك به وسیله بی ور. بعد ها از این مدل برای اندازه گیری ریسك اعتباری اوراق قرضه منتشرشده شركت ها استفاده شد. یکی دیگر از مطالعات انجام شده در زمینه اندازه گیری ریسک اعتباری اوراق قرضه شرکت ها با استفاده از مدل نمره دهی چند متغیره، به وسیله آلتمن در سال 1968 انجام شد و به مدل نمره Z3 شهرت یافت.
هدف اصلی این روش ها، حذف فرضیه ها و محدودیت های موجود در تکنیک های قبلی، بهبود اعتبار و صحت طبقه بندی بود. در اوایل 1990، سیستم ها پشتیبان تصمیم گیری در ترکیب با سیستم های تصمیم گیری چندگانه برای حل مشکلات طبقه بندی های مالی مورد استفاده قرار گرفتند. از جمله مطالعات دیگر در این زمینه می توان به کارهای روی در 1991 برای به کارگیری مدل الکترو و دیمیتراس در 1999 برای به کارگیری مدل روگ ست و مورگان در 1998 برای طراحی مدل اعتبارسنجی و تریسی در 1998 برای طراحی مدل ارزش در معرض ریسک برای براورد تابع چگالی احتمال عدم بازپرداخت اشاره کرد.
امروزه در صنعت اعتباری، شبکه های عصبی تبدیل به یکی از دقیق ترین ابزار آنالیز اعتبار در میان سایر ابزار شده است. دیسای و همکارانش در سال 1996 به بررسی توانایی های شبکه های عصبی و تکنیک های آماری متداول نظیر آنالیز ممیزی خطی و آنالیز رگرسیون خطی در ساخت مدل های امتیازدهی اعتباری پرداخته اند.
هم چنین وست در سال 2000 به بررسی مدل های کمی (که به طور معمول در صنعت اعتباری مورد استفاده قرار می گیرد) پرداخت. نتایج به دست آمده بیانگر این بود که شبکه های عصبی قادر به بهبود دقت امتیازدهی می باشند. آنان هم چنین بیان کردند که آنالیز رگرسیون خطی جایگزین بسیار خوبی برای شبکه های عصبی است، در حالی که درخت تصمیم و مدل نزدیک ترین همسایه و آنالیز ممیزی خطی نتایج نوید بخش و دلگرم کننده های ایجاد نکرده اند.
شبكه عصبی معمولاً به عنوان یك تكنیك جعبه سیاه بدون توضیحات منطقی و قانونمند برای تخمین ورودی - خروجی در نظر گرفته می شود؛ به بیان دیگر نقطه ضعف مهم به كارگیری شبكه های عصبی در امتیازدهی اعتباری، مشكل بودن توضیح اصول نهفته برای تصمیم گیری در مورد درخواست ها و تقاضا های رد شده است.

منبع: مدیریت ریسک اعتباری مشتریان حقوقی در بانک های تجاری با رویکرد تحلیل پوششس داده ها (رتبه بندی اعتباری)
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=145313