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 :
- آیا شاخص های مالی و شاخص های غیر مالی بر خطرپذیری اعتباری تأثیر گذارند؟
- 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 پرداخت کند، ریسک اعتباری یا ریسک عدم بازپرداخت کند، ریسک اعتباری یا ریسک عدم بازپرداخت شناخته می 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، 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.
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.
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 بانك ها و مؤسسات مالی و اعتباری كه به نوعی درگیر اعطای اعتبار هستند، معمولاً یكی از روش های موجود را براساس شرایط خود و جامعه پیرامون جهت رتبه بندی اعتباری مورد استفاده قرار می دهند، اكثر الگو های كمی ریسك اعتباری چارچوب معنایی مشابهی دارند اما اختلافاتی را كه در اجرای این مدل ها وجود دارد، ناشی از طریقه براورد پارامتر های اصلی از اطلاعات در دسترس می باشد. به طور كلی فنون
اندازه گیری ریسك اعتباری را می توان به دو گروه عمده تقسیم بندی کرد.
- مدل های امتیازدهی اعتباری پارامتری: مدل احتمال خطی، مدل لاجیت، مدل پروبیت، مدل های برمبنای تحلیل ممیزی
- مدل های امتیازدهی غیرپارامتری: برنامه ریزی ریاضی، طبقه بندی درختی (الگوریتم های تقسیم بندی بازگشتی)، مدل های نزدیک ترین همسایگان، فرایند 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 رویکرد نیازی به اختصاص وزن ها به معیارها وجود ندارد. تحلیل پوششی داده ها به صورت اتوماتیک برای تجزیه و تحلیل وزن های مرتبط را ایجاد می کند. حذف کردن بخش تخصیص وزن ها به فرایند ارزیابی اعتبار شتاب بیشتری می بخشد.
- برخلاف روش های پارامتری که نیازمند یک تابع ریاضی هستند که بر اساس آن با به کارگیری متغیرهای مستقل وابسته تخمین زده می شود، تحلیل پوشش داده ها نیازمند به دست آوردن تابع توزیع و فرضیاتی که به همراه دارد نمی باشد.
- برخلاف روش های پارامتری که با میانگین سازی در مقایسه واحدها به بهترین عملکرد موجود در مجموعه واحدهای تحت بررسی دست پیدا می کند، تحلیل پوششی داده ها هر کدام از مشاهدات را در مقایسه با مرز کارا بهینه ساخته و از کلیه مشاهدات گردآوری شده برای اندازه گیری کارایی استفاده می کند
- روش تحلیل پوششی داده ها، رویکرد ساده و آسانی است و به جهت توانایی خاص آن، این روش می تواند می تواند منجر به اخذ یک تصمیم اعتباری درست و برمبنای اعتماد شده و با این وجود رضایت مشتریان خود را نیز جلب کند.
- آخرین مزیت این روش در به کارگیری اطلاعات و داده های به وقوع پیوسته و عملی است. برخلاف روش های مشهوری نظیر ممیزی چندگانه، آنالیز رگرسیون لجستیک و شبکه های عصبی که به منظور رتبه بندی نیازمند داده های پیش بینی شده می باشند، رویکرد تحلیل پوششی داده های واقعی و عملی متقاضیان وام (داده ها و ستاده ها) را برای محاسبه امتیازات اعتباری آنان به کار می گیرد.
مرحله پنجم: اعتبارسنجی با استفاده از رگرسیون
هدف این مرحله به دست آوردن درج های از انطباق میان نتایج حاصل از تحلیل پوششی داده ها با نتایج حاصل از رگرسیون می باشد. در بسیاری از موارد، به علت بی نظمی و بی عاقدگی موجود در داده ها، قدرت تشخیص تحلیل پوششی داده ها در مسائل کارایی شرکت ها کاهش پیدا می کند.
بنابراین نیاز به سنجش قدرت تشریحی مجموعه شاخص استفاده شده در روش تحلیل پوششی داده ها احساس می شود. تجزیه و تحلیل رگرسیون خطی به عنوان یک ابزار تست در این گونه موارد پیشنهاد می شود. به منظور انجام آزمایش، رتبه های حاصل از تحلیل پوششی داده ها به عنوان متغیر وابسته و شاخص های نهایی انتخاب شده به عنوان متغیرهای مستقل در نظر گرفته می شوند.
از آنجایی که تحلیل پوششی داده ها قادر به تمایز میان کارایی شرکت های دارای کارایی واحد نمی باشند، رگرسیون صرف نظر از این مشاهدات براورده شد. در این صورت بدیهی است که شرکت های به کار گرفته شده در مدل رگرسیون کم تر از نمونه خواهد بود.
گروه بندی مشتریان حقوقی از نظر رتبه اعتباری
در این مقاله سعی شده است تا با استفاده از الگوی موسسه فیچ به گروه بندی (رتبه بندی) مشتریان حقوقی بانک تجاری پرداخته شود. نشانگر 8 گروه مشتری حقوقی با رتبه های اعتباری متفاوت است. همان طور که ملاحظه می شود، تنها 17.12% از شرکت ها دارای رتبه بندی AAA بوده و از کم ترین میزان خطرپذیری اعتباری برخوردارند، در حالی که 44.52% از شرکت های بررسی شده در این پژوهش در بدترین شرایط از نظر بازپرداخت اصل و سود تسهیلات قرار دارند و بازپرداخت اقساط آن ها با احتمال قریب به یقین می شود.
نتایج تحقیق
اعطای
تسهیلات اعتباری به مشتریان از جمله مهم ترین وظایف بانک ها به شمار می رود. بانک ها در هر کشور پس از جمع آوری منابع مالی، این منابع را به بخش های مختلف اقتصادی تخصیص می دهند. در حقیقت این اقدام بانک ها، بخش های مختلف اقتصادی را در هر کشور در انجام بهتر وظایف خود تقویت و در نهایت زمینه لازم را برای رشد و توسعه اقتصادی کشور فراهم می آوردند.
در صورتی که بانک ها می توانند به این امر مهم دست پیدا کنند که منابع مالی را به درستی به مشتریان واجد شرایط، تخصیص دهند. تخصیص درست منابع مالی ضمن دست پیدا کردن به هدف فوق زمینه لازم را برای ادامه حیات بانک ها فراهم خواهد آورد. در این صورت در این اقدام نکته حایز اهمیت آن است که قبل از اعطای تسهیلات به مشتریان واجد شایط خطرپذیری آن ها به درستی تشخیص داده شود تا اثربخشی تصمیمات اتخاذ شده ارتقا پیدا کند.
بدیهی است که هرگونه اقدام در زمینه کنترل پس از اعطای تسهیلات کم فایده خواهد بود. با توجه به نکات فوق در این مقاله اقدام در زمینه کنترل پس از اعطای تسهیلات کم فایده خواهد بود. باتوجه به نکات فوق در این مقاله سعی شد یک مدل مدیریت خطرپذیری اعتباری با به کارگیری روش تحلیل پوششی داده ها برای این منظور طراحی شود. به طور کلی، نتایج حاصل شده از این تحقیق را با توجه به مساله اصلی پژوهش می توان به صورت زیر خلاصه کرد:
- وجود رابطه معنادار آماری متغیرهای مالی و غیرمالی موثر بر ریسک اعتباری مشتریان حقوقی بانک تجارت استان تهران تایید می شود. هم چنین معناداری و علامت ضرائب مستقل مدل نشان از تایید نظریه های اقتصادی و مالی در زمینه عوامل تعیین کننده خطرپذیری اعتباری می باشد. بر اساس ضرایب رگرسیون به دست آمده، متغیرهای دارایی جاری به ثابت، نرخ بازده دارایی ها، مجوز کسبی و سابقه بازپرداخت دارای رابطه مستقیم با کارایی و رابطه معکوس با ریسک اعتباری و رتبه اعتباری می باشند. در نتیجه بزرگ بودن شاخص های ذکر شده مطلوب تلقی می شود. شاخص های وام کوتاه مدت به مجموع دارایی ها، وام کوتاه مدت به فروش خالص و کل بدهی به مجموع دارایی براساس ضایب به دست آمده، رابطه معکوسی با میزان کارایی و رابطه مستقیم با ریسک اعتباری و رتبه اعتباری دارند و بدیهی است که کمتر بو این شاخص ها مطلوب می باشد. از میان متغیرهای به کار گرفته شده در این مدل، شاخص وام کوتاه مدت به فروش خالص دارایی بالاترین ضریب رگرسیونی و بیش ترین اثر بر ریسک اعتباری بوده و شاخص دارایی جاری به دارایی ثابت، کمترین میزان تاثیر بر ریسک اعتباری را داشته است.
- در این پژوهش، به منظور اعتبارسنجی رتبه های حاصل از روش تحلیل پوششی داده ها از مدل رگرسیونی چند متغیره خطی استفاده شد تا قدرت تخمین صحیح رتبه های کارایی ثابت گردد. ضریب تعیین برابر 0.755 در مدل رگرسیون به معنای قدرت بالای توضیح دهدگی مدل رگرسیونی است. به معنای دیگر متغیرهای وارد شده به معادله رگرسیونی توانسته اند حدود 76% از واریانس تغییرات مربوط به متغیر وابسته را تبیین کنند. بنابراین رتبه های محاسبه شده با استفاده از تحلیل پوششی داده ها تفاوت معناداری با رتبه های حاصل از مدل رگرسیونی نداشته و فرضیه سوم تحقیق که نشان از کارایی روش تحلیل پوششی داده ها برای تخمین رتبه اعتباری است، پذیرفته می شود.
- از مزایای مدل تحلیل پوششی داده ها نسبت به سایر مدل های ارزیابی ریسک اعتباری، میتوان به توانایی این مدل در ارائه راه حل هایی برای بهره وری شرکت های متقاضی وام اشاره کرد. تحت رویکرد تحلیل پوششی داده ها میتوان به رتبه بندی مشتریان حقوقی بانک پرداخت و هم با شناسایی بنگاه های مرجع برای هر یک از بنگاه های ناکارا، آن ها را به مرز کارایی برساند. در حقیقت این مدل قادر است تا با ارائه راه کارهای مناسب و مفید، شرکت های رتبه بندی شده ا در راستای بهره ورتر شدن یاری دهد .
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