یافته های پژوهش
نتیجه آزمون فرضیه اول
با انجام آزمون همبستگی اسپیرمن در سطح اطمینان 95 درصد مشخص شد که بین نوسان های نرخ ارز و ریسک اعتباری مشتریان بانک ها ارتباط مستقیمی وجود دارد. ضریب همبستگی محاسبه شده بین نرخ ارز و نرخ عدم بازپرداخت، برام وام های ارزی و وام های ریالی به ترتیب 0.58 و 0.33 می باشد که نشان دهنده ارتباط ضعیف تا متوسط بین این دو متغیر است.
دلیل اصلی همبستگی ضعیف تا متوسط، کنترل نرخ ارز در دو سال گذشته از سوی دولت بوده است. پیش از کنترل نرخ ارز از سوی دولت شدت همبستگی بین این دو متغیر به ویژه برای وام های ارزی بسیار بالا بوده است.
براساس داده های سال های 1379 و 1380 که دوره تغییر سیاست های ارزی دولت از نرخ ار دولتی به ارز شناور بوده همبستگی بین نرخ ارز و نرخ عدم بازپرداخت وام ها بسیار بالا بوده است. ضریب همبستگی محاسبه شده در این دوره برای تمامی وام ها و وام های ارزی به ترتیب 0.74 و 0.94 بوده است.
نتیجه های آزمون فرضیه دوم
ضریب همبستگی و ضریب تعیین محاسبه شده بین نرخ سود و نرخ عدم بازپرداخت تسهیلات اعتباری در این آزمون برابر با 0.36 و 0.13 است. سطح معنی دار محاسبه شده در این آزمون برابر با 0.23 می باشد. با توجه به بالا بودن سطح خطا، با اطمینان 95 درصد می توان نتیجه گرفت که ارتباط معنی داری بین ریسک و نرخ سود تسهیلات اعتباری بانک های کشور وجود ندارد.
هم اکنون نرخ سود به صورت تکلیفی و از سوی شورای پول و اعتبار تصویب می شود. نبود انطباق بین ریسک و بازده افزون بر غیر بهینه ساختن ترکیب پرتفوی اعتباری بانک ها، خطر اخلاقی تسهیلات اعتباری بانک ها را نیز افزایش خواهد داد و مشتریان اعتباری با اخذ وام های پر ریسک تلاش خواهند کرد که بازده بیشتری را کسب کند.
نتیجه آزمون فرضیه سوم
داده های لازم برای آزمون این فرضیه در برگیرنده نرخ عدم بازپرداخت وام های اعطا شده و مدت زمان سر رسید وام ها بوده است که از راه نمونه گیری تصادفی برای دوره 5 ساله برگزیده شده اند. برای آزمون این فرضیه از روش تحلیل همبستگی و تحلیل واریانس یک دامنه استفاده شده است. ضریب همبستگی محاسبه شده بین زمان سر رسید وام ها و نرخ عدم بازگرداخت برابر با 0.61 و سطح معنی داری محاسبه شده کمتر از 0.01 بوده است.
بنابراین با اطمینان 99 درصد می توان ادعا کرد که بین زمان سر رسید وام ها و نرخ عدم بازپرداخت رابطه مستقیمی وجود دارد.
برای آزمون فرضیه یاد شده از روش تحلیل واریانس یک دامنه نیز استفاده شده است. مقدار F و سطح خطای متوسط نرخ عدم بازپرداخت برای سر رسیدهای متفاوت یکسان نخواهد بود. با انجام آزمون توکی مشخص شد که با افزایش زمان سر رسید وام ها، نرخ عدم بازپرداخت افزایش خواهد یافت.
نتیجه های آزمون فرضیه چهارم
داده های لازم برای آزمون این فرضیه، نسبت های مالی در بر گیرنده نسبت نقدینگی، نسبت فعالیت، نسبت اهرمی و نسبت سودآوری می باشند. برای تعیین میران ارتباط بین وضعیت مالی وام گیرنده و ریسک اعتباری، از روش تحلیل همبستگی استفاده شده است.
در سطح اطمینان 95 درصد مشخص شد که بین نسبت های مالی و نرخ عدم بازپرداخت وام ها ارتباط معناداری وجود دارد. بیشترین همبستگی نسبت های مالی با نرخ عدم بازپرداخت مربوط به نسبت های سودآوری (بین 89 تا 93 درصد) و سپس مربوط به نسبت های نقدینگی (نزدیک به 70 درصد) و اهرمی (69 درصد) می باشد.
ارتباط بین نسبت های سودآوری و نقدینگی با نرخ عدم بازپرداخت معکوس است. در حالی که ارتباط بین نسبت اهرمی و نرخ عدم بازپرداخت مستقیم می باشد. یعنی شرکت هایی که بیشتر از منابع بدهی برای تامین مالی خود استفاه می کنند، بیشتری در معرض ریسک اعتباری قرار خواهند داشت.
نتایج آزمون فرضیه پنجم
برای آزمون این فرضیه که بین نوع صنعت و درجه ریسک اعتباری مشتریان (نرخ عدم بازپرداخت وام ها) رابطه معنی داری وجود دارد، از روش تحلیل واریانس استفاه شد. مقدار F و سطح خطای محاسبه شده در این آزمون به ترتیب 4.3 و 0.012 است. بنابراین دست کم با اطمینان 95 درصد می توان ادعا کرد که میانگین ریسک اعتباری در تمامی صنایع یکسان نخواهد بود.
بر اساس آزمون توکی نیز مشخص شد که تفاوت میانگین نرخ عدم بازپرداخت در صنایع معنی دار می باشد و هم اکنون بیشترین نرخ عدم بازپرداخت وام ها مربوط به صنعت نساجی و صنعت تجهیزات و فلزات است.
صنایعی که در سیکل عمر خود در مرحله افول قرار دارند، با بیشترین احتمال عدم بازپرداخت رویارو هستند.
نتیجه های آزمون فرضیه ششم
در مدل احتمالی طی برازش شده، متغیرهی مستقل نسبت های مالی وام گیرندگان و متغیر وابسته احتمال عدم بازپرداخت تسهیلات اعطا شده به مشتریان می باشد. مقادیر وابسته در این مدل نشان دهنده احتمال عدم بازپرداخت وام می باشد و بین 0 و 1 خواهد بود.
زمانی که مقدار وابسته یک باشد، بیانگر این است که مشتری به گونه ای قطعی تسهیلات دریافتی را بازپرداخت خواهد کرد و زمانی که متغیر وابسته صفر باشد، بیانگر این است که مشتری به گونه ای قطعی توان بازپرداخت وام های دریافتی خود را نخواهد داشت.
همان گونه که ملاحظه می شود، در سطح اطمینان 95 درصد، ضرایب متغیرهای گردش کل دارایی ها، سود انباشته به کل دارایی ها و نسبت بدهی در مدل برازش شده معنی دار نخواهد بود.
سایر متغیرهای پیش بین در مدل از معنی داری بالایی برخوردار هستند. نتایج آزمون تحلیل واریانش نیز حاکی از این است که مدل برازش شده برای پیش بینی ریسک، مناسب نخواهد بود. ضریب تعیین R2 و نسبت F محاسبه شده برای مدل 0.38 و 3.24 است که بیانگر ضعف مدل برازش شده در پیش بینی ریسک اعتباری است.
برای سنجش کارایی مدل از داده های گروه های آزمایش استفاده شده است. کارایی کلی مدل بر اساس داده های گروه آزمایش اول 71.1 است. این نرخ بیانگر کارایی پایین مدل در پیش بینی ریسک اعتباری است. نتایج آزمایش گروه دوم نیز موید کارایی پایین مدل برازش شده می باشد. کارایی کلی مدل برای پیش بینی ریسک اعتباری بر اساس نتایج آزمایش بر روی گروه دوم 74.3 درصد است.
نتیجه های آزمون فرضیه هفتم
در مدل لجستیک، هدف، متمایز ساختن دو گروه شرکت هایی که وام های خود را بازپرداخت نخواهند کرد و شرکت هایی که وام های خود را بازپرداخت خواهند کرد، می باشد.
بنابراین در این پژوهش پیش از برازش مدل لوجیت از راه آزمون تفاضل میانگین امکان جداسازی این دو گروه بر اساس نسبت های مالی مورد آزمون قرار گرفته است.
همان گونه که ملاحظه می شود، تمامی نسبت های مالی در دو گروه، متفاوت بوده و در هیچ نسبتی دو گروه برابر نسیتند، ولی از بین تمامی نسبت های مالی، نسبت های به کار رفته در مدل از بیشترین معنی داری برخوردار هستند.
آماره والد محاسبه شده برای هر یک از نسبت های مالی و سطح خطای محاسبه شده بیانگر معنی داری ضرایب در مدل است. مقدار درستنمایی برای این مدل برابر با 234.166 است که بیانگر توانایی بالا مدل در پیش بینی ریسک اعتباری است.
هم چنین نتایج آزمون کارایی مدل لجستیک حاکی از کارایی بالای مدل در پیش بینی ریسک اعتباری است. کارایی کلی مدل برای گروه آزمایش اول برابر 95.5 درصد و برای گروه دوم 88.6 درصد بوده است.
نتیجه های آزمون فرضیه هشتم
از دیگر مدل های مورد بررسی در این پژوهش برای پیش بینی ریسک اعتباری مدل پرسپترون چند لایه است. برای تعیین شمار نرون ها در شبکه های عصبی از روش هرس استفاده شده است.
بدین ترتیب که ابتدا با شماری نرون کار شروع شده و در هر مرحله نرون های اضافی حذف شدند تا این که شاخص خطا ارضا شد. برای افزایش سرعت یادگیری در مدل نیز تنها یک لایه پنهان استفاده شده است. متغیرهای ورودی در مدل پرسپترون چند لایه، همان نسبت های مالی هستند که معنی داری آن ها در مدل اقتصادسنجی و آماری مورد تایید قرار گرفته اند.
متغیرهای ورودی مورد استفاده در این مدل در برگیرنده: نسبت کل بدهی ها به کل دارایی ها، گردش کار دارایی ها، سرمایه در گردش به کل دارایی ها، نسبت سود عملیاتی به کل دارایی ها و نسبت سود انباشته به کل دارایی ها می باشند.
کارایی کلی مدل بر اساس داده های گروه آزمایش اول برابر با 97.7 درصد و برای گروه دوم برابر با 97.1 درصد بوده است. نتایج به دست آمده از کارایی مدل شبکه های عصبی مصنوعی و مقایسه ان با سایر مدل ها، بیانگر این واقعیت است که درپیش بینی ریسک اعتباری، مدل شبکه های عصبی مصنوعی نسبت به دیگر مدل های بررسی شده از بیشترین کارایی برخوردار است.
نتیجه گیری و پیشنهادها
بررسی های انجام گرفته از فرآیند اعتباردهی در نظام بانکی کشور حاکی از قضاوتی بودن نظام اعتباری است. بیشتر بانک های کشور به مقوله ریسک به گونه کلی و ریسک اعتباری به گونه ویژه، بی توجه بوده اند و هیچ اقدامی برای کنترل ریسک کلی دارایی ها و بدهی های بانک انجام نداده اند.
پیامدهای برقراری سیستم قضاوتی اعطای اعتبارات در نظام بانکی کشور، بالا بودن حجم ذخایر و مطالبات مشکوک الوصول و در پی آن کاهش توان بازدهی بانک ها می باشد. وجود انحصار دولتی در نظان بانکی کشور باعث شده که نوآوری های کمی در سیستم سنتی آنان ایجاد شود.
امروزه بخش عمده بانک های کشور در ساختار سازمانی خود فاقد مدیریت ریسک بوده و در صورت وجود واحد مدیریت ریسک، اقدام جدی برای کنترل و اداره کردن ریسک انجام نداده اند. هم چنین بررسی های صورت گرفته بیانگر این واقعیت است که تا کنون پژوهشی برای طراحی مدل اندازه گیری ریسک اعتباری مشتریان نظام بانکی کشور صورت نگرفته است.
در حالی که نتایج پژوهش حاضر نشان دهنده این واقعیت است که امکان پیش بینی ریسک اعتباری مشتریان در هنگام اعطای تسهیلات اعتباری از راه مختصات مشتریان حاکی از این است که در بین سه مدل طراحی شده، به ترتیب مدل شبکه پرسپترون و مدل لجستیک از کارایی بالایی برای پیش بینی ریسک اعتباری مشتریان (یعنی پیش بینی احتمال عدم بازپرداخت مشتریان) برخوردار هستند.
با مقایسه مدل لجستیک طراحی شده و مدل z آلتمن می توان نتیجه گرفت که این دو مدل تفاوت چندانی با هم ندارند. در مدل لجستیک طراحی شده نیز هم چون مدل z آلتمن، متغیرهای، سرمایه در گردش به کل دارایی ها، نسب سود انباشته به کل دارایی ها، نسبت سود عملیاتی به کل دارایی ها و گردش کل دارایی ها از توان بالایی برای پیش بینی ریسک اعتباری برخوردار می باشند.
تنها متغیری که در مدل Z آلتمن معنی داره بوده، ولی در مدل لجستیک طراحی شده معنی دار نمی باشد، متغیر نسبت ارزش بازار سرمایه به ارزش کل بدهی هاست. در مدل لجستیک طراحی شده به جای متغیر ارزش بازار سرمایه به ارزش کل بدهی ها، متغیر نسبت بدهی ها به کل دارایی ها به کار رفته است که در پیش بینی ریسک اعتباری تا حدودی معنی دار می باشد.
دلیل اصلی این اختلاف، ناکارآمدی بازار سرمایه ایران در تعیین دقیق ارزش بازار سرمایه و بدهی های شرکت هاست . از سوی دیگر بیشتر شرکت هایی که به دریافت وام از نظام بانکی کشور اقدام می کنند، شرکت های غیر بورسی بوده و در نتیجه امکان محاسبه ارزش بازار آن ها وجود ندارد.
هم چنین نتایج مدل شبکه پرسپترون طراحی شده نیز هم سو با سایر مطالعه های صورت گرفته است. در بیشتر مطالعه های صورت گرفته تاکنون در زمینه طراحی شبکه های عصبی مصنوعی از مدل پرسپترون دو لایه استفاده شده است.
در این مقاله نیز شبکه پرسپترون دو لایه برای پیش بینی ریسک اعتباری مورد استفاده قرار گرفته و مشخص شد، قدرت پیش بینی این مدل نسبت به سایر مدل ها بالاتر است. دلیل اصلی این امر مناسب بودن توابع غیرخطی سیگموئیدی برای پیش بینی احتمال عدم بازپرداخت است که مقدار آن در بازه صفر تا یک است.
روی هم رفته با توجه به نتیجه های به دست آمده از این پژوهش پیشنهادهای زیر برای بهبود نظام اعتباری بانک های کشور پیشنهاد می شود:
- استقرار پایگاه داده ها و سیستم های اطلاعاتی که حاوی داده های مالی و مدیریتی مشتریان بانک ها می باشد. این داده ها می بایست به متغیرهای پیش بینی کننده ریسک اعتباری تبدیل شوند. این پایگاه اطلاعاتی باید همواره بر اساس داده های نوین به روز گردد تا در هر لحظه امکان برآورد درجه ریسک اعتباری مشتریان امکان پذیر باشد.
- طراحی و برقراری سیستم نرم افزاری مدل شبکه های عصبی لجستیک در پیش بینی ریسک اعتباری و اتصال آن به پایگاه اطلاعاتی برای تعیین درجه ریسک اعتباری هر یک از مشتریان در هر لحظه از زمان
- تلفیق روش های کمی و کیفی پیش بینی ریسک اعتباری مشتریان در یک سیستم خبره و برقراری نظام درجه بندی اعتباری مشتریان بر اساس این مدل ها
- بازنگری و اصلاح دایم در مدل پیش بینی ریسک اعتباری براساس بازخورد مستمر از نتایج و رویدادها.
همچنین پیشنهادهای زیر در رابطه با مدیریت ریسک بانک ها ارائه می شود:
- اصلاح ساختار نظام بانکی کشور و برپایی بخش مدیریت ریسک به گونه ای کلی و مدیریت ریسک اعتباری به گونه ویژه در ساختار بانک ها
- بازبینی و بهبود فرایند اعتباری بانک ها و سیستم ارزیابی مشتریان
- نظارت پی در پی بر وضعیت اعتباری مشتریان و ترکیب پرتفوی اعتباری از سوی مدیریت ریسک اعتباری بانک و اداره وصول مطالبات
- هماهنگی کامل بین واحدهایی که درگیر فرایند اعتبارات هستند، از قبیل اداره ارزیابی طرح ها، اداره اعتبارات، اداره ریسک اعتباری و اداره وصول مطالبات
- تعیین ظرفیت اعتباری هر یک از مشتریان نوعی براساس درجه ریسک اعتباری تعیین شده براساس مدل
- پیش بینی پی در پی انتقال و تغییر درجه ریسک اعتباری مشتریانی که تسهیلات اعتباری به آنان واگذار شده و انجام اقدام های بایسته برای جلوگیری از بروز رویداد عدم بازپرداخت
- آموزش پی در پی مدیران و پرسنل شاغل در بخش های اعتباری برای استفاده از نرم افزارها در پیش بینی ریسک و انجام اقدام های بایسته