چکیده:
صنعت لیزینگ امروزه به عنوان یکی از گزینه های استراتژیک توسعه اقتصادی به شمار می رود. با توجه به ماهیت فعالیت های اجاره ای، شرکت های لیزینگ از سودآوری بسیار بالایی برخوردارند و در عین حال با بیشترین مخاطرات مواجه هستند. برخی از مهم ترین مخاطرات شرکت های لیزینگ عبار تاند از: ریسک اعتباری، ریسک تجاری، ریسک ارزش باقیمانده و ریسک نرخ ارز. از بین آنها ریسک اعتباری مهم ترین ریسک محسوب می شود . به طور کلی برقراری ارتباط منطقی بین ریسک و بازده، عامل اصلی تخصیص بهینه منابع و تضمین سودآوری شرکت های لیزینگ خواهد بود. در این مقاله، براساس داده های مشتریان حقیقی تسهیلات لیزینگ خودرو شرکت لیزینگ ایران خودرو از سال 1381 تا 1384 و با کاربرد آزمون تفاضل میانگین(-STUDNTT) و ضریب تعیین، 5 متغیر خالص درآمد ماهیانه متقاضی، مدت تسهیلات، میزان تسهیلات، خالص درآمد ماهیانه ضامن و سابقه کار، ب هعنوان متغیرهای موثر بر ریسک اعتباری شناخته شدند. در بخش های بعد، با استفاده از مدل های اقتصادسنجی لاجیت و پروبیت، مدل پیش بینی ریسک اعتباری مشتریان حقیقی تسهیلات لیزینگ طراحی شد. آزمون های والد، درست نمایی و لاندای ویلکس برای هر دو مدل بررسی شد و نتایج نشان داد که کارایی مدل لاجیت ( 98.39 درصد) با استفاده از داده های تخمین بیش از مدل پروبیت( 97.44 درصد) است.
Nowadays، leasing industry is recognized as one of the strategic options in economic development. Leasing companies have a great profitability and are faced to the most risks. Credit risk، business risk، residual value risk and exchange risk are some of important risk in leasing companies. Among them، credit risk is the most important. Subsequently، making logic relationship between risk and return is the essential element to devote optimally resources and to guarantee profitability leasing companies.
In this paper، on the basis individual costumers data extracted from Leasing Iran Khodro Company database (since1381-1384) and using tow sample t-student test، and determinant coefficient، we found five variables as factors affect credit risk. They include، net monthly costumer income، loan time، loan amount، net monthly guarantor income and experience. In addition، we apply tow credit risk models (Logit & Probit) for leasing loans. The results of Wald، Log likelihood and Wilk΄S Lambda tests indicate that the efficiency in Logit model (%98.39) is more than Probit model (%97.44).