چکیده:
بانکها در اقتصاد کشور نقشهای مهمی همچون تجهیز منابع، واسطهگری، تسهیل جریان پرداخت و تخصیص اعتبار به دریافتکننده تسهیلات را برعهده دارند. در این مسیر، ریسکهای زیادی بانک را تهدید میکند که میتوان آنها را در چهار گروه کلی اعتباری، نقدینگی، عملیاتی و سرمایهگذاری دستهبندی کرد. مهمترین ریسکی که بانکها با آن مواجهند، ریسک اعتباری است که بهعلت احتمال عدم بازپرداخت بهموقع تسهیلات و سود تعلقگرفته به آن به وجود میآید (فلاحپور، 1383). بانکها همواره با این مشکل روبهرو بودهاند که چگونه و بر اساس چه شاخصها و روشهایی متقاضیان اعطای اعتبار (تسهیلات و تعهدات) را ارزیابی کنند. این کار با استفاده از سیستمی جامع، ساختاریافته و انتخاب تکنیکهای مناسب امکانپذیر است. مقاله حاضر، در پی پیشنهاد و راهکاری کارشناسانه بهمنظور حل این مسئله اجرا شده است تا بتواند متقاضیان اعتبارات مالی را بهخوبی دستهبندی کند و از احتمال عدم بازپرداخت تسهیلات اعطایی بکاهد. در این مقاله با استفاده از مدلهای لاجیت و پروبیت (مدلهای رگرسیونی)، عوامل مؤثر بر ریسک نکول مشتریان بررسی شده است. بدین منظور شاخصهای مؤثر بر ریسک اعتباری استخراج شد. برای برآورد ریسک اعتباری بانک، از مدلهای پروبیت و لاجیت استفاده شد. نتایج نشان داد که مدل پروبیت در مقایسه با مدل لاجیت، در پیشبینی ریسک نکول مشتریان دقت بیشتری دارد.
Banks play an important role in the country's economy, which includes equipping resources, intermediation and facilitating the flow of payments and allocating credit to the recipient of facilities. In this way, the bank faces many risks that can be classified into four general categories: credit, liquidity, operations and investment.The most important risk that banks face is credit risk. Credit risk arises due to the possibility of non-timely repayment of facilities and interest accrued to it.Banks have always faced the challenge of how and based on what criteria and methods to evaluate credit applicants (facilities and liabilities)? This can be done through a comprehensive, structured system and selection of techniques. This research also seeks an expert proposal and solution to solve this problem in order to be able to categorize the applicants of financial credits well and reduce the possibility of non-repayment of the granted facilities. Obviously, the implementation of these methods and techniques can lead to the design of rapid alert systems for banks to be aware of the status of their credit portfolio and facilities and have knowledge of their customers.In this article, using logit and probit models (regression models), the factors affecting the risk of customer default are investigated. Research findings indicate that the Probit model is more accurate in predicting customer default risk than the Logit mode.
خلاصه ماشینی:
مطالبـات بانک ها رقم شايان توجهي از حجم نقدينگي و توليد ناخالص داخلي را در بر مي گيـرد، ايـن يعنـي در بازاري که حاشيه سود بانک ها به دليل تشديد رقابت همواره در حال کاهش است و فشار بـر کـاهش بيشتر هزينه ها محسوس مي شود، مدل هاي کاهش ريسک اعتباري بـا پـيش بينـي زيـان هـاي عـدم بازپرداخت وام ها به نوعي برتري نسبي براي بانک هـا و نهادهـاي اعتبـاري ايجـاد مـي کنـد (فقهـي کاشاني و خوشنود، ١٣٩٨).
در اين مقاله ، ابتدا به تعريف ريسک اعتبـاري مـي پـردازيم و بعـد از بيـان نمونـه پـژوهش هـاي انجام گرفته داخلي و خارجي در خصوص عوامل مؤثر بر ريسک اعتباري بانک ها، مدل هاي لاجيـت و پروبيت (به عنوان مهم ترين مدل هاي پيش بيني ريسـک اعتبـاري ) را تشـريح کـرده و بـا اسـتفاده از داده هاي موجود، فرضيه هاي پژوهش را بررسي مي کنيم .
با توجه به اينکه پژوهش حاضر به دنبال ايجاد روش هايي بـراي مـديريت ريسک اعتباري مشتريان بر اساس اصول اعتبارسنجي و رتبه بندي مشتريان است ، براي اين موضـوع روش ها و مدل هايي مطرح مي شود تا بدين وسيله بانک ها از مشتريان خود شناخت پيـدا کـرده و بـر اين اساس ، به پرداخت يا عدم پرداخت تسهيلات و تعهدات اقدام کنند.
اين ضريب نشان مي دهد که با شاغل بودن فرد وام گيرنده احتمال قصور در بازپرداخت تعهدات کاهش مي يابد و در صورت ثبات ساير شرايط ، با شاغل بودن فرد وام گيرنده لگاريتم شـانس بـه نفـع عدم بازپرداخت به موقع به طور متوسط براي گروه هاي مختلف مشتريان به ترتيب ٠/٥٣، ٠/٤٢، ٠/٣٥ و ٠/٢٨درصد کاهش خواهد يافت .