مدل سازی علل درونی معوق شدن تسهیلات قرض الحسنه به روش "حد آستانه" (مورد کاربرد : بانک قرض‌الحسنه رسالت)

نوع مقاله: علمی پژوهشی

نویسندگان

1 عضو هیات علمی گروه اقتصاد دانشکده اقتصاد و حسابداری دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران.

2 دانش آموخته کارشناسی ارشد اقتصاد ، دانشکده اقتصاد و حسابداری واحد تهران مرکزی، تهران، ایران.

چکیده

چگونگی اختصاص منابع بانک ها به تسهیلات گیرندگان و بازگشت به موقع این منابع، یکی از دغدغه های اصلی نظام بانکی می باشد. نحوه تخصیص بهینه منابع و بررسی صحیح و همه جانبه تقاضاهای واصله برای استفاده از تسهیلات بانکی، همواره برای مدیران بانک­ها اهمیت داشته است. هدف این پژوهش مدل سازی علل درونی معوق شدن تسهیلات قرض­الحسنه در بانک قرض­الحسنه رسالت است. جامعه‌ی مورد بررسی در این تحقیق، مشتریان شعب بانک قرض­الحسنه رسالت سراسر کشور در دوره‌ی زمانی 94-1393 می باشد. از این جامعه یک نمونه‌ شامل 2160 پرونده تسهیلات گیرندگان بانک قرض­الحسنه رسالت به روش تصادفی ساده انتخاب شده است. مدل پروبیت[i] جهت ارزیابی عوامل موثر بر مطالبات معوق این بانک با بکارگیری 6 متغیر مستقل که اثر معناداری بر ریسک اعتباری دارند، برازش شده است. معناداری ضرایب با استفاده از آماره والد[ii](W) و معناداری کل رگرسیون، با استفاده از آماره نسبت درستنمایی[iii](LR) در سطح اطمینان 95 درصد بررسی و تایید شده است. برای بررسی قدرت تفکیک کنندگی مدل، منحنی حد آستانه (ROC)[iv]رسم شده است. از روش "حد آستانه بهینه"  جهت بررسی کارایی و قدرت پیش بینی مدل استفاده شده است. نتایج نشان می­دهد ضرایب و همچنین قدرت تفکیک‌کنندگی مدل پروبیت معنادار بوده و اعتبار بالایی دارد. نتایج تحقیق نشان می دهد که افزایش مدت زمان بازپرداخت تسهیلات، افزایش بدهی جاری و همچنین تغییر وثیقه از چک به سایر تضامین باعث افزایش احتمال نکول تسهیلات شده و افزایش ارزش وثیقه، افزایش مبلغ وام و افزایش مبلغ اقساط به کاهش این احتمال منجر می‌شود.
 



[i] Probit model


[ii] Wald


[iii] Likelihood ratio


[iv] Receiver Operating Characteristic
 
 
Abstract
The allocation of bank facilities to customers and the timely return of these loans is one of the main concerns of the banking system. Allocate resources optimally and to check the correct and comprehensive requests for using bank facilities, has always been important for bank managers. this paper is to model the internal factors of loan delinquency in Gorzaholahsaneh Resalat Bank. The survey population in this research is the of Borrowers of Ghorz-al-Hassaneh Bank throughout the country during the period 2014-2015. The random sampling method is simple sammple. The sample consists of 2160 people Who have borrowed from the bank. The probit model is used for analyze credit risk. To investigate the predictive power of the model used ROC curve method. The results show that all coefficients are significant at 5 percent as well as the resolution of the Probit model. Increasing the repayment of facilities, increasing current debt, and also changing the bail from checks to other guarantees increases the probability of failure. Increase the value of the collateral, the amount of the loan and the amount of installments deu to decrese probability of failure.

کلیدواژه‌ها


مدل سازی علل درونی معوق شدن تسهیلات قرض الحسنه به روش "حد آستانه" (مورد کاربرد : بانک قرض­الحسنه رسالت)

 

 

حسین میرزایی

تاریخ دریافت: 12/10/1396             تاریخ پذیرش: 13/12/1396

[1]

ابراهیم کریمی اصل[2]

 

 

چکیده

چگونگی اختصاص منابع بانک ها به تسهیلات گیرندگان و بازگشت به موقع این منابع، یکی از دغدغه های اصلی نظام بانکی می باشد. نحوه تخصیص بهینه منابع و بررسی صحیح و همه جانبه تقاضاهای واصله برای استفاده از تسهیلات بانکی، همواره برای مدیران بانک­ها اهمیت داشته است. هدف این پژوهش مدل سازی علل درونی معوق شدن تسهیلات قرض­الحسنه در بانک قرض­الحسنه رسالت است. جامعه‌ی مورد بررسی در این تحقیق، مشتریان شعب بانک قرض­الحسنه رسالت سراسر کشور در دوره‌ی زمانی 94-1393 می باشد. از این جامعه یک نمونه‌ شامل 2160 پرونده تسهیلات گیرندگان بانک قرض­الحسنه رسالت به روش تصادفی ساده انتخاب شده است. مدل پروبیت[i] جهت ارزیابی عوامل موثر بر مطالبات معوق این بانک با بکارگیری 6 متغیر مستقل که اثر معناداری بر ریسک اعتباری دارند، برازش شده است. معناداری ضرایب با استفاده از آماره والد[ii](W) و معناداری کل رگرسیون، با استفاده از آماره نسبت درستنمایی[iii](LR) در سطح اطمینان 95 درصد بررسی و تایید شده است. برای بررسی قدرت تفکیک کنندگی مدل، منحنی حد آستانه (ROC)[iv]رسم شده است. از روش "حد آستانه بهینه"  جهت بررسی کارایی و قدرت پیش بینی مدل استفاده شده است. نتایج نشان می­دهد ضرایب و همچنین قدرت تفکیک‌کنندگی مدل پروبیت معنادار بوده و اعتبار بالایی دارد. نتایج تحقیق نشان می دهد که افزایش مدت زمان بازپرداخت تسهیلات، افزایش بدهی جاری و همچنین تغییر وثیقه از چک به سایر تضامین باعث افزایش احتمال نکول تسهیلات شده و افزایش ارزش وثیقه، افزایش مبلغ وام و افزایش مبلغ اقساط به کاهش این احتمال منجر می‌شود.

 

واژه‌های کلیدی: مطالبات معوق، مدل پروبیت، حد آستانه بهینه، بانک قرض­الحسنه رسالت.

طبقه بندی JEL: C81, C83

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1- مقدمه

در دنیای امروز انجام هر فعالیت اقتصادی، مستلزم پذیرش درجه­ای از ریسک است چرا که موفقیت هر بنگاه اقتصادی به عواملی بستگی دارد که ممکن است بعضی از آنها تحت کنترل بنگاه بوده و برخی دیگر خارج از کنترل باشد .مدیریت ریسک بهترین راه برای بانکها و موسسات مالی است تا با جلوگیری از به خطر انداختن سپردهای نزد خود، سودآوری مناسبی را برای سهامداران  و سپرده گذاران به ارمغان بیاورد. محاسبه ریسک اعتباری در ده سال گذشته به یک ابزار استراتژیک تبدیل شده است. رشد مطالبات سررسید شده و معوق تبدیل به معضل جدی برای نظام بانکی در سطح کلان و سپرده گذاران و سهامداران در سطح خرد شده است. به علت افزایش سریع در میزان اعطای اعتبار توسط بانک‌ها و همچنین بررسی واجدالشرایط بودن مشتری برای گرفتن اعتبار، موسسات مالی از قبیل بانک‌ها شروع به استفاده از مدل‌های قوی امتیازدهی اعتباری کرده‌اند. از بین مدل‌های آماری که برای بررسی ریسک اعتباری مورد استفاده قرار می‌گیرد تحلیل ممیزی و رگرسیون خطی بیش‌ترین استفاده را نسبت به سایر مدل‌های آماری دارد. سایر مدل‌هایی که استفاده شده است شامل رگرسیون لجستیک، تحلیل پروبیت، برنامه‌ریزی ریاضی، روش‌های ناپارامتریک هموارسازی، مدل زنجیره مارکف، سیستم‌های خبره، شبکه‌های عصبی، الگوریتم ژنتیک و غیره می‌باشند که بیشتر این مدل‌ها در سالهای اخیر مورد استفاده موسسات مالی قرار گرفته است. با استفاده از فن‌آوری اطلاعات و ارتباطات که تحول عظیمی در سیستم بانکداری بوجود آورده و ضمن ایجاد فرصت‌های نوین، چالش‌های جدیدی را نیز با خود به ارمغان آورده است، می‌توان مدل‌های ارزیابی اعتباری را طراحی کرد که با استفاده از روش‌های علمی به جای قضاوت‌های ذهنی در زمان کم و با هزینه مناسب، حساب‌های خوب (مشتریان خوش‌حساب) و حساب‌های بد (مشتریان بد حساب) را از هم تفکیک کرد .

 

2- چارچوب نظری

برای بیشتر بانک­ها، وام­ها بزرگترین و واضح­ترین منبع ریسک اعتباری هستند. وجود منابع عمده تسهیلات سررسید شده و معوق در صورت­های مالی بانک­ها و تبعات ناشی از محروم شدن بانک­ها از بخشی از منابع مالی خود (بحران­های نقدینگی، کاهش سود، از دست دادن فرصت­های سرمایه­گذاری و...) ایجاد ساز و کاری مناسب برای بازپرداخت به موقع تسهیلات اعطایی را ضروری می­سازد (طرفی، 1385). بعد از اینکه وام دریافت می­شود و یا پذیرفته می­شود، قرض گیرنده ممکن است به دنبال پروژه­های ریسکی­تر برای کسب بازده بالاتر برود، که این اقدام، ریسک اعتباری که بانک­ها با آن مواجه هستند را بالاتر می­برد (ین پانو،2009) [v]. پرداخت تسهیلات اعتباری در جهت گسترش و رونق فعالیت­های اقتصادی در بخش­های تولیدی، بازرگانی و خدماتی و با اجرای طرح­های کارآفرین و اشتغال­زا و حفظ و صیانت از اشتغال موجود صورت می­­گیرد و ایجاد مطالبات معوق، حکایت از ایجاد برخی نارسایی­ها در مراحل قبل، حین و پس از پرداخت تسهیلات دارد. یکی از راه­های کمک به اعتباردهندگان، ارائه الگوهای پیش بینی در مورد وضعیت مشتریان است. هر چه پیش‌بینی به واقعیت نزدیکتر باشد، تصمیم‌گیری صحیح­تر خواهد بود.

معوق شدن تسهیلات بانکی و بررسی دلایل آن در نظام بانکی نکته مهم و حائز اهمیتی است که این پژوهش در پی بررسی آنها می باشد. با توجه به اینکه بانکها در جذب  منابع  قرض الحسنه با مشکل جدی مواجه هستند، لذا مدیریت اعطای تسهیلات قرض الحسنه و اطمینان از وصول اینگونه مطالبات اهمیت آن را دو چندان می­کند.

بانک قرض­الحسنه رسالت به عنوان اولین بانک قرض الحسنه خصوصی کشور با هدف ارائه خدمات نوین بانکی و بسط و گسترش فرهنگ قرض الحسنه و پرداخت وام های خرد و ایجاد و حمایت از مشاغل خانگی و بنگاه‌های کوچک در سال 1391 با مجوز رسمی از بانک مرکزی آغاز به فعالیت کرد. بانک قرض­الحسنه رسالت بانکی اجتماعی و خدماتی بوده بدین معنی که این بانک از تسهیلات پرداختی به مشتریان سودی کسب نمی نماید و متقابلاً به سپرده های مشتریان نیز سودی تخصیص نمی‌دهد. این مقاله با بکارگیری روش تحلیل رگرسیون لجستیک به بررسی و مدلسازی علل معوق شدن تسهیلات در بانک قرض­الحسنه رسالت پرداخته است.

 

2-1- اهداف تحقیق

با توجه به آنچه بیان شد، اهداف این مقاله عبارت است از:

×    بررسی عوامل موثر در مطالبات سررسید گذشته و معوق بانک قرض­الحسنه رسالت.

×    کمک به افزایش توانایی بانک قرض­الحسنه رسالت در شناسایی مشتریان بد حساب جهت مدیریت اعطای تسهیلات.

 

2-2- فرضیه های تحقیق

  • ·       با افزایش مبلغ وام، احتمال نکول پرداخت اقساط کاهش می­یابد.
  • ·        با افزایش مبلغ اقساط وام،احتمال نکول پرداخت اقساط کاهش می­یابد.
  • ·       با افزایش طول مدت باز پرداخت وام،  احتمال نکول پرداخت اقساط افزایش می­یابد.
  • ·       با تغییر وثیقه از چک به سایر وثایق، احتمال نکول پرداخت اقساط افزایش می­یابد.

 

3- پیشینه پژوهش

الف- مطالعات داخلی

عرب مازار و رویین تن (1385) در مقاله خود مبنی بر "عوامل موثر بر ریسک اعتباری مشتریان بانکی؛ مطالعه موردی بانک کشاورزی" با هدف شناسایی عوامل موثر و تدوین مدلی برای سنجش ریسک اعتباری مشتریان حقوقی با استفاده از روش رگرسیون لاجیت و با استفاده از اطلاعات کیفی و مالی به دست آمده از یک نمونه 200 تایی از شرکتهایی که طی سالهای 1378 تا 1383 از شعب بانک کشاورزی استان تهران، تسهیلات اعتباری دریافت کرده‌اند، اقدام به این تحقیق نمودند. نتایج این تحقیق ضمن دلالت بر تایید نظریه‌های اقتصادی و مالی در زمینه عوامل موثر بر ریسک اعتباری نشان می‌دهد که عوامل موثر بر ریسک اعتباری مشتریان حقوقی بانک کشاورزی، فصل مشترک زیادی با عوامل موثر بر ریسک اعتباری مشتریان حقوقی سایر بانک‌‌ها (از جمله بانک ملت و توسعه صادرات) دارد.

برادری (1386) در پایان نامه اش تحت عنوان « بررسی وضعیت و عوامل موثر بر پیدایش مطالبات معوق و ارائه راهکار های مطلوب پیشگیری آن در بانک صادرات ایران بر اساس روش سنجش خطر اخلاقی[vi] (مطالعه موردی بانک صادرات استان تهران » به این نتیجه رسید که از میان عوامل رفتاری مورد بررسی، متغیرهای رشد فعالیت متقاضی، نوع مالکیت، مدرک تحصیلی، نوع وثیقه، مقطع اخذ تسهیلات، سابقه اعتباری متقاضی، داشتن چک برگشتی، نسبت سرمایه به مبلغ تسهیلات دریافتی، با متغیر وابسته (پیدایش مطالبات معوق) رابطه معنی­دار داشته است. همچنین وجود اختلاف معنادار بین نرخ سود بانکی و نرخ بازار و منافع حاصل از عدم بازپرداخت از سوی متقاضیان، به عنوان یکی از عوامل عمده در بروز مطالبات معوق، مورد تأیید قرار گرفته است.

حسین میرزایی و همکاران (1390) در مقاله با عنوان "بررسی عوامل موثر بر ریسک اعتباری اشخاص حقوقی بانک ها -مطالعه موردی شعب بانک ملی ایران، شهر تهران" با استفاده از رگرسیون لجستیک، یک نمونه تصادفی 455 تایی (323 مشتری خوش حساب و 132 مشتری بد حساب ) از شرکتهای حقوقی را که در سال 1387 از شعب بانک ملی ایران مستقر در شهر تهران تسهیلات اعتباری دریافت نموده­اند را بررسی کرده­اند. در این تحقیق ابتدا 39 متغیر توضیح دهنده شامل متغیرهای کیفی و مالی با استفاده از روش C5 شناسایی شده و در نهایت 11 متغیر را که اثر معناداری بر ریسک اعتباری و تفکیک بین دو گروه مشتریان خوش حساب و بدحساب داشتند، انتخاب گردیده و مدل نهایی به وسیله آنها برازش شده است. در مدل برازش شده، معناداری ضرایب، با استفاده از آماره والد(Wald) و معناداری کل رگرسیون، با استفاده از آماره نسبت درستنمایی (LR) (در سطح اطمینان 95 درصد)، مورد بررسی قرار گرفت. نتایج نشان داد که براساس شاخص­های آماری، این توابع از نظر ضرایب و همچنین قدرت تفکیک کنندگی معنادار بوده و اعتبار بالایی دارند. 

سعید شوال پور و الهام اشعری(1392)  در مقاله خود با عنوان"بررسی تأثیر ریسک اعتباری بر سودآوری بانک‌ها در ایران"تأثیر ریسک اعتباری بر سودآوری بانک‌های ایران را بررسی نموده‌اند. در این تحقیق، برای اندازه‌گیری ریسک اعتباری از نسبت‌های تسهیلات غیرجاری به کل تسهیلات و ذخیرۀ مطالبات مشکوک‌الوصول به کل تسهیلات استفاده شده است. همچنین سودآوری با استفاده از دو نسبت بازده دارایی‌ها و بازده حقوق صاحبان سهام اندازه‌گیری شده است. نمونة پژوهش شامل پانزده بانک‌ و مؤسسۀ اعتباری تحت ‌نظارت بانک مرکزی جمهوری اسلامی ایران طی دورۀ زمانی 82 تا 88 است. نتایج پژوهش نشان می‌دهد، بین ریسک اعتباری و سودآوری بانک‌ها رابطة منفی معنا‌داری وجود دارد. رابطة یادشده را می‌توان این‎گونه تشریح کرد که با افزایش ریسک اعتباری، هزینۀ بانک‌ها افزایش یافته، بنابراین سودآوری آنها کاهش می‌یابد.

جامعی و همکاران(1394) در مقاله‌ای با عنوان "بررسی ریسک اعتباری طبقه‌بندی مشتریان شبکة بانکی با استفاده از مدل‌های پیش‌بینی و تصمیم‌گیری چندمعیاره"، اقدام به  طبقه‌بندی مشتریان بانکی بر اساس ریسک اعتباری به کمک مدل‌های پیش‌بینی و تصمیم‌گیری چندمعیاره، نموده‌اند. از آنجا که یکی از عوامل کلیدی در شبکة بانکی ریسک اعتباری است، لذا بانک‌ها علاقه‌مندند از روش‌های مختلف ریسک مزبور را کاهش دهند. در پژوهش اشاره شده تعداد 385 پرونده از بین مشتریان حقیقی (250) و حقوقی (135) بانک ملی استان کردستان به عنوان نمونة آماری به شیوة طبقه‌ای تصادفی ساده انتخاب و مورد بررسی قرار گرفته است. نتایج حاصل از این مطالعه نشان می‌دهد که هر دو مدلتاپسیس[vii]و رگرسیون لجستیک می‌توانند در طبقه‌بندی مشتریان بدحساب و خوش‌حساب توسط مدیران مؤسسات اعتباری مورد استفاده قرار گیرند، لیکن دقت برآورد مدل تاپسیس بهتر از مدل لاجیت می‌باشد.

 

ب- مطالعات خارجی

اولاگونجو و آدیمو 2007 [viii] ، در مقاله تحقیقی خود تحت عنوان"عوامل موثر بر بازپرداخت برای کشاورزان خرد در جنوب غرب نیجریه" با استفاده از روش سه مرحله‌ای در جمع آوری اطلاعات بیان می‌دارند که تجربه کشاورز، منطقه کشاورزی، هزینه تهیه وام، تعداد مراجعات برای دریافت وام و تحصیلات کشاورز از عمده ترین عوامل در بازپرداخت بوده است.

برگر و همکاران[ix] (2016) در مقاله "بازنگری به رابطه تجربی بین ریسک وام و وثیقه: نقش نقدینگی وثیقه و انواع آن" به بررسی نتایج متناقض ادبیات تجربی مربوط به رابطه بین وثیقه و ریسک بازپرداخت وام پرداخته­اند. آنها فرض کردند که تفاوت در ویژگی­های وثیقه، مانند نقدینگی، ممکن است با ریسک وثیقه در ارتباط باشد. نتایج نشان داد که به طور کلی وثیقه با صرف ریسک پایین­تر و نرخ به طور پیش فرض بالاتر، همراه است. همچنین نتایج نشان می­دهد که وثیقه نقش مهمی در کاهش تلفات و کاهش انگیزه ریسک پذیری دارد.

وجه تمایز پژوهش حاضر با مطالعات پیشین در این است که در این تحقیق با توجه به قرض الحسنه بودن تمامی تسهیلات پرداخت شده در بانک قرض­الحسنه رسالت، عوامل موثر بر نکول مطالبات قرض الحسنه به طور تخصصی و ویژه مورد بررسی قرار می­گیرد.

 

4- مبانی نظری تحقیق

بانکها و موسسات مالی به دلیل ماهیت فعالیت خود با ریسک­های زیادی مواجه می­باشند. پژوهشگران به دلیل گستردگی و تنوع فعالیتهای بانکی، در زمینه انواع ریسک عملیات بانکی، اتفاق نظر ندارند بطوری‌که برخی ریسک‌های اعتباری، نرخ بهره و نقدینگی را از جمله ریسک­های اصلی بانکداری بر می­شمارند درحالی که گروه دیگر ریسک شهرت و ... را مهمتر می دانند. درکل می­توان ریسک­هایی که بر نهاد مالی تأثیر می­گذارند را در سه سطح  زیرتقسیم بندی نمود:

  • سطح اول، ریسکهایی که نهاد مالی هیچگونه کنترل و تأثیری بر آنها ندارد و تنها از آنها تأثیر می‌پذیرد.
  • سطح دوم، ریسکهایی است که نهاد مالی بر آنها تأثیر دارد اما این تأثیر اندک است و بیشتر تأثیر می‌پذیرد.
  • سطح سوم، ریسکهایی هستند که بر نهاد مالی تأثیر می­گذارند ولی نهاد مالی با اعمال روشها و ابزارهایی می­تواند آنها را تحت کنترل خود درآورد و مدیریت کند (اصلی، 1390).

در میان ریسکهایی که بانکها ومؤسسات مالی را تهدید می­کند، ریسک اعتباری به دلیل محوریت، حجم عملیات و به ویژه حساسیت آن، مهم ترین ریسک به شمار می­رود، بنابراین تنها ریسک­های سطح سوم می­باشند که نهاد مالی توسط روشها وابزارهای مدیریت ریسک می­تواند برآنها فائق آید و کنترل نماید.

در این بخش مدل اصلی مورد استفاده در این تحقیق، بررسی می­شود. معمولا برای مدل‌های رگرسیونی که در آنها متغیر وابسته (احتمال نکول شدن یا نشدن تسهیلات پرداختی)، مقدار صفر و یک  اختیار می‌کند، از مدلهای غیرخطی مانند لاجیت و پروبیت [x] استفاده می­شود. که در ادامه تشریح کوتاهی از مدل پروبیت ارایه خواهد شد.

 

4-1- مدل پروبیت(نرمیت)

مدل پروبیت، به جای توزیع لجستیک از توزیع نرمال استفاده می‌نماید و به خاطر اینکه توزیع نرمال پیچیده تر از توزیع لجستیک می باشد، مدل پروبیت پیچیده تر به نظر می­آید، اگرچه هیچ تفاوت کاربردی بین دو مدل وجود ندارد.

اگر متغیر وابسته Y دارای تابع توزیع تجمعی لوجستیک باشد، لاجیت نام دارد و اگر همین متغیر وابسته دارای تابع توزیع تجمعی نرمال باشد مدل پروبیت یا نرمیت نام دارد که به صورت زیر نمایش داده می‌شود:

 

(1)

 

 

 

 

 

 

 

 

 

 

که z متغیر نرمال استاندارد می‌باشد و به عبارتی دارای توزیع z~N(0,1) می‌باشد.

 

4-2- اثر نهایی

با توجه به نوع متغیر توضیحی، دو روش جداگانه برای محاسبه اثر نهایی در مدل‌های با متغیر وابسته موهومی وجود دارد :

اگر  متغیر کمی باشد، تغییر در احتمال موفقیت متغیر وابسته  بر اثر تغییر یک واحدی در که اثر نهایی است به صورت رابطه (2) تعریف می­شود.(مادالا، 1983،4):

(2)

 

اگر  متغیر مجازی باشد، اثر نهایی برای این متغیر عبارت است از تغییر در احتمال موفقیت متغیر وابسته   در نتیجه تغییر   از صفر به یک، در حالی‌که سایر متغیرها در یک مقدار ثابت  نگه داشته شوند.  مقدار اثر نهایی متغیر توضیحی مجازی از طریق رابطه زیر قابل محاسبه است .

(3)

 

5- روش تحقیق

پژوهش حاضر براساس هدف، یک تحقیق کاربردی و براساس ماهیت و روش، توصیفی - همبستگی است. در این تحقیق بعد از جمع آوری داده‌ها، از روش رگرسیونی  پروبیت برای تخمین مدل و همچنین برای تجزیه و تحلیل داده ها از نرم افزار آماری استتا[xi] استفاده شده است.

 

5-1- جامعه آماری و نمونه

جامعه آماری شامل تمامی مشتریان دریافت کننده تسهیلات از شعب بانک قرض­الحسنه رسالت طی سال­های 1393 و 1394 می­باشد. تسهیلات گیرندگان از بانک قرض­الحسنه رسالت طی سال­های بررسی 000/300/1 نفر می­باشند. برای به دست آوردن حجم نمونه از فرمول کوکران[xii] که بصورت زیر است، استفاده شده است:

(4)                                                                         

 

حجم نمونه با استفاده از فرمول فوق و با فرض خطای معنی دار 5 درصد،  384 نفر به دست آمد. با توجه به دسترسی به اطلاعات 2160 تسهیلات گیرنده که در سال­های 1393 و 1394 مشمول دریافت وام گردیده و در حال بازپرداخت هستند، و با عنایت به اینکه در این پژوهش سطح بالایی از اطمینان و معنی داری آماری مد نظر است و هرچه حجم نمونه بزرگتر باشد از یک طرف کارایی برآوردگرهای مورد استفاده بالاتر می‌رود و از طرف دیگر خطای نمونه گیری کاهش می‌یابد، لذا از تمام داده های در دسترس برای برآورد مدل استفاده شد.

 

6- شرح داده‌ها

نظر به اینکه مشتریان بانک قرض­الحسنه رسالت اشخاص حقیقی هستند، مولفه­های مربوط به مشتریان که می‌توان از آن­ها به عنوان متغیرهای مستقل برای پیش­بینی و تبیین دلایل معوق شدن تسهیلات استفاده نمود، شامل متغیرهای مبلغ تسهیلات دریافتی، ارزش وثیقه، مبلغ اقساط، دوره بازپرداخت، نوع وثیقه، بدهی جاری، می‌باشد که در ادامه به تفصیل توضیح داده شده­اند. 

 

6-1- متغیر وابسته

متغیر وابسته در این مدل نحوه بازپرداخت است که جواب نهایی در مورد اعطا یا عدم اعطای اعتبار به مشتریان می‌باشد که در اصطلاح بانکی به خوش حساب یا بدحساب بودن مشتریان بانکی ارتباط پیدا می‌کند. در این قسمت مشتریان را به دو دسته تقسیم می‌کنیم: 1- مشتریان خوش‌حساب و 2- مشتریان بدحساب.

1)     مشتریان خوش‌حساب (ریسک اعتباری پایین): دریافت‌کنندگان اعتبار که به موقع بازپرداخت وام را انجام داده‌اند (در پرداخت اصل بدهی و اقساط خود کمتر از 3 ماه تاخیر دارند) مشتری خوش‌حساب تعریف شده است.

2)    مشتریان بدحساب (ریسک اعتباری بالا): دریافت کنندگان اعتبار که به موقع بازپرداخت وام را انجام نداده‌اند (در پرداخت اصل بدهی و اقساط خود بیش‌تر از 3 ماه تاخیر دارند) را مشتریان بدحساب تعریف شده است.

خروجی تحقیق با دو عدد گسسته صفر و یک تعریف شده است، عدد صفر برای مشتریان خوش­حساب و عدد یک برای مشتریان بد‌حساب.

همانطور که در قسمت‌های قبل مطرح شد، ورودی‌های تحقیق از دو بخش اطلاعات مالی و اطلاعات اعتباری شخص حقیقی تشکیل شده است و خروجی‌ مدل‌ها نیز همان رتبه‌بندی دو سطحی از مشتریان از منظر بازپرداخت تسهیلات پرداختی به آنهاست. جدول فراوانی (1)، نحوه بازپرداخت مشتریان بانک قرض­الحسنه رسالت (متغیر‌ وابسته) استفاده شده در تحقیق را به تصویر می‌کشد.

 

جدول 1- فروانی نحوه بازپرداخت مشتریان بانک قرض­الحسنه رسالت

خوش حساب

بدحساب

مشتری

0

1

کد

1043

1117

فراوانی

ماخذ: یافته های پژوهشگر

 

همانطور که مشاهده می­شود، فراوانی افراد خوش­ حساب 1043 و فراوانی افراد بدحساب 1117 نفر از کل نمونه بوده است که 52 درصد مربوط به مشتریان بدحساب و 48 درصد مربوط به مشتریان خوش حساب است.

 

6-2- متغیرهای مستقل

در این پژوهش با توجه به محدودیت­های موجود و اطلاعات دریافتی از بانک از اطلاعات زیر به عنوان متغیر مستقل استفاده شده است.

  • ·       نوع وثیقه

با توجه به جدول زیر از 1931 نفری که برای ضمانت از چک و سفته (کد 0) استفاده کرده­اند، 930 نفر خوش حساب و 1001 نفر بد حساب بوده­اند، همچنین از 229 نفری که از سایر تضامین(کد 1) استفاده نموده­اند 113 نفر خوش حساب و 116 نفر بد حساب بوده­اند.

 

جدول 2- فروانی نوع وثیقه دریافتی از مشتریان بانک قرض­الحسنه رسالت

مجموع

نوع وثیقه

 

1

0

بازپرداخت

1043

113

930

0

خوش حساب

1117

116

1001

1

بدحساب

2160

229

1931

-

مجموع

ماخذ: یافته های پژوهشگر

 

  • ·       ارزشوثیقهدرازایگرفتنتسهیلات

با توجه به جدول زیر از 1037 مشتری که ارزش وثیقه آنها در ازای گرفتن تسهیلات، کمتر از بیست میلیون تومان است(کد 0) ، 503 نفر اقساط خود را به موقع و 534 نفر اقساط خود را به با تاخیر بیش از سه ماه  پرداخت کرده‌اند. از 716 مشتری که ارزش وثیقه آنها بین 20 تا 50 میلیون تومان است(کد1)، 318 نفر اقساط خود را به موقع پرداخت کرده‌اند و 398  نفر در بازپرداخت به موقع  اقساط خود کوتاهی کرده‌اند. همچنین از 407 نفری که  ارزش وثیقه آنها در ازای گرفتن تسهیلات بالاتر از 50 میلیون تومان است(کد2)، 222 نفر اقساط خود را به موقع پرداخت کرده و 185 نفر باقیمانده، بد­حساب هستند.

 

 

جدول 3- فراوانی ارزش وثایق پرداختی مشتریان

مجموع

ارزش وثایق پرداختی مشتریان

 

2

1

0

ارزش وثیقه

1043

222

318

503

0

خوش حساب

1117

185

398

534

1

بدحساب

2160

407

716

1037

-

مجموع

ماخذ: یافته های پژوهشگر

 

  • ·       مدت بازپرداخت

متغیر مدت بازپرداخت به سه حالت طبقه بندی شده است. برای کمتر از یک سال (وام کوتاه مدت) کد (0)، بین یک تا سه سال (میان مدت) کد(1) و بیشتر از سه سال(بلند مدت) کد (2) اختصاص داده شده است.

با توجه به جدول زیر از تعداد 634 مشتری که وام کوتاه­مدت دریافت کرده­اند، 425 نفر از آنان خوش حساب و 209 نفر از آنان بدحساب بوده­اند. همچنین از 1307 نفر دریافت­کنندگان وام میان­مدت 579 نفر خوش­حساب و 728 نفر بدحساب بوده و در نهایت از 219 نفری که وام بلندمدت از بانک قرض‌الحسنه‌رسالت دریافت نموده­اند، 39 نفر خوش­حساب و ما بقی بدحساب محسوب می­شوند.

 

جدول 4- فراوانی مدت بازپرداخت وام

مجموع

مدت زمان بازپرداخت وام

 

2

1

0

بازپرداخت

1043

39

579

425

0

خوش حساب

1117

180

728

209

1

بدحساب

2160

219

1307

634

-

مجموع

ماخذ: یافته های پژوهشگر

 

  • ·       مبلغتسهیلاتدریافتیازبانکتوسطوامگیرنده

درطبقه بندی این متغیر، برای وام های کمتر از پنج میلیون تومان، کد (0)، بین پنج تا ده میلیون تومان کد (1)، 10 الی 20 میلیون تومان با کد (2) و بالاتر از 20 میلیون تومان با کد )3) معرفی شده است.

با توجه به جدول شماره 5، برای وام­های کمتر از 5 میلیون تومان، 358 نفر خوش­حساب و 414 نفر بدحساب بوده­اند، همچنین در صورتی که وام 5 تا 10 میلیون تومان دریافت کرده باشند،297 نفر خوش حساب و 278 نفر بدحساب بوده­اند همچنین از153 نفری که وام 10 الی20 میلیون تومان دریافت کردند، 72 نفر دارای کمتر از 3 سررسید معوق و 81 نفر نیز دارای بیشتر از 3 سررسید معوق می­باشند. از 441 مشتری وام‌های بیش از 20 میلیون تومان نیز 236 نفر به موقع اقساط خود را پرداخت کرده و 205 نفر بدحساب بودند.

 

جدول 5- فراوانی مبلغ وام اعطایی به مشتریان

مجموع

مبلغ وام اعطایی

 

3

2

1

0

بازپرداخت

1043

236

72

358

377

0

خوش حساب

1117

205

81

414

417

1

بدحساب

2160

441

153

772

794

-

مجموع

ماخذ: یافته های پژوهشگر

 

  • ·       بدهی جاری

این متغیر نیز بدهی جاری هر وام­گیرنده را پس از دریافت وام نشان می­دهد که برخلاف سایر متغیرها کدگزاری نشده است.

 

  • ·       مبلغ هر قسط

مبلغ هر قسط نیز از جمله متغیرهای مرتبط با خوش­حساب بودن یا بدحساب بودن مشتری می­باشد، لذا در این تحقیق نیز به عنوان یکی از متغیرهای توضیحی و بدون کدگزاری در نظر گرفته شده است.

 

7- یافته های تحقیق

نتایج برآورد مدل پروبیت در جدول شماره 6 نمایش داده شده است.

از رابطه بالا احتمال عدم بازپرداخت وام (ریسک اعتباری) توسط مشتریان محاسبه می­شود. بدین ترتیب، افزایش متغیرهایی که دارای ضریب منفی هستند، باعث کاهش P و افزایش متغیرهایی که دارای ضریب مثبت هستند، باعث افزایشP  می‌شود .از این رو متغیرهایی که ضریب منفی دارند در تحلیل­های مالی نیز به عنوان مثبت در عملکرد یک مؤسسه در نظر گرفته می­شوند و بنابراین تمام نتایج  مدل با واقعیت تطابق دارند. بنابراین براساس یافته­های این پژوهش با افزایش ارزش وثیقه، مبلغ اقساط و مبلغ وام، احتمال نکول در پرداخت اقساط وام کاهش می­یابد. از طرفی با افزایش دوره بازپرداخت، تغییر وثیقه از چک به سایر تضامین و افزایش بدهی جاری، این احتمال افزایش می­یابد.

 

جدول 6- نتایج  برآورد مدل پروبیت

وضعیت اعتباری

ضرایب

انحرافمعیار

   

ارزش وثیقه

0.268-

0.127

2.11-

**0.035

مبلغ قسط

2.505-

0.137

18.20-

***0.000

مبلغ وام

0.283-

0.103

2.74-

***0.000

نوع وثیقه

0.346

0.170

2.04

**0.042

بدهی جاری

3.175

0.170

18.67

***0.000

زمان بازپرداخت

0.435

0.102

4.23

***0.000

عرض از مبدا

13.86-

1.45

9.52-

***0.000

ماخذ: یافته های پژوهشگر

 

7-1- معناداریونکوییبرازشمدل

در رگرسیون پروبیت با توجه به اینکه ضریب تعیین معمولی  برای نشان دادن خوبی برازش مدل، به تنهایی کافی نیست؛ بنابراین از شاخص های دیگری به منظور بررسی خوبی  برازش مدل استفاده می شود که در اینجا به برخی از آنها اشاره می‌شود:

7-1-1- آمارهنسبت درستنمایی[xiii]( LR)

این آماره دارای توزیع کای دو با درجه آزادی 6 (تعداد متغیرهای مستقل) است و برای آزمون فرضیه بی اثر بودن متغیرهای مستقل بر متغیر وابسته به کار می­رود .به بیان دیگر، در این آماره فرضیه مساوی صفر بودن تمامی ضرایب متغیرهای مستقل در مقابل مخالف صفر بودن آنها آزمون می­شود. همانطور که در جدول شماره 7 ملاحظه می­شود، احتمال این آماره تابع آزمون، برابر صفر و در نتیجه کمتر از 0.05 است و نشان­دهنده این است که فرضیه صفر مبنی بر بی­اثر بودن متغیرهای مستقل رد شده و در نتیجه رگرسیون معنادار است.

 

 

7-1-2-آماره  مک فادن [xiv]

شبیه آماره  در رگرسیون خطی است و مقدار آن بین صفر و یک است و توان توضیح دهندگی مدل را اندازه­گیری می‌نماید. هرچه این مقدار نزدیک به یک باشد، میزان تطابق مدل با واقعیت و به عبارتی نیکویی برازش بیشتر است و هرچه این مقدار به صفر نزدیک تر باشد، نیکویی برازش کمتر خواهد بود که مقدار این آماره در این پژوهش برابر 0.562 است.

 

7-1-3-آمارههاسمر-لمی شو[xv]

در این آماره مشاهدات به J=10 گروه مساوی تقسیم می شود و آماره دارای توزیع کای دو با درجه آزادی 8 و  آزمون فرضیه آن به صورت زیر می باشد:

 

 

این آزمون مقادیر برازش شده مورد انتظار را با مقادیر واقعی هر گروه مقایسه می­کند.  اگر اختلافات بزرگ باشد فرضیه صفر رد می‌شود. همانطور که ملاحظه می شود مقدار این آماره برابر 25.73  بوده که در این پژوهش نیز نتایج معنادار شده است.

 

جدول 7- نتایج آزمون­های صحت مدل

احتمال

مقدار

شاخص

-

57/0

RSquared

0.000

1018.10

LR(6df)

-

0.526

McFaddenRSquared

0.001

25.73

Hosmer-Lemeshow chi (8)

ماخذ: یافته های پژوهشگر

 

7-2- تحلیل اثرات نهایی

جدول شماره 8 میزان اثرات نهایی هریک از متغیرهای پژوهش را نشان می­دهد:

 

 

 

جدول 8- اثرات نهایی مدل پروبیت

ناممتغیر

 

مقدار prob

ارزش وثیقه

0.076-

0.034

مبلغ قسط

0.716-

0.000

مبلغ وام

0.080-

0.006

نوع وثیقه

0.087

0.018

بدهی جاری

0.908

0.000

زمان بازپرداخت

0.124

0.000

ماخذ:یافته های پژوهشگر

 

7-3- معیارهایارزیابیمدل

کارایی مدل های رتبه بندی اعتباری با تعیین دو شاخص ارزیابی مشخص می شود:

  • " درجه­ی حساسیت"، عبارت است از نسبتی از مشتریان واقعاَ بدحساب که مدل رتبه­بندی نیز آنها را در گروه بدحساب قرار می دهد.
  • "درجه­ی تشخیص "، عبارت است از نسبتی از مشتریان واقعا خوش حساب که مدل رتبه‌بندی نیز آنها را در گروه خوش حساب قرار می­دهد.

 

7-4- بررسیقدرتپیش‌بینیمدلدرحدآستانه

در جدول شماره 9 که جدول طبقه بندی نامیده می­شود، درحد آستانه 0.5  واحد، مقادیر پیش بینی شده احتمال برای متغیر وابسته b (در معادله برازش شده( برحسب اینکه بالاتر یا پایین تر از حد آستانه واقع شوند آمده است. طبقه­بندی «درست» وقتی حاصل می­شود که در صورت وجود مقدار صفر برای متغیر b (مشتری خوش­حساب)، مقدار پیش بینی شده احتمال کمتر یا برابر حد آستانه و در صورت وجود مقدار 1 برای متغیر b (مشتری بدحساب) مقادیر پیش بینی شده احتمال بیشتر از حد آستانه محاسبه شود. نسبتی از مشاهدات b=1 که به درستی پیش بینی شده­اند را «درجه حساسیت» مدل می‌نامند که برابر69.73  درصد است و نسبتی از مشاهدات b=0 که به درستی پیش بینی شده اند را «درجه تشخیص» مدل می­نامند که برابر  93.3 می­باشد.

 

 

 

 

جدول 9- قدرت پیش‌بینی مدل در حد آستانه 0.5

مشاهدات

برآورد

خوش­حساب

بدحساب

کل

 

1019

145

1164

 

73

334

407

کل

1092

479

1571

درست

1019

334

1353

% درست

93.32

69.73

-

% نادرست

7%

13%

-

ماخذ: یافته های پژوهشگر

 

همچنین با توجه به این جدول خطای نوع اول یعنی ریسک اعتباری در مدل برازش شده برابر 31% (عدد یک منهای درجه حساسیت) و خطای نوع دوم یعنی ریسک تجاری برابر 7 درصد (عدد یک منهای درجه تشخیص) می باشد.

 

7-5- بررسیکاراییوقدرتپیشبینیمدلبااستفادهازدادههایشاهد

برای بررسی کارایی مدل برازش شده و نیز قدرت پیش بینی آن با استفاده از داده های مدل، با استفاده از تابع رگرسیون پروبیت به دست آمده، مقادیر این اطلاعات را وارد مدل کرده و بدین ترتیب احتمال عدم بازپرداخت به موقع تسهیلات اعطایی)ریسک اعتباری(  مشاهدات را نیز با استفاده از مدل برازش شده محاسبه می کنیم. معیار طبقه بندی به این ترتیب است که اگر مقدار احتمال محاسبه شده برای هر مشاهده(مشتری) کمتر از حد آستانه باشد، مشتری در گروه خوش حساب و در صورتی که مقدار احتمال بیشتر از حد آستانه تعیین شده باشد، مشتری در گروه بدحساب طبقه بندی می شود. نتایج این بررسی در جدول زیر ارائه شده است.

 

جدول 10- بررسی قدرت پیش بینی مدل با استفاده از داده های شاهد

مقدار واقعی

مقداربرآورد شده

حد آستانه 0.5

b=0 (خوش حساب)

b=1 (بدحساب)

 

1069

216

 

48

827

درجه حساسیت

95.70

ارزش پیش بینی مثبت

83.19

درجه تشخیص

79.27

ارزش پیش بینی منفی

94.51

شاخص  نیکویی برازش (کارایی)مدل

87.78

ماخذ: یافته های پژوهشگر

همانطور که ملاحظه می شود مدل برای داده های شاهد، در برآورد ریسک اعتباری از کارایی  نزدیک به  87.78 درصد برخوردار است. این امر نشان می دهد در صورت استفاده از این مدل می توان حدود 87.78 درصد تسهیلات را به مشتریان خوش حساب تخصیص داد و مدل برازش شده، در برآورد ریسک اعتباری توانا می باشد.

 

7-6- حدآستانهبهینه

با توجه به توضیحات پیشین، می­بایست براساس احتمالات نکول مشتریان، نسبت به عملکرد آتی آنان قضاوت کرد و آنها را بین دو رتبه‌ی خوش حساب و بد حساب طبقه‌بندی کرد. از این رو لازم است نقطه‌ای در بازه ی(0و1) تعیین شود که احتمال نکول بیش از آن، در رتبه ی بدحساب‌ها و کمتر از آن در رتبه‌ی  خوش حساب‌ها طبقه بندی شوند، که این نقطه را حدآستانه می نامند. حد آستانه ی بهینه به وسیله دو نمودار که در آن منحنی درجه‌ی حساسیت و درجه‌ی تشخیص مدل  در مقابل مقادیر مختلف حد آستانه رسم شده، نشان داده شده ‌است. منحنی‌ای که از سمت چپ پایین به سمت راست بالا کشیده شده است، منحنی درجه تشخیص و منحنی‌ای که از سمت چپ بالا به سمت راست پایین آمده است، منحنی درجه  حساسیت است. همانطور که در نمودار شماره 1 مشاهده می­شود حد آستانه‌ی بهینه درمدل پروبیت برابر 0.59 است که نزدیک به عدد 0.5 است.

 

 

نمودار1- حد آستانه

ماخذ: یافته های پژوهشگر

 

7-8- بررسیقدرتتفکیککنندگیمدل

     پس از محاسبه درجه حساسیت و درجه تشخیص مدل به منظور بررسی قدرت تفکیک کنندگی دو گروه )مشتریان خوش حساب و مشتریان بد حساب(  از منحنی ROC استفاده می شود. این منحنی در صفحه مختصاتی که محور افقی آن (عدد یک منهای درجه تشخیص( و محور عمودی آن درجه حساسیت مدل می باشد، از نقطه (0و0) در گوشه پایین سمت چپ به سمت نقطه (1و1) در گوشه بالا سمت راست کشیده می شود. هرچه این منحنی به سمت گوشه سمت چپ بالا به نقطه (0و1) نزدیکتر باشد، نشان دهنده قدرت بیشتر مدل در تفکیک کنندگی بین دو گروه خواهد بود. شاخص خوبی برازش مدل، سطح زیر منحنی ROC است. مدلی که بیشترین قدرت تفکیک کنندگی بین دوگروه )از مشتریان خوش حساب و بد حساب(  را دارد، سطح زیر منحنی یک و مدلی که قدرت تفکیک کنندگی آن صفر است دارای سطح زیر منحنی 0.5 می‌باشد. همان‌طور که از شکل  شماره 2 مشخص است سطح زیر منحنی ROC در مدل برازش شده برابر 0.934 است و بنابراین نشان می‌دهد که مدل از قدرت تفکیک کنندگی بالایی بین دو گروه برخوردار است.

 

 

نمودار2- منحنی ROC

ماخذ: یافته های پژوهشگر

 

8- نتیجه‌گیری

با توجه به جدول شماره 8،  اثر نهایی متغیرهای کمی از جمله بدهی جاری و مبلغ قسط، به ترتیب 0.908 و 0.716- می‌باشد که  احتمال موفقیت متغیر وابسته  بر اثر تغییر یک واحدی در هر یک از متغیرها را نشان می‌دهد. همچنین اثر نهایی متغیرهای نوع وثیقه، ارزش وثیقه، زمان بازپرداخت و مبلغ وام که متغیری مجازی هستند، به ترتیب 0.087، 0.076-، 0.124، 0.080- می‌باشد که احتمال نکول متغیر وابسته  در نتیجه تغییر هریک از متغیرها  از صفر به یک، در حالی‌که سایر متغیرها ثابت  نگه داشته شوند را نشان می‌دهد. برای متغیر ارزش وثیقه  فرد وام گیرنده اثر نهایی 0.076- می باشد و این بدان معنی است که با  تغییر به میزان یک واحد از ارزش وثیقه فرد وام گیرنده احتمال نکول به میزان 0.07  کاهش می­یابد.  برای متغیر نوع وثیقه اثرنهایی برابر با 0.087 بوده، به این معنی که با تغییر نوع وثیقه از چک به سایر تضامین احتمال عدم بازپرداخت به موقع 0.08 افزایش می­یابد . همچنین طبق جدول 8 اثر نهایی متغیر زمان بازپرداخت 0.124 بوده است که نشان­دهنده این است که با افزایش یک واحد به زمان بازپرداخت0.12 به احتمال نکول وام­گیرنده اضافه می­شود، یعنی وام­های کوتاه­مدت به میان­مدت و بلندمدت و وام­های میان­مدت به بلندمدت ارجحیت دارد و احتمال نکول کمتری خواهد داشت. طبق جدول اثر نهایی مبلغ وام 0.08- است که در نتیجه با افزایش یک واحد به مبلغ وام، احتمال نکول 0.08 کاهش می­یابد، متغیر بدهی جاری نیز دارای اثر نهایی 0.908 می­باشد که نتیجتا با افزایش یک واحد بدهی جاری 0.9 به احتمال نکول اضافه می­گردد. مبلغ قسط نیز دارای اثر نهایی 0.716- بوده است که نشان­دهنده این است که با افزایش یک واحد به مبلغ قسط احتمال نکول در حدود 0.71 کاهش می­یابد.

با توجه به اینکه با افزایش مبلغ وام احتمال نکول کاهش می­یابد، بنابراین افزایش مبلغ اعطایی باعث کاهش احتمال عدم بازپرداخت می­گردد. بنابراین اشخاصی که مبلغ وام بیشتری دریافت می­کنند: الف) مبلغ دریافتی را به همراه سپرده نزد بانک، صرف سرمایه­گذاری کرده و از قبال درآمد حاصله می­توانند اقساط خود را به موقع پرداخت نمایند. ب) اینگونه افراد معمولا وام دریافتی را صرف هزینه­های جاری خود نمی­کنند تا در زمان بازپرداخت با مشکل مواجه شوند. ج) دریافت­کنندگان مبالغ وام کمتر با اقساط کمتر معمولا اشخاصی هستند که شغل و درآمد مشخصی ندارند و تسهیلات دریافتی را صرف هزینه­های جاری زندگی و تامین معاش خود کرده و در نتیجه در بازپرداخت با مشکل مواجه می­شوند. بنابراین پیشنهاد می­شود بانک قرض­الحسنه رسالت، اولویت پرداخت وام را با مشتریان متقاضی وام­هایی با مبالغ بالاتر قرار دهد.  نوع وثیقه در صورت تغییر از چک به سایر تضامین، باعث افزایش احتمال نکول می­گردد. با توجه به موفقیت بیشتر چک و سفته نسبت به سایر تضامین توصیه می­شود، این بانک برای تضمین، ترجیحا از چک و سفته معتبر استفاده نماید. در رابطه با نوع وثیقه می­توان ‌چنین نتیجه گرفت که با توجه به اینکه نقدشوندگی وثیقه­ی ملکی و سایر داریی­ها زمان‌بر و پرهزینه­ بوده و اختلاف زیاد بین مبلغ وام پرداختی و ارزش وثیقه ملکی وجود دارد و از طرفی محرومیت­هایی در بهره­مندی از خدمات بانکی برای صاحبان چک­های برگشتی وجود دارد،  بنابراین کارایی چک از سایر وثایق بیشتر می­باشد. لذا با توجه به موفقیت بیشتر چک و سفته نسبت به سایر تضامین پیشنهاد می­شود، این بانک برای تضمین ترجیحا از چک و سفته معتبر استفاده نماید. با افزایش دوره بازپرداخت نیز احتمال عدم بازپرداخت بیشتر می­شود به این معنی که وام­های بلندمدت دارای احتمال عدم بازپرداخت بیشتری هستند. این نتیجه را می­توان این گونه تفسیر کرد که با افزایش زمان بازپرداخت، این احتمال وجود دارد که وام­گیرنده شغل خود را از دست بدهد و یا با دوره‌های رونق و رکود مواجه گردد که در نتیجه این عوامل، کسب درآمد وی تضعیف و در بازپرداخت اقساط ناتوان می­ماند و در نهایت با افزایش بدهی جاری، احتمال نکول او نیز بیشتر می­گردد. بنابراین پیشنهاد می­شود مدیران بانک اعطای تسهیلات کوتاه­مدت را در اولویت قرار دهند. با توجه به نتایج به دست آمده در رابطه با مبلغ قسط که حاکی از اثر مثبت بر کاهش نکول و عدم بازپرداخت می­باشد، پیشنهاد می­شود وام­های پرداختی را با تعداد اقساط کمتر و با مبالغ بیشتر اعطا نمایند.

در نهایت می توان گفت مدل توانسته است ضمن ارایه پیش‌بینی‌ مناسب از احتمال نکول اقساط وامهای دریافتی مشتریان، تمام فرضیه های مطرح شده را با موفقیت آزمون نموده و صحت فرضیه ها را تایید نماید.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



1- عضو هیات علمی گروه اقتصاد دانشکده اقتصاد و حسابداری  دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران. (نویسنده مسئول) h_mirzaie@iauctb.ac.ir

2- دانش آموخته کارشناسی ارشد اقتصاد ، دانشکده اقتصاد و حسابداری واحد تهران مرکزی، تهران، ایران.  ek.eco67@yahoo.com



[i] Probit model

[ii] Wald

[iii] Likelihood ratio

[iv] Receiver Operating Characteristic

[v] Yenpano, 2009

[vi] Moral Hazard

[vii] TOPSIS

[viii] Olagunju and Adeyemo

[ix] Berger et al.

[x] Logit and Probit

[xi] Stata

[xii] Cochran statistics

[xiii] Likelihood ratio

[xiv] MacFadden

[xv] Hosmer-Lemeshow

فهرست منابع

1)     اصلی، شعله(1390)" مدیریت ریسک اعتباری با نگاهی برالگوی پرداخت تسهیلات در سایرکشورها" اداره تحقیقات و کنترل ریسک بانک سپه.

2)     برادری، جعفر(1386)" بررسی وضعیت و عوامل موثر بر پیدایش مطالبات معوق و ارائه راهکار های مطلوب پیشگیری آن در بانک صادرات ایران بر اساس مدل Moral Hazard (مطالعه موردی بانک صادرات استان تهران)" پایان نامه کارشناسی ارشد، موسسه عالی بانکداری.

3)     شوال پور، سعید و اشعری، الهام(1392)"بررسی تأثیر ریسک اعتباری بر سودآوری بانک‌ها در ایران" مجله تحقیقات مالی دانشکده مدیریت دانشگاه تهران شماره دوم.پاییز 1392.

4)     جامعی، رضا و همکاران(1394)" بررسی ریسک اعتباری طبقه‌بندی مشتریان شبکة بانکی با استفاده از مدل‌های پیش‌بینی و تصمیم‌گیری چندمعیاره" (مطالعة موردی: بانک ملی استان کردستان)، مجله بررسی های حسابداری، شماره 9. دانشگاه شهید چمران اهواز.

5)     ثقفی، علی (1381)" بررسی شاخص­های پیش بینی کننده ورشکستگی در شرایط محیطی ایران" رساله دکتری، دانشکده مدیریت دانشگاه تهران.

6)      طرفی، شورانگیز (1385)" بررسی تأثیر اندازه، نوع و صنعت و نسبت­های سرمایه­گذاری در پیش بینی توان بازپرداخت تسهیلات از دید کارشناسان بانک صادرات ایران" پایان نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران، ص 44.

7)     عرب مازار، عباس؛ روئین تن، پونه(1385)"عوامل موثر بر ریسک اعتباری مشتری های بانکی؛مطالعه موردی بانک کشاورزی" فصلنامه علمی پژوهشی جستارهای اقتصادی، سال سوم، شماره ششم، ص45-80.

8)     میرزایی،حسین؛ نظریان، رافیک؛ باقری، رعنا(1390)" بررسی عوامل موثر بر ریسک اعتباری اشخاص حقوقی بانک ها (مطالعه موردی شعب بانک ملی ایران، شهر تهران)" فصلنامه روند پژوهش های اقتصادی، سال نوزدهم، شماره 58، صفحات 67-98.

9)      Berger , Allen N.,  Frame W. Scott,  Ioannidou Vasso (2016). Reexamining the empirical relation between loan risk and collateral: The roles of collateral liquidity and types, Journal of Financial Intermediation، Volume 26, 28–46.

10)   Gol dstein, Morris & Turner, Philip, Banking ,Crises In Emerging Economies: Origins and Policy Options, (1996).

11)   Maddala GS, (1983). Limited dependent and qualitative variables in econometrics, Cambridge University Press, Department of Economic, University of Florida.

12)   Olagunju FI, Adeyemo R. (2007). Determinants of Repayment Decision among Small Holder Farmers in Southwestern Nigeria, Pakistan Journal of Social Sciences, 4(5):677-686

 

یادداشت‌ها