طراحي مدلي براي ارزيابي ريسك اعتباري مشتريان ضمانت‌نامه‌هاي صادر شده توسط صندوق ضمانت صادرات ايران با كمك مدل شبكه عصبي مصنوعي

هدف: يكي از ريسك‌هاي مهم پيش روي مؤسسه‌هاي مالي، ريسك اعتباري است كه از احتمال قصور تسهيلات‌گيرنده در بازپرداخت تسهيلاتي يا بازپرداخت به‌موقع تسهيلات شكل مي‌گيرد. يكي از نهادهاي مالي بسيار مهم در اقتصاد ايران، صندوق ضمانت صادرات ايران است كه به‌عنوان تنها مؤسسه بيمه اعتبار صادراتي رسمي ايران، كاملاً دولتي است و تمامي تعهدهاي مربوط به پوشش‌هاي صندوق بر عهده دولت است. صندوق ضمانت صادرات ايران، به‌عنوان تنها صادركننده ضمانت‌نامه‌هاي صادراتي در اقتصاد ايران، طي دهه اخير حدود 8/15ميليارد دلار از طريق صدور انواع ضمانت‌نامه و بيمه‌نامه، ريسك پذيرفته است كه بيشترين مبلغ خسارت آن، به ضمانت‌نامه‌هاي اعتباري صادره مربوط مي‌شود. بر اساس آمار و مستندات موجود در صندوق ضمانت صادرات ايران، طي دوره ۱۳۸۷ تا ۱۳۹۷، اين صندوق 7/6 ميليارد دلار ضمانت‌نامه صادر كرده است كه بيشترين مبلغ خسارت (بيش از ۳۱۷ ميليون دلار)، مربوط به ضمانت‌نامه‌هاي اعتباري صادرشده به نفع اعتباردهندگان است. نظر به اهميت اين موضوع با دستيابي به يك الگوي بهينه براي اعتبارسنجي مشتريان ضمانت‌نامه‌هاي اعتباري صندوق ضمانت صادرات ايران، مي‌توان ريسك اعتباري و به‌تبع آن، خسارات پرداختي صندوق را كاهش داد؛ به‌گونه‌اي كه حتي اگر تنها ۱ درصد خسارت‌هاي صندوق كاهش يابد، حداقل سالانه بيش از ۱۳۳۰ ميليارد ريال از مجموع خسارات وارده به صندوق كاهش خواهد يافت. بديهي است كه با افزايش صدور ضمانت‌نامه‌هاي اعتباري صندوق، اين رقم افزايش بيشتري نيز خواهد يافت. بر اين اساس، هدف اصلي پژوهش، انتخاب بهترين روش براي تفكيك اشخاص خوش‌حساب از بدحساب، براي كاهش نكول اعتبارات اعطاشده صندوق ضمانت صادرات ايران است.روش: در اين پژوهش تلاش شده است تا به‌كمك مدل شبكه عصبي مصنوعي، مدلي براي ارزيابي ريسك متقاضيان تسهيلات و ضمانت‌نامه‌ها از اين صندوق طراحي شود كه بيشترين قدرت پيش‌بيني احتمال نكول تسهيلات اعطايي را داشته باشد. براي اين منظور، بر اساس داده‌هاي ۲۱۷۰ پرونده اعتبار اعطايي اين صندوق، ۶۹ متغير درون‌سازماني و برون‌سازماني انتخاب و اطلاعات آن جمع‌آوري شد و از ميان آن‌ها ۶ متغير در مدل نهايي شبكه عصبي استفاده شد كه عبارت‌اند از: استان محل فعاليت اعتبار گيرنده، ذي‌نفع ضمانت‌نامه (بانك اعتباردهنده)، تعداد كارمند، نسبت جاري، نرخ سود واقعي و نرخ رشد اقتصادي.يافته‌ها: بر اساس مدل شبكه عصبي و با سه شيوه بيزين، لونبرگ و گراديان مزدوج و با ۱ تا ۳۰ نرون در لايه پنهان، بهترين مدل‌ها استخراج شدند. بهترين مدل با كليه متغيرهاي مستقل (يعني ۶۹ متغير مستقل)، پيش‌بيني‌اي با ۹۶/۲ درصد دقت داشته است كه از مدل اقتصادسنجي پروبيت بيشتر است.نتيجه‌گيري: بر اساس نتايج حاصل از اين پژوهش، مي‌توان ضمن تفكيك مشتريان خوش‌حساب از بدحساب و بر اساس رتبه اعتباري مشتريان، ميزان وثايق اخذشده از مشتريان را متناسب با وضعيت اعتباري گروه‌هاي اعتباري تنظيم كرد؛ بدين معنا كه چنانچه مشتري جزء مشتريان خوش‌حساب و با رتبه اعتباري خوب باشد، مي‌توان وثايق كمتري از ايشان گرفت و اگر مشتري ريسك اعتباري بالاتري داشته باشد، متناسب با آن، وثايق بيشتري را به‌عنوان تضمين تعهد بازپرداخت درخواست كرد. در اين صورت، ضمن اندازه‌گيري ريسك اعتباري و تفكيك مشتريان، مي‌توان به مديريت بهينه ريسك و پرتفوي اعتباري صندوق ضمانت صادرات ايران اقدام كرد.