برآورد احتمال نكول تسهيلات اعطايي به اشخاص حقوقي در موسسات سپرده پذير غيربانكي

Default Predicting of Facilities given to Enterprises: clients of non-bank depositary institutions

يكي از مهمترين ريسك هاي مترتب بر سيستم بانكي ريسك اعتباري يا همان ريسك نكول تسهيلات مي باشد. با توجه به تركيب پورتفوي موسسات مالي و اعتباري و ارتباط متقابل اقلام آن با يكديگر، هرگونه تنش در بازپرداخت تسهيلات سررسيد شده مي تواند باعث مشكلات اساسي ديگر مانند ريسك نقدينگي، ريسك نرخ بهره و حتي ورشكستگي گردد. لذا موسسات مالي و اعتباري همواره به دنبال مدل ها، كسب تجربيات و بهبود مدل هاي مورد استفاده در زمينه اعتبارسنجي مشتريان اعتباري خود بوده اند. ليكن ليست متغيرهاي مهم در اعتبارسنجي و انتخاب مدل مناسب و موثرتر سوال اساسي بسياري از موسسات مذكور بوده است. تحقيق حاضر مدل هاي خطي LPM، غيرخطي لاجيت و پروبيت و Z آلتمن را با استفاده از مجموعه اي از متغيرهاي متغيرهاي كيفي (عمر شركت، وثيقه، تجربه مديران، نوع شركت) و متغيرهاي مالي (سرمايه در گردش به كل دارايي ها، ارزش دفتري حقوق صاحبان سهام به ارزش دفتري بدهي ها، كل فروش به كل دارايي ها، سود انباشته به كل دارايي ها، سود قبل از بهره و ماليات به كل دارايي ها) 400 مشتري حقوقي بانك ها و موسسات اعتباري غيردولتي طي سال هاي 1395 لغايت 1398 را مورد بررسي و مقايسه قرار مي دهد. نتايج به دست آمده گوياي آن است كه اولا متغيرهاي مورد استفاده با اطمينان مناسبي وضعيت اعتباري يعني احتمال نكول تسهيلات مشتريان حقوقي را توضيح مي دهند. ثانيا تمامي مدل ها بيش از 80% در پيش بيني احتمال نكول تسهيلات موفق بوده ليكن مدل لاجيت (هر چند اندك) كارايي بالاتري از خود نشان داده است.

One of the most important risks of the banking system is the credit risk. Considering the portfolios of institutes and the mutual relationship of their items, any tension in refunding the overdone facilities can lead to essential problems such as liquidity risk, interest rate, and even bankruptcy. In this way, finance and credit institutes look for models, achieving experience, and improving credit evaluation models they use to validate the credit of their credit customers. However, the list of the important variables for credit validation and selection of the more appropriate and effective model has been a crucial question for many of these institutes. The present study investigates the LOGIT, PROBIT, and Z Altman models, using a set of qualitative and quantitative variables of the legal customers of depository institutions. The findings prove that qualitative and financial variables of the legal customers for this institute proved to be explanatory for the credit risk probability at a high degree of confidence. These models successfully predicted credit risk for 80% of the facilities and LOGIT was more successful than other models.