مدل سازي علل معوق شدن تسهيلات قرض الحسنه در بانك قرض الحسنه مهر ايران

Modeling the Causes of Deferring Repayments in Qarz Al-Hasaneh Mehr Bank (QMB) of Iran

اين تحقيق به بررسي علل معوق شدن تسهيلات در بانك قرض الحسنه مهر ايران مي پردازد. هدف اين تحقيق مدل سازي علل معوق شدن تسهيلات قرض الحسنه مي باشد. براي مدل سازي علل معوق شدن تسهيلات اعطايي به مشتريان در اين تحقيق، تاثير متغيرهاي مستقل شامل نوع وثيقه اخذ شده از مشتريان، ارزش وثيقه اخذ شده، زمينه استفاده از تسهيلات، مدت زمان بازپرداخت تسهيلات و مبلغ تسهيلات بر متغير وابسته معوق شدن تسهيلات مورد بررسي قرار گرفته است. جامعه مورد بررسي در اين تحقيق، مشتريان شعب بانك قرض الحسنه مهرايران در شهر تهران در دوره زماني چهار ساله از 1386 تا 1390 مي باشد كه با روش نمونه گيري خوشه اي انتخاب و مورد بررسي قرار گرفتند. براي مدل سازي معوق شدن تسهيلات، دو روش رگرسيون لجستيك و تحليل تشخيصي به كار گرفته شدند و با استفاده از نرم افزار آماري spss داده ها مورد بررسي و تحليل قرار گرفتند. بر اساس نتايج تحقيق، ضمن معني داري مدل هاي به دست آمده از هر دو روش رگرسيون لجستيك و تحليل تشخيصي، مدل به دست آمده از روش رگرسيون لجستيك، قدرت تفكيك بيشتري در پيش بيني احتمال معوق شدن تسهيلات اعطايي به مشتريان دارد؛ به طوري كه با استفاده از اين روش 82 درصد از تسهيلات معوق شده و 54 درصد از تسهيلات غير معوق به درستي تفكيك شده اند. همچنين از بين متغير هاي مستقل، متغير نوع وثيقه(چك و گواهي كسر از حقوق) داراي تاثير منفي و متغير زمينه استفاده از تسهيلات (از نوع وديعه مسكن و متفرقه) داراي تاثير مثبت بر متغير وابسته (معوق شدن تسهيلات) دارند.

This paper examines and models the causes of deferring repayments in Qarz Al-Hasaneh Mehr Bank (QMB) of Iran. In the model, the effects of explanatory variables, including “kind of caught guaranty from customers”, “value of caught guaranty”, “kind of facilities”, “duration of repayment” and “amount of facilities”, on dependent variable “ deferring repayment of facilities” are investigated. In this research, the statistical population consists of customers of QMB branches in Tehran provinces during 2007-2011, which was selected by cluster sampling. For modeling causes of deferring repayments, both logistic regression and discrimination analysis were used and data was analyzed with SPSS software. According to the results of research, both models were significant, but logistic regression model was more robust in predicting probability of deferring repayment of granted facilities, so that, it predicted 84.5% of deferred facilities and 54% of repaid facilities, correctly. In addition, “the kind of guaranty” (cheque and payroll deduction authorization) and “kind of facilities” have negative and positive impact on deferring repayments, respectively.