1-1 – مقدمه. 3
1-2- بیان مسئله. 5
1-3- ضرورت انجام تحقیق.. 6
1-4- اهداف تحقیق.. 7
1-5- سوالات تحقیق.. 7
فصل دوم ادبیات و سوابق تحقیق
2-1- مقدمه. 9
2-2-تعریف ریسک… 11
2-3-1- ریسک مالی.. 13
2-3-2- ریسکهای غیر مالی.. 15
2-4- مدیریت ریسک… 16
2-5- اعتبارسنجی.. 20
2-6- معیارهای امتیازدهی اعتباری.. 23
2-6-1- معیار c5. 23
2-6-2- معیار p5. 24
2-6-3- معیار LAPP. 25
2-7- رتبهبندی اعتباری و امتیاز دهی اعتباری.. 26
2-7-1- انواع رتبهبندی.. 28
2-7-1-1- رتبهبندی خارجی.. 29
2-7-1-2- رتبهبندی داخلی.. 29
2-8- سامانه اعتبارسنجی مشتریان بانکی.. 31
2-8-1- مفهوم سامانه اعتبارسنجی بانکی.. 32
2-8-2- چهارچوب ارزیابی اعتباری.. 33
2-8-3- برخی ویژگیهای سامانه اعتبارسنجی.. 35
2-9- مزایای عملیاتی شدن سامانه اعتبارسنجی.. 36
2-10- گردش اطلاعات در سامانه اعتبارسنجی.. 37
2-11- موسسات رتبهبندی اعتباری.. 38
2-11-1- موسسات رتبهبندی اعتباری اشخاص حقوقی.. 38
2-11-2- موسسات اعتبارسنجی اشخاص حقیقی.. 41
2-12- مروری بر مطالعات انجام شده. 43
2-12-1- مقدمه. 43
2-12-2- مطالعات داخلی.. 44
2-12-3- مطالعات خارجی.. 46
فصل سوم مدلها و روش های اقتصاد سنجی و شبکه های عصبی
3-1- مقدمه. 56
3-2- روش تحقیق.. 56
3-3- جامعه آماری، روش نمونه گیری و حجم نمونه. 57
3-4- شبکه عصبی.. 58
3-6- شبکههای عصبی مصنوعی(ANN). 61
3-7- دینامیک نرون. 66
3-8- تقسیمبندی ساختاری شبکههای عصبی مصنوعی.. 66
3-9- آموزش شبکه عصبی.. 67
3-10- شبکه عصبی مصنوعی پرسپترون. 67
3-11- شبکه پیشخور پسانتشار. 69
3-12- شبکه المان پسانتشار. 70
3-13- شبکه آبشاری پسانتشار. 70
3-14- شبکه رگرسیون تعمیم یافته. 71
3-15- الگوی استنتاجی-تطبیقی عصبی-فازی (ANFIS). 72
3-16- مدل شبکه عصبی GMDH.. 80
3-17- مدل رگرسیونی لاجیت.. 81
3-18- برآورد مدل لاجیت.. 83
فصل چهارم برآورد مدل و نتایج
4-1- مقدمه. 88
4-2-تفسیر مدل لاجیت.. 90
4-3- پیش بینی مورد انتظار. 93
4-4- مدل سازی به وسیله شبکه عصبی GMDH.. 94
4-4-1- نتایج حاصل از تخمین شبکه عصبی GMDH.. 94
فصل پنجم نتیجه گیری و پیشنهادات
5-1 مقدمه. 98
5-2- پذیرش یا رد فرضیات.. 99
5-2-1- فرضیه اول. 99
5-2-2- فرضیه دوم. 99
5-2-3- فرضیه سوم. 100
5-3- پیشنهادات.. 100
5-4- پیشنهادات برای تحقیقات آتی.. 101
منابع.. 103
چکیده:
هدف از این تحقیق طراحی و استقرار مدل اندازه گیری ریسک اعتباری در نظام بانکی نقش کارامدی در راستای بالا بردن بهره وری بانکها و موسسات مالی در تخصیص بهینه منابع میباشد. در این پژوهش تلاش شده تا کارایی مدلهای لجستیک و شبکه عصبی مصنوعی GMDH برای پیشبینی ریسک اعتباری مشتریان نظام بانکی مورد بررسی قرار گیرد و همچنین مهمترین عوامل موثر بر ریسک اعتباری، شناسایی و مورد بررسی قرار گیرند. اطلاعات مورد استفاده در این پژوهش مربوط به 100 نفر از مشتریان حقوقی یکی از بانکهای کشور می باشد. بنابر اهداف پژوهش متغیرهای مورد استفاده نیز به صورت ترکیبی از مهمترین متغیرهای مالی و غیرمالی می باشد. نتایج مدل لاجیت نشان می دهد که متغیرهای تعداد چک های برگشتی، سابقه فعالیت شرکت نزد بانک، میزان سرمایه شرکت، نسبت گردش مجموعه دارایی، نسبت بدهی به حقوق صاحبان سهام و نسبت حاشیه سود خالص مهمترین متغیرهای موثر بر شناسایی میزان ریسک اعتباری مشتریان می باشد. ولی مدل شبکه عصبی علاوه برمتغیرهای یادشده در بالا متغیرهایی از قبیل تحصیلات مدیر عامل، ارزش وثیقه به میزان تسهیلات، خالص سرمایه در گردش به دارایی، نسبت حاشیه سود عملیاتی و نسبت بازدهی به دارایی را به عنوان متغیرهای با اثر زیاد بر میزان ریسک اعتباری معرفی می کند. مقایسه کارایی مدل لاجیت و مدل شبکه عصبی نشان می دهد که مدل شبکه عصبی با سه لایه مخفی با کارایی 95 درصد کاراترین مدل برای شناسایی و تعیین میزان ریسک تسهیلات می باشد.
واژه های کلیدی: اعتبارسنجی، شبکه عصبی، ریسک اعتباری، مدل لاجیت
فصل اول
کلیات تحقیق
1- کلیات تحقیق
1-1 – مقدمه
عدم ثبات سیاسی و اقتصادی در جوامع امروزی از سویی، الزامات کنترل بازار پول و سرمایه از سوی دیگر، اهمیت تجزیه و تحلیل و مدیریت ریسک این بازارها را افزایش داده است. طیف ریسک از کارگاه های کوچک و صنایع بزرگ تا موسسات مالی را شامل میشود، اما ریسک بنگاه های مالی از مفهوم مهمتری برخوردار است. اهمیت ریسک به قدری در این موسسات مورد توجه است که در بسیاری از موارد، باعث دخالتهای مستقیم قانونی از سوی قانون گذاران برای کنترل آنها میشود (خداوردی، 1388).
امروزه شاهد بحرانهای مالی در سطح گسترده ای در بین بنگاه های اقتصادی هستیم. متاسفانه با وجود بحرانهای جهانی اخیر، هنوز ارزیابی نادرستی از مفهوم ریسک اعتباری وجود دارد، به همین جهت، با رخ دادن یک بحران، بیشتر دولت ها مجبور می شوند که راه حل های موقت نجات را برای سیستم بانکی به کار گیرند. با توجه به همه گیر شدن بحرانهای اقتصادی کنونی، طرح ریزی برای پیش بینی احتمال عدم پرداخت تسهیلات اعطایی توسط شرکتها از اهمیت ویژه ای برای سهامداران، طلبکاران، حساب رسان و مدیران بانکی برخوردار است.
اگر چه زیان اعتباری هزینه معمول فعالیتهای تجاری در بانک است، لیکن افزایش زیان دهی می تواند موجودیت موسسات مالی را تهدید کند. شاهد این ادعا، نیاز مستمر بانکها به تصحیح مدل هایی است که ریسک هر وام و نرخ های نکول پرتفوی وام ها را می سنجند. پیش بینی دقیق و هشدارهای اولیه احتمال عدم پرداخت موجب کنترل ریسک، جلوگیری از اتخاذ تصمیمات نادرست، کاهش هزینه نظارت بر پرداخت دیون و کاهش زمان ارزیابی اعتباری میشود. آژانسهای رتبهبندی بین المللی مانند مودیزو استاندارداند پورزبه جهت ناکارآمد بودن مدلهایشان در پیش بینی ریسک پرداخت دیون شرکتها و بانکها مورد انتقاد قرار گرفته اند. بعلاوه، آژانس های رتبهبندی محلی و بین المللی به تحلیل ریسک شرکتهای بزرگ تمایل دارند، در حالی که سیستم مالی و بانکها، نیازمند مدلهایی برای تحلیل ریسک شرکتهای کوچک و متوسط نیز میباشد. ضمن اینکه بانکها، مدلهای داخلی خود را برای تعیین ریسک وامها دارند.
اما این روشها هنوز مقدماتی اند و متکی بر روشهای ساده ریاضی با فرض های ناقص هستند. در نتیجه نیاز به سیستم تشخیص سریع و خودکار پیش بینی احتمال عدم پرداخت، مورد توجه قرار گرفت .
مروری بر مقالات اخیر در این مورد نشان می دهد که عمده عللی که باعث شکست تجاری می گردد، اطلاعات نامتقارن بین بانکها و شرکتها است. بعلاوه، گسترش ابزارهای تحلیلی برای تعیین اینکه کدام اطلاعات مالی بر پیش بینی بحران مالی موثر است، مورد توجه قرار گرفت. سلامت شرکتها در فضای تجاری بسیار رقابتی بستگی به توانایی کسب سود و پرداخت دین مالی دارد به همین جهت، شکست تجاری می تواند برای هر شرکتی در هر اندازه ای رخ دهد (وو، 2010).
مدلهای ریسک نکول (احتمال عدم توانایی در بازپرداخت یا عدم تمایل به بازپرداخت وام) با توجه به بحرانهای اقتصادی اخیر در جهان، پیشرفت چشمگیری داشتهاند. با این حال مدلهای موجود برای پیش بینی احتمال عدم پرداخت وام، با کمبود پوشش اطلاعاتی مناسب مواجه هستند که منجر به تصمیمگیری نادرست توسط سرمایهگذاران و تحلیلگران مالی میشود.
بانکها به عنوان واسطه وجوه با جذب منابع مازاد جامعه و تزریق آن به بخشهای اقتصادی که نیازمند نقدینگی هستند، سبب گردش منابع و در نهایت توسعه بخشهای مختلف اقتصادی کشور می شوند. ضمن اینکه بانکها باید بتوانند با برنامه ریزی دقیق، منابع و مصارف خود را مدیریت کنند تا در معرض انواع ریسکهای مالی و غیرمالی قرار نگیرند.
1-2- بیان مسئله
یکی از مهمترین عوامل بقا بانکها و موسسات مالی و اعتباری، ایجاد توازن بین منابع و مصارف میباشد. زیرا هرگونه انحراف از منابع و مصارف برای بانک زیان های عدیده ای در بر خواهد داشت. فزونی منابع به مصارف به معنی عدم تخصیص مناسب منابع است که به کاهش درآمدهای بانک و سپرده گذاران می انجامد. فزونی مصارف به منابع از نظر تئوری امکان پذیر نیست، زیرا نمی توان مصارفی بیش از امکانات موجود داشت، ضمن اینکه برداشت بیشتر از موجودی از حساب بانکها نزد بانک مرکزی، با جریمه سنگینی مواجه خواهد شد. بلوکه شدن منابع بانکها در سرفصلهای سررسید گذشته، معوق و مشکوک الوصول، نه تنها توان پرداخت تسهیلات را در بانکها می کاهد بلکه با تاثیر منفی بر روی بهره وری، دستیابی به اهداف بانکها را با مشکل مواجه کرده و شکوفایی اقتصادی کشور کاهش می یابد. وقفه در بازگشت منابع به بانکها، این موسسات را دچار کمبود منابع میکند و توان تسهیلات دهی بانکها را میکاهد. عدم تخصیص به موقع و به اندازه منابع به واحدهای اقتصادی، به صورت زنجیروار بین صنایع مختلف جابهجا شده و کشور را با اقتصادی بحران زده مواجه خواهد کرد (منهاج، 1384).
توجه کافی به معیارهای اساسی اعطای تسهیلات شامل شخصیت ، توان مالی ، کشش اعتباری و وثیقه در زمان پرداخت تسهیلات و همچنین نظارت کافی در حین و بعد از پرداخت تسهیلات از عوامل تاثیر گذار بر جلوگیری از ایجاد و افزایش مطالبات است. لذا برای بانکها مهم است که بتوانند با ابزارهای علمی احتمال معوق شدن تسهیلات اعطایی را بسنجند، زیرا می توانند با ابزارهای مختلف از جمله کاهش مبلغ تسهیلات، اخذ وثایق محکمتر، بیمه اعتباری و … احتمال نکول تسهیلات را کاهش دهند. متاسفانه
[جمعه 1398-07-05] [ 01:13:00 ق.ظ ]
|