Abstract:
ورشکستگی بانکها پدیدهای است که اخیرا بانک مرکزی، بانکها و موسسات مالی و اعتباری به آن توجه کردهاند. از آنجاییکه نشانههای بالقوه ورشکستگی قبل از وقوع ورشکستگی نمایان میشود؛ شناسایی متغیرهای هشدار و پیشبینی بهموقع و صحیح این بحران، فرصتی را در اختیار مدیران و اعتباردهندگان برای انجام فعالیتهای بازدارنده قرار میدهد. در این مقاله تلاش میشود با استفاده از صورتهای مالی بانکهای کشور در دوره زمانی 1385-1393 و بهکارگیری شاخص ثبات بانکی بهعنوان شاخص ورشکستگی، بانکهای ورشکسته شناسایی شوند. برای شناسایی بانکهای ورشکسته، تابع کرنل این شاخص، ترسیم و نقطه استرس آن محاسبه شد، بهگونهایکه بانکهایی که کمتر از نقطه استرس قرار دارند، ورشکسته و در غیر این صورت سالم در نظر گرفته شدند. برای برآورد الگو، ابتدا با بهکارگیری روش تجزیه تشخیص، عواملی که بانکهای سالم و در معرض خطر را میتوانند بشناسند، شناسایی و سپس با بهکارگیری الگوی لاجیت، الگوی مناسب برای پیشبینی ورشکستگی بانکها طراحی شد. برای بررسی صحت تفکیک دو نمونه سالم و ورشکسته با استفاده از آزمون F و لامبدای ویلکس، میانگین متغیرهای مستقل دو نمونه بررسی و سپس برای بررسی تفاوت اهمیت متغیرهای مستقل الگو از آزمون بزرگی همبستگی درونگروهی بین متغیرها استفاده شد. نتایج نشاندهنده دقت 87 درصدی الگوی تجزیه تشخیص و 2/ 98 درصدی الگو لاجیت در انطباق با شرایط محیطی شبکه بانکی کشور است.
Bank failure is a phenomenon that has attracted the attention of the central bank، banks and financial institutions. Since the signs of potential failure are detected before the bankruptcy، identifying warning variables، and prediction of the crisis timely provide an opportunity for managers and creditors to create preventive activities. In this paper، using the financial statements in the period 1385-1393 and Z-score index as an indicator of bankruptcy، bank failures are detected. To identify the failed banks، we use the kernel function of the index and the stress of index is calculated. Banks that are under stress point are considered risky and otherwise healthy. For estimate of model، discriminate analysis was used to identify the factors that enable to distinguish healthy and risky banks، then، using the logit model، a model was developed for predicting banks failure. To verify separation of two groups of banks we checked Wilks Lambda، F and two independent samples mean، then to evaluate the importance of the different independent variables in a model we used intercorrelation between variables. The results showed 87 percent accuracy of discriminant analysis and 98.2 percent logit model in compliance with the Iran`s banking network environment.
Machine summary:
"تابع توزیع کرنل شاخصZ-score از آنجا که ممکن است بین نسبتهای مالی مختلف همبستگی یا همخطی وجود داشته باشد، بهتر است تعداد نسبتهای مالی حاضر در الگو محدود باشد و از گروههای مختلف نسبتهای مالی، چند نسبت به منزلۀ نماینده برای حضور در الگو انتخاب شود؛ بنابراین در این مقاله سعی شد از میان 43 شاخص بانکی[28] در گروه کفایت سرمایه، کیفیت دارایی، کیفیت مدیریت، سودآوری، نقدینگی، حساسیت به ریسک بازار، توانایی بازپرداخت بدهی، ساختار مالی، ریسک اعتباری، ریسک نقدینگی مؤثر در ورشکستگی بانکها، متغیرهایی شناسایی شوند که قدرت تفکیک بین بانکهای ورشکسته و سالم را دارند.
[1] Discriminate analysis [2] Statistical techniques [3] Linear Probablity model [4] Logit [5] Probit [6] Partial adjustment Processes 6 Horrigan [8] Beaver [9] Altman [10] Fulmer [11] Zscore [12] Kaminsky and Reinhart [13] Frankel and Rose [14] Frankel and Saravelos [15] Non parametric Clustering [16] Shumway [17] Hazard model [18] Abiola and et al [19] Li and et al [20] Too big to fail [21] Asif Khan et al [22] Zaghdoudi [23] Samad [24] Tatom [25] Lepetit And Sroble [26] Ivicic and et a (2008) [27] اقتصاد نوین، انصار، پارسیان، پاسارگاد، آینده، دی، سامان، سرمایه، سینا، شهر، کارآفرین، ایرانزمین، حکمت ایرانیان، قوامین، گردشگری ، تجارت، صادرات، ملت، رفاه کارگران ، سپه، ملی، پست بانک، قرضالحسنۀ مهر، صنعت و معدن، کشاورزی، مسکن، توسعۀ صادرات و توسعۀ تعاون [28]شاخصها نزد نویسنده محفوظ و در دسترس است."