برآورد احتمال نکول تسهیلات اعطایی به اشخاص حقوقی در موسسات سپرده پذیر غیربانکی مقالة

یکی از مهمترین ریسک‌های مترتب بر سیستم بانکی ریسک اعتباری یا همان ریسک نکول تسهیلات می‌باشد. با توجه به ترکیب پورتفوی موسسات مالی و اعتباری و ارتباط متقابل اقلام آن با یکدیگر، هرگونه تنش در بازپرداخت تسهیلات سررسید شده می‌تواند باعث مشکلات اساسی دیگر مانند ریسک نقدینگی، ریسک نرخ بهره و حتی ورشکستگی گردد. لذا موسسات مالی و اعتباری همواره به دنبال مدل‌ها، کسب تجربیات و بهبود مدل‌های مورد استفاده در زمینه اعتبارسنجی مشتریان اعتباری خود بوده‌اند. لیکن لیست متغیرهای مهم در اعتبارسنجی و انتخاب مدل مناسب و موثرتر سوال اساسی بسیاری از موسسات مذکور بوده است. تحقیق حاضر مدل‌های خطی LPM، غیرخطی لاجیت و پروبیت و Z آلتمن را با استفاده از مجموعه‌ای از متغیرهای متغیرهای کیفی (عمر شرکت، وثیقه، تجربه مدیران، نوع شرکت) و متغیرهای مالی (سرمایه در گردش به کل دارایی‌ها، ارزش دفتری حقوق صاحبان سهام به ارزش دفتری بدهی‌ها، کل فروش به کل دارایی‌ها، سود انباشته به کل دارایی‌ها، سود قبل از بهره و مالیات به کل دارایی ها) 400 مشتری حقوقی بانک‌ها و موسسات اعتباری غیردولتی طی سال‌های 1395 لغایت 1398 را مورد بررسی و مقایسه قرار می‌دهد. نتایج به دست آمده گویای آن است که اولاً متغیرهای مورد استفاده با اطمینان مناسبی وضعیت اعتباری یعنی احتمال نکول تسهیلات مشتریان حقوقی را توضیح می‌دهند. ثانیاً تمامی مدل‌ها بیش از 80% در پیش‌بینی احتمال نکول تسهیلات موفق بوده لیکن مدل لاجیت (هر چند اندک) کارایی بالاتری 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.