احتمال نکول تسهیلات پرداختی اولین بانک قرضه‌های کوچک در استان هرات افغانستان
الموضوعات :محمد صادق محمدی 1 , مصطفی کریم زاده 2 , مهدی بهنامه 3
1 - دانشجوی دکتری علوم اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران
2 - استادیار دانشگاه فردوسی مشهد، گروه اقتصاد، مشهد، ایران (نویسنده مسئول)، m.karimzadeh@um.ac.ir
3 - استادیار دانشگاه فردوسی مشهد، گروه اقتصاد، مشهد، ایران، m.behname@um.ac.ir
الکلمات المفتاحية: ریسک اعتباری, طبقه‌بندی JEL: E27, G21, C53. واژگان کلیدی: احتمال نکول, بانک قرضه‌های کوچک, استان هرات افغانستان,
ملخص المقالة :
هدف این مقاله بررسی عوامل موثر بر احتمال نکول تسهیلات بانکی از جانب مشتریان و تعیین ضریب اهمیت هر یک از متغیرهای اصلی مرتبط با احتمال نکول می‌باشد. بدین منظور با استفاده از رگرسیون لاجیت، مدلی برای افزایش توانایی مدیران این بانک در جهت حل مشکل عدم بازپرداخت به موقع تسهیلات اعتباری ارائه شده است. نتایج نشان داد درآمد ماهیانه وام گیرنده، رابطه وام گیرنده با ضامن، سرمایه تحت ضمانت ضامن، تجربه و ثبات شغلی وام‌گیرنده، مدت زمان بازپرداخت وام و سابقه ارتباط وام گیرنده با بانک، اثر معکوس بر ریسک اعتباری و مبلغ وام اثر مستقیم بر ریسک اعتباری مشتریان دارند. پیشنهاد می شود در هنگام اعطای تسهیلات به مشتریان بانک، متغیرهای شناسایی شده در مدل نهایی مورد توجه قرار گیرند و با استفاده از مدل عرضه شده برای اعطای وام تصمیم‌گیری شود.
منابع
- جمشیدی، سعید (1394). شیوههای اعتبارسنجی مشتریان. ویراست سوم، پژوهشکده پولی و بانکی، بانک مرکزی جمهوری اسلامی ایران.
- خجسته، غلامرضا، داییکریمزاده، سعید و شریفی رنانی، حسین (1398). اندازه‌گیری ریسک اعتبار مشتریان مورد اعتماد بانک با استفاده از رگرسیون لجستیک و شبکههای عصبی. مجله مدیریت سیستمی،(3): 104-91.
- سپهر دوست، حمید و برجسیان، عادل (1393). برآورد احتمال نکول تسهیلات بانکی با استفاده از رگرسیون لاجیت. فصلنامه علمی برنامهریزی و بودجه، (1): 52-31.
- شیرین‌بخش، شمس اله، یوسفی، ندا، قربان‌زاد، جهانگیر (1390). بررسی عوامل مؤثر بر احتمال عدم بازپرداخت تسهیلات اعتباری بانک‌ها (مطالعه موردی: مشتریان حقوقی بانک توسعه صادرات ایران). فصلنامه علمی دانش مالی تحلیل اوراق بهادار، (12): 137-111.
- عرب مازار، عباس (1366). اقتصادسنجی عمومی، چاپ اول. تهران: انتشارات کویر.
- عرب مازار، عباس، روئین‌تن، پونه (1385). عوامل موثر بر ریسک اعتباری مشتریان بانکی، مطالعه موردی بانک کشاورزی. دوفصلنامهجستارهایاقتصادی، (6): 80-45.
- قرصی، زهرا (1390). رتبهبندی اعتباری مشتریان حقوقی بانک ملت با استفاده از شبکههای عصبی GMDH و معادلات اقتصادسنجی. پایان‌نامه کارشناسی ارشد، دانشگاه تهران.
- کمالی، الهه، حنیفی، فرهاد، فلاح، میرفیض (1399). کاربرد مدل ZPP در پیش‌بینی ریسک اعتباری. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، (41): 257-278.
- یداللهزاده طبری، ناصر، معماریان، عرفان، نصیری، عاطفه (1393). شناسایی عوامل مؤثر بر احتمال عدم بازپرداخت تسهیالت اعتباری بانک‌ها (مورد مطالعه: مشتریان حقیقی صندوق مهر امام رضا(ع) شهرستان بابلسر). پژوهشنامه اقتصاد و کسب و کار، (7): 28-15.
- Baesens, B., Van Gestel, T., Viaene, S., Stepanova, M., Suykens, J., & Vanthienen, J. (2003). Benchmarking state-of-the-art classification algorithms for credit scoring. Journal of the operational research society, 54, 627-635.
- Bastos, J. A. (2010). Forecasting bank loans loss-given-default. Journal of Banking & Finance, 34, 2510-2517.
- Bekhet, H. A., & Eletter, S. F. K. (2012). Credit risk management for the Jordanian commercial banks: a business intelligence approach. Australian Journal of Basic and Applied Sciences, 6, 188-195.
- Blanco, A., Pino-Mejías, R., Lara, J., & Rayo, S. (2013). Credit scoring models for the microfinance industry using neural networks: Evidence from Peru. Expert Systems with applications, 40, 356-364.
- Caouette, J. B., Altman, E. I., & Narayanan, P. (1998). Managing credit risk: the next great financial challenge (Vol. 2). John Wiley & Sons.
- Danenas, P., & Garsva, G. (2012). Credit risk evaluation modeling using evolutionary linear SVM classifiers and sliding window approach. Procedia Computer Science, 9, 1324-1333.
- Deepika Verma (2019). Predicting the Probability of Corporate Default using Logistic Regression. CASS-ISSN: 2581-6403, April 2019 – Vol. 3, Issue- 1, Addendum 7 (Special Issue), p 161-173.
- Dong, G., Lai, K. K., & Yen, J. (2010). Credit scorecard based on logistic regression with random coefficients. Procedia Computer Science, 1, 2463-2468.
- Greuning, H. V., & Brajovice, S (2nd Eds.), (2003), Analyzing and managing banking risk: A framework for assessing corporate governance and financial risk, United States of America: The World Bank Publications, 4, 85-96.
- Jingxuan Wu, Priyaadarshini Elango. (2019). Prediction of corporate default using logistic regressin, Master of Science in Finance, Simon Fraser University.
- Kumar, M., Arora, A., & Lahille, J. P. (2011). Construct of credit risk management index for commercial banks. Banks & bank systems, 6, 16-25.
- Lee, T. S., Chiu, C. C., Lu, C. J., & Chen, I. F. (2002). Credit scoring using the hybrid neural discriminant technique. Expert Systems with applications, 23, 245-254.
- Mandala, I. G. N. N., Nawangpalupi, C. B., & Praktikto, F. R. (2012). Assessing credit risk: An application of data mining in a rural bank. Procedia Economics and Finance, 4, 406-412.
- Mester, L. J. (1997). What is the point of credit scoring? Business review, 3, 3-16.
- Rashid, A., & Jabeen, S. (2016). Analyzing performance determinants: Conventional versus Islamic banks in Pakistan. Borsa Istanbul Review, 16, 92-107.
- Thomas, L. C. (2000). A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers. International journal of forecasting, 16, 149-172.
- Trad, N., Trabelsi, M. A., & Goux, J. F. (2017). Risk and profitability of Islamic banks: A religious deception or an alternative solution? European Research on Management and Business Economics, 23, 40-45.
- Whitehead, J. (2004). An introduction to logistic regression. Departement of Economics East Carolina University. Retrived from http://www.Appstate.edu/ whiteheadjc/service /logit/logit/.ppt/ (Accessed on March17, 2012).
_||_