نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار دانشکده مدیریت دانشگاه تهران

2 دانشجوی دکترای مدیریت مالی دانشگاه تهران

چکیده

وجود مطالبات معوق از جمله مشکلات کنونی نظام بانکی کشور محسوب می‏شود. یکی از دلایل بروز چنین مشکلاتی، استفاده نکردن از سیستم‌های اعتبارسنجی برای اعطای تسهیلات بانکی است. مدل‌های مورد استفاده در چنین سیستم‏هایی امکان پیش‌بینی کمی ریسک نکول وام‏گیرندگان را فراهم می‌کنند. چندی است که با همت وزارت امور اقتصادی و دارایی، شرکتی برای ایجاد یک پایگاه اطلاعاتی جامع برای فراهم کردن داده‏های اعتباری مشتریان بانکی و تهیه گزارش‏های اعتباری افراد ایجاد شده است، اما همچنان راه زیادی تا فراگیر شدن گزارش‏های اعتباری در نظام بانکی وجود دارد.
در این تحقیق سعی شده است تا با استفاده از اطلاعات 250 مشتری حقوقی (کوچک و متوسط) مربوط به سه بانک، مدلی برای اعتبارسنجی مشتریان حقوقی بانک‌ها ارایه شود. نتایج تحقیق حاکی از معناداری مدل در سطح خطای کمتر از 5 درصد است. این مدل با 40 داده دیگر نیز مورد آزمون قرار گرفت که صحت مدل ارایه شده را تأیید کرد.

کلیدواژه‌ها

راعی، رضا و علی سعیدی (1383)، مبانی مهندسی مالی و مدیریت ریسک. تهران، سمت.
زندی‌نیا، ابوالفضل (1383)، مروری بر سیستم‌های اعتبارسنجی خودکار، مجله تازه‌های اقتصاد.
تجلی، سیدآیت‏الله (1383) درجه‌بندی اعتباری مشتریان بانک‌ها، مجله بانک و اقتصاد، شماره 68.
سروش، ابوذر و راما روشن‌روان (1385)، رتبه‌بندی اعتباری مشتریان بانک با استفاده از تکنیک‌های داده‌‏کاوی، مجله اقتصاد ایران.
سوری، داوود (1384)، یک مدل سنجش اعتبار برای مشتریان اشخاص حقوقی یک بانک: کاربردی از روش بیزین، تهران، مجموعه مقالات شانزدهمین همایش بانکداری اسلامی.
صفری، علیرضا (1381)، ارتباط نسبت‌های مالی و تداوم فعالیت شرکت‌ها، تهران، پایان‌نامه کارشناسی ارشد دانشکده حسابداری و مدیریت دانشگاه علامه طباطبایی.
فلاح‌پور، سعید (1383)، پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از شبکه‌های عصبی مصنوعی، تهران، پایان‏نامه کارشناسی ارشد دانشکده مدیریت دانشگاه تهران.
Altman, Edward (2006), Corporate Financial Distress and Bankruptcy: Predict and Avoid Bankruptcy, Analyze and Invest in Distressed Debt, New York: John Wiley & Sons Inc, Third edition.
Beaver, William (1966), Financial Ratios as Predictors of Failure, Journal of Accounting Research. No.4.
Chen, Gongyue (2004), Sampling Issues in Credit Scoring: Missing Data Reject Inference and Treatment Effects. University of Waterloo.
Dinh, Thi Huyen & Kleimeier Stefanie. (2007), A Credit Scoring Model for Vietnam`s Retail Banking Market, Journal of International Review of Financial Analysis.No.16.
Emel, Ahmet Burak, Oral, Muhittin., Reisman, Arnold & Yolalan, Reha (2003) A Credit Scoring Approach for the Commercial Banking Sector. Journal of Socio Economic Planning Sciences. No.37.
Hand, D. J & Henley W. E (1997), Statistical Classification Methods in Consumer Credit Scoring: A Review, Journal of Royal Statistical Society. No.160.
Hou, Jiang (2006), A Measurement of the Small Business Credit Gap and the use of Credit Scoring by Small Financial Institutions, University of Kentucky.
Brockenbrough, Karl (2004), A Study of the Usefulness of Financial Ratio Iindicators by Presidents and Chief Financial Officers of Small Institutions within the Council of Independent Colleges and Universities. Wilmington College.
Koh Hian. Chye, Wei Chin, Tan & Goh Peng, Chwee (2004). Credit Scoring using Data Mining Techniques. Singapore Management Review, Vol.26, No.2.
Thomas L.C (2000), A Survey of Credit and Behavioral Scoring: Forecasting Financial Risk of Lending to Consumers. International Journal of Forecasting, Vol.16, No. 2.
Lee, Tian Shyug & Chen, I Fei (2005), A Two Stage Hybrid Credit Scoring Model using Artificial Neural Networks and Multivariate Adaptive Regression. Journal of Expert System with Applications, Vol.28.
Roszbach, Kasper (2004), Bank Lending Policy, Credit Scoring, and the Survival of Loan, The Review of Economics and Statistics.
Tsai, Chih-Fong & Wu, Jhen-Wei (2008), Using Neural Network Ensembles for Bankruptcy Prediction and Credit Scoring. Journal of Expert System