نام پژوهشگر: سید علی اکبر ریحانی دو

سنجش ریسک اعتباری مشتریان حقوقی با مدل لاجیت و تحلیل پوششی داده ها (مطالعه موردی بانک سپه)
پایان نامه دانشگاه آزاد اسلامی - دانشگاه آزاد اسلامی واحد تهران مرکزی - دانشکده اقتصاد 1392
  سید علی اکبر ریحانی دو   قدرت اله امام وردی

بازار پول (بانک ها) در ایران بدنه اصلی بازار مالی را به خود اختصاص داده است ونقش بازار سرمایه در تامین مالی بنگاه های اقتصادی بسیار ناچیز می باشد.از طرفی با افزایش تقاضای تسهیلات وریسک موجود در این گونه فعالیت ها، بانک ها درصدد اعطای تسهیلات به مشتریانی هستند که توانایی وتمایل نسبت به بازپرداخت کامل وبه موقع تعهدات را داشته باشند.نظر به اهمیت ریسک اعتباری در سیستم بانکی، مدل های سنجش اعتبار به عنوان ابزارهایی جهت کنترل این ریسک توسعه یافته اند. در این پژوهش ازدومدل لاجیت وتحلیل پوششی داده ها به منظور سنجش ریسک اعتباری مشتریان بانک استفاده شده است. تعیین نسبت های مالی موثر برریسک اعتباری وارتباط بین کارایی مشتریان واحتمال نکول تسهیلات ودر نهایت ارایه مدل برتر به منظور شناسایی مشتریان قبل از اعطای وام، از اهداف این پژوهش می باشد که به همین منظوراطلاعات مربوط به 5 گروه عمده از صنایع تولیدی از مشتریان حقوقی بانک سپه که طی سال های 1385 تا 1390 از اداره تسهیلات بانک، تسهیلات دریافت کرده اند، به تفکیک هر صنعت مورد بررسی قرارگرفت.ضرایب متغیرهای توضیحی در نرم افزار spss با استفاده از روش رگرسیون لجستیک، تخمین وبا توجه به معنی دار بودن متغیرهای مستقل در سطح اطمینان 95 درصد به بررسی نسبت های مالی موثر برریسک اعتباری پرداخته شد. همچنین کارایی شرکت ها درنرم افزارgams، با استفاده از مدل تحلیل پوششی داده ها وروش ccr ورودی محور مورد بررسی قرار گرفت. نتایج حاصل از مدل بیانگر آن است که بین کارایی مشتریان واحتمال نکول تسهیلات رابطه معنا داری وجود داشته وضمن اینکه برای هریک از صنایع مورد بررسی، نسبت های مالی متفاوتی برریسک اعتباری موثر می باشد، نسبت های اهرمی با بیشترین تاثیر گذاری در صنایع مورد پژوهش، دارای بیشترین رابطه با ریسک اعتباری در صنایع تولیدی می باشند. همچنین مدل تحلیل پوششی داده ها در پیش بینی احتمال نکول مشتریان بد حساب کاراتر از مدل لاجیت می باشد ومدل لاجیت نیز در پیش بینی احتمال نکول مشتریان خوش حساب و کل مشتریان از مدل تحلیل پوششی داده ها کاراتر می باشد واستفاده از ترکیب مدل های مورد بررسی می تواند پیش بینی دقیق تری از ریسک اعتباری مشتریان بخش صنعت را ارایه دهد