اعتبارسنجی مشتریان بانک با استفاده از رویکرد امتیازدهی اعتباری:مطالعه موردی شعب بانک سپه در زاهدان

نوع مقاله : مقاله پژوهشی

10.22111/jmr.2013.1019

چکیده

       امروزه در صنعت بانکداری وام ها نقشی اساسی دارند. با افزایش تعداد درخواست های وام از سوی افراد و با توجه به ریسک موجود در این فعالیتها، ارائه روشی برای مدیریت این وام ها ضروری است. در این پژوهش با استفاده از روش رگرسیون لجستیک یک نمونه تصادفی 519تایی (284 مشتری خوش حساب و 235 مشتری بد حساب) از مشتریان حقیقی که در فاصله زمانی بین 1385 تا 1390 از شعب بانک سپه در سطح شهر زاهدان اقدام به دریافت تسهیلات نموده اند، انتخاب شده است. به وسیله 15 متغیر که اثر معناداری بر ریسک اعتباری و تفکیک بین دو گروه از مشتریان خوش حساب و بدحساب داشته اند، مدل نهایی برازش شده است. نتایج حاصل از برآورد نشان می دهد که براساس شاخص های آماری، رگرسیون لجستیک از نظر ضرایب و همچنین قدرت تفکیک کنندگی معنادار بوده و در مدیریت ریسک اعتباری بانک از اعتبار بالایی برخوردار است. از بین متغیرهای مستقل  موجود در مدل، مبلغ تسهیلات دریافتی از بانک، شاغل بودن همسر فرد وام گیرنده، وضعیت چک برگشتی، مدت زمان بازپرداخت اقساط، وضعیت تأهل، اموال و دارایی های فعلی شخص وام گیرنده، وضعیت فعلی مسکن وام گیرنده، به ترتیب بیشترین سهم را در تفکیک مشتریان به دو گروه با ریسک اعتباری بالا و ریسک اعتباری پائین دارند. بنابراین بانک باید جهت کاهش ریسک اعتباری و تصمیم گیری در مورد متقاضیان تسهیلات متغیرهای فوق را با دقت بیشتری مدنظر قرار دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Loan Customers Validation Using Credit Scoring model (Case Study : Sepah Bank Branches Zahedan)

چکیده [English]

Loans are essential in today's banking industry, most of the assets of a bank loan payments are made to individuals and companies. Considering the increasing number of loan applicants and regard to the risk of these activities, it is essential to provide a way to manage the loans. In this study, using logistic regression, a random sample of 519 cases (284good customers accounts and 235bad customers account) from actual customers who have received facilities from Sepah bank of Zahedan between years 2006 to 2011 have been selected. First 22 explanatory variable sinclude quantitative and qualitative variables models. However, due to the significance of the15 variables which have significant effect on credit risk and differentiate between two groups of happy clients and bad credit clients have been chosen & they’ve fitted the final model. Significance of coefficients in the fitted model rejects the hypothesis of independent variables to be in effective and could result insignificant regression model. The results indicate the significance and high reliability of statistical parameters, the functions of the coefficients and effect of resolution. So, in order to decreasing the credit risk it is beneficial to concentrate on some applicants characteristics which have maximum effect in final regression.

کلیدواژه‌ها [English]

  • Credit rating
  • credit risk
  • risk management
  • discrete regression models
منابع فارسی
1-جمشیدی، سعید (1383)،شیوه های اعتبارسنجی. مشتریان; پژوهشکده پولی و بانکی، بانک مرکزی جمهوری اسلامی ایران.
2-عرب مازار، عباس و رویین تن، پونه(1385)، عوامل موثر بر ریسک اعتباری مشتریان بانکی، مطالعه موردی بانک کشاورزی، جستارهای اقتصادی، سال سوم، شماره ششم، پاییز و زمستان1385، صفحات 80-45
3-کشاورز حداد، غلامرضاو آیتی گازار، حسین(1386)، مقایسه کارکرد لاجیت و روش درختهای طبقه بندی و رگرسیونی در فرآیند اعتبارسنجی متقاضیان حقیقی برای استفاده از تسهیلات بانکی، فصلنامه پژوهشهای اقتصادی، سال هفتم، شماره چهارم،زمستان1386 ، صفحات71-97.
4-محمدخان، مرتضی، اسماعیلی، محمدامین و یاراحمدی، محمد،(1387)، طراحی مدل ارزیابی ریسک اعتباری مشتریان بانک با استفاده از مدل رگرسیون لجستیک، ششمین کنفرانس بین المللی مهندسی صنایع، انجمن مهندسی ایران، تهران، دانشگاه صنعتی شریف
5-میرزائی، حسین ، نظریان، رافیک و باقری، رعنا،(1390)، بررسی عوامل مؤثر بر ریسک اعتباری اشخاص حقوقی بانک­ها ( مطالعه موردی شعب بانک ملی ایران، شهر تهران)، فصلنامه روند پژوهش­های اقتصادی، سال نوزدهم، شماره 58، بهار1390 ، صفحات 67 – 98.
 
منابع انگلیسی
1-Andrew Marshall, Leilei Tang, Alistair Milne, Variable reduction, sample selection bias and bank retail credit scoring, Journal of Empirical Finance 17(2010),501_512.
2- Avery, R.B.,Calem, P.S. and Canner, G.B. (2004). Consumer credit scoring: Do situational circumstances matter?, Journal of Banking and Finance, 28, 835-856.
3-Chen, M. C., & Huang, S. H. (2003). Credit scoring and rejected instances reassigning through evolutionary computation techniques. Expert Systems with Applications, 24,433–441.
4-Francisco Louzada, Paulo H. Ferreira-Silva, Carlos A.R. Diniz, "On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data", Expert Systems with Applications 39 (2012) 8071–8078.
5-Gang Dang, Kin Keung Lai, Jerome Yen, "Credit scorecard based on logistic regression with random coefficients", Procedia Computer Science 1 (2010) 2463–2468.
6-Hiassat, M, N. Mort, (2004), An evolutionary method for term selection in the group method of data handling In R.G. Aykroyd, S. Barber, & K.V. Mardia (Eds.), Bioinformatics, Images, and Wavelets, pp. 130-133. Department of Statistics, University of Leeds.
7- Hussein A. Abdou, “Genetic programming for credit scoring: The case of Egyptian public sector banks”, Expert Systems with Applications 36 (2009) 11402–11417.
8-Roszbach, K, (2004). Bank lending policy, credit scoring, and the survival loans. The Review of Economics and Statistics, 86,946–958.
9-Santos Silva, J.M.C., Murteira, J.M.R., (2009). Estimation of default probabilities using incomplete contracts data. Journal of Empirical Finance 16, 457–465.
10-Zellner, D., Keller, F., Zellner, G.,(2004). Variable selection in logistic regression models. Communications in Statistics: Simulation and Computation, 33, 787–821.