طراحی مدلی برای ارزیابی ریسک اعتباری مشتریان ضمانت نامه های صادر شده توسط صندوق ضمانت صادرات ایران با کمک مدل شبکه عصبی مصنوعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: یکی از ریسک های مهم پیش روی مؤسسه های مالی، ریسک اعتباری است که از احتمال قصور تسهیلات گیرنده در بازپرداخت تسهیلاتی یا بازپرداخت به موقع تسهیلات شکل می گیرد. یکی از نهادهای مالی بسیار مهم در اقتصاد ایران، صندوق ضمانت صادرات ایران است که به عنوان تنها مؤسسه بیمه اعتبار صادراتی رسمی ایران، کاملاً دولتی است و تمامی تعهدهای مربوط به پوشش های صندوق بر عهده دولت است. صندوق ضمانت صادرات ایران، به عنوان تنها صادرکننده ضمانت نامه های صادراتی در اقتصاد ایران، طی دهه اخیر حدود 8/15میلیارد دلار از طریق صدور انواع ضمانت نامه و بیمه نامه، ریسک پذیرفته است که بیشترین مبلغ خسارت آن، به ضمانت نامه های اعتباری صادره مربوط می شود. بر اساس آمار و مستندات موجود در صندوق ضمانت صادرات ایران، طی دوره ۱۳۸۷ تا ۱۳۹۷، این صندوق 7/6 میلیارد دلار ضمانت نامه صادر کرده است که بیشترین مبلغ خسارت (بیش از ۳۱۷ میلیون دلار)، مربوط به ضمانت نامه های اعتباری صادرشده به نفع اعتباردهندگان است. نظر به اهمیت این موضوع با دستیابی به یک الگوی بهینه برای اعتبارسنجی مشتریان ضمانت نامه های اعتباری صندوق ضمانت صادرات ایران، می توان ریسک اعتباری و به تبع آن، خسارات پرداختی صندوق را کاهش داد؛ به گونه ای که حتی اگر تنها ۱ درصد خسارت های صندوق کاهش یابد، حداقل سالانه بیش از ۱۳۳۰ میلیارد ریال از مجموع خسارات وارده به صندوق کاهش خواهد یافت. بدیهی است که با افزایش صدور ضمانت نامه های اعتباری صندوق، این رقم افزایش بیشتری نیز خواهد یافت. بر این اساس، هدف اصلی پژوهش، انتخاب بهترین روش برای تفکیک اشخاص خوش حساب از بدحساب، برای کاهش نکول اعتبارات اعطاشده صندوق ضمانت صادرات ایران است.روش: در این پژوهش تلاش شده است تا به کمک مدل شبکه عصبی مصنوعی، مدلی برای ارزیابی ریسک متقاضیان تسهیلات و ضمانت نامه ها از این صندوق طراحی شود که بیشترین قدرت پیش بینی احتمال نکول تسهیلات اعطایی را داشته باشد. برای این منظور، بر اساس داده های ۲۱۷۰ پرونده اعتبار اعطایی این صندوق، ۶۹ متغیر درون سازمانی و برون سازمانی انتخاب و اطلاعات آن جمع آوری شد و از میان آن ها ۶ متغیر در مدل نهایی شبکه عصبی استفاده شد که عبارت اند از: استان محل فعالیت اعتبار گیرنده، ذی نفع ضمانت نامه (بانک اعتباردهنده)، تعداد کارمند، نسبت جاری، نرخ سود واقعی و نرخ رشد اقتصادی.یافته ها: بر اساس مدل شبکه عصبی و با سه شیوه بیزین، لونبرگ و گرادیان مزدوج و با ۱ تا ۳۰ نرون در لایه پنهان، بهترین مدل ها استخراج شدند. بهترین مدل با کلیه متغیرهای مستقل (یعنی ۶۹ متغیر مستقل)، پیش بینی ای با ۹۶/۲ درصد دقت داشته است که از مدل اقتصادسنجی پروبیت بیشتر است.نتیجه گیری: بر اساس نتایج حاصل از این پژوهش، می توان ضمن تفکیک مشتریان خوش حساب از بدحساب و بر اساس رتبه اعتباری مشتریان، میزان وثایق اخذشده از مشتریان را متناسب با وضعیت اعتباری گروه های اعتباری تنظیم کرد؛ بدین معنا که چنانچه مشتری جزء مشتریان خوش حساب و با رتبه اعتباری خوب باشد، می توان وثایق کمتری از ایشان گرفت و اگر مشتری ریسک اعتباری بالاتری داشته باشد، متناسب با آن، وثایق بیشتری را به عنوان تضمین تعهد بازپرداخت درخواست کرد. در این صورت، ضمن اندازه گیری ریسک اعتباری و تفکیک مشتریان، می توان به مدیریت بهینه ریسک و پرتفوی اعتباری صندوق ضمانت صادرات ایران اقدام کرد.Designing a Model for Credit Risk Assessment of Customers for Guarantees Issued by the Export Guarantee Fund of Iran via Artificial Neural Network Model
ObjectiveOne of the most important risks faced by financial institutions is credit risk, which is formed by the possibility of the receiver's default in repaying the loan or repaying the loan on time. One of the pivotal financial institutions in Iran's economy is the Export Guarantee Fund of Iran. Being the exclusive official export credit insurance entity in Iran, it operates under complete government ownership, shouldering all obligations associated with the fund's coverage. Over the past decade, the Export Guarantee Fund of Iran, the sole provider of export guarantees in the Iranian economy, has undertaken the risk amounting to approximately $15.8 billion through the issuance of diverse guarantees and insurance policies. The most significant volume of claims pertains to credit guarantees. Based on available statistics and official records within the Iranian entity, it can be observed that between the Iranian calendar years of 1387 and 1397, this fund issued guarantees totaling $6.7 billion, with the largest claim, exceeding $317 million, originating from the credit guarantees provided for the benefit of creditors. Recognizing the significance of this matter, the development of an optimal model for evaluating the credit guarantees provided by customers of the Export Guarantee Fund of Iran holds the potential to mitigate credit risk and subsequently decrease the fund's incurred losses. Even a one percent reduction in the fund's losses could result in substantial savings, amounting to at least 1,330 billion Rials. This figure is poised to grow even further as the fund increases the issuance of credit guarantees. Consequently, the primary objective of this research is to identify the most effective method for distinguishing between creditworthy and high-risk customers, ultimately diminishing the default rate of loans extended by the Export Guarantee Fund of Iran. MethodsIn this study, an artificial neural network model was employed to create a risk assessment framework for applicants seeking financial facilities and guarantees from this fund. This model exhibits exceptional predictive capabilities, especially in estimating the likelihood of default for the granted facilities. To achieve this objective, a dataset comprising 2,170 credit files granted by this fund was utilized. A total of 69 intra-organizational and extra-organizational variables were initially considered, and their respective information was gathered. Subsequently, six key variables were employed in the ultimate neural network model, encompassing the credit recipient's province, the guarantee beneficiary (creditor bank), personnel count, current ratio, real interest rate, and economic growth rate. ResultsBased on the neural network model, the best models were extracted with three methods: Bayesian, Levenberg, and Conjugate Gradient, and with one to 30 neurons in the hidden layer. The best model with all independent variables (i.e., 69 independent variables) was predicted with 96.2% accuracy, which is more than the Probit econometric model. ConclusionThe findings of this research offer the capability to distinguish between customers with favorable and unfavorable credit profiles. Furthermore, the credit rating of customers can be used as a basis for adjusting the collateral requirements for each customer group, thereby aligning the collateral amount with the creditworthiness of the respective groups. This means that if the customer is one of the customers with good credit and a good credit rating, less collateral can be obtained from them, and if the customer has higher credit risk, more collateral can be used as a guarantee of the repayment obligation. In this case, while measuring the credit risk and separating customers, it is possible to manage the risk and the credit portfolio of the Export Guarantee Fund of Iran optimally.
تبلیغات
