زهرا خوشنود

مکانیزم انتقال پولی با تحولات حاصل در عرصهی اقتصادی، تاکنون به رویکرد های مختلفی تجهیز شده است. در این راستا، با معرفی و سپس به کارگیری اولین نسخه از مقررات سرمایهی کمیتهی بال، افق جدیدی در بحث مکانیزم انتقال پولی به تصویر کشیده شد و ابتدا بر نقش ایستای سرمایهی بانک؛ و سپس بر نقش پویای این متغیر، تحت عنوان کانال سرمایه، تأکید شد. با این حال، پس از شکل گیری و اعمال مقررات جدید سرمایهی کمیتهی بال، ضرورت تجدید نظر در کانال سرمایه، به عنوان یکی از جدیدترین کانال های مکانیزم انتقال پولی، مشاهده میشود. در حقیقت، به دلیل تأکید توافق نامهی جدید بر رتبه های اعتباری در ارزیابی ریسک و تنظیم سرمایهی مقرراتی، و رفتار و ویژگیهای متفاوت روش های رتبه بندی اعتباری قابل کاربرد تحت این مقررات، ضرورت بسط کانال سرمایه و تجهیز آن به رویکرد رتبه بندی، دور از انتظار نیست. از این رو در این مقاله، فرآیند فوق، با تأکید بر مدل برنامه ریزی پویای رفتار یک بانک در بازار انحصار چند جانبه، مدل سازی شده است؛ و نتایج، بیانگر نقش کلیدی رویکرد رتبه بندی اعتباری مورد استفاده در محاسبهی سرمایهی مقرراتی، در کانال سرمایهی مکانیزم انتقال پولی هستند. طبقه بندی JEL : C61,E32,E51,E52,E58,G21

افزایش نسبت مطالبات غیرجاری به تسهیلات اعطایی به عنوان شاخص ریسک اعتباری بانک ها می تواند سلامت شبکه بانکی، نظام مالی و اقتصاد حقیقی را به خطر اندازد. از این رو در این مقاله، بررسی این ریسک با استفاده از نسبت مانده واقعی مطالبات غیرجاری و با تمرکز بر مجموعه ای گسترده از متغیرها شامل متغیرهای مالی، غیرمالی، خصوصیتی قراردادها، حسابرسی و اقتصادی، در نمونه ای از 677 پرونده تسهیلاتی مشتریان حقوقی یک بانک دولتی برای سال های 1385 تا 1396 مورد توجه قرار گرفت. براساس نتایج حاصله، در انتخاب متغیرهای تاثیرگذار بر ریسک اعتباری، الگوریتم لاسو با عملکرد بهتر به شناسایی 10 متغیر کلیدی از گروه متغیرهای مالی، اقتصادی و حسابرسی منتهی شد. با این وجود نتایج آموزش این ویژگی ها توسط مدل ماشین بردار و درخت تصمیم که بیانگر بهترین نتایج در قالب الگوریتم لاسو به همراه درخت تصمیم هستند، ضریب اهمیت اندکی را برای متغیرهای حسابرسی در نظر می گیرند. از این رو استفاده از الگوریتم لاسو به همراه درخت تصمیم با تمرکز بر متغیرهای مالی و اقتصادی می تواند از کفایت لازم برخوردار باشد.

هدف این مقاله شناسایی عوامل تاثیرگذار بر ایجاد و افزایش مطالبات غیرجاری برای اتخاذ تصمیم مناسب تر در اعطای تسهیلات است. بدین منظور برای انتخاب متغیرهای موثر، از الگوریتم های تجزیه و تحلیل مولفه های هم بستگی و لاسو و برای کلاس بندی نمونه ها، از شبکه های عصبی و ماشین بردار پشتیبان استفاده شده است. در این پژوهش، نمونه ای از 660 مشتری حقوقی بانک سپه برای سال های 1396-1385 انتخاب و بر متغیرهای خصوصیتی مستخرج از قراردادهای تسهیلاتی این مشتریان در کنار متغیرهای مالی، غیرمالی، حسابرسی و اقتصادی تمرکز شده است. نتایج نشان داد الگوریتم لاسو با تمرکز بر متغیرهای مالی، اقتصادی و حسابرسی، عملکرد بهتری نسبت به الگوریتم تجزیه و تحلیل مولفه های هم سایگی داشته و براساس این الگوریتم، 10 متغیر کلیدی تاثیرگذار بر مطالبات غیرجاری شناسایی شدند. با توجه به عملکرد بهتر ماشین های بردار پشتیبان با هسته شعاعی، استفاده از آن در مدل سازی مطالبات غیرجاری پیشنهاد می شود.