طراحی مدلی برای ارزیابی ریسک اعتباری مشتریان ضمانت‌نامه‌های صادر شده توسط صندوق ضمانت صادرات ایران با کمک مدل شبکه عصبی مصنوعی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 استاد، گروه اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

3 استادیار، گروه اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

چکیده

هدف: یکی از ریسک‌های مهم پیش روی مؤسسه‌های مالی، ریسک اعتباری است که از احتمال قصور تسهیلات‌گیرنده در بازپرداخت تسهیلاتی یا بازپرداخت به‌موقع تسهیلات شکل می‌گیرد. یکی از نهادهای مالی بسیار مهم در اقتصاد ایران، صندوق ضمانت صادرات ایران است که به‌عنوان تنها مؤسسه بیمه اعتبار صادراتی رسمی ایران، کاملاً دولتی است و تمامی تعهدهای مربوط به پوشش‌های صندوق بر عهده دولت است. صندوق ضمانت صادرات ایران، به‌عنوان تنها صادرکننده ضمانت‌نامه‌های صادراتی در اقتصاد ایران، طی دهه اخیر حدود 8/15میلیارد دلار از طریق صدور انواع ضمانت‌نامه و بیمه‌نامه، ریسک پذیرفته است که بیشترین مبلغ خسارت آن، به ضمانت‌نامه‌های اعتباری صادره مربوط می‌شود. بر اساس آمار و مستندات موجود در صندوق ضمانت صادرات ایران، طی دوره ۱۳۸۷ تا ۱۳۹۷، این صندوق 7/6 میلیارد دلار ضمانت‌نامه صادر کرده است که بیشترین مبلغ خسارت (بیش از ۳۱۷ میلیون دلار)، مربوط به ضمانت‌نامه‌های اعتباری صادرشده به نفع اعتباردهندگان است. نظر به اهمیت این موضوع با دستیابی به یک الگوی بهینه برای اعتبارسنجی مشتریان ضمانت‌نامه‌های اعتباری صندوق ضمانت صادرات ایران، می‌توان ریسک اعتباری و به‌تبع آن، خسارات پرداختی صندوق را کاهش داد؛ به‌گونه‌ای که حتی اگر تنها ۱ درصد خسارت‌های 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 ضمانت‌نامه‌های اعتباری صندوق، این رقم افزایش بیشتری نیز خواهد یافت. بر این اساس، هدف اصلی پژوهش، انتخاب بهترین روش برای تفکیک اشخاص خوش‌حساب از بدحساب، برای کاهش نکول اعتبارات اعطاشده صندوق ضمانت صادرات ایران است.
روش: در این پژوهش تلاش شده است تا به‌کمک مدل شبکه عصبی مصنوعی، مدلی برای ارزیابی ریسک متقاضیان تسهیلات و ضمانت‌نامه‌ها از این صندوق طراحی شود که بیشترین قدرت پیش‌بینی احتمال نکول تسهیلات اعطایی را داشته باشد. برای این منظور، بر اساس داده‌های ۲۱۷۰ پرونده اعتبار اعطایی این صندوق، ۶۹ متغیر درون‌سازمانی و برون‌سازمانی انتخاب و اطلاعات آن جمع‌آوری شد و از میان آن‌ها ۶ متغیر در مدل نهایی شبکه عصبی استفاده شد که عبارت‌اند از: استان محل فعالیت اعتبار گیرنده، ذی‌نفع ضمانت‌نامه (بانک اعتباردهنده)، تعداد کارمند، نسبت جاری، نرخ سود واقعی و نرخ رشد اقتصادی.
یافته‌ها: بر اساس مدل شبکه عصبی و با سه شیوه بیزین، لونبرگ و گرادیان مزدوج و با ۱ تا ۳۰ نرون در لایه پنهان، بهترین مدل‌ها استخراج شدند. بهترین مدل با کلیه متغیرهای مستقل (یعنی ۶۹ متغیر مستقل)، پیش‌بینی‌ای با ۹۶/۲ درصد دقت داشته است که از مدل اقتصادسنجی پروبیت بیشتر است.
نتیجه‌گیری: بر اساس نتایج حاصل از این پژوهش، می‌توان ضمن تفکیک مشتریان خوش‌حساب از بدحساب و بر اساس رتبه اعتباری مشتریان، میزان وثایق اخذشده از مشتریان را متناسب با وضعیت اعتباری گروه‌های اعتباری تنظیم کرد؛ بدین معنا که چنانچه مشتری جزء مشتریان خوش‌حساب و با رتبه اعتباری خوب باشد، می‌توان وثایق کمتری از ایشان گرفت و اگر مشتری ریسک اعتباری بالاتری داشته باشد، متناسب با آن، وثایق بیشتری را به‌عنوان تضمین تعهد بازپرداخت درخواست کرد. در این صورت، ضمن اندازه‌گیری ریسک اعتباری و تفکیک مشتریان، می‌توان به مدیریت بهینه ریسک و پرتفوی اعتباری صندوق ضمانت صادرات ایران اقدام کرد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Designing a Model for Credit Risk Assessment of Customers for Guarantees Issued by the Export Guarantee Fund of Iran via Artificial Neural Network Model

نویسندگان [English]

  • Farshid Ahmadi Sartakhti 1
  • Kambiz Hojabr Kiani 2
  • Seyed Shamsoddin Hoseini 3
  • Abbas Memarnejad 3
1 PhD Candidate, Department of Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 Prof., Department of Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran.
3 Assistant Prof., Department of Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran.
چکیده [English]

Objective
One 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.
 
Methods
In 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.
 
Results
Based 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.
 
Conclusion
The 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.

کلیدواژه‌ها [English]

  • Credit risk
  • Export guarantee fund of Iran
  • Artificial neural networks
باغبانی، غزاله و اسکندری، فرزاد (1396). محاسبه وجه نقد مورد نیاز شعبه‎ها با استفاده از ‌‌تحلیل چندمتغیره خوشه‌بندی بیزی و پیاده‌سازی آن در شبکه‌های ‌عصبی. تحقیقات مالی، 19(1)، 41-60.
باقری، نوشین و حق‌شناس کاشانی، فریده (1397). ارزیابی ریسک اعتباری تعاونی‌های شهری با استفاده از روش شبکۀ عصبی. اقتصاد و مدیریت شهری، 6(4) )، 17-33.
پورعبادالهان کویچ، محسن؛ نوبهار، الهام و رحیمی، پریسا (1399). تأثیر ریسک‌های کژگزینی و کژمنشی بر مطالبات غیرجاری سیستم بانکی ایران. اقتصاد پولی مالی، 27(20)، 27-46.
جلیلی، محمد (1389). سامانه اعتبارسنجی مشتریان بانکی، بیمه‌ای، مطالعه موردی: تجربه شرکت مشاوره رتبه‌بندی ایرانیان. فصلنامه پول و اقتصاد، 4(89)، 221-241.
حسینی، سید عبدالخالق و زیبایی، منصور (1394). مدیریت ریسک اعتباری در بانک کشاورزی شهرستان ممسنی با استفاده از مدل شبکۀ عصبی. اقتصاد کشاورزی (اقتصاد و کشاورزی)، 9(2)، 103- 119.
خرمی، امیر؛ تقوی فرد، محمدتقی و خاتمی فیروزآبادی، محمدعلی (1399). ارزیابی ریسک اعتباری متقاضیان تسهیلات بانکی به روش استدلال مبتنی بر مورد (CBR). مطالعات مدیریت صنعتی، 18(59)، 79-116.‎
روح الامینی، مهدی؛ ششمانی، مجید و خرم، مهدی (1394). رتبه‌بندی اعتباری مشتریان حقیقی در بانک‌های تجاری با رویکرد هوش مصنوعی. کنفرانس بین‌المللی پژوهش‌های نوین در مدیریت، اقتصاد و حسابداری.
شوال‌پور، سعید و اشعری، الهام (1392). بررسی تأثیر ریسک اعتباری بر سودآوری بانک‌ها در ایران. تحقیقات مالی، 15(2)، 229-246.
کردبچه، حمید و پردل ‌‌نوش‌‌آبادی، لیلا (۱۳۹۰). تبیین عوامل مؤثر بر مطالبات معوق در صنعت بانکداری ایران. فصلنامه پژوهش‌های اقتصادی ایران، ۱۶(۴۹)، 117- 150.
عباسیان، عزت‌اله؛ ابراهیمی، محسن و فرزانگان، الهام (1394). طراحی بهینه اوراق بهادارسازی در رابطه کارفرما ـ کارگزار براساس رویکرد استنباط بیزین از مخاطره اخلاقی. تحقیقات مالی، 17(1)، 123-140.
فلاح پور، سعید و حکیمیان، حسن (1398). بهینه‎سازی استراتژی معاملات زوجی با استفاده از روش یادگیری تقویتی با به‌کارگیری دیتاهای درون‎روزی در بورس اوراق بهادار تهران. تحقیقات مالی، 21(1)، 19-34.
قاسمی، احمدرضا و دنیایی هریس، طاهره (1395). اندازه‌گیری ریسک اعتباری مشتریان با رویکرد شبکۀ عصبی در یکی از بانک‌های دولتی. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 7(27)، 155-181.
قدسی پور، سیدحسن؛ سالاری، میثم و دلاوری، وحید (1391). ارزیابی ریسک اعتباری شرکت‌های وام‌گیرنده از بانک با استفاده از تحلیل سلسله‌مراتبی فازی و شبکۀ عصبی ترکیبی درجه بالا. نشریه بین‌المللی مهندسی صنایع و مدیریت تولید (نشریه بین‌المللی علوم مهندسی)، 23(1)، 44-54.
مهرآرا، محسن و بهلولوند، الهه (۱۳۹5). عوامل موثر بر ریسک اعتباری بانک‌ها در ایران. مطالعات و سیاست‌های اقتصادی، 11(56)، 2-27.  
نادعلی زاده، آمنه؛ هژبر کیانی، کامبیز؛ حسینی، شمس‌الدین و پیکارجو، کامبیز (1400). عدم تقارن آثار تکانه‏های قیمت نفت بر ریسک اعتباری بانک‏ها در ایران. پژوهش‌های اقتصادی (رشد و توسعه پایدار)، 21(1)، 63-92.‎
نظرپور، محمد نقی و اولاد، مریم (1397). اولویت‌بندی عوامل مؤثر بر کژگزینی و کژمنشی در بانکداری بدون ربا (مطالعه موردی: بانک صنعت و معدن). اقتصاد اسلامی، 18(69)، 173-199.
نیلساز، حمید؛ راسخ، عبدالرحمان؛ عصاره، علیرضا و سینایی، حسنعلی (1386). کاربرد شبکه‌های عصبی در رتبه‌بندی اعتباری فروش اقساطی متقاضیان وام. پژوهش‌های اقتصادی ایران، 9(32)، 85-109.
 
References
Abbasian, E., Ebrahimi, M., & Farzanegan, E. (2015). Optimal design of securitization in a principal-agent relationship based on Bayesian inference for moral hazard. Financial Research Journal, 17(1), 123-140. doi: 10.22059/jfr.2015.50708 (in Persian)
Angelini, E., Di Tollo, G., & Roli, A. (2008). A neural network approach for credit risk evaluation. The quarterly review of economics and finance, 48(4), 733-755.
Baghbabi, G., & Eskandari, F. (2017). Estimation of Input & Output Cash of Tejarat Branches in order to Calculate Branches’ Required Cash Via Multivariate Bayesian Clustering Analysis and the Implementation in Neural Network. Financial Research Journal, 19(1), 41-60. doi: 10.22059/jfr.2017.60152 (in Persian)
Bagheri, N. & Haghshenas Kashani, F. (2018). Credit Risk Assessment of Urban Cooperatives Using Neural Network Method. Journal of Urban Economics and Management, 6 (24), 17-33. (in Persian)
Bekhet, H. A., & Eletter, S. F. K. (2014). Credit risk assessment model for Jordanian commercial banks: Neural scoring approach. Review of Development Finance, 4(1), 20-28.
Binici, M. & Hutchison, M. (2018). Do credit rating agencies provide valuable information in market evaluation of sovereign default Risk? Journal of International Money and Finance, 85, 58-75.
Dendramis, Y., Tzavalis, E. & Adraktas, G. (2018). Credit risk modelling under recessionary and financially distressed conditions. Journal of Banking & Finance, 91, 160-175.
Fallahpour, S. & Hakimian, H. (2019). Paired Trading Strategy Optimization Using the Reinforcement Learning Method: Intraday Data of Tehran Stock Exchange. Financial Research Journal, 21(1), 19-34. doi: 10.22059/frj.2018.138913.1006099 (in Persian)
Ghasemi, A.R. & Donyaee, T. (2016). Assessing Credit Risk Rating With Artificial Neural Network Method (The Case of an Iranian Bank). Financial Engineering and Securities Management (Portfolio Management), 7(27), 155-181. (in Persian)
Ghodsypour, S.H., Salari, M. & Delavari, V. (2012). Using Fuzzy Analytic Hierarchy Process and Hybrid of Higher Order Neural Network for Evaluation Credit Risk of Corporate. International Journal of Industrial Engineering and Production Management (International Journal of Engineering Science), 23(1), 44-54. (in Persian)
Hosseini, S. A. & & Zibaei, M. (2015). Credit risk management in agricultural bank of mamasani using neural network model. Iranian Journal of Agricultural Economics (Economics and Agriculture Journal), 9(2), 103-119. (in Persian)
Khashman, A. (2009). A neural network model for credit risk evaluation. International Journal of Neural Systems, 19(04), 285-294.
Khashman, A. (2010). Neural networks for credit risk evaluation: Investigation of different neural models and learning schemes. Expert Systems with Applications, 37(9), 6233-6239.
Khorrami, A., Taghavifard, M. T., & Khatami Firouzabadi, S. M. A. (2020). Credit Status Assessment of Bank Loan Applicants Using CBR Method. Industrial Management Studies, 18(59), 79-116. doi: 10.22054/jims.2018.18574.1660 (in Persian)
Nadalizadeh, A., Hojabr Kiani, K., Hoseini, Sh., Peykarjou, K. (2021). The Asymmetric Effects of Oil Price Shocks on Bank Credit Risk in Iran. QJER, 21(1), 63-92. (in Persian)
Nazarpur, M. N. & Oulad, M. (2018). Prioritizing Influenced Factors on adverse selection and moral hazard in Usury Free Banking (Case study: Bank of Industry and Mining). Islamic Economics, 18(69), 173-199. (in Persian)
Nilsaz, H., Rasekh, A., Osareh, A., & Sinae, H. (2007). Using Neural Networks to Classify the Personal Loan Applicants. Iranian Journal of Economic Research, 9(32), 85-109.
(in Persian)
Pourebadollahan Covich, M., Nobahar, E. & Rahimi, P. (2021). The Impact of Adverse Selection and Moral Hazard on Non-performing Loans of Iran’s Banking System. Monetary & Financial Economics, 27(20), 27- 46. (in Persian)
Shavvalpour, S. & Ashari, E. (2013). Determining the Relationship between Credit Risk & Profitability in Iranian Banks. Financial Research Journal, 15(2), 229-246. doi: 10.22059/jfr.2013.51079 (in Persian)
Sindhuraj, I. C. G. L., & Patrick, A. J. (2023). Loan eligibility prediction using adaptive hybrid optimization driven-deep neuro fuzzy network. Expert Systems with Applications, 224, 119903.‏
Yeh, C. C., Lin, F. & Hsu, C. Y. (2012). A hybrid KMV model, random forests and rough set   theory approach for credit rating. Knowledge-Based Systems, 33, 166-172.
Zhang, X., Ma, Y. & Wang, M. (2023). An attention‐based Logistic‐CNN‐BiLSTM hybrid neural network for credit risk prediction of listed real estate enterprises. Expert Systems, e13299.