ریچاردو و کالوز^۳ در مقاله ای با عنوان “کاربرد روش تحلیل پوششی داده ها جهت تخمین کارایی بانک ها” در برزیل سال ۲۰۰۶ ، با در نظر گرفتن ۵۰ بانک برتر و بزرگ برزیل و استفاده از آمار متغیرهای ترازنامه ای این بانک ها، به ارزیابی کارایی و مقایسه این بانک ها پرداخته اند.
۱-Gray & et al
۲-González
۳-Richardo calves
نتایج این پژوهش، حاکی از کارایی و برتری روش DEA در رتبه بندی و درجه بندی بانک ها نسبت به رتبه بندی به روش سنتی آنها دارد.
لی و همکارانش^۱ در سال ۲۰۰۲ برای ادغام شبکه عصبی و تجزیه و لی و چن ۳ در سال ۲۰۰۵ برای طراحی مدل رتبه بندی - تحلیل ممیزی اعتباری دو مرحله ای مرکب (شامل شبکه های عصبی مصنوعی و رگرسیون انطباقی چند متغیری اسپیلینز)
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
هم چنین در سال های اخیر استفاده از الگوریتم ژنتیک و ماشین های بردار پشتیبانی درزمینه رتبه بندی اعتباری مورد توجه قرار گرفته است که می توان به پژوهش های هوآنگ وهمکارانش در سال ۲۰۰۶ برای طراحی برنامه ریزی دو مرحله ای ژنتیک برای مدل های و لونگ هوانگ و همکارانش در سال ۲۰۰۷ برای رتبه بندی اعتباری ، به کارگیری ماشین های بردار پشتیبانی برای رتبه بندی اعتباری با رویکرد داده کاوی اشاره کرد.
در اواخر سال ۱۹۹۰ به منظور “تحلیل گروه همسالان” همراه با ویژگی های مالی خاصی که میان دو یا چند گروه تفاوت قائل شود، تحلیل پوششی داده ها معرفی شد. بر خلاف رویکرد های تجزیه و تحلیل ممیزی چند گانه، شبکه های عصبی و تحلیل رگرسیون خطی، رویکرد تحلیل پوششی داده ها صرفاً به اطلاعات واقعی (مجموعه مشاهده شده داده های ورودی-خروجی) برای محاسبه رتبه های اعتباری نیازمند است. یه یکی از پیشگامان ترکیب تحلیل پوششی داده ها با تحلیل نسبت های مالی است. او از تحلیل پوششی داده ها برای ارزیابی عملکرد بانک بهره گرفت و مطالعه او به طور تجربی نشان داد که تحلیل پوششی داده ها در ارتباط با تحلیل نسبت های مالی، قادر است به جمع آوری نسبت های پیچیده پرداخته و آن ها را در ابعاد مالی معناداری طبقه بندی کند. این ویژگی، تحلیلگر را قادر می سازد تا به بینشی برای استراتژی های عملیاتی بانک دست پیدا کند.
۱-Lee TS & et al
هوانگ، چن، هسو^۱ (۲۰۰۴) به مقایسه ی ماشین بردارپشتیبان با شبکه های عصبی در پیش بینی رتبه های اعتباری سازمان ها پرداختند. ولی به تفاوت ناچیزی در عملکرد به نتایج دست یافتند.
امل و همکارانش ^۲ در سال ۲۰۰۳ یک متدولوژی امتیازدهی اعتباری براساس تحلیل پوششی داده ها پیشنهاد کردند. آن ها داده های مالی جاری ۸۲ شرکت تولیدی/ صنعتی را که تشکیل دهنده پرتفولیوی اعتباری یکی از بزرگ ترین بانک های ترکیه بود، برای رتبه بندی اعتباری به کار گرفتند. در این پژوهش براساس ادبیات موضوع، ۴۲ نسبت مالی انتخاب شد و از میان آن ها ۶ نسبت مهم مالی مورد توجه قرار گرفت. امل و همکارانش پس از اعتبارسنجی مدل با تجزیه و تحلیل رگرسیون دریافتند که روش تحلیل پوششی داده ها قادر به تخمین رتبه های، اعتباری شرکت ها بوده و از کارایی لازم برای امتیازدهی اعتباری برخوردار است.
یولالان و همکاران ^۳( ۲۰۰۳ ) در مقاله ای تحت عنوان “امتیازدهی اعتباری رهیافتی در بانکداری تجاری” به امتیازدهی اعتباری مشتریان بانک ترکیه در هفت مرحله به این شرح پرداختند:
- انتخاب مجموعه مشاهدات: در آغاز مطالعه تقریباً اطلاعات ۱۰۰ بنگاه وجود داشت. به منظور ایجاد درجه همگنی میان شرکت ها در مجموعه مشاهدات، شرکت هایی که اطلاعات آماری آنها تفاوت معناداری با میانگین صنعت داشت را از مطالعه حذف و در نهایت ۸۲ شرکت تولیدی صنعتی اصلی برای بررسی نهایی باقی ماندند.
- تعیین ابعاد مالی اصلی: ابعاد مالی پذیرفته شده مانند نسبت های نقدینگی، فعالیت، ساختار مالی، سوددهی، رشد و جریان وجوه برای تعیین نسبت های مالی بالقوه یا مناسب با بهره گرفتن از معیار c5 مورد استفاده قرار گرفتند.
۱-Huang,Chun
۲-Emel AB. & et al
۳-Yolalan, Reha
- تعیین نسبت های مالی مناسب: در نهایت، به منظور رتبه بندی اعتباری مشتریان بانک ها از ۴۶ نسبت مالی استفاده شد. گرچه نسبت های مالی بیشتری نیز می توانست مورد استفاده قرار گیرد، بحث وجود همگنی و تجانس میان شرکت های مورد مطالعه تعداد نسبت های مالی را به ۴۶ نسبت محدود کرد.
- تصفیه نسبت های مالی مناسب جهت به دست آوردن مولفه های مالی اصلی: در این مرحله ۴۶ نسبت مالی به دست آمده در مرحله قبل به عنوان ورودی (نهاده) تحلیل عاملی مورداستفاده قرار گرفتند.
عوامل با بهره گرفتن از روش مولفه های اصلی (اجزای دارای مقادیر ویژه بیشتر از ۱) استخراج شدند. تناوب عوامل با بهره گرفتن از روش وریمکس متعامد صورت گرفت. به دلیل وجود همبستگی کامل میان برخی نسبت ها، در این مرحله ۴ نسبت از تحلیل عاملی کنار گذارده شده و درنهایت ۴۲ نسبت در مجموعه باقی ماند که در ۱۱ عامل گروه بندی شده و برحسب مشخصات مشترک میان نسبت ها به هفت عامل وام های بانکی، دارایی های ثابت، سود دهی، نسبت بدهی به حقوق صاحبان سهام، ساختار بدهی از بعد زمان، نقدینگی و هزینه های فروش طبقه بندی شدند.
انتخاب نسبت های مالی نهایی با توجه به قضاوت های کارشناسان: درنهایت با توجه به قضاوت های کارشناسان، ۶ نسبت مالی انتخاب شدند. از میان این نسبت ها، نهاده های مدل شامل وام های کوتاه مدت بانک/بدهی جاری؛ بدهی جاری/ خالص فروش؛ ۱ قدرمطلق (دارایی های ثابت/حقوق صاحبان سهام) و ستانده های آن شامل (دارایی های جاری- موجودی کالا)/ بدهی های جاری، حقوق صاحبان سهام/ کل دارایی ها، خالص سود/ کل دارایی ها می باشد.
- محاسبه رتبه های اعتباری به روش تحلیل پوششی داده ها: با بکارگیری نهاده ها و ستانده های با بازدهی ثابت استفاده شد. CCR مرحله پنجم، کارایی شرکت های مورد بررسی با بهره گرفتن از مدل درصد قرار داشتند. رتبه های اعتباری به دست آمده در محدوده ۱۰۰- ۷۵/۲ در میان شرکت های مورد بررسی تنها ۱۶ شرکت کاملاً کارا بودند.
- اعتباربخشی از طریق رگرسیون، تحلیل ممیزی، تحلیل های قضاوتی: در این مرحله به منظور اعتبار بخشی به نتایج حاصل از تحلیل پوششی داده ها از سه روش تحلیل رگرسیونی، تحلیل ممیزی و تحلیل های قضاوتی استفاده شد.
الف) تحلیل رگرسیون: در این مرحله، رتبه های اعتباری تحلیل پوششی داده ها به عنوان متغیر وابسته و نسبت های مالی مورد استفاده به عنوان متغیر مستقل در رگرسیون مورد استفاده قرار گرفتند.
نتایج حاصل از رگرسیون نشان دادکه تمام متغیرها به جزء سود خالص/ کل دارایی ها بر مسیرهای موردانتظار قرار داشته و به لحاظ آماری در سطح ۵ درصد معنادار هستند.
ب) تحلیل ممیزی: در این روش، شرکت ها با توجه به کارایی حاصل از تحلیل پوششی داده ها به دو گروه تقسیم می شوند. براین اساس، ۴۱ شرکت با بالاترین رتبه های تحلیل پوششی داده ها به عنوان شرکت های خوب و دیگر شرکت ها در گروه بد طبقه بندی شدند. در تحلیل ممیزی با بهره گرفتن از نسبت های مالی (نهاده ها و ستانده ها) به عنوان متغیر مستقل و طبقه بندی شرکت ها به عنوان متغیر وابسته مدل برآورد شد.
نتایج به دست آمده حاکی از موفقیت (۵/۹۱ درصدی ) (۴۱ + ۴۱ ) / ( ۳۸ + ۳۷) مدل بود. در این روش تنها نسبت سود خالص/ کل دارایی ها به لحاظ آماری معنادار نبوده و در تابع تحلیل ممیزی لحاظ نشد.
ج) قضاوت کارشناسان: بررسی سازگاری نتایج حاصل از تحلیل پوششی داده ها و دیدگاه های کارشناسان اعتباری نیز موردبررسی قرارگرفت. براین اساس، نسبت موفقیت میان دو طبقه بندی ۷۸ درصد درنهایت، نتایج حاصل از این مطالعه نشان داد که رابطه معکوسی میان استفاده از تسهیلات کوتاه مدت بانک با کارایی وجود دارد. بنگاه هایی با رتبه بالاتر کارایی از سودآوری بیشتر، نسبت اهرمی پایینتر و نقدینگی بیشتر برخوردارند.
در سال ۲۰۰۱ “ساندرز” و “آلن" ^۱از این مدل برای پیش بینی ریسک اعتباری شرکت هایی که از بانک ها تسهیلات گرفته بودند، استفاده کردند و با بررسی های صورت گرفته مشخص شد که این مدل برای پیش بینی ریسک اعتباری از قدرت بالایی برخوردار است (ساندرز و آلن، ۲۰۰۲) استفاده از چنین مدلی در بانک، باعث می شود که اگر نمره شرکت وام گیرنده از حد بحرانی Z پایین تر باشد، درخواست وام رد شود و یا کنترل و تسلط بیشتری برای افزایش ایمنی وام اعطایی اعمال شود و از این راه زیان های ناشی از عدم بازپرداخت وام به کمترین حد خواهد رسید. نسبت های مالی وام گیرنده Z در این مدل، به نمره و وزن های هر یک از نسبت ها بستگی خواهد (Xj) داشت. وزن هر یک از نسبت های مالی بستگی به تجارب موارد قصور وام گیرنده در بازپرداخت بالاتر باشد، طبقه ریسک Z وام دارد. هرچه میزان عدم بازپرداخت وام گیرنده پایین تر خواهد بود. بیانگر Z بنابراین، مقدار پایین یا منفی شاخص این است که وام گیرنده از نظر ریسک عدم بازپرداخت در طبقه بالایی قرار خواهد داشت. (آلتمن، ۱۹۶۸)^۲
امروزه در بیشتر بانک های معتبر جهان از یک یا چند مدل برای اندازه گیری ریسک اعتباری وام ها استفاده می شود. از جمله متداول ترین مدل های مورد استفاده می توان به مدل تحلیل ممیزی، مدل لجستیک، مدل پروبیت، سیستم رتبه بندی داخلی و شبکه های عصبی مصنوعی اشاره کرد. (گوردی، ۲۰۰۱ )^۳
وست^۴ (۲۰۰۰) به مقایسه دقت طبقه بندی پنچ مدل شبکه عصبی MOE و FAR و LVQ و RBF و MLP و چهار مدل رگرسیون لجستیک، نزدیک ترین همسایگی، آنالیز ممیزی و چگالی کرنل پرداخته است. نتایج تحقیق نشان داد که از بین این مدل ها، مدل های RBF, MLP, MOE به عنوان مدل های برتر شناخته شدند.
۱-Saunders, A. and Allen, L
۲-Altman, E
۳-Gordy Michael
۴-West D
مالهترا و مالهترا^۱ (۲۰۰۳) از یک مدل شبکه عصبی پرسپترون چند لایه برای طبقه بندی مشتریان ۱۲ مؤسسه مالی در آمریکا استفاده و نتایج آن را با تحلیل ممیزی مقایسه کردند . نتایج تحقیق نشان داد که مدل شبکه عصبی دقت بالاتری در طبقه بندی مشتریان نسبت به مدل آنالیز ممیزی دارد. (نیلساز و راسخ، ۱۳۸۵)
طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال ۱۹۰۹ توسط “جان موری” بر روی اوراق قرضه انجام شد (گلانتز، ۲۰۰۳) مشابهت زیاد تسهیلات اعتباری بانک ها به اوراق قرضه باعث شد تا درجه بندی ریسک اعتباری تسهیلات بانک ها یعنی اندازه گیری ریسک عدم بازپرداخت اصل و بهره وامها از سوی برخی از پژوهشگران مورد توجه قرار گیرد.
در این میان می توان به مطالعه “فیشر”^۲ در سال۱۹۳۶ به عنوان اولین سیستم ارزیابی تقاضای اعتبار و مطالعه “دوراند” در سال ۱۹۴۱ که با بهره گرفتن از “تحلیل ممیزی” و با تکیه بر نتایج فیشر انجام گرفت، به عنوان بنیان گذار سیستم های امتیازدهی اعتباری حال حاضر اشاره نمود.
دانهم^۳ در سال ۱۹۳۸ اولین سیستم ارزیابی تقاضا نامه‌های اعتباری را با بکارگیری پنج معیار زیر توسعه داد .
۱ـ موقعیت
۲ـ درآمد
۳ـ وضعیت مالی
۴ـ ضامن یا وثیقه
۵ـ اطلاعات بازپرداخت وام از بانک‌ها
دانهم استدلال کرد که اهمیت معیارهای مختلف باید براساس تجربه مشخص گردد.