Credit rating of the bank legal customers by using the improved modified Russell model (Case study: the legal customers of Arak Melli Bank)

Document Type: research paper

Authors

1 Department of Mathematics, College of Science, Arak Branch, Islamic Azad University, Arak, Iran

2 Department of Industrial Engineering,Faculty of Engineering, Islamic Azad University, Arak Branch, Arak,Iran

Abstract

The most exchange volume in a country will be obtained through bank system whose correct function will have a determinant role in improving economic activities. Nowadays, the customer’s rating and accreditation subject has been considered more than before by the banks due to increase the volume of overdue claims and banks’ past over dues. One of the most important tools for controlling the banks’ credit risk is to implement the credit rating system and to recognize effective factors on withholding payment of the bank advances. The goal of this article is to investigate the relation between efficiency and risk in banking system. Based on this, with the help of data envelopment analysis method and the information related to evaluation, rating and interpretation of credit risk which has been suggested by three main rating institutes like “Fitch, Moody’s and Standard and Poor’s”, the credit risk of 24 legal customers of Arak Melli Bank was evaluated and the credit rate of each legal companies was determined and their quality analysis was expressed.

Keywords


Article Title [Persian]

رتبه بندی اعتباری مشتریان حقوقی بانک با استفاده از مدل راسل اصلاح شده بهبود یافته ( مطالعه موردی: مشتریان حقوقی بانک ملی شهر اراک)

Authors [Persian]

  • محمد ایزدی خواه 1
  • محدثه شمسی 2
1 گروه ریاضی کاربردی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد اراک ، اراک، ایران
2 گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد اراک، اراک، ایران
Abstract [Persian]

بیشترین حجم مبادلات هر کشور از طریق سیستم بانکی تحقق می یابد که کارکرد صحیح آن نقش تعیین کننده ای در بهبود فعالیت های اقتصادی خواهد داشت. امروزه با افزایش حجم مطالبات معوق و سر رسید گذشته بانک ها، موضوع رتبه بندی و اعتبارسنجی مشتریان مورد توجه بانک ها قرار گرفته است. بدین منظور پیاده سازی نظام رتبه بندی اعتباری و شناسایی عوامل تاثیرگذار در عدم بازپرداخت تسهیلات بانکی جهت کاهش و کنترل ریسک اعتباری بانک ها یکی از مهمترین ابزارهای کنترل ریسک اعتباری به حساب می آید، هدف این مقاله بررسی ارتباط کارایی و ریسک در سیستم بانکداری است. بر این اساس به کمک روش تحلیل پوششی داده ها و اطلاعات مربوط به ارزیابی و رتبه بندی و تفسیر ریسک اعتباری که توسط سه موسسه مهم رتبه بندی فیچ، مودیز و استاندارد و پورز ارائه شده، ریسک اعتباری 24 مورد از مشتریان حقوقی بانک ملی شهر اراک ارزیابی و رتبه اعتباری هر یک از شرکت های حقوقی معین و تحلیل کیفی آنها بیان شد.

Keywords [Persian]

  • رتبه بندی اعتباری
  • ریسک اعتباری
  • موسسه های رتبه بندی اعتباری
  • تحلیل پوششی داده ها
  • کارایی
  1. اصلی، شعله، (1390)."مدیریت ریسک اعتباری با نگاهی برالگوی پرداخت تسهیلات در سایر کشورها"، اداره تحقیقات و کنترل ریسک بانک سپه ایران، ص34-1.
  2. آقایی، نازیلا، (1396). "رتبه بندی واحد های تصمیم گیرنده با استفاده از کارایی متقاطع در حضور روجی های نامطلوب و دم قطیت داده ها"، مجله پژوهش های نوین در ریاضی، سال سوم، شماره 11، ص 20.
  3. باقری، نوشین، حق شناس کاشانی، فریده، (1397). " ارزیابی ریسک اعتباری تعاونی های شهری با استفاده از روش شبکه عصبی"، فصلنامه اقتصاد و مدیریت شهری، شماره 24.
  4. جعفریان مقدم، احمدرضا، قیصری، کیوان، (1389). " مدل پویای چندهدفه تحلیل پوششی داده های فازی" نشریه مدیریت صنعتی، دوره 2، شماره 4، ص 19-36 .
  5. جمشیدی، علی، رستمیان، سعید، (1396). " مدیریت ریسک اعتباری در صنعت بانکداری"، فصلنامه مطالعات مدیریت و کارآفرینی، دوره 3، شماره 1.
  6. ﺟﻨﺪﻗﯽ، ﻏﻼﻣﺮﺿﺎ، اﻟﻮاﻧﯽ، ﺳﯿﺪ ﻣﻬﺪی، رﺋﯿﺲ ﺻﻔﺮی، ﻣﺠﺘﺒﯽ، (1391) ﺑﺮرﺳﯽ ﮐﺎراﯾﯽ ﺷﻌﺐ بانک ﻫﺎ و ﺗﻌﯿﯿﻦ ﻋﻮاﻣﻞ ﻣﺆﺛﺮ ﺑﺮ آن (ﺑﺮرﺳﯽ ﻣﻮردی ﺷﻌﺐ ﺑﺎﻧـﮏ ﺳـﭙﻪ اﺳﺘﺎن ﺗﻬﺮان) ﻣﺪﯾﺮﯾﺖ دوﻟﺘﯽ، شماره 3، دوره 4. 
  7. رجب زاده مغانی، ناهید، لطفعلی پور، محمدرضا، سیفی، احمد، رزمخواه، مصطفی، (1396)، " مطالعه عوامل اثرگذار بر ریسک اعتباری مشتریان بانکی با استفاده از مدلهای ناپارامتریک و شبه پارامتریک تحلیل بقا"، دو فصلنامه اقتصاد پولی، مالی، دوره 24، شماره 13.
  8. رزمی، جعفر، شهبازی، محمدرضا، (1395). " مقایسه ی مدل های مختلف شبکه ی عصبی در رتبه بندی اعتباری سیستم بانکی و معرفی بهترین مدل (1385-1390)"، مجله مهندسی صنای و مدیریت شریف، دوره 32، شماره 2.
  9. سفیدگران، سعید، حاله، حسن، (1395). " شناسایی و رتبه بندی مشتریان حقوقی متقاضی تسهیلات بانکی از منظر ریسک اعتباری با استفاده از روش ترکیبی ANP-PROMETHEE"، فصلنامه مدیریت توسه و تحول، دوره 8، شماره 27.
  10. طاهری فرد، مرتضی، صفری، سعید، ابراهیمی شقاقی، مرضیه، (1390). "طراحی مدل رتبه بندی اعتباری مشتریان حقوقی بانک های تجاری با رویکرد تحلیل پوششی داده ها"، پژوهش نامه علوم اقتصادی، سال ششم، شماره 12.
  11. فلاح شمسی، میرفیض، (1387). "مدل های اندازه گیری ریسک اعتباری در بانک ها و موسسه های اعتباری"، نشریه تازه های اقتصاد، شماره 109، ص 28-22.
  12. گروهء، فاطمه، محتشمی، علی،(1396). " کاربرد شبکه های عصبی - فازی در رتبه بندی اعتباری مشتریان بانک تجارت"، فصلنامه پژوهش های جدید در مدیریت و حسابداری، دوره 4، شماره 6.
  13. محمود آبادی، حمید، غیوری مقدم، علی، (1390). "رتبه بندی اعتباری از لحاظ توان مالی پرداخت اصل و فرع بدهی ها با استفاده از شیوه تحلیل پوششی داده ها:  مطالعه موردی شرکت های پذیرفته شده در بورس اوراق بهادار تهران" ، مجله دانش حسابداری، شماره 4، ص 145-125.
  14. محمودی، زهره، خیر اندیش، مسعود، (1396). " مشخصات نویسندگان مقاله شناسایی و رتبه بندی عوامل موثر بر ریسک اعتباری مشتریان حقوقی از دیدگاه مدیران و کارشناسان بانک ملت حوزه بندرعباس با استفاده از مدل AHP"، فصلنامه پژوهشنامه مطالعات راهبردی در علوم انسانی و اسلامی، شماره 7.
  15. مشایخ، شهناز، بذرافشان، آمنه، عارف منش، زهره، (1394). "موسسات رتبه بندی اعتباری: نقش ها، مزایا، انتقادات و نحوه نظارت" ، دانش و پژوهش حسابداری، شماره 40، ص 5 .
  16. مهرگان، مجمدرضا، (1387)، " تحلیل پوششی داده ها: مدل های کمی در ارزیابی عملکرد سازمان ها "، انتشارات دانشکده مدیریت دانشگاه تهران، چاپ دوم.
  17. مهرگان، محمد رضا، (1383)، "مدل های کمی در ارزیابی عملکرد سازمان ها"، انتشارات دانشکده مدیریت دانشگاه تهران.

 

  1. Abiola, I. Olausi Awoyemi, S. (2014). “The Impact of Credit Risl Management on the Comercial Banks Performance in Nigeria.” International Journal of Management and Sustainability, vol. 3, issue 5, PP. 295-306.
  2. Amiri, M. Biglari Kami, M. (2013). “Credit Rating Companies with Multi-Criteria Decision Making Models and Artificial Neural Network Model.” Journal of Basic and Applied Scientific Research, Vol. 3, No. 5. PP. 536-546.
  3. Bernstein, P. L. (1997). “Against the Gods: the Fascinating History of Risk.” Rio de Janeiro: Campus.
  4. Brédart, Xavier. 2014. “Bankruptcy Prediction Model Using Neural Networks”, Accounting and Finance Research, Vol. 3, No. 2.
  5. Charnes, A. Cooper, W.W. Rohdes, E. (1978). “Measuring the Efficiency of Decision Making Units.” European Journal of operational Research, Vol.2, No. 6, PP. 429-444.
  6. Dibachi, H., Behzadi, MH., Izadikhah, M., (2014), “Stochastic multiplicative DEA model for measuring the efficiency and ranking of DMUs under VRS technology”,  Indian Journal of Science and Technology, Vol. 7, No. 11, PP. 1765-1773.
  7. Duca, J. McLaughlin, M. M. (1990). “Developments affecting the profitability of Commercial banks.” Federal Reserve Bulletin, Vol. 76, No. 7, PP. 477-499.
  8. Izadikhah, M., Farzipoor Saen, R., and Ahmadi, K. (2017). “How to Assess Sustainability of Suppliers in the Presence of Dual-Role Factor and Volume Discounts? A Data Envelopment Analysis Approach.” Asia-Pacific Journal of Operational Research, Vol. 34, PP 1-25.
  9. Izadikhah, M., Tavana, M., Di Caprio, D., Santos-Arteaga, FJ., (2018), “A novel two-stage DEA production model with freely distributed initial inputs and shared intermediate outputs”, Expert Systems with Applications, Vol. 99, PP. 213-230.
  10. Kumar, K. Haynes, John D. (2003). “Forecasting credit ratings using an ANN and statistical techniques.” International journal of business studies, Vol. 11, No. 1, PP. 91-108.
  11. Min, J.H. Lee, Y.C. (2008). “A practical approach to credit scoring.” Expert Systems with Applications, Vol. 35, No. 4, PP. 1762–1770.
  12. Murcia, F. C. S. Fernando, D. M. Suliani, R. José, A. B. (2014). “The determinants of credit rating: Brazilian evidence.” BAR - Brazilian Administration Review, Vol. 11, No. 2, PP. 188-209.
  13. Nasrabadi, N. A, (2019), “Value Efficiency-Based Target Setting Approach in Data Envelopment Analysis”, Journal of New Researches in Mathematics, Vol. 5, No. 17, PP.  51-72.
  14. Ong, C. Huang, J. Tzng, G. (2005). “Building credit scoring models using genetic Programming.” Expert Systems with applications, 29 (5), 41-47.
  15. Pastor, J. T. Ruiz, J. L. Sirvent, I. (1999). “An enhanced DEA Russell graph efficiency measure.” European Journal of Operational Research, Vol. 115, No. 1, PP. 596–607.
  16. Peykani, P., Mohammadi, E., Rostamy-Malkhalifeh, M., Hosseinzadeh Lotfi, F., (2019), “Fuzzy Data Envelopment Analysis Approach for Ranking of Stocks with an Application to Tehran Stock Exchange”. Advances in Mathematical Finance and Applications, Vol. 4, No. 1, PP. 31-43. doi: 10.22034/amfa.2019.581412.1155
  17. Salehi, A., Izadikhah, M., (2014),“A novel method to extend SAW for decision-making problems with interval data”, Decision Science Letters, Vol, 3, N. 2, PP. 225-236.
  18. Samreen, A. Batul Zaidi, F. (2013). “Design and Development of Credit Scoring Model for the Commercial Banks in Pakistan: Forecasting Creditworthiness of Corporate Borrowers.” International Journal of Business and Commerce, Vol. 2, No. 5, PP. 1-26.