تبيين الگوي پيش بيني ورشكستي جهت شناسايي بانك هاي سالم و در معرض خطر

Explaining the Model of Bankruptcy Prediction to Identify Healthy and Risky Banks

ورشكستگي بانك ها پديده اي است كه اخيراً بانك مركزي، بانك ها و موسسات مالي و اعتباري به آن توجه كرده اند. از آنجايي كه نشانه هاي بالقوه ورشكستگي قبل از وقوع ورشكستگي نمايان مي شود؛ شناسايي متغيرهاي هشدار و پيش بيني به موقع و صحيح اين بحران، فرصتي را در اختيار مديران و اعتباردهندگان براي انجام فعاليت هاي بازدارنده قرار مي دهد. در اين مقاله تلاش مي شود با استفاده از صورت هاي مالي بانك هاي كشور در دوره زماني 1385-1393 و به كارگيري شاخص ثبات بانكي به عنوان شاخص ورشكستگي، بانك هاي ورشكسته شناسايي شوند. براي شناسايي بانك هاي ورشكسته، تابع كرنل اين شاخص، ترسيم و نقطه استرس آن محاسبه شد، به گونه اي كه بانك هايي كه كمتر از نقطه استرس قرار دارند، ورشكسته و در غير اين صورت سالم در نظر گرفته شدند. براي برآورد الگو، ابتدا با به كارگيري روش تجزيه تشخيص، عواملي كه بانك هاي سالم و در معرض خطر را مي توانند بشناسند، شناسايي و سپس با به كارگيري الگوي لاجيت، الگوي مناسب براي پيش بيني ورشكستگي بانك ها طراحي شد. براي بررسي صحت تفكيك دو نمونه سالم و ورشكسته با استفاده از آزمون F و لامبداي ويلكس، ميانگين متغيرهاي مستقل دو نمونه بررسي و سپس براي بررسي تفاوت اهميت متغيرهاي مستقل الگو از آزمون بزرگي همبستگي درون گروهي بين متغيرها استفاده شد. نتايج نشان دهنده دقت 87 درصدي الگوي تجزيه تشخيص و 98/2 درصدي الگو لاجيت در انطباق با شرايط محيطي شبكه بانكي كشور است.

Bank failure is a phenomenon that has attracted the attention of the central bank, banks and financial institutions. Since the signs of potential failure are detected before the bankruptcy, identifying warning variables, and prediction of the crisis timely provide an opportunity for managers and creditors to create preventive activities. In this paper, using the financial statements in the period 1385-1393 and Z-score index as an indicator of bankruptcy, bank failures are detected. To identify the failed banks, we use the kernel function of the index and the stress of index is calculated. Banks that are under stress point are considered risky and otherwise healthy. For estimate of model, discriminate analysis was used to identify the factors that enable to distinguish healthy and risky banks, then, using the logit model, a model was developed for predicting banks failure. To verify separation of two groups of banks we checked Wilks Lambda, F and two independent samples mean, then to evaluate the importance of the different independent variables in a model we used intercorrelation between variables. The results showed 87 percent accuracy of discriminant analysis and 98.2 percent logit model in compliance with the Iran`s banking network environment.