مطالعه تاثیر نوع صنعت بر معیارهای اعتباردهی به مشتریان حقوقی بانک صادرات ایران با استفاده از تحلیل پوششی داده‌ها

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد،

2 استادیار، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد

3 کارشناس ارشد مدیریت بازرگانی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد،

چکیده

امروزه یکی از مشکلات نظام بانکی کشور مطالبات معوق آنهاست. از جمله راهکارهای اساسی برای رفع این معضل ایجاد نظام سنجش اعتبار و رتبه‌بندی اعتباری مشتریان است. نسبت‌های مالی استخراجی از صورت‌های مالی شرکت‌ها از دیرباز به عنوان یکی از ابزارهای مفید در ارزیابی شرکت‌ها توسط اشخاص ذی‌نفع برای پیش‌بینی وضعیت آتی استفاده شده‌اند. بنابراین، در این تحقیق، با استفاده از تکنیک تحلیل پوششی داده‌ها و انواعی از ورودی و خروجی‌ها شامل نسبت‌های مالی و سایر مشخصه های حایز اهمیت از دیدگاه اساتید و کارشناسان اعتباری، به رتبه‌بندی شرکت‌ها در هر صنعت پرداخته شده است. سپس با استفاده از تحلیل حساسیت، رتبه اهمیت ورودی‌ها و خروجی‌ها (معیارهای اعتباردهی) به تفکیک نوع صنعت شناسایی و مقایسه شده‌اند. در پایان به تفکیک، میزان اهمیت ورودی‌ها و خروجی‌ها برای صنایع مختلف بررسی شد. رویکرد پژوهش می‌تواند در راستای مدیریت ریسک اعتباردهی به مشتریان توسط بانک‌ها استفاده شود.

کلیدواژه‌ها


عنوان مقاله [English]

Studying the impact of industry type validation criteria to Legal customers of Bank Saderat Iran using data envelopment analysis

نویسندگان [English]

  • Alireza Rajabipour Meybodi 1
  • Mohammad Lagzian 2
  • Jaafar Fasahat 3
1 PhD Student of Management, Ferdowsi University of Mashhad
2 Assistant Professor, Faculty of Administrative Sciences and Economics, Ferdowsi University of Mashhad
3 Master of Business Administration, Faculty of Economics, Management and Accounting, Yazd University
چکیده [English]

One of the problems of today's banking system is overdue loans. The basic strategy for solving this problem is creating a credit rating system of customers. Financial ratios extracted from financial statements of companies have long been considered as one of the useful tools used for evaluating companies by individuals to predict future conditions. Therefore, in this study, ranking of companies in each industry has been discussed using Data Envelopment Analysis (DEA) and a number of inputs and outputs such as financial ratios and other important characteristics from the viewpoint of professors and credit experts. Then, ratings of the inputs and outputs (credit criteria) have been identified to distinguish and compare the types of industries using sensitivity analysis. Finally, the values of inputs and outputs have been studied for different industries. The research approach can be used by banks in credit risk management for customers.

کلیدواژه‌ها [English]

  • Rating
  • financial statements
  • DEA
  • customers
  • Credit criteria

مقدمه

اقتصاد و رفاه اجتماعی کشورهای در حال توسعه به میزان زیادی به رفتار بانکداری آنها وابسته است. به طور کلی بانک‌ها سازمان‌های «جویای سود» هستند، بدین معنا که در فرآیندهای تصمیم‌گیری نمادین (نظیر قیمت‌گذاری، وام‌دهی، تامین وجوه لازم و ...) سعی در بهینه‌سازی ریسک برگشتی مبادله دارند. در واقع بانک‌ها، به عنوان واسط مالی، وجوه سپرده­گذاران را دریافت و بخشی از آن را به متقاضیان تسهیلات واگذار می‌کنند، اما در این میان امکان دارد برخی از مشتریان مایل یا قادر به بازپرداخت تسهیلات اعتباری خود نباشند. بدیهی است که هرگونه قصور و کوتاهی در بازپرداخت موجب کاهش ارزش سرمایه بانک خواهد شد. در این صورت، بانک‌ها به منظور پرداخت دیون خود باید کاهش سرمایه را از محل عواید تسهیلات پرداخت شده به سایر مشتریان جبران نمایند. بنابراین، همزمان با افزایش تعداد مشتریانی که قادر به بازپرداخت تسهیلات دریافتنی خود نیستند، بانک‌ها برای بقای خود ناگزیر به افزایش حاشیه سود هستند که این امر به کاهش قدرت رقابتی بانک منجر شده، آن را با ریسک مواجه می‌سازد. در این راستا، بانک‌ها به منظور کاهش خطر عدم بازپرداخت تسهیلات با استفاده از روش های مختلف سعی در ارزیابی بهتر متقاضیان اعتباری دارند و یکی از راهکارهای اساسی برای رفع این معضل، ایجاد نظام سنجش اعتبار و رتبه بندی اعتباری مشتریان بانک­ها است (لی، چیولو وچن[1]، 2002). با توسعه سریع حوزه اعتبارات و وام‌ها، اهمیت و جایگاه رتبه بندی مشتریان برای بانک‌ها کاهش ریسک‌ها، روز به روز بیشتر می‌شود. در کشورهای توسعه یافته مدتهاست که مدل‌های مختلفی همچون شبکه های عصبی برای طبقه‌بندی مشتریان بانک‌ها استفاده می‌شوند (یانگ و یوآن[2]، 2007). مفهوم رتبه بندی مشتریان در اواسط دهه 1950 توسط یک کارشناس بازاریابی آمریکایی به نام وندرل آر اسمیت[3] بسط داده شد. دسته‌بندی مشتریان بر طبقه‌بندی مشتریان بر اساس مطالبات، ارزش و ... دلالت دارد (وو و لین[4]، 2005). از جمله مهمترین دلایل اهمیت و ضرورت طراحی سیستم های سنجش و ارزیابی اعتبار مشتریان در مؤسسات، می‌توان به کمک آنها به افزایش جریان نقدینگی مؤسسه، اطمینان از بازگشت اعتبار اعطایی توسط مشتری، کاهش ریسک بازپرداخت اصل و فرع اعتبار اعطایی، بهبود کیفی تصمیمات مدیریتی، کاهش هزینه­های تحلیل اعتبار مشتریان، افزایش سرعت اخذ تصمیمات اعتباری و نظارت بهتر بر حساب­های اعتباری موجود مؤسسه اشاره نمود (دیوید[5]، 2000) که این خود بیانگر ضرورت و اهمیت سیستم‌های رتبه بندی اعتباری است.

عدم ناتوانی بانک ها و مؤسسات مالی و اعتباری در اخذ مطالبات خود، یکی از بزرگترین علل ورشکستگی آنها در دنیای امروزی است و به همین علت، امروزه رتبه بندی اعتباری مشتریان به عنوان یکی از موضوع‌های بسیار چالش برانگیز در حوزه مدیریت مالی مورد توجه قرار گرفته است. با توجه به اهمیت این موضوع، مدیریت اعتبارات در بانک ها و موسسات مالی و اعتباری کشور، هدف این تحقیق قرار گرفته، نتایج حاصل از آن به صورت یک سیستم نرم افزاری که به صورت خودکار بتواند دسته بندی اعتباری مشتریان بانک ها را به صورت بلادرنگ به انجام برساند، در اختیار تصمیم گیرندگان قرار خواهد گرفت. کاربران ذی ربط در بانک ها می توانند با بهره گیری از اطلاعات منتشر شده توسط بورس اوراق بهادار که در دسترس همگان است، مبادرت به دسته بندی اعتباری متقاضیان حقوقی دریافت تسهیلات نموده، بر اساس دسته بندی مذکور در رد یا قبول درخواست متقاضیان اقدام نمایند.

البته، چندسالی است تلاش زیادی برای ایجاد سامانه اعتبارسنجی ملی در ایران صورت گرفته است که رو به تکامل است، لکن به طور کلی در دنیا برای ارزیابی مشتریان بانک‌ها مهمترین روش های ارزیابی خصوصیات یک متقاضی اعتبار را که در رتبه بندی اعتباری قرار می‌گیرد، می‌توان به روش‌های زیر بررسی کرد (انستیتو بانکداران خاورمیانه):

 1-  روش پنج C­: شخصیت[6]، ظرفیت[7]­، سرمایه[8]، وثیقه[9]­، شرایط[10]

2- روش Lapp­: نقدینگی[11]، فعالیت[12]، سودآوری[13]، پتانسیل[14]

3- روش پنج P­: مردم[15]، تولید یا محصول[16]، حمایت [17]، پرداخت­ها[18]، دورنمای آینده[19]

4-      روش تحلیلهای کمی و کیفی (تجزیه و تحلیل‌های کمی و کیفی)

از جمله مزایای وجود یک سیستم دسته بندی اعتباری مشتریان، این است که موجب سهولت و سرعت دسترسی مشتریان به تسهیلات اعتباری است. دوم این‌که یک شخص لازم نیست در شهر خود یا در بانکی که حساب دارد، تقاضای تسهیلات نماید، بلکه در هر بانکی که حتی حساب جاری یا پس‌انداز ندارد نیز می‌تواند متقاضی تسهیلات باشد، چرا که بانک به گزارش اعتباری این شخص در تمامی سیستم بانکی دسترسی دارد. نکته دیگر این که در سیستم‌های بانکی برخی با وجود سررسید شدن وام‌هایشان به هیچ عنوان آنها را پرداخت نمی‌کنند و حتی حاضرند تا جریمه دیر کرد بدهند، لکن از آن پول استفاده کنند. با پیاده سازی سیستم سنجش اعتبار، این افراد برای دریافت مجدد تسهیلات، از این نوع فعالیت ها اجتناب می‌کنند و بنابراین، پول سریعتر به سیستم بانکی بازگشت داده خواهد شد تا برای اعتباردهی به سایر متقاضیان استفاده گردد. بنابراین مزیت دیگر آن این است که مشتریان به تسهیلات بیشتری دسترسی خواهند داشت و در مراحل بعدی سعی خواهند نمود تا بازپرداخت‌هایشان را بموقع انجام دهند، چراکه پول بموقع به سیستم بانکی بر می‌گردد (لانگور[20]، 2008).

 

ادبیات پژوهش

رتبه‌بندی اعتباری شامل روش‌هایی است که به نهادهای مالی کمک می‌کنند تا در پذیرش و یا رد تقاضاهای دریافت تسهیلات و اعتبارات تصمیم‌گیری نمایند. تصمیم‌گیری در زمینه رد و یا پذیرش تقاضاهای دریافت تسهیلات و اعتبارات یکی از مهمترین فرآیندهای اعتباری است و به ابزاری که به این تصمیم‌گیری کمک می‌کند، رتبه‌بندی اعتباری می‌گویند (توماس[21]، 2000). عمده‌ترین کاربرد رتبه بندی اعتباری، ارزیابی از توانایی بالقوه برای بازپرداخت اصل و فرع بدهی­ها، توسط اداره اعتبار به درخواست وام دهنده است (آلتمن[22]، 1968). رتبه بندی را از راه‌های گوناگون می‌توان تعریف کرد: رتبه‌بندی اعتباری یکی از ابزارهای اصلی، در دسترسی مؤثر به بازارهای سرمایه است. همچنین برای اوراق بهاداری که رتبه بندی آن­ها در بازار سرمایه لزومآ صورت نگرفته باشد، به کار می رود و محکی برای مدیریت ریسک آنهاست (پتر[23]، 2011). رتبه‌بندی اعتباری ابزاری برای متعادل سازی روش‌شناسی‌ها و افزایش شفافیت است که به آشکار سازی و بر طرف کردن بحران کمک می­کند. این ابزار، یک محک جهانی برای ارزیابی ریسک اعتباری در بازارهای سرمایه و ناراسایی‌ها در قوانین مربوطه است. رتبه‌بندی اعتباری، فرایندی است که در نتیجه آن تصمیمات سرمایه گذاری مهم و ملاحظات تصمیمات مالی بر اساس آن صورت می‌گیرد، و به سبب هزینه بالا و زمان‌بر بودن بسیار، به دشواری صورت می‌پذیرد. همچنین، رتبه‌بندی اعتباری اثر متغیرهای مختلف برای طبقه‌بندی را کمی می‌سازد (واسیلیکی[24]، 2010).

صورت‌های مالی خلاصه فعالیت‌های عملیاتی، تأمین مالی و سرمایه‌گذاری شرکت درطول یک دوره مالی را نشان می‌دهند. تجزیه و تحلیل صورت های مالی به تصمیم‌گیران (وام دهندگان، سرمایه‌گذاران و مدیران) این امکان را می‌دهد تا بتوانند یک دید کلی نسبت به سلامت شرکت و وضعیت رقابتی آن کسب نمایند. اعتبار دهندگان بالقوه با استفاده از تجزیه و تحلیل صورت‌های مالی نسبت به دادن وام یا اعتبار و همچنین، میزان بازه زمانی آن تصمیم‌گیری می‌نمایند (ماهورتا و راشمی[25]، 2008). تحلیل صورت‌های مالی اغلب با به کارگیری نسبت‌های مالی که بر پایه اطلاعات ترازنامه، صورتحساب سود و زیان، و صورت جریان وجوه نقد تهیه شده اند، آغاز می‌شود. نسبت‌های مالی نشان دهنده قدرت یا ضعف شرکت‌ها در مقایسه با سایر شرکت‌های همان صنعت، شرکت‌های پیشرو و عملکرد سال گذشته همان شرکت هستند. استفاده از نسبت‌های مالی برای ارزیابی عملکرد مؤسسات، پیشینه‌ای دیرینه دارد. در سال‌های اخیر رشد قابل توجهی در کاربرد این نسبت‌ها دیده می‌شود. استفاده از این نسبت‌ها به عنوان اطلاعات لازم برای به کارگیری الگوهای کمی ارزیابی عملکرد مؤسسات نیز از جمله محورهای قابل توجه پژوهشگران بوده است، به گونه‌ای که در شماری از این مطالعات، از روش‌های ناپارامتریک برای تعیین کارایی مؤسسات مورد مطالعه استفاده شده است (محمدی، 1386). اما در مورد اثربخشی تحلیل نسبتی صورت‌های مالی نگرانی‌ها و محدودیت‌هایی وجود دارد. هر یک از نسبت‌های مالی یک بعد از عملکرد مالی سازمان را ارزیابی می‌کند. به عبارت دیگر، هر گروه از نسبت‌های مالی تنها یک قسمت از فعالیت‌های واحد تجاری را ارزیابی می‌کند. دوم این که اعداد نسبت‌های مالی که می‌توان از صورت‌های مالی استخراج کرد، زیاد بوده اغلب گیج‌کننده و با یکدیگر متناقض هستند. همچنین، باید توجه داشت که نسبت‌های مالی نشان دهنده علائم هستند و دلایل ایجاد آنها را نشان نمی‌دهند. هنگام استفاده از نسبت‌های مالی، باید محدودیت‌ها و ویژگی‌های خاص حاکم بر آنها را نیز در نظر گرفت و نباید آنها را تنها معیار تصمیم‌گیری قرار داد، بلکه باید از آنها به عنوان یک مدرک پشتیبان تصمیم استفاده کرد (خواجوی و همکاران ، 1389 و محمدی، 1386).

تکنیک‌های تحلیل سنتی صورت­های مالی، از تجزیه و تحلیل نسبت‌ها به منظور مقایسه عملکرد شرکت ها با شرکت های مشابه و با عملکرد سال‌های گذشته همان شرکت استفاده می نمایند. بر مبنای این مقایسه، تحلیلگر می‌تواند نتیجه‌گیری کند که آیا یک شرکت عملکرد مطلوبی دارد، یا عملکرد آن نسبت به شرکت­های مشابه و سال­های گذشته تنزل کرده است یا خیر؟ (دیکا[26]، 2008) هرچند تحلیل نسبت‌های مالی برای ارزیابی مالی شرکت‌ها قدمتی دیرینه دارد، اما به علت محدودیت های مذکور نمی‌تواند راهنمای مناسبی برای سرمایه گذاران، اعتباردهندگان و مدیران واحدهای تجاری باشد. تکنیک تحلیل پوششی داده‌ها می‌تواند این مشکل را برطرف کند. تکنیک تحلیل پوششی داده ها، یک تکنیک ریاضی مبتنی بر برنامه‌ریزی خطی است. در این روش با استفاده از یک مجموعه چندتایی از متغیرهای ورودی و خروجی، کارایی یک گروه از واحدهای مورد بررسی تعیین می‌شود. در تحلیل پوششی داده‌ها، به ازای یک مجموعه مشخص از متغیرهای ورودی و خروجی، نمره مشخصی به هر یک از واحدهای مورد بررسی اختصاص می‌یابد. در این روش، مرز کارا به صورت تجربی مشخص می‌شود، سپس واحدهایی که بر روی مرز کارا قرار می‌گیرند، به عنوان واحدهای کارا و واحدهایی که بر روی مرز کارا نیستند، به عنوان واحدهای ناکارا شناخته می‌شوند (مهرگان، 83). بزرگترین مزیت تحلیل پوششی داده‌ها، توان مقایسه چندین واحد تصمیم گیرنده از لحاظ چندین معیار (متغیر) است. از جمله مزایای دیگر این تکنیک ناپارامتریک نسبت به الگوهای پارامتریک‌، می‌توان به عدم نیاز به تخمین شکل تابع در تحلیل نسبت­های مالی و عدم نیاز به تخمین توزیع آماری نسبت‌ها اشاره کرد (هالکوس و سالموریس[27]، 2004).

در واقع، این تکنیک با در نظر گرفتن تعدادی از نسبت‌ها به عنوان ورودی و تعدادی به عنوان خروجی، همه نسبت‌ها را به یک معیار به نام کارایی ترجمه می‌کند که در نتیجه آن می‌توان مقایسه و ارزیابی عملکرد واحدهای تجاری را بهتر انجام داد. به عبارت دیگر، سودمندی این روش، در تحلیل نسبت‌ها، در ترجمه همه اعداد به عددی واحد به نام معیار کارایی است و این امر باعث افزایش سهولت در مقایسه خواهد شد (خواجوی و همکاران، 1389). در هر حال، پژوهش های متعددی به بررسی رتبه اعتباری مشتریان بانک ها پرداخته اند. در این میان، چنگ و همکاران (2007) به معرفی روش تحلیل پوششی داده­ها[28] عنوان یک رویکرد جایگزین در نمره دهی اعتباری پرداختند و به این منظور وام گیرندگان پروژه­های اعتباری طرح سرمایه گذاری خصوصی را بررسی کردند. آنها دلیل اصلی استفاده DEA را کاهش یا حذف مشکلات تحلیل ذهنی تخصیص وزن و وقت‌گیر بودن آن دانستند. در این بررسی، آنها دو مدل DEA برای نمره‌دهی اعتباری معرفی و تشریح نمودند و از تحلیل پوششی داده‌ها به عنوان تنها تصمیم‌گیرنده در نمره دهی اعتباری استفاده کردند.

همچنین، از معدود مطالعات داخلی می توان به پژوهش غیوری مقدم (1388) اشاره داشت. این محقق در پژوهش خود به رتبه‌بندی اعتباری 281 شرکت پذیرفته شده در بورس اوراق بهادر تهران با استفاده از تکنیک تحلیل پوششی داده ها برای دوره زمانی 1384 تا 1386 پرداخت. نتایج حاصل از اجرای مدل بانکر، چارنز و کوپر[29]، BCC ورودی محور در سطح شرکت‌های موجود در بورس اوراق بهادر نشان داد که در میان 281 شرکت مورد بررسی تنها 38 شرکت امتیاز کارایی "یک" را کسب کردند و به منظور رتبه بندی این شرکت ها نسبت به یکدیگر از روش اندرسون-پیترسون استفاده شد. با توجه به نکات مطرح شده در ادبیات پژوهش و به منظور دستیابی به اهداف اساسی پژوهش شامل رتبه بندی مشتریان حقوقی بانک صادرات و در نهایت، بررسی تاثیر نوع صنعت بر معیارهای اعتباردهی، چارچوب نظری ارائه شده در شکل شماره 1 طراحی و دنبال شد.

 

 

 شکل 1- گام های پژوهش

 

 


روش‌شناسی پژوهش

مشخص کردن متغیرهای نهاده و ستاده، یکی از اقدامات مهم در استفاده از DEA است. انتخاب نهاده‌ها و ستاده‌های صحیح نقش مهمی در تفسیر، استفاده و مقبولیت نتایج حاصل از DEA  برای مدیران و سایر استفاده کنندگان از نتایج دارد. ماهیت الگوی مورد استفاده تحقیق در ارزیابی کارایی، یک‌سری متغیرهای اساسی تحقیق باید تعیین گردند که اطلاعات دربارة آنها می‌باید جمع‌آوری شود. با توجه به اطلاعات موجود در ترازنامه و صورت مالی شرکت ها، پس از انجام مصاحبه های متعدد با اساتید مالی و آشنا با مفهوم DEA و همچنین، با توجه مطالعات کتابخانه‌ای و مرور ادبیات، ورودی‌های مدل شناسایی و تعیین گردید که عبارتند از: تسهیلات مالی دریافتنی، سود انباشته، سایر اندوخته‌ها و سرمایه. به منظور تعیین متغیر های خروجی مدل به علت وجود ارتباط و وابستگی بین نسبت‌های مالی، فهرستی از انواع نسبت های مالی با توجه به مطالعات کتابخانه ای، مرور ادبیات و نظر اساتید مالی، جمع‌آوری شد. سپس از طریق ارائه پرسشنامه به اساتید و خبرگان بانکی، متغیرهای خروجی مدل بر اساس اهمیت، رتبه‌بندی شده و از هر چهار گروه نسبت‌های اصلی، یک نسبت تعیین شدند که عبارتند از: بازده دارایی، نسبت آنی، متوسط دوره وصول مطالبات و نسبت پوشش بهره. در مواردی که مقیاس یا معیار داده ها به شدت با هم متفاوت است، لازم است تفاوت معیار و یا مقیاس داده ها حذف شود. این کار با استفاده از نرمالایز سازی امکان پذیر است.

 

 

 

جدول 1- ورودی ها و خروجی های شناسایی شده

خروجی ها

ورودی ها

ROI

نسبت آنی

دوره وصول مطالبات

نسبت پوشش بهره

تسهیلات مالی دریافتی

سود انباشته

سایر اندوخته ها

سرمایه

               

 

 

اکنون با توجه به این که متقاضیان حقوقی دریافت تسهیلات از صنایع مختلفی هستند و استفاده از تحلیل پوششی داده‌ها در مورد آنها می‌تواند دارای اشکال باشد، بنابراین، پیش از استفاده از داده‌ها ضروری است تا فرایند نرمال سازی بر روی داده‌ها صورت پذیرد. برای این کار باید تمامی مقادیر متغیرهای ورودی و خروجی بر عددی واحد تقسیم شود. در این تحقیق، از متغیر ارزش بازار دارایی‌ها استفاده شد و با تقسیم متغیرها بر آن، داده های نرمالایز شده مبنای ورود به مدل قرار گرفتند . پس از بررسی اطلاعات و مشاوره با کارشناسان امر، در مرحله اول اسامی شرکت های تولیدی که از بانک صادرات تسهیلات دریافت کرده و در بورس اوراق بهادر تهران نیز حضور داشته باشند، از سرپرستی تهران استعلام شد. در مرحله بعد پس از بررسی بیشتر، طبق نظر کارشناسان و با در نظر گرفتن محدودیت هایی، شامل: اول این که سال مالی شرکت منتهی به پایان اسفند هر سال باشد؛ ثانیا معاملات سهام شرکت ها به طور مداوم طی سال های 1385 تا 1388 در بورس اوراق بهادر تهران صورت گرفته باشد، دیگر این که اطلاعات مالی مورد نیاز، به ویژه یادداشت‌های همراه صورت‌ها به منظور استخراج داده های مورد نیاز در دسترس باشد، 30 شرکت مورد مطالعه قرار گرفتند. علت انتخاب مشتریان حقوقی(شرکت‌ها) به عنوان جامعه آماری، در دسترس بودن داده‌های مالی موثق و حسابرسی شده آنهاست پس صرفا شرکت‌هایی انتخاب شده‌اند که در بورس اوراق بهادار نیز حضور داشته باشند.

 

 

جدول 2- شرکت های سی گانه به تفکیک صنعت

شرکت ها

تعداد

صنعت

ردیف

توسعه صنایع بهشهر، پارس مینو، لبنیات پاک، شیر پاستوریزه پگاه

4

صنایع غذایی

1

داروسازی لقمان­، داروسازی ابوریحان­، داروسازی­اسوه­، ایران­دارو

4

داروسازی

2

کابل­سازی تک­، ایران تراسفو­، پارس سوییچ

3

دستگاه های برقی

3

گروه بهمن، پارس خودرو، سایپا، ایران خورو

4

خودرو سازی

4

فولاد خوزستان، فولاد مبارکه اصفهان،  کالسیمین

3

فلزات اساسی

5

سیمان شاهرود ، سیمان هگمتان

2

گچ و سیمان

6

ماشین سازی اراک، پارس خزر، صنایع بسته بندی ایران، صنعتی آما

4

ماشین آلات و تجیزات

7

کارخانجات مخابراتی ایران، شیشه قزوین، کاشی سعدی، سرمایه­گذاری غدیر،توسعه معادن روی ایران، گلتاش

6

سایر(محصولات کانی فلزی ، غیر فلزی ، کاشی و سرامیک ، وسایل ارتباطی ، شمیایی و چندرشته ای)

8

    

 

در خصوص ماهیت مدل DEA در پژوهش نیز قابل ذکر است که انتخاب نوع ماهیت مدل: بستگی به میزان کنترلی دارد که مدیریت یک واحد تصمیم‌گیری می‌تواند بر روی داده‌ها یا ستاده‌ها اعمال کند. در این پژوهش از مدل BCC با ماهیت خروجی محور و بازده متغیر نسبت به مقیاس[30] برای ارزیابی کارایی نسبی شرکت‌ها استفاده شده است. از آنجا که در تحقیق حاضر هدف افزایش سطح خروجی هاست و نه کاهش ورودی ها،  براین مبنا از مدل BCC خروجی محور استفاده شد. همچنین، به علت استفاده از فرض بازده متغیر نسبت به مقیاس به علت عدم اطمینان از بازده ثابت نسبت به مقیاس از مدل بازده متغیر نسبت به مقیاس استفاده شده است (امامی میبدی،1384،138و139).

اکنون برای آزمون مدل لازم بود در مورد متغیرهای مورد نظر اطلاعات کافی جمع آوری گردد. در این مرحله با مراجعه به بانک های اطلاعاتی سیستم جامع اطلاع رسانی ناشران (شبکه کدال) و سازمان بورس اوراق بهادار ایران، اطلاعات لازم برای محاسبه ارزش واقعی متغیرها تحصیل شد و با اتکا به اطلاعات حاصله مقدار واقعی برای متغیرها تعیین گردید، چون در DEA توجه روی عملکرد حقیقی است. پس از محاسبه نمره‌ کارایی هر یک از شرکت ها به صورت جداگانه برای سال های متوالی 1385 تا 1388 و همچنین، محاسبه نمره‌های کارایی میانگین مقادیر ورودی ها و خروجی ها به عنوان یک دوره چهار ساله می توان به تحلیل و رتبه بندی اعتباری شرکت‌ها پرداخت.

 

جدول 3- آزمون پایایی با استفاده از محاسبه ضریب آلفای کرنباخ

مورد آزمون

تعداد آیتم‌ها

آلفای کرنباخ

نسبت‌های نقدینگی

4

920/0

نسبت‌های فعالیت

6

844/0

نسبت‌های اهرمی

6

865/0

نسبت‌های سودآوری

5

919/0

یافته‌های پژوهش

پس از این که مقایر ورودی و خروجی برای هر یک از شرکت های سی گانه مورد نظر بررسی شد، با استفاده از نرم‌افزار آنلاین DEAOS سعی شد میزان یا نمره کارایی هر یک از DMU­ها محاسبه شود. سپس داده های متناسب مطابق جدول ذیل به نرم­افزار وارد شد. شایان ذکر است که این نرم افزار به منظور محاسبه کارایی، اثربخشی­ و بهره­وری در عملکرد سازمان‌ها بر اساس مدل‌های تحلیل پوششی داده­ها طراحی و پیاده سازی شده است. با استفاده از این سیستم امتیاز کارایی نسبی واحدها محاسبه شده، واحدهای کارا و ناکارا تعیین می‌گردد. جدول شماره 3 به صورت کامل در پیوست آمده است.

 

 

جدول 4- مقادیر ورودی ها و خروجی های شرکت‌های مورد مطالعه

DMU

ورودی ها

خروجی ها

{Type}

ورودی اول

ورودی دوم

ورودی سوم

ورودی چهارم

خروجی اول

خروجی دوم

خروجی سوم

خروجی چهارم

عنوان

تسهیلات مالی دریافتی

سود انباشته

سایر اندوخته ها

سرمایه

بازده سرمایه گذاری

نسبت آنی

دوره وصول مطالبات

نسبت پوشش بهره

DMU1

4507/0

1312/0

0773/0

3532/0

1335/0

2354/1

1568/180

5034/2

DMU2

1801/0

3178/0

0507/0

5214/0

2781/0

0639/1

5125/24

3187/11

---

...

....

....

...

...

....

....

...

DMU30

2552/0

1586/0

0224/0

3741/0

1162/0

7632/0

9755/0

5376/4

 

 

پس از ورود مقادیر به نرم افزار نتایج حاصله به شرح زیر به دست آمد. البته، در این قسمت از آنجا که شماری از واحدها کارایی یک دارند و رتبه‌بندی آن واحدها نیز لازم بود، از روش اندرسون- پیترسون برای رتبه‌بندی واحدهای کارا استفاده شده که نتایج در جدول زیر مشخص است

.در این مرحله به منظور تعیین اهمیت ورودی‌ها و خروجی‌ها در هر صنعت از تحلیل حساسیت استفاده شده است. برای تجزیه و تحلیل حساسیت، نتایج با حذف یک عامل ورودی و یا خروجی از تمام DMUها مجددا محاسبه گردید. با حذف عامل‌های ورودی یا خروجی، اندازه کارآیی مناطق ممکن است افزایش کاهش یابد و یا بدون تغییر بماند. چنانچه با حذف یک ورودی میزان کارایی واحدی افزایش یابد، این موضوع بیانگر این مطلب خواهد بود که آن واحد دارای مازاد آن ورودی بوده، ورودی مذکور تاثیر بسزایی در کاهش کارایی واحد مورد بررسی دارد. چنانچه کارایی واحد مذکور نیز کاهش یابد، بدین معنا خواهد بود که واحد مذکور در استفاده از آن ورودی دقت لازم را به عمل آورده و ورودی مذکور تاثیر بسزایی در میزان کارایی واحد مورد بررسی داشته است. همین تجزیه و تحلیل را می‌توان در مورد حذف خروجی ها داشت. برای مثال، چنانچه حذف یک خروجی باعث افزایش کارایی واحدی گردد؛ یعنی آن واحد درکسب خروجی مذکور موفق نبوده و باید توجه بیشتری را برای افزایش خروجی مذکور داشته باشد و آن خروجی تاثیر بسزایی در ارتقای کارایی DMU مورد بررسی دارد.

 

 

جدول 5- نمره‌های کارایی نهایی شرکت ها به تفکیک صنعت

صنعت

نماد

شرکت

نمره کارایی

کارایی نهایی

رتبه

صنعت صنایع غذایی

DMU24

توسعه صنایع بهشهر

1

1.023

3

DMU26

پارس مینو

1

1.217

2

DMU29

لبنیات پاک

1

1.387

1

DMU30

شیر پاستوریزه پگاه

1

1.009

4

صنعت داروسازی

DMU25

داروسازی لقمان­

1

1.947

4

DMU1

داروسازی ابوریحان

1

2.798

1

DMU2

­داروسازی­اسوه­

1

2.003

3

DMU3

ایران­دارو

1

2.474

2

صنعت دستگاه های برقی

 

DMU27

کابل­سازی تک­

1

1.047

3

DMU14

ایران تراسفو­

1

1.264

2

DMU16

پارس سوییچ

1

1.270

1

صنعت خودرو سازی

DMU28

گروه بهمن

1

2.743

3

DMU7

پارس خودرو

1

2.673

4

DMU5

سایپا

1

2.956

1

DMU6

ایران خورو

1

2.859

2

صنعت فلزات اساسی

DMU12

فولاد خوزستان

1

2.641

1

DMU13

فولاد مبارکه اصفهان

1

2.635

2

DMU10

کالسیمین

1

1.961

3

صنعت گچ و سیمان

 

DMU8

سیمان شاهرود

1

1.958

1

DMU9

سیمان هگمتان

1

1.856

2

صنعت ماشین آلات و تجیزات

DMU19

ماشین سازی اراک

1

2.533

2

DMU20

پارس خزر

1

2.653

1

DMU15

صنایع بسته بندی ایران

1

2.047

3

DMU17

صنعتی آما

1

1.746

4

صنعت (سایر شرکت ها)

DMU18

کارخانجات مخابراتی ایران

1

1.876

5

DMU21

شیشه قزوین

1

2.694

3

DMU22

کاشی سعدی

1

3.451

2

DMU23

سرمایه­گذاری غدیر

1

2.166

4

DMU11

توسعه معادن روی ایران

1

3.986

1

DMU4

گلتاش

1

1.547

6

 

 

اکنون چنانچه حذف یک خروجی به کاهش میزان کارایی واحدی منجر گردد؛ یعنی اینکه DMU مورد بررسی دارای توفیق خوبی در کسب خروجی مذکور بوده و این خروجی تاثیر بسزایی در سطح کارایی واحد مذکور داشته است. بر این اساس، به تفکیک هر صنعت ورودی‌ها و خروجی‌ها به ترتیب حذف و میزان کارایی‌ها محاسبه شدند که بر اساس محاسبات میزان اهمیت ورودی­ها و خروجی‌ها برای صنایع مورد مطالعه به صورت جدول 6  قابل بیان است.

نتیجه‌گیری

در این پژوهش ابتدا سعی شد با استفاده از تکنیک‌های موجود راهکاری برای رتبه بندی مشتریان حقوقی بانک صادرات ایران ترسیم شود. نمره‌های کارایی نهایی به دست آمده که در جدول شماره 4 نشان داده شده است، بیانگر رتبه هر یک از مشتریان مورد مطالعه به تفکیک صنعت آنهاست. از نکات قابل ذکر که وجه تمایز این پژوهش نسبت به سایر پژوهش‌های مشابه نیز محسوب می‌گردد، این است که مشتریان به تفکیک صنعت مطالعه شده‌اند. چنانکه قبلا نیز ذکر شد استفاده از تحلیل پوششی داده در صورت بی‌توجهی به نوع صنعت شرکت‌ها نتایج را دچار خدشه می سازد. بر این اساس در این پژوهش فرایند نرمال سازی روی داده‌ها انجام پذیرفته است. برادلی و همکارانش در پژوهشی به این نتیجه دست یافتند که که نوع صنعت به طور مؤثری بر نسبت بدهی شرکت‌ها تاثیر دارد (برادلی، جارل و کیم[31]، 1984)؛ به این معنا که بی‌توجهی‌ به نوع صنعت به طور خاص در رتبه بندی مشتریان بانک ها خطائی مشهود است.

 

 

جدول 6- رتبه اهمیت ورودی ها و خروجی ها به تفکیک نوع صنعت

صنعت

ورودی ها

خروجی ها

ورودی و

خروجی ها

 

صنایع

تسهیلات مالی دریافتی

سود انباشته

سایر اندوخته ها

سرمایه

بازده سرمایه گذاری

نسبت آنی

دوره وصول مطالبات

نسبت پوشش بهره

Input 1

Input 2

Input 3

Input 4

Output 1

Output 2

Output 3

Output 4

صنایع غذایی

3

1

4

2

1

2

3

4

داروسازی

3

2

4

1

1

3

2

4

دستگاه های برقی

1

2

4

3

2

4

1

3

خودرو سازی

3

2

4

1

2

3

4

1

فلزات اساسی

2

4

3

1

2

3

4

1

گچ و سیمان

2

4

3

1

2

4

3

1

ماشین آلات و تجهیزات

3

1

4

2

3

2

1

4

سایر

3

2

4

1

1

3

4

3

 


بر اساس محاسبات صورت گرفته در جدول شماره 5، اولویت ورودی‌ها و خروجی‌ها برای صنایع مختلف دارایی تفاوت‌هایی بوده است. باتوجه به جدول فوق، مهمترین متغیر ورودی در صنایع داروسازی، خودروسازی، فلزات اساسی، گچ و سیمان و سایر صنایع، متغیر سرمایه و در صنایع غذایی و ماشین آلات، متغیر سود انباشته و در صنعت دستگاه‌های برقی، متغیر تسهیلات مالی دریافتنی شناخته شدند. تسهیلات مالی دریافتنی، بخش اعظمی از منابع مالی مورد نیاز شرکت‌ها را تشکیل می‌دهد. عدم موفقیت بانک در وصول تسهیلات مالی پرداختنی به معنی از دست رفتن بخش عظیمی از دارایی‌های بانک است. از این رو، به منظور کاهش ریسک اعتباری و خطر عدم بازپرداخت تسهیلات، با استفاده از روش‌های مختلف سعی در ارزیابی بهتر متقاضیان اعتباری دارند (اکبری، 1385). دومین متغیر ورودی در صنایع داروسازی، دستگاه­های برقی، خودروسازی و سایر صنایع متغیر سود انباشته و در صنایع غذایی و ماشین­آلات، متغیر سرمایه و در صنایع فلزات اساسی و گچ و سیمان، متغیر تسهیلات مالی دریافتنی است. در مجموع، مهمترین متغیر ورودی به تفکیک نوع صنعت، سرمایه است. سرمایه از مهمترین عوامل تجارت و بزرگترین وسیله جلب منفعت است. هر شرکت باید دارای سرمایه باشد، تا بتواند نتیجه‌ای از عملیات خود که تجارت است، برده و منتفع شود. اهمیت شرکت‌های تجارتی را از سرمایه آنها می توان درک نمود. شرکت‌هایی که سرمایه آنها بیشتر است، توانایی پرداخت اصل و فرع بدهی‌های آنها نیز بیشتر است. در نتیجه ریسک مالی آنها کمتر است. به عبارت دیگر، اهرم مالی آنها کمتر و نسبت مالکانه آنها بیشتر است (وستون و همکاران، 1380). مهمترین متغیر خروجی در صنایع غذایی، داروسازی و سایر صنایع، متغیر بازده دارایی و در صنایع خودروسازی، فلزات اساسی و گچ وسیمان، متغیر نسبت پوشش بهره و در صنایع دستگاه‌های برقی و ماشین‌آلات و تجهیزات، متوسط دوره وصول مطالبات است. نسبت پوشش هزینه بهره برای این است که تعیین کنیم آیا شرکت می‌تواند بهره بدهی‌های پرداخت نشده اش را پرداخت کند یا خیر. هر چه مقدار پوشش هزینه بهره کمتر باشد، شرکت بیشتر زیر بار مسؤولیت هزینه بهره می رود و بالعکس. این خاصیت نسبت پوشش بهره باعث شده است تا به عنوان یکی از نسبت‌های اساسی مطرح خاصه برای مؤسسات اعتباری و بانک‌ها برای ارزیابی مشتریانشان لحاظ شود (وستون و همکاران، 1380). دومین متغیر خروجی در صنایع دستگاه‌های برقی، خودروسازی، فلزات اساسی و گچ وسیمان، متغیر بازده دارایی و در صنایع غذایی و ماشین آلات و تجهیزات و سایرصنایع، متغیر نسبت آنی و در صنعت داروسازی، متغیر متوسط دوره وصول مطالبات است. در مجموع، مهمترین متغیر خروجی به تفکیک نوع صنعت، نسبت بازده دارایی است. نسبت بازده دارایی کارایی عملیاتی مؤسسات را نشان می‌دهد. بسیاری از تحلیل‌گران این نسبت را شاخص نهائی برای تشخیص کفایت و کارایی مدیریت در اداره امور واحد تجاری می دانند؛ زیرا این نسبت نشانه توانایی مدیریت در به کارگیری سودآور دارایی‌هاست. نسبت مذکور هر چه بالاتر باشد، حکایت از مدیریت مناسب دارایی‌ها در فرایند کسب سود است (اکبری، 1385). از همین رو، با توجه به تاٌثیر نوع صنعت در رتبه اهمیت متغیرهای ورودی و خروجی، ضروری است که در مورد علت این موضوع تحقیقات بیشتری انجام شود.

در پایان، پیشنهاد می‌شود در تحقیقی جداگانه، تاثیر اندازه شرکت بر چگونگی انتخاب معیارهای اعتبار دهی به متقاضیان حقوقی دریافت تسهیلات بررسی شود. همچنین، پیشنهاد می‌گردد در پژوهش‌های آتی وزن ورودی و خروجی‌های مدل تعیین و از تکنیک تحلیل پوششی داده­های موزون استفاده گردد که موجب دقیق‌تر شدن نتایج به دست آمده از تحلیل پوششی داده‌ها می‌شود. از آنجا که لزوما تمامی مشتریان بانک، خاصه مشتریان حقوقی، در بورس اوراق بهادار حضور ندارند، بنابراین، لازم است پژوهش‌هایی به منظور ارزیابی شرکت‌های خارج از بورس انجام شود. پیشنهاد می‌شود از این مدل به عنوان یک سیستم پشتیبان تصمیم‌گیری در اعطای تسهیلات در تمام سطوح عملیات بانکی استفاده شود، ضمن این که با استقرار این سیستم و تعیین رتبه و جایگاه مشتریان، این امکان برای سیستم بانکی فراهم شود که نرخ سود تسهیلات اعطایی هر مشتری را بر اساس رتبه و جایگاه (ریسک) هر مشتری مشخص نماید.

پیوست:

مقادیر ورودی ها و خروجی های شرکت های مورد مطالعه

DMU

ورودی ها

خروجی ها

{Type}

Input 1

Input 2

Input 3

Input 4

Output 1

Output 2

Output 3

Output 4

DMU1

0.450702

0.131293

0.077357

0.353289

0.13355

1.235414

180.1568

2.503469

DMU2

0.180144

0.317838

0.050711

0.521472

0.278112

1.063974

24.51256

11.31871

DMU3

0.169854

0.088008

0.010948

0.38549

0.196111

0.454159

2.069893

1.563466

DMU4

0.338772

0.213308

0.015474

0.271854

0.122542

0.307926

12.85512

7.454366

DMU5

0.237497

0.160835

0.020766

0.385459

0.142978

0.740223

82.27491

6.987912

DMU6

0.378226

0.008515

0.005579

0.086277

0.031514

0.422305

50.53707

0.829389

DMU7

0.194441

0.05445

0.026789

0.399181

0.124299

0.630162

19.76677

5.329887

DMU8

0.243478

0.779513

3.415116

0.274581

0.098028

5.767094

16.59487

12.15241

DMU9

0.151207

1.181346

0.188832

0.339967

0.08579

1.398117

8.086534

17.09826

DMU10

0.176729

0.063578

0.011947

0.391973

0.25338

1.095233

15.78542

2.075011

DMU11

0.12857

0.519315

2.750781

0.545068

0.178827

1.932834

9.496207

10.03441

DMU12

0.083336

0.217956

0.021961

0.291976

0.109606

0.851013

4.01118

7.66039

DMU13

0.058638

0.946078

0.006614

0.577104

0.189723

1.686996

2.907205

9.516512

DMU14

0.169852

38.05025

0.173335

0.261168

0.118988

0.800874

3.916159

8.989109

DMU15

0.647718

379.598

0.09576

0.086202

0.102607

0.713755

4.137703

41.38993

DMU16

0.218213

0.27636

0.013959

0.371067

0.104018

1.978476

3.834893

0.685876

DMU17

0.168844

0.230497

0.025746

0.527051

0.165332

0.298422

1.931912

42.04944

DMU18

0.093986

0.179541

0.430754

0.106075

0.026862

0.530648

4.11464

9.934663

DMU19

0.428668

0.09767

0.250708

0.044434

0.040738

0.752293

1.470418

0.501695

DMU20

0.143919

0.124122

0.012738

0.320313

0.165722

0.359479

8.764435

1.915997

DMU21

0.065617

0.813898

0.003373

0.141918

0.004161

0.301298

3.320558

3.757832

DMU22

0.263121

14.70717

0.009244

0.118744

1.814651

2.221739

2.959846

5.194918

DMU23

0.02808

0.192145

0.279615

0.869799

0.122839

2.411495

27.14614

17.65457

DMU24

0.206735

1.62185

0.01241

0.507645

0.095418

0.890663

187.0593

3.617015

DMU25

0.318216

1.424109

0.011313

0.280193

0.091879

0.946446

190.4068

3.861765

DMU26

0.22192

0.1373

0.005353

0.218696

0.023895

1.229788

202.4516

5.332124

DMU27

1.008097

4.101488

0.002599

0.412743

0.175313

0.283334

8.587005

0.893153

DMU28

0.601254

0.743406

0.542279

1.270346

0.218925

0.590256

155.5102

3.661603

DMU29

0.347056

2.489297

0.015056

0.351344

0.111312

0.696572

172.0369

2.829858

DMU30

0.255214

0.158641

0.022432

0.374411

0.116251

0.763275

0.975547

4.537635



[1] Lee, Chiu, Lu, & Chen

[2] Yang & Yuan

[3] Vendrell R.Smith

[4] Wu & Lin

[5] David

[6] character

[7] capacity

[8] capital

[9] collateral

[10] condition

[11] liquidity

[12] activity

[13] profitability

[14] potential

[15] people

[16] product

[17] protection

[18] payments

[19] perspective

[20] Langohr

[21] Thomas

[22] Altman

[23] Petr

[24] Vassiliki

[25] Malhotra, & Rashmi

[26] dieka

[27] Halkos & Salamouris

[28] Data Envelopment Analysis (DEA)

[29] Banker-Charnes-Cooper

[30] Variable Return to Scale

[31] Bradley, Jarrell, & Kim

 

 

 

الوانی، سید مهدی و آذر، عادل و دانایی­فر، حسن. (1386). روش­شناسی در پژوهش کمی مدیریت: رویکردی جامع، انتشارت اشراقی، تهران.

امامی میبدی، علی. (1379). اصول اندازه‌گیری کارایی و بهره­وری مؤسسه مطالعات و پژوهش‌های بازرگانی، ص 138-139.

خواجوی، شکراله و غیوری مقدم، علی و غفاری محمدجواد. (1389). تکنیک تحلیل پوششی داده­ها مکملی برای تحلیل سنتی نسبت­های مالی، مجله بررسی­های حسابداری و حسابرسی­، دوره 17، شماره60 ،ص 41-56 .

غیوری مقدم، علی. (1388). رتبه بندی اعتباری از لحاظ توان مالی پرداخت اصل و فرع بدهی­ها با استفاده از تکنیک تحلیل پوششی داده­ها (مورد مطالعه: شرکت های پذیرفته شده در بورس اوراق بهادار تهران) ، پایان­نامه کارشناسی ارشد ، دانشگاه شیراز، دانشکده اقتصاد و علوم اجتماعی.

محمدی علی. (1386). کاربرد تکنیک برنامه­ریزی ریاضی برای تجزیه و تحلیل صورت­های مالی شرکت­های داروسازی، مجله علوم اجتماعی و انسانی دانشگاه شیراز، دوره 26، شماره 1، ص135- 117.

مهرگان محمدرضا. (1388). مدل‌های کمی در ارزیابی عملکرد سازمان‌ها (تحلیل پوششی داده‌ها)، انتشارات دانشکده مدیریت، دانشگاه تهران، ص 108.

وستون جی فرد و بریگام یوجین اف. (1380). مدیریت مالی، حسین عبده تبریزی، چاپ 23، انتشارات آگاه، صص 63-31.

اکبری، فضل الله. (1385). تجزیه و تحلیل صورتهای مالی، مرکز تحقیقات تخصصی حسابداری و حسابرسی سازمان حسابرسی، چاپ هشتم.

انستیتو بانکداران خاورمیانه به نشانی:

http://www.mibgroup.ir

Altman, E. (1968). "financial ratio, disciminant analysis and the prediction of corporate bankruptcy". journal of finance Xxiii(4), 589–609.

Bradley, M., Jarrell, G. A., & Kim, E. H. (1984). "On the Existence of an Optimal Capital Structure: Theory and Evidence". Journal of Finance, 39(3), 857-878.

Malhotra d.k,., & Rashmi, m. (2008). "analyzing financial statements using data envelopment analysis". Commercial lending review, 23, 25–31.

David, W. (2000). "Neural network credit scoring models". Computers & Operations Research, 27(11-12), 1131-1152.

Halkos, G. E., & Salamouris, D. S. (2004). "Efficiency measurement of the Greek commercial banks with the use of financial ratios: a data envelopment analysis approach". Management Accounting Research, 15(2), 201-224.

Langohr, H. M., & Langohr, P. T. (2008). The rating agencies and their credit ratings : what they are, how they work and why they are relevant: John Wiley.

Lee, T.-S., Chiu, C.-C., Lu, C.-J., & Chen, I. F. (2002). Credit scoring using the hybrid neural discriminant technique. Expert Systems with Applications, 23(3), 245-254.

Petr, H. (2011). Municipal credit rating modelling by neural networks. Decision Support Systems, 51(1), 108-118.

Thomas, L. C. (2000). "A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers". International Journal of Forecasting, 16(2), 149-172.

Vassiliki, L. P. (2010). Credit rating agencies and global financial crisis: Need for a paradigm shift in financial market regulation.[DOI: 10.1108/10867371011048643]. Studies in Economics and Finance, 27(2), 161-174.

Wu, J., & Lin, Z. (2005). Research on customer segmentation model by clustering. Paper presented at the Proceedings of the 7th international conference on Electronic commerce.

Yang, G., & Yuan, X.-c. (2007). Bank Customer Classification Model Based on Elman Neural Network Optimized by PSO Authorized licensed use limited to: Gonzaga University.