عوامل مؤثر بر شکل‌گیری مطالبات غیرجاری در نظام بانکی کشور: مطالعه موردی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار دانشکده اقتصاد، دانشگاه علامه طباطبائی

2 استاد دانشکده اقتصاد، دانشگاه علامه طباطبائی

3 دانشیار دانشکده علوم ریاضی و رایانه، دانشگاه علامه طباطبائی

4 دانشجوی دکتری علوم اقتصادی، دانشکده اقتصاد، دانشگاه علامه طباطبائی

چکیده

پژوهش حاضر به‌منظور شناسایی عوامل مؤثر بر شکل‌گیری مطالبات غیرجاری در نظام بانکی کشور براساس مطالعه موردی یکی از بانک‌های کشور با روش تحقیق توصیفی از نوع پیمایشی صورت گرفته‌ است. جامعه آماری، شعب بانک‌ مورد نظر در کل کشور است که با روش نمونه‌گیری تصادفی ساده انجام شده است همچنین برای جمع‌آوری داده‌ها از ابزار پرسشنامه استفاده شده که دارای روایی محتوا و پایایی مطلوب با روش ضریب آلفای کرونباخ به میزان 80 درصد بوده ‌است. تجزیه و تحلیل داده‌ها با نرم‌افزار SPSS و آزمون آماری تحلیل عاملی اکتشافی انجام گرفته ‌است. نتایج تحقیق حاکی از آن است که مهم‌ترین عوامل مؤثر بر افزایش مطالبات غیرجاری در نظام بانکی کشور عبارت‌اند از: عدم انطباق وثایق و تضمینات با ضوابط و سیاست‌های اعتباری داخلی بانک، محدودیت‌های فنی و تخصصی اعتباری، فرایند نامناسب نظارت بر مصرف تسهیلات و وصول مطالبات، سیاست‌های ناقص تعیین نرخ سود و وجه التزام، الزامات و محدودیت‌های قانونی، تحریم‌های اقتصادی، فضای کسب‌وکار و اعتبار‌سنجی که از عوامل و دلایل زیربنایی مطالبات غیرجاری قلمداد شده‌‌اند. این هفت عامل توانسته‌اند بیش از 46 درصد واریانس متغیر وابسته یا مطالبات غیرجاری در نظام بانکی را تبیین کنند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Factors Shaping the Non-performing Loans in Iranian Banking System: A Case Study

نویسندگان [English]

  • Taimor mohamadi 1
  • Abbas shakeri 2
  • Farzad Eskandari 3
  • Davoud Karimi 4
1 U
2 U
3 U
4 S
چکیده [English]

This study aims to identify efficient factors shaping the non-performing loans in Iranian banking system. The Post bank is a case study which has been analyzed by using a survey method (random sampling). The statistical population is all post bank’s branches throughout the country including 151 of managers, province deputy managers, branch managers, credit and legal and debt collection specialists, and branch inspectors that have been selected randomly. To collect data, this study has used researcher-made questionnaire which has concept validity, reliability via Cranach's alpha coefficient rated 80%.
            The main method on data analyses in the paper is Exploration Analytical method which carried out through SPSS software. The results indicate that the most significant elements shaping Non-performing loans in Post bank are discrepancy between collaterals and loans, lack of proficiency towards credit assessment, insufficient supervision on using and paying back process of loans, inadequate interest rate and payment penalty policies, legal restrictions, economic sanctions, and inappropriate business environment and credit assessment. These seven factors constitute 46% of dependent variable (banking non-performing loans) variance.

کلیدواژه‌ها [English]

  • Remainder of Given Loans
  • Non-performing Loans
  • Credit Risk
  • Post Bank
  • Factor Analysis
1. اخباری، مهدیه و محمد اخباری (1389). «پیش‌بینی رتبه‌بندی اعتباری مشتریان بانک‌ها با رویکرد هوش مصنوعی»، فصلنامه پول و اقتصاد، ش 3.

2. اختیاری، مصطفی (1391). «معرفی یک روش ویکور توسعه‌یافته برای رتبه‌بندی اعتباری مشتریان بانک‌ها»، فصلنامه علمی ـ پژوهشی مطالعات مدیریت صنعتی، سال نهم، ش 25.

3. امینی، علیرضا، علی حقیقت و فاطمه همتی (1389). «بررسی و تحلیل مطالبات معوق شبکه بانکی استان قزوین (چالش‌ها و راهکارها)»، مجله اقتصادی ـ ماهنامه بررسیمسائلوسیاست‌هایاقتصادی، ش 9 و 10.

4. تهرانی، رضا، محسن محمدی و امیر‌محمد رحیمی (1388). «نظام سنجش اعتبار و جایگاه آن در بهبود نظام تأمین مالی»، اجلاس بین‌المللی توسعه نظام تأمین مالی در ایران، تهران، مرکز مطالعات تکنولوژی دانشگاه شریف.

5. جلیلی، محمد (1388). «نظام جامع سنجش اعتبار، راهکار عملیاتی در توسعه نظام تأمین مالی کشورها»، مجموعه مقالات اولین کنفرانس بین‌المللی توسعه نظام تأمین مالی در ایران، جلد اول، تهران، مرکز مطالعات تکنولوژی دانشگاه شریف.

6. حسابی، فرشید (1391). «عوامل مؤثر بر ریسک اعتباری و سودآوری بانک‌ها»، پایان‌نامه کارشناسی ارشد، تهران، دانشگاه مؤسسه عالی آموزش بانکداری ایران.

7. حیدری، هادی، زهرا زواریان و ایمان نوربخش (1390). «بررسی اثر شاخص‌های کلان اقتصادی بر مطالبات معوق بانک‌ها»، فصلنامه پژوهش‌های اقتصادی، سال یازدهم، ش 1.

8. دستورالعمل طبقه‌بندی دارایی‌های مؤسسات اعتباری پیوست بخشنامه شماره مب / 2823 تاریخ5/12/1385 بانک مرکزی جمهوری اسلامی ایران.

9. رستمیان، فروغ و داود طبسی (1389). «بررسی عوامل مؤثر در ایجاد مطالبات معوق بانک‌های تجاری مناطق آزاد تجاری ـ صنعتی (مورد مطالعه ـ شعب بانک ملت منطقه آزاد کیش)»، پژوهش‌های حسابداری مالی و حسابرسی، دوره 2، ش 6.

10. سرمد، زهره، عباس بازرگان و الهه حجازی (1391). روش‌های تحقیق در علوم رفتاری، چاپ بیست‌وسوم، تهران، انتشارات آگاه.

11. سیف، ولی‌اله (9/3/1393). «علل افزایش مطالبات معوق در شبکه بانکی»، بانک مرکزی،http://www.cbi.ir/showitem/11836.aspx .

12. شعبانی، احمد و عبدالحسین جلالی (1390). «دلایل گسترش مطالبات معوق در نظام بانکی ایران و بیان راهکارهایی برای اصلاح آن»، فصلنامه علمی پژوهشی برنامه‌ریزی و بودجه، سال شانزدهم، ش 4.

13. شکروی، سمیه و هاجر مرادیان (1389). «ارزیابی عملکرد بانک‌های دچار ورشکستگی طی بحران مالی جهانی»، راهبرد یاس، ش 21.

14. صاحب فصول، سروش (1389). «نظام سنجش اعتبار در ایران»، ماهنامه بازار بین‌الملل، ش 6.

15. صفری، سعید، مرضیه ابراهیمی و محمدجواد شیخ (1389). «مدیریت ریسک اعتباری مشتریان حقوقی در بانک‌های تجاری با رویکرد تحلیل پوششی داده‌ها (رتبه‌بندی اعتباری)»، پژوهش‌های مدیریت در ایران، دوره 14 ، ش 4.

16. طاهری، ماندانا (1391). «بانک‌ها در معرض ریسک تغییر قوانین بانکی»، فصلنامه تازه‌هایاقتصاد، ش 138.

17. عیسی‌زاده، سعید و حامد منصوری (1387). «برآورد ریسک و ظرفیت اعتباری مشتریان بانک تجارت با استفاده از شبکه‌های عصبی»، فصلنامه بصیرت، سال شانزدهم، ش 42.

18. فراهانی، مریم (1391). «بررسی تأثیر شاخص‌های کلان اقتصادی و سیاست‌های پولی بر وام‌دهی بانک‌ها»، پایان‌نامه کارشناسی ارشد، تهران، دانشگاه الزهرا (س).

19. کاظمی، ابوالفضل، جواد قاسمی و وحید زندی (1390). «رتبه‌بندی اعتباری مشتریان حقیقی بانک‌ها با استفاده از مدل‌های مختلف شبکه‌های عصبی: مطالعه موردی یکی از بانک‌های خصوصی ایران»، فصلنامه علمی ـ پژوهشی مطالعات مدیریت صنعتی، سال نهم، ش 23.

20. کاوه فیروز، علی و محمدرضا ایران‌نژاد (1388). «بررسی وضعیت مطالبات معوق شبکه بانکی کشور»، فصلنامه دانش ارزیابی، سال اول، ش 2.

21. کردبچه، حمید و لیلا نوش‌آبادی (1390). «تبیین عوامل مؤثر بر مطالبات معوق در صنعت بانکداری»، فصلنامه پژوهش‌های اقتصادی ‌ایران، سال شانزدهم، ش 49.

22. کلانتری، خلیل (1387). پردازش و تحلیل داده‌ها در تحقیقات اجتماعی ـ اقتصادی با استفاده از نرم‌افزار SPSS، تهران، انتشارات فرهنگ صبا.

23. کلاین، پل (1380). راهنمای آسان تحلیل عاملی، ترجمه سیدجلال صدرالسادات و اصغر مینایی، انتشارات سمت.

24. مؤسسه عالی آموزش بانکداری ایران (1389). گزارش‌های عملکرد نظام بانکی کشور، تهران.

25. _____ (1393). گزارش‌های عملکرد نظام بانکی کشور، تهران.

26. محمودآبادی، حمید و علی غیوری مقدم (1390). «رتبه‌بندی اعتباری ازلحاظ توان مالی پرداخت اصل‌ و فرع بدهی‌ها با استفاده از شیوه تحلیل پوششی داده‌ها (مورد مطالعه: شرکت‌های پذیرفته‌ شده در بورس اوراق بهادار تهران)»، مجله دانش حسابداری، سال دوم، ش 4.

27. مدرسی، احمد و سیدمرتضی ذکاوت (1382). «مدل‌های ریسک اعتباری مشتریان بانک‌ها (مطالعه موردی)»، دو ماهنامه حسابرس، سال پنجم، ش 19.

28. مهدی‌زاده، سجاد (1392). «تخمینى از آثار انقباضى مطالبات غیر‌جاری بانک‌ها بر رشد اقتصادی با استفاده از رهیافت بازخوردى». بیست و سومین کنفرانس سالانه سیاست‌های پولی و ارزی، پژوهشکده پولی و بانکی.

29. مهرآرا، محسن، میثم موسایی، مهسا تصوری و آیت حسن‌زاده (1388). «رتبه‌بندی اعتباری مشتریان حقوقی بانک پارسیان»، فصلنامه مدل‌سازیاقتصادی، سال سوم، ش 3.

30. میرزایی، حسین، رافیک نظریان و رعنا باقری (1390). «بررسی عوامل مؤثر بر ریسک اعتباری اشخاص حقوقی بانک‌ها (مطالعه موردی شعب بانک ملی ایران، شهر تهران)»، فصلنامه روندپژوهش‌هایاقتصادی، سال نوزدهم، ش 58.

31. نیلساز، حمید، عبدالرحمن راسخ، علیرضا عصاره و حسنعلی سینایی (1386). «کاربرد شبکه‌های عصبی در رتبه‌بندی اعتباری فروش اقساطی متقاضیان وام»، فصلنامه پژوهش‌های اقتصادی ‌ایران، سال نهم، ش 32.

32. هنری مهر، معصومه (1390). «بررسی ارتباط ریسک اعتباری با مطالبات معوقه بانک‌ها»، تهران، پایان‌نامه کارشناسی ارشد، دانشگاه الزهرا.

33. هومن، حیدرعلی (1385). تحلیل داده‌های چندمتغیره در پژوهش رفتاری، تهران، پیک فرهنگ.

هومن، حیدرعلی و علی عسگری (1384). «تحلیل عاملی، دشواری‌ها و تنگناهای آن»، مجله روان‌شناسی و علوم تربیتی، سال 35، ش 2.

34. Abadi, Setiawan, Azam Achsani and Dwi Rachmina (2014). "The Dynamics of Non-performing Loan in Indonesian Banking Industry: Asensitivity Analysis Using Vecm Approach, International Journal of Education and Research,Vol. 2, No. 8.

35. Abdou, H. and et al. (2007). "Neural Nets Versus Conventional Techniques in Credit Rating in Egyptian Banking", Expert System With Application; doi: 10.1016 / j. eswa.

36. Alizadeh Janvisloo, Mohammadreza and Junaina Muhammad (2013). "Non-Performing Loans Sensitivity to Macro Variables: Panel Evidence from Malaysian Commercial Banks", American Journal of Economics, 3(5C): DOI: 10.5923/c.economics.201301.04.

37. Allen, J. (1995). "A Promise of Approvals in Minutes, not Hours", American Banker, Vol. 28.

38. Altman, E. and et al. (1968). "Financial Rations Discriminate Analysis and the Prediction of Corporate Bankruptcy", The Journal of Finance, 4.

39. Altman, E. I. and H. A. Rijken (2004). "How Rating Agencies Achieve Rating Stability", Journal of Banking and Finance, Vol. 28, No. 11.

40. Beaver, W. (1996). "Financial Rations as Predictors of Failure", Journal of Accounting Research 5.

41. Bryant, K. (2001). "Alles: an Agricultural Loan Evaluation Expert System", Expert System With Application, Vol. 21.

42. Carey, M. and M. Hrycay (2001). "Parameterizing Credit Risk Models with Rating Data", Journal of Banking and Finance, Vol. 25, No. 1.

43. Castro, Vítor (2012). "Macroeconomic Determinants of the Crediit Risk in the Banking System:The Case of the GIPSI", University of Coimbra and NIPE, Portugal, NIPE WP 11/ 2012.

44. Desai, V. S. (1996). "A Comparison of Neural Networks and Linear Rating Models in the Credit Union Environment", European Journal of Operational Research, Vol. 95.

45. Dimitras, A. and et al. (1999). "Business Failure Prediction Using Rough Sets", European Journal of Operational Research, Vol. 7, No. 3.

46. Emel, A. B. and et al. (2003). "A Credit Rating Approach for the Commercial Banking Sector", Journal of Socio-Economic Planning Sciences, Vol. 37.

47. Espinoza, Raphael and Ananthakrishnan Prasad (2010). "Nonperforming Loans in the GCC Banking System and their Macroeconomic Effects", IMF Working Paper, Middle East and Central Asia Department, WP/10/224.

48. Huang, J. J. and et al. (2006). "Two-stage Genetic Programming (2SGP) for the Credit Rating Model", Applied Mathematics and Computation, Vol. 174, 080030.

49. Lee, T. S. and et al. (2002). "Credit Rating Using a Hybrid Neural Discriminant Technique", Journal of Expert Systems With Applications, Vol. 23.

50. Lee, T. S. and I. F. Chen (2005). "A Two-stage Hybrid Credit Rating Model Using Artificial Neural Networks and Multivariate Adaptive Regression Alpines", Expert System with a Application, Vol. 28.

51. Liu ,Yi-cheng and Wen Yang (2010). "What Caused the Soaring Non-Performing Loans in Taiwan from the Late 1990s to the Beginning of 2000s? Evidence from Panel Data of Domestic Banks", International Journal of Information and Management Sciences 21.

52. Louzis, Dimitrios P., Angelos T. Vouldis and Vasilios L. Metaxas (2011). "Macroeconomic and Bank-specific Determinants of Non-performing Loans in Greece: A Comparative Study of Mortgage, Business and Consumer Loan Portfolios", Journal of Banking & Finance, doi:10.1016/j.jbankfin.

53. Lung, Huang C. and et al. (2007). "Credit Rating with a Data Mining Approach Based on Support Vector Machines", Expert System With Application, Vol. 32.

54. Makri, Vasiliki (2014). "Determinants of Non-Performing Loans: The Case of Eurozone", Department of Business Administration, University of Patras, Greece Pano Economicus, 2014, 2.

55. Min, J. H. and Y. C. Lee (2007). "A Practical Approach to Credit Rating", Journal of Expert Systems With Applications, doi:10.1016/j.eswa, 08.070.

56. Moinescu, Bogdan-Gabriel (2012). "Determinants of Nonperforming Loans in Central and Eastern European Countries: Macroeconomic Indicators and Credit Discipline", REBS (Review of Economic and Business Studies), Vol. 5, Issue 2.

57. Pestova, Anna (2012). "Predicting Aggregate Credit risk of the Banking Sector: Dynamic Panel Data Analysis", Center for Macroeconomic Analysis and Short-term Forecasting, National Research University-Higher School of Economics, Moscow, 32nd International Symposium on Forecasting.

58. Pestova, Anna and Mikhail Mamonov (2013). "Macroeconomic and Bank Specific Determinants of Credit Risk: Evidence from Russia", Economics Education and Research Consortium, Working paper No 13/10E.

59. Roy, B. (1991). "The Outranking Approach and the Foundation of Electre Methods", Theory and Decision, Vol. 31.

60. Treacy, William F. (1998). "Credit Risk Rating System at Large U.S Bank", Journal of Banking and Finance, Vol. 24.

61. Wehrspohn, U. (2002). "Credit Risk Evaluation: Modeling-Analysis-Management", PhD Dissertation, Faculty of Economics, Heidelberg University.

West, D. (2000). "Neural Network Credit Rating models", Journal of Computers & Operations Research, Vol. 27.

62. Yang, Z. R., M. B. Platt and H. D. Platt (2001). "Probabilistic Neural Networks in bankruptcy prediction", Journal of Business Research, 44 (2).

63. Yap, G. (2011). "Modelling the Risk of Banking System Instability in Indonesia Using a Cross-sectional Dependence Panel Data Model", 19th International Congress on Modelling and Simulation, Perth, Australia.

64. Yeh, Q. J. (1996). "The Application of Data Envelopment Analysis in Conjunction with Financial Rations for Bank Performance Evaluation", European Journl of Operational Research Society, Vol. 47, No. 8.