۱، ۹۳)
۲-۸) حد کفایت سرمایه :
یکی از مهمترین بررسی ها و توصیه هایی که در تصمیمات کمیته بال ۱ مطرح و پس از آن در کمیته بال ۲ توسعه یافته وتکمیل گردید مبحث کفایت سرمایه در بانک ها بود.
کمیته بال دریافته بود که هریک از دارائیهای بانک و بخصوص اعتبارات تخصیص یافته به مشتریان، ممکن است ریسکی را به بانک تحمیل نماید. لذا اگر این ریسک به نحو صحیح مدیریت نشود می تواند بانک را با خطر ور شکستگی روبرو نماید. یکی ازمهمترین روشها برای مدیریت کردن این ریسک کنار گذاشتن سرمایه لازم متناسب با ریسک آن دارائی به منظور پوشش خطر احتمالی میباشد.
بدین منظور برای هر دارایی ضریبی از ریسک رادر نظر گرفته وبا ضرب کردن آن ضریب در مبلغ اصطلاحاً دارایی مذکور بر اساس ریسک موزون می کنند. این کار برای کلیه دارایی ها شامل کلیه وام ها و تعهداتی که بانک در قبال مشتریان خود می پذیرد انجام می شود تا در نهایت همه دارائیها براساس ریسک نهفته در آنها موزون گردد.
اگر سرمایه پایه بانک بر کل دارائیهای موزون شده به ریسک تقسیم شود نسبتی بدست می آید که به آن نسبت کفایت سرمایه میگویند. براساس توصیه های کمیته بال، در صورتی که بانک بخواهد پوشش موثری برای دارائیهای موزون شده به ریسک ایجاد نماید نسبت کفایت سرمایه حداقل باید بیش از ۸% باشد. امروزه این نسبت در بانک ها می تواند به عنوان شاخص بسیار مهمی در ارزیابی ریسک کلی دارائیهای بانک محسوب شود. هرچه این نسبت بالاتر از ۸% باشد. یعنی بانک با دامنه اطمینان بیشتری فعالیت می کند و کمتر بودن این نسبت حاکی از ریسک بیشتر بخصوص در پرتفوی اعتباری بانک می باشد. (علیشاهی،۱۳۹۱، ۸۴)
۲-۹) معرفی سیستمهای امتیازدهی اعتباری :
برای امتیازدهی اعتباری مدل های مختلفی وجود دارد. سازمان ها و بانک ها که به نوعی درگیر اعطای اعتبار هستند. یکی از مدل های موجود را براساس شرایط خود و جامعه پیرامون مورد استفاده قرار می دهند .در این قسمت ابتدا به معرفی مختصری از رایج ترین مدل های امتیاز دهی اعتباری می پردازیم . براساس تاریخ به کارگیری نظریات و روشها، مدل امتیاز دهی اعتباری را می توان به دو گروه عمده تقسیم کرد :
مدل های امتیازدهی اعتباری پارامتری :
– مدل احتمال خطی
– مدل های لاجیت [۱۸]
– پروبیت[۱۹]
– مدل هایی بر مبنای تحلیل تمایزی
۲-۹-۱) مدل های امتیاز دهی اعتباری غیر پارامتری :
– برنامه ریزی ریاضی
– درختواره های طبقه بندی (الگوریتم های تقسیم بندی بازگشتی)
– مدل های نزدیکترین همسایگان
– فرایند سلسله مراتب تحلیلی (AHP)
– سیستم کارشناسی (ES)
– شبکه های عصبی (NN)
۲-۹-۲) مدل احتمالی خطی :
نوعی از مدل رگرسیون است که متغیرهای مستقل مقادیر کمی و متغیر وابسته مقادیر صفر و یک را اختیار می کند. زمانی که متغیر وابسته ( y1 ) برابر با صفر است . حادثه مورد نظر رخ نداده است و زمانی که برابر با یک است حادثه مورد نظربه طور قطع رخ داده است. مدل رگرسیون احتمال خطی به صورت زیر تعریف می شود :

ست عموماً روش های نا پارامتریک نظیر مدل های نزدیکترین K همسایه هند و هتلی (۱۹۹۷) شبکه های عصبی لی و همکاران (۲۰۰۲) و درخت های طبقه بندی رگرسیونی آرمینگر و همکاران (۱۹۹۷) مورد استفاده قرار گرفته است. با گسترش تکنیک ها واستفاده از روش های پیچیده و دقیقتر مانند رگرسیون های خطی و مدل های لاجیت و پروبیت توسط کرامر ۲۰۰۱ ومدل های مبتنی بر شبکه عصبی دقت این روشها در دهه های اخیر تا حد زیادی افزایش یافته است.
۲-۱۸) ادبیات علمی موجود:
به دلیل وجود پیامدهای اقتصادی، اجتماعی و سیاسی با اهمیتی که پدیده ورشکستگی بر گروه های مختلفی از جامعه تحمیل می کند. همواره توجه ویژه ای از محققان را به خود جلب کرده است تحقیقات مرتبط با پیش بینی ورشکستگی از دهه ۱۹۳۰ میلادی صورت جدی به خود گرفته است و محققان متعددی به مطالعه و بررسی در این زمینه پرداخته اند. در ادامه مروری بر برخی ازتحقیق هایی خواهیم داشت که در این زمینه انجام پذیرفته است.
۲-۱۸-۱) مروین[۲۴] (۱۹۴۲) :
درسال ۱۹۴۲ شخصی بنام مروین نسبت های متعددی را از شش سال اول عمر شرکتهای دارای تداوم فعالیت و شرکتهایی که فعالیتشان متوقف شده تحلیل کرد و به این نتیجه رسید که سه نسبت :
سرمایه درگردش به کل دارایی ها
خالص ارزش ویژه به بدهی
نسبت جاری
در پیش بینی موثرتر از بقیه نسبت ها میباشد . مطالعه مروین اولین تحلیل منطقی از قدرت پیشگویی نسبت ها بود. در سال های بعد نیز مطالعات تجربی زیادی برای پی بردن به وجود رابطه آماری قابل اتکا بین ورشکستگی و نسبت های مالی صورت گرفت.
۲-۱۸-۲) بیور (۱۹۶۶) :
بیور در سال ۱۹۶۶ در مطالعه تجربی خود که با استفاده از تکنیکهای آماری قوی تری نسبت به مروین انجام داد دریافت که بعضی از نسبت ها ورشکستگی را پیش بینی میکنند. وی مدل ساده جریانات نقدی را برای بیان پیش بینی ورشکستگی بوجود آورد. در این مدل شرکت به عنوان مخزن دارایی های سیال ( قابل تبدیل به نقد) فرض می شود که بوسیله جریان های ورودی وجه نقد تغذیه و وبوسیله جریانهای خروجی وجه نقد تخلیه می شود.این مخزن به عنوان ضربه گیر در مقابل نوسانات جریانات عمل می کند. در این مدل عدم قدرت باز پرداخت بدهی ها در سررسید برحسب احتمال تهی شدن مخزن تعریف میشود. در این نقطه است که شرکت قادر به باز پرداخت تعهداتش در سررسید نخواهد بود . بنابراین احتمال ورشکستگی از موارد زیر ناشی می شود :
اندازه مخزن
جریانات ورودی حاصل از عملیات
حجم مخارج عملیاتی
اندازه بدهی ها
مدلی که بیور براساس متغیرهای حسابداری طراحی کرده بود متکی بر هفت نسبت مالی زیر بود که او برای پی بردن به رابطه بین ورشکستگی و نسبت های مالی، این نسبت ها را برای ۷۹ شرکت و پنج سال قبل از ورشکستگی تجزیه وتحلیل کرد.
نسبت جریان های نقدی به کل بدهی
نسبت سود خالص به کل دارایی ها
نسبت کل بدهی به کل دارایی ها
نسبت سرمایه در گردش به کل دارایی ها
نسبت جاری
خط اعتبار ( فاصله تا اعتبار صفر)
کل دارایی ها
مدل ارائه شده توسط بیور از نوع تحقیق تک متغیره برای ورشکستگی شرکت می باشد پس از اینکه مشخص گردید که مدل بیور بدلایلی از جمله تک متغیره بودن آن معیار مناسبی برای پیش بینی ورشکستگی نمی باشد . محققان از مدل های چند متغیره برای پیش بینی ورشکستگی استفاده کردند مدل های چند متغیره برای پیش بینی ورشکستگی از تکنیک آماری تحلیل متمایزی چند متغیره استفاده می کنند. یکی از اولین تحلیهای ممیزی برای پیش بینی ورشکستگی توسط ادوار آی آلتمن درسال ۱۹۶۸ انجام شد.
۲-۱۸-۳) ادوارد آی آلتمن (۱۹۶۸) :
ادوارد آی آلتمن در سال ۱۹۶۸ نه تنها موفق شد اثبات نماید بین نسبت های مالی و بحران مالی ارتباط وجود دارد بلکه نسبت ها و ضرایب مربوط به آنها را نیز شناسایی و معرفی نمود. وی پژوهشگر پیشگام در کاربرد تکنیک تحلیل ممیزی چند متغیره در مطالعات مربوط به پیش بینی بحران مالی بود و روشی معروف تحت عنوان Z– اسکور را معرفی نمود.
ایده اصلی تحلیل چند متغیره این است که اطلاعات چند نسبت مالی را در یک شاخص موزون واحد ترکیب کند برخلاف تک متغیره که توانایی پیش بینی کنندگی نسبت های مالی را جداگانه تحلیل می کند. تحلیل چند متغیره به ویژه زمانی مفید است که اشیا قابل تقسیم به یکی از چند گروه باشند مانند بحران مالی یا عدم وجود بحران مالی ، مرد یا زن ، خوب یا بد، این تکنیک زمانی مناسب است که برای تمایز احتمال بحران مالی یا عدم وجود بحران مالی طراحی شده باشد ومتغیر وابسته یک متغیر طبقه ای و متغیر مستقل یک متغیر باشد پس از انجام یک سری تحقیقات او نتیجه گرفت که مدل Z– اسکور وی یک پیش بینی کننده دقیق بحران مالی تا دوسال قبل از ورشکستگی می باشد و سطح اطمینان هنگامی که زمان افزایش می یابد ، کاهش خواهد یافت.
۲-۱۸-۴) مدل آلتمن (۱۹۸۳) :
پس از انتقاداتی که به مدل آلتمن مبنی بر اینکه این مدل تنها برای موسسات با ماهیت تجاری عمومی قابل استفاده است صورت گرفت. وی در سال ۱۹۸۳ یک اصلاحیه روی مدل انجام ومدل جدید به نام Z’ ارائه داد با این تفاوت که آلتمن به جای ارزش بازار سهام ، ارزش دفتری را جایگزین نمود.

توان اطلاعات گذشته را مورد ارزیابی قرار داد که یک وام گیرنده قصور داشته یا نداشته است و در مورد وام هایی که در آینده پرداخت می شود فقط امکان پیش بینی خواهد بود و دقت این پیش بینی قطعاً ۱۰۰% نمی باشد.
البته تکنیک های رگرسیونی این مشکل را تا حد زیادی حل نموده و هرچه تحلیل های ما دارای دقت بیشتری باشد احتمال پیش بینی پیامدهای تسهیلات و مدیریت دقیقتر در ریسک اعتباری افزایش خواهد یافت .
۳-۹) مدل لاجیت :
رگرسیون لاجیت یکی از مدل های کارا می باشد که اغلب برای برآورد متغیرهای اسمی و رتبه ای استفاده می گردد. این مدل در مواردی بکار می رود که فرضهای پیوسته و نرمال بودن متغیرهای توضیح دهنده ممکن نیست و پاسخ دو دویی یا باینری است. به عبارت دیگر دو حالت بد و خوب و یا صفر و یک را به خود می گیرد.
برای محاسبه تاثیر پذیری اجزای مدل می توان از روش های زیر استفاده کرد :
الف) روش داخلی : فرآیندی برای گزینش متغیرها می باشد که تمام متغیرها در یک مرحله وارد الگو می شود.
ب) روش رو به جلو : که طبق آن تنها متغیرهایی که از معیارهای لازم جهت ورود به مدل برخوردارند( ضریب همبستگی بالاتر دارند) اولین گزینه جهت ورود به مدل می باشد.
ج) روش روبه عقب : روش حذف از عقب به این صورت عمل می کند که ابتدا مدل کامل رگرسیون لاجیت در نظر گرفته می شود و سپس نسبت به حذف متغیرها با همبستگی کمتر اقدام می نماید.
در این تحقیق از روش داخلی(درونی) و روش گام به گام پیشرو (رو به جلو) استفاده می شود.
در رگرسیون لوجستیک( لاجیت ) متغیر وابسته مقوله ای دو سطحی است. این دو مقوله معمولاٌ به عضویت یا عدم عضویت در یک گروه ( افرادی که قادر به باز پرداخت وام های خود نیستند ) اشاره می کند و آنچه پیش بینی می شود یک احتمال است که ارزش آن بین صفر و یک تغییر می کند. (آذرعادل و مومنی،۱۳۸۹،۸۴)
در این مدل از مفهوم بخت برای مقدار متغیر وابسته استفاده می شود. در اصطلاح آماری بخت به معنی نسبت احتمال وقوع یک حادثه ( P ) به احتمال عدم وقوع ( P-1) می باشد. احتمال بین صفر و یک تغییر می کند در حالیکه بخت ممکن است بیش از یک باشد. واژه کلیدی در تحلیل رگرسیون لوجستیک سازه ای به نام لاجیت است که لگاریتم طبیعی بخت است.
بنابراین معادله کلی رگرسیون لاجیت به شکل زیر است :
(۳-۱)
P احتمال خروجی و  a عرض از مبدا و b ضریب نسبی در ترکیبات خطی متغیر های توضیحی x برای i = 1,…,n می باشد. متغیر وابسته  لگاریتم طبیعی نسبت دو احتمال است.
در این عبارت مقدار  برای مقدار های مختلف P (بین صفر و یک) به صورت ذیل میباشد :
به ازاء ۵/۰P = مقدار  برابر یک می شود.
به ازاء ۵/۰ P > مقدار  مثبت می شود.
به ازاء ۵/۰ P < مقدار  منفی می شود.
هدف این روش بدست آوردن ضریب x هاست که از روش حداکثر درستنمایی محاسبه می گردد متغیرهای مستقل هم در مقیاس کمی و هم در مقیاس مقوله ای( طبقه بندی ) می توانند قرار داشته باشند.