بررسی عملکرد مدل هیبریدی در ارزیابی ریسک نکول شرکتهای پذیرفته شده در بورس اوراق بهادار تهران
محل انتشار: فصلنامه راهبرد مدیریت مالی، دوره: 9، شماره: 1
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 390
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFMZ-9-1_008
تاریخ نمایه سازی: 9 مرداد 1400
چکیده مقاله:
اندازهگیری ریسک اعتباری و برآورد احتمال نکول شرکت ها از مهم ترین چالش های مطرح در حوزه اعتباری است. مدل های ساختاری و مدل های غیرساختاری دو چارچوب اصلی برای برآورد ریسک نکول و ریسک های اعتباری هستند؛ اما هرکدام از این مدل ها دارای نقاط قوت و ضعف هستند و به نظر می رسد ترکیب این دو چارچوب و ارائه یک مدل هیبریدی بتواند پیش بینی دقیقتری از ریسک نکول شرکت ها ارائه کند. در پژوهش حاضر از یک مدل هیبریدی برای سنجش ریسک نکول شرکت های بورسی و فرابورسی در فاصله زمانی ۱۳۹۷-۱۳۸۶ که طبق قوانین بازار سرمایه ایران به بازار پایه انتقال یافتهاند استفاده شده است. ابتدا از مدل مرتون (از مدل های ساختاری) برای سنجش ریسک نکول این شرکت ها استفاده شد و سپس نتایج این مدل با مدل Z آلتمن (از مدل های غیرساختاری) مقایسه شده است. سپس با تحلیل رگرسیونی نسبت های مالی مختلف، متغیرهای معنی دار شناسایی شده و مدل مرتون و Z آلتمن به صورت جداگانه و ترکیبی از نظر آماری مقایسه شدند. یافته ها نشان می دهد که مدل هیبریدی نسبت به مدل های ساختاری و مدل های غیرساختاری، پیش بینی دقیق تری از ریسک نکول ارائه می دهد. با وارد کردن نتایج هریک از این دو مدل به مدل هیبریدی، توان آماری مدل هیبریدی افزایش پیدا میکند؛ بنابراین بهره گیری از مدل ترکیبی به بانک ها و موسسات اعتباری کمک خواهد کرد تا منابع را با ریسک کمتری در اختیار شرکت های سالمتر قرار دهند.
کلیدواژه ها:
نویسندگان
احمد نبی زاده
استادیار گروه مدیریت منابع انسانی و کسب وکار، دانشکده مدیریت، دانشگاه خوارزمی، تهران، ایران
مازیار بهرامی
کارشناس ارشد مدیریت کسب وکار، دانشگاه خوارزمی، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :