يعتبر فهم الجدارة الائتمانية للأطراف المقابلة عنصرا حاسما في اتخاذ القرارات التجارية. ويحتاج المستثمرون إلى معرفة احتمال سداد الأموال المستثمرة في السندات أو في شكل قروض. يجب على الشركات تحديد الجدارة الائتمانية للموردين، والعملاء، والمرشحين الاستحواذ والمنافسين.

المقياس التقليدي لجودة الائتمان هو تصنيف الشركات، مثل تلك التي تنتجها S & P، موديز أو فيتش. ومع ذلك، فإن مثل هذه التصنيفات متاحة فقط لأكبر الشركات، وليس لملايين الشركات الصغيرة. ومن أجل تحديد مدى جدواها الائتمانية، غالبا ما يتم تحليل الشركات الأصغر باستخدام طرق بديلة، وهي نماذج احتمالية التخلف عن الدفع. (لمعرفة المزيد، راجع لمحة موجزة عن وكالات التصنيف الائتماني .

توتوريال: المخاطر والتنويع

حساب بيانات الأداء يتطلب حساب بيانات الأداء تطوير النمذجة ومجموعة بيانات كبيرة للتخلف عن السداد السابق، بالإضافة إلى مجموعة كاملة من المتغيرات المالية الأساسية لمجموعة كبيرة من الشركات . في معظم الأحيان، الشركات التي تنتخب لاستخدام نماذج بد ترخيص لهم من حفنة من مقدمي الخدمات. ومع ذلك، بعض المؤسسات المالية الكبيرة بناء نماذج بد الخاصة بهم.

بناء نموذج يتطلب جمع وتحليل البيانات، بما في ذلك جمع الأساسيات طالما أن التاريخ هو متاح. وعادة ما تأتي هذه المعلومات من البيانات المالية. وبمجرد تجميع البيانات، حان الوقت لتشكيل النسب المالية أو "السائقين" - المتغيرات التي تغذي النتيجة. وتنخفض هذه العوامل إلى ست فئات: نسب الرافعة المالية، ونسب السيولة، ونسب الربحية، ومقاييس الحجم، ونسب المصروفات ونسب جودة الأصول. وتقبل هذه التدابير على نطاق واسع من قبل المهنيين تحليل الائتمان على النحو المناسب لتقدير الجدارة الائتمانية. (لمعرفة المزيد، يرجى الاطلاع على دروس مالية دروس .

تتمثل الخطوة التالية في تحديد الشركات الموجودة في عينتك "المتعثرون" - تلك التي تعثرت فعليا عن التزاماتها المالية. مع هذه المعلومات في متناول اليد، يمكن تقدير نموذج "الانحدار اللوجستي". وتستخدم الأساليب الإحصائية لاختبار عشرات من السائقين المرشحين ثم لاختيار تلك التي هي الأكثر أهمية في شرح التخلف عن المستقبل.

نموذج الانحدار يتعلق الأحداث الافتراضية لمختلف السائقين. هذا النموذج هو فريد من نوعه في أن مخرجات نموذج محصورة بين 0 و 1، والتي يمكن تعيينها إلى مقياس من 0-100٪ احتمال التخلف عن السداد. تمثل المعاملات من الانحدار النهائي نموذجا لتقدير الاحتمال الافتراضي للشركة استنادا إلى محركاتها.

وأخيرا، يمكنك فحص مقاييس الأداء للنموذج الناتج. ومن المرجح أن تكون هذه الاختبارات الإحصائية لقياس مدى توقع النموذج للإخفاقات.وعلى سبيل المثال، يمكن تقدير النموذج باستخدام البيانات المالية لفترة خمس سنوات (2001-2005). ثم يستخدم النموذج الناتج على بيانات من فترة مختلفة (2006-2009) للتنبؤ بالتخلف عن السداد. وبما أننا نعرف الشركات التي تعثرت خلال الفترة 2006-2009، يمكننا أن نقول مدى أداء النموذج.

لفهم كيفية عمل النموذج، ضع في اعتبارك شركة صغيرة ذات نفوذ عالي و ربحية منخفضة. لقد حددنا ثلاثة من السائقين النموذجيين لهذه الشركة. على الأرجح، فإن النموذج التنبؤ احتمال ارتفاع نسبيا من التخلف عن هذه الشركة لأنها صغيرة، وبالتالي، قد يكون تدفق الإيرادات غير منتظمة. ولدى الشركة نفوذ كبير، وبالتالي قد يكون لها عبء دفع فائدة عالية على الدائنين. كما أن الشركة لديها ربحية منخفضة، مما يعني أنها تولد القليل من النقد لتغطية نفقاتها (بما في ذلك عبء الديون الثقيلة). وبصورة عامة، من المرجح أن تجد الشركة أنها غير قادرة على سداد مدفوعات الديون في المستقبل القريب. وهذا يعني أن لديها احتمال كبير للتخلف عن السداد. (لمعرفة المزيد، راجع أساسيات الانحدار لتحليل الأعمال .)

آرت vs. العلوم إلى هذه المرحلة، كانت عملية بناء النموذج ميكانيكية تماما، باستخدام الإحصاءات. الآن هناك حاجة إلى اللجوء إلى "الفن" من هذه العملية. فحص السائقين التي تم اختيارها في النموذج النهائي (المرجح، في أي مكان من 6-10 السائقين). من الناحية المثالية، يجب أن يكون هناك سائق واحد على الأقل من كل من الفئات الست المذكورة سابقا.

ومع ذلك، فإن العملية الميكانيكية الموصوفة أعلاه يمكن أن تؤدي إلى وضع يدعو فيه نموذج إلى ستة سائقين، وكلهم مستمدين من فئة نسبة الرافعة المالية، ولكن لا يمثل أي منهم السيولة والربحية، وما إلى ذلك من موظفي الإقراض المصرفي الذين يطلب منهم استخدام فإن مثل هذا النموذج للمساعدة في قرارات الإقراض من المرجح أن يشكو. إن الحدس القوي الذي وضعه هؤلاء الخبراء سيؤدي بهم إلى الاعتقاد بأن فئات السائق الأخرى يجب أن تكون مهمة أيضا. وقد يؤدي غياب مثل هذه الدوافع إلى أن يستنتج الكثيرون أن النموذج غير كاف.

الحل الواضح هو استبدال بعض السائقين النفوذ مع السائقين من الفئات المفقودة. بيد أن هذا يثير مشكلة. تم تصميم النموذج الأصلي لتوفير أعلى معايير الأداء الإحصائي. من خلال تغيير تكوين السائق، فمن المرجح أن أداء النموذج سوف تنخفض من منظور رياضي بحت.

وهكذا، يجب إجراء مقايضة بين إدراج مجموعة واسعة من السائقين لتحقيق أقصى قدر من نداء بديهية من النموذج (الفن)، وانخفاض محتمل في قوة النموذج استنادا إلى التدابير الإحصائية (العلوم). اقرأ المزيد نمط المسائل في النمذجة المالية .

انتقادات لنماذج بد تعتمد نوعية النموذج في المقام الأول على عدد الافتراضات المتاحة للمعايرة ونظافة البيانات المالية . في كثير من الحالات، وهذا ليس شرطا تافهة، والكثير من مجموعات البيانات تحتوي على أخطاء أو تعاني من فقدان البيانات.

تستخدم هذه النماذج معلومات تاريخية فقط، وأحيانا تكون المدخلات قديمة بما يصل إلى سنة أو أكثر.وهذا يخفف من قدرة النموذج التنبؤية، خاصة إذا كان هناك بعض التغييرات الهامة التي جعلت السائق أقل أهمية، مثل تغيير في الاتفاقيات أو اللوائح المحاسبية.

يجب أن يتم إنشاء النماذج بشكل مثالي لصناعة معينة داخل بلد معين. وهذا يضمن أن العوامل الاقتصادية والقانونية والمحاسبية الفريدة للبلد والصناعة يمكن التقاطها بشكل صحيح. ويتمثل التحدي في أن هناك عادة ندرة للبيانات في البداية، لا سيما في عدد حالات التخلف عن السداد المحددة. وإذا كان من الضروري تقسيم هذه البيانات الشحيحة إلى مجموعات من الصناعات القطرية، فإن هناك نقاط بيانات أقل لكل نموذج من بلدان الصناعة.

نظرا لأن البيانات المفقودة هي حقيقة من حقائق الحياة عند بناء مثل هذه النماذج، فقد تم تطوير عدد من التقنيات لملء تلك الأرقام. بيد أن بعض هذه البدائل قد تؤدي إلى عدم الدقة. ويعني ندرة البيانات أيضا أن الاحتمالات الافتراضية المحسوبة باستخدام عينة بيانات صغيرة قد تكون مختلفة عن الاحتمالات الافتراضية الفعلية الكامنة للبلد أو الصناعة المعنية. وفي بعض الحالات، من الممكن توسيع نطاق مخرجات النموذج لتتناسب مع التجربة الافتراضية الأساسية بشكل أوثق.

ويمكن أيضا استخدام تقنية النمذجة الموصوفة هنا لحساب بدس للشركات الكبيرة. ومع ذلك، هناك بيانات أكثر بكثير عن الشركات الكبيرة، حيث أنها عادة ما تكون مدرجة علنا ​​مع الأسهم المتداولة ومتطلبات الكشف العامة الهامة. ويتيح توافر البيانات هذا إمكانية إنشاء نماذج بد أخرى (تعرف بالنماذج القائمة على السوق) تكون أقوى من تلك الموصوفة أعلاه.

الخلاصة
يدرك العاملون في مجال الصناعة والمنظمين جيدا أهمية نماذج بيانات الأداء وندرة البيانات الأساسية الخاصة بالحد من البيانات. وبناء على ذلك، بذلت جهود مختلفة (في جميع أنحاء العالم (تحت رعاية اتفاقية بازل الثانية) لتحسين قدرة المؤسسات المالية على الحصول على بيانات مالية مفيدة، بما في ذلك التحديد الدقيق للشركات المتعثرة. ومع زيادة حجم ودقة مجموعات البيانات هذه، ستتحسن نوعية النماذج الناتجة أيضا. (لمزيد من المعلومات حول هذا الموضوع، راجع ديبيت راتينغ ديبات .