مدلسازی جهت پیشبینی ریسک نقدینگی بانکهای دولتی ایران با استفاده از
شبکههای عصبی مصنوعی و شاخصهای حسابداری
تاریخ دریافت: 24/04/1401 تاریخ پذیرش: 26/06/1401 مهدی خسرویانی
فرزانه حیدرپور
چکیده
یکی از مهمترین مخاطرات پیشروی بانکها ریسک نقدینگی است، بنابراین بانکها باید سیستمهای اطلاعاتی مناسبی برای اندازه گیری، پیشبینی و کنترل ریسک نقدینگی داشته باشند، هر بانکیا مؤسسه مالی و اعتباری با توجه به شرایط، ویژگیهاو نوع فعالیت، با استفاده از ابزارها و روشهای مختلفی ریسک نقدینگی خود رامدیریت میکند، با وجود تفاوتهای اساسی در اندازه، نوع فعالیت و ساختار بانکهای دولتی با یکدیگر، آیا با استفاده از شاخصهای حسابداری وشبکه عصبی امکان مدلسازی و پیشبینی ریسک نقدینگی بانکهای دولتی وجود دارد؟برای پاسخ به این سوال در این پژوهشابتدا با استفاده از اطلاعات حسابداری هشت بانک، که کل بانکهایدولتی ایران را تشکیل میدهند، به صورت جداگانه ،شاخصهای حسابداری پژوهش محاسبه وریسک نقدینگی توسط شبکه عصبی پرسپترون چند لایه مدلسازی شد.سپس اختلاف نتایج حاصل از مدل با اطلاعات واقعی با استفاده از معیار میانگین مربعات خطا اندازهگیری شد. نتایج پژوهش نشان داد که از مدل طراحی شده، میتوان برای پیشبینی ریسک نقدینگی بانکهای دولتی ایران استفاده کرد.
واژه‌های کلیدی: ریسک نقدینگی،شاخصهای حسابداری، مدلسازی، شبکههای عصبی مصنوعی، بانکهای دولتی ایران.
1- مقدمه
بانکها با اعطای تسهیلات باعث جریان پول و سرمایه در جامعه می‌شوند و در این جریان نهاد مالی خود را در معرض انواع ریسکها قرار میدهند، یکی از مهمترین این ریسکها ریسک نقدینگی است، ریسکها میتوانند عملکرد بانک را تضعیف نمایند و آن را به مرگ تدریجی مبتلا نمایند اما ریسک نقدینگی میتواند باعث مرگ ناگهانی واحد اقتصادی شود(توانا، 2018، 2525). سیستم بانکی مستحکم و مقاوم در برابر بحران، پایه رشد اقتصادی پایدار است، و بانکها در مرکز فرآیند واسطهگری اعتباری بین پس‌اندازکنندگان و سرمایه‌گذاران قرار دارند. علاوه بر این، بانکها خدمات اساسی به مشتریان، کسب و کارهای کوچک و متوسط، شرکت‌های سهامی بزرگ و نیز دولت‌ها که به بانکها برای انجام فعالیت‌های تجاری روزمره خود متکی هستند، در سطح ملی و بین‌المللی ارایه مینمایند(بازل3، 2011، 1).
بانک بواسطه ماهیت و فلسفه وجودی خود باریسک نقدینگی مواجه است، ریسک نقدینگی به معنای عدم کفایت منابع بانک برای پوشش جریان‌های نقد خروجی است. واضح است که هیچ زمانی تقاضا برای دریافت وجه نقد از بانک برابر با میزان عرضه وجه نقد به بانک نیست، بنابراین بانکها همیشه با مازاد یا کسری نقدینگی مواجه هستند، مازاد نقدینگی موجب کاهش سودآوری و در مقابل کسری وجه نقد موجب وارد آمدن زیان میشود و بانک را با خطر ورشکستگی مواجه میکند، اینجاست که اهمیت ریسک نقدینگی مشخص میشود.مدیریت نقدینگی یکی از بزرگ‌ترین چالش‌هایی است که سیستم بانکداری با آن روبروست. دلیل اصلی این چالش این است که بیشتر منابع بانکها از محل سپرده‌های کوتاه‌مدت تأمین مالی میشود. علاوه بر این تسهیلات اعطایی بانکها صرف سرمایه‌گذاری در دارایی‌هایی میشود که درجه نقدشوندگی به نسبت پایینی دارند. (رستمیان و حاجی بابایی، 1388، 177)
در این پژوهش از اطلاعات حسابداری بانکها استفاده می شود، اطلاعات مندرج در صورتهای مالی یکی از پایه‌های اتخاذ تصمیمات منطقی به شمار می‌رود(نادری و همکاران ،1397، 192).اطلاعات حسابداری دارای ارزش پیشبینیکنندگی هستند همچنان که در مفاهیم نظری گزارشگری مالی پیوست استانداردهای حسابداری ذکر شده استاطلاعات در مورد نقدینگی و توانایی بازپرداخت بدهی‌ها برای پیشبینی توان واحد تجاری جهت ایفای تعهدات مالی خود در سررسید مفید است(استانداردهای حسابداری، 1398، 759). در دهههای اخیر، توانایی صورتهای مالی جهت انعکاس ریسک، یک موضوع مهم و اساسی برای محققین حرفه حسابداری و مالی به شمار میآید(دسینه و همکاران، 1398 ، 154).
2- چهارچوب نظری پژوهش
واژة ریسک در فرهنگ لانگمن چنین تعریف شده است: "ریسک عبارت از احتمال وقوع چیزی بد یا نامطلوب و یا احتمال وقوع خطر است"(مدرس،ذکاوت، 1384، 54).در مطالعات نظری صورت گرفته، طبقه‌بندی‌های مختلفی از ریسک ارائه شده است. گرونینگ و همکاران (2003) در تحقیقی که در بانک جهانی صورت گرفت، طبقه‌بندی دیگری از ریسک ارائه نمودند. این ریسکها به شرح جدول 1 طبقه‌بندی شدهاند.
جدول 1- ریسک های بانکی
منبع: گرونینگ و براتانویک، 2003، بانک جهانی
این طبقه‌بندی با وجود اینکه به طور خاص در مورد ارزیابی ریسک در بانکها مطرح شده است، از لحاظ موضوعی و محتوایی قابلیت کاربرد برای سایر مؤسسات و سازمان‌های تجاری را نیز دارد. گرونینگ در این مدل، به ریسک وقایع اشاره دارد که به نوعی معنای تغییرات مثبت و منفی در منافع آینده را مد نظر قرار داده و به چهار طبقه ریسک مالی، ریسک عملیاتی، ریسک تجاری، و ریسک وقایع اشاره میکند. ریسکهای مالی، ریسک‌هایی هستند که بسیار به یکدیگر وابسته بوده و در مجموع ریسک کلی بانک را افزایش میدهند. (عرب مازار یزدی ودیگران، 1392 ، 5).
1-2- مفهوم ریسک نقدینگی
نقدینگی عموماً به صورت توانایییک بنگاه مالی در تأمین تعهدات بدهی بدون تحمل زیان‌های عظیم غیرقابل قبول تعریف میشود از اینرو ریسک نقدینگی که عموماً تحت عنوان ریسک نقدینگی تأمین وجوه نیز نامیده میشود بیانگر ریسک عدم توانایی برآورد نیازهای فعلی و آتی پیشبینی شده و پیشبینی نشده بنگاه از نظر جریان وجوه و نیازهای وثیقه‌ای است بدون آنکه اثر چشمگیری بر عملیات روزانه یا موقعیت مالی بنگاه به طور کلی بر جای بگذارد(لوپز، 2008، 1).
2-2- روشهای اندازهگیری ریسک نقدینگی
1-2-2- تجزیه وتحلیل نسبتهای مالی
این نسبتها به طور سنتی بر اساس اطلاعات حسابداری محاسبه میشدهاند، این نسبتها با دو روش مورد بررسی قرار می‌گیرند: روش مقایسه‌ای صورتهای مالی و روش مبتنی بردوره‌های زمانی. .در روش دوم نسبتهای مالی متعلق به یک مؤسسه دردوره های مختلف زمانی باهم مقایسه می‌گردند. هرچه جنبههای مختلفی از ریسک که توسط این نسبتها ارزیابی می شود بیشتر باشد، نتیجه مطلوب‌تری به دست میآید(گروه مطالعات و مدیریت ریسک بانک اقتصاد نوین،1387، 206).
2-2-2- ارزش درمعرض خطر
ارزش در معرض خطر انواع ریسکها را در یک قلم خلاصه میکند و مدیریت ارشد را از انبوهی از محاسبات ریسک خلاص می کند. امروزه در سطح گسترده‌ای بین شرکتها، مدیران وجوه و مؤسسات مالی مورد استفاده قرار می‌گیرد. ارزش درمعرض خطرانواع گوناگونی دارد ومی‌تواندباروش‌های مختلفی برآوردشود(لیلی دوست،1386، 57).
3-2-2- شاخص نقدینگی
معیاری برای اندازهگیری زیان‌های بالقوه بانک به واسطه نقدکردن فوری دارایی‌هادرمقایسه باارزش بازارآنها تحت شرایط عادی.
4-2-2- اندازهگیری ارزش فعلی خالص ترازنامه بانک
دراین روش بااستفاده ازمدل تنزیل جریان‌های نقدی دارایی‌هاوبدهی‌هاوبه تبع آن ارزش فعلی خالص ترازنامه بانک محاسبه میشود. هرچه مقدار ارزش فعلی خالص ترازنامه کمتر باشد، شرایط نامساعدتر و ریسک نقدینگی بیشتر است(گروه مطالعات و مدیریت ریسک بانک اقتصاد نوین،1387، 207).
3- پیشینه پژوهش
تاکنون در ایران هیچ تحقیق جامعی درخصوص امکان استفاده از شاخصهای حسابداری وشبکه عصبیبرای مدلسازی جهت پیشبینی ریسک نقدینگی در بانکهای دولتی انجام نشده است، یکی از دلایل آن میتواند محدودیتدر دسترسی به اطلاعات و دادههای مورد نیاز جهت پژوهش باشد، چرا که متاسفانه این اطلاعات به شیوه شفافی منتشر نمیگردد (انصار، 1400، 191) و جمعآوری این اطلاعات و دادهها کاری سخت و زمانبر است، اما در خارج از کشوردر این خصوص تحقیقات متنوعی انجام شده است.برای نمونه یانو سانگ (2022) در یک تحقیق با استفاده از یکی از مدلهای پیشرفته شبکه عصبی و استفاده از 25 شاخص ریسک نقدینگی به عنوان متغیرهای ورودی مدل به شناسایی عوامل مؤثر بر ریسک نقدینگی برای بانکهای تجاری پرداختند و مدلی موفق برای هشدار زود هنگام ریسک نقدینگی طراحی نمودند، قلمرو زمانی تحقیق آنهابازه زمانی سال 2000 تا سال 2020 و قلمرو مکانی تحقیق نمونهای منتخب از بانکهای تجاری کشور چین بوده است.میشراز و همکاران (2021) در تحقیقی که در دوره زمانی 5 ساله از 2015 تا 2019 با استفاده از اطلاعات حسابداری 75 بانک هندی انجام شد عملکرد مدلهای شبکه عصبی مصنوعی، لجستیک و آنالیز تشخیصی خطی (LDA) را با یکدیگر مقایسه کردند، نتایج تحقیق بیانگر دقت بیشتر مدلهای شبکه عصبی مصنوعی نسبت به آنالیز تشخیصی خطی بود.
کریم الدوحیداحی و همکاران در سال2020 در پژوهشی با استفاده از اطلاعات حسابداری 16 بانک عراقی در بازه زمانی 2004 تا 2018 جمعآوری شده بود، توانستندبا استفاده از مدلهای شبکه عصبی مصنوعی و 10 شاخص حسابداری، ریسکهای مالی (ریسک نقدینگی، ریسک اعتباری و ریسک سرمایه) پیشبینی نمایند.
توانا و همکاران (2018) در پژوهشی به طراحی مدل ارزیابی ریسک نقدینگیبا استفاده از شبکه عصبی مصنوعی و شبکه بیزین پرداختند. این پژوهش به صورت تحقیق موردی با استفاده از اطلاعات ماهانه دفتر کل یک بانک دولتی در بازه زمانی هشت ساله، با استفاده از 10 نسبت نقدینگی مانند نسبت آنی، نسبت جاری و سایر نسبتهای مورد نظر محققین و با بهره‌گیری از شبکه عصبی مصنوعی، امکان پیشبینی ریسک نقدینگی در بانک را مورد آزمون قرار دادند، نتایج این پژوهش نشان‌دهنده کارایی، دقت و انعطاف‌پذیری بالای شبکههای عصبی مصنوعی در مدلسازی ریسک نقدینگی بود.
فرامرزی و همکاران (2016) در تحقیقی به مدلسازی ریسک نقدینگی یک بانک خصوصی به عنوان تحقیق موردی با استفاده از شاخصهای حسابداری پرداختند و نتایج تحقیق نشان‌دهنده توانایی مدل طراحی شده در پیشبینی ریسک نقدینگی در نمونه انتخاب شده بود.
در ادامه به تعدادی از تحقیقاتی اشاره میکنیم که به مقایسه کارایی شبکه عصبی مصنوعی با سایر روشهای پیشبینی ریسک پرداخته‌اند، برای نمونهعیسی زاده و منصوری در سال 1392 در تحقیقی به مقایسه کارایی مدلهای کلاسیک و شبکههای عصبی در برآورد ریسک و ظرفیت اعتباری مشتریان بانک تجارت پرداختند، در این تحقیق مدلهای کلاسیک ارزیابی (رگرسیون خطی و لجستیک) با شبکههای عصبی مقایسه شدند، نتیجه تحقیق بیانگر کارایی بیشتر شبکههای عصبی نسبت به مدلهای کلاسیک بود.
سه مدل تحلیل پوششی دادهها، شبکههای عصبی و رگرسیون لجستیک برای پیشبینی رتبه اعتباری مشتریان حقوقی متقاضی وام بانکی در تحقیق ابراهیمی و دریابر در سال 1391 با یکدیگر مقایسه شدند، نتایج به دست آمده بیانگر قدرت بالای شبکههای عصبیدر پیشبینی ریسک است. کارایی شبکههای عصبی در مقایسه با مدل خطی آریما در تحقیقی با عنوان پیش بینی شاخص بورس اوراق بهادار با استفاده از شبکههای عصبی در سال 1384 توسط سینایی و همکاران مقایسه شد، نتیجه تحقیق نشان داد که شبکههای عصبی با خطای کمتری موفق به پیشبینی شاخص قیمت نسبت به مدل آریما شده است.
در تحقیقات ذکر شده انتخاب شاخصهای مورد استفاده قرار گرفته شدهبر پایه تحقیق جامعی صورت نگرفته است و مطابق عرف صنعت بانکی و ترجیح محققین این شاخصها انتخاب شدهاند در این قسمت به بیان تحقیقاتی میپردازیم که برای کشف بهترین و مؤثرترین شاخصهای حسابداری و نسبتهایی که برای اندازهگیری و پایش ریسک نقدینگی استفاده می شوند، انجام شده است، یکی از جامعترین این تحقیقات، پژوهشثقفی و سیف با عنوان "شناسایی و اندازه گیری نسبتهای مالی و متغیرهای اقتصادی بنیادی مؤثر بر سلامت و ثبات بانکی در ایران" استکه در سال 1384 انجام شد، در این پژوهشمعیارهای سلامت و ثبات بانکی را در ادبیات مالی و بانکی مورد تحقیق قرار گرفت و به بررسی شصت و هشت نسبت مالی تعریف شده در حوزه هفت عامل اساسی مؤثر در ارزیابی سلامت و ثبات بانکها، پرداخته شد. در خصوص ریسک نقدینگی نیز نظر خبرگان صنعت بانکی کشور در خصوص مؤثرترین و مهمترین نسبتهای مالی مطرح برای سنجش ریسک نقدینگی مورد پرسش قرار گرفت و مؤثرترین آنها تعیین و مشخص گردید که میتوانست مبنایی برای تحقیقات بعدی قرار گیرد.
از جمله این تحقیقات میتوان از تحقیقکفایی و راهزانی در سال 1396 با عنوان "بررسی تأثیر متغیرهای کلان اقتصادی بر ریسک نقدینگی" نام برد که در قالب یک الگوی رگرسیونی و با استفاده از روش دادههای تابلویی فصلی و اطلاعات 14 بانک کشور انجام شد، در این تحقیق از "نسبت دارایی‌های نقد و اوراق بهادار سریع‌المعامله و مطالبات کوتاه‌مدت تقسیم بر بدهی‌ها و سپرده‌های کوتاه‌مدت" برای محاسبه ریسک نقدینگی استفاده شده است.انصاری و همکاران در سال 1400 در تحقیقی به سنجش قوت مالی بانکهای فعال در شبکه بانکی کشور با استفاده از شاخص کملز پرداخت و برای سنجش معیار توان نقدینگی، از "نسبت دارایی‌های نقد و اوراق بهادار سریع‌المعامله و مطالبات کوتاه‌مدت تقسیم بر بدهی‌ها و سپرده‌های کوتاه‌مدت" و دو نسبت دیگر از نسبتهای مورد تأیید پژوهش ثقفی و سیف استفاده نموده‌اند.
لازم است در انتها به تحقیق اصغری اسکویی در سال 1381 با عنوان کاربرد شبکههای عصبی در پیشبینی سری‌های زمانی که به بررسی عوامل مختلف ساختاری، روشهای مختلف یادگیری و انتخاب و کاربرد مناسب دادهها در فرآیند پیشبینی با استفاده از شبکه عصبی پرداخته است، اشاره کنیم. در این تحقیق که از دادههای اقتصادی کشور استفاده شده است و به بررسی عواملی مانند روش پیشبینی، الگوریتم‌های آموزش شبکه عصبی، تعداد بهینه ورودی‌ها و خروجیهای شبکه عصبی پرداخته شده است و پس از بررسی ساختارهای مختلف شبکه عصبی، الگوریتم‌های موفق همراه با ساختار مناسب شناسایی و ماشین‌های پیش‌بینی‌کننده با عملکرد مطلوب انتخاب و ارزیابی شدند. نتیجه این تحقیق نشان داد که انتخاب یک شبکه عصبی با ساختار و الگوریتم آموزشی مناسب ابزار بسیار قدرتمندی برای پیشبینی سری‌های زمانی است، آن قدر قوی که سری زمانی را قدم به قدم پیشبینی کند.
در این پژوهش از نتایج این تحقیقات بهره بردهایم و با ترکیب بهترین نسبتهای معرفی شده درخصوص ریسک نقدینگی با کاراترینمدلهای شبکه عصبی مصنوعیدر نهایت تلاش کردیم مدلی طراحی کنیم که توانایی پیشبینی ریسک نقدینگی با استفاده از اطلاعات حسابداریبانکها را داشته باشد.
4- بیان مساله پژوهش
پس از وقوع بحران مالی در سال 2007 ضرورت توجه بیشتر به ریسک نقدینگی مشخص گردید و نهادهای مقرراتگذار بین‌المللی مانند مؤسسه تأمین مالی بین‌المللی، کمیته بال، کمیته ناظران بانکی اروپا و هیئت خدمات مالی اسلامی،برای طراحی و تدوین رهنمودهای مدیریت ریسک نقدینگی، توصیه‌‍نامه‌هایی منتشر کردند، به دلیل اهمیت موضوع، بانک مرکزی جمهوری اسلامی ایراننیز درسال 1396 بخشنامه حداقل الزامات مدیریت ریسک نقدینگی مؤسسات اعتباری را تهیه و به کلیه بانکها و مؤسسات اعتباریابلاغ نموده است، براساس این بخشنامه کلیه مؤسسات اعتباری موظف هستند از روشهای مناسب برای اندازهگیری و پایش سطح نقدینگی استفاده نمایندوهمچنین با نسبتهای نقدینگی و حدود آنها را در سناریوهای متفاوت متناسب با اندازه، ماهیت و پیچیدگی عملیات مؤسسه اعتباریتعیین نمایند. همچنین بانکها و مؤسسات اعتباریموظفند که با ایجاد ساختار سازمانی مناسب ریسک نقدینگی را به صورت درون سازمانی با ابزار و روشهای مناسب پیشبینی، اندازهگیری و مدیریت نمایند.
در راستای اجرای این وظیفهطی سالهای اخیر،طراحی ساختار مناسب و ایجاد کمیته فرعی ریسک نقدینگی در دستور کار مقامات ارشد بانکهای کشور قرار گرفته استوهر بانکبه صورت مستقل و براساس ساختار و نوع فعالیتخود برای پیشبینی ریسک نقدینگی و وجه نقد مورد نیاز خود از روشهایی استفاده مینماید. به دلیل وجود محدودیتها و دشواری جمعآوری دادهها و اطلاعات مورد نیاز، درخصوص طراحی مدلی برای پیشبینی ریسک نقدینگی تحقیقات کمی به صورت موردی و محدود در چند بانک کشور انجام شده است، این مهم که یکی از اولویتهای پژوهشی بانکهای دولتی در سالهای اخیر طراحی مدلی برای پیشبینی ریسک نقدینگی بوده است،یکی از نشانههای وجود این خلاء تحقیقاتی است و بانکها به منظور استفاده از ظرفیتهای پژوهشی دانشجویی کشور از پژوهشهایی که در راستای رفع این نیاز انجام شوند، حمایت هم مینمایند.
از سوی دیگر به دلیل وجود تفاوت در شرایط، نوع فعالیت و ساختار بانکها با یکدیگر، مدلهای طراحی شده برای پیشبینی ریسک نقدینگی یک بانک شاید قابلیت تعمیم و استفاده برای سایر بانکها را نداشته باشد، فلذا ضرورت انجام یک تحقیق جامع برای طراحی یک مدل برای پیشبینی ریسک نقدینگی احساس میشد. در این تحقیق کلیه بانکهای دولتی ایران مورد بررسی قرار گرفته است تا به این سوال پاسخ داده شود کهآیا با استفاده از شاخصهای حسابداری وشبکه عصبی امکان مدلسازی و پیشبینی ریسک نقدینگی بانکهای دولتی وجود دارد؟
5- روش شناسی پژوهش
این تحقیق از منظر هدف، توسعهای و کاربردی می باشد چرا که به توسعه کاربردهایی از اطلاعات حسابداری با استفاده از هوش مصنوعی در مورد مسایل دنیای واقعی خواهد پرداخت.از نظر نوع داده، این تحقیق کمی و به لحاظ روش در رده تحقیقات تجربی قراردارد. قلمرو مکانی تحقیق بانکهای دولتی ایران است. در این تحقیق نمونه‌گیری صورت نگرفته است و کلیه بانکهای دولتی ایران مورد بررسی قرار گرفتهاند. برای مدلسازی ریسک نقدینگی از اطلاعات حسابداری و شبکههای عصبی مصنوعی استفاده شده است، دادههای ورودی و خروجی مدل با استفاده از دادههای حسابداری بانکها طی سالهای 1388 لغایت 1398 جمعآوری، محاسبه و با استفاده از شبکه عصبی تابع ریسک تخمین زده میشود. سپس با مقایسه نتایج حاصل از مدل با اطلاعات واقعی، توانایی پیشبینی ریسک نقدینگی توسط شبکه عصبی، آزمون خواهد شد.
6- مدل پژوهش
در این تحقیق با توجه به نتایج تحقیقات (اصغری اسکویی، 1381) و (مهدوی و گودرزی، 1390) از شبکه عصبی پرسپترون چند لایه استفاده شده است. مدل به صورت یک بردار به سایز 4 به عنوان لایه ورودی و یک نورون به عنوان لایه خروجی طراحی شده و برای آموزش مدل از الگوریتم آموزشی لورنبرگ مارکوارت استفاده شده است. سیستم شبکه عصبی به صورت رابطه 1 و لایه خروجی به صورت رابطه2نشان داده شده است:
1)
(2)
Z: خروجی شبکه ، F: تابع انتقال در گره خارجی
: وزن‌های اتصال‌دهنده لایه ورودی و لایه مخفی
: وزن‌های اتصال‌دهنده لایه مخفی و لایه خروجی(طالبی،1390، 282)
شبکه عصبی طراحی شده برای کشف بهترین نتیجه با تعداد 10 ، 20 ، 30 و 40 لایه پنهان به صورت جداگانه و با استفاده از نرمافزار متلب اجرا شده است.برای تعیین نورونهای شبکه عصبی (شاخصهای حسابداری) از نسبتهایی که در پژوهش جناب آقای دکتر ثقفی و سیف با عنوان " شناسایی و اندازهگیری نسبتهای مالی و متغیرهای اقتصادی بنیادی مؤثر بر سلامت و ثبات بانکی در ایران" مورد تأیید قرار گرفته بودند، استفاده شده است. از بین این نسبتها، (نسبت دارایی‌های نقد و اوراق بهادار سریع‌المعامله و مطالبات کوتاه‌مدت تقسیم بر بدهی‌ها و سپرده‌های کوتاه‌مدت)، با توجه به تحقیق کفایی و راهزانی (1396) به عنوان هدفیا نورون خروجی شبکه عصبی در نظر گرفته شده است.نمای شبکه عصبی مصنوعی طراحی شده در شکل1 قابل مشاهده است.
شکل1- مدل شبکه عصبی پرسپترون چند لایه طراحی شده
منبع: یافتههای پژوهشگر
1-6-متغیرهای مدل
1-1-6- متغیرهای ورودی
: نسبت دارایی‌های نقد تقسیم بر کل دارایی‌های بانک
: نسبت سپرده‌های مدت‌دار تقسیم بر کل دارایی‌های بانک
: نسبت سپرده‌های مدت‌دار متأثر از نرخ سود تقسیم بر کل سپرده‌های بانک
: نسبت اعتبارات و تسهیلات اعطایی تقسیم بر کل سپرده‌های بانک
2-1-6- متغیرخروجی
: نسبت دارایی‌های نقد و اوراق بهادار سریع‌المعامله و مطالبات کوتاه‌مدت تقسیم بر بدهی‌ها و سپرده‌های کوتاه‌مدت
2-6-معیارهای ارزیابی مدل
برای ارزیابی عملکرد شبکه از دو روش استفاده شده است:
1-2-6- ضریب همبستگی خطی
توان دوم ضریب همبستگی خطی میزان همبستگی بین دو متغیر (دادههای محاسباتی و دادههای واقعی) را تعیین میکند، ضریب تعیین همبستگی خطی می‌نامند. و توسط رابطه 3 محاسبه میشود.
(3)
avg.obs: میانگین دادههای واقعی، obs: دادههای واقعی
n: تعداد کل زوج دادههای واقعی و محاسبه شده توسط مدل
cals: دادههای محاسبه شده توسط مدل متناظر با دادههای واقعی
مقدار ایده‌آل برای ضریب همبستگی خطی، یک می‌باشد.
2-2-6-میانگین مربعات خطا
N: تعداد داده ها
مقدار ایده‌آل برای MSE صفر می‌باشد و توسط رابطه 4 محاسبه میشود.میانگین خطای پیشبینی کمتر از یک درصد خوب محسوب میشود(اصغری اسکویی،1381، 87).
(4)
7- یافتههای پژوهش
1-7- نتایج تحقیق برای بانکهای دولتی تجاری
خلاصه نتایج به دست آمده از پژوهش برای بانک های دولتی تجاری به شرح جدول3 میباشند، همانطور که در جدول3 مشاهده میشود، نتایج به دست آمده از اجرای مدل در بانک ملی ایران نشان میدهد که شبکه عصبی طراحی شده برای همه لایههای پنهان قابل قبول بوده است، برای مثال در مرحله آزمون مدل با در نظر گرفتن 10 لایه پنهان، ضریب همبستگی بیش از 97 درصد است که همبستگی بالای مقادیر پیشبینی شده توسط مدل را با مقادیر واقعی نشان میدهد. میزان خطای شبکه عصبی با معیار میانگین مربعات خطا سنجش شده است، مقدار بسیار کم این خطا (0001/0) بیانگر این موضوع است که شبکه عصبی طراحی شده ریسک نقدینگی را با دقت بالایی پیشبینی نموده است. نتایج به دست آمده برای بانک سپه و پست بانک نیز مشابه بانک ملی ایران است، در بانک سپه نیز به طور مشابه، در مرحله آزمون مدل با در نظر گرفتن 10 لایه پنهان ضریب همبستگی بیش از 90 درصد و میزان خطای شبکه عصبی (0007/0) است، برای پست بانک ضریب همبستگی بیش از 93 درصد و میزان خطای شبکه عصبی (001/0) است. نتایج پژوهش نشان میدهد که شبکه عصبی طراحی شده با استفاده از شاخصهای حسابداری محاسبه شده توانسته است ریسک نقدینگی برای هر سه بانک دولتی تجاری را پیشبینی کند. در ادامه نتایج به دست آمده برای گروه بانک های دولتی تخصصی و توسعهای را بررسی خواهیم کرد.
جدول-3 خلاصه یافته های پژوهش برای بانکهای دولتی تجاری
تعداد لایههای پنهان آموزش مدل آزمون مدل اعتبار سنجی
MSE MSE MSE
خلاصه نتایج اجرای مدل طراحی شده برای بانک ملی ایران
40 0003/0 95339/0 00022/0 95327/0 00025/0 97222/0
30 00023/0 96038/0 00051/0 91517/0 00053/0 91321/0
20 00037/0 93541/0 00031/0 95642/0 00041/0 91812/0
10 00034/0 93138/0 00019/0 97801/0 0003/0 97801/0
خلاصه نتایج اجرای مدل طراحی شده برای بانک سپه
40 0003/0 94237/0 00042/0 9466/0 00053/0 90384/0
30 00027/0 92848/0 00094/0 94221/0 00037/0 94221/0
20 00044/0 91634/0 00037/0 95188/0 00051/0 90445/0
10 00031/0 93621/0 00071/0 90564/0 00091/0 90564/0
خلاصه نتایج اجرای مدل طراحی شده برای پست بانک ایران
40 00123/0 93644/0 0017/0 91763/0 00153/0 8526/0
30 00056/0 96135/0 0024/0 94156/0 00111/0 90504/0
20 00039/0 95632/0 00239/0 87622/0 00674/0 91871/0
10 00083/0 94353/0 00136/0 93182/0 00282/0 92091/0
منبع: یافتههای پژوهشگر
2-7- نتایج تحقیق برای بانکهای دولتی تخصصی و توسعهای:
بانکهای دولتی تخصصی و توسعهای عبارتند از بانک مسکن، بانک کشاورزی، بانک صنعت و معدن، بانک توسعه صادرات ایران و بانک توسعه تعاون. در جدول4 خلاصه نتایج اجرای مدل به تفکیک هر بانک و تعداد لایههای پنهان آزمون شدهدرج شده است. نتایج به دست آمده از اجرای مدل نشان میدهد که شبکه عصبی طراحی شده برای همه بانکهای دولتی تخصصی و توسعهای در همه سطوح تعداد لایههای پنهان قابل قبول بوده است.
برای مثال برای بانک مسکن در مرحله آزمون مدل با در نظر گرفتن 10 لایه پنهان، ضریب همبستگی بیش از 95 درصد است که همبستگی بالای مقادیر پیشبینی شده توسط مدل را با مقادیر واقعی نشان میدهد. میزان خطای شبکه عصبی با معیار میانگین مربعات خطا سنجش شده است، مقدار بسیار کم این خطا (0005/0) بیانگر این موضوع است که شبکه عصبی طراحی شده ریسک نقدینگی را با دقت بالایی پیشبینی نموده است. نتایج به دست آمده برای بانک کشاورزی، بانک صنعت و معدن، بانک توسعه صادرات ایران و بانک توسعه تعاون نیز مشابه نتایج به دست آمده برای بانک مسکن است. در بانک کشاورزی نیز به طور مشابه در مرحله آزمون مدل با در نظر گرفتن 10 لایه پنهان ضریب همبستگی بیش از 97 درصد و میزان خطای شبکه عصبی (0007/0) است، برای بانک صنعت و معدن ضریب همبستگی بیش از 96 درصد و میزان خطای شبکه عصبی (003/0) است. برای بانک توسعه صادرات ایران ضریب همبستگی بیش از 83 درصد و میزان خطای شبکه عصبی (01/0) است. برای بانک توسعه تعاون ضریب همبستگی بیش از 91 درصد و میزان خطای شبکه عصبی (007/0) است. نتایج پژوهش نشان میدهد که شبکه عصبی طراحی شده با استفاده از شاخصهای حسابداری محاسبه شده توانسته است ریسک نقدینگی برای هر پنج بانک دولتی تخصصی و توسعهای را نیز به خوبی پیشبینی کند.
جدول4- خلاصه یافتههای پژوهش برای بانکهای تخصصی و توسعهای
تعداد لایههای پنهان آموزش مدل آزمون مدل اعتبار سنجی
MSE MSE MSE
خلاصه نتایج اجرای مدل طراحی شده برای بانک مسکن
40 0/00048 0/94613 0/0012 0/91452 0/00192 0/90954
30 0/00089 0/92494 0/00037 0/94179 0/00076 0/93101
20 0/00065 0/93004 0/0014 0/90314 0/00073 0/92547
10 0/001 0/90248 0/00059 0/9501 0/00047 0/97155
خلاصه نتایج اجرای مدل طراحی شده برای بانک کشاورزی
40 0/00043 0/97345 0/001 0/92395 0/00103 0/92395
30 0/00126 0/9419 0/00052 0/94508 0/00105 0/8757
20 0/0014 0/87507 0/00102 0/93834 0/00102 0/96132
10 0/00132 0/89654 0/00074 0/9751 0/00075 0/9751
خلاصه نتایج اجرای مدل طراحی شده برای بانک صنعت و معدن
40 0/00035 0/997 0/01827 0/92483 0/01291 0/92962
30 0/00134 0/9898 0/03287 0/91964 0/00282 0/90687
20 0/00297 0/97481 0/01261 0/88105 0/02338 0/91621
10 0/00279 0/9766 0/00348 0/9612 0/01502 0/93924
خلاصه نتایج اجرای مدل طراحی شده برای بانک توسعه صادرات ایران
40 0/00593 0/91769 0/0175 0/74886 0/01634 0/81253
30 0/00637 0/91811 0/04012 0/71333 0/01655 0/788
20 0/00706 0/90278 0/01843 0/70348 0/01435 0/83464
10 0/01203 0/81575 0/01263 0/83041 0/01425 0/80398
خلاصه نتایج اجرای مدل طراحی شده برای بانک توسعه تعاون
40 0/00035 0/99464 0/00799 0/93654 0/00495 0/88065
30 0/00443 96056/0 0/00246 0/91254 0/00535 0/93506
20 0/00176 0/96721 0/01218 0/89687 0/00315 0/91551
10 0/00257 0/94342 0/00726 0/91801 0/00301 0/96452
منبع: یافتههای پژوهشگر
بحث و نتیجه گیری
نظام بانکی یکی از اساسی‌ترین بخشهای اقتصاد محسوب میشود.طبیعت واسطهگری مالی بانکها رابیش از سایر واحدهای اقتصادی با ریسکهای مالی و از همه مهمتر ریسک نقدینگی مواجه میکند،ریسک نقدینگی درصورتی که مدیریت نشود، میتواند منجر به ورشکستگی بانک شود، با توجه به اهمیت این موضوع بانکها با استفاده از روشها و ابزارهای مختلف اقدام به پیشبینی و مدیریت ریسک نقدینگی می نند. در این پژوهشاز نتایج سه دسته ازتحقیقات انجام شدهبهره بردهایم، دسته اول تحقیقاتی که شاخصهای مناسببرای سنجش ریسک نقدینگی در بانکها و مؤسسات اعتباری را با استفاده از اطلاعات سیستم حسابداری بررسی نموده‌اند که از بین آنها تحقیق ثقفی و سیف (1384) جامع‌تر بوده و نسبتهای مورد تأیید آن در سایر تحقیقات مانند تحقیقات کفایی و راهزانی (1396) و انصاری و همکاران (1400) مورد استفاده قرار گرفته شده استو دو دسته دیگر تحقیقاتی که به تحقیق در خصوصشبکه‌های عصبی مصنوعی و یا مقایسه کارایی آن با سایر روشها برای پیشبینی ریسک نقدینگی پرداخته‌اند با توجه به نتایج این تحقیقات، شبکههای عصبی مصنوعی یک ابزار قدرتمند برای تجزیه و تحلیل و تقریب زنندهای جامع شناخته شده است.
در این پژوهش با استفاده از اطلاعات حسابداری و با محاسبه شاخصهای سنجش ریسک نقدینگی،کارایی شبکههای عصبی مصنوعی را در پیشبینی ریسک نقدینگی برای همه بانکهای دولتی ایران آزمون کردیم. شبکه عصبی پرسپترون مورد استفاده برای کسب بهترین نتیجه با توجه به نتایج تحقیق اصغری اسکویی (1381) با چهار ورودی و یک خروجی و الگوریتم آموزشی لورنبرگ مارکوارت طراحی و با استفاده از نرمافزار متلب اجرا گردید. نتایج این پژوهش نشان دادبا استفاده از اطلاعات حسابداری و با به کارگیری شبکه عصبی طراحی شده میتوان ریسک نقدینگی بانکهای دولتی را پیشبینی کرد.
یکی از نیازهای پژوهشی که در وب‌سایت بانکهای دولتی در سالهای اخیر اعلام شده است، طراحی مدلی برای پیشبینی ریسک نقدینگی بوده است بنابراین بانکهامیتوانند در کنار سایر روشهایی که با توجه به ویژگیهای خاص خود به صورت درون سازمانی طراحی و اجرا میشود، از مدل طراحی شدهدر این تحقیق که در آن کلیه بانکهای دولتی ایران مورد بررسی قرار گرفته نیز بهره برده و با طراحی ساختار و نرمافزار مناسب بااستفاده از اطلاعات حسابداری، ریسک و وضعیت نقدینگی برای آینده را پیشبینی کنند. این امر خصوصاً با توجه به تغییر منطق برخورد بانک مرکزی با نحوه مدیریت نقدینگی بانکها و تلاش بانک مرکزی جهت درونی‌سازی مدیریت نقدینگی در بانکها از اهمیت مضاعفی برخوردار است.چنانچه بانکهای دولتی از این روش استفاده نمایند، قابلیت مقایسه وضعیت بانکها با یکدیگر نیز میسر خواهد بود. به طریقی مشابه، بخشهای نظارتی بانک مرکزی ج.ا.ا به عنوان نهاد ناظر بر شبکه بانکی میتواننداز نتایج این پژوهش برای پیشبینی نسبتهای مورد پایش ریسک نقدینگی در بانکهای دولتی استفاده نمایند.
هر تحقیق باید راهنمایی برای تحقیقات آتی باشد با توجه به نتایج این تحقیق، مدل طراحی شده برای بانکهای دولتی عملکرد قابل قبولی داشته استفلذاپیشنهاد میشود،در تحقیقات آتی کارایی مدل مذکور برای بانکها و مؤسسات مالی غیر دولتی نیز مورد آزمون قرار گیرد، درصورتی که این مدل عملکرد مطلوبی نیز برای بانکهای غیر دولتی داشته باشد،میتوان پیشنهاد استفاده از آن را برای کل شبکه بانکی کشور ارائه نمود.
