• Σήμερα είναι: Παρασκευή, 25 Σεπτεμβρίου, 2020

Aναλυτικά εργαλεία πρόβλεψης πτώχευσης τραπεζικών ιδρυμάτων Ειρήνη Ρεθεμιωτάκη, Κωνσταντίνος Ζοπουνίδης, Μιχάλης Δούμπος

Ειρήνη Ρεθεμιωτάκη
Msc, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης

Κωνσταντίνος Ζοπουνίδης
Καθηγητής, Πολυτεχνείο Κρήτης, Μέλος της Βασιλικής Ακαδημίας Οικονομικών και Χρηματοοικονομικών Επιστημών της Ισπανίας, Distinguished Research Professor. Audencia Business School

Μιχάλης Δούμπος
Αναπληρωτής Καθηγητής, Πολυτεχνείο Κρήτης, Εργαστήριο Financial Engineering

Η παγκόσμια οικονομική κρίση το 2007-2008 οδήγησε σε μια τεράστια δίνη τον τραπεζικό τομέα στις ΗΠΑ και σε όλο τον κόσμο. Η πρόβλεψη εταιρικών πτωχεύσεων είναι ένα θέμα αυξανόμενου ενδιαφέροντος για τους επενδυτές/πιστωτές, τους χρηματοπιστωτικούς οργανισμούς και τους ρυθμιστικούς φορείς. Επομένως είναι αναγκαία η έγκαιρη αναγνώριση μιας επικείμενης αποτυχίας. Αναλυτικά εργαλεία και μοντέλα πρόβλεψης της χρηματοοικονομικής αποτυχίας χρησιμοποιούνται εκτενώς, συμβάλλοντας στην εκτίμηση του πιστωτικού κινδύνου, την ανάλυση των εταιρικών επιδόσεων και την ανίχνευση εταιρικής απάτης, μεταξύ άλλων.

Πολλοί ερευνητές έχουν μελετήσει την πρόβλεψη της πτώχευσης κατά τις τελευταίες δεκαετίες. Η έρευνα όμως για καλύτερα αναλυτικά εργαλεία συνεχίζει να εξελίσσεται, αξιοποιώντας νέες μεθοδολογίες από διάφορα επιστημονικά πεδία της διοικητικής επιστήμης και της επιστήμης των υπολογιστών (computer/data science). Τα μοντέλα που αναπτύσσονται συνήθως συνεκτιμούν διάφορα χρηματοοικονομικά στοιχεία (δείκτες) και παρέχουν εκτιμήσεις για την πιθανότητα πτώχευσης σε βραχυπρόθεσμο ή μεσοπρόθεσμο διάστημα (συνήθως 1-3 έτη). Ιδιαίτερα σημαντική είναι η ανάπτυξη αξιόπιστων τέτοιων μοντέλων ανάλυσης για την αποτυχία χρηματοπιστωτικών ιδρυμάτων, καθώς οι κίνδυνοι που αντιμετωπίζουν παραμένουν αυξημένοι και εποπτικοί φορείς πραγματοποιούν συστηματικά αναλύσεις για να εξασφαλιστεί η ευστάθεια του χρηματοπιστωτικού συστήματος.

Πρόσφατα, στο Εργαστήριο Συστημάτων Χρηματοοικονομικής Διοίκησης του Πολυτεχνείου Κρήτης, πραγματοποιήθηκε έρευνα για την ανάπτυξη μοντέλων πρόβλεψης, χρησιμοποιώντας ως παράδειγμα μια εκτενή βάση δεδομένων περίπου 8.200 τραπεζών από τις ΗΠΑ.

Μεθοδολογία

Στην ανάλυση χρησιμοποιήθηκαν τα πλέον πρόσφατα δεδομένα αμερικανικών τραπεζών για την περίοδο 2003-2014. Το δείγμα αποτελείται από 8.200 τράπεζες, συμπεριλαμβανομένων 330 που πτώχευσαν στη διάρκεια αυτής της περιόδου. Έγινε χρήση 30 χρηματοοικονομικών δεικτών και χρησιμοποιήθηκαν καθιερωμένες στατιστικές τεχνικές ανάλυσης δεδομένων για την επεξεργασία των διαθέσιμων στοιχείων. Σε πρώτη φάση έγινε μια προεπεξεργασία του δείγματος για την επιλογή των πλέον αντιπροσωπευτικών δεικτών και στη συνέχεια αναπτύχθηκε το τελικό μοντέλο πρόβλεψης, το οποίο δίνει βραχυπρόθεσμες εκτιμήσεις του κινδύνου πτώχευσης (σε βάθος χρόνου ενός έτους).

Αποτελέσματα

Όπως προαναφέρθηκε, στην ανάλυση εξετάστηκαν αρχικά 30 δείκτες από διάφορες κατηγορίες:

1. Κεφαλαιακής επάρκειας.

2. Ποιότητας ενεργητικού.

3. Αποδοτικότητας.

4. Ρευστότητας.

5. Λειτουργικών επιδόσεων και κόστους.

Η χρήση όμως πολλών μεταβλητών στην ανάπτυξη ενός μοντέλου πρόβλεψης το καθιστά δύσχρηστο και αυξάνει την πιθανότητα εσφαλμένων στατιστικών εκτιμήσεων. Για τον λόγο αυτό πραγματοποιήθηκαν διάφοροι στατιστικοί έλεγχοι για την επιλογή των δεικτών εκείνων που έχουν την υψηλότερη προβλεπτική ικανότητα (παραμετρικοί, όπως το t-test, και μη παραμετρικοί, όπως o έλεγχος των Mann-Whitney). Επιπλέον, χρησιμοποιήθηκε η ανάλυση κύριων συνιστωσών (principal component analysis), μια περιγραφική στατιστική τεχνική ανάλυσης δεδομένων που επιτρέπει τον εντοπισμό των μεταβλητών που περιγράφουν καλύτερα τις συνολικές διακυμάνσεις στα δεδομένα.

Με βάση τις παραπάνω αναλύσεις εντοπίστηκαν εννέα σημαντικοί χρηματοοικονομικοί δείκτες, οι οποίοι μάλιστα συμβαδίζουν με τα αποτελέσματα ερευνών από τη διεθνή βιβλιογραφία σε θέματα επιδόσεων και βιωσιμότητας τραπεζικών ιδρυμάτων. Οι δείκτες αυτοί παρουσιάζονται στον παρακάτω πίνακα:

Η ανάπτυξη του τελικού μοντέλου πρόβλεψης βάσει των παραπάνω δεικτών πραγματοποιήθηκε με τη λογιστική παλινδρόμηση (logistic regression). To τελικό μοντέλο πρόβλεψης έχει την ακόλουθη μορφή:

Το μοντέλο αυτό βαθμολογεί τις τράπεζες σύμφωνα με τον κίνδυνο πτώχευσής τους το επόμενο έτος. Εταιρείες με υψηλή βαθμολογία είναι αυτές που αντιμετωπίζουν τα μεγαλύτερα προβλήματα και έχουν αυξημένο κίνδυνο αποτυχίας.

Η εξέταση της προβλεπτικής ικανότητας του μοντέλου έδειξε ότι κυμαίνεται σε πολύ ικανοποιητικά επίπεδα. Συγκεκριμένα παρατηρήθηκε ότι η βαθμολογία κινδύνου, σύμφωνα με το παραπάνω μοντέλο, για το 95% των πτωχευμένων τραπεζών ήταν υψηλότερη από τη βαθμολογία κινδύνου των μη πτωχευμένων περιπτώσεων.

Συμπεράσματα

Η χρήση αναλυτικών εργαλείων μοντελοποίησης, ανάλυσης και πρόβλεψης στον χρηματοοικονομικό τομέα έχει εντατικοποιηθεί τα τελευταία χρόνια. Η εφαρμογή τέτοιων προσεγγίσεων για την εκτίμηση του κινδύνου πτώχευσης, ειδικά στον χώρο των τραπεζών, είναι ιδιαίτερα σημαντική για τη συστηματική παρακολούθηση της βιωσιμότητάς τους, τον έγκαιρο εντοπισμό προβλημάτων και την εξασφάλιση της ευστάθειας του χρηματοπιστωτικού συστήματος. Σε συνδυασμό με άλλα εργαλεία που χρησιμοποιούνται στο πεδίο αυτό (όπως οι ασκήσεις ακραίων καταστάσεων), μπορεί να διαμορφωθεί ένα ολοκληρωμένο πλαίσιο που θα συμβάλλει στην έγκαιρη λήψη μέτρων για την πρόληψη και καλύτερη αντιμετώπιση τραπεζικών κρίσεων στο μέλλον.

Τα αποτελέσματα της έρευνας που παρουσιάστηκε έδειξαν ότι χρησιμοποιώντας απλά στατιστικά εργαλεία μπορούν να πραγματοποιηθούν αξιόπιστες εκτιμήσεις σε βραχυπρόθεσμο ορίζοντα. Η ανάλυση, βέβαια, πρέπει να επεκταθεί σε μεσο-μακροπρόθεσμο ορίζοντα, συνεκτιμώντας και άλλους παράγοντες, όπως στοιχεία εταιρικής διακυβέρνησης, μια πιο αναλυτική περιγραφή των χρηματοοικονομικών στοιχείων των τραπεζών (λεπτομερή ανάλυση των ενεργητικών τους στοιχείων), λαμβάνοντας επίσης υπόψη και στοιχεία του μακροοικονομικού περιβάλλοντος. Παράλληλα, ιδιαίτερα χρήσιμη είναι η αξιοποίηση νέων υπολογιστικών τεχνικών για την ανάπτυξη πιο σύνθετων και αξιόπιστων μοντέλων ανάλυσης.

X1: Μη εξυπηρετούμενα δάνεια / Ίδια κεφάλαια
X2: Καθαρά κέρδη / Ενεργητικό
X3: Καθαρά δάνεια / Ενεργητικό
X4: Ίδια κεφάλαια / Ενεργητικό
X5: Καθαρά κέρδη μετά φόρων / Ενεργητικό
X6: Καθαρά έσοδα από τόκους / Ενεργητικό
X7: Δείκτης tier 1