Analiza Si Prognoza Statistica a Riscului de Creditare

ANALIZA ȘI PROGNOZA STATISTICĂ A RISCULUI DE CREDITARE

TEZA DE DOCTORAT

Introducere

Instituțiile financiare au un rol important în cadrul sectorului financiar, ele determină buna funcționare a unităților economice și a economiei în ansamblu. Este necesar un sistem de instituții financiare funcțional, ce poate oferi o gamă largă de produse și servicii, capabile să satisfacă exigențele tuturor potențialilor clienți.

Teză abordează acest sistem financiar, ca segment indispensabil al ansamblului economic, prin riscul care amenință cel mai puternic instituțiile financiare, riscul de creditare. Realitatea economică și financiară, atât internațională cât și internă este interesată să posede un sistem financiar solid, care să permită asigurarea unui cadru organizatoric corespunzător dezvoltării mecanismelor financiare [Anca Socaciu, Sistem de analiză bancară, p. 8].

Alegerea temei de cercetare pornește de la impactul pe care sistemul financiar îl are în întreaga economie, considerând că o economie de piață nu poate funcționa fără instituții financiare profitabile și bine consolidate. Pe măsură ce economia și mediul de afaceri din România s-au dezvoltat, instituțiile financiare au urmat același trend.

Pe măsură ce efectele crizei apărute în 2007 s-au extins, s-au evidențiat nereguli cu privire la procesul de creditare. Printre acestea s-au remarcat lipsa sau insuficienta reglementare a anumitor segmente extrem de volatile ale pieței de capital, controlul insuficient al produselor financiare hibride și practici neadecvate de gestionare a riscurilor la nivelul instituțiilor financiare.

Lucrărea de față reprezintă un sistem de analiză a creditelor, care să furnizeze informații, argumente și soluții capabile să evite declanșarea anumitor fenomene responsabile de vulnerabilitatea sectorului financiar.

Teza are ca domeniu de cercetare analiza și prognoza riscului de creditare, analizând instituțiile financiare din prisma riscului de creditare, cu ajutorul indicatorilor economico-financiari specifici și folosind metode statistice de analiză și prognoză. Scopul este crearea unui sistem financiar viabil și performant.

Riscul de creditare este întâlnit în cazul instituțiilor financiare, în special cele creditoare. Este specific naturii operațiunilor desfășurate de către entitățile din acest domeniu, fiind o particularizare a riscului operațional inerent oricărei afaceri, risc care diferă însă prin structură și amploare, de la un sector economic la altul.

Riscul de creditare este monitorizat prin intermediul a două canale diferite de investigare: definirea riscului de creditare – cuprinsă în prima parte a lucrării și analiza statistică a riscului de creditare – tratată ulterior în partea a doua.

Lucrarea tratează riscul de creditare din punctul de vedere al creditorului. Creditorul face referire la persoana juridică care împrumută bani sau prestează un serviciu în anumite condiții cu scopul de a realiza profit. Acesta creditează atât persoane fizice cât și juridice, dar își asumă că la scadență, clientul poate să nu își stingă obligațiile față de el.

Scopul studiului care a stat la baza elaborării lucrării de doctorat vizează analiza și prognoza riscului de creditare în România și Europa, în vederea identificării factorilor care influențează riscul de creditare, stabilirii legăturilor ce există între factorii de influență și riscul de creditare, precum și prognoza riscului de creditare. Această abordare este necesară în prezent deoarece riscul de creditare a luat amploare și instituțiile creditoare trebuie să știe ce anume să analizeze pentru a-1 înfrunta în cunoștință de cauză.

Obiectivele cercetării:

– definirea conceptului de risc de creditare;

– identificarea și analiza principalilor indicatori de evaluare a riscului de creditare;

– identificarea factorilor de influență ai riscului de creditare;

– stabilirea metodelor de evaluare a riscului de creditare;

– analiza principalilor indicatori economico-financiari ai riscului de creditare la nivelul României;

– analiza principalilor indicatori economico-financiari privind riscul de creditare la nivelul Europei;

– analiza unor cazuri de disfuncționalități, identificând cauzele producerii lor.

Teza de doctorat este structurată în cinci capitole, organic legate, concluzii și propuneri cu privire la riscului de creditare.

Capitolul I, Elemente conceptuale privind riscul de creditare, prezintă conceptele de risc, incertitudine, activitatea de creditare și risc de creditare, evidențiind concepțiile și teoriile care stau la baza definirii acestora.

Conceptul de risc este definit ca evenimentul viitor posibil ce va avea alt rezultat decât obiectivele propuse. Acest eveniment poate avea un impact pozitiv și atunci se poate îmbunătăți performața sau se pot atenua riscurile. Deși riscul presupune 50% așteptări pozitive, 50% așteptări negative, de cele mai multe ori riscului i se asociază un impact contrar obiectivelor, devenind eveniment nedorit.

Activitatea de creditare este activitatea de bază a instituțiile financiare, iar riscul de creditare, cel mai important risc care poate greva rezultatele intermediarilor instituțiilor financiare.

În perioada de tranziție, sistemul financiar românesc a cunoscut o dezvoltare structurală a activității instituțiilor financiare, crescând în această perioadă numărul instituțiilor financiare. Pentru menținerea viabilității sistemului financiar a fost necesară concentrarea pe produse specializate sau pe anumite segmente ale clientelei.

Capitolul II, Identificarea și evaluarea riscului de creditare, cuprinde problemele metodologice privind identificarea și măsurarea riscului de creditare, propunându-și să clarifice conceptul de măsurare și evaluare a riscului.

Identificarea și măsurarea riscului de creditare permit detectarea problemelor cu care se confruntă instituțiile financiare. Obiectivul principal al instituțiilor financiare este optimizarea profiturilor, performanța lor reprezentă un indiciu al stabilității și al încrederii clienților.

Instituțiile financiare urmăresc obținerea de profit și un risc de creditare cât mai mic. In practica financiară sunt cunoscute diferite instrumente de măsurare și redare a performanței financiare, unul dintre ele fiind sistemul de indicatori utilizat în acest scop.

În acest capitol sunt prezentați principalii indicatori de evaluare a riscului de creditare: rata riscului de creditare, rata creditelor restante, rata creditelor neperformante, rata rezervelor pentru pierderi, rata provizioanelor față de pierderi, rata provizioanelor în profit, rata rentabilității, solvabilitatea, rata rentabilității economice (ROA – return on assets), rata rentabilității capitalului propriu (ROE – return on equity), efectul de pârghie (EM – equity multiplier). Indicatorii de evaluare a riscului de creditare reflectă gradul de generare a profitului, eficiența operațională și managerială.

Capitolul III, Metode statistice de analiză și prognoză a riscului de creditare, tratează metodele statistice specifice analizei și prognozei riscului de creditare și utilității lor. Metodele de analiză statistică a riscului de creditare folosite sunt analiza de regresie, ANOVA, analiza cluster, analiza componentelor principale, iar prognoza statistică folosește metodologia Box-Jenkins.

Ansamblul metodelor de analiză și prognoză a riscului de creditare cu scopul de a – l limita, diviza, finanța și a diminua expunerea la risc reprezintă gestiunea riscului de creditare.

Capitolul IV al lucrării conține studiul de caz, aplicând metodele prezentate la capitolul III pe baze de date oficiale ce conțin indicatorii economico-financiari ce descriu riscul de creditare, conturând o imagine a stării actuale a riscului de creditare în România și prognoza acestuia pentru un orizont de un trimestru. Aceste analize prezintă corelațiile dintre indicatorii analizați în cazul riscului de creditare, repartizarea pe zone geografice a riscului de creditare, o clasificarea în funcție de numărul creditelor și prognoza, astfel încât să se analizeze situația în cunoștință de cauză.

Capitolul V al lucrării conține studiul de caz, aplicând metodele prezentate la capitolul III pe baze de date oficiale ce conțin indicatorii economico-financiari ce influențează evoluția riscului de creditare în Europa și prognoza acestuia pentru un orizont de un an. Aceste analize prezintă corelațiile dintre indicatorii analizați în cazul riscului de creditare, repartizarea pe țări a riscului de creditare, o clasificarea în funcție de numărul datoriilor și prognoza datoriilor private în Europa.

Acesta este urmat de concluzii, considerații finale și soluții de îmbunătățire a analizei riscului de creditare.

Această lucrare face parte din puținele cercetări cu privire la riscul de creditare la nivel macroeconomic și consider că poate fi continuată cu o viitoare cercetare.

Rezultatele cercetării au fost influențate de unele limite. Una dintre aceste limite face referire la eroarea datorată înregistrărilor lipsă. O altă limită este lipsa unei baze de date complete privind riscul de creditare și factorii de influență a acestuia la nivel regiunilor României și la nivelul țărilor din Europa. Limita care a pus cele mai multe piedici cercetării o reprezintă faptul că la nivel României există un set de indicatori înregistrați ce evaluează riscul de creditare diferit de cel de la nivelul Europei. Această limită a făcut destul de greoaie comparația dintre România și Europa.

Ca urmare a acestor limite, consider că lucrarea poate fi extinsă, reprezentând un potențial de cercetare pe viitor. Lucrarea poate fi continuată în mai multe direcții, atât la nivel macroeconomic, cât și la nivel macroeconomic.

Una din perspectivele viitoare o reprezintă extinderea cercetării la nivel mondial. Astfel am evidenția caracteristicile riscului de creditare din alte zone decât cele ale Europei și traiectoria riscului de creditare după instalarea crizei financiare.

O altă perspectivă de cercetare este analiza riscului de creditare la nivel microeconomic, analizând, din punct de vedere statistic, riscul de creditare dintr-o instituție financiară până în momentul acordării creditului, analiză ce stă la baza deciziei de creditare.

Având în vedere că riscul de creditare a început să fie mai mult în atenția economiștilor după instalarea crizei financiare, lucrarea de față abordează o temă de actualitate și relativ nouă, tratată puțin la nivel macroeconomic, atât de cercetătorii români, cât și cei străini. Așadar, rezultatele cercetării pot fi folosite la întelegerea mai bună a riscului de creditare.

Aș dori să mulțumesc doamnei profesor universitar doctor Elisabeta Jaba pentru că a acceptat să fie conducătorul științific al tezei mele de doctorat și pentru sprijinul și îndrumarea pe care mi le-a oferit de-a lungul perioadei de cercetare. Dedicația personală a doamnei profesor și contribuțiile aduse domeniului statisticii mi-au călăuzit pașii și m-au apropiat de această știință încă din perioada studenției.

De asemenea aș dori să mulțumesc membrilor comisiei de doctorat, doamnei profesor universitar doctor Monica Roman, domnului profesor universitar doctor Vergil Voineagu și doamnei conferențiar universitar doctor Viorica Chirilă pentru îndrumare și interesul față de tema cercetării.

Doresc să adresez mulțumiri și membrilor colectivului de la Catedra de Statistică pentru spiritul deschis și colegial cu care m-au primit întotdeauna și au răspuns întrebărilor mele.

Capitolul I. Elemente conceptuale privind riscul de creditare

1.1 Risc

Din cele mai vechi timpuri oamenii au fost preocupați să găsească certitudini. Din dorința și nevoia de certitudine a apărut religia. Einstein considera că religia a pornit de la frică, la început. Teama de necunoscut a dat naștere zeilor, ființe supranaturale, care hotărau destinele oamenilor. Prin realizarea unor fapte și jertfe, oamenii nu prevedeau niciun risc asupra lor și credeau că au certitudinea că nimic rău nu li se va întampla.

Între timp, religia a evoluat, ajungându-se de la frică la morală, iar nevoia de a distinge binele de rău, de a ști cu certitudine ce este moral și ce nu, a condus la credința în Dumnezeu, care ocrotește, hotărăște, răsplăteste și pedepsește. Prin Dumnezeu oamenii au dobândit o nouă certitudine, aceea că nimic nu este întâmplător, ci hotărât de Dumnezeu, ca rasplată pentru faptele noastre [Albert Einstein, Cum văd eu lumea, 1992, p. 241-246].

Istoria dezvoltării societății omenești schimbă în permanență viziunea asupra naturii. Aceasta este explicată prin acumularea de cunoștințe precedate de observări repetate, formulări ale ipotezelor diverselor teorii și confirmarea sau respingerea lor de către realitate. Acumularea de cunoștințe nu înseamnă doar o simplă creștere cantitativă, ci și schimbări calitative ce afectează însăși imaginea asupra naturii [Ilya Prigogine, Isabelle Stengers, Noua alianță – metamorfoza științei, 1984, p. 20]. Aceste schimbări, care explică progresul societății omenești, nu conduc la îndreptarea eforturilor procesului de cunoaștere spre descoperirea unor scheme atotcuprinzătoare sau a unor modele unificatoare universale pentru rezolvarea într-o manieră similară a problemelor cu care se confruntă oamenii, dimpotrivă, acceptarea complexității nu a dus la o diminuare a progresului științei, ci a produs structuri conceptuale noi, care se dovedesc a fi acum tot atât de importante în înțelegerea lumii noastre fizice, ca și lumea în care trăim [ Ilya Prigogine, Isabelle Stengers, op.cit., p. 21].

Întregul progres cu toate schimbările lui nu a condus la certitudini, ci dimpotrivă a adus în calcul multe necunoscute, iar acolo unde există necunoscut este și risc. Orice activitate presupune un risc. Solon susținea că “orice activitate umană își are riscul ei și nimeni nu știe unde va ajunge atunci când începe ceva”. Anticii întareau acest lucru prin afirmația “cu cât un lucru este mai important, cu atât e mai plin de risc”, legând amploarea riscului de dimensiunea și importanța activității [Theodor Simenschi, Dicționar de termeni și expresii clasice, 1978, p. 132].

Benjamin Franklin afirma că în lumea în care trăim nu există decât două lucruri sigure: moartea și impozitele, dar chiar și ele implică un anumit grad de risc, deoarece nimeni nu știe când vom muri și nici cât de mari vor fi impozitele ce la vom plăti [D. Beggs, S. Fisher, R. Dornbusch, Economics, 1994, p. 236].

Pentru sociologul Niklas Luhmann termenul "risc" este un neologism care a apărut odată cu trecerea de la societatea tradițională la societatea modernă [Niklas Luhmann, Modern society shocked by its risks, 1996, p. 17].

"În Evul Mediu termenul “risicum” a fost folosit în contexte specifice, în special în comerțul maritim și problemele juridice de pierdere sau deteriorare care decurg din aceasta” [James Franklin, The science of conjecture: evidence and probability before Pascal, 2001, p. 274]. În limbile vernaculare din secolul al 16-lea au fost utilizate cuvintele „rischio” și „riezgo”, fiind introduse și în Europa continentală, odată cu interacțiunea cu Orientul Mijlociu și comercianții arabi din Africa de Nord. În limba engleză termenul de risc a apărut abia în secolul al 17-lea, și "se pare că este importat din Europa continentală". Atunci când terminologia de risc s-a dezvoltat, a înlocuit noțiunea veche care reflecta "termenii de noroc și ghinion” [Niklas Luhmann, op. cit., p. 18].

Riscul prezintă asumarea mai mult sau mai puțin conștientă a rezultatelor alegerii făcute. El se referă la probabilitatea de reușită sau eșec a acțiunii realizate pe baza unei decizii oarecare. Riscul poate proveni fie din nedeterminarea sau inexistența informațiilor rezultatului acțiunii, fie din caracterul ambiguu al informațiilor deținute la un moment dat.

Din perspectiva unui agent economic riscul este exprimat prin valoarea dispersiei sau volatilitatea în jurul mediei. În orice activitate câștigul implică existența posibilității pagubei, în dreptul roman, generalizându-se această regulă, se arăta că unde este câștigul, acolo este și riscul pagubei: ”ubi emolumentum ibi onus”.

Managerii manifestă aversiune față de risc deoarece “în majoritatea firmelor, rapoartele financiare au în vedere controlul și nu succesul…. Indicatorii bazați pe control determină o aversiune pentru risc, dar pentru a avea succes este necesară asumarea riscurilor…. Realizarea unui echilibru între controlul managerial și asumarea unor riscuri este o problemă fundamentală” [Charles Coats, Managerul total, 1997, p. 33].

Există diferite definiții ale riscului pentru fiecare aplicație. Utilizarea inconsecventă și ambiguă pe scară largă a cuvântului este una dintre criticile curente a metodelor de gestionare a riscurilor [Douglas Hubbard, The failure of risk management: why it's broken and how to fix it, 2009, p. 93]. Deoarece mult timp riscul făcea referire la evenimente viitoare cu impact negativ, termenul de risc este înțeles eronat și există o aversiune față de risc, asociind riscul cu eșecul.

Riscul este definit ca probabilitatea pierderii atașate unui câștig.

Definițiile recente prezintă riscul mai mult ca o oportunitate, însăși etimologia termenului “risc” este latinescul “risicare”, care inseamnă a îndrăzni. Riscul este definit în această direcție în decembrie 2000 de către ghidul de la Institutul Managementului Proiectelor: “Riscul proiectului reprezintă un eveniment sau o condiție incertă care, în cazul în care se produce, are un efect pozitiv sau negativ asupra obiectivelor proiectului… Riscul proiectului include atât amenințările la adresa obiectivelor proiectului, cât și oportunitățile de îmbunătățire ale acestor obiective” [Alexandra Horobet, Managementul riscului în investițiile internaționale, 2005, p. 4].

Conceptul de risc este privit sub mai multe aspecte:

riscul, ca eveniment nedorit (evenimentul viitor și efectele dezastruoase pe care apariția acestui eveniment le produce);

riscul, ca funcție a probabilității (probabilitatea de apariție a evenimentului cu potential de risc, analiza riscului se ocupă de factorii care influențează această probabilitate);

riscul, ca variație (variația distribuției veniturilor, analiza riscului pleacă de la volatilitatea valorii unui portofoliu);

riscul, ca pierdere așteptată (riscul este definit ca produs al probabilitătii de apariție și nivelul pierderii) [V. Măzăreanu, Economia digitala și managementul riscurilor, 2009, p. 9].

Definiții ale riscului, ca eveniment nedorit

Prima definiție dată riscului în acest sens îi apartine lui Abraham de Moivre în lucrarea “De mensura sortis” (1711): “Riscul pierderii oricărei sume este inversul așteptării, iar adevărata măsura a lui este dată de produsul dintre suma <<aventurată>> și probabilitatea pierderii”.

„Riscul este incertitudinea cu privire la o pierdere” [Green Tieschman, Risk and insurance, p. 143]. „Riscul reprezintă probabilitatea survenirii unui eveniment nedorit” [Ioan Giurgiu, Mecanismul financiar al intreprinzătorului, 1995, p. 175].

„Riscul reprezintă incertitudinea cu privire la producerea unei pagube” [George E. Rejda, Principles of risk management and insurance, 2007, p. 127].

„Riscul este un element de incertitudine care poate afecta activitatea unui agent economic sau derularea unei operațiuni economice” [Y. Bernard, J.C.Colli, Vocabular economic și financiar, 1997, p. 128].

Conform Dicționarului explicativ al limbii române prin noțiunea de risc se înțelege pericol, inconvenient posibil, probabilitatea de producere a unui eveniment cu consecințe nedorite pentru subiect.

Organizația pentru Cooperare și Dezvoltare Economică a adoptat în 1983 definiția: “riscul este constituit din posibilitatea ca un fapt cu consecințe nedorite să se producă”.

Niță Dobrotă în „Dicționarul de economie”definește riscul ca acel eveniment sau proces nesigur și probabil care poate cauza o pagubă, o pierdere într-o activitate, operațiune sau acțiune economică.

Existența riscului induce o expunere la risc, care este valoarea actuală a pierderilor sau cheltuielilor suplimentare pe care le poate suporta în viitor un anumit subiect [Iulia Iuga, Managementul riscului de credit în perspectiva Acordului Basel II, p. 1].

„Riscul este acea situație în care există posibilitatea unei devieri potrivnice rezultatului sperat” [Emmett J. Vaughan, Fundamnetals of Risk Inssurance, 2007, p. 24].

„Riscul poate fi definit ca posibilitatea ca pierderile să fie mai mari decât se asteaptă” [Mehr Hedges, Risk Management. Concept and Applications, 1973, p.110].

„Riscul este acea situație în care există posibilitatea unei devieri potrivnice a rezultatului sperat”.

Când vorbim de risc ne referim la acel fenomen aleatoriu potențial generator de pagube, care se caracterizează prin posibilitatea determinării rezultatelor, a probabilităților obiective și a magnitudinii impactului asupra obiectului afectat [Elena Druică, Risc și afaceri, 2006, p. 15].

Toate aceste definiții privesc riscul ca evenimentul negativ ce se poate întâmpla și se dorește eliminarea sau diminuarea acestuia.

Definiții ale riscului, ca variație

„Riscul reprezintă variabilitatea rezultatului posibil în funcție de un eveniment nesigur, incert” [Mark S. Dorfman, Introduction to Risk Management and Inssurance, 2005, p.33].

O definiție asemănătoare este dată de Williams, conform căruia riscul reprezintă „variația, variabilitatea rezultatului unei acțiuni sau decizii într-o perioadă de timp, într-o situație determinată; în aceste condiții se poate aprecia, că în cazul în care există un singur rezultat posibil al unei decizii/acțiuni, atunci riscul asociat acesteia este nul” [C. Arthur Williams, Risk Management and Inssurance, 1997, p. 54].

„Riscul se traduce prin variabilitatea profitului față de media rentabilității în ultimele exerciții financiare…riscul nu este altceva decât incapacitatea intreprinderii de a se adapta, în timp și la cel mai mic cost, la variația condițiilor de mediu” [I. Stancu, Gestiune financiara, 1994, p. 236].

„ Într-o accepțiune sintetică, riscul – inerent oricărei activități – semnifică variabilitatea rezultatului sub presiunea mediului” [Maria Niculescu, Diagnostic global strategic, 1997, p. 234].

În luarea unei decizii sursele proprii provenite din profiturile viitoare au o importanță deosebită în utilizarea lor și în dimensionarea nevoii de finanțare din alte surse, astfel, s-a ales ca criteriu de definire a riscului oscilațiile profitului față de medie [Cezar Gotcu, op. cit., p. 65].

Riscul reprezintă posibilitatea ca rezultatele reale să fie diferite de cele așteptate, adică să fie mai bune sau mai slabe decât cele așteptate. În această accepțiune riscul se prezintă sub forma variabilității rezultatelor posibile a fi obținute.

Definițiile riscului, ca variație, nu îl asociază nici cu un eveniment pozitiv, nici cu un eveniment negativ, ele conduc la ideea că riscul este o variație de la o sumă luată în calcul, fie mai mică, fie mai mare. Aceste definiții nu au legatură nici cu pierderea nici cu câștigul.

Definiții ale riscului, ca funcție a probabilității

Din punct de vedere probabilistic, riscul “poate însemna și variabilitatea profitului față de media profitabilității din ultimii ani” [Gh. Negoescu, Risc și incertitudine în economia contemporană, 1995, p. 231].

Riscurile sunt probabilități asociate pierderilor datorate unor evoluții adverse ale evenimentelor. Gestiunea riscurilor este realizată prin ansamblul instrumentelor, tehnicilor și dispozitivelor organizatorice necesare instituției creditoare pentru a reuși [V. Dedu, Gestiune și audit bancar, 2001, p. 72].

Definițiile riscului, ca funcție a probabilității, fac referire la probabilitățile de apariție a acestuia, dar păstrează caracteristica negativă și ea în calcul doar evoluția adversă și măsuri de gestiune și eliminare a acestuia.

Definiții ale riscului, ca pierdere așteptată

Potrivit analizei factoriale a riscului, acesta este: frecvența probabilă și magnitudinea probabilă a pierderilor viitoare [J. A. Jones, An Introduction to Factor Analysis of Information Risk, 2006, p. 36].

Definițiile riscului, ca pierdere așteptată, se referă la o anumită valoare calculată la care se presupune că se ajunge, aceasta reprezentând o pierdere, deci ia în calcul doar jumătatea negativă a riscului.

„Riscul reprezintă unul dintre cele mai vagi și mai evazive concepte, care este greu de definit de către economiști și cu atât mai greu de către investitori” [M. Mourques, Les chois des investissements dans l’entreprise, 1994, p. 39]

„Riscul produs sub incidența unor imprejurări creează efect asupra rezultatelor unei intreprinderi, implicit asupra operatorului care a derulat respectiva tranzacție/contract” [D.O. Paxino, Politica valutară și managementul riscurilor în tranzacțiile internaționale, 2003, p. 182]

“Cei mai mulți autori atunci când definesc riscul și gestiunea riscului se concentrează asupra funcției clasice a băncilor, de intermediere în sfera riscurilor financiare prin diviziunea acestora; din acest punct de vedere e tratată în special problema unor pierderi neprevăzute la active bancare, pierderi cauzate de riscuri de piată, de credit sau de lichiditate” [Luminița Roxin, Gestiunea riscurilor bancare, 1997, p. 11]. Riscul, chiar și cel financiar și, implicit, riscul de creditare, există peste tot, în orice activitate, nu doar în bănci sau instituții financiare.

În literatura economică riscul este definit ca probabilitatea ca rentabilitatea viitoare să fie mai mică decât rentabilitatea așteptată [P. Hapern, J. F. Weston, E. F. Brigham, Canadian Managerial Finance, 1994, p. 934].

Riscul este un angajament ce poartă o incertitudine dată, cu probabilitate de câștig sau pierdere [Iuliana Predescu, Activitatea bancară între performanță și risc, 2005, p. 64].

Riscul este la granița dintre amenințare și oportunitate, asumarea riscului este calculată, în speranța că nematerializarea evenimentului va aduce un beneficiu [B.A. Aubert, M. Patry, S. Rivard, Framework for Information Technology Outsourcing Risk Management, 2005, p. 10].

Riscul poate fi atât negativ cât și pozitiv, dar din cauza subiectivismului și a fricii tinde să fie doar partea negativă asupra cărora oamenii se concentrează. Acest lucru se datorează faptului că unele lucruri pot fi periculoase, cum ar fi punerea vieții lor sau a altora în pericol. Oamenii privesc riscurile ca și cum acestea ar avea un efect negativ asupra viitorului lor.

Noi considerăm riscul în lucrare ca fiind 50% pierdere și 50% câștig, el poate reprezenta în același timp, atât o amenințare cât și o oportunitate și îl măsurăm ca probabilitate.

1.2 Incertitudine

Incertitudinea presupune anticiparea foarte vagă a unor elemente astfel încât nu se poate face nicio previziune cu privire la ceea ce se va întâmpla, în definirea incertitudinii singura certitudine este: "nimic nu este sigur sau previzibil" [Cristian Păun, Aspecte financiare ale relatiilor economice internationale, 2003, p. 118].

Incertitudinea este situația în care nu se cunoaște evoluția ulterioară a evenimentelor și probabilitățile aferente. În practică, termenii de incertitudine și risc, sunt folosiți cu același sens pentru a evidenția dificultatea de a previziona cu exactitate viitorul. Aceștia induc ideea de expunere la o pierdere potențială și sensul lor este redus în practica economică la posibilitatea apariției unui rezultat viitor nefavorabil [Cristian Păun, Finanțarea internațională, p. 22].

Incertitudinea reprezintă situația în care decidentul nu poate anticipa evoluțiile și/sau propriile sale acțiuni viitoare și/sau decizii și nici pe ale altora [Hermann Hope, On Certainity and Incertainity, 1997, p. 89].

Rowe consideră că incertitudinea este posibilă atunci când informații referitoare la anumite condiții/evenimente generatoare de pierderi sunt absente. Levy și Sarnat susțin că „incertitudinea se definește ca situația în gama de rezultate posibile ale unei decizii este cunoscută, dar nu li se poate asocia nicio distribuție de probabilitate” [P. Conso, La gestion financiere de l’entreprise, 1985, p. 56].

Incertitudinea este prezentă ca o reflectare a ignoranței oamenilor, a imposibilității de a ințelege ordinea naturală a lucrurilor, iar probabilitatea producerii fenomenelor este obiectivă, ea fiind valoarea limită către care tinde frecvența unui eveniment pe măsura ce numărul experimentelor crește. În acelasi timp, incertitudinea este o parte integrantă a realității, situând hazardul în centrul fenomenelor și proceselor din natură și societate, iar probabilitatea este în totalitate subiectivă, fiind apreciată de fiecare individ, în situația în care acesta nu are un acces complet la informație.

Incertitudinea reprezintă situația în care decidentul nu poate anticipa evoluțiile și propriile sale acțiuni viitoare și decizii și nici pe ale altora. Sursele primare ale incertitudinii pot fi două: prima sursă este „hazardul” sau „șansa pură” care imprimă fenomenelor și proceselor economice o evoluție aleatoare și a doua este generată de capacitatea diferită de cunoaștere și de interpretare a individului confruntat cu luarea unei decizii.

Luarea unei decizii în condiții de incertitudine este caracterizată prin următoarele elemente:

• Decidentul nu este conștient de existența unei probleme;

• Decidentul dispune de informații necorespunzătoare cantitativ, calitativ, care nu au relevantă;

• Incapacitatea de identificare a unei probleme/conjuncturi nefavorabile (a cauzelor și componentelor, a relațiilor dintre acestea) și de scalare a lor în funcție de gravitatea și gradul de interdependență dintre ele;

• Informație incompletă care nu permite formularea unei liste complete a consecințelor unei decizii;

• Experiență și abilități cognitive limitate ale decidentului[Cristian Păun, op. cit., p. 18].

Printre factorii care influentează incertitudinea asociată condițiilor de adoptare a unei decizii pot fi enumerați:

• Informație inadecvată și indisponibilă;

• Nedefinirea clară a problemei;

• Incapacitatea/imposibilitatea de identificare a tuturor alternativelor;

• Caracterul anticipativ al procesului decizional și gradul redus de predictibilitate al anumitor factori care afectează consecintele unei decizii;

• Caracterul unic al unor evenimente, factori, conjuncturi decizionale;

• Calitătile personale ale decidentului [Cristian Păun, op. cit., p. 20].

Omul iși directionează toate activitățile spre îmbunătățirea stării de lucruri prezente a acestuia. Având în vedere că viitorul este incert, orice activitate umană prevazută a se desfășura în viitor este asociată incertitudinii [Ludwig von Mises, Human Action: A Treatise on Economics, 1963, p. 105-107].

Dacă nu ar exista incertitudine toate deciziile ar genera rezultate sigure și cunoscute în prealabil. Datorită complexității realității în care trăim, procesul decizional trebuie să fie însoțit de analize asupra incertitudinii, care să conducă la identificarea surselor incertitudinii și a modului în care aceasta contribuie la obținerea de rezultate certe.

Incertitudinea vizează numărul factorilor care pot afecta cursul unei acțiuni și frecvența și amplitudinea schimbărilor aferente lor. Incertitudinea induce operatorilor de pe piață un comportament de adaptare la modificările intervenite în mediul de afaceri sau, după caz, un comportament de influențare a acestora [Dalia Simion, Analiza riscului și strategii de prevenire, nr. 43].

Incertitudinea desemnează capacitatea limitată a cunoștințelor noastre, această limitare provine din nedeterminare, fie din caracterul aproximativ al informațiilor existente la un moment dat [Cătălin Zamfir – Incertitudinea. O perspectivă psiho-sociologică, 1990, p.48].

Incertitudinea prezintă două componente: una obiectivă, incertitudinea obiectivă, care se confundă cu riscul și una subiectivă, incertitudinea subiectivă. Incertitudinea este obiectivă în cazul în care rezultatele posibile sunt cunoscute și cei mai mulți dintre cei implicați în luarea deciziilor estimează aceleași probabilități de producere a efectelor identificate pe baza datelor furnizate de evoluții anterioare [H.W. Wortzel, L.H. Wortzel, Global Strategic Management. The Essensials, 1991, p. 243].

În lucrare considerăm incertitudinea o situație din viitor căreia, din diferite motive, nu îi putem anticipa probabilitatea de apariție, așadar, nu o putem analiza sau previziona și nici nu putem lua măsuri de eliminare sau diminuare a acesteia, ca în cazul riscului.

1.3 Risc și incertitudine

Situațiile reale erodează din ce în ce mai mult fundamentele teoriilor clasice, bazate pe supoziția certitudinii. Acestea nu corespund cerințelor de cunoaștere completă și corectă a tuturor condițiilor și efectelor producerii unui eveniment. Urmare a acestui fapt, în teoria modernă a deciziei decidenții recurg tot mai des la estimări probabile incerte, la noțiunile de risc și incertitudine, renuntându-se la operarea cu certitudini absolute și estimări precise ale evoluției unui anumit element sau fenomen [Pierre Conso, La gestion financiere de l’entreprise, 1985, p. 214]. Lumea în care trăim nu este 100% sigură, așadar nu putem crea modele fără să se ia în calcul un risc și o probabilitate aferentă lui, deoarece modelele nu ar mai fi reale și nu ar fi de niciun folos.

Unii autori consideră riscul și incertitudinea echivalente, folosind cu același înteles termenii „mai riscant”, „mai incert” [Cezar Gotcu, op. cit., p. 69], dar majoritatea face distincție între risc și incertitudine.

Diferențe între risc și incertitudine se regăsesc și în literatura de specialitate, astfel economistul Frank Knight, în lucrarea sa „Risc, uncertainty and profit” face pentru prima dată distincție între risc și incertitudine, într-o analiză din perspectiva profitului și a spiritului de intreprindere în condițiile unui sistem concurențial.

Knight remarcă faptul că se vorbește de risc atunci cand evenimentele viitoare se produc cu o probabilitate măsurabilă, iar de incertitudine atunci când probabilitatea de producere a evenimentelor este nedeterminată sau nu poate fi calculată [Cezar Gotcu, op.cit., p. 66].

Din definițiile riscului reiese că riscul derivă din incertitudine, diferența dintre cele două concepte este aceea că riscul este caracterizat de probabilitatea de producere, incertitudinea provenind din necunoașterea evenimentului care se va produce, momentul, efectele reale și amplitudinea producerii acestuia.

În cele mai multe cazuri deciziile se iau în condiții de risc și incertitudine, deoarece nu putem cunoaște exact toate variabilele, ele reprezentând constanța activității economice și explicația într-o oarecare măsură a diferențelor rentabilităților diverselor proiecte de afaceri.

Economia, ca știință, este în stransă legatură cu științele naturii și în acest domeniu trebuie luați în considerație numeroși factori care se întrepătrund și exercită o puternică influență asupra vieții sociale, dintre care un loc aparte, extrem de important, îl au incertitudinea și riscul.

“Orice sistem care funcționează pentru a obține un rezultat în viitor operează prin definiție într-o situație de incertitudine, chiar dacă diferitele situații sunt caracterizate prin diferite grade de risc, de incertitudine sau chiar de nedeterminare. Dar riscul și incertitudinea nu constituie subiect de opțiune, ele fac parte pur și simplu din condiția umană” [Orio Giarini, Walter R. Stahel, Limitele certitudinii, 1996, p. 103].

Incapacitatea oamenilor de a cunoaște viitorul induce ideea de risc și se manifestă în cazul în care sunt prezente rezultate posibile semnificative asociate unei decizii [Florica Luban, op. cit, 2000, p. 97].

Indiferent de probabilitatea de apariție, trebuie luat în calcul că lucrurile nu se vor întampla așa cum s-a calculat, există, atât un risc, pe care îl putem estima, cât și o incertitudine, pe care nu o știm, dar știm că poate să apară.

Viața economică este sub semnul incertitudinii și orice proiecție a unor evenimente viitoare este supusă riscului de a nu se realiza în parametrii prevăzuți [Aurel-Ioan Giurgiu, Finanțele firmei, 2000, p. 67].

Riscul poate fi un eveniment incert, dar în același timp, probabil, originea riscului o reprezintă incertitudinea [Ion Stoian, Metode și studii de caz privind managementul riscului în tranzacțiile de afacere, 1999, p. 57]. Riscul este posibil cu o probabilitate de apariție, în schimb incertitudinea nu se știe dacă și când apare.

Riscul reprezintă o categorie socială, economică, politică sau naturală, iar originea sa se află în incertitudine. În luarea deciziilor incertitudinea poate sau nu să genereze o pagubă în urma ezitărilor și inconsistenței [V. Pătulea, C. Turianu – Garanțiile de executare a obligațiilor comerciale, 1994, p. 95]. Ca și riscul, incertitudinea nu are obligatoriu impact negativ, aceasta poate fi atât pierdere cât și castig.

„Riscul reprezintă incertitudinea cu privire la producerea unui eveniment” [George E. Rejda, Principles of Risk Management and Inssurance, 2007, p. 69].

Riscul rezultă din situații în care se pot identifica posibilele rezultate și chiar probabilitatea de manifestare, doar că nu se știe dacă se vor întâmpla. Spre deosebire de risc, incertitudinea descrie situațiile în care nu se pot identifica posibilele rezultate și nici posibilitatea lor de manifestare.

Riscul și incertitudinea se manifestă în majoritatea activităților umane datorită faptului că societatea umană nu este statică, ci într-un proces continuu de evoluție, iar existența noastră și mediul în care trăim sunt în continuă schimbare [Ciprian Mogos, Metode și tehnici de analiză statistică a riscului bancar, 2006, p. 5].

Acest lucru generează modificări asupra modului cum se percepe viața cu consecințe directe privind riscurile care se asumă. Deciziile luate și care privesc viața de zi cu zi și aspectele de natura economică sau socială au ca scop principal crearea de valoare adaugată viitoare care are ca scop progresul individual și implicit al societății în ansamblu.

Prin risc se intelege evenimentul viitor și incert din punctul de vedere al momentului apariției și efectelor, ce poate afecta obiectivele organizației în mod direct și care impune implementarea unor măsuri de administrare, care pot diminua șansele de apariție sau dimensiunea impactului, în cazul în care rezultatul ar fi diferit față de obiective sau pot maximiza șansa de apriție a evenimentului în cazul în care evenimentul ar fi unul pozitiv [V. Măzăreanu, op. cit., 2009, p. 9].

Delimitarea dintre risc și incertitudine constă în calculul probabilității, incertitudinea vizează o situație pentru care nu se pot asocia probabilități, iar riscul caracterizează o pentru care se pot asocia probabilități.

O altă departajare a celor două concepte se face după natura cauzelor care le determină. Incertitudinea este generată de lipsa informațiilor sigure cu privire la consecințele unei acțiuni, iar riscul este determinat de factori care pot fi stabiliți cu precizie prin calcule sau pe experiență. Astfel, se poate estima probabilitatea consecințelor inițierii unor acțiuni sau apariției unui eveniment.

Riscul este caracterizat prin posibilitatea descrierii unei probabilități pentru rezultatele ce se obțin în urma unei acțiuni. Incertitudinea apare în momentul în care natura relației de probabilitate rămâne necunoscută [ Monica Dudian, Evaluarea riscului de țară, 1999, p. 3].

Cercetătorii au propus o serie de abordări și modele pentru luarea deciziei într-o lume incertă, însă teoria matematică a probabilităților a înregistrat cel mai mare succes. Conceptul de evoluție aleatoare poate fi localizat pentru prima dată în Grecia antică, dar noțiunile formale și numerice de calcul probabilistic au aparut în secolul al XVII-lea, în contextul jocurilor de noroc, iar din acel moment teoria probabilităților s-a dezvoltat într-o disciplină de sine stătătoare care a devenit esentială pentru toate disciplinele științifice [Alexandra Horobet, Managementul riscurilor în investițiile internaționale, 2005, p. 3].

În lucrarea cu privire la risc, Frank Knight a stabilit distincția între risc și incertitudine.

"… Incertitudinea trebuie considerată într-un sens radical distinct de noțiunea familiara de risc, de care nu a fost niciodată în mod corespunzător separata. Termenul "risc", folosit vag în vorbirea de zi cu zi și în discuții economice, se referă într-adevăr la două lucruri care, cel puțin funcțional, în relațiile lor cauzale cu fenomenele de organizare economică, sunt categoric diferite. … Esențial este faptul că "riscul" înseamnă, în unele cazuri, o cantitate susceptibilă de măsurare, în timp ce de alte ori este ceva distinct, opus acestei definitii, ci există diferențe profunde și cruciale în directiile fenomenului, în funcție de care una dintre cele două este cu adevărat prezent și funcțional. Acesta va apărea ca o incertitudine măsurabila, sau "risc" corect, așa cum se folosește termenul, este de departe atât de diferită de unul nemăsurabil că nu este în vigoare o incertitudine la toate. Se restrâng în mod corespunzător termenul de "incertitudine" la cazurile de tip non-cantitative" [Frank Knight, Risk, uncertainty and profit, 1921, p. 19].

Astfel, incertitudinea lui Knight este incomensurabilă, nu este posibil de calculat, în timp ce riscul în sensul lui Knight este măsurabil.

O altă distincție între risc și incertitudine este propusă de Doug Hubbard. Prin prisma acestuia, incertitudinea este lipsa de certitudine completă, adică, existența a mai mult de o posibilitate. Rezultatul/valoarea “adevarată” nu este cunoscută.

Riscul este o stare de incertitudine în care unele dintre posibilități implică o pierdere, catastrofă sau alt rezultat nedorit.

În economia de piață incertitudinea și riscul sunt variabile de care trebuie să se țină seama, ignorarea lor ducând la decizii neviabile. Incertitudinea și riscul nu se pot elimina în întregime, în schimb riscul se studiază și se calculează, pentru a-1 cunoaște și a alege varianta cea mai puțin riscantă. Calculul riscului oferă posibilitatea de a-1 înfrunta în cunoștință de cauză.

În lucrare consider că diferență dintre incertitudine și risc este aceea că incertitudinea nu este posibil de calculat, în timp ce riscul este cuantificabil. Aceasta distincție ne permite să identificăm, din punct de vedere al creditării, doar riscul, eliminând incertitudinea, deoarece în cazul incertitudinii nu putem anticipa probabilitatea de apariție, așadar, nu o putem analiza sau previziona și nici nu putem lua măsuri de eliminare sau diminuare a acesteia, ca în cazul riscului.

1.4 Risc și incertitudine în teoria economică

Progresul social, economic și cultural al omenirii nu ar fi fost posibil fără asumarea unor riscuri, astfel încât problematica riscului și incertitudinii a ajuns în atenția teoreticienilor și a practicienilor din cele mai vechi timpuri. Economistul, Aaron Wildovsky, nota că “cel mai mare risc pentru oameni și organizații este efortul pe care aceștia îl depun pentru a evita riscul.”

În secolul nostru, caracteristică principală a societatii este incertitudinea. J.K. Galbraith afirma că “lumea trăiește în prezent la vârsta incertitudinii”, iar întreaga dezvoltare a societății umane de până acum s-a realizat doar în condițiile luării unor decizii în situații de incertitudine, fiind necesară asumarea unor riscuri importante.

Economiștii apreciază că incertitudinea este o caracteristică permanentă. Chiar dacă acest lucru este general cunoscut și acceptat, analizarea sistematică a riscului și a incertitudinii din perspectiva teoriei economice s-a realizat relativ recent, deși primele încercări de cuantificare a modului de decizie al indivizilor s-au realizat cu peste 200 de ani înurmă. Introducerea riscului și incertitudinii în teoria economică, a reorientat programele de cercetare ale științei economice, iar într-un timp relativ scurt frontiera cunoașterii comportamentului uman a fost semnificativ extinsă. Această expansiune a științei economice a permis dezvoltarea unor domenii noi, care ar fi fost imposibil de abordat în absența considerațiilor cu privire la risc și incertitudine.

Deși încă din 1738, fizicianul, Daniel Bernoulli, a reliefat legătura dintre risc și utilitate anticipată, în teoria economică incertitudinea și riscul au o istorie relativ scurtă. Presupunerea acestuia privind principiul utilității marginale descrescânde implică faptul că într-un joc de noroc creșterea utilității generată de câștig ar putea fi mai mică decât scăderea utilității generată de pierdere, așadar, asumarea riscului ar fi irațională. În acest caz, a alege în condiții de risc și incertitudine a fost privită cu suspiciune și a fost plasată în afara domeniului teoriei economice, deoarece aceasta presupunea existența unor indivizi raționali [Theodora Doltu, Abordări în economia riscului și incertitudinii, 2010, p. 18].

Având în vedere că comportamentul uman, respectiv cel economic, este de cele mai multe ori imprevizibil, școala economică clasică a încercat să construiască un model economic bazat pe incertitudine, prin care ei înțelegeau un viitor incert, dar probabilist. Analiza clasică limita situația de necunoaștere la calculul probabilităților, iar varianta cea mai bună era cea cu probabilitatea cea mai mare. În concepția lor, probabilitatea era aleasă în detrimentul raționalității, incertitudinea fiind ontologică sau obiectivă și se baza pe un număr mare de observații, frecvența de apariție a unui eveniment este egală cu probabilitatea acestuia [Monica Dudian, op. cit., p. 2-3]. Deoarece situația de incertitudinea viza un viitor incert, dar cu probabilități aferente, consider că incertitudinea ontologică din acea vreme este același lucru cu riscul așa cum este el tratat în lucrare.

Inovații teoretice ulterioare dezvoltă un cadru riguros pentru interpretarea probabilităților subiective (pionierul teoriei subiective a probabilității a fost Frank P. Ramsey, teorie prezentată în lucrarea The Foundation of Mathematics, publicată în 1931 [Frank P. Ramsey, The Foundation of Mathematics, 1931, p. 156-198]. În acest cadru, opiniile producătorilor și ale consumatorilor pot fi sistematizate în termenii probabilităților. Se consideră că la rezultatele posibile ale deciziilor pot fi asociate în mod riguros probabilități subiective, astfel încât orice situație de incertitudine în sensul abordărilor timpurii se transformă într-o alegere în condiții de risc [Theodora Doltu, op. cit., p. 19].

Prima analiză teoretică serioasă a riscului a fost realizată de Frank K. Knight în 1921, în lucrarea sa intitulată „Risc, incertitudine și câștig”. În viziunea lui Knight, riscul era caracteristic acelei situații decizionale în care decidentul putea asocia o probabilitate matematică unei succesiuni de evenimente, incertitudinea fiind, implicit, acea situație în care evoluția evenimentelor nu putea fi exprimată sub forma unei legi sau ecuații probabilistice [Frank K. Knight, Risk, incertitude and profit, 1991, p. 20]. Această delimitare a celor două situații decizionale a fost ulterior contestată de o serie de teoreticieni care susțineau că, practic, în această abordare a lui Knight, incertitudinea și riscul sunt de fapt același lucru. Capacitatea de a asocia unei evoluții mai mult sau mai puțin aleatoare de evenimente o probabilitate relevantă, transformă de fapt analiza riscului și a incertitudinii, nu într-o problemă de identificare a existenței acestora, ci într-o problemă de identificare a relevanței legii sau ecuației probabilistice asociate acelui șir de evenimente, de aici și o primă notă de subiectivism în aprecierea situațiilor riscante sau incerte.

Astfel probabilitatea este expresia subiectivă a unor interpretări ale unor evenimente, și are de multe ori mai puțină legătură cu evoluția uneori aleatoare a fenomenelor economice din jur. Unele situații erau în opinia unor analiști riscante, în timp ce în opinia altora erau incerte, gradul de subiectivism al calculului probabilistic putea afecta calitatea analizei. Abordarea lui Knight nu poate face delimitare exactă între incertitudine și risc, cele mai multe situații decizionale parând a fi incerte.

Deși abordarea lui Knight a stârnit multe critici, delimitarea pe care acesta a făcut-o între risc și incertitudine reprezintă un moment crucial în teoria riscului. În opinia lui incertitudinea este expresia evoluției aleatoare a unor fenomene economice, mai ales că, pentru analiza acestora, decidentul dispune de un timp și de informații limitate [George L.S. Shackle, Probaility and Uncertainty, 1949, p. 39]. Incertitudinea este prezentă mai ales când avem de a face cu situații noi pentru care nu există un precedent și pentru care nu se poate asocia o probabilitate relevantă.

Riscul caracterizează acele situații pentru care se pot construi scenarii pornind de la niște condiții date, ale căror alternative pot fi determinate cu exactitate și sunt clare pentru decident. Decizia economică se bazează pe două variabile: perfecțiunea informației (informația de care dispune decidentul este perfectă și accesibilă acestuia în orice moment) și perfecțiunea predicției (evenimentul generator de risc se va produce în viitor exact așa cum a fost prezis într-un moment anterior). Cum realitatea economică nu se caracterizează prin perfecțiune, sursele de informație distorsioneaza adesea, prin calitatea (obiectivitatea) și actualitatea datelor, starea reală a evenimentelor sau, dimpotrivă, evenimente neprevăzute dau peste cap predicțiile inițiale.

Economiștii de dupa Knight, printre care Hicks, Keynes, Kalecky, Stigler sau Lange, au început să țină cont de aceste concepte, apelând la risc și incertitudine pentru a explica profitul, deciziile de investiții, cererea pentru active lichide, finanțarea, mărimea și structura firmelor, flexibilitatea producției sau deciziile cu privire la stocuri, etc [Theodora Doltu, op. cit., p. 18].

Keynes a încercat să stabilească o legatură între probabilitatea obiectivă și cea subiectivă prin probabilitatea logică, fundamentată atât pe experiența, cât și pe interpretări individuale. Viziunea acestuia este asemănătoare cu subiectivismul austriac, reprezentat de L. von Mises, F. Von Hayek, care consideră incertitudinea radicală, sinonimă cu ignoranța. Spre deosebire de Keynes, subiectivismul austriac rămâne o teorie pur individualistă, conform căreia economia este compusă din acțiuni individuale, independente și reunite între ele prin prelucrarea informațiilor imperfecte și dificil furnizate pe piață [Monica Dudian, op. cit., p. 4].

O încorporare formală a riscului și a incertitudinii în teoria economică a fost realizată pentru prima dată în anul 1944, când s-a dezvoltat o abordare obiectivă pentru adoptarea deciziilor în condiții de risc prin formularea ipotezelor utilității anticipate cu ajutorul probabilităților statistice [John von Neuman, Oscar Morgenstern, Theory of Games and Economic Behavior, 1944, p.120].

În 1954, Leonard J. Savage propune o abordare subiectivă a ipotezelor utilității anticipate, derivând ipotezele utilității aniticpate fără a impune probabilități obiective, ci folosind probabilități subiective [L. J. Savage, The Foundations of Statistics, 1954, p. 48].

F.J. Anscombe și Robert J. Aumann abordează și ei aceeași cale. În cele din urmă, abordarea Savage – Anscombe – Aumann cu privire la utilitatea anticipată este considerată mult mai cuprinzătoare decât conceptul mai vechi introdus de Neumann – Morgenstern.

Abordarea dependenței de stare, dezvoltată de K.J.Arrow și G. Debreu este una intermediară [K. Arrow, The Role of Securities in the Optimal Allocation of Risk-Bearing, 1964, p. 91-96, G. Debreau, Theory of Value, An axiomatic analysis of economic equilibrium, 1959, p. 72]. Deși nu contrazice ipotezele utilității anticipate, nu implică atribuirea de probabilități matematice obiective sau subiective. Structura abordării dependenței de stare este foarte mult folosită pentru explicarea teoriei echilibrului general warlasian. Ea a devenit populară în special după aplicațiile realizate de Hirshleifer, Diamond și Rander, devenind metoda predominantă de încorporare a incertitudinii în contextual echilibrului general [J. Hirschleifer, Investment Decision under Uncertainty: Applications of state-preference approach, 1966, p. 252-277].

Formularea ipotezelor utilității anticipate a permis studierea atitudinii indivizilor față de risc.

După cel de-al doilea război mondial, Milton Friedman, Leonard J. Savage și Harry Markowitz, au analizat conceptul de adversitate față de risc și proprietățile relative ale utilității anticipate. Măsurarea adversității față de risc a fost dezvoltată de John W. Pratt și Kenneth J. Arrow. Ulterior, Manachem Yaari, Richard Kihlstrom și L. Mirman au extins definiția adversității față de risc în contexte cu mai multe variabile [M. Yaari, Some Measures of Risk Aversion and Their Uses, Journal of Economic Theory, 1969, p. 315-329].

În 1965, G. Stigler a observat că, atunci când un individ construiește o interpretare a unui text ce conține un material contradictoriu și ambiguu, acesta poate schimba sensul în favoarea unei interpretări sau a alteia [George J. Stigler, Textual Exegesis as a Scientific Problem, 1965, p. 447-450].

1.5 Activitatea de creditare

Creditarea reprezintă orice achiziție efectuată azi cu promisiunea de a plăti ulterior.

Activitatea de creditare are la bază capacitatea debitorilor de a genera venituri, respectiv, lichidități, reprezentând principala garanție și sursă de rambursare a creditelor și de plată a dobânzilor, condiția este ca fluxul de lichidități al acestora să fie cesionat instituțiilor financiare și să se deruleze prin conturile deschise la aceasta [Ilie Mihai, Tehnica și managementul operațiunilor bancare, 2003, p. 195].

Creditul este acordat de un creditor, în general o bancă sau o altă instituție de finanțare, dar și de societăți comerciale pentru clienții lor, de guverne pentru persoane cu datorii fiscale sau de persoane fizice pentru prieteni, rude [Richard Lloyd, Hanns P. Muth, Frederick H. Gerlach, Analiza creditului, 1998, p. 1].

Obiectivul principal al activității de creditare îl reprezintă acordarea de credite în condiții de expunere minimă la riscuri și asigurarea unei profitabilități corespunzătoare riscului asumat.

Fiecare organizație economică funcționează pe baza unui statut propriu, care îi definește personalitatea și specificul afacerilor de care se ocupă. În același timp, organizațiile economice au și ceva comun, respectiv obiectivul de a-și finaliza acțiunile proprii cu profit [Ioan Nițu, Managementul riscului bancar, 2000, p. 55].

Decizia de creditare are la bază anticiparea din partea debitorului, cum ar fi realizarea cash-flow-ului previzionat și a unor indicatori financiari, ceea ce implică evaluarea riscului de creditare și acceptarea lui în cunostință de cauză [Leontin Stanciu, op. cit., p. 2].

În activitatea de creditare sunt implicate două părți, una acordă creditul, cealaltă îl primește și se îndatorează [V. Stoica, P. Deaconu, Bani și credit, 2003, p. 289].

Creditarea este activitatea prin care se obțin resurse, în schimbul promisiunii de rambursare în viitor, pentru aceasta platindu-se dobânzi ce îl remunerează pe creditor [Victor Stoica, Petre Deaconu, Bani și credit, 2003, p. 289].

Creditul este în economie din timpurile în care nu exista moneda, dar în zilele noastre nu poate exista credit fără monedă. O caracteristică importantă a creditului este mobilizarea capitalurilor disponibile și a economiilor.

Tipuri de credite

Creditele pot fi clasificate în funcție de unele criterii.

Raportat la perioada pentru care se acordă creditul, creditele pot fi: credite pe termen scurt, credite pe termen mediu și credite pe termen lung. Pentru creditele pe termen scurt perioada de rambursare este de maxim 1 an, pentru cele pe termen mediu perioada este de maxim 5 ani, iar pentru creditele pe termen lung perioada este de peste 5 ani.

În funcție de debitor, creditele pot fi de 2 tipuri: credite acordate persoanelor fizice și credite acordate persoanelor juridice.

Dacă ne raportăm la destinația creditului, acestea pot fi: credite de producție, credite pentru export-import și credite de consum. Cele mai frecvente sunt creditele de producție. Acestea, la randul lor se împart în credite pentru activitatea curentă și credite pentru investiții.

Referindu-ne la calitatea lor, există credite performante și credite neperformante. Creditele performante sunt cele onorate la scadență și cele neperformante sunt cele pentru care debitorul nu își achită la timp obligațiile contractuale, rezultând credite restante și dobânzi neachitate.

Există 6 tipuri de credite ce se acordă agenților economici: creditele de trezorerie, liniile de creditare, creditele pe obiect, creditele preferențiale, creditele pentru stocuri și cheltuieli sezoniere și creditul de scont. Creditele de trezorerie reprezintă creditele care satisfac nevoile curente ale debitorilor, de regulă, societățile comerciale. Liniile de creditare implică efecturarea creditării prin cont curent sau prin cont de împrumut, ceea ce implică un plafon maxim de creditare stabilit anual. Creditele pe obiect sunt creditele pentru care obiectul creditării este bine delimitat. Creditele preferențiale izvorăsc din acte normative ale statului, ce prin politica economică poate sprijini o ramură a economiei. Creditele pentru stocuri și cheltuieli sezoniere sunt destinate agenților economici ce prezintă stocuri de materii prime și produse. Creditul de scont se acordă agenților economici în momentul în care prezintă o lipsă acută de disponibilități și reprezintă scontarea titlurilor de credit (cambii, bilete la ordin) sau a altor instrumente de plată (scrisori de credit).

Tipuri de riscuri

Instituțiile creditoare prezintă riscuri legate de operațiunile lor curente, astfel încat expunerea acestora la risc este una inerentă activității obișnuite sau una suplimentară, cu scopul obținerii unui profit mai mare decât cel normal. Dacă expunerea este inerentă este vorba de riscuri pure, dacă este suplimentară este vorba de riscuri speculative.

Riscurile se clasifică în funcție de gama de operațiuni ce le pot genera:

– riscuri financiare care afectează direct gestiunea bilantului și includ: riscul de creditare, riscul de lichiditate, riscul de piată și riscul de faliment;

– riscuri de prestare asociate operațiunilor din sfera serviciilor financiar bancare, care includ riscul operațional, riscul tehnologic, riscul produsului nou și riscul strategic;

– riscuri ambientale care sunt generate de faptul că instituțiile financiare operează într-un mediu concurential, strict reglementat și într-un mediu economic care are propria sa dinamică [Leontin Stanciu, Evaluarea riscului global de credit și tehinici de protecție a băncilor comerciale împotriva acestuia, 2005, p. 1].

Dintre multitudinea de riscuri la care este expusă o instituțiie creditoare, în lucrare ne limităm la tratarea riscului de creditare.

1.6 Riscul de creditare

Riscul de creditare este cel mai important risc de pe piața produsului, reprezintă o consecință a falimentului sau a nerambursării împrumutului [Monica Roman, Statistică financiar-bancară și bursieră, p. 42].

Riscul instituțiilor creditoare are două componente:

incertitudinea privind producerea unui eveniment în viitor;

expunerea la pierdere.

Riscul de creditare vizează situațiile prin care factorii externi sau interni instituțiilor de creditare acționează intr-un mod imprevizibil asupra valorii de piață. Decizia de creditare se bazează pe elemente de anticipare din activitatea împrumutatului (realizarea cash – flow-ului previzionat și a unor indicatori financiari), ceea ce implică evaluarea riscului și acceptarea lui în cunoștință de cauză. În consecință, riscul nu poate fi evitat, ci doar prevenit și diminuat [Iulian Condratov, Valentin Hapenciuc, Analiza riscului în creditarea agenților economici, 2005, p. 1].

Termenul “risc” poate genera ideea că ar putea fi vorba despre o incertitudine reductibilă la risc și că se pot exprima numeric probabilitățile aferente riscului de creditare. Cu toate acestea, conceptul de “risc de creditare” se folosește și în cazul unor situații cărora li s-ar potrivi mult mai bine termenul de “incertitudine”, deoarece evaluatorii riscului de creditare sunt confruntați cu evenimente posibile a căror probabilitate de apariție este greu sau chiar imposibil de determinat [ Monica Dudian, op.cit., p. 3].

Tratarea riscului de creditare aparține, în general, instituțiilor financiare. În ansamblu, “creditul” poate fi asimilat oricărei obligații contractuale care presupun onorarea unor angajamente între părți și care, în final, poate căpăta o evaluare monetară [Elena Druica, op. cit., p. 15].

Riscul de creditare este denumit și risc de insolvabilitate a debitorului sau risc de nerambursare.

Riscul de creditare (riscul celeilalte părți) reprezintă probabilitatea ca debitorul să nu poată plăti dobânda sau să ramburseze capitalul în condițiile agreate [Cezar Gotcu, op.cit., p. 166].

Riscul de creditare sau de nerambursare reprezintă incapacitatea de plată sau probabilitatea întârzierii plății cauzate de conjunctură, dificultăți sectoriale sau deficiente ale împrumutatului.

Pentru a preveni riscul este necesară analiza temeinică a împrumutatului. Aceasta se realizează prin prisma cerințelor de respectare a raportului de creditare sub diverse aspecte: umane (competență, moralitate), economice (situatia internațională, națională, cadrul profesional), financiare (situația financiară, îndatorarea existentă, capacitatea de rambursare), juridice (forma juridică, legaturile juridice cu alte intreprinderi) [Victor Stoica, Petre Deaconu, op. cit., p. 291].

Riscul de creditare reprezintă riscul înregistrării de pierderi sau al nerealizării profiturilor estimate, în urma neîndeplinirii de către contrapartidă a obligațiilor contractuale [Ilie Mihai, Ileana-Cosanzeana Velicu, Managementul riscurilor în cadrul instituțiilor financiare nebancare, 2008, p. 14].

Riscul de creditare este probabilitatea ca dobânda, creditul sau ambele să nu fie rambursate la scadență sau să fie rambursate doar parțial [Maricica Stoica, Management bancar, 1999, p. 137].

O cerință importantă pentru gestionarea cu succes a riscului de creditare constă în existența unei culturi solide în acest domeniu care presupune menținerea unui echilibru prudent între dezvoltarea afacerii și controlul calității [Ion Nitu, op. cit., p. 266].ListeRead phonetically

Riscul de creditare este riscul care decurge din incertitudinea unei persoane care are direct sau indirect o obligație contractuală de a nu își îndeplini această obligație.

Riscul de creditare este întâlnit în cazul instituțiilor creditoare, în special cele financiare. Este specific naturii operațiunilor desfășurate de către entitățile din acest domeniu, fiind o particularizare a riscului operațional inerent oricărei afaceri, risc care diferă însă prin structură și amploare, de la un sector economic la altul.

Riscul de creditare reprezintă probabilitatea ca la scadență să se efectueze încasarea efectivă a fluxului de numerar anticipat, determinat de creditare. Orice instituție creditoare își asumă acest risc, chiar dacă poate genera probleme serioase atât instituțiilor creditoare în cauză, cât si întregului sistem, în cazul in care expunerea este substantială. Fiecare instituție creditoare trebuie să aibă strategii care sa includă programe si proceduri de gestionare a riscurilor, în special a celor de creditare. Minimizarea expunerii la risc, alături de maximizarea rentabilitătii, respectarea reglementărilor specifice și generale constituie obiective principale ale managementului instituțiilor financiare [Iulia Iuga, Dimensiunile procesului de analiză a creditului și riscului de credit, 2006, p. 1].

Orice activitate economică presupune un risc, iar instituțiile creditoare sunt caracterizate de dictonul „riscul este meseria mea“. Mobilizarea serviciilor sau banilor disponibili de pe piață și împrumutarea acestora diverșilor clienți pe perioade diferite de timp se bazează pe prognoze și promisiuni, care implică un risc. Cu toate acestea, institutiile creditoare sunt printre cele mai prospere instituții, pentru că gestionează eficient riscurile [Leontin Stanciu, Garanțiile bancare și rolul lor în activitatea de creditare, 2004, p. 1].

Riscul de creditare este posibilitatea producerii în viitor a unor evenimente în activitatea clienților cu efecte negative, ce pot avea repercusiuni în ceea ce priveste recuperarea creditelor și încasarea dobânzilor [ Iulia Iuga, op. cit., p. 2].

Riscul de creditare este principalul risc cu care se confruntă o instituție creditoare datorându-se deprecierii valorii [Leontin Stanciu, op. cit., p. 2].

Riscul de creditare „exprimă posibilitatea ca împrumutații sau emitenții de titluri să nu-și onoreze obligațiile la scadență“ [Vasile Dedu, Gestiune și audit bancar, 2003, p. 89].

Riscul de creditare este riscul unui investitor de a înregistra pierderi cauzate de un debitor care nu face plăți cum a promis. Un astfel de eveniment este numit neîndeplinire a obligațiilor. Un alt termen pentru riscul de creditare este riscul de neplată.

Pierderile investitorilor includ pierderea principală și dobândă, scăderea fluxului de numerar și creșterea costurilor de colectare, care apar într-o serie de circumstanțe:

un consumator nu face o plată datorată pentru un credit ipotecar, carduri de credit, linii de credit sau alte împrumuturi;

o firmă nu face o plată scadenta la un credit ipotecar, card de credit, linii de credit, sau alte împrumuturi;

o firmă sau un consumator nu plătesc o factură comercială atunci când soseste;

o firma nu plătește salariul unui angajat;

o firmă sau guvernul emitent de obligațiuni nu face plată pe un cupon sau plata sumei principale la scadență;

o societate de asigurări insolvabilă nu plăteste o obligație politică;

o bancă falimentară nu va inapoia fondurile deponenților;

un guvern subvenționează protecția în caz de faliment unui consumator sau unei afaceri în stare de insolvabilitate.

Componentele riscului de creditare

Principalul risc cu care se confruntă o instituție finaciară este riscul de creditare, care exprimă posibilitatea ca debitorii să nu își onoreze obligațiile de rambursare a creditului. Desi activează într-un domeniu de risc maxim, instituție finaciare sunt printre cele mai prospere instituții din lume.

Riscul de creditare este riscul pierderilor determinate de încălcarea obligațiilor debitorilor prevăzute în contractul de creditare. Întârzierea plății dobânzilor sau ratelor reprezintă manifestări ale unui asemenea risc [D. Basno, N. Dardac, Management bancar, 2002, p. 13].

Riscul suveran este riscul ca un guvern să devină refractar sau incapabil să își îndeplinească obligațiile împrumuturilor, sau refuză sa dea bunurile garantate [Duncan H. Meldrum, Country risk and foreign direct investment, 1999, p. 54]. Existența riscului suveran înseamnă că creditorii ar trebui să ia o decizie în două etape, atunci când decid a împrumuta o firmă cu sediul într-o țară străină. În primul rând ar trebui să se ia în considerare calitatea riscului suveran al țării și apoi calitatea firmei creditate [Cary L. Cooper, Derek F. Channon, The Concise Blackwell Encyclopedia of Management, 1998, p. 48].

Riscul de contrapartidă, altfel cunoscut si ca riscul de neplată, este riscul ca o organizație să nu plătească o obligațiune, derivatul unui credit, un contract de asigurare de credit, sau alte tranzacții sau întelegeri când trebuie [Investopedia, Counterparty risk, 2008]. Chiar și organizațiile care cred că au acoperite pariurile lor prin asigurarea creditului de un fel încă se confruntă cu riscul ca asiguratorul să fie în imposibilitatea de a plăti, fie din cauza unor probleme temporare de lichidități, fie a unor probleme sistemice pe termen lung [Tom Henderson, Counterparty risk and the subprime fiasco, 2008, p. 72].

Riscul de creditare prezintă două componente: riscul de intrare în incapacitate de plată a contrapartidei (default risk) și riscul de majoare a spread-ului (spread risk).

Riscul de faliment (default) este riscul ca debitorul să nu dorească sau să fie în imposibilitate de a-și îndeplini obligațiile contractuale (plata dobânzii și a datoriei) parțial sau total.

Riscul de spread reprezintă riscul ca valoarea de piață a instrumentului de creditare să se reducă din cauza modificărilor intervenite în bonitatea debitorului.

Riscul de creditare este acel risc de pierderi financiare cauzat de neîndeplinirea obligațiilor de către debitor. Efectul său este măsurat prin costul de înlocuire al fluxurilor financiare care s-ar fi produs în cazul în care debitorul și-ar fi îndeplinit obligațiile.

Riscul de creditare este întâlnit, în general, în cazul instituțiilor financiare. Este tipic naturii operațiunilor desfășurate de către entitățile din acest domeniu, nefiind altceva decât o particularizare a riscului operațional inerent oricărei afaceri, risc care diferă însă prin structură și amploare, de la un sector economic la altul.

În lucrare am optat pentru studii de caz privind riscul de creditare, atât în cazul României, cât și în cazul Europei, analizând și prognozând riscul de creditare ca situația neplății la timp a datoriilor.

Capitolul II. Identificarea și evaluarea riscului de creditare

2.1 Identificarea riscului de creditare

Riscul reprezintă probabilitatea de producere a pierderilor și a consecințelor acestora, iar calculul lui se bazează pe informații care permit efectuarea unor estimări privind probabilitatea pierderilor și consecințelor. Cuantificarea riscului și includerea lui în calculul economic permit cunoașterea impactului acestuia asupra eficienței unui proiect.

Riscul de creditare reprezintă riscul pierderilor rezultate în urma încălcării obligațiilor debitorului din contractul de creditare. Acesta provoacă pierderi, unele putând fi irecuperabile.

Riscul de creditare presupune asumarea de către o instituție creditoare a riscului că, la scadență, clientul nu își va stinge obligațiile față de ea. Pentru a preveni acest lucru, instituția creditoare trebuie să-și formeze o opinie prudentă privind posibilitatea reală de rambursare a creditului, trebuie să ia în considerare nu numai o primă sursă de rambursare pentru plata obligației, ci și o posibilă sursă secundară de recuperare a creanțelor, reprezentată în principal de garanțiile materiale și financiare aduse de client [Constantin Rotaru, Managementul performanței bancare, 2001, p. 612].

Pentru a preveni apariția riscului de creditare, creditorul ia măsuri adecvate de identificare, evaluare și monitorizare a riscului. Aceste măsuri apar în urma cunoașterii și selecției stricte a debitorilor și monitorizării și controlului riscului de creditare [Cristi Spulbăr, Management bancar, 2008, p. 304].

În etapa de evaluare a riscului de creditare, instituțiile de creditare trebuie să ia în calcul următoarele aspecte:

performanța financiară a debitorului în momentul respectiv și cea prognozată;

capcitatea de onorare a obligațiilor contractuale;

capacitatea și posibilitatea de executare a garanțiilor, în condițiile pieței;

concentrarea expunerilor față de contrapartide, piețele în care operează, sectoarele economice și țările unde sunt stabilite;

obligațiile contractuale față de persoanele care sunt în relații speciale cu instituțiile de creditare, personalul propriu și familia acestuia.

Din prisma cadrului contractual, instituțiile de creditare trebuie să urmărească umătoarele aspecte:

natura specifică a creditului;

clauzele contractuale aferente creditului;

existența garanțiilor personale și reale;

probabilitatea ca obligațiile contractuale să nu fie respectate. Aceasta se stabilește pe baza unui sistem de rating intern;

profilul expunerii până la scadență influențate de evoluțiile posibile ale pieței.

Activitatea de creditare trebuie să țină cont de:

destinația creditului și sursa de rambursare a acestuia;

profilul de risc curent al debitorului și garanțiile prezentate și senzivitatea acestora la evoluțiile economice;

istoricul datoriilor debitorului și posibilitățile curente și viitoare de rambursare a acestora;

experiența în activitate a debitorului și sectorul economic în care acesta își desfășoară activitatea;

termenii și condițiile propuse în contractul de creditare;

capacitatea instituțiilor de creditare de a executa și valorifica garanțiile.

Monitorizarea riscului de creditare implică:

înțelegerea situației finaciare a debitorului;

urmărirea conformității cu clauzele contractului;

evaluarea gradului de acoperire cu garanții a expunerii în raport cu situația curentă a debitorului;

actualizarea dosarului de credit, obținerea de informații finaciare curente [Cristi Spulbăr, op.cit., p. 305-306].

Riscul este un element prezent în orice instituție, astfel încât el nu poate fi evitat, ci doar prevenit și diminuat. Pentru diminuarea riscului în activitatea de creditare, instituțiile creditoare nu acordă credite:

– agenților economici care înregistrează pierderi și nu au perspective de redresare, cu excepția cazurilor în care, prin acte normative, s-a reglementat altfel;

– agenților economici care nu contribuie cu capital propriu la finanțarea mijloacelor circulante sau la realizarea proiectelor de dezvoltare (investiții);

– agenților economici care au datorii față de bancă, trecute de aceasta în afara bilanțului și care nu prezintă programe viabile de redresare, în măsură să asigure recuperarea rapidă a creantelor;

– agenților economici pentru care s-a instituit procedura de reorganizare sau de faliment, cu excepția cazurilor în care instanța judecătorească hotărăste că pot fi acordate credite în vederea reorganizării și a redresării activității debitorului;

– agenților economici ale căror datorii au fost predate spre valorificare la A.V.A.S. și care nu și-au reglementat modul de achitare a datoriilor respective [Leontin Stanciu, op. cit., p. 2].

Evaluarea riscului de creditare are dimensiuni calitative și cantitative. Dimensiunea calitativă a evaluării riscului este, în general, mai greu de estimat. Etapele în evaluarea calitativă a riscului se referă la obținerea de informații în legatură cu responsabilitatea financiară a clientului, determinarea scopului real pentru care acesta dorește creditul, identificarea riscurilor cu care se confruntă activitatea clientului, tinând cont de tendințele de evoluție a condițiilor economice în viitor și estimarea eforturilor reale pe care clientul le va face în vederea rambursării. Aspectul cantitativ a evaluării riscului constă în analiza istoricului datelor financiare ale clientului, pentru a evalua capacitatea clientului de a rambursa la timp creditul și capacitatea sa reală de a supraviețui în cazul apariției riscului de creditare [Ion Nitu, op.cit., p. 157-158].

Mediul în care opereazã instituțiile creditoare prin schimbările la care este supus genereazã noi oportunitãti de afaceri, care presupun riscuri mari si complexe. Acestea se constituie într-o provocare reală și amenințătoare pentru abordãrile tradiționale ale managementului instituțiilor creditoare [Ioan Trenca, Noi cerințe privind managementul de creditare, 2006, p. 27].

Activitatea de creditare are la bază capacitatea debitorilor de a genera venituri, respectiv, lichidități, reprezentând principala garanție și sursă de rambursare a creditelor și de plată a dobânzilor, condiția este ca fluxul de lichidități al acestora să fie cesionat instituțiilor financiare și să se deruleze prin conturile deschise la aceasta [Ilie Mihai, Tehnica și managementul operațiunilor bancare, 2003, p. 195].

Instituția creditoare întocmește rapoarte de solvabilitate pentru a determina dacă un client poate genera venituri, astfel încât să își poată exercita obligația asumată. În cadrul acestui studiu, instituția creditoare evaluează, prin angajamentele pe care debitorii le au față de terți, organizarea lor tehnică și administrativă, raportul între capitalul propriu și capitalul atras, situația economică a domeniilor de activitate în care sunt direcționate creditele, motivele solicitării acestora, destinația lor reală și imediată, modul în care debitorii își repartizează profitul [Aurel Berea, Emilia Stoica, Creditul bancar – coordonate actuale și perspective, 2003, p. 16].

Pasul următor acestor estimări este asigurarea că sumele împrumutate debitorilor vor fi rambursate la timp, deci, pe lângă analiza solvabilității clienților și a obținerii certitudinii că afacerile acestora sunt sigure și eficiente, instituția creditoare se mai asigură cu privire la rambursarea creditelor acordate prin solicitarea unor garanții. În cazul în care, la scadență, un debitor nu-și poate achita datoriile și nu mai poate să-și stingă creanța, dacă instituția creditoare are garanții constituite în condițiile legii, pe baze contractuale, le poate executa [Leontin Stanciu, op. cit., p. 3].

Constituirea de garanții în cazul creditelor reprezintă unul dintre principiile de bază ale creditării în condițiile economiei de piață, garanțiile solicitate cel mai des sunt:

– garanții reale;

– garanții personale.

Garanțiile reale sunt mijloacele juridice de garantare a obligațiilor, în scopul asigurării executării obligației asumate sunt afectate bunuri ale debitorilor. Bunul reprezentând garanția este protejat de la urmărirea celorlalți creditori a căror creanță nu este însoțită de nici o formă de garanție sau garanția are un grad de prioritate inferior celui al instituției creditoare în cauză și este destinat urmăririi și satisfacerii cu prioritate a creanței garantate.

În practică, se utilizează două categorii de garanții reale, respectiv:

– garanții reale mobiliare (gajul propriu-zis, care poate fi la rândul său cu deposedarea debitorului de bunul afectat drept garanție sau fără deposedarea acestuia de bunul adus în garanție);

– garanții reale imobiliare (ipoteca) [Leontin Stanciu, op. cit., p. 3].

Garanțiile personale reprezintă mijloace juridice de garantare a obligațiilor în care intervine o terță persoană, fizică sau juridică. Aceasta, prin intermediul unui contract accesoriu încheiat cu instituția creditoare, se angajează să plătească datoria debitorului în cazul în care acesta nu o va plăti el însuși.

Garanțiile personale se împart în două categorii:

– fidejusiunea, care se poate utiliza numai atunci când, pe baza unui contract de creditare încheiat, fidejusorul se obligă să garanteze datoriile debitorului cu întregul său patrimoniu;

– cauțiunea bancară, care se concretizează, de regulă, într-o scrisoare de garanție [Leontin Stanciu, op. cit., p. 5-6].

Garanțiile instituțiilor creditoare constiuie ultima sursă de rambursare a creditelor, fiind folosită doar când nu mai există alte posibilități de rambursare a acestora și a plății dobânzilor aferente.

În analiza riscului de creditare se urmăresc un set de probleme: identificarea factorilor de influență, evaluarea și recuperarea creditului. Recuperarea creditului se realizează prin utilizarea garanției, aceasta presupune asumarea de către institutie a unui anumit risc, datorat atât unor factori interni ai garanției (garanția poate fi, teoretic, oricând lichidabilă la valoarea evaluată, însă în momentul valorificării nu poate fi tranzacționată, neexistând un interes de piață), cât și unor elemente conjuncturale, care în România îmbracă un aspect al lichidității reale a garanției (de exemplu, prețul ei de piață nu mai acoperă, în momentul valorificării, valoarea datoriilor față de instituțiile financiare datorită deprecierii în sine a garanției sau deprecierii valorii de piață a acesteia). De asemenea, valorificarea agențiilor presupune eforturi financiare mari din partea instituțiilor financiare și întârzieri în recuperarea creanțelor [Leontin Stanciu, op. cit., p. 3].

Drepturile instituțiilor financiare creditoare conferite de garanții sunt următoarele:

– dreptul de preferință, pe baza căruia, în cadrul executării silite, din valoarea bunului constituit drept garanție se va asigura mai întâi satisfacerea integrală a instituției creditoare, și doar ce va fi în plus va fi destinat celorlalți creditori;

– dreptul de urmărire, în temeiul căruia instituția creditoare va putea urmări bunul indiferent în posesia cui se află, în măsura necesară satisfacerii creanței garantate [Ilie Mihai, op.cit. p. 196].

Evaluarea riscului de creditare vizează și beneficiile ce se asteaptă a fi obținute de instituțiile creditoare. Beneficiile pot fi atât directe, cum ar fi dobânzile și comisioanele aferente creditului, cât și indirecte, constând în inițierea sau menținerea unei relații cu clientul [Iulia Iuga, op. cit., p. 1].

Analiza creditului se efectuează periodic. Prima analiză are loc înainte de derularea creditului pentru a lua decizia de creditare, apoi, în functie de scadența creditului, la intervale de timp determinate, de obicei când rapoartele financiare ale clientului sunt puse la dispoziție [Iulia Iuga, op. cit., p. 1].

Elementele determinante ale gestiunii riscului de creditare sunt: capacitatea de plată, caracterul debitorului – dorința sa de a face plata, capitalul – averea debitorului, garanția (reală sau personală), condițiile de mediu. Dintre toți acești factori cel mai important este capacitatea de plată [Iulia Iuga, op. cit., p. 2].

Instituțiile creditoare administrează riscul de creditare prin:

• analiza de creditare pentru proiectele de creditare, în care sunt incluse activități care au ca scop evaluarea riscului activității solicitantului de credit, a structurii managementului, a mediului economic și poziției pe piață a solicitantului de credit, dar și analiza și evaluarea planului de afaceri, efectuarea de previziuni asupra fluxurilor monetare, evaluarea siguranței și istoriei de creditare a clientului, în caz că aceasta este disponibilă;

• trecerea de la aprecierea creditului la aprecierea viabilității și realismul business-ului clientului;

• efectuarea de decizii echilibrate de acordare a creditelor, care se vor lua numai în conformitate cu metodologia aprobată și în limita plafonului stabilit de aceasta;

• utilizarea metodelor de diversificare a portofoliului de credite pe diferite produse, clienți, ramuri și pe categorii de risc, în vederea minimizarea riscului. Categoriile de risc ale solicitantului de credit se revizuiesc cât mai des posibil;

• stabilirea limitelor generale ale densității riscului, în functie de clienti, produse și ramuri de activitate.

În lucrare am evaluat riscul de creditare în raport cu elementele sale determinante. Analiza realizată își propune să contureze o imagine a stării actuale a riscului de creditare, stabilind factorii de influență a riscului de creditare pentru România și pentru Europa.

2.2 Metode de evaluare a riscului de creditare

Problema evaluării corecte și în timp real a riscului pierderii și a intensității lor este destul de complicată și necesită date concrete pe baza cărora să se poată deduce natura particulară a riscului și gradul de predictibilitate a manifestării lui [Elena Druica, op. cit., p. 18].

Gradul ridicat de incertitudine face ca evaluarea riscului de creditare să fie dificilă, iar dificultatea este sporită de neclaritățile și confuziile cu privire la conținutul conceptului de risc de creditare [Monica Dudian, op. cit., p. 5].

Evaluarea riscului de creditare prezintă două dimensiuni: una calitativă și una cantitativă.

Dimensiunea cantitativă a riscului de creditare face referire la analiza situațiilor financiare ale clientului și estimarea rezultatelor financiare viitoare pentru determinarea capacității clientului de a rambursa creditul la timp. Evaluarea calitativă constă în obținerea informațiilor referitoare la responsabilitatea financiară a clienților, determinarea scopului real pentru care aceștia solicită creditul, identificarea riscurilor cu care se confruntă activitatea clientului, în funcție de tendințele de evoluție a condițiilor economice în viitor și de estimarea eforturilor pe care le va face clientul pentru a rambursa [Iuliana Predescu, op. cit., p. 75].

Rezultatele tehnicilor de evaluare a creditului pot fi folosite pentru a decide dacă se acordă sau nu un credit prin stabilirea riscului implicit. Din anul 1941, începând cu studiul lui Durand, cele mai multe dintre ele s-au concentrat pe utilizarea metodelor calitative pentru pognoză [D. Durand, Risk elements in consumer installment financing, p. 39]. Mai puțină atenție i s-a acordat celui de-al 2-lea pas al aproximării IRB (abordări pe baza ratingurilor interne). Dupa ce probabilitatea implicită este estimată, observațiile sunt clasificate pe nivelurile de risc de către valorile limită pentru probabibilitățile implicite. În acest mod rezultatele evaluării creditului nu vor fi folosite doar pentru a decide dacă se acordă sau nu creditul, el poate fi aplicat, de asemenea, în managementul riscului de creditare, de stabilire a prețurilor de împrumut și de estimare a cerințelor minime legate de capital.

Scopul analizei creditelor este evitarea pierderilor din profit sau în afaceri din cauza datoriilor nerecuperabile, adică din cauza acordării de credite unor clienți care nu rambursează datoria sau din cauza neacordării de credite unor clienți potențial buni [Richard Lloyd, Hanns P. Muth, Frederick H. Gerlach, op. cit., p. 2].

Există doi pași în calculul riscului de creditare: estimarea riscului de creditare și calcularea probabilității de nerambursare. Odată calculate aceste două statistici, se poate cuantifica riscul de creditare [Chand Sooran, op. cit., p. 1].

Există mai multe metode formale utilizate pentru a evalua sau a "măsura" riscul, ceea ce mulți consideră a fi un factor critic în luarea deciziilor umane. Unele dintre aceste definiții cantitative ale riscului sunt bine fundamentate în teoria statisticii. Cu toate acestea, cuantificarea riscului se bazează pe datele de apariție ale eșecului, care pot fi rare. Aceasta face dificilă evaluarea riscurilor în industriile periculoase, cum ar fi energia nucleară unde frecvența eșecurilor este rară, iar consecințele dăunătoare ale eșecului sunt astronomice. Consecințele periculoase dăunătoare de multe ori necesita măsuri pentru a reduce probabilitatea de eșec la valori infinit de mici, care sunt greu de măsurat și sunt coroborate cu dovezi empirice. Adesea, probabilitatea unui eveniment negativ este estimată prin folosirea frecventei evenimentelor similare din trecut sau prin metode arbore-eveniment, dar probabilitățile pentru eșecurile rare pot fi dificil de estimat dacă arborele-eveniment nu poate fi corect formulat [Steven Landsburg, Is your life worth $10 million?, 2003].

Conform datelor statistice, pentru instituțiile financiare, riscul de creditare este mult mai important decât alte riscuri, diversificarea scăzută (datorită concentrării geografice sau sectoriale) a riscului de creditare fiind principala cauză a falimentelor bancare.

Doar recent, industria bancară a început să măsoare riscul de creditare în contextul unui portofoliu, odată cu dezvoltarea managementului riscului începută cu modelele de valoare la risc (VaR). Odată măsurat, riscul de creditare poate fi diversificat ca orice alt risc financiar.

Dar, riscul de creditare este mult mai greu de cuantificat decât alte riscuri, deoarece acesta este afectat de mult mai mulți factori, iar mulți dintre ei sunt extrem de dificil de măsurat datorită frecvenței foarte reduse cu care apar. În această categorie sunt incluse probabilitățile de intrare în incapacitate de plată, corelațiile dintre acestea și gradul de recuperare al fluxului financiar odată ce intrarea în incapacitate de plată s-a produs.

Pentru ca riscul de intrare în incapacitate de plată (default risk) să creeze pierderi, trebuie îndeplinite două condiții. În primul rând trebuie să existe o creanță netă față de contrapartidă (expunere) și, în al doilea rând, contrapartida trebuie să intre în incapacitate de plată.

În mod tradițional, riscul de creditare se aplică creditelor și obligațiunilor pentru care expunerea este valoarea nominală a investiției. Derivativele, pe de alta parte, pot avea fie o valoare pozitivă (un activ net față de contrapartidă), fie o valoare negativă (o datorie față de cealaltă parte). În această situație, există expunere la risc de creditare atunci cănd contractul are o valoare pozitivă [Philippe Jorion, Value at Risk, ediția a 2-a, 2001, p. 72].

De fapt, pierderea datorată intrării în incapacitate de plată a contrapartidei, este asemănătoare cu o opțiune. Definind Vt ca fiind valoarea curentă sau de înlocuire a creanței contrapartidei și presupunând că nu se va recupera nimic din această valoare în cazul în care contrapartida intră în incapacitate de plată, pierderea este expunerea curentă, Vt, dacă aceasta este pozitivă:

Pierderet= max(Vt, 0)

Caracterul asimetric rezultă din faptul că dacă contrapartida intră în incapacitate de plată atunci când contractul are o valoare negativă, partea solventă va trebui să își îndeplinească obligațiile, iar în cazul în care contractul ar fi avut o valoare pozitivă, partea solventă ar fi înregistrat pierderi.

Riscul de creditare include, conform raportului G-30, pe lângă valoarea de înlocuire și pierderea viitoare sau potențială (care reprezintă o estimare a costului de înlocuire a tranzacțiilor cu instrumente derivate). Atunci,

expunerea maximă la riscul de creditare = max(Vt + ΔVτ0),

unde ΔVt reprezintă creșterea maximă în valoare pe un orizont de timp τși un nivel de încredere c.

Resurse semnificative și programe sofisticate sunt utilizate pentru a analiza și gestiona riscurile. Unele companii înființează un departament de risc de creditare a căror sarcină este de a evalua sănătatea financiară a clienților lor, și să decida în consecință acordarea creditului (sau nu). Ei pot folosi programe proprii pentru a ajuta cu privire la evitarea, reducerea și transferul riscului. Ei de asemenea, utilizează terți, pregatiți cu informații.

Cei mai mulți creditori folosesc propriile modele (scorecard-credit) pentru clasificarea clienților potențiali și existenti în funcție de risc, după care se aplică strategii adecvate. Cu produse, cum ar fi împrumuturile negarantate personale sau ipotecare, creditorii percep un preț mai mare pentru clienții cu risc mai mare și vice-versa. Cu produsele revolving, cum ar fi cardurile de credit și descoperirile de cont, riscul este controlat prin stabilirea limitelor de credit. Unele produse necesită, de asemenea, securitate, cel mai frecvent sub forma de bunuri.

Modelele pentru scorul de creditare fac parte, de asemenea, din cadrul utilizat de către băncile sau instituțiile de creditare în acordarea creditelor clienților. Pentru debitorii colectivi și comerciali, aceste modele au, în general, secțiuni calitative și cantitative conturând diverse aspecte ale riscului, incluzând, dar nu limitat, exploatarea experienței, expertiza managementului, calitatea activelor și ratele de influență și, respectiv, de lichiditate. Odată ce această informație a fost pe deplin revizuită de către ofițerii și comitetele de creditare, creditorul prevede fonduri ce fac obiectul termenilor și condițiilor prezentate în cadrul contractului.

Riscul de creditare s-a dovedit a fi deosebit de mare și dăunător pentru proiecte de investiții foarte mari. Acest lucru se datorează faptului că astfel de proiecte sunt în special predispuse să se încheie într-un punct numit "capcana datoriilor", adică, o situație în care – din cauza depășirilor costurilor, întârzierilor în program, etc – costurile de întreținere a datoriei devin mai mari decât veniturile disponibile să plătească dobânzi și micșorează datoria [Bent Flyvbjerg, Nils Bruzelius, Werner Rothengatter, op. cit., p. 39].

2.3 Indicatori de evaluare a riscului de creditare

Aproape toate instituțiile creditoare își asumă riscul de creditare, ceea ce presupune necesitatea analizei modului cum evoluează în timp calitatea portofoliului de credite, cu impact asupra profitabilității, adecvării capitalului și încrederii generale în instituția respectivă.

Indicatorii de evaluare a riscului de creditare sunt de 2 feluri: generali și specifici.

Indicatorii de evaluare a riscului de creditare generali sunt: rata riscului de creditare, rata creditelor restante, rata creditelor neperformante, rata rezervelor pentru pierderi, rata provizioanelor față de pierderi și rata provizioanelor în profit.

Indicatorii de evaluare a riscului de creditare specifici sunt: rata rentabilității, indicatorul de solvabilitate, rentabilitatea economică, rentabilitatea capitalului și efectul de pârghie.

Rata riscului de creditare este raportul dintre expunerea brută aferentă creditelor nebancare și dobânzilor, clasificate în îndoielnic și pierdere și totalul creditelor și dobânzilor clasificate, aferente creditelor nebancare [www.bnro.ro].

Rata riscului de creditare = (expunerea brută aferentă creditelor nebancare și dobânzilor)/(totalul creditelor și dobânzilor aferente creditelor nebancare)

Pentru estimarea riscului de creditare pe baza ponderii activelor de calitate slabă sunt determinați doi indicatori de referință care întârzie sau nu permit realizarea veniturilor anticipate:

• Rata creditelor restante RCR = volumul creditelor restante / total credite *100;

• Rata creditelor neperformante RCN = volumul creditelor neperformante / total credite *100.

Ideal ar fi ca cele două rapoarte să aibă valori minime, creditele restante, dar mai ales cele neperformante, generând probleme în activitatea și asupra rezultatelor financiare ale instituției.

Alți indicatori ai riscului de creditare utilizează în formula de calcul rezervele și provizioanele pe care instituțiile creditoare le constituie pentru acoperirea eventualelor pierderi:

• Rata rezervelor pentru pierderi RRP = rezerve pentru pierderi din credite/total credite *100 – raport care exprimă sintetic așteptările manageriale privind evoluția calității portofoliului de împrumuturi;

• Rata provizioanelor față de pierderi RPP = provizioane pentru pierderi din credite/pierderi nete *100 – raport care reflectă nivelul de prudență adoptat de bancă în politica sa de creditare;

• Rata provizioanelor în profit RPPR= provizioane pentru pierderi din credite/profitul brut *100 – exprimă costul acoperirii riscului de creditare asumat de instituțiile creditoare.

Rata rentabilității este raportul dintre profitul brut și cheltuielile totale. Aceasta prezintă rezultatele managementului unei societăți de optimizare a plasamentelor în corelație cu resursele atrase.

Când cu un volum minim de cheltuieli se obține o unitate de profit mare, atuci rata rentabilității este mare [Iuliana Predescu, op. cit., p. 136].

Solvabilitatea prezintă capacitatea generală a unei societăți de a transforma toate activele în bani lichizi, astfel încât să se plătească toate datoriile. Este determinată ca raport între totalul activelor și totalul datoriilor.

O valoare supraunitară a indicatorului prezintă o situație netă pozitivă a societății, invers, o valoare subunitară corespunde unei situații nete negative. Partea de activ, reprezentată de imobilizările corporale, ar trebui să fie acoperită cu surse proprii, iar ponderea datoriilor să nu fie mai mare de 50%. [I. Mihai, I.Velicu, op. cit., p. 33]

Rentabilitatea economică (ROA-Return on Assets) reflectă capacitatea de a utiliza resursele unei societăți pentru a obține profit.

Acest indicator exprimă cel mai bine eficiența unei societăți, câștigul generat de capitalul investit. Dacă acesta prezintă un trend descrescător denotă că societatea are dificultăți în realizarea veniturilor, în schimb, un trend crescător înseamnă că societatea are rezultate bune, dar și un risc asumat [Iuliana Predescu, op. cit., p. 139].

Rentabilitatea capitalului propriu (ROE-Return on Equity) este calculat ca raport între profitul net obținut de societate și capitalurile proprii, acestea din urmă reprezentând practic contribuția acționarilor la finanțarea afacerii. ROE măsoară profitabilitatea unei societăți, evidențiind cât profit generează capitalul investit de acționari.

Efectul de pârghie sau multiplicarea capitalului (leverage multiplier) este egal cu raportul dintre totalul activelor și capitalurile proprii și exprimă de câte ori s-au multiplicat capitalurile proprii prin intermediul operațiunilor societății [Iuliana Predescu, op. cit., p. 140].

Valoare acțiunilor unei societăți depinde de mai mulți factori, printre care rentabilitatea și lichiditatea. Dacă rentabilitatea în sine nu duce neapărat la valori crescute ale acțiunilor, o rată a rentabilității scăzute o perioadă mai mare de timp va afecta la un moment dat lichiditatea în așa fel încât să scadă valoarea acțiunilor.

Solvabilitatea este unul dintre factorii determinanți ai rentabilității unei societăți. Dacă datoriile sunt mai mici decât capitalurile proprii, o finanțare mai mare a datoriilor poate rezulta costuri scăzute și, în consecință, profitabilitate mai mare. Dacă nivelul datoriei atinge un nivel destul de ridicat, înseamnă că capitalul propriu de finanțare este prea mic, o stingere a datoriilor nu va fi posibilă, ceea ce va conduce la creșterea costurilor, deci o profitabilitate mica, posibil și faliment. La niveluri prea mari ale datoriei, solvabilitatea prezintă o legătură negativă față de profitabilitate.

Cu toate acestea, rezultatele mai multor studii sugerează o relație pozitivă între datoriile mari și riscul de creditare și o relație pozitivă sau nesemnificativă între datoriile mai ridicate și profitabilitate. Salah și Fedhila (2012) au găsit o relație negativă între capitalul propriu și riscul de creditare. Corcoran (2010) a obținut rezultate similare.

Hsieh și Lee (2010) au descoperit o legătură negativă între solvabilitate și profitabilitate. Datoria și capitalurile proprii sunt cele două surse principale de finanțare a investițiilor și a activității de exploatare. Astfel, o relație negativă între capitaluri proprii și riscul de creditare presupune că o datorie mai ridicată este asociată unui risc de creditare mai mare. Riscul de creditare mare poate duce la o profitabilitate scăzută [Myrna R. Berríos, The relationship between bank credit risk and profitability and liquidity, p. 107].

Indicatorii potențiali de măsurare ai riscului care pot semnala în avans variațiile veniturilor instituțiilor financiare sunt: concentrarea geografică și pe sectoare economice a creditelor, ritmul de creștere a volumului de credite, rentabilitatea ridicată a unor categorii de credite.

Deși niciunul dintre acești indicatori nu reprezintă un predictor perfect, nivelul necorespunzător al unuia dintre aceștia sau a mai multora, constituie în sine un barometru al viitoarelor probleme de creditare [Ion Nitu, op.cit., p. 148-149].

În lucrare am folosit riscul de creditare, cuantificat sub aspect numeric ca rata riscului de creditare. Indicatorii care influențează riscul de creditare pentru România în analiză sunt: rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu.

Capitolul III. Metode statistice de analiză și prognoză a riscului de creditare

3.1 Metode statistice de analiză a riscului de creditare

Decizia de evaluare a creditului și estimarea probabilității implicite au fost printre cele mai provocatoare probleme în managementul riscului de creditare încă din 1930. Înainte de dezvoltarea modelelor matematice și statistice, acordarea creditelor se realiza pe bază pe aprecieri, nefiind fiabile, deoarece ele depind de modul de interpretare a creditorilor. Deciziile se pot schimba de la o persoană la alta, astfel încât acestea nu se pot reproduce și preda [D.J. Hand, Modelling consumer credit risk, 2001, p. 139–155]. Odată cu dezvoltarea modelelor de clasificare și de analiză a dosarului de creditare, acestea au luat locul metodelor bazate pe judecăți.

Studiile ce folosesc analiza dosarului de creditare folosesc în general informații potențiale a declarațiilor financiare pentru a lua o decizie cu privire la profitabilitatea firmei și dificultățile financiare ale acesteia. Unul dintre cele mai importante studii despre analiza raportului a fost realizat de Beaver în 1966 [W.H. Beaver, Financial ratios as predictors of failure, 1966, p. 71–111]. Scopul studiului a fost nu numai de a prezice plata creditelor, ci și de a testa capacitatea datelor contabile de prezicere cu ajutorul probabilităților.

Pentru a evita un eșantion eronat, în analiza univariată a raportului s-a folosit un eșantion potrivit de firme, atât falimentare cât și nefalimentare. În plus, cu ajutorul analizei de profil, mediile ratelor au fost comparate.

În 1968, Beaver, a extins studiul său pentru a evalua dacă prețurile practicate pe piață au fost afectate înainte de faliment [W.H. Beaver, The information content of annual earnings announcements, Journal of Accounting Research, Supplement, 1968, p. 67–92]. Concluzia studiului este că investitorii recunosc riscul de faliment și astfel scad prețurile cu un an înainte de de producerea falimentului. Studiul Beaver a fost repetat în 1972 de Deakin în comparație cu combinația liniară de rate [E.B. Deakin, A discriminant analysis of predictors of business failure, 1972, p. 72].

Cele mai vechi studii cu privire la decizii statistice luate pentru acordarea creditului au fost publicate de Durand în 1941. Analiza discriminant Fisher a fost aplicată pentru a evalua bonitatea persoanelor fizice la bănci și instituții financiare. După acest studiu, a început să fie folosit discriminantul vârsta de acordare a creditelor. Acesta a fost urmat de Myers și Forgy, Altman, Blum și Dombolena și Khoury.

În 1963, Myers și Forgy comparau analiza discriminant cu regresia liniară multiplă în trepte și combinația liniară ponderată egală a ratelor. În acest studiu au fost folosite atât variabilele financiare cât și cele nefinanciare. În primul rând, variabilele nominale s-au transformat în cantitative de la cel mai bun la cel mai rău. În mod surprinzător, au descoperit că capacitatea de predicție a funcției ponderate este la fel de eficace ca și alte metode [J.H. Myers, E.W. Frogy, The development of numerical credit evaluationsystems, 1963, p. 799–806].

În 1968, Altman a încercat să evalueze calitatea analitică a analizei doasrului de creditare prin utilizarea combinației liniare de raporturi cu funcția discriminant. În cadrul studiului, funcția discriminant cu raporturi a fost numita modelul Scorul Z. Altman a concluzionat că, odată cu modelul Scorul Z, care a fost construit cu eșantion de date potrivite, 95% dintre date au fost corect prezise [E.I. Altman, Financial ratios, discriminant analysis and prediction of corporatebankruptcy,v1968, p. 589–609].

În 1974, Blum a raportat rezultatele analizei discriminant pentru 115 companii falimentare și 115 companii nefalimenatre cu date contabile privind lichiditatea și profitabilitatea. În cadrul procesului de validare au fost evaluate procentele prezise corect. Rezultatele indică faptul că 95% dintre observații au fost clasificate în mod corect cu un an înainte de faliment, iar puterea de predicție scade la 70% la al treilea an înainte de eveniment [M. Blum, Failing company discriminant analysis, 1974, p. 15–25].

Dombolena și Khoury în 1980 adaugă măsurile de stabilitate a ratelor la modelul de analiză discriminant cu raporturi. Abaterea standard a ratelor din ultimii ani, eroarea standard a estimărilor și coeficientul de variație au fost folosite ca măsuri de stabilitate. S-a determinat precizia rapoartelor ca fiind 78% chiar și cinci ani înainte de eveniment, iar deviația standard a fost desemnată cea mai puternică măsură de stabilitate [I.G. Dambolena, S.J. Khoury, Ratio stability and corporate failure, 1980, p. 1017–1026].

Pinches și Mingo [G.E. Pinches, K.A. Mingo, A multivariate analysis of industrial bond ratings, 1973, p. 1–18] și Harmelink [P. Harmelink, Prediction of best’s general policyholder’s ratings, 1974, p. 621–632] au aplicat analiza discriminant utilizând datelele contabile pentru anticiparea ratingului de obligațiuni.

Analiza discriminant nu a fost singura tehnică folosită în anii 1960, au existat, de asemenea, modele de luare a deciziilor în funcție de timp, construite pentru a evita situațiile nerealiste prin modelarea probabilității eșecului solicitantului după un anumit timp. Primul studiu de model în funcție de timp a fost introdus de Cyert. Studiul a fost continuat de Mehta, Bierman și Hausman, Long, Corcoran, Kuelen, Srinivasan și Kim, Beasen și Philosophov.

În 1962, Cyert, prin intermediul procedurii de actualizare a soldului total a construit o procedură de luare a deciziei pentru a estima conturile îndoielnice. Prin intermediul acestei metode, clienții se deplasează între diferite categorii de credite de stat cu ajutorul matricei de tranziție staționare [H.J. Davidson, R.M. Cyert, G.L. Thompson, Estimation allowance for doubtful accounts by markov chains, 1962, p. 287–303].

Cu ajutorul acestui model, speranța de pierdere a ratelor poate fi estimată prin categoria îmbătrânire. În 1968, Mehta utiliza un proces secvențial pentru a construi o politică de extindere a creditului și a stabilit un sistem de control pentru măsurarea eficienței politicii. Sistemul a continuatcu evaluarea costurilor variantelor de acceptare și respingere, fiind aleasă cea cu costuri așteptate minime [D. Mehta, The formulation of credit policy models. Managerial Science, nr. 15, 1968, p. 30–50].

În 1970, Mehta asocia acest proces cu procesul Markov sugerat de Cyert, incluzând variabile de timppentru a optimiza politica de creditare. La evaluarea variantelor au fost luate în considerare relații dinamice cu lanțuri Markov [D. Mehta, Optimal credit policy selection: A dynamic approach, Journal of Financial and Quantative Analysis, December, 1970].

În 1970, Bierman și Hausman [H. Jr. Bierman, W.H. Hausman, The credit granting decision, 1970, p. 519–532] a dezvoltat o programare dinamică pentru luarea deciziei prin utilizarea probabilităților anterioare care au fost clasificate ca distribuții β. Decizia a fost luată prin evaluarea costurilor nu numai cu privire la pierderile curente, ci și cele viitoare.

Long a construit un sistem de verificare a creditului cu ajutorul procedurii de actualizare optime care maximizează valoarea firmelor. Prin sistemul de screening, notarea a descompus nivelul de performanță pentru orele suplimentare [M.S. Long, Credit screening system selection, 1976, p. 313–328].

Corcoran în 1978 a ajustat matricea de tranziție prin schimbări dinamice, cum ar fi actualizarea mediilor ajustate exponențial și ajustări sezoniere și de tip trend [A.W. Corcoran, The use of exponentially-smoothed transition matrices to improveforecasting of cash flows from accounts receivable, 1978, p. 732–739].

Kuelen în 1981 a încercat să îmbunătățească modelul lui Cyert. În acest model, în poziția dintre soldul total și soldul parțial au fost luate decizii mature pentru rezultate mai exacte [J. Spronk, J.A.M. Van Kuelen, A.W. Corcoran, On the cyert-davidsonthompsondoubtful accounts model, 1981, p. 108–112].

Srinivasan și Kim au construit un model de evaluare a profitabilității Bayesian care actualizează profitabilitatea orelor suplimentare implicite, fiind examinată eficiența relativă a altei proceduri de clasificare [V. Srinivasan, Y.H. Kim, Credit granting: A comperative analysis of classification procedures, 1987, p. 665–681].

În 2001, au fost evaluate clasificatorul rețea Bayesian folosind lanț Markov Monte Carlo [R. Castelo, B. Baesens, M. Egmont-Petersen, J. Vanthienen, Learning bayesian network classifiers for credit scoring using markov chain monte carlo search, 2002, p. 49–52]. Au fost evaluate clasificatoare de rețea Bayesiane diferite, cum ar fi clasificatorul Bayesian naiv, argumentele arborelui clasificator naiv Bayesian și clasificatorul rețelei Bayesiane nerestricționat prin intermediul procentelor corect clasificate și a ariei de sub curba ROC. Ei s-au dovedit a fi clasificatori buni. Rezultatele au fost economice și puternice pentru scoring-ul financiar de creditare.

Cel mai recent studiu privind acest domeniu a fost realizat de către Philosophov în 2006 [J.A. Batten, L.V. Philosophov, V.L. Philosophov, Multiperiod Bayesianbankruptcy prediction: Using financial ratios and the maturity schedule of longtermdebt, 2005, p. 63]. Această abordare permite să fie făcută o evaluare simultană, în funcție de predicție și timpul orizont se concluzionează ce fel de faliment ar putea apărea. Deși rezultatele analizei discriminant sunt eficiente pentru a prezice, există dificultăți în cazul în care ipotezele sunt încălcate și dimensiunea eșantionului este mică.

În 1966, Horrigan și în 1970, Orgler au folosit regresia multiplă liniară, dar această metodă nu este corespunzătoare, atunci când variabila dependentă este categorială. Pentru a evita aceste probleme, au fost dezvoltate modelele liniare generalizate, cum ar fi probit, logistic și regresia Poisson. Aceasta este o evoluție importantă pentru evaluarea creditului. În 1980, Ohlson a folosit noua tehnică de regresie logistică, care este mai flexibilă și robustă și evită problemele analizei discriminant [J.A. Ohlson, Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research, nr. 18, 1980, p. 109–131]. Cu ajutorul regresiei logistice și probit pot fi obținute și folosite multe estimări semnificative și robuste de către mulți cercetători, de exemplu: Wihinton (J.C. Wiginton, A note on the comparison of logit and discriminant models of consumer credit behaviour), Gilbert (K. Menon, L.R. Gilbert și K.B. Schwartz, Predicting bankruptcy for firms infinancial distress), Roshbach (K. Roszbach, Bank lending policy, credit scoring and the survival of loans), Feelders (S. Chang, A.J. Feelders și G.J. McLachlan, Mining in the presence of selectivitybias and its application to reject inference), Comoes și Hill (F. Cames și M. Hill, Consumer credit scoring models:does the underlyingprobability distribution matters?), Hayden (E. Hayden, Are credit scoring models sensitive to different default definitions?evidence from the austrian market, SSRN) și Huyen (D.T. Huyen și Thanh, Credit scoring for vietnam’s retail banking market:implementation and implications for transactional versus relationship lending).

Wiginton a comparat regresia logistică cu analiza discriminant și a concluzionat că regresia logistică domină complet analiza discriminant [J.C. Wiginton, A note on the comparison of logit and discriminant models ofconsumer credit behaviour, Journal of Financial and Quantitative Analysis, nr. 15, 1980, p. 757–770].

În 1990, Gilbert a demonstrat că, modelul dezvoltat cu eșantionul aleator în stare de faliment este capabil de a distinge firmele din categoria celor aflate în pericol de a ajunge falimentare cu ajutorul regresiei logistice în trepte. Ei au descoperit că variabilele firme remarcate în faliment și firme în pericol sunt diferite de firme falimentare și firme nefalimentare [K. Menon, L.R. Gilbert, K.B. Schwartz, Predicting bankruptcy for firms in financial distress, p. 66].

În 1998, Roszbach utiliza modelul Tobit cu un prag variabil cenzurat pentru a investiga efectele timpului de supraviețuire. S-a ajuns la concluzia că variabilele cu cote în creștere au timpul de supraviețuire așteptat mai mic [K. Roszbach, Bank lending policy, credit scoring and the survival of loans, p. 18].

În anul 2000, Comoes și Hill utilizau modele logit, probit, weibit și gombit să evalueze dacă probabilitatea distribuției de bază a variabilei dependente afectează cu adevărat capacitatea de predicție sau nu. Ei au concluzionat că nu există o diferență între modele [F. Cames, M. Hill, Consumer credit scoring models:does the underlying probability distribution matters?, 2000].

Cel mai recent studiu despre regresia logistică a fost realizat de Huyen. Prin utilizarea regresiei logistice în trepte, a fost construit un model de scoring pentru prognozarea creditelor bancare vietnameze de tip retail [D.T. Huyen, Thanh, Credit scoring for vietnam’s retail banking market: implementation and implications for transactional versus relationship lending, 2006].

Tehnicile parametrice, cum ar fi regresia logistică și analiza discriminant sunt
ușor de verificat și de interpretat, astfel încât acestea sunt cele mai folosite, însă cele non-parametrice au avantajul de a nu face nicio presupunere cu privire la distribuția
variabilelor, chiar dacă sunt greu de afișat și interpretat, astfel încât cercetările folosesc atât metode non-parametrice cât și semiparametrice. Hand și Henley în 1996 au introdus tehnica celui mai apropiat vecin k, care este o tehnică non-parametrică utilizată pentru caracteristica de prognozare. Ei au extins modelul cu matricea de ajustare euclidiană [W.E. Henley, D.J. Hand, A k-nn classifier for assessing consumer credit risk, p. 77–95].

În anul 2000 Hardle și Muller au folosit un model de regresie semiparametric numit model liniar parțial generalizat și au arătat că s-a comportat mai bine decât regresia logistică [M. Muller, W. Hardle, Multivariate ans semiparametric kernel regression, p. 357–391].

In 1980 Breiman a introdus o nouă metodă pentru clasificare care constă în divizarea datelor în parți din ce în ce mai mici. Clusterul și arborele de regresie reprezintă metode adecvate de a clasifica creditele în bune și rele. De asemenea, este cunoscută sub numele de partiționare recursivă [L. Brieman, Classification and regression trees, 1998, p. 27].

În 1985, Altman, Frydman și Kao au prezentat partiționarea recursivă pentru a evalua predictibilitatea și, în comparație cu analiza discriminant liniară, se înregistrează rezultate mai bune [E.I. Altman, H. Frydman, D.L. Kao, Introducing recursive partitioning for financial classification: The case of financial distress, p. 269–291]. Xiu în 2004 a încercat să construiască un model pentru consumatorii scoring-ului de credit folosind arborii cluster cu eșantioane de structuri și costuri de eroare diferite pentru a găsi cel mai bun arbore [J. Tuo, B. Li, X. Li, W. Ying, W. Liu, Applications of classification trees to consumer credit scoring methods in commercial banks, 2004, p. 412–417].

Metodele statistice de analiză folosite în lucrare sunt: analiza de regresie, ANOVA, analiza componentelor principale, analiza discriminat și analiza cluster. Aceste metode sunt folosite pentru a contura o imagine a stării actuale a riscului de creditare în Româna și în Europa.

Analiza de regresie

Regresia reprezintă existența unei legături de tip statistic cu privire la comportamentul unor variabile [Elisabeta Jaba, op. cit., p. 372].

Modelul liniar generalizat reprezintă clasa de modele de regresie a parametrilor care reprezintă generalizarea modelelor liniară. Acest tip de modele descriu cum valoarea așteptata a variabilei dependente variază în funcție de schimbările variabilei independente. În astfel de modele scopul principal este de a găsi cel mai bun model economic, care poate reprezenta relația dintre o variabilă dependentă și unele independente.

Prin intermediul modelului liniar se poate modela relația dintre variabile atunci când variabila dependentă are o distribuție diferită de cea normală. De asemenea, permite să includă termeni de eroare nenormali, cum ar fi binomul normal sau Poisson [S. A. Dospinescu, The features of regression methods used in credit risk assesment, 2009, Iași].

Analiza de regresie este o metodă statistică prin care se studiază și măsoară relația care există între două sau mai multe variabile, precum și descoperirea legii relative la forma legăturilor dintre variabile [Elisabeta Jaba, op. cit., p. 372].

Analiza de regresie este folosită pentru a explica sau modela relațiile dintre o variabilă Y, numită variabilă rezultativă, variabilă răspuns, variabilă de ieșire sau variabilă dependentă și una sau mai multe variabile factoriale, variabile de intrare, variabile explicative sau variabile independente X1, X2,…,Xp.

Dacă p = 1, atunci regresia este simplă, iar când p > 1 regresia se numește regresie multiplă și, uneori, regresie multivariată. Când sunt mai multe variabile Y, analiza de regresie se numește regresie multiplă multivariată.

Variabila rezultativă trebuie să fie o variabilă continuă, dar variabila explicativă poate fi continuă sau discretă.

Modelul de regresie liniară

Modelul de regresie liniară simplă exprimă legătura dintre două variabile și are următoarea formă:

, unde:

Y – variabila dependentă sau rezultativă;

X – variabila independentă sau factorială;

a, b – parametrii ecuației de regresie.

Pentru o secvență de observații aleatoare distribuite identic [(yi, xi), , n>2 și xi diferite între ele], modelul se scrie astfel:

, , sau sub formă matriceală:

, unde vectorul e conține erorile.

Valoarea parametrilor de regresie se estimează pe baza estimatorilor și .

La nivelul unui eșantion, modelul de regresie ia forma: , unde a și b reprezintă valori ale estimatorilor și , respectiv estimații ale parametrilor a și b, calculate la nivelul unui eșantion de volum n.

Estimarea parametrilor ecuației de regresie se realizează prin metoda celor mai mici pătrate (MCMMP). Aplicarea acestei metode presupune minimizarea expresiei:

= minim.

Minimizarea expresiei S se poate realiza prin anularea derivatelor parțiale de ordinul întâi ale lui S în raport cu a și b și prin faptul că matricea derivatelor parțiale de ordinul doi trebuie să fie pozitivă.

Prin rezolvarea acestor două condiții se obține următorul sistem de ecuații:

.

Aplicând metoda determinanților, pentru parametrii a și b se obțin următoarele relații de calcul:

,

.

Modelul de regresie liniară multiplă exprimă legătura statistică dintre o variabilă dependentă y și mai multe variabile independente x1, x2, …, xn și are forma:

, .

Ipotezele acestui model sunt următoarele:

ui reprezintă termenii de eroare a unei variabile U independente; E(ui) = 0, Var (U) = I;

termenii xj se presupune că sunt determinanți;

parametrii necunoscuți sunt considerați constanți;

variabila de eroare U este normală .

Condiția de minim este:

.

Dacă anulăm derivatele parțiale în raport cu parametrii , rezultă un sistem de ecuații normale prin a cărui rezolvare se obțin estimații ale parametrilor de regresie.

Odată stabilită forma legăturii dintre variabilele analizate, apare necesitatea măsurării intensității legăturii stabilite, adică măsurarea gradului de concentrare sau de împrăștiere a valorilor yi în jurul liniei de regresie yx.

Intensitatea legăturii dintre variabile se măsoară cu ajutorul coeficientului de corelație și a raportului de corelație.

Coeficientul de corelație se folosește pentru măsurarea legăturii în cazul unei regresii liniare simple [Elisabeta Jaba, op. cit., p. 390]. Coeficientul de corelație se poate determina prin relația:

.

Valoarea coeficientului de corelație variază între -1 și +1. Dacă valoarea este 1, legătura este liniară pozitivă, dacă valoarea este -1 legătura este liniară negativă, iar dacă valoarea este zero legătura dintre cele două variabile este absență.

Raportul de corelație se utilizează atât în cazul regresiei liniare, cât și în cazul regresiei neliniare. În cazul regresiei liniare raportul de corelație se determină cu ajutorul următoarei relații de calcul:

.

Raportul de corelație poate lua valori cuprinse în intervalul [0;1]. Valoarea 1 arată existența unei legături perfecte între cele două variabile, adică variația variabilei Y depinde numai de variația variabilei X.

Valoarea la pătrat a raportului de corelație reprezintă raportul de determinație.

Prin analiza de regresie se urmărește:

– dacă există și dacă se pot descrie relațiile dintre riscul de creditare și factorii de influență ce acționează asupra acestuia;

– cum se pot măsura erorile din estimatorii realizați.

Prin analiza de corelație se studiază existența unei asocieri între riscul de creditare (variabila dependentă) și factorii de influență (variabile independente) și dacă aceste variabile tind să varieze împreună.

În analiza riscului de creditare este important să cunoaștem efectul factorilor de influență asupra producerii riscului de creditare. Această problemă poate fi abordată cu ajutorul analizei de regresie. Analiza de regresie evaluează măsura în care variabila dependentă, rata riscului de creditare este influențată de variabilele explicative, rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu în România. Pentru Europa am folosit analiza de regresie pentru a evalua măsura în care variabila dependentă, datoriile private este influențată de variabilele explicative, fluxul de credite private, rata de schimb, produsul intern brut și rata șomajului.

ANOVA

Analiza dispersională (ANOVA) este un procedeu statistic folosit în analiza variației unei variabile în raport cu factorii de influență. Prin procedeul ANOVA (Analysis of variance) se pot testa ipoteze cu privire la parametrii unui model pentru a verifica dacă sunt diferențe semnificative între populațiile din care s-au extras eșantioanele observate și se pot estima componentele dispersiei unei variabile și verifica semnificația factorilor de influență asupra dispersiei [Elisabeta Jaba, op. cit., p. 353].

ANOVA constă în descompunerea variației totale a unui ansamblu de date înregistrate pentru o variabilă X în componente definite după sursa variației și compararea acestora pentru a stabili dacă factorii considerați cauză au influență semnificativă asupra variabilei X [Elisabeta Jaba, op. cit., p. 356].

Pentru măsurarea variației unei variabile se folosește varianța. Pentru descompunerea variației se recurge la suma pătratelor abaterilor valorilor observate ale variabilei de la media lor (devianța sau variația). Variația are două componente: o componentă explicată, pentru a cărei exprimare și măsurare se folosește varianța intergrupe () și o componentă eroare (reziduu) pentru care se folosește varianța intragrupe (). Când nu se cunosc varianțele, componentele variației sunt măsurate prin estimatori ai varianței: estimatorul varianței intergrupe (), estimatorul varianței intragrupe () și estimatorul varianței totale ().

În funcție de numărul factorilor cauză, analiza variației poate fi tratată ca o analiză unifactorială sau ca o analiză bi și multifactorială.

ANOVA unifactorială (analiza dispersională pentru un singur factor cauză) permite compararea valorilor tipice a mai multor grupe sau populații pentru a determina dacă există diferențe semnificative între ele. Pentru a verifica dacă variabilitatea mediilor de la o grupă la alta este datorată factorului de grupare trebuie să se efectueze un raport între măsura dispersiei dintre medii și a dispersiei din interiorul grupelor.

Analiza variației se poate realiza dacă sunt îndeplinite următoarele condiții:

eșantioanele aleatoare de efective n1,n2…nk sunt prelevate din populații într-o manieră independentă;

distribuțiile populațiilor din care se extrag eșantioanele sunt normale ;

varianțele celor k populații sunt egale între ele, adică populațiile sunt homoscedastice.

Ipotezele care se formulează în în analiza variației, considerând un singur factor cauză, sunt:

ipoteza nulă H0: , unde = parametrul considerat.

ipoteza alternativă H1: cel puțin valorile a doi parametri sunt diferite între ele.

Ipoteza H0 se verifică cu ajutorul statisticii test F – raportul Fisher, care se calculează ca raport între estimatorul varianței intergrupe () și estimatorul varianței intragrupe (), astfel [Elisabeta Jaba, op. cit., p. 355]:

.

Ipoteza nulă se respinge dacă valoarea calculată este mai mare decât valoarea tabelată pentru un risc și și grade de libertate:

Dacă această regula nu este îndeplinită, atunci se poate concluziona că factorul cauză nu influențează semnificativ variația variabilei considerate.

Analiza variației pentru un singur factor cauză se bazează pe descompunerea variației totale (VT) în două componente: variația intergrupe (VE) și variația intragrupe (VR), astfel:

.

Variația intergrupe măsoară variația mediilor grupelor față de media lor și se calculează ca sumă a pătratelor abaterilor mediilor grupelor () față de media lor (), conform relației:

.

Calculul estimatorului varianței intergrupe () presupune raportarea variației intergrupe la (k-1), după relația:

, unde k reprezintă numărul grupelor, iar k-1 numărul gradelor de libertate asociat varianței intergrupe.

Variația intragrupe (componenta eroare) măsoară variația din interiorul fiecărei grupe și se determină conform relației:

.

Estimatorul varianței intragrupe se determină după relația:

, unde n reprezintă numărul total al observațiilor.

Variația totală se calculează conform următoarei relații:

Estimatorul varianței totale se exprimă cu ajutorul formulei:

Analiza bifactorială sau analiza dispersională pentru doi factori cauză este un procedeu de analiză statistică a unei variabile X pe surse de variație în raport cu doi factori cauză, A și B. ANOVA bifactorială constă în descompunerea variației totale pe componente ale variației pe factori cauză și în compararea lor pentru a verifica semnificația influenței factorilor asupra variabilei X.

ANOVA bifactorială ne permite să detectăm și interacțiunile dintre variabile și, în consecință, să testăm mai multe ipoteze complexe despre realitate.

În acest procedeu de analiză statistică, variația totală (VT) se decompune în variația intragrupă (VR), variația intergrupe datorată factorului A (VA), variația intergrupe datorată factorului B (VB) și variația datorată interacțiunii celor doi factori A și B (VAB).

Definită ca sumă a pătratelor abaterilor datelor de selecție (xijk) de la medie (), variația totală se exprimă cu ajutorul următoarei relații [Elisabeta Jaba, op. cit., 2002, p. 363]:

.

Estimatorul variației totale se determină împărțind acestă sumă la numărul gradelor de libertate asociat (n-1), astfel:

, unde:

n = numărul total al observațiilor.

,

a = nivel independent în care se manifestă factorul A;

b = nivel independent în care se manifestă factorul B.

r = numărul de observații asupra variabilei X pentru fiecare interacțiune ab.

Variația intragrupă, numită și variație reziduală pentru că măsoară variația datorată factorilor reziduali, se calculează conform formulei:

.

Estimatorul variației reziduale se determină după relația:

.

Variația intergrupe explicată prin factorul A se determină cu formula:

.

Estimatorul variației explicate prin factorul A se determină după relația:

.

Variația intergrupe explicată prin factorul B se exprimă cu formula:

.

Estimatorul variației explicate prin factorul A se calculează după relația:

.

Variația interacțiunii (AB) se determină cu formula:

.

Estimatorul variației interacțiunii se exprimă cu ajutorul relației următoare:

.

Și în cazul analizei variației prin ANOVA bifactorială trebuie îndeplinite condițiile de aditivitate, normalitate, homoscedasticitate și independență.

Ipotezele care se formulează și testează în cazul ANOVA bifactorială sunt următoarele:

H0:

H1: cel puțin o medie este diferită de o alta.

H0:

H1: cel puțin o medie este diferită de o alta.

H0:

H1: cel puțin media unei interacțiuni este diferită de o alta [Elisabeta Jaba, op. cit., p. 364].

Primele două ipoteze se testează cu testul Fisher, raportul F calculându-se prin împărțirea unui estimator al varianței explicată pe seama factorului A, respectiv B, la estimatorul varianței intragrupe.

Pentru primele două ipoteze raportul F se determină conform relațiilor:

, respectiv și se compară cu F tabelat pentru un prag de semnificațieși , grade de libertate pentru factorul A și cu F tabelat pentru un prag de semnificație și , grade de libertate pentru factorul B.

Dacă F >, se respinge ipoteza nulă H0 și se concluzionează că factorul A, respectiv factorul B influențează semnificativ variația variabilei X.

Pentru cea de-a treia ipoteză, raportul Fisher se determină conform relației:

.

Dacă F >, se respinge ipoteza nulă H0 și se conchide că interacțiunea dintre cei doi factori influențează semnificativ variația variabilei X.

ANOVA poate opera cu un număr teoretic nelimitat de variabile independente Practic apar însă dificultăți greu de depășit, mai ales că trebuie respectată restricția existenței unui număr egal de subiecți în fiecare componentă a tabelului de clasare a datelor. Dacă avem un caz cu trei variabile independente (A, B. C), variația totală include: variațiile separate dintre categoriile lui A, ale lui B și ale lui C, variația indusă de interacțiunile (AxB), (AxC), (BxC), (AxBxC) și variația neexplicatâ (din cadrul subclaselor). Analiza devine și mai complicată prin adăugarea unei alte variabile independente, sporind și numărul testelor F pentru fiecare ipoteză.

Este important ca ANOVA să fie utilizată în condițiile în care se elimină restricția existenței unui număr egal de subiecți în fiecare categorie sau subclasă. Pentru aceasta se aplică un procedeu de calcul care constă în considerarea mediilor specifice diferitelor subclase ca și scoruri individuale. Sumele pătratelor și estimatorii varianței se calculează presupunînd că în fiecare celulă (subclasă) a tabelului există un singur caz reprezentat de un scor care este media aritmetică a scorurilor subiecților ce aparțin respectivei subclase. O dificultate apare atunci când există disproporții mari între numărul subiecților din diferite subclase, întrucât variabilele de pe rânduri și de pe coloane vor fi intercorelate. Variația explicată de variabila de pe coloane va fi explicată și de variabila reprezentată pe rânduri, ceea ce va duce la o stare de ambiguitate, neputând distinge variabila căreia să i se acorde credit în explicarea varianței comune.

În lucrare am folosit ANOVA de regresie în cadrul analizei de regresie pentru a alege cel mai bun model de regresie. Cu ajutorul acestei metode am văzut care model de regresie explică cel mai bine influența factorilor determinanți asupra producerii riscului de creditare.

Analiza componentelor principale

Analiza componentelor principale (ACP) este o metodă descriptivă de analiză multidimensională care se aplică în studiul variabilelor numerice centrate și reduse. ACP este o metodă de analiză factorială care realizează reducerea unui sistem complex de variabile corelate la un număr redus de variabile latente [Carmen Pintilescu, Analiza statistică multivariată, p. 30].

Obiectivele urmărite printr-o analiză a componentelor principale sunt [Alain Baccini & Philippe Besse (2005), p. 30]:

– reprezentarea grafică „optimă” a indivizilor, minimizând deformările norului de puncte, într-un sub-spațiu Eq de dimensiuni q (q<p);

– reprezentarea grafică a variabilelor într-un sub-spațiu Fq, explicând cel mai bine legăturile inițiale dintre aceste variabile;

– reducerea dimensiunii, adică aproximarea tabelului X printr-un tabel de rang q (q<p).

Pentru a aduce toate variabilele la aceeași unitate de măsură, acestea trebuie standardizate, adică trebuie reduse și centrate. Acest procedeu constă în transformarea variabilelor Xj în , respectiv calculul valorilor , conform relației:

, unde:

reprezintă media variabilei Xj.

este abaterea medie pătratică a variabilei Xj.

În lucrare am folosit metoda componentelor principale pentru a analiza corelațiile dintre variabilele statistice înregistrate și a elimina multicoliniaritatea ce poate să apară între variabilele explicative. Pentru România variabilele folosite sunt: rata riscului de creditare (variabila dependentă), rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu (variabile explicative). Pentru Europa variabile folosite sunt: datoriile private (variabila dependentă), fluxul creditelor private, produsul intern brut, rata de schimb și rata șomajului (variabile explicative).

Analiza Cluster

Analiza de cluster este o metodă de clasificare descriptivă care presupune identificarea unei mulțimi de obiecte în grupuri similare.

Modelul arborilor de clasificare a fost introdus pentru prima dată de către Breiman în 1984 [L. Brieman, op.cit., p. 93]. Este o tehnică neparametrică, alternativă ajustării de tipul regresiei, folosită să separe observațiile în diferite clase, construind arbori decizionali binari în funcție de variabilele independente. Arborii decizionali binari împart eșantionul în clase începând de la nodul rădăcina, sfârșind prin subeșantioane omogene. Spre deosebire de alte tehnici de clasificare, regulile de decizie sunt reprezentate de arbori.

Când este folosit un arbore decizional pentru a clasifica datele în clase, arborele este numit cluster. La cluster există o legatură între variabila aleatoare absolută și discretă, continuă sau variabila aleatoare absolută. Dacă variabila dependentă pe care dorim să o prognozăm este o variabilă aleatoare continuă, atunci arborele se numește arborele de regresie. Pentru ambii arbori scopul principal este de a produce un set exact de clasificatori, să prezinte structura de predicție a problemei de clasificare, singura diferență o reprezintă scala variabilei dependente și în acest fel regulile de divizare sunt diferite [L. Brieman, op. cit., p. 102]. După ce arborii sunt construiți, sunt folosiți pentru a clasifica sau a prognoza noi observații.

Pentru construirea unui arbore este nevoie de date istorice. Datele folosite în construirea unui arbore constituie un eșantion de învațare. Într-un arbore de clasificare, eșantionul de învatare constă într-un spațiu de măsurare (matricea variabilei independente) și clase (vectorul variabilei dependente):

.

unde:

i=1,…,p j=1,…,n,

p este numărul variabilelor independente,

n este numărul observațiilor,

X este spatiu de măsurare:

si ζ este vectorul claselor posibile:

ζ = {c1,…,ck},

k este numărul tuturor valorilor posibile pe care le poate avea variabila dependentă.

Cu ajutorul eșantionului de învățare se poate construi un arbore. Prima etapă a arborelui de clasificare este imparțirea eșantionului de învățare în clase până la ultima observație. Acest proces se numește construirea Tmax care reprezintă mărimea maximă a unui arbore.

După construirea arborelui, următoarea etapă constă în verificarea mărimii arborelui, pentru a constata dacă e optim sau nu. În cazul în care un arbore este prea mare ca dimensiune, cu toate că are rate scazute de clasificări greșite, se pot furniza rezultate inexacte atunci când se aplică noile date și poate fi foarte complicat de interpretat. În cazul în care arborele este prea mic, atunci nu se pot utiliza unele informații cuprinse în eșantionul de învățare care conduce la rate mai mari de clasificări greșite.

În ultima etapă a analizei, după construirea arborelui de dimensiuni corecte, se folosește arborele pentru clasificarea observațiilor noi [S. A. Dospinescu, Arborele de decizie în evaluarea riscului de creditare în cazul IMM-urilor].

În cazul clusterului, partiționarea binară este folosită pentru a construi un arbore cu noduri. În partiționarea binară eșantionul este împărțit în două subeșantioane pentru fiecare nod. Acesta este un proces recursiv, astfel că este, de asemenea, cunoscut sub numele de partiționare recursivă. Pentru scheme de partiționare există o funcție numită clasificator care este utilizat pentru estimarea clasei de observație. Pentru a produce un clasificator este necesar să se determine cum să se împartă datele.

Construirea unui arbore maxim înseamnă divizarea eșantionului de învatare absolut în clase omogene. Principala problemă în marirea unui arbore este cum să se împartă eșantionul de învățare.

Arborele începe prin împărțirea eșantionului de învățare în două subeșantioane sau prin împărțirea nodului rădăcină în două subnoduri. În primul rând, toate observațiile unei variabile independente sunt plasate în nodul rădăcina. Se presupune că toate observațiile acestei variabile independente împart eșantionul de învățare și aceasta se numește parte. Pentru toate părțile eșantionul de învățare este împărțit în două noduri. Nodul tp este nodul-mama, iar nodurile tl și tr sunt nodurile copii, respectiv stângul și dreptul.

La orice divizare fiecare observație cu un răspuns "da" este trimisă la nodul copil stânga și cele cu răspunsul "nu" sunt trimise la nodul copil dreapta. Apoi, pentru fiecare divizare corectă conform criteriului de divizare sunt estimate și conform acestuia, defalcarea cea mai bună este selectată. Acest proces se repetă pentru toate variabilele independente. După aceasta toate variabilele sunt observate în funcție de corectitudinea lor, conform criteriului de divizare care reduce impuritățile. În conformitate cu regula de încheiere, fiecare nod este stabilit ca terminal sau non-terminal și pentru fiecare nod terminal este alocată o clasă. Acest proces va continua până când fiecărei observații din eșantionul de învățare îi este alocată o clasă.

Reguli de divizare

Regula de separare este utilizată pentru a împărți un eșantion în părți mai mici de date omogene. Pentru a stabili cea mai bună împărțire trebuie măsurată corectitudinea criteriului de divizare. Pentru a calcula corectitudinea divizării, este necesară definirea unei funcții de impurități. Funcția de impuritate măsoara puritatea oricărui nod. Pentru a estima funcția de impuritate este necesară proporția clasei j în nodul t:

,
unde:
Nj este numărul observațiilor ce aparțin clasei j,

N este numărul observațiilor și

π(j) este probabilitatea anterioară clasei j.

,

unde

Nj(t) este numărul observațiilor n nodul t care aparține clasei j. p (j, t) este probabilitatea ca o observație să fie atât în clasa j cât și în clasa t.

Am folosit analiza cluster în lucrare pentru a identifica particularitățile județelor din România, precum și a țărilor din Europa cu privire la riscul de creditare. Cu ajutorul analizei cluster se clasifică județele, respectiv țărilor, în funcție de variabilele considerate în ipoteza că fiecare dintre acestea are în funcție de așezarea geografică anumite elemente caracteristice.

Pentru România variabilele analizate sunt: creditele totale în lei, creditele restante în lei, credite pentru agenți economici, credite pentru populație pentru consum, credite pentru populație pentru locuințe și credite pentru populație pentru alte scopuri.

Pentru Europa variabilele analizate sunt: datoriile private, fluxul creditelor private, produsul intern brut, rata de schimb și rata șomajului.

Analiza discriminant

Analiza discriminant este o metodă statistică multivariată utilizată pentru a estima relația liniară dintre o variabilă dependentă nenumerică ce poate avea două sau mai multe valori și combinații liniare ale mai multor variabilele numerice independente. Relația este estimată de către următoarea funcție discriminantă:

D = b1 X1 + B2 X2 + … + Bn Xn + C , unde D = variabila discriminant, Xi = variabile (independente) discriminante, bi = coeficienții discriminant și c = constanta [E. Jaba, D. Jemna, D. Viorică, C. B. Bălan, Discriminant analysis in the study of romanian regional economic development, p. 147].

Analiza discriminant este o metodă statistică multivariată ce folosește variabilele independente pentru a separa observațiile în grupe. Scopul principal al analizei este de a desemna grupuri predefinite pentru observații. Poate fi folosită în 2 sau mai mult de 2 probleme separate.

Analiza discriminant are 2 etape principale:

Să definească o funcție folosită pentru a deosebi grupele (discriminare).

Să clasifice observațiile din afara eșantionului în grupe prin minimalizarea erorii de clasificare (clasificare).

În evaluarea riscului de creditare, variabila răspuns este binară; pentru acest motiv “Analiza discriminant liniara Fisher” poate fi folosită pentru clasificare.

În analiza discriminant liniară problema este identificarea suprafeței liniare în două grupuri. Aceasta este o decizie statistică bazată pe diferențele în medie. Variabilele independente sunt combinate liniar pentru a forma variabilele dependente ale două grupuri. Grupurile sunt separate cat mai bine posibil.

În analiza discriminant liniară, pentru fiecare grup există o funcție discriminant liniară. În acest fel, analiza are avantajul de a reduce dimensiunea la interpretarea rezultatelor. Prin intermediul funcției discriminant analiza este transformată într-o formă dimensională simplă.

Funcția discriminant este definită ca fiind:

unde
wpx1 este vectorul greutate a dimensiunii p,

x(1) este matricea de variabile independente pentru observațiile grupei 1 și

x(2) este matricea variabilei independente pentru observațiile grupei 2.

Fisher introduce un criteriu utilizat în estimarea vectorului greutate. Criteriul care
are proprietatea de diferentiere în grupe este definită astfel:

unde
B este suma pătratelor dintre grupe și

W este suma pătratelor din cadrul grupei.

,

Vectorul de greutate optim este cel care maximizează criteriul lui Fisher.
Aceasta este o problemă de maximizare. Criteriul este constant cu privire la înființarea
vectorului de greutate pe o nouă scală w → αw, astfel încât pentru simplitate se poate considera vectorul de greutate care satisface numitorul wTWw =1, ca un scalar. Astfel,
problema devine o problemă de minimizare în cazul în care sunt definite după cum urmează:

St wTWw=1

Funcția Lagrange poate fi scrisă ca:

unde λ se numește vectorul de multiplicare Lagrange.

Primele condiții de ordine optime, declară că w și λ sunt dați de formulele de mai jos:

și

Problema devine o problemă de descompunere a valorii proprii. Vectorul propriu al valorii proprii care maximizează criteriul este vectorul de greutate optim. Soluția problemei este dată de:

și d este vectorul medie diferență definit astfel:

Funcția discriminant liniară este definită apoi ca

Semnificația funcției discriminant poate fi testată prin măsurarea distanței Mahalanobis. Acesta este un criteriu de separare a modelului definit ca:

sau

Pentru a testa semnificația se poate defini statistica T2 Hotelling:

unde,

n1 este numărul de observații din grupa 1,

n2 este numărul de observații din grupa 2 și

n este numărul total de observații (n1+n2).

Pentru a testa semnificația statisticii T2 Hotelling, este nevoie să se transforme într-un test statistic cunoscut pentru a verifica valoarea tabelară. Distribuția F derivată din T2 Hotelling este definită ca:

Semnificația statisticii F este evaluată prin compararea sa cu valoarea tabelară a distribuției F cu p, (n1 + n2-p-1) grade de libertate. În cazul în care valoarea de semnificație deține p <0,05, cu probabilitatea de 95%, atunci s-a ajuns la concluzia că modelul este eficient pentru separarea în grupe, cu alte cuvinte vectorul greutate este semnificativ.

După determinarea funcției discriminant și verificarea semnificației se atribuie observații noi grupelor. În problema Fisher, variabilele independente converg la după cum urmează:

.

Estimarea punctului jumatate a valorii prognozate , care este folosit ca un instrument în regula de atribuire este definit ca:

Se presupune că o noua observație are un vector de variabilă independentă reprezentat ca x0. Variabila dependentă estimată pentru această observație poate fi estimată ca:

Regula de atribuire este definită astfel:

y0 – m ≥ 0: clasifică observația, în grupa 1,

în caz contrar: clasifică observația în grupa 2 [S. A. Dospinescu, The unesefulness of linear discriminant analysis for two groups separation in credit risk evaluation].

Aplicarea analizei discriminant presupune verificarea unor ipoteze cu privire la:

• normalitatea distribuțiilor multivariate – variabilele predictor trebuie să aibă distribuție multivariată normală . Cu toate acestea, analiza discriminant este relativ robustă chiar și atunci când distribuția multivariată nu este normală. Variabile dihotomice, care resping foarte des ipoteza multivariată de distribuție normală, nu afectează concluziile analizei discriminant.

• omogenitatea varianțelor (homoscedasticitatea) – în cadrul fiecărui grup, varianța fiecărei variabile independente trebuie să fie aceeași. Variabilele independente pot avea diferite variații între ele, dar pentru aceeași variabilă independentă varianțele și mediile grupelor trebuie să fie egale. Lipsa omogenității varianțelor pot indica prezența valorilor extreme în una sau mai multe grupe.

• lipsa de multicoliniaritate – în cazul în care una dintre variabilele independente este puternic corelată cu o altă variabilă independentă, sau una dintre variabilele independente este o funcție (de exemplu, o sumă) de alte variabile independente, atunci valoarea de toleranță pentru acea variabilă va fi aproape de 0 și matricea nu va avea niciun discriminant unic [E. Jaba, D. Jemna, D. Viorică, C. B. Bălan, op. cit., p. 149].

În lucrare am folosit analiza discriminant pentru a clasifica județele din România, respectiv țările din Europa, după gradul de risc, ținând seama de factorii determinanți.

Cu ajutorul analizei discriminant se identifică tipologii după nivelul creditelor pentru județele România și tipologii după nivelul datoriilor private pentru țările din Europa.

3.2 Metodologia Box – Jenkins

Înțelegerea corectă a informației transmise de o serie cronologică, sesizarea regularității din evoluția fenomenelor presupune o analiză statistică de conținut a acestor serii. Analiza seriilor cronologice, indiferent de natura lor, nu poate fi concepută dacă nu se face apel la un sistem adecvat de indicatori, la metode specifice de identificare a componentelor din mișcarea de ansamblu, de elaborare a variantelor de prognoză [Voineagu V., Mitruț C., Isac M. Al., Statistică teoretică și economică. Lucrări practice, teste și studii de caz, p. 327-328].

O serie de timp este un set de valori observate secvențial în timp. Seria poate fi notată cu X1 , X2 Xt, unde t se referă la perioada de timp și X se referă la valoare. Dacă valorile lui X sunt determinate de o formulă o matematică, seria este deterministă. În cazul în care valorile viitoare pot fi descrise doar de probabilitatea lor de distribuție, seria este declarată proces stochastic.

Analiza Box – Jenkins se referă la o metodă sistematică de identificare, estimare, verificare, și utilizarea modelelor pentru serii de timp de tip integrat, autoregresiv și medie mobilă (ARIMA). Metoda este adecvată pentru serii de timp de lungime medie și lungă (cel puțin 50 de observații).

O clasă specială de procese stocastice o reprezintă procesele stocastice staționare. Un proces statistic este staționar în cazul în care distribuția de probabilitate este aceeași pentru toate valorile lui t. Acest lucru implică faptul că media și varianța sunt constante pentru toate valorile lui t. O serie care prezintă un trend simplu nu este staționară, deoarece valorile seriei depind de t. Un proces stochastic staționar depinde de varianta, media și funcția sa de autocorelare. Una din etapele metodei Box – Jenkins este de a transforma o serie nestaționară într-una staționară [www.ncss.com].

Procedura Box – Jenkins pentru prelucrarea seriilor de timp este cunscută începând cu anii 1970. În 1976 Box si Jenkins propun o metodă generală de previziune pentru serii univariate. Acest model are la baza procesele ARIMA.

Abordarea propusă de Box si Jenkins a ajuns să fie cunoscută sub numele de metodologia Box-Jenkins cu modele ARIMA, unde litera "I", dintre AR și MA face referire la cuvântul "integrat". Aceștia arată că un număr mare de serii de timp nestaționare din realitate pot fi modelate folosind modele integrate și de medie mobilă ARIMA. Acesta este un model complex care include, alături de modele de tip AR (autoregresiv) si cele de tip MA (medie mobilă), si modele stochastice nestaționare. Avantajul acestui tip de modele este că lucrează cu serii de tip procese stochastice staționare. Astfel, Box si Jenkins acceptă ideea unui trend de tip proces stochastic nestaționar, aspect întâlnit des in realitate, și oferă o metodă de eliminare a influenței acestuia (a trendului) prin diferențiere.

Modelele ARIMA și metodologia Box-Jenkins au devenit foarte populare în anii 1970 în rândul cadrelor didactice universitare, în special atunci când acestea au demonstrat prin studii empirice că sunt mai eficiente decât modelele econometrice complexe folosite la acea vreme și pot fi utilizate într-o varietate de situații.

Modelele autoregresive (AR) au fost introduse pentru prima dată în 1926 de Yule. Mai târziu au fost completate de Slutsky, care în 1937 a prezentat schema mediei mobile (MA). Wold în 1938 a combinat modelele AR și MA și a demonstrat că modelul ARMA poate fi folosit pentru a modela toate seriile de timp staționare, atâta timp cât valoarea lui p, corespunzătoare modelului AR și valoarea lui q, corespunzătoare modelului MA au fost calculate corect. Aceasta înseamnă că orice serie de timp xt poate fi modelată ca o combinație de valori și / sau erori din trecut, xt și / sau et:

.

Pentru modelarea seriilor de timp reale folosind ecuația de mai sus, sunt necesare patru etape. În primul rând, seria inițială trebuie să fie transformată pentru a deveni staționară în jurul propriei sale medii și varianțe. În al doilea rând, valorile lui p și q trebuie corect calculate. În al treilea rând, valorile parametrilor trebuie estimate folosind proceduri de optimizare non-liniare care minimizează suma pătratelor erorilor. În cele din urmă, trebuie găsite modalități practice de modelare a seriei sezoniere și calculate valorile paremetrilor corespunzători.

Utilizarea rezultatelor teoretice sugerate de Wold în serii de timp din viața reală nu a devenit posibilă până la mijlocul anilor 1960, când au apărut computere capabile să efectueze calculele necesare pentru optimizarea parametrilor.

Box si Jenkins au încurajat utilizarea modelelor ARMA prin reguli ce:

transformă seriile de timp în serii staționare atât în medie și cât și în varianță,

sugerează utilizarea coeficienților de autocorelație și autocorelație parțială pentru determinarea valorilor corecte ale lui p și q (și corespondenții lor, P și Q, atunci când seria este expusă sezonalității),

oferă un set de reguli pentru a ajuta utilizatorii să identifice valorile corespunzătoare lui p și q, precum și P și Q, și estimează parametrii implicați și

după ce parametrii modelului au fost estimați, se realizează o verificare pentru a stabili dacă reziduurile et sunt de forma zgomot alb.

În cazul în care verificarea a demonstrat erori aleatorii, modelul dezvoltat se utilizează în scop de prognoză asumându-se că trendul constant și nestaționar se păstrează pe tot parcursul etapei de prognoză [S. Makridakis, M. Hibon, Arma models and the Box Jenkins, p. 1-2].

Etapa de identificare este cea mai importantă și cea mai dificilă, stabilește modelul ARIMA adecvat.

Prima etapă în cazul modelului Box-Jenkins este determinarea staționarității seriei, în cazul în care este sezonieră, trebuie modelată.

Modelul Box-Jenkins presupune că seria de timp este staționară. O serie staționară are media și varianța constante și autocovarianțele procesului constante.

Funcția de regresie cu variabile nestaționare este o regresie falsă.

Box si Jenkins recomandă diferențierea seriei non-staționare odată sau de mai multe ori pentru a ajunge la o serie staționară.

Testarea pentru non-stationaritate

Ipoteza de rădăcină unitară-Unit Root

Seriile staționare se spune că au rădăcină unitară.

Ipoteze: H0: seria are rădăcină unitară și este nestaționară

H1: seria este staționară

Dacă se respinge ipoteza nulă, se poate accepta staționaritatea.
2. Testul Dickey-Fuller (Unit Root Test)

Se presupune modelul de serie temporală:Yt = ρYt-1+εt.

Dacă ρ=1, atunci seria nu este staționară, în cazul în care ρ>1, atunci seria este explozivă (tot nestaționară), iar dacă ρ<1, atunci seria este staționară.

Sezonalitatea

Modelele Box-Jenkins pot fi extinse pentru a include coeficienții autoregresivi sezonieri și coeficienții de medie mobilă sezonieri.

În etapa de identificare a modelului, scopul este de a detecta sezonalitatea, dacă acesta există, și a identifica ordinul termenilor autoregresivi sezonieri și de medie mobilă sezonieri.

În etapa de identificare a modelului unei serii de timp se calculează funcția de autocorelație (fac) estimată și funcția de autocorelație parțială (facp) estimată. Aceste funcții măsoară gradul de dependență statistică dintre observațiile unei realizări date.

În etapa de identificare a modelului, sezonalitatea de ordinul s este reprezentată de numărul de lag-uri ale funcției de autocorelare. Pentru a transforma seria staționară, poate fi necesar să se diferențieze de ordin s datele brute înainte de estimare. Însăși aceste efecte sezoniere ar putea urma procese de tip AR și MA.

Estimarea parametrilor ARIMA se realizează prin metoda celor mai mici pătrate neliniare. În etapa de estimare, valorile coeficienților modelului se determină în raport cu un anumit criteriu, unul dintre acestea poate fi criteriul verosimilității maxime. Se poate arăta că funcția de verosimilitate asociată unui model ARIMA corect, pe baza căreia se determină estimațiile de verosimilitate maximă ale parametrilor, conține toată informația utilă din datele seriei, despre parametrii modelului [T. Popescu, S. Demetriu, op. cit., p. 63 – 64].

Pentru modelele Box-Jenkins, nu este necesară eliminarea sezonalității înainte de validarea modelului. In schimb, se pot include ordinul termenilor sezonieri în descriere a modelului ARIMA de estimare.

Odată ce problema staționarității și sezonalității, au fost rezolvate, următorul pas este de a identifica coeficienții (p și q) autoregresivi și de medie mobilă. Instrumentele de bază sunt graficul de autocorelare și graficul de autocorelare parțială [I. Dobre, A. Alexandru, Modelling unemployment rate using Box-Jenkins procedure, p. 158].

Funcția de autocorelație estimată

Analiza de autocorelație implică calculul coeficientului de corelație pentru fiecare pereche ordonată . Coeficientul de autocorelație estimat al observațiilor separate prin k intervale de timp din cadrul aceleiași realizări se notează cu rk :

Coeficienții rk sunt valori statistice, calculate pentru un eșantion de date și furnizează estimații ale coeficienților de autocorelație teoretici ρk.

Coeficientul de autocorelație estimat rk reprezintă o măsură a dependenței statistice dintre perechile ordonate ale observațiilor efectuate asupra a două variabile aleatoare, fiind un număr adimensional care poate lua valori între – 1 și 1. Valoarea – 1 înseamnă o corelație negativă perfectă, iar valoarea 1 reprezintă o corelație pozitivă perfectă. În cazul în care rk = 0, atunci și nu sunt corelate. Eroarea de eșantionare poate avea valori diferite de zero pentru rk , chiar dacă coeficientul de autocorelație teoretică corespunzător ρk este zero.

Pentru un număr maxim de coeficienți de autocorelație estimați, Box și Jenkins propun valoarea n / 4, unde n reprezintă numărul observațiilor [T. Popescu, S. Popescu, op. cit, p. 45 – 46].

Funcția de autocorelație parțială estimată

Funcția de autocorelație parțială estimată este asemănătoare cu funcția de autocorelație estimată. Analiza de autocorelație parțială reprezintă măsura gradului de corelație dintre și și ia în calcul efectele valorilor seriei care intervin între cele două momente de timp t și t + k . Coeficientul de autocorelație parțială estimată măsoară în aceste condiții dependența dintre și , se notează cu și reprezintă o estimație a coeficientului de autocorelație parțială teoretic .

Calcularea coeficienților de corelație parțială reprezintă estimarea coeficienților de regresie prin metoda celor mai mici pătrate, coeficientul de regresie estimat fiind interpretat ca măsură a dependenței dintre variabila “dependentă” și variabila “independentă” și ține seama de efectul celorlalte variabile din ecuația de regresie. Coeficientul de autocorelație parțială: măsoară corelația dintre și și ține seama și de efectul observațiilor care apar între momentele de timp t și t + k.

Coeficienții de autocorelație parțială se estimează prin rezolvarea sistemului de ecuații liniare Yule – Walker pe baza metodei propuse de Durbin (1960). Dacă seria de date analizate este staționară, următorul sistem de ecuații recursive furnizează estimații statistice de bună calitate pentru coeficienții de autocorelație parțială:

,

unde [Theodor Popescu, Sorin Popescu, op. cit., p. 46 – 47].

Procese de tip AR

O serie de timp {Xt} este un proces autoregresiv de ordin p – AR (p) dacă este o sumă ponderată a valorilor p trecute plus un șoc aleator, astfel încât:

unde este un proces pur aleator cu media zero și media și varianța constantă σe2 [H. M. Gorgess, R. Ibrahim Time Series Forecasting by Using Box-Jenkins Models, p. 338].

Dacă se notează , atunci relația de mai sus se reprezintă sub următoarea formă echivalentă:

[Tudorel Andrei, Statistică și econometrie, p. 702].

În cazul proceselor de tip AR staționare, funcțiile de autocorelație teoretice tind către zero. Aceasta se realizează după un patern simplu, de tip funcție exponențială amortizată sau funcție sinus amortizată sau după un patern de tipul unei unde amortizate mai complexe.

Funcția de autocorelație parțială parțială teoretică a unui process AR este caracterizată prin varfuri semnificative până la valoarea p a întârzierii, după această valoare se anulează; p reprezintă ordinul procesului AR. În realitate, p nu depășește valoarea 2 sau 3 pentru modele nesezoniere [T. Popescu, S. Popescu, Practica modelării și predicției seriilor de timp, p. 48].

Corelograma pentru un proces autoregresiv de ordinul p descrește exponențial, iar corelograma parțială are primii p termeni diferiți de zero.

Procese de tip MA

Dacă procesul este este definit prin egalitatea:

,

înseamnă că este un proces de medie mobilă de ordinul q, unde .

Dacă , atunci procesul este definit prin [Tudorel Andrei, op. cit., p. 711].

Un proces MA este caracterizat printr – o funcție de autocorelație teoretică cu vârfuri până la valoarea q a întârzierii, după această valoare se anulează, q reprezentând ordinul procesului. Un proces MA are o funcție de autocorelație parțială teoretică care tinde catre zero după primele q valori ale întârzierii, aceasta se poate face după o funcție exponențială de un anumit tip sau după o undă cu un patern amortizat. În realitate, q nu depășește valoarea 2, pentru serii de date nesezoniere [T. Popescu, S. Popescu, op. cit., p. 51].

Pentru un proces MA (q), funcție de autocorelație are vârfuri până la valoarea q a întârzierii, apoi se anulează, iar funcție de autocorelație parțială tinde către zero în diferite moduri [T. Popescu, S. Popescu, op. cit., p. 52].

Corelograma procesului MA(q) are primii q termeni semnificativ diferiți de zero, corelograma parțială este caracterizată printr – o descreștere exponențială.

Procese de tip ARMA

Procesul este un proces autoregresiv și de medie mobilă de ordinul p și q, ARMA (p, q), dacă are loc egalitatea:

,

unde , iar este un zgomot alb de varianță [Tudorel Andrei, op. cit., p. 714].

În cazul proceselor mixte ARMA funcțiile de autocorelație teoretice îmbină caracteristicile funcțiilor de autocorelație specifice proceselor AR și MA. Funcția de autocorelație tinde către zero după primele q – p valori ale întârzierii și urmează o funcție exponențială sau funcție sinus amortizată, iar funcția de autocorelație parțială tinde către zero după primele p – q valori ale întârzierii. În cazul seriilor de timp nesezoniere, în realitate, p și q nu iau valori mai mari de 2.

Funcțiile de autocorelație și funcțiile de autocorelație parțială tind către zero după diferite forme de undă, iar valorile acestor funcții pot alterna ca semn [T. Popescu, S. Popescu, op. cit., p. 52].

Validarea modelelor estimate

În etapa de validare se presupune că erorile reprezintă un process staționar, iar reziduurile de tip zgomot alb (sau independente în cazul în care distribuția este normală) cu o distribuție normal, cu medie și varianță constante.

Testele folosite pentru validarea modelului au la bază reziduul estimat. Se verifică dacă componentele acestui vector sunt autocorelate. Dacă există autocorelare, atunci modelul verificat nu este corect specificat. În cazul acesta dependențele dintre componentele seriei sunt specificate într – o manieră incomplete și se întoarce la etapa de identificare a modelului și se încearcă alt model. În caz contrar, modelul este bun și poate fi utilizat pentru efectuarea de previziuni pentru un anumit orizont de timp [Tudorel Andrei, op. cit., pag. 726 – 727].

Se consideră seria reziduului estimat . Cu ajutorul acestei serii se calculează coeficienții de autocorelație. Folosind proprietatea de staționaritate a reziduului, se estimează seria coeficienților de autocorelație prin:

, .

H este numărul coeficienților de autocorelație și este stabilit în funcție de mărimea seriei de date și de faptul că folosirea unui număr mic de termeni pentru calcularea coeficientului de autocorelație duce la scăderea semnificației acestuia. H ar trebui să fie partea întreagă a numărului calculat prin

Pentru validarea modelelor estimate se folosesc testul Bartlett, testul Ljung – Box, testul Cox – Pierce, testul RMSE și testul MAPRE. Ultimele două teste au la bază statistici ce utilizează direct reziduul.

A. Testul Bartlett

Testul Bartlett ține seama de faptul că varianța seriei coeficienților de autocorelație de diverse ordine are dispersia Pentru testarea ipotezei nule stabilește statistica testului:

.

Ipoteza nulă stabilește că valoarea coeficientului de autocorelație de ordinul h este nulă

În cazul în care statistica evaluată pe baza seriei de date este mai mare decât valoarea tabelară ce este determinată pentru un prag de semnificatie α si T – h grade de libertate, atunci reziduurile au o autocorelație de ordinul h semnificativă. Pentru o valoare a statisticii mai mică decât 1,25, pentru h = 1, 2, 3, sau o valoare mai mică decat 1,60, pentru h ≥ 4, se acceptă ipoteza nulă. În aceste condiții modelul este bine specificat în raport cu proprietățile reziduului.

Testul Ljung – Box

Statistica acestui test este:

.

Dacă statistica este mai mică decât valoarea tabelată determinată pentru un prag de semnificatie α si H – p – q grade de libertate, modelul este bine specificat.

Testul Box – Pierce

Statistica acestui test este:

.

Testul Box – Pierce este recomandat testului Ljung – Box, pentru seriile cu un numar moderat de termeni. Statistica acestui test asigură o convergență mai bună către repartițiile χ2 în raport cu statistica testului Ljung – Box.

Testul RMSE (Root Mean Square Error)

Statistica testului este

.

Testul MAPRE (Mean Absolute Percent Relative Error)

Statistica testului este:

[Tudorel Andrei, op. cit., pag. 726 – 727].

Caracterul aleator al riscului de creditare impune alegerea ca metodă de prognoză a metodologiei Box-Jenkins. În lucrare am realizat prognoza ratei riscului de creditare pentru un orizont de un trimestru pentru România și a datoriilor private pentru un orizont de un an pentru Europa.

Capitolul IV. Evaluarea și prognoza riscului de creditare în România

Aproape toate instituțiile creditoare își asumă riscul de creditare, ceea ce presupune necesitatea analizei modului cum evoluează în timp portofoliul de credite, cu impact asupra profitabilității, adecvării capitalului și încrederii generale în instituția respectivă.

Riscul de creditare este cuantificat sub aspect numeric ca rata riscului de creditare. O analiză a riscului de creditare debutează cu descrierea situației existente privind creditarea, a principalelor fenomene financiare, plecând de la informațiile disponibile, în formă statistică. Această descriere reprezintă una din premisele analizei statistice, realizate în lucrarea de față prin intermediul indicatorilor, metodelor și modelelor statistice, astfel încât să poată fi puse în evidență aspectele utilizării riscului de creditare în România.

Analiza realizată își propune să contureze o imagine a stării actuale a riscului de creditare în Româna, din perspectiva indicatorului cel mai cuprinzător care le caracterizează: rata riscului de creditare.

Pentru analiza ratei riscului de creditare am folosit o bază de date de pe site-ul BNR (www.bnr.ro) în care se prezintă rata riscului de creditare trimestrială în perioada trimestrul IV, 2007- trimestrul I, 2014.

Figura 1: Evoluția ratei trimestriale a riscului de creditare în perioada 2007-2014

După cum se observă din figura 1, în perioada trimestrul IV, 2007- trimestrul I, 2014, rata riscului de creditare prezintă o evoluție crescătoare. Această evoluție se datorează, în principal, crizei economice ce s-a instaurat în iulie 2007. În 2008 criza s-a agravat, deoarece bursele de valori din întreaga lume s-au prăbușit și au devenit instabile, iar riscul de creditare a început să crească, acest lucru observându-se și din reprezentarea grafică.

4.1 Analiza statistică a riscului de creditare în România

În analiza riscului de creditare este important să cunoaștem efectul factorilor de influență asupra producerii riscului de creditare. Această problemă poate fi abordată cu ajutorul analizei de regresie.

Pentru a evalua măsura în care rata riscului de creditare este influențată de rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu s-a realizat o bază de date în pachetele program SPSS și Eviews și s-a efectuat o analiză de regresie.

Baza de date este prezentată în Anexa nr. 2.

Ca variabile, s-au folosit rata riscului de creditare (RRC) – variabilă dependentă și rata creditelor neperformante (RCN), rata rentabilității activității de bază (RRAB), efectul de pârghie (EP), indicatorul de solvabilitate (IS), rentabilitatea economică (REC) și rentabilitatea capitalului propriu (RCP) – variabile independente.

În acest studiu, s-a fost folosit un prag de 0,05 pentru a determina nivelul de semnificație.

Înainte de a trece la realizarea efectivă a analizei de regresie se realizează o analiză descriptivă a variabilelor analizate. Verificarea normalității se poate realiza prin analiza indicatorilor (media, mediana, modul, coeficientul de asimetrie –Skewness – și de boltire – Kurtosis), prin analiza grafică (histograma, graficul Q-Q, graficul P-P), precum și prin testul Kolmogorov-Smirnov sau testul Jarque-Bera. Astfel, s-a studiat din punct de vedere descriptiv variabilele amintite și s-au obținut rezultatele din tabelul 1.

Tabelul 1: Statistici descriptive

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

În perioada trimestrul IV, 2007 – trimestrul I, 2014, nivelul minim al ratei riscului de creditare a fost de 4 și nivelul maxim a fost de 32.6, așa cum se arată în tabelul 1. Nivelul maxim al riscului de creditare este atins în ultimul trimestru înregistrat. Valoarea medie a ratei riscului de creditare a fost de 19.5, cu o abatere standard de 9.52.

Indicatorul de asimetrie (Skewness) dacă are o valoare pozitivă indică o distribuție cu asimetrie pozitivă, cu alungire spre dreapta. O valoare negativă a acestuia indică prezența unei distribuții asimetrice negative, cu alungire spre stânga; când ia valoarea 0 indică prezența unei distribuții simetrice. Astfel, conform rezultatelor din tabelul 1, primele 5 variabile (rata riscului de creditare, rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie și indicatorul de solvabilitate) prezintă asimetrii negative, cu abatere spre stânga (variabila rata creditelor neperformante deși are o valoare negativă, e apropiată de 0, ceea ce o aseamănă mai mult cu o distribuție normală, restul prezintă distribuții ce diferă semnificativ de o distribuție normală). Variabilele rentabilitatea economică și rentabilitatea capitalului propriu prezintă asimetrii pozitive, cu abatere spre dreapta.

În ceea ce privește indicatorul de boltire (Kurtosis), variabilele indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu iau valori mai mari decât 0, ceea ce indică o grupare mai puternică a valorilor în jurul valorii centrale, și prezintă o distribuție leptocurtică, iar pentru celelalte variabilele sunt valori negative, ceea ce indică o grupare mai slabă în jurul valorii centrale, curba frecvențelor fiind mai aplatizată, prin urmare, prezintă o distribuție platicurtică.

Figura 2: Diagrama P-P Plot

Din diagrama P-P se observă că majoritatea valorilor riscului de creditare din perioadele de timp analizate sunt apropiate de medie, urmând îndeaproape punctele curbei normale. Aceeași normalitate se deduce și cu ajutorul histogramei din figura 3.

Testul Kolmogorov-Smirnov aplicat variabilelor considerate (tabelul 2) a scos în evidență faptul că distribuția acestora nu diferă semnificativ de forma distribuției normale pentru toate variabilele, pentru acestea obținându-se valori Sig. mai mari decât 0.05.

Figura 3: Distribuția ratei riscului de creditare

Tabelul 2: Kolmogorov – Smirnov Test

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

După analiza descriptivă a variabilelor considerate în analiză, înainte de estimarea modelului de regresie, se testează staționaritatea variabilelor. Pentru testarea staționarității variabilelor se apelează la testul Augmented Dickey-Fuller.

Tabelul 3: Testarea staționarității variabilelor cu ajutorul testului Dickey-Fuller

Sursa: Date prelucrate cu ajutorul programului statistic Eviews

Rezultatele obținute în tabelul 3 confirmă că toate variabilele analizate sunt nestaționare și sunt cel puțin integrate de ordinul I. Pin urmare, pentru staționarizarea variabilelor se apelează la diferențierea de ordinul I și apoi se testează staționaritatea acestora cu același test Dickey-Fuller.

Tabelul 4: Testarea staționarității variabilelor diferențiate cu ajutorul testului Dickey-Fuller

Sursa: Date prelucrate cu ajutorul programului statistic Eview

Deoarece trei din variabilele analizate, rata riscului de creditare diferențiată (DRRC), rata creditelor neperformante diferențiată (DRCN) și rata rentabilității activității de bază diferențiată (DRRAB), nu oferă rezultate care să ne confirme staționaritatea acestora, se apelează la alte două teste, Philips-Perron și KPSS. Rezultatele obținute și prezentate în Anexa 6 confirmă staționaritatea acestor variabile. Prin urmare pentru testarea legăturii dintre variabilele amintite se iau în considerare, variabilele diferențiate de ordinul I, deoarece sunt variabile staționare.

Pentru că se estimează o regresie liniară multiplă, se studiază legătura dintre variabilele independente pentru a se vedea dacă apare fenomenul de multicoliniaritate.

Tabelul 5: Estimarea coeficienților de corelație dintre variabilele independente ale modelului de regresie estimat

Sursa: Date prelucrate cu ajutorul programului statistic Eview

Conform tabelului 5, se poate spune că între variabilele rentabilitatea economică diferențiată (DREC) și rentabilitatea capitalului propriu diferențiată (DRCP) există o legătură foarte puternică. Prin urmare introducerea acestor două variabile într-un model de regresie determină nerespectarea ipotezei privind lipsa multicoliniarității variabilelor independente.

Se vor estima două modele de regresie. În primul model se vor introduce toate variabilele, cu excepția variabilei rentabilitatea economică diferențiată (DREC) și în al doilea model se va exclude variabila rentabilitatea capitalului propriu diferențiată (DRCP).

Analizând valorile coeficienților de corelație în perioada trimestrul IV, 2007 – trimestrul I, 2014, se observă că variabila rentabilitatea economică diferențiată (DREC) este puternic corelată cu variabila rentabilitatea capitalului propriu diferențiată (DRCP), înregistrând un coeficient de 0.997.

Altă corelație puternică este între variabila indicatorul de solvabilitate diferențiată (DIS) și variabila efectul de pârghie diferențiată (DEP), înregistrând un coeficient de 0.752.

Între variabila indicatorul de solvabilitate diferențiată (DIS) și variabila rata creditelor neperformante diferențiată (DRCN) există o corelație inversă, înregistrând un coeficient de – 0.454.

Pentru estimarea modelelor de regresie se apelează la programul statistic SPSS și la procedura Backward ce permite identificarea celui mai bun model de regresie prin eliminarea treptată a variabilelor care nu aduc o explicare semnificativă a variabilei dependente.

Tabelul 6 conține date statistice de sinteză, matricea de corelație a variabilelor luate în studiu.

Pentru primul model s-au introdus toate variabilele, cu excepția variabilei rentabilitatea economică diferențiată (DREC):

în prima etapă sunt cuprinși toți factorii de influență: rata creditelor neperformante diferențiată (DRCN), rata rentabilității activității de bază diferențiată (DRRAB), efectul de pârghie diferențiată (DEP), indicatorul de solvabilitate diferențiată (DIS) și rentabilitatea capitalului propriu diferențiată (DRCP);

în a 2-a etapă s-a eliminat variabila rentabilitatea capitalului propriu diferențiată (DRCP);

în a 3-a etapă s-a eliminat, pe lângă variabila rentabilitatea capitalului propriu diferențiată (DRCP) și variabila rata rentabilității activității de bază diferențiată (DRRAB);

în a 4-a etapă s-a eliminat, pe lângă variabila rentabilitatea capitalului propriu diferențiată (DRCP), variabila rata rentabilității activității de bază diferențiată (DRRAB) și variabila efectul de pârghie diferențiată (DEP);

în a 5-a etapă s-a eliminat, pe lângă variabila rentabilitatea capitalului propriu diferențiată (DRCP), variabila rata rentabilității activității de bază diferențiată (DRRAB), variabila efectul de pârghie diferențiată (DEP) și variabila indicatorul de solvabilitate diferențiată (DIS), rămânând doar variabila rata creditelor neperformante diferențiată (DRCN).

Tabelul 6: Rezumatul modelelor(f)

Sursa: Date prelucrate cu ajutorul programului SPPS

Prin regresie, cu ajutorul metodei Backward, s-au eliminat, pe rând, una câte una, variabilele independente ce influențează riscul de creditare pentru a stabili care dintre modele contribuie semnificativ la variația riscului de creditare.

Valorile rapoartelor de determinație R2 indică faptul că primul model explică 36% din variația variabilei dependente, rata riscului de creditare, iar la modelele 2, 3, 4 și 5, care nu sunt eficiente, după cum a indicat valoarea înregistrată de pragul de semnificație, se observă că valoarea coeficientului R2 este începe să scadă și explică 35.4% (modelul 2) din variația variabilei dependente.

Pentru modelul al 2-lea s-au introdus toate variabilele, cu excepția variabilei rentabilitatea capitalului propriu diferențiată (DRCP):

în prima etapă sunt cuprinși toți factorii de influență: rata creditelor neperformante diferențiată (DRCN), rata rentabilității activității de bază diferențiată (DRRAB), efectul de pârghie diferențiată (DEP), indicatorul de solvabilitate diferențiată (DIS) și rentabilitatea economică diferențiată (DREC);

în a 2-a etapă s-a eliminat variabila rata creditelor neperformante diferențiată (DRCN);

în a 3-a etapă s-a eliminat, pe lângă rata creditelor neperformante diferențiată (DRCN) și variabila rata rentabilității activității de bază diferențiată (DRRAB);

în a 4-a etapă s-a eliminat, pe lângă rata creditelor neperformante diferențiată (DRCN) și variabila rata rentabilității activității de bază diferențiată (DRRAB) și variabila efectul de pârghie diferențiată (DEP);

în a 5-a etapă s-a eliminat, pe lângă rata creditelor neperformante diferențiată (DRCN) și variabila rata rentabilității activității de bază diferențiată (DRRAB), variabila efectul de pârghie diferențiată (DEP) și variabila indicatorul de solvabilitate diferențiată (DIS), rămânând doar variabila rata creditelor neperformante diferențiată (DRCN).

Tabelul 7: Rezumatul modelelor(f)

Sursa: Date prelucrate cu ajutorul programului SPPS

Valorile rapoartelor de determinație R2 indică faptul că primul model explică 34.9% din variația variabilei dependente, rata riscului de creditare, iar la modelele 2, 3, 4 și 5, care nu sunt eficiente, după cum a indicat valoarea înregistrată de pragul de semnificație, se observă că valoarea coeficientului R2 este începe să scadă și explică 35.4% (modelul 2) din variația variabilei dependente.

Estimarea celor două modele de regresie prin metoda Backward duce în final la același rezultat: ca variabilă explicativă pentru riscul de creditare rămâne numai rata creditelor neperformante diferențiată (DRCN).

Conform rezultatelor din ultimele tabelul 6 și tabelul 7, exluderea variabilelor din modelul de regresie inițial nu determină o modificare semnificativă a raportului de corelație, prin urmare se reține ultimul model estimat.

Tabelul 8: Testarea modelelor de regresie estimate prin metoda Backward

Sursa: Date prelucrate cu ajutorul programului SPPS

Conform tabelului 8, modelul final estimat este semnificativ din punct de vedere statistic deoarece (Sig.= 0,012) < pragul de semnificație asumat de 5%.

Tabelul 9: Estimarea indicatorilor de corelație a modelelor de rgresie estimate

Sursa: Date prelucrate cu ajutorul programului statistic SPPS

În concluzie, ultimul model reținut este cel mai eficient în predicție, fiind constituit din variabila independentă rata creditelor neperformante.

Prin urmare, modelul estimat devine:

DRRCt = – 0,003 + 1,169 DRCNt +

Variația variabilei rata creditelor neperformante are cea mai puternică contribuție la explicarea variabilei dependente (variația ratei riscului de creditare).

Reziduurile modelului de regresie estimat respectă ipoteza de normalitate, lipsa autocorelării, homoscedasticitate și nu diferă semnificativ statistic de 0. Rezultatele testării acestor ipoteze sunt prezentate în Anexa 7.

În concluzie, modelul constituit din variabila independentă, rata creditelor neperformante este eficient, adică rata riscului de creditare depinde de rata creditelor neperformante.

Rezultatele obținute în urma analizei componentelor pricipale

Cu ajutorul metodei analizei componentelor pricipale se analizează corelațiile dintre variabilele statistice înregistrate.

După prelucrarea datelor în SPSS se obține matricea corelațiilor (tabelul 10). Aceasta este o matrice simetrică față de diagonala principală și prezintă valorile coeficienților de corelație dintre variabile, considerate două câte două.

Valorile coeficienților rezultați din tabelul corelațiilor dintre variabile arată că între variabilele considerate există legături statistice semnificative, așadar, analiza componentelor principale poate fi aplicată.

Tabelul 10: Matricea corelațiilor dintre variabile

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Tabelul 11 prezintă statistica χ2, care testează dacă între variabilele statistice există legătură statistică. Valoarea statisticii KMO este 0.598, ceea ce înseamnă că între variabilele analizate există legături statistice semnificative. Acest rezultat este confirmat și de valoarea lui sig, care este mai mic decât 0.05, adică matricea corelațiilor nu este o matrice unitate, deci există legături semnificative între variabilele considerate, așadar, se poate aplica analiza componentelor principale.

Tabelul 11: Valorile statisticii test KMO și ale statisticii χ2

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

După standardizarea variabilelor se obțin variabile noi cu media 0 și variant 1. Varianțele variabilelor considerate în analiza componentelor principale se găsesc în tabelul 12.

Tabelul 12: Varianța variabilelor statistice

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Dacă valorile varianțelor după extragerea factorilor sunt reduse, variabilele respective nu sunt corelate cu axele factoriale, deci pot fi eliminate din analiză. În cazul variabilelor considerate (rata riscului de creditare, rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu) valorile varianțelor după extragerea factorilor sunt >0.5, deci nu se elimină din analiză.

Tabelul 13: Valorile proprii ale matricei corelațiilor și varianța explicată de axele factoriale

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Valorile proprii ale matricei corelațiilor corespund inerțiilor explicate de axele factoriale. În cazul variabilelor considerate, valorile proprii sunt: λ1=3.481, λ2=1.866, λ3=0.948, λ4=0.442, λ5=0.256, λ6=0.05 și λ7=0.02. Primul ax factorial explică 49.73% din varianța totală a norului de puncte. Al doilea ax factorial explică 26.66%, iar împreună cu primul ax explică 76.39% din varianța totală.

În analiza componentelor principale, conform criteriului lui Kaiser, se alege să se interpreteze primele două axe factoriale, deoarece cele două valori proprii sunt >1.

Aceeași concluzie rezultă și conform criteriului lui Cattel (figura 4). Acesta presupune urmărirea căderii “bruște” a inerției explicate de valorile proprii în reprezentarea grafică a acestora. După primele două axe, intervine o schimbare bruscă a pantei graficului valorilor proprii, există diferențe semnificative de mărime între primele două valori proprii și ultimele cinci valori, deci, se alege să se interpreteze primele două axe factoriale.

Conform criteriului lui Benzécri, se alege un număr de axe care explică peste 70% din varianța totală a norului de puncte, așadar, se aleg primele două axe factoriale, deoarece ele împreună explică cele mai mari diferențe dintre unitățile statistice, respective 76.39% din varianța totală.

Figura 4: Reprezentarea grafică a valorilor proprii ale matricei corelațiilor

Coordonatele variabilelor pe axele factoriale arată valoarea coeficienților de corelație dintre variabilele Xj și axul factorial respectiv (tabelul 14). De exemplu, variabila rata riscului de creditare are o coordonată pozitivă ridicată (0.829) pe primul ax factorial și o coordonată negativă pe al doilea ax factorial (-0.328). Variabila rata riscului de creditare va fi reprezentată grafic în cadranul valorilor pozitive ale primului ax factorial și în cadranul valorilor negative ale celui de-al doilea ax factorial.

Variabila rata rentabilității activității de bază are coordonate pozitive pe ambele axe factoriale, 0.81 pe primul ax factorial și 0.029 pe al doilea ax factorial.

Variabilele rata riscului de creditare, rata creditelor neperformante și rata rentabilității activității de bază au valori ridicate, apropiate de 1, ceea ce arată că sunt puternic corelate cu primul ax factorial și există diferențe semnificative între unitățile statistice din punct de vedere al valorilor înregistrate pentru aceste variabile. Între aceste variabile există legături directe, deoarece au coordonate de același semn, adică unitățile statistice care înregistrează valori ridicate pentru variabila rata riscului de creditare, înregistrează valori ridicate și pentru variabilele rata creditelor neperformante și rata rentabilității activității de bază.

Al doilea ax factorial este format doar de variabilele rentabilitatea capitalului propriu și rentabilitatea economică, deoarece doar ele au valori mai ridicate pentru al doilea ax.

Tabelul 14: Coordonatele variabilelor pe primele două axe factoriale

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Tabelul 15: Contribuțiile variabilelor la inerția primelor două axe factoriale

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Valorile contribuțiile variabilelor la inerția axelor factoriale arată importanța variabilei respective în diferențierea unităților statistice considerate. O valoare ridicată arată o importanță semnificativă a variabilei respective în diferențierea unităților statistice analizate, așadar, toate variabilele contribuie la formarea primului ax factorial, în schimb la formarea celui de-al doilea ax contribuie doar variabilele rentabilitatea capitalului propriu și rentabilitatea economică.

Reprezentarea grafică a poziției variabilelor rata riscului de creditare, rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu în sistemul primelor două axe (figura 5) arată că între toate variabilele există legături directe, deoarece sunt de o parte și de alta a primului ax factorial.

Figura 5: Reprezentarea variabilelor în sistemul primelor două axe factoriale

Reprezentarea grafică folosind opțiunea de rotație a axelor Varimax prezintă o deplasare a axelor factoriale, dar a menținut independent componentelor pricipale (figura 6). Reprezentarea grafică folosind opțiunea de rotație a axelor Oblimin prezintă și aceasta o deplasare a axelor factoriale (figura 7).

Figura 6: Reprezentarea variabilelor în sistemul primelor două axe factoriale cu folosirea opțiunii Varimax de rotație a axelor

Figura 7: Reprezentarea variabilelor în sistemul primelor două axe factoriale cu folosirea opțiunii Oblimin de rotație a axelor

Cu ajutorul metodei analizei componentelor pricipale s-a stabilit că există corelații puternice între toate variabilele analizate: rata riscului de creditare, rentabilitatea economică, rentabilitatea capitalului propriu, rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie și indicatorul de solvabilitate.

Analiza cluster a riscului de creditare în România folosește o bază de date ce conține date din luna iunie 2014 privind creditele din județele din România. Variabilele analizate sunt creditele totale în lei, creditele restante în lei, credite pentru agenți economici, credite pentru populație pentru consum, credite pentru populație pentru locuințe și credite pentru populație pentru alte scopuri. Baza de date folosită se găsește la Anexa 3.

Figura 8: Evoluția creditelor în lei

După cum se observă din figura 8, numărul creditelor în lei în perioada ianuarie 2013-mai 2014 are o evoluție crescătoare.

Numărul creditelor înregistrate în luna iunie 2014 a fost de 2207.69, iar creditele restante în lei în luna iunie 2014 au înregistrat o medie de 309.37.

Rezultatele obținute în urma clusterizării

Apelând la analiza cluster se dorește clasificarea județelor în funcție de variabilele considerate în ipoteza că fiecare dintre acestea are în funcție de așezarea geografică și destinația creditului anumite elemente caracteristice.

S-a realizat o analiză cluster ierarhică ca metodă de calcul a distanțelor pe cazurile avute la dispoziție.

Având în vedere setul de indicatori considerați pentru caracterizarea creditelor restante la un grad de agregare între 5 și 10, județele României și Municipiul București se pot clasifica în 5 clustere după cum urmează:

– din clusterul 1 fac parte județele: 1- Alba, 4- Bacău, 5 – Bihor, 8 – Brașov, 9 – Brăila, 12 – Călărași, 13 – Cluj, 14 – Constanța, 17 – Dolj, 18 – Galați, 19 – Giurgiu, 25 – Maramureș, 27 – Mureș, 28 – Neamț, Satu-Mare, 32 – Sălaj, 33 – Sibiu, 34 – Suceava, 38 – Vaslui, 39 – Vâlcea și 40 – Vrancea.

– din clusterul 2 fac parte județele: 2 – Arad, 3- Argeș, 6 – Bistrița, 7 – Botoșani, 10 – Buzău, 11 – Caraș Severin, 15 – Covasna, 16 – Dâmbovița, 21 – Harghita, 22 – Hunedoara, 23 – Ialomița, 24 – Iași, 26 – Mehedinți, 29 – Olt, 30 – Prahova 35- Teleorman și 37 – Tulcea.

– din clusterul 3 face parte județul: 20 – Gorj.

– din clusterul 4 face parte județul: 36 – Timiș.

– din clusterul 5 face parte județul: 41 – Municipiul București.

Se constată că județele Timiș și Gorj și municipiul București, prin prisma indicatorilor considerați, diferă oarecum de structura considerată, ei încadrându-se singuri în clustere diferite. Ele prezintă numărul cel mai mare de credite și, respectiv, de credite restante, situație neîntâlnită la niciun alt județ. Municipiul București este diferit de structura întregii colectivități, astfel încât se elimină din model. Județul Gorj se alătură clusterului 2 și rămân 3 clustere.

Tabelul 16: Componența clusterelor

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Trebuie avut în vedere faptul că metodele analizei cluster vor determina întotdeauna o grupare care poate fi sau nu utilă în clasificarea obiectelor. Dacă grupările fac diferența între variabilele nefolositoare grupării considerate și acele diferențieri sunt utile, atunci analiza de cluster este utilă, fapt demonstrat și de tabelul 17, unde coeficienții înregistrează creșteri mai mari după clusterul 3.

Tabelul 17: Agglomeration Schedule

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

C A S E 0 5 10 15 20 25

Label Num +–––+–––+–––+–––+–––+

SALAJ 32 

VALCEA 39  

BRAILA 9  

GIURGIU 19  

MARAMURE 25  

SUCEAVA 34   

BRASOV 8  

SIBIU 33  

CONSTANT 14  

GALATI 18   

NEAMT 28   

VRANCEA 40      

ALBA 1     

BIHOR 5    

CALARASI 12     

BACAU 4     

SAT-MARE 31    

DOLJ 17    

VASLUI 38    

MURES 27   

CLUJ 13  

CARAS-SE 11  

HUNEDOAR 22    

COVASNA 15     

HARGHITA 21     

OLT 29     

MEHEDINT 26     

DAMBOVIT 16    

BISTRITA 6    

BOTOSANI 7      

ARGES 3       

BUZAU 10         

ARAD 2      

PRAHOVA 30      

IALOMITA 23     

IASI 24    

TULCEA 37    

TELEORMA 35   

TIMIS 36  

GORJ 20 

Figura 9: Dendograma

Analiza discriminant prezintă avantajul de a sintetiza un set de variabile folosind funcția discriminant. Mai mult decât atât, el exprimă relația dintre variabilele din setul utilizat pentru caracterizarea nivelului riscului de creditare și scorul funcției discriminant. Observarea statistică a fost efectuată pe un set de variabile ale dezvoltării înregistrată la nivelul celor 40 de județe din România. Municipiul București a fost exclus de la această analiză, deoarece valorile acestuia sunt cu mult mai mari decât media celorlalte județe și afectează analiza.

Rezultatele obținute în această lucrare pot fi folosite ca argumente în luarea deciziilor în ceea ce privește riscul de creditare pentru fiecare județ din România.

Cu ajutorul analizei discriminant se identifică tipologii după nivelul creditelor pentru județele din România. Această metodă clasifică județele din România după gradul de risc, ținând seama de factorii determinanți.

În acest studiu variabilele independente sunt variabilele care caracterizează riscul de creditare a județelor din România. Acestea sunt următoarele: X1 – creditele totale în lei, X2 – credite pentru agenți economici, X3 – credite pentru populație pentru consum, X4 – credite pentru populație pentru locuințe și X5 – credite pentru populație pentru alte scopuri. Variabila discriminant prin care se împart județele în grupuri este creditele restante în lei (milioane lei)

Variabilă creditele restante în lei are un minim de 71.5 și un maxim de 712.2, așadar ia valori de la 1 (credite restante în lei cu valori foarte mici) la 4 (credite restante în lei cu valori foarte mari). Cele patru valori corespund următoarelor intervale numerice: 1 pentru intervalul 0 – 200 milioane lei, 2 pentru intervalul 200 – 400 milioane lei, 3 pentru intervalul 400 – 600 milioane lei și 4 pentru intervalul 600 – 800 milioane lei (figura 10).

Figura 10: Distributia judetelor în funcție de variabila creditele restante în lei

Rezultatele obținute în urma analizei discriminant

Pentru a determina variabilele care contribuie în mod semnificativ la diferențierea grupurilor, s-a folosit testul F pentru Lambda Wilks. Rezultatele ANOVA sunt prezentate în tabelul 18.

Tabelul 18: Testul egalitatii mediilor grupelor

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Testul F este semnificativ pentru cele 5 variabile considerate (valorile Sig. sunt mai mici decât 0.05 pentru toate variabilele).

În studiul nostru, analiza discriminant a fost efectuată pentru 4 grupe de județe clasificate în funcție de creditele restante în lei și au rezultat 3 functii discriminant și, prin urmare, 3 valori proprii. Cea mai mare valoare proprie (2.851) corespunde primei funcții discriminant, care arată că acesta are cea mai mare putere de discriminare dintre cele două funcții. De asemenea, prima funcție reprezintă în proporție de 86.8% din dispersia mediilor grupelor, în comparație cu a doua funcție, care reprezintă 9.4% din dispersie (tabelul 19).

Coeficientul de corelație canonică măsoară relația dintre coordonatele factoriale ale discriminantului și variabila de grupare este 2.851 și arată că 86.8%, din varianța totală explică diferențele dintre cele patru grupuri cu ajutorul primei funcții discriminant (tabelul 19).

Tabelul 19: Eigenvalues

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Variabilele discriminant luate în considerare în studiul nostru sunt exprimate în diferite unități de măsura, și, prin urmare, au fost calculați coeficienții standardizați ai funcției discriminant. Aceștia sunt prezentați în tabelul 20.

Tabelul 20: Coeficienții standardizați ai funcției discriminant

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Coeficienții funcției discriminant sunt utilizați pentru a calcula scorul discriminant pentru fiecare caz în parte. Având în vedere că prima funcție are cea mai mare putere discriminantă, se vor analiza rezultatele sale. Prin urmare, prima funcție discriminant este:

Z = – 5.04 Z1 + 3.99 Z2 + 1.76 Z3 + 1.06 Z4 – 0.13 Z5, unde variabilele Z1, Z2, Z3, Z4 și Z5 sunt variabilele standardizate X1 X2, X3, X4 și X5.

Mărimea coeficienților indică puterea discriminant a variabilelor predictor. Astfel se observă că, atât variabila creditele în lei (X1), cât și variabila creditele acordate agenților economici (X2) se diferențiază între cele patru grupuri.

Coeficientul matricei structură indică corespondența dintre fiecare variabilă predictor și funcția discriminant. Valorile coeficienților de structură obținute sunt prezentate în tabelul 21.

Tabelul 21: Matricea de structură

Sursa: Date prelucrate cu ajutorul programului statistic SPSS

Pentru prima funcție discriminant, se observă că coeficienții de corelație au valori ridicate pentru toate variabile, ceea ce înseamnă că toate aceste variabile sunt foarte puternic corelate cu prima funcție.

Pentru a doua funcție discriminant coeficienții arată că primele trei variabile (creditele în lei, creditele restante în lei și creditele pentru agenți economici) sunt mai puternic corelate cu a doua funcție discriminant decât cu prima.

O clasificare a județelor prin utilizarea scorurilor obținute pentru această funcție reflectă mai bine starea județelor din punct de vedere al riscului de creditare.

În acest studiu, bazat pe funcția discriminant, 86.8% dintre județele au fost clasificate corect. Un caz este considerat a fi clasificat în mod corect în cazul în care, prin scorul funcției discriminant, acesta este inclus în grupul la care aparține de fapt.

Tabelul 22: Clasificarea județelor conform analizei discriminant

Ipoteza studiului conform căreia ordinea grupelor de județe în functie de variabila credite restante în lei corespunde ordinii grupelor în funcție analiza discriminant este confirmată. Conform analizei discriminant, 86.8% dintre județe sunt clasificate în mod corect de către funcția discriminant.

Județele României sunt clasificate în funcție de riscul de creditare astfel:

credite restante în lei cu valori foarte mici: Alba, Bistrița, Botoșani, Buzău, Caraș-Severin, Călărași, Covasna, Dâmbovița, Giurgiu, Gorj, Harghita, Hunedoara, Ialomița, Mehedinți, Mureș, Neamț, Olt, Satu-Mare, Teleorman și Tulcea;

credite restante în lei cu valori mici: Arad, Argeș, Bacău, Bihor, Brăila, Dolj, Galați, Iași, Maramureș, Sălaj, Suceava și Vâlcea;

credite restante în lei cu valori mari: Cluj, Constanța, Prahova, Sibiu și Timiș;

credite restante în lei cu valori foarte mari: Brașov.

După clasificarea județelor se observă că în categoria creditelor restante cu valori foarte mari este un singur județ, Brașov, iar în categoria creditelor restante cu valori foarte mici sunt cele mai multe județe.

Analiza discriminant a calculat scorurile pentru importanța variabilelor care influențează riscul de creditare în județele din România și, prin aceasta, a ajutat la identificarea grupelor în funcție de aceasta. Utilizarea analizei discriminant a reușit să identifice acele variabile care au o relație puternică cu nivelul riscului de creditare a județelor din România.

Variabile selectate contribuie semnificativ la diferențierea dintre grupuri. Analiza poate furniza informații adecvate pentru a ajuta în luarea deciziilor privind riscul de creditare.

4.2 Prognoza riscului de creditare în România

Considerăm seria de timp formată din înregistrările oferite de Banca Națională a României (www.bnro.ro) pentru rata riscului de creditare în România, în perioada trimestrul IV, 2007- trimestrul I, 2014. Seria este reprezentată grafic în figura 11.

Figura 11: Evoluția de evoluție a ratei riscului de creditare în România, între decembrie 2007 și martie 2014

Cu ajutorul analizei de prognoză se stabilește trend-ul seriei ratei riscului de creditare și se realizează previziunea pentru un orizont de trei trimestre, pentre a ști la ce să ne așteptăm în viitor și ce măsuri putem lua pentru a preveni sau a diminua consecințele acestui fenomen. Pentru aceasta se aplică metodologia Box-Jenkins și se folosește programul Eviews.

După cum se observă din figura 11, în decursul perioadei trimestrul IV, 2007- trimestrul I, 2014, rata riscului de creditare prezintă o evoluție crescătoare. Această evoluție se datorează în principal crizei economice ce s-a instaurat în iulie 2007. În 2008 criza s-a agravat, întrucât bursele de valori din întreaga lume s-au prăbușit și au devenit instabile, iar riscul de creditare a început să crească, acest lucru observându-se și din grafic.

Etapa 1: Analiza caracteristicilor seriei

Așa cum arată diagrama din figura 11, seria admite trend determinist și este posibil să fie nestaționară. Numeric această situație este demonstrată prin rezultatele obținute cu ajutorul testului Dickey – Fuller extins prezentate anterior.

Etapa 2: Identificarea

Pentru a se determina dacă seria ratei riscului de creditare în România (RRC) este autocorelată se realizează corelorama acestei variabile. Probabilitățile asociate testului Ljung-Box (Q-Stat) demonstrează că variabila analizată este autocorelată.

Figura 12: Corelograma ratei riscului de creditare

Etapa 3: Estimarea

TREND DETERINIST LINIAR

Seria ratei riscului de creditare în România (RRC) prezintă trend determinist (ce poate fi liniar sau parabolic) și trend stochastic. Rezultatele estimării celor două tipuri de trend sunt prezentate în tabelele de mai jos:

Tabelul 23: Estimarea trendului determinist liniar

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Modelul estimat este:Yt=6,112+1,097t+0,846Yt-1+εt

TREND DETERINIST PARABOLIC

Tabelul 24: Estimarea trendului determinist parabolic

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Modelul estimat este:Yt=0,008+2,039 t-0,029 t2 +0,516 Yt-1+εt

Etapa 4: Validarea-diagnosticarea modelelor

Modelele de regresie estimate anterior restectă ipotezele cu privire la erori. Rezultatele testării ipotezelor de normalitate a erorilor, lipsa autocorelării, homoscedasticitatea și media erorilor este egală cu zero sunt prezentate în Anexa 6 și Anexa 7.

Modelele estimate sunt semnificative statistic pentru că raportul de corelație a fiecărui model este semnificativ diferit de zero. Estimatorii modelelor sunt de asemenea semnificativ diferiți de zero.

Etapa 5: Previziunea

Anterior seria a fost modelată luând în considerare, după cum sugera graficul, atât un trend liniar cât și un trend parabolic. Prin urmare ar trebui să alegem cel mai bun model, din cele două estimate, pentru realizarea previziunii.

Rezultatele obținute (în programul Eviews) pentru previziunea prin modelul ce include trendul liniar sunt prezentate în tabelul de mai jos.

Tabelul 25: Previziunea ratei riscului de creditare considerând trendul liniar

Sursa: Date prelucrate cu ajutorul programului statistic EViews

În sinteză, în tabelulul 26, se prezintă câțiva indicatori statistici care ne permit să alegem cel mai bun model de evoluție al ratei riscului de creditare pe care apoi îl vom folosi pentru realizarea prognozei.

Deoarece sunt două modele ale aceleiași variabile putem utiliza pentru compararea modelelor și indicatorii construiți pe teoria informației Akaike și Schwartz. Deoarece cele două modele prezintă un număr diferit de parametrii, se utilizează raportul de determinație ajustat.

Tabelul 26: Alegerea modelului de evoluție al ratei riscului de creditare

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Valorile minime pentru eroarea medie pătratică de ajustare, eroarea medie absolută, eroarea medie în mărime procentuală, coeficientul de inegalitate a lui Theil, criteriul Akaike și criteriul Schwartz ne indică cel mai bun model. Valoarea maximă a raportul de determinație ajustat ne indică cel mai bun model.

Toți indicatorii selectați pentru determinarea celui mai bun model de prognoză ne indică modelul cu trend parabolic. Valorile previzionate când se ia în considerare trendul parabolic (RRCF2) obținute cu ajutorul programului Eviews sunt prezentate în tabelul 27.

Tabelul 27: Valorile previzionate ale ratei riscului de creditare luând în considerare modelul cu trend liniar și cu trend parabolic

Figura 13: Valorile previzionate pentru rata riscului de creditare prin modelul cu trend liniar (RCF1) și modelul cu trend parabolic (RCF2)

Valorile prognozate pentru rata riscului de creditare sunt: pentru trimestrul II 2014 – 34.61 (modelul cu trend liniar), respectiv, 32.95 (modelul cu trend parabolic), pentru trimestrul III 2014 – 35.72 (modelul cu trend liniar), respectiv, 33.42 (modelul cu trend parabolic) și pentru trimestrul IV – 36.82 (modelul cu trend liniar), respectiv, 33.82 (modelul cu trend parabolic).

Atât în cazul modelului cu trend liniar, cât și în cazul modelului cu trend parabolic, valorile prognozate sunt mai mari decât cele înregistrate, ceea ce înseamnă că rata riscului de creditare continuă să crească.

Reprezentarea grafică a valorilor previzionate pentru rata riscului de creditare sunt prezentate în figura 13. Aceasta ne dezvăluie că modelul cu trend parabolic arată o evoluție crescătoare a ratei riscului de creditare, dar într-o măsură mai mică decât în cazul trendului liniar.

Capitolul V. Evaluarea și prognoza riscului de creditare în Europa

Creșterea economică este influențată de evoluția sectorului financiar. Dacă sistemul financiar dezvoltă un comportament haotic, indicat de credite neperformante și datorii mari, atunci creșterea economică este compromisă.

Criza economică este o criză mondială, dar a avut impact foarte diferit de la o regiune a planetei la alta. Rezultatele crizei sunt scăderea activității economice, o creștere a șomajului, creșterea datoriilor, publice și private, scăderea fluxului de credite, scăderea productivității și deteriorarea finanțelor publice.

Pentru redresarea țărilor din UE este nevoie de consolidări fiscale riguroase cu scopul consolidării stabilității macroeconomice.

Analiza statistică a riscului de creditare la nivelul Europei își propune să cerceteze mecanismele prin care dinamica economiei reale și condițiile pieței monetare influențează evoluția datoriilor private.

Senzitivitatea datoriilor private la dinamica situației economice este diferită de la o țară la alta. Datele utilizate în cadrul analizei empirice acoperă informații din ultimul an înregistrat complet, 2012. Factorii determinanți analizați sunt: datoriile private, datoria publică, fluxul de credite private, rata de schimb și rata șomajului.

Datoriile private sunt definite ca stocul de datorii deținute de sectorul societăților nefinanciare și gospodăriile populației și instituțiilor fără scop lucrativ în serviciul gospodăriilor populației.

Datoria publică este definită ca datoria publică brută consolidată a întregului sector al administrației publice la valoarea nominală, restantă la sfârșitul anului.

Fluxul creditelor private reprezintă suma netă a pasivelor realizate de-a lungul anului de sectoarele societăților nefinanciare și gospodăriile populației și instituțiile non-profit în serviciul gospodăriilor populației.

Rata de schimb reală efectivă (indicatori relativi de prețuri și costuri) este definită cu scopul de a evalua prețul unei țări sau costul de competitivitate în raport cu principalii săi concurenți de pe piețele internaționale.

Rata șomajului este definită ca numărul de persoane fără loc de muncă ca procent din forța de muncă. Forța de muncă este numărul total de persoane angajate și șomeri. Șomerii cuprind persoanele în vârstă de 15-74 care:

– sunt fără loc de muncă în săptămâna de referință;

– sunt disponibili să înceapă lucrul în următoarele două săptămâni;

– au căutat activ de lucru în ultimele patru săptămâni sau au găsit deja un loc de muncă pentru a începe în următoarele trei luni.

Datele folosite în analiză sunt date oficiele de pe site-ul Eurostat (ec.europa.eu/eurostat). Baza de date este prezentată în Anexa 4.

5.1 Analiza statistică a riscului de creditare în Europa

Regresia reprezintă existența unei legături de tip statistic cu privire la comportamentul unor variabile.

Ca variabile, s-au folosit datoriile private – DP (eng. private debt) – variabilă dependentă, fluxul de credite private – FCP (eng. private credit flow), rata de schimb (eng. exchange rate), datoria publică – DPUB (eng. General Government Gross Dept) și rata șomajului (eng. unemployment rate) – variabile independente. Datele folosite în analiză sunt date oficiale de pe site-ul Eurostat (ec.europa.eu/eurostat) din anul 2012, deoarece datele din 2013 nu sunt complete pentru toate țările.

Înainte de a trece la realizarea efectivă a analizei de regresie trebuie să se verifice condiția de normalitate a distribuției, pentru a fundamenta alegerea procedeului de tratare a legăturii dintre indictorii considerați. Verificarea normalității se poate realiza prin analiza indicatorilor (media, mediana, modul, coeficientul de asimetrie –Skewness – și de boltire – Kurtosis), prin analiza grafică (histograma, graficul Q-Q, graficul P-P), precum și prin testul Kolmogorov-Smirnov sau testul Jarque-Bera. Astfel, s-a studiat din punct de vedere descriptiv variabilele amintite și s-au obținut următoarele rezultate:

Tabelul 28: Indicatori statistici descriptivi

Sursa: Date prelucrate cu ajutorul programului statistic SPPS

În total, nivelul minim al datoriilor private al celor 28 țări din UE a fost de 62.5 și un maxim de 317.4, așa cum se arată în tabelul 28. Valoarea medie a datoriilor private a fost de 155.67 cu o deviație standard de 72.77. Valoarea medie a fost 155.67, ceea ce presupune că, în general, nivelul datoriilor private este bun.

A 25-a percentilă a datoriilor private este 108.55 și a 75-a percentilă este 206.25 Valorile obținute pentru percentila 25 și 75 sugerează că 50% dintre țări au valoarea datoriilor private între 108.55 și 206.25.

Indicatorul de asimetrie (Skewness) dacă are o valoare pozitivă indică o distribuție cu asimetrie pozitivă, cu alungire spre dreapta. O valoare negativă a acestuia indică prezența unei distribuții asimetrice negative, cu alungire spre stânga; când ia valoarea 0 indică prezența unei distribuții simetrice. Astfel, conform rezultatelor din tabelul 28, 4 dintre variabile (rata de schimb, rata șomajului, datoriile private și datoria publică) prezintă asimetrii pozitive, cu abatere spre dreapta. Variabila fluxul creditelor private prezintă asimetrie negativă, cu abatere spre stânga.

În ceea ce privește indicatorul de boltire (Kurtosis), toate variabilele au valori mai mari decât 0, ceea ce indică o grupare mai puternică a valorilor în jurul valorii centrale și prezintă distribuții leptocurtice (variabila datoriile private are o valoare foarte apropiată de 0, ceea ce o aseamănă mai mult cu o distribuție normală).

Rezultatele din tabelul 28 indică faptul că media pentru variabilele independente este: pentru rata de schimb – 2.08 (abaterea standard 1.73), pentru fluxul de credite private 0.29 (abaterea standard 4.49), pentru produsul intern brut 68.85 (abaterea standard = 35.1), iar pentru rata șomajului = 10.33 (abaterea standard = 4.42).

Figura 14: Diagrama P-P Plot

Din diagrama P-P se observă că majoritatea țărilor au valori ale datoriilor private apropiate de medie, urmând îndeaproape punctele curbei normale. Aceeași normalitate se deduce și cu ajutorul histogramei din figura 15.

Testul Kolmogorov-Smirnov aplicat variabilelor considerate (tabelul 29) a scos în evidență faptul că distribuția acestora nu diferă semnificativ de forma distribuției normale pentru toate dintre variabile, pentru acestea obținându-se o valori Sig. mai mari decât 0,05.

Figura 15: Histograma variabilei datorii private din Europa

Tabelul 29: Kolmogorov – Smirnov Test

Sursa: Date prelucrate cu ajutorul programului statistic SPPS

Înainte de estimarea modelului de regresie liniar multiplu, vom estima indicatorii de corelație în special dintre variabilele independente pentru a identifica dacă se respectă ipoteza lipsei multicoliniarității variabilelor independente.

Rezultatele estimării coeficienților de corelație Pearson sunt prezentați în tabelul 30.

Tabelul 30: Estimarea indicatorilor de corelație dintre variabilele înregistrate la nivelul Europei

Sursa: Date prelucrate cu ajutorul programului statistic SPPS

Tabelul de mai sus arată coeficienți de corelație Pearson mai mici decât 0,8, ceea ce demonstrează că este respectată ipoteza lipsei multicoliniarității între variabilele independente. Dar, observăm, de asemenea, coeficienți de corelație dintre variabila dependentă și toate variabilele independente ce nu sunt semnificativi, prin urmare nu există legătură între variabila dependentă și niciuna din variabilele independente.

Tabelul 31 conține date statistice de sinteză pentru indicatorii de corelație a modelelor de regresie estimate prin metoda Backward luând în considerare toate variabilele independente considerate.

Tabelul 31: Estimarea și testarea indicatorilor de corelație obținuți prin metoda Backward

Sursa: Date prelucrate cu ajutorul programului statistic SPPS

Prin regresie, cu ajutorul metodei Backwad, s-au eliminat, pe rând, una câte una, variabilele independente ce influențează riscul de creditare pentru a stabili care dintre variabile contribuie semnificativ la variația datoriilor private, astfel:

în primul model sunt cuprinși toți factorii de influență: fluxul de credite private, rata de schimb, datoria publică și rata șomajului;

în modelul 2 s-a eliminat variabila fluxul de credite private;

în modelul 3 s-a eliminat, pe lângă variabila fluxul de credite private, și variabila rata de schimb;

în modelul 4 s-a eliminat, pe lângă variabilele fluxul de credite private și rata de schimb și variabila rata șomajului.

Conform valorilor sig. pentru F Change se observă că excluderea variabilelor nu determină o modificare semnificativă a raportului de determinație obținut pentru modelul inițial cu toate variabilele independente considerate.

Tabelul 32: Estimări ale coeficienților modelelor de regresie estimate prin metoda Backward

Sursa: Date prelucrate cu ajutorul programului statistic SPPS

Conform tabelului de mai sus nici o estimație a parametrilor modelelor de regresie estimate nu este semnificativ statistic (Sig este mai mare decât pragul de semnificatie de 0,05 asumat). Este și motivul pentru care prin metoda de estimare utilizată, Backward, se exclud pe rând variabilele independente până când nu mai rămâne niciuna în ultimul model.

Tabelul 33: Testarea modelelor de regresie

Sursa: Date prelucrate cu ajutorul programului statistic SPPS

După cum anticipasem anterior niciunul din modelele estimate nu este semnificativ statistic. În tabelul de mai sus, unde avem testarea modelelor de regresie estimate, Sig – ul asociat testului F este mai mare decât riscul asumat de 0,05 ceea ce demonstrează că modelele estimate nu sunt semnificative.

În concluzie, variabilele condiderate ca variabile independente considerate: rata de schimb, datoria publică, rata șomajului și fluxul creditelor private s-au dovedit, la nivelul țărilor Europei, să nu fie variabile explicative pentru datoriile private.

5.2 Prognoza riscului de creditare în țările din Europa

Se consideră seria de timp formată din înregistrările oferite de Eurostat (ec.europa.eu/eurostat) pentru variabila datoriile private în țările din Europa, din perioda1995 – 2013. Seria este reprezentată grafic în figura 16. Baza de date se găsește la Anexa 5.

Cu ajutorul analizei de prognoză se stabililește trend-ul seriei datoriile private și se realizează previziunea pentru un orizont de un an, pentre a ști la ce să ne așteptăm în viitor și ce măsuri putem lua pentru a preveni sau a diminua consecințele acestui fenomen. Pentru aceasta se aplică metodologia Box-Jenkins și se folosește programul programul Eviews.

După cum se observă din figura 16, în decursul perioadei 1995 – 2013, datoriile private prezintă o evoluție crescătoare. Această evoluție se datorează în principal crizei economice ce s-a instaurat în iulie 2007. În 2008 criza s-a agravat, întrucât bursele de valori din întreaga lume s-au prăbușit și au devenit instabile, iar numărul datoriilor a început să crească, acest lucru observându-se și din grafic.

Figura 16: Tendința de evoluție a datoriilor private în Europa, în perioada 1995-2013

Etapa 1: Analiza caracteristicilor seriei

Așa cum arată diagrama din figura 16, seria admite trend determinist ceea ce sugerează că nu este staționară. Pentru testarea staționarității variabilei datoriile private din Europa din perioada 1995-2013 vom apela la testul Dickey-Fuller extins. Rezultatele obținute sunt prezentate în tabelul 34.

Tabelul 34: Testarea staționarității variabilei datoriile private din Europa din perioada 1995-2013

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Conform rezultatelor din tabelul de mai sus se poate afirma că variabila datoriile private din Europa nu este staționară. Pentru staționarizarea variabilei ar trebui să se identifice și să se excludă trendul determinist.

Etapa 2: Identificarea

Pentru a se determina dacă seria datoriilor private din Europa este autocorelată se realizează corelograma acestei variabile. Probabilitățile asociate testului Ljung-Box (Q-Stat) demonstrează că variabila analizată este autocorelată.

Figura 17: Corelograma datoriilor private

Etapa 3: Estimarea

TREND DETERMINIST LINIAR

Seria datoriilor private din Europa prezintă trend determinist (ce poate fi liniar sau parabolic) și trend stochastic. Rezultatele estimării celor două tipuri de trend sunt prezentate în tabelele de mai jos:

Tabelul 35: Estimarea trendului determinist liniar pentru datoriile private din Europa

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Modelul estimat este:Yt=60,74905+7,342975t+0,684883Yt-1+εt

TREND DETERMINIST PARABOLIC

Tabelul 36: Estimarea trendului determinist parabolic pentru datoriile private din Europa

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Modelul estimat este:Yt=86,362+1,465 t+0,2917 t2 +1,1611 Yt-1-0,9460 Yt-2+εt

Etapa 4: Validarea-diagnosticarea modelelor

Modelele de regresie estimate anterior respectă ipotezele cu privire la erori. Rezultatele testării ipotezelor de normalitate a erorilor, lipsa autocorelării, homoscedasticitatea și media erorilor este egală cu zero sunt prezentate în Anexa 10 și Anexa 11.

Modelele estimate sunt semnificative statistic pentru că raportul de corelație a fiecărui model este semnificativ diferit de zero. Estimatorii parametrilor modelelor sunt, de asemenea, semnificativi diferiți de zero.

Etapa 5: Previziunea

Anterior seria a fost modelată luând în considerare, după cum sugera graficul, atât un trend liniar cât și un trend parabolic. Prin urmare ar trebui să alegem cel mai bun model, din cele două estimate, pentru realizarea previziunii.

Rezultatele obținute (în programul Eviews) pentru previziunea prin modelul ce include trendul liniar sunt prezentate în tabelul 37.

Tabelul 37: Previziunea datoriilor private din Europa considerând trendul liniar

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Rezultatele obținute (în programul Eviews) pentru previziunea prin modelul ce include trendul parabolic sunt prezentate în tabelul 38.

Tabelul 38: Previziunea datoriile private din Europa considerând trendul parabolic

Sursa: Date prelucrate cu ajutorul programului statistic EViews

În sinteză, în tabelul 39, se prezintă câțiva indicatori statistici care ne permit să alegem cel mai bun model de evoluție al datoriilor private din Europa pe care apoi îl vom folosi pentru realizarea prognozei.

Deoarece sunt două modele ale aceleiași variabile putem utiliza pentru compararea modelelor și indicatorii construiți pe teoria informației Akaike și Schwartz. Deoarece cele două modele prezintă un număr diferit de parametrii se utilizează raportul de determinație ajustat.

Tabelul 39: Indicatori statistici determinați pentru alegerea modelului de prognoză al variabilei datoriile private din Europa

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Valorile minime pentru eroarea medie pătratică de ajustare, eroarea medie absolută, eroarea medie în mărime procentuală, coeficientul de inegalitate a lui Theil, criteriul Akaike și criteriul Schwartz ne indică cel mai bun model. Valoarea maximă a raportul de determinație ajustat ne indică cel mai bun model.

Indicatorii selectați pentru determinarea celui mai bun model de prognoză nu ne indică același rezultat. Deoarece modelele estimate pentru aceeași variabilă au atât componenta trend cât și componentă autoregresivă pentru alegerea celui mai bun vom lua în considerare raportul de determinație ajustat și criteriile de informare Akaike și Schwartz. Acestea indică modelul cu trend parabolic pentru previziune. Valorile previzionate când se ia în considerare trendul parabolic (DPEF2) obținute cu ajutorul programului Eviews sunt prezentate în tabelul de mai jos.

Tabelul 40: Valorile previzionate datoriilor private din Europa luând în considerare modelul cu trend liniar și cu trend parabolic

Sursa: Date prelucrate cu ajutorul programului statistic EViews

Figura 18: Valorile previzionate pentru datoriile private din Europa prin modelul cu trend liniar (DPEF1) și modelul cu trend parabolic (DPEF2)

Reprezentarea grafică a valorilor previzionate pentru datoriile private din Europa sunt prezentate în figura 18. Aceasta ne dezvăluie că modelul cu trend parabolic arată o evoluție crescătoare a ratei riscului de creditare pentru anii 2014 și 2015, dar într-o măsură mai mare decât în cazul trendului liniar. Valoarea prognozată a datoriilor private pentru anul 2014 este 200.28 (în cazul modelului cu trend liniar), respectiv, 219.63 (în cazul modelului cu trend parabolic), iar pentru anul 2015, 207.62 (în cazul modelului cu trend liniar), respectiv, 231.54 (în cazul modelului cu trend parabolic).

Concluzii

Mediul economic și sistemul financiar sunt într-o continuă schimbare, iar instituțiile financiare sunt prevazute cu numeroase riscuri, printre care și riscul de creditare, elementul de bază al acestei lucrări.

Instituțiile financiare au un rol important în cadrul sectorului financiar, ele determină buna funcționare a unităților economice și a economiei în ansamblu. Este necesar un sistem de instituții financiare funcțional, ce poate oferi o gamă largă de produse și servicii, capabile să satisfacă exigențele tuturor potențialilor clienți.

Teză abordează acest sistem financiar, ca segment indispensabil al ansamblului economic, prin riscul care amenință cel mai puternic instituțiile financiare, riscul de creditare. Realitatea economică și financiară, atât internațională cât și internă este interesată să posede un sistem financiar solid, care să permită asigurarea unui cadru organizatoric corespunzător dezvoltării mecanismelor financiare [Anca Socaciu, Sistem de analiză bancară, p. 8].

Alegerea temei de cercetare pornește de la impactul pe care sistemul financiar îl are în întreaga economie, considerând că o economie de piață nu poate funcționa fără instituții financiare profitabile și bine consolidate. Pe măsură ce economia și mediul de afaceri din România s-au dezvoltat, instituțiile financiare au urmat același trend.

Pe măsură ce efectele crizei apărute în 2007 s-au extins, s-au evidențiat nereguli cu privire la procesul de creditare. Printre acestea s-au remarcat lipsa sau insuficienta reglementare a anumitor segmente extrem de volatile ale pieței de capital, controlul insuficient al produselor financiare hibride și practici neadecvate de gestionare a riscurilor la nivelul instituțiilor financiare.

Lucrărea de față reprezintă crearea unui sistem de analiză a creditelor, care să furnizeze informații, argumente și soluții capabile să evite declanșarea anumitor fenomene responsabile de vulnerabilitatea sectorului financiar.

Teza are ca domeniu de cercetare analiza și prognoza riscului de creditare, analizând instituțiile financiare din prisma riscului de creditare, cu ajutorul indicatorilor economico-financiari specifici și folosind metode de analiză și prognoză. Scopul este crearea unui sistem financiar viabil și performant.

Lucrarea tratează riscul de creditare din punctul de vedere al creditorului. Creditorul face referire la persoana juridică care împrumută bani sau prestează un serviciu în anumite condiții cu scopul de a realiza profit. Acesta creditează atât persoane fizice cât și juridice, dar își asumă că la scadență, clientul poate să nu își stingă obligațiile față de el.

Scopul studiului care a stat la baza elaborării lucrării de doctorat vizează analiza și prognoza riscului de creditare în România și Europa, în vederea identificării factorilor care influențează riscul de creditare, stabilirii legăturilor ce există între factorii de influență și riscul de creditare, precum și prognoza riscului de creditare. Această abordare este necesară în prezent deoarece riscul de creditare a luat amploare și instituțiile creditoare trebuie să știe ce anume să analizeze pentru a-1 înfrunta în cunoștință de cauză.

Obiectivele cercetării:

– definirea conceptului de risc de creditare;

– identificarea și analiza principalilor indicatori de evaluare a riscului de creditare;

– identificarea factorilor de influență ai riscului de creditare;

– stabilirea metodelor de evaluare a riscului de creditare;

– analiza principalilor indicatori economico-financiari ai riscului de creditare la nivelul României;

– analiza principalilor indicatori economico-financiari privind riscul de creditare la nivelul Europei;

– analiza unor cazuri de disfuncționalități, identificând cauzele producerii lor.

Această lucrare face parte din puținele cercetări cu privire la riscul de creditare la nivel macroeconomic și consider că poate fi continuată cu o viitoare cercetare. Având în vedere că riscul de creditare a început să fie mai mult în atenția economiștilor după instalarea crizei financiare, lucrarea de față abordează o temă de actualitate și relativ nouă, tratată puțin la nivel macroeconomic, atât de cercetătorii români, cât și cei străini. Așadar, rezultatele cercetării pot fi folosite la întelegerea mai bună a riscului de creditare.

Teza de doctorat este structurată în cinci capitole, organic legate, concluzii și propuneri cu privire la riscului de creditare.

Capitolul I, Elemente conceptuale privind riscul de creditare, prezintă conceptele de risc, incertitudine, activitatea de creditare și risc de creditare, evidențiind concepțiile și teoriile care stau la baza definirii acestora.

Consider riscul în lucrare ca fiind 50% pierdere și 50% câștig, el poate reprezenta în același timp, atât o amenințare cât și o oportunitate și îl măsurăm ca probabilitate.

Incertitudinea reprezintă o situație din viitor căreia, din diferite motive, nu îi putem anticipa probabilitatea de apariție, așadar, nu o putem analiza sau previziona și nici nu putem lua măsuri de eliminare sau diminuare a acesteia, ca în cazul riscului.

Diferența dintre incertitudine și risc este aceea că incertitudinea nu este posibil de calculat, în timp ce riscul este cuantificabil. Aceasta distincție ne permite să identificăm, din punct de vedere al creditării, doar riscul, eliminând incertitudinea, deoarece în cazul incertitudinii nu putem anticipa probabilitatea de apariție, așadar, nu o putem analiza sau previziona și nici nu putem lua măsuri de eliminare sau diminuare a acesteia, ca în cazul riscului.

Dintre multitudinea de riscuri la care este expusă o instituțiie creditoare, în lucrare ne limităm la tratarea riscului de creditare, studiile de caz privind riscul de creditare, atât în cazul României, cât și în cazul Europei, analizează și prognozează situația neplății la timp a datoriilor.

Capitolul II, Identificarea și evaluarea riscului de creditare, cuprinde problemele metodologice privind identificarea și măsurarea riscului de creditare, propunându-și să clarifice conceptul de măsurare și evaluare a riscului.

În lucrare am evaluat riscul de creditare în raport cu elementele sale determinante. Analiza realizată își propune să contureze o imagine a stării actuale a riscului de creditare, stabilind factorii de influență a riscului de creditare pentru România și pentru Europa.

Indicatorii de evaluare a riscului de creditare sunt de 2 feluri: generali și specifici.

Indicatorii de evaluare a riscului de creditare generali sunt: rata riscului de creditare, rata creditelor restante, rata creditelor neperformante, rata rezervelor pentru pierderi, rata provizioanelor față de pierderi și rata provizioanelor în profit.

Indicatorii de evaluare a riscului de creditare specifici sunt: rata rentabilității, indicatorul de solvabilitate, rentabilitatea economică, rentabilitatea capitalului și efectul de pârghie.

În lucrare am folosit riscul de creditare, cuantificat sub aspect numeric ca rata riscului de creditare. Indicatorii care influențează riscul de creditare pentru România în analiză sunt: rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu.

Creditul și riscul de creditare trebuie analizate nu doar la nivel individual, ele trebuie analizate și în contexul economic Pentru Europa variabilele analizate sunt: datoriile private, fluxul creditelor private, produsul intern brut, rata de schimb și rata șomajului.

Capitolul III, Metode statistice de analiză și prognoză a riscului de creditare, tratează metodele statistice specifice analizei și prognozei riscului de creditare și utilității lor. Metodele de analiză statistică a riscului de creditare folosite sunt analiza de regresie, ANOVA, analiza cluster, analiza componentelor principale, iar prognoza statistică folosește metodologia Box-Jenkins.

Ansamblul metodelor de analiză și prognoză a riscului de creditare cu scopul de a – l limita, diviza, finanța și a diminua expunerea la risc reprezintă gestiunea riscului de creditare.

Metodele statistice de analiză folosite în lucrare sunt: analiza de regresie, ANOVA, analiza componentelor principale, analiza discriminat și analiza cluster. Aceste metode sunt folosite pentru a contura o imagine a stării actuale a riscului de creditare în Româna și în Europa.

În analiza riscului de creditare este important să cunoaștem efectul factorilor de influență asupra producerii riscului de creditare. Această problemă este abordată în lucrare cu ajutorul analizei de regresie.

Analiza de regresie evaluează măsura în care variabila dependentă, rata riscului de creditare este influențată de variabilele explicative, rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu în România. Pentru Europa am folosit analiza de regresie pentru a evalua măsura în care variabila dependentă, datoriile private este influențată de variabilele explicative, fluxul de credite private, rata de schimb, produsul intern brut și rata șomajului.

ANOVA de regresie în cadrul analizei de regresie a fost folosită pentru a alege cel mai bun model de regresie. Cu ajutorul acestei metode am văzut care model de regresie explică cel mai bine influența factorilor determinanți asupra producerii riscului de creditare.

Cu ajutorul metodei componentelor principale am analizat corelațiile dintre variabilele statistice înregistrate. Pentru România variabilele folosite sunt: rata riscului de creditare (variabila dependentă), rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu (variabile explicative).

Am folosit analiza cluster în lucrare pentru a identifica particularitățile județelor din România cu privire la riscul de creditare. Cu ajutorul analizei cluster se clasifică județele în funcție de variabilele considerate în ipoteza că fiecare dintre acestea are în funcție de așezarea geografică anumite elemente caracteristice.

Pentru România variabilele analizate sunt: creditele totale în lei, creditele restante în lei, credite pentru agenți economici, credite pentru populație pentru consum, credite pentru populație pentru locuințe și credite pentru populație pentru alte scopuri.

În lucrare am folosit analiza discriminant pentru a clasifica județele din România după gradul de risc, ținând seama de factorii determinanți.

Cu ajutorul analizei discriminant s-au identificat tipologii după nivelul creditelor pentru județele România și tipologii după nivelul datoriilor private pentru țările din Europa.

Caracterul aleator al riscului de creditare a impus alegerea ca metodă de prognoză a metodologiei Box-Jenkins. În lucrare am realizat prognoza ratei riscului de creditare pentru un orizont de trei trimestre pentru România și a datoriilor private pentru un orizont de doi ani pentru Europa.

Capitolul IV al lucrării conține studiul de caz, aplicând metodele prezentate la capitolul III pe baze de date oficiale ce conțin indicatorii economico-financiari ce descriu riscul de creditare, conturând o imagine a stării actuale a riscului de creditare în România și prognoza acestuia pentru un orizont de trei trimestre.

Astfel s-a conturat o imagine a stării actuale a riscului de creditare a României din trimestrul IV, 2007 până în trimestrul I, 2014 cu ajutorul indicatorilor analizați în cadrul capitolului II, pentru statistica românească.

Aceste analize prezintă corelațiile dintre indicatorii analizați în cazul riscului de creditare, repartizarea pe zone geografice a riscului de creditare, o clasificarea în funcție de numărul creditelor și prognoza, astfel încât să se analizeze situația în cunoștință de cauză.

În analiza riscului de creditare este important să cunoaștem efectul factorilor de influență asupra producerii riscului de creditare, această problemă fiind abordată cu ajutorul analizei de regresie.

Pentru a evalua măsura în care rata riscului de creditare este influențată de rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu s-a realizat o bază de date în pachetul program SPSS și Eviews și s-a efectuat o analiză de regresie

Ca variabile, s-au folosit rata riscului de creditare – variabilă dependentă și rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie, indicatorul de solvabilitate, rentabilitatea economică și rentabilitatea capitalului propriu – variabile independente.

S-au estimat două modele de regresie. În primul model s-au introduce toate variabilele, dar s-a exclus rentabilitatea economică diferențiată (DREC) și în al doilea model s-a exclus numai rentabilitatea capitalului propriu diferențiată (DRCP).

Analizând valorile înregistrate de coeficienții de corelație în perioada trimestrul IV, 2007 – trimestrul I, 2014, s-a observat că variabila rentabilitatea economică diferențiată (DREC) este puternic corelată cu variabila rentabilitatea capitalului propriu diferențiată (DRCP), altă corelație puternică este între variabila indicatorul de solvabilitate diferențiată (DIS) și variabila efectul de pârghie diferențiată (DEP).

Estimarea celor două modele de regresie prin metoda Backward au condus la același rezultat: că variabilă explicativă pentru riscul de creditare rămâne numai rata creditelor neperformante diferențiată (DRCN).

Conform rezultatelor, exluderea variabilelor din modelul de regresie inițial nu au determinat o modificare semnificativă a raportului de corelație, prin urmare s-a reține ultimul model estimat, variația variabilei rata creditelor neperformante are cea mai puternică contribuție la explicarea variabilei dependente (variația ratei riscului de creditare).

În concluzie, modelul constituit din variabila independentă, rata creditelor neperformante este eficient, adică rata riscului de creditare depinde de rata creditelor neperformante.

Cu ajutorul metodei analizei componentelor pricipale s-a stabilit că există corelații puternice între toate variabilele analizate: rata riscului de creditare, rentabilitatea economică, rentabilitatea capitalului propriu, rata creditelor neperformante, rata rentabilității activității de bază, efectul de pârghie și indicatorul de solvabilitate.

Apelând la analiza cluster s-au clasificat județele în funcție de variabilele considerate în ipoteza (creditele totale în lei, creditele restante în lei, credite pentru agenți economici, credite pentru populație pentru consum, credite pentru populație pentru locuințe și credite pentru populație pentru alte scopuri) că fiecare dintre acestea are în funcție de așezarea geografică și destinația creditului anumite elemente caracteristice.

Având în vedere setul de indicatori considerați pentru caracterizarea creditelor restante la un grad de agregare între 5 și 10, județele României s-au clasificat în 4 clustere:

– din clusterul 1 fac parte județele: Alba, Bacău, Bihor, Brașov, Brăila, Călărași, Cluj, Constanța, Dolj, Galați, Giurgiu, Maramureș, Mureș, Neamț, Satu-Mare, Sălaj, Sibiu, Suceava, Vaslui, Vâlcea și Vrancea.

– din clusterul 2 fac parte județele: Arad, Argeș, Bistrița, Botoșani, Buzău, Caraș Severin, Covasna, Dâmbovița, Harghita, Hunedoara, Ialomița, Iași, Mehedinți, Olt, Prahova Teleorman și Tulcea.

– din clusterul 3 face parte județul Gorj.

– din clusterul 4 face parte județul Timiș.

Cu ajutorul analizei discriminant s-au identificat tipologii după nivelul creditelor pentru județele din România. Această metodă a clasificat județele din România după gradul de risc, ținând seama de factorii determinanți.

Utilizarea analizei discriminant a reușit să identifice acele variabile care au o relație puternică cu nivelul riscului de creditare a județelor din România.

Variabile selectate au contribuit semnificativ la diferențierea dintre grupuri. Analiza a furnizat informații adecvate pentru a ajuta în luarea deciziilor privind riscul de creditare.

Județele României sunt clasificate în funcție de riscul de creditare astfel:

credite restante în lei cu valori foarte mici: Alba, Bistrița, Botoșani, Buzău, Caraș-Severin, Călărași, Covasna, Dâmbovița, Giurgiu, Gorj, Harghita, Hunedoara, Ialomița, Mehedinți, Mureș, Neamț, Olt, Satu-Mare, Teleorman și Tulcea;

credite restante în lei cu valori mici: Arad, Argeș, Bacău, Bihor, Brăila, Dolj, Galați, Iași, Maramureș, Sălaj, Suceava și Vâlcea;

credite restante în lei cu valori mari: Cluj, Constanța, Prahova, Sibiu și Timiș;

credite restante în lei cu valori foarte mari: Brașov.

După clasificarea județelor se observă că în categoria creditelor restante cu valori foarte mari este un singur județ, Brașov, iar în categoria creditelor restante cu valori foarte mici sunt cele mai multe județe.

Cu ajutorul analizei de prognoză s-a stabilit trend-ul seriei ratei riscului de creditare și s-a realizat previziunea pentru un orizont de un trimestru, pentre a ști la ce să ne așteptăm în viitor și ce măsuri putem lua pentru a preveni sau a diminua consecințele acestui fenomen. Pentru aceasta s-a aplicat metodologia Box-Jenkins și s-a folosit programul programul Eviews.

În decursul timpului, rata riscului de creditare prezintă o evoluție crescătoare în perioada trimestrul IV, 2007 – trimestrul I, 2014. Această evoluție se datorează în principal crizei economice ce s-a instaurat în iulie 2007.

Valorile prognozate pentru trimestrele II, III și IV, 2014 a ratei riscului de creditare sunt din ce în ce mai mari, ceea ce înseamnă că rata riscului de creditare își urmează trendul și continuă să crească.

Capitolul V al lucrării conține studiul de caz, aplicând metodele prezentate la capitolul III pe baze de date oficiale ce conțin indicatorii economico-financiari ce influențează evoluția riscului de creditare în Europa și prognoza acestuia. Aceste analize prezintă corelațiile dintre indicatorii analizați în cazul riscului de creditare și prognoza datoriilor private în Europa pentru un orizont de doi ani.

Astfel s-a conturat o imagine a stării actuale a riscului de creditare a Europei în perioada 1995 – 2013 cu ajutorul indicatorilor analizați pentru statistica europeană.

Analizele pentru Europa prezintă corelațiile dintre indicatorii analizați în cazul datoriilor private și prognoza, astfel încât să se analizeze situația în cunoștință de cauză.

În analiza riscului de creditare este important să cunoaștem efectul factorilor de influență asupra datoriilor private. Această problemă a fost abordată cu ajutorul analizei de regresie.

Pentru a evalua măsura în care datoriile private sunt influențate de fluxul de credite private, rata de schimb, datoria publică și rata șomajului s-a realizat o bază de date în pachetul program SPSS și s-a efectuat o analiză de regresie

Ca variabile, s-au folosit datoriile private – DP (eng. private debt) – variabilă dependentă, fluxul de credite private – FCP (eng. private credit flow), rata de schimb (eng. exchange rate), produsul intern brut – datoria publică (eng. General Government Gross Dept) și rata șomajului (eng. unemployment rate) – variabile independente. Datele folosite în analiză sunt date oficiele de pe site-ul Eurostat din anul 2012, deoarece datele din 2013 nu sunt complete pentru toate țările (ec.europa.eu/eurostat).

Analizând valorile înregistrate de coeficienții de corelație dintre variabila dependentă și toate variabilele independente ce nu sunt semnificativi, prin urmare nu există legătură între variabila dependentă și nici una din variabilele independente.

Niciun model estimat nu este semnificativ statistic.

În concluzie, variabilele condiderate ca variabile independente considerate: rata de schimb, datoria publică, rata șomajului și fluxul creditelor private s-au dovedit, la nivelul țărilor Europei, să nu fie variabile explicative pentru datoriile private.

Cu ajutorul analizei de prognoză s-a stabilit trend-ul seriei datoriilor private și s-a realizat previziunea pentru un orizont de un an, pentre a ști la ce să ne așteptăm în viitor și ce măsuri putem lua pentru a preveni sau a diminua consecințele acestui fenomen. Pentru aceasta s-a aplicat metodologia Box-Jenkins și s-a folosit programul programul Eviews.

În decursul perioadei 1995 – 2013, datoriile private prezintă o evoluție crescătoare. Această evoluție se datorează în principal crizei economice ce s-a instaurat în iulie 2007. În 2008 criza s-a agravat, întrucât bursele de valori din întreaga lume s-au prăbușit și au devenit instabile, iar numărul datoriilor a început să crească.

Valorile prognozate a datoriilor private pentru anul 2014 sunt: 200.28 (în cazul modelului cu trend liniar), respectiv, 219.63 (în cazul modelului cu trend parabolic), iar pentru anul 2015, 207.62 (în cazul modelului cu trend liniar), respectiv, 231.54 (în cazul modelului cu trend parabolic), ceea ce înseamnă că datoriile private își urmează trendul și continuă să crească.

Criza creditelor, izbucnită în SUA în august 2007 a avut ca rezultat falimentarea celor mai mari bănci din lume, iar efectele sale încă se simt și în prezent pe piața financiară europeană.

Criza economică a produs mari fluctuații pe piața economică. Fluctuațiile de pe piața economică s-au simțit și în România, afectând atât piața bursieră cât și piața valutară.

În primul semestru din 2008, România înregistra o creștere economică de 9%, dar mai târziu s-a produs colapsul, în 2009 țara noastră intrând oficial în recesiune. Scăderea economică a fost în 2009 de 7 procente, iar în 2010 de 1,3%. În 2011 se înregistra o creștere economică de 2,5%.

Efectele crizei s-au simțit imediat, cursul valuatar s-a apreciat constant. Moneda națională s-a depreciat față de euro, acesta ajungând de la 3,5 lei la 4,2 lei. Consecințele deprecierii monedei naționale a însemnat facturi mai scumpe pentru populație și salarii mai mici. În schimb, taxa pe valoare adaugată s-a majorat cu 5 procente, populația fiind nevoită să plătească alimente mai scumpe.

Măsurile de austeritate și constrângere economică au condus la dublarea ratei șomajului. Pe perioada crizei sute de mii de români au rămas fără loc de muncă. La capitolul investiții străine, acestea au scăzut în 2012 la 1,6 miliarde euro de la 9,4 miliarde euro.

Criza economică a fost traversată de întreaga lume, ceea ce condus la refuzarea cererilor de împrumut. Unii analiști au declarat procesul de creditare în moarte clinincă și s-a urmărit încurajarea depozitelor și a conturilor de economii.

Pentru acoperirea acordarea unor credite riscante, băncile au majorat nivelul dobânzilor și comisioanelor în funcție de riscul fiecărui produs financiar, iar avansul a devenit obligatoriu. Costurile împrumuturilor au crescut cu 5%, devenind mai mari mari comparativ cu acum cațiva ani.

Evoluția creditării interne depinde, atât de capacitatea instituțiilor economice de a atrage resurse de pe plan intern, cât și de evoluția economică, deoarece s-a observat că există legături între riscul de creditare și indicatorii macroeconomici.

Recomandările aferente limitării riscului de creditare, din punct de vedere al creditorului, sunt:

procesul de creditare trebuie menținut pe baze de prudențialitate, deoarece riscurile din activitatea de creditare, în condițiile actuale de incertitudine economică, se pot amplifica de la o perioadă la alta;

analiza solvabilității, profitabilității și lichidității clientului;

analiza solvabilității, profitabilității și lichidității clientului la nivel macroeconomic, deoarece, conform analizelor statistice, au mare impact asupra riscului de creditare;

stabilirea unor rezerve minime obligatorii la un nivel ridicat, pentru o ajustare graduală a lichidității din sistemul financiar, în concordanță cu condițiile de piață;

menținerea raportului creanțe/restante și îndoielnice/capitaluri proprii la un nivel cât mai mic;

menținerea nivelului de depozite constituite la la o valoare care să încurajeze atragerea de depozite;

crearea și menținerea unei imagini care să inspire încredere față de clienți, oferindu-le siguranță cu privire la serviciile prestate;

stabilirea provizioanelor la un nivel capabil să susțină instituția financiară în cazuri negative, fără ca aceasta să aibă probleme privind profitabilitatea și solvabilitatea;

Atât la nivelul României, cât și la nivelul UE, creditul și riscul de creditare trebuie analizate nu doar la nivel individual, ele trebuie analizate și în contexul economic. România și Uniunea Europeană trebuie să adapteze politicile macroeconomice în concordanță cu contextul creat de criza financiară internatională.

Vulnerabilitatea economiei celor două față de turbulențele financiare internaționale conduc la necesitatea recalibrării mix-ului de politici economice. Reechilibrarea pachetului de politici macroeconomice se referă în primul rând la reducerea treptată a ratei de schimb, creșterea produsului intern brut, reducerea ratei șomajului, creșterea fluxului de credite și reducerea datoriilor publice și private. Reechilibrearea înseamnă o economie puternică, stabilă și viabilă, care conduce la existența unui sistem financiar solid și performant.

Rezultatele cercetării au fost influențate de unele limite. Una dintre aceste limite face referire la eroarea datorată înregistrărilor lipsă. O altă limită este lipsa unei baze de date complete privind riscul de creditare și factorii de influență a acestuia la nivel regiunilor României și la nivelul țărilor din Europa. Limita care a pus cele mai multe piedici cercetării o reprezintă faptul că la nivel României există un set de indicatori înregistrați ce evaluează riscul de creditare diferit de cel de la nivelul Europei. Această limită a făcut destul de greoaie comparația dintre România și Europa.

Ca urmare a acestor limite, consider că lucrarea poate fi extinsă, reprezentând un potențial de cercetare pe viitor. Lucrarea poate fi continuată în mai multe direcții, atât la nivel macroeconomic, cât și la nivel macroeconomic.

Una din perspectivele viitoare o reprezintă extinderea cercetării la nivel mondial. Astfel am evidenția caracteristicile riscului de creditare din alte zone decât cele ale Europei și traiectoria riscului de creditare după instalarea crizei financiare.

O altă perspectivă de cercetare este analiza riscului de creditare la nivel microeconomic, analizând, din punct de vedere statistic, riscul de creditare dintr-o instituție financiară până în momentul acordării creditului, analiza ce stă la baza deciziei de creditare

Bibliografie

Cărți și lucrări de specialitate

Andrei Tudorel, Statistică și econometrie, Editura Economică, București 2003

Anghelache C., Mitrut C., Voineagu V., Statistica macroeconomica. Sistemul conturilor nationale, Editura Economică, București, 2013

Basno D., Dardac N., Management bancar, Editura Economică, București, 2002

Batten J.A., Philosophov L.V., Philosophov V.L, Multi-period Bayesian bankruptcy prediction: Using financial ratios and the maturity schedule of longterm debt, 2005

Beggs D., Fisher S., Dornbusch R., Economics, ediția a 4-a, Editura McGraw-Hill Book Company, Londra, 1994

Berea Aurel, Stoica Emilia, Creditul bancar – coordonate actuale și perspective, Editura Expert, București, 2003

Bernard Y., Colli J.C., Vocabular economic și financiar, Editura Mirton, Timișoara, 1997

Bourbonnais Regis, Econometrie, Editia a 4-a, Editura Dunod, Paris, 2002

Brieman L., Classification and regression trees, Editura Chapman and Hall, 1998

Chang S., Feelders A.J., McLachlan G.J., Mining in the presence of selectivity bias and its application to reject inference, Knowledge Discovery and DataMining, 1998

Coats Charles, Managerul total, Editura Teora, București, 1997

Champetier Arthur, Cours de series temporelles, DESS Mathematiques de la Decision & DESS Actuariat

Chirilă V., Analiza econometrică a burselor de valori și a ciclurilor de afaceri, Editura ASE, București 2013.

Chirilă V., L’évaluation statistique de la performance d’un portefeuille d’actions, Editura Sedcom Libris, Iași, 2010

Conso P., La gestion financiere de l’entreprise, Editura Denod, Paris, 1985

Cooper Cary L., Channon Derek F., The Concise Blackwell Encyclopedia of Management, 1998

Cortada James W, The digital hand: How computers changed the work of american manufacturing, transportation,​ and retail industries USA, Oxford University Press, 2003

Cullagh P. Mc, Nelder J.A., Generalized linear models, Chapman and Hall, ediția a 2-a, 1989

Curs Codecs Management de proiect, Volumul 2: Risc, estimări și contracte

Damodaran Aswath, Investment Philosophies: Successful Investment Philosophies and the Greatest Investors Who Made Them Work, Editura Wiley, 2003

Debreau G., Theory of Value, An axiomatic analysis of economic equilibrium, Yale University Press, New Haven, 1959

Dedu Vasile, Gestiune și audit bancar, Editura Economică, București, 2003

Doltu Theodora, Abordări în economia riscului și incertitudinii, Editura Economică, București, 2010

Dorfan Mark S., Introduction to risk management and insurance, ediția a 4-a, Editura Prentice Hall, 1992

Dorfman Mark S., Introduction to risk management and inssurance, ediția a 8-a, Pearson Education, New Jersey, 2005

Druică Elena, Risc și afaceri, Editura C.H. Beck, București, 2006

Dudian Monica, Evaluarea riscului de țară, Editura All Beck, București, 1999

Duncan H. Meldrum, Country risk and foreign direct investment, 1999

Durand D., Risk elements in consumer installment financing, National Bureauof Economic Research, New York

Einstein Albert, Cum văd eu lumea, Editura Humanitas, București, 1992

***, Farlex, Free Dictionary

Flyvbjerg Bent, Nils Bruzelius, Werner Rothengatter, Megaprojects and risk: an anatomy of ambition, Cambridge University Press, 2003

Franklin James, The science of conjecture: Evidence and probability before Pascal, Johns Hopkins University Press, Baltimore, 2001

Gavrilă – Paven Ionela, Identificarea și evaluarea riscurilor semnificative (teză doctorat)

Georgescu-Roegen Nicolae, Legea entropiei și procesul economic, Editura Politică, București, 1979

Giarini Orio, Stahel Walter R., Limitele certitudinii, Editura Edimpress-Camro, București, 1996

Giurgiu Aurel-Ioan, Finanțele firmei, Editura Presa Universitară Clujeană, Cluj-Napoca, 2000

Giurgiu Ioan, Mecanismul financiar al întreprinzătorului, Editura Dacia, Cluj Napoca, 1995

Gotcu Cezar, Evaluarea și prevenirea riscului în activitatea de creditare (Metode financiar-contabile), Editura Tehnopress, Iasi, 2008

Hapern P., Weston J. F., Brigham E. F., Canadian Managerial Finance, Editura Harcont Brace, 1994

Hardle W., Nonparametric and semiparametric models, ediția 1, Editura Springer, May 2004

Hedges Mehr, Risk Management, Concept and Applications, Homewood, Illinois, Richard D. Irwin, Inc., 1973

Henderson Tom, Counterparty risk and the subprime fiasco, 2008

Horobet Alexandra, Managementul riscului în investițiile internaționale, Editura All Beck, București, 2005

Hosmer D.W., Lemeshow Jr. S., Applied logistic regression, Editura Wiley, 1989

Hubbard Douglas, How to measure anything: Finding the value of intangibles in business, John Wiley & Sons, 2007

Hubbard Douglas, The Failure of Risk Management: Why It's Broken and How to Fix It, John Wiley & Sons, 2009

Huyen D.T., Thanh, Credit scoring for vietnam’s retail banking market :implementation and implications for transactional versus relationship lending, METEOR, Maastricht research school of Economics of Technology and Organizations, 2006

Investopedia, Counterparty risk, Retrieved, 2008

Isaic Maniu Irina, Măsurarea și anliza statistică a riscului în economie (Suport curs)

Iuga Iulia, Managementul riscului de credit în perspectiva Acordului Basel II (teză doctorat)

Jaba Elisabeta, Statistica, ediția a 3-a, Editura Economică, 2002, București

Jones Jack A., An introduction to factor analysis of information risk (FAIR), Risk Management Insight LLC, November, 2006

Jorion Philippe, Value at Risk, ediția a 2-a, Editura McGraw-Hill, New York, 2001

Knight Frank K., Risk, incertitude and profit, 1991

Landsburg Steven, Is your life worth $10 million?, Everyday Economics (Slate), 2003

Lloyd Richard, Muth Hanns P., Gerlach Frederick H., Analiza creditului, Coediție Capital și Expert, București, 1998

Luhmann Niklas, Modern Society Shocked by its Risks, Hongkong, 1996

Măzăreanu Valentin-Petru, Economia digitala și managementul riscurilor (teză doctorat), UAIC, Iași, 2009

Mc. Cullagh P., Nelder J.A., Generalized linear models, Editura Chapman and Hall, ediția a 2-a, 1989

Mihai Ilie, Tehnica și managementul operațiunilor bancare, Editura Expert, București, 2003

Mihai Ilie, Velicu Ileana-Cosanzeana, Managementul riscurilor în cadrul instituțiilor financiare nebancare, Editura Economicaă, București, 2008

Mogoș Ciprian, Metode și tehnici de analiza statistică a riscului bancar (teză doctorat), ASE, București, 2006

Mourques M., Les chois des investissements dans l’entreprise, Editura Economică, Paris, 1994

Muller M., Hardle W., Multivariate ans semiparametric kernel regression, Editura Wiley, 2000

Negoescu Gh., Risc și incertitudine în economia contemporană, Editura Alter Ego Cristian, Galați, 1995

Niculescu Maria, Diagnostic global strategic, Editura Economică, București, 1997

Nițu Ioan, Managementul riscului bancar, București, Editura Expert, 2000

O’Shaunessy Wilson, La faisabilite du project, Editura SMG Paris, 1983

Orgler Y., A credit scoring model for commercial loans, Journal of Money, Credit and Banking, nr. 2, 1970

Ozge Sezgin, Statistical methods in credit rating (teza doctorat), Ankara, 2006

PaganA., Ullah A., Nonparametric econometrics, Cambridge University Press, July 1999

Pătulea V., Turianu C. – Garanțiile de executare a obligațiilor comerciale, Editura Scripta, București, 1994

Păun Cristian, Aspecte financiare ale relațiilor economice internaționale, Editura Luceafărul, București, 2003

Păun Cristian, Finanțarea internațională, suport curs, ASE, București

Paxino D.O., Politica valutară și managementul riscurilor în tranzacțiile internaționale, Editura Economică, București, 2003

Pintilescu Carmen, Analiză statistică multivariată, Editura Univ. ”Al. I. Cuza”, 2007, Iași

Predescu Iuliana, Activitatea bancară între performanță și risc, Editura Expert, București, 2005

Prigogine Ilya, Stengers Isabelle, Noua alianță – metamorfoza științei, Editura Politică, București,1984

RamseyFrank P. (editat de R.B. Braithwaite), The Foundation of Mathematics, Editura Kegan, Paul, Trench, Trubner & Co., Londra, 1931

Rejda George E., Principles of risk management and inssurance, ediția a 11-a, Editura Pearson, 2010

Rejda George E., Principles of risk management and insurance, ediția a 6-a, Editura Benjamin-Cummings, 2007

Roman Monica, Statistică financiar-bancară și bursieră, Editura ASE, București, 2003

Rotaru Constantin, Managementul performanței bancare, Editura Expert, București, 2001

Roxin Luminița, Gestiunea riscurilor bancare, Editura didactică și pedagogică, București, 1997

Ruppert W.P. Wand D., Carroll R.J., Semiparametric regression, Springer, 1998

Sapienza P., Zingales L., Maestripieri D., Gender differences in financial risk aversion and career choices are affected by testosterone, Proceedings of the National Academy of Sciences, 2009

Savage L. J., The foundations of statistics, Editura Wiley, New York, 1954

Shackle George L.S., On the Meaning and Measure of Uncertainty, Editura Metroeconomica, Bucuresti, 1952

Shackle George L.S., Probaility and uncertainty, Editura Metroeconomica, București, 1949

Simenschi Theodor, Dicționar de termeni și expresii clasice, Editura Junimea, Iași, 1978

Stancu I., Gestiune financiară, Editura Economică, București, 1994

Stoian Ion, Metode și studii de caz privind managementul riscului în tranzacțiile de afacere, Editura Oscar Print, București, 1999

Stoica Maricica, Management bancar, Editura Economică, București, 1999

Stoica Victor, Petre Deaconu, Bani și credit, Editura Economică, București, 2003

Tieschman Green, Risk and insurance, ediția a 7-a

Tureac Cornelia, Note de curs Management, Universitatea “Danubius”, Galați

Theodor Popescu, Sorin Popescu, Practica modelării și predicției seriilor de timp, Editura Tehnică, 1991

Vaughn Emmett J., Vaughn Therese M., Fundamentals of risk insurance, ediția a 5-a, Editura Wiley, New York, 1996

Voineagu, V., Mitruț, C., Isac-Maniu, Al., Statistică teoretică și economică. Lucrări practice, teste și studii de caz, Editura Economică, București, 1998

Anghelache C., Mitrut C., Voineagu V., Statistica macroeconomica. Sistemul conturilor nationale, Editura Economică, București, 2013

Von Mises Ludwig, Human action: A treatise on economics, Contemporary Books, Chicago, 1963

Von Neuman John, Morgenstern Oscar, Theory of games and economic behavior, Princeton University Press, Princeton, 1944

Williams C. Arthur, Risk Management and Inssurance, ediția a 8-a, Hardcover, 1997

Wolman David,Before the levees break, Wired Magazine, 2008

Wortzel H.W., Wortzel L.H., Global Strategic Management, The Essensials, Editura Willey&Sons, New York, 1991

Zamfir Cătălin – Incertitudinea. O perspectivă psiho-sociologică, Editura Științifică, București, 1990

Standarde și legislație

Standardele Internationale de Contabilitate 2001, Editura Economică, București, 2001

Technical report, Basel Committee on Banking Supervision, The internal rating approach, http://www.bis.org, 2001

Technical report, Basel Committee on Banking Supervision, The new basel capital accord, http://www.bis.org, 2003

Technical Standard Risk Taxonomy, January 2009

The internal rating approach, Technical report, Basel Committee on Banking Supervision, http://www.bis.org, 2001

Dicționar – Afișați dicționarul detaliatThe internal rating approach. Technical report, Basel Committee on Banking

Citiți foneticThe new basel capital accord. Technical report, Basel Committee on Banking Supervision, http://www.bis.org, 2003

Articole

Altman E.I., Financial ratios, discriminant analysis and prediction of corporatebankruptcy, The Journal of Finance, nr. 23, 1968

Altman E.I., Frydman H., Kao D.L., Introducing recursive partitioning for financial classification: The case of financial distress, The Journal of Finance, nr. 40, 1985

Apicella C. L., Testosterone and financial risk preferences. Evolution and Human Behavior, Vol 29, 2008

Arrow K., The Role of Securities in the Optimal Allocation of Risk-Bearing, Review of Economic Studies, Vol.31, 1964

Aubert B.A., Patry M., Rivard S., Framework for Information Technology Outsourcing Risk Management, The Data Base for Advances in Information System, Vol. 36, Nr. 4, ACM Press, 2005

Beaver W.H., Financial ratios as predictors of failure, Journal of AccountingResearch, 1966

Beaver W.H., The information content of annual earnings announcements, Journal of Accounting Research, Supplement, 1968

Berríos Myrna R., The relationship between bank credit risk and profitability and liquidity, The International Journal of Business and Finance Research, VOLUME 7, No. 3, 2013

Bierman H. Jr., W.H. Hausman, The credit granting decision, ManagementScience, nr. 16, 1970

Blum M., Failing company discriminant analysis, Journal of Accounting Research, nr. 12 (Spring), 1974

Cames F, Hill M., Consumer credit scoring models: does the underlying probability distribution matters? Conference CEMAPRE, 2000

Castelo R., Baesens B., Egmont-Petersen M, Vanthienen J., Learning bayesian network classifiers for credit scoring using markov chain monte carlo search, Proc. International Congress on Pattern Recognition (ICPR02), 2002

Charalambous C., Comparative analysis of artificial neural network models: Application in bankruptcy prediction, Annals of Operations Research, 2000

Coats P., Fant F., Recognizing financial distress patterns using a neural network tool, Financial Management, nr. 91, Autumn, 1993

Corcoran A.W., The use of exponentially-smoothed transition matrices to improve forecasting of cash flows from accounts receivable. Management Science, nr. 24, 1978

Dambolena I.G., Khoury S.J., Ratio stability and corporate failure, Journalof Finance, nr. 35 (4) 1980

Condratov Iulian, Hapenciuc Valentin, Analiza riscului în creditarea agenților economici, Analele USV de Economie și Administrație Publică , Vol 5, 2005

Davidson H.J., R.M. Cyert, G.L. Thompson, Estimation allowance for doubtfulaccounts by markov chains, Management Science, nr. 8, 1962

Deakin E.B., A discriminant analysis of predictors of business failure, Journalof Accounting Research, March, 1972

Dedu Vasile, Nechif Roxana, Gestiunea riscurilor bancare prin prisma acordului Basel II, Economie teoretică și aplicată, Volumul XVII, Nr. 2 (543), 2010

Dobre Ion, A. Alexandru, Modelling unemployment rate using Box-Jenkins procedure, Journal of Applied Quantitative Methods, Vol. 3, nr. 2, 2008

Dorcescu Mihaela, Modelarea riscului în comertul exterior, ASE, București, 1999

Dospinescu S. A., Arborele de decizie în evaluarea riscului de creditare în cazul IMM-urilor, Conferința Politici Europene privind dezvoltarea mediului de afaceri, 26-27 Octombrie, 2009, Iași

Dospinescu S. A., Regresia neparametrică în evaluarea riscului de creditare în cazul IMM-urilor, Conferința Politici Europene privind dezvoltarea mediului de afaceri, 26-27 Octombrie, 2009, Iași

Dospinescu S. A., Clasificarea metodelor folosite în evaluarea riscului de creditare, Conferința Internațională a Tinerilor Cercetători, ediția a VII-a, 5-6 Noiembrie, 2009, Chișinău

Dospinescu S. A., Arborii de clasificare și arborii de regresie, Conferința Internațională a Tinerilor Cercetători, ediția a VII-a, 5-6 Noiembrie, 2009, Chișinău

Dospinescu S. A., The unusefulness of linear discriminant analysis for two groups separation in credit risk evaluation, Conferința Institutions and economic performance, 6-8 Noiembrie, 2009, Iași

Dospinescu S. A., The features of regression methods used in credit risk assesment, Conferința Institutions and economic performance, 6-8 Noiembrie, 2009, Iași

Dreve Raluca Mădălina, Importanța și rolul managementului riscului în audit, Master MRU FEAA

Flyvbjerg Bent, Curbing optimism bias and strategic misrepresentation in planning: reference class forecasting in practice, European Planning Studies, vol. 16, nr. 1, 2008

FlyvbjergBent, Five misunderstandings about case study research, Qualitative Inquiry, vol. 12, nr. 2, 2006

Friedman M., Savage L.J., The Utility Analysis of Choice involving Risk, Journal of Political Economy, Vol.56, 1948

Gehrlein W.V., Wagner B.J., A two-stage least cost credit scoring model, Annals of Operations Research, nr. 74, 1997

Hand D.J., Modelling consumer credit risk, IMA Journal of Management Mathematics, 2001

Harmelink P., Prediction of best’s general policyholder’s ratings, Journal ofRisk and Insurance, December 1974

Hayden E., Are credit scoring models sensitive to different default definitions? evidence from the austrian market, SSRN Working Paper, 2003

Henley W.E., Hand D.J., A k-nn classifier for assessing consumer credit risk, The Statistician, nr. 45, 1996

Hirschleifer J., Investment decision under uncertainty, Choice-theoretic approaches, Quarterly Journal of Economics, Vol.79, 1965

Hirschleifer J., Investment decision under uncertainty, Applications of state-preference approach, Quarterly Journal of Economics, Vol.80, 1966

Hope Hermann, On certainity and incertainity, The Review of Austrian economics, vol. 10, nr. 1, 1997

Horrigan J., The determination of long-term credit standing with financial ratios, Journal of Accounting Research, nr. 4, 1966

Iuga Iulia, Dimensiunile procesului de analiză a creditului și riscului de credit, Analele Universității Apolonia, seria Economică, Nr. 8, vol. 3, Alba Iulia, 2006

Jaba, E., Mironiuc, M., Robu, I. B. et al, The statistical-financial analysis of the risk of insolvency as a basis for managerial strategies in the context of the world crisis, 7th International Conference on Management of Technological Changes, Alexandroupolis, Grecia, 2011

Elisabeta Jaba, Christiana Brigitte Balan, Ioan-Bogdan Robu, Mihai Roman, Evaluarea statistica a riscului de frauda în scopul fundamentarii opiniei de audit, pe baza modelelor de durata, Audit financiar, nr. 88- 4/2012

Kiviluoto K., Predicting bankruptcies with the self-organizing map, Neurocomputing, nr. 21, 1998

Knight Frank Hyneman, Risk, uncertainty and profit, Hart, Schaffner si Marx Prize Essays, nr. 31, Boston, New York, Houghton Mifflin, 1921

Kolesar P., Showers J.L., A robust credit screening model using categorical data. Management Science, nr. 31, 1985

Long M.S., Credit screening system selection, Journal of Financial and Quantitative Analysis, June, 1976

Luban Florica, Decizia manageriala în condiții de risc. Profilul riscului, Revista Informatică Economică nr.2 (14), 2000

Makridakis Spyros, Hibon Michèle, Arma models and the Box Jenkins, Journal of Forecasting, INSEAD, France, 1998

Markowitz H., Poortofolio Selection, Journal of Finance, Vol.7, 1952

Mehta D., Optimal credit policy selection: A dynamic approach, Journal of Financial and Quantative Analysis, December, 1970

Mehta D., The formulation of credit policy models. Managerial Science, nr. 15, 1968

Menon K., Gilbert L.R., Schwartz K.B., Predicting bankruptcy for firms infinancial distress, Journal of Business, Finance and Accounting, nr. 17

Myers J.H., Frogy E.W., The development of numerical credit evaluation systems. Journal of American Statistics Association, 58 (September), 1963

Odom M.D., Sharda R., A neural network model for bankruptcy prediction. Proc. IEEE lnt. Conf. on Neural Networks, San Diego, 1992

Ohlson J.A., Financial ratios and the probabilistic prediction of bankruptcy,Journal of Accounting Research, nr. 18, 1980

Pinches G.E., Mingo K.A., A multivariate analysis of industrial bond ratings, Journal of Finance, nr. 28(1), 1973

Pompe P., Feelders A., Using machine learning, neural networks, and statistics to predict corporate bankruptcy, Microcomputers in Civil Engineering, nr. 12, 1997

Roman, M., Regional efficiency of knowledge economy in the new EU countries: the Romanian and Bulgarian case, Romanian Journal of Regional Science, no 1/2010

Roszbach K., Bank lending policy, credit scoring and the survival of loans. Working Paper Series in Economics and Finance Stockholm School of Economics, Working Paper Nr. 261, 1998

Shaw M., Gentry J.A., Using an expert system with inductive learning to evaluate business loans, Financial Management, nr. 17 (Autumn), 1988

Simion Dalia, Analiza riscului și strategii de prevenire, Tribuna Economică, nr. 43

Sinkkonen J., Kaski S., Peltonen J., Bankruptcy analysis with self-organizing maps in learning metrics, IEEE Transactions on Neural Networks, nr. 12 (4), 2001

Socaciu Anca, Sistem de analiza bancara, Cluj-Napoca, 2010

Spronk J., Van Kuelen J.A.M., Corcoran A.W., On the cyert-davidsonthompsondoubtful accounts model, Management Science, nr. 27, 1981

Spulbăr Cristi, Management bancar, editia a 2-a, Editura Sitech, Craiova, 2008

Srinivasan V., Kim Y.H., Credit granting: A comperative analysis of classifivcationprocedures, The Journal of Finance, nr. 42, 1987

Stanciu Leontin, Evaluarea riscului global de credit și tehinici de protecție a băncilor comerciale împotriva acestuia, Academia forțelor terestre, Buletin nr. 1, Sibiu, 2005

Stanciu Leontin, Garanțiile bancare și rolul lor în activitatea de creditare, Revista Academiei forțelor terestre, nr. 4, Sibiu, 2004

Stigler George J., Textual exegesis as a scientific problem, Editura Econometrica, Vol.32, Noiembrie, 1965

Tam K., Kiang M., Managerial application of neural networks: the case of bank failure predictions, Management Science, nr. 38 (7), 1992

Tuo J., Li B., Li X., Ying W., Liu W., Applications of classification trees to consumer credit scoring methods in commercial banks, Systems, Man andCybernetics SMC (nr. 5), 2004

Trenca Ioan, Noi cerințe privind managementul de creditare, Revista Economie teoretică și aplicată, nr. 3, Cluj-Napoca, 2006

Tversky Amos, Kahneman Daniel, The Framing of Decisions and the Psychology of Choice, Science, New Series, Vol. 211, Nr. 4481, 1981

Tzeng G.H., Huang J.J., Ong C.S., Two-stage genetic programming (2sgp) for the credit scoring model, Applied Mathematics and Computation, 2005

Wand M.P., Jones M.C., Comparison of smoothing parameterizations in bivariate kernel density estimation, Journal of the american Statistical Association, nr. 88, 1993

Wiginton J.C., A note on the comparison of logit and discriminant models ofconsumer credit behaviour, Journal of Financial and Quantitative Analysis, nr. 15, 1980

Wilcox J.W., A prediction of business failure using accounting data, Journal of Accounting Research, nr. 11, 1973

Yaari M., Some Measures of Risk Aversion and Their Uses, Journal of Economic Theory, Vol.1(2), 1969

Anexe

Anexa 1

Sursa:www.bnro.ro

Anexa 2

Sursa:www.bnro.ro

Anexa 3

Sursa:www.bnro.ro

Anexa 4

Sursa: ec.europa.eu/eurostat

Anexa 5: Datoriile private în țările membre ale Uniunii Europene în perioada 1995-2013

Sursa: ec.europa.eu/eurostat

Anexa 6: Testarea staționarității variabilelor cu ajutorul testului Philips-Perron și KPSS

Tabelul 1: Testarea staționarității variabilelor cu ajutorul testului Phillips-Perron

Tabelul 2: Testarea staționarității variabilelor cu ajutorul testului KPSS

Anexa 7: Testarea ipotezelor modelului de regresie estimat pentru determinarea factorilor de influență ai ratei riscului de creditare din România

Tabelul 1: Testarea ipotezei lipsei autocorelării erorilor cu ajutorul testului Ljung Box (Q- Stat)

Tabelul 2: Testarea ipotezei de normalitate a erorilor

Tabelul 3: Testarea ipotezei de homoscedasticitate a erorilor

Tabelul 4: Testarea mediei erorilor

Anexa 8 : Testarea ipotezelor modelului de regresie rezultat din estimarea trendului liniar al ratei riscului de creditare din România

Tabelul 1: Testarea normalității erorilor

Tabelul 2: Testarea lipsei autocorelării erorilor

Tabelul 3: Testarea homoscedasticității erorilor

Tabelul 5: Testarea mediei erorilor

Anexa 9: Testarea ipotezelor modelului de regresie rezultat din estimarea trendului parabolic al ratei riscului de creditare din România

Tabelul 1: Testarea normalității erorilor

Tabelul 2: Testarea lipsei autocorelării erorilor

Tabelul 3: Testarea homoscedasticității erorilor

Tabelul 4: Testarea mediei erorilor

Anexa 10: Testarea ipotezelor modelului de regresie rezultat din estimarea trendului liniar pentru datoriile private din Europa

Tabelul 1: Testarea normalității erorilor

Tabelul 2: Testarea lipsei autocorelării erorilor

Tabelul 3: Testarea homoscedasticității erorilor

Tabelul 4: Testarea mediei erorilor

Anexa 11: Testarea ipotezelor modelului de regresie rezultat din estimarea trendului parabolic pentru datoriile private din Europa

Tabelul 1: Testarea normalității erorilor

Tabelul 2: Testarea lipsei autocorelării erorilor

Tabelul 3: Testarea homoscedasticității erorilor

Tabelul 4: Testarea mediei erorilor

Bibliografie

Cărți și lucrări de specialitate

Andrei Tudorel, Statistică și econometrie, Editura Economică, București 2003

Anghelache C., Mitrut C., Voineagu V., Statistica macroeconomica. Sistemul conturilor nationale, Editura Economică, București, 2013

Basno D., Dardac N., Management bancar, Editura Economică, București, 2002

Batten J.A., Philosophov L.V., Philosophov V.L, Multi-period Bayesian bankruptcy prediction: Using financial ratios and the maturity schedule of longterm debt, 2005

Beggs D., Fisher S., Dornbusch R., Economics, ediția a 4-a, Editura McGraw-Hill Book Company, Londra, 1994

Berea Aurel, Stoica Emilia, Creditul bancar – coordonate actuale și perspective, Editura Expert, București, 2003

Bernard Y., Colli J.C., Vocabular economic și financiar, Editura Mirton, Timișoara, 1997

Bourbonnais Regis, Econometrie, Editia a 4-a, Editura Dunod, Paris, 2002

Brieman L., Classification and regression trees, Editura Chapman and Hall, 1998

Chang S., Feelders A.J., McLachlan G.J., Mining in the presence of selectivity bias and its application to reject inference, Knowledge Discovery and DataMining, 1998

Coats Charles, Managerul total, Editura Teora, București, 1997

Champetier Arthur, Cours de series temporelles, DESS Mathematiques de la Decision & DESS Actuariat

Chirilă V., Analiza econometrică a burselor de valori și a ciclurilor de afaceri, Editura ASE, București 2013.

Chirilă V., L’évaluation statistique de la performance d’un portefeuille d’actions, Editura Sedcom Libris, Iași, 2010

Conso P., La gestion financiere de l’entreprise, Editura Denod, Paris, 1985

Cooper Cary L., Channon Derek F., The Concise Blackwell Encyclopedia of Management, 1998

Cortada James W, The digital hand: How computers changed the work of american manufacturing, transportation,​ and retail industries USA, Oxford University Press, 2003

Cullagh P. Mc, Nelder J.A., Generalized linear models, Chapman and Hall, ediția a 2-a, 1989

Curs Codecs Management de proiect, Volumul 2: Risc, estimări și contracte

Damodaran Aswath, Investment Philosophies: Successful Investment Philosophies and the Greatest Investors Who Made Them Work, Editura Wiley, 2003

Debreau G., Theory of Value, An axiomatic analysis of economic equilibrium, Yale University Press, New Haven, 1959

Dedu Vasile, Gestiune și audit bancar, Editura Economică, București, 2003

Doltu Theodora, Abordări în economia riscului și incertitudinii, Editura Economică, București, 2010

Dorfan Mark S., Introduction to risk management and insurance, ediția a 4-a, Editura Prentice Hall, 1992

Dorfman Mark S., Introduction to risk management and inssurance, ediția a 8-a, Pearson Education, New Jersey, 2005

Druică Elena, Risc și afaceri, Editura C.H. Beck, București, 2006

Dudian Monica, Evaluarea riscului de țară, Editura All Beck, București, 1999

Duncan H. Meldrum, Country risk and foreign direct investment, 1999

Durand D., Risk elements in consumer installment financing, National Bureauof Economic Research, New York

Einstein Albert, Cum văd eu lumea, Editura Humanitas, București, 1992

***, Farlex, Free Dictionary

Flyvbjerg Bent, Nils Bruzelius, Werner Rothengatter, Megaprojects and risk: an anatomy of ambition, Cambridge University Press, 2003

Franklin James, The science of conjecture: Evidence and probability before Pascal, Johns Hopkins University Press, Baltimore, 2001

Gavrilă – Paven Ionela, Identificarea și evaluarea riscurilor semnificative (teză doctorat)

Georgescu-Roegen Nicolae, Legea entropiei și procesul economic, Editura Politică, București, 1979

Giarini Orio, Stahel Walter R., Limitele certitudinii, Editura Edimpress-Camro, București, 1996

Giurgiu Aurel-Ioan, Finanțele firmei, Editura Presa Universitară Clujeană, Cluj-Napoca, 2000

Giurgiu Ioan, Mecanismul financiar al întreprinzătorului, Editura Dacia, Cluj Napoca, 1995

Gotcu Cezar, Evaluarea și prevenirea riscului în activitatea de creditare (Metode financiar-contabile), Editura Tehnopress, Iasi, 2008

Hapern P., Weston J. F., Brigham E. F., Canadian Managerial Finance, Editura Harcont Brace, 1994

Hardle W., Nonparametric and semiparametric models, ediția 1, Editura Springer, May 2004

Hedges Mehr, Risk Management, Concept and Applications, Homewood, Illinois, Richard D. Irwin, Inc., 1973

Henderson Tom, Counterparty risk and the subprime fiasco, 2008

Horobet Alexandra, Managementul riscului în investițiile internaționale, Editura All Beck, București, 2005

Hosmer D.W., Lemeshow Jr. S., Applied logistic regression, Editura Wiley, 1989

Hubbard Douglas, How to measure anything: Finding the value of intangibles in business, John Wiley & Sons, 2007

Hubbard Douglas, The Failure of Risk Management: Why It's Broken and How to Fix It, John Wiley & Sons, 2009

Huyen D.T., Thanh, Credit scoring for vietnam’s retail banking market :implementation and implications for transactional versus relationship lending, METEOR, Maastricht research school of Economics of Technology and Organizations, 2006

Investopedia, Counterparty risk, Retrieved, 2008

Isaic Maniu Irina, Măsurarea și anliza statistică a riscului în economie (Suport curs)

Iuga Iulia, Managementul riscului de credit în perspectiva Acordului Basel II (teză doctorat)

Jaba Elisabeta, Statistica, ediția a 3-a, Editura Economică, 2002, București

Jones Jack A., An introduction to factor analysis of information risk (FAIR), Risk Management Insight LLC, November, 2006

Jorion Philippe, Value at Risk, ediția a 2-a, Editura McGraw-Hill, New York, 2001

Knight Frank K., Risk, incertitude and profit, 1991

Landsburg Steven, Is your life worth $10 million?, Everyday Economics (Slate), 2003

Lloyd Richard, Muth Hanns P., Gerlach Frederick H., Analiza creditului, Coediție Capital și Expert, București, 1998

Luhmann Niklas, Modern Society Shocked by its Risks, Hongkong, 1996

Măzăreanu Valentin-Petru, Economia digitala și managementul riscurilor (teză doctorat), UAIC, Iași, 2009

Mc. Cullagh P., Nelder J.A., Generalized linear models, Editura Chapman and Hall, ediția a 2-a, 1989

Mihai Ilie, Tehnica și managementul operațiunilor bancare, Editura Expert, București, 2003

Mihai Ilie, Velicu Ileana-Cosanzeana, Managementul riscurilor în cadrul instituțiilor financiare nebancare, Editura Economicaă, București, 2008

Mogoș Ciprian, Metode și tehnici de analiza statistică a riscului bancar (teză doctorat), ASE, București, 2006

Mourques M., Les chois des investissements dans l’entreprise, Editura Economică, Paris, 1994

Muller M., Hardle W., Multivariate ans semiparametric kernel regression, Editura Wiley, 2000

Negoescu Gh., Risc și incertitudine în economia contemporană, Editura Alter Ego Cristian, Galați, 1995

Niculescu Maria, Diagnostic global strategic, Editura Economică, București, 1997

Nițu Ioan, Managementul riscului bancar, București, Editura Expert, 2000

O’Shaunessy Wilson, La faisabilite du project, Editura SMG Paris, 1983

Orgler Y., A credit scoring model for commercial loans, Journal of Money, Credit and Banking, nr. 2, 1970

Ozge Sezgin, Statistical methods in credit rating (teza doctorat), Ankara, 2006

PaganA., Ullah A., Nonparametric econometrics, Cambridge University Press, July 1999

Pătulea V., Turianu C. – Garanțiile de executare a obligațiilor comerciale, Editura Scripta, București, 1994

Păun Cristian, Aspecte financiare ale relațiilor economice internaționale, Editura Luceafărul, București, 2003

Păun Cristian, Finanțarea internațională, suport curs, ASE, București

Paxino D.O., Politica valutară și managementul riscurilor în tranzacțiile internaționale, Editura Economică, București, 2003

Pintilescu Carmen, Analiză statistică multivariată, Editura Univ. ”Al. I. Cuza”, 2007, Iași

Predescu Iuliana, Activitatea bancară între performanță și risc, Editura Expert, București, 2005

Prigogine Ilya, Stengers Isabelle, Noua alianță – metamorfoza științei, Editura Politică, București,1984

RamseyFrank P. (editat de R.B. Braithwaite), The Foundation of Mathematics, Editura Kegan, Paul, Trench, Trubner & Co., Londra, 1931

Rejda George E., Principles of risk management and inssurance, ediția a 11-a, Editura Pearson, 2010

Rejda George E., Principles of risk management and insurance, ediția a 6-a, Editura Benjamin-Cummings, 2007

Roman Monica, Statistică financiar-bancară și bursieră, Editura ASE, București, 2003

Rotaru Constantin, Managementul performanței bancare, Editura Expert, București, 2001

Roxin Luminița, Gestiunea riscurilor bancare, Editura didactică și pedagogică, București, 1997

Ruppert W.P. Wand D., Carroll R.J., Semiparametric regression, Springer, 1998

Sapienza P., Zingales L., Maestripieri D., Gender differences in financial risk aversion and career choices are affected by testosterone, Proceedings of the National Academy of Sciences, 2009

Savage L. J., The foundations of statistics, Editura Wiley, New York, 1954

Shackle George L.S., On the Meaning and Measure of Uncertainty, Editura Metroeconomica, Bucuresti, 1952

Shackle George L.S., Probaility and uncertainty, Editura Metroeconomica, București, 1949

Simenschi Theodor, Dicționar de termeni și expresii clasice, Editura Junimea, Iași, 1978

Stancu I., Gestiune financiară, Editura Economică, București, 1994

Stoian Ion, Metode și studii de caz privind managementul riscului în tranzacțiile de afacere, Editura Oscar Print, București, 1999

Stoica Maricica, Management bancar, Editura Economică, București, 1999

Stoica Victor, Petre Deaconu, Bani și credit, Editura Economică, București, 2003

Tieschman Green, Risk and insurance, ediția a 7-a

Tureac Cornelia, Note de curs Management, Universitatea “Danubius”, Galați

Theodor Popescu, Sorin Popescu, Practica modelării și predicției seriilor de timp, Editura Tehnică, 1991

Vaughn Emmett J., Vaughn Therese M., Fundamentals of risk insurance, ediția a 5-a, Editura Wiley, New York, 1996

Voineagu, V., Mitruț, C., Isac-Maniu, Al., Statistică teoretică și economică. Lucrări practice, teste și studii de caz, Editura Economică, București, 1998

Anghelache C., Mitrut C., Voineagu V., Statistica macroeconomica. Sistemul conturilor nationale, Editura Economică, București, 2013

Von Mises Ludwig, Human action: A treatise on economics, Contemporary Books, Chicago, 1963

Von Neuman John, Morgenstern Oscar, Theory of games and economic behavior, Princeton University Press, Princeton, 1944

Williams C. Arthur, Risk Management and Inssurance, ediția a 8-a, Hardcover, 1997

Wolman David,Before the levees break, Wired Magazine, 2008

Wortzel H.W., Wortzel L.H., Global Strategic Management, The Essensials, Editura Willey&Sons, New York, 1991

Zamfir Cătălin – Incertitudinea. O perspectivă psiho-sociologică, Editura Științifică, București, 1990

Standarde și legislație

Standardele Internationale de Contabilitate 2001, Editura Economică, București, 2001

Technical report, Basel Committee on Banking Supervision, The internal rating approach, http://www.bis.org, 2001

Technical report, Basel Committee on Banking Supervision, The new basel capital accord, http://www.bis.org, 2003

Technical Standard Risk Taxonomy, January 2009

The internal rating approach, Technical report, Basel Committee on Banking Supervision, http://www.bis.org, 2001

Dicționar – Afișați dicționarul detaliatThe internal rating approach. Technical report, Basel Committee on Banking

Citiți foneticThe new basel capital accord. Technical report, Basel Committee on Banking Supervision, http://www.bis.org, 2003

Articole

Altman E.I., Financial ratios, discriminant analysis and prediction of corporatebankruptcy, The Journal of Finance, nr. 23, 1968

Altman E.I., Frydman H., Kao D.L., Introducing recursive partitioning for financial classification: The case of financial distress, The Journal of Finance, nr. 40, 1985

Apicella C. L., Testosterone and financial risk preferences. Evolution and Human Behavior, Vol 29, 2008

Arrow K., The Role of Securities in the Optimal Allocation of Risk-Bearing, Review of Economic Studies, Vol.31, 1964

Aubert B.A., Patry M., Rivard S., Framework for Information Technology Outsourcing Risk Management, The Data Base for Advances in Information System, Vol. 36, Nr. 4, ACM Press, 2005

Beaver W.H., Financial ratios as predictors of failure, Journal of AccountingResearch, 1966

Beaver W.H., The information content of annual earnings announcements, Journal of Accounting Research, Supplement, 1968

Berríos Myrna R., The relationship between bank credit risk and profitability and liquidity, The International Journal of Business and Finance Research, VOLUME 7, No. 3, 2013

Bierman H. Jr., W.H. Hausman, The credit granting decision, ManagementScience, nr. 16, 1970

Blum M., Failing company discriminant analysis, Journal of Accounting Research, nr. 12 (Spring), 1974

Cames F, Hill M., Consumer credit scoring models: does the underlying probability distribution matters? Conference CEMAPRE, 2000

Castelo R., Baesens B., Egmont-Petersen M, Vanthienen J., Learning bayesian network classifiers for credit scoring using markov chain monte carlo search, Proc. International Congress on Pattern Recognition (ICPR02), 2002

Charalambous C., Comparative analysis of artificial neural network models: Application in bankruptcy prediction, Annals of Operations Research, 2000

Coats P., Fant F., Recognizing financial distress patterns using a neural network tool, Financial Management, nr. 91, Autumn, 1993

Corcoran A.W., The use of exponentially-smoothed transition matrices to improve forecasting of cash flows from accounts receivable. Management Science, nr. 24, 1978

Dambolena I.G., Khoury S.J., Ratio stability and corporate failure, Journalof Finance, nr. 35 (4) 1980

Condratov Iulian, Hapenciuc Valentin, Analiza riscului în creditarea agenților economici, Analele USV de Economie și Administrație Publică , Vol 5, 2005

Davidson H.J., R.M. Cyert, G.L. Thompson, Estimation allowance for doubtfulaccounts by markov chains, Management Science, nr. 8, 1962

Deakin E.B., A discriminant analysis of predictors of business failure, Journalof Accounting Research, March, 1972

Dedu Vasile, Nechif Roxana, Gestiunea riscurilor bancare prin prisma acordului Basel II, Economie teoretică și aplicată, Volumul XVII, Nr. 2 (543), 2010

Dobre Ion, A. Alexandru, Modelling unemployment rate using Box-Jenkins procedure, Journal of Applied Quantitative Methods, Vol. 3, nr. 2, 2008

Dorcescu Mihaela, Modelarea riscului în comertul exterior, ASE, București, 1999

Dospinescu S. A., Arborele de decizie în evaluarea riscului de creditare în cazul IMM-urilor, Conferința Politici Europene privind dezvoltarea mediului de afaceri, 26-27 Octombrie, 2009, Iași

Dospinescu S. A., Regresia neparametrică în evaluarea riscului de creditare în cazul IMM-urilor, Conferința Politici Europene privind dezvoltarea mediului de afaceri, 26-27 Octombrie, 2009, Iași

Dospinescu S. A., Clasificarea metodelor folosite în evaluarea riscului de creditare, Conferința Internațională a Tinerilor Cercetători, ediția a VII-a, 5-6 Noiembrie, 2009, Chișinău

Dospinescu S. A., Arborii de clasificare și arborii de regresie, Conferința Internațională a Tinerilor Cercetători, ediția a VII-a, 5-6 Noiembrie, 2009, Chișinău

Dospinescu S. A., The unusefulness of linear discriminant analysis for two groups separation in credit risk evaluation, Conferința Institutions and economic performance, 6-8 Noiembrie, 2009, Iași

Dospinescu S. A., The features of regression methods used in credit risk assesment, Conferința Institutions and economic performance, 6-8 Noiembrie, 2009, Iași

Dreve Raluca Mădălina, Importanța și rolul managementului riscului în audit, Master MRU FEAA

Flyvbjerg Bent, Curbing optimism bias and strategic misrepresentation in planning: reference class forecasting in practice, European Planning Studies, vol. 16, nr. 1, 2008

FlyvbjergBent, Five misunderstandings about case study research, Qualitative Inquiry, vol. 12, nr. 2, 2006

Friedman M., Savage L.J., The Utility Analysis of Choice involving Risk, Journal of Political Economy, Vol.56, 1948

Gehrlein W.V., Wagner B.J., A two-stage least cost credit scoring model, Annals of Operations Research, nr. 74, 1997

Hand D.J., Modelling consumer credit risk, IMA Journal of Management Mathematics, 2001

Harmelink P., Prediction of best’s general policyholder’s ratings, Journal ofRisk and Insurance, December 1974

Hayden E., Are credit scoring models sensitive to different default definitions? evidence from the austrian market, SSRN Working Paper, 2003

Henley W.E., Hand D.J., A k-nn classifier for assessing consumer credit risk, The Statistician, nr. 45, 1996

Hirschleifer J., Investment decision under uncertainty, Choice-theoretic approaches, Quarterly Journal of Economics, Vol.79, 1965

Hirschleifer J., Investment decision under uncertainty, Applications of state-preference approach, Quarterly Journal of Economics, Vol.80, 1966

Hope Hermann, On certainity and incertainity, The Review of Austrian economics, vol. 10, nr. 1, 1997

Horrigan J., The determination of long-term credit standing with financial ratios, Journal of Accounting Research, nr. 4, 1966

Iuga Iulia, Dimensiunile procesului de analiză a creditului și riscului de credit, Analele Universității Apolonia, seria Economică, Nr. 8, vol. 3, Alba Iulia, 2006

Jaba, E., Mironiuc, M., Robu, I. B. et al, The statistical-financial analysis of the risk of insolvency as a basis for managerial strategies in the context of the world crisis, 7th International Conference on Management of Technological Changes, Alexandroupolis, Grecia, 2011

Elisabeta Jaba, Christiana Brigitte Balan, Ioan-Bogdan Robu, Mihai Roman, Evaluarea statistica a riscului de frauda în scopul fundamentarii opiniei de audit, pe baza modelelor de durata, Audit financiar, nr. 88- 4/2012

Kiviluoto K., Predicting bankruptcies with the self-organizing map, Neurocomputing, nr. 21, 1998

Knight Frank Hyneman, Risk, uncertainty and profit, Hart, Schaffner si Marx Prize Essays, nr. 31, Boston, New York, Houghton Mifflin, 1921

Kolesar P., Showers J.L., A robust credit screening model using categorical data. Management Science, nr. 31, 1985

Long M.S., Credit screening system selection, Journal of Financial and Quantitative Analysis, June, 1976

Luban Florica, Decizia manageriala în condiții de risc. Profilul riscului, Revista Informatică Economică nr.2 (14), 2000

Makridakis Spyros, Hibon Michèle, Arma models and the Box Jenkins, Journal of Forecasting, INSEAD, France, 1998

Markowitz H., Poortofolio Selection, Journal of Finance, Vol.7, 1952

Mehta D., Optimal credit policy selection: A dynamic approach, Journal of Financial and Quantative Analysis, December, 1970

Mehta D., The formulation of credit policy models. Managerial Science, nr. 15, 1968

Menon K., Gilbert L.R., Schwartz K.B., Predicting bankruptcy for firms infinancial distress, Journal of Business, Finance and Accounting, nr. 17

Myers J.H., Frogy E.W., The development of numerical credit evaluation systems. Journal of American Statistics Association, 58 (September), 1963

Odom M.D., Sharda R., A neural network model for bankruptcy prediction. Proc. IEEE lnt. Conf. on Neural Networks, San Diego, 1992

Ohlson J.A., Financial ratios and the probabilistic prediction of bankruptcy,Journal of Accounting Research, nr. 18, 1980

Pinches G.E., Mingo K.A., A multivariate analysis of industrial bond ratings, Journal of Finance, nr. 28(1), 1973

Pompe P., Feelders A., Using machine learning, neural networks, and statistics to predict corporate bankruptcy, Microcomputers in Civil Engineering, nr. 12, 1997

Roman, M., Regional efficiency of knowledge economy in the new EU countries: the Romanian and Bulgarian case, Romanian Journal of Regional Science, no 1/2010

Roszbach K., Bank lending policy, credit scoring and the survival of loans. Working Paper Series in Economics and Finance Stockholm School of Economics, Working Paper Nr. 261, 1998

Shaw M., Gentry J.A., Using an expert system with inductive learning to evaluate business loans, Financial Management, nr. 17 (Autumn), 1988

Simion Dalia, Analiza riscului și strategii de prevenire, Tribuna Economică, nr. 43

Sinkkonen J., Kaski S., Peltonen J., Bankruptcy analysis with self-organizing maps in learning metrics, IEEE Transactions on Neural Networks, nr. 12 (4), 2001

Socaciu Anca, Sistem de analiza bancara, Cluj-Napoca, 2010

Spronk J., Van Kuelen J.A.M., Corcoran A.W., On the cyert-davidsonthompsondoubtful accounts model, Management Science, nr. 27, 1981

Spulbăr Cristi, Management bancar, editia a 2-a, Editura Sitech, Craiova, 2008

Srinivasan V., Kim Y.H., Credit granting: A comperative analysis of classifivcationprocedures, The Journal of Finance, nr. 42, 1987

Stanciu Leontin, Evaluarea riscului global de credit și tehinici de protecție a băncilor comerciale împotriva acestuia, Academia forțelor terestre, Buletin nr. 1, Sibiu, 2005

Stanciu Leontin, Garanțiile bancare și rolul lor în activitatea de creditare, Revista Academiei forțelor terestre, nr. 4, Sibiu, 2004

Stigler George J., Textual exegesis as a scientific problem, Editura Econometrica, Vol.32, Noiembrie, 1965

Tam K., Kiang M., Managerial application of neural networks: the case of bank failure predictions, Management Science, nr. 38 (7), 1992

Tuo J., Li B., Li X., Ying W., Liu W., Applications of classification trees to consumer credit scoring methods in commercial banks, Systems, Man andCybernetics SMC (nr. 5), 2004

Trenca Ioan, Noi cerințe privind managementul de creditare, Revista Economie teoretică și aplicată, nr. 3, Cluj-Napoca, 2006

Tversky Amos, Kahneman Daniel, The Framing of Decisions and the Psychology of Choice, Science, New Series, Vol. 211, Nr. 4481, 1981

Tzeng G.H., Huang J.J., Ong C.S., Two-stage genetic programming (2sgp) for the credit scoring model, Applied Mathematics and Computation, 2005

Wand M.P., Jones M.C., Comparison of smoothing parameterizations in bivariate kernel density estimation, Journal of the american Statistical Association, nr. 88, 1993

Wiginton J.C., A note on the comparison of logit and discriminant models ofconsumer credit behaviour, Journal of Financial and Quantitative Analysis, nr. 15, 1980

Wilcox J.W., A prediction of business failure using accounting data, Journal of Accounting Research, nr. 11, 1973

Yaari M., Some Measures of Risk Aversion and Their Uses, Journal of Economic Theory, Vol.1(2), 1969

Anexe

Anexa 1

Sursa:www.bnro.ro

Anexa 2

Sursa:www.bnro.ro

Anexa 3

Sursa:www.bnro.ro

Anexa 4

Sursa: ec.europa.eu/eurostat

Anexa 5: Datoriile private în țările membre ale Uniunii Europene în perioada 1995-2013

Sursa: ec.europa.eu/eurostat

Anexa 6: Testarea staționarității variabilelor cu ajutorul testului Philips-Perron și KPSS

Tabelul 1: Testarea staționarității variabilelor cu ajutorul testului Phillips-Perron

Tabelul 2: Testarea staționarității variabilelor cu ajutorul testului KPSS

Anexa 7: Testarea ipotezelor modelului de regresie estimat pentru determinarea factorilor de influență ai ratei riscului de creditare din România

Tabelul 1: Testarea ipotezei lipsei autocorelării erorilor cu ajutorul testului Ljung Box (Q- Stat)

Tabelul 2: Testarea ipotezei de normalitate a erorilor

Tabelul 3: Testarea ipotezei de homoscedasticitate a erorilor

Tabelul 4: Testarea mediei erorilor

Anexa 8 : Testarea ipotezelor modelului de regresie rezultat din estimarea trendului liniar al ratei riscului de creditare din România

Tabelul 1: Testarea normalității erorilor

Tabelul 2: Testarea lipsei autocorelării erorilor

Tabelul 3: Testarea homoscedasticității erorilor

Tabelul 5: Testarea mediei erorilor

Anexa 9: Testarea ipotezelor modelului de regresie rezultat din estimarea trendului parabolic al ratei riscului de creditare din România

Tabelul 1: Testarea normalității erorilor

Tabelul 2: Testarea lipsei autocorelării erorilor

Tabelul 3: Testarea homoscedasticității erorilor

Tabelul 4: Testarea mediei erorilor

Anexa 10: Testarea ipotezelor modelului de regresie rezultat din estimarea trendului liniar pentru datoriile private din Europa

Tabelul 1: Testarea normalității erorilor

Tabelul 2: Testarea lipsei autocorelării erorilor

Tabelul 3: Testarea homoscedasticității erorilor

Tabelul 4: Testarea mediei erorilor

Anexa 11: Testarea ipotezelor modelului de regresie rezultat din estimarea trendului parabolic pentru datoriile private din Europa

Tabelul 1: Testarea normalității erorilor

Tabelul 2: Testarea lipsei autocorelării erorilor

Tabelul 3: Testarea homoscedasticității erorilor

Tabelul 4: Testarea mediei erorilor