Gradus

VOL 2, NO 2 (2015): AUTUMN (NOVEMBER)

 

A VEVŐI NEMFIZETÉS ELŐREJELZÉSE VISELKEDÉSI JELLEMZŐK SEGÍTSÉGÉVEL

ESTIMATION OF CUSTOMER DEFAULT BASED ON BEHAVIORAL VARIABLES


Felföldi-Szűcs Nóra

Abstract

Cikkemben a vevői nemfizetés előrejelezhetőségét vizsgálom. A kis- és középvállalkozókból (KKV) álló 905 elemű mintán a banki scoring modellezésből ismert logisztikus regressziót alkalmazom. Az eredmények alapján a KKV ügyfelek nemfizetésének előrejelzésére a viselkedési, nem pénzügyi változók nagyobb diszkriminatív erővel bírnak, mint a pénzügyi adatokra építő verziók. A modellek teljesítménye gyengébb, mint az a banki hitelkockázatról szóló szakirodalomban megszokott, ennek oka, hogy a szállítónak való nemfizetés inkább fizetési hajlandóság, mint fizetőképesség kérdése.

The paper focuses on the estimation of customer default. Using a sample of 905 SME I build a logistic regression model which is widespread in the field of scoring models used by commercial banks. According to the results the non-financial, behavioral variables estimate better customer default than the financial ratios. My models perform weaker than the usual performance level of scoring models in commercial bank. This result assumes that defaulting on a payable to suppliers depends more on willingness to pay than on ability to pay.


Keywords

Kulcsszavak: scoring modell, partnerkockázat, hitelkockázat,

Keywords: scoring model, partner risk, credit risk,


References

[1] Altman, E.I. és Sabato, G. [2007]: Modelling Credit Risk for SMEs: Evidence from the U.S. Market. Abacus Vol. 43.No. 3. pp. 332–357.
[2] Altman, E. I., Sabato, G. és Wilson, N. [2010]: The Value of Non-Financial Information in SME Risk Management.Journal of Credit Risk, Vol. 6, No. 2, pp. 5-25.
[3] Atiya, A.F. [2001]: Bankruptcy prediction for credit risk using neural networks: A survey and new results. IEEETransactions on Neural Networks, Vol. 12. No. 4. pp. 929-935.
[4] Falkenstein, E. G., Boral, A.és Carty, L. V. [2000]: RiskCalc for Private Companies: Moody's Default Model. GlobalCredit Research, May 2000. Letöltve: http://ssrn.com/abstract=236011 2011. április.
[5] Grunerta, J., Norden, L. és Weber, M. [2005]: The role of non-financial factors in internal credit ratings. Journal ofBanking & Finance, Vol. 29, No. 2. pp. 509-531.
[6] Hago, T. M. [2001]: A kereskedelmi hitel néhány problémája. Vezetéstudomány, Vol. 32. No. 3. pp. 27-40.
[7] Imre, B. [2008]: Bázel II definíciókon alapuló nemfizetés-előrejelzési modellek magyarországi vállalati mintán(2002-2006). PhD. doktori értekezés, Miskolci Egyetem Gazdaságtudományi Kar.
[8] Kiss, F. [2003]: A credit scoring fejlődése és alkalmazása. PhD. doktori értekezés, Budapesti Műszaki Egyetem
[9] Kovács, E. [2006]: Pénzügyi adatok statisztikai elemzése. BCE Pénzügyi és Számviteli Intézet, Budapest
[10] Kristóf, T. [2008a]: A csődelőrejelzés és a nem fizetési valószínűség számításának módszertani kérdéseiről.Közgazdasági Szemle, Vol. 55. No. 5. pp. 441-461.
[11] Kristóf, T. [2008b]: Gazdasági szervezetek fennmaradásának és fizetőképességének előrejelzése. PhD. doktoriértekezés, Budapesti Corvinus Egyetem
[12] Laitinen, E. K. és Laitinen, T. [2000]: Bankruptcy prediction Application of the Taylor's expansion in logisticregression. International Review of Financial Analysis, Vol. 9. No. 4. pp. 327-349.
[13] Lehmann, B. [2003]: Is It Worth the While? The Relevance of Qualitative Information in Credit Rating (April 17,2003). EFMA 2003 Helinski Meetings. Available at SSRN: http://ssrn.com/abstract=410186 ordoi:10.2139/ssrn.410186
[14] Oravecz, B. [2007]: Credit scoring modellek és teljesítményük értékelése. Hitelintézeti Szemle. Vol. 6. No. 6. pp.607-627.
[15] Oravecz, B. [2008]: A szelekciós torzítás és csökkentése az adósminősítési modelleknél. PhD. doktori értekezés,Budapesti Corvinus Egyetem
[16] Sajtos, L., Mitev, A., Puszta, L. és Juhász, P. [2007]: SPSS kutatási és adatelemzési kézikönyv. Alinea Kiadó,Budapest
[17] Tseng-Chung Tang és Li-Chiu Chi [2005]: Predicting multilateral trade credit risks: comparisons of Logit and FuzzyLogic models using ROC curve analysis. Expert Systems with Applications, Vol. 28, No. 3, pp. 547-556.
[18] Virág, M. [2004]: A csődmodellek jellegzetességei és története, Vezetéstudomány, Vol. 35. No. 10. pp. 24-32.



Copyright (c) 2019 Gradus