پارامترهای تعیین کننده ریسک اعتباری در سطح سبد وام های بانک

مقدمه

در سيستم بانكي ايران، تجهيز منابع و تخصيص آن در قالب تسهيلات بانكي، كماكان اصلي­ترين وظيفه بانك­هاي تجاري را تشكيل مي دهد به طوري­كه منابع بانك عمدتاَ متعلق به سپرده گذاران است و بانك به عنوان وكيل و امين مردم منابع مزبور را دراختيار متقاضيان قرار مي دهد . بنابراين هنگام تصميم گيري نسبت به اعطاي تسهيلات، بررسي همه جانبه درخواست ها برای به حداقل رساندن ريسك نکول از اهميت خاصي برخوردار است و كارگزاران اعتباري سعی می­کنند هرچه اصولي­تر این بررسی ها را انجام دهند. بنابراین بانك به عنوان يك نهاد مالي ريسك اعتباري هريك از بدهكاران را برآورد می­كند. اين كار مبناي قيمت گذاري وام ها، تعيين نرخ های بهره مناسب و مقدار وثیقه مورد نیاز هر وام گيرنده است. بانک­ها در عين حال به كيفيت اعتباري سبد وام خود (به عنوان مجموعه­ اي از بدهي ­ها) توجه می­كنند، زيرا تداوم فعاليت بانك، تا حد زيادي به عملكرد این سبد و حجم زيان­هاي اعتباري در يك دوره معين بستگي دارد.

با توجه به موارد فوق و اینکه برای استفاده از روش­ها و مدل­های جدید ارائه شده توسط موسسات و محققین مختلف در سطح دنیا (که در بخش مرور مدل­های موجود به آنها اشاره می کنیم) تا کنون مطالعه ای در سطح بانک­های کشور ایران انجام نشده است و مطالعات موجود در حد مرور ادبیات و یا استفاده از روش­هایی مانند داده­کاوی بوده­اند، به نظر رسید انجام این تحقیق در مورد یکی از بانک های کشور با وجود برخی محدودیت­ها، آغازی خواهد بود بر ادامه این­گونه تحقیقات در ایران. همان­گونه که در بخش­های بعد نیز اشاره خواهد شد از میان مدل­های موجود برای محاسبه ریسک اعتباری سبد وام، از مدلی که دارای بیشترین پشتوانه اقتصادی باشد، استفاده خواهیم کرد. بنابراین هدف از انجام این تحقیق، محاسبه و تحلیل ریسک اعتباری سبد وام یک بانک با استفاده از مدل و مشاهده تاثیر متغیرهای کلان اقتصادی بر رفتار مشتریان آن بانک در بخش های مختلف اقتصادی است.

بر مبنای تحلیل انجام شده، می­توان علاوه بر شناخت آن متغیرهای کلان اقتصادی که بر ریسک اعتباری وام­گیرندگان اثرگذار هستند با مطالعه روند تغییرات این متغیرها، افزایش یا کاهش احتمال نکول مشتریان بانک­ها در دوره­های مختلف را پیش­بینی کرد و بر مبنای آن به سیاست گذاری­های مختلف در سطوح مدیریتی اقدام نمود.

پیشینه تحقیق

طراحي مدلي براي اندازه­ گيري ريسك اعتباري براي نخستين بار توسط جان موري (1909) اوراق قرضه صورت گرفت و از آن پس تاكنون تحقيقات متعددی در اين زمینه در بانك­ها و مؤسسات مالي در كشورهاي مختلف صورت گرفته است.

نخستين گام براي سنجش ريسك اعتباري، ارائه مدل رگرسیون لجستيك جهت تعيين ورشكستگي شركت­ها بود كه توسط بي ور(1966)  ارائه شد. بعدها از اين مدل برای اندازه­گيري ريسك اعتباري اوراق قرضه منتشره­ي شركت­ها استفاده شد. يكي ديگر از مطالعات اولیه برای اندازه­گيري ريسك اعتباري اوراق قرضه، با استفاده از مدل نمره­دهي چند متغيره، توسط آلتمن (1968) انجام شد و به مدل نمره Z شهرت يافت. مدل نمره Z آلتمن يك مدل تحليل مميزي است كه با استفاده از مقادير نسبت­هاي مالي مهم مي كوشد تا شركت­هايي را كه با ورشكستگي مالي مواجه هستند از شركت­هايي كه دچار اين وضعيت نيستند تميز دهد. این مدل باتوجه

به اين نکته كه عدم بازپرداخت وام عمدتاَ مربوط به شركت­هايي است كه در آينده دچار ورشكستگي مالي می شوند، ريسك اعتباري را پیش بینی می کند. ساندرز و آلن (2001)  در امریکا از اين مدل براي پيش بيني ريسك اعتباري شركت­هايي كه از بانك­ها وام دريافت كرده بودند استفاده کردند  و به این نتیجه رسیدند كه اين مدل براي پيش بيني ريسك اعتباري از قدرت بالايي برخوردار است.

مطالعات بعدی توسط المر و بروفسكي (1988)  انجام شد. المر و بروفسكي از مدل شبكه ­هاي عصبي چند لايه پرسپترون براي پيش­بيني توانايي بازپرداخت وام­ها استفاده كردند. از آنجايي كه متغيرهاي ورودي مدل آنها با متغيرهاي ورودي مدل Z آلتمن يكسان بودند، با استفاده از مقايسه نتايج مدل شبكه­ هاي عصبي پرسپترون و مدل Z  آلتمن مشخص شد كه قدرت پيش بيني مدل پرسپترون بيشتر از مدل­هاي نمره­ دهي اعتباري است.

امروزه به موازات مطالعات كميته بال مطالعات متعددی از سوي پژوهشگران و نهادهاي اعتباري براي طراحي مدل دقيق اندازه گيري ريسك اعتباري افراد انجام می شود. مدل­هاي بسیاری با استفاده از روش­هاي اقتصاد سنجي و شبكه­هاي عصبي و فازي براي اندازه گيري ريسك اعتباري در بانك­ها و نهادهاي مالي و اعتباري طراحی شده اند.

در مورد روش هاي محاسبه ريسك اعتباري سبد وام­های بانك­ها، عمده مطالعات انجام شده در سالهاي 1997 و 1998 صورت گرفته است. در این سال­ها نخستين قدم­هاي ارائه این مدل­ها توسط جي.پي.مورگان، مؤسسه مالي کردیت سوییس و مك کنزی برداشته شد.

مورگان (1997) با استفاده از مدل CreditMetrics، VaR يا ارزش در معرض ريسك اعتباري سبد وام را محاسبه کرد. او در اين مدل از شبيه سازي مونت كارلو استفاده کرد. در مدل ارائه شده توسط موسسه مالی کردیت سوییس (1997) كه به مدل +CreditRisk شهرت يافت،  ريسك اعتباري سبد وام با استفاده از مدل­هاي رياضي محاسبه مي شود. در مدل سوم كه توسط مك كنزي (1998) ارائه شد و به نام مدل CreditPortfolioView شناخته مي شود، ريسك اعتباری با استفاده از ارتباط متغيرهاي كلان اقتصادي با ريسك اعتباري سبد وام بانك­ها محاسبه مي شود.

از زمان ارائه مدل­های محاسبه ریسک اعتباری ، بانک­ها  و موسسات مالی و اعتباری، چه در سطح ملی و چه در سطح بین المللی از این مدل­ها برای محاسبه ريسك اعتباري سبد وام­هاي خود استفاده کرده­اند. از نخستين كارهاي انجام شده مي توان به كار  زازارا (2000) اشاره کرد كه با استفاده از مدل CreditMetrics ريسك اعتباري سبد وام ها را  در سطح بانك­هاي ايتاليا محاسبه کرد..

در گام بعدي مي توان به مقاله  كرن و رودولف (2001) اشاره کرد که از مدل­هاي CreditMetrics ،  CreditRisk+و ‍CreditPortfolioView برای  محاسبه ريسك اعتباري سبد  وام بانك­ها استفاده کردند و  این روش­ها را در سطح بانك هاي آلمان مقایسه کردند. دانيل روش (2003) نیز با تعميم روش CreditMetrics و استفاده از داده­ هاي بيشتری از  بانك­هاي آلمان كار کامل­تری را در این زمینه ارائه داد.

درويس ، كادلكاكوا و كويزوا (2003) نیز با استفاده از مدل­هاي CreditRisk+ و CreditMetrics ریسک اعتباری سبد وام­های بانک­های کشور چک را محاسبه کرده­ و نتایج روش­های فوق را مقایسه کردند. به عنوان آخرين مورد نيز مي­توان به تحقیق انجام شده در محاسبه ریسک اعتباری در سطح سبد وام­های بانك­هاي تركيه توسط اوزلم اوزدمير(2004) اشاره نمود.

در حال حاضر در كشورهاي مختلف و در بانك­هاي مختلف، چه در سطح ملی و چه در سطح  بين­المللي  از مدل­هاي موجود ریسک اعتباری سبد وام و تعميم­ هاي آن برای محاسبه ریسک اعتباری استفاده می شود كه تعدادي از آنها را مي­توان در مقالات در حال تحقيق  مشاهده نمود.

در مورد  پروژه­ها و تحقيقات انجام شده در مورد ريسك اعتباري افراد در ایران می­توان به پایان­نامه‏های کارشناسی ارشد معصومه لطیفی (1383)، حسن سبزواری (1384)، محمدحسین ملا ابراهیم لو، (1384)، بهاره عریانی (1384) و فخرالدین زاوه (1387) اشاره نمود.

روش شناسی تحقیق

در مدل CreditPortfolioView با استفاده از متغیرهای کلان اقتصادی در هر کشور، همبستگی رفتار مشتریان یک بانک برآورد می‏شود و از این طریق ریسک اعتباری سبد وام آن بانک در دوره­های زمانی مختلف محاسبه می‏شود. در این روش ابتدا باید متغیرهایی از اقتصاد کلان انتخاب شوند، به طور آماری آزمون شوند و معناداری آنها سنجیده شود.

برای به کار گیری این روش در این تحقیق، در اولین قدم از بین متغیرهای کلان اقتصادی متغیرهای زیر انتخاب شدند:

شاخص تورم، هزینه ناخالص داخلی، پرداخت­های جاری دولت، پرداخت­های عمرانی دولت، درآمد نفت، ارزش افزوده بخش ساختمان، ارزش افزوده بخش صنعت و معدن. این متغیرها از مهمترین متغیرهای اقتصاد کلان هستند که در ضمن قابلیت توضیح رفتار همبسته مشتریان بخش­های مختلف اقتصادی را دارند، به علاوه داده های این متغیرها در دوره 1387-1382 در تواتر فصلی موجود است. از سری­های زمانی فوق، اطلاعات دیگری نیز استخراج شده‏اند و مورد استفاده قرار گرفته‏اند، این اطلاعات عبارتند از:

میزان رشد هر یک از متغیرها: اختلاف میزان متغیر در هر دوره نسبت به دوره پیش از آن محاسبه و در ترکیب­های مختلف با متغیرهای دیگر وارد معادلات شده است.

یک دوره تاخیر زمانی برای هر متغیر: تأثیر هر یک از متغیرهای نامبرده با یک دوره تاخیر در معادله نهایی در نظر گرفته شده است.

میزان رشد هر یک از متغیرها با یک دوره تاخیر زمانی : یعنی در نظر گرفتن همزمان موارد دو بند قبل.

در مورد داده های مربوط به احتمال نکول مشتریان، با توجه به اینکه داده­های موجود برای محاسبه نکول مشتریان بانک در سال های 1382 تا 1387 هستند ، دوره­های زمانی سال­های اشاره شده، به دوره­های سه ماهه تقسیم شد و احتمال نکول در هر بخش اقتصادی برای دوره های فصلی در آن بازه زمانی محاسبه شدند. ضمناَ تعداد 11408 مشتری حقوقی که اطلاعات آنها در این تحقیق مورد بررسی قرار گرفته است در سه  بخش دسته بندی شده اند که شامل گروههای “ساختمان و مسکن، صنعت و معدن و سایر بخش­ها” می باشند.

به منظور محاسبه احتمال نکول مشتریان، در هر بخش اقتصادی و هر دوره سه ماهه جمع جبری وام­هایی که در آنها نکول اتفاق افتاده است (یا بازپرداخت نشده یا با تاخیر بازپرداخت شده اند) محاسبه می­شود، سپس عدد حاصل به جمع کل وام­ها در همان بخش در دوره مورد نظر تقسیم شده واز این طریق احتمال (یا میانگین) نکول در بخش­ها و دوره­های مختلف به دست می­آید.

مدل CreditPortfolioView

اجرای مدل CreditPortfolioView چهار مرحله دارد که در زیر تشریح می شود:

• رگرسیون لجستیک

از رگرسیون لجستیک برای انجام رگرسیون احتمال­های نکول بر روی متغیرهای کلان اقتصادی استفاده می شود. احتمال­های نکول در بخش­های ساختمان و مسکن، صنعت و معدن و سایر بخش­ها بر روی دسته­های مختلف متغیرهای کلان اقتصادی توضیح داده شده در بخش قبلی رگرس می شوند. صورت کلی معادله رگرسیون لجستیک به صورت زیر است:

که در آن  احتمال نکول در دوره t  و در بخش اقتصادی j  و  تابعی خطی از متغیرهای کلان اقتصادی منتخب در همان دوره t  و در بخش اقتصادی j  است که آزمون­های معناداری بر روی آنها انجام می­شود.

علت استفاده از معادله رگرسیون لجستیک در مدل CreditPortfolioView لزوم برآورد نتایج در بازه صفر و یک است، با توجه به توضیحات ارائه شده در مورد متغیرهای مورد استفاده و ترکیب­های مختلف این متغیرها، برای هر یک از سه بخش اقتصادی نامبرده در دوره­های زمانی سه­ماهه برای مجموعاً 24 متغیر معادلات رگرسیونی هر یک با حداکثر 3 متغیر با استفاده از نرم­افزار MATLAB برآورد و آزمون معناداری ضرایب بر روی آنها انجام می شود.

آزمون معناداری ضرایب رگرسیون و نیکویی برازش

پس از انجام رگرسیون احتمال نکول مشتریان بانک در بخش­های ساختمان ومسکن، صنعت ومعدن و سایر بخش­ها بر روی دسته­های مختلف متغیرهای کلان اقتصادی،  با استفاده از آماره t برای هر دسته از متغیر ها آزمون معناداری ضرایب انجام می شود و دسته­هایی از متغیرها که برای آنها آماره­ها در سطح بیش از 95% اطمینان معنادار هستند انتخاب می شود.

• تخمین متغیر های کلان اقتصادی دارای ضرایب معنادار

در این مرحله، متغیرهای کلان اقتصادی با ضرایب معنادار در معادلات رگرسیون تخمین زده می­شوند. متغیرهای دارای ضرایب معنادار در مدل ما (رجوع شود به بخش بعدی) عبارتند از : “شاخص تورم” و “هزینه ناخالص داخلی با یک دوره تاخیر”. نحوه انجام پیش بینی و تخمین این متغیرها در پایان­نامه خانم راضیه زاهدی، 1386 ] 5[ آمده است.

• ارائه همزمان معادلات به دست آمده

در مرحله آخر از معادلات رگرسیون به دست آمده و معادلات مربوط به تخمین متغیرهای کلان اقتصادی در کنار یکدیگر برای پیش­بینی احتمال نکول مشتریان هر بخش اقتصادی، برای دوره­های زمانی سه ماهه در سال­های آتی استفاده می­شود.

یافته های پژوهش و تحلیل آنها

در این بخش نتایج تحلیل­های انجام شده و خروجی­های مدل را که با استفاده از نرم افزار MATLAB به دست آمده­اند ارائه می­کنیم. برای این منظور نتایج به دست آمده را در سه بخش جداگانه ساختمان و مسکن، صنعت ومعدن و سایر بخش­ها ارائه و سپس در قسمت بعدی، در هر یک از این سه بخش مجزا ضرایب و نتایج به دست آمده را تفسیر می کنیم.

• نتایج مربوط به بخش ساختمان و مسکن

در رگرسیون لجستیک اجرا شده در این بخش، تنها متغیر معنادار شاخص تورم (CPI) است، که بر اساس نتایج خروجی نرم افزار MATLAB  دارای آماره t بزرگی بوده و در محدوده 95%  معنادار است.

معادله رگرسیون لجستیک به دست آمده در بخش ساختمان و مسکن به صورت زیر است:

• نتایج مربوط به بخش صنعت و معدن

در رگرسیون لجستیک اجرا شده در این بخش، متغیرهای شاخص تورم (CPI) و متغیر تولید ناخالص داخلی با یک دوره تاخیر ()  در سطح 95% معنادار هستند.

معادله رگرسیون لجستیک به دست آمده برای بخش صنعت و معدن به صورت زیر است:

• نتایج مربوط به سایر بخش ها

در رگرسیون لجستیک اجرا شده در این بخش باز هم تنها متغیر معنادار متغیر شاخص تورم (CPI) است، که بر اساس نتایج خروجی نرم افزارMATLAB در سطح 95% معنادار است.

معادله رگرسیون لجستیک به دست آمده در این بخش به صورت زیر است:

حال بر اساس نتایج به دست آمده در این بخش ضرایب به دست آمده در معادلات رگرسیون لجستیک را با توجه به مفاهیم اقتصادی تحلیل می کنیم.

الف) شاخص تورم

همان­گونه که از معادلات ارائه شده مشخص است، مهم­ترین متغیری که در کلیه بخش­ها دارای ضریب معنادار است متغیر شاخص تورم است که در بخش­های مورد بررسی یعنی ساختمان و مسکن، صنعت و معدن و سایر بخش­ها، دارای ضریب منفی و معنادار است. علامت منفی در این بخش ها به این معناست که با افزایش شاخص تورم، احتمال نکول مشتریان در این بخش­ها کمتر و با کاهش شاخص تورم، احتمال نکول افزایش می­یابد. برای توضیح در مورد این علامت از دو جنبه به موضوع می­پردازیم. نخست از جنبه مفهوم  هزینه سرمایه­گذاری و سپس از جنبه وثایق ملکی که در بانک­های ایران، به عنوان ضمانت از مشتریان گرفته می­شود.

بر اساس معادلات موجود در مباحث اقتصاد کلان، هزینه سرمایه­گذاری برای سرمایه­گذاران در بخش­های مختلف از رابطه زیر به دست می آید:

که در این رابطه r نرخ بهره سرمایه­گذاری، δ ضریب استهلاک دارایی سرمایه­ای و نرخ عایدی سرمایه است که برابر است با :

براساس مطالعات انجام شده، سرمایه­گذاران در بخش­های مختلف از تغییرات سطح قیمت­ها در دوره­های زمانی مختلف برای اتخاذ تصمیمات سرمایه­گذاری خود استفاده می­کنند و در حقیقت، نرخ تورم مورد انتظار خود را با استفاده از انتظارات در هزینه سرمایه­گذاری خود لحاظ می­نمایند، بنابراین می­توان نتیجه گرفت که هزینه سرمایه­گذاری با افزایش نرخ تورم کاهش و با کاهش نرخ تورم افزایش می­یابد. از طرف دیگر، با کاهش هزینه سرمایه گذاری، تقاضا برای سرمایه گذاری افزایش می یابد. لذا می توان این نتیجه را گرفت که با افزایش شاخص تورم، تقاضای سرمایه­گذاری در بخش­های مختلف اضافه می­شود و با افزایش تقاضا، احتمال نکول مشتریان کاهش می­یابد. بنابراین، علامت منفی شاخص تورم در معادلات بخش­های اقتصادی مورد بررسی، منطقی و قابل تایید است.

جنبه دیگری که می توان برای توجیه علامت منفی شاخص تورم در معادلات به آن پرداخت، موضوع وثایق بانکی است که در سیستم بانکی کشور در ازای پرداخت وام از مشتریان دریافت می شود. در سال هایی که داده های مربوط به بانک را بررسی کرده ایم (1387-1382) بخش مهمی از تورم به وجود آمده در اقتصاد ایران مربوط به بخش زمین و مسکن بوده است. در اینجا مجدداَ با استفاده از مفهوم هزینه سرمایه گذاری به تفسیر نتایج به دست آمده می پردازیم.

همان­گونه که بیان شد، هزینه سرمایه بر حسب قیمت دارایی­ها با رابطه زیر نشان داده می شود:

در معادله فوق  قیمت دارایی های سرمایه ای از قبیل کارخانه و تجهیزات در زمان t است. جمله اول معادله، مربوط به هزینه استهلاک، جمله دوم مربوط به هزینه بهره سرمایه گذاری و جمله سوم مربوط به افزایش قیمت دارایی سرمایه ای می باشند.

حال اگر بخواهیم سرمایه استفاده شده در بخش وثایق ملکی را که در رهن بانک قرار می گیرد به معادله فوق اضافه کنیم، می توانیم میزان سرمایه گذاری کل را به دو بخش کارخانه و تجهیزات و وثیقه ملکی  تفکیک نماییم و معادله را به صورت زیر بازنویسی کنیم:

همان­گونه که از معادله مشخص است با افزایش  نسبت به  که به معنای افزایش قیمت وثایق ملکی می­باشد، هزینه سرمایه­گذاری کاهش می­یابد (δ<1( و تقاضا برای سرمایه­گذاری افزایش می­یابد، پس از نکول مشتریان کاسته می­شود.

ب) تولید ناخالص داخلی

همان طور که در معادلات (5)و (6)و (7)و (8) دیدیم با افزایش تولید، سود واحدهای تولیدی افزایش می­یابد، از طرفی با افزایش سود، نرخ بهره متوسط در تابع هزینه سرمایه گذاری کاهش می یابد و این کاهش در هزینه سرمایه­گذاری به افزایش تقاضا برای سرمایه­گذاری منجر می شود. ضمناَ همان­طور که می دانیم، متغیر تولید ناخالص داخلی نماینده کل تولید در یک اقتصاد است. بنابراین با افزایش تولید، سود واحدهای تولیدی افزایش می یابد و این افزایش در سود باعث کاهش احتمال نکول مشتریان می­شود و بنابراین، متغیر تولید ناخالص داخلی بر احتمال نکول مشتریان در بخش صنعت و معدن تاثیر منفی دارد. اما در خصوص این مساله که چرا این اثر مثبت یا منفی با یک دوره تاخیر به احتمال نکول مشتریان منتقل می شود نیز به عنوان یک دلیل توجیهی می توان به مساله تاخیر در انتقال تقاضا اشاره نمود که توضیحات کامل مربوط به آن در کتاب اقتصاد کلان رومر آمده است.

نتیجه گیری

هدف اصلی از انجام این پژوهش بررسی رابطه بین احتمال نکول مشتریان بانک با متغیرهای کلان اقتصادی بود که با استفاده از مدل CreditPortfolioView که از دسته مدل های محاسبه ریسک اعتباری سبد وام موسسات مالی و اعتباری است، انجام شد.

در این پژوهش از متغیرهای کلان اقتصادی مختلف در دسته بندی ها و ترکیب های زمانی مختلف استفاده شد و احتمال نکول مشتریان در سه بخش کلی ساختمان و مسکن، صنعت و معدن و سایر بخش ها در معادلات وارد شد.

نتایج به دست آمده از این تحقیق  موید این مطلب است که شاخص تورم مهمترین عامل اقتصادی است که در تمام بخش­های اقتصادی بررسی شده، قابلیت توضیح­دهندگی رفتار آحاد اقتصادی و حرکت همبسته آنها را دارد. همان­گونه که می­دانیم سرمایه­گذاران در بخش­های مختلف، برای انجام و یا عدم انجام یک سرمایه­گذاری، هزینه آن سرمایه­گذاری را بررسی می­کنند و پس از بررسی گزینه­های مختلف، گزینه ارجح را انتخاب می­نمایند. در محاسبه هزینه سرمایه­گذاری در بخش­های مختلف، نرخ بهره موجود در اقتصاد یا به عبارتی دیگر نرخ بهره بازار نقش مهمی را ایفا می کند و این نرخ بهره ارتباط مستقیمی با افزایش یا کاهش سطح عمومی قیمت­ها دارد. ذکر این نکته ضروری است که عوامل متعددی تعیین­کننده دو پارامتر “نرخ بهره” و “شاخص تورم” هستند و ما فقط به جنبه ارتباط مابین آنها اشاره می­کنیم. سرمایه­گذاران بخش­های مختلف، در صورتی اقدام به اخذ وام و سرمایه­گذاری در یک بخش خاص می­کنند که از سودآوری آن تا حد زیادی اطمینان داشته باشند و یکی از مهم­ترین عواملی که به آنها در تعیین وجود یا عدم وجود سودآوری کمک می­کند، شاخص تورم یا به عبارت دیگر سطح عمومی قیمت­هاست.

بنابر نتایج به دست آمده، تاثیر بالای شاخص تورم بر تصمیمات و موفقیت سرمایه گذاران و ظهور نتیجه آن در بازپرداخت به موقع یا نکول در بازپرداخت اقساط وام­ها در کلیه بخش­های اقتصادی مورد بررسی، نشان­دهنده قدرت بالای مدل ارائه شده در توضیح واقعیات است. دولت، بانک­ها و سایر نهادهای درگیر با مسایل اقتصادی می­توانند از نتایج به دست آمده در تنظیم سیاست­های کوتاه­مدت و بلندمدت خود استفاده نمایند.