پارامترهای تعیین کننده ریسک اعتباری در سطح سبد وامهای بانک
نوشته: بابک برومند دانشجوی دکتری مدیریت بازرگانی- بازاریابی دانشگاه اصفهان
دانش آموخته کارشناسی ارشد مهندسی سیستمهای اقتصادی – اجتماعی دانشگاه صنعتی شریف
به چاپ رسیده در: کنفرانس ملی بانکداری الکترونیک دانشگاه یزد
سال انتشار: ۱۳۹۱
مقدمه
در سیستم بانکی ایران، تجهیز منابع و تخصیص آن در قالب تسهیلات بانکی، کماکان اصلیترین وظیفه بانکهای تجاری را تشکیل می دهد به طوریکه منابع بانک عمدتاَ متعلق به سپرده گذاران است و بانک به عنوان وکیل و امین مردم منابع مزبور را دراختیار متقاضیان قرار می دهد . بنابراین هنگام تصمیم گیری نسبت به اعطای تسهیلات، بررسی همه جانبه درخواست ها برای به حداقل رساندن ریسک نکول[۱] از اهمیت خاصی برخوردار است و کارگزاران اعتباری سعی میکنند هرچه اصولیتر این بررسی ها را انجام دهند. بنابراین بانک به عنوان یک نهاد مالی ریسک اعتباری هریک از بدهکاران را برآورد میکند. این کار مبنای قیمت گذاری وام ها، تعیین نرخ های بهره مناسب و مقدار وثیقه مورد نیاز هر وام گیرنده است. بانکها در عین حال به کیفیت اعتباری سبد وام خود (به عنوان مجموعهای از بدهیها) توجه میکنند، زیرا تداوم فعالیت بانک، تا حد زیادی به عملکرد این سبد و حجم زیانهای اعتباری در یک دوره معین بستگی 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 CreditPorfolioView 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
طراحی مدلی برای اندازهگیری ریسک اعتباری برای نخستین بار توسط جان موری[۱] (۱۹۰۹) اوراق قرضه صورت گرفت و از آن پس تاکنون تحقیقات متعددی در این زمینه در بانکها و مؤسسات مالی در کشورهای مختلف صورت گرفته است.
نخستین گام برای سنجش ریسک اعتباری، ارائه مدل رگرسیون لجستیک[۲] جهت تعیین ورشکستگی شرکتها بود که توسط بی ور(۱۹۶۶)[۳] ارائه شد. بعدها از این مدل برای اندازهگیری ریسک اعتباری اوراق قرضه منتشرهی شرکتها استفاده شد. یکی دیگر از مطالعات اولیه برای اندازهگیری ریسک اعتباری اوراق قرضه، با استفاده از مدل نمرهدهی چند متغیره، توسط آلتمن (۱۹۶۸)[۴] انجام شد و به مدل نمره Z شهرت یافت. مدل نمره Z آلتمن یک مدل تحلیل ممیزی است که با استفاده از مقادیر نسبتهای مالی مهم می کوشد تا شرکتهایی را که با ورشکستگی مالی مواجه هستند از شرکتهایی که دچار این وضعیت نیستند تمیز دهد. این مدل باتوجه
به این نکته که عدم بازپرداخت وام عمدتاَ مربوط به شرکتهایی است که در آینده دچار ورشکستگی مالی می شوند، ریسک اعتباری را پیش بینی می کند. ساندرز و آلن(۲۰۰۱)[۱] در امریکا از این مدل برای پیش بینی ریسک اعتباری شرکتهایی که از بانکها وام دریافت کرده بودند استفاده کردند و به این نتیجه رسیدند که این مدل برای پیش بینی ریسک اعتباری از قدرت بالایی برخوردار است.
مطالعات بعدی توسط المر و بروفسکی(۱۹۸۸)[۲] انجام شد. المر و بروفسکی از مدل شبکههای عصبی چند لایه پرسپترون برای پیشبینی توانایی بازپرداخت وامها استفاده کردند. از آنجایی که متغیرهای ورودی مدل آنها با متغیرهای ورودی مدل Z آلتمن یکسان بودند، با استفاده از مقایسه نتایج مدل شبکههای عصبی پرسپترون و مدل Z آلتمن مشخص شد که قدرت پیش بینی مدل پرسپترون بیشتر از مدلهای نمرهدهی اعتباری است] ۳[.
امروزه به موازات مطالعات کمیته بال[۳] مطالعات متعددی از سوی پژوهشگران و نهادهای اعتباری برای طراحی مدل دقیق اندازه گیری ریسک اعتباری افراد انجام می شود. مدلهای بسیاری با استفاده از روشهای اقتصاد سنجی و شبکههای عصبی و فازی برای اندازه گیری ریسک اعتباری در بانکها و نهادهای مالی و اعتباری طراحی شده اند] ۲[.
در مورد روش های محاسبه ریسک اعتباری سبد وامهای بانکها، عمده مطالعات انجام شده در سالهای ۱۹۹۷ و ۱۹۹۸ صورت گرفته است. در این سالها نخستین قدمهای ارائه این مدلها توسط جی.پی.مورگان[۴]، مؤسسه مالی کردیت سوییس[۵] و مک کنزی[۶] برداشته شد]۱[.
مورگان (۱۹۹۷) با استفاده از مدل CreditMetrics، VaR یا ارزش در معرض ریسک اعتباری سبد وام را
محاسبه کرد. او در این مدل از شبیه سازی مونت کارلو[۱] استفاده کرد. در مدل ارائه شده توسط موسسه مالی کردیت سوییس (۱۹۹۷) که به مدل +CreditRisk شهرت یافت، ریسک اعتباری سبد وام با استفاده از مدلهای ریاضی محاسبه می شود]۱۳[. در مدل سوم که توسط مک کنزی (۱۹۹۸) ارائه شد و به نام مدل CreditPortfolioView شناخته می شود، ریسک اعتباری با استفاده از ارتباط متغیرهای کلان اقتصادی با ریسک اعتباری سبد وام بانکها محاسبه می شود]۱۵[.
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 ریسک اعتباری سبد وامهای خود استفاده کردهاند. از نخستین کارهای انجام شده می توان به کار زازارا (۲۰۰۰)[۲] ]۲۰[ اشاره کرد که با استفاده از مدل CreditMetrics ریسک اعتباری سبد وام ها را در سطح بانکهای ایتالیا محاسبه کرد..
در گام بعدی می توان به مقاله کرن[۳] و رودولف (۲۰۰۱)[۴] ] ۱۶[ اشاره کرد که از مدلهای CreditMetrics ، CreditRisk+و CreditPortfolioView برای محاسبه ریسک اعتباری سبد وام بانکها استفاده کردند و این روشها را در سطح بانک های آلمان مقایسه کردند. دانیل روش (۲۰۰۳)[۵]] ۱۹[ نیز با تعمیم روش CreditMetrics و استفاده از دادههای بیشتری از بانکهای آلمان کار کاملتری را در این زمینه ارائه داد.
درویس[۶] ، کادلکاکوا[۷] و کویزوا (۲۰۰۳)[۸] ]۱۴[ نیز با استفاده از مدلهای CreditRisk+ و CreditMetrics ریسک اعتباری سبد وامهای بانکهای کشور چک را محاسبه کرده و نتایج روشهای فوق را
مقایسه کردند. به عنوان آخرین مورد نیز میتوان به تحقیق انجام شده در محاسبه ریسک اعتباری در سطح سبد وامهای بانکهای ترکیه توسط اوزلم اوزدمیر(۲۰۰۴)[۱] ] ۱۷[ اشاره نمود.
در حال حاضر در کشورهای مختلف و در بانکهای مختلف، چه در سطح ملی و چه در سطح بینالمللی از مدلهای موجود ریسک اعتباری سبد وام و تعمیمهای آن برای محاسبه ریسک اعتباری استفاده می شود که تعدادی از آنها را میتوان در مقالات در حال تحقیق[۲] مشاهده نمود.
در مورد پروژهها و تحقیقات انجام شده در مورد ریسک اعتباری افراد در ایران میتوان به پایاننامههای کارشناسی ارشد معصومه لطیفی (۱۳۸۳) ]۱۰[، حسن سبزواری (۱۳۸۴)] ۶[، محمدحسین ملا ابراهیم لو، (۱۳۸۴)] ۱۱[، بهاره عریانی (۱۳۸۴)] ۹[ و فخرالدین زاوه (۱۳۸۷)] ۴[ 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 ] ۱۵[.
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 ۱۳۸۷-۱۳۸۲ 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 ۱۳۸۲ تا ۱۳۸۷ 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 ۱۱۴۰۸ 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 ۲۴ متغیر معادلات رگرسیونی هر یک با حداکثر ۳ 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 ۹۵% 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، ۱۳۸۶ ] ۵[ 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.
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 ۹۵% معنادار است.
معادله رگرسیون لجستیک به دست آمده در بخش ساختمان و مسکن به صورت زیر است:
در رگرسیون لجستیک اجرا شده در این بخش، متغیرهای شاخص تورم (CPI) و متغیر تولید ناخالص داخلی با یک دوره تاخیر () در سطح ۹۵% معنادار هستند.
معادله رگرسیون لجستیک به دست آمده برای بخش صنعت و معدن به صورت زیر است:
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 ۹۵% 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.
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. ] ۸[ و ] ۱۲[، 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 (۱۳۸۷-۱۳۸۲) 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. ] ۷[
همان طور که در معادلات (۵)و (۶)و (۷)و (۸) 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 ] ۱۸[ 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.
بنا بر 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.