طراحی و تبیین مدل ارزیابی ریسک‌پذیری بانک‌ها از شرایط عدم اطمینان سیاست پولی
الموضوعات :نفیسه وطن‌چی 1 , میرفیض فلاح شمس لیالستانی 2 , غلامرضا زمردیان 3
1 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
2 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
3 - گروه مدیریت مالی واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
الکلمات المفتاحية: ریسک‌پذیری بانک‌ها, عدم قطعیت سیاست پولی,
ملخص المقالة :
هدف: هدف کلی این مطالعه طراحی و تبیین مدل ارزیابی ریسک‌پذیری بانک‌ها از شرایط عدم اطمینان سیاست پولی میباشد.
روش‌شناسی پژوهش: این پژوهش بر اساس هدف، کاربردی است. به این منظور، سؤال پژوهش بر مبنای یک نمونة آماری متشکل از 9 بانک فعال در بورس اوراق بهادار تهران در بازه زمانی سال‌های 1390 الی 1399 به‌صورت میان‌دوره‌ای مورد تحلیل و بررسی قرارگرفته است. نااطمینانی شاخصهای سیاست پولی با استفاده از روش واریانس شرطی خود رگرسیون تعمیم‌یافته نمایی و مدل نهایی با استفاده از روش پنل دیتا برآورد گردیده است.
یافته‌ها: نتایج حاصل از برآورد مدل بیانگر آن است که نااطمینانی سیاست پولی رابطه مثبت و معنادار با ریسک‌پذیری بانک‌های موردمطالعه دارد.
اصالت / ارزش‌افزوده علمی: باتوجه‌به اینکه در چند سال اخیر پس از بحران مالی سال 2008، سیاست‌های پولی از طریق کانال جدیدی به نام کانال ریسک‌پذیری فعالان بخش پولی و مالی به‌ویژه بانک‌ها، بر فعالیت‌های واقعی اقتصاد مؤثر بوده است، لذا ارائه‌ی مدلی مبتنی بر ارزیابی ریسک‌پذیری بانک‌ها از شرایط عدم اطمینان سیاست پولی میتواند منجر به ارائه راهکارهای تجربی مناسب برای بانک‌ها و سیاست‌گذاران کشور گردد.
Albertazzi, U., & Gambacorta, L. (2009). Bank profitability and the business cycle. Journal of financial stability, 5(4), 393-409.
Ali, M., & Puah, C. H. (2018). Does bank size and funding risk effect banks’ stability? A lesson from Pakistan. Global Business Review, 19(5), 1166-1186.
Asadi, Z., & Yavari, K. (2022). The effect of sanctions on financial instability of Iranian banks. Quarterly Journal of Quantitative Economics, 18(4), 1-35. [In Persian]
Azadeh, S., Aslizadeh, A., & Khakzar bafruei, M.. (2022). Dynamic analysis of the performance of the iranian banking system in uncertainty condition. Advances in Finance and Investment, 3(8), 31-60. [In Persian]
Bakhtiar, M. (2018). Extracting the banking stability index and its relation to currency fluctuations in Iran's economy. Presented at the 28th Annual Conference on Monetary and Exchange Rate Policies, Tehran. [In Persian]
Bastin, H., Sabet, S. A., Salehi Razavi, M., & Hosseinpour, A. (2020). Comparative analysis of monetary policy transmission channels under economic sanctions in Iran: A quantile regression approach. Applied Economics, 10(99), 31-46. [In Persian]
Bernanke, B. S., & Gertler, M. (1995). Inside the black box: the credit channel of monetary policy transmission. Journal of Economic perspectives, 9(4), 27-48.
Boungou, W. (2019). Negative interest rates, bank profitability and risk-taking. Bank Profitability and Risk-taking (July 8, 2019).
Chen, P., Karavias, Y., & Tzavalis, E. (2021). Panel unit root tests with structural breaks. Presented at the 27th UK Stata Conference, Birmingham Business School, University of Birmingham, UK, and Department of Economics, Athens University of Economics and Business, Greece.
Chow, Y. P., Muhammad, J., Bany-Ariffin, A. N., & Cheng, F. F. (2018). Macroeconomic uncertainty, corporate governance and corporate capital structure. International Journal of Managerial Finance, 14(3), 301-321.
Cihak, M., Demirgüç-Kunt, A., Peria, M. S. M., & Mohseni-Cheraghlou, A. (2013). Bank regulation and supervision in the context of the global crisis. Journal of Financial Stability, 9(4), 733-746.
de Moraes, C. O., & de Mendonça, H. F. (2019). Bank’s risk measures and monetary policy: Evidence from a large emerging economy. The North American Journal of Economics and Finance, 49, 121-132.
De Nicolo, G., & Lucchetta, M. (2009). Financial intermediation, competition, and risk: a general equilibrium exposition. European banking center discussion paper, (2010-19S).
Diamond, D. W., & Rajan, R. G. (2006). Money in a theory of banking. American Economic Review, 96(1), 30-53.
Ditzen, J., Karavias, Y., & Westerlund, J. (2021). Testing and estimating structural breaks in time series and panel data in Stata. arXiv preprint arXiv:2110.14550.
Djatche, M. J. N. (2019). Re-exploring the nexus between monetary policy and banks' risk-taking. Economic Modelling, 82, 294-307.
Eslamloueyan, K., Yazdanpanah, H., & Khalilnezhad, Z. (2018). The existence of a risk-taking channel of monetary policy transmission in Iran’s banking system. Economic Modeling Research, 9(31), 7-40. [In Persian]
Ferdowsi, F., Dehghanayri, L., & Ghafarinejad, H. S. (2018). Financial stability and market structure in Iran's banking system. Presented at the 28th Annual Conference on Monetary and Exchange Rate Policies, Tehran. [In Persian]
Galati, G., & Moessner, R. (2013). Macroprudential policy–a literature review. Journal of Economic Surveys, 27(5), 846-878.
Gambacorta, L., & Mistrulli, P. E. (2004). Does bank capital affect lending behavior?. Journal of Financial intermediation, 13(4), 436-457.
Ge, X., Liu, Y., & Zhuang, J. (2023). Monetary policy uncertainty, market structure and bank risk-taking: Evidence from China. Finance Research Letters, 52, 103599.
Ghasemi, A., & Akbari Moghaddam, B. (2020). Financial Instability under a DSGE Modeling Approach: A Case Study of Iran. Macroeconomics Research Letter, 14(28), 319-354. [In Persian]
Hadri, K., Larsson, R., & Rao, Y. (2012). Testing for stationarity with a break in panels where the time dimension is finite. Bulletin of Economic Research, 64, s123-s148.
Hassanzadeh, A., Nazarian, R., & Kianvand, M. (2011). The effect of monetary policy shocks on stock price index fluctuations in Iran. Quarterly Journal of Monetary and Banking Research, 4(9), 1-44. [In Persian]
Hosseinzadeh, H., & Esmaeilzadeh, F. (2021). Investigating the asymmetric impact of monetary shocks on bank credits during business periods: (Serious Keynesian Perspective Test). Journal of Islamic Economics and Banking, 10(34), 35-55. [In Persian]
Husted, L., Rogers, J., & Sun, B. (2017). Monetary Policy Uncertainty. International Finance Discussion Paper, 1215, 1–56.
Jiang, Q., & Cheng, S. (2021). How the fiscal and monetary policy uncertainty of China respond to global oil price volatility: A multi-regime-on-scale approach. Resources Policy, 72, 102121.
Kafaie, M., & Rahzaani, M. (2016). The Effect of Macroeconomic Uncertainty on Liquidity Risk of Banks in Iran. Economics Research, 16(62), 29-56. [In Persian]
Laki, A., & Jahani, A. (2022). Investigating the relationship between economic policy uncertainty and banking stability. The 13th National Conference on Economics, Management and Accounting, Shirvan. [In Persian]
Liang, C., Hong, Y., Huynh, L. D. T., & Ma, F. (2023). Asymmetric dynamic risk transmission between financial stress and monetary policy uncertainty: thinking in the post-covid-19 world. Review of Quantitative Finance and Accounting, 60(4), 1543-1567.
Mare, D. S., Moreira, F., & Rossi, R. (2017). Nonstationary Z-score measures. European Journal of Operational Research, 260(1), 348-358.
Masoudian, M. S., Fallahshams, M., & Zomorodian, G. (2022). Assessing competition and financial stability in the banking system by assessing capital and losses in crisis. The Journal of Economic Studies and Policies, 9(1), 266-293. [In Persian]
Mohammadi, T., Eskandar, F. I., & Karimi, D. (2016). The Effect of Macroeconomic Variables and Special Banking Characteristics on Non-Performing Loans in Iranian Banking System. Economics Research, 16(62), 81-101. [In Persian]
Montes, G. C., & Peixoto, G. B. T. (2014). Risk-taking channel, bank lending channel and the “paradox of credibility”: Evidence from Brazil. Economic Modelling, 39, 82-94.
Noori Shirazi, M., Kordbacheh, H., & Shah-abadi, A. (2022). Evaluating the Impact of Macroprudential Policies on Bank Risk-Taking, Evidence from Tehran Stock Exchange. Journal of Economic Research (Tahghighat- E- Eghtesadi), 56(4), 729-770. [In Persian]
Pezeshki, R., Asgarkhani, A. M., & Atasheneh, M. (2020). Strategies to counteract the effects of U.S. sanctions on Iran's banking system. Political Science, 50(16), 195-225. [In Persian]
Rahimi, A. (2020). Examining operational frameworks of interest rate-based monetary policy: The "corridor system" versus the "floor system" Ravand, 27(85-86), 71-98. [In Persian]
Rahimi, R., Sarraf, F., Jafari, M., & Safavi, B. (2022). Modeling and identification of nonfragile variables affecting credit risk in Tejarat Bank with an emphasis on fintech technologies. Advances in Finance and Investment, 3(9), 135-170. [In Persian]
Safi Dastjerdi, D., Tayebi, K., & Elahi, N. (2021). Loan Interest Rate Uncertainty and Financing SMEs Listed in Tehran Stock Exchange. Journal of Asset Management and Financing, 9(2), 1-20. [In Persian]
Salmani Bishak, M. R., Barghi Esgoei, M. M., & Lak, S. (2015). The effects of monetary and fiscal policy shocks on stock market of Iran. Economic Modeling Research, 6(22), 93-131. [In Persian]
Shafik, S. (2014). Financial stability and liquidity: evidence from conventional and Islamic banks in the GCC region.
Solgi, M., & Alizadeh, M. (2020). Investigating the impact of monetary policy on systemic risk. Budget and Finance Strategic Research, 1(1), 11-40. [InPersian]
Taghizadeh, H., Sharifi Renani, H., & Ghobadi, S. (2021). Assessing Financial Stability in the Iranian Economy under Monetary Policy and Macroprudential Policy. Economic Strategy, 10(36), 145-176. [InPersian]
Taylor, J. B. (2017). Rules versus discretion: assessing the debate over the conduct of monetary policy.
Van Greuning, H., & Bratanovic, S. B. (2020). Analyzing banking risk: a framework for assessing corporate governance and risk management. World Bank Publications.
Wu, J., Yan, Y., Chen, M., & Jeon, B. N. (2022). Monetary policy, economic uncertainty and bank risk: Cross-country evidence. Journal of International Money and Finance, 122, 102580.
Yavari, K., Sahabi, B., Agheli, L., & Shafiei, S. (2016). Uncertainty in Monetary Policy and its Economic Impacts: a combination of VAR and GARCH. Quarterly Journal of Quantitative Economics, 13(1), 69-96. [InPersian]
Journal of Advances in Finance and Investment Volume 5, Issue 4, 2024 pp. 1-36. Paper type: Research paper
|
Designing and Explaining the Assessment Model of Banks' Risk-taking from the Conditions of Monetary Policy Uncertainty
Nafiseh Vatanchi1, Mirfeiz Fallahshams Lialestani2, Gholamreza Zomorodian1
Received: 21/10/2023 Accepted: 15/09/2024
Extended Abstract
Introduction
The banking sector, serving as the primary channel for the implementation of monetary policies (under the jurisdiction of central banks), and the real sector of the economy, functioning as the conduit for the execution of fiscal policies (under the jurisdiction of the government), play a significant role in influencing the economic equilibrium of a country. Therefore, increased coordination between these two sectors will provide a conducive environment for fostering the country's economic growth. Additionally, macroeconomic stability, achieved through a substantial reduction in uncertainty and the advancement of long-term planning, significantly contributes to realizing genuine economic growth. It is evident that uncertainty and instability in the macroeconomic environment lead to financial system instability, ultimately impacting the performance and activities of banks (Rahimi et al., 2022). In this context, accommodative monetary policy is considered one of the key drivers of this deviant behavior. Monetary policies typically play a crucial role in stabilizing and achieving economic growth in developing countries. The relationship between monetary policy and banks' risk-taking has garnered increasing attention from academics and policymakers in recent years. Given that banks still constitute the predominant part of the financial supply system in most developing economies, excessive banking risks in these countries may have more detrimental effects compared to countries with less reliance on bank financing (Cihak et al., 2013). Therefore, considering the significance of the subject, understanding how the uncertainty resulting from the implementation of economic policies affects the performance of banks, given their key role in achieving economic growth and development, is deemed essential (Aslizadeh et al., 2022). In this regard, considering that in the Iranian economy, during the years 2011-2021, various shocks such as economic sanctions, oil shocks, exchange shocks. the emergence of the COVID-19 pandemic, among others, have occurred, uncertainty has prevailed in the country's economy during that period. Hence, it is deemed necessary to identify and design an appropriate model for evaluating banks' risk-taking behavior under conditions of economic uncertainty, with a focus on the uncertainty of monetary policies.
Innovation of this research involves the design and explication of a model for banks' risk-taking in the face of severe monetary uncertainty prevailing in the country's economy during the years 2011-2021, through the selection of volatile monetary policy tools from the perspective of money demand, which includes the interest rate of the interbank market, which has never been a research was not used to design and explain the model, and also from the perspective of money supply using the private sector debt to banks, along with other volatile economic variables in the mentioned decade such as exchange growth rate and economic growth rate, with Considering the criterion of the size of the investigated banks and focusing on the possible structural failures that occurred in the research data,is.The results obtained from estimating the research model can provide practical solutions for banks and policymakers in the country, given the ongoing sanctions, financial crises, and economic uncertainties expected in the coming decades. The current research aims to answer the following question:
• How is the assessment model of banks' risk-taking from the conditions of monetary policy uncertainty formulated?
Literature Review
Considering the potential adverse effects of macroeconomic uncertainty on businesses in different countries or regions, the economic growth of these countries or regions may also be inversely affected (Chow et al., 2018). In this regard, the implementation of an appropriate monetary policy by monetary authorities can serve as institutional arrangements towards effectively enhancing societal welfare. A successful and appropriate monetary policy cannot overlook the uncertainty of the parameters of the channels through which monetary policy is transmitted to the real economy. In recent years, especially following the 2008 financial crisis, a new channel named the "risk-taking channel" has garnered attention. The risk-taking channel refers to the idea that monetary policy, by influencing the risk-taking behavior of financial and monetary sectors, especially banks, can have a significant impact on real economic activities (Eslamloueyan et al., 2018). The findings of the research by Ge et al. (2023) indicate that banks tend to take on more risks after an increase in monetary policy uncertainty, confirming the positive impact of monetary policy uncertainty on bank risk-taking.
Research by Laki and Jahani (2022) suggests an inverse and meaningful relationship between economic policy uncertainty and banking stability. Additionally, the results of the studies by Solgi and Alizade (2020) indicate a significant and long-term relationship between monetary policy and systemic risk. Moreover, many researchers, including Wu et al. (2022), de Moraes and de Mendonça (2019), Boungou (2019), Noori Shirazi et al. (2022), have investigated the relationship between monetary policy uncertainty and bank risk-taking.
Research Methodology
The multivariate regression method was used with mixed data to analyze the research question. The statistical population included nine TSE-listed banks; (i.e., Saderat of Iran, Mellat, Tejarat, Parsian, Pasargad, Eghtesad Novin, Karafarin, Sina and Post Bank), which were evaluated intermittently within 2011–2021.
The data on banking variables was obtained by statistical analysis of the audited financial accounts available at https://www.codal.ir, while the data on economic factors was obtained at https://www.cbi.ir. The final model was estimated using panel data analysis, and the EGARCH approach was utilized to ascertain the uncertainty of monetary policy indices.
The econometrics model of this study is presented by Equation (1):
| (1) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Where T= t – k + 1, …, t | (2) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| (3) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Table(1) Introduction of research variables | ||||
متغیرهای بانکی و اقتصادی | نماد | |||
متغیر بانکی (متغیر وابسته) | شاخص ثبات بانکی یا ریسک‌پذیری بانک‌ها | ZSCORE | ||
متغیر کنترل بانکی (متغیر مستقل) | اندازه بانک | SIZE | ||
متغیرهای اقتصادی (متغیرهای مستقل) | نااطمینانی نرخ سود بانکی | UIR | ||
نااطمینانی بدهی بخش غیردولتی به بانک‌ها | UPSDTCB | |||
نرخ رشد اقتصادی | GG | |||
رشد نرخ ارز در بازار غیررسمی | GLE | |||
متغیر مجازی تأثیر شکست ساختاری | DS | |||
برای تبیین مدل ایستا، مدل اقتصادسنجی این مطالعه بر مبنای مطالعات کتابخانه‌ای با تمرکز بر استفاده از مطالب مقالات و پایان‌نامه‌های خارجی و بعضاً داخلی به شرح رابطه (1) طراحی و تبیین گردید.
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
شکل (1) متوسط شاخص logzscore برای بانک‌های مورد بررسی Figure (1) Average Of Logzscore Index For The Investigated Banks |
باتوجه‌به شکل (1) ملاحظه گردید که در بازه مورد بررسی، روند متوسط شاخص ثبات بانکی به‌صورت محسوس دارای نوسان و شیب نزولی بوده و در برخی مقاطع زمانی دچار شکست ساختاری است. در این راستا متوسط شاخص Logzscore دردهه 1390 به تفکیک بانک‌های مورد بررسی به شرح شکل (2) میباشد:
شکل (2) متوسط شاخص logzscore به تفکیک بانک‌های مورد بررسی Figure (2) Average Of Logzscore Index Curve For The Investigated Banks |
استراتژی‌های هدف‌گذاری پولي، هدف‌گذاری نرخ ارز و هدف‌گذاری تورم سه استراتژي متعارف براي سیاست‌گذاری پولي هستند و هدف عملياتي در استراتژي هدف‌گذاری پولي، پايه پولي و برای هدف‌گذاری تورم و نرخ ارز، نرخ بهره کوتاه‌مدت به‌عنوان هدف عملياتي در نظر گرفته
می‌شود (Rahimi, 2020). همچنین ازآنجاکه اثرات نوسانات یا شوک‌های سیاست پولی بر بخش‌های مختلف اقتصادی، میتواند ریشه در تقاضا و یا عرضه پول داشته باشد و طبق تئوری‌های اقتصاد کلان، تقاضای پول تابعی از نرخ بهره است و هرگونه تغییری در عرضه پول که ناشی از اجرای سیاست‌های پولی انبساطی یا انقباضی باشد، میتواند بر اقتصاد و درنتیجه عملکرد بانک‌ها که بخش مهمی از اقتصاد کشور را تشکیل می‌دهند، تأثیرگذار باشد؛ لذا در این پژوهش نرخ سود بازار بین‌بانکی از منظر تقاضای پول باتوجه‌به اینکه تطابق بیشتری با شرایط واقعی بازار پول و انعکاس رفتار ریسک‌پذیری بانک‌ها دارد و به علت تأثیرپذیری سایر نرخ‌ها همچون نرخ سود تسهیلات و سپرده‌های بانکی از آن و متغیر بدهی بخش غیردولتی به بانک‌ها از منظر عرضه پول با عنایت به اینکه بر تغییر اجزای پایه پولی و حجم نقدینگی استوار میباشد (Hassanzadeh et al., 2011)، که به‌عنوان مهم‌ترین پروکسی‌های سیاست پولی در مدل لحاظ گردیده‌اند.
در ادامه جهت برآورد مدل نااطمینانی سیاست پولی از نااطمینانی متغیرهای نرخ سود بازار بین‌بانکی و بدهی بخش غیردولتی به بانک‌ها به شرح ذیل استفاده گردیده است.
روند نرخ سود بازار بین‌بانکی در بازه زمانی 1390 الی 1399 به شرح شکل (3) میباشد.
باتوجه‌به شکل (3) ملاحظه گردید که روند متغیر IR دربازه مورد بررسی دارای نوسان بوده است. برای برآورد نااطمینانی متغیر نرخ سود، ابتدا بایستی بهترین الگوی ARIMA(p,d,q) انتخاب شود. بدین منظور نخست مانایی سری زمانی متغیر نرخ سود با استفاده از آزمـون ریـشه واحـد KPSS10 بررسی شد و نتایج حاصل نشان داد متغیر IR در سطح مانا بوده و یا به عبارتی I(0) میباشد. سپس به‌منظور تشخیص مدل بهینه ARIMA، نمودارکرلوگرام ترسیم و ملاحظه گردید که PACF و ACF در مشاهده 1، خارج از مقدار میانگین میباشند؛ بنابراین سری زمانی دارای AR(1) و MA(1) میباشد و این تخمین میتواند نشاندهنده ARIMA بهینه بوده که برای مورد بررسی ما، ARIMA(1,1,1) میباشد. در ادامه جهت آزمون اثبات وجود واریانس ناهمسانی برای متغیر نرخ سود از روش
LM-ARCH11 استفاده شد و طبق نتایج، مشخص گردید که واریانس ناهمسانی برای متغیر IR وجود دارد. همچنین برای استخراج سری زمانی نوسانات متغیر IR، از روش EGARCH(p,q) استفاده گردید. نتایج حاکی از آن است که بهترین مدل نااطمینانی متغیر نرخ سود بر اساس مقدار کمینه آمارههای آکائیک12 و شوارتز13 (1,1) EGARCH با دو وقفه به شرح جدول (2) میباشد.
جدول (2) برآورد مدل نااطمینانی متغیر نرخ سود Table (2) Estimation Of The Uncertainty Model Of Interest Rate Variable | |||||||||||
EGARCH(1,1) | نتیجه | ||||||||||
Asymmetric Order (2) | |||||||||||
متغیر |
فرض صفر | ضرایب | انحراف استاندارد | آماره z | مقدار prob | ||||||
| اثر شوک‌های مثبت و منفی وارده به متغیر نرخ سود متقارن است. | 98/1 | 032/0 | 60 | 0000/0 | رد فرض صفر و پذیرش فرضیه مقابل مبنی بر اینکه اثر شوک‌های مثبت و منفی وارده به نرخ سود طی دو وقفه، نامتقارن است. | |||||
| 44/2- | 199/0 | 29/12- | 0000/0 | |||||||
γ1 | 94/1- | 715/0 | 71/2- | 0067/0 | |||||||
γ2 | 92/1 | 66/0 | 91/2 | 0036/0 | |||||||
β | 34/0 | 163/0 | 11/2 | 034/0 | |||||||
| |||||||||||
شکل (5) روند متغیر بدهی بخش غیردولتی به بانک‌ها Figure (5)Private Sector Debt To Banks Variable Trend |
با توجه شکل (5)، ملاحظه گردید که روند متغیر PSDTCB در فواصل سال‌های 1390 الی 1399 صعودی و کمابیش دارای نوسان بوده است. برای برآورد نااطمینانی متغیر بدهی بخش غیردولتی به بانک‌ها (UPSDTCB) ابتدا بایستی بهترین الگوی ARIMA(p,d,q) انتخاب شود. بدین منظور ابتدا مانایی سری زمانی متغیر بدهی بخش غیردولتی به بانک‌ها با استفاده از آزمـون ریـشه واحـد KPSS بررسی گردید و نتایج نشان داد که متغیر PSDTCB در سطح یک درصد مانا بوده و یا به عبارتی I(0) میباشد. سپس به‌منظور تشخیص مدل بهینه ARIMA، نمودار کرلوگرام ترسیم و ملاحظه گردید که PACF و ACF در مشاهده 1، خارج از مقدار میانگین میباشند؛ بنابراین سری زمانی دارای AR(1) و MA(1) میباشد و این تخمین میتواند نشاندهنده ARIMA بهینه بوده که برای مورد بررسی ما، ARIMA(1,1,1) میباشد. در ادامه جهت آزمون اثبات وجود واریانس ناهمسانی برای متغیر بدهی بخش غیردولتی به بانک‌ها از روش LM-ARCH استفاده شد و طبق نتایج، واریانس ناهمسانی برای متغیر PSDTCB وجود داشت. همچنین برای استخراج سری زمانی نوسانات متغیر PSDTCB، از روش (p,q)EGARCH استفاده گردید. نتایج حاکی از آن است که بهترین مدل بر اساس مقدار کمینه آمارههای آکائیک و شوارتز، (1,1) EGARCH با یک وقفه به شرح جدول (3) میباشد.
جدول (3) برآورد مدل نااطمینانی متغیر بدهی بخش غیردولتی به بانک‌ها Table (3) Estimation of the uncertainty model of private sector debt to banks variable | |||||||||||
EGARCH(1,1) | نتیجه | ||||||||||
Asymmetric Order (1) | |||||||||||
متغیر | فرض صفر | ضرایب | انحراف استاندارد | آماره z | مقدار prob | ||||||
| اثر شوک‌های مثبت و منفی وارده به متغیر بدهی بخش غیردولتی به بانک‌ها متقارن است. | 31/16 | 452/7 | 189/2 | 0285/0 | رد فرض صفر و پذیرش فرضیه مقابل مبنی بر اینکه اثر شوک‌های مثبت و منفی وارده به متغیر بدهی بخش غیردولتی به بانک‌ها طی یک وقفه، نامتقارن است. | |||||
| 63/2- | 142/1 | 303/2- | 0213/0 | |||||||
γ | 66/1- | 834/0 | 99/1- | 04/0 | |||||||
β | 26/0- | 653/0 | 406/0- | 6845/0 | |||||||
| |||||||||||
شکل (6) منحنی متغیر نااطمینانی بدهی بخش غیردولتی به بانک‌ها Figure (6)private sector debt to banks Uncertainty variable curve |
شکل (6) بیانگر آن است که در بازه مورد بررسی روند متغیر نااطمینانی بدهی بخش غیردولتی به بانک‌ها ثابت و یکسان نبوده و دارای نوسان میباشد و این نوسانات تأثیر مشابهی نیز از خود نشان نمیدهند.
در برآورد مدل پژوهش از سایر متغیرهای اقتصادی مشتمل بر نرخ‌های رشد اقتصادی و رشد ارز در بازار غیررسمی به شرح توضیحات ذیل استفاده گردیده است.
نوسان و بی‌ثباتی در تولید ناخالص داخلی اثرات منفی بر فعالیت بنگاه‌های اقتصادی داشته و
میتواند منجر به عدم ایفای تعهد تسهیلات گیرندگان و درنتیجه بی‌ثباتی بانک‌ها گردد؛ لذا در این پژوهش متغیر نرخ رشد اقتصادی از طریق محاسبة نرخ رشد تولید ناخالص داخلی (با احتساب قیمت نفت) به قیمت‌های ثابت سال 1390 وارد مدل گردید.
روند تغییرات رشد اقتصادی در دوره زمانی ۱۳۹۰ تا ۱۳۹۹ در شکل (۷) نشان داده شده است.
باتوجه‌به تئوری سبد دارایی و جانشینی دارایی‌های ارز و سپرده‌های مدت‌دار و تأثیر این امر بر شاخص ثبات بانکی، متغیر رشد نرخ ارز از طریق محاسبه رشد نرخ ارزش برابری دلار آمریکا در مقابل ریال در بازارهای غیررسمی وارد مدل گردید.
روند تغییرات نرخ رشد ارز در ایران در فاصله سال‌های ۱۳۹۰ تا ۱۳۹۹ در شکل (۸) نشان داده شده است.
متغیر اندازه بانک‌ها به‌عنوان مهم‌ترین شاخص ویژگی‌های خاص بانکی و تأثیرگذار بر ثبات بانک‌ها به‌صورت لگاریتم طبیعی دارایی‌ها، در برآورد مدل استفاده گردیده است.
روند مانده کل دارایی‌های بانک‌های مورد بررسی در سال‌های ۱۳۹۰ تا ۱۳۹۹ در شکل (۹) نشان داده شده است.
به‌منظور سنجش تأثیر انواع شوک‌های بروز گردیده در دهه 1390 شمسی نظیر تحریمهای اقتصادی و... بر شاخص ریسک‌پذیری بانک‌ها، از متغیر مجازی شکست ساختاری در برآورد مدل به شرح توضیحات ذیل استفاده گردیده است.
شکل (10) تأثیر شکست ساختاری درروند متوسط شاخص logzscore Figure (10) The effect of Structural Failure on the average trend of the logzscore index |
باتوجه‌به شکل (10)، مشاهده گردید که شیب کل منحنی logzscore در بازه زمانی سال‌های 1390 الی 1399 منفی 0634/0 میباشد. همچنین شیب منحنی در فواصل سال‌های 1395 الی 1396 در مقایسه با سال‌های دیگر به‌صورت محسوسی نزولی و به میزان منفی 2334/0 بوده است. در طی سال‌های 1390 الی 1394 و 1397 الی 1399 که اقتصاد کشور با اعمال تحریم‌ها مواجه بوده، زمینه افزایش بی‌ثباتی بانک‌های مورد بررسی فراهم گردیده است و در دوران بعد از شکست ساختاری اولیه یعنی در فواصل سال‌های 1395 و 1396 باوجود انعقاد قرارداد برجام و کاهش اثر تحریمهای اقتصادی، لیکن به دلیل بروز شکست ساختاری در سنوات قبل، شاهد آثار منفیِ محسوس و معنادار آن بر ثبات بانک‌ها میباشیم. لذا برای متغیر مجازی شکست ساختاری در فواصل سال‌های 1395 و 1396 مقدار یک و در سال‌های وقوع شکست ساختاری یعنی سال‌های 1390 الی 1394 و 1397 الی 1399 مقدار صفر لحاظ گردید.
اطلاعات مربوط به آمار توصیفی متغیرهای پژوهش در جدول (۴) آمده است:
|
Table(4)Descriptive statistics of variables | ||||||
پارامترها/ | لگاریتم شاخص (zscore) | نااطمینانی نرخ سود (UIR) | نااطمینانی بدهی بخش غیردولتی به بانک‌ها (UPSDTCB) | رشد ارز (GLE) | رشد اقتصادی (GG) | اندازه بانک‌ها (SIZE) |
میانگین | 899/1 | 21/4 | 00758/11 | 48/0 | 0027/0 | 99/12 |
میانه | 998/1 | 77/1 | 72/11 | 14/0 | 0007/0- | 05/13 |
بیشینه | 287/3 | 01/15 | 22/14 | 24/2 | 149/0 | 83/15 |
کمینه | 728/1- | 000004/0 | 75/1 | 15/0- | 105/0- | 77/9 |
انحراف استاندارد | 6/0 | 99/4 | 63/2 | 66/0 | 065/0 | 28/1 |
چولگی | 373/0- | 13/1 | 35/2- | 41/1 | 172/0 | 254/0- |
کشیدگی | 84/2 | 96/2 | 11/9 | 13/4 | 012/3 | 51/2 |
در ادامه به‌منظور آزمون احتمال وقوع یک یا چند شکست ساختاری در داده‌های پانلی، آزمون همبستگی مقطعی CD پسران صورت پذیرفته که نتایج حاصل به شرح جدول (5) میباشد.
جدول (5) نتایج آزمون وابستگی وابستگی مقطعی در مدل های داده های تابلویی Table (5) pesaran cd test for cross-sectional dependence In Panel Data Models | ||
نام آزمون | مقدار آماره | معناداری (prob) |
CD پسران | 584/7 | 0 |
باتوجه‌به نتایج حاصل، فرضیه صفر مبنی بر عدم وابستگی مقاطع رد و وجود وابستگی بین مقاطع در سطح 99 درصد اطمینان نتیجه‌گیری شد.
باتوجه‌به اثبات وجود وابستگی مقاطع در داده‌های مدل، وجود یا عدم وجود شکست ساختاری در حالت مشخص نبودن تاریخ رخداد شکست در داده‌های پانل به روش دیتزن و همکاران (Ditzen et al., 2021) آزمون گردید. نتایج حاصل از آزمون سه فرضیه به شرح جدول (6) میباشد:
جدول (6) آزمون اثبات رخداد شکست ساختاری Table (6) Structural Failure Event Proof Test | ||||||||
فرضیات | آماره آزمون | مقادیر بحرانی | نتیجه | |||||
1% | 5% | 10% | ||||||
فرضیه اول: فرض صفر مبنی بر عدم وجود نقطه شکست در مقابل فرض وجود دونقطه شکست | 77/0 | 67/3 | 12/3 | 87/2 | عدم وجود نقطه شکست | |||
فرضیه دوم: فرض صفر مبنی بر وجود یک نقطه شکست در مقابل فرض وجود دونقطه شکست | 46/0 | 88/4 | 98/3 | 63/3 | وجود یک نقطه شکست | |||
فرضیه سوم: فرض صفر مبنی بر عدم وجود شکست در مقابل فرض حداقل یک نقطه شکست و حداکثر دونقطه شکست | 68/4 | 50/4 | 68/3 | 30/3 | وجود حداقل یک نقطه شکست و حداکثر دونقطه شکست | |||
باتوجه‌به نتایج حاصل از انجام آزمون، فرضیه مبنی بر وجود حداقل یک نقطه شکست و حداکثر دونقطه شکست در سطح اطمینان 99 درصد موردپذیرش قرار گرفت.
در ادامه جهت آزمون ایستایی مناسب با لحاظ شکست‌های ساختاری، از روش چن و همکاران (Chen et al., 2021) استفاده گردید. همچنین با استفاده از روش هادری و همکاران (Hadri et al., 2012) نیز ایستایی متغیرها بررسی گردید که نتایج حاصل به شرح جدول (7) میباشد.
جدول (7) نتایج حاصل از آزمون مانایی هادری و همکاران (2012) و چن و همکاران (2021) Table (7) The Result Of Stationary Test Hadri et al., (2012) and Chen et al. (2021) | |||||||||||
نام متغیر | نام آزمون | ||||||||||
Chaen - Karavias - Tzavalis | Hadri - Larsson - Rao | ||||||||||
99% | 97.5% | 95% | 90% | ||||||||
LOGZ | (4602/9-) (0000/0) | 217/9 (000/1) | 263/7 (000/1) | 018/6 (000/1) | 684/4 (000/1) | ||||||
UIR | (7846/22-) (0000/0) | 0117/42 (000/1) | 116/34 (000/1) | 513/29 (000/1) | 651/24 (000/1) | ||||||
UPSDTCB | (9354/26-) (0000/0) | 1/15 (000/1) | 654/12 (000/1) | 85/10 (000/1) | 762/8 (000/1) | ||||||
GLE | (2134/8-) (0000/0) | 888/5 (000/1) | 887/4 (000/1) | 174/4 (000/1) | 563/3 (000/1) | ||||||
GG | (9904/4-) (0000/0) | 233/7 (000/1) | 282/6 (000/1) | 391/5 (000/1) | 52/4 (000/1) | ||||||
SIZE | (5031/14-) (0000/0) | 346/3 (000/1) | 784/2 (000/1) | 331/2 (000/1) | 896/1 (000/1) | ||||||
باتوجه‌به اطلاعات جدول (7) و نتایج آزمون چن و همکاران، فرض صفر "مبنی بر وجود ریشه واحد" رد و فرضیه مقابل مبنی بر ایستا بودن متغیرها پذیرفته شد. همچنین نتایج حاصل از آزمون هادری و رائو نشان داد که فرض صفر "مبنی بر ایستا بودن" در خصوص تمام متغیرها پذیرفته گردید.
در ادامه از آزمون F لیمر برای تخمین مدل ایستا استفاده شد که بیانگر رد فرضیه صفر و لزوم استفاده از روش داده‌های تابلویی برای نمونه مورد بررسی بود. پس‌ازآن اقدام به انجام آزمون هاسمن جهت انتخاب نوع روش تخمین در الگوی داده‌های تابلویی14 گردید که نتایج به شرح جدول (8) مبنی بر تأیید استفاده از روش اثرات ثابت میباشد.
جدول (8) نتایج آزمون اثرات گروه و اثرات ثابت و تصادفی Table (8)The Result Of Group and Fix and Random Effects | |||
نام آزمون | فرضیه صفر | مقدار آماره و درصد معناداری | نتیجه |
آزمون اثرات گروه | همگن بودن بانک‌های مورد بررسی و استفاده از روش pooling | 666/17 (0000/0) | رد فرض صفر و تأیید استفاده از روش داده‌های تابلویی |
آزمون هاسمن | مدل از نوع تصادفی یا Random Effect میباشد. | 93/12 (04/0) | رد فرض صفر و تأیید فرض مقابل مبنی بر اینکه مدل از نوع اثرات ثابت یا Fix Effect میباشد. |
نتایج حاصل از برآورد نهایی مدل به روش GLS15 پس از رفع خودهمبستگی به روش وولدریج16 و واریانس ناهمسانی به روش والد تعدیل‌شده17، به شرح جدول (9) و رابطه (5) میباشد.
[1] . Department of Financial, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
[2] . Department of Financial, Central Tehran Branch, Islamic Azad University, Tehran, Iran. (Corresponding Author). Mirfeiz.Fallah@iau.ac.ir
How to cite this paper: Vatanchi, N., Fallahshams Lialestani, M., Zomorodian, Gh. (2024). Designing and Explaining the Assessment Model of Banks' Risk-taking from the Conditions of Monetary Policy Uncertainty. Advances in Finance and Investment, 5(4), 1-36. [In Persian]
https://doi.org/10.71729/afi.2024.1088612
[3] 1. گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
[4] 2. گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. (نویسنده مسئول). Mirfeiz.Fallah@iau.ac.ir
استناد: وطن‌چی، نفیسه؛ فلاح شمس لیالستانی، میرفیض؛ زمردیان، غلامرضا. (1403). طراحی و تبیین مدل ارزیابی ریسک‌پذیری بانک‌ها از شرایط عدم اطمینان سیاست پولی. پیشرفت‌های مالی و سرمایه‌گذاری، 5(4). 36-1.
https://doi.org/10.71729/afi.2024.1088612
[5] . Monetary Policy Uncertainty (MPU)
[6] System Generalized Method of Moments (SYS-GMM)
[7] Vector Error Correction (VEC)
[8] Eviews
[9] Stata
[10] KPSS (Kwiatkowski-Phillips-Schmidt-Shin)
[11] . LM-ARCH (Lagrange Multiplier - Autoregressive Conditional Heteroskedasticity)
[12] . Akaike Information Criterion (AIC)
[13] . Schwarz Information Criterion (SIC)
[14] . Panel Data
[15] . Generalized Least Squares (GLS)
[16] . Wooldridge Method
[17] . Adjusted Wald Method
سند
الروابط
المراكز ذات الصلة
دعامة
الصفحات الرسمية
حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1447