Prediction of Banking Distress and Contagion of Crisis in the Banking Network (With Application of Linear and Non-Linear Hybrid Approach)

Subject Areas : Futurology

Ahmad Bidi ¹ , Feraydoon Rahnamay Roodposhti ² , Reza Gholami Jamkarani ³ , hamidreza kordlouie ⁴ , Morteza Baky Heskouii ⁵

1 - PhD. Student in Financial Management, Accounting Department, Qom Branch, Islamic Azad University, Qom, Iran
2 - Professor,Accounting Department, Science and Research Branch,Islamic Azad University,Tehran,Iran
3 - Assistant Professor, Accounting and finance Department, Qom Branch, Islamic Azad University, Qom, Iran
4 - Associate Professor, Accounting and management Department, Ealamshar Branch, Islamic Azad University, Ealamshar, Iran
5 - Assistant Professor, Economic and management Department, Imam Sadegh University, Tehran, Iran

Received: 2021-03-19 Accepted : 2021-10-31 Published : 2023-05-22

Keywords: Non-linear Causality, Banking System Fragility Index (BSFI), Banking Distress, Granger Linear Causality, Contagion Risk,

Abstract :

The present research aimed at prediction of banking disorder and contagion of crisis in the banking network is conducted by application of linear and non-linear hybrid approach. The present research method is of descriptive-survey, and practical in terms of objective. Therefore, in order to attain this objective, firstly, banking system fragility index (BSFI) is reviewed as an early warning system in order to identify banking crisis, in four banking system sectors (specialized, commercial, private and credit institutions), and banking system fragility index is reviewed in the stated four sectors by applying linear and non-linear approaches by making use of data obtained during March 2016 until December 2020. Results of calculation of banking system fragility index in sub-sectors of the banking system indicate periods of high fragility of the banking system, in particular in January, February and March 2017, which might be due to effects of election. Furthermore, in December 2020, high risk-taking was observed in the banking system, arising from creation of a bubble, which represents a strong warning for future problems of the national banking system. Furthermore, during the review period, banking network is noticeably fragile. Notably, results of Granger linear causality test indicate two-sided causality between credit institutions and private banks, a one-sided causal relationship from private banks to specialized and commercial banks and also a one-sided causal relationship from specialized banks to commercial banks.

References:

پژوهش حاضر با هدف پیش‌بینی نابسامانی بانکی و سرایت بحران در شبکه بانکی با استفاده از رویکرد ترکیبی خطی و غیر خطی انجام شده است. روش پژوهش حاضر از نوع توصیفی پیمایشی و از نظر هدف کاربردی است. از این رو، برای رسیدن به این هدف، ابتدا شاخص شکنندگی شبکه بانکی (BSFI) به عنوان یک نظام هشدار سریع به منظور شناسایی بحران‎های بانکی، در چهار بخش شبکه بانکی (تخصصی، تجاری، خصوصی و موسسات اعتباری) مورد بررسی قرار گرفت و در ادامه سرایت شکنندگی شبکه بانکی در چهار بخش مذکور با استفاده از رویکردهای خطی و غیر خطی با استفاده از داده­های طی دوره زمانی 1/1395 تا 9/1399 مورد بررسی قرار گرفته است. نتایج محاسبات شاخص شکنندگی شبکه بانکی (BSFI) در زیر بخش‌های شبکه بانکی کشور نشان داد که دوره­های شکنندگی شبکه بانکی از جمله ماه­های منتهی به سال 1396 شکنندگی شبکه بانکی در سطح بالایی قرار دارد که می­تواند حاکی از اثرات ادوار انتخاباتی باشد. همچنین در انتهای دوره مورد بررسی، ریسک­پذیری بالا در شبکه بانکی که ناشی از ایجاد حباب و نشان دهنده یک هشدار قوی برای مشکلات آتی شبکه بانکی کشور بوده مشاهده شده است. علاوه بر این، در اکثر دوره مورد بررسی شکنندگی قابل توجهی بر شبکه بانکی حاکم بوده است. در ادامه نتایج آزمون علیت خطی گرنجر نشان دهنده رابطه علیت دوطرفه بین موسسات اعتباری و بانک‌های خصوصی، یک رابطه علی یک طرفه از بانک‌های خصوصی به بانک‌های تخصصی و تجاری و همچنین یک رابطه علی یک طرفه از بانک‌های تخصصی به بانک‌های تجاری می­باشد. بنابراین، نتایج آزمون علیت غیرخطی نشان دهنده سرایت شکنندگی مالی از بانک‌های تجاری به دیگر بخش‌های شبکه بانکی است. به عبارتی دیگر بانک‌های تجاری که زیر مجموعه بانک‌های دولتی قرار دارند رابطه علیت یک طرفه­ای با دیگر بخش‌های شبکه بانکی داشته­اند و با توجه به دولتی بودن این بانک‌ها می‌توان نتیجه گرفت که سیاست‌های مدیریتی این نوع بانک‌ها، نه تنها ایجاد کننده شکنندگی مالی در بانک‌های تجاری است بلکه این شکنندگی را به دیگر بخش‌های شبکه بانکی انتقال داده­اند. در ادامه بانک‌های خصوصی و موسسات اعتباری غیر بانکی در ساز و کار ارتباط شبکه‌ای انتقال دهنده وضعیت شکنندی مالی به دیگر بخش‌های شبکه بانکی بوده­اند.

_||_

.

Full-Text:



پیش‌بینی نابسامانی بانکی و سرایت بحران در شبکه بانکی

(با کاربرد رویکرد ترکیبی خطی و غیرخطی)

 

 

 

 

 

چکیده

پژوهش حاضر با هدف پیش‌بینی نابسامانی بانکی و سرایت بحران در شبکه بانکی با استفاده از رویکرد ترکیبی خطی و غیر خطی انجام شده است. روش پژوهش حاضر از نوع توصیفی پیمایشی و از نظر هدف کاربردی است. از این رو، برای رسیدن به این هدف، ابتدا شاخص شکنندگی شبکه بانکی (BSFI) به عنوان یک نظام هشدار سریع به منظور شناسایی بحران‎های بانکی، در چهار بخش شبکه بانکی (تخصصی، تجاری، خصوصی و موسسات اعتباری) مورد بررسی قرار گرفت و در ادامه سرایت شکنندگی شبکه بانکی در چهار بخش مذکور با استفاده از رویکردهای خطی و غیر خطی با استفاده از داده­های طی دوره زمانی 1/1395 تا 9/1399 مورد بررسی قرار گرفته است. نتایج محاسبات شاخص شکنندگی شبکه بانکی (BSFI) در زیر بخش‌های شبکه بانکی کشور نشان داد که دوره­های شکنندگی شبکه بانکی از جمله ماه­های منتهی به سال 1396 شکنندگی شبکه بانکی در سطح بالایی قرار دارد که می­تواند حاکی از اثرات ادوار انتخاباتی باشد. همچنین در انتهای دوره مورد بررسی، ریسک­پذیری بالا در شبکه بانکی که ناشی از ایجاد حباب و نشان دهنده یک هشدار قوی برای مشکلات آتی شبکه بانکی کشور بوده مشاهده شده است. علاوه بر این، در اکثر دوره مورد بررسی شکنندگی قابل توجهی بر شبکه بانکی حاکم بوده است. در ادامه نتایج آزمون علیت خطی گرنجر نشان دهنده رابطه علیت دوطرفه بین موسسات اعتباری و بانک‌های خصوصی، یک رابطه علی یک طرفه از بانک‌های خصوصی به بانک‌های تخصصی و تجاری و همچنین یک رابطه علی یک طرفه از بانک‌های تخصصی به بانک‌های تجاری می­باشد. بنابراین، نتایج آزمون علیت غیرخطی نشان دهنده سرایت شکنندگی مالی از بانک‌های تجاری به دیگر بخش‌های شبکه بانکی است. به عبارتی دیگر بانک‌های تجاری که زیر مجموعه بانک‌های دولتی قرار دارند رابطه علیت یک طرفه­ای با دیگر بخش‌های شبکه بانکی داشته­اند و با توجه به دولتی بودن این بانک‌ها می‌توان نتیجه گرفت که سیاست‌های مدیریتی این نوع بانک‌ها، نه تنها ایجاد کننده شکنندگی مالی در بانک‌های تجاری است بلکه این شکنندگی را به دیگر بخش‌های شبکه بانکی انتقال داده­اند. در ادامه بانک‌های خصوصی و موسسات اعتباری غیر بانکی در ساز و کار ارتباط شبکه‌ای انتقال دهنده وضعیت شکنندی مالی به دیگر بخش‌های شبکه بانکی بوده­اند.

واژگان‌کلیدی: نابسامانی بانکی، شاخص شکنندگی شبکه بانکی، علیت خطی گرنجر، علیت غیرخطی، ریسک سرایت

 

 

 

1- مقدمه

صنعت بانکداري، از جمله بخش‌هاي مهم و اساسی اقتصاد و زمینه‌ساز اصلی رشد و پویایی نظام مالی و در نتیجه رشد و توسعه اقتصادي است. وجود تحرك واقعی در نظام مالی زمینه را برای امکان رشد و توسعه سایر بخش‌هاي اقتصادي و بخش واقعی اقتصاد فراهم می‌آورد. بانک‌ها، واسطه مالی بین سپرده‌گذاران و متقاضیان تسهیلات بوده و با استفاده از منابع خود و سپرده‌هاي مردم مبادرت به اعطاي تسهیلات می‌کنند. بانک‌ها با در اختیار داشتن بخش عمده­اي از نقدینگی جامعه، نقش بسیار حساس و مهمی در نظام اقتصادي ایفا کرده و در تنظیم روابط و مناسبات اقتصادي جامعه، تأثیر بسزایی دارند(آقایی و رضاقلی‌زاده، 1395).

نکته مهمی که در خصوص بانک‌های فعال در بازار پول وجود دارد این است که آنها همواره در معرض تهدیدات مختلفی قرار دارند. اما یکی از مهم‌ترین آنها مسأله نابسامانی (بحران) شبکه بانکی و عدم توجه جدی به شاخص‌های سلامت‌بانکی است. از اینرو، در سالیان اخیر مطالب و نوشتارهای علمی فزاینده‌ای در زمینه آزمون استرس در ادبیات مالی ارایه شدند. به طوری که، اهمیت آن شرایط با بحران اخیر و سیل ورشکستگی‌های بانکی در بسیاری از کشورها برجسته‌تر شده است. تا جاییکه درک عمیق مقاومت بخش بانکداری نسبت به سناریوهای نامطلوب اقتصاد کلان، بخشی از اهمیت حیاتی ارزیابی صحیح ریسک سیستماتیک بوده و این جزیان ارتباط مستقیمی با توسعه ابزارهای نظارتی و محتاطانه¹(احتیاطی) جدید دارد(وازكوئزا و همکاران²،2012).

صنعت بانکداری با توجه به ماهیتی که دارد با مخاطرات احتمالی مختلفی مواجهه می‌شود. بحران‌های متعدد بانکی طی دوره‌های مختلف موجب گردید تا اهمیت برخورداری بانک‌ها از سرمایه کافی در مواجهه با مخاطرات بازار (ریسک بازار) و مخاطرات ناشی از فرآیندهای نادرست در بخش راهبری عملیات بانکی (ریسک عملیاتی) و مخاطرات ناشی از عدم ایفای تعهدات از سوی وام گیرندگان (ریسک اعتباری)، آشکار گردد(بانک ملی ایران،1395).

بحران بانکی به عنوان یکی از انواع بحران­های مالی(بحران بانکی، بحران تراز پرداخت‌ها، بحران ارزی، بحران پولی و بحران بدهی) است که در آن وضعیت بانک‌ها با هجوم ناگهانی سپرده‌گذاران برای برداشت سپرده‌هایشان (مراجعه ناگهانی سرمایه‌گذاران به سیتم بانکی برای خروج سرمایه‌های خود از بانک‌ها) مواجه می‌شوند(لیون و والنسیا³، 2008) که از دلایل عمده بروز ناگهانی و ریشه‌های بحران بانکی می‌تواند شامل؛ ریسک نقدینگی(دایموند و دیبویگ⁴،1983 وسانتوس⁵،2000)، ریسک اعتباری(هرینگ و واچتر⁶،1998، بوریو و همکاران⁷،2001، دیویس و ژو⁸،2004-2005)، ضعف نظام‌های حسابرسی و مدیریتی(پرز کامپانرو و لئونه⁹،2004)، اثر شوک‌های بین‌المللی و افزایش نرخ‌های بهره بین‌المللی(کانت و دتراگیاچ¹⁰،1997)، ساختار بانک‌ها و مداخلات دولت در نظام بانکی(پورتا، سیلانس و شلیفر¹¹،2002 وکاپریو و مارتینز¹²،2000)، آزاد‌سازی مالی(کاپریو و سامرز¹³، 1999، استیگلیتز و آلن¹⁴،2005) و در نهایت نظام‌های ارزی و نوسانات نرخ ارز (دوماک و پنا¹⁵،2000)، باشد. در این خصوص کنستانتین و همکاران (2016) در پژوهش خود یک مدل ترکیبی در ارتباط با موضوع نابسامانی بانکی مبتنی بر رویکرد شبکه ای به هم پیوسته را در نظام بانکی برای منظور کردن میزان تمایل به انتشار نابسامانی در راستای آمادگی برای انجام اعمال هشدار زودهنگام، ارایه کردند. البته در پژوهش آنها دلایل متعددی برای احتمال وقوع وضعیت نابسامانی بانکی مطرح گردید که در قسمت بالا به صورت کلی به آنها اشاره گردید. اما یکی از مهمترین دلایل آن می تواند موضوع سلامت مالی بانک‌ها باشد. تاجاییکه در برخی کشورها نظیر هلند (شاخص رست¹⁶)، فرانسه (شاخص اوراپ¹⁷)، ایتالیا (شاخص پاترول¹⁸) و آمریکا (شاخص کملز) در این خصوص در حال حاضر شاخص­هایی را برای ارزیابی سلامت مالی طراحی و اجرا نموند. به طوری‌که درکنار نظام نظارتی مالی در این کشورها، شاخص­هایی را هم برای پایش سلامت مالی و اقدام به ‌موقع در مقابل بحران­های مالی بالقوه ایجاد نمودند. در این زمینه می‌توان گفت که نظام مالی و نظام بانکی کشور جمهوری اسلامی ایران هم در سال‌های اخیر با انتشار نابسامانی‌های غیر منتظره‌ای مواجه گردید؛ که در مورد آن پژوهشگران انگشت شماری هم به بررسی دلایل احتمالی وقوع آن پرداختند.

به طوری‌که نتایج مطالعات و پژوهش‌های آنها منجر به طراحی الگوهای بومی پیش بینی کنندگی نابسامانی (استرس) بانکی با تاکید بر شاخص‌های سلامت نظام بانکی و رویکرد رفتاری (مدیریتی) و ارایه برخی پیسنهادات اجرایی و پژوهشی خاصی در ارتباط آن گردید. به عنوان نمونه، می‌توان به مطالعات و پژوهش‌های انجام شده توسط احمدیان در سال (1392) و در سال (1394) اشاره نمود که حاوی گزارش‌های منتشرشده اندکی درخصوص شاخص­های سلامت مالی در نظام بانکی ایران بوده که تبدیل به رهنمودهای اجرایی شده است.

اما به نظر می‌رسد که کماکان خلاء هایی هم برای این موضوع در نظام بانکی ایران وجود دارد. در اینجا سوالی که مطرح می شود آن است که آیا می توان چارچوبی برای شناسایی بحران‌های بانکی معرفی کرد که بتواند به عنوان یک نظام هشدار سریع عمل نماید. برای این منظور، در مطالعات تجربی از شاخص‌های مبتنی بر روش وقایع و روش آماری استفاده شده است. مطالعاتی، که متکی بر روش وقایع هستند، از تورش انتخاب رنج می­برند. این در حالی است که روش آماری بر معیارهای کمّی اتکا دارد و قادر به شناسایی سطوح مختلف شکنندگی بانکی بوده و تورش انتخاب را از بین می‌برد. شاخص‌های مختلفی بر اساس روش آماری معرفی شده­اند که یکی از مهم‌ترین آنها شاخص شکنندگی شبکه بانکی¹⁹(BSFI) است. هدف اصلی مطالعه حاضر ارزیابی شکنندگی شبکه بانکی کشور در قالب چهار بخش بانک‌های تخصصی، تجاری، خصوصی و موسسات اعتباری است و در ادامه سرایت‌پذیری شاخص مذکور در چهار بخش شبکه بانکی مورد بررسی قرار می‌گیرد. البته، پیکربندی مطالعه حاضر به این شرح بوده است که در بخش دوم ادبیات موضوع شامل مبانی نظری و تجربی ارائه می‌شود. در بخش سوم روش تحقیق تشریح می‌گردد و در بخش چهارم یافته‌های حاصل از محاسبات و آزمون­های آماری بیان می­گردد. در بخش پنجم نیز نتیجه گیری و پیشنهادات حاصل از تحقیق ارائه می‌شود.

2- ادبیات موضوع پژوهش

2-1- مبانی نظری

بحران بانکی وضعیتی است که توانایی بانک­ها­ در اجرای نقش واسطه­ای به شدت آسیب دیده باشد (دیویس و کریم²⁰،2008). در این شرایط ورشکستگی بانک­ها گسترش یافته و بانک­ها قادر به پرداخت دیون خود نمی­باشند (صندوق بین المللی پول²¹،1998). در بیشتر کشورهایی که با بحران بانکی مواجه شده‌اند، سیاست‌گذاران با اجرای برنامه‌های حمایتی مختلف، درصدد کنترل اثرات سوء ناشی از بحران بوده‌اند؛ اما اجرای برنامه‌های حمایتی دولت، حتی اگر به دقت برنامه‌ریزی شده باشند، با اشکالاتی از قبیل هزینه‌های اجرایی زیاد، ادامه فعالیت بانک‌های غیرکارا، کاهش اقدامات بانک‌ها جهت مدیریت ریسک‌های حاصل از بحران و تورم‌زا بودن سیاست‌های پولی انبساطی که برای جبران خسارت‌های بخش بانکی اجرا می‌شوند، اشاره کرد (شجری و محیی‌خواه، 1389). البته، به علت فقدان داده‌های مناسب و اختلافات نهادی میان کشورها، تعریف یک بحران بانکی می‌تواند چالش‌برانگیز باشد و تحلیل آن عمدتاً متکی بر اطلاعات کیفی است. بسیاری از مطالعات صراحتاً از تعریف بحران‌های مالی اجتناب ورزیده و به قضاوت اکتفا می‌کنند. برای مثال لوگان²² بحران‌های بانکی را صرفاً براساس ترکیبی از رویدادهای ویژه کشور تعریف می‌کند؛ اما تعدادی از مطالعات مستقیماً به این موضوع پرداخته‌اند(لوگان،2000). به‌عنوان نمونه بوردو²³بحران بانکی را تحت عنوان موقعیتی تعریف می‌کند که در آن اقدامات یا شکست‌های بانک‌ها منجر به تضعیف قابلیت تبدیل تعهداتشان می‌شود و قادر به پاسخگویی در قبال تعهدات خود نمی‌باشند( بوردو ،2000).

کاپریو و کلینگبیل²⁴  بحران بانکی نظام‌مند را تحت عنوان موقعیتی تعریف می‌کنند که در آن شکست‌ها و تعلیق‌های بانک منجر به فرسودگی سرمایه بانک می‌شود، دمریک-کنت و دتراگیک²⁵ تلاش کردند، معیاری را ارائه نمایند که تا حد زیادی مبتنی بر شاخص‌های کمی‌باشد. بر این اساس آن‌ها بحران بانکی را شرایطی می‌دانند که حداقل یکی از موارد زیر در آن موجود باشد. الف. نسبت دارایی‌های غیرعملیاتی به کل دارایی‌ها بیشتر از 10 درصد باشد. ب. هزینه عملیات نجات حداقل دو درصد تولید ناخالص داخلی²⁶ باشد. ج. مشکلات بانکی منجر به ملی‌سازی وسیع بانک‌ها شود. ناتوانی وسیع بانک‌ها منجر به معیارهای اضطراری شود(کاپریو و کلینگبیل²⁷،1996، دمریک- کنت و دتراگیک²⁸ ،1998).

به طورکلی، روش­هاي شناسایي بحران‌هاي بانکي به دو دسته شاخص­هاي مبتني بر روش وقایع و روش آماري تقسيم شده­اند. در روش وقایع، با استفاده از تركيبي از رویدادهاي بازار مانند تعطيلي، ادغام، هجوم به مؤسسات مالي و اقدامات اضطراري دولت، یک سال به عنوان سال بحراني شناسایي مي­شود. این روش‌ها تنها زماني قادر به شناسایي بحران‌ها هستند كه وقایع بازار به اندازه كافي براي رخ دادن، شدید باشند و در مقابل، بحران‌هایي كه به‌طور موفقيت آميزي به‌وسيله سياست‌هاي اصلاحي مهار گردیده­اند، نادیده گرفته مي­شوند (فون هاگن و هو²⁹،2007). از این روي، مطالعاتي كه متکي بر روش وقایع هستند، از تورش انتخاب رنج مي­برند. این در حالي است كه روش آماري بر معيارهاي كمّي اتکا دارند و قادر به شناسایي سطوح مختلف شکنندگي بانکي بوده و تورش انتخاب را از بين مي­برند.

در روش آماري، براي بررسي شکنندگي بانکي از شاخص­هاي مختلفي استفاده شده است. ليندگرن و همکاران (1996) براي اولين بار یک طبقه بندي از شاخص­هاي شناسایي بحران‌ها ارائه كرده­اند. بر این اساس، این شاخص‌ها به سه گروه رویکرد كلي، رویکرد اقتصاد كلاني و رویکرد پایين به بالا طبقه­بندي مي­شوند.

در رویکرد كلي، شاخص­ها بر اساس داده­هاي كل سيستم بانکي ساخته مي­شوند. شاخص­هاي BSFI، IMP و BSVI مثال­هایي از این روش هستند. در رویکرد اقتصاد كلاني عوامل اقتصاد كلان و شاخص­هاي بحران بانکي در یک كشور مورد بررسي قرار مي­گيرد. مدل بانکداري ساده (SBM) ارائه شده توسط كارشناسان صندوق بين المللي پول همچون بوید و همکاران (2009) نمونه­اي از این رویکرد است. در رویکرد پایين به بالا، محققان سعي مي­كنند تا احتمال شکست انفرادي بانک‌ها و چگونگي انتقال شکست آنها به شکست كل سيستم بانکي را ارزیابي كنند.

در این مطالعه با توجه به كاستي­هاي دیگر روش­هاي شناسایي بحران‌هاي بانکي، از رویکرد كلي و از شاخص شکنندگی شبکه بانکی (BSFI) براي تعيين شکنندگي سيستم بانکي استفاده مي­شود. این شاخص كه براي اولين بار توسط كيبریتچي اوغلو (2003) ارائه گردید از سه جزء اصلي ریسک نقدینگي، ریسک اعتباري و ریسک نرخ ارز تشکيل شده است. ساختن شاخص مزبور نيازمند پروكسي­هاي براي سه ریسک فوق­الذكر مي­باشد كه به تبعيت از مطالعات تجربي صورت گرفته در این زمينه  از رشد كل سپرده­هاي واقعي سيستم بانکي به عنوان پروكسي ریسک نقدینگي استفاده مي‌شود، چرا كه با رشد سپرده هاي بانکي احتمال برداشت­هاي ناگهاني گسترده توسط سپرده­گذاران (هجوم بانکي) نيز به دلایلي همچون انتشار اخبار بد افزایش مي­یابد. رشد كل تسهيلات اعطایي واقعي به بخش خصوصي نيز به عنوان تقریبي براي ریسک اعتباري مورد استفاده قرار مي­گيرد، زیرا با رونق اعطاي اعتبارات به بخش خصوصي احتمال افزایش مطالبات معوق (ریسک اعتباري)  افزایش مي­یابد. از رشد بدهي­هاي خارجي سيستم بانکي نيز به عنوان پروكسي ریسک نرخ ارز استفاده مي­شود. لازم به ذکر است که شکنندگی بانکی که از رفتار ریسک پذیری بالای بانک‌ها نشأت می‌گیرد، لزوماً منجر به بحران (بی ثباتی) بانکی نمی‌شود، یعنی شبکه بانکی می‌تواند شکننده شده و بدون تجربه یک بحران، برای یک دوره قابل توجه از زمان در همان وضعیت باقی بماند، به غیر این که بر اثر وجود یک شوک برون زا، شکنندگی به بحران تبدیل شود. چرخه ثبات مالی نشان داده شده در شکل (1)، تفاوت بین شکنندگی و بحران بانکی را نشان می‌دهد که طی آن یک شبکه بانکی در صورت وقوع بحران، مجدداً بهبود یافته و به ثبات بر می‌گردد.

 

شکل (1). چرخه ثبات مالی

منبع: (لولو،2015)

اما آنچه که اهمیت موضوع بحران را نمایان تر می‌کند موضوع هم‌کنشی بحران و نا بسامانی، شکنندگی و چگونگی سرایت آن به شبکه بانکی است. زیرا، با وقوع بحران، نه تنها اثرات مخربی بر یک یا چند بازار وجود خواهند داشت؛ بلکه نابسامانی و شکنندگی و چگونگی سرایت آن به شبکه بانکی وحتی شبکه بازار هم امکان پذیر است.

در این خصوص، موضوع انتقال بحران‌های مالی موضوع بخش قابل توجهی از ادبیات اقتصادی بوده است. انتقال فرامرزی بحران‌های مالی غالباً درحرکت‌های مشترک قیمت‌های دارایی و جریان سرمایه طی دوره‌های بحران نشان داده می‌شود. طبق مطالعات قبلی، علل سرایت مالی به دو گروه عام تقسیم می‌شود. اول، هنگامی‌که نظام‌های اقتصادی پیوندهای مشابهی دارند. قیمت‌های دارایی مالی و جریان سرمایه می‌توانند حرکتی مشابه داشته باشند. زیربناهای مشابه می‌توانند پاسخ‌های مشابهی را به یک شوک القاء کنند که به حرکت‌های مشترک قوی در قیمت‌های دارایی و جریان سرمایه منتهی می‌شود. دوم، حرکت‌های مشترک می‌تواند ناشی از رفتارهای توده‌وار و یا تصمیمات خاص سرمایه‌گذاران که کشورهای مختلف را بطور همزمان تحت تأثیر قرار می‌دهد، باشند. برای نمونه، بحران در یک کشور می‌تواند سرمایه‌گذاران را به کناره‌گیری از تمامی بازارهای نوظهور وا دارد (پارک و همکاران³⁰، 2013). شایان ذکر بوده که برای ارزیابی، اندازه‌گیری و تبیین نابسامانی بانکی و سرایت بحران در شبکه بانکی از رویکردهای مختلفی در پژوهش‌های مختلف استفاده شده است. اما، به نظر می‌رسد که یک رویکرد جامع و نسبتاً دقیق‌تر به منظور تبیین نابسامانی بانکی و سرایت بحران در شبکه بانکی ایران به کارگیری رویکرد ترکیبی خطی و غیر خطی بوده که در این پژوهش مورد توجه واقع شده است.

زیرا، بیشتر پژوهش‌گران اعتقاد دارند که بازارهای مالی از روندی غیرخطی پیروی می‏کنند(تومائیدیس³¹،2007،ص2). بنابراین ممکن است از طریق پیش‏بینی‏های خطی، نتایج مناسبی برای بررسی مسیر آینده متغیرهای مالی، حاصل نشود. از مهم‏ترین مدل‏های غیرخطی که در سال‏های اخیر در بازارهای مالی بسیار مورد استفاده قرار گرفته و به نتایج مطلوبی نیز دست یافته است، مدل شبکه‏های عصبی مصنوعی می‏باشد. کاربرد مدل‌های شبکه عصبی در علم اقتصاد، اغلب در زمینه پیش‌بینی و دسته‌بندی متغیرها در بازارهای پولی و مالی از قبیل قیمت‌‌‌های سهام و نرخ ارز بوده است. از شبکه‌های عصبی برای پیش‌بینی سری‌های زمانی در شرایط غیرایستایی متغیرها، عدم توجیه روش‌های سنتی و یا پیچیدگی سری‌‌های زمانی، بسیار استفاده شده است. دلیل عمده آن، وجود آمار بسیار زیاد در این بازارها و عدم توانایی کافی مدل‌های موجود در تبیین و پیش‌بینی رفتار متغیرهای پولی است. اولین بار وایت³² به‏دنبال این پرسش بود که آیا شبکه‌های عصبی قادرند قواعد غیرخطی در سری‌های زمانی و قواعد ناشناخته در حرکات قیمت دارایی‌ها و تغییرات قیمت سهام را شناسایی کنند؟ هدف وایت از ارایه این پژوهش، نشان دادن این موضوع بود که چگونه یک شبکه عصبی قادر به انجام این کار است (شوارتز³³،1977،ص291). از این رو، بر‌خلاف حالت بحران‌های ارزی، ساختن شاخص‌هایی برای شناسایی دوره‌های‌ بحران بانکی به دلیل مشکلاتی همچون فقدان اطلاعات قابل اعتماد در مورد متغیرهای سیستم بانکی(مانند سطح مطالبات معوق) دشوار است. عمده روش به کار برده شده برای تعیین دقیق دوره‌های بحران بانکی، مبتنی بر وقایع می‌باشد. این روش به دلیل استفاده از وقایعی مانند ادغام، تعطیلی، هجوم به مؤسسات مالی و اقدامات اضطراری دولت از مشکل تورش انتخاب رنج می‌برد(پور عبادالهان کویچ و همکاران،1397،ص1). بنابراین، در این پژوهش به منظور، بالا بردن سطح توان تبیین تبیین نابسامانی بانکی و سرایت بحران در شبکه بانکی ایران از رویکرد روش ترکیبی خطی و غیر خطی استفاده شده است.

2-2 - پیشینه پژوهش

2-2-1- تحقیقات داخلی

شجری و همکاران (1389) نیز به موضوع پیش بینی بحران‌های بانکی و تراز پرداخت‌ها با استفاده از روش علامت دهی(بحران‌های بانکی و تراز پرداخت‌ها) در ایران پرداختند. آنها شاخص بروز بحران بانکی را وجود بیش از 10 درصدی نسبت مطالبات معوق به دارایی‌ها، عنوان نموده و از شاخص «فشار بازار ارز³⁴» متوسط وزنی نرخ تغییرات فصلی نرخ ارز و ذخایر ­بین‌المللی) برای بررسی بروز بحران تراز پرداخت‌ها در ایران استفاده نموده‌اند. نتایج مطالعه شجری و همکارش نشان می­دهد دو متغیر قیمت سهام و نرخ بهره واقعی به ترتیب معتبرترین شاخص‌ها برای پیش‌بینی بحران بانکی می‌باشند. چنانچه در بخش‌های قبلی اشاره گردید روش وقایع دارای کاستی‌هایی است و روش شاخص فشار بازار پول می‌تواند جایگرین مناسبی برای آن در شناسایی بحران‌های بانکی باشد.

 مشیری و نادعلی (1392) در پژوهش خود به موضوع شناسایی عوامل مؤثر در بروز بحران بانکی در اقتصاد ایران پرداختند. در این مقاله، آنها با استناد به زمان‌های شناسایی شده به‌ عنوان بحران بانکی در مطالعه مشیری و نادعلی(1389)، عوامل مؤثر در احتمال وقوع بحران بانکی در اقتصاد ایران طی دوره زمانی 1352-1387را مورد بررسی قرار داده اند. برای این منظور، از دو مدل لاجیت و مدل با احتمالات وقوع بحران به‌عنوان متغیر وابسته و از روش‌های حداکثر درست‌نمایی و حداقل مربعات وزنی استفاده نمودند. نتایج برآورد مدل‌های تحقیق آنها نشان می‌دهد، متغیرهای تورم و مجذور آن، نرخ سود حقیقی و نسبت اعتبارات اعطایی بانک‌ها به بخش خصوصی نسبت تولید ناخالص داخلی به (GDP)، با احتمال وقوع بحران بانکی در ایران رابطه معناداری دارند. همچنین نتایج مطالعه نشان می‌دهد، ارتباط بین نرخ تورم و بحران بانکی در ایران به شکل(U) است. نرخ ارز نیز اثر معناداری بر احتمال ایجاد بحران بانکی در ایران، (به دلیل عدم ارتباط آنها با بازارهای مالی و مؤسسه‌های مالی بین‌المللی)، ندارد.

زارعی و کمیجانی(1394) در پژوهش خود به موضوع شناسایی و پیش‌بینی بحران‌های بانکی در ایران پرداختند. آنها بیان کردند که بخش بانکی ایران به دلیل حمایت‌های دولت، هیچ‌گاه با پدیده‌هایی مانند هجوم بانکی و ورشکستگی بانک‌ها مواجه نشده است. اما ارزیابی شاخص فشار بازار پول با استفاده از رهیافت الگوی چرخشی مارکف در دوره زمانی 1369 تا 1392 با تواتر فصلی نشان می‌دهد که ایران در دوره‌هایی بحران بانکی را تجربه کرده است. همچنین آزمون هشدارهای اولیه، نشان می‌دهد که متغیرهای رشد نرخ ارز حقیقی، نرخ رشد تسهیلات اعطایی به بخش غیردولتی، نرخ رشد تولید ناخالص‌ داخلی حقیقی، نرخ رشد قیمت مسکن، و رشد میانگین نرخ بهره حقیقی تسهیلات پیش‌بینی‌کننده احتمال وقوع بحران بانکی در ایران می‌باشند. مدل تصریح شده در این روش توانسته است در ۷۷ درصد مواردی که بحران اتفاق افتاده است، وقوع بحران را با احتمال بالای 40 درصد پیش‌بینی نماید و تنها 1۲ درصد سیگنال اشتباه داشته است.

زارعی و کمیجانی (۱۳۹۱) نیز در پژوهش خود به موضوع ارزیابی ثبات مالی در ایران با تأکید بر ثبات بانکی با رویکردآزمون هشدارهای اولیه در دوره زمانی 13981 تا 1389 پرداختند. تابع احتمال طراحی­شده آنها نشان داده است که سه متغیر میانگین موزون نرخ­سودحقیقی سپرده­های بانکی، میانگین موزون نرخ­سود حقیقی تسهیلات بانکی، نرخ رشد قیمت مسکن، پیش­بینی­کننده احتمال وقوع بحران بانکی می­باشند. مدل تصریح شده در این مطالعه، در 92 درصد مواردی که بحران اتفاق افتاده است، توانسته است وقوع بحران را با احتمال بالای 40 درصد پیش­بینی نماید و وتنها 14/7 درصد سیگنال از دست رفته است و9.52 درصد سیگنال اشتباه داشته است، این امر نشان­دهنده قدرت نسبی پیش­بینی الگو جهت احتمال  وقوع بحران بانکی می‌باشد.

کردلویی و آسیایی طاهری (1395)، طی پژوهشی به موضوع تعیین شاخص استرس مالی در بازار های بانکداری، ارز و بیمه با استفاده از مدل خود رگرسیون برداری  (VAR)پرداختند. به منظور آزمون فرضیه های پژوهش، آنها اطلاعات  ماهانه مربوط به شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی مهرماه سال1388 تا اسفند ماه 1394 استفاده نمودند. در نهایت نتایج پژوهش آنها نشان داد در  ایران میان استرس مالی و برخی از بازارهای مورد بررسی با وقفه  3ماهه روابط معنا داری وجود دارد.

کردلویی و ذوالفقاری (1395)، طی پژوهشی به موضوع بررسی اثرات پویای استرس مالی بر عملکرد صنعت بانکداری ایران پرداختند. آنها بیان کردند که در سال‌های اخیر با توجه به میزان افزایش استرس و بحران‌های مالی در جهان، عملکرد فعالیت‌ها و بازارهای مالی به‌خصوص بانک‌ها که از اصلی‌ترین بازارهای اقتصادی هر کشوری هستند تحت‌تأثیر قرار گرفته است. روش تحقیق حاضر از نوع توصیفی و همبستگی است و برای بررسی میان متغیرهای مستقل و وابسته از روش آماری خود‌رگرسیون برداری استفاده شده است. به‌منظور آزمون فرضیه‌های پژوهش، داده‌های مربوط به صورت‌های مالی بانک‌های عضو «سازمان بورس و اوراق بهادار تهران» از سال 1389 تا سال 1394 به صورت دوره‌های 6 ماهه که در سال‌های نامبرده فعالیت داشته‌اند به‌کار رفته است. یافته‌های حاصل از آزمون فرضیه‌های تحقیق نشان داد که معیارهای استرس مالی بر معیارهای عملکرد بانک‌ها در بازار سرمایه ایران تأثیرگذار هستند.

احمدیان و گرجی (1396) طی پژوهشی به موضوع تبیین مدل ورشکستی جهت شناسایی بانک‌های سالم و در معرض خطر با استفاده از صورت‌های مالی بانک‌های کشور در دورۀ زمانی 1385-1393 پرداختند و به‌کارگیری شاخص ثبات بانکی به‌عنوان شاخص‌ ورشکستگی، بانک‌های ورشکسته شناسایی شدند. برای شناسایی بانک‌های ورشکسته، تابع کرنل این شاخص، ترسیم و نقطۀ استرس آن محاسبه شد، به‌گونه‌ای‌که بانک‌هایی که کمتر از نقطۀ استرس قرار دارند، ورشکسته و در غیر این صورت سالم در نظر گرفته شدند. برای برآورد الگو، ابتدا با به‌کارگیری روش تجزیه تشخیص، عواملی که بانک‌های سالم و در معرض خطر را می‌توانند بشناسند، شناسایی و سپس با به‌کارگیری الگوی لاجیت، الگوی مناسب برای پیش‌بینی ورشکستگی بانک‌ها طراحی شد. برای بررسی صحت تفکیک دو نمونۀ سالم و ورشکسته با استفاده از آزمون F و لامبدای ویلکس، میانگین متغیرهای مستقل دو نمونه بررسی و سپس برای بررسی تفاوت اهمیت متغیرهای مستقل الگو از آزمون بزرگی همبستگی درون‌گروهی بین متغیرها استفاده شد. نتایج نشان‌دهندۀ دقت 87 درصدی الگوی تجزیه تشخیص و 2/98 درصدی الگو لاجیت در انطباق با شرایط محیطی شبکۀ بانکی کشور است.

معطوفی (1397)، طی پژوهشی به موضوع تبیین مشخصه‌های استرس مالی در بازار سرمایه ایران پرداخت. ایشان در این پژوهش به بررسی مشخصه­های استرس مالی که مطابق با ادبیات پژوهش شناسایی شده­اند، شامل عدم­اطمینان سرمایه­گذاران به ارزش بنیادین دارایی­های مالی، عدم­تقارن اطلاعاتی، عدم­تمایل سرمایه­گذاران به نگهداری دارایی­های ریسکی و عدم­تمایل سرمایه­گذاران به نگهداری دارایی­های غیرنقد، در قالب4 فرضیه، پرداخته شده است. روش تحقیق حاضر از نوع توصیفی و همبستگی است و برای بررسی رابطه میان متغیر مستقل و وابسته از روش آماری رگرسیون چند متغیره استفاده شد. در ادامه به منظور آزمون فرضیه­های پژوهش با استفاده از اطلاعات مربوط به شرکت­های پذیرفته شده در بورس اوراق بهادار تهران، از طریق روش نمونه­گیری حذفی، 95 شرکت (در قالب5700 مشاهده شرکت-ماه) به عنوان نمونه نهایی انتخاب شدند. در نهایت نتایج پژوهش حاضر با تایید کلیه فرضیه­ها نشان می­دهند، متغیرهای فوق الذکر به عنوان مشخصه­های استرس مالی در بازار سرمایه ایران می­باشند.

معطوفی و ولیان (1397)، طی پژوهشی به موضوع بررسی رابطه بین کیفیت سود و استرس مالی در بورس اوراق بهادار تهران در قالب یک فرضیه پرداختند. آنها بیان کردند که با تغییر معیار های تصمیم گیری و رقابتی تر شدن بازار های سرمایه، استرس و فشار های ناشی از سرمایه گذاری برای سهامداران و سرمایه گذاران بسیار افزایش یافته است و این موضوع لزوم توجه به مکانیزم های نظارتی قوتی تر برای ارتقای سطح کیفی اقلام صورت های مالی همچون سود را مورد توجه قرار می دهد. روش تحقیق حاضر از نوع توصیفی و همبستگی است و تجزیه وتحلیل داده­ها براساس روش مطالعه داده­های ترکیبی می­باشد. در ادامه به منظور آزمون فرضیه­ پژوهش با استفاده از اطلاعات مربوط به شرکت­های پذیرفته شده در بورس اوراق بهادار تهران، از طریق روش نمونه­گیری حذفی، 64 شرکت (در قالب640 مشاهده شرکت- سال) به عنوان نمونه نهایی انتخاب شدند. در نهایت نتایج پژوهش حاضر با تایید فرضیه تحقیق نشان داد که بین کیفیت­سود و استرس مالی در بازار سرمایه ایران رابطه منفی معنادار وجود دارد.

پور عبادالهان کویچ و همکاران (1397)، طی پژوهشی به موضوع اندازه‌گیری شکنندگی سیستم بانکی ایران بر اساس شاخص شکنندگی سیستم بانکی³⁵(BSFI) پرداختند. از این روی، مطالعه آنها از شاخص دیگری تحت عنوان شاخص شکنندگی سیستم بانکی بهره گرفته و با استفاده از اطلاعات سری زمانی فصلی دوره 1394:4-1381:1 به اندازه‌گیری سطوح شکنندگی و ریسک‌پذیری سیستم بانکی ایران پرداخته است. مطابق نتایج حاصله، سه دوره با ریسک‌پذیری بیش از حد و دو دوره با شکنندگی بالا طی دوره زمانی مورد مطالعه، شناسایی می‌شود. دوره‌های شکنندگی بالای شناسایی شده که منجر به مشکلاتی در سیستم بانکی کشور شده‌اند مربوط به سال‌های 1387 و 1391 می‌باشند؛ که می‌توان آنها را به شوک‌های ناشی از ادوار انتخاباتی نسبت داد. به نظر می‌رسد که شاخص مزبور می‌تواند شاخص خوبی برای اندازه‌گیری، پیش‌بینی و نظارت بر شکنندگی سیستم بانکی کشور باشد.

2-2-2- تحقیقات خارجی 

بارل و همکاران³⁶(۲۰۱۰) و السینا و دتکن³⁷(۲۰۱۱) بحران‌‌های بانکی درکشورهای سازمان همکاری اقتصادی و توسعه (OECD) را شناسایی نمودند.

ونگ و همکاران (۲۰۱۰) بحران‌های بانکی کشورهای نشست اجرایی بانک‌های مرکزی شرق آسیا و پاسیفیک مرکزی³⁸(EMEAP) بررسی نموده و نشان دادند که متغیرهای اساسی اقتصاد کلان، نوسانات ارزی، ریسک اعتباری بانک‌ها و شرکت‌های غیرمالی، شکاف قیمت دارایی و رشد اعطای تسهیلات و تنش‌های اقتصادی از جمله شاخص‌های پیشرو در بحران بانکی بوده‌اند. از رهیافت الگوی چرخشی مارکف به طور گسترده­ای در مطالعات شناسایی بحران ارزی استفاده شده است. به طور نمونه مارتینز- پریا³⁹ (2002) از الگوی چرخشی مارکف برای شناسایی هجوم سفته بازی بر روی شبکه پولی اروپا طی دوره (1993-1979)، سرا و ساکسینو⁴⁰(2002) برای بررسی بحران اندونزی و احتمال انتقال فشار بر بازار ارز از سوی کشورهای همسایه، آبیاد⁴¹(2003) جهت شناسایی بحران ارزی در پنج کشور آسیایی بحران زده استفاده نموده­اند.

اما هو⁴² (2006) با تکمیل شیوه شناسایی بحران بانکی ارایه شده توسط هاگن و هو⁴³(2004)، از شاخص فشار بازار پول، از مدل رژیم چرخشی مارکف جهت تعیین دوره­های بحران و مدت بحران استفاده نموده است. الگوی چرخشی مارکف با درون‌زا کردن سطح آستانه­ای بحران، کاهش اختیار در تعیین سطح آستانه­ای و نیز مستثنی کردن دوره زمانی نزدیک زمان وقوع بحران برای جلوگیری از دوباره شماری بحران، کاستی روش قبل را از بین برد.

آلسی و دیتکین⁴⁴ (2011)، تابع زیان یک سیاست گذار را بر روی یک رویکرد تک متغیری علامت دهی نسبت به چرخه های فراز و فرود قیمت دارایی اجرا، و آن را با ارائه راهکاری که به زیان وارده از طریق بی توجهی به سیگنال های یک مدل رسیدگی، توسعه دادند.

بالتاری و استولز⁴⁵(2012)، با استفاده از جامعه نمونه بزرگی شامل بانک‌هایی از 32 کشور بررسی کردند که چگونه عملکرد قیمت سهام بانک ها در حین بحران مالی جهانی با حاکمیت، قوانین، ساختار تراز نامه، و مشخصه های کشوری به جز قوانین، ارتباط دارد. بنابر نتایج آنان، بانک‌های بزرگی که سرمایه ای بالاتر از رتبه 1، سپرده های بیشتر، و شکنندگی تامینی کمتری دارند، و کمتر در بازار املاک آمریکا دخیل اند و در معرض آن قرار ندارند، از نظر ارزش سهام عملکرد بهتری داشته اند. بانک‌های کشور هایی که سرریز حساب جاری داشتند به طور قابل توجهی عملکرد بهتری در طی بحران مالی جهانی داشتند، در حالی که کشورهایی که شبکه های بانکی شان بیشتر تحت تاثیر آمریکا بود عملکرد بدتری داشتند. نتایج اخیر نشان می دهند که عدم توازن اقتصاد کلان و کانال های سرایت دارایی سنتی با عملکرد بانک ها در طی بحران مالی جهانی مرتبط است. نهایتا، نویسندگان نقش قابل توجهی از ریاست بانک در عملکرد بانک ننمودند، و ادله ای مبنی بر این که قوانین قوی تر منتج به عملکرد بهتر بانک در طی بحران شود نیز پیدا نکردند.

صمد⁴⁶(2012) عوامل مؤثر در ورشکستگی بانک‌های امریکا را با به‌کارگیری الگوی پروبیت بررسی کرده است. به همین منظور ازشاخص‌های ریسک اعتباری نظیر ذخیرۀ مطالبات مشکوک ‌الوصول به وام، ذخیرۀ مطالبات مشکوک‌الوصول به مطالبات غیرجاری و مطالبات غیرجاری به وام به‌عنوان توضیح‌دهندۀ ورشکستگی استفاده شده است. براساس یافته‌های مقاله، شاخص‌های ریسک اعتباری، 76 درصد وقوع احتمال ورشکستگی را توضیح می‌دهند. 

تاتوم⁴⁷(2012) از نظام رتبه‌بندی کملز و متغیرهای اقتصاد کلان برای پیش‌بینی ورشکستگی بانک‌های تجاری در ایالات متحده استفاده کرده است. الگو پیش‌بینی می‌کند که با وقوع بحران اعتباری و ورشکستگی بازار رهن، ورشکستگی بانک‌ها اتفاق می‌افتد. براساس یافته‌های مقاله،کل دارایی، شاخص قیمت انرژی، نرخ ارز و حاشیه نرخ بهره ازجمله متغیرهای مؤثر در ورشکستگی بانک‌ها هستند.

بتز و همکاران ⁴⁸(2013)، طی پژوهشی در بانک مرکزی اروپا⁴⁹ انجام دادند به موضوع پیش بینی درماندگی مالی در بانک‌های اروپایی پرداختند. این پژوهش یک مدل هشدار زودهنگام جهت پیش بینی درماندگی در بانک های اروپایی با استفاده از داده های سطح کشوری و بانکی را توسعه می‌دهد. از آنجایی که درماندگی کامل بانکی در اروپا کمیاب اند، این مطالعه یک مجموعه داده بدیع، که ورشکستگی و نکول را با دخالت‌های دولتی و ادغام‌های تحت درماندگی تکمیل می‌کند، ارائه می‌دهد. نشانه‌های مدل هشدار زودهنگام فقط بر اساس انتخاب های سیاست‌گذاران بین خطاهای نوع یک و دو تنظیم و تدقیق نشده، بلکه اهمیت و ارتباط نظامند بالقوه هر موسسه مالی را به طور مجزا در نظر می گیرد. یافته‌های کلیدی مقاله حاکی از این است که تکمیل نقاط ضعف مختص هر بانک با شاخص‌هایی برای عدم توازن های مالی کلان و نقاط ضعف هر بانک مجزا عملکرد مدل را بهبود بخشیده و پیش بینی های خارج از نمونه ای از درماندگی بانکی در بحران مالی اخیر ارائه می‌دهد.

زاگدودی⁵⁰(2013) با به‌کارگیری الگوی رگرسیون لاجیت، ورشکستگی بانک‌ها را در کشور تونس بررسی  و احتمال رخداد آن را محاسبه کرده است. به همین منظور از نسبت‌های مالی بهره برده است. نتایج بررسی نشان می‌دهد بانک‌ها، توان بازپرداخت بدهی‌های خود را دارند. ضرایب درآمد عملیاتی بانک‌ها، سود بانک‌ها بازای هر نیروی کار و نسبت اهرمی منفی است و این شاخص‌ها با احتمال ورشکستگی، رابطۀ منفی دارند.

آصف‌خان و همکاران⁵¹(2013) شاخص‌های مؤثر بر ورشکستگی بانک‌های اسلامی را در کشورهای مالزی و پاکستان در دورۀ زمانی 2006-2011 مقایسه کرده‌اند. برای مقایسه از میانگین، انحراف استاندارد، ضریب تغییرات و آمارۀ t استفاده شده است. یافته‌های مقاله نشان می‌دهد بانک‌های کشور مالزی بیشتر در معرض ریسک مالی قرار دارند، به‌گونه‌ای‌ که نسبت اهرمی برای بانک‌های این کشور در دورۀ مدّنظر نزولی بوده است. بانک‌های مالزی در مقایسه با کشور پاکستان در جذب منابع ضعیف هستند و بیشتر در معرض ریسک اعتباری قراردارند؛ بنابراین بانک‌های کشور مالزی بیشتر از بانک‌های کشور پاکستان درمعرض ریسک ورشکستگی قراردارند.

لی و همکاران⁵² (2014) با به‌کارگیری یک الگوی نیمه‌پارامتریک مخاطرۀ نسبی کاکس، رابطۀ بین زمان ماندگاری و متغیرهای تعیین‌کنندۀ ورشکستگی را در بانک‌های تجاری و کشاورزی برای کشور امریکا در دورۀ بعد از بحران سال 2008 بررسی کرده‌اند. مهم‌ترین متغیرهای استفاده‌شده در این مطالعه، تصمیم‌های مدیریت بانک‌ها، استراتژی عملیاتی، وضعیت مالی و شرایط کلان اقتصادی بوده است. نتایج نشان داده است مطالبات غیرجاری مشتریان بیش از سایر متغیرها باعث افزایش احتمال ورشکستگی بانک‌ها شده است. همچنین افزایش ریسک نرخ بهره به کارایی بانک‌ها آسیب زده است. تسهیلات اعطایی به بخش کشاورزی اثر معنی‌داری در ورشکستگی بانک‌ها ندارد. به‌دلیل منافعی که ترازنامۀ این بانک‌ها در کشورهای مختلف دارد، دستیابی به چنین نتایجی عجیب نیست. در حالی‌که مانده مطالبات غیرجاری در بخش صنعت و ساختمان، اثر معنی‌داری در ورشکستگی بانک‌ها دارد. در مقایسه با بانک‌های کوچک، بانک‌های بزرگ بیشتر در معرض خطر ورشکستگی قرار گرفته‌اند و این نظریه که بانک‌های بزرگ اینقدر بزرگ هستند که ورشکسته نمی‌شوند⁵³، رد می‌شود.

آبیولا و همکاران⁵⁴(2015) با به‌کارگیری الگوی مخاطرۀ نسبی کاکس و به‌کارگیری صورت مالی بانک‌های کشور نیجریه در دورۀ زمانی 2003-2011 عوامل پیشرو در پیش‌بینی ورشکستگی بانک‌ها و برآورد زمان ورشکستگی بانک‌ها را شناسایی کرده‌اند. نتایج این بررسی نشان می‌دهد بانک‌هایی که نسبت تسهیلات غیرجاری به تسهیلات اعطایی بالاتر و نسبت هزینۀ عملیاتی به کل دارایی بالاتر دارند، در مقایسه با سایر بانک‌ها با احتمال ورشکستگی بیشتری روبه‌رو هستند. نکتۀ دیگر این است که متوسط زمان ماندگاری بانک‌ها براساس ویژگی خاص بانک‌ها نظیر نوع مالکیت یا اندازه متفاوت است.

کنستانتین و همکاران (2016) در پژوهش خود به موضوع ارتباطات شبکه با هدف پیش بینی نابسامانی بانکی پرداختند. آنها بر اساس مبانی نظری موجود مربوط به ریسک سیستمی و شیوع مسائل مالی، در این مقاله پیوند های شبکه ای تخمینی ای به یک مدل هشدار زودهنگام برای پیش بینی مخاطرات بانکی در میان بانک های اروپایی را ارائه دادند. آنها در این راستا از تئوری چند متغیره ارزش بالا برای تخمین شبکه های ضریب همبستگی دمباله مبتنی بر سهام استفاده نمودندکه پیوند هایشان نقش واسطه را برای دیدگاه بازار از همبستگی بانک ها در صورت تنش بالای بانکی ایفا می کنند. این مقاله معتقد است که مدل های هشدار اولیه ای که شامل تخمین ضریب همبستگی دمباله می شوند همواره از مدل های بدون شبکه معیار مختص به هر بانک بهتر عمل می کنند. نتایج نسبت به به تفاوت در مختصات مدل مقاوم اند و همچنین در برابر معیار های ساده تر شیوع نیز پایدار اند. به طورکلی، این پژوهش به طور مستقیم از اقدامات مرتبط با همبستگی در مدل های هشدار زودهنگام حمایت می کند و به سمت بازنمایی یکپارچه‌ای از ابعاد سیکلی و مقطعی از ریسک سیستمی حرکت می‌کند. بنابراین، می‌توان گفت که آنها در پژوهش خود با ترکیب یک مدل نابسامانی بانکی با شبکه های بانکی به هم پیوسته، برای لحاظ کردن میل به انتشار نابسامانی در راستای آمادگی برای انجام اعمال هشدار زودهنگام، به این مقوله کمک می‌کنند.

آودجیف و همکاران⁵⁵ (2019)، طی پژوهشی به موضوع اندازه‌گیری خطر سرایت پذیری در بانک‌های بین المللی پرداختند. آنها یک معیار ناراحتی برای سیستم های بانکی ملی پیشنهاد نمودند که نه تنها شکاف سپرده‌های قابل معامله بانک‌ها، بلکه نحوه تعامل آنها با سایر سیستم مالی جهانی از طریق انواع مختلف ارتباطات را نیز در بر می‌گیرد. این معیار بر اساس یک روش تجزیه تانسوری⁵⁶ است که منجر به استخراج ماتریس مجاورت را از یک شبکه چندلایه شده و سپس براساس از آمارهای حاصل از بانک تسویه بین المللی⁵⁷ (BIS) میزان در معرض خطر قرار گرفتن بانک‌های خارجی را اندازه‌گیری نمودند. بر اساس ماتریس مجاورت، با ایجاد یک معیار مرکزیت شبکه جدید و بر اساس ریسک اعتباری و  ریسک تأمین مالی میزان عملکرد سیستم بانکی قابل تفسیر است. 

فیلیپوپولو و همکاران⁵⁸ (2020)، در پژوهش خود به موضوع نظام هشدار سریع برای پیش بینی بحران های بانکی سیستمی در منطقه یورویی با رویکرد رگرسیون لاجیت پرداختند. آنها بیان کردند که سیاست‌های احتیاطی کلان نظام یورویی نیاز به اقدام مشترک بین مقامات ملی و بانک مرکزی اروپا (ECB)  دارد. این امر نیاز به یک مبنای مشترک برای تجزیه و تحلیل کلان احتیاطی را ایجاد کرده و در نتیجه برای نیل به هدف مذکور بانک اطلاعاتی کلان (MPDB) توسط بانک مرکزی اروپا و هیئت ریسک سیستمیک اروپا (ESRB) در سال 2015 به منظور پشتیبانی از عملکردهای بانک مرکزی و نیازهای هیئت ریسک سیستمیک اروپا ایجاد شده است. در این پژوهش مدل هشدار زودهنگام باینری چند متغیره (EWM)  برای بحران‌های بانکی سیستمیک با هدف ارزیابی اعتبار پیش بینی شاخص های ریسک موجود در بانک اطلاعاتی کلان و همچنین متغیرهای دیگری که در مطالعات مربوطه قبلی استفاده نشده است، مورد بررسی قرار گرفته است. یافته اصلی این پژوهش بیانگر آن است که بیشتر شاخص‌های ریسک به کار رفته در بانک اطلاعاتی کلان برای پیش بینی از 4 تا 1 سال قبل از شروع بحران نظام بانکی مهم هستند. متغیرهای بانکی خاص که تمرکز صنعت، دارایی ها، تأمین وجوه و نقدینگی را به خود اختصاص دادند، که به طور متوسط نسبت به​​ متغیرهای اقتصاد کلان از اهمیت بیشتری برخوردار هستند. شاخص های مهم استرس مالی مانند؛LIFS ، SovCISS و انتظارات اقتصادی نیز قابل توجه بوده است. آنها در نهایت نتیجه گرفتند که مدل تدوین شده از نظر مشخصات مختلف مقاوم است و در صورت عدم مشاهده مشاهدات پس از بحران عملکرد بهتری دارد.

2-3- فرضیه‌های پژوهش

با توجه به مبانی نظری و مروری بر پیشینه‌ی تجربی پژوهش‌های انجام شده داخلی و خارجی فرضیه‌های این پژوهش به شرح زیر قابل بیان می باشند:

فرضیه اول: بانک های تجاری و موسسات اعتباری یک رابطه علیت معنادار به سمت بانک‌های تخصصی دارند

فرضیه دوم: بانک های تجاری رابطه معنادار علیت به سمت بانک های خصوصی دارد و

 فرضیه سوم:  بانک های تجاری و خصوصی رابطه علی به سمت موسسات اعتباری دارند.

3- روش­شناسی تحقیق

پژوهش حاضر با هدف پیش‌بینی نابسامانی بانکی و سرایت بحران در شبکه بانکی با استفاده از رویکرد ترکیبی خطی وغیر خطی انجام شده است. روش پژوهش حاضر از نوع توصیفی پیمایشی و از نظر هدف کاربردی است. از این رو، برای رسیدن به این هدف، ابتدا شاخص شکنندگی شبکه بانکی (BSFI) به عنوان یک نظام هشدار سریع به منظور شناسایی بحران‌های بانکی، در چهار بخش شبکه بانکی (تخصصی، تجاری، خصوصی و موسسات اعتباری) مورد بررسی قرار گیرد و در ادامه سرایت شکنندگی شبکه بانکی در چهار بخش مذکور با استفاده از رویکردهای خطی وغیر خطی با استفاده از داده‌های طی دوره زمانی 1/95 تا 9/99 مورد بررسی قرار گرفته است.

3-1- جامعه و نمونه آماری و روش نمونه­گیری

جامعه آماری اين پژوهش همه­ی بانک‌های شبکه بانکی ایران است. به طوریکه طی دوره زمانی 1/1395 تا 9/1399 به مدت 5 سال اطلاعات مالی آنها برای بررسی و تبیین فرضیه های پژوهش گردآوری شده است. همچنین، بانک‌هایی هم فاقد همه‌ی داده‌های لازم برای محاسبه‌ی متغیرهای پژوهش بوده‌اندحذف شده اند. از این‌رو، در جدول (1) خلاصه مشخصات آماری جامعه و نمونه آماری پژوهش ارایه شده است.

جدول (1). مشخصات جامعه و نمونه آماری پژوهش

جامعه آماری پژوهش	نوع مالکیت بانک	تعداد جامعه آماری پژوهش	تعداد نمونه آماری پژوهش
بانک‌های دولتی	دولتی	بانک ملّی ایران، بانک سپه، بانک صنعت و معدن، بانک کشاورزی، بانک مسکن، بانک توسعه صادرات ایران، بانک توسعه تعاون، پست بانک ایران	8
بانک‌های غیردولتی	غیردولتی(خصوصی)	بانک اقتصاد نوین، بانک پارسیان، بانک کارآفرین، بانک سامان، بانک سینا، بانک خاور میانه، بانک شهر بانک دی، بانک صادرات، بانک ملت، بانک تجارت، بانک رفاه، بانک حکمت ایرانیان، بانک گردشگری، بانک ایران زمین، بانک قوامین بانک انصار، بانک سرمایه، بانک پاسارگاد، بانک مشترک ایران- ونزوئلا	18
بانک‌های‌قرض‌الحسنه	دولتی	بانک قرض‌الحسنه مهر ایران، بانک قرض‌الحسنه رسالت	2
جمع			28

3-2- متغیرهای تحقیق

در این پژوهش ابتدا شاخص شکنندگی شبکه بانکی(BSFI) با استفاده از سه جزء اصلي ریسک نقدینگي، ریسک اعتباري و ریسک نرخ ارز محاسبه می گردد. در ادامه طریقه اندازه گیری سه شاخص مذکور بیان می گردد.

ریسک نقدینگي:

رشد كل سپرده هاي واقعي سيستم بانکي به عنوان پروكسي ریسک نقدینگي استفاده مي­شود ( شامل كل سپرده­هاي بخش غيردولتي (مجموع سپرده‌هاي دیداري و غيردیداري)  است). چرا كه با رشد سپرده‌هاي بانکي احتمال برداشت‌هاي ناگهاني گسترده توسط سپرده‌گذاران (هجوم بانکي) نيز به دلایلي همچون انتشار اخبار بد افزایش مي­یابد.

ریسک اعتباري:

رشد كل تسهيلات اعطایي واقعي به بخش خصوصي نيز به عنوان تقریبي براي ریسک اعتباري مورد استفاده قرار مي گيرد (شامل كل تسهيلات (ریالي و ارزي) بانک ها و موسسات اعتباري غيربانکي به بخش خصوصي است)، زیرا با رونق اعطاي اعتبارات به بخش خصوصي احتمال افزایش مطالبات معوق (ریسک اعتباري) افزایش مي‌یابد.

ریسک نرخ ارز:

از رشد بدهي‌هاي خارجي سيستم بانکي نيز به عنوان پروكسي ریسک نرخ ارز استفاده مي­شود. لازم به ذکر است در این تحقیق شاخص‌های مذکور در سطح چهار بخش اصلی شبکه بانک کشور اندازه گیری می‌شود. سپس، شاخص شکنندگی سیستم بانکی⁵⁹(BSFI) به صورت ميانگين استاندارد شده سه ریسک مزبور به شرح زیر محاسبه مي­شود:

(1)
(2)
(3)
(4)

TDEPt ، TCPSt، TFLt  به ترتیب نشان دهنده کل سپرده های بانکی، کل تسهیلات اعتباری به بخش خصوصی و کل بدهی‌های خارجی شبکه بانکی در فصل t اُم بوده و DEPt، CPSt، TLt  رشد آنها را نسبت به دوره قبل را نشان می‌‌دهد. رشدهای محاسبه شده با کسر از میانگین خود و تقسیم بر انحراف معیار مربوطه به صورت استاندارد درآمده و با NDEPt ، NCPSt، NTLt نشان داده شده است. در این پژوهش برای ممانعت از دخالت قضاوت شخصي در اندازه گیری وزن اهميت هر یک از ریسک­هاي مزبور، وزن یکسان براي آنها در نظر گرفته شده است. پس از محاسبه شاخص شکنندگی سیستم بانکی (BSFI) در سطح چهار بخش شبکه بانکی، با استفاده از آزمون‌های خطی و غیر خطی گرنجر تلاش می شود سرایت بحران بانکی در این چهار بخش مورد بررسی قرار گیرد.

3-3- آزمون علیت خطی گرنجر

آزمون علیت گرنجر ⁶⁰ برای یافتن جهت علی بین دو سری زمانی طراحی شده است. به بیانی روشن­تر، آزمون علیت گرنجر، ارتباط بین مقدار جاری یک متغیر و مقدار گذشته متغیر دیگر را برسی می‌کند. با در نظر گرفتن یک مدل VAR برای دو سری زمانی Yt و Xt  خواهیم داشت:

                                                                                                                                      

  که در آن T درجه وقفه، α  و β  پارامترهای تخمین و جمله خطا می‌باشد. به منظور برسی اینکه آیا علیت گرنجر از X به  Y برقرار است یا نه، فرضیه صفر در اینجا به این صورت بیان می­شود:

H0. β12j=0 j=1,2, …. q

اگر H0 رد شود، حداقل یکی از β12j ها مساوی صفر نیست، بنابراین واضح است که مقدار گذشته X یک قدرت پیش­بینی خطی قابل ملاحظه­ای بر­روی مقدار جاری Y دارد.

3-4- آزمون براک- دیکرت-شاینکمن (BDS)

آزمون براک-دیکرت-شاینکمن⁶¹ (BDS) که توسط براک و همکاران⁶² ارائه شده است بر اساس مفهوم انتگرال همبستگی⁶³ (یک برآوردگر احتمالات فاصله­ای در طول زمان) برای آزمون فرض یکسان بودن و مستقل بودن توزیع جملات خطا در سری­های زمانی است⁶⁴. با در نظر گرفتن سری­های زمانی m بعدی  Xt و مشاهدات آن  می­توان انتگرال همبستگی را به صورت زیر تعریف کرد:

(5)	ΔYt = α12 +
(6)

به طوریکه یک تابع مشخصه می­باشد و  فاصله اقلیدسی⁶⁵ بین   و  می­باشد. Tm  اندازه نمونه را نشان می­دهد می­تواند به Tm زیر مجموعه نمونه­ای از بردارهای m بعدی تقسیم شود. انتگرال همبستگی فاصله زوج داده­های  را اندازه­گیری می­کند، بنابراین آماره آزمون براک-دیکرت-شاینکمن (BDS) بصورت زیر تعریف می­شود:

(7)	Cm
	=

به طوریکه T اندازه نمونه و  انحراف معیار نمونه است.آماره آزمون BDS، بیان می­کند که ، از یک توزیع مقید نرمال استاندارد پیروی می­کند. به منظور آزمون رفتار غیر خطی، رد این فرضیه احتمال وجود  یک رابطه غیر خطی را نشان می­دهد.

3-5- آزمون علیت غیر خطی گرنجری

توان محدود یافتن رفتار غیر خطی، مشکلی است که با روش­های آزمون علیت خطی همراه است، به عبارت دیگر، آزمون­های علیت خطی، مانند آزمون گرنجر، نمی­توانند توان پیش­بینی غیر خطی را پوشش دهند. همیسترا و جونز⁶⁶ براساس کارهای بایک و براک⁶⁷ یک روش ناپارامتریک آماری بر پایه انتگرال همبستگی برای یافتن رابطه­های علیت غیر خطی بین سری­های زمانی ارائه کردند. با در نظر گرفتن دو سری زمانی اکیدا مانا و به صورت ضعیف وابسته X­t و Yt خواهیم داشت:

(8)

به طوریکه   نشان­دهنده بردار هادی m مولفه­ای،  نشان­دهنده بردار وقفه­ای  مولفه­ای و  نشان­دهنده بردار وقفه­ای  مولفه­ای می­باشد. با اندازه داده شده1 =m،  و  ، Y دلیل علی گرنجری X نیست اگر:

(9)

 

که Pr(•)  نشان­دهنده احتمال و  نُرم حداکثری می­باشد،که برای یک بردار d بعدی  با عبارت    =  داده می­شود. سمت چپ معادله (6) یک احتمال شرطی است. اگر دو بردار هادی دلخواه  و   (به طول m) در فاصله­ای به اندازه e از یکدیگر قرار داشته باشند، بردارهای وقفه­­­ای متناظرشان  و  به طول  و بردارهای وقفه­­ای  و  به طول  در فاصله­ای به اندازه حداکثری  از همدیگر قرار دارند. عبارت سمت راست معادله (10) نیز احتمالی شرطی است، اگر دو بردارهادی  و   (به طول m) در یک فاصله­ با اندازه  از همدیگر قرار داشته­باشند، بردارهای وقفه­ای متناظرشان،   و  به طول  در یک فاصله با اندازه حداکثری  از همدیگر قرار می­گیرند. شرط اساسی علیت غیر خطی گرنجر در معادله (10) را می‌توان با استفاده از نسبتهای متناظرشان از احتمالات مشترک به صورت زیر بازنویسی کرد:

(10)

که در اینجا احتمالات مشترک بصورت زیر تعریف می­شوند:   

(11)

با جای‌گذاری معادله (12) - (15) به وسیله برآوردگر انتگرال همبستگی، احتمالات مشترک را می‌توان بدین صورت بیان کرد:

(12)
(13)
(14)
(15)

        

  یک کرنل را نشان می­دهد، وقتی­که دو بردار X و Y در بین فاصله نُرم حداکثری  از هم قرار داشته باشند برابر 1 است و در غیر این­صورت برابر 0 می­باشد. با اندازه­های داده شده1 =m،  و بر اساس این فروض که X­t  و Y­t اکیداً مانا، به صورت ضعیف وابسته و ارگودیک می­باشند، اگر Yt علیت گرنجری Xt نباشد،آنگاه:

(16)
(17)
(18)
(19)

دو آماره (11) و (20) بروی پسماند مدل VAR به‌کار برده می­شوند. مدل­های VAR هر گونه توان پیشگویی خطی را از بین می­برند، بنابراین قدرت پیش­بینی باقیمانده هر یک از سری­ها برای دیگری، شاخصی از قدرت پیش­بینی غیرخطی می­باشد.

4- یافته های تحقیق

4-1- آمار توصیفی

در این بخش به منظور ارائه نمایی کلی از متغیرهای تحقیق، در جدول (1) آمار توصیفی مربوط به متغیرهای تحقیق ارائه شده است. آمار توصیفی ارائه شده بیانگر اطلاعاتی در مورد پارامتر مرکزی (میانگین) و پارامترهای پراکندگی (انحراف استاندارد، حداکثر و حداقل) متغیرهای تحقیق است. لازم به ذکر است که در این تحقیق از آمار بدهی ارزی، کل سپرده های بخش خصوصی وکل تسهیلات به بخش خصوصی درچهار بخش بانک‌های تخصصی، تجاری، خصوصی و موسسات اعتباری استفاده شده است. جدول (2) نمایی کلی از وضعیت این شاخص‌ها ارائه می‌نماید. 

جدول (2). توصیف آماری متغیرهای پژوهش

(20)

متغیرهای پژوهش	نوع مالکیت بانک	میانگین	میانه	ماکزیمم	مینیمم	انحراف معیار	چولگی	کشیدگی
بدهی ارزی	خصوصی	1,356.829	1,189.00	3,239.57	750.68	652.251	1.403	4.440
	موسسات اعتباری	748.056	559.362	1,523.759	361.461	358.667	0.495	1.899
	تخصصی	845.027	650.508	1,913.60	361.08	460.862	0.795	2.482
	تجاری	432.398	429.544	1,187.070	191.282	228.276	1.705	6.090
سپرده کل	خصوصی	5,258.203	4666.605	10056.46	3,126.10	1,941.799	1.0571	3.07469
	موسسات اعتباری	6,999.987	6,415.896	12,757.23	4,033.84	2,174.430	0.6377	2.4524
	تخصصی	1,747.180	1,711.252	2,981.30	1,007.37	544.656	0.5463	2.3869
	تجاری	3426.964	3236.479	5873.898	1726.727	1190.288	0.4194	2.122253
تسهیلات کل	خصوصی	3029.563	2598.171	6023.789	1907.093	1033.058	1.3096	3.878511
	تخصصی	2521.749	2472.131	3628.949	1796.735	522.4399	0.4678	2.163146
	تجاری	1890.986	1773.792	3313.45	1072.251	624.1223	0.5926	2.317679
	موسسات تجاری	4202.761	4166.791	7317.669	2162.319	1288.219	0.5557	2.77281

منبع: یافته‌های تحقیق

4-2- محاسبه شاخص بحران بانکی در چهار بخش اصلی شبکه بانکی کشور

رفتار ریسک پذیری بانک ها و نتیجه آن که همانا شکنندگی شبکه  بانکی خواهد بود را می توان با استفاده از شاخص شکنندگی نظام بانکی (BSFI) اندازه گیری کرد. توالی نوسانات در هر یک از اجزاء اصلی، تعیین کننده میزان رفتار ریسک پذیری بانک ها و متعاقب آن شکنندگی بخش بانکی خواهد بود. استدلال نظری این موضوع بر مبنای این واقعیت است که بحران بخش بانکی معمولاً با کاهش قابل توجهی در میانگین متغیرهای سپرده های بانکی (برداشت های گسترده بانکی)، مطالبات بانک‌ها از بخش خصوصی (افزایش وام های معوق) و بدهی‌های خارجی بانک‌ها (به خصوص در مواجه با کاهش ارزش واقعی یا بالقوه در پول داخلی) ایجاد می شود. در این تحقیق حدود آستانه ای سطوح ریسک پذیری و دوره های شکنندگی شبکه  بانکی به تبعیت از سینگ⁶⁸ (2011) به شرح زیر مشخص می شوند:

ریسک پذیری عادی : تا زمانی که بانکها از ریسک پذیری بیش از حد خودداری می کنند، شاخص شکنندگی نظام بانکی (BSFI) در اطراف میانگین خود )که برابر صفر است( حرکت خواهد کرد. به عبارت دیگر BSFI  متضمن ثبات بانکی بلندمدت است. 

ریسک پذیری متوسط: در این حالت شاخص شکنندگی نظام بانکی (BSFI) به بالاتر از صفر افزایش می‌یابد اما از () که انحراف معیار در طول دوره مورد بررسی است، کمتر می باشد یعنی BSFI><0. تا زمانی که شاخص شکنندگی نظام بانکی (BSFI) در این محدوده باقی بماند، احتمال بروز هر نوعی از مشکلات شبکه  بانکی در آینده بسیار ضعیف و یا غیر ممکن می باشد. هر چند در این مرحله نیازی به نظارت فوری نیست، اما توصیه می شود که مقامات از نزدیک مراقب جهت و سرعت شاخص شکنندگی نظام بانکی (BSFI) باشند. 

ریسک پذیری بالا : در این حالت شاخص شکنندگی نظام بانکی (BSFI) سرعت افزایش یافته و به بالاتر از () می رسد. می توان گفت که در این حالت، شبکه  بانکی در حال تجربه یک حباب است. در این مرحله، احتمال افزایش مشکلات بانکی در آینده زیاد است، فلذا شایسته است که از این مرحله، به عنوان فاز هشداردهنده مشکلات شبکه  بانکی تعبیر شود. در چنین وضعیتی، به منظور جلوگیری  از هر گونه بحران قریب الوقوع، نظارت مالی بر شبکه  بانکی توصیه می شود. ممکن است بعد از این مرحله، شاخص شکنندگی نظام بانکی (BSFI) به سرعت شروع به کاهش کند.

نبود شکنندگی: این حالت همانند مرحله ریسک‌پذیری عادی شرح داده شده در مرحله 1 می باشد که در آن، شاخص شاخص شکنندگی نظام بانکی (BSFI) در اطراف میانگین صفرش باقی می ماند. 

شکنندگی متوسط : یک شبکه  بانکی شکنندگی متوسط را تجربه می کند هر گاه  BSFI>- و کوچکتر از صفر است در این حالت با افزایش احتمال بحران بخش بانکی، نظارت بر جهت و سرعت شاخص شاخص شکنندگی نظام بانکی (BSFI) اهمیت زیادی خواهد داشت.

شکنندگی بالا : در صورتی که BSFI ≥ - گردد، شبکه  بانکی در وضعیت شکننده بالا خواهد بود. در این حالت ممکن است شبکه  بانکی با چالش های نقدینگی، اعتباری و نرخ ارزی مواجه شود. به دنبال عکس العمل‌های سیاستی و ریسک گریزی عمومی توسط بانک ها، شبکه  بانکی ممکن است به مسیر بهبودی باز گردد. تنها زمانی که شاخص شکنندگی نظام بانکی (BSFI) به میانگین صفرش برسد، می توان گفت که شبکه  بانکی به طور کامل بهبود یافته است. 

بر اساس روش تحقیق ارائه شده شاخص شکنندگی نظام بانکی (BSFI) در چهار بخش بانک­های تجاری، تخصصی، خصوصی و موسسات اعتباری غیر بانکی محاسبه شد. در ادامه ابتدا وضعیت این شاخص در کل شبکه بانکی در شکل (1) ارائه شده است. بر اساس نودار شکل (1)، شبکه بانکی کشور در اکثر سال های مورد بررسی در وضعیت شکنندگی متوسط قرار داشته است. با این حال در چند دوره از جمله نیمه دوم 1395 تا نیمه اول 1396 و همچنین ماه‌های انتهایی سال 1397 در حالت شکنندگی بالایی قرار داشته است. در سال های انتهایی دوره مورد بررسی (به دلیل افزایش نرخ برابری ارز)، شبکه بانکی کشور در حال تجربه یک حباب (نشان دهنده وارد شدن به فاز هشداردهنده مشکلات شبکه بانکی در آینده ای نزدیک) می‌باشد.

 

شکل (1). شاخص بحران بانکی در کل شبکه بانکی کشور

منبع: محاسبات تحقیق

در ادامه شاخص شکنندگی نظام بانکی (BSFI) در زیر بخش های شبکه بانکی کشور محاسبه شده است. در شکل (2) نودار روند شاخص شکنندگی نظام بانکی در چهار بخش ترسیم شده است. همانطور که در این نمودار قابل مشاهده می باشد حرکت شاخص در زیر بخش‌های شبکه بانکی با وجود تفاوت هایی در برخی مقاطع، همگرایی و انسجام را در اکثر مقاطع نشان می دهد به نحوی که برای مثال در انتهای دوره، تجربه حباب در تمامی زیر بخش های شبکه بانکی مشخص می باشد. همچنین شکنندگی بالا در بانک‌های خصوصی و تجاری در مقاطع ابتدایی و میانی دوره مورد بررسی نیز قابل مشاهده می باشد. از نکته قابل مشاهده در نمودار شکل (2) می توان به نوسانی بودن رفتار بانک‌های تجاری و تخصصی و همچنین موسسات اعتباری اشاره کرد با این حال بانک های خصوصی در اکثر مقاطع در حالت شکنندگی بالایی قرار داشته­اند.

 

شکل (2). شاخص BSFI در زیر بخش های شبکه بانکی

منبع: محاسبات تحقیق

4-3 -آزمون ریشه واحد

در ادامه روش تحقیق اشاره شده در این بخش تلاش می شود سرایت شاخص شکنندگی شبکه بانکی بر اساس شاخص شکنندگی نظام بانکی (BSFI) در چهار بخش شبکه بانکی مورد بررسی قرار گیرد و بر اساس روند متعارف در برآورد مدل‌های سری زماني و به منظور اجتناب از رگرسیون­های کاذب ابتدا بايد مانايي متغيرهاي پژوهش بر اساس آزمون­هاي متعارف ريشه واحد مورد آزمون قرار گيرد. نتايج آزمون ريشه واحد ديکي فولر تعميم يافته و همچنین آزمون فیلیپس- پرون در جداول شماره(3) ارائه شده است.

جدول (3). نتایج آزمون دیکی فولر تعمیم یافته و فیلیپس-پرون

متغیر	آماره آزمون ADF	آماره آزمون P-P	مقدار بحرانی در سطح			نتیجه
			1 %	5 %	10 %
BSFI_ TR	-2.28573	-2.10699	-2.61019	-1.94725	-1.6128	پایا
BSFI_ EX	-2.39394	-2.218560	-2.62119	-1.94889	-1.61193	پایا
BSFI_ FI	-1.99973	-2.33543	-2.61109	-1.94738	-1.61273	پایا
BSFI_ PV	-4.05637	-4.06724	-4.15673	-3.50433	-3.18183	پایا
منبع: محاسبات تحقیق

در جدول(2) باتوجه به اينكه قدر مطلق آماره­های آزمون ديكي-فولر تعميم يافته و فليپس- پرون براي همه متغيرها از قدرمطلق مقادير بحراني در سطح 5% بیشتر است لذا فرض  مبني بر نامانایی متغيرها رد مي­شود؛ به عبارتی دیگر تمامی متغیرها مورد بررسی در سطح پايا هستند. در ادامه به بررسی ارتباط و سرایت شاخص سلامت مالی در زیر بخش‌های شبکه بانکی در قالب آزمون های خطی و غیر خطی پرداخته می شود.

4-4 -علیت خطی گرنجر

پس از اطمینان از مانایی متغیرهای شاخص شکنندگی نظام بانکی (BSFI) در زیر بخش های شبکه بانکی کشور، و انتخاب وقفه دوم به عنوان وقفه بهینه بر اساس معیارهای آکائیک و شوارتز بیزین، مدل VAR برآورد گردید و بر اساس این مدل آزمون علیت خطی گرنجر انجام شد. جدول (4) نتایج این آزمون را نشان می‌دهد.

جدول (4). نتایج آزمون علیت خطی گرنجر

Null hypothesis	آماره کای دو	P-value
BSFI_RT≠»BSFI_EX	0.362608	0.8342
BSFI_PV≠»BSFI_EX	7.472936**	0.0238
BSFI_FI≠»BSFI_EX	0.182611	0.9127
BSFI_EX≠»BSFI_TR	5.325128*	0.0698
BSFI_PV≠»BSFI_TR	5.120113*	0.0773
BSFI_FI≠»BSFI_TR	2.505933	0.2857
BSFI_EX≠»BSFI_PV	3.899486	0.1423
BSFI_TR≠»BSFI_PV	0.299997	0.8607
BSFI_FI≠»BSFI_PV	12.91654***	0.0016
BSFI_EX≠»BSFI_FI	0.680795	0.7115
BSFI_TR≠»BSFI_FI	0.887058	0.6418
BSFI_PV≠»BSFI_FI	7.111639**	0.0286
1. *، ** و *** به ترتیب نشاندهنده معنی دار بودن آماره آزمون در سطوح 10%، 5% و1% می­باشد. 2. فرضیه صفر به صورت X1 ≠» X2  به این معنی است که  متغیر X1 علیت X2 نمی­باشد

نتایج آزمون علیت خطی گرنجر که در جدول (3) ارائه شده است را می‌توان بیان نمود که؛ 1- بنابراین رابطه علیت دوطرفه بین موسسات اعتباری و بانک‌های خصوصی وجود دارد، 2- یک رابطه علی یک‌طرفه از بانک‌های خصوصی به بانک‌های تخصصی و تجاری وجود دارد، و 3- یک رابطه علی یک‌طرفه از بانک های تخصصی به بانک‌های تجاری وجود دارد.

4-5 -آزمون BDS

اگر فرض i.i.d رد شود رفتار غیر خطی ممکن است بین سری­ها وجود داشته باشد. بنابراین با احتمال وجود رفتار غیر خطی آزمون علیت غیر خطی گرنجر به جای شکل مرسوم خطی آن مناسبتر به نظر می­رسد. به منظور اجرای آزمون علیت غیر خطی، ابتدا باید آزمون BDS را بروی پسماندهای مدل VAR، برای بررسی فرض مستقل بودن و مشخص بودن i.i.d ⁶⁹  متغیرها انجام شود.جدول (4) نتایج آزمون BDS، که بروی پسماندهای سری‌های VAR انجام شده است را نشان می­دهد. بر اساس نتایج به دست آمده، آماره Z در این آزمون در درجه­ وقفه 2 به ترتیب مقادیر 12.31، 6.11 ، 10.37 و 6.85 را اختیار کرده و بنابراین در این درجه وقفه فرض i.i.d بودن متغیرها رد می­شود که بیانگر احتمال وجود رابطه غیر خطی بین سری­های پسماندها می­باشد. بنابراین با توجه به احتمال وجود رفتار غیر خطی روش مناسب بررسی این رابطه آزمون علیت غیر خطی می­باشد که توسط بایک و براک (1992)⁷⁰ ارائه گردیده است

جدول (5). نتایج آزمون BDS

متغیر	Dimension	BDS Statistic	Std. Error	z-Statistic	Prob.
BSFI_EX	2	0.099187	0.008056	12.3119	0.00
BSFI_FI	2	0.052273	0.008555	6.110365	0.00
BSFI_PV	2	0.121567	0.01172	10.37247	0.00
BSFI_TR	2	0.058883	0.008593	6.852256	0.00
این نتایج بر اساس پسماندهای یک مدل VAR می­باشند.                                       منبع: محاسبات تحقیق

4-6- آزمون علیت غیر خطی گرنجر

بر اساس احتمال وجود رابطه غیر خطی بین شاخص های شکنندگی نظام بانکی (BSFI) در زیربخش های شبکه بانکی کشور که به­وسیله آزمون BDS تائید شد، آزمون علیت غیر خطی گرنجری بروی پسماندهای مدل برآورد شده به منظور بررسی رابطه دقیق بین این متغیرها انجام شد. در اینجا به پیروی از روش بایک و براک (1992) بردار هادی(m) را برابر با یک، درجات وقفه  (Lx=Ly ( برابر 2 و =0.5e را در نظر گرفته و دو آماره  CSو TS که به ترتیب نشان دهنده تفاوت بین دو احتمال شرطی در رابطه (11) و آماره آزمون استاندارد شده در رابطه (20) می­باشند را بدست آوردیم.

جدول (6). نتایج آزمون علیت غیرخطی گرنجر

Null hypothesis	0.07280***	TS
BSFI_TR≠»BSFI_EX	0.00778	5.1991
BSFI_PV≠»BSFI_EX	0.03245**	0.5557
BSFI_FI≠»BSFI_EX	0.00772	2.3174
BSFI_EX≠»BSFI_TR	-0.00050	0.5511
BSFI_PV≠»BSFI_TR	-0.00636	-0.0358
BSFI_FI≠»BSFI_TR	-0.00605	-0.4542
BSFI_EX≠»BSFI_PV	0.05791***	-0.4324
BSFI_TR≠»BSFI_PV	0.01023	4.1358
BSFI_FI≠»BSFI_PV	0.03018**	0.7304
BSFI_EX≠»BSFI_FI	0.06311***	2.1554
BSFI_TR≠»BSFI_FI	-0.00083	4.5070
BSFI_PV≠»BSFI_FI	0.07280***	-0.0594
1. *، ** و *** به ترتیب نشاندهنده معنی دار بودن آماره آزمون در سطوح 10%، 5% و1% می­باشد. 2. فرضیه صفر به صورت X1 ≠» X2  به این معنی است که  متغیر X1 علیت X2 نمی­باشد.

نتایج آزمون غیر خطی گرنجر که در جدول (5) ارائه شده است می توان بیان نمود که؛ 1- بانک های تجاری و موسسات اعتباری یک رابطه علیت معنادار به سمت بانک‌های تخصصی دارند، 2- بانک های تجاری رابطه معنادار علیت به سمت بانک های خصوصی دارد و 3- بانک های تجاری و خصوصی رابطه علی به سمت موسسات اعتباری دارند. از این‌رو، نتایج این بخش نشان دهنده سرایت شکنندگی مالی از بانک‌های تجاری به دیگر بخش های شبکه بانکی می باشد. به عبارتی دیگر بانک‌های تجاری که در زیر بخش بانک‌های دولتی قرار دارند رابطه علیت یک طرفه‌ای با دیگر بخش‌های شبکه بانکی داشته­اند و با توجه به دولتی بودن این بانک‌ها می‌توان نتیجه گرفت که سیاست های مدیریتی این نوع بانک‌ها نه تنها ایجاد کننده شکنندگی مالی در این نوع از بانک ها بوده است بلکه از این طریق این شکنندگی را به دیگر بخش های شبکه بانکی انتقال داده­اند. در ادامه بانک‌های خصوصی و موسسات اعتباری غیر بانکی در ساز و کار ارتباط شبکه ای انتقال دهنده وضعیت شکنندی مالی به دیگر بخش‌های شبکه بانکی بوده­اند. 

5- نتیجه‌گیری و پیشنهادات

این تحقیق در دو مرحله اصلی انجام گردید. در ابتدا با استفاده از شاخص شکنندگی شبکه بانکی (BSFI) به عنوان یک شبکه هشدار سریع و پیش بینی کننده نابسامانی و مشکلات بانکی، وضعیت سلامت مالی در زیربخش های شبکه بانکی مورد بررسی قرار گرفت. شاخص شکنندگی شبکه بانکی (BSFI) كه براي اولين بار توسط كيبریتچي اوغلو (2003) ارائه گردید از سه جزء اصلي ریسک نقدینگي، ریسک اعتباري و ریسک نرخ ارز تشکيل شده است. در ساختن شاخص مزبور به تبعيت از مطالعات تجربي صورت‌گرفته در این زمينه از رشد كل سپرده­هاي واقعي سيستم بانکي به عنوان پروكسي ریسک نقدینگي استفاده مي­شود، چرا كه با رشد سپرده هاي بانکي احتمال برداشت­هاي ناگهاني گسترده توسط سپرده­گذاران  (هجوم بانکي) نيز به دلایلي همچون انتشار اخبار بد افزایش مي­یابد. رشد كل تسهيلات اعطایي واقعي به بخش خصوصي نيز به عنوان تقریبي براي ریسک اعتباري مورد استفاده قرار مي­گيرد، زیرا با رونق اعطاي اعتبارات به بخش خصوصي احتمال افزایش مطالبات معوق (ریسک اعتباري) افزایش مي­یابد. از رشد بدهي­هاي خارجي سيستم بانکي نيز به عنوان پروكسي ریسک نرخ ارز استفاده مي­شود. 

نتایج محاسبات این شاخص در زیر بخش های شبکه بانکی کشور حاکی از دوره­های شکنندگی بالای شبکه بانکی است از جمله ماه­های منتهی به سال 1396 شکنندگی شبکه بانکی در سطح بالایی قرار دارد که می­تواند حاکی از اثرات ادوار انتخاباتی باشد. همچنین در انتهای دوره مورد بررسی، ریسک­پذیری بالا در شبکه بانکی مشاهده می­شود که ناشی ایجاد حباب و نشان دهنده یک هشدار قوی برای مشکلات آتی شبکه بانکی کشور می باشد. در اکثر دوره مورد بررسی نیز شکنندگی قابل توجهی بر شبکه بانکی حاکم بوده است.

در مرحله دوم، رابطه علی زیربخش­های شبکه بانکی مورد بررسی قرار گرفته است. در این بخش از آزمون‌های علیت خطی و غیر خطی گرنجر استفاده شده است. نتایج آزمون علیت خطی گرنجر نشان دهنده رابطه علیت دوطرفه بین موسسات اعتباری و بانک‌های خصوصی، یک رابطه علی یک طرفه از بانک‌های خصوصی به بانک‌های تخصصی و تجاری و همچنین یک رابطه علی یک‌طرفه از بانک‌های تخصصی به بانک‌های تجاری می­باشد با این حال نتایج آزمون علیت غیر خطی نشان دهنده سرایت شکنندگی مالی از بانک های تجاری به دیگر بخش‌های شبکه بانکی است. به عبارتی دیگر بانک های تجاری که در زیر بخش بانک‌های دولتی قرار دارند رابطه علیت یک طرفه ای با دیگر بخش‌های شبکه بانکی داشته اند و با توجه به دولتی بودن این بانک‌ها می توان نتیجه گرفت که سیاست‌های مدیریتی این نوع بانک ها، نه تنها ایجاد کننده شکنندگی مالی در این نوع از بانک‌ها بوده است بلکه از این طریق این شکنندگی را به دیگر بخش های شبکه بانکی انتقال داده اند. در ادامه بانک‌های خصوصی و موسسات اعتباری غیر بانکی در مکانیسم ارتباط شبکه‌ای انتقال دهنده وضعیت شکنندی مالی به دیگر بخش های شبکه بانکی بوده­اند.

به طورکلی نتایج پژوهش حاضر با پژوهای انجام شده داخلی و خارجی در حوزه پژوهش حاضر قابل مقایسه است. در این خصوص، شجری و همکاران (1389) نشان می­دهد دو متغیر قیمت سهام و نرخ بهره واقعی به ترتیب معتبرترین شاخص‌ها برای پیش‌بینی بحران بانکی می‌باشند. نتایج مطالعه مشیری و نادعلی (1392) هم نشان دادکه متغیرهای تورم و مجذور آن، نرخ سود حقیقی و نسبت اعتبارات اعطایی بانک‌ها به بخش خصوصی نسبت تولید ناخالص داخلی به)، با احتمال وقوع بحران بانکی در ایران رابطه معناداری دارند. همچنین نشان می‌دهد، نرخ ارز نیز اثر معناداری بر احتمال ایجاد بحران بانکی در ایران (به دلیل عدم ارتباط آنها با بازارهای مالی و مؤسسه‌های مالی بین‌المللی) ندارد. زارعی و کمیجانی (1394) نشان دادکه متغیرهای رشد نرخ ارز حقیقی، نرخ رشد تسهیلات اعطایی به بخش غیردولتی، نرخ رشد تولید ناخالص‌ داخلی حقیقی، نرخ رشد قیمت مسکن، و رشد میانگین نرخ بهره حقیقی تسهیلات پیش‌بینی‌کننده احتمال وقوع بحران بانکی در ایران می‌باشند.. زارعی و کمیجانی (۱۳۹۱) نشان داد که سه متغیر میانگین موزون نرخ­سودحقیقی سپرده­های بانکی، میانگین موزون نرخ­سود حقیقی تسهیلات بانکی، نرخ رشد قیمت مسکن، پیش­بینی­کننده احتمال وقوع بحران بانکی می‌باشند. کردلویی و آسیایی طاهری (1395)، نشان داد در  ایران میان استرس مالی و برخی از بازارهای مورد بررسی با وقفه  3ماهه روابط معنا داری وجود دارد. کردلویی و ذوالفقاری (1395)، نشان داد که معیارهای استرس مالی بر معیارهای عملکرد بانک‌ها در بازار سرمایه ایران تأثیرگذار هستند. معطوفی (1397)، نشان داد که متغیرهای فوق الذکر به عنوان مشخصه­های استرس مالی در بازار سرمایه ایران می­باشند. معطوفی و ولیان (1397)، نشان داد که بین کیفیت­سود و استرس مالی در بازار سرمایه ایران رابطه منفی معنادار وجود دارد. پور عبادالهان کویچ و همکاران (1397)، نشان داد که شکنندگی سیستم بانکی ایران می‌تواند شاخص خوبی برای اندازه‌گیری، پیش‌بینی و نظارت بر شکنندگی سیستم بانکی کشور باشد. بارل و همکاران (۲۰۱۰) و السینا و دتکن (۲۰۱۱) بحران‌‌های بانکی درکشورهای سازمان همکاری اقتصادی و توسعه (OECD) را شناسایی نمودند.  ونگ و همکاران (۲۰۱۰)، نشان دادند که متغیرهای اساسی اقتصاد کلان، نوسانات ارزی، ریسک اعتباری بانک‌ها و شرکت‌های غیرمالی، شکاف قیمت دارایی و رشد اعطای تسهیلات و تنش‌های اقتصادی از جمله شاخص‌های پیشرو در بحران بانکی بوده‌اند. هو (2006) با تکمیل شیوه شناسایی بحران بانکی ارایه شده توسط هاگن و هو (2004)، الگوی چرخشی مارکف با درون‌زا کردن سطح آستانه­ای بحران، کاهش اختیار در تعیین سطح آستانه­ای و نیز مستثنی کردن دوره زمانی نزدیک زمان وقوع بحران برای جلوگیری از شروع دوباره بحران، کاستی روش قبل را از بین برد. آلسی و دیتکین (2011)، تابع زیان یک سیاست گذار را بر روی یک رویکرد تک متغیری علامت دهی نسبت به چرخه های فراز و فرود قیمت دارایی اجرا، و آن را با ارائه راهکاری که به زیان وارده از طریق بی توجهی به سیگنال های یک مدل رسیدگی، توسعه دادند. بالتاری و استولز (2012)، نشان دادند که بانک‌های بزرگی که سرمایه ای بالاتر از رتبه 1، سپرده های بیشتر، و شکنندگی تامینی کمتری دارند، و کمتر در بازار املاک آمریکا دخیل اند و در معرض آن قرار ندارند، از نظر ارزش سهام عملکرد بهتری داشته اند. بانک‌های کشور هایی که سرریز حساب جاری داشتند به طور قابل توجهی عملکرد بهتری در طی بحران مالی جهانی داشتند، در حالی که کشورهایی که شبکه های بانکی شان بیشتر تحت تاثیر آمریکا بود عملکرد بدتری داشتند. صمد (2012) نشان دادند که شاخص‌های ریسک اعتباری، 76 درصد وقوع احتمال ورشکستگی را توضیح می‌دهند. تاتوم (2012) نشان داد که کل دارایی، شاخص قیمت انرژی، نرخ ارز و حاشیه نرخ بهره ازجمله متغیرهای مؤثر در ورشکستگی بانک‌ها هستند. بتز و همکاران (2013)، نشان داد که تکمیل نقاط ضعف مختص هر بانک با شاخص‌هایی برای عدم توازن های مالی کلان و نقاط ضعف هر بانک مجزا عملکرد مدل را بهبود بخشیده و پیش بینی های خارج از نمونه ای از درماندگی بانکی در بحران مالی اخیر ارائه می‌دهد. زاگدودی (2013) نشان می‌دهد بانک‌ها، توان بازپرداخت بدهی‌های خود را دارند. ضرایب درآمد عملیاتی بانک‌ها، سود بانک‌ها بازای هر نیروی کار و نسبت اهرمی منفی است و این شاخص‌ها با احتمال ورشکستگی، رابطۀ منفی دارند. آصف‌خان و همکاران (2013) نشان داد بانک‌های کشور مالزی بیشتر در معرض ریسک مالی قرار دارند، به‌گونه‌ای‌ که نسبت اهرمی برای بانک‌های این کشور در دورۀ مدّنظر نزولی بوده است. بانک‌های مالزی در مقایسه با کشور پاکستان در جذب منابع ضعیف هستند و بیشتر در معرض ریسک اعتباری قراردارند؛ بنابراین بانک‌های کشور مالزی بیشتر از بانک‌های کشور پاکستان درمعرض ریسک ورشکستگی قراردارند. لی و همکاران (2014) نشان داد که مطالبات غیرجاری مشتریان بیش از سایر متغیرها باعث افزایش احتمال ورشکستگی بانک‌ها شده است. همچنین افزایش ریسک نرخ بهره به کارایی بانک‌ها آسیب زده است. تسهیلات اعطایی به بخش کشاورزی اثر معنی‌داری در ورشکستگی بانک‌ها ندارد. آبیولا و همکاران (2015) می‌دهد بانک‌هایی که نسبت تسهیلات غیرجاری به تسهیلات اعطایی بالاتر و نسبت هزینۀ عملیاتی به کل دارایی بالاتر دارند، در مقایسه با سایر بانک‌ها با احتمال ورشکستگی بیشتری روبه‌رو هستند. نکتۀ دیگر این است که متوسط زمان ماندگاری بانک‌ها براساس ویژگی خاص بانک‌ها نظیر نوع مالکیت یا اندازه متفاوت است. کنستانتین و همکاران (2016) نشان داد که یک مدل تر کیبی نابسامانی بانکی با رویکرد شبکه های بانکی به هم پیوسته، برای لحاظ کردن میل به انتشار نابسامانی در راستای آمادگی برای انجام اعمال هشدار زودهنگام، به این مقوله کمک می‌کنند. آودجیف و همکاران (2019)، هم با ارایه ماتریس مجاورت، یک معیار با مرکزیت شبکه جدید را ایجاد نمودند که بر اساس آن ریسک اعتباری یا ریسک تأمین مالی سیستم بانکی قابل تفسیر است. فیلیپوپولو و همکاران (2020)، نشان داد که بیشتر شاخص‌های ریسک به کار رفته در بانک اطلاعاتی کلان برای پیش بینی از 4 تا 1 سال قبل از شروع بحران نظام بانکی مهم هستند. آنها در نهایت نتیجه گرفتند که مدل تدوین شده از نظر مشخصات مختلف مقاوم است و در صورت عدم مشاهده مشاهدات پس از بحران عملکرد بهتری دارد. 

از این‌رو، با بررسی و مقایسه نتایج مطالعه حاضر با پژوهش‌های انجام شده پیشین که درقسمت بالا به آنها اشاره گردید، می‌توان گفت پیش‌بینی نابسامانی بانکی و سرایت بحران در شبکه بانکی با استفاده از رویکرد ترکیبی خطی و غیر خطی مطابق ان چه که در این پژوهش انجام گرفت؛ نتایج نسبتاً دقیق‌تری ارایه شده است. بر این اساس، این نتایج برای برنامه‌ریزان وسیاست‌گذاران نظام بانکی به منظور پیشبرد اهداف مدیریتی، نظارتی وکنترلی به نوبۀ خود حائز اهمیت است. همچنین، به پژوهش‌گران پیشنهاد می‌شود که در پژوهش‌های آتی با ابعاد و مؤلفه‌های بیشتر و متفاوت موضوع پیش‌بینی نابسامانی بانکی و سرایت بحران در شبکه بانکی را انجام دهند و نتایج آن را هم با نتایج پژوهش حاضر مور مقایسه و بحث قرار دهند.

 منابع

احمدیان، اعظم؛ گرجی، مهسا. (1396). تبیین مدل ورشکستی جهت شناسایی بانک‌های سالم و در معرض خطر. مدیریت دارایی و تأمین مالی, 5(3), 1-18.

آذری‌قره‌‎لو، آ.، رستگار، محمد علی.، و عزیززاده، ف. (1395). مقایسۀ رویکردهای اندازه‌گیری ریسک سیستمی در شرکت‌های بورس اوراق بهادار تهران. پایان‌نامۀ کارشناسی‌ارشد. دانشگاه خوارزمی، دانشکدۀ علوم مالی، تهران. 

اَکبر کمیجانی، ژاله زارعی,(1394), شناسائی و پیش بینی بحران های بانکی در ایران. مدل سازی اقتصادی سال نهم بهار 1394 شماره 1 (پیاپی 29).

پورعبادالهان کویچ, محسن, اصغر پور, حسین, فلاحی, فیروز, ستار رستمی, همت. (1397). اندازه‌گیری شکنندگی سیستم بانکی ایران بر اساس شاخص BSFI. اقتصاد مالی, 12(45)،1-26.

زارعی، ژاله.، کمیجانی، اکبر. (1394). شناسایی و پیش‌بینی بحران‌های بانکی در ایران. فصلنامه علمی - پژوهشی مدلسازی اقتصادی، مقاله 1، دوره 9، شماره 29، بهار 1394، صص:1-23.

زارعی، ژاله، کمیجانی، اکبر. (۱۳۹۱). ارزیابی ثبات مالی در ایران با تأکید بر ثبات بانکی (رویکرد آزمون هشدارهای اولیه). فصلنامه اقتصاد کاربردی، 10(3): 127-152.

شجری، پرستو، محبی خواه، بیتا (1389). پیش بینی بحران‌های بانکی و تراز پرداخت‌ها با استفاده از روش علامت دهی KLR (مطالعه موردی: ایران). فصلنامه پژوهش‌های پولی- بانکی، 4(2): 115-152.

مشایخی، بیتا و حمیدرضاگنجی، (1393)، "تأثیر کیفیت سود بر پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی"، پژوهش‌های حسابداری مالی و حسابرسی (پژوهشنامه حسابداری مالی و حسابرسی)، 6(22)، صص 147-173.

مشیری, سعید, نادعلی, محمد. (1392). شناسایی عوامل مؤثر در بروز بحران بانکی در اقتصاد ایران. پژوهشنامه اقتصادی, 13(48), 1-27.

مشیری، سعید، نادعلی، محمد، (1389). شناسایی بحران‌های بانکی در اقتصاد ایران. مجله نامه مفید، ۶(۱۶): 59-88.

Abiola A, B., Felicia O, O. and Folasade B. A. (2015). Predicting bank failure in Nigeria using survival analysis approach. Journal of South African Business Research, 2:17. Article ID 965940. 

Alessi, L. and C. Detken (2011). Quasi real time early warning indicators for costly asset priceboom/bust cycles: A role for global liquidity. European Journal of Political Economy 27,520{533}.

Asif, K. M., Akhtar, W., Ullah, A. I., Z. & Risat, I. (2013). Islamic banking: An appraisal of insolvency hazard. International Journal of Academic Research in Accounting, finance and management sciences, 3(4): 1-10.

Avdjiev, S., Giudici, P., & Spelta, A. (2019). Measuring contagion risk in international banking. Journal of Financial Stability, 42, 36-51.

Baek.E. and W. Brock. (1992). A general test for nonlinear Granger causality: Bivarate model, Working paper, Iowa State University and University of Wisconsin, ststistica Sinica 2, 137- 156

Baek.E. and W. Brock. (1992). A general test for nonlinear Granger causality: Bivarate model, Working paper, Iowa State University and University of Wisconsin, ststistica Sinica 2, 137- 156

Beltratti, A. and R. Stulz (2012). The credit crisis around the globe: Why did some banksperform better? Journal of Financial Economics 105, 1{17}.

Betz, F., Oprică, S., Peltonen, T.A. and Sarlin, P. (2014), “Predicting distress in European banks”, Journal of Banking and Finance, Vol. 45, pp. 225-241.

Borio C and Lowe P (2002). Asset prices, financial and monetary stability: exploring the nexus. Available: http://www.bis.org/publ/work114.pdf.

Borio, C., Furfine, C., & Lowe, P. (2001). Procyclicality of the financial system and financial stability: Issues and policy options. BIS papers, 1: 1-57.

Caprio, G., & Klingebiel, D. (1996). Bank insolvencies: cross-country experience. World Bank policy research working paper, (1620). 

Caprio, G., & Klingebiel, D. (1996, April). Bank insolvency: bad luck, bad policy, or bad banking?. In Annual World Bank conference on development economics (Vol. 79, pp. 1-26).

Caprio, G., & M Soledad Martinez-Peria.(2000). Avoiding disaster: Policies to Reduce the Risk of Banking Crises, Discussion Paper, Cairo, Egypt: Egyptian Center for Economic Studies.

Constantin, Andreea, Peltonen, Tuomas A., Sarlin, Peter.,(2016). Network linkages to predict bank distress. Journal of Financial Stability, Volume 35, April 2018, PP: 226-241.

Davis, E. P., & Karim, D. (2008). Could early warning systems have helped to predict the sub-prime crisis? National Institute Economic Review, 206(1): 35-47.

Demirgüç-Kunt, A., & Detragiache, E. (1998). The determinants of banking crises in developing and developed countries. Staff Papers, 45(1), 81-109.

Domac. I & Martinez, Peria. M.S.(2003). Banking crises and exchange rate regimes: Is There a Link? Journal of International Economics, 61: 41-72.

Filippopoulou, C., Galariotis, E., Spyrou, G. (2020).An early warning system for predicting systemic banking crises in the Eurozone: A logit regression approach. Journal of Economic Behavior & Organization.Volume 172, April 2020, Pages 344-363.

Fund.Diamond, D. W., & Dybvig, P. H. (1983). Bank runs, deposit insurance, and liquidity. The journal of political economy: 401-419.

Herring, R. J., & Wachter, S. M. (1998). Real Estate Cycles and Banking Crises: An International Perspective (No. 298). Wharton School Samuel Zell and Robert Lurie Real Estate Center, University of Pennsylvania.

Hiemstra, C.,Jones, j., (1994). Testing for linear and nonlinear Granger causality in the stock price-volume relation. Journal of Finance 49, 1639 - 1664.

Ho, Tai-kuang. (2007) .Potential pitfalls of markov switching models in the studies of currency crises. Taiwan Economic Review, (35): 213–247.

Hoggarth, G., & Reis, R., & Saporta, V. (2002). Costs of banking system instability: some empirical evidence. Journal of Banking & Finance, 26(5): 825-855.

Li, X. Escalante, C. L. Epperson, J. E. (2014). Agricultural banking and bank failures of the late 2000s financial crisis: A survival analysis using Cox Proportional Hazard model. Southern Agricultural Economics Association (SAEA) Annual Meeting, Dallas, Texas, 1-4 February 2014

Park, C. Y., & Mercado Jr, R. V. (2014). Determinants of financial stress in emerging market economies. Journal of Banking & Finance, 45, 199-224. Available at http://hdl.handle.net/11540/4225

Perez-Campanero, J., & Leone, A. M. (1991). Liberalization and financial crisis in Uruguay, 1974-87. Banking crises: Cases and issues, 276-375.

Samad, A. (2012). Credit risk determinants of bank failure: Evidence from US bank failure.International Business Research. 5(9).

Santos, J. A. (2001). Bank capital regulation in contemporary banking theory: A review of the literature. Financial Markets, Institutions & Instruments, 10(2), 41-84.

Schwartz, R.A., Whitcomb, D. K., 1977, Evidence on the Presence and Causes of Serial Correlation in Market Model Residuals, Journal of Financial and Quantitative Analysis, PP: 291-313.

Tatom, J. (2012).Predicting failure in the commercial bank industry. Munchin Personal RePEc Archive, MPRA Paper No.34608.

Thomaidis, N., 2007, Efficient Statistical Analysis of Financial Time-Series using Neural Networks and GARCH models, PP: 2-6.

Zaghdoudi, T. (2013).Bank failure prediction with logistic regression. International Journal of Economics and Financial Issues. 3(2):537-543.

 

 

 

 

 

 

 

 

 

 

 

 

 

Prediction of Banking Distress and Contagion of Crisis in the Banking Network (With Application of Linear and Non-Linear Hybrid Approach)

 

Abstract

The present research aimed at prediction of banking disorder and contagion of crisis in the banking network is conducted by application of linear and non-linear hybrid approach. The present research method is of descriptive-survey, and practical in terms of objective. Therefore, in order to attain this objective, firstly, banking system fragility index (BSFI) is reviewed as an early warning system in order to identify banking crisis, in four banking system sectors (specialized, commercial, private and credit institutions), and banking system fragility index is reviewed in the stated four sectors by applying linear and non-linear approaches by making use of data obtained during March 2016 until December 2020. Results of calculation of banking system fragility index in sub-sectors of the banking system indicate periods of high fragility of the banking system, in particular in January, February and March 2017, which might be due to effects of election. Furthermore, in December 2020, high risk-taking was observed in the banking system, arising from creation of a bubble, which represents a strong warning for future problems of the national banking system. Furthermore, during the review period, banking network is noticeably fragile. Notably, results of Granger linear causality test indicate two-sided causality between credit institutions and private banks, a one-sided causal relationship from private banks to specialized and commercial banks and also a one-sided causal relationship from specialized banks to commercial banks. Notwithstanding, results of non-linear causality test reveal contagion of financial fragility from commercial banks to other sectors of the banking network. Of note, since commercial banks remain as subsector of public banks, there is a one-sided causal relationship between the former with other sectors of banking network and regarding state-owned nature of these banks, managerial policies of these banks, not only create financial fragility of commercial banks, but also transfer such fragility to other sectors of the banking system. It is worth mentioning, private banks and non-bank credit institutions, considering network relationship mechanism, transfer financial fragility status to other sectors of the banking system.

Keywords: Banking Distress, Banking System Fragility Index (BSFI), Granger Linear Causality, Non-linear Causality, Contagion Risk

 

 

 

یادداشت‌ها:

---

[1] Prudential 

[2]  Vazqueza and et al.,

[3]  Laeven and Valencia

[4]  Diamond,D.,Dybvig,P 

[5]  Santos,Joao

[6]  Herring, R. J., & Wachter, S. M.

[7]  Borio, C., Furfine, C., & Lowe, P.

[8]  Herring and Wachter(1998); Borio et al. Davis and Zhu

[9]  Perez Campanero, Juan and Alfredo M. Leone

[10]  Demirguc Kunt & Detragiache

[11]  Porta, Lopez de Silanes, Shleifer

[12]  Caprio and Martinez Peria

[13] Caprio and Summers,

[14]  Stiglitz and Allen

[15]  Domac & Martinez Peria

[16]  Risk Analysis Support Tool (RAST)

[17]  ORAP

[18]  PATROL

[19]  Banking System Fragility Index

[20]  E. Philip Davis, Dilruba Karim

[21]  International Monetary Fund  (MIF)

[22] . Logan

[23] .Bordo

[24] .Caprio and Klingebiel

[25] .Demergic- kunt and Detragiache

[26]  .Gross domestic product (GDP)

[27] .Caprio and Klingebiel

[28] .Demergic- kunt and Detragiache

[29]  Von Hagen and Ho

[30] . Park et al

[31]  Thomaidis

[32]  White

[33]  Schwartz

[34]  Exchange Market Pressure (EMP) 

[35]  Banking System Fragility Index

[36] .Barrell et al

[37] .Alesina et al

[38] .The Executives' Meeting of East Asia Pacific Central Banks

[39] . Martinez Peria

[40] .Cerra and Saxena

[41] .Abiad

[42] .Ho

[43]  .Hagan and Ho

[44] Alessi and Detken

[45] Beltratti and Stultz

[46] Samad 

[47] Tatom 

[48] Frank Betz, Silviu Oprică, Tuomas A. Peltonen and Peter Sarlin

[49] the European Central Bank (ECB) 

[50] Zaghdoudi 

[51] Asif Khan et al

[52] Li and et al 

[53] Too big to fail

[54]  Abiola and et al

[55]  Avdjiev

[56]  Tensor Decomposition Methods (TDM)

[57]  Bank for International Settlements (BIS)

[58]  Filippopoulou et al

[59]  Banking System Fragility Index

[60]  Granger,

[61]  The Brock- Dechert - Scheinkman test (BDS)

[62]  Brock et al

[63]  Grassberger

[64]  Brock et al,

[65]  Euclian

[66]  Hiemstra and Jones

[67]  baek and brock

[68]  Singh

[69]  Independent and Identical

[70]  Baek and Brock

---