پیش‌بینی نابسامانی بانکی و سرایت بحران در شبکه بانکی (با کاربرد رویکرد ترکیبی خطی و غیرخطی) DOR: 20.1001.1.27831213.1399.1.2.3.4

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانش‌آموخته دکتری تخصصی رشته مدیریت مالی، دنشگاه آزاد اسلامی، واحد قم، قم، ایران

2 استاد داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ، واﺣﺪ ﻋﻠﻮم و تحقیقات، تهران، ایران

3 استادیار داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ، واﺣﺪ قم، قم، ایران

4 دانشیار داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ، واﺣﺪ اسلامشهر، اسلامشهر، ایران

5 استادیار دانشکده معارف اسلامی و اقتصاد، داﻧﺸﮕﺎه امام صادق علیه‌السلام، تهران، ایران

چکیده

پژوهش حاضر با هدف پیش‌بینی نابسامانی بانکی و سرایت بحران در شبکه بانکی با استفاده از رویکرد ترکیبی خطی و غیر‌خطی انجام شده است. روش پژوهش از نوع توصیفی پیمایشی و از نظر هدف کاربردی است. از‌این‌رو برای رسیدن به این هدف، ابتدا «شاخص شکنندگی شبکه بانکی» (BSFI) به‌عنوان یک نظام هشدار سریع به‌منظور شناسایی بحران‎های بانکی، در چهار بخش شبکه بانکی (تخصصی، تجاری، خصوصی و مؤسسات اعتباری) مورد بررسی قرار گرفته و در ادامه سرایت شکنندگی شبکه بانکی در چهار بخش مذکور با استفاده از رویکردهای خطی و غیر‌خطی با استفاده از داده‌های طی دوره زمانی فروردین 1395 تا آذر 1399 مورد بررسی قرار گرفته است. نتایج محاسبات شاخص شکنندگی شبکه بانکی در زیر‌بخش‌های شبکه بانکی کشور، نشان‌دهنده دوره‌های شکنندگی بالای شبکه بانکی است که می‌تواند حاکی از اثرات ادوار انتخاباتی باشد. همچنین در انتهای دوره مورد بررسی، ریسک‌پذیری بالا در شبکه بانکی مشاهده می‌شود که ناشی از ایجاد حباب و نشان‌دهنده یک هشدار قوی برای مشکلات آتی شبکه بانکی کشور است. علاوه‌بر‌این، در اکثر دوره مورد بررسی شکنندگی قابل توجهی بر شبکه بانکی حاکم بوده است. در ادامه نتایج آزمون علیت خطی گرنجر نشان‌دهنده رابطه علیت دوطرفه بین مؤسسات اعتباری و بانک‌های خصوصی، یک رابطه علی یک‌طرفه از بانک‌های خصوصی به بانک‌های تخصصی و تجاری و همچنین یک رابطه علی یک‌طرفه از بانک‌های تخصصی به بانک‌های تجاری می‌باشد. بنابراین، نتایج آزمون علیت غیرخطی نشان‌دهنده سرایت شکنندگی مالی از بانک‌های تجاری به دیگر بخش‌های شبکه بانکی است. به عبارتی دیگر، بانک‌های تجاری که در زیر‌بخش بانک‌های دولتی قرار دارند، رابطه علیت یک‌طرفه‌ای با دیگر بخش‌های شبکه بانکی داشته‌اند و با توجه به دولتی بودن این بانک‌ها می‌توان نتیجه گرفت که سیاست‌های مدیریتی این نوع بانک‌ها، نه‌تنها ایجاد‌کننده شکنندگی مالی در بانک‌های تجاری است بلکه این شکنندگی را به دیگر بخش‌های شبکه بانکی انتقال داده‌اند. در ادامه بانک‌های خصوصی و مؤسسات اعتباری غیر‌بانکی در ساز‌و‌کار ارتباط شبکه‌ای انتقال‌دهنده وضعیت شکنندة مالی به دیگر بخش‌های شبکه بانکی بوده‌اند.

کلیدواژه‌ها

احمدیان، اعظم و گرجی، مهسا (1396)، «تبیین مدل ورشکستگی جهت شناسایی بانک‌های سالم و در معرض خطر». مدیریت دارایی و تأمین مالی، 5(3)، 1-18.
آذری‌قره‌‎لو، آ.؛ رستگار، م. و عزیززاده، ف (1395)، مقایسۀ رویکردهای اندازه‌گیری ریسک سیستمی در شرکت‌های بورس اوراق بهادار تهران. پایان‌نامۀ کارشناسی‌ارشد. دانشگاه خوارزمی، دانشکدۀ علوم مالی، تهران.
زارعی، ژاله و کمیجانی، اکبر (1394)، «شناسایی و پیش‌بینی بحران‌های بانکی در ایران»، فصلنامه مدل‌سازی اقتصادی، 9(29)، 1-23.
زارعی، ژاله و 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 و محبی‌خواه، بیتا (1389)، «پیش‌بینی بحران‌های بانکی و تراز پرداخت‌ها با استفاده از روش علامت‌دهی KLR (مطالعه موردی: ایران)»، فصلنامه پژوهش‌های پولی ـ بانکی، 4 (2)، 115-152.
مشایخی، بیتا و گنجی، حمیدرضا (1393)، «تأثیر کیفیت سود بر پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی»، پژوهش‌های حسابداری مالی و حسابرسی، 6(22)، 147-173.
مشیری، سعید و نادعلی، محمد (1392)، «شناسایی عوامل مؤثر در بروز بحران بانکی در اقتصاد ایران»، پژوهشنامه اقتصادی، 13(48)، 1-27.
مشیری، سعید و 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.
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., 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., & 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.
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
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.
Tatom, J. (2012), Predicting failure in the commercial bank industry. Munchin Personal RePEc Archive, MPRA Paper No.34608.
Zaghdoudi, T. (2013).Bank failure prediction with logistic regression. International Journal of Economics and Financial Issues. 3(2):537-543.
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.
  • تاریخ دریافت: 01 اردیبهشت 1400
  • تاریخ بازنگری: 02 اردیبهشت 1400
  • تاریخ پذیرش: 22 اردیبهشت 1400