کد مقاله : 1400061827244 بازدید : 12905 صفحه: 55 - 68

نوع مقاله: پژوهشی

تاثیر متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی با الگوی خودرگروسیونی برداری

محورهای موضوعی : عمومى

علی استادهاشمی ¹ , سید جلال صادقی شریف ² , علی سوری ³

1 - مربی، دانشگاه پیام نور، دانشکده مدیریت و حسابداری، تهران، ایران
2 - استادیارگروه مدیریت مالی و حسابداری، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی
3 - دانشیارگروه اقتصاد نظری، دانشکده اقتصاد، دانشگاه تهران

تاریخ دریافت : 1399/08/17 تاریخ پذیرش : 1400/04/09 تاریخ انتشار : 1400/06/18

کلید واژه: ریسک سیستمی نظام بانکی, متغیرهای کلان اقتصادی, ارزش در معرض خطر شرطی, رگرسیون کوانتایل, مدل خودرگرسیونی برداری.,

چکیده مقاله :

هدف این مقاله بررسی تأثیر شوک‌های متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی در ایران است. برای این منظور یک مدل‌ خودرگرسیونی برداری ساختاری (SVAR) شامل درآمدهای نفتی، نااطمینانی نرخ ارز، درآمدهای مالیاتی، نقدینگی، نرخ بهره اسمی، نااطمینانی تورم و تولید ناخالص داخلی و سنجه تغییر در ارزش در معرض خطر شرطی (∆CoVaR) طراحی و با استفاده از داده‌های فصلی (1396-1370) برآورد و با استفاده از توابع ضربه آنی و بر اساس تجزیه چولسکی واکنش ریسک سیستمی نسبت شوک در هر یک از متغیرهای کلان اقتصادی مورد بررسی قرار گرفته است. نتایج نشان می‌دهد که شوک مثبت قیمتی نفت، نااطمینانی تورم، نرخ ارز و نرخ سود بانکی تأثیر فزاینده بر ریسک سیستمی دارد. درحالی‌که رشد مثبت اقتصادی کاهش ریسک سیستمی را به همراه دارد. بر اساس یافته‌های تحقیق، سیاست‌گذار پولی می‌بایست با اتخاذ سیاست‌های قاعده‌مند پولی و ایجاد ثبات در نرخ ارز و تورم، احتمال وقوع ریسک سیستمی نظام بانکی را کاهش دهد.

چکیده انگلیسی:

In this study, we have used the total capital market index (TEDPIX) as an index of the real sector of the economy and the index of banks and credit financial institutions as an index that explains the developments of the banking system. Also, oil revenues, exchange rate uncertainty, tax revenues, liquidity, nominal interest rates, inflation uncertainty and GDP have been used as macroeconomic variables in the research period (1370-1396). To estimate the systemic risk of the banking system, the quarterly data of the banks' index is used and the value at risk of the return of the seasonal data of the index is estimated using an exponential GARCH model. In order to model the interaction of macroeconomic variables and systemic risk of the banking system, an unrestricted vector autoregression (VAR) model was estimated and then using instantaneous impact functions and based on Chulsky analysis, systemic risk response to other variables was investigated and analyzed. In order to identify the channels of impact of economic shocks on the systemic risk of the banking system, based on the structures of the Iranian economy, a structural vector autoregression (SVAR) model was specified and then the instantaneous impact functions were extracted and the effect of macro variable shocks on the systemic risk of the banking system was investigated. Also, the effect of systemic risk of the banking system on macroeconomic variables was investigated and analyzed using instantaneous impact functions. Finally, the interaction model of macroeconomic variables and systemic risk of the banking system was approved using the vector autoregressive model.

منابع و مأخذ:

1. باقری نژاد، جعفر و جاوید، غزاله (1393). ارائه مدل نوآوری باز در صنعت بانکداری ایران: مطالعه موردی بانک پارسیان، فصلنامه نوآوری و ارزش‌آفرینی، شماره 5، سال 3، فصل بهار-تابستان سال .1393
2. صادقی شریف سیدجلال، سوری علی، استادهاشمی علی (1397). مدلسازی و برآورد ریسک سیستم بانکی در قالب یک مدل شبکه‌ای با استفاده از سنجه CoVaR، پژوهش هاي پولي بانكي.دوره 11، شماره 36. 210-183.
3. صادقی، مهدی. (1392)، مدیریت ریسک سیستمیک در نهادهای مالی بازار سرمایه ایران. نشریه مدیریت پژوهش، توسعه و مطالعات اسلامی، 38 - 1.
4. معظمی، منصور و سرعتی آشتیانی، نرجس (1391)، راهبردهای مقابله با اثرات تحریم بر صنعت نفت ایران با تأکید بر توسعه همکاری‌های دانشگاه و صنعت، فصلنامه نوآوری و ارزش‌آفرینی، شماره 2، سال 1، فصل پاییز-زمستان سال1391.
5. مهدوی کلیشمی غدیر، الهی ناصر، فرزین وش اسداله و گیلانی پور جواد (1396)، ارزیابی ریسک سیستمی در شبکه بانکی ایران توسط معیار تغییرات ارزش در معرض خطر شرطی. مجله مهندسي مالي و مديريت اوراق بهادار. شماره 33.
6. ندائی، امین و خوارزمی، امیدعلی (1393)، تحلیل سیستمی‌ تأثیر ریسک‌پذیری بر نوآوری در پارک علمی و فناوری پردیس، فصلنامه نوآوری و ارزش‌آفرینی، شماره 5، سال 3، فصل بهار-تابستان سال .1393
7. نقی لو، احمد و محمد نظامی، طاهره (۱۳۹۳)، ارتباط بین متغیرهای کلان اقتصاد و ریسک اعتباری بانک‌ها، کنفرانس بین‌المللی مدیریت و مهندسی صنایع، مرکز همایش‌های بین‌المللی صداوسیما.
1. Abedola, S.S., Yusoff, W.S.W., Dahalan, J., 2011. An ARDL approach to the determinants of non-performing loans in Islamic banking system in Malaysia. Kuwait Chapter Arab. J. Bus. Manage. Rev. 1 (2), 20–30.Paper, 3957.
2. Adrian, T., & Brunnermeier, M. (2009). CoVaR. Paper presented at the CEPR/ESI 13th Annual Conference on ‘Financial Supervision in an Uncertain World’ in Venice. Staff Report 348, Federal Reserve Bank of New York.
3. Adrian, T., Brunnermeier, M. K., 2010. CoVaR. Federal Reserve Bank of New York Staff Report (348).
4. Aggarwal, R. (1981). Exchange rates and stock prices: a study of three US capital markets under floating exchange rates. Akron Business and Economics Review, 12, 7–12.
5. Aggarwal, R., Demirgüc ¸-Kunt, A., Martinez Peria, M.S., 2006. Do Workers’Remittances Promote Financial Development? World Bank Policy Research Working R., 3957.
6. Benoit, S., et al., A theore"cal and empirical comparison of systemic risk measures. 2013.
7. Bernal, Oscar, Gnabo, Jean-Yves, and Gregory Guilmin, (2013), Assessing the contribution of banks, insurance and other financial, Working Paper.
8. Castro, V., 2013. Macroeconomic determinants of the credit risk in the banking system: the case of the GIPSI. Econ. Model. 31, 672–683.
9. Delgado, J., Saurina, J., 2004. Credit Risk and Loan Loss Provisions. An Analysis with Macroeconomic Variables. Banco de Espana Working Paper, No. 12.
10. Espinoza, R., Prasad, A., 2010. Nonperforming Loans in the GCC Banking System and their Macroeconomic Effects. IMF Working Paper, 224.
11. Flamini, V., McDonald, C., Schumacher, L., 2009. The Determinants of Commercial Bank Profitability in Sub-Saharan Africa. IMF Working Paper, 15.
12. Fofack, H., 2005. Nonperforming Loans in Sub-Sahara Africa. Causal Analysis and Macroeconomic Implication. World Bank Policy Research Paper, 3769.
13. Greenidge, K., Grosvenor, T., 2009. Forecasting Non-performing Loans in Barbados. Bank of Barbados Working Paper.
14. Guerra, S. M., Silva, T. C., Tabak, B. M., de Souza Penaloza, R. A., de Castro Miranda, R. C., jan 2016. Systemic risk measures. Physica A: Statistical Mechanics and its Applications 442 (1), 329–342.
15. John E. Golob, Je,.(1994). Does inflation uncertainty increase with inflation? Economic Review, issue Q III, No v. 79, no. 3, 27-38 16. Jorion, Ph. (2001). Value at Risk: The New Benchmark for Managing Financial Risk. McGraw-Hill, New York.
17. Kangogo, N.J., Asienga, I.C., 2014. Factors affecting non-performance of personal loans in banking industry: case study of tier one banks in Kenya. Conference Proceedings, 4th Annual Conference Kabarak University, 2014.
18. Kline, Rex B. (2005). Principles and practice of structural equation modeling. New York: Guilford Press, - Methodology in the social sciences.
19. Lutkepohl, H. & Kratzig, M. (2004). Applied Time Series Econometrics. Cambridge University Press. pp. 321-350.
20. Mawili, G.M., 2013. The impact of macroeconomic factors on non-performing loans in the Kenyan banking industry. In: Proceedings of the 1st Annual Research Conference, Jomo Kenyatta University, 12–13 September 2013.
21. Nikolaidou, E., Vogiazas, S.D., 2014. Credit risk determinants for the Bulgarian banking system. Int. Adv. Econ. Res. 20 (1), 87–102.
22. Nkusu, M., 2011. Non-performing loans and macrofinancial vulnerabilities in advanced economies. IMF Working Paper 11/161.
23. Washington, G.K., 2014. Effects of macroeconomic variables on credit risk in the Kenyan banking system. Int. J. Bus. Commer. 3 (9), 1–26.
24. Zeman, J., Jurca, P., 2008. Macro Stress Testing of the Slovakian Banking Sector. National Bank of Slovakia Working Paper, 1/2008.
25. Acharya, Lasse H. Pedersen, Thomas Philippon, Matthew Richardson, Measuring Systemic Risk, The Review of Financial Studies, Volume 30, Issue 1, January 2017, Pages 2–47.
26. Li, S., Lu, Y., Wu, Ch. (2019). Systemic risk in bank-firm multiplex networks. Finance Research Letters, In press, corrected proof Available online.
27. Adrian, T., Brunnermeier, M. (2016). CoVaR. American Economic Review, 106(7), 1705-1741.
28. Abrishami, H., Mehrara, M., Rahmani, M. (2019). Measuring and analysis of systemic risk in iranian banking sector and investigating its determinants. Journal of Econometric Modeling, 4(3), 11-36 [In Persian].
29. Kumar, V. (2018). Systemic Risk vs Systematic risk. Accounting Education, eBook,Retrievedfrom http://www.svtuition.org/2012/07/systemic-risk-vs-systematic-risk.html.
30. Rahimi Baghi, A., ArabSalehi, M., Vaez Barzani, M. (2019). Assessing the Systemic Risk in the Financial System of Iran using Granger Causality Network Method. Financial Research Journal, 21(1), 121-142. (in Persian)
31. Leventides, J., Loukaki, K., & Papavassiliou, V. G. (2020). Simulating financial contagion dynamics in random interbank networks. Journal of Economic Behavior & Organization, 158, 500-525.
32. Erol, S., & Vohra, R. (2020). Network formation and systemic risk. Available at SSRN 2546310.
33. Eivazlu, R. & Rameshg, M. (2019). Measuring systemic risk in the financial institution via dynamic conditional correlation and delta conditional value at risk mode and bank rating. Asset Management and Financing, 7(4), 1-16. (in Persian)
34. Engel, J., Pagano, A., & Scherer, M. (2020). Reconstructing the topology of financial networks from degree distributions and reciprocity. Journal of Multivariate Analysis
35. Acharya, V. V., Richardson, M., Jan 2009. Causes of the financial crisis. Critical Review 21 (2-3), 195–210.
36. Lage-Junior, M., Godinho-Filho, M., May 2010. Variations of the Kanban system: Literature review and classification. International Journal of Production Economics 125 (1), 13–21.
37. Seuring, S., Mar 2013. A review of modeling approaches for sustainable supply chain management. Decision Support Systems 54 (4), 1513–1520.
38. Jabbour, C. J. C., May 2013. Environmental training in organisations: From a literature review to a framework for future research. Resources, Conservation and Recycling 74 (1), 44–155.

متن کامل:

تاثیر متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی با الگوی خودرگروسیونی برداری

*علی استاد هاشمی **سیدجلال صادقی شریف ***علی سوری

* مربی، دانشگاه پیامنور، دانشکده مدیریت و حسابداری، تهران، ایران ostad1976@yahoo.com

** استادیار گروه مدیریت مالی و حسابداری، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران ssadeghisharif@gmail.com

*** دانشیار گروه اقتصاد نظری، دانشکده اقتصاد، دانشگاه تهران، تهران، ایران alisouri@ut.ac.ir

تاریخ دریافت: 17/08/1399 تاریخ پذیرش: 09/04/1400

صص: 55- 68

چکيده

$E:\tttt\مقاله 4..jpg$ هدف این مقاله بررسی تأثیر شوک‌های متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی در ایران است. برای این منظور یک مدل‌ خودرگرسیونی برداری ساختاری (SVAR) شامل درآمدهای نفتی، نااطمینانی نرخ ارز، درآمدهای مالیاتی، نقدینگی، نرخ بهره اسمی، نااطمینانی تورم و تولید ناخالص داخلی و سنجه تغییر در ارزش در معرض خطر شرطی () طراحی و با استفاده از داده‌های فصلی (1396-1370) برآورد و با استفاده از توابع ضربه آنی و بر اساس تجزیه چولسکی واکنش ریسک سیستمی نسبت شوک در هر یک از متغیرهای کلان اقتصادی مورد بررسی قرار گرفته است. نتایج نشان می‌دهد که شوک مثبت قیمتی نفت، نااطمینانی تورم، نرخ ارز و نرخ سود بانکی تأثیر فزاینده بر ریسک سیستمی دارد. درحالی‌که رشد مثبت اقتصادی کاهش ریسک سیستمی را به همراه دارد. بر اساس یافته‌های تحقیق، سیاست‌گذار پولی می‌بایست با اتخاذ سیاست‌های قاعده‌مند پولی و ایجاد ثبات در نرخ ارز و تورم، احتمال وقوع ریسک سیستمی نظام بانکی را کاهش دهد.

واژه‌های کلیدی: ریسک سیستمی نظام بانکی، متغیرهای کلان اقتصادی، ارزش در معرض خطر شرطی، رگرسیون کوانتایل، مدل خودرگرسیونی برداری.

نوع مقاله: پژوهشی

1-مقدمه

بحران‌های مالی، یکی از پدیدههای رایج در اقتصاد داخلی و جهانی به شمار میآیند. بروز این بحرانها، هزینه‌های اقتصادی زیادی را برای کشورها به دنبال دارد (فرزینوش و برخورداری، 1389). با توجه به افزایش روزافزون وابستگی نهادهای مالی به‌ویژه بانک‌ها به یکدیگر، بحران‌هایی که در یک بخش از نظام مالی روی میدهند نه‌تنها به‌کل نظام مالی بلکه به بخش واقعی اقتصاد نیز سرایت میکنند. ازاین‌رو دولتها بایستی در راستای‌ کاهش هزینههای اقتصادی بحران‌های مالی و نیز جلوگیری از سرایت بحران و مقـابله با آن، با توجه به شرایط اقتصادی خود، سیاستهایی

نویسندة عهده‌‌دار مکاتبات: علی استاد هاشمی Ostad1976@yahoo.com

را به‌کارگیرند (برنال¹ و همکاران، 2013). تدوین این سیاستها رسیدگی به موضوع ریسک نظام مالی را میطلبد. ریسک سیستمی در نظام بانکی به عدم توانایی بانک‌ها به ایفای تعهدات خود و بازپرداخت سپرده‌های سپرده‌گذاران در شرایط مراجعه گسترده آن‌ها بستگی دارد. بانک‌ها برای بازپرداخت سپرده‌های سپرده‌گذاران نیاز دارند تا منابعی که در قالب تسهیلات به مشتریان اعتباری خود داده‌اند را وصول نمایند. چنانچه مشتریان اعتباری بانک‌ها نکول کنند و بانک‌ها توانایی وصول مطالبات خود را نداشته باشند، در بازپرداخت تعهدات خود به سپرده‌گذاران دچار مشکلات جدی خواهند شد. کومار² (2018) بیان می‌کند ریسک سیستمی به معنای ریسک از بین رفتن کل سیستم مالی به دلیل ضعف ساختار و یا به هم‌بستگی کل سیستم ایجاد می‌شود. با توجه به وابستگی ساختار ترازنامه‌ای بانک‌ها، عدم توانایی یک یا چند بانک در ایفای تعهدات خود به‌سرعت به سایر بانک‌ها سرایت و تمام سیستم بانکی دچار بحران می‌شود. عوامل زیادی بر نکول اعتباری مشتریان بانک‌ها اثرگذار است. شناخت عوامل مؤثر بر ریسک اعتباری مشتریان اعتباری بانک‌ها کمک می‌کند تا بانک‌ها با برنامه‌ریزی جریان نقدی از وقوع بحران نقدینگی پیش‌گیری و درنهایت نظام بانکی از وقوع پدیده ریسک سیستمی جلوگیری کند. امروزه تغییرات در صنعت بانکداری غیرقابل پیش‌بینی است. سرعت، کارایی، انعطاف‌پذیری و اعتماد فاکتورهای مهمی هستند که نه‌تنها بر موفقیت بلکه برای حیات این‌گونه سازمان‌ها الزامی‌اند. (باقری نژاد و همکاران، 1398). نقی لو و محمد نظامی (۱۳۹۳) نشان می‌دهند که در بلندمدت نرخ بهره اثر منفی و تورم و رشد نقدینگی، اثر مثبت بر ریسک اعتباری دارند، درحالی‌که رشد اقتصادی و نرخ ارز اثری بر آن ندارند. تأثیر افزایش نرخ ارز بر مطالبات غیر جاری بانک‌ها می‌تواند متفاوت باشد. کاسترو (۲۰۱۳) و انکوشو (۲۰۱۱) نشان می‌دهند افزایش در ارزش پول داخلی در برابر ارزهای خارجی منجر به کاهش قدرت رقابت‌پذیری صنایع، افزایش هزینه‌های تولید صنایع داخلی، از دست دادن سهم از بازار و درنهایت باعث می‌شود این دسته از صنایع قادر به بازپرداخت دیون خود نباشد. علاوه بر این؛ تقویت پول داخلی باعث می‌شود که قیمت کالاهای داخلی افزایش یابد، بنابراین تقاضا برای کالای تولید داخل به‌شدت کاهش می‌یابد که کاهش در جریان نقدی و کاهش سودآوری شرکت‌ها را به همراه خواهد داشت؛ بنابراین تقویت پول داخلی می‌تواند منجر به افزایش نکول اعتباری شرکت‌های تولیدی و درنهایت افزایش در ریسک اعتباری بانک‌ها شود. علاوه بر این با افزايش نرخ ارز، ارزش دارایی‌های خارجی شرکت‌ها با افزايش روبه‌رو خواهد شد (اگاروال³، 1981). بنابراین نوسانات نرخ ارز و نااطمینانی نرخ ارز از کانال کاهش سرمایه‌گذاری بر ریسک اعتباری مشتریان بانک‌ها و درنهایت ریسک سیستمی نظام بانکی اثر می‌گذارد. نتایج تحقیقات تجربی نشان می‌دهد که سیاست‌های پولی انبساطی و افزایش در حجم اعتبارات بانکی، اثر کاهنده بر NPL تمام کشورهای مورد بررسی داشته است (آگراوال و همکاران، ۲۰۰۶). گالوب⁴ (1994) نشان می‌دهد که نااطمینانی تورمی منجر به تغییر جهت‌گیری سرمایه‌گذاران می‌شود. تورم و افزایش قیمت‌ها می‌تواند اثرات متفاوتی بر ریسک اعتباری بانک‌ها داشته باشد اما نااطمینانی تورم باعث کاهش سرمایه‌گذاری، کاهش تولید و درنهایت افزایش احتمال نکول مشتریان اعتباری بانک‌ها می‌شود. که نااطمینانی تورمی منجر به تغییر
جهتگیری سرمایهگذاران می‌شود. تورم و افزایش قیمت‌ها می‌تواند اثرات متفاوتی بر ریسک اعتباری بانک‌ها داشته باشد اما نااطمینانی تورم باعث کاهش سرمایه‌گذاری، کاهش تولید و درنهایت افزایش احتمال نکول مشتریان اعتباری بانک‌ها می‌شود.

$E:\tttt\مقاله4.jpg$ همچنین یکی از رویکردهای جدید در تحلیل ریسک سیستمی بانک‌ها، استفاده از ساختار شبکه‌ای بانک‌هاست. در این رویکرد، ساختار وابستگی ترازنامه بانک‌ها مورد بررسی قرار گرفته و وقوع ریسک سیستمی برپایه وابستگی ترازنامه بانک‌ها تحلیل می‌شود. (لی و همکاران، 2019).

این مقاله در پاسخ به این پرسش که آیا شوک‌ها و نااطمینانی در متغیرهای کلان اقتصادی و نوسانات شدید در این متغیرها بر ریسک سیستمی نظام بانکی اثرگذار می‌باشد، سازوکار و کانال‌های اثرگذاری شوک‌ها و نااطمینانی‌های متغیرهای اقتصادی بر ریسک سیستمی نظام بانکی را مدل‌سازی می‌کند. برای این منظور، ابتدا ریسک سیستمی نظام بانکی با استفاده از سنجه ارزش تغییر در معرض خطر شرطی⁵ () برآورد و در ادامه در قالب مدل‌های خود رگرسیونی برداری ساختاری⁶ (SVAR)، تأثیر شوک‌های متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی بررسی می‌گردد. بخش‌های مختلف این مقاله به شرح ذیل است. در بخش دوم ریسک سیستمی نظام بانکی و سنجه‌های سنجش ریسک سیستمی مورد بررسی قرار می‌گیرد. بخش سوم مقاله به سوابق تجربی پرداخته و در بخش چهارم مدل تجربی تحقیق برآورد می‌شود. بخش پنجم به نتایج تحقیق اختصاص یافته است.

2- مبانی نظری ریسک سیستمی

$E:\tttt\مقاله 4..jpg$ ریسک سیستمی به احتمال از کارافتادگی در کل سیستم در اثر ایجاد شکست یا بحران در یک بخش یا قسمتی از بازار اطلاق میگردد. ریسک سیستمی احتمال سقوط در سیستم مالی است. این ریسک در اثر حرکت هم‌زمان و یا امروزه همبستگی بین بخش‌های بازار ایجاد می‌شود. بنابراین ریسک سیستمی زمانی اتفاق میافتد که همبستگی بالایی بین ریسک‌ها و بحران‌های بخش‌های مختلف بازار وجود داشته باشد و یا زمانی که ریسک‌های بخش‌های مختلف در یک بخش از بازار یا یک کشور با سایر بخشها و کشورها مرتبط و همبسته باشد. اساس ریسک سیستمی همبستگی بین زیانهاست. ریسک سیستمی یک واکنش زنجیره‌ای به‌صورت دومینوهای به هم متصل می‌باشد. به این دلیل به آن سیستمی گفته می‌شود که دارای اثر فراگیر بر روی کل سیستم می‌باشد و به‌سرعت در کل بازار سرمایه و یا کل اقتصاد یک کشور منتقل می‌شود و اثر میگذارد (صادقی، 1392). خوارزمی و ندایی (1393) در تحلیل سیستمی تأثیر ریسک‌پذیری پس از بیان مفهوم تفکر سیستمی بیان می‌کنند موارد متعددی می‌تواند بر ریسک‌پذیری متقابل در رفتار افراد و در ساختارهای مدیریتی و اقتصادی تأثیرگذار باشد.

ریسک سیستمی در سیستم مالی فراتر از مجموع ریسک‌های منحصربه‌فرد مربوط به مؤسسات می‌باشد و شامل ترکیب اجزاء بااهمیت از ریسک‌های داخلی است که از رفتار جمعی مؤسسات مالی، به عبارتی ریسک سیستمی شکل میگیرد. ریسک سیستمی احتمال سقوط در سیستم مالی است. ریسک سیستمی زمانی اتفاق میافتد که یکی از مشارکت‌کنندگان تأثیرگذار و بزرگ بازار نتواند از عهده تعهدات خود برآید و شکست بخورد (مثلاً نتواند وجوه معامله را تسویه نماید و یا اوراق خود را تحویل دهد). با وقوع این رویداد سایر مؤسسات و نهادهای مرتبط با این موسسه نیز به مشکل برخورد میکنند و بحران گسترده می‌شود و در کل بازار فراگیر می‌شود. ماهیت ریسک‌های بازار مالی مستقل از یکدیگر نمیباشد به‌گونه‌ای که مشکلات مدیریت ریسک داخلی یک‌نهاد یا واسطه مالی و یا مشکلات ناشی از روابط بین دو نهاد مالی و یا نهاد مالی و مشارکت‌کنندگان دیگر می‌تواند به دیگر واسطهها و نهادها و مشارکت‌کنندگان بازار سرایت نماید و آن‌ها را نیز با مشکلات مالی مواجه نماید. ازاین‌رو مجموعه تنظیمی و نظارتی بازار باید بتواند به‌منظور ایجاد بازاری منسجم و کارآمد و اطمینان نسبت به جلوگیری از بروز آسیبهای سیستمی در بازار به هنگام نکول و شکست برخی از
واسطههای بازار در ایفای تعهدات خود، اثر این ریسک را بر روی سایر مشارکت‌کنندگان به حداقل برساند. بانک مرکزی اروپا (2010) ریسک سیستمی را به‌عنوان خطر عدم ثبات مالی بسیار گسترده که عملکرد یک سیستم مالی را تا جایی که اساساً رشد اقتصادی و رفاه مالی متضرر شود تعریف
میکند. درواقع تعریف بانک مرکزی اروپا بر مبنای عبارت ثبات مالی (یعنی عدم وجود ریسک سیستمی) بیان شده است: «ثبات مالی عبارت است از شرایطی که در آن سیستم مالی (متشکل از واسطههای مالی، بازارهای مالی و زیرساختهای بازار) توانمند برای مقاومت کردن در مقابل شوک‌ها و حل کردن عدم تعادلها باشند و درنتیجه بتواند احتمال اختلال جدی در فرآیند واسطه‌گری مالی را که بتواند به تخصیص پس‌اندازها به فرصتهای سرمایه‌گذاری سودمند آسیب وارد سازد، از بین ببرد».(آدریان و برونرمایر ⁷، 2009): ریسک اینکه شکست ایجاد شده در مؤسسات مالی به‌طور گسترده گسترش یابد و همچنین طرف عرضه مربوط به اعتبار و سرمایه را در اقتصاد واقعی مختل نماید. (آچاریا ⁸ و همکاران، 2009): ریسک انسداد بازارهای مالی و سرایت گسترده ورشکستگی و ناتوانی مؤسسات مالی که تأمین سرمایه بخش واقعی اقتصاد را به‌شدت کاهش می‌دهد.
(سپهوند و بنیطرف، 1390): بحران قابل انتشار و هم‌زمان در نهادهای مالی؛ با قابلیت مشکل‌زایی جدی برای کل اقتصاد.

(بیلیو⁹ و همکاران، 2010): مجموعه‌ای از شرایط که ثبات و یا اطمینان عمومی در سیستم مالی را تهدید کند. در تحقیقات دیگر تعاریفی که بر مکانیسمهای خاص‌تری تمرکز کرده‌اند مثل عدم تعادل‌ها (کابالرو، 2009)، در معرض قرار داشتن مرتبط به هم (آچاریا و همکاران، 2010)، اختلالات اطلاعات (میشکین، 2007)، رفتار بازخورد (کاپادیا، درهمن، الیوت و استرنه، 2009)، حبابهای مالی (روسنگرن، 2010)، وضعیت نامناسب (موسا، 2011)، اثرات منفی خارج از اقتصاد کشور (هیئت ثبات مالی، 2009) نیز وجود دارد که در بخش معیارهای ریس سیستمی به آن‌ها اشاره می‌شود. با توجه به این تعاریف متعدد میتوان دریافت که سیستم مالی دارای ماهیتی پیچیده و قابل تطبیق است.

1-2- سنجه‌های ریسک سیستمی

به دلیل ارائه تعاریف مختلف از ریسک سیستمی، میتوان دریافت که برای درک ماهیت پیچیده و قابل انطباق سیستم مالی، به بیش از یک روش اندازه‌گیری ریسک سیستمی نیاز است. بنویت و همکاران¹⁰ (۲۰۱۳) به معرفی و مقایسه مقیاس‌های مهم ‌اندازه‌گیری ریسک سیستمی (MES، SES، SRISK و COVAR) پرداختند. زیان مورد انتظار حاشیه‌ای (MES)¹¹، متناظر با زیان مورد انتظار بنگاه موقعی است که بازار در یک افق زمانی داده‌شده به زیر یک آستانه معین سقوط کند. ایده اولیه این سنجه این است که بانک‌ها با بالاترین MES بیشترین سهم را در سقوط بازار دارند، بنابراین بانک‌های بزرگ، بزرگ‌ترین محرک‌های ریسک سیستمی هستند. زیان مورد انتظار سیستمیSES¹² و سنجه ریسک سیستمی SRISK¹³، زیان مورد انتظار یک‌نهاد را به شرطی که بحران مالی در اقتصاد، اتفاق افتاده باشد اندازه می‌گیرند. ارزش در معرض خطر شرطی CoVaR¹⁴ متناظر است با ارزش در معرض خطر (VaR) سیستم مالی به‌شرط اینکه یک‌نهاد در معرض خطر یا بحران باشد. سنجه CoVaRi,j می‌تواند برای هر دو نهاد مالی i و j محاسبه شود؛ آدریان و برونرمایر، i را یک سیستم مالی در نظر گرفتند. در این حالت CoVaR، ارزش در معرض خطر سیستم مالی به این شرط است که نهاد j در معرض بحران باشد، بنابراین می‌تواند سهم یک‌نهاد مالی را در ریسک سیستمی اندازه‌گیری کند. سهم یک‌نهاد در ریسک سیستمی با ∆CoVaR محاسبه می‌شود که تفاضل بین CoVaR دو موقعیت شرکت در زمان بحران مالی و شرایط غیر بحرانی است.

سنجه ارزش در معرض خطر شرطی (CoVaR) برای برآورد ریسک سیستمی اولین بار توسط آدریان و برونرمایر (2010) ارائه و در سال‌های بعد توسط وی و همکارانش بسط داده شد و نهایتاً آدریان و برونرمایر (2016) تغییر در ارزش در معرض خطر شرطی را برای برآورد ریسک سیستمی ارائه نمودند. ساختار وابستگی دنباله‌ای بین دو ارزش در معرض خطر را نشان می‌دهد و حداکثر زیان مورد انتظار را در یک بازه زمانی در سطح اطمینان را نشان می‌دهد:

$E:\tttt\مقاله4.jpg$ که در آن نشان‌دهنده بازدهی یک‌نهاد مالی یا یک بخش از اقتصاد (سیستم بانکی) است. احتمال اینکه بازدهی کمتر یا مساوی باشد برابر است. ارزش در معرض خطر از خانواده معیارهای اندازه نامطلوب ريسك می‌باشد که به‌عنوان يك معيار آماري حداكثر زيان احتمالي پرتفوي را در يك دوره زماني مشخص با بيان كمي ارائه می‌دهد (Jorion, 2001). به‌عبارت‌دیگر ارزش در معرض خطر (ريسك) مبلغي از ارزش پرتفوي را كه انتظار می‌رود ظرف يك دوره زماني مشخص و با ميزان احتمال معين از دست برود مشخص می‌کند. برابر با (کل اقتصاد یا بازار سرمایه) به‌شرط یک حادثه مؤثر بر وضعیت بخش بانکی مانند است. ‌این حادثه زمانی تحقق می‌‌یابد که بازدهی بخش موردنظر از اقتصاد کمتر یا برابر با سیستم بانکی باشد. بنابراین به‌صورت زیر عریف می‌‌شود:

(1)

تغییر در ارزش در معرض خطر شرطی تأثیر نهایی سیستم بانکی در ریسک کل اقتصاد در شرایطی است که سیستم بانکی در شرایط بحرانی باشد. بر اساس مقاله آدریان و برونرمایر (2016)، تغییر در ارزش در معرض خطر شرطی برابر است با اختلاف بین کل اقتصاد برای زمانی که سیستم بانکی در شرایط بحرانی باشد (یعنی یک درصد ارزش در معرض خطر آن باشد) و کل اقتصاد زمانی که سیستم بانکی در سطح 50 درصد ارزش در معرض خطر خود باشد. به عبارت دیگر داریم:

(2)

در این مقاله از سنجه (∆CoVaR) برای برآورد ریسک سیستمی استفاده می‌شود.

3- پیشینه تحقیق

مطالعات و تحقیقات دانشگاهی در زمینه ریسک سیستمی از زمان وقوع بحران ۲۰۰۷ روند روبه رشدی را آغاز نمود که اهمیت موضوع ریسک سیستمی را نشان می‌دهد. پژوهش‌های انجام‌شده در زمینه ریسک سیستمی نظام بانکی را می‌توان به دودسته کلی تقسیم‌بندی نمود. دسته اول پژوهش‌هایی است که به مدل‌سازی و برآورد ریسک سیستمی می‌پردازند و دسته دوم پژوهش‌هایی است که به بررسی عوامل مؤثر بر وقوع ریسک سیستمی می‌پردازند. جابور¹⁵ (2013)، لاگ جونیور¹⁶ و گودینهو فیلهو¹⁷ (2010)، سئورینگ¹⁸ (2013) و سیلوا¹⁹ و همکاران (2016)، روش‌شناسی جامعی جهت بررسی تحقیقات انجام‌شده در زمینه ریسک سیستمی ارائه کرده‌اند. سیلوا و همکاران (2016) مرور جامعی بر ساختار شبکه ارجاعات مقالات و تحقیقات انجام‌شده در سال‌های مختلف داشته و پژوهش‌های انجام‌شده در این زمینه را بررسی نموده‌اند. لونتیدس²⁰ و همکارانش (2020) به شبیه‌سازی سرایت مالی و آسیب‌پذیری شبکه بانکی با استفاده از تئوری شبکه‌های پیچیده پرداختند. صادقی شریف و همکاران (1397) برای برآورد ریسک سیستمی نظام بانکی از داده‌های روزانه شاخص بانک‌ها در فاصله زمانی آذر ۱۳۸۷ تا فروردین‌ماه ۱۳۹۷ استفاده کرده و ارزش در معرض خطر بازدهی داده‌های روزانه شاخص با استفاده از یک مدل GARCH نمایی برآورد کرده‌اند. مهدوی کلیشمی و همکاران (1396) با استفاده از معیار تغییرات ارزش در معرض خطر شرطی (Δ CoVaR) به ارزیابی ریسک سیستمی در بخش بانکداری ایران پرداخته‌اند. ابریشمی و همکاران (1397) ریسک سیستمی نظام بانکی را بر مبنای سه معیار MES، ΔCoVaR و SRISK برای بانک‌های فعال در بازار سرمایه در طی دوره 14/02/1392 تا 14/06/1397 محاسبه و اندازه‌گیری و اثر برخی از مهم‌ترین متغیرهای ذاتی بانک‌ها و همچنین متغیرهای کلان اقتصادی، بر روی این شاخص‌ها برآورد شده است. عیوض لو و رامشک (2019) دو روشMES وCOVAR را در خصوص رتبه‌بندی ریسک سیستمی بانکی ایران، مورد آزمون قرار دادند. ارول و وهرا²¹ (2020) مجموعه عملیات بانکی را در قالب یک سیستم به‌هم‌پیچیده و شبکه‌ای بیان نمودند. انگل و همکاران²² (2020) در تحقیقی به این نتیجه رسیدند که پایداری سیستم بانکی به ساختار شبکه‌ای آن بستگی دارد.

$E:\tttt\مقاله 4..jpg$ اسپینوزا و پراساد²³ (2010)، انکوشو (2011) و کلاین²⁴ (2013) با استفاده از مدل‌های VAR، پویایی‌هایNPL و متغیرهای کلان اقتصادی و اثرات متقابل آن‌ها را مورد بررسی قرار داده‌اند. درواقع این مطالعات اثرات بازخوردی بر متغیرهای کلان اقتصادی را نیز مطالعه کردند. نتایج این مطالعات نشان می‌دهد که کیفیت دارایی بانک‌ها و افزایش ریسک اعتباری بانک‌ها نیز بر سیکل‌های اقتصادی اثرگذار است و افزایش در ریسک اعتباری نظام بانکی باعث تشدید نوسانات اقتصادی در سطح کلان می‌شود. به‌عبارت‌دیگر کاهش در کیفیت دارایی بانک‌ها باعث تشدید سیکل‌های اقتصادی شده و اصطلاحاً اثر موافق سیکلی²⁵ دارد (انکوشو، 2011) و افزایش در ریسک اعتباری بانک‌ها فرآیند رونق اقتصادی را پیچیده‌تر می‌کند (کلاین، 2013).

دلگادو و سئورینا²⁶ (2004) و زمان و جورکا²⁷ (2008) با استفاده از مدل‌های تصحیح خطای برداری، اثر کاهش در تولید ناخالص داخلی، نرخ بهره و نرخ ارز را بر NPL سیستم بانکی کشورهای اسپانیا و اسلواکی بررسی کرده‌اند. عبدالله²⁸ و همکاران (2011) با استفاده از رویکرد مدل‌های خود رگرسیونی با
وقفههای توزیعی²⁹ (ARDL)، عوامل مؤثر بر مطالبات غیر جاری بانک‌های مالزی را مورد بررسی قرار داده‌اند. گرینیچ و گروسنور³⁰ (2009) اثر بلندمدت نرخ بهره بر NPL را در بانک‌های بلغارستان مورد بررسی قرار داده‌اند. نیکولاید وگیازاس³¹ (2014) نشان می‌دهند که عرضه پول، رشد اعتبارات و بیکاری اثر معناداری بر ریسک اعتباری بانک‌های رومانی دارند.

نتایج مطالعات مطالعه فلامینی³² و همکاران (2009) نشان می‌دهد که نوسانات متغیرهای کلان اقتصادی مهم‌ترین عامل تعیین‌کننده NPL بانک‌ها در کشورهای آفریقایی بوده است. فوفاک³³ (2005) ارتباط علی بین مطالبات غیر جاری بانک‌ها با نرخ بهره واقعی، رابطه مبادله، تورم، درآمد سرانه و بازده دارایی را مورد بررسی قرار داده است. کانگوگو و آسینگا³⁴ (2014) با استفاده از داده‌های تلفیقی نشان می‌دهند که رشد GDP و بیکاری اثر منفی بر ریسک اعتباری بانک‌های کنیا داشته؛ و نرخ تورم و نرخ بهره اثر مثبت بر NPL این بانک‌ها داشته است. ماویلی³⁵ (2013) رابطه منفی بین نقدینگی و ورود سرمایه را مطالبات غیر جاری در سیستم بانکی کنیا نشان می‌دهد. همچنین نتایج این مطالعه نشان می‌دهد شاخص بهای مصرف‌کننده در کوتاه‌مدت اثر منفی و در بلندمدت اثر مثبت بر NPL این بانک‌ها داشته است. واشینگتن³⁶ (2014) در مطالعه خود نشان می‌دهد که شرایط اقتصادی نامطلوب اثر منفی بر NPL بانک‌های کنیا داشته است، رشد تولید ناخالص داخلی سرانه و نرخ تورم بر این شاخص منفی بوده است، درحالی‌که اثر نرخ ارز بر NPL ازنظر آماری معنادار نبوده است.

4. روش‌شناسی و معرفی الگوی SVAR

طبق آنچه در بخش مبانی نظری تحقیق گذشت، مناسب‌ترین مدل جهت برآورد ریسک سیستمی، استفاده از الگوی خودرگروسیونی برداری ساختاری (SVAR) می‌باشد. برای معرفی الگوی SVAR ابتدا لازم است الگوی خود بازگشت برداری یعنی VAR را مورد بررسی قرار داد. لوتکپل و کراتزیگ³⁷ (2004) الگوی VAR را به شکل زیر معرفی میکنند:

(3)

(4)

که در آن بردار Kx1 متغیرهای درون‌زا، بردار Mx1 متغیر برون‌زا و خارج از الگو، Dt که شامل کلیه متغیرهای از پیش تعیین‌شده مانند جزء ثابت، روند خطی و متغیرهای مجازی فصلی است و ut پسماندهای دارای توزیع نرمال با میانگین صفر، نوفه سفید و ماتریس کوواریانس است. Ai، Bj و C ماتریس ضرایب با ابعاد مناسب میباشند.

$E:\tttt\مقاله4.jpg$ مشکلی که در استفاده از الگوی VAR وجود داشت، شکل خلاصه‌شده این الگو بود. در همین راستا، کولی و لروی³⁸ مطرح کردند که شوک‌های تخمینی در الگوی VAR، ساختاری نیستند و بدون مراجعه به ساختارهای خاص اقتصاد هر کشور نمیتوان مفاهیم اقتصادی نتایج الگوی VAR را درک کرد. الگوی SVAR این مشکل را برطرف مینماید. لوتکپل و کراتزیگ (2004) این الگو را بر اساس رابطه (1) با برقراری محدودیت‌های مناسب بر ماتریس A و B به شکل زیر (رابطه 2) معرفی میکنند:

(5)

بکی حسکوئی (1383) نشان می‌دهد كه سهم بالاي درآمدهاي نفتي در كل درآمدهاي دولت منجر به چسبندگي ساختاري در ساختار درآمد–هزينه دولت شده است. وفور درآمدهاي نفتي مانع از شکل‌گیری يك نظام مالياتي مقتدر شده و باعث وابستگي هر چه بيشتر بودجه دولت به درآمدهاي نفتي شده است. وابستگي صنايع كشور به عوايد نفتي باعث شده است تا سرمايه‌گذاري در صنعت متناسب با نوسانات نفتي نوسان كند. وابستگي صنعت به واردات از یک‌سو و سهم درآمدهاي ارزي حاصل از صادرات نفت و گاز در تأمین واردات از سوي ديگر، وابستگي صنعت به عوايد نفتي را تشديد کرده است. اين وابستگي در ساختار صنايع به تنگناي تراز پرداخت‌ها انجامیده است. معظمی و سرعتی (1391) در تحقیق راهبردهای مقابله با اثرات تحریم بر صنعت نفت ایران تأکید می‌کنند نقش صنعت نفت کشور در بودجه و درآمدهای کشور موجب گردیده تا این صنعت به‌عنوان یکی از کلیدی‌ترین صنایع جمهوری اسلامی ایران مورد توجه تحریم‌های غربی قرار گیرد و از سوی دیگر در اولویت دولتمردان و مدیران در برنامه‌ریزی‌ها باشد. بنابراین درآمدهای نفتی از اهمیت بالایی در شکل‌دهی ساختار اقتصاد ایران برخوردار است و وارد کردن تحولات بخش نفت و نوسانات درآمدهای نفتی و سازوکار اثرگذاری آن بر ساختار درآمدی دولت و درنتیجه بروز نوسانات در نرخ ارز، نقدینگی، تورم و نرخ بهره ضروری است. بر این اساس در مدل بسط یافته درآمدهای نفتی نیز وارد مدل شده است. علاوه براین نرخ بهره نیز وارد مدل نهایی شد. بنابراین مدل بسط یافته یک مدل 8 متغیره به شکل زیر می‌باشد:

که در آن بردار متغیرهای مدل و بردارهای ضرایب مدل متناظر با وقفه‌های از بردار متغـیرهای مدل است. درواقع در یک مـدل خودرگرسـیونی

برداری (VAR) غیر مقید، هر متغیر روی وقفه‌های خود و وقفه‌های سایر متغیرها رگرس می‌شود. در این مدل، بردار متغیرهای مدل به شکل جدول شماره 1 است.

جدول شماره 1. متغیرهای مدل

1-4- آزمون پایایی متغیرهای مدل

$E:\tttt\مقاله 4..jpg$ به‌کارگیری روش‌های سنتي اقتصادسنجی در برآورد ضرايب الگوهاي اقتصادسنجي با استفاده از داده‎هاي سري زماني بر اين فرض مبتني است كه متغيرهاي الگوپایا³⁹ مي‎باشند. نتایج آزمون‌های پایایی این متغیرها در جدول شماره (2) گزارش شده است. نتایج نشان می‌دهد که بر اساس آزمون ADF تمام متغیرهای مدل در سطح نامانا بوده و دارای ریشه واحد می‌باشند. همچنین نتایج نشان می‌دهد که بر اساس آزمون PP تمام متغیرهای به‌استثنای سنجه ریسک سیستمی حداقل دارای یک ریشه واحد می‌باشند.

(6)

جدول شماره 2. نتایج آزمون ریشه واحد سطح متغیرها

علي‎رغم اينكه سطح بسياري از سري‎هاي زماني ناپايا مي‎باشد، تفاضلات اين متغيرها پايا مي‎باشند. علاوه بر اين براي تعيين درجه جمعي متغيرهاي سري زماني از آزمون پايايي تفاضلات متغيرهاي سري زماني استفاده مي‎شود. نتايج آزمون پايايي تفاضل مرتبه اول متغيرهاي مدل در جدول شماره (3) گزارش شده است. نتايج نشان مي‎دهد كه بر اساس آزمون ADF، فرضيه H0 داير بر ناپايايي تمام متغيرهاي مدل رد مي‎شود. همان‌طور که مشاهده می‌شود بر اساس نتایج این آزمون، فرض وجود ریشه واحد در تفاضل مرتبه اول متغیر تولید ناخالص داخلی در سطح اطمینان 90 درصد رد می‌شود. این در حالی است که بر اساس آزمون فیلیپس-پرون وجود ریشه واحد در تفاضل مرتبه اول این متغیر در تمام سطوح اطمینان رد می‌شود. این امر می‌تواند ناشی از وجود شکست ساختاری در متغیر تولید ناخالص داخلی باشد. بنابراين مي‎توان نتيجه گرفت كه تفاضل مرتبه اول تمام متغيرهاي مدل پايا مي‎باشد و اين متغيرها جمعي⁴⁰ از درجه اول يعني I(1) مي‎باشند.

جدول شماره 3. نتایج آزمون ریشه واحد تفاضل مرتبه اول متغیرها (ADF,PP)

متغیر

آماره ADF

مقادیر بحرانی

آماره PP

مقادیر بحرانی

6.3-

(0.0000)

2.58-

1.94-

10%

1.61-

52.09-

(0.000)

2.58-

1.94-

10%

1.61-

Doil

3.62-

(0.032)

4.99-

(0.000)

DEXR

6.48-

(0.0000)

5.6-

(0.0000)

DTAX

2.06-

(0.03)

5.6-

(0.0000)

DLiq

3.62-

(0.03)

4.89-

(0.0006)

DInf

5.21-

(0.0002)

13.4-

(0.0000)

Dlog(GDP)

1.83-

(0.06)

4.79-

(0.0000)

DIntr

3.32-

(0.0013)

3.45-

(0.007)

ارقام داخل پرانتز مقدار (P-VALUE) است.

منبع: محاسبات تحقیق

2-4- برآورد مدل تجزیه و تحلیل اثر شوک‌های متغیرهای کلان بر ریسک سیستمی نظام بانکی

به‌منظور بررسی تأثیر شوک‌های متغیرهای کلان اقتصادی بر ریسک سیستمی ابتدا مدل SVAR برآورد می‌گردد. سپس با استفاده از توابع ضربه آنی اثر شوک در هر یک از متغیرها بر ریسک سیستمی نظام بانکی بررسی می‌شود. برآورد مدل SVAR به معنای اعمال قیود بر مدل VAR غیر مقید و برآورد ماتریس‌های A و B می‌باشد. بنابراین ابتدا مدل غیر مقید برآورد می‌گردد. به‌منظور برآورد مدل غیر مقید، تعداد وقفه‌های بهینه بر اساس معیار SBC تعیین گردید. بر اساس این آماره تعداد وقفه بهینه یک تعیین گردید. در ادامه قیود به‌صورت یک ماتریس پایین مثلثی بر مدل غیر مقید اعمال و ضرایب ماتریس‌های A و B برآورد گردید.

5- یافته‌های تحقیق

$E:\tttt\مقاله4.jpg$ 1-5- تجزیه و تحلیل اثر شوک درآمدهای نفتی دولت بر ریسک سیستمی نظام بانکی

نمودار شماره (1) واکنش سنجه ریسک سیستمی نظام بانکی نسبت به شوک نفتی را قالب مدل خودرگرسیونی ساختاری (SVAR) طراحی شده نشان می‌دهد. یک انحراف معیار افزایش در درآمدهای نفتی باعث تغییر سنجه ریسک سیستمی به اندازه 0.005- می‌شود که حکایت از افزایش ریسک سیستمی نظام بانکی دارد. افزایش در درآمدهای نفتی باعث کاهش نرخ برابری ارز و افزایش واردات می‌شود. از سوی دیگر کاهش در نرخ ارز افزایش در قدرت برابری خرید مشتریان نظام بانکی را به همراه دارد. ورود درآمدهای نفتی به خزانه و فروش ارز به بانک مرکزی، رشد نقدینگی از محل افزایش مانده دارایی‌های خارجی بانک مرکزی، کاهش در نرخ بهره را به همراه دارد. مجموعه این عوامل باعث کاهش نکول اعتباری مشتریان حقیقی بانک‌ها و درنهایت ریسک سیستمی نظام بانکی می‌شود. با این وجود اثرات تورمی رشد درآمدهای نفتی و در دوره‌های بعدی باعث افزایش نکول اعتباری مشتریان می‌شود. نتایج نشان می‌دهد که در بلندمدت شوک‌های مثبت نفتی اثرات منفی بر اقتصاد داشته و ریسک سیستمی نظام بانکی را افزایش می‌دهد.

نمودار 1. تأثیر شوک نفت بر ریسک سیستمی نظام بانکی (تابع ضربه آنی مدل SVAR)

2-5- تجزیه و تحلیل اثر شوک درآمدهای مالیاتی دولت بر ریسک سیستمی نظام بانکی

درآمدهای مالیاتی، می‌تواند هزینه‌های بنگاه‌ها را افزایش داده و احتمال نکول اعتباری بنگاه‌های تولید را افزایش دهد. از سوی دیگر بر اساس نظریه‌های اقتصادی افزایش درآمدهای مالیاتی جهت تأمین مالی بودجه دولت اثر تزاحمی⁴¹ بر بخش خصوصی داشته و باعث افزایش نرخ بهره و درنهایت هزینه تأمین مالی بخش خصوصی و درنهایت منجر به افزایش نکول اعتباری مشتریان حقوقی بانک‌ها می‌شود. نتایج به‌دست‌آمده از تابع ضربه آنی به‌دست‌آمده از مدل SVAR نشان می‌دهد که یک انحراف معیار افزایش در درآمدهای مالیاتی دولت منجر به تغییر سنجه ریسک سیستمی به اندازه 0.05 می‌شود. بنابراین درآمدهای مالیاتی ریسک سیستمی نظام بانکی را کاهش می‌دهد.

نمودار 2. تأثیر شوک مالیاتی بر ریسک سیستمی نظام بانکی (تابع ضربه آنی مدل SVAR)

3-5- تجزیه و تحلیل اثر نااطمینانی نرخ ارز بر ریسک سیستمی نظام بانکی

$E:\tttt\مقاله 4..jpg$ نمودار (3) واکنش سنجه ریسک سیستمی نظام بانکی نسبت به یک انحراف معیار شوک در نرخ ارز را به تصویر می‌کشد. همان‌طور که مشاهده می‌شود وقوع یک شوک مثبت ارزی به اندازه یک انحراف معیار در نرخ ارز، باعث تغییر در سنجه ریسک سیستمی به اندازه 0.005- می‌شود در توضیح این فرایند می‌توان گفت که شوک مثبت ارزی و کاهش ارزش پول ملی باعث افزایش قیمت کالاهای وارداتی می‌شود که بر اساس گذر نرخ ارز منجر به رشد شاخص قیمت کالاها و خدمات مصرفی می‌شود. با رشد قیمت‌ها توان بازپرداخت وام توسط خانوارها کاهش می‌یابد که افزایش مانده مطالبات غیرجاری بانک‌ها و کاهش کیفیت دارایی آن‌ها را به همراه خواهد داشت. از سوی دیگر کاهش قدرت خرید مصرف‌کنندگان به دنبال اثرات تورمی جهش نرخ ارز تقاضا برای کالاها و خدمات تولیدی را کاهش می‌دهد که به‌نوبه خود به کاهش جریان نقدینگی بنگاه‌ها می‌انجامد. کاهش در جریان ورودی درآمدی بنگاه‌ها باعث افزایش نکول اعتباری مشتریان حقوقی بانک‌ها در سال‌های بعد می‌شود. براین اساس شوک نرخ ارز و کاهش ارزش پول ملی باعث افزایش ریسک سیستمی نظام بانکی خواهد داشت.

نمودار 3. تأثیر شوک نااطمینانی نرخ ارز بر ریسک سیستمی نظام بانکی (تابع ضربه آنی مدل SVAR)

4-5- تجزیه و تحلیل اثر نقدینگی بر ریسک سیستمی نظام بانکی

نتایج حاصل از مدل SVAR برآورد شده نشان می‌دهد که شوک نقدینگی به اندازه یک انحراف معیار باعث تغییر در سنجه ریسک سیستمی نظام بانکی به اندازه 0.002 می‌شود. با توجه به اینکه سنجه ریسک سیستمی مقداری منفی است، تغییر فوق به معنای کاهش ریسک سیستمی نظام بانکی است. با رشد نقدینگی، منابع مورد نیاز بنگاه‌ها افزایش می‌یابد. علاوه براین رشد اعتبارات بانکی منجر به رشد تقاضای مؤثر برای کالاها و خدمات می‌شود که افزایش سودآوری بنگاه‌ها را می‌تواند به همراه داشته باشد. این امر جریان نقدینگی به سمت بنگاه‌ها را افزایش می‌دهد که کاهش نکول اعتباری مشتریان بانک‌ها را به دنبال دارد. نتایج به‌دست‌آمده با نتایج مطالعات بین‌المللی سازگار است.

نمودار 4. تأثیر شوک نقدینگی بر ریسک سیستمی نظام بانکی (تابع ضربه آنی مدل SVAR)

5-5- تجزیه و تحلیل اثر نااطمینانی تورم بر ریسک سیستمی نظام بانکی

تورم دارای آثار متفاوتی بر عملکرد بنگاه‌هاست. از یک‌سو تورم سودآوری بنگاه‌های تولید را افزایش می‌دهد که کاهش ریسک اعتباری مشتریان حقیقی بانک‌ها را به همراه دارد. از سوی دیگر تورم باعث کاهش در قدرت خرید خانوارها می‌شود که علاوه بر اینکه نکول اعتباری مشتریان حقیقی را افزایش می‌دهد باعث کاهش تقاضای کالاها به‌ویژه کالاهای بادوام می‌شود که به‌نوبه خود کاهش در جریان نقدینگی به سمت بنگاه‌ها را به همراه دارد. کاهش درآمد بنگاه‌های تولید منجر به افزایش نکول اعتباری مشتریان حقوقی بنگاه‌ها می‌شود که به‌نوبه خود کیفیت دارایی بنگاه‌ها را کاهش داده و منجر به افزایش ریسک سیستمی نظام بانکی می‌شود. نتایج به‌دست‌آمده نشان می‌دهد که یک انحراف معیار افزایش در تورم باعث تغییر در سنجه ریسک سیستمی نظام بانکی به میزان 0.008- می‌شود. همان‌طور که گفته شد تغییرات منفی در سنجه ریسک سیستمی به معنای افزایش ریسک سیستمی نظام بانکی است.

$E:\tttt\مقاله4.jpg$ نمودار 5. تأثیر شوک نااطمینانی تورم بر ریسک سیستمی نظام بانکی (تابع ضربه آنی مدل SVAR)

6-5- تجزیه و تحلیل اثر نرخ بهره بر ریسک سیستمی نظام بانکی

نرخ بهره مهم‌ترین عامل در تقاضای سرمایه‌گذاری به شمار می‌رود. افزایش در نرخ بهره باعث کاهش تقاضای سرمایه‌گذاری می‌شود. از سوی دیگر افزایش در نرخ بهره باعث افزایش در مانده سپرده‌های بانکی شده و توان اعتباری بانک‌ها را افزایش می‌دهد. رشد اعتبارات بانکی و افزایش در تسهیلات اعطایی به مشتریان حقیقی و حقوقی بانک‌ها تقاضا برای کالاها و خدمات را افزایش می‌دهد. افزایش در تقاضای کل اقتصاد می‌تواند رشد تولید کالاها و خدمات را به همراه داشته باشد که این امر منجر به افزایش درآمد سرانه و درنتیجه کاهش ریسک اعتباری مشتریان بانک‌ها می‌شود. نتایج به‌دست‌آمده نشان می‌دهد که افزایش در نرخ بهره به اندازه یک انحراف معیار، سنجه ریسک سیستمی را به اندازه 0.003 تغییر می‌دهد که به معنای کاهش در این سنجه می‌باشد. بر این اساس شوک نرخ بهره کاهش در ریسک سیستمی نظام بانکی را به همراه دارد. نتایج به‌دست‌آمده با نتایج مطالعات بین‌المللی سازگاری دارد.

نمودار 6. تأثیر شوک نرخ بهره بر ریسک سیستمی نظام بانکی (تابع ضربه آنی مدل SVAR)

7-5- تجزیه و تحلیل اثر تولید ناخالص داخلی بر ریسک سیستمی نظام بانکی

رشد تولید ناخالص داخلی کاهش در ریسک اعتباری مشتریان بانک‌ها را به همراه دارد. بنابراین انتظار می‌رود که شوک مثبت در تولید ناخالص داخلی ریسک سیستمی نظام بانکی را کاهش دهد. بر اساس نتایج به‌دست‌آمده از توابع ضربه آنی، یک شوک مثبت در لگاریتم تواید ناخالص داخلی به اندازه یک انحراف معیار باعث تغییر 0.009 در سنجه ریسک سیستمی می‌شود. لذا شوک مثبت تولید ناخالص داخلی منجر به کاهش سنجه ریسک سیستمی نظام بانکی می‌شود.

نمودار 7. تأثیر شوک تولید ناخالص داخلی بر ریسک سیستمی نظام بانکی (تابع ضربه آنی مدل SVAR)

نتایج به دست آمده از توابع ضربه آنی تأثیر متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی که در نمودارهای فوق نشان داده شد، به‌طور خلاصه در جدول شماره (4) آمده است.

$E:\tttt\مقاله 4..jpg$ جدول شماره 4. خلاصه تأثیر متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی مدل SVAR


میزان تأثیر	نوع تأثیر بر ریسک سیستمی	متغیر
کاهش 5/0 درصد واحد سنجه ریسک	افزایش ریسک سیستمی	درآمدهای نفتی
افزایش 5/0 درصد واحد سنجه ریسک	کاهش ریسک سیستمی	درآمدهای مالیاتی
کاهش 5/0 درصد واحد سنجه ریسک	افزایش ریسک سیستمی	نااطمینانی نرخ ارز
افزایش 2/0 درصد واحد سنجه ریسک	کاهش ریسک سیستمی	نقدینگی
کاهش 8/0 درصد واحد سنجه ریسک	افزایش ریسک سیستمی	نااطمینانی تورم
افزایش 3/0 درصد واحد سنجه ریسک	کاهش ریسک سیستمی	نرخ بهره
افزایش 9/0 درصد واحد سنجه ریسک	کاهش ریسک سیستمی	تولید ناخالص داخلی

5- بحث و نتیجه‌گیری

در این مقاله تأثیر شوک‌های متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی ایران مورد تجزیه و تحلیل قرار گرفت. برای این منظور با استفاده از سنجه تغییر در ارزش در معرض خطر شرطی () و با استفاده از رگرسیون کوانتایل ریسک سیستمی نظام بانکی برآورد گردید. در ادامه در قالب یک الگوی خودرگرسیونی برداری ساختاری (SVAR) و با استفاده از توابع ضربه آنی اثر شوک در هر یک از متغیرها بر ریسک سیستمی نظام بانکی برآورد گردید. بر این اساس این مقاله کانال‌ها و ساختار اثرگذاری متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی را نـشان می‌دهـد. مـدل خـودرگرسیـونی بـرداری سـاختـاری (SVAR) با اعمال قیود ساختاری بر اساس ساختار اقتصادی ایران بر روی متغیرهای تحقیق امکان شناسایی کانال‌های اثرگذاری را در مدل فراهم می‌کند. نتایج این مقاله نشان می‌دهد که با توجه به اینکه بخش نفت در اقتصاد ایران از اهمیت بالایی برخوردار بوده و درآمدهای نفتی تخصیص درآمد در اقتصاد ایران را تحت تأثیر قرار داده است؛ به همین دلیل نوسانات در درآمدهای نفتی به‌طور مستقیم و غیرمستقیم بر متغیرهای کلان اقتصادی تأثیر می‌گذارد. تغییر در متغیرهای کلان اقتصادی بر ریسک اعتباری مشتریان بانک‌ها و در نهایت بر ریسک سیستمی نظام بانکی اثرگذار می‌باشد. لذا شوک‌های درآمدی نفتی از کانال‌های مختلفی بر ریسک اعتباری بانک‌ها اثر می‌گذارند. یکی از کانال‌های اثرگذاری شوک‌های نفتی بر ریسک اعتباری بانک‌ها و درنهایت ریسک سیستمی نظام بانکی، تأثیر نوسانات قیمت نفت بر درآمدهای دولت و نوسانات در درآمدهای مالیاتی دولت می‌باشد. کانال دوم اثرگذاری نوسانات درآمدهای نفتی بر ریسک اعتباری بانک‌ها، نوسانات

منابع

1. باقری نژاد، جعفر و جاوید، غزاله (1393). ارائه مدل نوآوری باز در صنعت بانکداری ایران: مطالعه موردی بانک پارسیان، فصلنامه نوآوری و ارزش‌آفرینی، شماره 5، سال 3، فصل بهار-تابستان سال 1393.

2. صادقی شریف سیدجلال، سوری علی، استادهاشمی علی (1397). مدلسازی و برآورد ریسک سیستم بانکی در قالب یک مدل شبکه‌ای با استفاده از سنجه CoVaR، پژوهشهاي پولي بانكي.دوره 11، شماره 36. 210-183.

3. صادقی، مهدی. (1392)، مدیریت ریسک سیستمیک در نهادهای مالی بازار سرمایه ایران. نشریه مدیریت پژوهش، توسعه و مطالعات اسلامی، 38 - 1.

4. معظمی، منصور و سرعتی آشتیانی، نرجس (1391)، راهبردهای مقابله با اثرات تحریم بر صنعت نفت ایران با تأکید بر توسعه همکاری‌های دانشگاه و صنعت، فصلنامه نوآوری و ارزش‌آفرینی، شماره 2، سال 1، فصل پاییز-زمستان سال1391.

5. مهدوی کلیشمی غدیر، الهی ناصر، فرزین وش اسداله و گیلانی پور جواد (1396)، ارزیابی ریسک سیستمی در شبکه بانکی ایران توسط معیار تغییرات ارزش در معرض خطر شرطی. مجله مهندسي مالي و مديريت اوراق بهادار. شماره 33.

و نااطمینانی در نرخ برابری ارز می‌باشد. کانال سوم اثرگذاری درآمدهای نفتی را می‌توان نقدینگی نظام بانکی دانست. کانال چهارم اثرگذاری درآمدهای نفتی بر ریسک اعتباری بانک‌ها نااطمینانی تورم است. نرخ بهره و تولید ناخالص داخلی نیز به ترتیب کانال‌های بعدی اثرگذاری شوک‌های نفتی بر ریسک اعتباری بانک‌ها و در نهایت ریسک سیستمی نظام بانکی می‌باشند. نوسان‌های قیمت نفت در بازار‌های جهانی و به دنبال آن نوسان درآمد‌های نفتی که در ادبیات اقتصادی از آن به‌عنوان شوک یا تکانه نفتی یاد می‌شود، تأثیرات قابل توجهی در اقتصاد کشورهای صادرکننده نفت به‌جای می‌گذارند.

6. ندائی، امین و خوارزمی، امیدعلی (1393)، تحلیل سیستمی‌ تأثیر ریسک‌پذیری بر نوآوری در پارک علمی و فناوری پردیس، فصلنامه نوآوری و ارزش‌آفرینی، شماره 5، سال 3، فصل بهار-تابستان سال .1393

7. نقی لو، احمد و محمد نظامی، طاهره (۱۳۹۳)، ارتباط بین متغیرهای کلان اقتصاد و ریسک اعتباری بانک‌ها، کنفرانس بین‌المللی مدیریت و مهندسی صنایع، مرکز همایش‌های بین‌المللی صداوسیما.

8. Abedola, S.S., Yusoff, W.S.W., Dahalan, J., 2011. An ARDL approach to the determinants of non-performing loans in Islamic banking system in Malaysia. Kuwait Chapter Arab. J. Bus. Manage. Rev. 1 (2), 20–30.Paper, 3957.

9. Adrian, T., & Brunnermeier, M. (2009). CoVaR. Paper presented at the CEPR/ESI 13th Annual Conference on ‘Financial Supervision in an Uncertain World’ in Venice. Staff Report 348, Federal Reserve Bank of New York.

10. Adrian, T., Brunnermeier, M. K., 2010. CoVaR. Federal Reserve Bank of New York Staff Report (348).

11. Aggarwal, R. (1981). Exchange rates and stock prices: a study of three US capital markets under floating exchange rates. Akron Business and Economics Review, 12, 7–12.

$E:\tttt\مقاله4.jpg$

Review, 12, 7–12.

12. Aggarwal, R., Demirgüc ¸-Kunt, A., Martinez Peria, M.S., 2006. Do Workers’
Remittances Promote Financial Development? World Bank Policy Research Working R., 3957.

13. Benoit, S., et al., A theore"cal and empirical comparison of systemic risk measures. 2013.

14. Bernal, Oscar, Gnabo, Jean-Yves, and Gregory Guilmin, (2013), Assessing the contribution of banks, insurance and other financial, Working Paper.

15. Castro, V., 2013. Macroeconomic determinants of the credit risk in the banking system: the case of the GIPSI. Econ. Model. 31, 672–683.

16. Delgado, J., Saurina, J., 2004. Credit Risk and Loan Loss Provisions. An Analysis with Macroeconomic Variables. Banco de Espana Working Paper, No. 12.

17. Espinoza, R., Prasad, A., 2010. Nonperforming Loans in the GCC Banking System and their Macroeconomic Effects. IMF Working Paper, 224.

18. Flamini, V., McDonald, C., Schumacher, L., 2009. The Determinants of Commercial Bank Profitability in Sub-Saharan Africa. IMF Working Paper, 15.

19. Fofack, H., 2005. Nonperforming Loans in Sub-Sahara Africa. Causal Analysis and Macroeconomic Implication. World Bank Policy Research Paper, 3769.

20. Greenidge, K., Grosvenor, T., 2009. Forecasting Non-performing Loans in Barbados. Bank of Barbados Working Paper.

21.Guerra, S. M., Silva, T. C., Tabak, B. M., de Souza Penaloza, R. A., de Castro Miranda, R. C., jan 2016. Systemic risk measures. Physica A: Statistical Mechanics and its Applications 442 (1), 329–342.

22. John E. Golob, Je,.(1994). Does inflation uncertainty increase with inflation? Economic Review, issue Q III, No v. 79, no. 3, 27-38.

23. Jorion, Ph. (2001). Value at Risk: The New Benchmark for Managing Financial Risk. McGraw-Hill, New York.

24. Kangogo, N.J., Asienga, I.C., 2014. Factors affecting non-performance of personal loans in banking industry: case study of tier one banks in Kenya. Conference Proceedings, 4th Annual Conference Kabarak University, 2014.

25. Kline, Rex B. (2005). Principles and practice of structural equation modeling. New York: Guilford Press, - Methodology in the social sciences.

26. Lutkepohl, H. & Kratzig, M. (2004). Applied Time Series Econometrics. Cambridge University Press. pp. 321-350.

27. $E:\tttt\مقاله 4..jpg$ Mawili, G.M., 2013. The impact of macroeconomic factors on non-performing loans in the Kenyan banking industry. In: Proceedings of the 1st Annual Research Conference, Jomo Kenyatta University, 12–13 September 2013.

28. Nikolaidou, E., Vogiazas, S.D., 2014. Credit risk determinants for the Bulgarian banking system. Int. Adv. Econ. Res. 20 (1), 87–102.

29. Nkusu, M., 2011. Non-performing loans and macrofinancial vulnerabilities in advanced economies. IMF Working Paper 11/161.

30. Washington, G.K., 2014. Effects of macroeconomic variables on credit risk in the Kenyan banking system. Int. J. Bus. Commer. 3 (9), 1–26.

31. Zeman, J., Jurca, P., 2008. Macro Stress Testing of the Slovakian Banking Sector. National Bank of Slovakia Working Paper, 1/2008.

32. Acharya, Lasse H. Pedersen, Thomas Philippon, Matthew Richardson, Measuring Systemic Risk, The Review of Financial Studies, Volume 30, Issue 1, January 2017, Pages 2–47.

33. Li, S., Lu, Y., Wu, Ch. (2019). Systemic risk in bank-firm multiplex networks. Finance Research Letters, In press, corrected proof Available online.

34. Adrian, T., Brunnermeier, M. (2016). CoVaR. American Economic Review, 106(7), 1705-1741.

35. Abrishami, H., Mehrara, M., Rahmani, M. (2019). Measuring and analysis of systemic risk in iranian banking sector and investigating its determinants. Journal of Econometric Modeling, 4(3), 11-36 [In Persian].

36. Kumar, V. (2018). Systemic Risk vs Systematic risk. Accounting Education, eBook,Retrievedfrom http://www.svtuition.org/2012/07/systemic-risk-vs-systematic-risk.html.

37. Rahimi Baghi, A., ArabSalehi, M., Vaez Barzani, M. (2019). Assessing the Systemic Risk in the Financial System of Iran using Granger Causality Network Method. Financial Research Journal, 21(1), 121-142. (in Persian)

38. Leventides, J., Loukaki, K., & Papavassiliou, V. G. (2020). Simulating financial contagion dynamics in random interbank networks. Journal of Economic Behavior & Organization, 158, 500-525.

39. Erol, S., & Vohra, R. (2020). Network formation and systemic risk. Available at SSRN 2546310.

40. Eivazlu, R. & Rameshg, M. (2019). Measuring systemic risk in the financial institution via dynamic conditional correlation and delta conditional value at risk mode and bank rating. Asset Management and Financing, 7(4), 1-16. (in Persian)

41. Engel, J., Pagano, A., & Scherer, M. (2020). Reconstructing the topology of financial networks from degree distributions and reciprocity. Journal of Multivariate Analysis

42. Acharya, V. V., Richardson, M., Jan 2009. Causes of the financial crisis. Critical Review 21 (2-3), 195–210.

43. Lage-Junior, M., Godinho-Filho, M., May 2010. Variations of the Kanban system: Literature review and classification. International Journal of Production Economics 125 (1), 13–21.

44. $E:\tttt\مقاله4.jpg$ Seuring, S., Mar 2013. A review of modeling approaches for sustainable supply chain management. Decision Support Systems 54 (4), 1513–1520.

45. Jabbour, C. J. C., May 2013. Environmental training in organisations:

46. From a literature review to a framework for future research. Resources, Conservation and Recycling 74 (1), 44–155.

[1] . Bernal

[2] . Kumar

[3] . Aggarwal

[4] . Golob

[5] . Value at Risk

[6] . Structural Vector Auto Regressive

[7] .Adrian & Brunnermeier

[8] .Acharya

[9] . Billio

[10] . Benoit, S.

[11] . Marginal Expected Shortfall

[12] . Systemic Expected Shortfall

[13] . Systemic Risk

[14] .Conditional Value at Risk

[15] . Jabbour

[16] . Lage-Jounior

[17] . Godinho-filho

[18] .Seuring

[19] . Silva Walmir

[20] . Leventides

[21] .Erol & Vohra

[22] . Engel

[23] . Espinoza & Prasad

[24] . Kline, Rex B.

[25] . Pro cyclical

[26] . Delgado & Saurina

[27] . Zeman & Jurca

[28] . Abedola

[29] . Autoregressive Distributed Lag Models

[30] . Greenidge & Grosvenor

[31] . Nikolaidou & Vogiazas

[32] . Flamini

[33] . Fofack

[34] . Kangogo & Asienga

[35] . Mawili

[36] . Washington

[37] . Lutkepohl & Kratzig

[38] .Cooley & Leroy

[39] .Stationary

[40] -Integrated

[41] . Crowding Out effect

اشتراک گذاری

آدرس مقاله

تاثیر متغیرهای کلان اقتصادی بر ریسک سیستمی نظام بانکی با الگوی خودرگروسیونی برداری

رایمگ

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی