ارزیابی ریسک سیستمی در خرده‌نظام‌های مالی کشور با استفاده از روش گرنجر غیرخطی

نوع مقاله: مقاله علمی

نویسندگان

1 دانشجوی دکتری حسابداری، دانشکده علوم اداری و اقتصاد دانشگاه اصفهان، اصفهان، ایران.

2 دانشیار گروه حسابداری، دانشکده علوم اداری و اقتصاد دانشگاه اصفهان، اصفهان، ایران

3 دانشیار گروه اقتصاد، دانشکده علوم اداری و اقتصاد دانشگاه اصفهان، اصفهان، ایران.

چکیده

هدف: وقوع بحران‌های مالی 2007 تا 2009 موجب توجه دوباره به موضوع ریسک سیستمی شد. ریسک سیستمی پیامد روابط سیستمی بین مؤسسه‌های مالی است. در نظام مالی هر کشوری تشخیص روابط سیستمی بین خرده‌‌نظام‌‌های مالی آن (بانک‌‌ها، شرکت‌‌های سرمایه‌‌گذاری و بیمه)، با‌‌ هدف جلوگیری از بروز شکست‌‌های سیستمی ضرورتی انکارناپذیر است.
روش: در پژوهش حاضر با استفاده از روش تحلیل مؤلفه‌‌های اساسی میزان ارتباط بین خرده‌‌نظام‌‌های مالی کشور شامل بانک‌‌ها، شرکت‌‌های سرمایه‌‌گذاری و بیمه در فاصلۀ زمانی 1390 تا 1395 ارزیابی و سپس با استفاده از روش گرنجر غیرخطی رابطۀ علی بین آنها تبیین شد.
نتایج: نتایج نشان می‌‌دهد از بین خرده‌‌نظام‌‌های مالی کشور، بخش بانکی و بیمه به ترتیب بیشترین و کمترین میزان ریسک سیستمی را دارند. به‌علاوه مشخص شد میزان ارتباط سیستمی بین مؤسسه‌‌های مالی متعلق به هر کدام از خرده‌‌نظام‌‌های مالی کشور در گذر زمان تغییر کرده است. نتایج به‌دست‌آمده از یک سو به نهادهای نظارتی در زمینۀ بهینه‌کردن نظارت بر نظام مالی و ازسوی دیگر به سرمایه‌‌گذاران در مدیریت ریسک سبد سرمایه‌‌گذاری به شیوه‌‌ای کارآمد کمک می‌کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Assessing the Systemic Risk in the Financial Sub-Systems of Iran, using Nonlinear Granger Method

نویسندگان [English]

  • Ali rahimi baghi 1
  • Mehdi Arabsalehi Nasrabadi 2
  • Mohammad Vaez Barzani 3
1 P.H.D Student of Accounting, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran.
2 Associate Professor of Accounting department, Faculty of Administrative Sciences and Economics, University Of Isfahan, Isfahan, Iran
3 Associate Professor of Economic Department, Faculty of Administrative Sciences and Economics, University Of Isfahan, Isfahan, Iran
چکیده [English]

Objective: The Financial Crisis of 2007–2009 has created a renewed interest in systemic risk. The systemic risk is the result of a systemic relationship among financial institutions (Banks, Brokers, and Insurers). Recognition of systemic relationships among financial sub-systems of each country is an indispensable necessity for the purpose of preventing systematic failure.
Method:The present study seeks to assess the relationship among the financial sub-systems in Iran, including banks, investment, and insurance companies during 2011-2017, using the Principal Components Analysis method. Then, the causal relationship between them is explained, applying the nonlinear Granger method.
Results:According to the results, banking and insurance sectors have the highest and lowest systemic risk, respectively. It is also found that the systemic relationship alters from one financial institution to another over time. The results of this study can be useful for both regulatory bodies in order to optimize the regulation of the financial system and, on the other hand, for investors to effectively manage the portfolio risk.

کلیدواژه‌ها [English]

  • Financial institutions
  • Nonlinear granger causality
  • Principal components analysis
  • Systemic risk

مقدمه.

یکی از مباحث مهم که در بازار سرمایه به آن توجه می‌شود، آگاهی از میزان ریسک شرکت‌‌هاست (حاجی‌ها و صفاری، 2018)؛ این در حالی است که برای مدیریت و کنترل ریسک، شناسایی انواع ریسک، عوامل ایجادکننده و سازوکار علت و معلولی بین آنها امری ضروری است (مصطفایی‌دولت‌آباد، آذر و مقبل، 2019). ریسک را می‌‌توان به شیوه‌‌های مختلفی طبقه‌بندی کرد؛ یکی از این روش‌‌ها، تقسیم آن به دو نوعِ سیستماتیک و غیرسیستماتیک است. ریسک غیرسیستماتیک، ریسک مختص به یک شرکت یا صنعت خاص است؛ در حالی که ریسک سیستماتیک ریسک مربوط به کل بازار است که دراثر تغییرات کلی بازار ایجاد می‌‌شود و حذف آن ازطریق تنوع‌بخشی امکان‌‌پذیر نیست (تهرانی، 2010). یکی دیگر از انواع ریسک، ریسک سیستمی[1] است که ازنظر لغوی تشابه ظاهری زیادی با ریسک سیستماتیک دارد؛ اما در اصل با دو ریسک‌‌ مذکور تفاوت دارد. ریسک سیستمی زمانی اتفاق می‌‌افتد که شکست یا بحران در یک بخش از بازار به دیگر بخش‌‌ها سرایت کند و به بحرانی فراگیر تبدیل ‌‌شود؛ به‌گونه‌‌ای که زیان یک یا چند مؤسسۀ مهم و اثرگذار به دیگر مؤسسه‌‌ها سرایت ‌‌کند (چاوشی و شیرمحمدی، 2015). در صورت بروز ریسک سیستمی، ناکارآمدی در نظام مالی یک کشور فراگیر و رشد اقتصادی و رفاه در آن کشور تهدید می‌‌شود. این نظام مالی نقشی اساسی در اقتصاد ایفا می‌‌کند؛ زیرا پل ارتباطی بین تأمین‌کنندگان منابع و اعتبارگیرندگان است و به‌طور طبیعی با تمام بخش‌‌های اقتصادی ارتباط دارد؛ درنتیجه، اگر سیستم مالی به‌درستی کار نکند مشکلات به‌وجودآمده در آن پیامدهای مهمی برای اقتصاد واقعی در پی خواهد داشت. به همین دلیل دانشگاهیان، سیاست‌‌گذاران، مقررات‌‌گذاران و فعالان بازار باید به‌‎ درستی و ثبات نظام مالی توجه بیشتری داشته باشند (مورنو[2] و پنا[3]، 2013).

وجود ارتباط درونی میان خرده‌‌نظام‌‌های مالی (شرکت‌‌های بیمه، بانک‌‌ها، شرکت‌‌های سرمایه‌‌گذاری و صندوق‌‌های پوشش خطر[4])، یکی از عوامل مهم وقوع بحران‌های مالی 2007 تا 2009 است که بیشتر پژوهشگران به آن توجه کرده‌اند. ازطرف دیگر، یکی از جنبه‌های مهم ریسک سیستمی، درجۀ ارتباط (اتصال) میان مشارکت‌‌کنندگان بازار است؛ بنابراین، می‌توان از تحلیل مؤلفه‌های اساسی[5] و آزمون علیت گرنجر[6] به‌منزلۀ معیارهایی برای بررسی ارتباط بین این بخش‌‌ها استفاده کرد (بیلیو[7]، گتمانسکی[8]، لو[9] و پلیزون[10]، 2011)؛ به عبارت دیگر، در صورت وجود ارتباط مالی بین بخش‌‌ها یا مؤسسه‌‌های مالی، بین بازده آنها ارتباطی ایجاد می‌‌شود و این مسئله می‌‌تواند سبب ایجاد ریسک سیستمی شود. از آنجا که شاخص کوواریانس قادر به تشخیص ارتباط بین چند متغیر به‌طور همزمان نیست، برای تشخیص شدت و ضعف میزان ارتباط بین بازده خرده‌نظام‌‌های مالی و مؤسسه‌‌های مالی متعلق به آنها و تغییر ارتباط بین آنها در گذر زمان می‌‌توان از روش تحلیل مؤلفه‌‌های اساسی بهره برد. در صوت وجود ارتباط سیستمی بین خرده‌نظام‌‌های مالی انتظار می‌‌رود در دوره‌‌های وقوع بحران نسبت به دوره‌های عادی و رونق اقتصادی میزان ارتباط بین بازده آنها بیشتر شود؛ زیرا بازده منفی بخش‌‌‌های اثرگذار (مهم ازنظر سیستمی)، به دیگر بخش‌‌ها سرایت خواهد کرد؛ درنتیجه، زمانی که یک بخش از بازار دچار بحران شود، این بحران به‌راحتی به دیگر بخش‌‌‌ها سرایت می‌کند. به‌علاوه با استفاده از روش مذکور می‌‌توان افزایش اشتراک میان بازده بخش‌‌های مذکور را تشخیص داد؛ به این صورت که با بررسی تغییرات زمانی در اندازة مقادیر ویژۀ ماتریس‌‌ کوواریانس شاخص بازده، می‌توان افزایش همبستگی میان خرده‌‌نظام‌‌های مالی را تشخیص داد؛ به‌گونه‌‌ای که می‌‌توان ادعا کرد افزایش ارتباطات، انسجام و اشتراک‌‌ بین آنها سبب تشدید ریسک سیستمی خواهد شد. روش تحلیل مؤلفه‌‌های اساسی تنها میزان اشتراک بین بازده بخش‌ها یا مؤسسه‌‌های مالی را تشخیص می‌‌دهد و قادر به تشخیص جهت ارتباط (علت و معلولی) نیست؛ بنابراین، برای تعیین تأثیرگذاری بر نظام مالی به‌منزلۀ یک کل یا تأثیرپذیری آنها از نظام مالی می‌‌توان از آزمون علیت گرنجر استفاده کرد. با وجود اینکه برای ارزیابی ریسک سیستمی از روش‌‌های مختلفی همچون ارزش در معرض خطر، ارزش در معرض خطر شرطی و غیره استفاده می‌شود، این روش‌‌ها تنها بر یک مؤسسة مالی تمرکز کرده‌‌اند و جایگاه سیستمی آنها را در نظر نمی‌گیرند؛ در حالی که در روش تحلیل مؤلفه‌‌های اساسی و علیت گرنجر، برای ارزیابی ریسک سیستمی بر جایگاه سیستمی بخش‌ها یا مؤسسه‌‌های مالی به‌منزلۀ جزئی از نظام مالی تمرکز شده است.

در زمینۀ ریسک سیستمی خرده‌نظام‌های مالی کشور به‌منزلۀ مجموعه‌ای واحد (که اجزای آن با هم در ارتباط‌اند) و با درنظرگرفتن روابط سیستمی بین آنها تاکنون پژوهشی انجام نشده است؛ بنابراین، در پژوهش حاضر به پیروی از بیلیو و همکاران (2012) ضمن تبیین روابط بین خرده‌‌نظام‌‌های مالی کشور با استفاده از روش تحلیل مؤلفه‌‌های اساسی (PCA)، جایگاه هر کدام از آنها نیز ازنظر ریسک سیستمی با استفاده از روش گرنجر غیرخطی مشخص شد. در زمینۀ هدف پژوهش سه پرسش مطرح می‌‌شود: آیا روابط بین خرده‌‌نظام‌‌های مالی کشور در طول زمان تغییر می‌‌کند؟ آیا سهم هر کدام از خرده‌نظام‌‌های مالی در ایجاد ریسک سیستمی از همدیگر متفاوت است؟ آیا سهم هر کدام از مؤسسه‌‌های مالی در ایجاد ریسک سیستمی از همدیگر متفاوت است؟

 

مبانی نظری.

اگرچه پدیدة ریسک سیستمی قبل از وقوع بحران‌های مالی نیز وجود داشته است، وقوع بحران‌‌های مالی جهانی موجب توجه هرچه بیشتر پژوهشگران به بررسی ماهیت این پدیده و راه‌‌های مقابله با آن شد. با وجود مطالعات مختلف در این زمینه، دربارۀ مفهوم ثبات مالی و ریسک سیستمی هیچ‌‎گونه اتفاق نظری وجود ندارد. وقوع ریسک سیستمی در طول بحران مالی جهانی اخیر نشان داد مؤسسه‌‌ها و شبکه‌‌های مالی به‌طور چشمگیری آن را دست‌‎کم گرفته‌‌اند. با وجود اینکه ریسک‌های اعتباری، نقدینگی، عملیاتی و غیره می‌‌توانند به‌طور مستقیمی به یک مؤسسۀ خاص نسبت داده شوند، ریسک سیستمی تنها می‌تواند به‌طور غیرمستقیم ارزیابی شود؛ زیرا برخلاف ریسک‌‌های مذکور که به یک مؤسسة خاص محدود می‌شوند، ریسک سیستمی ناشی از روابط سیستمی بین اجزای سیستم مالی است که پیامدهایی برای کل سیستم در بر دارد؛ بنابراین، برای ارزیابی ریسک سیستمی مربوط به یک مؤسسة خاص، باید بر جایگاه آن در کل سیستم تمرکز شود (سماگا[11]، 2014).

به‌دلیل ارائۀ تعاریف مختلف از ریسک سیستمی و درک‌نشدن این پدیده به‌طور کامل، تاکنون روش‌‌های اندازه‌‌گیری متعددی برای آن مطرح شده است. بیسیاس[12]، فلود[13]، لو و ولاوانیس[14] (2012) با مرور پیشینۀ معیارهای مربوط به ریسک سیستمی در ادبیات مالی و اقتصادی، حدود 31 معیار کمی مختلف را برای ریسک سیستمی استخراج کردند. آنان معیارهای اندازه‌گیری ریسک سیستمی را به 3 شیوۀ مختلف‌‌ - یعنی معیارهای اندازه‌گیری ریسک سیستمی مبتنی بر حوزۀ نظارت، روش پژوهش و افق زمانی رخداد/تصمیم - طبقه‌‌بندی کردند. هر کدام از این طبقه‌‌ها نیز طبقه‌‌های فرعی و متفاوت دیگری دارند. بیلیو و همکاران (2011) بیان می‌‌کنند که بررسی کامل ادبیات این حوزه - که به‌طور سریع در حال تحول است - و ارائۀ تعریفی قابل‌درک از ریسک سیستمی برای تجزیه‌وتحلیل و اندازه‌‌گیری آن امر دشواری است؛ با این حال آنها (2010) معتقدند به‌طور کلی ادبیات تجربی مربوط به ریسک سیستمی را می‌‌توان در سه گروه خلاصه کرد؛ گروه نخست که بر سرایت بحران بانک‌ها تمرکز کرده است، به‌طور عمده‌‌ای بر پایۀ خودهمبستگی تعداد شکست‌‌های بانکی، بازده بانک‌‌ها و غیره شکل گرفته است. برای مثال لیهر[15] (2005) همبستگی بین سبد دارایی بانک را برآورد و از احتمال نکول مؤسسه‌‌های مالی به‌منزلۀ معیاری برای اندازه‌‌گیری ریسک سیستمی استفاده کرده است. گروه دوم، شامل بحران‌‌های بانکی، نوسان‌‌های جمعی و رونق وام‌های بانکی است. این مطالعات بر نسبت کفایت سرمایۀ بانک‌‌ها و بدهی‌‌های بانکی تمرکز کرده‌اند و نشان می‌دهند متغیرهای کلی ازجمله متغیرهای اساسی اقتصاد کلان که قدرت پیش‌‌بینی چشمگیری دارند، شواهدی به نفع دیدگاه کلان در حوزة ریسک سیستمی مربوط به بخش بانکداری ارائه می‌کنند. گروه سوم، بر مواردی همچون سرایت، اثرات سرریز و سقوط مشترک در بازارهای مالی تمرکز کرده‌اند. بیشتر این مطالعات بر پایۀ مواردی همچون همبستگی ساده، همبستگی برگرفته از الگوی آرچ، همبستگی شدید بازده بازار اوراق بهادار و حرکت‌‌های مشترک بازار اوراق بهادار بنا شده‌اند و شامل بحران‌‌های ارزی و مالی مشاهده‌شده در نیمۀ دوم سال‌های 1980 و 1990 هستند.

وقوع بحران مالی 2007 تا 2009 سبب شد دربارۀ ریسک سیستمی چه در زمینۀ تعریف و چه در زمینۀ اندازه‌‌گیری و کنترل آن پژوهش‌های گسترده‌‌ای انجام شود. بیشتر این پژوهش‌‌ها روی شناسایی آن دسته از نهادهای مالی متمرکز بوده‌‌اند که در بروز ریسک سیستمی سهم بیشتری داشته‌اند. این نهادها که به اصطلاح نهادهای مالی مهم سیستمی خوانده می‌‌شوند، در صورتی که دچار آشفتگی شوند و در معرض خطر قرار گیرند، به‌دلیل بزرگی اندازه و ارتباط‌‌های پیچیده و متقابل سیستمی بین آنها، سبب ایجاد شکست درکل سیستم مالی خواهند شد (احمدی و فرهانیان، 2014)؛ بنابراین، با توجه به اینکه عملکرد مالی مؤسسه‌های مالی مختلف، ابعادی مختلف و ماهیتی پویا و وابسته به زمان دارد، به‌کارگیری رویکرد سیستمی و درنظرگرفتن روابط علت و معلولی میان آنها ضرورتی انکارناپذیر است.

لافلر[16]و راوپاک[17] (2017) مشکلات استفاده از معیارهای تعیین‌کنندۀ سهم ریسک سیستمی[18] مبتنی بر بازده را بررسی و مواردی را شناسایی کردند که در آنها با تغییر در مواردی همچون ریسک سیستماتیک یک بانک، ریسک ویژه[19]، اندازه یا سرایت، ریسک کل سیستم افزایش و برعکس، سهم ریسک سیستمی بانک کاهش می‌یافت. آنان عوارض جانبی بالقوۀ نامطلوب را نیز شناسایی کردند؛ به‌گونه‌‌ای که دریافتند تغییر در ساختار ریسک یک بانک خاص می‌‌تواند سهم ریسک سیستمی رقبای خود را به مراتب بیشتر از یک واحد افزایش در خود افزایش دهد. نتایج پژوهش آنان نشان می‌دهد در چنین مواردی، رتبه‌بندی براساس سهم ریسک سیستمی برآوردشده سبب ایجاد انگیزه‌‌ها و تفسیرهای نادرست خواهد شد. به‌طور خاص، اگر منافع بانک‌‌ها از دید مقررات‌‌گذاران با برآورد کمتر از واقعیت سهم آنها از ریسک سیستمی حاصل شود، استفاده از چنین معیارهایی می‌تواند این انگیزه را برای بانک‌ها ایجاد کند که به جای کاهش ریسک کل سیستم، حتی آن را افزایش نیز بدهند. تاکنون از روش‌‌های مختلفی برای ارزیابی ریسک سیستمی استفاده شده است که در ادامه مهم‌ترین آنها تشریح شده است.

نیوسرا[20]، برند[21]، سیم‌جان[22] و آندره[23] (2015) روش تحلیل مؤلفه‌های اساسی را به‌منزلۀ جایگزین رتبه‌‌بندی ریسک سیستمی با هدف رتبه‌بندی مؤسسه‌های مالی از منظر ریسک سیستمی پیشنهاد کردند. به‌طور کلی نتایج پژوهش آنها نشان می‌‌دهد نتیجۀ رتبه‌‌بندی انجام‌شده با استفاد از روش تحلیل مؤلفه‌های اساسی، از عدم‌اطمینان برآوردشده[24] و الگوی ریسک کمتر تأثیر می‌گیرد. رتبه‌بندی ضمنی حاصل از روش مذکور نسبت به بسیاری از دیگر روش‌‌های رتبه‌بندی‌‌ ریسک فردی، ثبات بیشتری دارد و دربارۀ مؤسسه‌های دارای رتبۀ بالاتر سبب تغییر رتبۀ کمتری می‌شود. ازطرف دیگر، نتایج پژوهش نشان می‌دهد در دوره‌های منتهی به بحران مالی، رتبه‌بندی مبتنی بر قیمت و رتبه‌بندی مبتنی بر اصول بنیادی، نوسان چشمگیر و مدیدی داشته است. کریزمن[25]، لی[26]، پیج[27] و روبرت[28] (2011) ارتباط بین مؤسسه‌های مالی به‌منزلۀ عاملان انتقال ریسک سیستمی را بررسی و استدلال کردند که مشاهدۀ صریح و روشن ارتباط بین مؤسسه‌های مالی به دلایل مختلفی امکان‌پذیر نیست؛ بنابراین، برای سنجش ریسک سیستمی یک معیار ضمنی با عنوان نرخ جذب[29] ارائه کردند. این معیار نشان می‌دهد که بازارها تا چه اندازه به هم وابسته‌اند. نتایج پژوهش نشان می‌دهد زمانی که بین بازارها وابستگی وجود داشته باشد، آنها در برابر تکانه‌های منفی منتشرشده شکننده‌تر می‌‌شوند و تکانه‌ها با سرعت بیشتر و در سطح وسیع‌‌تری منتشر خواهند شد. در زمینۀ موضوع ریسک سیستمی به‌ویژه در بخش مالی، در داخل کشور تاکنون پژوهش‌‌های معدودی به شرح زیر انجام شده است:

دستخوان و شمس‌قارنه (2017) معیارهای مختلف مبتنی بر شبکه را بررسی کردند. آنان نشان دادند با به‌کارگیری شبکۀ مالکیت به همراه مالکیت ترکیبی و معیارهای متناسب با آن می‌توان به شناسایی دقیق‌‌تر شرکت‌‌های مهم ازنظر ریسک سیستمی دست یافت؛ پس از بررسی آماری شاخص‌‌های مختلف، مشخص شد تنها تعداد اندکی از شرکت‌‌های نمونه ازنظر ریسک سیستمی، اثرگذاری بسیار بالایی دارند. مرادمندجلالی و حسنلو (2017) نیز بررسی کردندکه بحران‌‌های ایجادشده در بخش‌‌های مالی مختلف شامل بخش بانکی، بیمه و شرکت‌‌های سرمایه‌‌گذاری تا چه اندازه می‌‌تواند در ریسک کل نظام مالی گسترش یابد. آنان برای این منظور از روش اندازه‌‌گیری تغییرات ارزش در معرض خطر شرطی مبتنی بر بازده بخش‌های مالی مدنظر استفاده و مقدار آن را با استفاده از رگرسیون چندکی برآورد کردند. آنان برای بررسی معناداری وجود ریسک تحمیل‌شده ازسوی مؤسسه‌‌های مالی به سیستم مالی و دست‌یابی به یک رتبه‌‌بندی از بخش‌های مالی سهیم در ریسک سیستمی از آزمون کولموگروف - اسمیرنوف دونمونه‌‌ای استفاده کردند و نشان دادند هر سه بخش بانکی، بیمه و شرکت‌های سرمایه‌‌گذاری در طول دورة پژوهش، به‌طور معناداری در ریسک سیستمی نظام مالی ایران سهیم‌اند و بخش‌‌های سرمایه‌‌گذاری، بانکی و بیمه به ترتیب بیشترین سهم را در ریسک سیستمی دارند. آذری‌قره‌لو، رستگار و عزیززاده (2016) با استفاده از سنجه‌های مختلفی همچون زیان موردانتظار سیستمی، زیان موردانتظار نهایی، دلتای ارزش در معرض خطر و غیره با بررسی 20 شرکت بزرگ در بورس اوراق بهادار تهران، طی سال‌‌های1390 تا 1394 اقدام به اندازه‌‌گیری ریسک سیستمی کردند. نتایج پژوهش آنها نشان می‌‌دهد از میان نمونۀ انتخابی، شرکت‌‌های سرمایه‌‌گذاری امید، ساختمان ایران، صندوق بازنشستگی و شرکت معادن روی ایران، کمترین ریسک سیستمی و شرکت‌های خودروسازی سایپا و بانک تجارت بیشترین ریسک سیستمی را دارند. حسینی و رضوی (2014) ریسک سیستمی یا به عبارتی کمبود موردانتظار سیستمی به‌ ‌منزلۀ یکی از معیارهای ریسک سیستمی در بورس اراق بهادار تهران را تخمین زدند؛ این معیار نشان‌‌دهندة مقدار سرمایه‌‌ای است که مؤسسه‌های مالی در شرایط کمبود سرمایۀ نظام مالی نیاز دارند و با ترکیبی از ارزش جاری سهام شرکت، نسبت کفایت سرمایۀ مناسب و مقدار کل بدهی محاسبه می‌شود. هدف اصلی پژوهش آنان رتبه‌بندی مؤسسه‌های مالی در اقتصاد حاضر است. آنها نشان دادند شرکت‌‌های سرمایه‌‌گذاری امید، سایپا، آتیۀ دماوند، بهمن، توسعۀ ملی، صنعت بیمه، ملت و توسعۀ آذربایجان، به ترتیب بیشترین ریسک سیستمی و شرکت‌های سرمایه‌گذاری غدیر، توسعۀ معادن و فلزات و صندوق بازنشستگی کشوری، به ترتیب کمترین ریسک سیستمی را دارند. احمدی و فرهانیان (2014) ریسک سیستمی را با استفاده از دو رویکرد ارزش در معرض خطر شرطی[30] و زیان موردانتظار نهایی[31] بررسی کردند. آنها اثر بحران شرکت‌ها بر یکدیگر را اندازه‌‌گیری و شرکت‌‌ها را در سه سطح مختلف ریسک رتبه‌بندی کردند. نتایج پژوهش آنان نشان می‌‌دهد از بین شرکت‌‌های نمونه به ترتیب 4 شرکت‌‌ ساختمان ایران، سایپا، صنایع مس ایران و سرمایه‌گذاری ملی ایران (سطح اول)، سه شرکت سیمان تهران، گروه بهمن و فولاد خوزستان (سطح دوم) و درنهایت شرکت ایران ترانسفور (سطح سوم)، بیشترین ریسک سیستمی را دارند. بررسی مبانی نظری پژوهش نشان می‌دهد بیشتر پژوهش‌‌های حوزۀ ریسک سیستمی، برای ارزیابی ریسک سیستمی، جایگاه سیستمی هر کدام از خرده‌نظام‌‌های مالی یا به‌طور خاص مؤسسه‌‌های مالی را در نظر نگرفته‌‌اند و تنها بر یک مؤسسۀ خاص تمرکز کرده‌اند؛ بنابراین، در پژوهش حاضر با تمرکز بر روابط سیستمی بین خرده‌‌نظام‌‌های مالی و به‌طور خاص مؤسسه‌‌های مالی، ریسک سیستمی نظام مالی کشور ارزیابی شده است.

با توجه به مبانی نظری پژوهش فرضیه‌های زیر تدوین شد:

فرضیۀ 1- روابط بین خرده‌‌نظام‌‌های مالی کشور در طول زمان تغییر می‌‌کند.

فرضیۀ 2- سهم هر کدام از خرده‌نظام‌‌های مالی کشور در ایجاد ریسک سیستمی از همدیگر متفاوت است.

فرضیۀ 3- سهم هر کدام از مؤسسه‌‌های مالی در ایجاد ریسک سیستمی از همدیگر متفاوت است.

 

پروش‌‌ پژوهش.

داده‌های موردنیاز از نرم‌افزار ره‌‌آورد نوین تهیه و با استفاده از دو روش گرنجر غیرخطی و تحلیل مؤلفه‌‌های اساسی تجزیه‌وتحلیل شده‌اند. با توجه به موضوع پژوهش، جامعة آماری شامل همۀ بانک‌ها، شرکت‌های سرمایه‌گذاری و شرکت‌های بیمۀ پذیرفته‌شده در بورس اوراق بهادار تهران است که از میان آنها، مؤسسه‌‌هایی انتخاب شدند که از ابتدای سال 1390 تا انتهای سال 1395 در بورس اوراق بهادار تهران فعالیت داشته‌اند (در مجموع شامل 44 مؤسسه برای هر سال و 264 مؤسسه ـ سال)؛ به‌گونه‌‌ای که داده‌‌های استفاده‌شده شامل مشاهدات ماهیانۀ بازده این مؤسسه‌‌ها در فاصلۀ زمانی فروردین‌ماه 1390 تا پایان اسفندماه 1395 است. به‌دلیل اینکه تعداد اندکی از مؤسسه‌های مالی در سال‌‌های قبل از 1390 در بورس اوراق بهادار فعالیت داشته‌اند و شروع فعالیت بیشتر آنها در بورس اوراق بهادار تهران در سال‌‌های 1390 و بعد از آن بوده است و به‌علت دسترسی‌نداشتن به داده‌‌های موردنیاز برای سال‌‌های قبل از 1390، برای اجرای پژوهش، سال 1390 شروع دورة پژوهش در نظر گرفته شده است. در ادامه برای آزمون فرضیه‌‌های پژوهش از روش تحلیل مؤلفه‌‌های اساسی و علیت گرنجر غیرخطی به‌صورت زیر استفاده شد.

کاربرد عمدۀ روش تحلیل مؤلفه‌‌های اساسی کاهش تعداد متغیرها و یافتن ساختار ارتباطی بین تعدادی از متغیرهاست. برای مطالعۀ کامل پراکندگی یک سیستم که از چندین متغیر مختلف تشکیل شده است، به مجموعه‌‌ای از مؤلفه‌ها نیاز است که تعدادشان برابر متغیرهای اصلی است؛ اما در بیشتر موارد می‌‌توان این نوسان را با تعداد کمتری از مؤلفه‌ها نیز بیان کرد. اولین مؤلفة استخراج‌شده بیشترین مقدار پراکندگی داده‌‌ها را در کل مجموعة داده‌‌ها در نظر می‌‌گیرد؛ به این معنی که اولین مؤلفه، حداقل با تعدادی از متغیرها همبسته است. دومین مؤلفة استخراج‌شده دو ویژگی مهم دارد: نخست، این مؤلفه بیشترین پراکندگی مجموعة داده‌ها را در نظر می‌گیرد که توسط مؤلفة اول محاسبه نشده است؛ یعنی دومین مؤلفه با تعدادی از متغیرهای مشاهده‌شده همبسته است که همبستگی بالایی با مؤلفۀ اول ندارند. ویژگی دوم این است که مؤلفة دوم با مؤلفة اول همبستگی ندارد؛ یعنی همبستگی بین دو مؤلفه صفر است. سایر مؤلفه‌های استخراج‌شده در این روش نیز دو ویژگی مذکور را دارند (جعفری، ابراهیمی‌سالاری، بهنامه و صالح‌نیا، 2016).

با استفاده از روش‌شناسی بیلیو و همکاران (2012) ارتباط میان بازده بانک‌‌ها، شرکت‌‌های سرمایه‌‌گذاری و بیمه با استفاده از روش تحلیل مؤلفه‌های اساسی ازطریق تجزیۀ ماتریس کواریانس بازده 3 بخش مذکور شناسایی شده است؛ به عبارت دیگر، بازده بازار یک نمونه از مؤسسه‌های مالی به عوامل متعامد (عمود بر هم)کاهش قدرت توضیحی تجزیه شده‌اند؛ به این معنی که تعداد زیادی متغیر مستقلِ همبسته با تعداد معدودی متغیر مستقلِ جدید ناهمبسته (مؤلفه‌‌های اساسی) ‌‌جایگزین شده‌‌اند؛ بنابراین، با انتقال 44 مؤسسۀ مالیِ (44 متغیر) پژوهش به یک دستگاه (فضای) جدید، تعداد متغیرها کاهش داده شده است. هرقدر رابطۀ بین بازده مؤسسه‌‌های مذکور قوی‌‌تر باشد، با استفاده از تعداد متغیرهای (مؤلفه‌های اساسی) کمتری می‌‌توان پراکندگی بازده آنها را در فضای جدید توضیح داد. برای اجرای پژوهش متغیرهای ارائه‌شده در جدول (1) به کار گرفته شده‌‌ است.

جدول (1) معرفی متغیرهای پژوهش

ردیف

نام متغیر

لاتین

فارسی

1

 

بازده بازار (قیمتی)

2

 

مؤلفه‌های اساسی

3

DGC

درجۀ علیت گرنجر

4

Out

تأثیرگذاری

5

In

تأثیرپذیری

6

In+ Out

جمع دو مورد قبلی است.

 

نحوۀ اندازه‌‌گیری متغیرهای استفاده‌شده در پژوهش حاضر به‌صورت زیر است:

قیمت سهم در ابتدای ماه (منهای قیمت بازار سهم در ابتدای ماه - قیمت بازار سهم در انتهای ماه) = بازده بازار

حال اگر Ri بازده سهم مؤسسۀ i باشد و i = 1, …, N، بازده کل سیستم با استفاده از رابطۀ‌‌ 1 محاسبه می‌‌شود:

 

(1)

سپس واریانس سیستم با استفاده از رابطه‌های 2 تا 5 به‌صورت زیر محاسبه می‌شود:

 

(2)

Zk بیانگر بازده استانداردشدۀ مؤسسۀ K و  واریانس سیستم است. اکنون N‌ متغیر ζk مستقل با میانگین صفر به‌صورت زیر استخراج می‌‌‌شود:

 

(3)

به‌طوری که λk،K  اُمین مقدار ویژه است؛ بنابراین، متغیر Z ترکیب خطی از ζk است که در قالب رابطۀ (4) بیان می‌‌شود:

 

(4)

به‌طوری که Lik مؤسسۀ i یک بار عاملی برای ζk است؛ سپس خواهیم داشت:

(5)

 

روش PCA ماتریس واریانس - کوواریانس بازده N مؤسسۀ مالی را به ماتریس متعامد L (بردارهای ویژۀ ماتریس همبستگی بازده‌‎ها) و ماتریس قطری مقادیر ویژۀ Λ تجزیه می‌‌کند. از آنجا که اولین مقادیر ویژه به‎‌طور معمول قسمت عمده‌ای از تغییرات سیستم را توضیح می‌‌دهد، تنها روی یک زیرمجموعه N< n  از آنها تمرکز شده است. زمانی که بازده بیشتر مؤسسه‌‌ها تمایل حرکت با هم را دارند (بیشتر با دورة بحران همراه است)، این زیرمجموعه بخش بزرگی از نوسان‌های کل سیستم را پوشش می‌‌دهد؛ بنابراین، در دوره‌‌هایی که این زیرمجموعه اندکی بیشتر از دامنۀ H (کل نوسان‌‌‌ها) را توضیح ‌‌دهد، این موضوع نشان‌‌دهندة افزایش ارتباط تنگاتنگ بین مؤسسه‌‌های مالی است.

اگر ریسک کل سیستم به‌صورت  و ریسک مربوط بهn  مؤلفۀ اساسی اول به‌صورت
 تعریف شود، آنگاه با مقایسۀ نسبت آنها می‌‌توان سطح بحرانی H از پیش تعیین‌شده را برای تشخیص افزایش ارتباط درونی بین مؤسسه‌‌‌ها با استفاده از رابطۀ (6) محاسبه کرد.

(6)

 

زمانی که سیستم بسیار به‌هم‌پیوسته باشد (در هم تنیده باشد)، تعداد معدودی (n از N) از مؤلفه‌‌های اساسی می‌‌تواند عمدۀ نوسان موجود در سیستم را توضیح دهد؛ درنتیجه، hn از آستانۀ H تجاوز خواهد کرد. سهم مؤسسۀ i از ریسک شرطی سیستم، در قوی‌‌ترین مؤلفۀ (جزء) مشترک بین بازده مؤسسه‌‌ها
(hn ≥ H) به‌صورت رابطۀ 7 محاسبه می‌شود:

 

(7)

از آنجا که بر ریسک درون‌‌ سیستم تمرکز شده است، رابطۀ (8) از یک طرف سهم یک مؤسسة مشخص از ریسک کلی سیستم را نشان می‌‌‌دهد و ازطرف دیگر، نشان‌‌دهندة رویارویی آن با ریسک کلی سیستم است.

(8)

 

برای ارزیابی تأثیرگذاری و تأثیرپذیری سیستمی هر کدام از مؤسسه‌‌های مالی (درون‌بخشی) از رابطة (9) به‌صورت زیر استفاده شده است:

(9)

 

علامت S بیانگر کل سیستم (همۀ مؤسسه‌‌ها) است.

روش گرنجر خطی توان تشخیص روابط علی غیرخطی و مرتبۀ بالا را ندارد؛ بنابراین، قادر به تشخیص این موضوع نیست که آیا ریسکی‌بودن (برای مثال بی‌‌ثباتی) یک مؤسسۀ مالی سبب ریسکی‌شدن دیگر مؤسسه‌‌ها می‌‌شود یا خیر. برای پوشش اثرات مرتبۀ بالا، به معیاری با عنوان «علیت گرنجر غیرخطی» نیاز است که بر الگوی چرخشی مارکف مبتنی است. این معیار می‌‌‌تواند تأثیر بازده یک مؤسسۀ مالی خاص را بر میانگین و واریانس دوره‌‌های بعدی دیگر مؤسسه‌‌ها نشان دهد (بیلیو و همکاران، 2012).

براساس رابطة (10)، با فرض اینکهZh,t و Zb,tیکزنجیرة مارکفی در نظر گرفته شود که به ترتیب نشان‌دهندة بازده موردانتظار (μ) و نوسان (σ) بین دو مؤسسة مالی باشد، آنگاه:

 

(10)

جایی که Rj,t بازده اضافی مؤسسۀ j در دورة t و j=h,b,uj,t مستقل از هم و توزیع آنها در طول زمان یکسان فرض ‌‌شود، Zj,t یک زنجیرۀ مارکفی دوحالته با ماتریس احتمالات ‌‌گذار Pz,j برای مؤسسۀ j است. اکنون می‌‌توان ارتباط غیرخطی بین دو مؤسسه را با استفاده از آزمون دو فرضیۀ ارتباط Zh,t به Zb,t و عکس آن آزمون کرد؛ درواقع، فرایند تصادفی مشترک Yt ≡ (Zh,t,Zb,t) زنجیرۀ مارکفی مرتبۀ اول همراه با احتمالات گذار به‌صورت رابطۀ (11) بیان می‌‌شود:

 

(11)

با فرض اینکه در طول زمان احتمالات گذار تغییر نکند، فرایند می‌‌تواند یک زنجیرة‌‌ مارکفی با احتمالات‌‌گذار مانا تعریف شود که در ماتریس احتمالات گذار خلاصه شده است؛ بنابراین، احتمالات گذار مشترک به‌صورت رابطۀ (12) تجزیه شده است:

 

(12)

مطابق با این تجزیه، دو آزمون علیت گرنجر غیرخطی به‌صورت زیر انجام شده است:

1- آزمون گرنجر غیرخطی از Zh,t به (Zh,t  Zb,t) Zb,tبه‌طوری که احتمالات مشترک به‌صورت رابطة (13) تجزیه می‌‌‌شود:

 

(13)

اگر Zh,t و Zb,t آخرین دوره باشند، آنگاه:

 

(14)

2- آزمون گرنجر غیرخطی از Zb,t به (Zb,t  Zh,t) Zh,tبه‌طوری که:

 

(15)

یافته‌‌‌‌‌ها.

در این بخش برای اجرای آزمون‌های پژوهش از بازده ماهانۀ مؤسسه‌‌های نمونه استفاده شد. همۀ تحلیل‌‌های انجام‌شده برای سه بازة زمانی متفاوت شامل دورة قبل از بحران (1/1/1390 تا 29/12/1391)، دورة بحران (1/1/1392 تا 31/6/1394) و دورة بعد از بحران (1/7/1394 تا 29/12/1395) در سطح خطای 5 درصد (اطمینان 95 درصد) انجام شده است. برای تعیین دورة بحران مالی از پژوهش رحیمی‌باغی، عرب‌صالحی‌نصرآبادی و واعظ‌برزانی (2018) استفاده شده است که براساس پژوهش آنان، بورس اوراق بهادار تهران طی سال‌‌‌های 1390 تا 1395 در فاصلة زمانی 1392 تا 1394 بحرانی مالی را تجربه کرده است. قبل از تخمین الگو‌‌های پژوهش، با هدف برطرف‌کردن مسئلة نرمال‌‎نبودن داده‌‌ها و کنترل خودهمبستگی از الگوی گارچ پایه‌‌‌ای و آزمون ریشة واحد دیکی - فولر تعمیم‌یافته[32] برای بررسی مانایی همۀ سری‌‌های زمانی استفاده شده است. نتایج آزمون نشان می‌‌‌دهد همۀ سری‌‌های زمانی استفاده‌شده در پژوهش، ریشة واحد ندارند.
در جدول (2) معادل فارسی نمادهای لاتین استفاده‌شده در تجزیه‌و‌‌تحلیل داده‌‌ها ارائه شده است:

 

جدول (2) معادل فارسی نمادهای لاتین استفاده‌شده در پژوهش

بانک‌‌ها

شرکت‌‌های سرمایه‌‌گذاری

شرکت‌‌های بیمه

نام

نماد

نام

نماد

نام

نماد

حکمت

'hekmat'

پردیس

'pardis'

البرز

'alborz'

دی

'dayaaa'

نوین

'snovin'

آرمان

'armana'

سرمایه

'samayh'

آتیۀ دماوند

'vaatia'

آسیا

'basiaa'

انصار

'vansar'

بهمن

'vbahmn'

پاسارگاد

'bparsa'

صادرات

'vabsar'

بوعلی

'vboali'

پارسیان

'parsin'

ملت

'vbmlat'

صنعت بیمه

'vbimeh'

دانا

'danaaa'

پارسیان

'vapars'

توسعۀ ملی

'vatosm'

ما

'maaaaa'

پاسارگاد

'vpasar'

توسعۀ صنعتی

'vatusa'

ملت

'melata'

پست بانک

'vapost'

خوارزمی

'vgarzm'

میهن

'mihana'

تجارت

'vtejar'

سایپا

'vasapa'

نوین

'novina'

سینا

'vasina'

سپه

'vsepah'

دی

'vadaya'

کارآفرین

'vakara'

نور کوثر ایرانیان

'vsekab'

 

 

گردشگری

'vgards'

توسعۀ شمال

'vshmal'

 

 

اقتصاد نوین

'vnovin'

گروه بهشر

'vasana'

 

 

 

 

صنعت و معدن

'vsanat'

 

 

 

 

گسترش ایرانیان

'vgostr'

 

 

 

 

ملت

'vmelat'

 

 

 

 

نیرو

'vnirou'

 

 

 

 

ملی

'vaniki'

 

 

 

 

در جدول (3) خلاصۀ آمار توصیفی برای سه بازۀ زمانی مختلف یعنی دورة قبل از بحران، دورة وقوع بحران و دورة بعد از بحران مشاهده می‌شود. آمار توصیفی ارائه‌شده شامل میانگین بازده مؤسسه‌ها، انحراف‌‌معیار، حداقل و حداکثر است.

همان‌‌ طور که در این جدول مشاهده می‌‌شود، در کل دورۀ بررسی‌شده، بخش سرمایه‌‌گذاری (30/2) و بخش بانکی (29/1) به ترتیب بیشترین و کمترین میانگین بازده بازار[33] را دارند. در هر سه بخش میانگین بازده بازار در دورة وقوع بحران منفی و نسبت به دوره‌‌‌های قبل و بعد از بحران کمتر است که این موضوع نشان‌‌دهندة تأثیر بحران بر بازده هر سه بخش است. در دورة قبل از بحران شرکت‌‌‌های سرمایه‌‌گذاری (37/4) و در دورة بحران (63/0-) و پس از آن (49/2) شرکت‌های بیمه بیشترین میانگین بازده بازار را داشته‌اند. بیشترین میزان پراکندگی بازده در هر سه بخش مربوط به دورة قبل از وقوع بحران است که این موضوع می‌‌تواند هشدار برای وقوع بحران تلقی شود.

برای بررسی شدت ارتباط بین دو یا چند متغیر می‌‌توان از روش تحلیل مؤلفه‌‌های اساسی استفاده کرد. به این صورت که اگر با تعداد اندکی مؤلفۀ اساسی بتوان بیشترین میزان پراکندگی بین متغیرها را توضیح داد، می‌‌توان ادعا کرد که بین متغیرهای مدنظر ارتباطی قوی برقرار است یا شدت ارتباط بین آنها بالاست. در همین زمینه برای بررسی ارتباط بین بازده مؤسسه‌‌‌های مالی مدنظر در طول دورة پژوهش، از همین روش استفاده شده است. با توجه به اینکه تعداد مؤسسه‌‌های بررسی‌شده 44 مؤسسه است، حداکثر
44 مؤلفۀ اساسی را می‌‌توان استخراج کرد. از آنجا که 35 مؤلفۀ نخست 100 درصد تغییرات سیستم را توضیح می‌‌‌دهد، در نمودار (1) مؤلفه‌‌های اساسی 1 تا 35 به‌صورت تجمعی ارائه شده است:

 

جدول (3) خلاصۀ آمار توصیفی (برحسب درصد)

کل نمونۀ انتخابی

حداکثر

حداقل

انحراف‌‌ معیار

میانگین

نام بخش

07/85

49/39-

07/11

29/1

بانک‌‌ها

88/126

33/34-

17/13

30/2

سرمایه‌‌گذاری

43/174

17/40-

82/13

07/2

بیمه

دورة قبل از وقوع بحران

07/85

46/23-

10/12

09/3

بانک‌‌ها

11/98

33/34-

36/14

37/4

سرمایه‌‌گذاری

43/147

17/40-

61/16

56/3

بیمه

دورة وقوع بحران

03/63

95/27-

45/10

65/0-

بانک‌‌ها

97/35

03/30-

63/9

09/1-

سرمایه‌‌‌گذاری

91/30

75/24-

94/9

63/0-

بیمه

دورة بعد از بحران

02/56

49/39-

17/9

27/0

بانک‌‌ها

88/126

64/24-

67/13

46/2

سرمایه‌‌‌گذاری

14/39

20/29-

49/11

49/2

بیمه

 

 

 

110

 

100

 

90

 

80

 

70

 

60

 

50

 

40

 

30

 

 

1396             1395             1394             1393            1392               1391          1390

سال

نمودار (1) مؤلفه‌‌‌های اساسی از 1 تا 35 به‌صورت تجمعی (انباشته)

 

 

همان‌‌‌طور که در این نمودار ملاحظه می‌‌شود، 5 مؤلفۀ نخست به‌تنهایی حدود 75 درصد، 10 مؤلفۀ نخست 85 درصد و 35 مؤلفۀ نخست 100 درصد از تغییرات سیستم را توضیح می‌دهند. این موضوع بیانگر شدت ارتباط بین مؤسسه‌‌هاست. از سال 1390 تا 1392 همۀ مؤلفه‌‌ها روندی تقریباً یکنواخت و از سال 1392 تا وقوع بحران مالی در پایان سال 1394 روندی صعودی دارند؛ اما از سال 1394 به بعد روندی نزولی دارند که این موضوع نشان‌‌دهندة افزایش ارتباط سیستمی بین مؤسسه‌‌ها در طول دورة بحران و بیانگر تغییر ارتباط بین خرده‌‌‌نظام‌‌های مالی کشور در فاصلة زمانی اشاره‌شده است؛ بنابراین، فرضیة اول پژوهش تأیید می‌‌‌شود و دلیلی برای ردکردن آن وجود ندارد.

در ادامه با استفاده از الگوی گارچ (1و1) واریانس کل سیستم تخمین زده شد. در نمودار (2) واریانس سیستم از فروردین 1390 تا پایان اسفند 1395 ارائه شده است.

همان‌‌ طور که از نمودار 2 پیداست، در دورة وقوع بحران یعنی سال‌‌های 1392 تا اواخر سال 1394 واریانس سیستم افزایش چشمگیری داشته است که این موضوع نیز بر تأیید فرضیۀ اول دلالت دارد.

در جدول (4) میانگین مؤلفه‌‌‌های اساسی خرده‌‌نظام‌‌های مالی ارائه شده است:

 

 

 

1396                1395               1394               1393             1392                1391            1390

سال

نمودار (2) نوسان سیستم با استفاده از الگوی گارچ

 

 

جدول (4) میانگین مؤلفه‌‌‌های اساسی 44 مؤسسۀ مالی

بخش

PCA1

PCA1-3

PCA1-10

دورة قبل از وقوع بحران مالی

کل سیستم

25/0

56/0

92/0

بانکی

32/0

7/0

92/0

سرمایه‌‌‌گذاری

3/0

65/0

88/0

بیمه

31/0

66/0

92/0

دورة وقوع بحران مالی

کل سیستم

34/0

58/0

88/0

بانکی

46/0

74/0

93/0

سرمایه‌‌‌گذاری

37/0

67/0

89/0

بیمه

39/0

71/0

95/0

دورة بعد از وقوع بحران مالی

کل سیستم

33/0

55/0

85/0

بانکی

42/0

71/0

91/0

سرمایه‌‌‌گذاری

36/0

66/0

88/0

بیمه

37/0

67/0

92/0

 

براساس جدول (4)، در هر سه بخش اشاره‌شده در بیشتر موارد میزان توضیح‌‌دهندگی 10 مؤلفۀ‌‌‌‌ نخست در دورة وقوع بحران مالی (93/0، 89/0 و 95/0) نسبت به دوره‌‌‌های قبل (92/0، 88/0 و 92/0) و بعد از بحران (91/0، 88/0 و 92/0) بیشتر است که این موضوع نشان‌‌‌دهندة شدت ارتباط بین سه بخش‌‌ مذکور در دورة وقوع بحران نسبت به دوره‌های قبل و بعد از آن است. این موضوع نیز بر تأیید فرضیۀ اول دلالت دارد.

در ادامه با استفاده از روش الگوی چرخشی مارکف[34]، رابطۀ بین متغیرها بررسی شده است؛ زیرا همان‌‌‌طور که اشاره شد، این معیار می‌‌‌تواند تأثیر بازده یک مؤسسۀ مالی خاص را بر میانگین و واریانس دوره‌‌های بعدی دیگر مؤسسه‌‌ها نشان دهد. نسبت آستانه‌‌‌ای درجۀ علیت گرنجر در بیش از
700 شبیه‌‌سازی مونت‌‌کارلو محاسبه شد؛ به‌گونه‌‌ای که بیشترین فراوانی مقدار آستانه‌‌‌ای درجۀ علیت گرنجر در بازده 04/0 تا 06/0 قرار دارد. هرگاه درجۀ علیت کمتر از مقدار آستانه‌‌ای باشد، گفته می‌‌‌شود بین متغیرها رابطۀ علت و معلولی وجود ندارد. براساس نتایج به‌دست‌آمده درجۀ علیت متغیرهای تصادفی که هیچ‌گونه رابطه‌‌ای با هم ندارند، حدود 05/0 است. در جدول (5) معیارهای گرنجری غیرخطی مربوط به خرده‌‌نظام‌‌های مالی برای سه دورۀ زمانی متفاوت به‌صورت مقایسه‌‌ای ارائه شده است.

 

جدول (5) معیارهای گرنجر غیرخطی برای دوره‌‌های زمانی مختلف

درجۀ علیت گرنجری

(DGC)

مجموع تأثیرپذیری و تأثیرگذاری

(In+Out)

تأثیرگذاری

(Out)

تأثیرپذیری

(In)

دوره

108/0

240/0

120/0

120/0

قبل از بحران

188/0

496/0

248/0

248/0

هنگام بحران

162/0

439/0

219/0

219/0

بعد از بحران

 

 

با توجه به این جدول، درجۀ علیت گرنجر کل سیستم (نظام مالی کشور) در دورة وقوع بحران (188/0) نسبت به دوره‌‌های قبل از بحران (108/0) و بعد از بحران (162/0) بیشتر است که این موضوع نشان‌‌دهندة افزایش ارتباط سیستمی بین نظام مالی کشور از یک طرف و تغییر سطح ارتباط سیستمی در گذر زمان ازطرف دیگر است. به‌علاوه میزان تأثیرپذیری و تأثیرگذاری خرده‎‌‌نظام‌‌های مالی در طول دورة بحران (496/0) به مراتب بیشتر از دوره‌‌های قبل (240/0) و بعد از بحران (439/0) است که این موضوع نیز بیانگر افزایش ارتباط سیستمی بین مؤسسه‌‌‌های مالی در طول دورة وقوع بحران است. این دو نکته بر تأیید فرضیۀ اول دلالت دارند.

در جدول (6) درجۀ علیت گرنجر غیرخطی برای خرده‌‌نظام‌‌های مالی به تفکیک ارائه شده است.

 

جدول (6) درجۀ علیت گرنجر غیرخطی خرده‌‌نظام‌‌های مالی کشور به تفکیک

دوره

بانک‌‌ها

شرکت‌‌‌های سرمایه‌‌گذاری

شرکت‌‌‌‌های بیمه

کل سیستم

قبل از بحران

14/0

09/0

08/0

108/0

هنگام بحران

194/0

18/0

19/0

188/0

بعد از بحران

157/0

16/0

17/0

162/0

 

 

با توجه به جدول (6)، درجۀ علیت گرنجری خرده‌‌نظام‌‌های مالی کشور با همدیگر تفاوت دارد؛ به‌گونه‌‌ای که در دورة وقوع بحران، بخش بانکی (194/0) بیشترین و بخش سرمایه‌‌گذاری (18/0) کمترین درجۀ گرنجری را دارند؛ بنابراین، بخش بانکی نسبت به دو بخش دیگر جایگاه سیستمی بالاتری دارد که این موضوع بیانگر متفاوت‌بودن جایگاه خرده‌‌نظام‌‌های مالی ازنظر ریسک سیستمی است؛ درنتیجه، در صورتی که بحرانی در بخش بانکی کشور اتفاق بیفتد، به‌دلیل تأثیرگذاری بیشتر آن، در مقایسه با دو بخش بیمه و سرمایه‌‌‌گذاری احتمال سرایت بحران رخ‌داده درآن به دیگر بخش‌‌ها بیشتر است؛ به عبارت دیگر، شدت و سرعت سرایت بحران‌‌های بالقوه در بخش بانکی بیشتر از بخش‌‌های سرمایه‌‌گذاری و بیمه است که این موضوع بر تأیید فرضیۀ دوم دلالت دارد.

در نمودار‌های (3) و (4) روابط بین مؤسسه‌‌های مالی با رویکرد علیت گرنجر غیرخطی برای دو بازة زمانی قبل و هنگام بحران ارائه شده است.

 

 

نمودار (3) روابط علّی غیرخطی بین مؤسسه‌‌‌های مالی در دورة قبل از وقوع بحران مالی

 

 

نمودار (4) روابط علّی غیرخطی بین مؤسسه‌‌‌های مالی در دورة وقوع بحران مالی

 

همان‌‌طور که از مقایسۀ نمودار‌های (3) و (4) پیداست، با توجه به میزان تراکم خطوط در نمودارها، تعداد ارتباطات بین مؤسسه‌‌های مالی در دورة بحران به مراتب بیشتر از دورة قبل از آن است که این موضوع نشان‌‌دهندة شدت ارتباط بین آنها در دورة وقوع بحران مالی است؛ به عبارت دیگر، در زمان وقوع بحران، شدت تأثیرگذاری مؤسسه‌‌هایی که ازنظر سیستمی اهمیت بیشتری دارند، افزایش یافته است؛ بنابراین، فرضیۀ اول پژوهش مبنی بر تغییر ارتباط سیستمی بین مؤسسه‌‌های مالی در بستر زمان تأیید می‌‌‌شود.

در جدول (7) معیارهای تأثیرپذیری (In) و تأثیرگذاری (Out) برای خرده‎‌‌نظام‌‌های مالی به تفکیک ارائه شده است.

با توجه به نتایج ارائه‌شده در جدول (7) بانک‌‌ها با میانگین نمرۀ تأثیرگذاری (208/0) و شرکت‌‌های بیمه با میانگین (175/0) به ترتیب بیشترین و کمترین میزان ریسک سیستمی را دارند که این موضوع بر تأیید فرضیۀ دوم دلالت دارد؛ بنابراین، در صورت وقوع بحران مالی، از بین سه بخش مذکور، بخش بانکی نسبت به دیگر بخش‌‌‌ها ظرفیت بالاتری برای سرایت بحران‌‌‌های بالقوة خود به سایر بخش‌‌های نظام مالی کشور دارد.

جدول (7) معیارهای تأثیرپذیری و تأثیرگذاری خرده‌‌نظام‌‌های مالی کشور

بخش

تأثیرگذاری (Out)

تأثیرپذیری (In)

بانک‎‌‌ها

208/0

2032/0

شرکت‎‌‌های سرمایه‌‌گذاری

199/0

186/0

شرکت‎‌‌های بیمه

175/0

175/0

 

در جدول 8 معیارهای تأثیرپذیری (In)، تأثیرگذاری (Out) و مجموع آنها (In+Out) برای مؤسسه‌‌های مالی به‌صورت جداگانه ارائه شده است:

 

جدول (8) معیارهای گرنجر غیرخطی مؤسسه‌‌‌های مالی به‌طور جداگانه برای دوره‌‌های مختلف

 

 

همان‌‌‌طور که در این جدول ملاحظه می‌‌شود، در نظام مالی کشور، شرکت بیمۀ ملت‌‌‌‌ (318/0) و شرکت سرمایه‌‌گذاری آتیۀ دماوند (341/0) به ترتیب بیشترین میزان تأثیرپذیری و تأثیرگذاری را دارند. در نمونة آماری از بین بانک‌‌ها، بانک انصار (302/0) و بانک سرمایه (310/0)، از بین شرکت‌‌های سرمایه‌‌گذاری، شرکت بوعلی (302/0) و شرکت سرمایه‌‌گذاری آتیۀ دماوند (341/0) و از بین شرکت‌‌‌های بیمه، شرکت بیمۀ ملت (318/0) و شرکت بیمۀ ما (279/0) به ترتیب بیشترین میزان تأثیرپذیری و تأثیرگذاری را دارند؛ بنابراین، می‌‌توان ادعا کرد براساس روش گرنجر غیرخطی شرکت سرمایه‌‌گذاری دماوند (341/0) از بخش سرمایه‌‌‌گذاری، بانک سرمایه (310/0) از بخش بانکی و بیمة ما (279/0) از بخش بیمه به ترتیب بیشترین میزان ریسک سیستمی را دارند که نتایج مذکور بر تأیید فرضیۀ سوم دلالت دارد؛ به عبارت دیگر، به‎دلیل ارتباط سیستمی بین مؤسسه‌‌‌های مالی، بازده منفی این مؤسسه‌‌ها (مهم ازنظر سیستمی) بر دیگر مؤسسه‌‌ها تأثیر گذاشته است.

 

نتایج و پیشنهادها.

در پژوهش حاضر ریسک سیستمی در نظام مالی کشور برای بازة زمانی 1390 تا 1395 بررسی و جایگاه هر کدام از خرده‌‌‌‌نظام‌‌های مالی کشور ازنظر ریسک سیستمی تبیین شد. نخست، با استفاده از روش تحلیل مؤلفه‌‌های اساسی میزان ارتباط سیستمی بین مؤسسه‌‌‌های مالی در طول زمان بررسی و سپس با استفاده از روش علیت گرنجر غیرخطی اهمیت سیستمی هر کدام از آنها تشریح شد؛ این در حالی است که در پژوهش‌های داخلی تاکنون با روش‌‌شناسی حاضر که بر روابط بین خرده‌‌نظام‌‌های مالی در قالب یک شبکۀ واحد تمرکز دارد، ریسک سیستمی نظام مالی کشور ارزیابی نشده است. براساس نتایج پژوهش در سطح اطمینان
95 درصد هر سه فرضیۀ‌‌ پژوهش تأیید شد. با توجه به نتایج به‌دست‌آمده در جدول‌‌های (6) و (7)، از بین خرده‌‌نظام‌‌های مالی کشور، بخش بانکی بیشترین و بخش بیمه‌‌ای کمترین درجۀ تأثیرگذاری بر دیگر بخش‌ها را دارد که این موضوع بر بالابودن ریسک سیستمی در بخش بانکی دلالت دارد؛ به عبارت دیگر، بخش بانکی جزئی از نظام مالی کشور است که نسبت به دیگر خرده‌‌نظام‌‌ها اهمیت سیستمی بیشتری دارد و این موضوع با نتایج پژوهش بیلیو و همکاران (2012) مطابقت دارد؛ ولی با نتایج مرادمندجلالی و حسنلو (2017) متفاوت است؛ بنابراین، در صورت وقوع بحران مالی در این بخش، به‌‌دلیل تأثیرگذاری به نسبت بالایی که روی دیگر بخش‌‌ها دارد، بحران مرتبط به‌راحتی می‌‌تواند به آنها نیز سرایت کند. همان ‌‌طور که در جدول (8 )ملاحظه می‌شود، در نظام مالی کشور، شرکت سرمایه‌‌‌گذاری دماوند (341/0) از بخش سرمایه‌‌گذاری، بانک سرمایه (310/0) از بخش بانکی و بیمة ما (279/0) از بخش بیمه به ترتیب بیشترین میزان ریسک سیستمی را دارند. این موضوع با نتایج پژوهش‌‌های آذری‌قره‌لو و همکاران (2016)، حسینی و رضوی (2014) و احمدی و فرهانیان (2014) تفاوت دارد. یکی از دلایل اختلاف مذکور، متفاوت‌بودن نمونه‌های آماری انتخاب‌شده در پژوهش‌‌های اشاره‌شده است و دلیل دیگر آن نادیده‌گرفتن جایگاه سیستمی مؤسسه‌‌های به‌کاررفته برای پژوهش در روش‌‌های استفاده‌شدۀ آنان است. نتایج حاصل از این پژوهش، امکان کمک به نهادهای نظارتی برای بهینه‌کردن نظارت بر خرده‌‌نظام‌‌های مالی کشور را فراهم و به مقامات دولتی کمک می‌‌کند در صورت وقوع بحران مالی بسته‌‌های حمایتی خود را به شیوه‌‌ای اثربخش بین سه بخش مذکور تخصیص دهند. از آنجا که متنوع‌سازی سبد سرمایه‌‌‌گذاری امنیت سرمایه‌‌گذاران را به‌صورت انفرادی افزایش می‌‌دهد، ازطریق نگهداری دارایی‌‌های مشترک، بین آنها رابطه‌‌‌ای ایجاد می‌شود و ازطریق انتشار شوک‌‌ها ریسک سیستمی به‌سرعت در سیستم سرایت می‌‌کند؛ بنابراین، نتایج حاصل از این پژوهش می‌‌‌تواند با آگاهی‌‌بخشی هرچه بیشتر به سرمایه‌‌گذاران به آنها در مدیریت ریسک سرمایه‌‌گذاری به شیوه‌‌ای کارآمد یاری کند.

به دستگاه‌‌های نظارتی که بر معاملات بخش‌‌های سه‌‌گانه نظارت می‌‌کنند، پیشنهاد می‌‌شود نسبت به بخش بانکی توجه بیشتری نشان دهند و مقررات سخت‌‌گیرانه‌‌تری همچون افزایش نسبت کفایت سرمایه را نسبت به آن اعمال کنند؛ بنابراین، انتظار می‌‌‌رود نهادهای تنظیمی و نظارتی بازار، با هدف ایجاد بازاری منسجم و کارآمد و جلوگیری از بروز شکست‌های سیستمی، روابط سیستمی بین خرده‌‌‌نظام‌‌های مالی را در تصمیم‌‌گیری‌‌های خود مدنظر قرار دهند. به پژوهشگران بعدی نیز پیشنهاد می‌شود ریسک سیستمی نظام مالی کشور را با استفاده از دیگر معیارهای ریسک سیستمی ارزیابی و نتایج به‌دست‌آمده را با نتایج پژوهش حاضر مقایسه کنند.



[1]. Systemic risk

[2]. Moreno

[3]. Pena

[4]. Hedge funds

[5]. Principal components analysis

[6]. Granger causality test

[7]. Billio

[8]. Getmansky

[9]. Lo

[10]. Pelizzon

[11]. Smaga

[12]. Bisias

[13]. Flood

[14]. Valavanis

[15]. Lehar

[16]. Loffler

[17]. Raupach

[18]. Systemic risk contribution’s

[19]. Idiosyncratic risk

[20]. Nucara

[21]. Bernd

[22]. Siem Jan

[23]. Andre

[24]. Estimation uncertainty

[25]. Karitzman

[26]. Li

[27]. Page

[28]. Robert

[29]. Absorption ratio

[30]. CoVar

[31]. MES

[32]. Augmented dickey-fuller

[33]. منظور از بازده بازار همان بازده قیمتی سهام است که قیمت هر سهم در ماه پس از کسر قیمت آن در ماه قبلی محاسبه و بر قیمت سهم در ماه قبل تقسیم و در عدد 100 ضرب شده است.

[1] 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.

[2] احمدی، ز.، و فرهانیان، م. (1393). اندازه‌گیری ریسک سیستمی با رویکرد Covar و MES در بورس اوراق بهادار تهران. فصلنامۀ بورس اوراق بهادار، 7 (26)، 22-3.

[3] تهرانی، ر. (1389). مدیریت مالی. تهران: نگاه دانش.

[4] جعفری، ر.، ابراهیمی‌سالاری، ت.، بهنامه، م.، و صالح‌نیا، ن. (1395). تعیین عوامل مؤثر بر اشتغال در ایران با تأکید بر زیرساخت‌ها. سومین کنفرانس بین‌المللی مدیریت و اقتصاد با محوریت اقتصاد مقاومتی، مشهد، ایران.

[5] چاوشی، ک.، و شیرمحمدی، ف. (1394). شناسایی، سنجش و مدیریت ریسک سیستمی نظام مالی کشور به‌عنوان لازمۀ اقتصاد مقاومتی. کنفرانس جامع و بین‌المللی اقتصاد مقاومتی، شرکت پژوهشی صنعتی طرود شمال، بابلسر، ایران.

[6] حاجی‌ها، ز.، و صفری، ف. (1397). بررسی ارتباط ریسک سیستماتیک سهام و چولگی بازده سهام. مدیریت دارایی و تأمین مالی، 1 (6)، 10-1.

[7] حسینی، ع.، و رضوی، س. (1393). نقش سرمایه در ریسک سیستمی مؤسسه‌های مالی. پژوهش‌های تجربی حسابداری، 4 (13)، 147-127.

[8] دستخوان، ح.، و شمس‌قارنه، ن. (1396). مقایسۀ شاخص‌های ارزیابی ریسک سیستمی در شبکه‌های مالی: شناسایی شرکت‌های مهم ازنظر سیستمی در بازار بورس تهران. فصلنامۀ مدلسازی ریسک و مهندسی مالی، 2 (1)، 21-1.

[9] رحیمی‌‎باغی، ع.، عرب‌صالحی‌نصرآبادی، م.، و واعظ‌برزانی، م. (1397). تعیین تاریخ وقوع بحران‌های‌ مالی شکل‌گرفته در بورس اوراق بهادار تهران به شیوه‌ای مستقیم با تأکید بر عامل تورم. فصلنامۀ حسابداری مالی، 10 (37)، 24-44.

[10] مرادمندجلالی، م.، و حسنلو، خ. (1395). ارزیابی سهم بانک‌ها، بیمه و شرکت‌های سرمایه‌گذاری در ریسک سیستمیک. فصلنامۀ مطالعات مالی و بانکداری اسلامی، 2، 92-67.

[11] مصطفایی‌دولت‌آباد، خ.، آذر، ع.، و مقبل، ع. (1397). شناسایی و تحلیل ریسک‌های عملیاتی با استفاده از نگاشت‌شناختی فازی. مدیریت دارایی و تأمین مالی، 6 (4)، 18-1.

 

References

[1]   Ahmadi, Z., & Farhanian, M. (2014). Measurement of system risk with Covar and MES approaches in Tehran Stock Exchange. Journal of the Stock Exchange, 7 (26), 3-22. (in persian).

[2]   Azari Gharelu. A., Rasteghar. M., & Azizzadeh, F. (2016). Compare measurement approaches systemic risk in companies of Tehran Stock Exchange. (Master's Thesis). Kharazmi University. Available at: https://ganj-old.irandoc.ac.ir/ articles/ 926368. (in persian).

[3]   Billio, M. M., Getmansky, M., Lo, A., & Pelizzon, L. (2010). Econometric measures of systemic risk in the finance and insurance sectors. NBER Working Paper 16223. DOI: 10.3386/w16223.

[4]   Billio, M., Getmansky, M., Lo, A., & Pelizzon, L. (2011). Econometric measures of connectedness and systemic risk in the finance and insurance sectors. Working Paper. DOI:10.2139/ssrn.1963216.

[5]   Billio, M., Getmansky, M., Lo, A., & Pelizzon, L. (2012). Econometric measures of connectedness and systemic risk in the finance and insurance sectors. Journal of Financial Economics, 104, 535–559. DOI: 10.1016/j.jfineco.2011.12.010.

[6]   Bisias, D., Flood, M., Lo, A., & Valavanis, S. (2012). A survey of systemic risk analytics. Annual Review of Financial Economics, 4, 255-296. DOI: https://doi.org/10.1146/annurev-financial-110311-101754.

[7]   Chavoshi, K., & Shirmohammadi, F. (2015). Identification, assessment and systemic risk management of Iran financial systems as required by the resistive economics. Comprehensive and International Conference of resistive economics. Babolsar, Iran. (in persian).

[8]   Dastkhan, H., & Shams, G. N. (2017). Systemic risk measures in financial Markets: Identifying the systemically important companies in TSE. Journal of Risk Modeling and Financial, 2 (1), 1-21. (in persian).

[9]   Hajiha, Z., & Safari, F. (2018). The examination of relationship between stock systematic risk and skewness of returns. Journal of Asset Management and Financing, 1 (6), 1-10. (in persian). DOI: 10.22108/amf.2016.20638.

[10]           Hossieni, A., & Razavi, S. (2014). The effects of capital in systemic risk of financial institutions. Accounting Empirical Researches, 4 (13), 127-147. (in persian). DOI: 10.22051/jera.2015.1887.

[11]           Jafari, R., Ebrahimi, S. T., Behnameh, M., & Salehnia, N. (2016). Determining the factors that affecting employment in Iran with emphasis on infrastructure. International conference on management and economics with resistive economics approach. Mashhad, Iran. (in persian).

[12]           Karitzman, M., Li, Y., Page, S., & Robert. R. (2011). Principal components as a measure of systemic r.isk. The Journal of Portfolio Management, 37 (4), 112-119. DOI: https://doi.org/10.3905/jpm. 2011. 37.4.112

[13]           Lehar, A. (2005). Measuring systemic risk: A risk management approach. Journal of Banking &Finance, 29, 2577–2603.

[14]           Loffler, G., & Raupach, P. (2017). Pitfalls in the use of systemic risk measures. Journal of Financial and Quantitative Analysis, 53, 269-298. DOI: https://doi.org/ 10.1017/S0022109017001041.

[15]           Moradmand, J. M., & Hassanlu, K. (2017). Assessing the contribution of banks, insurers and investment firms in systemic risk. Quarterly Journal of Islamic Finance Studies and Banking, 2 (4), 67-92. (in persian).

[16]           Moreno, M. R., & Pena, J. I. (2013). Systemic risk measures: The simpler the better?. Journal of Banking and Finance, 37, 1817–1831. DOI: http://dx.doi.org/ 10.1016/j.jbankfin.2012.07.010.

[17]           Mostafaee D., K., Azar, A., & Moghbel, B. A. (2019). Identification and analysis of operational risks: A fuzzy cognitive map approach. Journal of Asset Management and Financing, 4 (23), 1-18. (in persian). DOI: 10.22108/amf.2018.103404.1087.

[18]           Nucera, F., Bernd, S., Siem Jan, K., & Andre, L. (2015). The information in systemic risk rankings. tinbergen institute discussion paper, Available at: http://ssrn.com/abstract=2613285.

[19]           Rahimi, B. A., Arabsalehi, N. M., & Vaez, B. M. (2018). Direct denotation of crisis periods in the Tehran Stock Exchange by emphasis on inflation factor. The Journal of Financial Accounting, 10 (37), 24-44. (in persian).

[20]           Smaga, P. (2014). Concept of Systemic Risk. SRC Special Paper, Published by Systemic Risk Center, The London School of Economics and Political Science, 5,
1-26.

[21]           Tehrani, R. (2010). Fundamental Managerial Finance.Tehran: Negahe Danesh. (in persian).