تجزیه ریسک سیستمی و بررسی رابطه ابعاد آن با ویژگی‌ها و عملکرد مالی بانکهای پذیرفته شده در بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد، گروه مدیریت مالی و بیمه، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران

2 استادیار، گروه مدیریت مالی و بیمه، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران

3 دانشجوی دکتری، گروه مدیریت مالی و بیمه، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران

چکیده

اهداف: در این پژوهش به اندازه‌گیری و تجزیۀ شاخص ریسک سیستمی ( ) با استفاده از نظریۀ ارزش فرین در بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران (1392-1400) توجه شده است. این شاخص به دو بعد: ریسک کلی بانک (ریسک دنباله) و ارتباط بانک با سیستم در شرایط بحران مالی (پیوند سیستمی) تجزیه شده است.
روش: با استفاده از رگرسیون اتورگرسیو با وقفۀ توزیعی، رابطۀ بین ریسک سیستمی و ابعاد آن با ویژگی‌های بانک‌ها و رابطۀ بین ارزش‌افزودۀ اقتصادی بانک‌ها و ریسک‌های مختلف مالی ازجمله ریسک سیستمی محاسبه‌شده، بررسی شده است.
نتایج: مطابق نتایج پژوهش، بانک‌های پست‌بانک، تجارت و صادرات به‌ترتیب بیشترین و بانک‌های کارآفرین و اقتصاد‌نوین کمترین مقدار ریسک سیستمی را دارد. نتایج پژوهش نشان‌دهندۀ آن است که با افزایش اندازۀ بانک، ریسک سیستمی و ریسک دنبالۀ آن که مختص هر بانک است، کاهش و شاخص پیوند سیستمی افزایش می‌یابد. بین ارزش‌افزودۀ اقتصادی بانک‌ها، نسبت سرمایۀ نظارتی به دارایی موزون‌شده به ریسک اعتباری و شاخص ریسک سیستمی رابطۀ مثبت و معنادار و بین ارزش‌افزودۀ اقتصادی بانک‌ها و متغیرهای نسبت سرمایۀ پایه به دارایی موزون‌شده به ریسک عملیاتی، خالص منابع پایدار و ریسک نرخ بهره رابطۀ منفی و معنادار وجود دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Decomposition of Systemic Risk and Analysis of the Relationships of Its Dimensions with the Characteristics and Financial Performance of the Banks Listed in Tehran Stock Exchange (TSE)

نویسندگان [English]

  • Reza Raei 1
  • Ali Namaki 2
  • Hossein Askarirad 3
1 Professor, Department of Financial Management and Insurance, Faculty of Management, University of Tehran, Tehran, Iran
2 Assistant Professor, Department of Financial Management and Insurance, Faculty of Management, University of Tehran, Tehran, Iran
3 Ph. D. Student, Department of Financial Management and Insurance, Faculty of Management, University of Tehran, Tehran, Iran
چکیده [English]

In this study, systemic risk index (β) was measured and decomposed by using the extreme value theory in the banks listed in Tehran Stock Exchange (TSE) during 2013-2021. This index was divided into two dimensions: total bank risk (tail risk) and link of the bank to the system during the financial crisis (system linkage).  Using autoregressive distributed lag (ARDL) regression, the relationships between systemic risk and its dimensions with the characteristics of the banks and the relationships between their economic value-added (EVA) and various financial risks, including systemic risk, were calculated. According to the results, Post-Bank, Tejarat, and Saderat banks imposed the highest systemic risks and Karafarin and Eghtesad-e Novin banks imposed the lowest systemic risks, respectively. The results showed that with increasing the bank size, the systemic and tail risks that are specific to each bank decreased and the systemic linkage increased. There was a positive and significant relationship between the EVAs of the banks and their ratios of regulatory capital to credit risk-weighted assets. Also, there was a negative and significant relationship between the EVAs of the banks and their ratios of core capital to operational risk-weighted assets, net sustainable financial resources, and interest rate risk variables.
 Introduction
In recent years, concerns about the banking industry have increased in the Iranian economy. The source of these concerns is risks, such as liquidity, credit, and operational and market risks. Since the banks are interconnected and interact with each other, the concept of systemic risk is also introduced. Systemic risk means the possibility of a sudden collapse of a financial system that can cause instability in financial markets. The banking crises of last decades have caused regulators to consider systemic risk. To establish financial stability, it is necessary to identify, evaluate, and control systemic risks in different financial markets. In this study, the effects of the risks on the performance of the banks at the levels of individual risk (financial risks) and interaction with other banks (systemic risk) were investigated. In addition to measuring and monitoring the various risks of the banks, it was important to identify the relationships and effects of the characteristics of the banks on each of these risks, which were useful for risk control at the level of each bank. Therefore, considering that systemic risk was the focus of this study, the effects of the characteristics of the studied banks on the systemic risk were investigated.
 
 
 
Method and Data
In this study, the systemic risk index was calculated using Extreme Value Theory (EVT), which enabled the researchers to divide it into the two components of tail risk and systemic linkage. To examine the relationships between systemic risk and bank characteristics (CAMEL ratio, size, and asset growth rate) and the effect of financial risks on bank performance, the autoregressive distributed lag (ARDL) regression was used given that the research data were cross-sectional and independent variables might affect the dependent variable with delay. Standardized Economic Value Added (EVA) is an index of the financial performance of banks. The sample of the study included the banks listed in Tehran Stock Exchange (TSE) during 2013-2021.
 
Findings
The results showed that Post-Bank, Tejarat, and Saderat banks had the highest systemic risks, Post-Bank, Saderat, and Parsian banks had the highest tail risks, and Tejarat, Mellat, and Post-Bank banks had the highest systemic linkage risks, respectively. Karafarin and Eghtesad-e Novin banks had the lowest risks based on all the three indices. Evaluation of the relationship between systemic risk and bank characteristics showed that the relationship between non-interest income share, bank size, return on equity, and tangible assets ratio was significant. Assessment of the relationship between the financial risks and financial performance of the banks showed that the relationships of all the financial risk indices, i.e., credit risk index (regulatory capital to credit risk-weighted asset ratio), operating risk index (core capital to operational risk-weighted asset ratio), liquidity risk index (ratio of net sustainable financial resources), market risk index (net interest margin), and systemic risk index with the EVAs of the banks were significant.
 
Conclusion and discussion 
By examining the tail risks of the banks, it could be concluded that one of the reasons for the significant increase in the IR index in 2016-2017 was the US withdrawal from JCPOA and increasing political tensions and economic sanctions according to the study of the virtual variable of sanctions. Also, due to the changes in the regulators’ policies during 2016-2018 and their rejections by some banks, their transactions had been stopped, which had led to the reduction of their systemic linkages. Also, the relationships of bank size with systemic and tail risks were negative and significant and there was a positive and significant relationship between bank size and systemic linkage, which meant that the increase in banks size had led to an increase in interbank relationships and as a result, the systemic linkage had increased. Moreover, the ratio of deposits to assets had a negative and significant relationship with systemic linkage. This meant that attracting resources by the banks had limited their need for financing from other sources, which had resulted in their reductions of systemic linkage. There was a positive and significant relationship between EVA of the banks and their CRWA ratio. This ratio is a measure of the sensitivity of bank resources; as this ratio increases, the use of higher risk resources by banks increases, thus resulting in EVA increase. In this study, there was a negative and significant relationship between ORWAR ratio and EVA of the banks. This meant that the EVA decreased as operational risks increased. Finally, NIM had a negative and significant relationship with the EVA. An increase in this ratio can lead to the bank inability to pay interest on deposits from the interest received on the loans. The main contribution of this study was estimation and decomposition of the systemic risks of the banks listed in Tehran Stock Exchange (TSE) into two components. Second, this study contributed to the research literature by identifying which characteristics of the banks were related to systemic risk and its components. Third, the effects of the risks on the performance of the banks at the levels of individual risk (financial risk) and interaction with other banks (systemic risk) were investigated.
 

کلیدواژه‌ها [English]

  • Systemic Risk
  • Systemic Linkage
  • Tail Risk
  • Extreme Value Theory

اصل مقاله

مقدمه

ریسک سیستمی در دانش مالی، به معنای احتمال سقوط ناگهانی یک سیستم مالی است. این ریسک، باعث بی‌ثباتی یا آشفتگی در بازارهای مالی می‌شود. موضوع مهم دیگر در بحث ریسک سیستمی، سرایت ریسک است؛ یعنی احتمال گسترش تغییرات مهم اقتصادی از یک مؤسسه به مؤسسه‌ای دیگر یا از یک بازار به بازارهای دیگر است. امروزه پژوهش‌های زیادی وجود دارد که بیان‌کنندۀ آن است که نوسان‌های قیمت دارایی‌های مالی به دارایی‌ها و بازارهای دیگر سرایت می‌کند (Ang et al., 2006). نوسان‌های مشترک و هم‌جهت به‌طور معمول درنتیجۀ قرارگرفتن دارایی‌ها در معرض شوک مشترک و فراگیرشدن بحران کاهش ارزش دارایی‌ها در طول زمان بحران مالی از یک بخش به سایر بخش‌ها، باعث افزایش ریسک کل بازار می‌شود. این بی‌ثباتی و ناپایداری سیستم مالی که ناشی از سرایت بحران از جزء به کل است، ریسک سیستمی تعریف شده است (Sheu & Cheng, 2012). سرایت، به دو نوع: طرف معامله و اطلاعات دسته‌بندی می‌شود. هر یک از انواع سرایت در بازار مالی مدنظر، درنهایت، به‌سمت ریسک سیستمی هدایت خواهد شد. بحران‌های بانکداری دهه‌های پیش و در رأس آنها بحران مالی ۲۰۱۲–۲۰۰۷، سبب شد تا بحث ریسک سیستمی در بازارهای مالی، موردتوجه سیاست‌گذاران کلان اقتصادی قرار گیرد (Schwarcz, 2008). در سال‌های پس از بحران و با مشخص‌شدن منشأ آن که بازارهای مالی بود، حجم وسیعی از ادبیات علمی در حوزۀ بحران مالی و ریسک سیستمی ایجاد شد (Namaki et al., 2021). این پژوهش‌ها به ایجاد شاخص‌های مختلفی از سوی پژوهشگران این حوزه برای سنجش و اندازه‌گیری ریسک سیستمی در بانک‌ها و مؤسسات مالی منجر شده است؛ ازجملۀ این شاخص‌ها، ارزش در معرض ریسک شرطی[1] (CoVaR)، [2]TENET (توسعه‌یافتۀ مدل CoVaR)، کسری موردانتظار نهایی[3] (MES)، کسری موردانتظار سیستمی[4] (SES)، ریسک سیستمی[5] (SRISK)، مدل‌های اپیدمیک[6] (SIR) و ... نام برده می‌شود (Zou et al., 2022)؛ بنابراین برای برقراری ثبات مالی باید ریسک‌های سیستمی، به‌طور مداوم در بازارهای مختلف مالی شناسایی، ارزیابی و کنترل شود. بانک‌ها با توجه به ماهیت کسب‌وکار خود با انواع دیگری از ریسک نیز مواجه است. در سال‌های اخیر، در اقتصاد ایران نگرانی‌ها دربارۀ صنعت بانکداری افزایش یافته است. منشأ این نگرانی‌ها، وجود ریسک‌هایی چون نقدینگی، اعتباری، عملیاتی و بازار است (Fadaeevahed et al., 2016). از آنجا که بانک‌ها به‌هم‌پیوسته و در تعامل با یکدیگر است، مفهومی تحت عنوان ریسک سیستمی نیز مطرح است؛ بنابراین در این پژهش، اثر ریسک‌ها بر عملکرد بانک‌ها در سطح ریسک بنگاه (ریسک‌های مالی) و تعامل با سایر بانک‌ها (ریسک سیستمی) بررسی شده است. اگر ریسک‌های مذکور به‌درستی مدیریت نشود، ممکن است موجب شکست در عملکرد بانک‌ها شود؛ بنابراین سنجش و پایش ریسک‌های مذکور و بررسی اثرهای آن بر عملکرد بانک‌ها حائز اهمیت است (Gakure, 2012).

علاوه بر اندازه‌گیری و پایش ریسک‌های مختلف بانک‌ها، شناسایی رابطه و اثر ویژگی‌های ترازنامه‌ای بانک‌ها بر هر یک از ریسک‌های مذکور اهمیت دارد و برای کنترل ریسک سیستمی در سطح هر بانک مفید است (Oordt & Zhou, 2018)؛ از این ‌رو، با توجه به اینکه ریسک سیستمی محور این پژوهش است، اثر ویژگی‌های هر بانک بر ریسک سیستمی آن بانک بررسی شده است.

 

مبانی نظری

از دیدگاه مفهومی، ریسک احتمال وقوع‌نیافتن انتظارات، ناشی از مجموعه‌ای از اتفاقات مختلف است. اگر این اتفاقات ناشی از نقصان در فرایندهای درونی باشد، ریسک عملیاتی نامیده می‌شود. ریسک ناشی از نبودِ تکافوی نقدینگی برای ایفای تعهدات، ریسک نقدینگی را موجب می‌شود و ریسک ناشی از ایفانکردن تعهدات طرف مقابل بانک را ریسک اعتباری می‌نامند. ریسک بازار نیز ناشی از تغییرات نرخ بهره، ارز و سایر دارایی‌ها مانند سهام است (Ariffin et al., 2009). ریسک‌های مورداشاره در سطح هر بانک مطرح است. رابطۀ تعاملی و ارتباط بانک‌ها با یکدیگر نیز مفهومی تحت عنوان ریسک سیستمی را مطرح می‌کند. ریسک سیستمی به ریسک شکست سیستم مالی یا شکست کل بازار گفته می‌شود. این ریسک، از بی‌ثباتی یا بحران در مؤسسات مالی نشأت می‌گیرد و در اثر سرایت به کل نظام مالی انتقال می‌یابد. به بیان دیگر، ریسک سیستمی به میزان به‌‌هم‌پیوستگی در یک سیستم مالی اشاره دارد؛ جایی‌که شکست در نهادی مالی باعث بحران کل سیستم می‌شود (Eivazloo & Rameshg, 2019). بحران‌های مالی جهانی به‌وضوح نشان داده است. اگرچه ممکن است ریسک‌های موجود در هر یک از شرکت‌ها، پیش‌بینی و محدود شود، شوک مالی واردشده به یک شرکت سریع به تعداد زیادی از شرکت‌ها و بازارها سرایت کرده و کل سیستم را تهدید می‌کند (Sharifova, 2014).

ریسک سیستمی در دهۀ گذشته و پس از بحران مالی سال 2009-2007، تأکید مقام ناظر در سیستم بانکی از رویکرد خرد به رویکرد کلان تغییر یافته است. این بدین معناست که به جای تمرکز بر ارزیابی یک نهاد مالی به‌تنهایی (رویکرد خرد)، بر ارزیابی نهادهای مالی به‌عنوان جزئی از سیستم مالی (رویکرد کلان) تأکید می‌شود. قبل از بحران مالی مذکور، تمرکز مقام ناظر بر سلامت فردی مؤسسات مالی بود و مقررات احتیاطی با هدف مهار ریسک‌پذیری بیش‌ازحد این مؤسسات وجود داشت؛ اما در طول این بحران، بخش چشمگیری از سیستم مالی جهانی به‌‌شدت تحت پریشانی و فشار قرار گرفت و به کاهش شدید فعالیت‌های اقتصادی واقعی منجر شد. این بحران، روشن کرد که برای ثبات مالی بازارها، علاوه بر ثبات فردی مؤسسات، توجه به این نکته که آیا ورشکستگی آنها به‌صورت خوشه‌ای رخ می‌دهد یا خیر، بسیار مهم است. با توجه به نگرانی‌ها درباره‌ی بحران در سراسر سیستم، دیدگاه کلان مقررات احتیاطی در دستور کار مقام ناظر قرار گرفت. دامنۀ موردبررسی مقامات ناظر بانکی گسترده‌تر شده است؛ زیرا جنبه‌هایی مانند «ارزش در معرض ریسک مشترک و پیوندهای متقابل بین مؤسسات»، که ممکن است از منظر احتیاط خرد نامربوط باشد، از منظر احتیاط کلان بسیار مهم است (Borio, 2014). چنین تفاوت‌هایی بین دیدگاه خرد و کلان ممکن است به اولویت‌های متفاوت در تصویب مقررات بانکی یا حتی خط‌مشی‌های مخالف منجر شود. منشأ دیدگاه‌های بالقوۀ متناقض ناشی از رویکرد خرد و کلان در این حوزه، با تجزیۀ مفهومی ریسک سیستمی به دو جزء فرعی تقسیم می‌شود. جزء اول، ریسک کلی یک بانک (ریسک دنبالۀ بانک[7]) است؛ به ‌طوری ‌که هرچه سطح ریسک کلی یک بانک بیشتر باشد، احتمال نکول آن بانک بیشتر می‌شود. جزء دوم، ارتباط بین بیشترین زیان یک مؤسسه مالی و رویدادهای سیستمی (پیوند سیستمی[8]) است. این جزء نشان‌دهندۀ آن است که ریسک کلی بانک چقدر در طول یک بحران مالی تحقق می‌یابد؛ به‌طوری ‌که هرچه پیوند سیستمی یک بانک قوی‌تر باشد، سهم ریسک کلی آن بانک در شوک‌های منفی شدید در یک سیستم مالی بیشتر است (Oordt & Zhou, 2018).

در مبحث ریسک سیستمی باید توجه داشت ریسک کلی یک بانک، به‌تنهایی سیستم مالی را در معرض خطر قرار نمی‌دهد، بلکه ریسک کلی بانک در کنار ارتباط آن با دیگر مؤسسات مالی است که نقش تعیین‌کننده‌ای در اندازه و مقدار تحمیل ریسک از سوی آن بانک به سیستم مالی دارد. یافته‌های بسیاری از پژوهشگران این حوزه، ارتباط مؤسسات مالی را منشأ بالقوۀ ریسک سیستمی می‌داند (Namaki et al, 2021)؛ از این ‌رو، برای کنترل ریسک سیستمی، بسیار مهم است که هم مؤسسات مالی و هم نهاد ناظر، میزان ریسک سیستمی یک نهاد مالی را به دو بعد مجزا تجزیه می‌کند که یکی ریسک کلی بانک و دیگری میزان اثرپذیری سیستم از ریسک مذکور (پیوند سیستمی) است تا برای کنترل این ریسک در یک نهاد مالی هر دو بعد بررسی شود.

نظریۀ ارزش فرین[9] (EVT): یکی از نگرانی‌های مهم مدیران ریسک، بیشترین زیان بالقوه در رویدادهای غیرمنتظره و اتفاقات ناگهانی است. رویدادهای خاص مانند بحران‌های مالی فراگیر (بحران سال 2009-2007 آمریکا)، سقوط بازار سهام (در سال‌های 1929 و 1987 میلادی در آمریکا یا بحران مالی در کشورهای جنوب شرق آسیا در سال 1997 میلادی) یا ورشکستگی شرکت‌های بزرگ، از موضوعات مهم مدیریت ریسک و مالی به شمار می‌آید؛ زیرا اگرچه احتمال وقوع این بحران‌ها پایین است، در صورت وقوع، اثرهای بزرگی به‌همراه دارد. این رویدادها به‌عنوان رویدادهای فرین شناخته می‌شود و به دلیل تعداد اندک مشاهده‌ها، پژوهش دربارۀ چنین موضوعاتی برای تخمین احتمال وقوع آن در آینده با روش‌های سنتی، مشکل بزرگی است. یکی از مهم‌ترین روش‌ها در پژوهش این رویدادها (با توزیع دنبالۀ پهن)، نظریۀ ارزش فرین است که برخلاف مفاهیم آماری شناخته‌شده که اغلب بر مبنای قضیۀ حد مرکزی است، به‌طور مستقیم بر دنباله‌های توزیع تمرکز و پتانسیل بهتری را برای تخمین این رویدادها فراهم می‌کند. نظریۀ ارزش فرین در یک تقسیم‌بندی کلی شامل نظریۀ تعمیم‌یافتۀ ارزش فرین (که روش بیشتر بلوک‌ها نیز نامیده می‌شود) و رویکرد فراتر از آستانه است. رویکرد اول، توزیع رویدادهای فرین و رویکرد دوم رویدادهای فراتر از آستانۀ مشخص را بررسی می‌کند (Manganelli & Engle, 2001). در رویکرد اول، بیشتر داده‌ها در دوره‌های متوالی (به‌صورت هفتگی، فصلی، ماهانه یا سالانه) مشخص می‌شود که داده‌های فرین را تشکیل می‌دهد. در شکل (1) (سمت چپ)،  داده‌های حداکثری (فرین) با استفاده از روش تعمیم‌یافته (بیشترین بلوک‌ها) در چهار دورۀ سه روزه است. در رویکرد دوم، داده‌هایی که از یک آستانۀ مشخص بیشتر باشد، داده‌های فرین را تشکیل می‌دهد. در شکل (1) (سمت راست)،  با توجه به اینکه از مقدار آستانۀ تعیین‌شده (u) فراتر رفته‌ است، مجموعۀ داده‌های فرین را تشکیل می‌دهد (Kazemi et al., 2012).

 

 

شکل (1) سمت چپ: روش تعمیم‌یافته، سمت راست: روش فراتر از آستانه

Figure (1) Left side: Generalized method, Right side: Peak over threshold

 

اگر نمونۀ مشاهده‌ها با   و تابع توزیع آن با  و مقدار آستانه با u نشان داده شود،  به‌صورت زیر تعریف می‌شود:

(1)

 

 

فزونی از آستانۀ u در شرایطی اتفاق می‌افتد که برای هر  رابطۀ  برقرار باشد. مقدار فراتر از آستانه به‌صورت  تعریف می‌شود. با مشخص‌بودن مقدار آستانه برای احتمالات  رابطۀ زیر برقرار است:

(2)

 

 

توزیع احتمال متغیر X به‌صورت زیر نوشته می‌شود:

(3)

 

 

عبارت فوق تنها زمانی‌که  باشد، برقرار است. قضیه‌ای که به‌وسیلۀ بالکما و دی هان[10] (1974) و پیکاندس[11] (1975) ارائه شد، نشان‌دهندۀ آن است که برای مقادیر آستانۀ به مقدار کافی بزرگ، تابع توزیع فزونی به‌وسیلۀ توزیع تعمیم‌یافتۀ پارتو[12] (GPD) تخمین زده می‌شود. GPD اغلب به صورت زیر تخمین زده می‌شود:

(4)

 

 

حد رابطۀ اول در معادلۀ بالا، هنگامی‌ که به‌سمت صفر میل می‌کند، برابر با رابطۀ دوم است. بر این مبنا، توزیع تعمیم‌یافتۀ پارتو تنها به‌صورت رابطۀ زیر نشان داده می‌شود:

(5)

 

 

درنتیجه تابع چگالی احتمال مربوطه به‌صورت معادلۀ زیر است:

(6)

 

 

که در اینجا  یک پارامتر مقیاس مثبت و  پارامتر شکل توزیع‌های دنبالۀ پهن در سری زمانی مالی است.

بعد از تخمین توزیع GPD و پارامترهای آن، برای یک احتمال معین مثل ، صدک مربوط به توزیع  از طریق معکوس‌کردن توزیع  به دست می‌آید؛ درنتیجه:

(7)

 

 

که در اینجا  برابر تعداد مشاهده‌های فراتر از آستانه و  تعداد کل مشاهده‌هاست. در صورتی ‌که داده‌های موردبررسی، بازدۀ دارایی‌ها باشد، این صدک برابر ارزش در معرض ریسک درصدی خواهد بود؛ یعنی:

(8)

 

 

که در اینجا  سطح اطمینان مدنظر است.

کاربرد شکل هیل[13] در تعیین آستانه:

اگر  آمارۀ ترتیبی متغیرهای تصادفی مثبت iid[14] باشد، تخمین‌گر هیل شاخص دنبالۀ  براساس آمارۀ ترتیبی به‌صورت زیر تعریف می‌شود (Hill, 1975):

(9)

 

 

به‌طوری ‌که k برابر با kامین عنصر از داده‌های مرتب‌شده (تعداد فزونی‌ها) است.    

ویژگی‌های ترازنامه‌ای: کمیتۀ بازل متشکل از نمایندگان بانک‌های مرکزی 10 اقتصاد بزرگ دنیا (G10) بوده و هدف آن بهبود کیفیت در سیستم‌های بانکی و استاندارد‌گذاری است. این کمیته، پس از بحران مالی سال 2008، برای جلوگیری از تکرار بحران‌های مشابه، توصیه‌ها و مقررات سخت‌گیرانه‌ای را برای حفظ سلامت و ثبات سیستم بانکی ارائه کرد که تحت عنوان بازل 3 منتشر شد (Soudani, 2017). نسبت‌های کمل[15] برای ارزیابی عملکرد در صنعت بانکداری در بازل 3 ارائه شد. استفاده از نسبت‌های کمل، یک روش رایج برای ارزیابی عملکرد بانک‌هاست؛ زیرا جنبه‌های اصلی سنجش یک بانک را انعکاس می‌دهد. مهم‌ترین این نسبت‌ها، نرخ رشد دارایی‌ها، سهم درآمدهای غیربهره‌ای، نسبت سپرده به دارایی‌ها، نسبت تسهیلات به دارایی‌ها، نسبت دارایی‌های نقدی، بازدۀ حقوق صاحبان سهام، نسبت دارایی‌های مشهود و نسبت هزینه‌ها به درآمد‌هاست (Barr et al., 2002). درنهایت، پس از محاسبۀ ریسک سیستمی و تجزیۀ آن به دو بعد ریسک دنباله و پیوند سیستمی، با بررسی رابطۀ این معیار با نسبت‌های کمل به‌همراه شاخص اندازه و نرخ رشد دارایی‌ها (که در اینجا به‌عنوان ویژگی‌های ترازنامه‌ای یاد می‌شود)‌، تأثیر هر یک از ویژگی‌ها بر ریسک سیستمی بانک‌ها مشخص شده است که این امر به مدیران و ناظران برای مدیریت ریسک سیستمی با کنترل ویژگی مدنظر کمک زیادی می‌کند.

ارزش‌افزودۀ اقتصادی[16] (EVA): روش‌‌های مختلفی برای ارزیابی عملکرد مالی وجود دارد که به‌صورت کلی به مدل‌های حسابداری و مدل‌های اقتصادی تقسیم می‌شود. در مدل‌های حسابداری، ارزیابی عملکرد مالی تابعی از معیارهای مختلفی مانند سود هر سهم، نرخ رشد سود، بازدۀ سرمایه‌گذاری، بازدۀ حقوق صاحبان سهام و جریان نقدی آزاد است (Stewart, 1991). با وجود کاربردهای مختلف سود حسابداری، برخی معتقدند که سود حسابداری معیار مناسبی برای سنجش عملکرد مالی شرکت نیست. معرفی معیارهای اقتصادی سنجش عملکرد مالی، نتیجۀ تلاش پژوهشگران برای رفع نقص‌های مدل‌های حسابداری است (Bausch, 2003). ارزش‌افزودۀ اقتصادی یکی از معیارهای مهم ارزیابی عملکرد مالی بانک‌ها از بعد اقتصادی است. در این پژوهش، از ارزش‌افزودۀ اقتصادی استانداردشدۀ مورداستفادۀ آبات[17] و همکاران (2004) استفاده شده است که از تقسیم ارزش‌افزودۀ اقتصادی از یک سال معین به سرمایۀ کل شرکت در ابتدای همان سال به دست می‌آید؛ از این ‌رو، با بررسی رابطۀ ریسک‌های مختلف بر ارزش‌افزودۀ اقتصادی بانک‌ها، تأثیر هر یک از آنها بر عملکرد مالی بانک‌ها مشخص می‌شود که این مهم نیز به مدیران برای کنترل و مدیریت ریسک بانک‌ها کمک می‌کند و نشان‌دهندۀ نقش و اندازۀ ریسک سیستمی در کنار دیگر انواع ریسک است.

اگرچه پژوهش‌هایی برای اندازه‌گیری ریسک سیستمی در سطح مؤسسات مالی کشور انجام شده است، نوآوری این پژوهش، تجزیۀ ریسک سیستمی مؤسسات مالی به دو بعد ریسک دنباله و پیوند سیستمی در شرایط بحرانی و بررسی تأثیر ریسک سیستمی در کنار سایر ریسک‌های مالی بر عملکرد مالی بانک‌هاست؛ از این‌ رو، با استفاده از نظریۀ ارزش فرین، یک شاخص ریسک سیستمی ( ) برای بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران در بازۀ زمانی فروردین 1392 تا شهریور 1400 برآورد شده که پژوهشگران را قادر می‌کند تا آن شاخص را به دو جزء تقسیم کنند که هرکدام منعکس‌کنندۀ یک بعد ریسک (ریسک دنباله و پیوند سیستمی) است.

با توجه به مبانی نظری بیان‌شده، سؤال‌های پژوهش به صورت زیر تعریف می‌شود:

  • هرکدام از بانک‌ها چه سهمی از ریسک سیستمی صنعت بانکداری دارد؟
  • سهم ریسک دنباله و پیوند سیستمی از ریسک سیستمی هر بانک چقدر است؟
  • چه ارتباطی بین ویژگی‌های ترازنامه‌ای و ریسک سیستمی هر بانک وجود دارد؟
  • چه ارتباطی بین ارزش‌افزودۀ اقتصادی و ریسک‌های مالی هر بانک وجود دارد؟

در ادامه، در بخش پیشینۀ پژوهش، نتایج پژوهش‌های موردی ارائه شده است. در بخش روش‌شناسی پژوهش، نحوۀ محاسبۀ شاخص ریسک سیستمی و تجزیۀ آن، محاسبۀ انواع ریسک و ارزش‌افزودۀ اقتصادی بیان شده است. درنهایت، در بخش یافته‌ها، نتیجه‌گیری و پیشنهادها، نتایج حاصل از محاسبۀ شاخص ریسک سیستمی و اجزای آن (ریسک دنباله و پیوند سیستمی) برای بانک‌های پذیرفته‌‌شده در بورس اوراق بهادار تهران و ارتباط آنها با ویژگی‌های ترازنامه‌ای بانک‌ها ارائه شده است.

 

پیشینۀ پژوهش

ریسک سیستمی با ورشکستگی شرکت لمن برادرز[18] در سال 2008 بیشتر موردتوجه پژوهشگران و قانون‌گذاران قرار گرفت. این اتفاق نشان‌دهندۀ آن بود که بحران در یک شرکت چگونه به سایر شرکت‌ها و حتی کل سیستم سرایت می‌کند. از طرف دیگر، معیارهای سنجش ریسک استاندارد مانند ارزش در معرض ریسک و ریزش موردانتظار، قادر به ارزیابی این وابستگی‌ها نبوده است و بر ارزیابی ریسک انفرادی هر شرکت تمرکز دارد؛ از این ‌رو، ارائۀ شاخص‌هایی ضروری است که وابستگی شرکت‌ها را ارزیابی کند. یک چالش اساسی در این خصوص، نبودِ توافق گسترده میان پژوهشگران برای تعریف ریسک سیستمی است؛ درنتیجه، به دلیل توافق‌نشدن بر تعریف موضوع و مدل‌های آن و همچنین تازگی و جذابیت موضوع، پژوهش‌های مختلفی در این زمینه انجام شده است که در ادامه برخی از مهم‌ترین کارهای صورت‌گرفته در این حوزه بیان شده است.

آدریان و برونرمیر[19] (2011) برای محاسبۀ شاخص ریسک سیستمی، روش ارزش در معرض ریسک شرطی (CoVaR) را معرفی کردند. ارزش در معرض ریسک شرطی (CoVaR) همان ارزش در معرض ریسک[20] (VaR) سیستم مالی تحت شرایط اضطرار است. آنها به این نتیجه رسیدند که در بحث داده‌های سری زمانی، ارتباط قوی بین ارزش در معرض ریسک مؤسسات مالی به‌صورت مستقل و تفاضل ارزش در معرض ریسک شرطی (ΔCoVaR) آنها وجود دارد.

آچریا و همکاران[21] (2012) روشی را برای برآورد سرمایه‌ای بررسی کردند که یک شرکت مالی در زمان بروز بحران مالی جدید نیاز دارد. برای این منظور، از معیار توسعه‌یافتۀ SRISK مورداستفادۀ براونلس و انگل[22] (2011) استفاده کردند. آنها در این پژوهش، 100 مؤسسۀ مالی بزرگ آمریکا و 1200 مؤسسۀ مالی بزرگ را در سراسر جهان ازلحاظ ریسک سیستمی براساس معیار SRISK رتبه‌بندی کردند.

چائو و همکاران[23] (2015) روشی جدید برای کالیبراسیون ارزش در معرض ریسک شرطی (CoVaR) مؤسسات مالی براساس رگرسیون کمی شبکۀ عصبی معرفی کردند. در این پژوهش، شاخص ریسک شبکۀ سیستمی[24] (SNRI) به‌عنوان یک معیار برای کل ریسک سیستمی استفاده شده است. شاخص شکنندگی[25] (SFI) و شاخص مخاطرۀ سیستمی[26] (SHI) به‌عنوان معیارهای خاص شرکت مطرح شده است که به شناسایی شرکت‌های مربوط به سیستم در بحران مالی کمک می‌کند.

انگل و همکاران[27] (2015) مؤسسات مالی اروپا را بررسی کردند. آنها روش SRISK توسعه‌یافته را برای محاسبۀ ریسک سیستمی 196 شرکت بزرگ اروپا برای سال‌های 2012-2000 استفاده کردند. آنها دریافتند که بانک‌ها و شرکت‌های بیمه به‌ترتیب حدود 80 و 20 درصد ریسک سیستمی را در اروپا در برمی‌گیرد. کشورهای آمریکا و فرانسه و شرکت‌های دویچه بانک[28] و بارکلیز[29] بالاترین سطح ریسک سیستمی را نشان داد.

لین و همکاران[30] (2018) میزان مواجهۀ مؤسسات مالی را در برابر ریسک‌ سیستمی در بازارهای مالی بررسی کردند. نتایج نشان داد که اگرچه سه معیار SRISK، MES و CoVaR در تعریف ریسک سیستمی متفاوت عمل می‌کند، در تشخیص مؤسسات مالی مهم از نظر سیستمی یکسان است.

جیانگ و همکاران[31] (2021) برای بررسی شیوع ریسک‌پذیری میان بازارهای سهام متعدد، یک مدل وین-کاپولا- خود رگرسیون واریانس ناهمسانی شرطی تعمیم‌یافته -نمونه‌گیری داده‌های مختلط[32]- برای تخمین توزیع مشترک چند متغیره توسعه داده و سپس ارزش در معرض ریسک شرطی (CoVaR) را استخراج کرده‌اند. نتایج مبین آن است که در بازارهای سهام بین‌المللی، مدل ذکرشده امیدوارکننده است و نسبت‌به تعدادی از مدل‌های معروف برتری دارد.

ابوزید و همکاران[33] (2021) سر‌ریز ریسک آشفتگی سیستمی را بین بازار سهام جهانی و بازارهای سهام مختص هر کشور در کشورهایی بررسی کردند که تحت‌تأثیر همه‌گیری COVID-19 قرار دارد. آنها از دو معیار مهم ریسک وابستگی دنباله -ارزش در معرض ریسک شرطی (CoVaR) و شرطی تفاضلی (ΔCoVaR)- و مدل همبستگی شرطی پویا[34] (DCC) دو متغیره استفاده کردند. نتایج نشان‌دهندۀ آن است که سرایت ریسک سیستمی بین بازار سهام جهانی و هر بازار سهام خاص در طول دورۀ نمونۀ تکامل یافته و با گسترش COVID-19 در سراسر جهان تشدید می‌شود.

اسکوبار و همکاران[35] (2022)، سه معیار ریسک سیستمی (CoVaR، MES و SRISK) را در سیستم بانکداری کلمبیا بررسی و مقایسه کردند. آنها دریافتند که بخش بانکی این کشور برنامه‌ای برای کنترل و پایش ریسک سیستمی ندارد؛ با وجود اینکه اقتصاد این کشور در مواجهه با شوک‌های خارجی مانند بحران سال 2008 زیان‌های زیادی را متحمل می‌شود. نتایج نشان‌‌دهندۀ آن است که معیارهای ریسک سیستمی موردبررسی، عملکرد مناسبی در پایش ریسک سیستمی دارد.

رستگار و کریمی (2016) برآورد ریسک سیستمی را در بخش بانکی بورس اوراق بهادار تهران، با شاخص ارزش در معرض ریسک شرطی تفاضلی، با استفاده از مدل‌ همبستگی شرطی پویا بررسی کردند. نتایج مبین این موضوع است که ریسک سیستمی بازار، وابستگی زیادی با بخش بانکی دارد. این شاخص، با نسبت اهرمی، سرمایه و ارزش در معرض ریسک رابطۀ مثبت و معنادار دارد.

فرزین‌وش و همکاران (2017) با استفاده از معیار ارزش در معرض ریسک شرطی تفاضلی، ریسک سیستمی را در بخش بانکداری بررسی کردند. نتایج نشان‌دهندۀ آن است که ارزش در معرض ریسک شرطی تفاضلی برای بانک خاورمیانه بیشترین مقدار و برای بانک سرمایه کمترین مقدار را دارد. این بدین معناست که بحران در بانک خاورمیانه از بین سایر بانک‌ها، تأثیر بیشتری بر سیستم مالی تحمیل می‌کند و بانک سرمایه کمترین اثر را دارد.

حکمتی‌فرید و همکاران (2019) ریسک سیستمی را با استفاده از روش ارزش در معرض ریسک شرطی تفاضلی بررسی کردند. نتایج نشان‌دهندۀ آن است که اختلاف معناداری بین ریسک سیستمی با جمع جبری ریسک هر یک از زیربخش‌های مالی بانک، بیمه و بورس وجود دارد. نتایج آزمون فریدمن[36] حاکی از آن بود که بخش بانکی کمترین و صنعت بیمه بیشترین اثر را در ایجاد ریسک سیستمی دارد.

در سال‌های اخیر، استفاده از نظریۀ سیستم‌های پیچیده مانند نظریۀ شبکه برای بررسی ارتباط مؤسسات مالی با یکدیگر افزایش یافته است (Namaki et al., 2019). نمکی و همکاران (2019) با استفاده از معیار ارزش در معرض ریسک شرطی تفاضلی، تأثیر ویژگی‌های ساختاری شبکۀ مؤسسات مالی را بر میزان ریسک سیستمی بیست شرکت فعال‌تر بورس تهران طی 1397-1393 بررسی کردند. آنها دریافتند ریسک سیستمی مؤسسات مالی با قدرت و درجۀ گره کمتر و مرکزیت نزدیکی بزرگ‌تر، بیشتر است.

بانک‌ها با توجه به تنوع فعالیت‌های خود در معرض محدودۀ وسیعی از انواع ریسک‌هاست. برای ارزیابی اثر این ریسک‌ها بر عملکرد مالی بانک‌ها، پژوهش‌های زیادی انجام شده که در ادامه به چند نمونه از آن اشاره می‌شود.

سیمامورا و اوسواری[37] (2019) اثر ریسک‌های اعتباری، عملیاتی و نقدینگی را بر بازدۀ دارایی‌های بانک‌ها در اندونزی بررسی کردند. متغیر وام‌های معوق، نسبت هزینۀ عملیاتی به درآمد و نسبت وام به سپرده، متغیرهای مستقل این پژوهش به شمار می‌رود. آنها به این نتیجه رسیدند که متغیر ریسک نقدینگی و عملیاتی اثر منفی معنادار بر عملکرد مالی بانک‌ها دارد؛ همچنین متغیر ریسک اعتباری اثر معناداری بر عملکرد مالی بانک‌ها ندارد.

تاسئو و هایلو[38] (2019) اثر مدیریت ریسک را بر عملکرد مالی بانک‌های اتیوپی بررسی کردند. در این پژوهش از مدل رگرسیون پنل استفاده شده است. متغیر وام‌های معوق به‌عنوان شاخص ریسک اعتباری، دارایی نقد به کل دارایی‌ها به‌عنوان شاخص ریسک نقدینگی، هزینۀ عملیاتی به درآمد به‌عنوان شاخص ریسک عملیاتی، نوسان نرخ بهره و ارز به‌عنوان شاخص‌های ریسک بازار در نظر گرفته شد. آنها به این نتیجه رسیدند که ریسک‌های مالی اثر منفی و معناداری بر عملکرد مالی بانک‌ها دارد.

زمانی و همکاران (2018) اثر نوسان‌های نرخ ارز را بر عملکرد سیستم بانکی ایران با استفاده از روش گشتاورهای تعمیم‌یافته در محیط داده‌‌های تابلویی پویا، طی سال‌های ۱۳۹۳- ۱۳۸۸ بررسی و مطالعه کردند. آنها برای بررسی عملکرد بانکی از دو شاخص درآمد و کیفیت دارایی و برای بررسی درآمد و کیفیت دارایی به‌ترتیب از نسبت بازدۀ دارایی‌ها و نسبت مطالبات معوق به کل تسهیلات پرداختی استفاده‌ کردند. نتایج این پژوهش نشان‌دهندۀ آن است که نوسان نرخ ارز اثر منفی و معناداری بر بازدۀ دارایی بانک‌ها دارد.

حسینی و همکاران (2016) اثر نوسان‌های نرخ ارز را در برخی از شاخص‌های مهم عملکرد مالی بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌های 1394-1385 بررسی و تجزیه و تحلیل کردند. نتایج پژوهش آنها نشان‌دهندۀ آن است که نوسان‌های نرخ ارز اثر منفی و معناداری بر حجم سپرده‌های کوتاه‌مدت و بلندمدت بانک‌ها و اثر مثبت و معناداری بر مطالبات غیرجاری بانک‌ها دارد. نتایج حاکی از آن است که نوسان‌های نرخ ارز رابطۀ منفی و معناداری بر سود خالص و دارایی بانک‌ها دارد.

درنهایت، برخی پژوهش‌ها رابطۀ میان ویژگی‌های ترازنامه‌ای و ریسک سیستمی بانک‌ها را بررسی کردند که در ادامه به چند نمونه از آن اشاره شده است.

جیراردی و ارگون[39] (2013) با توسعۀ روش ΔCoVaR در محاسبۀ سهم ریسک سیستمی مؤسسات مالی، رابطۀ میان ریسک سیستمی و ویژگی‌های آنها را بررسی کردند. نتایج نشان‌دهندۀ آن است که سطح اهرم مالی، اندازه و بتا حقوق صاحبان سهام با سهم ریسک سیستمی مؤسسات مالی رابطۀ معناداری دارد.

اوردت و ژو[40] (2018) رابطۀ ویژگی‌های ترازنامه‌ای بانک را با ریسک سیستمی محاسبه‌شده با نظریۀ ارزش فرین بررسی کردند. نتایج پژوهش آنها نشان‌دهندۀ آن است که متغیر اندازۀ بانک با سهم ریسک سیستمی بانک‌ها رابطۀ منفی و معنادار و متغیر سهم درآمدهای غیر بهره‌ای با سهم ریسک سیستمی بانک‌ها رابطۀ مثبت و معناداری دارد.

حسینی و مصطفوی (2017) پژوهش‌هایی دربارۀ روابط میان اندازه، تنوع درآمدها و اثر تعاملی آنها با ریسک سیستمی بانک‌های خصوصی انجام دادند. ریسک سیستمی با شاخص کمبود موردانتظار نهایی (MES) محاسبه شده‌ است. نتایج حاکی از آن است که بانک‌هایی که درآمد بهرۀ سهم بیشتری از کل درآمد آنها را تشیکل می‌دهد، ریسک سیستمی بیشتری دارد. علاوه بر آن، تأثیر تنوع درآمدها بر کاهش ریسک سیستمی در بانک‌ها با اندازۀ بزرگ‌تر، بیشتر است.

فدایی واحد و همکاران (2016) در پژوهشی، رابطۀ ویژگی‌های ترازنامه‌ای بانک را با ریسک سیستمی محاسبه‌شده با رویکرد ریزش موردانتظار نهایی بررسی کردند. نتایج پژوهش نشان از آن داردکه بین شاخص ریسک نکول (اعتباری)، اندازۀ بانک و نیز شاخص‌های نرخ بهره و تورم با ریسک سیستمی صنعت بانکداری رابطۀ مثبت و معناداری وجود دارد.

با توجه به اینکه در سال‌های اخیر برخی از پژوهشگران ریسک سیستمی را با معیارهای CoVaR، MES و SRISK محاسبه کردند، این ضرورت احساس می‌شود تا محاسبات ریسک سیستمی با معیار ( ) انجام شود که تجزیۀ ریسک سیستمی را میسر می‌کند؛ برای اینکه بینش بهتری به مدیران و ناظران سیستم بانکی ارائه کند. بررسی تأثیر ریسک سیستمی در کنار سایر ریسک‌های مالی برای اولین بار در این پژوهش صورت گرفته که این مهم نیز در تعیین اندازه و اثر ریسک سیستمی بر عملکرد بانک‌ها حائز اهمیت است.

 

روش پژوهش

در پژوهش حاضر، برای محاسبۀ شاخص ریسک سیستمی، از نظریۀ ارزش فرین استفاده شده است. علاوه بر این، برای بررسی ارتباط بین ویژگی‌های ترازنامه‌ای هر بانک با ریسک سیستمی و همین‌طور بررسی تأثیر ریسک‌های مالی بر عملکرد بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران، با توجه به اینکه داده‌های پژوهش به‌صورت مقطعی بوده و اثر متغیرهای مستقل ممکن است با وقفه بر متغیر وابسته اثر بگذارد، از مدل رگرسیون اتورگرسیو با وقفۀ توزیعی[41] (ARDL) استفاده شده است. مزایای مدل ARDL عبارت است از: الف) پارامترهای کوتاه‌مدت و بلندمدت را به‌صورت هم‌زمان برآورد می‌کند؛ ب) بعضی از تکنیک‌های هم‌انباشتگی به حجم نمونه حساس بوده است. برای نمونه‌های کوچک از مدل اتورگرسیو با وقفۀ توزیعی بهره برده می‌شود؛ ج) مدل  ARDLبدون در نظر گرفتن اینکه آیا متغیر مجازی است یا خیر، برآورد را انجام می‌دهد (Mohammadi et al., 2020).

با توجه به اینکه تحریم به‌عنوان شوکی خارجی و مشترک برای همۀ مؤسسات مالی، اثرهای نوسانی و بی‌ثبات‌کنندۀ بالقوه بر سیستم مالی به‌خصوص سیستم بانکی یک کشور دارد (Asadi & Yavari, 2022)، متغیر مجازی تحریم‌ به‌عنوان متغیری مستقل در بخش بررسی ارتباط بین ویژگی‌های ترازنامه‌ای هر بانک با ریسک سیستمی، برای افزایش قدرت مدل به رگرسیون اضافه شد. جامعۀ آماری پژوهش، بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران در بازۀ زمانی فروردین 1392 تا شهریور1400 است که برخی از بانک‎ها به دلیل توقف طولانی‌مدت نماد و معامله‌نکردن طی دورۀ موردبررسی از آن حذف شده‌ است. داده‌های پژوهش از سایت شرکت مدیریت فناوری بورس تهران استخراج و از نرم‌افزارهای پایتون[42]، R و ایویوز[43] برای تحلیل داده‌ استفاده شده است.

برآورد معیار ریسک سیستمی ( ) و تجزیۀ آن: توجه ناظران سیستم بانکی از رویکرد خرد به کلان پس از وقوع بحران در دهۀ نخست قرن بیست‌ویکم تغییر یافت؛ درنتیجه به جای ارزیابی یک نهاد مالی به‌تنهایی (رویکرد خرد)، بر سنجش نهادهای مالی به‌عنوان جزئی از سیستم مالی (رویکرد کلان) تأکید می‌کنند. منشأ تضاد بالقوه بین دیدگاه‌های خرد و کلان در این حوزه، به تجزیۀ ریسک سیستمی به دو زیرمجموعه منجر می‌شود. جزء اول، ریسک کلی یک بانک (ریسک دنباله بانک[44]) است؛ به‌طوری ‌که هرچه سطح ریسک کلی یک بانک بیشتر باشد، احتمال نکول آن بیشتر است. جزء دوم، ارتباط بین زیان حداکثری یک بانک و رویداد سیستمی (پیوند سیستمی[45]) است؛ به‌طوری ‌که هرچه پیوند سیستمی یک بانک قوی‌تر باشد، سهم ریسک کلی آن بانک در شوک‌های منفی شدید در یک سیستم مالی بیشتر است؛ در حالی‌که جزء اول در ارتباط با هر دو دیدگاه خرد و کلان است، جزء دوم تنها در ارتباط با دیدگاه کلان است.

پیوند سیستمی بانک * ریسک دنبالۀ بانک = ریسک سیستمی بانک

 

ریسک سیستمی بانک‌ها با ارزیابی حساسیت هر بانک به شوک‌ها در یک سیستم مالی برآورد شده است. به‌طور معمول ریسک سیستمی در پژوهش‌های نهادهای مالی، به شوک‌های منفی شدید (و نه به نوسان‌های کوچک روزانه) اطلاق می‌شود؛ بنابراین رابطه‌ای خطی بین نرخ بازدۀ بانک و سیستم مالی تحت شرایط وجود شوک منفی شدید در سیستم مالی در نظر گرفته شده است.  و  به‌ترتیب نشان‌دهندۀ بازدۀ سهام بانک  و بازدۀ شاخص سیستم مالی است. ریسک سیستمی بانک   با ضریب  در مدل خطی زیر اندازه‌گیری شده است (Oordt & Zhou, 2018):

(10)

 

 

که  «ارزش در معرض ریسک» سرمایه‌گذاری در شاخص سیستم مالی است؛ یعنی

 و  نشان‌دهندۀ شوک‌های سایر منابع فرض می‌شود که مستقل از شوک‌های موجود در سیستم مالی است که با  نشان داده می‌شود. اندیس  نشان می‌دهد که ضریب  رابطۀ بین بانک  و سیستم مالی را فقط در صورت وجود شوک‌های منفی شدید در سیستم مالی توصیف می‌کند (یعنی تنها در صورتی که  )؛ از این ‌رو، مدل خطی در معادلۀ 10 در شرایط عادی صدق نمی‌کند. ضریب  به‌عنوان معیار ریسک سیستمی در نظر گرفته می‌شود: پیش‌بینی می‌شود بانک با  بالاتر در صورت وجود شوک‌های منفی شدید در سیستم مالی، با زیان سرمایۀ بزرگ‌تری مواجه شود (Oordt & Zhou, 2018).

اوردت و ژو (2018) تخمینی از  را براساس روش  (نظریۀ ارزش فرین) در ناحیۀ دنبالۀ سنگین پیشنهاد می‌کنند. اگر تخمین فقط براساس مشاهدات دنباله باشد، معیار  میانگین خطای مربعات کوچک‌تر از رگرسیون حداقل مربعات کامل[46] (OLS) دارد.

فرض شده است که بازدۀ مالی دارای توزیع دنبالۀ سنگین است.  و  توزیع دنبالۀ سنگین با شاخص‌های دنبالۀ  و  دارد. در شرایط عادی، اوردت و ژو (2018) برای  بیان می‌کنند:

(11)

 

 

که در آن  و   مقادیر ارزش در معرض ریسک  و  با سطح احتمال  است و  میزان وابستگی دنبالۀ بین  و  است که به‌صورت زیر تعریف می‌شود:

(12)

 

 

از نظر تجربی، همۀ مؤلفه‌های موجود با برآوردگرهای موجود در  تخمین زده می‌شود. با وجود  مشاهده بر جفت (  ، )، ناحیۀ دنباله را  مشاهده از بدترین مشاهده‌ها در نظر گرفته شده است؛ درنتیجه، ضریب  به‌صورت زیر برآورد می‌شود:

(13)

 

 

جایی که شاخص دنبالۀ  معیار تخمین زده‌شده با هیل(1975) است.  و  نیز با امین مشاهده از بدترین بازده‌های سهام بانک  و شاخص مالی برآورد شده است و   یک معیار ناپارامتریک  بوده که با روش  چند متغیره برآورد شده است. معیار  سازگار و بدون علامت طبیعی است؛ حتی تحت وابستگی زمانی مانند نوسان‌های خوشه‌ای، به شرط اینکه  دنباله‌ای وابسته به  باشد؛ به‌گونه‌ای که:  و  که  است. در عمل، نمونه‌ها محدود و  در سطح معینی ثابت است. انتخاب یک  با مقدار کم به بی‌اطمینانی زیاد در تخمین منجر می‌شود؛ در حالی که انتخاب یک  بزرگ به انحراف بالقوه در تخمین منجر می‌شود (Oordt & Zhou, 2018).

رابطۀ بین ریسک سیستمی با ویژگی‌های ترازنامه‌ای بانک‌ها: براساس اوردت و ژو (2018) برای بررسی رابطۀ تجربی بین ریسک سیستمی و ویژگی‌های ترازنامه‌ای بانک‌ها، سه مدل رگرسیون با استفاده از ریسک سیستمی برآوردشده در مرحلۀ قبل به‌عنوان متغیرهای وابسته (به‌ترتیب ریسک سیستمی، پیوند سیستمی و ریسک دنبالۀ بانک‌ها) تخمین زده شده است. متغیرهای وابسته در مدل‌های رگرسیونی برای هر بانک  با استفاده از اطلاعات روزانۀ 34 فصل (پنجرۀ متوالی) تخمین زده شده است. با استفاده از اطلاعات این 34 فصل که با  تا  نشان داده شده است، تخمین‌ها با ،  و  نشان داده می‌شود. رگرسیون‌ها با استفاده از اطلاعات شاخص ریسک سیستمی محاسبه‌شده در هر فصل و ویژگی‌های بانک‌ها در فصل قبل تخمین زده می‌شود. این ویژگی‌های بانک‌ها با  نشان داده می‌شود؛ از این ‌رو، ضرایب مدل‌های زیر از داده‌های تابلویی برآورد شده‌ است:

(14)

 

(15)

 

(16)

 

 

که  ،  و  مؤلفه‌های ثابت زمانی و  ،  و  جزء خطای مدل است. مؤلفه‌های ثابت زمانی، نشان‌دهندۀ تغییرات متغیرهای کلان اقتصادی همانند سایر متغیرهای مشترک در ریسک سیستمی در طول زمان است. روابط در معادلات فوق برای نسبت‌های بازدۀ حقوق صاحبان سهام، نسبت دارایی‌های نقدی، نسبت دارایی‌های مشهود، نسبت هزینه به درآمد، اندازۀ بانک، رشد دارایی‌ها، سهم درآمدهای غیر بهره‌ای، نسبت تسهیلات به دارایی‌ها و نسبت سپرده به دارایی‌ها تخمین زده شده است. به‌علاوه، برای سنجش اثر تحریم‌های اقتصادی بر ریسک سیستمی محاسبه‌شده، متغیر تحریم به‌صورت مجازی به مدل اضافه شده است. به‌دلیل ثابت در نظر گرفتن اثر متغیرهای کلان اقتصادی در طول زمان، متغیرهای تولید ناخالص داخلی و پایۀ پولی به‌عنوان متغیرهای اثر ثابت زمانی به مدل اضافه شده است.

ارزیابی اثر ریسک‌های مالی بر عملکرد مالی بانک‌ها: از روش رگرسیون اتورگرسیو با وقفۀ توزیعی برای ارزیابی اثر ریسک‌های مالی بر عملکرد مالی بانک‌ها به‌منظور تحلیل نتایج استفاده شده است. در اینجا، شاخص ارزیابی عملکرد مالی بانک‌ها ارزش‌افزودۀ اقتصادی است. ارزش‌افزودۀ اقتصادی، سودی است که پس از کسر هزینۀ سرمایه از سود عملیات شرکت مطابق فرمول ذیل محاسبه می‌شود:

(17)

 

 

 

 

 

WACC = (D/D+E) × Kd(1-t) + Ke × (E/D+E)

 

 

 

در این پژوهش از متغیر ارزش‌افزودۀ اقتصادی استانداردشده برای ارزیابی عملکرد مالی بانک‌ها استفاده ‌شده است. این معیار، نسخۀ استانداردشدۀ ارزش‌افزودۀ اقتصادی است که با تقسیم ارزش‌افزودۀ اقتصادی یک سال معین به سرمایۀ کل شرکت در ابتدای همان سال مطابق فرمول ذیل محاسبه می‌شود (Abate et al., 2004)

 

 

برای محاسبۀ اجزای نرخ میانگین از هزینۀ سرمایه[47] (WACC)، برای نسبت بدهی به حقوق صاحبان سهام از ارزش دفتری و برای محاسبۀ نرخ هزینۀ بدهی، از میانگین موزون بدهی‌های هر بانک استفاده که از ترازنامۀ آن استخراج شده است. نرخ مالیات با توجه به معافیت مالیاتی 10 درصد برای شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران، برابر 5/22 درصد در نظر گرفته شده است. برای محاسبۀ نرخ هزینۀ حقوق صاحبان سهام از مدل قیمت‌گذاری دارایی‌های سرمایه‌ای[48] (CAPM) به شرح زیر استفاده شده است (Valipour et al., 2012):

(18)

 

 

در اینجا نرخ بازدۀ بدون ریسک ( )، برابر نرخ بهرۀ اوراق مشارکت مصوب بانک مرکزی جمهوری اسلامی ایران، نرخ بازدۀ بازار ( ) برابر نرخ بازدۀ شاخص کل بورس اوراق بهادار تهران و  از رگرسیون بین بازدۀ بازار و هر بانک به دست آمده است.

پس از برآورد شاخص ارزش‌افزودۀ اقتصادی بانک‌ها، تأثیر ریسک‌های مختلف مالی بر این شاخص بررسی شده است.

مدل کلی: این مدل برای اندازه‌گیری تأثیر تمامی ریسک‌های موردمطالعه در پژوهش بر عملکرد مالی بانک استفاده شده است:

(19)

 

 

 

 

که سرمایۀ نظارتی به دارایی موزون‌شده با ریسک اعتباری[49] ( ) به‌عنوان شاخص ریسک اعتباری، نسبت سرمایۀ پایه به دارایی موزون‌شده با ریسک عملیاتی[50] ( ) به‌عنوان شاخص ریسک عملیاتی، نسبت خالص منابع پایدار[51] ( ) به‌عنوان شاخص ریسک نقدینگی، ریسک نرخ بهرۀ[52] ( ) به‌عنوان شاخص ریسک بازار و شاخص ریسک سیستمی   محاسبه‌شده در بخش اول به‌عنوان شاخص ریسک سیستمی است.

 

یافته‌ها

اندازه‌گیری ریسک سیستمی بانک‌ها و تجزیۀ آن به دو بعد ریسک دنباله و پیوند سیستمی: دیدگاه‌های گوناگونی درخصوص محاسبه و ارزیابی ریسک سیستمی بانک‌ها وجود دارد که تفاوت در این دیدگاه‌ها ناشی از تفاوت دیدگاه‌های محتاطانه در سطح خرد و کلان است. این تفاوت با تجزیۀ ریسک سیستمی به دو بعد ریسک دنباله و پیوند سیستمی تقسیم می‌شود. هرچه ریسک دنبالۀ بانک بیشتر باشد، احتمال نکول بانک بیشتر است. در مقابل، هرچه پیوند سیسمتی قوی‌تر باشد، سهم ریسک دنبالۀ بانک در ارتباط با بحران‌های شدید در سیستم مالی بیشتر است. هدف اصلی پژوهش، بررسی و اندازه‌گیری ریسک سیستمی بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از نظریۀ ارزش فرین است که این نظریه امکان تجزیۀ شاخص ریسک سیستمی را در دو بعد ریسک دنباله و پیوند سیستمی فراهم کرده است.

با استفاده از نظریۀ ارزش فرین استفاده‌شده از سوی اوردت و ژو (2018)، ریسک سیستمی بانک‌ها براساس مشاهده‌های اندک در دنباله به‌عنوان حساسیت بازدۀ سهام بانک‌ها در شرایط بحران شدید مالی محاسبه شده است. دو زیرمجموعۀ معیار ریسک سیستمی نشان‌دهندۀ ریسک دنبالۀ بانک (براساس ارزش در معرض ریسک بانک) و پیوند سیستمی (براساس ارتباط بانک با سایر بانک‌ها در سیستم مالی) است. پس از محاسبه و اندازه‌گیری شاخص ریسک سیستمی و دو بعد ریسک دنباله و پیوند سیستمی برای بانک‌های موردمطالعه، نتایج میانگین آنها برای هر بانک به شرح جدول ذیل است.

 

 

 

 

 

 

 

جدول (1) نتایج میانگین و انحراف معیار ریسک سیستمی، ریسک دنباله و پیوند سیستمی بانک‌ها و انحراف معیار آن

Table (1) Results of banks systemic risk index, tail risk and systemic linkage average and standard deviation

بانک 

شاخص ریسک سیستمی

 

پیوند سیستمی

SL

ریسک دنباله

IR

پست بانک

میانگین

028443/0

707579/0

043512/0

انحراف معیار

012176/0

209497/0

18277/0

تجارت

میانگین

023512/0

736694/0

033748/0

انحراف معیار

004737/0

136949/0

011187/0

صادرات

میانگین

022073/0

689314/0

0367/0

انحراف معیار

008742/0

262536/0

015304/0

سینا

میانگین

020781/0

0681089/0

031953/0

انحراف معیار

008420/0

283800/0

007599/0

ملت

میانگین

020008/0

716289/0

029391/0

انحراف معیار

003335/0

125099/0

009309/0

خاورمیانه

میانگین

017406/0

667502/0

026181/0

انحراف معیار

007737/0

164335/0

008577/0

پاسارگاد

میانگین

01616/0

593726/0

029403/0

انحراف معیار

003412/0

158936/0

011046/0

پارسیان

میانگین

015008/0

509426/0

034433/0

انحراف معیار

006066/0

248100/0

014116/0

اقتصادنوین

میانگین

005581/0

319023/0

017623/0

انحراف معیار

004720/0

239369/0

004358/0

کارآفرین

میانگین

004538/0

302249/0

016668/0

انحراف معیار

003593/0

216455/0

006454/0

 

همان‌طور که در جدول (1) نشان داده شده است، بانک‌های پست‌بانک، تجارت و صادرات به‌ترتیب بیشترین میانگین ریسک سیستمی، بانک‌های پست‌بانک، صادرات و پارسیان به‌ترتیب بیشترین میانگین ریسک دنباله و بانک‌های تجارت، ملت و پست‌بانک به‌ترتیب بیشترین ریسک پیوند سیستمی را بین بانک‌های موردمطالعه دارد. بانک‌های کارآفرین و اقتصادنوین در هر سه معیار ریسک سیستمی، ریسک دنباله و ریسک پیوند سیستمی دارای کمترین مقدار ریسک است. در ادامه، نمودار مقایسه‌ای ریسک سیستمی و ابعاد ناشی از تجزیۀ آن (ریسک دنباله و پیوند سیستمی) برای بانک‌های موردمطالعه در طول دورۀ موردپژوهش نشان داده شده است. برای محاسبۀ ریسک سیستمی در هر نقطه از این نمودار، از پنجرۀ متحرک دو ساله با تعداد روزهای انتقال یک ماهه برای هر بانک استفاده شده است.

 

 

شکل (2) نمودار مقایسه‌ای شاخص ریسک سیستمی ( ) بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران

Figure (2) Banks systemic risk index

 

شکل (2) نشان‌دهندۀ آن است که ریسک سیستمی بانک‌های پست‌بانک، تجارت و ملت همواره بیش از میانگین بازار و ریسک سیستمی بانک‌های کارآفرین و اقتصادنوین همواره کمتر از میانگین ریسک سیستمی بازار بوده است.

 

شکل (3) نمودار مقایسه‌ای شاخص ریسک دنباله ( ) بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران

Figure (3) Banks tail risk index

 

شکل (3) نشان‌دهندۀ نتایج مربوط به شاخص ریسک دنبالۀ بانک‌هاست که مقدار این شاخص برای بانک‌های پست‌بانک، تجارت و صادرات بیشتر از میانگین و برای بانک‌های کارآفرین و اقتصاد نوین کمتر از میانگین بازار بوده است. با بررسی نمودار ریسک دنبالۀ بانک‌ها، این‌گونه استنباط می‌شود که یکی از دلایل افزایش دیدنی شاخص IR در سال‌های 1397-1396، (با توجه به بررسی متغیر مجازی تحریم در بخش بعدی) خروج آمریکا از برجام و افزایش تنش‌های سیاسی و تحریم‌های اقتصادی بوده است.

با توجه به شکل (4) نتایج مقایسۀ شاخص پیوند سیستمی بانک‌ها نشان‌دهندۀ آن است که شاخص پیوند سیستمی بانک‌های ملت، تجارت و صادرات همواره بیشتر از میانگین و این مقدار برای بانک‌های کارآفرین و اقتصادنوین همواره کمتر از میانگین بازار بوده است. از نتایج این‌گونه استنباط می‌شود که در سال‌های 1397-1395 به علت تغییر سیاست‌های نظارتی نهاد ناظر و نپذیرفتن آن از سوی برخی از بانک‌ها، که سبب توقف معاملات آنها در بورس شد و این نیز به‌نوبۀ خود موجب کاهش همبستگی بازده و کاهش ریسک پیوند سیستمی بانک‌ها شده است.

شکل (4) نمودار مقایسه‌ای شاخص پیوند سیستمی ( ) بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران

Figure (4) Banks systemic linkage index

 

بررسی رابطۀ بین ریسک سیستمی و اجزای آن با ویژگی‌های ترازنامه‌ای بانک: جدول (2) نشان‌دهندۀ آمار توصیفی داده‌های پژوهش مربوط به ویژگی‌های ترازنامه‌ای بانک‌ها است:

 

جدول (2) آمار توصیفی متغیرهای پژوهش مربوط به ویژگی‌های ترازنامه‌ای بانک‌ها

Table (2) Descriptive statistics for the variables of banks characteristics

 

AGR

NII

LTA

DTA

SIZE

ROE

LIQ.

TANG.

CTI

 

SL

IR

میانگین

074/0

236/0

607/0

771/0

663/8

130/0

848/0

068/0

-132/0

018/0

664/0

027/0

میانه

055/0

365/0

619/0

773/0

673/8

060/0

859/0

066/0

740/0

016/0

733/0

024/0

ماکزیمم

740/0

118/21

717/3

940/0

936/9

070/56

960/0

435/0

364/46

059/0

973/0

077/0

مینیمم

-100/0

-120/154

344/0

464/0

988/6

-299/78

539/0

-053/0

-554/188

001/0

050/0

008/0

انحراف معیار

086/0

592/8

191/0

076/0

590/0

906/5

059/0

051/0

536/13

009/0

224/0

012/0

چولگی

567/2

-059/17

633/12

-560/0

-257/0

-806/2

-647/0

759/1

-078/11

859/0

-830/0

388/1

کشیدگی

455/15

330/308

152/208

390/3

463/2

869/128

149/4

082/13

227/142

993/4

813/2

092/5

 

برای استفاده از تحلیل رگرسیون، ابتدا مانایی، هم‌جمعی، مقایسۀ زوجی و هم‌خطی متغیرهای پژوهش بررسی شده است؛ از این‌ رو، با توجه به نوع داده‌ها، که از نوع تابلویی و فصلی است، برای بررسی مانایی متغیرها، از آزمون ریشۀ واحد فصلی (آزمون هگی[53]) استفاده شده است. نتایج آزمون نشان‌دهندۀ آن بود که تمامی متغیرهای نرخ رشد دارایی‌ها[54] (AGR)، سهم درآمدهای غیر بهره‌ای[55] (NII)، نسبت تسهیلات به دارایی‌ها [56] (LTA)، نسبت سپرده‌ها به دارایی‌ها[57] (DTA)، اندازۀ بانک (SIZE)، بازدۀ حقوق صاحبان سهام[58] (ROE)، نسبت دارایی‌های نقدی[59] (LIQUIDITY)، نسبت دارایی‌های مشهود[60] (TANGIBILITY)، نسبت هزینه‌ها به درآمد‌ها[61] (CTI) و شاخص ریسک سیستمی ( ) به این دلیل ماناست که مقادیر آمارۀ احتمال آنها زیر 5 درصد است. انجام آزمون مقایسۀ زوجی متغیرهای پژوهش (آزمون دو میانگین وابسته) نشان‌دهندۀ آن است که فرض مساوی‌بودن میانگین متغیرها رد شده است؛ یعنی متغیرها، میانگین یکسانی ندارد و دارای اثر مضاعفی برای برآورد مدل رگرسیون نیست.

از آنجایی ‌که داده‌های پژوهش به‌صورت مقطعی است و متغیرهای مستقل (ویژگی‌های ترازنامه‌ای بانک‌ها) ممکن است با وقفه بر متغیر وابسته (شاخص ریسک سیستمی و ابعاد آن) اثر بگذارد، از مدل رگرسیون اتورگرسیو با وقفۀ توزیعی استفاده شده است. با توجه به پیش‌نیاز بررسی هم‌جمعی متغیرها در این مدل، با استفاده از آزمون کائو[62]، هم‌جمعی متغیرها بررسی شد. با توجه به اینکه مقدار احتمال آمارۀ آزمون هم‌جمعی متغیرها زیر 5 درصد است، نتایج آزمون هم‌جمعی نشان از آن دارد که متغیرهای پژوهش هم‌جمع است. از آزمون عامل تورم واریانس[63] برای بررسی هم‌خطی بین متغیرها استفاده شد که نتایج آزمون نشان‌دهندۀ آن بود که متغیرهای آزمون دارای هم‌خطی نیست.

جدول (3) نشان‌دهندۀ نتایج رابطۀ بین ریسک سیستمی با ویژگی‌های بانک‌هاست که رابطۀ بین متغیرهای سهم درآمدهای غیر بهره‌ای، اندازۀ بانک، بازدۀ حقوق صاحبان سهام و نسبت دارایی‌های مشهود با ریسک سیستمی در سطح احتمال 5 درصد معنا‌دار است. از طرفی، متغیرهای نرخ رشد دارایی‌ها، نسبت تسهیلات به دارایی‌ها، نسبت سپرده‌ها به دارایی‌ها، نسبت دارایی‌های نقدی و نسبت هزینه‌ها به درآمدها با ریسک سیستمی در سطح 5 درصد، رابطۀ معناداری ندارد. متغیر ریسک سیستمی با متغیرهای نسبت سپرده‌ها به دارایی‌ها، اندازۀ بانک، بازدۀ حقوق صاحبان سهام، نسبت دارایی‌های مشهود و نسبت هزینه‌ها به درآمدها رابطۀ منفی دارد. متغیرهای نرخ رشد دارایی‌ها، سهم درآمد‌های غیر بهره‌ای، نسبت تسهیلات به دارایی‌ها و نسبت دارایی‌های نقدی با ریسک سیستمی رابطۀ مثبت دارد.

نتایج بررسی رابطۀ بین پیوند سیستمی با ویژگی‌های بانک‌ها نشان از آن دارد که بین متغیرهای نرخ رشد دارایی‌ها، سهم درآمدهای غیربهره‌ای، نسبت سپرده‌ها به دارایی‌ها، اندازۀ بانک و نسبت دارایی‌های مشهود با پیوند سیستمی در سطح احتمال 5 درصد، رابطۀ معناداری وجود دارد. در مقابل، رابطۀ بین متغیرهای نسبت تسهیلات به دارایی‌ها، بازدۀ حقوق صاحبان سهام، نسبت دارایی‌های نقدی و نسبت هزینه‌ها به درآمدها با پیوند سیستمی در سطح احتمال 5 درصد، معنادار نیست. متغیرهای نرخ رشد دارایی‌ها، سهم درآمدهای غیر بهره‌ای، اندازۀ بانک، بازدۀ حقوق صاحبان سهام، نسبت دارایی‌های نقدی و نسبت دارایی‌های مشهود با پیوند سیستمی، رابطۀ مثبت دارد. رابطۀ بین متغیرهای نسبت تسهیلات به دارایی‌ها، نسبت سپرده‌ها به دارایی‌ها و نسبت هزینه‌ها به درآمدها با پیوند سیستمی منفی است.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول (3) نتایج آزمون رگرسیون اتو رگرسیو بین شاخص ریسک سیستمی و اجزای آن با ویژگی‌های بانک

Table (3) Results of ARDL regression between systemic risk index and banks characteristics

نتایج آزمون رگرسیون اتورگرسیو با وقفۀ توزیعی (ARDL)

آمارۀ آزمون

شاخص ریسک سیستمی ( )

شاخص پیوند سیستمی ( SL)

شاخص ریسک دنباله ( IR)

متغیرها

سطح اهمیت

احتمال آماره

سطح اهمیت

احتمال آماره

سطح اهمیت

احتمال آماره

AGR

629277/4

0848/0

421658/5

0001/0

-76633/14

0004/0

NII

013705/0

0002/0

010633/0

0000/0

009391/0

3803/0

LTA

052140/0

6987/0

-034058/0

5300/0

434782/0

1172/0

DTA

-549264/1

0902/0

-166803/1

0048/0

787693/1

0000/0

SIZE

472469/0-

0258/0

147497/0

0195/0

-234825/0

0394/0

ROE

016747/0-

0016/0

000887/0

7794/0

-019940/0

0000/0

LIQUIDITY

626337/0

5200/0

511599/0

3215/0

181510/1

1128/0

TANGIBILITY

-933487/5

0000/0

831655/2

0000/0

751538/0

4140/0

CTI

-000891/0

5637/0

-000109/0

9032/0

-016718/0

0424/0

S.D. dependent var

326535/0

270895/0

155300/0

Mean dependent var

021084/0

026224/0

-005140/0

S.E. of regression

263179/0

233182/0

131825/0

Sum squared resid

22929/13

38540/10

319172/3

Log Likelihood

3731/169

0304/236

5728/321

 

نتایج بررسی رابطۀ بین ریسک دنباله با ویژگی‌های بانک‌ها نشان‎دهندۀ آن است که رابطۀ معناداری بین متغیرهای نرخ رشد دارایی‌ها، نسبت سپرده‌ها به دارایی‌ها، اندازۀ بانک، بازدۀ حقوق صاحبان سهام و نسبت هزینه‌ها به درآمدها با ریسک دنباله در سطح احتمال 5 درصد وجود دارد. درمقابل، رابطۀ بین متغیرهای سهم درآمدهای غیربهره‌ای، نسبت تسهیلات به دارایی‌ها، نسبت دارایی‌های نقدی و مشهود با ریسک دنباله در سطح احتمال 5 درصد، معنادار نیست. متغیرهای نرخ رشد دارایی‌ها، اندازۀ بانک، بازدۀ حقوق صاحبان سهام و نسبت هزینه‌ها به درآمدها با ریسک دنباله، رابطۀ منفی دارد. در مقابل، ارتباط بین متغیرهای سهم درآمدهای غیر بهره‌ای، نسبت تسهیلات به دارایی‌ها، نسبت سپرده‌ها به دارایی‌ها، نسبت دارایی‌های نقدی و نسبت دارایی‌های مشهود با ریسک دنباله نشان‌دهندۀ رابطه‌ای مثبت است.

نتایج رگرسیون شاخص ریسک سیستمی و ابعاد آن با متغیر تحریم‌های اقتصادی به‌عنوان متغیر مستقل در کنار سایر متغیرهای فوق نشان از آن دارد که در سطح احتمال یک درصد، تحریم‌های اقتصادی موجب افزایش ریسک دنباله بانک‌ها در کوتاه‌مدت می‌شود.

بررسی رابطۀ بین شاخص ریسک‌های مالی با عملکرد مالی بانک‌ها: آمار توصیفی داده‌های مربوط به شاخص ریسک‌های مالی و عملکرد مالی بانک‌ها به شرح جدول (4) است:

 

 

 

 

 

 

 

 

جدول (4) آمار توصیفی متغیرهای پژوهش مربوط به شاخص ریسک‌های مالی و عملکرد مالی بانک‌ها

Table (4) Descriptive statistics for the variables of financial risks and banks financial performance

 

CRWA

ORWAR

NSFR

NIM

 

EVA

میانگین

0414/0

2334/1

9385/0

0539/0

0184/0

-4072/0

میانه

0410/0

9241/0

9099/0

-0006/0

0179/0

-2151/0

ماکزیمم

4297/0

4105/73

1323/3

1228/2

0518/0

0926/2

مینیمم

-1065/0

-6096/19

2014/0

-1110/0

0007/0

-0489/4

انحراف معیار

0652/0

4904/6

3566/0

2905/0

0093/0

8362/0

چولگی

0592/2

6850/9

7416/2

6997/4

4936/0

-6735/1

کشیدگی

7701/13

5966/111

9105/15

0376/27

9138/3

7843/7

 

با توجه به نوع داده‌ها که از نوع تابلویی و مقطعی است، از آزمون ریشۀ واحد فصلی (آزمون هگی) برای بررسی مانایی متغیرهای این رگرسیون شامل سرمایۀ نظارتی به دارایی موزون‌شده به ریسک (CRWA)، سرمایۀ پایه به دارایی موزون‌شده به ریسک عملیاتی (ORWAR)، خالص منابع پایدار (NSFR)، ریسک نرخ بهره (NIM)، متغیر‌ شاخص ریسک سیستمی ( ) و متغیر ارزش‌افزودۀ اقتصادی (EVA) استفاده شده است. نتایج آزمون نشان از مانابودن تمامی متغیرها دارد. در این بخش نیز به دلیل احتمال اثرگذاری با وقفۀ متغیرهای مستقل (شاخص‌ ریسک‌های مالی) بر متغیر وابسته (ارزش‌افزودۀ اقتصادی بانک‌ها) از مدل رگرسیون اتورگرسیو با وقفۀ توزیعی استفاده شده است. با انجام آزمون هم‌جمعی کائو، هم‌جمعی متغیرها در سطح احتمال 5 درصد تأیید شد. آزمون عامل تورم واریانس برای بررسی هم‌خطی بین متغیرها استفاده شد که نتایج آزمون نشان‌دهندۀ آن بود که متغیرهای آزمون دارای هم‌خطی نیست. درنهایت، انجام آزمون زوجی متغیرها حاکی از آن است که فرض مساوی‌بودن میانگین متغیرها رد شده است؛ یعنی متغیرها میانگین یکسانی نداشته است و اثر مضاعفی برای برآورد روابط بین متغیرها ندارد.

رگرسیون رابطۀ بین شاخص ریسک‌های مالی با عملکرد مالی بانک‌ها: طبق نتایج جدول (5) بین تمام متغیرهای شاخص ریسک‌های مالی یعنی شاخص ریسک اعتباری (نسبت سرمایۀ نظارتی به دارایی موزون‌شده به ریسک اعتباری)، عملیاتی (نسبت سرمایۀ پایه به دارایی موزون‌شده به ریسک عملیاتی)، نقدینگی (نسبت خالص منابع پایدار)، بازار (ریسک نرخ بهره) و سیستمی ( ) با متغیر ارزش‌افزودۀ اقتصادی بانک‌ها در سطح احتمال 5 درصد رابطه‌ای معنادار وجود دارد. متغیر ارزش‌افزودۀ اقتصادی با متغیرهای سرمایۀ نظارتی به دارایی موزون‌شده به ریسک اعتباری، خالص منابع پایدار و متغیر ریسک سیستمی رابطۀ مثبت دارد. از طرفی بین متغیرهای سرمایۀ پایه به دارایی موزون‌شده به ریسک عملیاتی و ریسک نرخ بهره با متغیر ارزش‌افزودۀ اقتصادی بانک‌ها رابطۀ منفی وجود دارد.

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول (5) نتایج آزمون رگرسیون اتورگرسیو با وقفۀ توزیعی بین شاخص ریسک‌های مالی با عملکرد مالی بانک‌ها

Table (5) Results of ARDL regression between financial risk index and banks financial performance

نتایج آزمون اتورگسیو با وقفه توزیعی (ARDL)

آمارۀ آزمون

سطح اهمیت

احتمال آماره

CRWA

256499/1

0233/0

ORWAR

-004189/0

0051/0

NSFR

-036230/0

0155/0

NIM

-268895/0

0221/0

 

108292/1

0124/0

S.D. dependent var

012416/1

Mean dependent var

-158619/0

S.E. of regression

846191/0

Sum squared resid

53025/41

Log likelihood

-10852/66

 

نتایج و پیشنهادها

نتایج پژوهش نشان‌دهندۀ آن بود که ریسک سیستمی بانک‌های پست‌بانک، تجارت و ملت همواره بیش از میانگین بازار و ریسک سیستمی بانک‌های کارآفرین و اقتصادنوین همواره کمتر از میانگین ریسک سیستمی بازار بوده است. با بررسی نمودار ریسک دنبالۀ بانک‌ها، این‌گونه استنباط می‌شود که یکی از دلایل افزایش چشمگیر شاخص IR در سال‌های 1397-1396، با توجه به بررسی متغیر مجازی تحریم در این پژوهش، خروج آمریکا از برجام و افزایش تنش‌های سیاسی و تحریم‌های اقتصادی بوده است. به علت تغییر سیاست‌های نظارتی نهاد ناظر در سال‌های 1397-1395 و نپذیرفتن آن از سوی برخی از بانک‌ها، که سبب توقف معاملات آنها در بورس شد، این نیز به کاهش پیوند سیستمی بانک‌ها منجر شده است. این نتایج متفاوت با یافته‌های فرزین‌وش و همکاران (2017) درخصوص ارزیابی ریسک سیستمی در بانک‌های پذیرفته‌شده در بورس با معیار ارزش در معرض خطر تفاضلی است. همین‌طور با یافته‌های اسدی و همکاران (2022) درخصوص رابطۀ مستقیم تحریم و ریسک سیستمی بانک‌ها هماهنگ است.

با بررسی رابطۀ ویژگی‌های بانک‌ها با ریسک سیستمی محاسبه‌شده، مشخص شد رابطۀ بین اندازۀ بانک با ریسک سیستمی و ریسک دنبالۀ آن منفی و معنادار است. این بدان معناست که با افزایش اندازۀ بانک ریسک سیستمی و ریسک دنبالۀ آن، که مختص هر بانک است، کاهش می‌یابد. رابطۀ بین اندازۀ بانک با پیوند سیستمی، مثبت و معنادار است؛ یعنی با افزایش اندازۀ بانک‌ها، روابط بین آنها افزایش یافته و درنتیجه پیوند سیستمی نیز افزایش می‌یابد. این یافته‌ها با نتایج اوردت و ژو (2018) و تاباک و همکاران[64] (2013) هماهنگ بوده و با نتایج برونرمایر[65] (2012)، جیراردی و ارگون (2013) و حسینی و مصطفوی (2017) درخصوص رابطۀ بین ریسک سیستمی و اندازۀ بانک در تضاد است. رابطۀ نرخ رشد دارایی‌ها با پیوند سیستمی رابطه‌ای مثبت و معنادار و با ریسک دنباله، منفی و معنادار است. این بدان معناست که با افزایش دارایی‌های بانک، ارتباط آن در سیستم بانکی افزایش یافته و درنتیجه پیوند سیستمی افزایش و ریسک دنبالۀ بانک همانند رابطۀ آن با اندازۀ بانک کاهش می‌یابد. نسبت سپرده‌ها به دارایی‌ها با پیوند سیستمی ارتباط منفی و معنا‌دار و با ریسک دنباله، ارتباط مثبت و معنادار دارد. بیان می‌شود با جذب منابع از سوی بانک و درنتیجه افزایش سپرده‌ها، نیاز بانک را به تأمین مالی از سایر منابع محدود می‌کند. این خود به کاهش ریسک پیوند سیستمی بانک منجر خواهد شد. البته با افزایش این نسبت به دلیل تأمین مالی خرید دارایی‌ها از محل سپرده‌ها، که درواقع بدهی بانک‌ها به سپرده‌گذاران محسوب می‌شود، ریسک دنبالۀ بانک افزایش می‌یابد؛ درنتیجه، بانک باید این نسبت‌ها را مطابق استانداردهای کمیتۀ بازل 3 مدیریت کند. نسبت بازدۀ حقوق صاحبان سهام با ریسک سیستمی و ریسک دنبالۀ بانک، ارتباط منفی و معنادار دارد. این بدان معناست هرچه بازدۀ حقوق صاحبان سهام بیشتر باشد، ریسک دنبالۀ بانک و به‌طور کلی ریسک سیستمی آن کمتر است. بانک‌ها با بهبود عملکرد و افزایش سودآوری خود، ریسک دنباله و به‌طور کلی ریسک سیستمی خود را کاهش می‌دهد. بین نسبت دارایی‌های مشهود با ریسک سیستمی رابطۀ منفی و معنادار وجود دارد. این نسبت که از تقسیم حقوق صاحبان سهام به دارایی‌های بانک پس از کسر دارایی‌های نامشهود از صورت و مخرج حاصل می‌شود، بدان معناست که با افزایش این نسبت، سهم حقوق صاحبان سهام از دارایی‌های مشهود بانک افزایش یافته و درنتیجه ریسک سیستمی بانک کاهش می‌یابد.

همان‌طور که نتایج نشان‌دهندۀ رگرسیون رابطۀ بین شاخص ریسک‌های مالی با ارزش‌افزودۀ اقتصادی بانک‌هاست، بین متغیر ارزش‌افزودۀ اقتصادی بانک‌ها و نسبت سرمایۀ نظارتی به دارایی موزون‌شده به ریسک اعتباری، رابطۀ مثبت و معناداری وجود دارد. از آنجایی که این نسبت معیار حساسیت استفاده از دارایی‌ها از سوی بانک است، نشان‌دهندۀ میزان در معرض ریسک‌بودن دارایی‌ها و اقلام خارج از ترازنامۀ بانک است؛ یعنی با افزایش این نسبت، استفادۀ بانک از منابع و دارایی‌ها با ریسک بیشتر افزایش یافته است؛ درنتیجه ارزش‌افزودۀ اقتصادی آن افزایش می‌یابد. این یافته‌‌ها با تاسئو و هایلو (2019) و سیمامورا و اوسواری (2019) در تضاد و با نتایج فدایی واحد و همکاران (2016) هماهنگ است. بانک با مدیریت ریسک دارایی‌ها، ارزش‌افزودۀ اقتصادی خود را افزایش می‌دهد. رابطۀ بین شاخص سرمایۀ پایه به دارایی موزون‌شده به ریسک عملیاتی با متغیر ارزش‌افزودۀ اقتصادی بانک‌ها رابطۀ منفی و معنادار است. این نشان‌دهندۀ آن است که با افزایش ریسک عملیاتی بانک، ارزش‌افزودۀ اقتصادی آن کاهش می‌یابد. نتایج پژوهش در این بخش با تاسئو و هایلو (2019) و سیمامورا و اوسواری (2019) هماهنگ است. درنهایت، حاشیۀ بهرۀ خالص به‌عنوان شاخص ریسک نرخ بهره در این پژوهش، که یکی از عوامل ریسک بازار بانک است، با ارزش‌افزودۀ اقتصادی بانک‌ها، رابطۀ منفی و معنا‌دار دارد. افزایش در این نسبت به ناتوانی بانک در پرداخت بهره به سپرده‌ها از محل بهره دریافتی از تسهیلات ‌منجر می‌شود. از آنجایی ‌که این نسبت حاصل تفاضل نرخ پرداختی به سپرده‌ها از نرخ دریافتی از تسهیلات است، کاهش در این نسبت به کاهش ریسک بانک و درنتیجه افزایش ارزش‌افزودۀ اقتصادی بانک منجر می‌شود. یافته‌های پژوهش با نتایج تاسئو و هایلو (2019) و حسینی و همکاران (2016) هماهنگ است. مدیران بانک‌ها با مدیریت سررسید سپرده‌ها و تسهیلات خود به‌خصوص در مواقع تغییر نرخ بهره بانکی، این ریسک را کاهش می‌دهند و به افزایش ارزش‌افزودۀ اقتصادی بانک کمک می‌کنند.

از مهم‌ترین محدودیت‌های پژوهش حاضر، به ریز‌ساختارهای بازار سرمایۀ ایران مانند دامنۀ نوسان روزانۀ قیت سهام و حجم مبنا اشاره می‌شود که در صورت نبودِ این محدودیت‌ها، نتایج حاصل از پژوهش ممکن است تغییر کند. بانک‌های موجود در صنعت بانکداری کشور بسیار بیشتر بوده است؛ ولی به‌دلیل اینکه در بورس پذیرفته نشده یا در سال‌های اخیر در بورس پذیرفته شده‌، از نمونۀ مورد بررسی حذف شده که این به از بین رفتن و نادیده‌گرفتن ارتباط و تأثیر این بانک‌ها بر یکدیگر و انتشار ریسک سیستمی منجر شده است. از دیگر محدودیت‌های پژوهش، در دسترس نبودن بخشی از اطلاعات برخی از بانک‌ها در دورۀ موردبررسی و تغییر ساختار کلی نگارش صورت‌های مالی بانک‌ها در سال‌های اخیر بوده است که به محدودیت در دسترسی اطلاعات منجر شد. براساس پژوهش‌های انجام‌شده در این حوزه و نتایج پژوهش حاضر، برای پژوهش‌های آتی استفاده از سایر متغیرهای ریسک سیستمی مانند MES و CoVaR، بررسی تأثیر سایر متغیرهای ریسک نقدینگی، ریسک بازار، ریسک عملیاتی و ریسک اعتباری بر ارزش‌افزودۀ اقتصادی بانک‌ها، بررسی اثر اختلاس‌های بزرگ مالی بر ارزش‌افزودۀ اقتصادی بانک‌ها و استفاده از دیگر متغیرهای کمکی مانند تورم، نقدینگی و نرخ بهره بانکی پیشنهاد می‌شود.

 

 

 

[1]. Conditional value at risk

[2]. Tail-event driven network risk

[3]. Marginal expected shortfall

[4]. Systemic expected shortfall

[5]. Systemic risk index

[6]. Susceptible, infected and recovered

[7]. Bank tail risk

[8]. Systemic linkage

[9]. Extereme value theory

[10]. Balkema & De Haan

[11]. Pickands

[12]. Generalized Pareto Distribution (GPD)

[13]. Hill

[14]. Independent and identically distributed

[15]. CAMEL ratios

[16]. Economic value added (EVA)

[17]. Abate, Grant & Stewart

[18] .Lehman Brothers

[19]. Adrian & Brunnermeier

[20] .Value at risk

[21]. Acharya et al.

[22]. Brownlees & Engle

[23]. Chao et al.

[24]. Systemic network risk index (SNRI)

[25]. Systemic fragility index (SFI)

[26]. Systemic hazard index

[27]. Engle et al.

[28]. Deutsche bank

[29]. Barclays

[30]. Lin et al.

[31]. Jiang et al.

[32]. Vine-copula-GARCH- MIDAS (Mixed Data Sampling) model

[33]. Abuzayed et al.

[34]. Dynamic conditional correlation

[35]. Escobar et al.

[36] .Friedman test

[37]. Simamora & Oswari

[38]. Tassew & Hailu

[39]. Girardi & Ergun

[40] .Oordt & Zhou

[41]. ARDL (Autoregressive Distributed Lag)

[42]. Python

[43]. Eviews

[44]. Bank tail risk

[45]. Systemic linkage

[46]. Ordinary least square regression

[47]. Weighted average cost of capital

[48]. Capital asset pricing model

[49]. Credit risk weighted asset

[50]. Operational risk weighted asset ratio

[51]. Net sustainable financial resources

[52]. Net interest margin

[53]. HEGY

[54]. Asset growth rate

[55]. Net interest income

[56]. Loan to asset

[57]. Deposit to asset

[58]. Return on equity

[59]. Liquid asset ratio

[60]. Tangible asset ratio

[61]. Cost to income

[62] .Kao test

[63] .Variance inflation factor (VIF)

[64]. Tabak et al.

[65]. Brunnermeier

مراجع

اسدی، زهره. و یاوری، کاظم. (1400). اثر تحریم‌ها بر ناپایداری مالی بانک‌های ایران. فصلنامۀ علمی پژوهشی اقتصاد مقداری، 18 (4)، 35-1.
حسینی، سیدفرهنگ. و مصطفوی، فاطمه. (1395). اثر اندازه و تنوع درآمدها بر ریسک سیستمی بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران. فصلنامۀ مدل‌سازی ریسک و مهندسی مالی، 1 (1)، 36-20.
حسینی، محبوبه.، زمانیان، غلامرضا. و میرباقری جم، محمد. (1395). بررسی تأثیر نوسان‌های نرخ ارز بر شاخص‌های عملکرد مالی بانک‌های حاضر در بورس اوراق بهادار تهران. پژوهش‌های مدیریت عمومی، 33 (9)، 267-251. https://doi.org/10.22111/JMR.2016.2857
حکمتی‌فرید، صمد.، رضازاده، علی. و مالک، علی. (1397). برآورد ریسک سیستمی در بخش‌های مالی اقتصاد ایران (رهیافت ارزش در معرض ریسک شرطی تفاضلی). فصلنامۀ مدل‌سازی اقتصادی، 12 (3)، 122-9.
رستگار، محمد علی. و کریمی، نسرین. (1395). ریسک سیستمی در بخش بانکی. فصلنامۀ مدل‌سازی ریسک و مهندسی مالی، 1 (1)، 19-1.
زمانی، زهرا.، جنتی، ابوالفضل. و قربانی، مریم. (1397). تأثیر نوسان‌های نرخ ارز بر عملکرد نظام بانکی ایران. فصلنامۀ مطالعات مالی و بانکداری اسلامی، 4 (1)، 104-81.
سودانی، احمد. (1396).  رتبه‌بندی بانک‌ها و مؤسسات مالی بر مبنای شاخص‌های بین‌المللی کملز، فصلنامۀ پژوهش‌های پولی - بانکی، 10 (13)، 141-171.
عیوضلو، رضا و رامشگ، مهدی. (1398). اندازه‏‌گیری ریسک سیستمی با استفاده از کسری نهایی موردانتظار و ارزش در معرض خطر شرطی و رتبه‌بندی بانک‌ها. مدیریت دارایی و تأمین مالی، 7 (4)، 16-1.
فدائی واحد، میثم.، ذاکرنیا، احسان. و خواجه‌زاده دزفولی، مهدی. (1395). اولویت‌بندی عوامل مؤثر بر انتخاب شیوۀ تأمین مالی در ایران با استفاده از روش TOPSIS در محیط فازی مبتنی بر متغیرهای کلامی. فصلنامۀ مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 7 (27)، 70-53.
فدائی واحد، میثم.، دهقان دهنوی، محمد علی.، دیواندری، علی. و امیری، میثم. (1399). بررسی تأثیر شاخص‌های ریسک و رقابتی بانک‌ها بر ریسک سیستمی با رویکرد ریزش موردانتظار نهایی (MES) با استفاده از مدل GMM. دانش سرمایه‌گذاری، 9 (36)، 317-334.
فرزین‌وش، اسدالله.، الهی، ناصر.، گیلانی‌پور، جواد. و مهدوی، غدیر. (1396). ارزیابی ریسک سیستمی در شبکۀ بانکی ایران توسط معیار تغییرات ارزش در معرض خطر شرطی. فصلنامۀ مهندسی مالی و مدیریت اوراق بهادار، 8 (33)، زمستان 1396، 265-281
کاظمی، معین.، زمانی، شیوا. و اسلامی بیدگلی، سعید. (1391). محاسبۀ ارزش در معرض ریسک با استفاده از نظریۀ ارزش فرین. فصلنامۀ بورس اوراق بهادار، 6 (21)، 136-115.
محمدی، یادگار.، محمدی، اسفندیار. و اسماعیلی‌کیا، غریبه. (1399). مقالۀ پژوهشی: بررسی اثرات بلندمدت و کوتاه‌مدت متغیرهای کلان اقتصادی بر هزینۀ سرمایه شرکت‌ها. راهبرد مدیریت مالی. 8 (3)، 119-146.
نمکی، علی.، عباسیان، عزت‌الله. و شفیعی، الهه. (1401). تجزیه‌وتحلیل میزان ریسک سیستمی شرکت‌های بورس اوراق بهادار تهران با استفاده از رویکرد سیستم‌های پیچیده. راهبرد مدیریت مالی، 10 (1). 112-91. https://doi.org/10.22051/JFM.2020.30910.2360
ولی پور، هاشم.، الماسی، محمدرضا. و کایدی، سیدایمان. (1390). ساختار سرمایه، میانگین موزون هزینۀ سرمایه و روند تغییرات آنها. پژوهش‌های حسابداری مالی و حسابرسی، 3 (12)، 215-185.
 
 
References
Abate, J., Grant, J. & Stewart, G. (2004). The EVA style of investing. Journal of Portfolio Management, 30 (4), 61-72.
Abuzayed, B., Bouri, E., Al-Fayoumi, N. & Jalkh, N. (2021). Systemic risk spillover across global and country stock markets during the COVID-19 pandemic. Economic Analysis and Policy, 71, 180-197.
Acharya, V., Pedersen, L., Philippon, T. & Richardson, M. (2009). Regulating systemic risk. In V. V. Acharya and M. Richardson (Eds.), Restoring Financial Stability: How to Repair a Failed System, 283–304. Hoboken, NJ: John Wiley and Sons.
Acharya, V., Engle, R. & Richardson, M. (2012). Capital shortfall: A new approach to ranking and regulating systemic risks. The American Economic Review. 102(3), 59-64.
Acharya, V., Pedersen, H., Philippon, T. & Richardson, M. (2017). Measuring systemic risk. The Review of Financial Studies, 30 (1), 2–47.
Adrian, T. & Brunnermeier, M. (2011). CoVaR. Working Paper. Princeton University.
Ang, A., Chen, J. & Xing, Y. (2006). Downside risk, The Review of Financial Studies, 19 (4), 1191–1239.
Ariffin, N., Archer, S. & Karim, R. (2009). Risks in Islamic banks: Evidence from empirical research. Journal of Banking Regulation, 10, 153-163.
Asadi, Z., Yavari, K. (2022). The effect of sanctions on financial instability of Iranian banks. Quarterly Journal of Quantitative Economics, 18(4), 1-35.
Balkema, A. & De Haan, L. (1974). Residual life time at great age. Annals of Probability, 2, 792-804.
Barr, S., Killgo, A., Siems, F. & Zimmel, S. (2002). Evaluating the productive efficiency and performance of US commercial banks, Managerial Finance, 28 (8), 3-25.
Bausch, A., Barbara, E. and Blome, M. (2003). Is market value-based residual income a superior performance measure compared to book value-based residual income?, Working Paper, No. 1, Justus-Liebig-Universitat.
Borio, C. (2014). The financial cycle and macroeconomics: What have we learnt? Journal of Banking &Finance, 45, 182-198.
Brownlees, C. & Engle, R. (2011). Volatility, correlation and tails for systemic risk measurement. Available at SSRN, Working Paper. 1611229.
Brownlees, C. & Engle, R. (2017). SRISK: A Conditional capital shortfall measure of systemic risk, The Review of Financial Studies, 30(1), 48–79.
Brunnermeier, M., Dong, G. & Palia, D. (2012). Banks' non-interest income and systemic risk, Princeton: Princeton University. Working Paper.
Chao, S., Hardle, W. & Wang, W. (2015). Quantile regression in risk calibration. New York: Springer.
Eivazloo, 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. Journal of Asset Management and Financing, 7 (4), 1-16.
Engle, R., Jondeau, E. & Rockinger, M. (2015). Systemic risk in Europe, Review of Finance, 19 (1), 145–190.
Escobar, O, Escobar, J. & Manotas, D. (2022). Measurement of systemic risk in the Colombian banking sector. Risks. 10(1), 22.
Fadaeevahed, M., Zakernia, E. & Khajezadeh, M. (2016). Prioritize the factors affecting the choice of mode of financing in Iran using TOPSIS method based on the fuzzy linguistic variables. Financial Engineering and Portfolio Management, 7(27), 53-70.
Fadaeevahed, M., Dehghandehnavi, M., Divandari, A. & Amiry, M. (2020). Investigating the effect of risk and competitiveness indicators of banks on systemic risk with the marginal expected shortfall (MES) approach using the GMM model. Journal of Investment Knowledge, 9(36), 317-334.
Farzinvash, A., Elahi, N., Gilanipour, J. & Mahdavi, G. (2017). The evaluation of systemic risk in the Iran banking system by delta conditional value at risk (CoVaR) criterion. Financial Engineering and Portfolio Management. 8 (33), 265-281.
Gakure, R., Ngugi, J., Ndwiga, P. & Waithaka, S. (2012). Effect of credit risk management techniques on the performance of unsecured bank loans employed commercial banks in Kenya. International Journal of Business and Social Research, 4 (5),221-236.
Girardi, G. & Ergun, A. (2013). Systemic risk measurement: Multivariate GARCH estimation of CoVaR. Journal of Banking & Finance, 37(8), 3169-3180.
Hekmatifarid, S., Rezazadeh, A. & Malek, A. (2019).  The estimation of systematic risk in Iranian financial sectors (ΔCoVaR approach). Journal of Economic Modeling. 12(3), 9-122.
Hill, B. (1975). A simple general approach to inference about the tail of a distribution. Annals Statistics, 3, 1163–1173.
Hoseini, S. & Mostafavi, S. (2017). The effects of size and revenue diversification on systemic risk for listed banks in TSE. Journal of Risk Modeling and Financial Engineering, 1(1), 20-36.
Hoseyni, S., Zamanian, G. &Mirbagherijam, M. (2016). Survey the impact of exchange rate fluctuations on financial performance indicators of banks listed in the Tehran Stock Exchange. Public Management Researches, 9(33), 251-267.
Jiang, C., Li, Y., Xu, Q. & Liu, Y. (2021). Measuring risk spillovers from multiple developed stock markets to China: A vine-copula-GARCH-MIDAS model. International Review of Economics & Finance, 75, 386-398.
Kazemi, M., Zamani, S. & Eslamibidgoli, S. (2012). Calculating the stock exchange index Value at Risk using extreme value theory. Journal of Stock Exchange, 115-136.
Lin, E., Sun, E. & Yu, M. (2018). Systemic risk, financial markets, and performance of financial institutions. Annals of Operations Research, 262, 579–603.
Lopez-Espinosa, G., Rubia, A., Valderrama, L. & Anton, M. (2013). Good for one, bad for all: Determinants of individual versus systemic risk, Journal of Financial Stability, 9 (3), 287-299.
Manganelli, S., & Engle, R. (2001). Value at risk models in finance. Working Paper, European Central Bank.
Mohammadi, Y., Mohammadi, A. & Esmailikia, G. (2020). The investigation of the long-run and short-run effects of macroeconomic variables on companies’ capital cost. Financial Management, 8(3), 119-146.
Namaki, A., Raei, R., Asadi, N., & Hajihasani, A. (2019). Analysis of Iran banking sector by Multi-Layer Approach. Iranian Journal of Finance, 3(1), 73-89.
Namaki, A, Raei, R., Ardalankia, J., Hedayatifar, L., Hosseiny, A., Haven, E. & Jafari, G. (2021). Analysis of the global banking network by random matrix theory. Frontiers in Physics, 8, 1-8.
Namaki, A., Abbasian, E.& Shafiei, E. (2022). Analyzing of systemic risk contributions of Tehran Stock Exchange companies by complexity approach. Financial Management Strategy, 10(1), 91-112.
Oordt, M. & Zhou, C. (2018). Systemic risk and bank business model. Journal of Applied Econometrics. 34(3), 365-384.
Pickands, J. (1975). Statistical inference using extreme value order statistics. Annals of Statistics, 3, 119-131.
Rastegar, M. & Karimi, N. (2016). Systemic risk in TSE banking sector. Journal of Risk Modeling and Financial Engineering, 1(1), 1-19.
Schwarcz, S. (2008). Systemic risk. Duke Law School Legal Studies Paper. 163, 97(1).
Sharifova, M. (2014). Essay on measuring systemic risk, Ph.D. Thesis in Economics, University of California, Santa Cruz.
Sheu, H. & Cheng, C. (2012). Systemic risk in Taiwan stock market. Journal of Business Economics and Management, 13(5), 895-914.
Simamora, R.& Oswari, T. (2019). The effects of credit risk, operational risk and liquidity risk on the financial performance of banks listed in Indonesian stock exchange. International Journal of Economics, Commerce and Management, 7(5), 182-193.
Soudani, A. (2017). Ranking of Iranian Banks based on the CAMELS international indicators, Journal of Monetary & Banking Researches, 10(31), 141-171.
Stewart, G. (1991). The quest for value: The EVA TM management guide. New York: Harper Business.
Tabak, B., Fazio, D. & Cajueiro, D. (2013). Systemically important banks and financial stability: The case of Latin America. Journal of Banking and Finance, 37(10), 3855–3866.
Tassew, A. & Hailu, A. (2019). The effect of risk management on financial performance of commercial banks in Ethiopia. Financial Studies, 23, 25-38.
Valipour, H., Almasi, M. & Kayedi, S. (2012). Capital structure, weight average cost of capital and their changes process. The Financial Accounting and Auditing Researches. 3 (12), 185-215.
Zamani, Z., Jannati, A. & Ghorbani, M. (2018). The impact of currency fluctuations on Iran's banking system performance. Journal of Islamic Finance and Banking Studies. 81-104.
Zhang, X., Fu, Q., Lu, L., Wang, Q. & Zhang, S. (2021). Bank liquidity creation, network contagion and systemic risk: Evidence from Chinese listed banks. Journal of Financial Stability, 53, 1-14.
Zou, J., Fu, X., Yang, J. & Gong, C. (2022). Measuring bank systemic risk in China: A network model analysis. Systems, 10(1), 14.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار