طراحی سیستم هشدار سریع جهت پیش بینی زمان در معرض ورشکستگی قرار گرفتن بانک‌ها

نوع مقاله: مقاله پژوهشی

نویسنده

دکترای اقتصاد و پژوهشگر پژوهشکده پولی و بانکی

چکیده

 ورشکستگی بانک‌ها اثرات مخربی بر شبکه بانکی داشته و اثرات آن بر سایر بانک‌ها نیز سرایت یافته و کل اقتصاد را تحت تأثیر قرار می‌دهد. هدف اصلی این مقاله طراحی سیستم پیش‌بینی زمان در معرض ورشکستگی قرار گرفتن بانک‌ها بر اساس نوع مالکیت و بررسی اثرات شاخص‌‌های پیشرو در پیش‌بینی زمان در معرض ورشکستگی قرار گرفتن بانک‌ها در ایران با بکارگیری الگوی کاپلان میر و الگوی مخاطره کاکس در چارچوب تحلیل بقا است. به همین منظور از صورت مالی بانک‌ها در دوره 1393-1380 استفاده شده است. نتایج حاکی از آن است که بقای بانک‌های ایران تحت تأثیر 13 متغیر پیشرو است که ناظران بانکی می‌توانند با بکارگیری آن شاخص‌ها، بانک‌های در معرض خطر را شناسایی نمایند.  همچنین، نتایج نشان می‌دهد که بانک‌های خصوصی دارای کمترین زمان بقا بوده و شاخص‌های هزینه، ریسک اعتباری و ریسک نقدینگی به ترتیب مهمترین عوامل اثر گذار بر زمان در معرض ورشکستگی قرار گرفتن بانک‌ها هستند.

کلیدواژه‌ها


عنوان مقاله [English]

Design of Early Warning System for Predicting Exposure to Failure Time of Banks

نویسنده [English]

  • Azam Ahmadyan
Researcher in Monetary and Banking Research Institute of Iran
چکیده [English]

 
The collapse and failure of a bank could have devastating consequences to the entire banking system and widespread repercussion effect on other banks and the economy as a whole. The main objective of this paper is to design an early warning system for predicting failure time of banks by type of ownership and investigating the effects of the leading indicators in predicting bankruptcy of the Iran's banks using Kaplan-Meier model and Cox hazard model in survival analysis framework. For this purpose, banks financial statement over the period of 2001-2014 were used. The study showed that the survival of Iranian banks Influenced by 13 leading variable that banking supervisors can use these indices for identifying high-risk banks. The results have shown that private banks have been less shelf life and the cost indices, credit risk and liquidity risk are the most important factors affecting the time of bank’s insolvency. 
 

کلیدواژه‌ها [English]

  • Kaplan-Meier
  • Cox hazard model
  • Survival analysis
  • Insolvency
  • Early Warning System
1. احمدیان، اعظم (1393)، پایگاه داده‌ای شاخص‌های سلامت شبکه بانکی کشور. پژوهشکده پولی و بانکی.
2. صورت مالی بانک‌های کشور، مؤسسه عالی بانکداری ایران(1380-1393).
 
  
Abiola A, Babajide,. Felicia O, Olokoyo, and Folasade B, Adegboye,. (2015). Predicting bank failure in Nigeria using Survival Analysis Approach. Journal of South African Business Research, 2015(2015), 1-17.
  • Almanidis, P., and Sickles, R,. (2012). Banking crises, early warning models, and efficiency. Economics Department of Economics Rice University, Texas .
  • Anderson, H. (2008). Failure prediction of Norwegian banks: A Logit Approach. Norwegian: Financial Market Department of Norges Bank.
  • Bartels, B. (2006). Advances in duration modeling: the Ohio state university department of political science. The Ohio State University Department of Political Science: The Political Research Lab Statistics Corner Archive.
  • Betz, F,. Oprica, S,. Peltonen, T. A., and Sarlin, P,. (2013). Predecting distress in European banks. European Central Bank: WP: 1597.
  • Cole, R,. and Wu, Q,. (2010). Is Hazard or Probit more accurate in predicting financial distress? Evidence from U. S. bank failures. MPRA : 24688.
  • Cole, R. A., and Gunther, J.W. (1995). Separating the Likelihood ans timing of bank failure. Journal of Banking & Finance, 19(6), 1073-1089.
  • Cox, D. R. (1972). Regression models and Life-Tables. Journal of Royal Statistical Society, 34(2), 187-220.
  • Hanweck, G. A. (1977). Predicting bank failure. Board of Governors of the Federal Reserve System: Research Paper in Banking and Financial Economics, Financial Studies Section, Devision of Research and Statistics.
  • Lane, W.R., S.W. Looney and J.W. Wansley,.1986.An application of the Cox proportional Hazards Model to bank failure, Journal of Banking and Finance, 1986, pp. 511-531.
  • Li, Xiaofei,. Escalante, Cesar L,. Epperson, James E. (2014),. Agricultural banking and bank failures of the Late 2000s financial crisis: A Survival analysis using Cox proportional Hazard Model. Southern Agricultural Economics Association (SAEA) Annual Meeting, Dallas, Texas, 1-4 February 2014.
  • Jactiani, J., Kolari, J., Lemieux, C., Shin, H., (2003). Early warning models for bank supervision: Simpler could be better. Federal Reserve Bank of Chicago Economic Perspectives. 27, 49-60.
  • Kauffman, R. J., and Wang, B. (2001). New buyers arrival under dynamic pricing market microstructure: The Case of Group-Buying Discounts of the Internet. Journal of Management Information Systems, 18(2).
  • Okezie, A. C. (2011). Capital ratio as predictors of distress: A Case study of The Nigerian banking system. Global Journal of Human Social Science, 11(3).
  • Sales, A. S., Eduarda, M,. (2007). Explaining bank failures in Brazil: Micro, Macro and Contagion effects (1994-1998). Brazil: Central Bank of Brazil, WP:147.
  • Wheelock DC and PW Wilson (1995). Explaining bank failures: Deposit Insurance, Regulation, and Efficiency. Review of Economics and Statistics, 77(4): 689-700.