مدل‎سازی پیش‎ بینی بحران بانکی ایران با رویکرد مدل‌های میانگین‎ گیری بیزین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری اقتصاد دانشگاه علامه طباطبایی

2 استادیار اقتصاد دانشگاه علامه طباطبایی

3 دانشیار اقتصاد دانشگاه علامه طباطبایی

4 پژوهشگر، موسسه مطالعات و تحقیقات مبین

چکیده

بحران‌های بانکی متناوباً در حال وقوع می‌باشند. این موضوع نشانگر این است که مدل‎های هشدار پیش از وقوع فعلی، در شناسائی قبل از وقوع این بحران‌ها موفق نبوده‌اند. بررسی مدل‌های موجود نشان می‌دهد دلیل شکست این مدل‌ها عمدتاً ناشی از شناسایی متغیرهای توضیحی و طراحی تجربی مدل می‌باشد، که در این پژوهش سعی گردیده بهبود یابند. این پژوهش برای تعدیل مشکل نااطمینانی مدل با متوسط‌گیری از تمامی مدل‌ها (میانگین‌گیری بیزی)، به تعیین عوامل مؤثر بر بحران‌های بانکی در ایران پرداخته است. روش تحقیق حاضر کاربردی است. بازه زمانی تحقیق 1370 تا 1398 است. 49 متغیر به عنوان عوامل موثر بر بحران بانکی وارد مدل گردیدند. جامعه تحقیق حاضر، اقتصاد ایران در حوزه بانکی است. نتایج بیانگر این است که از میان مدل‌های BMA، TVP-DMA و TVP-DMS، BVAR و OLS، مدل TVP-DMA به عنوان کاراترین مدل تعیین گردید. بر اساس مدل TVP-DMA، 10 متغیر شکننده موثر بر بحران بانکی شناسایی شدند. در این پژوهش متغیرهای حجم اموال تملیکی؛ نسبت مطالبات سررسید شده و معوق به کل تسهیلات؛ کسری بودجه؛ نسبت خوداتکائی؛ Spread؛ انحراف نرخ ارز غیر رسمی از رسمی؛ دیرش دارایی‌ها و بدهی‌ها؛ دیرش نرخ بهره؛ شاخص نسبت کفایت سرمایه و نااطمینانی تورم مهم‌ترین متغیرهای موثر بر بحران بانکی شناسایی شدند. بر اساس نتایج تمامی متغیرهای فوق تأثیر مثبتی بر بحران بانکی دارند و در صورت تداوم این فرآیند افزایش احتمال وقوع بحران بانکی در سال‌های آتی را فراهم خواهد نمود. بر اساس نتایج، دیرش نرخ بهره، موثرترین شاخص بر بحران بانکی شناسایی گردید. با توجه به خروجی نتایج، می‌توان بیان داشت شاخص بحران بانکی در اقتصاد ایران معضلی با ابعاد گسترده است؛ چرا که متغیرهای مرتبط با سیاست‌گذارهای بخش پولی و مالی بر این شاخص اثرگذارند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Modelling of Banking Crisis Forecasting in Iran by BMA

نویسندگان [English]

  • Samaneh Sheikhli 1
  • Ali Nasiri Aqhdam 2
  • Hamid Amadeh 3
  • Hosein Doroodian 4
1 PhD Student in Economics, Allameh Tabatabai University,
2 Assistant Professor of Economics, Allameh Tabatabai University
3 Associate Professor of Economics, Allameh Tabatabai University
4 Researcher, Mobin Studies and Research Institute
چکیده [English]

Banking crises are occurring intermittently, indicating that predictive warning models are currently unsuccessful in identifying these crises before they occur. Examining the existing models shows that the reason for the failure of these models is mainly due to the identification of explanatory variables and the experimental design of the model, which were tried to be improved in this research. In order to adjust the model uncertainty problem, this research has determined the effective factors on banking crises in Iran by averaging all the models (Bayesian averaging). The results show that among the BMA, TVP-DMA and TVP-DMS, BVAR and OLS models, the TVP-DMA model was determined as the most efficient model. Based on the model, 10 fragile variables affecting the banking crisis were identified. Based on the results, all the variables have a positive effect on the banking crisis, and this shows the unfavorable banking situation, and the banking crisis index in Iran's economy is a problem with wide dimensions; Because variables related to monetary and financial policies affect this index

کلیدواژه‌ها [English]

  • Crisis
  • Banking Crisis
  • Bayesian

مراجع

  1. اکبرموسوی، صالح، سلمانی، بهزاد، حقیقت، جعفر و اصغرپور، حسین (1401). عوامل مؤثر در زیان بحران بانکی با تأکید بر چهارچوب‌های سیاستی. فصلنامه پژوهش پولی و بانکی، ۱۵(۵۱)، ۳۲-۱.
  2. بیانی، عذرا و محمدی، تیمور (1398). عوامل موثر بر بحران‌های مالی در اقتصاد ایران: رویکرد میانگین‌گیری بیزین. فصلنامه اقتصاد مقداری، 16(2)، 180-145.
  3. سلیمانی امیری، غلامرضا (1382). نسبت­های مالی و پیش‌بینی بحران مالی شرکت‌ها در بورس اوراق بهادار تهران. نشریه تحقیقات مالی، 5(15)، 136-121.
  4. صادقی شریف، محمد، طالبی، سید جلال، عالم تبریز، اکبر و کاتوزیان، محمدرضا (1398). مقایسه شاخص‌های تعیین آستانه بحران مالی بانک‌ها در سیستم هشدار سریع براساس عامل چرخه‌های تجاری. فصلنامه پژوهش‌های پولی- بانکی، 11(38)، 534- 501.
  5. صیادنیا طیبی، عزت الله، ارشدی، علی، صمدی، سعید و شجری، هوشنگ (1389). تبیین یک سیستم هشداردهنده جهت شناسایی بحران‌های مالی در ایران. فصلنامه پول و اقتصاد، 2(6)، 211-169.
  6. طالب نیا، قدرت‌اله، جهانشاد، آزیتا و پورزمانی، زهرا (1388).ارزیابی کارایی متغیرهای مالی و متغیرهای اقتصادی در پیش‌بینی بحران مالی شرکت‌ها. نشریه بررسی‌های حسابداری و حسابرسی، 16(55)، 84- 67.
  7. قوام، محمد حسین، عبادی، جعفر و محمدی، شاپور (1394). طراحی مدل هیبریدی هشداردهنده پیش از موعد بحران مالی برای اقتصاد ایران. فصلنامه مطالعات اقتصادی کاربردی ایران، 4(13)، 86-35.
  8. کمیجانی، اکبر و زارعی، ژاله (1391). ارزیابی ثبات مالی در ایران با تأکید بر ثبات بانکی (رویکرد آزمون هشدارهای اولیه). فصلنامه اقتصاد کاربردی، 3(10)، 152-127.
  9. مشیری، سعید و نادعلی، محمد (1392). شناسایی عوامل مؤثر در بروز بحران بانکی در اقتصاد ایران. فصلنامه پژوهشنامه اقتصادی، 13(48)، 27-1.
  10. نصراللهی، محمد، یاوری، کاظم، نجارزاده، رضا و مهرگان، نادر (1395). طراحی یک سیستم هشدار زود هنگام بحران‌های ارزی در ایران:رویکرد رگرسیون لجستیک. مجله تحقیقات اقتصادی، 52(1)، 214-187.
  11. صادقی، عمروآبادی، بهروز و محمودی‌نیا، داود (1399). وقوع همزمان بحران‎های بانکی، بدهی و ارزی (بحران‌های سه‌گانه) در اقتصاد ایران و عوامل تعیین‌کننده آن در طول دوره زمانی 1396-1359. فصلنامه تحقیقات مدل‌سازی اقتصادی، 39، 240-187.
  12. عسگریان، محمدرضا، دائی کریم زاده، سعید و شریفی رنانی، حسین (1399). پیش بینیاحتمال وقوع بجران‎های بانکی سیستماتیک در کشورهای منتخب درحال توسعه (رویکردی از مدل لاجیت چندگانه). فصلنامه نظریه‌های کاربردی اقتصاد، 7(4)، 138-117.

 

  1. Akbar Mousavi, S., Salmani, B., Haghighat, J., & Asgharpour, H. (2021). Effective factors in banking crisis losses with emphasis on policy frameworks. Monetary and Banking Research Quarterly, 15(51), 1-32 (In Persian). 
  2. Alnabulsi, K., Kozarević, E., & Hakimi, A. (2022). Assessing the determinants of non-performing loans under financial crisis and health crisis: evidence from the MENA banks. Cogent Economics & Finance, 10(1), 2124665.‏
  3. Angelini, E., Banbura, M., & Rünstler, G. (2008). Estimating and forecasting the euro area monthly national accounts from a dynamic factor model.‏
  4. Artis, M. J., Banerjee, A., & Marcellino, M. (2005). Factor forecasts for the UK. Journal of forecasting, 24(4), 279-298.‏
  5. Asgarian, M. R., Dai Karimzadeh, S., & Sharifi Renani, H. (2020). Predicting the possibility of systematic banking failures in selected developing countries (multiple logit model approach). Quarterly Journal of Applied Economic Theories, 7(4), 117-138 (In Persian). 
  6. Aye, G., Gupta, R., Hammoudeh, S., & Kim, W. J. (2015). Forecasting the price of gold using dynamic model averaging. International Review of Financial Analysis, 41, 257-266.‏
  7. Bayar, Y. (2019). Macroeconomic, institutional and bank-specific determinants of non-performing loans in emerging market economies: A dynamic panel regression analysis. Journal of Central Banking Theory and Practice, 8(3), 95-110.‏
  8. Bayani, O., & Mohammadi, T. (2019). Factors affecting financial crises in Iran's economy: Bayesian averaging approach. Quarterly Journal of Quantitative Economics, 16(2), 145-180 (In Persian). 
  9. Balcilar, M., Gupta, R., Van Eyden, R., Thompson, K., & Majumdar, A. (2018). Comparing the forecasting ability of financial conditions indices: The case of South Africa. The Quarterly Review of Economics and Finance, 69, 245-259.‏
  10. Belmonte, M., & Koop, G. (2014). Model switching and model averaging in time-varying parameter regression models. In Bayesian Model Comparison. Emerald Group Publishing Limited.‏
  11. Bernanke, B. S., & Boivin, J. (2003). Monetary policy in a data-rich environment. Journal of monetary economics, 50(3), 525-546.‏
  12. Boivin, J., & Ng, S. (2006). Are more data always better for factor analysis?. Journal of Econometrics, 132(1), 169-194.‏
  13. Clements, M. P., & Smith, J. (1997). The performance of alternative forecasting methods for SETAR models. International Journal of Forecasting, 13(4), 463-475.‏
  14. Clements, M. P., & Krolzig, H. M. (1998). A comparison of the forecast performance of Markov‐switching and threshold autoregressive models of US GNP. The Econometrics Journal, 1(1), 47-75.‏
  15. Collins, S. M. (2001). A Model of the Timing of Currency Crises. Georgetown University, unpublished manuscript, August.‏
  16. CRISES, F. (1998). Financial Crises: Characteristics and Indicators of Vulnerability in Financial Crises: Causes and Indicators. World Economic and Financail Surveys, IMF World Economic Outlook, 74-75.‏
  17. D’Agostino, A., & Giannone, D. (2012). Comparing alternative predictors based on large‐panel factor models. Oxford bulletin of economics and statistics, 74(2), 306-326.‏
  18. Davis, E. P., & Karim, D. (2008). Comparing early warning systems for banking crises. Journal of Financial stability, 4(2), 89-120.‏
  19. Demirgüç-Kunt, A., & Detragiache, E. (1998). The determinants of banking crises in developing and developed countries. Staff Papers, 45(1), 81-109.
  20. Demirgüç-Kunt, A., & Detragiache, E. (1998). The determinants of banking crises in developing and developed countries. Staff Papers, 45(1), 81-109.‏
  21. Drachal, K. (2020). Dynamic Model Averaging in economics and finance with fDMA: A package for R. Signals, 1(1), 4.‏
  22. Drachal, K. (2016). Forecasting spot oil price in a dynamic model averaging framework—Have the determinants changed over time?. Energy Economics, 60, 35-46.‏
  23. Duttagupta, R., & Cashin, P. (2008). The anatomy of banking crises. IMF Working Papers, 2008(093).‏
  24. Eijffinger, S. C., & Karataş, B. (2020). Together or apart? The relationship between currency and banking crises. Journal of Banking & Finance, 119, 105631.‏
  25. Ferreira, D., & Palma, A. A. (2015). Forecasting inflation with the Phillips curve: A dynamic model averaging approach for Brazil. Revista Brasileira de Economia, 69, 451-465.‏
  26. Forni, M., Hallin, M., Lippi, M., & Reichlin, L. (2003). Do financial variables help forecasting inflation and real activity in the euro area?. Journal of Monetary Economics, 50(6), 1243-1255.‏
  27. Gavin, M., & Hausmann, R. (1996). The roots of banking crises: the macroeconomic context.‏
  28. Gnawali, A. (2018). Non-performing asset and its effects on profitability of Nepalese commercial banks. International Journal of Research in Business Studies and Management, 5(9), 39-47.‏
  29. Ghavam, H., & Ebadi, J., & Mohammadi, Sh. (2015). Designing of Hybrid Early Warning Model of Financial Crisis in Iran's Economy. Quarterly Journal of Applied Economics Studies Iran, 4(13), 35- 86 (In Persian). 
  30. Giannone, D., Lenza, M., & Primiceri, G. E. (2015). Prior selection for vector autoregressions. Review of Economics and Statistics, 97(2), 436-451.‏
  31. Goldstein, M. (1998). The Asian financial crisis: Causes, cures, and systemic implications (Vol. 55). Peterson Institute.‏
  32. Gower, B. (1997). Scientific method: A historical and philosophical introduction. Routledge.‏
  33. Gupta, R., Hammoudeh, S., Kim, W. J., & Simo-Kengne, B. D. (2014). Forecasting China's foreign exchange reserves using dynamic model averaging: The roles of macroeconomic fundamentals, financial stress and economic uncertainty. The North American Journal of Economics and Finance, 28, 170-189.
  34. Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica: Journal of the econometric society, 357-384.‏
  35. Hardy, D. C., & Pazarbaşioğlu, C. (1999). Determinants and leading indicators of banking crises: further evidence. IMF staff papers, 46(3), 247-258.‏
  36. Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: a tutorial (with comments by M. Clyde, David Draper and EI George, and a rejoinder by the authors. Statistical science, 14(4), 382-417.‏
  37. Hoogerheide, L., Kleijn, R., Ravazzolo, F., Van Dijk, H. K., & Verbeek, M. (2010). Forecast accuracy and economic gains from Bayesian model averaging using time‐varying weights. Journal of Forecasting, 29(1‐2), 251-269.‏
  38. Ho, T. K., & von Hagen, J. (2004). Money market pressure and the determinants of banking crises. Available at SSRN 628776.‏
  39. Jeffreys, H. (1961). Theory of probability (3rd edt.) oxford university press. MR0187257, 432.‏
  40. Jutasompakorn, P., Brooks, R., Brown, C., & Treepongkaruna, S. (2014). Banking crises: Identifying dates and determinants. Journal of International Financial Markets, Institutions and Money, 32, 150-166.‏
  41. Kartikasary, M., Marsintauli, F., Serlawati, E., & Laurens, S. (2020). Factors affecting the non-performing loans in Indonesia. Accounting, 6(2), 97-106.‏
  42. Komijani, A., & Zarei, Zh. (2012). Evaluation of Financial Stability in Iran with Emphasis on Banking Stability. Quarterly Iranian Journal of Applied Economics, 3(10), 127- 152 (In Persian). 
  43. Koop, G. (2003). Bayesian econometrics. John Wiley & Sons.‏
  44. Koop, G., & Korobilis, D. (2011). UK macroeconomic forecasting with many predictors: Which models forecast best and when do they do so?. Economic Modelling, 28(5), 2307-2318.‏
  45. Koop, G., & Korobilis, D. (2012). Forecasting inflation using dynamic model averaging. International Economic Review, 53(3), 867-886.‏
  46. Larry Wasserman. (2000). Bayesian Model Selection and Averaging, Journal of Athematical Psychology, 44(1) 92-107.
  47. Laeven, L., & Valencia, F. (2008). Systemic banking crises: a new database.‏
  48. Laeven, M. L., & Valencia, M. F. (2018). Systemic banking crises revisited. International Monetary Fund.‏
  49. Leamer, E. E. (1978). Specification searches: Ad hoc inference with nonexperimental data (Vol. 53). John Wiley & Sons Incorporated.‏
  50. Marcellino, M., Stock, J. H., & Watson, M. W. (2003). Macroeconomic forecasting in the euro area: Country specific versus area-wide information. European Economic Review, 47(1), 1-18.‏
  51. Mehrara, M., & Rezaei Bargoshadi, S. (2016). The Determinants of Economic Growth in Iran Based on Bayesian Model Averaging and Weighted Averaging Least Square. Quarterly Journal of Economic Growth and Development Research, 6(23), 89-114. (In Persian).
  52. Moshiri, , & Nadali, M. (2013). The Determinants of Banking Crises in Iranian. Economics Research, 13(48), 1-27 (In Persian). 
  53. Naser, H. (2016). Estimating and forecasting the real prices of crude oil: A data rich model using a dynamic model averaging (DMA) approach. Energy Economics, 56, 75-87.‏
  54. Naser, H., & Alaali, F. (2018). Can oil prices help predict US stock market returns? Evidence using a dynamic model averaging (DMA) approach. Empirical Economics, 55(4), 1757-1777.‏
  55. Nasrollahi, M., Yavari, K., Najarzadeh, R., & Mehregan, N. (2016). The design of an early warning system of currency crisis in Iran: A logistic regression approach. Journal of Economic Research, 52(1), 187-2014 (In Persian). 
  56. Nicoletti, G., & Passaro, R. (2012). Sometimes it helps: the evolving predictive power of spreads on GDP dynamics.‏
  57. Pena, G. (2016). The determinants of Banking Crises: Further Evidence (MPRA_paper_70093). Munich Personal RePEc Archive(MPRA).‏
  58. Primiceri, G. E. (2005). Time varying structural vector autoregressions and monetary policy. The Review of Economic Studies, 72(3), 821-852.‏
  59. Risse, M., & Ohl, L. (2017). Using dynamic model averaging in state space representation with dynamic Occam’s window and applications to the stock and gold market. Journal of Empirical Finance, 44, 158-176.‏
  60. Sadeghi, Amroabadi, B., & Mahmoudinia, D. (2020). The simultaneous occurrence of banking, debt and currency crises (triple crises) in Iran's economy and its determining factors during the period of 1980-2017. Economic Modeling Research Quarterly, 39, 187-240 (In Persian). 
  61. Sayyadnia Tayebi, E. A., Arshadi, A., Samadi, S., & Shajari, H. (2010). Explanation of a warning system to identify financial crises in Iran. Journal of Monetary & Banking Research, 2(6), 169-211 (In Persian). 
  62. Sadeghi Sharif, M., TALEBI, s. j., Alem Tabriz, A., & Katozian, M. R. (2019). Comparison of indicators for determining the threshold of banks' financial crisis in the rapid warning system based on the factor of business cycles. Journal of Monetary & Banking Research, 11(38), 501-534 (In Persian). 
  63. Schumacher, C. (2007). Forecasting German GDP using alternative factor models based on large datasets. Journal of Forecasting, 26(4), 271-302.‏.
  64. Soleimani Amiri, Gh. (2003). Financial Ratios and predicting Financial Crisis in Iranian Companies. Financial Research Journal, 5(15), 121-136 (In Persian). 
  65. Stock, J. H., & Watson, M. W. (2002). Macroeconomic forecasting using diffusion indexes. Journal of Business & Economic Statistics, 20(2), 147-162.‏
  66. Talebnia, Gh. A., Jahanshad, A., & Pourzamani, Z. (2009). Efficiency Evaluation of Financial variables and Economic variables in Financial Distress Prediction Models in Tehran Stock Exchange. Accounting and Auditing Review, 16(55), 67-84 (In Persian). 
  67. Tamadonejad, A., Abdul-Majid, M., Abdul-Rahman, A., Jusoh, M., & Tabandeh, R. (2016). Early warning systems for banking crises? Political and economic stability. Jurnal Ekonomi Malaysia, 50(2), 31-38.‏
  68. World Bank. (2022). Global outlook: Global economic prospects.
  69. Zistler, M. (2010). Banking crises; determinants and crises' impact on fiscal cost and economic output..
  70. Zaghdoudi, T. (2016). Banking Crisis Early Warning Model based on a Bayesian Model Averaging Approach. Acta Universitatis Danubius. Œconomica, 12(4), 275-288

فایل ها

هم رسانی

ارجاع به این مقاله

آمار