دوره 28، شماره 3 - ( پاییز 1402 )                   دوره28 شماره 3 صفحات 132-105 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Barzeghar (Gholipour) B, Falah Shams M, Khalili Araghi M, Nikomaram H. (2023). Investigating the Effect of Macroeconomic Variables on the Contagious Risk of Financial Distress of the Banking System. JPBUD. 28(3), 105-132. doi:10.61186/jpbud.28.3.105
URL: http://jpbud.ir/article-1-2075-fa.html
برزگر (قلی‌پور) بهروز، فلاح شمس میرفیض، خلیلی عراقی مریم، نیکومرام هاشم. بررسی اثرپذیری درماندگی مالی بانک‌‎های منتخب پذیرفته‎‌شده در بورس اوراق بهادر تهران از متغیرهای کلان اقتصادی با استفاده از روش KMV فصلنامه برنامه ریزی و بودجه 1402; 28 (3) :132-105 10.61186/jpbud.28.3.105

URL: http://jpbud.ir/article-1-2075-fa.html

بررسی اثرپذیری درماندگی مالی بانک‌‎های منتخب پذیرفته‎‌شده در بورس اوراق بهادر تهران از متغیرهای کلان اقتصادی با استفاده از روش KMV
بهروز برزگر (قلی‌پور)1 ، میرفیض فلاح شمس* 2، مریم خلیلی عراقی3 ، هاشم نیکومرام4
1- گروه مدیریت مالی، دانشکده مدیریت واقتصاد، واحد علوم و تحقیقات، دانشگاه آزاداسلامی، تهران، ایران.
2- گروه مدیریت مالی، دانشکده مدیریت، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران ، fallahsahms@gmail.com
3- گروه مدیریت بازرگانی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
4- گروه حسابداری، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
چکیده:   (1680 مشاهده)
بحران مالی سال 2008 آمریکا که متعاقباً به کل دنیا تسری پیدا کرد، نشان داد که درماندگی مالی در برخی بانک‌‏های حاضر در شبکۀ بانکی می‌تواند در شبکۀ کلیه نهادهای مالی و کل اقتصاد یک کشور سرایت پیدا کند. به همین دلیل، توسعه سنجه‌های اندازه‌گیری دقیق ریسک سرایت درماندگی مالی از سوی هر یک از بانک‌ها در شبکۀ بانکی اهمیت بسیار زیادی در کنترل ریسک واسطه‎گری مالی در هر کشور دارد. هدف اصلی پژوهش حاضر این است که بتواند میزان و شدت اثر سرایت‎پذیری از یک بانک به بانک‌های دیگر را بررسی نماید. این موضوع از آن جهت اهمیت دارد که دولت‌ها می‌توانند با پیش‎بینی افزایش ریسک سرایت درماندگی مالی، از امکان وقوع یک بحران اقتصادی آگاه شوند و سیاست‌های پولی و مالی خود را در جهت کاهش چنین ریسکی اتخاذ نمایند. پژوهش حاضر در سه مرحله به تخمین ریسک درماندگی مالی با استفاده از روش مدل KMV، تخمین ریسک سرایت درماندگی مالی با استفاده از روش ارزش در معرض خطر (VaR)، و مدلسازی اثرات متغیرهای کلان اقتصادی ازجمله تورم، نرخ ارز و تولید ناخالص داخلی بر ریسک سرایت درماندگی مالی می‎پردازد. بر اساس نتایج به‎دست‎آمده، مشخص می‎شود که تولید ناخالص داخلی رابطۀ معکوس و معناداری از نظر آماری با ریسک سرایت درماندگی مالی دارد و با افزایش تولید ناخالص داخلی انتظار می‌رود که ریسک سرایت درماندگی مالی کاهش یابد. همچنین، رابطۀ نرخ ارز با ریسک سرایت به صورت مستقیم و معنادار است و افزایش نرخ ارز به افزایش وابستگی متقابل نهادهای مالی و متعاقباً افزایش ریسک سرایت درماندگی مالی منجر می‌گردد.
 
واژه‌های کلیدی: درماندگی مالی، ریسک سرایت درماندگی، متغیرهای کلان اقتصادی، نظام بانکی، سرایت ریسک.
متن کامل [PDF 1180 kb]   (411 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: اقتصاد مالی
دریافت: 1401/1/7 | پذیرش: 1402/5/28 | انتشار الکترونیک: 1402/9/10
فهرست منابع
1. 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(1), 180-197. [DOI:10.1016/j.eap.2021.04.010]
2. Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589-609. [DOI:10.1111/j.1540-6261.1968.tb00843.x]
3. Andries, A. M., & Galasan, E. (2020). Measuring Financial Contagion and Spillover Effects with a State-Dependent Sensitivity Value-at-Risk Model. Risks, 8(1), 5. [DOI:10.3390/risks8010005]
4. Aziz, N. (2008). The Role of Exchange Rate in Trade Balance: Empirics from Bangladesh. University of Birmingham, UK.
5. Barzegar, B., Falahshams, N. F., Khalili Iraghi, M., & Nikoomaram, H. (2022). Designing the Overflow Model of Probability of Financial Helplessness in Iran's Banking System with the Approach of Multivariable DCC-GARCH. Monetary & Financial Economics, 29(24), 158-186. [DOI:10.22067/mfe.2023.72762.1118]
6. Bhattacharya, M., Inekwe, J. N., & Valenzuela, M. R. (2020). Credit Risk and Financial Integration: An Application of Network Analysis. International Review of Financial Analysis, 72(1), 101588. [DOI:10.1016/j.irfa.2020.101588]
7. Chan-Lau, J. A., & Sy, A. N. (2007). Distance-to-Default in Banking: A Bridge Too Far? Journal of Banking Regulation, 9, 14-24. [DOI:10.1057/palgrave.jbr.2350056]
8. Chen, Q., Gray, D., N'Diaye, P., Oura, H., & Tamirisa, N. (2010). International Transmission of Bank and Corporate Distress. International Monetary Fund Working Paper, 10/124. [DOI:10.5089/9781455200832.001]
9. Delnavaz, B., & Fallah, M. (2019). Study of Financial Distress Spillover Effect among Automobile Supply Chain Companies Listed in the Tehran Stock Exchange. Journal of Business Management, 11(44), 282-296. [In Farsi]
10. Engle III, R. F., & Sheppard, K. (2001). Theoretical and Empirical Properties of Dynamic Conditional Correlation Multivariate GARCH. National Bureau of Economic Research Cambridge, Working Paper 8554. [DOI:10.3386/w8554]
11. Fan, X.-Q., Du, M.-D., & Long, W. (2017). Risk Spillover Effect of Chinese Commercial Banks: Based on Indicator Method and CoVAR Approach. Procedia Computer Science, 122(1), 932-940. [DOI:10.1016/j.procs.2017.11.457]
12. Gupta, V., Mittal, R., & Bhalla, V. (2013). Estimating the Default Risk of Public Limited Companies in India Using Structural KMV Model. Prajnan, 41(4), 283-311.
13. Hatef Vahid, M., & Saleh Ardestani, A. (2020). Systemic Risk Evaluation of Banks and Financial Institutions Applying Markov Clustering Method and Centrality Measures of Risk. Islamic Economics & Banking, 9(30), 115-140. [In Farsi] [http://mieaoi.ir/article-1-932-fa.html]
14. Jin, Y., Luo, M., & Wan, C. (2018). Financial Constraints, Macro-Financing Environment and Post-Crisis Recovery of Firms. International Review of Economics & Finance, 55(1), 54-67. [DOI:10.1016/j.iref.2018.01.007]
15. Kliestik, T., Misankova, M., & Kocisova, K. (2015). Calculation of Distance to Default. Procedia Economics and Finance, 23(1), 238-243. [DOI:10.1016/S2212-5671(15)00481-5]
16. Leventides, J., Loukaki, K., & Papavassiliou, V. G. (2019). Simulating Financial Contagion Dynamics in Random Interbank Networks. Journal of Economic Behavior & Organization, 158(1), 500-525. [DOI:10.1016/j.jebo.2018.12.017]
17. Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18(1), 109-131. [DOI:10.2307/2490395]
18. Papadimitriou, T., Gogas, P., & Tabak, B. M. (2013). Complex Networks and Banking Systems Supervision. Physica A: Statistical Mechanics and its Applications, 392(19), 4429-4434. [DOI:10.1016/j.physa.2013.05.013]
19. Parker, E. (2018). The Relationship between the Us Economy's Information Processing and Absorption Ratios: Systematic vs Systemic Risk. Entropy, 20(9), 662. [DOI:10.3390/e20090662] [PMID] []
20. Rahman, M., Sa, C. L., & Masud, M. A. K. (2021). Predicting Firms' Financial Distress: An Empirical Analysis Using the F-Score Model. Journal of Risk and Financial Management, 14(5), 199. [DOI:10.3390/jrfm14050199]
21. Shoja Veshvad, M., Zomordian, G., Pourzarandi, M. E., & Minouie, M. (2021). A Study of the Contagion of Financial Helplessness and Credit Risk in the Country's Banking System. Journal of Investment Knowledge, 10(37), 319-333. [In Farsi]
22. Sun, X., Liu, C., Chen, X., & Li, J. (2017a). Modeling Systemic Risk of Crude Oil Imports: Case of China's Global Oil Supply Chain. Energy, 121(1), 449-465. [DOI:10.1016/j.energy.2017.01.018]
23. Sun, Z., Vinig, T., & Hosman, T. D. (2017b). The Financing of Chinese Outbound Mergers and Acquisitions: Is There a Distortion between State-Owned Enterprises and Privately Owned Enterprises? Research in International Business and Finance, 39(1), 377-388. [DOI:10.1016/j.ribaf.2016.09.005]
24. Tabak, B. M., Takami, M., Rocha, J. M., Cajueiro, D. O., & Souza, S. R. (2014). Directed Clustering Coefficient as a Measure of Systemic Risk in Complex Banking Networks. Physica A: Statistical Mechanics and its Applications, 394,(1) 211-216. [DOI:10.1016/j.physa.2013.09.010]
25. Wang, X.-W., Cao, Y.-M., & Park, C. (2019). The Relationships among Community Experience, Community Commitment, Brand Attitude, and Purchase Intention in Social Media. International Journal of Information Management, 49(1), 475-488. [DOI:10.1016/j.ijinfomgt.2019.07.018]
26. Zanganeh, T., Rastegar, M. A., Chavoshi, K., & Fallah Shams, M. (2020). Systemic Risk Assessment of the Banking System by Modeling of the Topology of the Interbank Market Network. Journal of Investment Knowledge, 9(35), 21-48. [In Farsi]
27. زمردیان، غلامرضا (1394). مقایسه توان تبیین مدل‌های پارامتریک (اقتصادسنجی) و ناپارامتریک (مونت‎کارلو) در سنجش میزان ارزش در معرض خطر پرتفوی شرکت‌های سرمایه‌گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران. نشریه مهندسی مالی و مدیریت اوراق بهادار، 6(22)، 164-147.
28. طالبی، محمد، و یوسفی دیندارلو، مجتبی (1397). ارزیابی جایگاه سیاستگذاری احتیاطی کلان در چارچوب شبکه ایمنی نظام مالی. بیست‏‌وهشتمین همایش سالانه سیاست‌های پولی و ارزی اصلاحات ساختاری برای ثبات مالی.
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به فصلنامه برنامه ریزی و بودجه می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Planning and Budgeting

Designed & Developed by : Yektaweb