بررسی تأثیر شوک متغیرهای کلان اقتصادی بر عملکرد سیستم بانکی کشور

اقتصاد پولی مالی

مقاله 1، دوره 29، پاییز و زمستان 1401 - شماره پیاپی 24، آذر 1401، صفحه 1-32   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/mfe.2023.77234.1205

نویسندگان

زهره اسکندری پور¹؛ مرضیه اسفندیاری^{* 2}؛ نظر دهمرده³؛ محمد حسن فطرس⁴

¹دانشجوی دکتری علوم اقتصادی دانشگاه سیستان و بلوچستان، زاهدان، ایران

²دانشیار گروه اقتصاد، دانشگاه سیستان و بلوچستان، زاهدان، ایران

³استاد اقتصاد ، دانشگاه سیستان و بلوچستان، زاهدان، ایران

⁴استاد اقتصاد دانشگاه بوعلی سینا، همدان، ایران

چکیده

با توجه به وابستگی اقتصاد کشور به بانک‌ها به‌عنوان مهم‌ترین منبع تأمین مالی بنگاه‌ها، بررسی عوامل مؤثر بر عملکرد سیستم بانکی، اهمیت بالایی دارد؛ ازاین‌رو در این مطالعه به بررسی تأثیر شوک‌های نرخ ارز، قیمت نفت خام، شاخص کل سهام و بودجه دولت بر عملکرد (سودآوری) سیستم بانکی کشور در قالب 12 سناریو مبتنی بر واکنش سودآوری شبکه بانکی نسبت به 2%، 5% و 10% شوک در متغیرهای یاد شده پرداخته شد. برای این منظور داده‌های تحقیق از ماتریس SAM سال 1390 مرکز پژوهش‌های مجلس و جدول داده–ستانده سال 1395 بانک مرکزی گردآوری گردید. همچنین، جهت تجزیه‏وتحلیل داده‏ها از مدل تعادل عمومی محاسبه‌پذیر پویای بازگشتی (RDCGE) و نرم‏افزار MathLab استفاده شد. نتایج نشان داد نرخ غیررسمی ارز و قیمت نفت خام تأثیر معکوس و شاخص کل سهام و بودجه دولت تأثیر مستقیم بر سودآوری شبکه بانکی دارد؛ به‌طوری‌که اگر شوک مثبت به‌اندازه 2%، 5% و 10% به نرخ غیررسمی ارز وارد شود، سودآوری شبکه بانکی حداکثر به‌ترتیب 73/1، 01/2 و 57/2 درصد کاهش می‌یابد. همچنین، اگر شوک مثبت به‌اندازه 2%، 5% و 10% به قیمت نفت خام وارد شود، سودآوری شبکه بانکی حداکثر به‌ترتیب 41/1، 63/1 و 03/2 درصد کاهش می‌یابد. علاوه براین، اگر شوک مثبت به‌اندازه 2%، 5% و 10% به شاخص کل سهام وارد شود، سودآوری شبکه بانکی حداکثر به‌ترتیب 47/0، 97/0 و 52/1 درصد افزایش می‌یابد. درنهایت، اگر شوک مثبت به‌اندازه 2%، 5% و 10% به بودجه دولت وارد شود، سودآوری شبکه بانکی حداکثر به‌ترتیب 38/0، 44/0 و 61/0 درصد افزایش می‌یابد.

کلیدواژه‌ها

نرخ ارز؛ قیمت نفت خام؛ بودجه دولت؛ مدل RDCGE

مراجع

António, M.; Ana Paula. S., & Simon, S. (2019). Determinants of Real Estate Bank Profitability, Research in International Business and Finance, 49: 282-300.

Antonio. T. P. (2013). What determines the profitability of banks? Evidence from Spain, Accounting and Finance, 53: 561 – 586.

Bernanke, B. S.; Gertler, M., & Gilchrist, S. (1999). The Financial Accelerator in a Quantitative Business Cycle Framework, In: Taylor, J. B., Woodford, M. (Eds.). Handbook of Macroeconomics, Handbook of Macroeconomics, Vol. 1, Elsevier, PP. 1341–1393, (Chapter 21).

Bigdley, M. Esmailzadeh Moghri, A. Calendar., & Daman Kasha, m. (2021). An empirical test of the effect of business environment risk on the relationship between liquidity risk and financial performance in Iran's banking industry, Investment Knowledge, 10(40): 425-450. (in Persian)

Boys, K. A., & Florax, R.J.G.M. (2007). Meta-Regression Estimates for CGE Models: A Case Study for Input Substitution Elasticities in Production Agriculture. American Agricultural Economics Association (New Name 2008: Agricultural and Applied Economics Association).

Decaluwé, B., A. Lemelin, H., &  Maisonnave et V. Robichaud. (2013). «Pep-1-t», Standard PEP model: single-country, recursive dynamic version, Politique Économique et Pauvreté/Poverty and Economic Policy Network. Université Laval, Québec.

Ezzati, M. wise L. A., &  Farmer Saji, N. (2015). Factors affecting the profitability of Islamic banks (member countries of the Organization of the Islamic Conference). Islamic Economics and Banking, 15: 153-139. (in Persian).

Islamic Council Research Center (2011). social accounting matrix, https://rc.majlis.ir/fa/news/show/931207, (in Persian)

Javier, A., & Arce, O. (2012). Banking Competition, Housing Prices and Macroeconomic Stability, The Economic Journal, 122 December, 1346–1372.Doi:10.1111/j.1468-0297. 2012.02531.x._2012

Kafaei, S. M. A., &  Rahzani, M. (2016). Investigating the impact of macroeconomic variables on the liquidity risk of Iranian banks, Economic Research and Policy Quarterly, 25(81): 261-310. (in Persian)

Khademi, S. R. Falihi Pirbast, N. Dalmanpour, M., &  Naghi Lu, A. (2019). Investigating the effects of specific banking and macroeconomic variables on banks' profitability (comparing neoclassical and post-Keynesian schools). Financial Economics, 14(53): 252-213. (in Persian)

Khani, Z. Rajab Dari, H., &  Mousavizadeh, S. A. (2018). Investigating the effect of oil price shocks on banks' performance, Financial and Economic Policy Quarterly, 7(26): 163-183. (in Persian)

Kiyotaki, N., & Moore, J. H. (1997). Credit Cycles, Journal of Political Economy, 105(2): 211–48.

Lu, J. Lu, J., & Lv, J. (2021). Brexit: The Impact of the Fluctuation of Pound Exchange Rate on the Banking Performance and Profitability, American Journal of Industrial and Business Management, 11: 364-379.

Mehrabanpour, M. R. Naderi Nouraini, M. M. Inalo, A., &  Ashari, A. (2017). Factors affecting the profitability of banks, empirical studies of financial accounting, 14(54): 119-140. (in Persian)

Mehrgan, N., &  Deliri, H. (2012). Banks' reaction to monetary policies based on the DSGE model, Economic Research and Policy Quarterly, 21(66): 68-39. (in Persian).

Pan, Q. H., & Pan, M. L. (2014). The Impact of Macro Factors on the Profitability of China’s Commercial Banks in the Decade after WTO Accession, Journal of Social Sciences, 2: 64-69.

Petria, N. Capraru, B., &  Inhnatov, I. (2015). Determinants of bank’s profitability: evidence from EU27 banking systems, procedia economics and finance, Procedia Economics and Finance, 20: 518-524.

Sayadi, M. Danesh Jafari, d. Bahrami, J., &  Rafei, M. (2015). providing a framework for the optimal use of oil revenues; A dynamic stochastic general equilibrium (DSGE) approach. Planning and Budget Quarterly, 20 (2): 21-58. (in Persian)

Tavaklian, H., &  Kamijani, A. (2011). Monetary policy under fiscal dominance and implicit target inflation in the form of a stochastic dynamic general equilibrium model for the Iranian economy, Economic Modeling Research, 3(8): 117-87. (in Persian)

Trad, N. Trablesi, M. A., & Goux, J. F. (2017). Risk and profitability of Islamic banks: A religious deception or an alternative solution?, European Research on Management and Business Economics, 23(1): 40-45.

Uhlig, H. (1999). A Toolkit for Analysing Nonlinear Dynamic Stochastic Models Easily, In Ramon Marimon and Andrew Scott, (eds.). Computational Methods for the Study of Dynamic Economies, Oxford: Oxford University Press, 1-49.