تبيين ارتباط ناترازي پنهان بانك‌ها با متغيرهاي كلان اقتصادي

The Relationship between Banks Unbalances Balance Sheet and Macroeconomic Variables

يكي از مهم‌ترين و حساس‌ترين بخش‌هاي اقتصادي كشورها صنعت بانكداري است كه در جريان فعاليت‌هاي خود با انواع مختلفي از مشكلات و چالش‌ها مواجه مي‌باشد. از جمله چالش‌هايي كه بانك‌ها را تهديد مي‌كند، ناترازي پنهان (شكاف دارايي و بدهي) مي‌باشد كه در صورت عدم كنترل و مديريت موجب ورشكستگي بانك‌ها مي‌گردد. ازاين‌رو هدف اين پژوهش تبيين ارتباط ناترازي پنهان بانك‌ها با متغيرهاي كلان اقتصادي (در بانك سپه) مي‌باشد. در اين پژوهش پس از انجام فرايند تحليل محتوا و دستيابي به شاخص‌ها و تركيب آن‌ها با شاخص‌هاي به دست آمده از ادبيات نظري، ابعاد (تم‌هاي اصلي) مربوط به عناصر تأثيرگذار بر ناترازي پنهان بانك‌ها و متغيرهاي كلان اقتصادي احصاء گشته و پس از مصاحبه‌هاي تخصصي و اخذ تائيد خبرگان در مجموع چهل شاخص در قالب هشت مؤلفه و دو بعد اصلي شناسايي و طبقه‌بندي گرديد. در نهايت هشت مؤلفه اصلي با استفاده از روش مدل‌سازي ساختاري تفسيري در سه سطح طبقه‌بندي و مدل جامع پژوهش ارائه گرديد، قدرت نفوذ و ميزان وابستگي مؤلفه‌ها نيز با استفاده از تحليل ميك مك مشخص شده كه مؤلفه‌ تسهيلات تكليفي به‌عنوان متغير نفوذي و تأثيرگذارترين متغير مدل و مؤلفه‌هاي نسبت دارايي به بدهي و نسبت دارايي نقد به كل دارايي به‌عنوان متغيرهاي وابسته مدل شناسايي گرديد.

One of the most important and sensitive economic sectors of the countries is the banking industry, which faces various types of problems and challenges during its activities. Among the challenges that threaten banks is the hidden imbalance (asset and debt gap) which, if not controlled and managed, will cause banks to go bankrupt. Therefore, the purpose of this research is to explain the relationship between the hidden imbalance of banks and macroeconomic variables (in Sepeh Bank). In this research, after conducting the process of content analysis and obtaining indicators and combining them with the indicators obtained from theoretical literature, the dimensions (main themes) related to the elements affecting the hidden imbalance of banks and macroeconomic variables were calculated and after expert interviews and Obtaining experts approval, a total of forty indicators were identified and classified in the form of eight components and two main dimensions. Finally, eight main components were presented using interpretive structural modeling method in three levels of classification and a comprehensive research model, the power of influence and the degree of dependence of the components were also determined by using the mix-and-match analysis. The components of the ratio of assets to liabilities and the ratio of liquid assets to total assets were identified as dependent variables of the model.