Modeling structure and credit risk of the economy: a multilayer bank-firm network approach

Diese Arbeit stellt ein einheitliches Framework vor, das mithilfe von Bilanzzahlen die mehrschichtige Struktur der Wirtschaft rekonstruiert und die Ausbreitung von Schocks sowie systemische Risiken analysiert, um detaillierte Stresstests ohne Zugriff auf vertrauliche Netzwerkdaten zu ermöglichen.

Das Wesentliche

Stellen Sie sich die Wirtschaft nicht als eine Ansammlung einzelner Unternehmen und Banken vor, sondern als ein riesiges, komplexes Spinnennetz. In diesem Netz sind alle miteinander verbunden: Firmen kaufen und verkaufen Waren aneinander (das ist das "Produktionsnetz"), und Banken verleihen Geld an diese Firmen (das ist das "Kreditnetz"). Außerdem leihen sich Banken auch untereinander Geld.

Das Problem: Niemand außer den Beteiligten kennt die genauen Fäden dieses Netzes. Die Daten sind geheim. Wie können wir also testen, ob das Netz reißt, wenn ein wichtiger Knotenpunkt ausfällt?

Genau hier kommt diese Forschungsarbeit ins Spiel. Die Autoren haben eine Methode entwickelt, um ein digitales Zwilling der italienischen Wirtschaft zu bauen – ohne die geheimen Daten zu kennen. Sie nutzen nur die öffentlichen Jahresabschlüsse (die "Bilanz"), um das gesamte Netz virtuell nachzubauen.

Hier ist die Erklärung der wichtigsten Punkte, vereinfacht und mit Analogien:

1. Das Puzzle aus den Bilanzen (Die Rekonstruktion)

Stellen Sie sich vor, Sie wollen ein riesiges Puzzle zusammensetzen, aber Sie haben nur die Ränder und wissen, wie viele Teile jede Person besitzt, nicht aber, welche Teile wo liegen.

• Die Methode: Die Forscher nutzen mathatische Tricks (aus der Physik), um die wahrscheinlichsten Verbindungen zu erraten.
  • Bank zu Bank: Wer leiht wem Geld? Sie nutzen die Gesamtsummen der Kredite, um zu berechnen, wie wahrscheinlich eine Verbindung ist.
  • Bank zu Firma: Wer hat bei wem einen Kredit? Auch hier wird aus den Gesamtsummen das Netz rekonstruiert.
  • Firma zu Firma: Wer liefert wem Teile? Hier ist es komplizierter, weil nicht jede Firma mit jeder anderen handeln kann (ein Autohersteller braucht keine Fischerei). Sie nutzen branchenspezifische Daten, um zu erraten, wer wem liefert.

Das Ergebnis ist ein multilayeriges Netz (ein Netz aus mehreren Schichten), das die reale Wirtschaft so genau wie möglich nachahmt.

2. Der Domino-Effekt (Die Schockausbreitung)

Nun testen sie, was passiert, wenn ein Stein aus dem Netz gezogen wird. Sie simulieren einen Schock, der sich in drei Stufen ausbreitet:

• Stufe 1: Der Produktions-Stopp (Das Produktionsnetz)

  • Analogie: Stellen Sie sich vor, eine wichtige Fabrik für Computerchips geht pleite.
  • Was passiert: Andere Firmen, die diese Chips brauchen, können nicht mehr produzieren. Ihre Kunden können dann auch nicht liefern. Das ist wie ein Dominoeffekt in der Lieferkette.
  • Messung: Sie berechnen, wie viel Gesamtproduktion der Wirtschaft dadurch verloren geht (ESRI).

• Stufe 2: Der Bankenschaden (Das Kreditnetz)

  • Analogie: Die Firmen, die nicht mehr produzieren können, verdienen kein Geld mehr und können ihre Kredite bei den Banken nicht zurückzahlen.
  • Was passiert: Die Kredite werden zu "faulen Schulden". Die Banken müssen Abschreibungen vornehmen und verlieren Eigenkapital.
  • Messung: Wie viel Eigenkapital der Banken insgesamt vernichtet wird (FSRI).

• Stufe 3: Die Bankenkrise (Das Interbanken-Netz)

  • Analogie: Wenn Bank A durch die faulen Kredite geschwächt ist, verliert auch Bank B Vertrauen, weil Bank A ihr Geld schuldet. Bank B wird vorsichtig oder verliert selbst Geld.
  • Was passiert: Der Schock springt von Bank zu Bank über, wie ein Virus in einer Menschenmenge.
  • Messung: Wie stark das gesamte Bankensystem instabil wird (DebtRank).

3. Was haben sie herausgefunden? (Die Ergebnisse)

• Nicht alle sind gleich wichtig: Nur eine winzige Gruppe von Firmen ist "systemrelevant". Wenn diese ausfallen, kollabiert fast die ganze Wirtschaft. Die meisten anderen Firmen haben kaum Einfluss.
• Die "Riesen" sind nicht immer die "Gefährlichsten": Eine riesige Firma ist nicht automatisch die größte Gefahr für die Banken. Manchmal ist eine mittlere Firma gefährlicher, weil sie viele Kredite hat oder in einem kritischen Bereich (wie Energie oder Transport) tätig ist.
• Die Banken sind verwundbar: Besonders Banken, die sehr viele Kredite an Firmen vergeben haben oder die sich selbst viel Geld von anderen Banken geliehen haben, sind am anfälligsten.
• Der "Kettenreaktions"-Effekt: Ein kleiner Schock in der Produktion kann sich durch das Bankensystem so stark verstärken, dass er viel größer wird als der ursprüngliche Schaden.

4. Warum ist das wichtig? (Der Nutzen)

Stellen Sie sich vor, Sie sind ein Feuerwehrmann. Früher mussten Sie warten, bis ein Haus brennt, um zu sehen, wie schnell sich das Feuer ausbreitet.
Mit dieser Methode können die Behörden (wie die EZB oder die Bank of Italy) jetzt Feuerübungen im Computer machen. Sie können sagen: "Was passiert, wenn die Energiebranche um 10% einbricht?" oder "Was, wenn eine große Bank pleitegeht?".

Sie können so ein digitales Testlabor nutzen, um zu sehen, welche Firmen und Banken im Krisenfall am meisten Schaden anrichten oder erleiden, ohne dass sie dafür geheime Daten von jedem einzelnen Unternehmen brauchen.

Zusammenfassend:
Die Autoren haben einen Weg gefunden, das unsichtbare Netz der Wirtschaft sichtbar zu machen. Sie zeigen uns, dass die Wirtschaft wie ein komplexes Spinnennetz funktioniert: Wenn man an einem falschen Faden zieht, kann das ganze Netz wackeln. Ihr Werkzeug hilft uns, diese Fäden zu verstehen, bevor das Netz reißt.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Modeling structure and credit risk of the economy: a multilayer bank-firm network approach" auf Deutsch.

1. Problemstellung und Motivation

Die Bewertung der Resilienz moderner Volkswirtschaften erfordert ein Verständnis ihrer intrinsisch mehrschichtigen Natur. Wirtschaftsschocks breiten sich nicht nur innerhalb einzelner Sektoren aus, sondern koppeln reale Produktionsnetzwerke (Lieferketten) mit dem Finanzsektor (Kreditbeziehungen zwischen Banken und Unternehmen sowie Interbankenmärkten).

• Herausforderung: Detaillierte Netzwerkdaten (z. B. bilaterale Transaktionen zwischen Firmen oder spezifische Kreditexponierungen) sind aus Datenschutzgründen oft nicht öffentlich zugänglich. Dies erschwert die realistische Modellierung von systemischen Risiken und Stress-Tests für Aufsichtsbehörden.
• Lücken in der Literatur: Bisherige Ansätze behandeln Produktionsnetzwerke und Finanznetzwerke oft getrennt. Es fehlt ein einheitlicher Rahmen, der beide Ebenen rekonstruiert und die geordnete Ausbreitung von Schocks von der realen Wirtschaft über die Kreditvergabe bis hin zum Interbankenmarkt simuliert.

2. Methodik: Einheitlicher Rekonstruktions- und Ausbreitungsrahmen

Die Autoren entwickeln einen computergestützten Rahmen, der auf Bilanzdaten (Balance Sheets) basiert, um ein „digitaler Zwilling" der Wirtschaft zu erstellen, ohne auf vertrauliche Mikrodaten zugreifen zu müssen.

A. Netzwerkrekonstruktion (Maximum-Entropy-Ansatz)

Das Ziel ist die Rekonstruktion eines gewichteten, gerichteten Mehrschichtennetzwerks aus aggregierten Bilanzen. Dafür werden drei Schichten separat rekonstruiert und kombiniert:

1. Interbanken-Schicht (Bank-Bank):
   • Methode: Density-Corrected Gravity Model (DCGM).
   • Logik: Die Verbindungsstärke zwischen Bank $\alpha$ und $\beta$ wird basierend auf den Interbanken-Assets ($A_\alpha$) und -Liabilities ($L_\beta$) geschätzt. Die Verbindungswahrscheinlichkeit folgt einer logistischen Funktion (Fitness-Modell).
2. Bank-Firma-Schicht (Kreditbeziehungen):
   • Methode: Enhanced Capital Asset Pricing Model (ECAPM), eine bipartite Variante des DCGM.
   • Logik: Kredite von Bank $\alpha$ an Firma $i$ werden basierend auf den Unternehmenskrediten der Bank ($C_\alpha$) und den Bankkrediten der Firma ($B_i$) rekonstruiert.
3. Firma-Firma-Schicht (Produktionsnetzwerk):
   • Methode: Stripe-Corrected Gravity Model (SCGM) unter Nutzung von Input-Output (IO)-Tabellen.
   • Logik: Da Lieferbeziehungen sektoralen Beschränkungen unterliegen, wird die Wahrscheinlichkeit einer Verbindung durch die Produktionsmenge ($R_i$) und die sektorspezifische Nachfrage ($S_{p \to j}$) bestimmt. Die Input-Output-Tabellen (ISTAT) dienen zur Schätzung der sektoralen Kostenverteilung, da diese nicht direkt in Bilanzen stehen.

B. Schockausbreitung und Systemische Risikokennziffern

Auf dem rekonstruierten Netzwerk wird eine geordnete Kaskade von Schocks simuliert:

1. Economic Systemic Risk Index (ESRI):
   • Schocks beginnen auf der Produktionsebene (z. B. Ausfall einer Firma).
   • Ausbreitung erfolgt über Lieferketten unter Berücksichtigung von essentiellen vs. nicht-essentiellen Inputs (basierend auf Leontief-Funktionen).
   • Ergebnis: Reduktion der gesamten Produktionsmenge der Wirtschaft.
2. Financial Systemic Risk Index (FSRI):
   • Die Produktionsreduktion führt zu Gewinnverlusten und damit zu einer Verschlechterung der Eigenkapitalbasis der Firmen.
   • Dies führt zu Ausfällen bei der Kreditrückzahlung (Non-Performing Loans, NPL).
   • Die Banken erleiden Eigenkapitalverluste proportional zum Ausfall der Firmen.
3. DebtRank (DR):
   • Die Eigenkapitalverluste der Banken breiten sich über den Interbankenmarkt aus.
   • Verwendet wird der DebtRank-Algorithmus, der auch Verluste modelliert, die vor einem vollständigen Bankenausfall auftreten (Devaluation von Forderungen), basierend auf der Verschlechterung der Bilanzqualität.

3. Datenbasis

• Geografischer Fokus: Italien (Jahr 2023).
• Datensätze:
  • Banken: 109 italienische Banken (aus BankFocus).
  • Firmen: 7.109 italienische Unternehmen (aus AIDA), gefiltert nach Größe und Ausschluss des Finanzsektors.
  • Input-Output-Tabellen: ISTAT (2022), skaliert auf die Stichprobengröße.
• Statistik: Die Verteilungen der Bilanzgrößen zeigen Power-Law-Verhalten (wenige sehr große Akteure dominieren), was die Notwendigkeit von Netzwerkanalysen unterstreicht.

4. Wichtige Ergebnisse

A. Rekonstruierte Netzwerke

• Die Rekonstruktionsmethode reproduziert die empirischen Bilanzsummen (Stärken der Knoten) mit hoher Genauigkeit.
• Die durchschnittliche Vernetzung (Grad) wurde basierend auf empirischen Schätzungen kalibriert (z. B. ~20 Verbindungen pro Bank im Interbankenmarkt, ~40 im Produktionsnetzwerk).

B. Systemische Risiken einzelner Firmen

• Heterogenität: Nur ein sehr kleiner Bruchteil der Firmen (~0,3 %) verursacht signifikante systemische Verluste. Die meisten Firmen haben vernachlässigbare Auswirkungen.
• Diskrepanz der Rankings: Die Firmen, die für das Produktionsnetzwerk am wichtigsten sind (hoher ESRI), sind nicht identisch mit denen, die das größte Risiko für das Bankensystem darstellen (hoher FSRI/DR).
  • Beispiel: Ein Unternehmen kann kritisch für die Lieferkette sein, aber wenig Kredite aufnehmen, wodurch sein finanzielles Risiko gering ist.
  • Umgekehrt: Firmen mit hohen Kreditexponierungen können das Bankensystem stark gefährden, auch wenn ihre Produktionsauswirkung moderat ist.
• Determinanten:
  • Für ESRI sind Unternehmensgröße, Marktanteil und die „Essentiality" (ob das Unternehmen essentielle Inputs liefert) entscheidend.
  • Für FSRI ist die Unternehmensgröße (proxied durch ESRI) der Haupttreffer, aber die Kreditexponierung ($B_i$) wird für die hochsystemischen Risiken im oberen Tail entscheidend.

C. Systemische Risiken auf Sektorebene

• Bei Schocks auf Sektorebene (z. B. 10 % Produktionsrückgang in einem Sektor) zeigt sich, dass der Finanzsektor (Interbanken-Verluste) oft stärker amplifiziert wird als die direkte Produktionsauswirkung.
• Verwundbarkeit der Banken: Die Anfälligkeit einer Bank hängt weniger von ihrer Größe ab, sondern primär von ihrer Hebelwirkung (Leverage), insbesondere dem Anteil der Interbanken-Exponierungen ($A_\alpha/E_\alpha$) und Unternehmenskredite ($C_\alpha/E_\alpha$).

5. Bedeutung und Schlussfolgerungen

• Methodischer Durchbruch: Das Paper demonstriert erfolgreich, wie ein vollständiges mehrschichtiges Wirtschaftsnetzwerk (Produktion + Finanzen) allein aus öffentlichen Bilanzdaten rekonstruiert werden kann. Dies ermöglicht Stress-Tests auch dort, wo keine detaillierten Transaktionsdaten vorliegen.
• Politische Relevanz: Der Ansatz bietet Aufsichtsbehörden ein Werkzeug, um „digitale Zwillinge" der Wirtschaft zu erstellen. Dies hilft dabei:
  • Systemisch wichtige Unternehmen und Sektoren zu identifizieren, die über reine Finanzkennzahlen hinausgehen.
  • Banken zu erkennen, die durch ihre Bilanzstruktur besonders anfällig für reale Wirtschaftsschocks sind.
  • Die Wechselwirkungen zwischen realer Wirtschaft und Finanzsystem besser zu verstehen, um regulatorische Maßnahmen gezielter zu gestalten.
• Erkenntnis: Systemisches Risiko entsteht nicht nur aus dem Versagen einzelner Institutionen, sondern aus der Architektur des vernetzten Systems selbst. Die Kopplung von Produktions- und Finanznetzwerken ist entscheidend für die Verstärkung von Schocks.

Zusammenfassend liefert das Paper einen robusten, datengestützten Rahmen zur Quantifizierung von systemischen Risiken in einer komplexen, mehrschichtigen Wirtschaftsumgebung und unterstreicht die Notwendigkeit integrierter Überwachungsansätze.