A Dynamic 4s-dsdm Framework for Banking Supervision: Evidence From the South Caucasus Banking Sector Transformation

In der Welt der Finanzen sind Banken die Motoren, die die Wirtschaft am Laufen halten, indem sie Geld verleihen, um Häuser zu bauen, Unternehmen zu gründen und das tägliche Leben zu finanzieren. Doch wenn diese Motoren zu heiß oder zu kalt laufen, kann das gesamte System ins Stocken geraten oder überhitzen. Seit Jahrzehnten versuchen Regulierungsbehörden, diese Motoren mithilfe einer Standard-Checkliste sicher zu halten, ganz ähnlich wie ein Mechaniker, der ein Auto inspiziert. Sie schauen darauf, wie viel Geld eine Bank an Reserven hält, wie gut sie ihre Kredite verwaltet und wie viel Gewinn sie erwirtschaftet. Diese Checkliste hat gut funktioniert, wenn sich alle Banken in einer Region in die gleiche Richtung bewegten. Die moderne Finanzwelt verändert sich jedoch rasant. In einigen Regionen wachsen Banken wild schnell, während sie in anderen konservativer werden oder ihre Strategien völlig ändern. Wenn jede Bank anders ist, versagt eine einzige, starre Checkliste dabei, die spezifischen Gefahren zu erkennen, mit denen jede einzelne konfrontiert ist. Die Herausforderung für moderne Aufsichtsbehörden besteht darin, einen Weg zu finden, diese Unterschiede klar zu erkennen und ihre Sicherheitsregeln in Echtzeit anzupassen, anstatt zu warten, bis eine Krise ein Problem offenbart.

Ein Forscher hat dieses Problem angegangen, indem er die Bankensysteme von drei benachbarten Ländern im Südkaukasus untersuchte: Armenien, Aserbaidschan und Georgien. Zwischen 2024 und 2026 erlebten diese drei Nationen eine Phase des schnellen, aber sehr unterschiedlichen Wachstums. Armenien sah seine Banken Geld in einem Rekordtempo verleihen, was Bedenken darüber aufwarf, ob sie über genügend Sicherheitskissen verfügten. Georgiens Banken wuchsen stetig, während sie ihre Abhängigkeit von Fremdwährungen reduzierten. Aserbaidschans Banken expandierten langsamer, aber mit immenser Stärke, was die Regulierungsbehörden dazu veranlasste, neue Regeln einzuführen, um das Kreditwachstum zu bremsen. Trotz dieser Unterschiede verwendeten die Zentralbanken in jedem Land immer noch dieselben alten, statischen Methoden, um Risiken zu bewerten. Der Forscher argumentierte, dass diese Methoden so waren, als versuche man, das Wetter in drei verschiedenen Klimazonen mit einem einzigen Thermometer zu messen; sie konnten die einzigartigen Risiken des Bankensektors jedes Landes nicht erfassen.

Um dies zu lösen, entwickelte der Forscher ein neues, flexibles Framework namens Dynamic 4S-DSDM. Anstatt sich darauf zu verlassen, dass Experten raten, welche Faktoren am wichtigsten sind, ließ er die Daten selbst sprechen. Er sammelte Informationen von jeder einzelnen Geschäftsbank in diesen drei Ländern – insgesamt 58 Banken – über einen Zeitraum von zwölf Jahren. Er speiste diese gewaltige Menge an Informationen in ein Computersystem ein, das maschinelles Lernen nutzt, eine Art künstlicher Intelligenz, die Muster aus Daten lernt. Das System analysierte vier Schlüsselbereiche: wie sicher die Banken waren, wie stabil ihre Finanzierung war, wie viel Gewinn sie machten und wie groß sie waren. Entscheidend war, dass der Computer selbst entschied, welche dieser Bereiche zu welchem Zeitpunkt am wichtigsten waren, anstatt feste Regeln anzuwenden. Er fand heraus, dass sich die Bedeutung dieser Faktoren änderte, während die Banken sich entwickelten.

Unter Verwendung dieses intelligenten Gewichtungssystems gruppierte der Forscher die Banken in drei verschiedene Typen oder „Archetypen“, basierend darauf, wie sie sich tatsächlich verhielten. Die erste Gruppe, die „Strategische Anführer“ (Strategic Leaders), bestand aus Banken, die Sicherheit und Gewinn sehr gut ausbalancierten. Die zweite Gruppe, die „Traditionellen Sparer“ (Traditional Savers), waren die vorsichtigen Banken, die Stabilität über schnelles Wachstum priorisierten. Die dritte Gruppe, das „Aggressive Wachstum“ (Aggressive Growth), umfasste jene Banken, die große Risiken eingingen, um schnell zu expandieren. Die Studie ergab, dass diese Gruppen nicht zufällig waren; sie repräsentierten reale, stabile Geschäftsmodelle, die über die Zeit bestanden. Der Forscher testete seine Ergebnisse dann, um sicherzustellen, dass sie kein Zufall waren, indem er strenge statistische Kontrollen durchführte, um zu bestätigen, dass diese Gruppen auch dann unterscheidbar blieben, wenn die Daten vertauscht oder aus verschiedenen Blickwinkeln betrachtet wurden.

Die Ergebnisse erzählten eine faszinierende Geschichte darüber, wie sich das Bankensystem jedes Landes entwickelt. In Armenien zeigte der Bankensektor Anzeichen struktureller Diversität, wobei sich mehr Banken vom traditionellen Modell weg hin zu neuen, vielfältigen Strategien bewegten. Die Studie fand jedoch auch heraus, dass Armeniens System sehr empfindlich auf äußere Schocks reagierte. Als ein bedeutendes geopolitisches Ereignis im Jahr 2022 eintrat, reagierten die armenischen Banken schnell und dramatisch, indem sie sich massenhaft zum sichereren Modell der „Traditionellen Sparer“ bewegten. Dies war ein Zeichen für ein System, das unter Druck fragil sein konnte. Im Gegensatz dazu war Aserbaidschans Bankensystem eine Mischung aus allen drei Typen, was eine hohe Diversität aufzeigte, die es resistenter gegen Schocks zu machen schien. Seine Banken bewegten sich bei Problemen nicht alle in die gleiche Richtung; stattdessen koexistierten die verschiedenen Bankentypen, was einen natürlichen Puffer bot. Georgiens System zeigte eine andere Art von Stärke, die durch „strukturelle Elastizität“ gekennzeichnet war. Es hatte sich früher als seine Nachbarn in ein stabiles Muster gefestigt, wobei ein großer Teil seiner Banken bereits als „Strategische Anführer“ agierte, was es ermöglichte, Stress zu absorbieren, ohne zusammenzubrechen oder einzufrieren.

Der Forscher entwickelte auch eine neue Methode, um zu messen, wie „reif“ oder stabil ein Bankensystem ist, indem er ein Konzept namens Entropie verwendete, was in diesem Kontext misst, wie gemischt oder einheitlich die Banken sind. Ein System, in dem alle Banken gleich sind, hat eine niedrige Entropie, während ein System mit vielen verschiedenen Arten von Banken eine hohe Entropie aufweist. Die Studie zeigte, dass die drei Länder zwar unterschiedliche Ausgangspunkte hatten, aber alle auf den Schock von 2022 in ähnlicher Weise reagierten, indem ihre Systeme einheitlicher wurden, als die Banken zur Sicherheit eilten. Diese synchronisierte Reaktion deut deutet darauf hin, dass regionale Ereignisse alle drei Länder beeinflussen, unabhängig von ihren individuellen Bankenstrukturen.

Das wichtigste Ergebnis dieser Arbeit ist ein neues Werkzeug für Regulierungsbehörden namens „Supervisory Intensity Score“ (Aufsichtliche Intensitätskennzahl). Dieser Score sagt einer Zentralbank genau, wie viel Aufmerksamkeit ein bestimmter Typ von Bank benötigt. Für die „Strategischen Anführer“ ist der Score niedrig, was bedeutet, dass sie mit Standardprüfungen überwacht werden können. Für die „Traditionellen Sparer“ ist der Score moderat, was periodische Stresstests erfordert. Aber für die „Aggressiven Wachstumsbanken“ ist der Score hoch, was signalisiert, dass diese Institutionen ständige, gezielte Audits und strengere Regeln benötigen. Dieser Ansatz ermöglicht es den Regulierungsbehörden, von einer „Einheitsstrategie“ Abstand zu nehmen. Anstatt jede Bank gleich zu behandeln, können sie nun das richtige Maß an Aufsicht auf die richtige Bank anwenden, basierend auf ihrem tatsächlichen Verhalten und Risikoprofil.

Die Studie kommt zu dem Schluss, dass die alte Art der Bankenaufsicht in einer Welt, in der sich Finanzsysteme so schnell verändern, nicht mehr ausreicht. Indem Regulierungsbehörden Daten nutzen, um den einzigartigen Charakter jeder Bank und jedes Landes zu verstehen, können sie proaktiver agieren. Sie können eine Bank, die zu riskant wird, erkennen, bevor sie ein Problem verursacht, und sie können die Banken unterstützen, die das Richtige tun. Die Forschung legt nahe, dass für den Südkaukasus und potenziell auch für andere Schwellenmärkte die Zukunft der Bankensicherheit in der Flexibilität liegt. Es geht darum, sich von starren Regeln zu einem System zu bewegen, das lernt, sich anpasst und auf die reale, lebendige Komplexität der Finanzwelt reagiert. Die Ergebnisse sind nicht nur eine theoretische Übung; sie bieten einen praktischen, evidenzbasierten Weg nach vorn, um die Motoren der Wirtschaft auch dann sicher am Laufen zu halten, wenn die Straße holprig wird.