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

Dit artikel introduceert een geïntegreerd raamwerk dat de volledige multilayerstructuur van de economie reconstrueert uit balansgegevens om, zonder toegang tot gedetailleerde netwerkdata, de verspreiding van schokken en systemische risico's te modelleren en stress-tests uit te voeren.

De kern

Stel je de economie voor als een gigantisch, ingewikkeld spinnenweb. In dit web zitten twee soorten knopen: bedrijven (die dingen maken en verkopen) en banken (die geld lenen).

Deze knopen zijn niet zomaar verbonden; ze vormen een meerdere lagen tellend netwerk:

1. De Productielayer: Bedrijven kopen en verkopen aan elkaar (zoals een bakker die meel koopt bij een molen).
2. De Kredietlayer: Bedrijven lenen geld van banken.
3. De Interbank-layer: Banken lenen geld aan elkaar.

Het probleem? We kunnen niet zien hoe dit web er precies uitziet. De details zijn geheim (privacy). Het is alsof we een auto moeten repareren, maar de motorkap is dichtgelast. We weten alleen hoeveel benzine erin zit (de balans), maar niet hoe de buizen lopen.

De auteurs van dit paper (Majhi, Mancini en Cimini) hebben een slimme "3D-printer" bedacht om dit onzichtbare web te reconstrueren. Ze gebruiken alleen de openbare balansgegevens van banken en bedrijven om een digitale tweeling van de Italiaanse economie te bouwen.

Hier is hoe hun methode werkt, vertaald naar alledaagse taal:

1. Het Bouwen van het Netwerk (De Digitale Tweeling)

Stel je voor dat je een puzzel moet maken, maar je hebt alleen de randstukjes en weet dat er 1000 stukjes zijn. De auteurs gebruiken wiskundige regels (gebaseerd op statistische fysica) om de rest van de puzzel in te vullen.

• Ze kijken naar hoeveel geld een bank heeft en hoeveel een bedrijf schulden heeft.
• Ze gebruiken deze cijfers om te gokken: "Wie leent waarschijnlijk aan wie?"
• Zo krijgen ze een complete kaart van wie aan wie geld leent en wie van wie afhankelijk is, zonder dat ze ooit een geheim dossier hebben gezien.

2. De Regering van de Schok (Het Dominospel)

Nu ze het web hebben, testen ze hoe kwetsbaar het is. Ze spelen een spelletje "Dominostenen":

• Stap 1: De Productie-storing. Stel, een groot bedrijf (bijvoorbeeld een fabriek voor auto-onderdelen) valt om. De knoop in het web breekt.
• Stap 2: De Golfslag. Omdat die fabriek stopt, kunnen de bedrijven die hun onderdelen nodig hebben, ook niet meer produceren. De schade verspreidt zich door het web van leveranciers en klanten. Dit noemen ze de Economische Systemische Risico-index (ESRI).
• Stap 3: De Bankcrisis. Omdat die bedrijven nu minder verdienen, kunnen ze hun leningen bij de bank niet terugbetalen. De banken krijgen "slechte leningen" (NPL). De waarde van de banken zakt. Dit is de Financieel Systemische Risico-index (FSRI).
• Stap 4: De Paniek. Als bank A geld verliest, kan het zijn dat het niet meer genoeg heeft om aan bank B terug te betalen. De paniek verspreidt zich nu door het netwerk van banken onderling. Dit is de DebtRank.

3. Wat hebben ze ontdekt? (De Les van de Italiaanse Economie)

Toen ze dit toepasten op Italië, kwamen ze tot verrassende conclusies:

• Niet alle grote bedrijven zijn even gevaarlijk. Een gigantisch bedrijf dat veel produceert, is niet per se het gevaarlijkst voor de banken. Soms is een bedrijf dat "essentiële" onderdelen levert (zoals energie of specifieke chemicaliën) veel gevaarlijker, omdat als die stopt, de hele keten stopt.
• De "Onzichtbare" Gevaren. Sommige bedrijven lijken klein, maar als ze omvallen, kunnen ze een hele bank in de problemen brengen omdat ze veel geld hebben geleend.
• De Kwetsbaarheid van Banken. Welke banken zijn het meest in gevaar? Niet per se de grootste. Het zijn vaak de banken die veel geld hebben geleend aan bedrijven (hoge kredietblootstelling) of veel geld hebben geleend aan andere banken. Als die andere banken in de problemen komen, zakt hun eigen waarde.

Waarom is dit belangrijk?

Vroeger moesten beleidsmakers (zoals de centrale bank) raden wat er zou gebeuren als een bedrijf failliet ging, omdat ze de verbindingen niet zagen.

Met deze methode kunnen ze nu een simulatie draaien: "Wat gebeurt er als de scheepsbouwsector 10% minder produceert?"
Ze kunnen dan zien:

1. Hoeveel productie er verloren gaat.
2. Welke banken het hardst raken.
3. Of het hele systeem instort of dat het zich herstelt.

Kortom: Ze hebben een manier gevonden om een digitale proefversie van de economie te bouwen. Hiermee kunnen ze testen of het web sterk genoeg is om schokken op te vangen, zonder dat ze de geheime dossiers hoeven te openen. Het is alsof je een crash-test doet met een auto, maar dan met de hele economie.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Modeling structure and credit risk of the economy: a multilayer bank-firm network approach" van Majhi, Mancini en Cimini, in het Nederlands.

1. Probleemstelling en Context

Moderne economieën worden gekenmerkt door complexe, meerlagige interdependenties tussen het reële economische domein (productienetwerken tussen bedrijven) en het financiële domein (kredietblootstellingen tussen banken en bedrijven, en interbancaire markten).

• Het Kernprobleem: Om economische veerkracht te beoordelen en systemische risico's te kwantificeren, is inzicht nodig in hoe lokale verstoringen (bijv. faillissementen van bedrijven) zich voortplanten via toeleveringsketens naar de bancaire sector en vervolgens versterkt worden binnen het interbancaire netwerk.
• Data-tekort: Een fundamentele belemmering voor onderzoek en toezicht is dat gedetailleerde netwerkdata (transacties tussen bedrijven, specifieke kredietblootstellingen) vaak vertrouwelijk zijn en niet toegankelijk voor onderzoekers of regelgevers.
• Huidige beperkingen: Bestaande methoden reconstrueren vaak slechts één laag (bijv. alleen het interbancaire netwerk) of behandelen de reële en financiële economie als gescheiden domeinen. Er ontbreekt een unificerend raamwerk dat alle lagen simultaan reconstrueert en de opeenvolgende verspreiding van schokken modelleert.

2. Methodologie: Een Unificerend Multilayer Raamwerk

De auteurs ontwikkelen een geïntegreerd computerraamwerk dat een "digitale tweeling" van de economie creëert, uitsluitend gebaseerd op publiek beschikbare balansgegevens (balans van banken en bedrijven) en Input-Output (IO) tabellen.

A. Netwerkreconstructie

Het model reconstructeert drie onderling verbonden lagen met behulp van geavanceerde statistische methoden (gebaseerd op het principe van maximale entropie en fitness-modellen):

1. Interbancaire laag (Bank-Bank):

   • Methode: Density-Corrected Gravity Model (DCGM).
   • Input: Interbancaire activa en passiva van banken.
   • Doel: Het afleiden van de waarschijnlijkheid en omvang van leningen tussen banken.

2. Bank-onderneming laag (Bank-Firm):

   • Methode: Enhanced Capital Asset Pricing Model (ECAPM), een bipartiete versie van DCGM.
   • Input: Totale bedrijfsleningen van banken en totale bankleningen van bedrijven.
   • Doel: Het reconstrueren van kredietblootstellingen tussen specifieke banken en bedrijven.

3. Onderneming-onderneming laag (Firm-Firm / Productie):

   • Methode: Stripe-Corrected Gravity Model (SCGM), gekoppeld aan het Input-Output Gravity Model (IOGM).
   • Input: Productie- en kostengegevens van bedrijven, gecombineerd met sectorale IO-tabellen (voor essentiële input-relaties).
   • Doel: Het modelleren van toeleveringsrelaties, waarbij rekening wordt gehouden met sectorale compatibiliteit en essentiële inputs (bijv. energie of grondstoffen die niet vervangbaar zijn).

B. Dynamiek van Schokverspreiding (Contagion Pipeline)

Op het gereconstrueerde multilayer-netwerk wordt een geordend verspreidingsproces gesimuleerd:

1. Productie-schok (ESRI): Een initiële schok (bijv. faillissement van een bedrijf) verspreidt zich door het productienetwerk. De impact wordt gemeten met de Economic Systemic Risk Index (ESRI), die rekening houdt met essentiële versus niet-essentiële inputs (Leontief-productiefunctie).
2. Kredietverlies naar banken (FSRI): De daling in productie leidt tot lagere winsten en faillissementen, wat resulteert in Non-Performing Loans (NPL). De Financial Systemic Risk Index (FSRI) kwantificeert de vermindering van het eigen vermogen van banken als gevolg van deze kredietverliezen.
3. Interbancaire versterking (DebtRank): De verlieslijnen bij banken verspreiden zich via het interbancaire netwerk. De DebtRank (DR) algoritme wordt gebruikt om de versterking van schokken te modelleren, zelfs zonder dat banken direct failliet gaan, maar wel met verslechterde balansen.

3. Data en Toepassing

• Dataset: Een proprietair dataset van de Italiaanse economie voor het jaar 2023.
  • Banken: 109 Italiaanse banken (uit de BankFocus database).
  • Bedrijven: 7.109 Italiaanse bedrijven (uit de AIDA database), gefilterd op grootte en sector (exclusief financiële instellingen).
  • Macro-data: Input-Output tabellen van ISTAT (2022) voor sectorale afhankelijkheden.
• Validatie: De reconstructie is gevalideerd door te controleren of de gereconstrueerde netwerken de empirische balansgrootheden (sterkte van knopen) nauwkeurig reproduceren.

4. Belangrijkste Resultaten

A. Systemisch Belang van Bedrijven en Sectoren

• Heterogeniteit: Systemisch belang is extreem geconcentreerd. Een zeer klein percentage bedrijven (top 0,3%) veroorzaakt de overgrote meerderheid van de economische verliezen bij uitval.
• Mismatch tussen lagen: De bedrijven die het meest kritiek zijn voor de productie (hoge ESRI) zijn niet noodzakelijk dezelfde als die het grootste risico vormen voor het banksysteem (hoge FSRI/DR). Bedrijven met hoge leningen maar gemiddelde productie-impact kunnen juist zeer schadelijk zijn voor de financiële stabiliteit.
• Sectoren: Sectoren zoals juridische diensten, accountancy en managementconsultancy (NACE 69-70) bleken het meest systemisch belangrijk voor de totale economie en het banksysteem, gevolgd door raffinage en groothandel.

B. Determinanten van Systemisch Risico

• Bedrijfsniveau:
  • ESRI: Wordt voornamelijk gedreven door omvang (grootte) en essentiële marktpositie. Essentieelheid heeft een niet-lineair effect: het wordt pas een sterke driver voor extreme risico's bij zeer grote bedrijven.
  • FSRI: Sterk gecorreleerd met ESRI, maar wordt in de bovenste verdelingspercentielen (extreme risico's) sterk beïnvloed door de omvang van de bankkredietblootstelling.
• Bankniveau:
  • Vulnerabiliteit: De kwetsbaarheid van een bank wordt primair bepaald door zijn hefboomwerking (verhouding van interbancaire en bedrijfsleningen tot eigen vermogen), en niet direct door de absolute omvang van de balans. Banken met een hoge blootstelling aan interbancaire leningen zijn het meest kwetsbaar voor schokken die via het productienetwerk binnenkomen.

C. Sectoren vs. Individuele Bedrijven

Bij het simuleren van een 10% productiedaling per sector (in plaats van één bedrijf) worden de effecten in het interbancaire netwerk groter door versterkingseffecten. De kwetsbaarheid van banken neemt hierbij met een factor 10 toe, wat aantoont dat sectorale schokken een groter systeemrisico vormen dan geïsoleerde bedrijfsfaillissementen.

5. Bijdrage en Betekenis

• Methodologische Innovatie: Het artikel biedt het eerste unified framework dat simultaan drie lagen (productie, bank-bedrijf, interbank) reconstrueert en koppelt aan een opeenvolgende contagion-dynamiek, zonder toegang te hebben tot vertrouwelijke transactiedata.
• Beleid en Toezicht: Het raamwerk stelt toezichthouders in staat om "digitale tweelingen" van economieën te bouwen voor geavanceerde stress-tests. Dit helpt bij het identificeren van:
  • Bedrijven waarvan de uitval disproportionele economische schade veroorzaakt.
  • Banken die door hun balanssamenstelling (hoge blootstelling aan specifieke sectoren of interbancaire netwerken) kwetsbaar zijn voor reële economische schokken.
• Theoretische Inzicht: De studie bevestigt dat systemisch risico niet alleen voortkomt uit individuele instellingen, maar uit de architectuur van het gehele economische netwerk. Het benadrukt de noodzaak van multilayer-analyses, aangezien risico's zich op verschillende manieren manifesteren in de productielagen versus de financiële lagen.

Conclusie: De auteurs tonen aan dat het mogelijk is om gedetailleerde, op netwerken gebaseerde stress-tests uit te voeren op basis van beperkte balansgegevens. Dit biedt een krachtig instrument voor regelgevers om de veerkracht van de economie te beoordelen en proactieve maatregelen te nemen tegen systemische instabiliteit.