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

In de wereld van de financiën zijn banken de motoren die economieën in beweging houden door geld te lenen om huizen te bouwen, bedrijven te starten en het dagelijks leven te financieren. Maar wanneer deze motoren te heet of te koud draaien, kan het hele systeem stilvallen of oververhit raken. Decennialang hebben toezichthouders geprobeerd deze motoren veilig te houden met een standaard checklist, vergelijkbaar met een monteur die een auto inspecteert. Ze kijken naar hoeveel geld een bank in reserve heeft, hoe goed het leningen beheert en hoeveel winst het maakt. Deze checklist heeft goed gewerkt wanneer alle banken in een regio in dezelfde richting bewegen. De moderne financiële wereld verandert echter snel. In sommige gebieden groeien banken razendsnel, terwijl ze in andere gebieden conservatiever worden of hun strategieën volledig veranderen. Wanneer elke bank anders is, faalt een enkele, rigide checklist om de specifieke gevaren waar elke bank mee te maken heeft te zien. De uitdaging voor moderne toezichthouders is om een manier te vinden om deze verschillen duidelijk te zien en hun veiligheidsregels in realtime aan te passen, in plaats van te wachten tot een crisis een probleem onthult.

Een onderzoeker heeft dit probleem aangepakt door de banksystemen van drie naburige landen in de Zuidelijke Kaukasus te bestuderen: Armenië, Azerbeidzjan en Georgië. Tussen 2024 en 2026 ondergingen deze drie naties een periode van snelle maar zeer verschillende groei. Armenië zag zijn banken geld lenen in een recordtempo, wat zorgen opriep over de vraag of ze wel voldoende veiligheidsbuffers hadden. De banken in Georgië groeiden gestaag terwijl ze hun afhankelijkheid van vreemde valuta verminderden. De banken in Azerbeidzjan breidden langzamer uit maar met enorme kracht, wat ertoe leidde dat toezichthouders nieuwe regels introduceerden om de kredietgroei af te remmen. Ondanks deze verschillen gebruikten de centrale banken in elk land nog steeds dezelfde oude, statische methoden om risico's te beoordelen. De onderzoeker argumenteerde dat deze methoden leken op het proberen te meten van het weer in drie verschillende klimaten met één enkele thermometer; ze konden de unieke risico's van de bancaire sector van elk land niet vangen.

Om dit op te lossen, bouwde de onderzoeker een nieuw, flexibel kader genaamd de Dynamic 4S-DSDM. In plaats van te vertrouwen op experts om te raden welke factoren het belangrijkst waren, liet de onderzoeker de data voor zich spreken. Er werd informatie verzameld van elke commerciële bank in deze drie landen — in totaal 58 banken — over een periode van twaalf jaar. Deze enorme hoeveelheid informatie werd ingevoerd in een computersysteem dat gebruikmaakt van machine learning, een vorm van kunstmatige intelligentie die patronen leert van data. Het systeem analyseerde vier kerngebieden: hoe veilig de banken waren, hoe stabiel hun financiering was, hoeveel winst ze maakten en hoe groot ze waren. Cruciaal was dat de computer zelf besliste welke van deze gebieden op elk gegeven moment het belangrijkst waren, in plaats van vaste regels te gebruiken. Het systeem ontdekte dat het belang van deze factoren veranderde naarmate de banken evolueerden.

Met behulp van dit slimme weegsysteem groepeerde de onderzoeker de banken in drie verschillende typen, of "archetypen", gebaseerd op hoe ze zich daadwerkelijk gedroegen. De eerste groep, de "Strategic Leaders" genoemd, bestond uit banken die een goede balans vonden tussen veiligheid en winst. De tweede groep, de "Traditional Savers", waren de voorzichtige banken die stabiliteit boven snelle groei stelden. De derde groep, "Aggressive Growth", omvatte de banken die grote risico's namen om snel uit te breiden. De studie toonde aan dat deze groepen niet willekeurig waren; ze vertegenwoordigden echte, stabiele bedrijfsmodellen die in de loop van de tijd standhielden. De onderzoeker testte vervolgens de bevindingen om er zeker van te zijn dat ze geen toevalstreffer waren, waarbij strikte statistische controles werden gebruikt om te bevestigen dat deze groepen onderscheidend bleven, zelfs wanneer de data werd gehusseld of vanuit verschillende invalshoeken werd bekeken.

De resultaten onthulden een fascinerend verhaal over hoe de bancaire sector van elk land evolueerde. In Armenië vertoonde de bancaire sector tekenen van structurele diversiteit, waarbij meer banken af bewogen van het traditionele model naar nieuwe, gevarieerde strategieën. De studie vond echter ook dat het Armeense systeem zeer gevoelig was voor externe schokken. Toen er in 2022 een belangrijke geopolitieke gebeurtenis plaatsvond, reageerden de Armeense banken snel en dramatisch door massaal over te schakelen naar het veiligere "Traditional Saver"-model. Dit was een teken van een systeem dat kwetsbaar kan zijn onder druk. In contrast hiermee was het bankensysteem van Azerbeidzjan een mix van alle drie de typen, wat een hoog niveau van diversiteit liet zien die het systeem veerkrachtiger leek te maken tegen schokken. De banken in dat land bewogen niet allemaal in dezelfde richting toen er problemen ontstonden; in plaats daarvan bestonden de verschillende soorten banken naast elkaar, wat een natuurlijk buffer bood. Georgië vertoonde een ander soort kracht, gekenmerkt door "structurele elasticiteit". Het land had zich eerder dan zijn buren in een stabiel patroon genesteld, met een groot deel van de banken die al als "Strategic Leaders" opereerden, waardoor het stress kon absorberen zonder in te storten of te bevriezen.

De onderzoeker ontwikkelde ook een nieuwe manier om te meten hoe "volwassen" of stabiel een banksysteem is, met behulp van een concept genaamd entropie, wat in deze context meet hoe gemengd of uniform de banken zijn. Een systeem waar alle banken hetzelfde zijn, heeft een lage entropie, terwijl een systeem met veel verschillende soorten banken een hoge entropie heeft. De studie toonde aan dat hoewel de drie landen verschillende startpunten hadden, ze allemaal op een vergelijkbare manier reageerden op de schok van 2022, waarbij hun systemen uniformer werden doordat banken naar veiligheid vluchtten. Deze gesynchroniseerde reactie suggereerde dat regionale gebeurtenissen invloed hebben op alle drie de landen, ongeacht hun individuele bancaire structuren.

De belangrijkste uitkomst van dit werk is een nieuw instrument voor toezichthouders genaamd de Supervisory Intensity Score. Deze score vertelt een centrale bank precies hoeveel aandacht een specifiek type bank nodig heeft. Voor de "Strategic Leaders" is de score laag, wat betekent dat ze met standaardcontroles kunnen worden gemonitord. Voor de "Traditional Savers" is de score matig, wat periodieke stresstests vereist. Maar voor de "Aggressive Growth"-banken is de score hoog, wat aangeeft dat deze instellingen constante, gerichte audits en strengere regels nodig hebben. Deze aanpak stelt toezichthouders in staat om af te stappen van een "one-size-fits-all"-strategie. In plaats van elke bank hetzelfde te behandelen, kunnen ze nu het juiste niveau van toezicht toepassen op de juiste bank, gebaseerd op het werkelijke gedrag en het risicoprofiel.

De studie concludeert dat de oude manier van banken toezicht houden niet langer voldoende is voor een wereld waarin financiële systemen zo snel veranderen. Door data te gebruiken om het unieke karakter van elke bank en elk land te begrijpen, kunnen toezichthouders proactiever zijn. Ze kunnen een bank die te risicovol wordt signaleren voordat er een probleem ontstaat, en ze kunnen de banken ondersteunen die het juiste doen. Het onderzoek suggereert dat voor de Zuidelijke Kaukasus, en potentieel voor andere opkomende markten, de toekomst van bancaire veiligheid in flexibiliteit ligt. Het gaat om het bewegen weg van rigide regels naar een systeem dat leert, zich aanpast en reageert op de echte, levende complexiteit van de financiële wereld. De bevindingen zijn niet slechts een theoretische oefening; ze bieden een praktisch, op bewijs gebaseerd pad voorwaarts om de motoren van de economie veilig draaiende te houden, zelfs wanneer de weg hobbelig wordt.