CC BY
8Анализ влияния изменений балансовых показателей банков второго эшелона России на вероятность дефолта банка
со
сэ
сч
£
Б
а
2 ©
Станкевич Иван Александрович,
Кандидат экономических наук, Кб «Новое Время» (ООО), astanok2501@gmail.com
В статье представлена структура статей баланса коммерческих банков «второго эшелона» России и выделены основные тенденции, присущие данной части банковской системы в разрезе структуры их балансов. В работе выделены ключевые причины отзыва лицензий у банков и описаны самые часто встречаемые случаи. Также в главе формируется PD-модель, позволяющая оценить вероятность дефолта банков на основе ключевых финансовых показателей. Результаты, полученные в данной статье, позволяют идентифицировать первичные индикаторы дефолта, что помогает распознать риски и принять превентивные меры в целях сохранения лицензии банками. В результате анализа, удалось прейти к выводу, что пробит-модель лучше описывает закономерности между вероятностью банкротства банка «второго эшелона» и значениями ее финансовых показателей. Были выявлены статистически значимые показатели, которые можно использовать как первичные индикаторы дефолта банка.
Введение
К концу 2012 года ЦБ РФ опубликовал письмо № 192-Т и ряд других постановлений с целью приобщить российскую банковскую систему к рекомендациям Базеля. Однако проблема регулирования стабильности финансовой системы в России до сих пор остается актуальной. С 2013 года Банк России активно отзывает лицензии коммерческих банков, большинство из них - банки «второго эшелона». От этого страдают клиенты этих банков, как физические, так и юридические лица, имеющие у этих кредитных организаций не застрахованные вклады. Очень важно с максимально точно оценить финансовую устойчивость банка и предвидеть его банкротство.
Целью данной работы является построение качественной модели прогнозирования дефолта кредитных организаций и выявить финансовые показатели, которые могут послужить первичными индикаторами банкротства кредитных организаций «второго эшелона». Для этого нужно выполнить следующие задачи:
1. Провести обзор структуры банковской системы России и проанализировать особенности, присущие банкам второго эшелона России.
2. Провести обзор литературы по теории финансовой устойчивости кредитных организаций и по развитию моделей оценки вероятностей дефолта
3. На основе рассмотренной теории выбрать методы оценки вероятностей дефолта кредитных организаций,
4. Построить эмпирическую модель оценки вероятности дефолта, выявить значимые финансовые показатели в рамках данной модели.
Анализ структуры баланса в банковской системе (второй эшелон)
Банковский сектор России и, в частности, второй эшелон банков неоднороден -он объединяет финансовые компании с различной качественной структурой и бизнес-моделью. Основываясь на методах классификации существующих в российском научном сообществе, банки второго эшелона можно разделить на три группы.
Клиентские банки. К данному типу относятся кредитные организации, где доля депозитов или текущих счетов клиентов в структуре пассивов превышает 70%. Их можно разделить на несколько подгрупп: расчетные и розничные.
Банки, специализирующиеся на расчетных операциях. Дополнительный критерий, позволяющий отнести - доля ликвидных активов выше 35%. Главной целью данного типа банков является обеспечение корректной и бесперебойной системы расчетов соответственно с минимизацией различных бизнес-рисков, часто в ущерб прибыли самого банка. Специализация банков данного типа требует поддержания повышенной и неестественно большой для банковской системы подушки ликвидности, формируемой из средств, отвлекаемых от доходных, но рискованных вложений средств.
Банки, фокусирующие свою бизнес-модель на розничных клиентах. Организации данного типа делятся на две группы в зависимости от характерных особенностей.
К первой подгруппе относятся банки, делающие акцент на кредитование клиентов корпоративного сектора. Дополнительный критерий, позволяющий выделить отдельно данную группу банков - в средствах клиентов доля средств физлиц составляет более 55% при этом доля кредитов клиентам корпоративного сегмента в кредитном портфеле занимает свыше 50%. К типичным представителям можно было отнести банк Балтийский банк, АвтоВАЗ банк, «Банк «Тамбовкредитпром, «Югра» и др., следует отметить сильную региональную составляющую этих банков. Специфика деятельности данной группы банков связана с перераспределением депозитов от населения к
Рисунок 1. Структура пассивов банковской системы с 2001 по 2015 гг.
корпоративному сектору, эта особенность прослеживается в структуре активов и пассивов в части пассивов преобладают средства частных вкладчиков в то время как среди активов высока доля средств, направленных на кредитование корпоративного сегмента.
Ко второй подгруппе розничных банков относят организации, сосредотачивающие свою деятельность на предоставлении кредитов физическим лицам. Отличительным критерием для классификации банка из этой группы является доля кредитуемых физических лиц в кредитном портфеле банка, доля должна превышать 50%. Типичные представители данной подгруппы - «Дельта кредит», ХКФ-банк и другие.
Необходимо отметить одну особенность присущую данному типу банков, потребительские кредиты в основном формируются не за счет частных вкладов, а при помощи собственных средств, при помощи рынка межбанковского кредитования, а также эмиссии ценных бумаг, например, облигаций. Это соответственно ведет к удорожанию продуктовой линейки кредитов, предлагаемых банком.
Обособленной группой идут клиринговые банки, они являются активными
участниками рынка межбанковского кредитования и непосредственно помогают распределить избыточную ликвидность в банковском секторе. К этому кластеру банков относятся те организации, у которых доля инвестиций других банков в пассивы составляет более 25%, при этом параллельно доля активов, которые размещаются в других банках превышает 25%.
В качестве отдельной группы стоит рассматривать капитализированные монобанки. Характерной особенностью данного кластера является отношение собственного капитала к совокупным активам, превышает 60%. Банки данного типа функционируют с целью обслуживания интересов одного акционера или группы связанных бенефициаров. Дефицит необходимых человеческих кадров не дает этим банкам возможности выстраивать клиентский или какой-либо другой специализированный бизнес.
Акционерам проще не тратить собственные средства на имидж и репутацию, а также на развитие клиентской базы, но при этом удобнее инвестировать их в различные категории активов и определенные собственные проекты или проекты, непосредственными бенефициарами которых они являются. Среди клиентов банков данного вида большую долю со-
ставляют аффилированные с их родственниками или партнерами компании. В качестве примеров банков данного типа можно назвать, Росэксимбанк, «Кремлевский» банк, Проминвестбанк и другие.
Также отдельно нужно выделить дочерние иностранные банки, зависящие непосредственно от ресурсов материнской банковской структуры. Характерной особенностью можно выделить размер доли средств нерезидентов в структуре пассивов, более 45%. Стоимость привлечения ресурсов для них невысока, меньше чем стоимость средств, привлекаемых от клиентов в стране функционирования. Важной особенностью банков является высокая доля активов в иностранной валюте (55%) а также высокая доля инвестиций в ценные бумаги больше 25%.
Анализ структуры активов и пассивов
Для объективного понимая процессов в банковской системе с 2000 по 2015 гг. необходимо рассмотреть структуру активов и пассивов банковской системы России с учетом макроэкономических процессов в экономике и территориальных особенностей.
В период 2000-2015 гг. наблюдается существенный уровень территориальной концентрации в банковской отрасли: в
О £
Я
3
9
2 е
6
CS CS
сч £
Б
а
2 ©
'> • 2002 КОЗ !№ 2005 ¡00? 2009 1010 гон 2012 201» 3014 201S
Рисунок 2. Структура активов банковской системы РФ с 2001 по 2015 гг.2
Москве и Московской области функционировало 49% банков в 2000 году, аккумулирующих 76% привлеченных банковской системой средств (за исключением Сбербанка), а в 2015 г. - 54% банков и около 89 % всех активов банковского сектора.
Как следствие возникает масштабный дисбаланс в распределении банковского капитала в России, а также размеров хозяйственной деятельности, что затрудняет доступ к обеспечению юридических и физических лиц банковскими услугами.
На протяжении 2000-2015 гг. число мелких и средних банков с российским капиталом сокращается. В 2000 году в группу банков «второго эшелона» входило 1,21 тыс. банков, на которые приходится более 31% активов банковской отрасли, тогда как на январь 2015 года их число составляет 644 и приходится меньше 15% активов данный процесс непосредственно связан с ужесточением нормативно-правовой базы и требований ЦБ, минимальный размер уставного капитала с 2015 составляет не менее 300 млн рублей. В среднем размер активов банков данного кластера составляет менее 700 млн рублей, что не позволяет им претендовать на большую долю рынка кредитования крупнейших экспортно-ориентированных компаний.
В частности, в виду того что наиболее крупные экспортное ориентированные компании, например, нефтегазового сектора, цветной металлургии, которые
заинтересованы в привлечении больших кредитов от 10 млн. долл. банки второго эшелона работают преимущественно с экспортерами эшелоном ниже: компаниями лесобумажной промышленности, химическими компаниями и др. Кроме того мелкие и средние банки взаимодействуют с предприятиями, ориентированными на внутренний рынок.
Стоит отметить, что доля кредитов данным отраслям в общем портфеле кредитования данного кластера банков составляет в среднем 79%, включая также непроизводственный сектор. Банки, входящие в рассматриваемую группу тесно вовлечены теневые операции, связанные с сокрытием доходов, отмыванием капиталов и др. Косвенным индикатором данного тезиса служит тот факт, что в среднем за период 2000-2015 гг. около 57% всех кредитов, выданных банками данной группы выдано небольшим компаниям с непрозрачной и неопределенной специализацией.
Для большинства банков второго эшелона основным источником ресурсной базы являются средства корпоративного сектора (около 40% привлеченных средств), при том что у банков данной группы среднем на 3 п.п. выше доля депозитов физических лиц по сравнению с банками первого эшелона. Такое распределение источников средств для банков носит преимущественно краткосрочный характер и, следовательно, ограничивает возможность для долгосрочных вложений.
Рассматривая структуру пассивов в банковской системе в частности второго эшелона стоит отметить ряд тенденций. Доля кредитов и депозитов, выданных нерезидентам достигает максимума в 10,6 % в 2007 и регулярно снижается, достигая 2,5 % в 2015 году, это связано с совокупностью факторов включая ухудшение макроэкономической ситуации в РФ, ужесточением регулирования ЦБ, а также с обострением геополитической ситуации после событий 2014 года.
В 2008 и в 2014 гг. в банковской системе резко возрастет доля прочих пассивов до 18,2% и 22,4 % соответственно, куда в данной работе отнесены средства ЦБ (их доли составляли 12 и 11% от всей валюты баланса), э это связано с мерами по их докапитализации ЦБ.
По данным структуры активов и пассивов мы можем наблюдать последствия изменений макроэкономической ситуации в России. С 2003 года активно растет доля кредитов населению в структуре активов в связи с ростом цен на нефть марки Urals, как следствие ростом доходов населения и изменением структуры потребления достигает локального пика 1б% в 2008 году по сравнению с 3,2% в 2001 году последующим снижением и абсолютным максимумом в 17,3% в 2013 году. Далее в следующей части работы будет рассмотрена модель предсказания вероятности дефолта.
Обзор методологии исследований предметной области
В данном исследовании внимание будет сосредоточено на моделях, предсказывающих вероятность дефолта на основе показателей из финансовой отёчности. В эту группу моделей входят линейные модели дискриминантного анализа, среди которых выделяют модели бинарного выбора.
Логистическая регрессия - один из самых популярных алгоритмов для оценки вероятности дефолта в банковской сфере. Это разновидность множественной регрессии, предназначенная для классификации данных на основании значений входных переменных. При этом объясняемая переменная является категориальной, то есть может принимать только ограниченное число значений.
Модель множественной линейной регрессии описывает объясняемую переменную, как функцию от независимых переменных:
у = р0 + Рл + ... + Р„х (2)
Однако использование такого подхода приведет к получению множества значений объясняемой переменной, а в случаях моделей бинарного выбора, такое не допустимо. Поэтому для предсказания наступления какого-либо события используют следующее регрессионное уравнение, которое принято называть логит-преобразованием:
Р(х) = 1 / (1 - е -< в0 +в1х1 + ■■■ + впхп > (3)
График данной зависимости имеет вид сигмоидальной кривой от 0 до 1. Для оценки коэффициентов используется метод максимального правдоподобия. Максимизируют логарифм функции правдоподобия, которая представляет собой вероятность появления значений параметров Р0 + р1х1 + ... + рпх для каждого значения х.
Функция правдоподобия имеет вид:
(4)
Оценки максимального правдоподобия получаются путем нахождения част-
ных производных логарифмированной функции правдоподобия по каждому па-
раметру и приравниваем результирующих выражений к 0. Коэффициенты в полученной системе уравнений могут быть вычислены только с помощью ЭВМ и нелинейных методов. Аналитического решения данной системы уравнений не существует.
Однако в данном исследовании необходимо построить модель, которая будет считать PD на панельных данных. Для этого исходную логистическую регрессию необходимо трансформировать
в модель для панельных данных. Очевидна связь модели бинарного выбора с некоторой ненаблюдаемой переменной (обычно ее называют латентной) и наблюдаемой индикаторной переменной. Пусть у* - латентная переменная, а у( -индикаторная. Тогда связь этих переменных и модели бинарного выбора формируется следующим образом:
. x равна:
_ |1,если y'it > О,
(5)
Индикаторная переменная показывает произошло ли то, или иное событие или нет. В случае, если наступает событие А, например, дефолт банка, то переменная принимает значение 1, если дефолта не произошло, то принимаемое значение равно 0.
Латентная переменная при этом формирует некоторую закономерность влияния объясняющих переменных на индикаторную. Например, можно привести типичную модель подобной структуры: уа= = 1,-Д (= 1,-,ВД
где x,
вектор-строка значении
го
объясняющих переменных для i субъекта в период времени t.
Если предположить, что ait - фиксированные неизвестные параметры, то по сути, можно рассматривать регрессию с N включенными бинарными переменными. При этом логарифмическая функция правдоподобия принимает следующий вид:
(7)
В данной работе будет сделана попытка оценить пробит-модель с помощью метода максимального правдоподобия, а затем будет оценена логит-модель с помощью метода CML (conditional maximum-likelihood). Ниже описана про-бит-модель со случайными эффектами для панельных данных.
Пусть имеется следующая спецификация бинарной модели:
Ук = хаР+ии
■"■: > (8)
где ai - это случайные индивидуальные эффекты,
)
eit - это случайные ошибки,
Ej.^i.i.d.Nfo, а)■
При этом предполагается, что индивидуальные эффекты и ошибки статистически независимы, из чего следует нормальность совместного распределения ошибок uit, где i = 1, .. , N, t = 1, .. T .
Тогда совместная вероятность получения набора yi1, .. yiT , при заданных xi1,
i'C>'tl._,ya.&il.-.xir^>= £[f]EP(o3yi,|irtt,e:,|f>piaJiiai]
(9)
Где:
PttP +
(10)
Итоговый интеграл вычисляется с помощью ЭВМ численными методами. Соответствующие программы имеются в статистических пакетах.
Модель, которая оценивает вероятность возникновения дефолта банков, интересна для ЦБ РФ, коммерческих банков, а также их контрагентов. Такие модели могут стать индикатором наличия проблем у банков, что позволит заранее принять меры для обеспечения стабильности банковской системы. Контрагентам данные модели необходимо для грамотного вложения своих средств, так как позволяют диверсифицировать риски. Коммерческие банки также могут оценивать риски на основе PD моделей, связанных со своей деятельностью.
Качественная PD модель, позволяющая выявлять индикаторы дефолта крайне необходима при проведении риск-менеджмента. В условиях достаточно большого количества отзыва лицензий за последнее время данная задача представляется особенно актуальной.
С помощью модели дихотомической классификации можно оценить вероятность, с которой возникает дефолт каждого из объясняемых факторов и проинтерпретировать их предельные эффекты.
Процесс сбора и анализа данных
В данной работе рассматривается модель отзыва лицензии из-за нехватки ликвидности и не способности банка исполнять свои обязанности перед вкладчиками и кредиторами. Важным моментом является определение критериев, по которым тот или иной банк будет признан дефолтным. В этом исследовании такими критериями выступают:
■ Недостаток ликвидности. Банк не может в установленные сроки погасить свои денежные обязательства перед кредиторами.
■ Достаточность собственного капитала. Если у какого-то банка показатель достаточности капитала упал ниже 2% -это может свидетельствовать о том, что банк не способен нивелировать свои по-
© I
В
S
9
2 a
6
со
о
сч
£
Б
а
2 е
тери без нанесения ущерба своим клиентом.
■ Низкий уровень собственного капитала банка. Отметка объема собственных средств на дату учреждения банка ниже порогового значения уставного капитала.
Прежде чем переходить к построению моделей, необходимо сформировать статистическую выборку, а также определить и рассчитать финансовые показатели, на основе которых будет построена и оценена пробит-модель.
Для проведения эконометрического исследования была сформирована выборка из панельных данных с 1 квартала 2010 года по 4 квартал 2015 года. Выбор такого периода для анализа обоснован наличием структурного сдвига, вызванного мировым финансовым кризисом 20082010 годов.
Квартальные данные были получены из отчетности банков, представленной на сайте ЦБ РФ. Информационная база включает достаточно большое количество показателей, но не все переменные имеют достаточное для исследования количество наблюдений. Поэтому эмпирическим путем был произведен сбор данных по выборке из 40 банков «второго эшелона». В выборку включены банки с 20 по 250 места по рейтингу портала банки.ру, рассчитанному на основе количества активов (нетто) банка. Сведения о причинах отзыва лицензии собирались на основе приказе об аннулировании лицензии, доступными на сайте Банка России.
Далее была произведена очистка переменных. Сначала из сформированной базы данных были удалены отрицательные значения по чистым активам, просроченной задолженности и привлеченным межбанковским кредитам. Причем удаление таких данных осуществлялось только для действующих банков.
На последнем этапе формирования данных был проведен тест ANOVA-тест и проверка парных корреляций переменных для исключения проблемы мульти-коллинеарности. Предварительно было произведено усреднение значений данных по действующим и «дефолтнувшим-ся» банкам. Приведем краткое описание теста.
Нулевая гипотеза (Н0): усредненные значения показателей между двумя группами равны. Альтернативная гипотеза (Н1): средние значения различаются. Если нулевая гипотеза отвергается - то переменная включается в модель, если Н0 не отвергается - переменная исключается из анализа.
Таблица 1
Список переменных,
включенных в модель.
Название переменной Описание
ЕТА Собственные средства Чистые активы
III Норматив (Базель Ш) достаточности капитала
IndDeposi ts Доля депозитов физических лиц в пассивах банка
Reserves Обязательные резервы / Кредитный портфель
ROA Рентабельность чистых активов
Pastdnel iebl Доля просроченной задолженности по выданным ссудам
Investments Доля инвестиций в ценные бумаги
Interbankl ,oans Доля кредитов, привлеченных на рынке межбанковскош кредитования в пассивах банка
Netlntcre stMa rgin Чистая процентная маржа
del" Индикатор дефолта (зависимая бинарная переменная)
Таблица 2
Сравнение показателей качества моделей3.
Нишинне модели McFadden R-squared LogLikelihood
logit 0.8354 -8.43
probit 0.8752 -8.49
Таблица 3
Результаты оценки пробит-модели.4
Coefficients Estimate Pi( >|z|) Marginal effects, %
Intercept 3.744563 0.2410 -
ETA 19.98364 0.1835 -
H1 -27.01536 0.0219 * -5 7561
lnd Deposits -12.01737 0.0143 * -6.2553
ROA -96.12428 0 0001 ** -15 8140
Reserves 4.21592 0.5630 -
PastdueDebt -81.96514 0.0005 ** -12.939
Investments 21.93561 0.0031 ** 3.530
InterbankLoans -7.11231 0.0410 * -1.217
McFadden R-squared 0.8354
ProbfLR statistic) 0.00001
А1МСЛ/А-тест необходим для того, чтобы выделить те финансовые показатели, средние значения которых статистически различны по двум группам банков, что позволит идентифицировать статистически значимые индикаторы дефолта банка.
Исследование парной корреляции производилось с целью выявления сходных по экономическому смыслу переменных. В случае, если корреляция превышает уровень в 70%, выбирается одна из переменных, а вторая исключается из анализа.
Итак, мы имеем итоговый набор переменных, которые включены в спецификацию модели. В таблице 1 приведен список переменных, которые были включены в модель для анализа после сбора, очистки и обработки данных.
Необходимо добавить, что при определении конечной спецификации модели будут проведены тесты на выбор длины лага и тесты на определение нелинейности влияния на вероятность дефолта.
Спецификация и оценка моделей
При выборе спецификации необходимо считаться с существованием следующих проблем: несбалансированность данных и наличие большого количества пропусков наблюдений. Под несбалансированностью данных имеется в виду превышение количества группы действующих банков над группой «дефолтнув-шихся» банков.
Для балансировки данных в данной работе применяется подход, описанный Хи и др. (2009). Он предполагает увеличение количества наблюдений меньшей группы и уменьшение числа наблюдений большей группы, а также формирование случайной выборки, балансирующей классы.
Для оценки влияния существующих пропусков наблюдений был проведен тест на значимость пропусков, описанный в книге Магнуса, Катышева, Пресец-кого (2007), в ходе которого гипотеза о статистической значимости пропущенных наблюдений была отвергнута.
Таким образом, в данной работе приведена следующая спецификация модели:
Щtf I) " ^+ + ¡„¿Deposits + famtMOtt + ЯОЛ + Rntrm + PasrduriMt
Результаты и выводы
Эконометрическое моделирование осуществлялось при помощи программных пакетов на языке R. В данном исследовании было построено две панельные регрессии - логит и пробит. Для выбора наиболее оптимальной модели было произведено сравнение значений коэффициента детерминации McFadden R-squared и логарифмического правдоподобия LogLikelihood. Результаты данного сравнения приведены в таблице 2.
Коэффициент детерминации принимает значения на промежутке от 0 до 1 и показывает долю объясненной дисперсии модели. Чем ближе доля объясненной дисперсии к 1, тем выше качество уравнения регрессии. Логарифм правдоподобия принимает значения от минус бесконечности до 1 и показывает качество приближения модели. Как можно заметить из таблицы 5, пробит-модель превосходит логит-модель по общему качеству, поэтому в дальнейшем анализе будет рассматриваться именно она. Дополнительно, для наиболее полного выявления воздействия объясняющих переменных на банкротство финансовых посредников второго эшелона, для были рассчитаны предельный эффекты, так как в моделях с категориальной (бинарной в нашем случае) нельзя руководствоваться лишь полученными коэффициентами. Вычисление данных значений проводилось также при помощи программных пакетов в R. Более подробно с полученными коэффициентами регрессии можно ознакомиться в таблице 3.
Как мы видим значение Prob (LR statistic) очень близка к нулю. Это свидетельствует о значимости регрессии. Как уже было отмечено ранее, заявленные в модели объясняющие переменные объясняют большую долю дисперсии зависимой переменной, что также является хорошим показателем качества модели. Большинство регрессоров статистически значимы на 5% и на 10% уровне, а значит оказывают существенное влияние на вероятность дефолта банка, и, следовательно, их можно признать первичными индикаторами дефолта.
Как показали результаты оценки модели, наблюдается обратная зависимость между привлеченными межбанковскими депозитами и вероятностью дефолта банка. Исходя из полученного значения предельного эффекта, увеличение доли кре-
дитов, привлеченных на рынке межбанковского кредитования в пассивах банка на 1% в среднем при прочих равных уменьшает вероятность банкротства на 1,217%.
Действительно, согласно экономической теории, чем больше банк привлекает кредитов на рынке межбанковского кредитования для финансирования своих возрастающих аппетитов, тем меньше риск банкротства банковской организации по своим обязательствам в краткосрочном периоде. Однако, банк, который часто обращается за заемными средствами, может не погасить накопленную задолженность в долгосрочной перспективе. Поэтому необходимо осторожно относиться к данному индикатору и целесообразно рассматривать его в совокупности с другими показателями.
К результату, продемонстрированному моделью относительно доли просроченной задолженности по выданным ссудам стоит относиться с осторожностью, так как отрицательный знак коэффициента перед данным показателем противоречит ожидаемому результату. Согласно данной регрессии, чем выше доля просроченной задолженности, тем меньше вероятность дефолта банка. Помимо этого, предельный эффект показывает, что рост этого показателя на 1% приводит в среднем и прочих равных к уменьшению вероятности банкротства на 12,939%.
Результаты оценки модели показали, что при большей рентабельности активов кредитной организации меньше вероятность её дефолта. Это согласуется с теорией финансового анализа, так высокое значение ROA говорит о большой доле чистой прибыли, а эта величина является одной из основополагающих при анализе финансовой устойчивости организации. Предельный эффект демонстрирует значительное влияние изменения данного регрессора на изменение объясняемой переменной.
Коэффициент при нормативе достаточности капитала также является статистически значимым. Предельный эффект данного коэффициента показывает, что вероятность дефолта банка в среднем и при прочих равных уменьшается на 5,7561% при росте норматива достаточности капитала на 1%.
В полученном уравнении регрессии из значимых переменных только ETA имеет положительную взаимосвязь с объясняемой переменной. То есть наблюдается прямая зависимость доли собственного капитала в совокупных активах банка и вероятности банкротства кредитной
организации.
Доля депозитов физических лиц в пассивах банка также оказывает статистически значимое влияние на вероятность банкротства банка. Согласно полученным предельным эффектам по коэффициенту при этой переменной, вероятность дефолта в среднем и прочих равных падает на 6,2253% при росте доли депозитов физических лиц в общей сумме обязательств банка на 1%.
В полученном уравнении регрессии из значимых переменных только ETA и доля инвестиций в ценные бумаги в суммарных активах банка имеют положительную взаимосвязь с объясняемой переменной. То есть, согласно результатам оценки модели, чем выше отношение собственного капитала к активам банка и отношение вложений в ценные бумаги к активам банка, тем больше вероятность банкротства кредитной организации.
Положительное влияние на долю инвестиций в ценные бумаги в активах банка объясняется тем, что чем выше эта доля, тем более высокий риск принимает на себя банк. Реализуя значительные вложения в ценные бумаги, банк увеличивает свою ликвидность, но при этом понижает свою доходность.
Заключение
В ходе исследования был проведен анализ структуры, присущих банкам «второго эшелона» в РФ, который позволил выявить основные тенденции предметной области.
Вторая часть работы посвящена эмпирическому анализу, произведенному с использованием статистических и эконо-метрических методов. Были описаны предпосылки, математическая основа и механика выбранных эконометрических моделей: логистическая регрессия, панельные логит и пробит модели.
После проведенного исследования был сделан вывод, что пробит-модель лучше описывает закономерности между вероятностью банкротства банка «второго эшелона» и значениями ее финансовых показателей. Были выявлены статистически значимые показатели, которые можно использовать как первичные индикаторы дефолта банка.
Данное исследование также имеет ряд недостатков, которые нужно иметь в виду при рассмотрении полученных выводов. В использованной выборке имеет место несбалансированность данных и недостаточно большой горизонт наблюдений, который не представляется возможным расширить из-за последствий мирового финансового кризиса в россий-
О
3
в
S
9
2 а
6
ской экономике в 2007-2009 годы, которые могли значительно повлиять на во-латильность финансовых показателей и привести к сильному смещению оценок.
Для совершенствования исследования планируется включить в модель рыночные наблюдаемые показатели, данные рейтинговых агентств.
Литература
1. Ивантер А.Е. Кто соберет пазл? // Эксперт. 2005. № 33 (479).
2. Бобышев А.А., Типичные стратегии и финансовое посредничество. Working Paper. BSP/01/047 - М.: Российская экономическая школа, 2001. - 48 с.
3. Ларионова И.В. Стабильность банковской системы в условиях переходной экономики //Докторская диссертация, 2001 Кластеризация коммерческих банков внутри банковской системы Кахри-манова Карина Радиевна Ph.D., MSU
4. Сальников В. А., Галимов Д. И. Конкурентоспособность отраслей российской промышленности текущее состояние и перспективы //Проблемы прогнозирования. - 2006. - №. 2.
5. Н. Паклин, В. Орешков «Бизнес-аналитика: от данных к знаниям», 2004
6. Магнус Я.Р., Катышев П.К., Пере-сецкий А.А. (2007) Эконометрика: начальный курс. М.: Дело, 2007.
7. Тотьмянина К. (2011) Обзор моделей вероятности дефолта // Управление
финансовыми рисками. 2011. № 1 (25).
8. Носко В. Эконометрика. Книга вторая. - Издательский дом «Дело» РАНХиГС, 2011.
9. Демьянов А.А. Управление финансовыми рисками предприятия, связанными с банковским сектором. // Инновации и инвестиции. 2015. №6. с.33-35
Ссылки:
1 Данные взяты с сайта ЦБ: http:// www.cbr.ru
2 Данные взяты с сайта ЦБ: http:// www.cbr.ru
3 Источник данных - расчеты автора.
4 Источник данных - расчеты автора.
Russian second tier bank's
financial indicators impact on the default probability analysis Stankevich I.A.
Novoe Vremya Commercial Bank LLC Article presents the structure of balance sheets of second tier commercial banks in Russian Federation. It helps to identify major trends inherent in this part bank system. Also in the article there is presented a PD model, based on logistical regression analysis of key financial markers. Obtained results allow us to recognize risks and take measures in order to avoid bank's defaulting. As a result, of the analysis, it was possible to conclude that the probit model can better predict probability of the
bankruptcy of the second tier banks. In the article proved statistical significance of the indicators, which can be used as primary indicators of bank default. References
1. Ivanter A.E. Who will collect the puzzle?
// Expert. 2005. № 33 (479).
2. Bobyshev AA, Typical strategies and
financial intermediation. Working Paper. BSP / 01/047 - Moscow: The New Economic School, 2001. - 48 pp.
3. Larionova I.V. Stability of the banking
system in a transition economy // Doctoral dissertation, 2001 Clustering of commercial banks within the banking system Kakhrimanova Karina Radievna Ph.D., MSU
4. Salnikov VA Galimov DI Competitiveness of branches of Russian industry current state and prospects // Problems of forecasting. - 2006. - No. 2.
5. N. Paklin, V. Oreshkov «Business
Intelligence: From Data to Knowledge», 2004
6. Magnus Ya.R., Katyshev PK, Peresetskiy A.A. (2007) Econometrics: the initial course. M .: The Case, 2007.
7. Totmyanina K. (2011) Review of
probability models of default // Financial risk management. 2011. № 1 (25).
8. Nosko V. Econometrics. The second
book. - Publishing house «Delo» RANHiGS, 2011.
9. Demyanov AA. Management of financial risks of an enterprise related to the banking sector. // Innovations and investments. 2015. №6. p.33-35
