Моделирование вероятности получения убытков банков на основе методов статистического анализа Текст научной статьи по специальности «Экономика и бизнес»

14 (200) - 2014

Банковский сектор

УДК 336.71

МОДЕЛИРОВАНИЕ ВЕРОЯТНОСТИ ПОЛУЧЕНИЯ УБЫТКОВ БАНКОВ

НА ОСНОВЕ МЕТОДОВ СТАТИСТИЧЕСКОГО АНАЛИЗА

В.М. ЗАЕРНЮК,

кандидат экономических наук, доцент кафедры экономики Е-mail: zvm4651@mail.ru Российский государственный университет туризма и сервиса, г. Москва

В статье рассмотрены особенности моделирования вероятности получения отрицательного финансового результата банком с использованием методов корреляционно-регрессионного анализа. Предложена модель раннего предупреждения убыточной деятельности для российских банков на основе национальной банковской статистики. Работа может представлять интерес для Банка России, кредитных организаций и их контрагентов в рамках задач риск-менеджмента.

Ключевые слова: банк, финансовый результат, корреляционно-регрессионный анализ

При возникновении отрицательного финансового результата коммерческий банк может столкнуться с рядом осложняющих обстоятельств, способных не только вызвать затруднения в процессе его деятельности, но и поставить под вопрос само существование банка из-за возникновения угрозы банкротства. Угроза банкротства может возникнуть и в условиях прибыльной деятельности кредитной организации, однако, при прочих равных условиях коммерческий банк гораздо успешнее выходит из кризисного состояния при наличии достаточного потенциала генерирования прибыли. Тем не менее убыточная деятельность относится к числу главных

причин снижения рыночной стоимости кредитной организации.

Вопросы анализа и оценки основных причин, влекущих утрату платежеспособности, моделирование вероятности дефолта организаций банковского сектора достаточно глубоко проработаны в трудах отечественных и зарубежных ученых [1, 4, 5]. В то же время научных работ с использованием эконометрических методов исследования по оценке взаимосвязи между отрицательным финансовым результатом и факторами, способными оказывать на него влияние, не отмечается, что и обусловило необходимость проведения представленной работы.

Актуальность исследования вызвана еще и тем, что в восстанавливающейся после мирового финансово-экономического кризиса банковской системе в последнее время наметился возрастающий тренд, связанный с убыточной деятельностью банков. Отмеченное обстоятельство диктует необходимость формирования системы мониторинга деятельности отдельных банков, разработки эффективной системы раннего предупреждения, позволяющей выявлять наиболее уязвимые кредитные организации для последующего более тщательного анализа их деятельности.

Таблица 1

Финансовый результат деятельности действующих российских банков

Объем прибыли/убытков, млрд руб. Количество банков, ед.

ос 11 эс 11

Показатель CS CS CS CS CS ^ CS CS CS CS CS ^

о о о о .1 о о о о .1

1. 1. 1. 1. 1. 1. 1. 1. 1. 1.

о о о о о о о о о о

Банковский сектор, всего 508,0 573,4 848,2 1 011,9 884,3 1 134 1 012 978 956 927

В том числе

- прибыльные банки 508,9 595,0 853,8 1 021,3 897,5 1 123 931 928 901 779

- убыточные банки -0,9 -21,7 -5,6 -9,4 -13,2 11 81 50 55 148*

Доля убыточных банков, % - - - - - 1,0 8,0 5,1 5,8 16,0

* По состоянию на 01.12.2012 в российском банковском секторе наблюдалось 86 убыточных банков.

200 180 160 140 120 100 80 60 40 20 0

Рис. 1. Динамика

количества

убыточных

кредитных

организаций

России в 2013 г

Январь Февраль Март Апрель Май Июнь Июль Август Сентябрь Октябрь Ноябрь Декабрь

Следует заметить, что российская банковская система за неполных 25 лет своего развития прошла достаточно сложный путь, пережив два крупнейших кризиса 1998 г. и 2008-2009 гг.

По сравнению с 1990-ми гг. на протяжении 2000-х гг. в результате последовательных преобразований, законодательных и регуляторных новаций была сформирована рыночная территориально распределенная банковская система, обеспечивающая удовлетворительное выполнение традиционных банковских посреднических функций [2].

В то же время прошедшие кризисы заставляют постоянно осмысливать текущее состояние банковского дела, оценивать возможные пути решения возникающих проблем. Обратимся к банковской статистике (табл. 1). Анализ данных табл. 1. показывает, что доля убыточных кредитных организаций за последние три года существенно возросла с 1% по состоянию на 1 января 2008 г. до 5-8% в 2011-2013 гг.

Общее количество убыточных банков в отечественном банковском секторе увеличилось более чем в 2 раза - с 55 ед. на 1 января 2013 г. до 120 ед. на 1 октября 2013 г. (рис. 1).

Из представленных данных видно, что на каждую отчетную дату кредитные организации, как это принято говорить на Западе, «украшают витрины»1, благодаря чему на отчетные даты количество убыточных баков сокращается практически на треть (см. рис. 1).

Растет не только число убыточных банков, но вместе с ними и совокупный объем убытков убыточных банков, который в 2013 г. вырос с 9,4 до 13,2 млрд руб. (рис. 2).

Подходы к построению моделей раннего предупреждения для банковского сектора и факторы, которые определяют успешность операционной деятельности банков в развитых странах, рассмотрены в ряде работ зарубежных авторов и обобщены в исследовании [4].

Российские исследователи А.М. Карминский, А.А. Пересецкий и др. в качестве финансовых

1 Специальный термин - window-dressing (англ. украшение витрин), под которым понимают переоформление баланса в рамках существующих законов и национальных учетных принципов, влекущее за собой изменение структуры капитала и финансового результата для положительного воздействия на определенные группы пользователей бухгалтерской отчетности.

25

20

15

10

Рис. 2. Финансовый результат деятельности убыточных кредитных организаций России в 2013 г, млрд руб.

Январь Февраль Март Апрель Май Июнь Июль Август Сентябрь Октябрь Ноябрь Декабрь

5

0

переменных, в наибольшей степени характеризующих устойчивость коммерческого банка, называют прежде всего размер активов банка и его капитализацию в виде отношения капитала банка к суммарным активам [1]. Кроме этих переменных улучшение прогнозного качества вероятности дефолта позволяет включение в эмпирическую модель макроэкономических переменных, отражающих общее улучшение в экономике (рост ВВП, рост промышленного производства, увеличение реальных доходов населения, улучшение внешнеторговой ситуации, уровень инфляции), оказывающих положительное влияние на состояние банка [5].

Вызывает немалый интерес, какие именно факторы (показатели) способны оказывать решающее влияние на финансовый результат в виде убытков и в какой мере. Наиболее продуктивным представляется исследование формы связи между убытками и ключевыми объясняющими переменными в виде отдельных показателей, построение математической модели для использования в сравнительно стабильных условиях, в начальной фазе, когда только зарождаются предпосылки неустойчивости, причем на уровне не только отдельных банков, но и на уровне всей российской банковской системы. В соответствии с поставленной целью было намечено:

- осуществить отбор финансовых и институциональных факторов, влияющих на вероятность получения убытков кредитными организациями, определить характер этого влияния;

- обосновать присутствие показателей, включаемых в модель вероятности убыточной деятельности банка;

- провести сравнение полученной модели, протестировать ее качество, предсказательную силу.

В работе использованы данные банковской статистики за 1998-2012 гг. информационно-аналитической системы «Банки и финансы» информационного агентства «Мобиле», представляющей объективную количественную информацию о результатах деятельности отдельных банков и банковской системы России в целом.

Рассмотрены показатели трех временных горизонтов, относящихся к началу 1998 г. (году объявления дефолта), началу 2008 г. - году разразившегося мирового финансового кризиса и к 2012 г. - году наметившегося относительного оживления в банковской сфере. По состоянию на 01.01.1998 было зафиксировано 374 убыточных банка, на 01.01.2008 -188 банков, на 01.01.2012 - 180 банков.

Первоначально в целях исследования были отобраны 11 показателей, способных оказывать влияние на объем убытков кредитной организации ВР:

- собственный капитал;

- работающие активы;

- резервы на возможные потери;

- обязательные резервы в Центральном банке РФ;

- ликвидные активы;

- государственные долговые обязательства;

- кредиты экономике;

- кредиты другим банкам;

- негосударственные ценные бумаги;

- неработающие активы;

- просроченная задолженность по ссудам.

В дальнейшем число таких показателей из-за возможности дублирования некоторых из них и для получения наиболее достоверной формы связи было сокращено до семи показателей. В рамках данной работы представляется целесообразным

сосредоточиться на показателях, характеризующих структуру активов.

Гипотеза исследования. На финансовый результат достаточное влияние могут оказать группа показателей, характеризующая работающие активы, показатель размера неработающих активов и просроченная задолженность по ссудам. Высокий уровень просроченной задолженности отражает неблагоприятное финансовое положение кредитной организации, а также низкое качество оценки рисков, что в конечном итоге может повлечь образование убытков.

Переменные, связанные с объемом операций с ценными бумагами, и прежде всего с негосударственными, сопряжены с повышенным уровнем рыночного риска. На взгляд автора, кредитные организации, активно вовлеченные в операции с негосударственными ценными бумагами, с большей вероятностью допустят убытки в будущем. Приведем несколько примеров. На 1 января 1998 г. из 374 убыточных банков 56 банков, т.е. каждый седьмой банк, имели долю негосударственных ценных бумаг в валюте баланса, значительно превышающую долю кредитов экономике. Коммерческий банк «Арсенал», получивший убытков на сумму 5,3 млн руб., имел долю негосударственных ценных бумаг в размере 72%, в то время как доля кредитов экономике составляла всего лишь 6%. Банк ОАО «МИБ» с убытками 1,5 млн руб. имел доли 53 и 23% соответственно, ООО КБ «Московско-Парижский Банк», допустившее убытки на 2,8 млн руб., -37 и 28%, ОАО «Национальный банк «Траст» с убытками 7,1 млн руб. на 01.01.1998 имело долю негосударственных ценных бумаг в размере 37%, долю кредитов экономике - только 23%. В ходе исследования была предпринята попытка оценить оптимальный размер долей кредитных операций и

операций с негосударственными ценными бумагами в структуре работающих активов.

Результаты исследования. Для установления возможных регрессоров была составлена корреляционная матрица показателей, которая позволила выявить взаимосвязь переменных объясняющих с финансовым результатом. Проведенный корреляционный анализ позволил отметить существование линейной зависимости между рассматриваемыми показателями, что подтверждается приведенными высокими коэффициентами корреляции по двум временным периодам, соответствующим прошедшим кризисам 1998 и 2008 гг., что подтверждается высокими значимыми значениями парных коэффициентов корреляции (табл. 2).

В то же время проверка тесноты связи анализируемых показателей с финансовым результатом по состоянию на 1 января 2012 г. по большинству показателей выявила слабую связь - 0,33-0,49, а влияние объемов государственных долговых обязательств практически отсутствует (см. табл. 2).

Необходимо заметить, что выявленные высокие значения парных коэффициентов корреляции по теоретическим представлениям аналитиков могут быть обусловлены не только тесной связью исследуемых величин, но и присутствием так называемого третьего фактора, который «маскируется» под другую переменную [3]. Поэтому полученные для всех временных рядов результаты были подтверждены дополнительно оценочным тестам на качественно-количественную оценку тесноты связи, на адекватность рассматриваемым параметрам в целях определения степени влияния неучтенных факторов в полученных формах связи.

По таблице критических значений корреляции ткр для уровня значимости а и степеней свободы / для принятого уровня значимости а = 0,05 и

Таблица 2

Качественная оценка тесноты связи исследуемых факторов (балансовая прибыль/убыток)

Показатель 01.01.1998 01.01.2008 01.01.2012

Значение Теснота связи Значение Теснота связи Значение Теснота связи

Ликвидные активы ЬА -0,9582 Очень сильная -0,9115 Очень сильная -0,4336 Слабая

Государственные долговые -0,9926 Очень сильная -0,9753 Очень сильная -0,1607 Практически

обязательства GDO отсутствует

Кредиты экономике КЕ -0,8928 Очень сильная -0,9724 Очень сильная -0,3885 Слабая

Кредиты другим банкам МВК -0,5990 Заметная -0,9358 Очень сильная -0,4471 Слабая

Негосударственные ценные -0,7998 Сильная -0,9744 Очень сильная -0,4906 Слабая

бумаги ^В

Неработающие активы PNA -0,3635 Слабая -0,9064 Сильная -0,3323 Слабая

Просроченная задолженность -0,3293 Слабая -0,8741 Сильная -0,3838 Слабая

по ссудам PZS

заданного числа измерений табличное значение т = 0,196. В рассматриваемом случае коэффициенты парной корреляции, составляющие 0,922-0,993, значительно превышают табличное значение т, что позволяет судить о вероятном отсутствии третьего фактора.

Анализ показал, что построение модели связи отрицательного финансового результата на базе данных 2012 г. с объясняющими переменными, имеющими слабую связь, снижает ее качество. Поэтому для дальнейшего рассмотрения приняты данные по состоянию на 01.01.2008.

Приведенные данные корреляционного анализа исследуемых показателей позволили все семь показателей (см. табл. 2) рассматривать в качестве переменных в регрессионной модели связи.

Получено следующее уравнение регрессии (уравнение прогнозирования): ВР = -3 994,3 + 0,0029Х1 - 0,0169Х2 - 0,0032Х3 +

+ 0,0048Х4 + 0,022Х5 ■

0,0348 - 0,0034Х.

где ВР - финансовый результат, тыс. руб.; Х1 - ликвидные активы ЬА, тыс. руб.; Х2 - государственные долговые обязательства GDO, тыс. руб.;

Х3 - кредиты экономике КЕ, тыс. руб.; Х4 - кредиты другим банкам МВК, тыс. руб.; Х5 - негосударственные ценные бумаги ЫСБ, тыс. руб.;

Регрессионная статистика

Я-квадрат 0,84

Наблюдения 184

Х6 - просроченная задолженность по ссудам

PZS, тыс. руб.;

Х7 - неработающие активы NA, тыс. руб.

Анализ множественной регрессии позволил установить коэффициенты связи со значимыми ¿-статистиками и коэффициентом детерминации 0,84.

Проверка полученных уравнений формы связи по ^-критерию путем сопоставления фактических значений с табличными для соответствующего уровня значимости а = 0,01 свидетельствуют о достаточно устойчивой зависимости рассматриваемой функции и воздействующих на нее факторов: F = 127,95 > F к = 2,16 (рис. 3).

расч ' табл ' '

Статистическая оценка полученных уравнений по указанным критериям позволяет с уверенностью на 95% утверждать, что полученные зависимости являются статистически значимыми, что дает основание рекомендовать полученные уравнения множественной регрессии для использования в практике прогнозирования.

Данные сравнения предсказанных и фактических данных по ряду банков приведены в табл. 3. По ряду банков отклонения незначительны.

Модель вероятности получения отрицательного финансового результата представляет потенциальный интерес для Банка России как регулятора кредитных организаций и их контрагентов. Регулятор сможет выявлять наиболее уязвимые банки для своевременного принятия мер по их финансовому оздоровлению. Модель может оказаться полезной для контрагентов банка, чтобы лучше осознавать

Дисперсионный анализ

Т MS F

Регрессия 7 2,83465Е + 12 4,0495Е + 11 127,9469

Остаток 176 5,57037Е + 11 3 164 980 913

Итого 183 3,39168Е +12

Переменная Коэффициент Стандартная ошибка ¿-статистика Р-значение

7-пересечение -3 994,293 4 555,2 -0,8768 0,3817

Х, 0,0029 0,0017 1,7481 0,0822

Х2 -0,0169 0,0103 -1,6450 0,1018

Хз -0,0032 0,0011 -2,9196 0,0040

Х4 0,0048 0,0042 1,1279 0,2609

Х5 -0,0220 0,0032 -6,9604 0,0000

Хб 0,0348 0,0281 1,2415 0,2161

Х7 -0,0034 0,0012 -2,9401 0,0037

Рис. 3. Вывод остатков

7х"

21

Таблица 3

Сравнение предсказанных и фактических данных по финансовому результату на 01.01.2008

Кредитная организация Финансовый результат Отклонение

предсказанный BP г ^ расч фактический BP. т факт Тыс. руб. %

ОАО КБ «Агропромкредит» -105 152 -95 859 -9 293 8,8

ОАО АКБ «Газстройбанк» -14 090 -16 274 2 184 -15,5

ЗАО «КБ Европлан» -20 441 -22 805 2 364 -11,6

ОАО АКБ «Интрастбанк» -37 345 -29 922 -7 423 19,9

ООО КБ «Огни Москвы» -53 446 -41 163 -12 283 23,0

ООО «Первый Чешско-Российский банк» -73 74с4 -102 186 28 442 -38,6

ЗАО АКБ «Славянский Банк» -46 055 -64 222 18 167 -39,4

ОАО «ТрансКредитБанк» -648 524 -777 943 129 419 -20,0

ОАО «Банк Уралсиб» -1 191 663 -1 149 864 -41 799 3,5

КБ «Юниаструм Банк» (ООО) -160 924 -142 625 -18 299 11,4

риски вложения финансовых средств в конкретный коммерческий банк.

Для кредитных организаций представляет интерес и наблюдение за динамикой вероятности дефолта для оценки рисков, связанных с банковской деятельностью и проводимой политикой. Модель позволяет оценивать влияние на вероятность получения убытков каждого из входящих в нее факторов.

Как показало исследование, в анализируемых временных периодах порядка 30-50% банков размещали часть денежных средств в покупку негосударственных ценных бумаг. При этом значительное число банков, особенно накануне объявления дефолта в 2008 г., предпочли направление средств в негосударственные ценные бумаги, нежели в проведение кредитных операций и других менее рисковых направлений вложения денежных средств, что явилось одной из причин высоких величин убытков. По мнению автора, к группе риска следует относить банки с высокой долей операций с негосударственными ценными бумагами. В качестве оптимального значения по результатам проведенного исследования можно считать значение доли негосударственных ценных бумаг, не превышающее 11% работающих активов. Этот вывод основан на анализе данных 520 из 965 банков, имеющих на балансе негосударственные ценные бумаги (на 01.01.2012), не допустивших убытков.

Для практической деятельности хозяйствующих субъектов в условиях происходящих изменений необходима постоянная оценка результатов деятельности банков, позволяющая определить состояние и тенденции основных направлений привлечения и размещения средств банков, динамику прибыли и убытков.

Независимый анализ динамики изменения показателей и отношений между ними, эффективности работы активов позволяет сравнить банки, оценить их устойчивость и перспективу деятельности.

Список литературы

1. КарминскийА.М., ПересецкийА.А., ПетровА.Е. Рейтинги в экономике: методология и практика. М.: Финансы и статистика. 2005. 400 с.

2. ПолтеровичВ.М., ВолчковаН.А., ДенисоваИ.А. [и др.] Стратегия модернизации российской экономики / под ред. В.М. Полтеровича. СПб: Алетейя, 2010. 432 с.

3. Салманов О.Н. Математическая экономика с применением Mathcad и Excel. СПб: БХВ-Петер-бург, 2003. 464 с.

4. Bluhm C., OverbeckL., Wagner C. Introduction to Credit Risk Modeling. Chapman and Hall/CRC. 2010.384 p.

5. Mannasoo K., Mayes D. Explaining Bank Distress in Eastern European Transition Economies // J. of Banking and Finance. Vol. 33. No. 2. 2009. P. 244-253.

Banking sector

MODELING OF POSSIBLE LOSSES FOR BANKS ON BASIS OF STATISTICAL ANALYSIS METHODS

Viktor M. ZAERNIUK

Abstract

The article considers the features of modeling of probability of receiving negative financial result by bank with using the methods of correlation and regression analysis in the Russian reality. The author offers the model for early prevention of unprofitable activity for the Russian banks on the basis of national bank statistics. The work can be interest to Bank of Russia, credit organizations and their contractors within the objectives of risk management.

Keywords: bank, financial result, correlation and regression analysis

References

1. Karminskii A.M., Peresetskii A.A., Petrov A.E. Reitingi v ekonomike: metodologiia ipraktika [Ratings in economy: methodology and practice]. Moscow, Fi-nansy i statistika Publ., 2005, 400 p.

2. Polterovich V.M., Volchkova N.A., Denisova I.A. Strategiia modernizatsii rossiiskoi ekonomiki

[Modernization strategy in the Russian economy]. St. Petersburg, Aleteiia Publ., 2010, 432 p.

3. Salmanov O.N.Matematicheskaia ekonomika s primeneniem Mathcad i Excel [Mathematical economy with Mathcad and Excel application]. St. Petersburg, BKHV-Peterburg Publ., 2003, 464 p.

4. Bluhm C., Overbeck L., Wagner C. Introduction to Credit Risk Modeling. Chapman and Hall/CRC, 2010,384 p.

5. Mannasoo K., Mayes D. Explaining Bank Distress in Eastern European Transition Economies, J. of Banking and Finance, vol. 33, no. 2, 2009, pp.244-253.

Viktor M. ZAERNIUK

Russian State University of Tourism and Service, Moscow, Russian Federation zvm4651@mail.ru