Размещено на http://www.allbest.ru/

Содержание

• Введение
• Глава 1. Теоретические основы оценки финансовой устойчивости коммерческого банка
• 1.1 Различные подходы к определению понятия "финансовая устойчивость"
• 1.2 Определение понятия "банкротство" коммерческого банка
• 1.3 Обзор отечественных и зарубежных исследований по выявлению индикаторов прогнозирования банкротства банков
• Глава 2. Методика выявления ранних индикаторов финансовой несостоятельности банков
• 2.1 Статистическая выборка
• 2.2 Временные рамки исследования
• 2.3 Отбор переменных для проведения эконометрического анализа
• Глава 3. Определение ранних индикаторов банкротства коммерческого банка при помощи эконометрического моделирования
• 3.1 Проверка на мультиколлинеарность
• 3.2 Описательная статистика
• 3.3 Построение регрессии и интерпретация результатов
• Заключение
• Список использованной литературы

Введение

Одним из приоритетных направлений банковской деятельности в долгосрочной перспективе является обеспечение финансовой устойчивости кредитной организации, а так же своевременное предупреждение и реагирование в случае угрозы наступления банковской несостоятельности. Стабильность и устойчивость коммерческих банков во многом предопределяет стабильность экономики в целом и ее успешное развитие, поэтому вопрос обеспечения финансовой устойчивости, а также своевременное выявление проблемных банков, тем более в современных условиях санкционных ограничений и других внешнеэкономических факторов, актуален как никогда. Необходимость тщательного мониторинга и анализа финансово-экономического состояния кредитной организации обусловлена выявлением и предотвращением проблем банка на ранних этапах. В свою очередь, определение ранних индикаторов банкротства позволит как менеджменту банка, так и ЦБ РФ ускорить процесс анализа и получить сигнал о вероятной в скором времени неплатежеспособности, а значит принять все соответствующие меры по его оздоровлению.

Что же касается клиентов, они получат возможность самостоятельно оценить экономическое положение банка, пользователями услуг которого являются и, отталкиваясь от результатов анализа, построить стратегию дальнейшего взаимодействия с кредитной организацией, либополного прекращения любого видасотрудничества. Данная тема особенно актуальна для вкладчиков в наши дни, так как со стороны Центробанка ведется "массовая зачистка" банковского сектора, другими словами, резкое сокращение действующих коммерческих банков, в связи с чем важно своевременно забрать и разместить свои накопления в более надежном месте.

Итак, целью данной работы является определение индикаторов банкротства коммерческого банка для его раннего предупреждения и прогнозирования. Понятие "банкротство" непосредственно в данном исследовании подразумевает под собой фактический отзыв лицензии со стороны Банка России главным образом по причине ухудшения финансовых показателей.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Изучить основные подходы к определению понятий "финансовая устойчивость" и "банкротство" банка;

2. Проанализировать исследования по специальным методам выявления банкротства банка других авторов;

3. Сформировать статистические выборки и определить временные рамки исследования;

4. Отобрать показатели, характеризующие риск возникновения банкротства и провести их предварительный анализ;

5. Выявить ранние индикаторы неплатежеспособности коммерческого банка при помощи проведения эконометрического моделирования и сделать соответствующие выводы.

Объектом исследования выступают коммерческие банки России двух категорий - действующие и лишившиеся своей лицензии. Предметом исследования являются ранние индикаторы банкротства.

Важно подчеркнуть, что работа направлена на построение модели бинарного выбора, которая позволит определить факторы, в значительной степени, влияющие на вероятность наступления банкротства. Таким образом, основной метод исследования - эконометрический.

Дальнейшая структура работы в соответствии с указанными задачами представлена следующим образом. Первая глава содержит тщательный обзор различных подходов к определению ключевых понятий исследования, а также критический анализ работ других авторов, посвященных прогнозированию банкротств кредитных организаций. Во второй главе производится отбор банков, участвующих в моделировании, определение даты, на которую будет рассматриваться финансовая и бухгалтерская отчетность, и осуществляется обоснованный выбор переменных, которые будут тестироваться в качестве ранних индикаторов банкротства. Третья глава посвящена построению эконометрической модели бинарного выбора, её интерпретации и формулировке заключительных выводов.

финансовая устойчивость банкротство банк

Глава 1. Теоретические основы оценки финансовой устойчивости коммерческого банка

1.1 Различные подходы к определению понятия "финансовая устойчивость"

Как уже было сказано ранее, оценка финансовой устойчивости коммерческих банков и банковского сектора в целом, крайне важна в современных условиях финансового кризиса. Совершенно очевидно, что выявление проблем кредитных организаций и своевременное реагирование поможет обеспечить оптимальное функционирование банковской системы, которая является кровеносной системой всей экономики. Однако, прежде всего, необходимо разобраться в теоретических основах данной тематики.

Несмотря на то, что понятие "финансовая устойчивость" является широко применимым как в научной, так и в обыденной практике, однозначного, общепринятого определения в литературе на данный момент не существует. Так, например, отечественные авторы, такие как О. Овчинникова и А. Бец, утверждают, что финансовая устойчивость - это способность банка выполнять базовые и новые появляющиеся функции независимо от характера внешних воздействий [20]. Однако данное определение не является высоко конкретизированным, что значительно затрудняет наше понимание. Уразов придерживается аналогичного мнения, отмечая, что финансовая устойчивость банка - это способность поддерживать параметры своего функционирования в определенных границах, несмотря на воздействие различных дестабилизирующих факторов [23]. Таким образом, авторы под данным термином подразумевают способность банка стабильно функционировать, выполнять свои обязательства и уверенно противостоять негативным факторам, действующим извне.

Копан Т. и Миноу К. в своем определении делают упор на конкретную функцию банка, а именно на трансформацию сбережений в кредиты, которую он должен уметь быстро восстановить после воздействия негативного шока [13]. Геннадий Меликьян, являющийся на данный момент членом Наблюдательного совета ВТБ, объединяя микро и макро подход, приходит к мнению, сильно схожим с представленными ранее. Он утверждает, что финансовая устойчивость - это способность банка продолжать работу при возникновении шоков и потрясений [17].

После изучения указанных определений остается непонятным, что авторы подразумевают, например, под "продолжением работы банка" или "параметрами его функционирования", и действительно ли устойчивость определяется лишь способностью несмотря ни на что трансформировать сбережения в кредиты. Более точное и развернутое определение дает М.Я. Лукасевич, который под устойчивостью понимает способность банка в динамичных условиях рыночной среды:

· Противостоять внешним и внутренним негативным факторам;

· обеспечивать надежность вкладов юридических и физических лиц;

· защищать интересы акционеров;

· своевременно выполнять свои обязательства по обслуживанию клиентов [15].

Различные научные интерпретации данного понятия других исследователей представлены также в Приложении №1. Нетрудно заметить, что в данной таблице отражено широкое разнообразие подходов, которых придерживаются отечественные авторы. После осуществления систематизации и проведения тщательного анализа, З.А. Тимофеевой было выделено пять направлений определения данного термина:

· соответствие совокупности критериальных (оптимальных) значений определенных финансовых показателей;

· динамическая категория "системы трансформации ресурсов и рисков";

· отождествление с ликвидностью и платежеспособностью;

· отождествление с прибыльностью;

· составляющая общей устойчивости коммерческого банка [22].

Так, например, Н.Г. Антонов и М.А. Пессель связывают финансовую устойчивость с ликвидностью и платежеспособностью, что не совсем верно, так как оценка лишь этих двух параметров является недостаточной для того, чтобы сделать заключение о банковской стабильности. В свою очередь определение В.И. Видяпина очень размыто, не содержит какой-либо конкретизации, а А.Л. Ведев, как и многие авторы, упомянутые в Приложении №1, упускает такую важную характеристику для устойчивости банка, как способность выполнять свои функции после возникновения негативного шока.

Клейнер Г.Б. подразделяет финансовую устойчивость на статическую и динамическую, что также имеет право на существование. Данное деление основано на параметрах деятельности банка, соблюдение которых либо контролируется в установленных границах, либо в отношении которых отслеживается положительная (отрицательная) динамика.

Тимофеева З.А. провела существенную работу по генерации своего собственного определения на основе уже существующих, приняв во внимание все их недостатки. В конечном счете, автор отмечает, что финансовая устойчивость коммерческого банка - это такое его состояние, при котором он в любой момент времени, обладая необходимой ликвидностью и достаточностью собственного капитала, способен одновременно как сохранять свои основные параметры деятельности (прибыль, капитал), так и выполнять основные функции аккумулирования денежных средств клиентов и размещения их как в кредиты, так и в прочие работающие активы, а также выполнять обязательства по расчетам клиентов [22]. Важно отметить, что формулировка содержит все ключевые аспекты деятельности банка и, на наш взгляд, наиболее полно раскрывает понятие финансовой устойчивости.

М.А. Бобрик на основе различных интерпретаций данного термина выделила существенные признаки финансовой устойчивости, среди которых пропорциональное расширение и сбалансированное развитие финансовых ресурсов банка (капитал, прибыль и т.д.), а также увеличение доли новых банковских продуктов и услуг [4].

На данном этапе работы нами были проанализированы подходы к определению понятия лишь отечественных авторов, однако вопрос финансовой устойчивости был рассмотрен и множеством зарубежных ученых, среди которых Э.Д. Долан, П.С. Роуз, Р.Л. Миллер, Дж.Ф. Синк, Дж.К. Ван Хорн и другие. Их мнения во многом схожи с высказываниями российских исследователей. Отметим американского финансиста Дэррила Е. Геттера, который анализирует финансовую устойчивость банков с точки зрения оценки их кредитной активности, рентабельности и уровня капитализации [45]. Достаточно небольшой набор показателей, с помощью которых автор пытается определить данное понятие. Стоит отметить, что Геттер упустил такой важный критерий оценки финансовой устойчивости как ликвидность, ведь выполнять свои обязательства в полном объеме и в срок является одной из ключевых функций кредитной организации.

Если же обратится к нормативным документам, то согласно положениям Базельского комитета, финансово устойчивый коммерческий банк - это банк, результаты деятельности которого соответствуют установленным комитетом требованиям, адаптированным Центральным банком Российской Федерации к реалиям российской банковской системы [6]. Заметим сходство сущности данного определения с определением Ю.С. Масленченкова, который также видит финансовую устойчивость в соблюдении банком норм.

Широко используемым в экономической науке является формулировка Центрального банка Германии (Deutsche Bundesbank). Финансовая устойчивость определяется им как способность финансовой системы хорошо выполнять свои макроэкономические функции даже в стрессовых ситуациях и в периоды структурных изменений, включая эффективное распределение финансовых ресурсов и рисков, а также проведение платежей и расчетов [19].

Европейский ЦБ раскрывает термин финансовой стабильности как состояние, при котором финансовая система должным образом выполняет свои основополагающие задачи и собирается продолжать свое функционирование в будущем [59]. Очевидно сходство вышеупомянутых формулировок в части выделения важной черты финансовой стабильности - бесперебойного выполнения своих функций независимо от негативных факторов.

Нельзя не обратить внимание на подобную точку зрения международного валютного фонда по данному вопросу. Эксперты МВФ утверждают, что финансовая система независимо от размера или сложности является стабильной, когда она обладает способностью усиливать экономическое благосостояние и корректировать любые колебания, которые могут происходить в результате негативных шоков [16]. Таким образом, ко всему прочему стабильность проявляется в возможности сглаживания колебаний при помощи различных механизмов в целях эффективного продолжения своей деятельности.

Отличительной особенностью зарубежных взглядов является отождествление понятий "финансовая устойчивость" и "финансовая стабильность". В российской практике данный вопрос до сих пор является спорным. Одни ученые полагают, что понятие "финансовая стабильность" шире нежели "устойчивость", аргументируя это тем, что стабильность - это равновесие финансовой системы, а устойчивость лишь стремление к нему. Другие эксперты выражают противоположную точку зрения, отмечая, что процесс устойчив тогда, когда имеется стабильность, поэтому понятие "устойчивость" намного важнее. В данном исследовании будем придерживаться отождествления устойчивости и стабильности в целях избежания лишних рассуждений и путаницы.

Резюмируя все выше сказанное, отметим, что, несмотря на многообразие подходов, мнений, рассуждений по поводу определения сущности понятия "финансовая устойчивость", общим остается одно, а именно, понимание под устойчивостью постоянство состояния, сохранение параметров в определенных границах, а также возможность противостоять негативным шокам и непрерывно продолжать выполнение всех функций.

1.2 Определение понятия "банкротство" коммерческого банка

Ранее нами велись рассуждения по поводу понятия финансовой устойчивости банка. Кажется целесообразным отметить, что в случае выявления значительного ухудшения финансовых показателей, а в дальнейшем признания банка неустойчивым, с большой долей вероятности следующая ступень - банкротство. Необходимо отметить тот факт, что в настоящее время продолжается "зачистка" банковского сектора, проводимая Центральным Банком РФ. Только в период с января 2013 по май 2016 года отозвано 247 лицензий и их количество продолжает неуклонно расти. На Рисунке 1 продемонстрирована их динамика в период с января 2000 по 30.04.2016 года.

Рис. 1 Количество отозванных лицензий банков РФ с 2000 - май 2016 г.

Такого массового закрытия кредитных организаций как в 2014 и 2015 годах не было замечено за весь рассматриваемый период. Она набирает обороты и продолжается до сих пор и на 30.04.2016 г. свое функционирование прекратили 36 коммерческих банка [61]. Следует с осторожностью трактовать резкое уменьшение количества отозванных лицензий в 2016 году по сравнению с 2015, ведь в 2016 году подсчет осуществлен лишь за 4 месяца.

Наиболее распространенными причинами для отзыва лицензии являются, в первую очередь, нарушение законодательства, в частности нарушение Федерального закона "О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма" [1]. Она особенно актуальна на сегодняшний день, ведь государство ведет активную политику по выявлению банков, которые способствуют переводу денежных средств на финансирование терроризма или их получению от деятельности, связанной с террористической. Кроме того, предоставление недостоверной отчетности, наличие низкокачественных активов, потеря ликвидности или капитала также ведут к принятию соответствующих мер со стороны ЦБ РФ.

После отзыва банковской лицензии направляются документы в арбитражный суд для признания финансового института банкротом. Теоретический аспект термина "банкротство", определение которого так же не имеет однозначной точки зрения, требует дальнейшего тщательного изучения.

Прежде всего, возникает существенный вопрос в части отождествления терминов "несостоятельность" и "банкротство". Российское законодательство признает их равнозначными и находит похожие отклики во мнениях ученых, в то время как некоторые исследователи рассуждают о необходимости их разграничения, закладывая в основу деления судебное решение или фактор времени. Так, во время судебных разбирательств, должника именуют несостоятельным, а уже после вынесения решения судом - банкротом. Существует также мнение, что несостоятельность - это временная трудность, чего нельзя сказать про банкротство. Под данным понятием подразумевается окончательная, бесповоротная "участь" должника. В дальнейшем в нашем исследовании, следует придерживаться отождествления несостоятельности и банкротства, как это и делается в Федеральном законе от 26 октября 2002 г. №127-ФЗ "О несостоятельности (банкротстве)".

В российской науке рассмотрение терминологии ведется как с экономической стороны, так и с юридической. Экономической точки зрения придерживается А.Д. Шеремет, который определяет банкротство как неспособность финансировать текущую операционную деятельность и погасить срочные обязательства [24]. Однако полностью согласиться с этим нельзя, так как данная неспособность может быть временной и существует возможность решить эту проблему, например, путем привлечения инвестиций. В целом, необходимо подчеркнуть, что банкротство первостепенно свидетельствует о неэффективности использования ресурсов, плохом риск - менеджменте банка, что неизбежно приводит к полному или частичному невыполнению своих обязательств.

Юридическая точка зрения выражается посредством наиболее известного понятия, которое содержится в параграфе 4.1 "Банкротство кредитных организаций" Федерального закона от 22.12.2014 №432-ФЗ в статье 189.8 "Несостоятельность (банкротство) кредитной организации". В соответствии с ним, кредитная организация считается неспособной удовлетворить требования кредиторов по денежным обязательствам, о выплате выходных пособий и (или) об оплате труда лиц, работающих или работавших по трудовому договору, и (или) исполнить обязанность по уплате обязательных платежей, если соответствующие обязанности не исполнены ею в течение четырнадцати дней после наступления даты их исполнения и (или) стоимость имущества (активов) кредитной организации недостаточна для исполнения ее обязательств перед кредиторами и (или) обязанности по уплате обязательных платежей [3]. Исходя из определения действующего законодательства, следует отметить признаки банкротства:

· неисполнение требований кредиторов по денежным обязательствам и (или) неисполнение обязанности по уплате обязательных платежей;

· срок неисполнения обязанности с момента наступления даты их исполнения равен четырнадцати дням;

· факт отзыва у кредитной организации лицензии на осуществление банковских операций Банком России на основании заявления лиц, имеющих на это право;

· требования к кредитной организации в совокупности должны быть не менее тысячекратного размера оплаты труда [3].

Важно отметить, что для признания банка банкротом необходимо проявление всех признаков в совокупности.

Придерживаясь экономического и юридического подхода к определению, Ващенко Ю.С. сформулировал следующее понятие: несостоятельность (банкротство) - это урегулированная нормами права и признанная арбитражным судом степень неэффективности экономической деятельности, при которой должник не способен отвечать по своим денежным обязательствам [5].

В практической части данного исследования будет проведен анализ, в том числе и коммерческих банков, у которых Центробанк отозвал лицензию, поэтому понятие, раскрываемое законодательством РФ, является наиболее полным и подходящим, на которое следует ориентироваться.

1.3 Обзор отечественных и зарубежных исследований по выявлению индикаторов прогнозирования банкротства банков

Для того чтобы иметь четкое представление о том, какую модель взять в качестве методологической основы практической части нашего исследования, необходимо тщательно изучить литературные источники посвященные прогнозированию банкротств кредитных организаций. Кроме того, качественный обзор поможет нам определиться с выбором независимых переменных, которые будут проверяться в роли ранних индикаторов банковской несостоятельности.

На данный момент существует огромное количество исследований, преимущественно зарубежных авторов, посвященных предсказанию банкротства банка при помощи различных моделей. Современные исследования банкротств начались с работ Бивера (1966), который использовал финансовые показатели для того, чтобы предсказать банкротство фирм. В систему показателей автор включил: рентабельность активов, финансовый леверидж, коэффициент текущей ликвидности, коэффициент покрытия оборотных активов собственными оборотными средствами, а также коэффициент Бивера, который рассчитывается как отношение суммы чистой прибыли и амортизации к текущим обязательствам.

Спустя два года Альтман использовал линейный дискриминантный анализ для предсказания дефолта фирмы. Если работа, упомянутая ранее, не была направлена на вычисление вероятности банкротства, а значения показателей лишь сравнивались с нормативными значениями, расчет которых так же произвел Бивер, то Альтман своей целью ставил как раз расчет вероятности. В результате своей деятельности автор создал модель "Z-Альтмана" (Z-модель Score), в которой использовались 5 финансовых индикаторов деятельности фирм в период предшествовавший банкротству:

· соотношение оборотного капитала и активов предприятия;

· соотношение нераспределенной прибыли и активов компании (финансовый рычаг);

· показатель, характеризующий величину прибыли до налогообложения по отношении к стоимости активов;

· для акционерных обществ, выпускающих акции в свободное обращение - это стоимость собственного капитала компании в рыночной оценке по отношению к балансовой стоимости всей суммы обязательств; для компаний, акции которых не обращаются на фондовом рынке - это балансовая стоимость собственного капитала по отношению к заемному капиталу;

· коэффициент, характеризующий рентабельность активов (отношение объема продаж к общему количеству активов) [26].

М.Н. Кумар и В.С. Рао (M. N. Kumar, V. S. H. Rao, 2014) попытались улучшить модель Альтмана для увеличения точности прогноза. Ими была разработана новая, нелинейная (MDA - multivariatediscriminateanalysis), которая может предсказать банкротство с точностью 98,6% против 93,5% модели Альтмана [49].

Системы раннего предупреждения (СРП), разработанные непосредственно для банков впервые были изучены в работах таких авторов как Майер и Пайфер (1970). С тех пор различные исследователи рассматривают этот вопрос и разрабатывают техники, пытаясь объяснить, что послужило краху банков, и спрогнозировать банкротство еще существующих.

СРП широко используются в качестве методов антикризисного управления, а основой для их применения служат стандартные формы финансовой отчетности. Примером использования данных систем служит работа Demirguc-Kunt и Detragiache, которые рассматривают метод сигналов и многовариантную вероятностную модель. Это не единственная их работа, ведь они вели активную научную деятельность преимущественно в данной исследовательской области. Ранее авторы также работали с вероятностями, но высчитывали ее не для отдельных банков, а для банковских систем разных стран [37]. Так, для расчета вероятности банковского кризиса во всем мире в 1980-1994 годах ими была использована Logit модель. Следует отметить, что данную эконометрическую модель бинарного выбора впервые использовал Мартин в 1977 году для предсказания банкротства банков США в 1975-1976 годах. Исследования показали, что банковские кризисы наиболее вероятны в странах с низкими темпами роста ВВП, высокими процентными ставками, высоким уровнем инфляции, а также с наличием системы страхования вкладов (ССВ) (explicit deposit insurance system). В другой работе (2002 г.) авторы целенаправленно изучали связь между системой страхования вкладов и стабильностью банковского сектора в разных странах [38]. Было однозначно определено, что ССВ подрывает финансовую устойчивость банков. Это можно объяснить тем, что банки зная, что вклады застрахованы, финансируют высокодоходные, и, следовательно, высокорискованные проекты, которые могут привести к большим потерям. В особенности отрицательное влияние страхования депозитов на устойчивость кредитных организаций (КО) проявляется в странах, где величина покрытия, предлагаемая держателям вкладов в случае наступления страхового случая, больше.

Е. Дэвиси Д. Каримв своем исследовании также задействовали логистическую регрессию, сравнивая ее с методами сигнального подхода [36]. Было выяснено, что в качестве глобальной системы раннего предупреждения (EWS - early warning system) лучше использовать Logit модель, а применительно к конкретной стране следует воспользоваться методами сигнального подхода, которые заключаются в подаче сигнала при достижении параметром критического значения.

С методом сигналов работали также Камински, Лизондо и Рейнхарт [48]. Ими была предложена модель, которая в равной степени может быть применима как для выявления причин банковских, так и валютных кризисов. Целью их исследования было выявление показателей, которые могут свидетельствовать о наступлении кризиса в течение двух лет. Данный временной период авторы выбрали в качестве раннего оповещения. В случае превышения критического уровня объясняющей переменной посылается сигнал, который рассматривается как "хороший", если кризис происходит в течение двух лет после этого. Следует отметить, что основным направлением исследования данных авторов являлось определение ранних индикаторов валютных кризисов на основе уже произошедших в период с 1970 по 1995 в разных странах. Было выяснено, что перечень факторов валютного кризиса практически не отличается от перечня индикаторов банковского кризиса. Так, среди них были быстрый рост денежного предложения, высокие процентные ставки на международном рынке капитала, низкие золотовалютные резервы, низкие темпы роста экономики, слабое покрытие резервами краткосрочных обязательств, негативные колебания на фондовом рынке и другие.

Ключевыми результатами исследования являлось то, что увеличение вероятности наступления банковского кризиса происходит вследствие оттока капитала и роста реальных процентных ставок на национальном финансовом рынке. Под началом банковского кризиса Камински и Рейнхарт подразумевали ситуацию "бегства вкладчиков", которая вела либо к закрытию банков, либо к их слиянию или поглощению государственным сектором.

Систему раннего предупреждения широко использовал в своих исследованиях и А. Самад [52]. Однако его работа имеет существенное ограничение: он выясняет, является ли показатель непроцентных расходов сигналом к банкротству. Автор проводит анализ на наличие значительных отличий в размере непроцентных расходов в банках, прекративших свое существование и банках, функционирующих в системе. При использовании параметрических и непараметрических тестов (t-testи Kruskal-WalisK - test) было отмечено, что различия в средних значениях данного показателя значительны, в особенности за квартал до банкротства. Более того, результаты продемонстрировали существенное увеличение непроцентных расходов за девять месяцев или за год до банкротства.

Пользователями логистической модели бинарного выбора являлись также Д. Хван, Ч.Ф. Ли и К. Томас Лив. Авторы доказали, что чем больше размер собственного капитала и выше показатели рентабельности и ликвидности, тем ниже вероятность банкротства банка [47]. Важно отметить тот факт, что набор факторов или показателей, с помощью которых возможно предсказать банкротство, меняется с течением времени, в то время как отношение просроченных кредитов к общей сумме активов является самым стабильным и используется в эконометрическом анализе из года в год, говоря тем самым о полезности и важности его использования.

Д. Хуан, Б. Чанг и Ц. Лиупри помощи Logit-модели пытались спрогнозировать крах банка, как в развитых, так и в развивающихся странах [46]. Ими же был получен другой результат по сравнению с выводами авторов, указанных выше, а именно показатели рентабельности, как активов, так и капитала в построенной регрессии оказались незначимыми, то есть они не имеют никакого отношения к наступлению кризиса. Однако не следует делать поспешных выводов относительно данного противоречия, ведь причиной может быть как различная выборка данных, так и набор независимых переменных, которые исследовались в комплексе с показателями рентабельности. Кроме того, после проведения эконометрического анализа авторы пришли к выводу, что отношение собственного капитала к активам (ETA) и отношение процентных доходов к процентным расходам (NIN) имеют отрицательную зависимость с возникновением банковского кризиса. Так, они утверждают, что высокая пропорция NIN (или высокий показатель процентных доходов по сравнению с расходами) может предотвратить подрыв устойчивости банка.

Широко известны попытки улучшения точности прогноза при помощи использования интегрированной системы раннего предупреждения - IEWS - integrate dearly warning system, (Canbaset. al, 2005). Данная система комбинирует такие модели как DA (discriminant analysis), Probit, Logit, а также PCA, которая в дословном переводе с английского означает - анализ главных компонентов [34]. Все перечисленные модели являются методами прогнозирования банкротства банка. В первую очередь, авторы используют PCA для того, чтобы определить три финансовых компонента, которые в значительной степени объясняют изменения в экономических условиях функционирования банка, а затем применяют оставшиеся три модели. Исследователями были использованы данные сорока турецких частных коммерческих банков для того, чтобы протестировать IEWS с точки зрения ее предсказательной силы. В конечном счете, результаты показали, что данная модель намного эффективнее, чем другие, описанные в различных литературных источниках.

Большинство проанализированных нами исследований по прогнозированию банкротств были посвящены банкам и банковской системе Соединенных Штатов. Статья Уилока иУилсона не является исключением [57]. Повышенный интерес в тщательном изучении данной работы связан с приближенной к нашей тематике цели и предмета исследования. Авторами был проведен анализ факторов, которые могут указать на возможный крах банка. В качестве методологической основы использована модель логической схемы с учётом возможных рисков (hazardmodel) с нестационарными, то есть изменяющимися во времени, ковариатами. Результаты исследования показали, что банки с низкой капитализацией, более высокой долей кредитов в активах, низким качеством кредитного портфеля и низкой прибылью имеют более высокий риск к банкротству. Кроме того, авторы пришли к выводу, о том, что диверсификация, как инструмент роста коммерческого банка, а также создание сети филиалов снижает вероятность банкротства банка. Некоторые выводы кажутся очевидными, однако существует определенное противоречие по поводу создания филиальной сети. Нельзя определенно сказать, по крайней мере, в отношении России, что эта стратегия поможет избежать банкротства, ведь это существенные расходы кредитной организации и нет никаких гарантий, что капитальные вложения окупятся.

Помимо уже перечисленных методов, используемых для прогнозирования наступления банкротства, еще одним, достаточно новым является построение искусственных нейронных систем (artificial neural networks analysis, ANNA). Данный метод осуществляется на основе:

· анализа надежности коммерческого банка с точки зрения возможности его банкротства с помощью нейросетевой системы распознавания и выдачи результата в дискретном виде (да/нет);

· анализа величины вероятности банкротства коммерческого банка на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей [21].

Использование нейросистем широко распространено среди работ зарубежных ученых, и являются наиболее применимыми среди методов искусственного разума. Так, Ф. Эсер проводит сравнение данной системы с методом опорных векторов (support vector machines - SVM) [40]. Модели тестируются на основе данных турецких коммерческих банков. В ходе исследования было выявлено, что нейросетевое моделирование точнее в своих прогнозах. Бланко - Оливер и соавторы в своем исследовании также подтвердили превосходство нейронной модели, но над традиционной логистической регрессией [31]. Кроме того авторы включили в анализ нефинансовые показатели, например, судебные иски кредиторов вернуть невыплаченные долги, с введением которых усовершенствовалась ANN, а именно точность прогноза увеличилась на 2,6%. Однако Кара и Байкан (Boyacioglu MA., Kara Y., Baykan O.K., 2008) не согласились с превосходством данной модели. При сравнении ANN, SVM, LR (Logistic regression) и метода кластеризации к-средних (k-means cluster analysis) они определили, что LR значительно превосходит другие подходы.

Большинство моделей, которые строятся для прогнозирования дефолтов, основаны на финансовых показателях идентичных показателям рейтинговой системы CAMELS, где в качестве переменных берутся коэффициенты, характеризующие достаточность капитала, качество активов, качество управления, доходность, ликвидность и чувствительность к риску.

Х. Эрдал и А. Экинси также подтвердили превосходство в точности прогноза как метода SVM, так и LR, только уже в сравнении с нейронными сетями RBF (RBF-NN - radial basis function neuralnetwork) и MLPs (multi layer perceptrons или многослойный персептрон) [41]. Так же как в рассмотренном ранее исследовании (Canbaset. al, 2005), авторы подвергли анализу деятельность около сорока турецких частных коммерческих банков в период деятельности с 1997 по 2001 год, а в качестве оценки объясняющих переменных использовали метод PCA. Однако Х. Эрдал и соавторы не признали PCA эффективным методом улучшения предсказательной силы модели.

К. Серрано-Синка и И. Фуэртес в своём исследовании проанализировали финансовые симптомы, предшествующие банкротству банков Соединённых штатов в период с 2009 года [53]. В качестве индикаторов кризиса рассматривались такие показатели как низкая рентабельность, низкие показатели платёжеспособности, нулевая или отрицательная прибыль банка. Были также изучены и причины появления неутешительных результатов, среди которых рост рискованных кредитов, специализация банка преимущественно на сфере недвижимости и другие. Исследование проводилось при помощи использования логистической регрессии, а также частичного метода наименьших квадратов (PLS-PM - partial leasts quares path modelling). Результаты показали, что за 5 лет до наступления кризиса обанкротившиеся банки по сравнению с "оставшимися на плаву" имели более высокие темпы роста кредитов (около 20% с последующим резким падением против стабильных 5% в платежеспособных банках) и принимали на себя степень риска выше, чем успешные банки. "Здоровые" КО старались компенсировать увеличившиеся риски укреплением собственного капитала. Кроме того, банкроты характеризовались достаточно большим оборотом банковских операций, однако маржа (процент/прибыль) у них была ниже, чем в хорошо функционирующих банках. Отсюда можно сделать вывод о том, что стратегии организаций существенно различались. Так, уже обанкротившиеся банки увеличивали число выданных кредитов с процентными ставками ниже, чем у конкурентов, в то время как отличные банки уделяли большое внимание степени принимаемого риска.

В большей степени авторы оценивали адекватность банковского менеджмента. Поведение некоторых кредитных организаций ассоциируется с "помещением всех яиц в одну корзину". Под данным выражением исследователи подразумевают выдачу кредитов некредитоспособным заемщикам, что в большинстве случаев и приводит к неплатежеспособности.

Немногие ученые использовали макроэкономические показатели в качестве инструментов для предсказания банкротства банка. Однако Н. Апэргиси Дж. Пейн в своей работе существенное внимание уделили темпу роста ВВП [27]. Помимо низкого темпа роста валового внутреннего продукта ими было отмечено огромное влияние таких показателей как низкий уровень достаточности капитала, процентных доходов, ROA или рентабельность активов, а также низкая доля ликвидных активов в совокупных активах банка.

Значимость показателей капитала в предсказании банкротств подтверждается и в другом исследовании. Так, А. Эстрелла посредством эконометрического анализа выявил два значимых индикатора: доля заемных средств банка и отношение капитала к валовому доходу [43]. Несомненно, показатели капитала должны присутствовать в исследовательской модели, ведь это "основа" банка. Капитал - главный помощник в сохранении устойчивости банка в период кризиса, а также фактор доверия клиентов и акционеров данной кредитной организации.

Карминский А.М. при помощи логистической регрессии бинарного выбора, которая позволяет не только оценить вероятность дефолта банка, но и выявить характер влияния различных факторов на нее, в качестве независимых переменных использовал как показатели рейтинговой системы CAMEL, так и макроэкономические показатели, среди которых темп роста ВВП и уровень инфляции. Ранее им было доказано, что общее улучшение в экономике положительно сказывается на состоянии банка [11]. Данный факт не является удивительным, так как в период экономического подъёма повышается и кредитная активность населения.

Горелая Н.В. в своем исследовании также использовала макроэкономические переменные для улучшения точности прогноза, однако набор переменных был чуть шире: были включены значения ставок по межбанковскому кредитованию (МБК), индексов фондового рынка, курса национальной валюты, темпов инфляции и др. [7]. Другие показатели были отобраны на основе широко распространенной рейтинговой системы CAMEL (показатели достаточности капитала, ликвидности, качества активов и чувствительности к рыночным рискам). Весь набор переменных данной системы не используется, он сокращается до количества, которое будет статистически значимым в эконометрической модели.

Плещицер М.В. предложил комплексную методику прогнозирования банкротства банка на основе современных методов эконометрического моделирования [21]. Разработанная им пятифакторная модель включает в себя следующие показатели: ставка рефинансирования Банка России за год до предполагаемого банкротства, собственный капитал, активы банка, а также их рентабельность за два года до предполагаемого банкротства, возраст руководства банка и его местоположение на территории РФ. Созданная им модель имеет высокую точность прогноза - 95%. Имеет смысл подумать об исследовании перечисленных выше финансовых показателей в качестве ранних индикаторов неплатежеспособности банка.

Свою работу, непосредственно посвященную той же тематике, представили Г.Г. Ловкова, Ю.В. Малыгина и С.Ю. Хасянова. При помощи анализа динамики финансовых показателей в период с 2005 по 2009 года ими было сделано заключение о том, что наиболее значимыми коэффициентами, которые могут стать индикаторами, являются рентабельность капитала, отношение прибыли к доходам, отношение доходных активов к рисковым активам, чистый спред от кредитных операций, а также доля административно-управленческих расходов в чистом операционном доходе [14]. Было бы интересно выяснить даст ли такой же результат эконометрическая модель, подтвердит ли то, что они действительно могут служить индикаторами банкротства КО, безусловно в случае решения об использовании тех же показателей в нашей модели.

В завершении Главы 1 необходимо подчеркнуть, что подробный анализ работ других авторов, посвященных прогнозированию дефолтов, был произведен с целью определения наилучшего метода для проведения нашего исследования. Тщательно разобравшись в базовых понятиях и изучив методы, используемые в данной исследовательской области, а также финансовые показатели, тестируемые при помощи различных моделей, нами был сделан вывод о целесообразности использования модели бинарного выбора (Logit или Probit). Она может обеспечить как высокую точность прогноза, так и не является сложной в инструментальном построении регрессии, в отличие, например от нейросетевого моделирования.

Глава 2. Методика выявления ранних индикаторов финансовой несостоятельности банков

2.1 Статистическая выборка

Первым этапом осуществления практической части исследования является отбор коммерческих банков РФ, 30 из которых являются наиболее известными действующими кредитными организациями, и 15 банкротов. Доля банков - банкротов, которая составляет 50% от размера подвыборки функционирующих банков, признана оптимальной по сравнению с долями в 15 и 25 процентов. А.М. Карминский показал, что такая балансировка выборки обеспечивает наиболее высокую значимость регрессоров, а также устойчивость коэффициентов и точность полученных оценок [10].

В Таблице 1 представлены кредитные организации, показатели деятельности которых будут тестироваться при помощи метода эконометрического моделирования.

Таблица 1

Коммерческие банки, участвующие в исследовании

№	Действующие коммерческие банки в РФ	Банки-банкроты
		Название	Дата отзыва лицензии
1	Сбербанк России	Эргобанк	15.01.2016
2	Банк ВТБ	Мираф-Банк	21.01.2016
3	Газпромбанк	Внешпромбанк	21.01.2016
4	ФК Открытие	Межтрастбанк	29.01.2016
5	Россельхозбанк	Международный Акционерный Банк	03.02.2016
6	Альфа-Банк	Миллениум Банк	05.02.2016
7	Глобэкс	Регнум	05.02.2016
8	ЮниКредит Банк	Альта-Банк	08.02.2016
9	Промсвязьбанк	Интеркоммерц Банк	08.02.2016
10	Райффайзенбанк	Капиталбанк	15.02.2016
11	Росбанк	Унифин	15.02.2016
12	Бинбанк	Церих	26.02.2016
13	Русский Стандарт	Расчетный Дом	26.02.2016
14	Совкомбанк	Богородский	24.03.2016
15	АК Барс	ФИА-Банк	08.04.2016
16	Банк Югра
17	Российский капитал
18	Новикомбанк
19	Восточный Экспресс банк
20	Хоум Кредит
21	Татфондбанк
22	Тинькофф Банк
23	Саровбизнесбанк
24	НБД Банк
25	Кредит Европа Банк
26	ОТП Банк
27	Ренессанс Кредит
28	Банк Интеза
29	Металлинвестбанк
30	Фора-Банк

Стоит отметить, что в выборке присутствуют как абсолютные лидеры, например, Сбербанк и ВТБ, так и банки, являющиеся менее значимыми игроками рынка банковских услуг - Хоум Кредит, ОТП Банк.

Региональные банки, такие как Саровбизнесбанк и НБД Банк также являются участниками исследования.

Банки банкроты, единственным критерием отбора которых было лишь максимально приближенная дата отзыва лицензии к моменту проведения исследования, были выбраны случайным образом.

Таким образом, распределение действующих банков и банков с отозванными лицензиями в выборке указано в Таблице 2.

Таблица 2. Распределение банков по выборке

	Количество	Доляв общей выборке, %
Действующие банки	30	67%
Банки банкроты	15	33%
Всего наблюдений	45	100

Все коммерческие банки, включенные в категорию банкротов, являлись нарушителями законодательства РФ, часть из них способствовала отмыванию денежных средств, например Банк Церих, Внешпромбанк и Мираф-Банк. Что же касается нарушения нормативов, то было отмечено как несоблюдение нормативов достаточности капитала, так и потеря банком ликвидности. Более подробно результаты анализа причин применения мер со стороны Банка России продемонстрированы в Таблице 3.

Таблица 3

Причина отзыва лицензии	Количество банков	% от общего количества банков в выборке
Неисполнение кредитной организацией ФЗ, регулирующих банковскую деятельность, а также нормативных актов ЦБ РФ	15	100%
Несоблюдение нормативов достаточности капитала и снижение размера УК ниже минимального значения	9	60%
Размещение средств в низкокачественные активы (высокорискованная кредитная политика)	6	40%
Нарушение ФЗ "O противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма"	4	26,67%
Недосозданные резервы	4	26,67%
Потеря ликвидности и несвоевременное исполнение обязательств перед кредиторами	2	13,33%

В исследовании будут принимать участие кредитные организации, банкротство которых последовало, прежде всего, из-за значительного ухудшения показателей финансовой отчетности. Рассмотрение банков с отозванными лицензиями лишь по причине нарушения законодательства или участия в отмывании доходов не принесет никаких значимых результатов, и выявить ранние индикаторы банкротства не представится возможным, так как финансовые показатели таких банков незначительно отличаются от показателей здоровых кредитных организаций.

2.2 Временные рамки исследования

Одним из важных вопросов, который требует детального рассмотрения, является определение временных рамок исследования, то есть периода, который можно трактовать как ранний для предсказания банкротства при помощи индикаторов. Для этого необходимо провести статистический обзор некоторых показателей банков-банкротов в динамике и определить, какой промежуток времени является переломным, то есть когда отмечается резкое ухудшение данных различных форм отчетности.

Рассмотрим чистую прибыль некоторых из участников исследования, прекративших свою деятельность, в динамике. Для того чтобы не перегрузить Рисунок 2 данными и сделать его более наглядным, нами были исключены банки со схожими значениями тех, кто участвует в анализе. Кроме того, значения данного показателя банка Интеркоммерц и Внешпромбанка не были графически интерпретированы, так как они существенно больше и выбиваются из общей шкалы. Однако чистую прибыль исключенных из анализа кредитных организаций можно посмотреть подробно в Приложении 2.

Рис. 2 Чистая прибыль банков банкротов, млн. руб.

Прежде всего, следует отметить существенное снижение чистой прибыли на 31.12.2016 у Мираф-Банка, Межтрастбанка, Миллениум Банка и у Эргобанка. Если принять во внимание даты отзывов их лицензий данное снижение происходит за месяц, а в случае с Эргобанком за полмесяца до банкротства. Несмотря на колебания в значениях чистой прибыли банка Унифин, последнее негативное изменение, следовавшее за ростом данного показателя, было отмечено также за месяц до наступления банкротства.

Исключения из общей тенденции уменьшения чистой прибыли к концу 2015 года - это Альта-Банк и Церих. В случае с Церих Банком незначительное увеличение прибыли за декабрь объясняется оказанием безвозмездной помощи акционеров в виде передачи денежных средств, которые отражаются как часть прибыли кредитной организации. Таким образом, происходит искусственная корректировка финансового результата в сторону его увеличения. Акционеры передали денежные средства в размере 38 млн. руб. и вместо финансового результата равного - 98 млн. руб. он скорректировался до - 60 млн. руб. [63]. Безусловно, рост прибыли сохранится даже без средств акционеров, но уже вместо 55 млн. руб., он бы составил 17 млн. рублей. Что же касается Альта-Банка, то здесь мы имеем дело с поздней реакцией. Сокращение чистой прибыли практически на 450% было зафиксировано за 8 дней до отзыва лицензии. На 31.01.2016 отмечено падение показателя с 208,35 млн. руб. до - 715,37 млн. рублей. Безвозмездную передачу денежных средств в декабре осуществили и акционеры банка Расчетный Дом, более подробно динамика чистой прибыли представлена также в Приложении 2. Международный Акционерный Банк и Капиталбанк демонстрируют стабильное снижение прибыли за рассматриваемый период времени.

Исходя из предварительного анализа, можно сделать вывод о том, что для проведения объективного сравнения коэффициентов между здоровыми банками и банкротами, следует использовать отчетность на 31.12.2016, так как только за месяц до банкротства мы можем наблюдать, какие значительные изменения происходят в финансовой и бухгалтерской отчетности. Однако для подтверждения данных выводов необходимо дополнительно проанализировать динамику собственного капитала по 123 форме, ведь именно собственные средства кредитной организации обеспечивают ее экономическую стабильность, финансовую устойчивость и являются важным фактором обеспечения надежного функционирования банка. Размер собственного капитала должен быть достаточным как для выполнения обязательств, которые он принял, так и для предупреждения банкротства. Помимо этого, он играет роль буфера, которая заключается в способности продолжать свою деятельность даже в случае возникновения непредвиденных потерь различного масштаба, поглощать убытки и сохранять свою платежеспособность, другими словами, капитал является средством сглаживания негативных последствий различных принятых банком рисков.

На Рисунке 3 представлена динамика собственного капитала некоторых банков банкротов. Причины графической интерпретации показателя собственных средств не всех банков, участвующих в исследовании, те же, что были упомянуты ранее в случае с анализом чистой прибыли. Более подробно значения данного показателя в цифровом выражении всех пятнадцати банкротов продемонстрированы в Приложении 3.

Рис. 3 Собственный капитал банков банкротов, млн. руб.

Из представленного выше рисунка видно существенное уменьшение собственного капитала банков за месяц до банкротства, в особенности данная тенденция хорошо прослеживается у Эргобанка, Миллениум Банка, а также Межтрастбанка. Незначительное снижение собственного капитала демонстрирует банк Регнум, что связано с получением безвозмездных денежных средств в размере 76 млн. руб. и как следствие искусственной корректировки, как финансового результата, так и собственного капитала и норматива его достаточности [63]. Помощь акционеров была оказана и Мираф-Банку в размере 35 млн. руб. В случае, когда мы не наблюдаем падения собственного капитала даже за месяц до банкротства, время реагирования меньше месяца. Так, например, у Банка Интеркоммерц снижение собственного капитала произошло за неделю до его банкротства. Следовательно, анализировать отчетность более чем за месяц до отзыва лицензии не имеет смысла.

Таким образом, следует рассматривать отчетность банка за месяц до банкротства с допустимой погрешностью плюс минус половина месяца. Исходя из выбранных для исследования банков и дат отзывов их лицензий, необходимо использовать бухгалтерскую и финансовую отчетность на 1 января 2016 года. Важно отметить, что в качестве исключенияв выборку были включены банк Богородский и ФИА-Банк, банкротство которых максимально приближено ко времени проведения исследования и рассмотрение показателей которых будет осуществляться за 3 месяца до банкротства. Доля этих банков в общей выборке мала, соответственно существенной корректировки результатов эконометрического исследования не произойдет.