2.3 Отбор переменных для проведения эконометрического анализа

На основе изученной нами зарубежной и отечественной литературы были выбраны объясняющие показатели, рассчитываемые для каждого банка индивидуально, с целью установления зависимости с бинарной переменной и проверки их значимости в качестве ранних индикаторов банкротства коммерческого банка.

В роли зависимой переменной была выбрана бинарная, которая принимает значение "ноль", если банк является действующим и "единицу", если кредитная организация признана банкротом.

С помощью эконометрической модели будут тестироваться независимые переменные, которые указаны в Таблице 4.

Таблица 4

№	Объясняющая переменная	Обозначение в модели
1	Рентабельность активов	ROA
2	Рентабельность капитала	ROE
3	Отношение собственного капитала к активам	ETA
4	Доля государственного участия	GOVERNMENT_SHARE
5	Норматив достаточности собственных средств (капитала)	H1
6	Чистая процентная маржа	NIM
7	Уровень просроченной задолженности в кредитном портфеле	PASTDUE_DEBT
8	Отношение обязательных резервов (РВПС) к кредитному портфелю	RESERVES
9	Доля вкладов физических лиц в обязательствах банка	INDIVIDUALS_DEPOSITS
10	Доля вложений в ценные бумаги в суммарных активах банка	INVEST_SECURITIES
11	Доля привлеченных МБК в пассивах банка	INTERBANK_LOANS
12	Доля госбумаг в суммарных вложениях банка в ценные бумаги	GOVERNM_ SECUR

На наш взгляд именно эти финансовые показатели могут являться ранними индикаторами банкротства коммерческого банка. Количество независимых переменных велико для построения регрессии, поэтому необходимо тщательно проанализировать и найти лучшую их комбинацию, которая обеспечит наиболее точную и качественную модель. Однако нельзя исключать возможность получения наилучшей модели при использовании всех коэффициентов.

В группу объясняющих переменных, прежде всего, были включены показатели рентабельности активов (returnonassets) и капитала (returnonequity), которые характеризуют отдачу от использования активов или собственных средств. Так, ROA и ROE рассчитываются следующим образом:

(1)

(2)

где

NI - NetIncome (чистая прибыль);

TA - TotalAssets (совокупные активы);

E - Equity (собственный капитал).

Как показал критический анализ научных статей, большое количество авторов тестируют данные коэффициенты с целью предсказания по ним банкротства банков. Даже самые первые исследования, посвященные прогнозированию банкротства, например работа Бивера (1966), включалиэти показатели. Считаем также целесообразным тестирование данных финансовых коэффициентов и в нашей модели, поскольку ониотражают экономическую эффективность или эффективность использования ресурсов банка.

Как было уже сказано ранее, подавляющее число банкротов, включенных в выборку, столкнулись с проблемой нарушения нормативов, установленных Банком России. Следовательно, необходимо протестировать такой первостепенный по значимости норматив, как достаточность капитала. Онобязателен к исполнению для всех банков и является одним из самых значимых показателей их надежности. Норматив характеризует способность банка за свой счет нивелировать возможные финансовые потери, не причиняя ущерба своим клиентам. Формула для расчёта достаточности капитала выглядит следующим образом:

; (3)

где

СК - собственный капитал;

А_р - активы, взвешенные с учетом риска.

Уже рассчитанный норматив достаточности капитала можно найти у каждого банка в свободном доступе в отчетности (форма 135).

Исследование собственного капитала в модели будет проводиться также при помощи показателя ETA (EquityToAssets), который рассчитывается как отношение собственного капитала к совокупным активам банка. Данный коэффициент, называемый также коэффициентом финансовой независимости в литературе, посвященной анализу предприятий и организаций, характеризует долю активов сформированных за счет собственных средств. Чем ниже значение коэффициента, тем ниже доля собственного капитала, и, следовательно, выше риск неплатежеспособности. Важно отметить, что большое количество собственных средств внушает доверие, как со стороны клиентов банка, так и со стороны инвесторов, ведь именно за счет них в случае каких-либо негативных и непредвиденных обстоятельств кредитная организация сможет полностью или частично погасить свои долги.

Собственный капитал банка может быть сформирован как абсолютно за счет средств государства, так и частично, либо полностью без участия правительства РФ. Считается, что банки с государственным участием более надежные, нежели частные. Даже в случае возникновения негативных шоков, государственным финансовым институтам легче справится с ними при помощи предоставления финансовой помощи со стороны правительства. Хотя в России небольшое количество таких коммерческих банков, проверить данную теорию все-таки необходимо. Так, в выборке среди банкротов находится Миллениум Банк, что оказалось полной неожиданностью для экспертов и аналитиков, ведь практически 25% акций принадлежит правительству. Однако государство является не прямым владельцем, а косвенным через ОАО "РЖД".

Следующим, одним из основополагающих показателей в финансовой аналитике, является чистая процентная маржа, показывающая эффективность осуществления банком своей основной деятельности. Расчет коэффициента:

(4)

где

ЧПМ - чистая процентная маржа;

Д_{% -} процентные доходы;

Р_% - процентные расходы;

А_д - активы, приносящие доход.

Маржа является основным источником формирования прибыли коммерческого банка, а ее существенное уменьшение сигнализирует о финансовой неустойчивости кредитной организации и угрозе банкротства. Анализируя ЧПМ, которая характеризует доходность операций, нами одновременно оценивается возможность банка покрывать свои издержки.

Основной источник финансирования банков - средства клиентов, поэтому считаем целесообразным включить в набор независимых переменных вклады физических лиц. Их количество может свидетельствовать о том, что банк на грани выживания, поскольку их общая сумма отражает степень доверия людей. Денежные средства клиентов помогают кредитной организации осуществлять главную функцию - посредническую. Низкая клиентская активность повлечет за собой снижение кредитования населения, и, следовательно, снижение доходов банка.

Очевидно, что не совсем корректным является включение показателя в чистом виде, ведь количество вкладов зависит, в том числе и от размера финансового института. Поэтому было решено взять отношение вкладов физических лиц к обязательствам, которое показывает, насколько банк зависим от средств физлиц.

Важно принять во внимание и просроченную задолженность по кредитному портфелю. Данный показатель будет внесен в модель через коэффициент, формула расчета которого представлена ниже:

(5)

где

УПЗ - уровень просроченной задолженности по кредитному портфелю;

ПЗ_{ф. л. -} просроченная задолженность по кредитам физических лиц;

ПЗ_{ю. л. -} просроченная задолженность по кредитам юридических лиц;

К_{ф. л. -} кредиты физическим лицам;

К_{ю. л. -} кредиты юридическим лицам.

Таким образом, в нашем исследовании анализируется доля просроченной задолженности в кредитном портфеле банка. Ее увеличение может трактоваться как некачественное управление активами или неподходящая политика в области риск - менеджмента, которая выражается в снижении требований к потенциальным заемщикам.

Вторым приоритетным направлением активных операций после кредитования являются вложения в ценные бумаги. Важно отметить, что в данном случае под ценными бумагами подразумеваются:

· акции;

· облигации;

· векселя;

· ценные бумаги, переданные в РЕПО.

Инвестируя в ценные бумаги, банк преследует цель, которая заключается не только в получении доходности, но и что немало важно в регулировании своей ликвидности и платежеспособности. Так же было решено не использовать данный показатель в чистом виде, а включить в анализ долю вложений в суммарных активах кредитной организации. Дополнительно рассмотрим, какую долю в общих вложениях составляют госбумаги, которые включают в себя госбумаги России и иностранных государств. Таким образом, нам удастся определить, влияет ли на риск наступления банкротства их количество.

Необходимо протестировать резервы по возможные потери по ссудам (РВПС), а именно их отношение к кредитному портфелю. Обязательные резервы формируются кредитными организациями с целью минимизации потерь ссудной стоимости из-за неисполнения или ненадлежащего исполнения заёмщиком своих обязательств. Таким образом, банк функционирует в более стабильных условиях финансовой деятельности и не допускает резких колебаний величины прибыли, которые могут возникнуть вследствие списания потерь по ссудам.

На что следует обратить внимание в бухгалтерской отчетности банков банкротов - это количество привлеченных межбанковских средств, которые включают в себя МБК, привлеченные от резидентов/нерезидентов, от Банка России и просроченная задолженность. Поясним, что межбанковские средства - это денежные средства, которые предоставляют другие банки, либо Центральный банк России, а значит, это элемент отчетности, который можно расценивать как индикатор доверия к банку со стороны других кредитных организаций. Соответственно, и клиенты могут довериться финансовому учреждению исходя из количества привлеченных им средств. Как правило, небольшие банки, которые в большинстве своем становятся банкротами, могут разместить свободные средства у кредитных организаций, которые гораздо больше и успешнее, в то время как получить - нет.

Несмотря на то, что большое количество авторов используют макроэкономические переменные: ВВП, темп роста инфляции, ключевая ставка процента, - в качестве объясняющих, в нашей работе они не будут включены в модель бинарного выбора. Прежде всего, это связано с коротким периодом исследования банков. За несколько месяцев изменения данных показателей незначительные или вовсе отсутствуют, значит, влияние, как на здоровые, так и на банки банкроты вычислить невозможно. Дополнительным аргументом в пользу того, что макроиндикаторы не станут объясняющими переменными, является то, что все исследуемые кредитные учреждения действуют на территории Российской Федерации, соответственно подвержены одинаковым макроэкономическим условиям. С большой долей вероятности, они не будут значимыми в прогнозировании дефолта, тем более в совокупности с другими независимыми переменными.

В заключение данной главы, хотелось бы подчеркнуть, что одной из первостепенных задумок данного исследования являлась простота используемых независимых переменных, которые претендуют на то, чтобы стать ранними индикаторами банкротства. Простота коэффициентов, большинство которых не требуют расчета и находятся в свободном доступе в бухгалтерской отчетности и на финансовых информационных порталах, позволит большому количеству людей самостоятельно, приблизительно оценить, насколько устойчив банк и какова вероятность его банкротства в ближайшем будущем. Таким образом, каждый сможет для себя принять решение, например касаемо вывода своих денежных средств со счетов кредитной организации.

Глава 3. Определение ранних индикаторов банкротства коммерческого банка при помощи эконометрического моделирования

В качестве эконометрического метода мы используем модель бинарного выбора. Это связано, прежде всего, с необходимостью включения в модель бинарной переменной "bankruptcy", которая принимает значение "1", если банк является банкротом и "0" в противном случае. Кроме того, дополнительным фактором, повлиявшим на решение в части определения метода осуществления практической части исследования - это точность прогноза или высокая вероятность получения статистически надежных результатов. Среди моделей данного типа наиболее часто используемыми являются Probit - и Logit-модели. Исходя из критического анализа научных работ других ученых, следует отметить, что они обладают высокой точностью предсказания и их результаты легко интерпретируемы.

Несмотря на то, что большинство авторов при прогнозировании дефолтов кредитных организаций используют Logit-модель, сделать однозначное заключение об ее использовании в нашем исследовании нельзя. Необходимо осуществить построение как Probit, так и Logit и сравнить значения McFaddenR-squared и Loglikelihood. Регрессия с наибольшими значениями и будет выбрана.

Перед моделированиемследует осуществить ряд операций, среди которых проверка переменных на мультиколлинеарность, а также анализ описательной статистики данных.

3.1 Проверка на мультиколлинеарность

Одним из недостатков большинства моделей является мультиколлинеарность независимых переменных или другими словами наличие строгой функциональной зависимости между ними. Поэтому первостепенно нами была проведена проверка выбранных показателей. Результаты корреляционного анализа представлены в Приложении 4.

Значение коэффициента корреляции больше 0,70 свидетельствует о сильных, тесных корреляционных связях между переменными. В дальнейшем для того чтобы построить качественную регрессию и избежать ошибок мультиколлинеарности, такие переменные следует исключить.

В Приложении 4 была отмечена сильная корреляционная связь переменной NIM (чистая процентная маржа) с уровнем просроченной задолженности, а также показателями рентабельности - ROA и ROE. Аналогичная ситуация с рентабельностью капитала (ROE), которая тесно связана с individuals_ deposits и government_share. Их исключение из выборки неизбежно, так как большое количество независимых переменных подвержено корреляции с ними.

Что же касается единичной корреляции между показателями, которые обозначают долю государственного участия и рентабельности активов, было решено исключить одну из переменных из анализа только в случае возникновения программных ошибок при моделировании.

3.2 Описательная статистика

Несмотря на то, что сборка данных осуществлялась собственноручно, следует проверить ее на ошибки репрезентативности. Для этого построим описательную статистику, которая представлена в Таблице 5.

Максимальные, средние и минимальные значения объясняющих переменных не противоречат нашим предположениям. Каждой переменной соответствует 45 наблюдений, следовательно, выборка сбалансирована. Ошибок не было обнаружено. Дополнительный аспект, требующий рассмотрения, - это значимость выбранных показателей. Нетрудно заметить, что единственная переменная, которая не является значимой даже на 10% -ом уровне - это отношение вкладов физических лиц к обязательствам банка. Значение probability данного потенциального регрессанта равно 0,3179, следовательно, необходимо его исключить с целью построения наилучшей модели.

Таблица 5. Описательная статистика

	BANKRUPT	ETA	GOVERNM__SECUR	GOVERNMENT_SHARE	H1	INDIVIDUALS_DEPOSITS	INTERBANK_LOANS	INVEST_ SECURITIES	PASTDUE_ DEBT	RESERVES	ROA
Mean	0.333333	0.122011	0.204652	0.130956	0.142111	0.369500	0.109289	0.123986	0.079136	0.222711	-0.016684
Median	0.000000	0.126130	0.058573	0.000000	0.132600	0.394200	0.068000	0.099216	0.058800	0.190000	0.000000
Maximum	1.000000	0.597310	0.992277	1.000000	0.685600	0.748600	0.534000	0.538066	0.329600	0.602000	0.038500
Minimum	0.000000	-0.240934	0.000000	0.000000	0.000000	0.000600	0.000000	0.000000	0.003000	0.066000	-0.319000
Std. Dev.	0.476731	0.111987	0.295276	0.286996	0.096513	0.212258	0.124862	0.120645	0.068385	0.130613	0.056794
Skewness	0.707107	0.307383	1.698838	2.134124	3.986725	-0.012957	1.680604	1.639486	1.877678	1.350766	-3.565716
Kurtosis	1.500000	12.34494	5.460534	6.333926	23.78215	1.894689	5.794268	5.704395	7.007380	4.232419	19.03161
Jarque-Bera	7.968750	164.4486	32.99705	54.99939	929.0134	2.291970	35.82310	33.87264	56.55335	16.53212	577.2560
Probability	0.018604	0.000000	0.000000	0.000000	0.000000	0.317911	0.000000	0.000000	0.000000	0.000257	0.000000
Sum	15.00000	5.490508	9.209348	5.893000	6.395000	16.62750	4.918000	5.579362	3.561100	10.02200	-0.750800
SumSq. Dev.	10.00000	0.551804	3.836271	3.624147	0.409847	1.982355	0.685985	0.640434	0.205767	0.750631	0.141925
Observations	45	45	45	45	45	45	45	45	45	45	45

Построение описательной статистики отдельно для каждой из подвыборок (банкроты; не банкроты) позволит сравнить нам средние, минимальные, а также максимальные значения.

Таблица 6

Переменная	Среднее значение	Минимальное значение	Максимальное значение
	Банкроты	Не банкроты	Банкроты	Не банкроты	Банкроты	Не банкроты
ETA	0.108086	0.128974	-0.240934	0.067068	0.597310	0.209440
GOVERNM__SECUR	0.176165	0.218896	0.000000	0.000000	0.931680	0.992277
GOVERNMENT_SHARE	0.016380	0.188243	0.000000	0.000000	0.245700	1.000000
H1	0.144520	0.140907	0.000000	0.101600	0.685600	0.235700
INTERBANK_LOANS	0.035067	0.146400	0.000000	0.000000	0.187000	0.534000
INVEST_ SECURITIES	0.084656	0.143651	0.000000	0.000000	0.424438	0.538066
PASTDUE_ DEBT	0.042453	0.097477	0.011200	0.003000	0.104400	0.329600
RESERVES	0.225133	0.221500	0.087000	0.066000	0.501000	0.602000
ROA	-0.048600	-0.000727	-0.319000	-0.067000	0.016600	0.038500

Выделим лишь ключевые особенности данной выборки. Так, максимальное значение достаточности капитала больше у банкротов. Значение норматива Н1 банка "Расчетный Дом" за месяц до банкротства равнялось 68,56%, что и привело к завышению среднего значения норматива у банков с отозванной лицензией. Необходимо пояснить, что чрезмерно большие значения нормативов должны вызывать настороженность и являются столь же ненадежными, как и значения ниже порогового значения в 8%. Существенное отклонение норматива от среднего значения в сторону его увеличения говорит нам об избытке капитала, это в свою очередь означает, что собственные средства "не работают". Финансовый институт никуда их не размещает, не берет на себя дополнительные риски, а, следовательно, и не стремится к существенному увеличению прибыли. Отсюда можно сделать вывод о неэффективности работы кредитной организации. Существует также мнение, что аномально высокие значения нормативов характерны для банков причастных к отмыванию денежных средств. Для участия в криминальной деятельности им не требуется слишком много активов, ведь риск их потери велик.

Помимо равенства средних значений нормативов достаточности капитала здоровых банков и банкротов отметим практически одинаковые значения уровня резервирования кредитного портфеля. Однако если в первом случае равенство было объяснено слишком высоким значением Н1, который завысил среднее, то здесь ничего подобного выявлено не было. Следовательно, раз мы не наблюдаем различия, можно предположить, что показатель не содержит в себе значимую информацию и вероятно регрессия должна подтвердить наше предположение.

Стоит обратить особое внимание и на уровень просроченной задолженности, среднее и максимальное значение которого выше у действующих кредитных учреждений. Уровень просрочки достигает 32, 96% у здоровых банков, в то время как у банкротов максимальное значение лишь 10,44%. Данный факт следует принимать с осторожностью, поскольку банки, прекратившие свое существование более склонны манипулировать отчетностью. Официальная оценка уровня просроченной задолженности не учитывает пролонгации кредитов крупного бизнеса, которая сопровождается предоставлением отсрочки по уплате основного долга, пересмотром графика погашения и уменьшением ежемесячных платежей.

Так же отметим значительное отличие в среднем значении доли государственного участия между различными подгруппами выборки. Это может быть объяснено тем, что среди банкротов лишь один банк с госучастием - Миллениум.

Среднее значение доли привлеченных МБК в пассивах у действующих кредитных организаций выше приблизительно в четыре раза. Неудивителен тот факт, что у банкротов доля вложений в ценные бумаги в суммарных активах меньше примерно в 1,7 раза, так как небольшие банки с неустойчивым финансовым положением, как правило, менее склонны к приобретению ценных бумаг, которые подразумевают наличие определенного риска.

3.3 Построение регрессии и интерпретация результатов

Эконометрическое моделирование осуществлялось при помощи программы EViews. Нами были построены две регрессии - Probit и Logit. Сравнение значений McFaddenR-squared и Loglikelihood, которое представлено в Таблице 7 позволит выбрать наилучшую из них. Напомним, что, чем больше значения данных параметров, тем лучше.

Таблица 7

Модель бинарного выбора	McFaddenR-squared	Loglikelihood
Logit	0.736796	-7.539001
Probit	0.741273	-7.410760

R² или коэффициент детерминации принимает значение от "0" до "1" и чем ближе его значение к единице, тем лучше общее качество уравнения регрессии. Нетрудно заметить превосходство Probit по сравнению с Logit, а значит, именно эта модель будет использоваться с целью выявления ранних индикаторов банкротства коммерческих банков.

Более подробно со всеми полученными параметрами регрессий можно ознакомиться в Приложении 7 и Приложении 8.

Основные результаты полученной модели представлены в Таблице 8.

Таблица 8

Зависимая переменная: BANKRUPT
Метод: ML - Binary Probit
Независимая переменная	Коэффициент	Значимость	Предельный эффект, %
C	2.749368	0.0364	-
GOVERNM__SECUR	0.666331	0.5257	-
GOVERNMENT_SHARE	-37.09541	0.0006	-6,255
INTERBANK_LOANS	-6.778966	0.0500	-1,417
INVEST_SECURITIES	22.19796	0.0027	3,720
PASTDUE_DEBT	-83.02747	0.0006	-14,251
RESERVES	4.706888	0.4254	-
ROA	-97.06549	0.0001	-16,214
ETA	20.80853	0.0256	3,414
Н1	-26.28595	0.0236	-5,748
McFadden R-squared	0.741273
Prob (LR statistic)	0.000003

Прежде всего, важно подчеркнуть, что регрессия в целом значима, значение Prob (LR statistic) практически равно нулю. Что касается независимых переменных, то те из них, которые являются значимыми на 5% уровне, имеют существенное влияние на вероятность банкротства банка, а значит, могут быть названы его ранними индикаторами.

Дополнительно, для определения влияния объясняющих, значимых переменных на банкротство кредитных организаций был рассчитан предельный эффект, так как в моделях бинарного выбора нельзя руководствоваться лишь полученными коэффициентами. Вычисление проводилось так же при помощи программы EViews.

Итак, согласно построенной модели ранними индикаторами банкротства коммерческого банка являются:

· Доля государственного участия;

· Доля привлеченных МБК в пассивах банка;

· Доля вложений в ценные бумаги в суммарных активах банка;

· Уровень просроченной задолженности в кредитном портфеле;

· Рентабельность активов;

· Отношение собственного капитала к активам;

· Норматив достаточности собственных средств (капитала).

Разберем более подробно каждый индикатор в отдельности.

1. Доля государственного участия.

Из проанализированных нами литературных источников ни один автор не использовал данный показатель и не доказал, что участие государства в капитале банка имеет влияние на вероятность его банкротства. Однако в нашей модели мы видим, что показатель значим даже на 1% -ом уровне значимости. Данный результат подтверждает наши догадки о том, что банки с госучастием более устойчивы и намного реже оказываются в числе банкротов. Правительство, как правило, способствует тому, чтобы кредитная организация продолжала функционировать, конечно, не без исключений. Отрицательный знак перед коэффициентом (-37.09541) подтверждает обратную связь с зависимой переменной, то есть чем больше доля государственного участия, тем меньше вероятность банкротства. Предельный эффект равен - 0,06255, это означает, что увеличение доли государственного участия на 1% уменьшит вероятность банкротства на 6,255%.

2. Доля привлеченных МБК в пассивах банка.

Наши ожидания по поводу этого показателя также подтвердились: чем больше привлеченных межбанковских кредитов, тем меньше вероятность неплатежеспособности кредитной организации. Частое возникновение у банка потребности в привлечении заемных средств, говорит нам об активном осуществлении своей деятельности и стремлении к получению максимальной прибыли. Безусловно, нельзя не отметить, что любая величина доли МБК в пассивах хороша лишь при адекватной оценке принимаемых на себя рисков. Согласно полученному значению предельного эффекта, увеличение доли привлеченных МБК в пассивах банка на 1% уменьшит вероятность банкротства на 1,417%.

3. Уровень просроченной задолженности в кредитном портфеле. Результаты тестирования данного показателя следует принимать с осторожностью, так как отрицательный знак перед коэффициентом противоречит нашим представлениям. Согласно тестируемой регрессии, чем выше уровень просроченной задолженности, тем меньше вероятность банкротства. Более того, предельный эффект показал, что увеличение данного показателя на 1% ведет к снижению вероятности наступления банкротства на 14,251. Такая зависимость между бинарной переменной и уровнем просроченной задолженности может быть объяснена особенностью собственноручно собранных данных. Обратим внимание на Рисунок 4, представленный ниже.

Рис. 4 Уровень просроченной задолженности на 31.12.2015 г., %

На графике представлены показатели тридцати действующих банков, пронумерованных как 1, 2, 3, 4, 5 и так далее и соответственно пятнадцати банкротов, таким же образом пронумерованных. Нетрудно заметить, что в целом значения просрочки ниже у банкротов. Как уже было сказано ранее, данная тенденция, скорее всего, связана с манипуляцией отчетностью и "игрой с цифрами". Не стоит исключать и вероятность того, что возможно некоторые из анализируемых банков действительно не имели проблем с просрочкой.

Таким образом, программа EViews и представила нам такой результат в виде уменьшения вероятности банкротства при увеличении просроченной задолженности, ведь именно действующие банки имеют высокие значения просрочки.

4. Рентабельность активов.

Коэффициент значимости ROA из всех полученных по другим показателям наилучший (0.0001). Результаты оценки регрессии показали, что чем больше рентабельность активов банка, тем меньше вероятность его банкротства. Исходя из формулы расчета данного коэффициента, высокое значение ROAсвидетельствует о большой доле чистой прибыли, величина которой одна из основополагающих при оценке финансовой устойчивости. При помощи подсчёта предельного эффекта было определено, что при увеличении показателя рентабельности на 1% вероятность наступления банкротства снижается на 16,214%. Такой значительный эффект от увеличения коэффициента был получен лишь у показателя просроченной задолженности.

5. Норматив достаточности собственных средств (капитала) - H1. Показатель является значимым на 5% -ом уровне значимости (0.0236) и имеет отрицательную взаимосвязь с зависимой переменной, как и большинство коэффициентов в модели. Увеличение норматива Н1 на 1% влечет за собой снижение вероятности наступления банкротства банка на 5,748%. Как было выяснено ранее, слишком высокий норматив достаточности капитала так же плох как и ниже 8%, поэтому устойчивый рост данного коэффициента не указывает нам о финансовой устойчивости и надежности кредитной организации.

6. Отношение собственного капитала к активам (ETA).

В полученной модели только две из значимых переменных имеют положительную взаимосвязь с зависимой переменной, а именно ETA и INVEST_SECURITIES (доля вложений в ценные бумаги в суммарных активах банка). Таким образом, согласно результатам оценки регрессии, чем выше отношение собственного капитала к активам банка, тем вероятнее наступление банкротства КО. В цифровом выражении увеличение данного показателя на 1% приводит к увеличению вероятности дефолта на 3,414%. Получив такой итог, кажется разумным предположить, что значения ETA выше у банкротов. Проанализировав набор данных, мы можем предположить, что причиной высокого отношения собственного капитала к активам банков банкротов служит небольшой размер активов. Именно поэтому собственные средства неплатежеспособных кредитных организаций составляют их большую часть.

7. Доля вложений в ценные бумаги в суммарных активах банка.

Данная объясняющая переменная является значимой на 5% -ом уровне значимости и, как было сказано ранее, является одной из немногих, которая имеет положительную связь с зависимой переменной, что противоречит как полученной описательной статистике, так инашим предположениям, представленным ранее. В соответствии с результатом полученного предельного эффекта, рост доли вложений в ценные бумаги в суммарных активах банка на 1% ведет к увеличению вероятности банкротства КО на 3,72%.

Касаемо положительной взаимосвязи необходимо отметить, чточем выше доля вложений в бумаги, тем более высокий риск принимает на себя банк. В связи с этим встает вопрос о нецелесообразности расходования средств, поскольку эти средства требуются, прежде всего, для выдачи кредитов. Осуществляя большие вложения в ценные бумаги, банк действует в пользу увеличения ликвидности, но в ущерб своей доходности. Так, например доля вложений в активах Сбербанка на 1 января 2016 года составила 6,9%, в то время как подавляющую часть активов составляют кредиты клиентам - 67,9%. Возможно, именно поэтому при помощи модели бинарного выбора был получен такой результат.

Доля государственных бумаг в общем портфеле является незначимым показателем даже на 10% -ом уровне, коэффициент значимости равен 0.5257. Таким образом, количество или даже просто наличие государственных бумаг в суммарных вложениях банка в ценные бумаги не имеет значения.

Не является объясняющим фактором наступления банкротства коммерческого банка и отношение обязательных резервов (РВПС) к кредитному портфелю, коэффициент значимости которого 0.4254. Предположения о том, что переменная не будет определяющей при прогнозировании неплатежеспособности КО, были высказаны ранее при анализе сравнительной описательной статистики, где были отмечены приблизительно одинаковые средние, минимальные и максимальные значения данного показателя у здоровых банков и банкротов. Регрессия, как и ожидалось, подтвердила нашу гипотезу.

Заключение

В процессе исследования была выполнена существенная работа по изучению ключевых понятий тематики, посвященной финансовой устойчивости и банкротству кредитных организаций, а так же проведен тщательный анализ большого количества литературных источников. Работ, посвященных прогнозированию неплатежеспособности коммерческих банков отечественных авторов не так много, поэтому были изучены преимущественно иностранные статьи. Это позволило нам, как определиться с выбором метода исследования, так и с показателями, которые следует включить в модель в качестве независимых переменных.

На этапе практической части выполнения работы в первую очередь был осуществлен отбор банков, которые принимали участие в исследовании. Так же был собран массив финансово-экономических данных, который включал в себя большое количество различных показателей по 45 банкам, из которых 30 - действующие и 15-банкроты. Это позволило построить модель бинарного выбора - Probit и с её помощью выявить ранние индикаторы банкротства. Таким образом, поставленные задачи были выполнены, цель исследования достигнута.

Необходимо подчеркнуть, что коэффициенты, выбранные в качестве объясняющих переменных, были теоретически изучены и по каждому из них было дано краткое обоснование, почему именно его стоит включить в эконометрическую модель. Подготовка данных перед построением регрессии состояла в проверке регрессантов на мультиколлинеарность, а также выполнение описательной статистики с целью выявления ошибок репрезентативности. Высокий коэффициент детерминации полученной Probit - модели, равный 0,74 указывает на большую долю дисперсии бинарной переменной объясняемой независимыми показателями, что говорит нам о хорошем качестве построенной регрессии.

В качестве ранних индикаторов банкротства коммерческого банка тестировались такие показатели как ROA, ETA, доля государственного участия, норматив Н1, уровень просроченной задолженности в кредитном портфеле, отношение РВПС к кредитному портфелю, доля вложений в ценные бумаги в суммарных активах банка, доля привлеченных МБК в пассивах банка, а также доля госбумаг в суммарных вложениях банка в ценные бумаги. Рентабельность капитала и чистая процентная маржа были исключены из анализа из-за устойчивых связей с другими переменными, иначе говоря, из-за возникновения проблемы мультиколлинеарности.

В результате ранними индикаторами банкротства стали все перечисленные ранее показатели, кроме доли государственных бумаг в суммарных вложениях банка в ценные бумаги и отношение РВПС к кредитному портфелю.

Следует более подробно рассказать о выводах, сделанными нами в ходе исследования. Так, были выявлены отрицательные связи между зависимой и следующими объясняющими переменными: рентабельность активов, доля государственного участия, норматив достаточности капитала и доля привлеченных МБК в пассивах банка. Таким образом, чем больше значения данных показателей, тем ниже вероятность наступления банкротства банка. В то же время ETA и доля вложений в ценные бумаги в суммарных активах банка продемонстрировали положительную связь с бинарной переменной, другими словами, увеличение данных коэффициентов приводит к увеличению вероятности дефолта. Несмотря на, казалось бы, очевидную положительную связь с уровнем просроченной задолженности, регрессия показала нам совершенно противоположный результат. Однако, скорее всего, это связано как с особенностями выборки, так и свойственностью банкротов скрывать истинные значения просрочки.

Согласно расчету предельного эффекта, наибольшее влияние имеют показатели рентабельности активов, доля государственного участия, а так же норматив Н1.

Использованные переменные просты в расчете, а некоторые из них, например, достаточность капитала, имеются в свободном доступе на различных информационных порталах. Это является несомненным преимуществом исследования, так как большое количество людей, в том числе и клиенты банка, могут, не прибегая к помощи экспертов, оценить экономическое состояние кредитной организации и, например, принять решение о досрочном изъятии вклада. Результаты проделанной работы могут быть полезными другим ученым, специализирующимся в данной области, а также финансовым аналитикам банка.

Перспективы дальнейшего исследования заключаются в улучшении качества модели, а, следовательно, в повышении точности прогноза. Для этого необходимо в первую очередь увеличить количество анализируемых коммерческих банков. Помимо этого, дополнительным направлением совершенствования работы является использование в регрессии макроэкономических показателей, таких как курс валютили данных фондовых рынков (значений индексов ММВБ и РТС). Кроме этого, возможно включение в модель качественных переменных, например, кредитных рейтингов международных агентств - Standard&Poor's, Moody's и Fitch.

Список использованной литературы

Нормативные правовые акты.

1. Федеральный закон от 07.08.2001 N 115-ФЗ (ред. от 30.12.2015)"О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма" [электронный ресурс]. Режим доступа: [http://www.consultant.ru/document/ cons_doc_LAW_32834/];

2. Федеральный закон от 26.10.2002 N 127-ФЗ (ред. от 29.12.2015)"О несостоятельности (банкротстве)" [электронный ресурс]. Режим доступа: [http://www.consultant.ru/document/cons_doc_LAW_39331/];

3. Федеральный закон от 22.12.2014 N 432-ФЗ (ред. от 29.06.2015)"О внесении изменений в отдельные законодательные акты Российской Федерации и признании утратившими силу отдельных законодательных актов (положений законодательных актов) Российской Федерации", статья 7 [электронный ресурс]. Режим доступа: [http://www.consultant.ru/document/cons_doc_LAW_172607/6a73a7e61adc45fc3dd224c0e7194a1392c8b071/];

Учебные и научные издания на русском языке.

4. Бобрик, М.А. Совершенствование системы индикаторов финансовой устойчивости коммерческих банков [электронный ресурс]. Режим доступа: [http://www.fa.ru/dep/upanpk/dissertation_councils/referats/documents/2011/Д%20505.001.02/автореферат%20Бобрик%20М.А. pdf];

5. Ващенко, Ю.С. К вопросу о соотношении понятий "несостоятельность" и "банкротство" в истории законодательства и отраслях права [текст] // Гражданское право - 2012 - №2;

6. Вотинцева, Р.С. Современные теоретические подходы к определению понятия "финансовая устойчивость коммерческих банков" [текст] // Экономика и право - 2014 - №3;

7. Горелая, Н.В. Антикризисное управление в коммерческом банке [текст] // Управление корпоративными финансами. - 2009 - № 1 - С.10-20;

8. Егорова, О.Ю. Специальные методы выявления обстоятельств банкротства банка [текст] // Деньги и кредит. - 2012 - № 7 - С.57-60;

9. Зубарев, А.В. Финансовый кризис 2008-2009: факторы банкротства на примерах крупных российских банков [текст] // Российское предпринимательство. - 2013. - № 22 - С.87-94;

10. Карминский, А.М., Костров, А.В., Мурзенков, Т.Н. Моделирование вероятности дефолта российских банков с использованием эконометрических методов [электронный ресурс]. Режим доступа: [https: // www.hse.ru/pubs/share/direct/document/68382064] - 2012;

11. Карминский, А.М. Вероятность дефолта банка и ее моделирование [текст] // Финансовая аналитика: проблемы и решения. - 2012 - № 41 - С.2-13;

12. Клаас, Я.А. Определение финансовой устойчивости региональных банков посредством действующих методик [текст] // Финансы и бизнес. - 2014 - № 3 - С.49-60;

13. Копан, Т., Миноу, К. Устойчивость кредитования [текст] // Финансы и развитие - 2013 - №3;

14. Ловкова, Г.Г. Индикаторы прогнозирования финансовой несостоятельности кредитных организаций / Г.Г. Ловкова, Ю.В. Малыгина, С.Ю. Хасянова [текст] // Банковское дело. - 2010 - № 7 - С.67-73;

15. Лукасевич, М.Я. Совершенствование методов оценки надежности банков [текст] // Бухгалтерия и банки - 2002 - №9;

16. Международный Валютный Фонд. Российская Федерация. Оценка стабильности финансовой системы. Доклад МВФ по стране №11/291 [электронный ресурс]. Режим доступа: [http://www.imf.org/external/ns/loe/cs. aspx? id=72];

17. Меликьян, Г.Г. Актуальные вопросы капитализации, устойчивости и конкурентоспособности российского банковского сектора [электронный ресурс]. Режим доступа: [http://www.cbr.ru/publ/MoneyAndCredit/Melikyan. pdf];

18. Можанова, И.И. Финансовая устойчивость коммерческих банков и нефинансовых организаций: теоретический и практический аспекты [текст] // Финансы и кредит. - 2014 - № 4 - С.36-42;

19. Немецкий федеральный банк [электронный ресурс]. Режим доступа: [http://www.bundesbank. de/finanzsystemstabilitaet/fs. en. php];

20. Овчинникова, О.П., Бец, А.Ю. Основные направления обеспечения динамической устойчивости банковской системы [текст] // Финансы и кредит - 2006 - №22;

21. Плещицер, М.В. Комплексная методика прогнозирования банкротства банков [текст] // Финансовая аналитика: проблемы и решения. - 2011 - № 14 - С.40-45;

22. Тимофеева, З.А. Концептуальные основы исследования экономического содержания финансовой устойчивости банковской системы [текст] // Финансы и кредит. - 2014 - № 6 - С.10-19;

23. Уразов, С.А. Устойчивость банковской системы: теоретические и методологические аспекты [текст] // Банковское дело - 2006 - №12;

24. Шеремет, А.Д., Сайфулин, Р.С., Негашев, Е.В. Методика финансового анализа [электронный ресурс]. Режим доступа: [http://bookre.org/reader? file=630155] - 2002;

Учебные и научные издания на иностранных языках.

25. Abudu, B, Markose, S. Relational neural evolution approach to bank failure prediction // Computation in modern science and engineering - 2007 - Vol.2, PTS A and B., p.1128-1131;

26. Altman, E.I. Financial Ratios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy // Journal of Finance - 1968 - 23 (4): 589-609;

27. Apergis, N., Payne, J. European Banking Authority Stress Tests and Bank Failure: Evidence from Credit Risk and Macroeconomic Factors // Banking and Finance Review - 2013 - №2;

28. Ardagh, D. The ethics of bankruptcy // Australasian Journal of Philosophy - 2010 - №7 (12);

29. Ban, U, Mazibas, M. Bank failure prediction with artificial neural networks: A comparative application to Turkish banking system // IktisatIsletmeVeFinans - 2009 - №282, p.27-53;

30. Barr, R., Seiford, L., Siems, T. Forecasting Bank Failure: A NonParametric Frontier Estimation Approach // RecherchesEconomiques de Louvain 60 - 2012 - №4, 417-429;

31. Blanco-Oliver, A., Irimia-Dieguez, A., Oliver-Alfonso M., Wilson, N. Improving bankruptcy prediction in micro-entities by using nonlinear effects and non-financial variables // Czech: Journal of Economics and Finance - 2015 - Vol.65 Issue 2, p.144-166;

32. Boyacioglu, MA, Kara, Y., Baykan, OK. Predicting bank financial failures using neural networks, support vector machines and multivariate statistical methods: a comparative analysis in the sample of savings deposit insurance fund (SDIF) transferred banks in Turkey // Expert Systems with Applications - 2008 - 36 (2);

33. Brauers, W. K. M., Gineviиius, G., Podviezko, A. Development of a methodology of evaluation of financial stability of commercial banks // Serbia: Panoeconomicus - 2014 - Vol.61, issue 3, p.349-367;

34. Canbas, S., Cabuk, A., Kilic, SB. Prediction of commercial bank failure via multivariate statistical analysis of financial structures: the Turkish case // European Journal of Operational Research - 2005 - №166;

35. Creel, J. Financial stability and economic performance [электронныйресурс]. Режимдоступа: [http://crem. univ-rennes1. fr/Documents/Docs_sem_eco_appliquee/2013-2014/14-04-07_labondance_Creel_Hubert. pdf] - 2014;

36. Davis, E., Karim D.comparing early warning systems for banking crisis // Journal of Financial Stability - 2008 - №4, 89-120;

37. Demirguc-Kunt, A., Detragiache, E. The determinants of banking crises in developing and developed countries // IMF Stuff papers - 1998;

38. Demirguc-Kunt, A., Detragiache, E. Cross-country empirical studies of systemic bank distress: a survey // Working Paper 3719,World Bank Policy Research - 2002;

39. Demyanyk, Y., Hasan, I. Financial crises and bank failures: a review of prediction methods // New York: Omega - 2009 - №38;

40. Ecer, F.comparing the bank failure prediction performance of neural networks and support vector machines: the Turkish case // EkonomskaIstraћivanja-Economic Research - 2013 - Vol.26 (3): 81-98;

41. Erdal, HI, Ekinci, A. An application on prediction of bank failure in Turkey // IktisatIsletmeVeFinans - 2011 - №298, p.21-44;

42. Erdal, H., Ekinci, A. A comparison of various artificial intelligence methods in the prediction of bank failures // New York: Springer Science, Business Media - 2013 - Vol.42, Issue 2, p. 199-215;

43. Estrella, A., Park, S., Peristiani, S. Capital ratios as predictors of bank failure // Economic Policy Review - 2000;

44. Fetisov, G. Stability of banking system and the methodology of its evaluation // UK, Abingdon, Routledge: Problems of Economic Transition - 2003 - №5;

45. Getter, D. E. Financial condition of depository banks // Washington DC - 2013: p.2-3;

46. Huang, D., Chang, B., Liu, Z. Bank failure prediction models: for the developing and developed countries // New York: Springer Science, Business Media - 2010 - №46;

47. Hwang, D., Lee, C., Liaw, T. Forecasting bank failures and deposit insurance premium // International review of Economics and Finance - 1997 - 6 (3): 317-334;

48. Kaminsky, G., Lizondo, S., Reinhart, С. Leading indicators of currency crises // IMF Staff Papers - 1998 - №45 (1): С.1-48;

49. Kumar, M., HariRao, S. A new methodology for estimating internal credit risk and bankruptcy prediction under Basel II regime [электронныйресурс]. Режим доступа: [https: // www.researchgate.net/publication/ 264235862_A_New_Methodology_for_Estimating_Internal_Credit_Risk_and_Bankruptcy_Prediction_under_Basel_II_Regime] - 2014;

50. Lia, G., Sanning, L. W., Shaffer, S. Forecasting bank failures: timeliness versus number of failures // Applied Economics Letters - 2011 - №18;

51. Momparler, A., Carmona, P., Climent, F. Banking failure prediction: a boosting classification tree approach // Spanish Journal of Finance and accounting - 2016 - Vol.45, №1, 63-91;

52. Samad, A. Noninterest Expenses, Early Warning and Bank Failures: Evidences from US Failed and Non-failed Banks // Journal of Accounting and Finance - 2014 - Vol.14 (4);

53. Serrano-Cinca, C., Fuertes-Callйn, Y. Path modelling to bankruptcy: causes and symptoms of the banking crisis // Applied Economics - 2014 - Vol.46, No.31;

54. Shaffer, S. Bank failure risk: Different now? // Economics Letters - 2012 - №116: 613-616;

55. Trabelsi, S.; He, R.; He, L.; Kusy, M. A comparison of Bayesian, Hazard and mixed logit model of bankruptcy prediction // Computing Management Science - 2014 - January: 1-17;

56. Unvan, YA, Tatlidil, H. A comparative analysis of Turkish bank failures using Logit, Probit and discriminant models // Asia Life Sciences - 2012 - №22 (1), p.281-302;

57. Wheelock, DC,Wilson, PW. Whydobanksdisappear? ThedeterminantsofU. S. bank failuresand acquisitions // TheReviewofEconomicsandStatistics - 2000 - №82;

58. Worrell, CA, Brady, SM, Bala, JW.comparison of data classification methods for predictive ranking of banks exposed to risk of failure // IEEE Conference On Computational Intelligence For Financial Engineering & Economics (CIFER) - 2012, p.413-418;

59. Zapodeanu, D., Cociuba, M. Financial soundness indicators. // Economics - 2010 - 10 (3);

Электронные ресурсы.

60. http://www.banki.ru/banks/ratings/;

61. http://www.banki.ru/banks/memory/;

62. http://www.bankodrom.ru/;

63. http://www.bankodrom.ru/rejting-bankov-po-nadezhnosti/bezvozmezdnaya-pomoshh-akcionerov/2016-1/;

64. http://cbr.ru/.

Размещено на Allbest.ru