В таблице 2 представлены описательные статистики всех переменных.

Таблица 2. Описательные статистики переменных (без дамми-переменных)

Переменная	Obs.	Mean	Std. Dev.	Median	Min	Max
ROE	3880	0.019	0.492	0.026	-16.4588	7.25
ROA	3880	0.005	0.019	0.0037	-0.11	0.21
SOL	3880	0.034	0.045	0.021	0	0.48
RPL	3880	0.078	0.07	0.06	0.00000028	0.475
Ln (Cred)	3880	2.67	6.57	0	0	21.7
Norm_H1	3810	18.01	11.99	14	1	118
Norm_H2	3880	152.89	192.79	96	4	2300
Cap/NA	3880	0.15	0.093	0.134	0.0011	0.95
IIP	3880	0.025	0.042	0.018	-0.045	0.12
RIR	3880	0.11	0.009	0.11	0.1	0.14



2.3 Проблемы мультиколлинеарности, гетероскедастичности и автокорреляции

Все оцениваемые спецификации были проверены на наличие проблем гетероскедастичности и автокорреляции Результаты теста Бройша-Пагана на гетероскедастичность, а также теста на выявление серийной автокорреляции для «финальных» моделей представлены в Приложении 2 и Приложении 3.. Для этого были проведены тест Бройша-Пагана на гетероскедастичность и тест на серийную автокорреляцию, которые показали, что на 5-ти процентном уровне значимости во всех рассмотренных спецификациях имеется как та, так и другая проблемы. С целью их преодоления модели строились с робастными к гетероскедастичности и автокорреляции стандартными ошибками в форме Ньюи-Уэста - чтобы иметь возможность сравнить и интерпретировать значимость отдельных коэффициентовHAC не всегда является наиболее эффективным методом борьбы с гетероскедастичностью и имеет ряд недостатков, однако, безусловно, является при этом одним из самых распространенных методов, позволяющих одновременно справиться с последствиями как гетероскедастичности, так и автокорреляции..

Для проведения исследования из общей выборки банков была также выделена одна подвыборка, состоящая только из тех КО, что участвовали в программе. Общая выборка и данная подвыборка были проверены на мультиколлинеарность: результаты тестирования представлены в виде корреляционных матриц основных переменных исследования в таблицах 3 и 4.

Таблица 3. Попарные корреляции основных переменных модели (для всей выборки банков)

	ROA	ROE	RPL	SOL	Cred	Size	Type
ROA	1
ROE	0.32*	1
RPL	-0.27*	-0.105*	1
SOL	-0.31*	0.09*	0.48*	1
Cred	-0.099*	0.013	-0.08*	-0.03*	1
Size	-0.15*	0.035*	-0.021	0.11*	0.38*	1
Type	0.090*	-0.027	-0.134*	-0.065*	-0.045*	0.145*	1
* коэффициент значим на 5-ти процентном уровне

Таблица 4. Попарные корреляции основных переменных модели (для банков-участников программы)

	ROA	ROE	RPL	SOL	Cred	Cap/NA	Size	Type
ROA	1
ROE	-0.56*	1
RPL	-0.21*	-0.028	1
SOL	-0.31*	0.128*	0.58*	1
Cred	-0.18*	0.089*	-0.08*	-0.02	1
Cap/NA	0.278*	-0.001	-0.17*	-0.24*	-0.07	1
Size	-0.148*	0.066	-0.13*	-0.16*	0.36*	-0.26*	1
Type	0.09*	-0.08*	-0.048	-0.05	-0.01	0.018*	0.16*	1
* коэффициент значим на 5-ти процентном уровне

Ввиду довольно низких значений коэффициентов попарной корреляции (отчасти обусловленных тем, что не учитывается панельная структура данных) был сделан вывод, что в моделях не должна присутствовать проблема сильной мультиколлинеарности. В качестве дополнительного свидетельства отсутствия проблемы сильной мультиколлинеарности в Приложении 4 приведена таблица коэффициентов вздутия дисперсии («Varianceinflationfactors») для лучших среди оцененных моделей.

2.4 Результаты оценки моделей

Таким образом, благодаря проведенным тестам было установлено, что, среди трех рассмотренных моделей (RE, FE и Pooled)для оценки влияния госпрограммы на финансовые результаты банков лучшей является модель с фиксированными эффектами (FE), для оценки влияния на принятые ими кредитные риски - модель со случайными эффектами (RE). В таблице 5 приведены оценки данных регрессий.

Таблица 5. Оценки лучших моделей регрессий

ROA	RPL
лучшая модель - FE	лучшая модель - RE
Переменная	Коэффициент	Переменная	Коэффициент
Ln (Cred)	-0.00093***	Ln (Cred)	0.00178***
Priv * Ln (Cred)	0.000485***	Priv * Ln (Cred)	-0.00048**
Public * Ln (Cred)	0.00076***	Public * Ln (Cred)	-0.00058*
Size * Ln (Cred)	0.000099**	Size * Ln (Cred)	-0.00036***
Size * RPL	-0.032*	Size * SOL	0.1419***
RIR	-0.1708**	RIR	-0.4294***
Cap/NA	0.0339***	Norm_H2	0.0000054***
Norm_H2	-0.000052**	Norm_H1	0.0000655
Norm_H1	0.000081	IIP	0.0225***
IIP	0.023***	Constant	0.1013***
RPL	-0.1884***
Constant	0.0373***
Wald/	0.163	Wald/	150.58
количество наблюдений: 3684	количество наблюдений: 3684
***-1% значимость** -5% значимость* -10% значимость

Влияние госпрограммы на финансовые результаты (рентабельность)

В рамках исследования было установлено, что в целом для среднестатистического банка эффект участия в программе был скорее негативным, нежели позитивным. То есть, интенсификация выдачи субсидируемых ипотечных займов приводила больше к уменьшению рентабельности, нежели ее росту. Таким образом, гипотеза №1 была отвергнута.

Несмотря на это, можно выделить некоторые категории банков, для которых верно обратное. Так, к примеру, в то время как для небольшого частного банка (Size = 1, Priv= 1) на 1-но процентное увеличение выданных в рамках госпрограммы кредитов приходится падение рентабельности активов на «0,000346», для более крупного государственного банка (Size = 4, Public = 1)- приходится увеличение рентабельности активов на «0,000226».

Это обусловлено тем, что введение критериальной переменной для разделения банков по величине чистых активов позволило заключить, что размер банка влиял значимо и положительно на величину ROA при участии КО в госпрограмме: чем больше был размер банка, тем более положительное влияние оказывало увеличение кредитов по госпрограмме на показатель рентабельности. Таким образом, гипотеза №3 была отвергнута.

Более того, разделение всех банков по типу собственности (государственные, частные, иностранные) позволило установить, что увеличение кредитов по программе у государственных банков, при прочих равных условиях, более позитивно отражалось на их рентабельности по сравнению с частными и иностранными банками Тестирование гипотез о влиянии типа собственности при участии в госпрограмме на финансовые результаты и кредитные риски представлено в Приложении 5.. Таким образом, гипотеза №5 не была отвергнута.

Влияние госпрограммы на кредитные риски

Влияние госпрограммы на кредитные риски, принятые российскими банками, оказалосьдиаметральным тому, что было получено в моделях с рентабельностью. Так, если программа уменьшала рентабельность основной массы банков выборки, эффект на кредитный риск был противоположным: чем больше субсидированных кредитов выдавалось в рамках госпрограммы, тем больше был уровень принимаемых банками кредитных рисков. Таким образом, гипотеза №2 была отвергнута.

Исходя из оценок модели, можно заключить, что размер банка влиял значимо и отрицательно на величины, характеризующие уровень кредитного риска: чем больше был размер банка и чем больше субсидированных кредитов он выдавал, тем меньше были принимаемые им кредитные риски. Это согласуется с ранее полученным в рамках эмпирических исследований выводом о том, что более крупные КО осуществляют менее рискованную политику, что в частности может быть обусловлено тем, что им доступно большее количество эффективных инструментов по работе с проблемными кредитами (Горелая, 2015, стр. 6). Таким образом, гипотеза №4 была отвергнута.

Было также установлено, что для государственных банков влияние госпрограммы на кредитный риск было значительно менее положительным по сравнению с иностранными и частными банками Тестирование гипотез о влиянии типа собственности при участии в госпрограмме на финансовые результаты и кредитные риски представлено в Приложении 5.. Таким образом, гипотеза №6 не была отвергнута.

Второстепенные результаты

В рамках исследования были также получены свидетельства в пользу следующих закономерностей, которые следует считать второстепенными по отношению к поставленному исследовательскому вопросу:

§ увеличение прокси-переменной для финансового рычага (Cap/NA) ведет к увеличению доходности банков;

§ увеличение реальной процентной ставки ведет к падению рентабельности (возможно, ввиду увеличения стоимости привлекаемых банковских ресурсов);

§ рост деловой активности положительно сказывается на финансовых результатах банков.

Среди неожиданных результатов можно выделить то, что уровень принимаемого банками кредитного риска падает при росте реальной процентной ставки. Это не согласуется с логикой эффекта неблагоприятного отбора (Stiglitz, Weiss, 1981), согласно которой более высокие ставки привлекают менее надежных заемщиков. Более того, такой вывод противоречит тому, что для заемщиков, воспользовавшихся кредитными продуктами с плавающими процентными ставками, подобное изменение ведет к росту кредитной нагрузки, которое, в свою очередь, при прочих равных условиях, повышает риск невыполнения ими взятых обязательств.

Вместе с тем было также установлено, что при экономическом подъеме кредитные риски, принимаемые банками, растут. Возможно, это свидетельствует о том, что увеличение деловой активности (положительный тренд роста экономики) ведет к снижению требований, предъявляемых КО к уровню надежности их контрагентов и заемщиков.

2.5 Тестирование на робастность

В рамках тестирования моделей на устойчивость в качестве прокси-переменной для ROA был выбран показатель ROE, ввиду того, что обе переменные являются показателями рентабельности и традиционно используются для характеристики показателей прибыльности. На предварительном этапе исследования ожидалось, что влияние госпрограммы на их динамику будет схожим.

В качестве прокси-переменной для доли резервов на возможные потери по ссудам в чистых активах была выбрана переменнаяSOL, показывающая долю просроченных кредитов в чистых активах. Несмотря на то, что есть основания полагать, что данные переменные зависят от разных детерминант: RPL и SOL обладают невысоким значением попарной корреляции (см. Таблицу 3), - они в той или иной степени отражают динамику принимаемых банками кредитных рисков (Treacy, Carey, 2000). На предварительном этапе исследования ожидалось, что влияние госпрограммы на их динамику будет схожим.

В таблице 6 представлены результаты тестирования.

Таблица 6. Тестирование на робастность (зависимые переменные - ROE и SOL)

ROA>>> ROE	RPL>>> SOL
лучшая модель - FE	лучшая модель - RE
Переменная	Коэффициент	Переменная	Коэффициент
Ln (Cred)	-0.007***	Ln (Cred)	0.000836**
Priv * Ln (Cred)	0.0029***	Priv * Ln (Cred)	-0.000293*
Public * Ln (Cred)	0.0057***	Public * Ln (Cred)	-0.00056**
Size * Ln (Cred)	0.0009***	Size * Ln (Cred)	-0.00016**
Size * RPL	-0.209***	Size * RPL	0.0669***
RIR	-1.453***	RIR	-0.249***
Cap/NA	0.0632	Norm_H2	0.000000815
Norm_H2	-0.0000266	Norm_H1	-0.000069
Norm_H1	0.00027	Ln (NA)	-0.0092**
IIP	0.167***	IIP	0.0071*
RPL	-1.319***	Constant	0.216***
Constant	0.3107***
Wald/	0.121	Wald/	52.6
количество наблюдений: 3684	количество наблюдений: 3684
***-1% значимость** -5% значимость* -10% значимость

Тестирование обеих моделей на робастность показало, что ранее полученные коэффициенты оказались устойчивыми к изменению зависимой переменной. Несмотря на то, что в рамках модели с объясняемой переменной ROEдве переменные стали незначимыми на 10-ти процентном уровне, все знаки коэффициентов сохранили свой прежний вид. Более того, что не противоречит и подтверждает ранее полученные выводы,госпрограмма была также более выгодна для более крупных государственных банков.В рамках модели с объясняемой переменной SOL все знаки коэффициентов также сохранили свой прежний вид.Однако, при этом коэффициент перед переменной Norm_H2 стал не значим, что противоречит доказательствам существования статистической взаимосвязимежду кредитным риском и риском ликвидности (Imbierowicz и др., 2014).

Дополнительно, была осуществлена проверка устойчивости результатов к изменению выборки, в рамках которой были построены модели исключительно для банков-участников программы. Ввиду того, что выборка тех банков, которые принимали участие в госпрограмме, значительно мала, т.е. число степеней свободы невелико, нет статистической возможности строить «длинные» модели на основе имеющихся по ним данных. Следовательно, с целью сокращения излишней параметризации были построены две «короткие» модели со случайными эффектами для ROA и для RPL в качестве объясняемых переменных.

В таблице 7 представлены результаты тестирования.

Таблица 7. Тестирование на робастность к изменению выборки

ROA	RPL
модель - RE	модель - RE
Переменная	Коэффициент	Переменная	Коэффициент
Ln (Cred)	-0.00114**	Ln (Cred)	0.00094***
Priv * Ln (Cred)	-0.000035	Priv * Ln (Cred)	-0.00075*
Public * Ln (Cred)	0.00031	Public * Ln (Cred)	-0.00066*
Size * Ln (Cred)	0.0003***	Size * Ln (Cred)	-0.00011***
RIR	-0.207***	RIR	-0.702***
Norm_H2	-0.00000223	Norm_H2	0.00000347
Norm_H1	0.000158	Norm_H1	-0.000055
Size * RPL	-0.1***	Size	-0.0224**
Size	-0.0028***	IIP	0.0624***
IIP	0.014**	Constant	0.568***
Constant	0.0965***
Wald stat.	38.6	Wald stat.	28.8
количество наблюдений: 672	количество наблюдений: 672
***-1% значимость** -5% значимость* -10% значимость

Тестирование на устойчивость моделей к изменению выборки показало, что даже на такой короткой выборке знаки основных коэффициентов полностью соответствуют тем, что были получены в больших(для всей выборки) моделях. Следовательно, модели можно признать устойчивыми к изменению данных.



Заключение

Таким образом, в рамках осуществленного исследования не было получено весомых доказательств в поддержку первоначально сделанных гипотез о качественно положительном воздействии проведенной госпрограммы на деятельность российских банков. В целом, участие в ней приводило к снижению показателей рентабельности и росту принимаемых кредитных рисков, что, однако, имело место не для всех выделенных групп банков.

Так, руководствуясь полученной моделью, мы можем заключить, что для всего множества частных банков, увеличение кредитов по программе отражалось на рентабельности позитивно только для самых крупных банков, входящих в верхний 16-ти процентный перцентиль выборки. В случае государственных банков наблюдалось положительное влияние на рентабельность только в том случае, если они входили в число 70% крупнейших банков выборки.

Влияние госпрограммы на кредитные риски, принимаемые российскими банками, является схожим с воздействием на финансовые результаты: эффект существенно разнится по различным группам банков в зависимости от формы собственности банка и его размера. Так, было установлено, что для частного банка при увеличении выдачи субсидированных кредитов, кредитный риск будет увеличиваться, только если он не входит в 33% крупнейших банков выборки. Для государственных банков кредитный риск будет увеличиваться по мере увеличения активности в рамках госпрограммы только в том случае, если он не входит в 35-40% крупнейших банков выборки.

Более подробно влияние госпрограммы на рентабельность и кредитные риски российских банков в зависимости от их размеров и форм собственности представлено в таблице 8.



Таблица 8. Влияние госпрограммы на финансовые результаты банков и принимаемые ими кредитные риски в зависимости от типа собственности и размеров банков

Место в выборке по объему активов-нетто	Гос.	Частн.	Иностр.
159-191	- +	- +	- +
128-159	- +	- +	- +
95-127	+ +	- +	- +
64-95	+ +	- +	- +
33-63	+ -	- -	- +
1-32	+ -	+ -	- +
Первый знак показывает, что будет с ROA при увеличении кредитов по программе на 1% для соответствующей группы.
Второй знак показывает, что будет с RPL при увеличении кредитов по программе на 1% для соответствующей группы.

Существующие данные не позволили подтвердить предварительно сформулированный довод о возможном положительном воздействии госпрограммы на финансовое положение российских банков. Более того, они, наоборот, предоставили существенные свидетельства того, что участие в госпрограмме приводило к качественно отрицательным последствиям для КО. Тем не менее, данное влияние, как уже было отмечено ранее, разнилось по различным группам банков в зависимости от их размеров и форм собственности.

Средние и крупные государственные, а также самые крупные частные банки оказались в числе единственных, на финансовые показатели которых госпрограмма повлияла положительно. Это могло быть обусловлено тем, что благодаря имиджу и широкому охвату аудитории, которые особенно присущи крупным КО, среди их потенциальных заемщиков могло присутствовать гораздо больше тех, кто обладал высокой эластичностью спроса на ипотечные продукты по ставке процента: так, ее снижение до уровня 12% могло спровоцировать мгновенный приток благонадежных и доходных клиентов. В то же время некрупным банкам приходилось вкладывать большие усилия для привлечения клиентов в том числе путем инвестирования в рекламу и снижения ставок по льготным кредитам до еще более низкого уровня (это позволяли условия программы). Следует заметить, что размер банка мог сыграть столь существенную роль и по той причине, что зачастую именно крупным КО доступны наиболее эффективные инструменты по работе с клиентами, а также наиболее квалифицированная рабочая сила, которая с относительно меньшими транзакционными издержками организовывает процесс обслуживания клиентов.

Крупным банкам были также выделены наибольшие квоты на выдачу льготных субсидируемых кредитов, что, возможно, означает, что они с самого раннего этапа (с момента подачи заявки) воспринимали участие в госпрограмме в качестве существенного источникадоходов, в связи с чемими прикладывались большие усилия для успешного осуществления субсидированного кредитования. Действительно, крупные банки в целом активнее участвовали в программе в течение периодов, нежели средние и мелкие банки, что характеризовалось более равномерными объемами выдачи ими льготных кредитов в течение периода действия госпрограммы (см. Приложение 6).

Тот факт, что крупные государственные и частные банки при увеличении объемов выдачи субсидированных кредитов принимали на себя меньшие кредитные риски, может быть объяснен теми же причинами. Широкий охват аудитории, позволяющий привлечь относительно более надежных заемщиков, в совокупности с неограниченным набором эффективных инструментов по работе с проблемными кредитами должны были предоставить в распоряжение крупных КО больше рычагов для минимизации собственных кредитных рисков.

Наблюдаемый по всей выборке банков-участников рост кредитных рисков в зависимости от увеличения ими выдачи субсидированных кредитов косвенно подтверждается ранее полученными в рамках эмпирических исследований выводами о росте уровня не возвратов по мере расширения льготного ипотечного кредитования, предназначенного для приобретения «low-cost» жилья (Campbell, Ramadorai, Ranish, 2014). Госпрограмма, инициированная Минфином, содержала внутри себя строгие ограничения по стоимости приобретаемого жилья (до 3 млн. руб. -для регионов и до 8 млн. руб. - для Москвы и других крупных городов), которые с учетом среднерыночных цен таргетировали в первую очередь поддержку продаж жилья эконом-класса. В этой связи, несмотря на то, что госпрограмма не имела категориальных ограничений для выбора заемщиков, она могла косвенно ориентировать КО на кредитование материально незащищенных граждан, которые, при прочих равных условиях, являются менее надежными.

Тем не менее, несмотря на то, что госпрограмма оказала в целом негативное воздействие на финансовые результаты российских банков и принятые ими кредитные риски, следует подчеркнуть, что она уверенно справилась с возложенной на себя общественной миссией: ее внедрение существенно скорректировало в сторону уменьшения стоимость ипотечных продуктов и увеличило объемы рынка ипотечного кредитования в стране. С уверенностью можно утверждать, что госпрограмма поддержала не только рынок, но и благосостояние обычных граждан. Возможно, в дальнейшем, когда возникнет новая потребность в антикризисных программахподдержки рынка ипотечного кредитования, правительственными органами страны будут найдены новые механизмы, которые окажутся также привлекательны и для кредитных организаций.



Список литературы

Научные статьи

1. Артемкина Е.В.Развитие ипотечного жилищного кредитования с государственной поддержкой в условиях возникновения угроз финансово-экономических кризисов // Бизнес в законе. Экономико-юридический журнал. - 2012. - №1.

2. Верников А.В. Доля государственного участия в банковской системе России // Деньги и Кредит. -2009. - №11. - С. 4-14.

3. Горелая Н.В. Система страхования вкладов и ее влияние на риски, принимаемые российскими банками // Деньги и Кредит. - 2015. - №5. - С. 44-51.

4. Иванов В.В., Федорова Ю.И.Подбор данных для моделирования вероятности наступления дефолта банка на примере российской банковской системы // Экономика и современный менеджмент: теория и практика: сборник статей по материалам международной научно-практической конференции. - Новосибирск, 2015. - №6(50).

5. Ткачева Е.С.Государственная поддержка ипотечного жилищного кредитования: формы и их сравнительная характеристика // Вестник Чувашского университета. - 2006. - №6.

6. Campbell J., Ramadorai T., Ranish B.The Impact of Regulation on Mortgage Risk: Evidence from India // The American Economic Journal: Economic Policy. - 2015. Vol. 7(4). - P. 71-102.

7. Collins N. J., Wanjau K. The Effects of Interest Rate Spread on the Level of Non-performing Assets: A Case of Commercial Banks in Kenya // International Journal of Business and Public Management. - 2011. - Vol. 1(1). P. 58-65

8. Dietsch M., Petey J. The credit-risk implications of home ownership promotion: The effects of public subsidies and adjustable-rate loans // Journal of Housing Economics. - 2015. - Vol. 28. - P. 103-120

9. Gobillon L., Blanc D. Economic effects of upfront subsidies to ownership: The case of the Pret a Taux Zero in France // Journal of Housing Economics. - 2008. - Vol. 17. - P. 1-33.

10. Greulich E., Quigley J. Housing subsidies and tax expenditures: The case of mortgage credit certificates // Regional Science and Urban Economics. - 2009. - Vol. 39. - P. 647-657.

11. Husle K. Demand subsidies for Low-Income Households // International Encyclopedia of Housing and Home. - 2012. - P. 307-313

12. Karas A., SchoorsK., Weill.L. Are private banks more efficient than public banks? Evidence from Russia // Economics of Transition Volume. - 2010. - Vol. 18(1).

13. Kim J., Wang Y. Macroeconomic Effects of Government-driven Mortgage Guarantee Programs // Korea Development Institute. - 2016.

14. Kuttner K., Shim I. Can non-interest rate policies stabilize housing markets? Evidencefrom a panel of 57 economies // Journal of Financial Stability. - 2016. - Vol. 26. - P. 31-44.

15. MartinH., Hanson A. Metropolitan area home prices and the mortgage interest deduction: Estimates and simulations from policy change // Regional Science and Urban Economics. - 2016. - Vol. 59. - P. 12-23

16. Martins N., Villanueva E. The impact of mortgage interest-rate subsidies on household borrowing // Journal of Public Economics. - 2006.- Vol. 90. - P. 1601-1623.

17. Rappoport D. Do Mortgage Subsidies Help or Hurt Borrowers? // Finance and Economics Discussion Series Divisions of Research & Statistics and Monetary Affairs Federal Reserve Board. - Washington, D.C., 2016

18. Stiglitz J. E., Weiss A. Credit Rationing in Markets with Imperfect Information // The American Economic Review. - 1981. - Vol. 71(3). - P. 393-410.

19. Treacy W. F., Carey M. S. Credit risk rating systems at large US banks // Journal of Banking & Finance. - 2000. - Vol. 24. - P. 167-201.

20. Whalen G. The impact of preemption of the Georgia Fair Lending Act by the OCC on national and state banks and the dual banking system // The Quarterly Review of Economics and Finance. - 2008. - Vol. 48. - P. 772-791.

21. Woodford M. The Taylor Rule and Optimal Monetary Policy // The American Economic Review.- 2001. - Vol. 91(2). P. 232-237.

Новостные издания

22. Александров П. Со ставкой наперегонки // Русский репортер. - 2012. - №12(243).

23. Ковтун Н., Лебедева В. Минстрой планирует запустить льготную ипотеку для покупателей вторичного жилья // Деловой Петербург. - 2015

24. Хуторных Е. «Если заемщик не платит, это уже не ипотека», - Александр Семеняка, генеральный директор АИЖК // Ведомости. - 2009. - №2470

25. Францева В. Ипотека ловит волну инфляции // Коммерсантъ. - 2016. - №10. - С. 8.

Нормативные правовые акты

26. Постановление Правительства РФ от 13.03.2015 N 220 (ред. от 10.02.2017) "Об утверждении Правил предоставления субсидий из федерального бюджета российским кредитным организациям и акционерному обществу "Агентство ипотечного жилищного кредитования" на возмещение недополученных доходов по выданным (приобретенным) жилищным (ипотечным) кредитам (займам)",

27. Постановления №225, №470, №729, №1276, №150, №1027 «О внесении изменений в Правила…».



Приложение

Приложение 1. Некоторые условия действия государственной программы поддержки ипотечного (жилищного) кредитования

Величина процентной ставки	Должна была быть не выше 12%, однако фактически опускалась еще ниже вследствие действия механизмов конкуренции
Тип процентной ставки	Процентная ставка по выданным кредитам фиксировалась на весь период действия кредитного договора, максимальная длительность которого должна была составить не более 362 месяцев
Тип недвижимости, на приобретение которой были выданы кредиты	Выданные субсидии предоставлялись только на возмещение недополученных доходов по кредитам, выданным на приобретение жилья у юридического лица на первичном рынке недвижимости
Тип платежей	Была разрешена исключительно аннуитетная форма платежей по обслуживанию кредитов
Валюта предоставленных займов	КО разрешалось выдавать ипотечные кредиты, номинированные только в отечественной валюте - российском рубле
Портрет заемщиков	В рамках программы не было установлены категориальных барьеров на предоставление ипотечных кредитов
Период предоставления субсидии	Субсидии предоставлялись и будут предоставляться КО вплоть до конца действия кредитных договоров, заключенных банками-участниками по установленным правилам
Порядок выплаты субсидии	Субсидии начинают предоставляться Министерством финансов РФ с момента верификации регулятором выдачи соответствующих условиям программы кредитов, которая осуществляется на основе ежемесячных отчетов банков-участников об объеме выданных ими льготных ипотечных кредитов
Условия уменьшения размера субсидии (один пункт из всего перечня)	Размер предоставляемой субсидии уменьшается пропорционально увеличению процентной ставки по кредитному договору, которое инициирует КО в ответ на нарушение заемщиком условий обслуживания займа
Предельная стоимость недвижимости, на покупку которой выдавались займы	8 млн. руб. для Москвы, МО и Санкт-Петербурга и 3 млн. руб. для остальных регионов



Приложение 2

Тест Бройша-Пагана на выявление гетероскедастичности

Объясняющая переменная	Модель	STAT	Pvalue	Вывод
ROA	FE	0.000024	0	Reject H0
RES/CA	RE	30900.8	0	Reject H0
ROE	FE	0.00074	0	Reject H0
SOL	RE	25264.2	0	Reject H0
H0: homoscedastic errors	H1: heteroscedastic errors



Приложение 3

Тест на выявление серийной автокорреляции

Объясняющая переменная	Модель	STAT	Pvalue	Вывод
ROA	FE	325.5	0	Reject H0
RES/CA	RE	102.7	0	Reject H0
ROE	FE	170.2	0	Reject H0
SOL	RE	30.8	0	Reject H0
H0: no first-order autocorrelation



Приложение 4

Оцененные коэффициенты вздутия дисперсии (VIF)

Переменная	VIF		Tolerance
Ln(programcredits)	10.8	3.28	0.06
Comm* Ln(programcredits)	6.6	2.57	0.15
Public* Ln(programcredits)	2.74	1.66	0.36
Size* Ln(program credits)	6.7	2.59	0.14
Size*RPL	1.3	1.16	0.74
Real interest rate	1.07	1.03	0.93
Leverage ratio	2.31	1.52	0.43
Liquidity risk (NORM_H2)	1.09	1.05	0.91
Capital adequacy ratio	2.34	1.53	0.42
Index of industrial production	1.06	1.03	0.94
Share of reserves for potential losses(RPL)	1.25	1.12	0.79
MEAN VIF	3.38



Приложение 5

Тестирование гипотезы о том, что государственные банки более приспособлены к действию программы

Объясняющая Переменная	Модель		Pvalue	Вывод
ROA	FE	3.98	0.037	Accept H0
RES/CA	RE	3.73	0.054	Accept H0
H0: (ROA):	H0: (RES/CA):



Приложение 6

Гистограмма выданных всеми участвовавшими КО льготных ипотечных кредитов в течение всего периода действия программы (построена в программе STATA)



Приложение 7

Сравнение моделей FE, REи Pooledс объясняемой переменной - ROAи ROE

Переменная	FixedEffect	Randomeffect	Pooled
Ln (Cred)	-0.00093***	-0.000706***	-0.000062
Priv * Ln (Cred)	0.000485***	0.00029***	-0.0001037
Public * Ln (Cred)	0.00076***	0.000406***	-0.000525***
Size * Ln (Cred)	0.000099**	0.000085**	0.000016
Size * RPL	-0.032*	-0.0296**	-0.018***
RIR	-0.1708**	-0.134***	-0.066**
Cap/NA	0.0339***	0.0296**	0.02319***
Norm_H2	-0.000052**	-0.000052**	-0.000057**
Norm_H1	0.000081	0.00006	0.0000956**
IIP	0.023***	0.0207***	0.0159***
RPL	-0.1884***	-0.1324***	-0.0439***
Constant	0.0373***	0.0294***	0.0142***
Wald/	0.163	134.8	0.153
Количество наблюдений: 3684
***-1% significance ** -5% significance * -10% significance

Оценки моделей регрессии с зависимой переменной ROA

Для того, чтобы сравнить модель с фиксированными эффектами с моделью сквозной регрессии, был применен тест Вальда, проверяющий гипотезу о равенстве нулю всех индивидуальных эффектов ПрограммаSTATA автоматически проверяет данную гипотезу одновременно с оцениванием модели с фиксированными эффектами.. Было получено, что F(180, 3492) = 25.89 и Pvalue = 0.0000, что значит, что модель c фиксированными эффектами, как и следовало ожидать, лучше описывает данные, чем модель сквозной регрессии.

Для того, чтобы сравнить модель cо случайными эффектами с моделью сквозной регрессии, был использован тест Бройша-Пагана. Согласно полученным результатам, на 1-но процентном уровне значимости нулевая гипотеза о том, что дисперсия случайных эффектов равна нулю, отвергается, что значит, что модель со случайными эффектами также лучше описывает используемые данные, нежели модель сквозной регрессии.

Тест Бройша-Пагана

Объясняющая Переменная/Модель	Pvalue	Выбранная модель
ROA	0.00	Random effect
ROE	0.00	Random effect
H0: RE model does not better than Pooled model

Тест Хаусмана

Объясняющая Переменная		Pvalue	Вывод
ROA	113.00	0.00	Reject H0
ROE	56.23	0.00	Reject H0
H1: FE model is more suitable	H0: RE model more suitable

И, наконец, для того, чтобы сравнить модели с фиксированными и случайными эффектами был использован тест Хаусмана, построенный на сравнении оценок моделей. Полученная статистикасвидетельствует на любом разумном уровне значимости в пользу альтернативной гипотезы о том, модель с фиксированными эффектами лучше описывает данные по сравнению с моделью со случайными эффектами.

То, что среди трех рассмотренных моделей на 5-ти процентном уровне значимости лучшей оказалась модель с фиксированными эффектами, является вполне закономерным, ввиду того, что для проведения анализа была составлена фиксированная выборка, состав которой не менялся во времени. С учетом того, что выборка из банков-участников программы невелика, принято считать, что качество подгонки моделей удовлетворительно.



Приложение 8

Сравнение моделей FE, REи Pooledс объясняемой переменной - RPL и SOL

Переменная	FixedEffect	Randomeffect	Pooled
Ln (Cred)	0.00188***	0.00178***	0.00065**
Priv * Ln (Cred)	-0.000554***	-0.00048**	0.000092
Public * Ln (Cred)	-0.000665*	-0.00058*	0.000465***
Size * Ln (Cred)	-0.00035***	-0.00036***	-0.000675***
Size * SOL	0.141***	0.1419***	0.1699***
RIR	-0.432***	-0.4294***	-0.328***
Norm_H2	0.00000537***	0.0000054***	0.0000083***
Norm_H1	0.0000762	0.0000655	-0.000338***
IIP	0.0229***	0.0225***	0.00966
Constant	0.1012***	0.1013***	0.097***
Wald/	0.29	150.58	0.278
***-1% significance ** -5% significance * -10% significance

Оценки регрессий с зависимой переменнойRPL.

Согласно тесту Вальда, на 5-ти процентном уровне значимости, модель с фиксированными эффектами лучше описывает данные, чем сквозная регрессия. Согласно тесту Бройша-Пагана, на 5-ти процентном уровне значимости модель со случайными эффектами лучше описывает данные, по сравнению со сквозной моделью. Тест Хаусмана говорит о том, что наиболее предпочтительной является модель со случайными эффектами.

Тест Бройша-Пагана

Объясняющая Переменная/Модель	Pvalue	Выбранная модель
RPL	0.00	Random effect
SOL	0.00	Random effect
H0: RE model does not better than Pooled model



Тест Хаусмана

Объясняющая Переменная		Pvalue	Вывод
RPL	10.68	0.22	Accept H0
SOL	13.07	0.18	Accept H0
H1: FE model is more suitable	H0: RE model more suitable

Размещено на Allbest.ur