Можно отметить интересные наблюдения по выбранной авторами базе данных. Так, в 1999 году, менее 29% немецких банков использовали деривативы, тогда как в 2010 году процент увеличился до 48%. Важен размер банка - в квартиле с наименьшим размером процентными деривативами пользовались только 10% банков, тогда как в квартиле с наибольшим - 65%.

Интересно, что статистика заметно отличается от российской статистики по банкам. Так займы физическим лицам составляют более 61% от общих активов, депозиты физических лиц - 37% от общих обязательств.

По итогам их исследования стоит отметить что изменения весов статей баланса и ценовые общебанковские изменения объясняют только 41,8% от изменений ЧПМ, все остальное приходится на специфику данного конкретного банка и (немного) на ошибки модели. Из них около 30% приходится на ценовые изменения и только около 10% на изменения весов статей баланса.

1.6 Анализ банковского сектора РФ

Наряду с комиссионными доходами чистая процентная маржа является одним из основных источников прибыли банка. Как показывает практика, с ростом конкуренции в банковском секторе и усилением контроля со стороны регуляторных органов, увеличивается доля комиссионных доходов.

В России преобладает доля процентных, хотя уже в 2011 году в рэнкинге топ-100 по размеру активов у 34 банков комиссионный доход превысил процентный. Для целей данного рейтинга чистый комиссионный доход был рассчитан как сумма комиссионных вознаграждений, доходов от открытия и ведения банковских счетов, расчетного и кассового обслуживания клиентов, доходов от выдачи банковских гарантий и поручительств за вычетом комиссионных сборов. Чистый процентный доход рассчитан как разница процентных доходов (по предоставленным кредитам, прочим размещенным средствам, денежным средствам на счетах, размещенным депозитам) и процентных расходов (по полученным кредитам, денежным средствам на банковских счетах клиентов, депозитам, прочим привлеченным средствам).

Соотношение комиссионного и процентного дохода зависит от общей обстановки в секторе и степени конкуренции, текущей бизнес модели банка, состояния экономики в стране и мире. При стабильном росте растет ВВП, что приводит к увеличению оборотов в банках и росту комиссионные доходы в номинальном выражении. Банк зарабатывает спред по деньгам, полученным через депозиты, выдавая их в кредит. В свою очередь при стабильной ситуации на рынке кредитов, конкуренция растет, ставки по кредитам падают, опережая снижение стоимости фондирования, за счет чего опять же чистые процентные доходы сокращаются. Кредитные доходы также снижаются во время кризиса за счет уменьшения кредитных портфелей и ухудшения их качества: немалая часть портфелей становится необслуживаемой.

Для понимания состояния и структуры банковской системы Российской Федерации проанализируем структуру кредитов, депозитов и прибыли агрегированного банковского сектора России по состоянию на апрель 2016 года.

На рис. показаны агрегированные активы банковского сектора, для сравнения совмещенные с показателем ВВП, а также отношение активов к ВВП в динамике за 2011-2015 гг. Можно увидеть, что рост ВВП значительно замедлился, при этом, несмотря на то, что темпы роста активов также снизились, они все равно опережают темпы роста ВВП. В 2015 году соотношение банковских активов к ВВП достигло 103%, что тем не менее мало, в развитых странах этот показатель равен 200-300%. На Рис. Можно увидеть отношение выданных займов к активам, которое остается практически на неизменном уровне, а также к ВВП за аналогичный период.



ВВП РФ, активы банковского сектора, отношение агрегированных активов к ВВП (данные Банка России)

Кредиты и займы выданные в процентном отношении к активам банковского сектора и к ВВП (данные Банка России)

В таблице 1 можно проследить темпы изменения ряда показателей банковского сектора с 2007 по 2015 год. В частности, можно увидеть замедление роста активов в 2009 и 2015 году, а также сокращение кредитов, выданных физическим лицам в эти годы, резкое уменьшение роста агрегированных вкладов физических лиц в 2014, связанное с девальвацией российской валюты из-за резкого падения цены на нефть и таких макроэкономических факторов как введение санкций против Российской Федерации.

Таблица 1. Темпы прироста показателей банковского сектора, % за год (данные Банка России)

Показатель	2007	2008	2009	2010	2011	2012	2013	2014	2015
Активы	44,1	39,2	5	14,9	23,1	18,9	16	35,2	6,9
Капитал	57,8	42,7	21,2	2,4	10,8	16,6	15,6	12,2	13,6
Кредиты, предоставленные нефинансовым организациям	51,5	34,3	0,3	12,1	26	12,7	12,7	31,3	12,7
Кредиты, предоставленные физическим лицам	57,8	35,2	-11	14,3	35,9	39,4	28,7	13,8	-5,7
Вклады физических лиц	35,4	14,5	26,7	31,2	20,9	20	19	9,4	25,2
Средства, привлеченные от организаций	47,2	24,4	8,9	16,4	25,8	11,8	13,7	40,6	13,7

Начиная с 2014 года Банком России была начата политика оздоровления банковского сектора. Все банковские организации подверглись усиленному контролю и проверкам на предмет несоответствия требованиям регуляторного органа к нормативам достаточности капитала и ликвидности, а также на участие в отмывании денежных средств, предоставление недостоверной отчетности, недосоздание резервов, отвечающих высокорискованной кредитной политике банка. В результате этого с начала 2014 года было отозвано 147 банковских лицензий - столько же, сколько было отозвано Банком России за все время до этого. При этом тенденции таковы, что сокращение действующих банков в регионах РФ происходит стремительней, чем в Москве и Московской области, что сигнализирует о тенденции усиления отхода от локальных банков и перехода к их централизации. Это также может быть связано с ужесточением требований для небольших банков, в частности требования по минимальному размеру капитала - с 1 января 2015 года этот показатель равен 300 миллионам рублей. Проследить динамику изменения количества банковских организаций можно на рисунке.

Количество действующих и отозванных банков в динамике (данные Банка России)

Банковская отрасль России является сильно концентрированной, и эта тенденция продолжает усиливаться, что видно в Таблице 2. Это происходит в связи с тем, что, как было отмечено выше, маленьким банкам сложно продолжать свою деятельность в среде ужесточающихся требований регулятора и при этом сохранять свою конкурентоспособность с крупными федеральными банками. Также, по причине участившихся отзывов банковских лицензий, многие организации и физические лица перенесли свои активы в более надежные крупные банки.

Таблица 2. Концентрация активов по банковскому сектору России (действующие кредитные организации)

Распределение кредитных организаций, ранжированных по величине активов	1.01.14		1.01.15	1.01.16
	млрд. руб.	в% к итогу	млрд. руб.	в% к итогу	млрд. руб.	в% к итогу
Первые 5	30 235	52,7	41 593	53,6	44 883	54,1
С 6 по 20	10 905	19	16 674	21,5	17 925	21,6
С 21 по 50	6 383	11,1	8 259	10,6	9 391	11,3
С 51 по 200	6 982	12,2	8 406	10,8	8 484	10,2
С 201 по 500	2 376	4,1	2 309	3	2 060	2,5
С 501	539	0,9	409	0,5	254	0,3
Итого	57 423	100	77 652	100	82 999	100

Анализируя структуру доходов и расходов банковского сектора за период 2013-2015 гг. видно резкое увеличение доли доходов и расходов по операциям с иностранной валютой, что связано с резким падением курса рубля, начавшимся во второй половине 2014 года. Также заметен рост процентного дохода по юридическим лицам, показывающий увеличение на 67% за 2 года, процентные доходы по физическим лицам при этом остаются на прежнем уровне, также практически не меняется размер комиссионных доходов. Что касается структуры расходов, то здесь увеличение процентных расходов наблюдается как по юридическим, так и по физическим лицам, однако по юридическим лицам рост опять же выше. Произошло значительное увеличение доходов и расходов, связанных с отчислением средств в резерв на возможные потери по ссудам и восстановлению средств из резерва. Это происходит в связи со значительным ухудшением кредитного портфеля банков на фоне текущего финансового кризиса. Норматив начисления резервов на возможные потери по ссудам зависит как от качества обслуживания долга, так и от финансового состояния заемщика, которое, за последние два года, значительно ухудшилось по большинству компаний. Качество обслуживание долга также снизилось. Особенно ярко это проявляется в случае выдачи кредитов в иностранной валюте организациям, чьи денежные потоки происходят в российских рублях.



Таблица 3. Структура доходов и расходов агрегированного банковского сектора

	1.01.14	1.01.15	1.01.16
	трлн. руб.	в% к доходам / расходам всего	трлн. руб.	в% к доходам / расходам всего	трлн. руб.	в% к доходам / расходам всего
1. Доходы - всего	31	100	110	100	192	100
% доходы по юр. лицам	2,4	7,7	2,9	2,7	4	2,1
% доходы по физ. лицам	1,6	5,1	1,8	1,7	1,8	0,9
Доходы по ц/б	1,9	6,1	2,6	2,4	1,4	0,7
Доходы по ин. валюте	17,9	57,5	91,2	82,6	169	88,1
Комиссионные доходы	0,8	2,6	0,9	0,8	0,9	0,5
Восстановление резервов	4,8	15,6	6,1	5,5	9,4	4,9
2. Расходы - всего	30	100	110	100	192	100
% расходы по юр. лицам	1,1	3,8	1,7	1,6	2,7	1,4
% расходы по физ. лицам	0,9	2,9	0,9	0,8	1,5	0,8
расходы по ц/б	1,6	5,2	2,4	2,2	0,7	0,4
расходы по ин. валюте	17,7	59,1	90,8	82,7	168,6	87,9
Комиссионные сборы	0,2	0,5	0,2	0,2	0,2	0,1
Отчисления в резервы	5,4	18,1	7,6	6,9	11,1	5,8
Организационные и управленческие расходы	1,2	3,9	1,2	1,1	1,2	0,6

Также, анализируя таблицу 2 в совокупности с таблицей 1 можно наглядно увидеть то, что агрегированные процентные расходы по привлеченным средствам юридических лиц значительно выше, чем по средствам физических лиц, в то время как средства, привлеченные от физических лиц, превышают средства, привлеченные от юридических лиц, что подтверждает гипотезу о большем процентном спреде для розничного бизнеса в сравнении с корпоративным.



2. Эмпирическое исследования

2.1 Методология проведения оценки влияния санкций на банковскую систему России

Целью данной работы является определение факторов, влияющих на формирование чистой процентной маржи российских банков. В соответствии с поставленной целью был исследован вопрос определения чистой процентной маржи, проведен сравнительный анализ ее динамики по странам мира, изучены проведенные ранее теоретические и эмпирические исследования по данной тематике, а также оценено состояние банковского сектора в России и динамика его развития.

Чтобы выполнить поставленную задачу, необходимо определить независимые переменные модели, которые могут оказывать влияние на формирование чистой процентной маржи, определить выборку, на которой будет проводиться эмпирическое исследование, составить модель оценки факторов, задать гипотезы, которые мы предполагаем подтвердить в ходе данного исследования.

Для оценки влияния факторов на чистую процентную маржу банка, мной будут использованы панельные ежеквартальные данные по 664 российским банкам за период с 1 квартала 2011 года по 4 квартал 2015 года. Эконометрическое исследование факторов будет проводиться посредством пакета анализа Stata.

Чистая процентная маржа может рассчитываться как чистые процентные доходы (процентные доходы минус процентные доходы) к активам/ активам, работающим активам/ активам, очищенных от резервов. В моей работе я буду пользоваться последним методом.

?Все данные получены и систематизированы из открытого источника - официальных данных, ежемесячно предоставляемых Банком России на своем официальном сайте.

При выборе детерминант, я руководствовалась результатами ранее приведенных мной исследований, которые проводились на европейских и американских банковских рынках.

Как показали предыдущие исследования, нужно уделить особенное внимание специализации банка, его эффективности и кредитоспособности.

Моя модель построена на основе базовой модели Хо и Саундерса.

Детерминанты чистого спреда в рамках моего исследования определялись как:

- Значение зависимой переменной в предыдущем периоде (NIM_t-1);

- Рискованность кредитного портфеля, определяемая как отношение проблемных кредитов физических лиц к выданным кредитам физическим лицам (NPLRC) и юридических лиц к выданным кредитам юридическим лицам (NPLRO), а также используя норматив Н7 (максимальный размер крупных кредитных рисков). Банки, которые инвестируют в более рискованные проекты устанавливают более высокий процент по кредитам для компенсации высокого процента плохих займов, которые придется списывать;

- Риск ликвидности, рассчитываемый при помощи норматива текущей ликвидности (N3);

- Риск процентной ставки (IRR), определяемый как разница между ставкой по трехмесячному показателю Mosprime и ставкой по потребительским депозитам.

- Индекс Херфиндаля-Хиршмана (HHI), определяет концентрацию рынка, согласно традиционной гипотезе SCP считается что он положительно влияет на чистую процентную маржу;

Прочие внутрибанковские факторы:

- Неэффективность, определяемая как отношение операционных расходов к валовому доходу (OCR), чем больше операционная неэффективность банка, тем больше соответственно должна быть маржа для ее покрытия;

- Норматив достаточности капитала (N1). Согласно ранее проведенным исследованиям (Berger, 1995) данный показатель увеличивает маржу;

- Размер банка, отраженный как логарифм общих активов банка (LAssets). В качестве показателя размера активов учитываем очищенные активы, состоящие из следующих статей: денежные средства, средства в ЦБ РФ, чистые средства в кредитных организациях, чистая ссудная задолженность (очищенная от резервов), финансовые активы по справедливой стоимости, чистые вложения в ценные бумаги, удерживаемые до погашения, чистые вложения в ценные бумаги, имеющиеся в наличии для продажи, основные средства, нематериальные активы и материальные запасы, средства в расчетах, дебиторская задолженность, требования по получению процентов, прочие активы за вычетом резервов на возможные потери, отложенный налог на прибыль;

- Зависимость от межбанковских кредитов (IBL) - как показатель эффективности привлечения средств банком;

Факторы, определяющие спецификацию банка:

- Отношение всех выданных кредитов к общим активам банка (LAR). При увеличении специализации банка на традиционной банковской активности, эффективность в ней также может вырасти и банки будут показывать более низкую процентную маржу. Это объясняется тем, что специализация на кредитовании обеспечивает информационные преимущества, которые, в свою очередь, могут снижать издержки посредничества, и как результат, маржу (Berlin and Mester, 1999);

- Отношение депозитов к общим обязательствам (DLR). Согласно Berlin and Mester, 1999, связь между этим показателем и маржой может быть как отрицательной - в случае если депозиты не являются убыточным продуктом, или положительной - в обратном случае ();

- Отношение непрофильных активов к общим активам (NCA) - показывает имеет ли банк в балансе крупную долю основных средств, недвижимость (имущества), нематериальных активов и материальных запасов. Высокий процент может свидетельствовать о рискованной политике банка, т.к. рассматриваемые средства обычно не приносят доход. Обычное значение показателя для российских банков составляет порядка 5-10%. Если доля более 15%, то структура активов отягощена имеющейся недвижимостью;

- Доля депозитов до востребования (CDR) - по моему мнению повышает риск процентной ставки, соответственно влияние на маржу скорее всего положительно.

Макроэкономические факторы:

- Реальный ВВП (RGDP) в ценах 2008 года (в трлн. руб.) как показатель экономического состояния в стране. Отношение между банковской маржой и ростом зависит от корреляции между ценами, издержками и бизнес циклом. Экономический рост может отрицательно влиять на цены и издержки банка, уровень влияния на оба показателя неочевиден;

- Инфляция (IR) в% как индикатор повышения общего уровня цен на товары и услуги;

- Ключевая ставка Банка России (KR) как процентная ставка, играющая основную роль при установлении процентных ставок по предоставляемым банками кредитам и оказывающая влияние на стоимость фондирования банков.

Чистая процентная маржа берется с лагом, так как маржа имеет тенденцию несколько отставать от изменений на рынке, а также во избежание проблемы эндогенности со специфическими для банка характеристиками (из вектора внутренних переменных).

Эмпирическая спецификация имеет следующий вид:



NIM_it= б_i + в₁ NPLRC _it-1 + в₂ NPLRO _it-1 в₃ N3_it-1 + в₄IRR_it-1 + в₅HHI_it-1 + в₆OCR_it-1 + в₇N1_it-1 + в₈LAssets_it-1 + в₉IBL_it-1 + в₁₀LAR_it-1 + в₁₁DLR_it-1 +

в₁₂NCA_it-1 + + в₁₃СDR_t-1 + в₁₄RGDP_t + в₁₅ KR_t + ?_it,

Наилучший вид зависимостей между зависимыми и независимыми переменными будет определяться в ходе проведения расчетов (линейная, логарифмическая, квадратическая, иная).

При выдвижении гипотез я руководствуюсь идеей о том, что меньшая маржа будет у банков, более эффективно выполняющих функцию перераспределения денежных средств (выдавая кредиты и получая депозиты).

До проведения расчетов выдвигаются следующие гипотезы:

Н1: Рискованность кредитного портфеля оказывает положительное влияние;

Н2: Показатель ликвидности оказывает отрицательное влияние в связи с тем, что в России высокие показатели ликвидности как правило связаны с грамотным управлением банком, что в свою очередь характерней для крупных федеральных банков, нежели для банков регионального значения;

Н3: Риск процентной ставки оказывает положительное влияние;

Н4: Индекс Херфиндаля-Хиршмана оказывает положительное влияние;

Н5: Операционная неэффективность банка оказывает положительное влияние;

Н6: Показатель Н1 оказывает положительное влияние;

Н7: Размер банка оказывает отрицательное влияние;

Н8: Отношение всех выданных кредитов к общим активам банка оказывает отрицательное влияние;

Н9: Отношение депозитов к общим обязательствам оказывает положительное влияние;

Н10: Отношение непрофильных активов к общим активам оказывает положительное влияние;

Н11: Реальный ВВП оказывает отрицательное влияние;

Н12: Ключевая ставка Банка России оказывает положительное влияние.

2.2 Результаты исследования

Собрав все данные, я очистила их от выбросов, используя критерий, равный нормированному отклонению выброса:

,

где:

Т - критерий выброса;

- выделяющееся значение признака (или очень большое или очень малое);

м, - средняя и сигма, рассчитанные для группы, включающей выброс;

T_st - стандартные значения критерия выбросов, определяемых согласно таблице распределения Стьюдента.

Описательные статистики данных до устранения выбросов и после приведены в приложениях 2, 3.

После этого, я проверила корреляционные взаимосвязи между переменными, используя корреляционную таблицу. В результате полученных взаимосвязей мне пришлось исключить следующие переменные: показатель, рассчитываемый как норматив Н7 и размер инфляции.

Корреляционная таблица приведена в приложении 1.

Далее я загрузила данные в Stata и еще раз проанализировала описательные статистики уже в ней, они приведены в приложении 4.

После этого я построила модель линейной регрессии (pooled regression) переменной NIM на все независимые переменные, используемые в моем исследовании. Нужно отметить, что это сквозная регрессия по всем периодам и всем банкам, она не учитывает панельную структуру данных и оценивается при помощи обычного метода наименьших квадратов.

R квадрат в данной регрессии составил 0,2804. Все регрессоры, кроме показателя отношения депозитов к общим обязательствам и реального ВВП России в ценах 2008 года являются значимыми на всех уровнях значимости.

При этом, согласно результатам, полученным в данной регрессии, все значимые факторы, кроме показателя текущей ликвидности, отношения операционных расходов к валовому доходу, логарифму активов, отношения непрофильных активов к общим активам и ключевой ставки процента оказывают на маржу положительное влияние.

Далее я перешла к анализу данных, предоставленных в панельном формате, задав временную компоненту Period и пространственную компоненту Bank.

Первой регрессией, проведенной в рамках панельного анализа данных, была регрессия between, которая представляет собой переписанную в терминах усредненных по времени значений переменных исходную модель, оцениваемую при помощи обыкновенного метода наименьших квадратов.

Результаты регрессии between показаны в приложении 5.

В данном случае значение R-квадрат between отражает качество подгонки регрессии и его значение больше чем в сквозной регрессии (0,3375), т.е. изменение средних по времени показателей для каждого банка оказывает более существенное влияние на каждую переменную, нежели временные колебания этих показателей относительно средних.

Однако, по итогу данной регрессии, значимых переменных стало намного меньше. Незначимыми переменными при 10% уровне значимости являются отношение проблемных кредитов юридических лиц по отношению ко всем выданным юридическим лицам кредитам, уровень текущей ликвидности, определяемый согласно методике расчета норматива N3, риск процентной ставки, исчисляемый как ставка на межбанковском рынке (Mosprime 3m) минус усредненная ставка конкретного банка по депозитам физических лиц, показатель зависимости от межбанковских кредитов, отношение депозитов до востребования к общим депозитам банка, показатель ключевой ставки процента, по прежнему незначимы показатель доли депозитов в общих обязательствах банка и реальный ВВП РФ в ценах 2008 года.

При этом, зависимость переменных осталась прежней: как и в сквозной регрессии все значимые факторы, кроме показателя текущей ликвидности, отношения операционных расходов к валовому доходу, логарифму активов, отношения непрофильных активов к общим активам оказывают на маржу положительное влияние.

Следующим пунктом я оценила регрессию within или модель с детерминированными эффектами. Регрессия within - это исходная регрессионная модель, переписанная в терминах отклонений от средних по времени значений переменных. Ее оценивание также происходит при использовании метода наименьших квадратов.

Результаты регрессии within показаны в приложении 6.

Согласно результатам оценки данной регрессии, коэффициент детерминации R квадрат составляет 0,1915, что более чем в полтора раза меньше, чем в модели between, что может свидетельствовать о том, что в рамках составленной модели динамические различия проявляются менее сильно, чем межбанковские различия, что говорит о том, что предпочтительнее оценивать модель, учитывая индивидуальные эффекты.

Все переменные являются значимыми на 10 процентном уровне значимости, за исключением проблемных кредитов юридических лиц по отношению ко всем выданным юридическим лицам кредитам и индекса Херфиндаля - Хиршмана.

По-прежнему оказывают отрицательное воздействие на маржу отношение операционных расходов к валовому доходу, показатель текущей ликвидности, отношение непрофильных активов к общим активам, логарифм активов и ключевая ставка процента.

При этом отношение проблемных кредитов физических лиц к общим выданным кредитам физическим лицам, отношение депозитов к общим обязательствам стали показывать отрицательное воздействие на маржу.

Следующим шагом стало оценивание модели со случайными эффектами.

Данная модель считается компромиссом между сквозной регрессией и моделью с детерминированными эффектами. Для оценивания такой регрессии применяется обобщенный метод наименьших квадратов.

Результаты данной оценки приведены в приложении 7.

О значимости данной регрессии свидетельствует высокое (1723,47) значение статистики Wald-Chi.

Все показатели кроме проблемных кредитов юридических лиц по отношению ко всем выданным юридическим лицам кредитам являются значимыми на уровне значимости 5%.

Как и в предыдущих оценках на маржу оказывают отрицательное воздействие отношение операционных расходов к валовому доходу, показатель текущей ликвидности, отношение непрофильных активов к общим активам, логарифм активов и ключевая ставка процента. Также, как и в модели с детерминированными эффектами, в этой модели отрицательное воздействие оказывают отношение депозитов к общим обязательствам, отношение проблемных кредитов физических лиц к общим выданным кредитам физическим лицам.

Оценив мою модель тремя способами - при помощи сквозной регрессии, регрессии с фиксированными индивидуальными эффектами и регрессией со случайными индивидуальными эффектами, я столкнулась с необходимостью выбрать наиболее адекватно оценивающий модель способ оценки.

В этих целях мной были проведены три теста:

1) Тест Вальда - для сравнения модели с фиксированными эффектами и сквозной регрессией;

2) Тест Бройша-Пагана - для сравнения модели со случайными эффектами и сквозной регрессии;

3) Тест Хаусмана - для сравнения моделей со случайными и фиксированными эффектами.

Результаты теста Вальда отражены в приложении 6 (оценка регрессии within):

F test that all u_i=0: F (512, 6476) = 35.80 Prob > F = 0.0000

Поскольку p-уровень<0.01, в целях моей работы, данные лучше описывает модель с фиксированными эффектами, а не сквозная регрессия.

Результаты теста Бройша-Пагана приведены в приложении 8.

Так как p-уровень <0.01, то модель со случайными эффектами лучше описывает данные, чем модель сквозной регрессии.

Результаты теста Хаусмана приведены в приложении 9.

Так как p-уровень <0.01, то модель со случайными эффектами хуже описывает данные, чем модель с фиксированными эффектами (within).

Итак, согласно проведенным статистическим тестам, наиболее качественно регрессию оценивает модель с фиксированными эффектами.

Проверим подтверждение гипотез, выдвинутых перед эмпирическим исследованием:

Н1: Рискованность кредитного портфеля оказывает положительное влияние, так как ставки по рискованным кредитам выше - опровергнута;

Н2: Показатель ликвидности оказывает отрицательное влияние в связи с тем, что в России высокие показатели ликвидности как правило связаны с грамотным управлением банком, что в свою очередь характерней для крупных федеральных банков, нежели для банков регионального значения - подтверждена;

Н3: Риск процентной ставки оказывает положительное влияние - подтверждена;

Н4: Индекс Херфиндаля-Хиршмана оказывает положительное влияние - влияние показателя незначимо;

Н5: Операционная неэффективность банка оказывает положительное влияние - опровергнута;

Н6: Показатель Н1 оказывает положительное влияние - подтверждена;

Н7: Размер банка оказывает отрицательное влияние - подтверждена;

Н8: Отношение всех выданных кредитов к общим активам банка оказывает отрицательное влияние - опровергнута;

Н9: Отношение депозитов к общим обязательствам оказывает положительное влияние - опровергнута;

Н10: Отношение непрофильных активов к общим активам оказывает положительное влияние - опровергнута;

Н11: Реальный ВВП оказывает отрицательное влияние - опровергнута;

Н12: Ключевая ставка Банка России оказывает положительное влияние - опровергнута.



Заключение

Мое исследование представляет первое полное исследование факторов, влияющих на чистую процентную маржу российских банков.

Результаты исследования по некоторым факторам оказались достаточно неожиданными. Так, неожиданным было обнаружить отрицательное влияние отношение операционных издержек (рассчитываемых как сумма управленческих, административных расходов и расходов на выплату заработной платы сотрудникам) к валовому доходу на чистую процентную маржу. Положительное влияние данного фактора ожидалось в связи с теоретической трансмиссией данных расходов на клиентов через повышенные ставки по кредитам. Возможно подобный результат связан с тем, что неэффективные банки тем не менее действуют в условиях достаточно жесткой конкуренции, и, следовательно, в борьбе за потребителя, не имеют возможности наращивать маржу для компенсации своих издержек. Аналогичные причины могут являться результатом выявленного отрицательного влияния отношения непрофильных активов к общим активам банка на маржу.

Отрицательное влияние кредитного риска на маржу возможно связано с тем, что банки плохо контролируют кредитный риск при установлении процентной маржи / процентного спреда. Также это может обозначать агрессивную стратегию банков, которые борются за долю на рынке и таким образом принимают высокий кредитный риск без изменения своей маржи.

Отрицательное влияние размера банка на маржу я связываю с тем, что благодаря экономии на масштабе, большие банки более эффективны, и соответственно могут позволить себе менее высокую маржу при сохранении своей рентабельности.

Отрицательное влияние ключевой ставки процента на маржу может быть обусловлено тем, что в первую очередь и в большей степени данная ставка влияет на ставку по относительно краткосрочным депозитам, нежели на ставку более устойчивого к изменениям кредитного портфеля.

Выводы из исследования следующее: банковский сектор сегодня - сложная многогранная система, и различные гипотезы, которые кажутся очевидными при теоретических размышлениях, на практике зачастую опровергаются. Соответственно при анализе маржи и ее перспектив необходим комплексный практический анализ всех возможных факторов. Опираться только на ставки процента по кредитам и по депозитам не является достаточным.



Список использованной литературы

1. Pyle D.H. On the theory of Financial Intermediation. // Journal of Finance, Vol. 28 (Jun. 1971), pp. 737-747

2. Thomas S.Y. Ho and Anthony Saunders The Determinants of Bank Interest Margins: Theory and Empirical Evidence // The Journal of Financial and Quantitative Analysis, Vol. 16, No. 4, (Nov., 1981) pp. 581-600

3. Linda Allen The Determinants of Bank Interest Margins: A Note // The Journal of Financial and Quantitative Analysis, Vol. 23, No. 2 (Jun., 1988), pp. 231-235

4. Berger, A., 1995. The Profit Structure Relationship in Banking. Tests of MarketPower and Efficient-Structure Hypotheses. Journal of Money, Credit, and Banking 27, 404-431

5. Kashyap, Stein and Wilcox Monetary policy and credit conditions: evidence from the composition of external finance // The American economic review, (Mar., 1995) 83 (1), pp. 78-985.

6. Petersen, M.A., Rajan, R., 1995. The effect of credit market competition on lending relationships. The Quarterly Journal of Economics 42, 407-444

7. Angbanzo, L. Commercial bank net interest margins, default risk, interest-rate risk and off-balance sheet banking // Journal of Banking and Finance (1997) 21, pp. 55-87.

8. Angelini, P. & Di Salvo, R. & Ferri, G. Availability and cost of credit for small businesses: Customer relationships and credit cooperatives // Journal of Banking & Finance, Elsevier, (Aug., 1998) vol. 22 (6-8), pp. 925-954

9. Berlin, M., Mester, L.J., 1999. Deposits and Relationship Lending. The Review of Financial Studies 12, 579-607.

10. Kevin Rogers, Joseph F. Sinkey Jr An analysis of nontraditional activities at U.S. commercial banks // Review of Financial Economics (Jun., 1999); 8 (1), pp. 25-39

11. Saunders, A., Schumacher, L. 2000. The determinants of bank interest rate margins: an international study. Journal of International Money and Finance 19, 813-832.

12. Altunbas, Y., Evans, L., Molyneux, P., 2001. Bank ownership and efficiency. Journal of Money, Credit and Banking 33, 925-954.

13. Carbу, S., Humphrey, D., Rodriguez, F., 2003. Deregulation, bank competition and regional growth. Regional Studies 37, 227-237.

14. Leonardo Gambacorta, 2004. How do banks set rates? European Economic Review, Elsevier, vol. 52 (5), pages 792-819

15. Carbo Valverde, Rodriguez Fernandez The determinants of bank margins in European banking // Journal of Banking & Finance (Jule 2007) 31, pp. 2043-2063

16. Zuzana Fungбиovб, Tigran Poghosyan, 2009. Determinants of bank interest margins in Russia: Does bank ownership matter? BOFIT Discussion Papers, vol.22

17. Christoph Memmel Andrea Schertler Banks' management of the net interest margin: Evidence from Germany // Deutsche Bundesbank Research Centre Discussion Paper Series 2: Banking and Financial Studies (Mar., 2011), 13/2011

Размещено на Allbest.ru