Минимум

Максимум

Банкроты

Небанкроты

Банкроты

Небанкроты

Банкроты

Небанкроты

Банкроты

Небанкроты

capital

0.24

0.23

0.23

0.21

-1.091

-0.740

11.62

19.02

ln_net_profit

9.03

10.18

1.98

2.31

0.000

0.000

15.78

20.06

roa

0.0002

0.01

0.06

0.03

-2.964

-0.675

0.77

1.17

roe

0.02

0.06

0.30

2.74

-16.687

-32.157

17.69

513.21

n1

24.58

32.26

21.37

101.27

-2.760

0.000

214.05

8198.53

n2

211.74

84248.74

781.71

2874247

0.000

0.000

17367.69

100000000

n3

294014.80

500.90

5413287

9421.11

0.000

0.000

100000000

814510

credit_portf

0.52

0.50

0.23

0.23

0.000

0.000

0.99

0.99

credit_fiz

0.27

0.27

0.26

0.25

0.000

0.000

1.00

1.00

credit_zalog

0.99

1.20

1.92

0.84

0.003

0.000

55.30

19.10

reserv

0.16

0.16

0.15

0.17

0.001

0.000

1.00

1.00

overdue_debtsts

0.04

0.05

0.07

0.10

0.000

0.000

1.00

1.00

overdue_fiz

0.43

0.39

0.37

0.35

0.000

0.000

1.00

1.00

mbk_vyd

3.04

2.94

130.57

250.95

0.000

0.000

15000

58333.33

mbk_privl

0.06

0.09

0.19

0.54

0.000

0.000

6.99

50.72

bonds

0.03

0.03

0.06

0.06

0.000

0.000

0.82

0.78

securities

0.10

0.11

0.14

0.15

0.000

0.000

0.98

0.99

liq_assets

0.22

0.19

0.20

0.19

0.000

0.000

1.00

1.04

depoz_fiz

0.28

0.26

0.23

0.21

0.000

0.000

1.94

1.07

os_nemater

0.06

0.04

0.09

0.06

0.000

0.000

0.98

0.79

ln_assets

14.36

15.35

1.64

2.04

6.08

6.97

19.44

23.89

Банки-банкроты, согласно статистике, в среднем характеризуются большей долей нематериальных и высоколиквидных активов в общей величине активов. Это можно объяснить тем, что для небольших банков, которые больше подвержены риску отзыва лицензии, приходится держать больше ликвидных активов для ограничения риска ликвидности, т.к. крупным банкам легче привлечь необходимые ресурсы в случае необходимости. Что касается нематериальных активов - для небольших банков затраты на открытие новых офисов/приобретение недвижимости или дорогостоящего оборудования в любом случае будут относительно выше, чем для крупных банков. В банках с отозванной лицензией в среднем больший уровень просроченной задолженности по кредитам физических лиц - возможно, ниже требования к заемщикам, и в результате более низкое качество кредитного портфеля.



Рис. 2. Выборочное сравнение средних значений по банкам банкротам и небанкротам

Следующим шагом отбора возможных факторов стала оценка их дискриминационной способности, для чего был использован тест на равенство средних между двумя категориями (группы банков-банкротов и банков-небанкротов) - тест ANOVA (однофакторный дисперсионный анализ). Результаты проведенного теста ANOVA показали, что к дескриптивным переменным (математические ожидания двух групп не равны на 5% уровне значимости) можно отнести практически все факторы, за исключением показателя оборачиваемости собственного капитала, норматива ликвидности Н2, показателя резервирования по кредитному портфелю и соотношение выданных межбанковских кредитов к кредитному портфелю банка. Таким образом, все остальные переменные значимо различаются между выборками банкротов и небанкротов, поэтому их следует включить в модель.

Таблица 6 Результаты проведенного теста ANOVА

Переменная	F	Знач.
Capital	48,34***	,000
net_profit	80,48***	,000
roa	229,63***	,000
roe	3,59*	,060
N1	14,19***	,000
N2	2,12	,145
N3	46,76***	,000
credit_portf	148,83***	,000
credit_fiz	7,24***	,007
credit_zalog	92,53***	,000
Переменная	F	Знач.
Reserv	1,91	,167
overdue_debts	1756,46***	,000
overdue_fiz	137,81***	,000
vyd_mbk	0,013	,911
privl_mbk	124,33***	,000
bonds	35,61***	,000
securities	100,88***	,000
liq_assets	690,2***	,000
depoz_fiz	86,2***	,000
os_nemater	703,31***	,000
ln_assets	5442,49***	,000

Количество звездочек отражает уровень значимости следующим образом: (*) 10%, (**) 5%, (***) 1%

Одним из возможных ограничений, присущих параметрическим методам, является мультиколлинеарность, которая заключается в сильной линейной зависимости между предикторами, что может привести к росту стандартных ошибок модели и в свою очередь затруднить интерпретацию результатов исследования. Для нелинейных моделей, к которым также относится модель логистической регрессии, проблема наличия мультиколлинеарности не столь существенна, однако не стоит допускать слишком высокой взаимозависимости объясняющих переменных.

Перед построением модели необходимо провести дополнительное тестирование на наличие парной корреляции между независимыми переменными для устранения проблемы мультиколлинеарности. Результаты теста представлены в приложении 1.

Высокий показатель парной корреляции наблюдается у показателей норматива Н1.0 и доли собственного капитала банка, что легко объяснимо - норматив Н1.0 представляет собой в общем смысле отношение собственного капитала банка к активам, скорректированных на величину резервов на возможные потери и группы риска. Согласно формуле, приведенной в Инструкции Банка России от 3 декабря 2012 г. N 139-И "Об обязательных нормативах банков", все активы банка делятся на пять групп риска, каждой группе присваивается свой поправочный коэффициент - от 0 до 1,5. Таким образом, из величины каждой группы активов вычитается сформированный резерв, полученная величина умножается на соответствующий поправочный коэффициент. Полученные данные складываются и учитываются в знаменателе формулы. Там же учитывается величина кредитного, рыночного и операционного рисков, умноженных на 10, и некоторые другие показатели, рассчитанные по методикам ЦБ. Центральный Банк РФ достаточно строго относится к соблюдению кредитными организациями норматива Н1.0 и если у банка он становится меньше 8%, ЦБ обязан отозвать у него лицензию (Инструкция Банка России от 3 декабря 2012 г. N 139-И "Об обязательных нормативах банков").

Для включения в модель был выбран показатель Н1.0, т.к. является более информативным по сравнению с обычной долей собственного капитала банка, то есть учитывает специфику и структуру активов банка.

Превышает критическое значение и показатель линейной зависимости логарифма активов банка и его чистой прибыли, что также экономически объяснимо. Активы банка - различные объекты, в которые тот размещает собственные и заемные ресурсы. В активы коммерческого банка входят денежные средства, драгоценные металлы и камни, счета в других кредитных организациях и в ЦБ РФ, вложения в ценные бумаги, кредитный портфель банка, имущественные активы (например, здания, земля, оборудование) и др. Банк размещает средства в те или иные активы, чтобы получить прибыль и успешно рассчитываться по своим обязательствам. Для дальнейшего анализа был выбран показатель размера банка, т.к. является базовым в большинстве исследований по оценке банкротства банков.

Стоит дополнительно отметить, что между некоторыми парами индикаторов показатели взаимной корреляции значительно выше, хоть и не превышают порогового уровня [0,7] - так например, у логарифма активов банка и долей собственного капитала, а также схожего по экономическому смыслу обязательного норматива Н1.0 значение линейной зависимости составляет почти -0.6, то есть у небольших банков доля собственного капитала в среднем выше, чем у крупных. Поддержание небольшими банками доли собственного капитала на более высоком уровне связано, прежде всего, с большей вероятностью возникновения у них кризисных ситуаций и их последствиями. Кроме того, собственный капитал банка является главным источником формирования и развития материальной базы финансовой организации, который обеспечивает необходимые условия для организационного роста кредитной организации. Другими словами, новые банки нуждаются в средствах для покрытия первоочередных расходов, таких как приобретение или аренда помещения для ведения деятельности, закуп необходимой техники, оборудования и т.д. В роли стартовых средств для возмещения подобных затрат выступает образованный на этапе создания собственный капитал банка.

Отметим также отрицательную корреляцию показателя размера банка и доли собственного капитала. Это объясняется тем, что при большем объеме активов банку и правда требуется меньшее значение собственного капитала в активах для обеспечения финансовой устойчивости. Для устойчивости такого банка требуется и меньший уровень ликвидности (отрицательная зависимость с долей ликвидных активов), потому как крупному банку, хорошо и давно известному на рынке легче привлечь необходимый объем ресурсов при необходимости, т.к. он проводит большое количество межбанковских операций. Можно предположить, что у крупных банков лучше качество кредитного портфеля - поэтому получена обратная зависимость с уровнем просроченной задолженности и обеспеченности кредитов залогом имущества, вероятно, кредиты у таких банков менее рисковые, и скорее всего их сложнее получить, выше и жестче требования к заемщикам.

Прежде чем перейти к построению модели, был проведен графический анализ распределения финансовых показателей. Графики плотности распределения представлены в приложении 2. Удаление нескольких выделяющихся наблюдений не позволяет приблизить распределения данных к нормальному, поэтому, с целью сохранения общности, ограничения на данные не накладывались. Наиболее близкое к нормальному распределения имеют доля кредитов и логарифм валюты баланса.

В итоге для построения первоначальной логит-модели были отобраны следующие факторы: обязательные нормативы Н1.0 и Н3, логарифм активов банка, показатель оборачиваемости активов, уровень просроченной задолженности в портфеле и отдельно по физическим лицам, доля кредитов и депозитов физическим лицам и обеспеченных залогом обязательств, отношение привлеченных межбанковских кредитов и кредитного портфеля к валюте баланса, доля выпущенных облигаций и вложений в ценные бумаги, доли ликвидных активов, основных средств и нематериальных активов к общей величине активов.

Оценки коэффициентов модели приведены в Таблице 8. Показатели доли основных средств и нематериальных активов, вложений в ценные бумаги в структуре активов, уровень просроченной задолженности по кредитному портфелю и объем привлеченных межбанковских кредитов к валюте баланса, оказались незначимыми на уровне 10%, поэтому были исключены из дальнейшего анализа. Показатели норматива Н3 и размера кредитного портфеля банка относительно активов оказались значимыми только на уровне 5%, остальные индикаторы значимы на 1% уровне.

Таблица 7. Оценка коэффициентов модели (после исключения незначимых факторов)

Переменная	Коэффициент	P>|z|	[95% Доверительный интервал]
Оборачиваемость активов	-3.47***	0.002	-5.62	-1.32
Н1.0	-0.03***	0.00	-0.03	-0.02
Н3	0.00**	0.011	0.00	0.00
Кредитный портфель	0.53**	0.015	0.10	0.97
Доля кредитов ФЛ	-0.81***	0.00	-1.08	-0.54
Обеспеченность кредитов залогом	-0.89***	0.00	-1.33	-0.45
Просроченная задолженность ФЛ	0.37***	0.00	0.19	0.56
Доля выпущенных облигаций	3.38***	0.00	2.38	4.39
Доля ликвидных активов	1.60***	0.00	1.07	2.12
Доля депозитов ФЛ	1.96***	0.00	1.48	2.44
Размер банка	-0.51***	0.00	-0.58	-0.44
Константа	6.51***	0.00	4.91	8.11

Количество звездочек отражает уровень значимости следующим образом: (*) 10%, (**) 5%, (***) 1%

Полученные результаты говорят о том, что увеличение доли собственного капитала, кредитов населению и уровня обеспеченности кредитов имущественным залогом, а также рост оборачиваемости активов банка и общей величины активов приводят к повышению финансовой устойчивости банка и снижению вероятности его банкротства (отрицательные значения коэффициентов данных индикаторов свидетельствуют об обратной зависимости). Полученные данные не противоречат результатам предыдущих исследований по оценке банкротства банков.

Согласно построенной модели, доля выпущенных банком облигаций в общем объеме пассивов оказывает противоположное влияние на потенциальную вероятность банкротства кредитной организации, то есть ее изменение в большую сторону может привести к ухудшению финансового состояния.

Прямая связь с вероятностью банкротства также обнаружена у показателя доли кредитного портфеля и депозитов физических лиц в общей структуре активов. Можно предположить, что большой кредитный портфель по отношению к активам параллельно несет высокие кредитные риски для банка, в случае если часть заемщиков столкнется с дефолтом или кризисными условиями в экономике. В части депозитов - полученный результат можно объяснить тем, что среди банков-дефолтов наблюдается практика, когда банки пытаются разрешить текущие финансовые проблемы в своей деятельности, привлекая денежные ресурсы от населения с помощью высоких ставок. По мнению предыдущего руководителя Агентства по страхованию вкладов Александра Турбанова, высокие ставки являются сигналом повышенной рискованности банка. Тем не менее, подобные банки пользуются некоторой популярностью у населения, отчасти это объясняется уверенностью вкладчиков в возврате средств от АСВ [Выпуск новостей от 21.12.2016 пресс-центра Российского союза промышленников и предпринимателей. «Отзывы лицензий обойдутся банковской системе в 1 трлн рублей». Режим доступа: rspp.ru/news/view/8624].

Помимо размера кредитного портфеля необходимо учитывать его качество, что может проявляться в доле от общего размера выданных займов просроченной задолженности. В данном случае наблюдается положительная зависимость между уровнем просроченной задолженности по кредитам физических лиц и вероятностью банкротства. Высокое значение уровня просроченной задолженности, в целом, говорит о неудовлетворительном качестве кредитного портфеля и рискованной политике банка. Ухудшение качества портфеля может привести к росту вероятности банкротства (Карминский и др., 2012).

Отдельно стоит остановиться на показателе долгосрочной ликвидности банка Н3 и доле высоколиквидных активов. В полученной модели они напрямую влияют на вероятность банкротства банка, т.е. с ростом данных индикаторов финансовое положение банка становится менее стабильным. Можно предположить, что слишком большой процент высоколиквидных активов (или как их называют по-другому, активов мгновенной ликвидности) в общем объеме активов несет для банка риск недополучения доходности по данным активам, т.к. чем менее ликвидны активы, тем выше их рисковость и доходность (за исключением неликвидной группы активов, таких как здания, просроченные ссуды и др.). Основой успешной банковской деятельности является соблюдение баланса между прибыльностью, рискованностью и ликвидностью активов.

Значимость модели в целом подтвердилась тестом Вальда. Построение логит-регрессии позволяет сделать выводы относительно знака перед коэффициентом, но не его абсолютного значения. Оценить степень влияния каждого из предикторов на конечную вероятность отзыва лицензии позволяет дальнейший расчет предельных эффектов приращения, которые показывают, на сколько процентов изменится вероятность банкротства при изменении каждого показателя на единицу.

Таблица 8. Оценка предельных эффектов модели

Переменная	Коэффициент
Оборачиваемость активов	-0.37***
Обеспеченность кредитов залогом	-0.1***
Доля кредитов ФЛ	-0.09***
Размер банка	-0.05***
Н1.0	-0.003***
Н3	0.000**
Просроченная задолженность ФЛ	0.04***
Кредитный портфель (доля в активах)	0.057**
Доля ликвидных активов	0.17***
Доля депозитов ФЛ	0.21***
Доля выпущенных облигаций	0.36***

Количество звездочек отражает уровень значимости следующим образом: (*) 10%, (**) 5%, (***) 1%

Полученные значения позволяют говорить о том, что при росте соответствующего показателя на 10% вероятность банкротства изменяется следующим образом:

· при улучшении показателя оборачиваемости активов вероятность банкротства банка снижается на 3,7%, что подтверждает наибольшую степень влияния данного фактора среди других переменных;

· при увеличении уровня обеспеченности кредитного портфеля залогом вероятность банкротства уменьшается на 1% ;

· результатом увеличения доли кредитов физическим лицам является снижение вероятности банкротства на 0,9%;

· увеличение размеров банка приводит к сокращению вероятности банкротства на 0,5% ;

· при повышении уровня просроченной задолженности по кредитам физических лиц вероятность банкротства повышается на 0,4%;

· при увеличении кредитного портфеля банка в общей сумме активов, повышается вероятность дефолта на 0,57%;

· при увеличении доли ликвидных активов и депозитов к валюте баланса банка, вероятность банкротства увеличивается на 1,7% и 2,1% соответственно.

· рост числа выпущенных банком облигаций приводит к увеличению вероятности банкротства на 3,6%;

Для оценки прогнозных характеристик моделей бинарного выбора принято использовать классификационную таблицу.

В ней отображается, сколько наблюдений тестирующей выборки были верно классифицированы, по их априорным категориям, и в отношении скольких построенная модель ошиблась.

Ошибкой первого рода является в данном случае классификация фактического банка-дефолта как финансово устойчивого, к ошибкам второго рода следует отнести случаи определения «финансово здорового» банка как потенциального банкрота.

При построении классификационной таблицы следует выбрать пороговое значение вероятности, при превышении которого банк относится к банкротам. Критический уровень вероятности следует устанавливать таким образом, чтобы ниже него оказалось максимальное число действительно устойчивых банков и минимум банкротов, и наоборот.

Ниже представлена классификационная таблица для построенной модели, протестированной на случайной выборке из 300 наблюдений банков (с сохранением соотношения банкротов (38%) и небанкротов (62%):

Таблица 9Классификационная таблица

	Факт
Модель	Банкрот	Небанкрот	Всего
Банкрот	71,93% (82)	28,07% (32)	114 банков
Небанкрот	17,2% (32)	82,8% (154)	186 банков
Всего верно:	78,66%
Пороговая вероятность	50%

Таким образом, модель верно классифицирует 78,66% банков, что является хорошим показателем качества. Полученная модель может быть модифицирована для улучшения предсказательной силы.

Одним из графических способов сравнения моделей по прогнозным характеристикам является построение ROC-кривой, которая графически отражает зависимость доли верно классифицированных положительных случаев от доли ложно положительных случаев. По оси ординат откладывается норма попаданий модели, которая рассчитывается как соотношение количества корректно определенных банков-банкротов при различных критических значениях вероятности (пороговом значении) к общему количеству банкротов. На оси абсцисс отражается изменение коэффициента ложной тревоги, который является долей финансово устойчивых банков, классифицированных моделью как банкротов, в общем количестве небанкротов. Для идеально классифицирующей модели ROC-кривая проходит через левый верхний угол, что означает 100%-ное определение всех банков-банкротов без добавления к ним «здоровых» банков. Исходя из этого, чем выше изгиб прямой, тем выше прогнозная сила модели. В случае, когда графический анализ не позволяет сравнить качество моделей, рассчитывается площадь под ROC-кривой. Качество модели тем лучше, чем большая площадь оказывается под графиком (Lanine, Vennet, 2006).

Рис.3 ROC-анализ построенной модели оценки банкротства

В нашем случае площадь под ROC-кривой составляет 0,74, что также позволяет классифицировать модель как качественную, при этом возможны дальнейшие улучшения прогнозной силы.

Помимо общего количества допущенных ошибок при выборе критического уровня вероятности необходимо учитывать их вид. Для исследования, посвященного оценке финансовой устойчивости организаций, более важным является недопущение появления ошибок II-рода, то есть классификации ненадежных банков как здоровых. Появление ошибок II-рода приводит к более негативным последствиям и серьезным издержкам, как для вкладчиков банка, так и для его кредиторов. Количество допущенных моделью ошибок того или иного рода характеризует ее чувствительность и специфичность. Под чувствительностью модели понимается доля верно классифицированных положительных случаев, то есть банков-банкротов, отнесенных к банкротам. Характеристика специфичности полученной модели заключается в верном определении отрицательных случаев (в нашем кейсе это финансово здоровые банки), то есть классификация надежных банков как небанкротов (Louzada et al., 2012).

Чувствительность полученной модели - 71,9%, специфичность составила 82,8%. Полученная модель больше проявляет свойство специфичности, то есть лучше определяет финансово здоровые банки. Показатель чувствительности находится на приемлемом уровне.

Незначительное уменьшение либо увеличение пороговой вероятности модели до 55-60% во всех случаях уменьшает обьщее количество верно классифицированных банков, поэтому оптимальным значением порога отсечения можно считать 50% - при вероятности банкротства 50% и более процентов банк классифицируется моделью как потенциальный банкрот.

В первой главе работы был рассмотрен исторический аспект проблемы банковских дефолтов в России и согласно статистике, с 2014 года с началом новой политики Центрального Банка РФ относительно надзора и контроля над коммерческими банками («зачистка»), количество отозванных лицензий выросло втрое. Как известно, ЦБ ужесточил ряд банковских нормативов, в частности касающихся резервирования на возможные потери по ссудам и достаточности капитала. Справедливо предположить, что в этот временной период факторы, способные предсказать будущий дефолт коммерческого банка могли измениться, по сравнению с полученной выше моделью, либо могли поменяться предельные эффекты отдельных предикторов. В связи с этим были построены отдельные модели на данных 2008-2013 гг. и 2014-2017 гг. для выявления возможных различий.

Подвыборка за 2008-2013 гг. включает в себя 64 921 наблюдение по 1126 банкам, из них банков, потерпевших дефолт - 429.

Количество банков, осуществляющих деятельность за 2014-2017 годы - 919, банкротов из них 284, общее количество наблюдений - 28 375.

Коэффициенты полученных моделей представлены в таблицах.

Таблица 10 Оценка коэффициентов модели 2008-2013 гг.

Переменная	Коэффициент	P>z	[95% Доверительный интервал]
Оборачиваемость активов	-9.00***	0.00	-10.51	-7.48
Кредитный портфель	1.78***	0.00	1.57	1.99
Доля кредитов ФЛ	-0.43***	0.00	-0.53	-0.33
Обеспеченность кредитов залогом	-0.88***	0.000	-0.98	-0.78
Просроченная задолженность ФЛ	0.28***	0.00	0.21	0.34
Просроченная задолженность	-0.95***	0.00	-1.30	-0.60
Доля выпущенных облигаций	2.70***	0.00	2.34	3.06
Доля ликвидных активов	2.41***	0.00	2.16	2.67
Привлеченные межбанковские кредиты	0.02	0.47	-0.04	0.08
Доля депозитов ФЛ	0.76***	0.00	0.64	0.88
Доля вложений в ЦБ	2.48***	0.00	2.24	2.72
Доля основных средств и нематериальных активов	2.57***	0.00	2.18	2.97
Размер банка	-0.36***	0.00	-0.37	-0.34
Константа	2.58***	0.00	2.28	2.88

Таблица 11. Оценка коэффициентов модели 2014-2017 гг.

Переменная	Коэффициент	P>z	[95% Доверительный интервал]
Оборачиваемость активов	-3.83***	0.000	-5.61	-2.05
Н1.0	-0.03***	0.000	-0.03	-0.02
Н3	0.00***	0.001	0.00	0.00
Кредитный портфель	0.52*	0.058	0.08	0.96
Доля кредитов ФЛ	-0.76***	0.000	-1.02	-0.51
Обеспеченность кредитов залогом	-0.88***	0.000	-0.98	-0.78
Просроченная задолженность ФЛ	0.36***	0.000	0.20	0.53
Просроченная задолженность	-0.25	0.491	-0.88	0.39
Доля выпущенных облигаций	3.31***	0.000	2.21	4.42
Доля ликвидных активов	1.57***	0.000	1.00	2.14
Привлеченные межбанковские кредиты	0.06	0.830	-0.42	0.55
Доля депозитов ФЛ	1.97***	0.000	1.66	2.29
Доля вложений в ЦБ	0.09	0.745	-0.43	0.61
Доля основных средств и нематериальных активов	-0.62	0.373	-1.57	0.32
Размер банка	-0.52***	0.000	-0.57	-0.47
Константа	6.65***	0.000	5.67	7.63

Итоговые знаки перед коэффициентами показателей-предикторов не противоречат общей построенной модели (2008-2017 гг.), что подтверждает стабильность полученных результатов. В логит-модели 2008-2013 гг. отсутствуют показатели Н1 и Н3, т.к. в это время банки еще не обязали публиковать данные нормативы в обязательном порядке. Интересно, что незначимым на уровне 10% оказался только показатель отношения привлеченных межбанковских кредитов в кредитному портфелю банка, хотя в общей модели таких факторов несколько. Сложно сделать предположения на данном этапе исследования о причинах различия, данный вопрос требует отдельного рассмотрения.

В это же время, как и в общей модели в 2014-2017 гг. незначимыми оказались показатели общего уровня просроченной задолженности по кредитному портфелю, объем привлеченных межбанковских кредитов относительно кредитного портфеля банка, доля вложений в государственные ценные бумаги и доля основных средств и нематериальных активов в общей величине активов банка. Данные показатели не оказывают значимого влияния на вероятность дефолта (не значимы на уровне 10%), поэтому были исключены их дальнейшего анализа в данной спецификации логит-модели.

Далее были найдены предельные эффекты, которые оказывают значимые показатели на вероятность дефолта на подвыборках 2008-2013 гг. и 2014-2017 гг. Результаты представлены в таблицах..

Таблица 12Оценка предельных эффектов модели 2008-2013 гг.

Переменная	Коэффициент
Оборачиваемость активов	-1.9***
Просроченная задолженность в кредитном портфеле	-0.2***
Обеспеченность кредитов залогом	-0.1***
Доля кредитов ФЛ	-0.09***
Размер банка	-0.077***
Просроченная задолженность ФЛ	0.059***
Доля депозитов ФЛ	0.16***
Кредитный портфель (доля в активах)	0.37***
Доля ликвидных активов	0.51***
Доля вложений в ЦБ	0.52***
Доля основных средств и нематериальных активов	0.55***
Доля выпущенных облигаций	0.57***

Количество звездочек отражает уровень значимости следующим образом: (*) 10%, (**) 5%, (***) 1%

Таблица 13Оценка предельных эффектов модели 2014-2017 гг.

Переменная	Коэффициент
Оборачиваемость активов	-0.38***
Обеспеченность кредитов залогом	-0.095***
Доля кредитов ФЛ	-0.086***
Размер банка	-0.054***
Н1.0	-0.003***
Н3	0.000**
Просроченная задолженность ФЛ	0.04***
Кредитный портфель (доля в активах)	0.057**
Доля ликвидных активов	0.17***
Доля депозитов ФЛ	0.21***
Доля выпущенных облигаций	0.36***

Количество звездочек отражает уровень значимости следующим образом: (*) 10%, (**) 5%, (***) 1%

В целом, стоит отметить, что модель, обученная на данных 2014-2017 гг. по значениям предельных эффектов практически идентична модели, построенной на выборке за весь временной период (2008-2017 г) с незначительными отличиями. Этот результат можно объяснить тем, что более 60% банкротств приходится именно на период с 2014 по 2017 г., который принято связывать с приходом новой главы ЦБ Эльвиры Набиуллиной во второй половине 2013 г. и началом новой политики регулятора банковского сектора РФ. В конце марта действующая глава ЦБ заявила, что «через два-три года, к моменту завершения процесса оздоровления российского банковского сектора, отзыв лицензии ЦБ у кредитных организаций станет экстраординарным событием». На сегодняшний день для ЦБ ключевым приоритетом остается очищение банковской системы страны от недобросовестных, финансово неустойчивых и нередко криминальных игроков. При этом ЦБ заявил, что программа оздоровления банковского сектора РФ на текущий момент «в основном выполнена» [ЦБ сообщил о скором завершении зачистки банковского сектора// Новостной портал Lenta.ru, выпуск от 22.10.2016. Режим доступа: https://lenta.ru/news/2016/11/22/cbhealth].

Возвращаясь к сравнениям моделей, оборачиваемость активов банка во всех спецификациях модели имеет наибольший отрицательный коэффициент, что означает самое сильное влияние на финансовую устойчивость банка. Высокий показатель оборачиваемости активов для банка это, прежде всего, грамотное управление активами, и как основной показатель деловой активности банка характеризует высокую прибыльность и эффективность банка.

Следующим по степени оказываемого влияния фактором оказалась доля выпущенных банком облигаций по отношению к валюте баланса. С ростом этого показателя увеличивается вероятность отзыва лицензии банка. С одной стороны, облигации для банка - это способ привлечь дополнительные средства для кредитного потенциала, с другой стороны, недобросовестные банки, предлагая высокую доходность по своим облигациям, могут завлекать инвесторов для решения финансовых проблем, чаще всего нехватки ликвидности. При этом и низкие цены на ценные бумаги банков могут быть негативным сигналом, когда инвесторы, зная о проблемах банка, пытаются поскорее продать облигации на фондовом рынке. Интересно, что о влиянии данного показателя не был упомянуто ни в одном известных исследований на тему прогнозирования банкротств.

Значимое влияние также оказывает доля депозитов и вкладов населения в пассивах банка. Положительное влияние на потенциальную вероятность отзыва лицензии можно связать с рискованной политикой привлечения средств банками, которые находятся в предбанкротном состоянии или имеют финансовые проблемы. Вклады со ставками намного выше рыночных, как правило, предлагают банки, испытывающие проблемы с достаточностью капитала или ликвидностью. Крупные игроки ведут более консервативную политику в отношении вкладов. На примере «Интеркоммерц» банка можно проследить, как агрессивная политика, направленная на привлечение средств от физических лиц во вклады и депозиты обернулась для банка серьезными финансовыми рисками. Банк одним из первых вывел на рынок депозит с возможностью досрочного отзыва без потери процентов, при этом предлагая относительно высокую ставку, однако это не помогло решить серьезные финансовые проблемы. На момент отзыва лицензии в феврале 2016 г. банк уже неоднократно нарушил нормативы по уровню резервов и достаточности капитала, эксперты связывают это как в раз с дорогим фондированием [РБК, выпуск от 02. 02. 2016// Набег клиентов: что случилось с банком «Интеркоммерц»//Режим доступа: rbc.ru/finances/02/02/2016/56b09dc29a7947420 c265cbc].

Учитывая сложившуюся ситуацию с ликвидностью в банковской сфере, банки, особенно частные, прибегают к любым выгодным условиям для привлечения средств, что негативно отражается на доходности банка. ЦБ еженедельно проводит мониторинг ставок по депозитам банков и слишком высокая ставка (выше на 3,5 процентных пункта, чем средняя максимальная ставка по топ-10 банкам, включительно) - индикатор финансовых проблем банка. По этой же причине, можно предположить, положительное влияние на вероятность отзыва лицензии оказывает показатель доли высоколиквидных активов в общей величине активов банка, а точнее его резкое увеличение.

Следующая пара значимых показателей относится к качеству кредитного портфеля банка - при росте доли кредитов населению, а также общего уровня обеспеченности кредитов залогом имущества снижается вероятность банкротства банка. Интересно, что рост кредитного портфеля напротив, увеличивает риск отзыва лицензии. Возможно, в текущих экономических условиях, кредиты физическим лицам являются менее рискованными для банка, по сравнению с кредитованием организаций. Оценка заемщика юридического лица на платежеспособность в любом случае более сложный процесс (затруднено и «двойной бухгалтерией» для снижения налоговых отчисления в том числе), и любой бизнес в свою очередь подвержен рискам. Банк страхует риск невозврата кредита имущественным обеспечением, однако в целом, относительно большой кредитный портфель для банка - также означает и возможные высокие кредитные риски.

Высокий уровень просроченной задолженности - индикатор низкого качества кредитного портфеля банка. Структура и качество ссудной задолженности, в частности удельный вес просроченных кредитных обязательств, оказывает серьезное влияние на ликвидность и доходность банка. При увеличении доли просроченной задолженности банк вынужден увеличивать отчисления на резервы, что ограничивает кредитный потенциал и негативно отражается на прибыльности банка. Рост доли просроченных кредитов в коммерческом банке ведет к убыткам, которые в свою очередь уменьшают величину собственного капитала банка. При нарушении норматива достаточности капитала банку может потребоваться докапитализация, что в свою очередь приведет скорее всего к политике агрессивного привлечения вкладов и т.д.

Размер банка традиционно относят к показателям его финансовой устойчивости и результаты данного исследования не противоречат данному утверждению. Чем больше показатель размера активов банка, тем более масштабна его деятельность. Безусловно, это косвенно влияет и на количество клиентов: к топ-банкам население проявляет больше доверия. Об этом свидетельствует и статистика отзыва лицензий - из первой сотни банков за рассматриваемый период было отозвано только 8 лицензий, при этом самый крупный банк находился на 23 месте по величине активов (Международный Промышленный Банк). Из второй по размеру сотни банков обанкротились 26 [Сайт Центрального Банка РФ. Сведения о количестве действующих кредитных организаций и их филиалов в территориальном разрезе. Режим доступа: cbr.ru/statistics/?PrtId=lic].

Для проверки качества модификаций модели 2008-2013 гг. и 2014-2017 гг. были проведены дополнительные тестирования на подвыборках из 150 банков (93 небанкрота/57 банкротов) с построением классификационной таблицы. Полученные результаты представлены ниже.

Таблица 14 Классификационная таблица для модели 2008-2013 гг.

	Факт
Модель	Банкрот	Небанкрот	Всего
Банкрот	68,42% (39)	31,58% (18)	57 банков
Небанкрот	31,18% (29)	68,82% (64)	93 банка
Всего верно:	68,67%
Пороговая вероятность	50%
Чувствительность	57,35%
Специфичность	78,04%

Таблица 15Классификационная таблица для модели 2014-2017 гг.

	Факт
Модель	Банкрот	Небанкрот	Всего
Банкрот	71,93% (41)	28,07% (16)	57 банков
Небанкрот	18,28% (17)	81,72% (76)	93 банка
Всего верно:	78%
Пороговая вероятность	50%
Чувствительность	70,69%
Специфичность	82,6%

Таблица, обученная на подвыборке за 2014-2017 гг. в итоге показала более высокие результаты, ее итоговое количество верно классифицированных банков выше чем у модели 2008-2013 г. (78% по сравнению с 68,67%). То есть вторая модель верно классифицирует 78% банков. При этом модель уступает результатам модели обученной на общей выборке банков за 2008-2017 г. и также в большей мере специфична, нежели чувствительна, то есть лучше определяет финансово здоровые банки, а целом незначительно уступает общей модели по итоговым показателям чувствительности и специфичности. Стоит отметить, что изменение порогового отсечения в большую или меньшую сторону негативно сказывается на показателях прогнозной силы модели - снижаются чувствительность и специфичность, а также число верно классифицированных банков. Поэтому, как и в предыдущем случае оптимальной пороговой вероятностью отзыва лицензии можно считать 50%.

Подводя итоги, необходимо сделать ряд важных выводов о результатах проведенного исследования:

1) Набор показателей, оказывающих влияние на вероятность отзыва лицензии является относительно стабильным вне зависимости от периода времени (до начала новой политики ЦБ/после);

2) Факторы, положительно влияющие на вероятность банкротства банка - рост величины кредитного портфеля относительно активов банка и уровня просроченной задолженности по кредитам физических лиц в нем, гипотезы о направлении влияния данных факторов подтвердились результатами исследования. Высокий кредитный риск может негативно повлиять на финансовую устойчивость банка.

3) Кроме того, увеличение доли высоколиквидных активов в общем объеме активов, а также доли депозитов/вкладов физических лиц и выпущенных банком облигаций в пассивах банка, также приводит к росту вероятности отзыва лицензии банка. Предположения о влиянии данных факторов были противоположны полученным результатам.

4) Увеличение активов банка, доли кредитов населению в общем кредитном портфеле, рост обеспеченности кредитного портфеля залоговым имуществом заемщиков и повышение показателя оборачиваемости активов банка способствует снижению вероятности отзыва лицензии. Гипотезы о влиянии данных факторов на возможность банкротства подтвердились, за исключением показателя доли кредитов населению. Вероятно, рост доли кредитов, выданных физическим лицам может способствовать повышению доходности банка, вовлеченность банка в кредитование населения может быть сигналом активной политики банка в отношении увеличения прибыльности.

5) В ходе исследования были выявлены признаки, которые не оказывают значимого влияния на вероятность отзыва лицензии банка - к ним можно отнести показатели общего уровня просроченной задолженности по кредитному портфелю, объем привлеченных и выданных межбанковских кредитов относительно кредитного портфеля банка, доля вложений в государственные ценные бумаги и доля основных средств и нематериальных активов в общей величине активов банка, оборачиваемости собственного капитала, норматива ликвидности Н2, показателя резервирования по кредитному портфелю.

Заключение

Анализ вероятности дефолта банков и исследование индикаторов, способных предсказать риск банкротства, относятся к важнейшим задачам по надзору и регулированию банковского сектора РФ. Банковская сфера сейчас переживает сложные времена: валютные «скачки», падение спроса на кредитные средства, ограничение возможности выхода на международный рынок капитала в связи с санкционной политикой, в результате всё большее число банковских учреждений оказывается на грани закрытия. Раннее прогнозирование банкротства и финансовой нестабильности помогает выявить симптомы будущих проблем, предотвратить негативные последствия и убытки.

В рамках данного исследования был проанализирован предшествующий опыт теоретических работ, а также современные практики выявления риска дефолтов в банковском секторе. Банковский сектор РФ имеет свои специфичные черты, поэтому зарубежные модели оценки вероятности дефолтов не применимы к нему в полной мере.

Настоящая работа посвящена проверке обозначенных гипотез на месячных данных финансовой отчетности российских коммерческих банков за период с 2008 по 2017 г. Было оценено 3 спецификации логит-регресии - за весь временной период, и отдельно с 2008 по 2013 г., и с 2014 по 2017 гг.

В общую модель были включены показатели оборачиваемости активов, вовлеченности в операции с населением (депозиты/кредиты), качества кредитного портфеля банка и его активов, доля выпущенных облигаций в пассивах банка. Перечисленные факторы оказались статистически значимыми и интерпретируемыми экономически.

Полученные результаты исследования могут быть полезны риск-менеджерам компаний, оценивающим банки с точки зрения надежности размещения средств либо вложения в ценные бумаги банков как стабильный актив компании и топ-менеджменту банков для быстрой оценки финансового состояния организации.

Стоит отметить ряд ограничений настоящего исследования:

1) Финансовые данные банков (особенно находящихся в предбанкротном состоянии) могли быть недостоверными. По статистике ЦБ РФ за 2015 г. причиной 15% дефолтов стало установление фактов предоставления существенно недостоверной отчетности. Зачастую расхождения и фальсификацию в финансовой отчетности ЦБ обнаруживает и после закрытия банка. Для устранения данного ограничения возможно провести дополнительную работу с выборкой банков-дефолтов для уточнения причин отзыва лицензий, выявить факторы- «сигналы» недостоверности отчетности банка;

2) Не все данные финансовой отчетности банков находятся в открытом доступе: так, например, банки ведут внутренний учет своих кредитных рисков - данные факторы могут оказывает значительное влияние на итоговую вероятность банкротства;

3) Модель не учитывает влияние макроэкономических условий, хотя ряд исследований, в том числе и российских ученых, подтверждает, что включение макро-факторов в модель улучшает ее прогнозные качества;

4) Также модель не учитывает качество управления банком, компетенции топ-менеджмента и сотрудников, реакцию на изменение внешних условий и др. - в России данная информация не является обязательной к раскрытию, к тому же ее сложно собрать и анализировать, особенно при большой выборке банков, однако эти факторы могут оказывать значимое влияние на вероятность дефолта.

Помимо названных ограничений, модель имеет два перспективных направления для улучшения прогнозной силы:

1) Необходимо протестировать различные спецификации полученной модели на разных временных интервалах до наступления банкротства (за 1 месяц, 6 месяцев, 1 год и т.д.). Похожие модификации проводила группа ученых (Головань и др. 2003, 2004).

2) В исходной выборке встречались пропуски значений - так бывает, когда банки не публикуют нормативы в срок, много пропусков встречается в начале 2008 г., при этом можно заполнить пропуски с помощью среднего (среднее по банкам значение/среднее по данному банку за год и др.), необходимо проверить качество итоговой модели прогнозирования дефолта после заполнения пропущенных значений.

3) Возможно провести дополнительные этапы исследования для поиска модели с оптимальной структурой - то есть оптимальным соотношением банкротов и небанкротов, при котором возможно достичь максимально возможная классификационная точность модели. Группа отечественных ученых во главе с А.М. Карминским проводили дополнительные исследования, связанные с балансировкой выборки и тестированием различных вариантов доли банкротов в общем числе банков обучающей выборки, что позволило улучшить классификационные возможности модели на основе логит-регресии (Карминский, Костров, 2013).

Список использованных источников

1. Федеральный закон от 26.10.2002 N 127-ФЗ (ред. от 02.06.2016) "О несостоятельности (банкротстве)"

2. Положение №1270-У «О публикуемой отчетности кредитных организаций и банковских/консолидированных групп» / Принято Центральным Банком Российской Федерации от 14.04.2003

3. Письмо №72-Т «О раскрытии информации кредитными организациями по формам 0409134 и 0409135»/ Принято Банком России от 25.05.2010

4. ИНСТРУКЦИЯ № 139-И «Об обязательных нормативах банков» от 03.12.2012. [Электр. ресурс]. Режим доступа: cbr.ru/Publ/Vestnik/ves121221074.pdf

5. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal Of Finance. 1968. Vol. 23(4). P. 589 - 609.

6. Altman E.I., Rijken H. How Rating Agencies Achieve Rating Stability // Journal of Banking and Finance. 2005. Vol. 28(11). P. 2679 - 2714.

7. Charnes A., Cooper W.W., Rhodes E. Measuring the Efficiency of Decision Making Units.// European Journal of Operation Research. 2(1978). P. 429-444.

8. Clare, A., & Priestley, R. Calculating the probability of failure of the Norwegian banking sector.// Journal of Multinational Financial Management. 12(2002).

9. Lane, W. R., Looney, S. W., and Wansley, J. W., 1986. An Application of the Cox Proportional Hazards Model to Bank Failure. Journal of Banking and Finance, 511-531.

10. Louzada, F., Ferreira-Silva, P.H., Diniz, C.A.R. On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data.// Expert Systems with Application. 39 (2012). P. 8071-8078

11. Martin, D., 1977. Early Warning of Bank Failure: A Logit Regression Approach. Journal of Banking & Finance, 1, 249-276.

12. Paola, B., Laeven, L., & Majnoni, G.// How good is the market at assessing bank fragility? A horse race between different indicators.// Journal of Banking and Finance. 26(2002). P. 1011-1028.

13. Premachandra, I.M., Bhabra, G.S., Sueyoshi, T.// DEA as a tool for bankruptcy assessment: A comparative study with logistic regression technique.// European Journal of Operational Research. 193 (2009). P. 412-424.

14. Stefan van der Ploeg, 2010. Bank Default Prediction Models:A Comparison and an Application to Credit Rating Transitions. Ernst & Young - Financial Services Risk Management, 39-40.

15. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. - М.: ЮНИТИ, 2001

16. Головань С.В., А.М. Карминский, А.В. Копылов, А.А. Пересецкий (2003). Модели вероятности дефолта российских банков. I. Предварительное разбиение банков на кластеры. Препринт WP#2003/039. Российская экономическая школа, 2003.

17. Головань С.В., М.А. Евдокимов, А.М. Карминский, А.А. Пересецкий (2004). Модели вероятности дефолта российских банков. II. Влияние макроэкономических факторов на устойчивость банков. Препринт WP#2003/043. Российская экономическая школа, 2004.

Размещено на Allbest.ru