В работе были использованы данные, предоставленные МКК, работающей на территории Пермского края. Они представляют собой кросс-секцию из 689 наблюдений за период с 2012 по 2018 годы (в числе которых 139 неплатежей).

3. Методология исследования

В научной литературе по моделированию вероятности возникновения просроченной задолженности при микрокредитовании широко используется логистическая регрессия (Agbemava et al., 2016; Romer et al., 2013; Roslan и Mohd Zaini, 2009; Sayuti, Ibrahim, 2017; Mokhtar et al., 2012; Nawai, Mohd Shariff, 2012; Setargie, 2013). В данном исследовании также применяется логистическая регрессия (логит-модель) (1), в которой зависимая переменная является бинарной (Default) и принимает значение 1, если у заемщика возникала просроченная задолженность на срок, превышающий 30 календарных дней, и 0 - в противном случае.

(1)

где:

F - функция, область значений которой лежит в отрезке [0; 1];

;

;

;

;

? номер наблюдения, принимает значения от 1 до n.

Соответствующая функция распределения в логит-модели (1) является функцией логистического распределения (экспоненциальное преобразование):

(2)

В данном исследовании соответствующая спецификация логит-модели для вероятности возникновения просроченной задолженности при взятии микрокредита имеет вид:

(3)

где:

Default - бинарная зависимая переменная, принимает значение 1 - при факте возникновения просроченной задолженности, 0 - в противном случае.

Age - возраст заемщика;

- возраст заемщика в квадрате;

Female - дамми-переменная, равная 1 - если заемщиком является женщина, 0 - в противном случае;

Pensioner - дамми-переменная, равная 1 - если заемщик является пенсионером, 0 - в противном случае;

Again - дамми-переменная, равная 1 - если у заемщика присутствуют незакрытые кредиты, 0 - в противном случае;

Close - дамми-переменная, равная 1 - если у заемщиков присутствуют связанные заемщики в данной МКК (члены одной семьи или близкие друзья), 0 - в противном случае;

Office - категориальная переменная, отвечающая за точку продаж. Принимает значение 0 - если микрокредит был выдан в г. Добрянке, 1 - если в г. Чусовом, 2 - если в г. Лысьве;

Period - срок кредитования (в днях);

Rate - ставка процента (дневная, %);

MS - категориальная переменная, кодирующая семейное положение заемщиков. Принимает значение 0 - если заемщик женат/замужем, 1 - если заемщик проживает в гражданском браке, 2 - если заемщик не женат/не замужем, 3 - если заемщик в разводе, 4 - если заемщик является вдовцом/вдовой;

OthPay - алименты и другие выплаты (руб.);

OthBank - выплаты по кредитам в других банках (руб.);

Income - доход по основному месту работы (руб.);

IncomeOth - доход по совместительству (руб.);

Izd - количество иждивенцев;

ProsrCr - дамми-переменная, принимает значение 1 - если у заемщика присутствует просроченная задолженность за взятые ранее кредиты, 0 - в противном случае;

Loyalty - дамми-переменная, равная 1 - если заемщик повторно брал микрокредит в данной МКК, 0 - в противном случае;

Educ - категориальная переменная, отвечающая за уровень образования. Принимает значение 0 - если у заемщика неполное среднее образование (9 классов), 1 - среднее образование (11 классов), 2 - среднее специальное образование, 3 - высшее образование;

D - дамми-переменная, кодирующая различные МКК, принимает значение 0 - если это организация 1, 1 - организация 2;

Sum - сумма кредита (руб.);

Property - категориальная переменная, кодирующая недвижимость заемщика. Принимает значение 0 - если жилье арендовано, 1 - если жилье предоставляется работодателем, 2 - если заемщик сожительствует с кем-то, 3 - если жилье предоставлено по договору социального найма (муниципальное), 4 - если недвижимость находится в долевой собственности, 5 - если жилье принадлежит родственникам, 6 - если жилье в собственности;

PropertyType - категориальная переменная, отвечающая за тип недвижимости. Принимает значение 0 - если недвижимости нет, 1 - если заемщик проживает в комнате, 2 - в квартире, 3 - в частном доме;

Cost - прочие расходы и максимальные расходы (руб.);

Exper - опыт работы (мес.);

Rent - ежемесячный размер арендной платы за жилье, уплачиваемый заемщиком (руб.);

, .

Подчеркнем, что квадрат возраста заемщика в данной модели (3) был введен для тестирования квадратичной зависимости вероятности возникновения просроченной задолженности от возраста заемщиков МФО, которая была обнаружена в работах У. Ромер и др. (2013), М. Трики и Й. Боуйелбен (2017), М. Мутони (2016), С. Х. Мокхтар и др. (2012). Это может найти отражение выдвинутой ранее гипотезе 3. Ожидается, что при статистической значимости введенной переменной будет присутствовать параболическая кривая с ветвями вверх, где на вершине будут располагаться наиболее благоприятные с точки зрения кредитоспособности люди из средней возрастной группы. Нами также было принято решение проконтролировать уравнение на наличие отрицательной зависимости вероятности возникновения неплатежей от факта принадлежности клиента группе пенсионеров. Возможно, отрицательная зависимость является особенностью российского рынка микрокредитования. Обоснованием может служить стабильный доход пенсионеров, получаемый от государства - пенсия. И из этих средств могут быть погашены кредитные обязательства перед МФО.

Необходимость оценки окончательной возвратности денежных средств происходит из понимания того, что для обращения в суд требуются определенные издержки, понесенные МФО (финансовые и временные расходы), которые необходимо покрыть. Так, суммы, не полученные вовсе или вернувшиеся в компанию значительно позже, чем ожидалось, могли быть направлены на предоставление микрокредитов другим заемщикам. Итак, принимая во внимание, что после обращения в МФО клиент может не вернуть денежные средства в срок, но покрыть обязательства в ходе судебного разбирательства, представляется целесообразным оценить логит-модель (4) с бинарной зависимой переменной (Status), отвечающей за наличие платежей по взятому заемщиком микрокредиту после обращения в суд, которая равна 1 в случае, если заемщик не погасил просроченную задолженность после обращения МКК в суд, 0 - если денежные средства были возвращены в МКК в ходе судебных разбирательств.

(4)

где:

NetIncome - чистые располагаемые доходы заемщика - разница всех доходов и расходов (руб.);

Fine - суммарные пени и штрафы за просроченный платеж (руб.);

.

Неизвестные коэффициенты в логистических регрессиях (3), (4) оцениваются с помощью метода максимального правдоподобия (ММП). Отметим, что для расчета ММП-оценки необходимо, чтобы случайная ошибка имела нормальное распределение. В таком случае будут получены инвариативные, состоятельные, асимптотически нормальные и асимптотически эффективные оценки. Другими словами, результатам оценивания можно будет доверять. Для интерпретации влияния введенных регрессоров на вероятность возникновения зависимой переменной рассчитываются средние предельные эффекты Average Marginal Effects - AME.

Существует возможность проверить все выдвинутые ранее гипотезы исследования на основе первой логистической модели (3). Тем не менее, интерес представляет логистическая модель (4), поскольку интересующие нас факторы могут влиять и на возвратность микрокредитов после возникновения ситуации неплатежей. Допускается обнаружение «эффекта заражения», где заемщики делают вывод, что можно просрочить выплаты и вернуть их позже, исходя из опыта своих родственников или друзей. В отношении полового признака, также ожидается, что вероятность дефолта у мужчин будет выше, чем для женщин (косвенное основание - анализ литературы). Подразумевая, что пенсионеры имеют стабильный доход от государства, предполагается низкая вероятность непогашения ими кредитных обязательств после суда. Рассмотрение «долговой ловушки» в данном случае является важным, так как заемщики, у которых уже имеется незакрытый кредит, располагают меньшими средствами для погашения взятого в МКК микрокредита. Ожидается, что влияние на вероятность неплатежей после возникновения ситуации просроченной задолженности будет положительным.

Выбор регрессоров для логистической регрессии (4) осуществлялся на основе выдвинутых ранее гипотез. Ожидается, что их введение поможет ответить на исследуемый вопрос о факторах, влияющих на невозврат микрокредитов. В решении данного конкретного вопроса не был включен возраст в квадрате (), так как изначально предполагалось, что при возврате денежных средств после судебного разбирательства заемщики пенсионного возраста будут иметь более высокую вероятность погашения обязательств. С учетом того, что квадратичная зависимость факта платежей после возникновения просроченной задолженности должна была выявлять некредитоспособных молодых и пожилых людей, а пенсионеры не могут быть одновременно «плохими» и «хорошими» заемщиками, представляется целесообразным включение во вторую модель только фиктивной переменной на принадлежность человека пенсионерам.

Переменная, отвечающая за чистый располагаемый доход заемщиков, аппроксимировала факторы доходов и расходов. Предполагается, что суммарные пени и штрафы, имеющие место только после наступления факта просроченной задолженности по микрокредиту, будут иметь статистически значимое влияние на интересующую переменную. В данной модели параметры микрокредита (сумма, процентная ставка, срок), а также семейное положение заемщиков выступают как контрольные переменные. Характеристики микрокредита включены из соображения их влияния в первой модели, а также рассмотренных ниже критериях независимости хи-квадрат Пирсона и статистического различия групп переменных на основе t-статистики (Подробнее в разделе Данные и их предварительный анализ). Семейное положение заемщиков включено в модель, исходя из анализа литературы (подразумевается, что люди в браке будут менее кредитоспособны, поскольку их расходы на содержание семьи велики).

Таким образом, результаты оценивания двух логит-моделей (3) и (4) позволят более подробно изучить поведение заемщиков МКК в плане возвратности денежных средств, а также ввести градацию с точки зрения уровня их кредитоспособности. Исходя из вышеперечисленного, представляется возможным выделение трех категорий заемщиков:

1) Добросовестный плательщик, не имеющий задолженности;

2) Умеренный плательщик, имеющий задолженность за услуги МКК, но покрывающий обязательства после судебного вмешательства;

3) Должники МКК, не покрывающие обязательства после судебного вмешательства.

С целью выявления статистически значимых зависимостей между фактом просроченной задолженности и вводимыми переменными, а также между принадлежностью заемщика группам умеренных плательщиков или должникам МКК и потенциальными регрессорами были рассчитаны t-статистики на разницу в средних значениях (для непрерывных переменных). При проверке таковой взаимосвязи для категориальных и дамии-переменных были рассчитаны критерии независимости хи-квадрат Пирсона. Предполагается, что статистически значимые переменные окажутся влияющими и в логистических регрессиях.

4. Данные и их предварительный анализ

В работе используются кросс-секционные данные о заемщиках и выданных им микрокредитах (за период с августа 2012 по сентябрь 2018 года включительно), предоставленные МКК, работающей на территории Пермского края. Исходная выборка состояла из 712 наблюдений - выданных микрокредитов. Выборка, использованная далее для построения логистических регрессий, состояла из 689 наблюдений (после устранения статистических выбросов). Данные были получены из персональных анкет заемщиков и заключенных ими договоров займа. Кроме того, МКК предоставила информацию, касающаяся выплат заемщиками кредитных обязательств и начислений по микрокредитным договорам в случае возникновения просроченной задолженности (штрафов и пеней).

МКК, которая предоставила данные для исследования, была создана в августе 2012 года и до настоящего времени работает на территории Пермского края. Выручка рассматриваемой МКК была практически постоянной на уровне около 1 миллиона рублей в год при наибольшем значении 1,2 миллиона рублей и наименьшем - 0,7 миллионов рублей. В то же время, чистая прибыль в период 2012-2015 годов была положительной и изменялась в интервале от 86 до 306 тысяч рублей, а в последующие годы наблюдался чистый убыток, который был связан, прежде всего, с особенностями микрофинансовой деятельности: долгим сроком возвратности средств, малыми суммами кредитования, а также низким уровнем надежности заемщиков. Несмотря на такое положение, стоимость компании на конец 2018 года составила 5,4 миллиона рублей, что соответствует рыночным показателям.

На момент создания и первых лет работы система скоринга в исследуемой МКК не была представлена. Только начиная с 2014 года были разработаны и введены внутренние предписания по оценке потенциального заемщика. Однако необходимо отметить, что для каждого нового микрокредита сотрудники МКК всегда проверяют кредитные истории потенциальных заемщиков через Центральный Каталог Кредитных Историй (ЦККИ) и Бюро Кредитных Историй (БКИ). Производится также проверка размеров доходов (обращение к работодателю) и места проживания.

Обратимся к подробному описанию условий предоставления микрокредита в целях понимания деятельности и специфики работы МКК. Основные требования при предоставлении микрокредита: наличие действующего на территории Российской Федерации паспорта, прописки, наличие контактного мобильного телефона и двух номеров контактных лиц, покрытие суммарными доходами заемщика величины микрокредита. При первом обращении заполняется вся стандартная информация для заключения кредита по аналогии с банковскими услугами (семейное положение, дети и иждивенцы, фактическое место проживания, источники доходов и расходов. При этом, доход может быть как официально подтвержденным, так и сопутствующим). Осторожность сотрудниками МКК при выдаче микрокредита проявлялась к клиентам, не прописанным в регионе обращения, лицам кавказской национальности, людям, проживающим в общежитии, молодым людям и женщинам в возрасте до 30 лет, пенсионерам старше 70 лет, а также к лицам, обратившимся в нетрезвом состоянии (алкогольном или наркотическом опьянении). Работниками МКК также проводилась проверка заемщика у Управления Федеральной Службы Судебных Приставов (УФССП), Федеральной миграционной службы (ФМС). При этом наличие просроченных задолженностей по предыдущим договорам, в случае если обязательства погашены, не являлось причиной для отказа в предоставлении очередного микрокредита. Кроме того, внимание МКК при выдаче денежных средств уделялось потенциальным заемщикам, обратившимся в сопровождении людей, которые ранее неоднократно сопровождали других клиентов, так как они могли оказаться мошенниками, использующими «подставных» лиц. Важным оказалось и выявление на потенциальных заемщиках татуировок, характерных для людей, ранее отбывающих наказания в местах лишения свободы. В дополнение к вышеизложенному, оценивалось совокупное состояние одежды и личной гигиены клиента, которые могли свидетельствовать о непостоянном доходе или месте проживания, проводилась беседа о цели оформления потребительского кредита, чтобы уточнить информацию о заемщике.

Для настоящего исследования интерес представляют штрафы, налагаемые на заемщиков, просрочивших выплаты, и схема погашения микрокредита. Полная стоимость микрокредита состоит из суммы основного долга (тело долга), суммы процентов за пользование кредитом, суммы комиссии за обслуживание текущего договора (фиксированная - 321 рубль), а в случае нарушения срока оплаты - суммы начисленных пени по договору. Расчет штрафов и пени за несвоевременность платежей в МКК происходил следующим образом: каждый день, следующий за датой платежа, начислялись 13 % в день на тело долга (данная процентная ставка действовала до 2016 года). После 2016 года - 20 % годовых. Проценты в этом случае продолжают начисляться до полного погашения обязательств по договору. Тело долга и проценты по микрокредиту не могут быть покрыты, если не покрыты штрафы и пени. Данный факт является основной причиной больших сумм платежей заемщиками при микрофинансировании.

Работа с задолженностью и должниками в компании имеет ряд особенностей. Во-первых, за два дня до предстоящей оплаты клиентам рассылались СМС с суммой минимального платежа. В день платежа по договору осуществлялся звонок клиенту с сообщениями о возможных штрафах и пени. В случае задолженности сроком более 10 дней, руководитель подготавливал требование о погашении суммы минимального платежа, специалист по работе с клиентами вручал лично уведомление заемщику, проводил разъяснительную беседу, а также брал обещание внесения оплаты с конкретной датой платежа. Стоит отметить, что целями в разговоре с клиентом, не выполнившим свои кредитные обязательства, являлись получение обещания об оплате на конкретную дату, создание мотивации к оплате при сохранении лояльности клиента к компании.

В целях поддержки ликвидности вторая компания могла продавать долги в первую или привлекать стороннего частного инвестора (чаще в ситуациях с длительными платежами). Полученная сумма просроченной задолженности от покупателей-третьих лиц, называемая также доходностью на дефолтный капитал, составляет примерно 30 % при диверсификации портфеля - продажи долга нескольких заемщиков.

Первоначально в выборку вошли 1214 наблюдений, из которых 905 (74,55 %) были закрытыми микрокредитами, 123 (10,13 %) - действующими, 73 (6,01 %) - просроченными, но уже прошедшими судебные разбирательства, в результате которых платежи в МКК поступали (здесь заемщики являлись умеренными плательщиками). При этом зафиксировано 101 (8,32 %) полностью невозвратных микрокредитов (после обращения в суд денежные средства от должников не были возвращены в МКК). Кроме того, на момент выгрузки 4 дела находились на рассмотрении в суде, 6 заемщиков умерло, а 1 кредит был продан. Эти и действующие микрокредиты были удалены из выборки, поскольку они не относятся к рассматриваемому исследовательскому вопросу.

Существенным ограничением наших данных является тот факт, что не все анкетные данные были изначально введены в систему 1С компании. Так, полные данные по закрытым микрокредитам содержали 712 наблюдений из 905 предоставленных, из которых просроченных - 144 (20,22 %). Из них 109 человек (75,69 %) после обращения организацией в суд, покрывали денежные обязательства по своим долгам, а 35 (24,31 %) - нет.

Регрессоры в обозначенных ранее логит-моделях (3) и (4) можно разделить на несколько групп. Первая - это социально-демографические характеристики клиентов: возраст, возраст в квадрате, количество иждивенцев, семейное положение, уровень образования, пол, достижение пенсионного возраста, количество месяцев опыта работы, недвижимость и ее тип, разные типы доходов (от основной деятельности и прочие), расходы, выплаты по другим кредитам и алиментам, наличие кредитов в других банках для проверки наличия «кредитной ловушки». К характеристикам микрокредита можно отнести период в днях, ежедневную ставку процента, сумму, повторное взятие кредита в данной МКК как меру лояльности заемщика. Рассмотрены также характеристики офиса, выдавшего денежные средства (город расположения офиса и дамми-переменные на различные организации). Описательные статистики представлены в Приложении 3 (Таблица 3) и Приложении 4 (Таблица 4).

На первом этапе был проведен предварительный анализ данных. Исследуемые переменные были проверены на наличие выбросов при помощи ящиковых диаграмм, гистограмм и расстояния Кука. Далее, были рассмотрены описательные статистики общей выборки, чтобы изучить полученную информацию. Затем, мы проанализировали корреляционные матрицы Спирмана (для категориальных и дамми-переменных) и Пирсона (для количественных) с целью выявления высокой взаимосвязи между регрессорами (превышающей 0,7 по модулю по шкале Чеддока). Это было необходимо, чтобы исключить возможную проблему мультиколлинеарности.

На основе ящиковых диаграмм можно отметить, что половина заемщиков брала микрокредиты на незначительные сроки (медиана располагается чуть выше нуля). Основная масса кредитов была выдана на срок, не превышающий 400 дней. Ежедневная ставка процента установилась на уровне до 1,2 % для 50 % людей. Но ее значение варьировалось от 0.03 % до 3 % в день, что вписывается в характеристики рынка микрокредитования.

У большинства заемщиков отсутствовали прочие платежи (в них входят, например, алименты) и платежи прочим банкам. Доходы от основного места работы заемщиков МКК были распределены неравномерно: у половины из них доходы низки (что характерно как для картины доходов мелких городов Пермского края, так и для типичных заемщиков МФО), однако есть и люди, зарабатывающие более 40 000 рублей в месяц. Прочие доходы (трудовые от неосновной деятельности и нетрудовые, например, от сдачи квартиры в аренду) имели единицы. В выборке превалируют небольшие суммы займов (до 20 тысяч рублей). В переменную «Расходы» (Cost) вошли максимальные расходы и прочие расходы заемщиков. Помесячный опыт работы подтверждает информацию, полученную от переменной, отвечающей за основные доходы: часто заемщики безработные или с малым опытом работы на последнем месте, что ведет к малым суммам ежемесячных доходов. Расходы на аренду жилья зафиксированы менее, чем у половины заемщиков.

Чистые доходы получены как сумма всех доходов заемщиков за вычетом всех расходов. Присутствуют не только положительные значения, но и отрицательные, причем количество заемщиков с профицитными и дефицитными доходами практически одинаково. С точки зрения здравого смысла, у людей не должен создаваться дефицит располагаемых денежных средств, тем более, если они обращаются за кредитными средствами в финансовую организацию. Тем не менее, это находит отражение в реальности, особенно, когда дело касается МФО, в которых выдаются денежные средства заемщикам, которые могут не удовлетворять жестким требованиям традиционных банков.

При помощи гистограмм и ящиковых диаграмм нами были обнаружены 17 заемщиков с ошибками заполнения возрастных характеристик. Во-вторых, зафиксировано 3 человека, у которых сумма штрафов и пеней превышает 100 000 рублей, что резко отличается от картины среднего просрочившего выплаты заемщика. Вышеперечисленные случаи считаются статистическими выбросами. Для более точной проверки полученных данных на выбросы было рассчитано и проиллюстрировано расстояние Кука на основе логистической регрессии - так обнаружено еще 3 статистических выброса. Таким образом, для последующего анализа мы будем использовать 689 наблюдений.

Далее были рассмотрены корреляционные матрицы Спирмана и Пирсона для обнаружения и исключения проблемы мультиколлинеарности. По корреляционной матрице Спирмана нами была обнаружена высокая по шкале Чеддока линейная положительная взаимосвязь между переменными возраст, возраст в квадрате и дамми-переменной на пенсионеров (коэффициенты были равны 0,81 и 0,85 соответственно). Это происходит по причине того, что принадлежность заемщиков к группе пенсионеров зависит, в том числе, от их возраста. Можно говорить о том, что, возможно, не следует использовать в уравнении регрессии одновременно все переменные, отвечающие за возраст заемщика. Поэтому было решено рассмотреть 2 спецификации: только с включением возраста и возраста в квадрате или только с фиктивной переменной, обозначающей пенсионеров. По корреляционной матрице Пирсона можно сказать, что присутствует весьма высокая линейная положительная зависимость между переменными возраст и возраст в квадрате, что происходит из задания переменных.

Обратимся к описательным статистикам переменных из общей выборки (Приложение 3, Таблица 3) и распределению категориальных переменных (Приложение 4, Таблица 4). Средняя сумма микрокредита равна 7 828 рублей, с максимальным значением в 74 600 и минимальным в 1 072 рубля, что чуть выше средней суммы по рынку (https://bankir.ru/). Займы выдавались на срок от 4 до 1800 дней (в среднем 110 дней, причем у половины заемщиков этот срок не превышал 1 месяца) под ставку процента, равную в среднем 1,28 % в день (варьировалась от 0,03% до 3%). Все вышеперечисленные данные характерны для регионального рынка микрокредитования. Среди клиентов чаще встречаются женщины (66,76 %), средний возраст заемщиков составил 48,5 лет. Заемщики имели от 1 до 4 иждивенцев. Количество иждивенцев в данном случае кажется более приемлемой переменной, так как дети могут не обеспечиваться родителями во взрослом возрасте, а также у заемщика могут присутствовать другие люди на попечении (например, старшие родственники). Критерий «количество иждивенцев» накладывает больше ограничений на расходы и делает их величину конкретнее, чем регрессор, который отвечал бы за количество детей в семье. При этом 44,27 % клиентов - это пенсионеры. При введении этой переменной был учтен возраст заемщиков (свыше 55 лет для женщин и 60 лет - для мужчин), а также графа «профессия», где могли быть обозначены люди, вышедшие на пенсию раньше наступления пенсионного возраста. Последних оказалось 13 из 689 (1,89 %).

Большая часть микрокредитов была выдана Добрянским офисом (80,7 %). Так, офис в г. Добрянке работает с 20 августа 2012 года по настоящее время, причем в 2016 году произошло разделение компании на два юридических лица по причине потери ликвидности основным филиалом. Отделение в г. Чусовом работало в период с апреля по декабрь 2013 года, а в г. Лысьве - с августа 2013 по январь 2014. Стоит отметить, что в эти периоды наблюдалось закрытие на реконструкцию ОАО «Чусовской металлургический завод». В это время работа на градообразующем предприятии была приостановлена на период 2013-2014 годов, а полностью возобновлена только в 2016 году. В связи с этим, многие жители г. Чусовой, а также г. Лысьва, потеряли рабочие места, что при потребности в денежных средствах и отсутствии заработных плат привело к росту спроса на финансовые услуги, в частности, микрокредиты. По этой причине именно в данный временной период были открыты отделения МКК в этих городах. Отметим, кроме прочего, что каждый офис был представлен тремя сотрудниками, занимающимися предоставлением микрофинансовых услуг населению.

Большинство заемщиков имеют неполное среднее (17,27 %) или среднее специальное образование (47,02 %), тогда как высшее образование имеет меньшинство (8,12%). Наиболее часто встречаются люди в браке (49,78 %), которые не имеют недвижимости в собственности (75,18 %) и проживают в арендованной квартире (40,06 %). Связанных людей, бравших микрокредиты в этой МФО, насчитывается 144 человека (20,9 %).

Рис. 1 Гистограмма распределения основного дохода заемщиков

Большая часть заемщиков имеет основной ежемесячный доход в размере, не превышающем 22 000 рублей (Рис. 1). Кроме того, замечены почти нулевые значения дохода, это свидетельствует о том, что некоторые из заемщиков не работают (факт подтвержден данными из помесячного опыта работы). В то же время, единицы имеют доход от неосновного места работы. Лишь малая часть людей обладает прочими доходами свыше 10 000 рублей. Можно сделать вывод, что описываемые нами заемщики МФО обладают невысокими доходами, и, вероятно, кредит в традиционном банке не был бы им одобрен. Рассмотренная ситуация и характеристика доходов заемщиков соответствуют обозначенным ранее в Обзоре литературы особенностям микрофинансовой деятельности.

Практически никто из заемщиков не имел прочих расходов (например, выплат алиментов) и платежей по кредитам в других банках. В основном, платежи в других банках составляли до 10 000 рублей ежемесячно (для 54,28 % заемщиков, имевших кредиты в других банках на момент обращения в МКК). При этом только 10 клиентов превышали сроки платежей по кредитам ранее. Стоит отметить, что более половины заемщиков (437 из 700) брали микрокредит в данной компании повторно. В этом случае при введении переменной был учтен фактор времени: первое взятие микрокредита не обозначалось за повторное, даже если конкретный заемщик вступал в отношения с организацией несколько раз. Из вышесказанного можно сделать вывод, что портрет заемщика МКК схож с описываемым в литературе.

Среди всех заемщиков МКК оказалось 20,17 % тех, кто не исполнил обязательства в установленный срок (139 человек из 689). При этом, безвозвратно ушли средства от 33 заемщиков-должников, что составляет 23,74 % от 139 клиентов, просрочивших кредитные выплаты, и всего 4,79 % людей, изначально бравших микрокредит. На рис. 4 (Приложение 12) представлена иллюстрация всех действий организации в том случае, когда заемщик не возвращает долг.

Проверим, существует ли статистически значимая взаимосвязь между переменной, отвечающей за наличие просроченной задолженности и независимыми переменными. Необходимо понять, какие регрессоры из введенных могут оказывать влияние на зависимую переменную и оказаться статистически значимыми в логистической регрессии. Для решения этой задачи был рассчитан критерий независимости хи-квадрат Пирсона. Отметим, что данный тест, условно, можно считать аналогом t-статистики и теста ANOVA, где зависимая переменная может быть любой, а независимая - только непрерывной. Но, в отличие от вышеперечисленных тестов, критерий независимости хи-квадрат Пирсона учитывает тот факт, что зависимая и независимая переменная являются категориальными (что применимо в нашем случае). Рассчитанные статистики хи-квадрат Пирсона, а также их значимость представлены в Приложении 5 (Таблица 5). Можно сделать вывод, что присутствует статистически значимая взаимосвязь между фактом неплатежей и лояльностью заемщика МКК, типом его недвижимости, уровнем образования и тем, в какой организации был выдан микрокредит. Мы предполагаем, что эти независимые переменные могут быть статистически значимыми и в логистической регрессии.

Далее было произведено сравнение заемщиков, просрочивших выплаты в МФО, и тех, кто покрыл обязательства своевременно (Приложение 5, Таблица 6, Таблица 7), при предварительном разделении выборки на две части по этому признаку. Необходимо было рассчитать t-статистики в модификации Уэлша, чтобы выяснить, различаются ли количественные переменные статистически значимо (отличаются ли друг от друга их средние значения) для выявления различий между данными группами заемщиков.

Значимые различия присутствовали для периода кредитования. Просрочившие клиенты брали микрокредит на срок равный в среднем 257 дней, а непросрочившие - на один месяц. При том, что дневная процентная ставка была ниже (1,03 % - 1,35 %), а сумма микрокредита приблизительно в два раза превышала этот показатель для добросовестных клиентов (13 164 рубля - 6 479 рублей). Кроме того, к невозврату денежных средств МКК были склонны люди, обладающие более высокими прочими доходами (6 646 рублей против 4 308 рублей у надежных заемщиков). Мы полагаем, что и эти факторы будут статистически значимо влиять на вероятность возникновения просроченной задолженности денежных средств в логистической регрессии наряду со значимыми категориальными переменными из теста хи-квадрат Пирсона.

Аналогично предыдущему случаю с просроченной задолженностью, был рассмотрен критерий независимости хи-квадрат Пирсона с целью понять, присутствует ли статистически значимая взаимосвязь для наличия неплатежей после обращения МФО в суд после невыполнения заемщиком кредитных обязательств и категориальными регрессорами второй модели (Приложение 6, Таблица 8). На данном этапе исследования можно отметить наличие взаимосвязи между непокрытием обязательств после наступления просроченной задолженности и принадлежностью заемщика пенсионерам.

Были изучены статистически значимые различия в средних значениях регрессоров для людей, покрывших долг перед МКК после судебных разбирательств, и тех, кто этого не сделал, при помощи t-статистики (Приложение 6, Таблица 9, Таблица 10). Здесь различались параметры микрокредита: период, процентная ставка, сумма. Так, при более длительном сроке кредитования доля заемщиков с полностью возвращенными МКК денежными средствами была выше. Похожая ситуация возникала для меньших дневных процентных ставок и больших сумм микрокредита. Мы также полагаем, что факторы, описанные здесь и выше, будут влиять на вероятность окончательного невозврата денежных средств МКК во второй модели (логистической регрессии).

5. Эмпирические результаты

Изначально была построена логит-модель с включением всех регрессоров. Подозревая наличие проблемы мультиколлинеарности между переменными, отвечающими за возрастные характеристики заемщиков, мы рассчитали коэффициенты вздутия дисперсии VIF. Исходя из их значений, наличие мультиколлинеарности было подтверждено, поэтому было необходимо учесть возрастные параметры заемщиков МКК в отдельных спецификациях. В Таблице 1 представлены результаты оценивания логистических регрессий при отдельном учете возраста заемщика, возраста в квадрате (1) и фиктивной переменной на пенсионеров (2). Для интерпретации полученных результатов рассчитаны средние предельные эффекты.

Таблица 1

Результаты оценивания логистических регрессий для вероятности возникновения просроченной задолженности по микрокредиту

Зависимая переменная: Дефолт (наличие просроченных платежей)

Примечание. В моделях использован метод максимального правдоподобия. В скобках приведены робастные стандартные ошибки. Уровни значимости: *, **, *** - 10, 5 и 1 % соответственно.

Базовая категория: Семейное положение - женат/замужем, Офис - г. Добрянка, Уровень образования - неоконченное среднее (9 классов), Недвижимость - аренда, Тип недвижимости - нет.

Исходя из оцененных коэффициентов в логистических регрессиях (1) и (2), можно говорить об устойчивости результатов с точностью до знаков и статистической значимости вне зависимости от спецификации. Проинтерпретируем средние предельные эффекты (AME) тех переменных, которые однозначно влияют на вероятность возникновения просроченной задолженности при микрокредитовании. В среднем и при прочих равных условиях, при увеличении срока кредитования на один день вероятность возникновения неплатежей растет на 0,06 %. Похожее влияние имеет и возрастание суммы кредита: вероятность невозврата денежных средств увеличивается на 0,0007 % с каждым дополнительным рублем в среднем и при прочих равных. Полученные выводы относительно периода кредитования и суммы микрокредита подтверждаются и в предыдущих исследованиях (Kammoun и Triki, 2016; Modisagae и Ackermann, 2018; Muthoni et al., 2017; Nawai и Mohd Shariff, 2012; Norgaard, 2016; Setargie, 2013; Roslan и Mohd Zaini, 2009). Противоположное влияние отмечается в уровне образования: чем более образован заемщик, тем ниже вероятность невозврата денежных средств (уменьшение вероятности на 2,9-3,2 % в зависимости от спецификации). Это заключение также соотносится с предшествующими работами других авторов (Ниворожкина и др., 2013; Romer et al., 2013; Setargie, 2013).

Противоречивый вывод получен относительно влияния переменной, отвечающей за прочие доходы (от неосновной деятельности или, например, от сдачи квартиры в аренду). При росте этого показателя на 1 рубль вероятность того, что заемщик не исполнит свои платежные обязательства, увеличивается на 0,0006 %. Несмотря на статистическую значимость этой величины, она оказалась незначительной. В общих чертах, направление влияния переменной «прочие доходы» противоречит как здравому смыслу, так и исследованиям, проведенным ранее (Setargie, 2013). Положительное влияние суммы прочих расходов могло иметь место по ряду причин. Во-первых, это значение непостоянно во времени: дополнительный заработок от неофициальной работы или от сдачи квартиры в аренду может иметь место в один период и отсутствовать в другой. Например, арендодатель может решить больше не сдавать недвижимость, или заемщик потеряет неосновное место работы. Во-вторых, существует предположение, что люди со значительными прочими доходами не боятся просрочить выплаты по микрокредиту, так как, вероятнее всего, данная категория заемщиков может быть не устроена на дополнительное рабочее место официально, и, в случае взыскания денежных средств через суд, формально подтвержденная сумма заработной платы не будет это учитывать.

Кроме того, в логит-модели (1) значимым регрессором оказалась Недвижимость, которая является категориальной переменной, кодирующей место проживания заемщика по возрастанию типа собственности. Так, при переходе от аренды жилья к жилью, предоставляемому работодателем, сожительству, социальному найму, долевой собственности, собственности родственников, а затем недвижимости в собственности вероятность невозврата денежных средств МКК уменьшается на 1,1 %. Этот факт условно опровергает вывод А. Рослан и А. Мохд Заини (2009), которыми было выявлено, что наличие собственности не имело значимого воздействия на возникновение ситуации неплатежей при микрокредитовании.

Что касается фиктивной переменной Pensioner в спецификации (2), возраста и возраста в квадрате в спецификации (1), они не имели статистически значимого влияния на вероятность возникновения просроченной задолженности при микрокредитовании (подобно результатам, полученным А. Рослан и А. Мохд Заини (2009), где не была обнаружена взаимосвязь дефолта заемщиков при микрокредитовании и их возраста). Причина такого вывода кроется в исследуемых данных: 42,45 % заемщиков МКК, просрочивших выплаты, были пенсионерами, а среди заемщиков, выполнивших кредитные обязательства, доля составила 44,73 %, что говорит о сходстве групп должников и благонадежных плательщиков по принадлежности к пенсионерам. Кроме этого, средний возраст при разбиении заемщиков на подгруппы по наличию долга перед МКК статистически значимо не различался (подтверждено t-тестом в модификации Уэлша, Приложение 5, Таблица 6). Таким образом, не представляется возможным подтвердить или опровергнуть выдвинутые ранее гипотезы, касающиеся возрастных характеристик заемщиков МКК.

Касаемо «кредитной ловушки», ее наличие не было подтверждено ни одной из вышеуказанных спецификаций, поскольку оцененные коэффициенты в моделях (1) и (2) для переменной, отвечающие за наличие непокрытых задолженностей, оказались статистически незначимыми. Можно заключить, что, как и в работе С. Р. Османи (2017), заемщики МКК не попадали в «долговую ловушку». Данный результат также подтверждается описательными статистиками по подгруппам просрочивших и не просрочивших выплаты заемщиков МКК. Оказалось, что среди должников 48,92 % тех, у кого на момент оформления микрокредита были другие непогашенные обязательства, а среди добросовестных плательщиков - 44,91 %). В целом, нет значительных различий между данными показателями. Итак, мы не подтверждаем гипотезу о том, что существует «долговая ловушка» при микрокредитовании.

Аналогичная ситуация наблюдается и для «эффекта заражения». При статистической незначимости коэффициента Close можно заключить, что при том, что заемщики МКК знакомы, не наблюдаются увеличение вероятности неплатежей. При рассмотрении распределений по обозначенной выше переменной оказалось, что доли связанных заемщиков МКК при наличии неплатежей и своевременном погашении микрокредита практически одинаковы (23,74 % и 20,18 % соответственно). Данный факт противоречит работе М. Джордан и др. (2017), которыми это явление было обнаружено. Исходя из полученных результатов, можем говорить о том, что гипотеза о наличии «эффекта заражения» при микрокредитовании не подтвердилась.

Так как переменная, кодирующая половую принадлежность заемщиков, оказалась незначимой в обеих спецификациях (1) и (2), приходим к выводу, что на вероятность возникновения просроченной задолженности при микрокредитовании не влиял пол. Предполагалось, что будут получены результаты, схожие с работами К. Динер (2016), К. Модисагае и К. Акерманн (2018), С. Х. Мокхтар и др. (2012), М. Мутони (2016), А. Рослан и А. Мохд Заини (2009), А. Сайути и К. Ибрахим (2017), которые гласят о том, что женщины являются более надежными заемщиками в плане возвратности средств МФО. После рассмотрении таблиц по половому признаку для должников и тех заемщиков, кто покрывал обязательства в срок, оказалось, что разделение по полу было практически идентичным (64,03 % и 67,45 % соответственно).

Рассмотрим вторую модель - логистическую регрессию для заемщиков, просрочивших выплаты по микрокредитам (Таблица 2). Напомним, что введение второй модели было необходимо с целью оценки факторов, влияющих на вероятность возвращения денежных средств МКК уже после того, как заемщик не покрыл кредитные обязательства в срок.

Таблица 2

Результаты оценивания логистической регрессии для вероятности невозврата микрокредитов после возникновения просроченной задолженности

Зависимая переменная: Статус - наличие платежей после возникновения просроченной задолженности

Примечание. В скобках приведены робастные стандартные ошибки. Уровни значимости: *, **, *** - 10, 5 и 1 % соответственно.

Базовая категория: Семейное положение - женат/замужем.

Во второй модели, построенной для выявления факторов, влияющих на окончательный невозврат денежных средств МКК, статистически значимой становится дамми-переменная на принадлежность заемщика группе пенсионеров: действительно, как мы и предполагали, в этом случае уменьшается вероятность того, что он не вернет деньги в результате судебных разбирательств (на 30,52 % в среднем и при прочих равных). В исследуемых данных только 5 пенсионеров не вернули денежные средства в МКК (что составляет 15,15 % от безвозвратных микрокредитов). При этом, из тех заемщиков, кто просрочил выплаты, но вернул их по решению суда, 50,94 % были пенсионерами. Описанное явление происходит потому, что у этой группы заемщиков есть постоянный доход - пенсия, из которой можно взимать долги в случае их возникновения. Этот факт противоречит большинству предыдущих исследований для вероятности возникновения просроченной задолженности (Mokhtar et al., 2012; Muthoni et al., 2017; Romer et al., 2013; Triki, Boujelbene, 2017), но подтверждает результаты Л. И. Ниворожкиной (2013). Таким образом, можно рассматривать вышеописанный феномен как особенность краевого российского рынка микрокредитования. По этой причине можем косвенно подтвердить гипотезу о том, что вероятность неплатежей для пенсионеров ниже, чем для прочих заемщиков. Одновременно с этим, условно можем опровергнуть гипотезу, касающуюся квадратичной зависимости вероятности неплатежей от возраста заемщиков МКК, как частично противоречащую.

Более того, женщины оказались более склонны к тому, чтобы не выплачивать задолженность после наступления ситуации неплатежей. Вероятность, что заемщик не вернет микрокредит после возникновения задолженности и обращения МКК в суд увеличивалась для женщин в сравнении с мужчинами на 13,92 % в среднем и при прочих равных. Так, 23 из 33 человек (69,7 %), не покрывших кредитные обязательства после возникновения факта просроченной задолженности по микрокредиту, были женщинами. Строго говоря, во всех рассмотренных выше работах изучалось только влияние факторов на факт дефолта заемщика МФО, поэтому прямая аналогия предшествующих результатов нашим выводам не вполне корректна. Но можно заключить, что большинство авторов (Diner, 2016; Modisagae, Ackermann, 2018; Mokhtar et al., 2012; Muthoni, 2016; Roslan, Mohd Zaini, 2009; Sayuti, Ibrahim 2017) пришли к выводу, что женщины - более добросовестные заемщики МФО. Мы же, напротив, подтверждаем вывод, полученный в работе Н. Наваи и М. Мохд Шарифф (2012). Эти результаты исследования дают нам основание косвенно опровергнуть гипотезу о более высокой вероятности возврата денежных средств для женщин.

Проанализировав результаты, полученные при оценке вероятности невозврата микрокредитов после возникновения просроченной задолженности, мы пришли к выводу, что при увеличении сумм штрафов и пеней на один рубль в среднем и при прочих равных вероятность невозврата микрокредита после наступления ситуации просроченной задолженности увеличивается на 0,0005 %. Такое заключение соответствует ожиданиям, поскольку выплачивать большие суммы становится для заемщиков проблематично. Заметим, что 27 декабря 2018 года был подписан «Федеральный Закон О Внесении Изменений в Федеральный Закон «О Потребительском Кредите (Займе)» и «Федеральный закон «О Микрофинансовой Деятельности и Микрофинансовых Организациях», который частично вступил в законную силу. В ФЗ предполагается ограничение процентной ставки по потребительским кредитам до одного процента в день (вступление в силу с 01.07.2019), а также ограничение увеличения тела долга после возникновения просроченной задолженности до полуторакратного размера суммы (вступает в силу 01.01.2020). На период с 28.01.2019 по 30.06.2019 размер ответственности по договорам со сроком возврата микрокредита до одного года, заключенным в этот период, ограничен 2,5 размерами суммы кредита, максимальная ставка по таким договорам составляет 1,5% в день. Данные изменения напрямую повлияют на размер штрафов и пеней (сумма начислений штрафов и пеней будет значительно уменьшена) и вероятность возврата денежных средств после возникновения ситуации неплатежей (ожидается повышение вероятности возврата).

Стоит подчеркнуть, что на основании двух построенных логистических регрессий для вероятности возникновения просроченной задолженности и факта неплатежей после нее не удалось найти подтверждение наличию ни «долговой ловушки», ни «эффекта заражения» (последний имел место в работе Jordan et al. (2017)). Статистически значимые эффекты не были обнаружены во всех спецификациях. Полученный результат относительно «долговой ловушки», аналогичен выводу в работе С. Р. Османи (2017), где она также не была обнаружена. Однако результат исследования, фиксирующий отсутствие «долговой ловушки» противоречит выводам других авторов (Muthoni, 2016; Setargie, 2013; Wachira et al., 2017).

Отметим, что распределение остатков, полученных для всех логистических регрессий, было отлично от нормального (проведена проверка на нормальность при помощи гистограмм и теста Шапиро-Уилкса). Это накладывает ограничение на полученные результаты в части качества полученных оценок. 

Заключение

Цель проведения исследования состояла в выявлении факторов, влияющих на возникновение просроченной задолженности при микрокредитовании и окончательного невозврата денежных средств в МФО после наступления ситуации неплатежей. Предложенная работа представляется актуальной по целому ряду причин. Во-первых, микрокредитование, сопряженное с высокими рисками по причине некредитоспособности с точки зрения традиционных банков заемщиков, широко распространено на российском рынке. Как показывает статистика БКИ «Equifax», более двадцати процентов микрокредитов не возвращаются в МФО вовремя. Из этого следует необходимость понимания, какие факторы влияют на погашение обязательств заемщиками МФО. Во-вторых, денежные средства могут быть возвращены в организацию после возникновения неплатежей, что также является важным аспектом микрофинансовой деятельности и требует детального рассмотрения. Напомним, что это связано, прежде всего, с необходимостью покрытия временных и финансовых издержек, понесенных МФО вследствие невозврата денежных средств заемщиком и обращением в судебные органы. Построенные в ходе исследования модели также позволили произвести градацию заемщиков МФО по уровню кредитоспособности.

В работе были использованы данные, полученные от микрокредитной компании (МКК), работающей на территории Пермского края, за период с 2012 по 2018 годы. Эмпирические результаты были получены с помощью построения соответствующих логистических регрессий. В первой модели было оценено влияние социально-демографических характеристик заемщиков, параметров микрокредита и МКК на вероятность возникновения просроченной задолженности. Во второй модели - аналогичных групп факторов на вероятность окончательного невозврата денежных средств в МКК.

В результате проведенного исследования можно сделать вывод, что пенсионеры являются более надежными заемщиками. Несмотря на то, что вероятность неплатежей по договору микрокредитования не зависела от принадлежности заемщика к группе пенсионеров, вероятность возвратности денежных средств после возникновения ситуации просроченной задолженности для них оказалась выше, чем для прочих заемщиков. Кроме того, в ходе построения первой модели не было обнаружено, что вероятность наступления факта просроченной задолженности выше для молодых и пожилых людей, что описано в литературе. На основе первой модели не удалось найти и подтверждения тому факту, что вероятность неплатежей у женщин ниже, чем у мужчин, о чем также говорится в большинстве предыдущих исследований. Однако оказалось, что от пола заемщика МКК зависит вероятность возврата денежных средств после возникновения задолженности. Вероятность невозврата микрокредита после обращения в суд (во второй модели) для женщин была положительной. Более того, не удалось обнаружить «долговой ловушки» и «эффекта заражения» при микрокредитовании.