Книги по разным темам Pages:     | 1 | 2 | 3 | 4 |   ...   | 5 |

4) доля просроченных платежей в текущем квартале превышает 5% от общего объема МБК, платежей клиентам или кредитов ЦБ РФ.

Выбор данных показателей, на наш взгляд, в достаточной мере отражает вероятность возникновения проблем у банка. В частности, отрицательный балансовый капитал в условиях набега на банк приводит к невозможности выполнить все обязательства даже при полной ликвидности всех активов. Предоставление кредитов ЦБ РФ является признаком проблем с текущей ликвидностью у банка. Эта же ситуация отражается наличием просроченных платежей по обязательствам или поручениям клиентов. Кроме того, высокая доля просроченной задолженности может быть связана с невозможностью привлечения банком новых средств на межбанковском рынке, поскольку другие банки рассматривают кредиты такому банку как слишком рискованные.

Всего по выбранным четырем показателям выделено 82 точки () на всем периоде наблюдений (из 26 банков × 8 кварталов = 208 наблюдений), в том числе 35 – среди 17 “выживших” банков (из 136 наблюдений), 47 – у 9 проблемных банков (из 72 наблюдений).

Объясняющие факторы. В соответствии с принятой гипотезой мы рассматривали три группы факторов, определявших вероятность возникновения проблем у банков: микрофакторы (балансовые показатели отдельного банка), мезофакторы (характеристики сводного баланса банковской системы) и макрофакторы (изменение макроэкономических переменных)28. Всего рассматривалось 48 переменных (см. таблицу 1), в том числе 21 показатель баланса отдельного коммерческого банка, 11 показателей баланса банковской системы, 16 макроэкономических показателей.

Таблица 1.

Микрофакторы

Мезофакторы

Макрофакторы

1. Доля иностранных активов в общем объеме активов

1. Доля иностранных активов в общем объеме активов банковской системы

1. Темп прироста номинального обменного курса рубля за квартал

2. Доля остатков на корреспондентских счетах в банках-нерезидентах в общем объеме активов

2. Доля иностранных обязательств в общем объеме обязательств банковской системы

2. Темп прироста реального курса рубля за квартал

3. Доля остатков на счетах в ЦБ РФ в общем объеме активов

3. Отношение прибыли всей банковской системы за квартал к активам банковской системы на конец квартала

3. Средневзвешенная доходность ГКО-ОФЗ к погашению за квартал

4. Доля кредитов нефинансовому сектору в общем объеме активов

4. Доля кредитов нефинансовому сектору в общем объеме активов банковской системы

4. Темп прироста индекса интенсивности промышленного производства за квартал

5. Доля просроченных кредитов нефинансовому сектору в общем объеме активов

5. Доля просроченных кредитов нефинансовому сектору в общем объеме активов банковской системы

5. Темп прироста реального ВВП за квартал

6. Доля вложений в федеральные государственные ценные бумаги в общем объеме активов

6. Доля средств бюджетов всех уровней и внебюджетных фондов в общем объеме обязательств банковской системы

6. Доля М0 в М2 на конец квартала

7. Доля вложений в ценные бумаги в общем объеме активов

7. Доля депозитов населения в общем объеме обязательств банковской системы

7. Сальдо торгового баланса РФ за квартал

8. Доля обязательств в иностранной валюте в общем объеме обязательств

8. Реальный темп прироста задолженности банковскому сектору

8. Реальный темп прироста объема государственного внутреннего долга РФ за квартал

9. Отношение иностранных обязательств к активам

9. Реальный темп прироста просроченной задолженности банковскому сектору

9. Темп прироста индекса фондового рынка (РТС-1) за квартал

10. Доля обязательств перед банками-нерезидентами в общем объеме обязательств

10. Реальный темп прироста кредитов нефинансовому сектору

10. Темп прироста индекса потребительских цен за квартал

11. Доля межбанковских кредитов в общем объеме обязательств

11. Разница в темпах прироста кредитов нефинансовому сектору и депозитов населения

11. Реальный темп прироста узкой денежной базы за квартал

12. Доля средств нефинансового сектора в общем объеме обязательств

12. Темп прироста золотовалютных резервов ЦБ РФ за квартал

13. Доля средств бюджетов всех уровней и внебюджетных фондов в общем объеме обязательств

13. Средневзвешенная ставка по кредитам нефинансовому сектору

14. Доля депозитов населения в общем объеме обязательств

14. Средневзвешенная ставка по депозитам физических лиц

15. Доля банковских долговых обязательств в общем объеме обязательств

15. Разница между средневзвешенными ставками по кредитам нефинансовому сектору и по депозитам физических лиц

16. Отношение прибыли за квартал к активам на конец квартала

16. Средневзвешенная ставка по однодневным рублевым МБК

17. Отношение обязательств по поставке денежных средств нерезидентам к активам

18. Реальный темп прироста кредитов нефинансовому сектору

19. Разница в темпах прироста кредитов нефинансовому сектору и депозитов физических лиц

20. Доля активов банка в совокупном объеме активов банковской системы (без Сбербанка РФ)

21. Разница между темпами прироста кредитов нефинансовому сектору у данного коммерческого банка и темпом прироста кредитов нефинансовому сектору по всей банковской системе

Методология исследования. Как указывалось, для выявления количественной оценки влияния факторов на вероятность возникновения проблем у банка мы будем использовать методы оценки регрессионных моделей с бинарной эндогенной переменной29. В общем виде такая модель может быть записана как:

,

где – функция плотности вероятности для события, выраженного бинарной переменной Y ( – возникновение проблем у банка, – проблемы не возникли), X – вектор объясняющих переменных. Оценки вектора коэффициентов β получаются с помощью метода максимального правдоподобия. В общем случае вид функции плотности вероятности не известен, однако, для упрощения записи функции правдоподобия наиболее часто используется логистическая функция (logit model):

.

Проблема в нашем случае заключается в том, что мы работаем с панельными данными, и пренебрегать зависимостью между данными для одного и того же банка в разные моменты времени нельзя. В то же время, поскольку мы не используем лаговые переменные и вероятность события оценивается в зависимости от значений факторов, наблюдаемых в тот же период времени, мы можем пренебречь межвременной зависимостью между наблюдениями без ущерба для статистических качеств оценок30.

Спецификация логит моделей для панельных данных была предложена Чамберлейном в 1980 году31. Он показал, что стандартная логит модель при оценке панельных данных приводит к несостоятельным оценкам, если число наблюдений в каждой из групп мало (в нашем случае – не более 8 наблюдений (по числу кварталов) на один банк). Предположим, что выборка состоит из групп данных и может быть оценена с помощью следующей линейной регрессии:

,

где i – номер группы (в нашем случае – банка). Параметр отвечает за специфические характеристики i-ой группы и постоянен для всех наблюдений данной группы (в нашем случае – для всех кварталов для одного банка). Стандартная логит модель не учитывает такие специфические эффекты, и оценки коэффициентов β будут смещены как в случае пропущенных переменных (omitted variable bias).

Чемберлейн предложил для решения данной проблемы “условную” логит модель (‘conditional’ logit model), с отдельной константой для каждой группы (в нашем случае – для каждого банка32), т.е. введение в модель так называемых “фиксированных эффектов” (fixed effects):

.

Функция правдоподобия для такой спецификации логит модели строится на условном распределении данных, причем распределение не является не зависимым от x33.

Результаты оценки уравнений. В таблице 2 приведены оценки трех моделей, в которых факторы статистически значимы на 10% уровне значимости34. Модель №1 была оценена на всей имеющейся выборке данных: 26 банков × 8 кварталов, всего 208 наблюдений. Модель №2 оценена на выборке, включающей только банки, “пережившие” кризис осенью 1998 года: 17 банков × 8 кварталов = 136 наблюдений (“Автобанк”, “Альфа-банк”, “БалтОНЭКСИМбанк”, Башкредитбанк”, “Возрождение”, “Гута-банк”, “Еврофинанс”, “МДМ-банк”, “Международный промышленный банк”, “Мост-банк”, “МФК”, “Нижегородпромстройбанк”, Первое О.В.К., “Петровский”, “Промышленно-строительеный банк (Санкт-Петербург), “Тверьуниверсалбанк”, Челиндбанк, “Юнибест”). Модель №3 оценена на выборке, включающей только банки, потерпевшие крах в 1998 году (“Инкомбанк”, “Кузбасспромбанк”, “Межкомбанк”, “Менатеп”, “Мосбизнесбанк”, “ОНЭКСИМ Банк”, Промстройбанк РФ, “Российский кредит”, “Юнибест”), всего 72 наблюдения (9 банков × 8 кварталов).

Таблица 2.

Модель №1

Модель №2

Модель №3

Число наблюдений Y =1

82

35

47

Число наблюдений Y = 0

126

101

25

c

-3,300

(-5,06)

-6,387

(-4,81)

-5,712

(-2,64)

a1

-2,655

(-1,98)

a2

-4,024

(-2,79)

a4

7,439

(3,25)

6,728

(3,14)

a5

2,232

(2,20)

a7

-3,282

(-2,72)

a10

2,193

(3,13)

a13

2,469

(2,11)

Pages:     | 1 | 2 | 3 | 4 |   ...   | 5 |    Книги по разным темам