= ОТРАСЛЕВЫЕ ПРОБЛЕМЫ
ИССЛЕДОВАНИЕ ПРИЧИН ОТЗЫВА ЛИЦЕНЗИЙ У РОССИЙСКИХ КОММЕРЧЕСКИХ БАНКОВ В ПОСТКРИЗИСНЫЙ ПЕРИОД (2010-2011)
© 2015 г. А.М. Емельянов, О.О. Брюхова
(Пермь)
В статье рассматриваются факторы, определяющие вероятность отзыва лицензий российских коммерческих банков в посткризисный период с 1 января 2010 г. по 31 декабря 2011 г. Прогнозирование финансовой устойчивости осуществляется с использованием логистической модели бинарного выбора, построенной на основе ежемесячной бухгалтерской отчетности, взятой за пять месяцев до наблюдения статуса банка. В работе также рассматривается вопрос о влиянии несбалансированности исходных данных на качество модели.
Ключевые слова: банк, оценка вероятности банкротства, логистическая регрессионная модель, финансовые показатели.
Классификация JEL: G210, C530.
ВВЕДЕНИЕ
Изменчивая конъюнктура российской финансовой сферы создает стимулы для осуществления постоянного контроля уровня надежности и финансовой устойчивости банков. Банкротство банка негативно сказывается на его непосредственных вкладчиках и кредиторах, а также снижает доверие к банковской системе в целом, не позволяя ей эффективно функционировать. В зарубежной практике контроль над риском дефолта банков осуществляется на основе внешних и внутренних рейтингов. Отсутствие в России развитой системы внешнего рейтингования обусловливает популярность второго подхода, связанного с разработкой систем раннего предупреждения. Использование систем раннего предупреждения позволяет по показателям, доступным на текущий момент, определить будущее финансовое состояние банка. Такой подход дает возможность менеджменту банка и регулятору своевременно осуществлять меры, направленные на его оздоровление.
Модели, позволяющие прогнозировать банкротство, уже достаточно долго обсуждаются в литературе, посвященной корпоративным финансам. Один из первых способов оценки финансового состояния компании - множественный дискриминантный анализ - был предложен еще Э. Альтманом (Altman, 1968). Среди более современных методов оценки вероятности банкротства можно выделить Logit- и Probit-модели, оболочечный анализ данных (Data Envelopment Analysis) (Charnes et al., 1978), нейронные сети (Bell, 1997), алгоритм распознавания признаков (trait recognition approach) (Kolari, Caputo,Wagner, 1996).
Для оценки вероятности банкротства банков наиболее широко применяется логистическая регрессия. Эффективность данного метода оценки была подтверждена во многих исследованиях: от самых ранних (Martin, 1977) до современных (Карминский и др., 2012).
Впервые возможность применения бинарной логистической регрессии для оценки вероятности дефолта была тестирована Д. Мартином на основе данных по банкам США за период 1975-1977 гг. (Martin, 1977). Эмпирическое исследование показало, что логистическая регрессия обеспечивает не меньшую точность прогноза, чем применявшийся ранее множественный дискриминантный анализ (МДА). Дополнительное преимущество логистической регрессии заключается в том, что ее результатом является не только классификация банка как банкрота или
небанкрота, но и прогнозирование точной вероятности его дефолта. Кроме того, использование логистической регрессии позволяет оценить значимость влияния объясняющих переменных, которые включены в модель. Благодаря данным особенностям построение logit-моделей становилось все более популярным способом оценки вероятности банкротства банков. Так, данный подход применялся для выявления финансовых показателей, объясняющих крупнейшие дефолты американских банков за период 1989-1992 гг. (Kolari et al., 2002). В исследуемую выборку вошли 50 обанкротившихся банков с величиной активов не менее 250 млн долл. и 50 финансово устойчивых банков, которые были подобраны в соответствии с размером и схожестью экономических и конкурентных условий регионов, в которых действуют банки. Наиболее значимыми оказались факторы, отражающие уровни рентабельности, достаточности капитала и кредитного риска. Построенные logit-модели позволили прогнозировать вероятность дефолта за 1 год до его наступления с точностью 100% для исходной выборки и 70% - для тестирующей; а за 2 года - с точностью 96 и 60% соответственно. Значимость показателей прибыльности, достаточности капитала и ликвидности подтвердилась также в исследовании (Kahn, Papanikolaou, 2013), проведенном по данным американских банков, которые обанкротились в период 2007-2010 гг. Эмпирически авторы показали, что крупные банки сталкиваются с большими рисками банкротства, чем мелкие. Данный факт является следствием привлечения ими более современных финансовых продуктов для финансирования своей деятельности, что создает дополнительные риски к традиционным процентным доходам, к которым прибегают мелкие банки.
Зародившаяся в США проблема прогнозирования вероятности банкротства банков стала широко обсуждаться исследователями по всему миру. На основе данных об азиатских банках за период 1996-1998 гг. авторы (Paola et al., 2002) выявили, что показатели бухгалтерской отчетности позволяют получать несколько более точные прогнозы финансового состояния банка, чем информация, получаемая с фондового рынка или из кредитных рейтингов. Авторы пришли к выводу, что в развивающихся финансовых системах имеет смысл использовать комплекс показателей различных видов. Банковскому кризису 1997-1999 гг. в азиатских странах также посвящено исследование Бонджини, Клаессенса, Ферри (Bongini et al., 2001). В их исследовании выборка включала 283 банка из Индонезии, Кореи, Малайзии, Филиппин и Таиланда. Авторы проанализировали зависимость между вероятностью дефолта банка и его отношением к крупным промышленным группам или влиятельным семьям.
Оценке вероятности банкротства коммерческих банков Турции посвящена работа Б. Эрдога-на (Erdogan, 2008). В исследовании была использована информация из годовых бухгалтерских отчетов 42 коммерческих банков за период 1999-2001 гг. Автор построил logit-модель, на основе которой можно оценить вероятность дефолта за два года до его наступления. В модель были включены показатели, описывающие долю капитала банка, его прибыльность, соотношения доходов и затрат, а также резервы под возможные потери по кредитам.
Моделированию вероятности дефолта европейских банков также посвящен ряд работ. Так, в исследовании (Berg, Hexeberg, 1994) выявляются основные индикаторы проблемных банков Норвегии, а детерминанты финансового положения небольших банков Великобритании в начале 1990-х годов подробно описаны в работе А. Логана (Logan, 2000).
Анализ теоретических и эмпирических статей показал, что, несмотря на наличие общих подходов к оценке вероятности дефолта банков, существует определенная страновая специфика, которую необходимо учитывать при моделировании. В связи с этим особое внимание стоит уделить исследованиям, посвященным анализу состояния российских коммерческих банков.
Наиболее значительные результаты в моделировании вероятности банкротства российских банков были получены группой исследователей под руководством А.А. Пересецкого и А.М. Кар-минского. В ряде работ представлены результаты предварительного разделения банков на кластеры (Головань, Карминский и др., 2003), добавления в модель макроэкономических показателей (Головань и др., 2004) и институциональных факторов (Карминский, Костров, 2013). Моделирование осуществлялось с использованием логистической регрессии на основе данных из квартальной бухгалтерской отчетности банков, предоставленной информационным агентством «Мобиле». Авторы анализируют современную российскую банковскую систему с использованием квазипанельных данных за период 1998-2011 г. (Карминский, Костров, 2013).
В работе, описывающей возможность разделения банков на кластеры, предлагается два варианта разделения: на основе экспертного подхода и с использованием формального алгоритма построения функции максимального правдоподобия (Головань и др., 2003). Итогом выявления структурной неоднородности банков стало улучшение диаграммы ошибок. Данный эффект особенно ярко проявился при разделении банков на кластеры по доле вложений в государственные ценные бумаги: вероятность ошибки второго рода снизилась примерно на 20% при неизменном уровне ошибок первого рода. Схожий, но менее значимый результат достигается, если принять в качестве параметра разделения доли собственного капитала в активах банка. Для значительного улучшения качества модели достаточно добавить в нее всего один макропоказатель. Наиболее удачным оказалось включение в модель валютного курса, объема чистого экспорта (Головань и др., 2004) или индекса потребительских цен (Карминский, Костров, 2013). Среди институциональных факторов значимым оказался индекс Лернера. Интересным результатом стало обнаружение нелинейной зависимости между долей капитала в чистых активах банка и вероятностью его дефолта (Карминский, Костров, 2013).
Выявлению факторов, влияющих на вероятность дефолта российских банков, также посвящено исследование Лелайна и Веннета (Lanine, Vennet, 2006). В качестве объясняющих переменных они использовали параметры, отражающие прибыльность банка, его размер, а также подверженность рискам дефолта, ликвидности и недостаточности капитала.
Финансовая сфера российской экономики серьезно пострадала в период кризиса 20082009 гг. Факторы, влияющие на вероятность банкротства банков в кризисный период, были определены в работе (Дробышевский, Зубарев, 2011). Исследование проводилось на основе квартальных данных о банках, ставших банкротами в течение кризиса 2008-2009 гг. Всего в выборку вошло 1331 событие. Результаты показали, что участие банка в кредитовании физических лиц снижает вероятность банкротства. Интересные результаты были получены авторами относительно влияния на вероятность банкротства доли просроченных кредитов. Как подсказывает логика, рост данного показателя должен приводить к снижению устойчивости банка, однако авторы обнаружили противоположную ситуацию. Полученные ими результаты можно объяснить тем, что реальную величину просроченных кредитов не скрывают только крупные и успешные банки, а
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.