ЭКОНОМИКА И МАТЕМАТИЧЕСКИЕ МЕТОДЫ, 2013, том 49, № 1, с. 106-118
МАТЕМАТИЧЕСКИЙ АНАЛИЗ ЭКОНОМИЧЕСКИХ МОДЕЛЕЙ
ПРИМЕНЕНИЕ МОДЕЛЕЙ БИНАРНОГО ВЫБОРА ДЛЯ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА БАНКОВ
© 2013 г. Е.А. Федорова, Е.В. Гиленко
(Москва)
В работе предложена модель прогнозирования банкротства российских банков на основе применения эконометрического аппарата моделей бинарного выбора. Итоговый комплексный показатель состоит из пяти факторов. В работе построены предельные эффекты, которые позволяют оценить изменение вероятности банкротства при разных значениях факторов, влияющих на состояние банкротства банка. В работе по результатам оценивания прогнозной силы разработанной модели получен вывод о достаточно высокой степени точности прогнозирования банкротства банка.
Ключевые слова: пробит-модель, логит-модель, банкротство банков, прогнозирование кризисной ситуации, предельные эффекты.
Особое место среди существующих теоретических и практических проблем управления коммерческим банком занимает проблема предсказания кризисной ситуации и, в частности, его банкротства. Как известно, в настоящее время Россию часто рассматривают как страну с развивающейся экономикой, что обусловливает нестабильность процессов и факторов, составляющих внешнюю среду деятельности коммерческих банков и банковского сектора в целом. В результате для обеспечения эффективного функционирования банка в условиях нестабильных рыночных процессов необходимо не только осуществлять финансовый анализ банка в целях определения его состояния на заданном этапе развития, но и проводить раннюю диагностику на предмет возможного банкротства в будущем.
Вместе с тем в настоящее время еще не разработана методика, позволяющая с достаточной степенью достоверности прогнозировать банкротство коммерческого банка в российских условиях. Кроме того, на сегодняшний день отсутствует единый источник, содержащий систематизацию известных методик прогнозирования банкротства коммерческих банков. Тема, связанная с прогнозированием банкротства, является вполне актуальной для российской экономики.
Прогнозирование банкротства финансовых предприятий широко исследовали начиная с конца 1960-х годов. Кредиторы, аудиторы, акционеры и топ-менеджеры - все заинтересованы в прогнозировании банкротства. Состояние банка или компании в конкурентной среде зависит от уровня финансовой устойчивости, ликвидности, рентабельности и способности выполнять свои обязательства перед кредиторами. Становясь менее и менее платежеспособным, банк или фирма постепенно входит в зону банкротства.
В исследованиях, связанных с анализом банкротства предприятий и банков, используются различные методы исследования. К основным методам прогнозирования банкротства относят статистические и аналитические. Статистические методы прогнозирования банкротства включают линейную регрессию и ее различные модификации, модели бинарного выбора (логит- и пробит-моделирование), факторный анализ. К аналитическим методам можно отнести нейронные сети, линейное программирование, метод построения бинарного дерева, методы нечеткой логики и т.д.
В табл. 1 на основе зарубежных источников представлен обзор исследований банкротства банков. Можно отметить, что исследований по банкротству банков сравнительно меньше, чем исследований банкротств предприятий небанковского сектора. Так, например, в работе (Ravi K.P., Ravi V., 2007, p. 1-28) представлен довольно полный обзор методик прогнозирования
банкротства и фирм, и банков, причем из общего числа методик (129) только 12 посвящены разработке методики прогнозирования банкротства банков. Это означает, что тема является недостаточно исследованной не только в отечественной, но и в зарубежной науке. В зарубежных исследованиях оцениваются внешние и внутренние факторы, влияющие на банкротство банков. В табл. 1 систематизированы факторы, влияющие на банкротство банков.
В (West, 1985, p. 253-266) применялись факторный анализ и логит-моделирование для создания сложных критериев оценки банкротства банков, построенных на основе операционных и финансовых показателей. Данные были взяты из отчетов Call & Income и экспертных отчетов 1900 коммерческих банков США.
В (Haslem еt al., 1992, p. 253-266) рассматривалось влияние различных банковских стратегий (в частности, стратегии диверсификации в виде расширения на иностранные рынки) на отчетность коммерческих банков США. Для исследования авторы исследования использовали данные 1987 г. и финансовые отчеты 176 крупных американских банков, включая как зарубежные, так и местные отделения. Они использовали традиционный корреляционный анализ и составили критерии банкротства.
В (Kolari et al., 2002, p. 361-387) была разработана система раннего предупреждения кризисных ситуаций на основе логит-анализа. Логит-модель верно определила 96% банков за один год до банкротства и 95% банков - за два года до банкротства. Для апробации модели распознавания признаков банкротства исследователи использовали половину выборки.
В (Tam, 1991, с. 429-445) применялся метод BPNN (обучаемая нейронная сеть с механизмом обратного распространения) для прогнозирования банкротства. Исследование проводилось на основе данных банков штата Техас за год или два до наступления банкротства. Выбор переменных был основан на системе CAMEL. В своей работе К. Там продемонстрировал, что метод BPNN предлагает большую точность прогнозирования, чем другие методы.
Что касается российских ученых, то можно отметить исследования А.А. Пересецкого, А.М. Карминского и А.Г. Суста, касающиеся построения рейтингов российских банков (Пере-сецкий и др., 2004). В качестве метода исследования в данной работе было проведено анкетирование экспертов, работающих в банках и финансовых компаниях. По результатам опроса были построены эконометрические модели мнений экспертов относительно ранжирования реально существующих и виртуальных банков, кроме того, были проанализированы ответы экспертов на вопрос о том, какие параметры банков являются наиболее значимыми для обеспечения его устойчивости. Во всех построенных моделях оказались значимыми такие характеристики, как показатели размера собственного капитала банка, показатели ликвидности и достаточности капитала.
Если обратиться к анализу внешних и внутренних факторов прогнозирования банкротства банков, представленных в табл. 1, можно отметить, что в большей части работ рассматривались коэффициенты финансового состояния банка. В значительной части исследований используются также выборки данных, относящиеся к 1980-2003 гг., для подавляющего большинства работ использовались данные США, дополненные данными европейских стран.
По нашему мнению, в качестве основных причин неприменимости статистических моделей зарубежных авторов в российских условиях можно назвать:
- различия в исходных данных, используемых для построения моделей: статистические модели были построены на основе выборки зарубежных банков, для которых характерны параметры структуры баланса и эффективности деятельности, отличные от российских. В результате коэффициенты модели применимы только для банков, аналогичных тем, что вошли в выборку;
- различия в макроэкономической ситуации: несмотря на то что ряд моделей не содержит непосредственно факторов, отражающих макроэкономическую ситуацию в стране, данные факторы воздействуют на параметры деятельности коммерческих банков, из которых составлялась выборка, и, следовательно, полученные коэффициенты модели также неприменимы для страны с другой макроэкономической ситуацией (например, параметры, рассчитанные для страны с низкими темпами инфляции, не подойдут для страны с высокой инфляцией). Данное утверждение справедливо также для методик, разработанных длительный период времени назад.
Таблица 1. Факторы, влияющие на банкротство банков
Авторы
Выборка
Переменные
Alam et al., 2000, p.185-199
Bell, 1997, p.249-264
100 банков США
2067 банков штата Техас
Canbas et al., 2005,c. 528-546
40 банков Турции
Cielen, Peeters, 2004,c. 526-532
Haslem et al. 1992
Kolari et al., 2002,p.361-387
366 банков Бельгии
176 банков США
8977 банков США
Чистая прибыль / итого активы (рентабельность активов (ROA)), чистые потери по кредитам / скорректированные активы, чистые потери по кредитам / итого кредиты (чистые потери по кредитам + резервы под потери по кредитам) / прибыль, просроченные кредиты / итого активы
Сельскохозяйственные кредиты / итого активы, кредиты на коммерческую недвижимость / итого активы, строительные кредиты / итого активы, общий доход до вычетов, долгосрочные депозиты / итого активы, кредиты лицам, связанным с банком, к чистым кредитам, натуральный логарифм (итого активы), чистая амортизация / итого кредиты, ROA, чистый процентный доход / итого активы, чистые кредиты / итого активы, непроцентные доходы / итого активы, просроченные кредиты / первичный капитал, просроченные кредиты/ итого активы, просроченные кредиты / валовые кредиты, первичный капитал / скорректированные активы, резервы на потери по кредитам / итого активы, реструктурированные кредиты / валовые кредиты, рентабельность собственного капитала, прибыли (убытки) от ценных бумаг, а также дополнительные элементы / итого активы, краткосрочные активы за вычетом больших обязательств / итого активы, совокупный капитал / итого кредиты, совокупный собственный капитал, общие накладные расходы / итого активы, нераспределенная прибыль и резервный капитала к общей сумме активов, доходность совокупных активов Коэффициент ликвидности, коэффициент прибыли, расходы по процентам / средние нерентабельные активы, расходы по процентам / средние рентабельные активы, расходы по процентам / совокупные расходы, процентные доходы / процентные расходы, ликвидные активы / (депозиты + недепозитные фонды), ликвидные активы / итого активы, чистый оборотный капитал / итого активы (заработная плата и премии сотрудников + пенсионные резервы) / численность персонала (акционерный капитал + совокупный доход) / (амортизационные + неамортизационные фонды), (акционерный капитал + совокупный доход) / итого активы (акционерный капитал + совок
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.