Научный журнал

Фундаментальные исследования

ISSN 1812-7339

"Перечень" ВАК

ИФ РИНЦ = 1,674

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Бурова И.В. 1 Паничкина М.В. 2

---

1 Крымский Федеральный университет им. В.И. Вернадского

2 Южный федеральный университет

Целью исследования является анализ применения экономико-математических методов для построения модели вероятности банкротства кредитных организаций на основе бинарной логистической регрессии. Основными методами, нашедшими применение в настоящем исследовании, являются методы эконометрического, системного и экономического анализа. В качестве базовой модели была использована логистическая регрессия. Применение таких эконометрических методов, как кластерный и факторный анализ, позволило на основании информации об обязательных резервах, чистой ссудной задолженности и нераспределенной прибыли кластеризовать кредитные организации и дать количественную оценку вероятности их банкротства на 2018 г. Эмпирическую базу для проведенного исследования составила информация о финансовом состоянии кредитных организаций Российской Федерации в 2018 г., представленная на крупнейшем независимом финансовом интернет-портале Банки.Ру. Результаты работы: получено уравнение бинарной логистической регрессии, позволяющее построить модель вероятности банкротства кредитных организаций, экономическая интерпретация которой позволяет сделать вывод о наибольшем влиянии на вероятность банкротства банков таких факторов, как чистая ссудная задолженность и выпущенные долговые обязательства, соотнесенные с уставным капиталом. Область применения: полученные результаты могут быть использованы в практике управления коммерческих банков в рамках реализации задач риск-менеджмента. Проверка качества полученной бинарной логистической регрессии показала, что данная модель является адекватной и может быть использована в организациях банковского сектора для оценки и прогнозирования вероятности ухудшения финансового состояния кредитной организации. Перспективным направлением развития модели видится включение в модель показателей банковских рейтингов для более точной оценки риска наступления банкротства.

Статья в формате PDF

487 KB

кредитные организации

банковский сектор

банкротство

финансовое состояние

эконометрические методы

логистическая регрессия

1. Дробышевский С.М., Зубарев А.В. Факторы устойчивости российских банков в 2007–2009 гг. М.: Ин-т Гайдара, 2011. 104 с.

2. Можанова И.И. Финансовая устойчивость коммерческих банков и нефинансовых организаций: теоретический и практический аспекты // Финансы и кредит. 2014. № 4.(580). С. 36–44.

3. Бычков, В.Е. Яшина Н.И. Прогностический и предупредительный потенциал бинарной логистической регрессии в проблеме банкротства коммерческих банков. // Молодёжный научный вестник. 2017. № 5(17). С. 214–220.

4. Паничкина М.В., Бурова И.В. Экономико-статистический анализ воздействия территориальных и отраслевых факторов на уровень производительности труда // Фундаментальные исследования. 2018. № 5. С. 91–96.

1. 5.Бурова И.В. Использование регрессионного анализа в оценке стоимости объектов регионального рынка недвижимости // Региональные проблемы преобразования экономики. 2020. № 2 (112). С. 39–45.

5. Бурова И.В. Экономико-математический анализ эффективности использования персонала организации сферы санаторно-курортного обслуживания // Финансовая экономика. 2019. № 4. С. 481–485.

6. Головань С.В., Карминский А.М., Копылов А.В., Пересецкий А.А. Модели вероятности дефолта российских банков. М.: Российская экономическая школа, 2003. 49 с.

7. Иванов В.В. Построение методологии моделирования вероятности наступления дефолта банка в российских условиях // Актуальные вопросы экономики и управления: материалы III Международной научной конференции (Москва, 2015 г.). М.: БукиВеди, 2015. С. 65–69.

8. Кузнецов Д.Ю., Трошина Т.Л. Кластерный анализ и его применение // Ярославский педагогический вестник. 2016. № 4 (49). С. 103–107.

9. Пересецкий А.А. Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов // Прикладная эконометрика. 2013. № 2 (30). С. 49–64.

В связи с тем, что необходимым условием эффективного функционирования рыночной экономики является наличие налаженной финансовой системы, обязательным элементом которой служит система кредитных организаций [1, 2], образующая специфическую экономическую и организационно-правовую структуру, обеспечивающую функционирование денежного рынка и экономики в целом, исследование финансовой устойчивости кредитной организации, т.е. ее состояния, которое характеризуется сбалансированностью финансовых потоков, достаточностью денежных средств для поддержания своей платежеспособности и ликвидности, а также рентабельностью деятельности, представляется актуальным.

Целью исследования является применение экономико-математических методов для построения модели вероятности банкротства кредитных организаций на основе бинарной логистической регрессии.

Материалы и методы исследования

Исследование существующих методов оценки финансовой устойчивости кредитной организации показало, что в настоящее время существует немало подходов, отличающихся параметрами, показателями и даже способами представления результатов. Так, детально исследовать деятельность банка и выявить специфические черты его функционирования позволяет коэффициентный анализ, предоставляющий возможность осуществить детализированный расчет параметров, характеризующих разнообразные стороны деятельности кредитных организаций. Преимуществами метода являются надежность и возможность вычисления большого количества важных показателей финансовой устойчивости банка, но при этом громоздкость метода усложняет процесс выявления общих тенденций, не дает возможности сделать обобщающую оценку и определить преимущества одной кредитной организации перед другой.

Существуют рейтинговые методы оценки банков, в результате которых объект, который анализируется, попадает под характеристику, которая отвечает его теперешнему финансовому состоянию и прогнозу деятельности. Расчет показателей по рейтинговым системам помогает выявить направления развития кредитно-финансового рынка и делать выводы о состоянии банковской системы. Однако рейтинговые методы оценки не всегда позволяют предвидеть изменения надежности и устойчивости банков, поскольку результативность методов зависит от качества информационной базы и экспертных предпочтений.

Наиболее современным подходом к оценке финансовой устойчивости банков являются математико-статистические методы [3, 4] (SEER Rating, SCOR, SEER Risk Rank, Bank Calculator – OCC, SAABA, модель оценки перспективной финансовой устойчивости банка, методика рейтинга динамичной финансовой стабильности банков и др.). Их особенность заключается в том, что они оценивают финансовую устойчивость банка на перспективу, что дает возможность заблаговременно предпринять меры во избежание потерь, и используют только количественные данные и комплексные статистические модули, программы и подходы для подготовки выводов о перспективах развития банка. Ограниченное использование математико-статистических методов в настоящее время можно объяснить некоторой сложностью и потребностью владения знаниями в области теории вероятности и математической статистики [5, 6]. Стоит отметить, что математико-статистические методы дают возможность при использовании неконфиденциальной информации осуществить ее глубокий и обстоятельный анализ [6, 7], получить более объективную оценку финансовой устойчивости банка, чем это возможно рейтинговыми методами, поэтому их использование в целях исследования финансовой устойчивости кредитной организации предпочтительнее [5, 8, 9].

Эмпирическую базу для проведенного исследования составила информация о финансовом состоянии кредитных организаций Российской Федерации, представленная на крупнейшем независимом финансовом интернет-портале Банки.Ру, источником данных на котором является Центральный Банк РФ, что делает информацию официальной и достоверной.

В 2018 г. Центральным Банком Российской Федерации были отозваны лицензии у 60 кредитных организаций. При этом 20 из них были лишены лицензии, а 40 оставшихся были признаны банками-банкротами [10]. По этим 40 банкам-банкротам, а также еще по 114 функционирующим банкам была собрана такая информация, как объем обязательных резервов, чистой ссудной задолженности, вкладов (средств) физических лиц, в том числе индивидуальных предпринимателей, нераспределенной прибыли, выпущенных долговых обязательств, собственных средств, средств кредитных организаций, отложенных налоговых обязательств.

На предварительном этапе была построена гистограмма распределения, на основании которой был сделан вывод, что в генеральной совокупности количество активных банков значительно выше, чем количество банков, которые были признаны банкротами. Данный вывод соответствует действительности, однако выборка является смещенной, что не позволяет получить верные статистические результаты. Возникает необходимость в формировании такой совокупности, в которую входили бы как действующие банки, так и банки-банкроты, которые бы являлись сопоставимыми. Оценка разброса между средними значениями по банкам-банкротам и активным банкам (табл. 1) показала большую степень разброса данных, что может стать причиной низкой точности модели.

Таблица 1

Описательные статистики

Примечание: рассчитано автором с использованием ПП Statistica 13.0.

Таблица 2

Дисперсионный анализ

Примечание: рассчитано автором с использованием ПП Statistica 13.0.

Таблица 3

Средние кластеров

Примечание: рассчитано автором с использованием ПП Statistica 13.0.

Для получения более однородной выборки было принято решение провести кластерный анализ [7, 9]. Кластерный анализ был проведен в программном продукте Statistica с использованием метода K-средних. Изначально все переменные были стандартизированы.

В ходе исследования предпринимались попытки разделить всю совокупность на 4 и на 8 кластеров, но из-за большого количества независимых переменных в отдельные кластеры выделялись только одни из самых крупных банков, такие как Сбербанк, ВТБ, Газпромбанк и иные, а основная масса банков, как активных, так и банкротов, попадала в один кластер. Это послужило причиной сокращения количества независимых переменных. Банки были кластеризованы на основании информации об обязательных резервах (ОР), чистой ссудной задолженности (ЧСЗ) и нераспределенной прибыли (НРП). Заданное количество кластеров было равно 8. В табл. 2 приведены результаты дисперсионного анализа для определения уровня значимости различий между кластерами.

В связи с тем, что фактическая вероятность допустить ошибку первого рода меньше допустимого уровня значимости (5 %), различия между полученными кластерами значимы, а поскольку дисперсия между кластерами больше, чем внутри кластеров, можно сделать вывод о правильности разбиения и справедливости расчетов для всех трех показателей.

В табл. 3 представлены средние величины кластеров по всем переменным.

Результаты исследования и их обсуждение

По итогам кластерного анализа были образованы 8 кластеров, в первый из которых попал один объект – Сбербанк России, во второй – два (Газпромбанк и ВТБ), в третий – 12 банков, в четвертый – 13, в пятый – 23, в шестой – 9, в седьмой – 7, в восьмой – 87. В восьмой кластер попадают все 40 банков, которые были признаны банкротами в 2018 г., а также 47 активных в настоящее время банков. Подобное распределение дает возможность построения адекватной логит-модели.

В связи с тем, что значения показателей сильно варьируют, что может привести к трудностям при построении модели, их необходимо привести к сопоставимому виду путем перехода от абсолютных показателей к относительным. Для этого выбранные переменные были соотнесены с уставным капиталом (табл. 4).

Таким образом, проверка качества полученной бинарной логистической регрессии показала, что данная модель является адекватной.

Экономическая интерпретация полученной модели позволяет сделать вывод, что с увеличением таких показателей, как чистая ссудная задолженность и выпущенные долговые обязательства, повышается вероятность банкротства банка, тогда как обязательные резервы, вклады (средства) физических лиц, в том числе индивидуальных предпринимателей, нераспределенная прибыль и собственные средства повышают финансовую устойчивость кредитной организации. Наибольшее положительное влияние на вероятность банкротства кредитной организации оказывают чистая ссудная задолженность, поделенная на уставный капитал, и выпущенные долговые обязательства, поделенные на уставный капитал. Банкротство кредитной организации прямо пропорционально значению данных показателей. Обратно пропорциональными банкротству банка являются значения обязательных резервов, поделенных на уставный капитал, вкладов (средств) физических лиц, в том числе индивидуальных предпринимателей, соотнесенных с уставным капиталом, нераспределенной прибыли, поделенной на уставный капитал, и собственных средств, соотнесенных с уставным капиталом.

Выводы

В данном исследовании построена адекватная модель, которая может использоваться для оценки вероятности и прогнозирования банкротства кредитной организации. В ходе работы была обнаружена зависимость банкротства банка от таких переменных, как чистая ссудная задолженность и выпущенные долговые обязательства. В то же время обязательные резервы, вклады (средства) физических лиц, в том числе индивидуальных предпринимателей, нераспределенная прибыль и собственные средства повышают финансовую устойчивость кредитной организации. Полученные результаты могут быть использованы в практике управления коммерческих банков в рамках реализации задач риск-менеджмента. Перспективным направлением развития модели видится включение в модель показателей банковских рейтингов для более точной оценки риска наступления банкротства.

Библиографическая ссылка