Статистический анализ численности и динамики коммерческих банков с использованием пакетов прикладных программ

Коэффициент рентабельности оказывает отрицательное влияние на вероятность отзыва лицензии банка. Рост эффективности использования собственных средств увеличивает данный показатель. Расчет показателя производится на основе формулы:Институциональные факторы:тип собственности банка. Как отмечалось в рамках исследования, одним из оснований для классификации банков является тип собственности. В работе рассматривается три группы банков: с государственным участием, участием иностранного капитала, коммерческие банковские учреждения;расположение главного офиса.Высокий уровень конкуренции в банковском секторе снижает устойчивость банковских организаций, что в наибольшей степени проявляется в условиях мегаполиса, в частности, городов Москва и Санкт-Петербург. На региональном уровне конкуренция ниже. Данный факт позволяет предположить, что территориальное расположение главного офиса банковской организации оказывает значимое влияние на вероятность отзыва лицензии, что выражается в ее увеличении для банков Москвы и Санкт-Петербурга и снижении для региональных банков.Определим переменные (таблица 1).Таблица 1 - Переменные исследования№ п/пНаименование переменнойОбозначение переменнойЕдиница измерения1Наличие лицензииLIC1 – наличие 0 –отозвана2Чистые активыNET_ASтыс. руб.3Норматив достаточности собственных средствN1%4Норматив текущей ликвидностиN3%5Рентабельность активовRET_AS%6Рентабельность капиталаRET_EQ%7Просроченная задолженность в кредитном портфелеOV_Dтыс. руб.8Государственное участиеST_P1 – с государственным участием0 –без государственного участия 9Иностранное участиеF_P1 – синостраннымучастием0 –без иностранного участия 10Территориальная расположенность главного офисаOF1 –в Москве или Санкт-Петербурге;0 –в регионеСформулируем гипотезы исследования:на вероятность отзыва лицензии банка прямое влияние оказывает показатель норматива достаточности собственных средств.банки с государственным участием наиболее устойчивы. Расположение главного офиса банка в мегаполисах (г. Москва или г. Санкт-Петербург)приводит к увеличению вероятностиотзыва лицензии.Построение эконометрической моделиРассмотрим распределение банков по исследуемым качественным показателям (таблица 2).Таблица 2 - Распределение банков по качественным показателямПеременнаяКоличествоУдельный вес в выборке, %Общее число в выборкеГосударственное участие1027,836Иностранное участие822,236Без государственного и иностранного участия185036Главный офис в Москве или Санкт-Петербурге2055,636Главный офис в регионе России1644,436Таким образом, наблюдается относительно равномерное распределение банков в выборке. По результатам анализа выборки на выбросы из исследования исключены крупнейшие банки России: Сбербанк, ВТБ, Альфа Банк, Промсвязьбанк, Газпром Банк и другие. Для оценки взаимосвязи показателей и исключения эффекта мультиколлинеарности выполним построение матрицы парных коэффициентов корреляции (таблица 3).Таблица 3 - Матрица парных коэффициентов корреляцииLICNET_ASN1N3RET_ASRET_EQOV_DST_PF_POFLIC1,000,183*-,181*-,160,091,129,158*,221**,187**,101NET_AS,183*1,000-,569**,006,125,157*,815**,321**,548**,202**N1-,181*-,569**1,000-,018,104-,029-,635**-,208*-,301**,156N3-,160,006-,0181,000,078-,084-,100-,043,003-,301**RET_AS,091,125,104,0781,000,444**-,018-,091,162*,087RET_EQ,129,157*-,029-,084,444**1,000,058,049,099,036OV_D,158*,815**-,635**-,100-,018,0581,000,236**,463**,076ST_P,221**,321**-,208*-,043-,091,049,236**1,000-,329**-,073F_P,187**,548**-,301**,003,162*,099,463**-,329**1,000,221**OF,101,202**,156-,301**,087,036,076-,073,221**1,000Таким образом, статистически значимая связь показателя состояния лицензии банка наблюдается с показателем чистых активов, нормативомдостаточности собственных средств, величинойпросроченной задолженности в кредитном портфеле,государственным и иностранным участием в капитале. Следует отметить, что показатели парных коэффициентов корреляции для указанных факторов демонстрируют не высокие значения с результативным показателем.Показатели корреляции между факторными признаками не превышают 70%.Исследование вероятности отзыва лицензии проведем на основе logit-модель бинарного выбора [13]:где, –функция с областью значений ; – линейная функция, определяющая вероятность отзыва лицензии;–функция логистического распределения.В виду того, что функция не линейна по параметрам, то оценку коэффициентов проведемметодом максимального правдоподобия.Оценка качества модели реализуется на основе:значимостикоэффициентов при эндогенных переменных; Макфаддена;информационных критериевШварца и Акайке;предсказательной способности модели.Выполним построение модели, которая включает только финансовые показатели:Результаты построения модели представлены на рисунке 6.Рисунок 6–Модель с финансовыми показателямиСогласно результатам построениямодели более 94% вариации результативного показателя объясняется факторами, вошедшими в модель. В то же время статистически значимым является только коэффициент, отражающий влияние показателя норматива достаточности собственных средств. Таким образом, указанная модель не может быть использована для оценки вероятности отзыва лицензии.Следует отметить, что лицензии банка отзывается, чаще всего в следующем периоде. Таким образом, целесообразно выполнить построение модели с лаговыми переменными в 1 год (рисунок 7). Рисунок 7 - Модель с лаговыми переменнымиМодель с лаговыми переменными объясняет более 94% вариации результативной переменной. При этом статистически значимы коэффициенты при показателях норматива достаточности собственных средств и норматива текущей ликвидности. Следует отметить увеличение показателя R-квадрат Макфаддена.Выполнимпостроение модели, исключив не значимые факторы (рисунок 8).Рисунок 8 - Модель с лаговыми переменными после исключения переменныхПредсказательная способность модели демонстрирует высокий уровень (93,5%) при статистически значимых коэффициентах. Таким образом, модель имеет вид:Добавим к полученной модели институциональные факторы. Получим:Результаты построения модели представлены на рисунке 9.Рисунок 9 - Модель с лаговыми переменными и институциональными факторамиРезультаты показывают, что переменные, отражающие государственное и иностранное участие в капитале, исключены из модели по причине наличиясовершенной корреляции с показателем наличия лицензии. Данный факт означает, чтовсе банки с государственным и иностранным участием в исследуемом периоде сохранили лицензию.Модель имеет вид:Выполним сравнительный анализ моделей на основе критериев (таблица 4).Таблица 4 – Сравнительные характеристики построенных моделей Вид модели МакфадденаКритерий АкайкеКритерий ШварцаПредсказательная способностьМодель с финансовыми переменными0,27248,53167,92694,1Модель с лаговыми финансовыми переменными0,41148,59466,17094,5Модифицированная модель с лаговыми переменными0,31446,55454,15293,5Модель с институциональными факторами0,31648,44058,57193,5Показатель Макфаддена свидетельствует о том, что модель с лаговыми финансовыми переменными обладает наилучшим качеством. Кроме того, данная модель демонстрирует более высокий показатель коэффициента Акайке и предсказательную способность. Указанную модель наиболее целесообразно использовать для оценки влияния факторов на наличие лицензии у банка. Итоговая модель имеет вид:В рамках исследования целесообразно выполнить расчет предельных эффектов по формуле:где – коэффициент при переменной i.Результаты расчета представлены в таблице 5.Таблица 5 – Результаты расчета предельных эффектовПеременныеКоэффициенты переменныхВеличина предельного эффекта-0,000169-0,000108Коэффициенты при переменных имеют следующую интерпретацию:Показатель норматива достаточности собственных средствстатистически значим и отрицательно влияет на результативный фактор.Рост на 1% данного показателяприводит к снижению вероятностиотзыва лицензии на 0,00592.Норматив текущей ликвидностистатистически значим и также отрицательно влияет на результативный признак.Рост показателя на 1% приводит к снижениювероятностиотзыва лицензии на 0,003795.По результатам расчета предельных эффектов можно сделать следующие выводы об изменении вероятности отзыва лицензии (с учетом того, что 0 – отсутствие лицензии, 1 – наличие лицензии):увеличение норматива достаточности собственных средств на 1% снижает вероятность отзыва лицензии на 0,017%;увеличение норматива текущей ликвидности на 1% снижает вероятность отзыва лицензии на 0,011%.Как показал анализ факторы государственного и иностранного участия оказывают прямое влияние на вероятность отзыва лицензии. У всех банков в выборке в указанных группах сохранены лицензии в исследуемом периоде.ЗаключениеВ рамках настоящего исследования выполнено построение модели логистической регрессии бинарного выбора. В качестве исходных данных рассматривались показатели по 36 банкам России в период 2014-2019 гг.. В модели использовались финансовые и институциональные факторы, гипотезы исследования подтвердились. По результатам эконометрического моделирования выполнен отбор модели, наиболее качественно отражающей оценку вероятности отзыва лицензии. Коэффициенты модели имеют следующую интерпретацию:Рост норматива достаточности собственных средств на 1% увеличивает вероятность сохранения лицензии на 0,00592.Рост норматива текущей ликвидности на 1% увеличивает вероятность сохранения лицензии на 0,003795.Согласно результатам расчета предельных эффектов увеличение норматива достаточности собственных средств на 1% снижает вероятность отзыва лицензии на 0,017%, а увеличение норматива текущей ликвидности на 1% снижает вероятность отзыва лицензии на 0,011%.Список литературыБанковская система России устойчива [Электронный ресурс]. – Режим доступа: http://www.vestifinance.ru/articles/61068Денисова Д.Н., Бичева Е.Е. Банковская система России, ее структура, проблемы и перспективы развития // Научный альманах. – 2017. - №5-1. – С.77-82., с.80.Жарковская Е.П. Банковское дело: Учебник. – М.: Омега-Л, 2016. – 526с., с.32.Живайкина А.Д., Пересецкий А.А. Кредитные рейтинги российских банков и отзывы банковских лицензий 2012–2016 гг. Журналновойэкономическойассоциации. 2017;(4). С. 49–80.Gurny P., Gurny M. Comparison of credit scoring models on probability of default estimation of US banks. PragueEconomicPapers. 2013;22(2):163–181.Hilman I. The Bank Bankruptcy Prediction Models Based On Financial Risk. International journalИмангулова А.Ш. Банковская система в РФ // Исследовательский потенциал молодых ученых: взгляд в будущее: Сборник материалов XIII Региональной научно-практической конференции аспирантов, молодых ученых и магистрантов, 2017. – С.83-85., с.84.Инструкция Банка России от 29.11.2019 N 199-И "Об обязательных нормативах и надбавках к нормативам достаточности капитала банков с универсальной лицензией"Колмаков А.Е., Колмаков М.А. Эффективность управления банковской системой РФ // Тенденции и проблемы в экономике России: теоретические и практические аспекты: Материалы Всероссийской научно-практической конференции. – Иркутск: БГУ, 2016. – С.96-108., с.100.Куликова Е.К., Бит-Шабо И.В. Банковская система России // современная экономика: Сборник статей XIII Международной научной конференции. – Кемерово: Плутон, 2017. – С.24-26., с.25.Karminsky A., Kostrov A. The back side of banking in Russia: Forecasting bank failures with negative capital. International Journal of Computational Economics and Econometrics. 2017;7(1/2):170–209.Karminsky A., Kostrov A. The probability of default in Russian banking. Eurasian Economic Review. 2014;4(1):81–98.Karminsky, A., Kostrov, A., Murzenkov, T., 2012. Comparison of default probability models: Russian experience.Kerbl S. и Leitner C. Improved own funds levels: effects on banks’ “problem probability”. FINANCIAL STABILITY REPORT 36. 2018. Р. 73-81Lanine, G., Vennet, R.V., 2006. Failure prediction in the Russian bank sector with logit and trait recognition models. Expert Syst. Appl. 30, 463–478.Makinen, M., Solanko, L. (2018). Determinants of Bank Closures: Do Levels or Changes of CAMEL Variables Matter? Russian Journal of Money and Finance, v. 77(2), pp. 3-21.Мергенева А.У. Российская банковская система в условиях нестабильности // Экономика. Бизнес. Банки. – 2017. - Т. 2. – С.18-26., с.22."Методические рекомендации о применении документа КПРС - МОКЦБ "Принципы для инфраструктур финансового рынка" в части оценки достаточности ликвидных чистых активов" от 09 августа 2016 г. №25-МРОфициальный сайт Центрального банка Российской Федерации [Электронный ресурс]. – Режим доступа: http://www.cbr.ru.Claeys, S., Schoors, K., 2007. Bank supervision Russian style: Evidence of conflicts between micro- and macro-prudential concerns. J. Comp. Econ. 35, 630–657.Тавасиев А.М. Банковское регулирование и надзор: Учебник. – 2-е изд. – М.: Юрайт, 2017. – 301с., с.51.Федеральный закон от 02.12.1990 N 395-1 (ред. от 02.12.2019) «О банках и банковской деятельности» [Электронный ресурс].— Режим доступа: http://www.consultant.ru/document/cons_doc_LAW_5842/bf888ae559e9d1f239d6c71c8a16548013ff34c0/Fungasova Z., Turk R., Weill L. High liquidity creation and bank failures. IMF Working Paper. 2015;(103).