Автореферат (1138177), страница 3
Текст из файла (страница 3)
руб.)'. По сравнению с началом 2010 года качество кредитного портфеля корпоративного кредитования улучшилось, но при этом доля просроченной задолженности остается достаточно высокой. Темпы снижения доли просроченной задолженности также сокращаются (см. рис. 4). 7,О% . 6,4% 6,0% 5,6 5,0% 4,О% 4,3% 3,5% 4,0% 2,6% 1,6% 3,О% 1,8% 1,7% г,о% 1,О% о,о% 01,012010 01.01.2021 ог.ог.го14 Дата 01.01.2012 01.01.2023 — ° -Долл просроченной ээдолженности а иностранной палипе — Доля просроченной эадолтиениостн а рублях — — Доля просроченной эадолженности итжо Рис. 4.
Динамика доли просроченной задолженности в общем объеме кредитов выданных нефинансовым организациям (в %) о г Составлено по данным ЦБ РФ с доступом на сайте: пнр://нпуту.сьпгн/51а1751705/?РПЫ=рд10 16 Одной из характеристик, которую необходимо учитывать при оценке кредитного риска корпоративных заемщиков, является отраслевая принадлежность. По данным экспертов, в наибольших объемах российские банки предоставляют кредиты компаниям строительной отрасли, оптовой торговли, металлургической промышленности, энергетики. Предпочтения российских банков в части отраслевой принадлежности корпоративного кредитования подтверждаются данными Банка России по российскому банковскому сектору.
На основе отраслевой разбивки кредитного портфеля российских банков видно, что в тройку наиболее кредитуемых отраслей входят такие отрасли, как: оптовая и розничная торговля, обрабатывающие производства и строительство (см. рис. 5). УОО% 90% 80У 20% бОУ зе 50% 40% 80% 20% 2О% о%, Ю Ю Ю М г г М ю м м Н ю О О Ю О Ю Ю Ю т г т о ьэ Ю Ю иии 'т Ю Ю 1 О Ю Ю Ю Ю О О О О 4 г о Ю О О М ГЛ Ю О О Ю Ю Ю Ю О се ю м м Н ю ох Ю Г ~ О О О О м я Ы Ю М О -Г О г О О Ю О Дата Б Операции с недвижимым имуществом н Транспорт и связ~ й Сельское хозяйство, охота и лесное хозяйство в Обрабатывающие производства Оптовая и розничная торговля и пр. а Строительство = Производство и распределение электроэнергии, газа и воды :. Добыча полезных ископаемых Рис. 5. Отраслевая структура рублевого корпоративного портфеля российских банков (в 04)~.
Составлено по данным ЦБ РФ с доступом на сайте: Ьпр:ггтутуту.сЬг.гпгзеа1181108/? Рггы=рд1со 17 Кризис 2007-2009 гг. показал высокую подверженность компаний строительной отрасли системным рискам. Данный факт подтверждается также публикуемой статистикой. Доля кредитов, просроченных более чем на 90 дней (ХРЬ 90+), для компаний из строительного сектора показывала стабильную тенденцию к росту в период с 2009-2010 гг. Данный показатель до сих пор остается достаточно высоким — порядка 7',4. Более того, относительно других отраслей строительная отрасль является достаточно закредитованной и рискованной.
Ранг по доле просроченной задолженности для компаний строительной отрасли возрастает. При этом доля просроченной задолженности компаний строительной отрасли к совокупной просроченной задолженности также остается стабильно высокой — порядка 10-12'.4 (см. рис. 6). 14% э 11% ' 14 то 8% 6% 1% ч'' о% ! о о о сэ ю м а ч ч о Ы М 4 а а о а сэ а с» м а Ы Ы г ю в ж м ч ч ч ы а О О а а а и о ы м ч ~ га 4 4 а а а о а с» 4 Л а а г» ог а а а ч н % М и о о ч ч о ы м м ч ю м а Р эг ю Ю гэ о о о о ч м м м ст сэ о а а а а а о о а сг л — Доля просроченной эадолженности е строительстае а соеокупной величине просроченной эадолженности по всем отраслям,% -«-Доля просроченной эадол>кенности е соеокупной эадолткенноспг для компаний сгро итал мгой отрасли, % ° Ранг строительной отрасли по доле просрочки по сравнению с другими отраслямн Рис.
6. Динамика качества обслуживания ссудной задолженности компаниями из строительной отрасли Данный факт обуславливает научный интерес к разработке подходов к оценке вероятности дефолта для компаний именно строительной отрасли. Для целей эмпирического исследования была сформирована выборка из 159 компаний строительной отрасли, которые допустили дефолт в период 2005- 2013 гг.
В качестве критерия дефолта использовалось объявление о банкротстве предприятия. В пару к каждой компании-дефолту были выбраны три аналога— компании, которые относятся также к строительной отрасли, между тем не объявляли дефолт и являлись действующими на аналогичный период. Таким образом, итоговая выборка состояла из 159 компаний дефолтов и 477 анаЛОГИЧНЫХ КО1у1ПаНИЙ НЕ дЕфОЛТОВ т ВСЕГО бзб КОМПаНИЙ!. эЧа ОСНОВЕ даННЫХ финансовой отчетности по их рассматриваемым компаниям, институциональных характеристик и динамики макроэкономических показателей российской экономики за рассматриваемый период была Сост. по данным цБ РФ с доступом на сайте: Ьпр:ггтутуту.сьг.гп/этас1эс1сэг?Рпы=рс11со 18 сформирована выборка для целей эмпирического моделирования вероятности дефолта в последующей главе.
В третьей главе данного исследования было осуществлено многофакторное моделирование вероятности дефолта корпоративных заемщиков на примере российских компаний строительной отрасли с использованием сформированной в предыдущей главе выборки, включающей финансовые, макроэкономические и институциональные показатели. В рамках многофакторного моделирования вероятности дефолта были предложены и реализованы следующие основные этапы моделирования: 1.
Анализ выбросов и нормирование данных. 2. Анализ мультиколлинеарности и парных корреляций. 3. Отбор риск-доминирующих финансовых показателей при помощи следующих методов: ° Метод 1: проведение статистических тестов для выделения наиболее дескриптивных переменных. ° Метод 2: отбор оптимальной комбинации факторов с точки зрения качества модели на основе поэтапного включения показателей из каждого класса. ° Метод 3: отбор факторов на основе однофакторных коэффициентов Ассигасу Ка!1о и КОС-кривых. 4. Проверка гипотезы о значимости макроэкономических факторов.
5. Проверка гипотезы о значимости институциональных факторов. б. Проверка функциональной формы зависимости объясняющих факторов модели. 7. Проверка качества итоговых моделей и сравнительный анализ полученных результатов. В результате многофакторного моделирования на основе 1ор1-моделей бинарного выбора, было сделано заключение, что при выборе показателей на основе статистических тестов, лучшие результаты показывает следующая модель (статистическая значимость на уровне К = 33%): 2 5. 1 Р(у, =1)— 0,42 ид.вес.запас.-> 0,44(рд,вес, запас.) з — 1,00 Коэфф.авт.— 1,02 Рен.
затр.— 0,42 ИЦП вЂ” 1,ЬЗ 1+е' где 1 , если заемщик признается дефолтои; у, = О, в противном случае. Уд. вес. запас - значение коэффициента удельного веса запасов в оборотных активах для 1-го заемщика; Коэффавт — значение коэффициента автономии для 1-го заемщика; Рен затр — значение коэффициента рентабельности затрат для 1-го заемщика; ИЦП вЂ” динамика индекса цен производителей, ',4 гг. При отборе показателей на основе поэтапного включения показателей и анализа однофакторных КОС-кривых, модель с наилучшими характеристиками имеет следующий вид (статистическая значимость на уровне й = 32%): 2 6. Р(у, =1)- 1 — 5,67 Част ирна — 1,43 Чист про а) — 2,34рен праде 7,22ср о а деб задол нс-1,4 1Коэ фавне — 0,64ИЦП-1,52 1+в где 1 , если заемщик признается дефолтом; у, = О, в противном случае.
Чистприб — ЗНаЧЕНИЕ ЧИСтОй ПрИбЫЛИ дЛя 1-ГО ЗаЕМщИКа; рем прод. — значение коэффициента рентабельности продаж для 1-го заемщика; Сроб. деб задолзя — значение коэффициента среднего срока оборота дебиторской задолженности для 1-го заемщика; Коэф. авт. — значение коэффициента автономии для 1-го заемщика; ' Все показатели значимы на 5$в уровне значимости. Все показатели нормированы. ' Все показатели значимы на 5вэв уровне значимости.
Все показатели нормированы. 20 ИЦП вЂ” динамика индекса цен производителей, '.4 гг. Таким образом, на основе трех проанализированных методов отбора риск-доминирующих показателей и результатов многофакторного анализа лучшие результаты, по сравнению с другими моделями в каждом классе методов, демонстрируют две модели оценки вероятности дефолта корпоративных заемщиков. Анализ качества полученных моделей показал, что модель, построенная на основе статистического отбора факторов, показывает схожие результаты с точки зрения предсказания не дефолтных случаев, и худшие с точки зрения предсказания дефолтных случаев, по сравнению с моделью, построенной на основе поэтапного включения переменных и анализа КОС кривых.
Более высокая предсказательная сила второй модели также подтверждается на основе анализа КОС кривых и коэффициентов Ассигасу . Кайо. Коэффициенты Ассигасу Капо для первой и второй модели составляют 82',4 и 86'.4 соответственно, что говорит о достаточно высоком качестве данных моделей. С точки зрения экономического анализа наибольший интерес представляет финансовая интерпретация полученных моделей. По результатам многофакторного анализа, можно сделать вывод о том, что наиболее значимыми финансовыми показателями, с точки зрения оценки вероятности дефолта российских компаний строительной отрасли, являются показатели, характеризующие структуру оборотных активов (удельный вес запасов в оборотных активах), показатели рентабельности и прибыльности (величина чистой прибыли, рентабельность затрат, рентабельность продаж), показатели финансовой стабильности и оборачиваемости (коэффициент автономии, средний срок оборота дебиторской задолженности). Также по результатам моделирования, подтвердилась значимость динамики индекса цен производителей, значимость рассматриваемых институциональных признаков не подтвердилась.
Значимость данных показателей для компаний строительной отрасли, в том числе объясняется спецификой деятельности данных компаний. Так, основными элементами запасов для компаний строительной отрасли являются строительные материалы и сырье, незавершенное производство. Таким образом, значительное увеличение доли запасов в оборотных активах свидетельствует об изменении структуры оборотных активов в пользу менее ликвидных средств, что негативно отражается на кредитоспособности компании. Данный вывод подтверждается результатами параметризации показатель удельного веса запасов в оборотных активах является значимым и увеличение данного показателя приводит к росту вероятности дефолта. Следует также отметить, что строительный бизнес является высокозатратным и ресурсоемким.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
