Диссертация (1138188), страница 22

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 22)

Кроме того, были исключены банки, укоторых доля просроченных ссуд была слишком низкой (ниже 1-гопроцентиля). После описанных процедур по очищению выборки от выбросовчисло банков от квартала к кварталу варьировалось в интервале от 500 до700. Данные кредитные организации покрывали около 90% активовбанковской системы.Были специфицированы и оценены две эконометрические моделикачествассудИспользованиеотдельныхбанков:динамическойстатическаяспецификацииинарядудинамическая.состатическойобусловлено инерцией зависимой переменной (см. параграф 1.3).Общий вид статической спецификации:JHj 1h 1OLi ,t      ( j )  Macro (t j )    ( h )  Bank i(,ht ) k  i   i ,t(13),где OLi ,t – доля просроченных кредитов в кредитном портфеле банка i вквартал t; Macro – набор макроэкономических переменных и индикаторовбанковской системы, Bank – специфические для отдельных банковпеременные; i  i ,t – сумма индивидуального эффекта i банка i иидиосинкратического шока  i,t ; i – номер банка, t – индекс квартала, k –величина квартального лага (макропеременные включались в уравнение безлага, банк-специфичные – со всеми лагами от одного до четырех кварталов);, , –векторыпараметров,подлежащихоценке.Статическаяспецификация оценивалась при помощи метода оценки моделей на30В этом случае динамика доли просроченных кредитов, скорее всего, обусловленаадаптацией специфических бизнес-стратегий.

В частности, значительное число розничныхбанков с высокой долей просроченных ссуд в портфелях не испытали существенный ростэтого показателя во время кризиса 2008-2009 гг.123панельных данных с фиксированными эффектами (согласно тесту Хаусмана,фиксированные эффекты предпочтительнее случайных).Динамическая спецификация уравнения доли просроченных кредитов:JOLi ,t      OLi ,t 1   ( j) Macroj 1( j)t kH  ( h )  Bank i(,ht ) k   i   i ,t (14)h 1Динамическая спецификация оценивалась методом «Difference GMM»,предложенным в работе Arellano, Bond (1991), поскольку включениелагированной зависимой переменной в состав регрессоров ведет кнесостоятельности оценок с фиксированными эффектами.

В данной главе неприменяется метод оценивания динамических панельных данных «SystemGMM», предложенный в работе Blundell, Bond (1998). Данный методвключает уравнение в уровнях наряду с первыми разностями. Однако,поскольку в исследуемый период для доли просроченных кредитов вкредитах российских банков был характерен повышательный тренд,коэффициент в динамической модели, оцененной методом System GMM,оказывается больше единицы, что сложно интерпретировать экономически итем более продлевать в будущее.При оценивании динамической модели необходимо специфицироватьнабор инструментальных переменных.

Лагированная зависимая переменнаяи первый лаг индекса Лернера31 трактуются как предетерминированные. Этипеременные инструментируются при помощи своих прошлых лагов припомощи «GMM-style» инструментальных переменных – см. Roodman (2006).Макроэкономические переменные и доля непроцентных доходов банков вобщих доходах трактуются как строго экзогенные: предполагается, что наэти переменные динамика качества ссуд отдельных банков не оказываетвлияние. Эти переменные включаются в сет «IV-style» инструментальныхпеременных.Дляограниченияразмераматрицыинструментальныхпеременных (число инструментов должно быть меньше числа исследуемых31На индекс Лернера могут оказывать влияние прошлые значения просроченныхкредитов, к примеру, банки с плохим качеством выданных ссуд могут постепенно терятьсвою рыночную долю.124объектов – банков) были применены два метода: опция «collapse» в Stata,описанная в работе Roodman (2006) и ограничение глубины лага «GMMstyle» инструментальных переменных от одного до четырех кварталов.3.3.

Результаты оцениванияДля каждого типа спецификации: статической и динамической - вПриложении (см. табл. П7-П10) приводится несколько моделей кредитногориска российских банков с несколько различающимся набором факторов. Воцененные модели значимо вошли от 2 до 5 макропеременных и от 2 до 3микроуровневыхпоказателей.Большинствокоэффициентоврегрессийоказались высоко значимыми и устойчивыми к изменению набораконтрольных переменных и изменению выборки банков.Было обнаружено значимое влияние факторов макроэкономическихусловий (состояния рынка труда, показателей долговой устойчивостикорпоративного сектора, инфляционного давления, платежного баланса,рынков активов) и показателей рискованности стратегий банков, таких как ихэффективность, рыночная власть, структура кредитного портфеля и др., накачество выданных кредитов.Было выявлено эмпирическое подтверждение гипотезы «плохогоменеджмента» (см.

описание в разделе 1.1) на данных российских банков.Коэффициент перед индексом эффективности оказался отрицательным истатистически значимым. Выявленная связь свидетельствует о том, чтоэффективность менеджмента всопровождаетсяболееуправлениикомпетентнойизатратами, каквзвешеннойправило,политикойпоуправлению рисками банка.Было выявлено, что у банков со значительной долей розничных ссуднаблюдается более высокая доля просроченных кредитов. Это можетобъяснятьсявысокойдолейнеобеспеченныхкредитовнаселению врозничных кредитах (около 75%) вследствие недостаточно развитого рынкаипотеки.

Эти неипотечные ссуды оказываются более рискованные, чемкорпоративные кредиты.125Анализ результатов оценивания показал наличие отрицательногоэффекта рыночной власти банка на качество его ссуд - «market powerstability» view – см. Keeley (1990); Mamonov (2012), Fungacova , Weill, (2013).Банк с сильными позициями на кредитном рынке может повышать ставку покредитам выше своих предельных издержек, тем самым зарабатываядополнительную прибыль и, соответственно, воздерживаясь от принятияизлишних кредитных рисков.Была обнаружена значимая отрицательная связь между качеством ссуд ипоказателем кредитной нагрузки на активы.

Видимо, данная связь отражаетреализацию эффекта масштаба (снижение средней стоимости операции) припроведении мониторинга и скрининга заемщиков банками.Устойчивость результатов, полученная при оценивании статическойспецификациинесколькимиметодомспособамисфиксированными(добавлениеэффектами,дополнительныхпроверяласьконтрольныхпеременных, изменение выборки банков – см. табл. П8-9 в Приложении).

Вбольшинстве оцененных дополнительных моделей переменные сохранилизнак влияния и значимость оценок.Оцениваниединамическойспецификациистакимженабороммакроэкономических и банк-специфичных факторов, как в «лучшей»статической модели FE-4 (по критерию наибольшего R2 по методу LSDV)приводит к неудовлетворительным результатам, поскольку большинствопоказателей на уровне отдельных банков становятся незначимыми (см. табл.П10, столбец GMM-0). Поэтому в динамической спецификации используетсянесколько иной список показателей по сравнению со статической.Во всех спецификациях динамической модели было найдено строгоеподтверждение гипотезы об инертности зависимой переменой.В динамических моделях в уравнение качества ссуд отдельных банковзначимо входит показатель диверсификации источников доходов банков(знак влияния – минус).

Отрицательное влияние индекса Лернера,126выявленное при оценивании статистической спецификации, сохраняется вдинамической.Для статической спецификации качество объяснения моделью данныхсоставило 50-70% (R2 по методу LSDV), для динамической – еще выше: 7080%(попоказателюквадратакоэффициентакорреляциимеждуфактическими и модельными значениями зависимой переменной).

Такиевысокие показатели подгонки дают возможность провести факторнуюдекомпозицию объясненной дисперсии.3.4. Выявлениегруппбанков,устойчивостью или уязвимостьюмакроэкономических сценариевобладающихповышеннойк реализации негативныхДалее была проведена декомпозиция подогнанных значений качествассуд отдельных банков по различным спецификациям и процентилямраспределения выборки банков. Выделены две группы факторов: макро- имикроэкономические. Произведено разложение прироста доли просроченныхкредитов за период 2 кв. 2008 г. – 2 кв.

2010 г. (минимальное и максимальноезначение в рамках кризиса 2008-2009 гг.) по этим группам факторов. Вкачествебазовойспецификациииспользоваласьстатическаямодель,поскольку в динамической спецификации значительная доля объясняющейсилы приходится на лагированную зависимую переменную. Формулырасчета долей групп факторов следующие:Jw ( Macro)   ( j )  Macrot( j )j 1J ( j) Macro( j)tj 1H  h 1(h) Bank(h)i ,t  k (OLi ,t  Oˆ Li ,t )(15)Hw ( Micro)    ( h )  Bank i(,ht ) k  (OLi ,t  Oˆ Li ,t )h 1JHj 1h 1   ( j )  Macrot( j )    ( h )  Bank i(,ht ) k  (OLi ,t  Oˆ Li ,t )(16)Здесь изменение доли просроченных кредитов за счет макрофакторовопределяется приростом суммы произведений макропоказателей и их127коэффициентов.

Расчет вклада микропеременных аналогичен макро, но споправкой на прирост необъясненной части вариации зависимой переменной.Результатыопределяющемфакторнойвлияниидекомпозициисвидетельствуютобмакроусловий на ухудшение качества ссудмедианного банка в период 2 кв. 2008 г. – 2 кв. 2010 г. (данный выводустойчив к изменению спецификации модели – см.

Рисунок 17-а).Рисунок 17 - Факторная декомпозиция прироста доли просроченныхкредитов банков за период 2 кв. 2008 г. – 2 кв. 2010 г.а) Различные спецификации моделей,б) Различные процентили выборкимедианный банкбанков, модель FE-4МакроМикроМикроP90P80P70P60P50P40P30P20100%80%60%40%20%0%-20%-40%-60%P10GMM-3GMM-2GMM-1FE-4FE-3FE-2FE-1100%80%60%40%20%0%-20%МакроСравнение факторной декомпозиции по различным процентилямвыборки банков показало, что около 20% банков столкнулись с ростом долипросроченных кредитов в последний кризис во многом вследствие адаптацииболее рискованных бизнес-стратегий (вклад микрофакторов превышаетвклад макро – см.

Характеристики

Список файлов диссертации