Диссертация (1138455), страница 18
Текст из файла (страница 18)
Бинарные пробит регрессии оценки факторов устойчивостиплатежных системИспользуя классификацию Банка международных расчетов, можносделать вывод, что установление финансовых и технологических требований коператорам услуг платежной инфраструктуры позволит снизить коммерческийриск платежной системы. Общекоммерческий риск не позволяет операторууслугплатежнойинфраструктурыилиоператоруплатежнойсистемывыполнять свои функции.
Во многом реализация общекоммерческого рискаможет быть связана с нарушением финансовой устойчивости оператора услугплатежной инфраструктуры, а также оператора платежной системы.Моделированиеоператоровуслугтребований,платежнойопределяющихинфраструктурывустойчивостьучастияплатежнойсистемецелесообразно осуществить на основе оценки двух основных типов показателей:финансовых показателей и институциональных показателей, отражающихсуществующие требования к технологическому состоянию, а также степеньреализации требований к обеспечению бесперебойности функционированияплатежной системы.
Финансовые показатели нацелены на оценку устойчивостифункционирования операторов услуг платежной инфраструктуры вне прямойзависимости от успешности осуществления функций в рамках платежнойсистемы. Они позволяют контролировать общекоммерческий риск в платежнойсистеме. Институциональные показатели нацелены на оценку взаимосвязитехнологических характеристик платежной системы и устойчивости операторовуслуг платежной инфраструктуры.Таким образом, в представленномдиссертационном исследовании будет построено две модели: модель сфинансовыми показателями и модель с институциональными показателямиплатежной системы.Модель с финансовыми показателями определяет значимые финансовыепоказатели, которые влияют на устойчивость операторов услуг платежнойинфраструктуры.Модельпозволяетопределитьпороговыезначения99финансовых показателей, которые может установить Банк России для контроляоператоров услуг платежной инфраструктуры.
Модель с институциональнымипоказателямиотражаетинституциональныехарактеристикиплатежнойсистемы, которые оказывают прямое воздействие на устойчивость операторауслуг платежной инфраструктуры. Особый акцент сделан на применениитребований к деятельности оператора услуг платежной инфраструктуры, атакже показатели бесперебойности функционирования платежной системы.Модель с финансовыми переменнымиОдним из критериев включения в состав операторов услуг платежнойинфраструктуры должно являться соответствие финансовым показателям.
Приэтом для результативного применения показателей, должны быть корректноопределены их целевые значения. Соответственно, перед Банком России стоитзадача определения пороговых значений финансовых показателей. Достижениеопределенного порогового значения демонстрирует устойчивость операторауслуг платежной инфраструктуры.В качестве зависимой переменной в моделях будет использован фактисключения из Реестра операторов платежных систем 11 .
В случае, еслиоператор услуг платежной инфраструктуры был исключен из Реестраоператоров платежных систем, то данный оператор получал значение 1, вслучае если не исключен – 0. Выбор данной зависимой переменной связан с тем,что это единственная доступная информация об устойчивости участияоператора услуг платежной инфраструктуры в составе платежной системы.Исключение из Реестра операторов платежных систем может быть связано сразличными причинами:Реестр операторов платежных систем публикуется на официальном сайте Банка России всоответствии с Федеральным законом от 27.06.2011 N 161-ФЗ «О национальной платежнойсистеме», а также Положением Банка России от 02.05.2012 № 378-П «О порядке направленияв Банк России заявления о регистрации оператора платежной систем».111001) нарушением требований финансовой устойчивости, установленныхоператором платежной системы;2) некорректным исполнением функций, возложенных на операторауслуг платежной инфраструктуры;3) из-за отзыва лицензии на осуществление деятельности со стороныБанка России.Модель включает годовые статистические данные с 2014 гг.
по 2017годы12. Данные по финансовым показателям взяты с официального сайта БанкаРоссии, а также из базы информационного агентства Мобиле. Для операторовуслуг платежной инфраструктуры, не являющихся кредитными организациями,была использована база данных СПАРК. Первоначально анализ влиянияфинансовых показателей был проведен с помощью построения бинарнойпанельной регрессии. Всего в модель включено 22 случая исключения изРеестра операторов платежных систем, доля которых в общем объеме выборкисоставляет 10,89 % (таблица 16).Таблица 16 – Описательная статистика для объясняемой переменнойИсключение изКоличествоДоляреестра операторовплатежных систем018089,1112210,89Итого202100Источник: составлена автором диссертацииЕсли посмотреть на информацию об исключении операторов услугплатежной инфраструктуры во времени, то за рассматриваемый периоднаибольшее количество операторов было исключено в 2014 году, в также в2017 году (таблица 17).Данный факт может быть связан с тем, чтоУказанный период выбран в связи с тем, что активное применение Реестра операторовплатежных систем началось именно с 2014 года.12101устойчивость операторов услуг платежной инфраструктуры зависит отактивности политики Банка России по усилению надзора за банковским истраховым сектором.
В результате, за счет эффекта «финансового заражения»,нарушаетсястабильностьфункционированиясмежныхинфраструктурфинансового рынка.Таблица 17 – Распределение исключений операторов услуг платежнойинфраструктуры из платежных систем во времениГодОператоры услуг ИсключенныеВсегоплатежнойоператоры услугинфраструктуры,платежнойне исключенные инфраструктурыиз Реестра457522014201546450201647249201742951Всего18022202Источник: составлена автором диссертацииФинансовая модель включает следующие показатели (таблица 18).Модель изначально не содержит проблем с эндогенностью, так как сначалапроисходит ухудшение финансовых показателей, а затем исключение изРеестра операторов платежных систем. Все рассматриваемые финансовыепоказатели были разделены на 3 основных группы:1) Показатели ликвидности, которые гарантируют, что оператор услугплатежнойинфраструктурыспособенобеспечитьисполнениеобязательств в течение операционного дня.
Данная характеристика важна,так как чаще всего расчеты в платежной системе должны быть завершенывнутри операционного дня. Следовательно, в этот период времени важно,чтобы все операторы услуг платежной инфраструктуры устойчивоосуществляли свои функции;1022) Показателикачестваактивов,которыеотражаютструктуруиспользуемых активов.
Разные виды активов подвержены различнымрыночным колебаниям, в связи с чем они могут оказывать различноевлияние на устойчивость операторов услуг платежной инфраструктуры;3) Показатели обязательств, отражающих зависимость операторов услугплатежной инфраструктуры от внешних источников финансирования. Вслучае, если оператор возьмет повышенные требования, которые несможет исполнить, то вероятно будет нарушена его финансоваяустойчивость, а, следовательно, бесперебойность функционированияплатежной системы.Таблица 18 – Система финансовых показателей, отражающих устойчивостьоператоров услуг платежной инфраструктуры, млн руб.
13НазваниепеременнойМинимальное пороговоезначениеСреднеепороговоезначениеПоказатели ликвидностиМаксимальноепороговоезначениеВалютные активыБолее 3000Более 6000Более 9000Денежные средстваБолее 1000Более 2000Более 3000Показатели качества активовЧистые активыБолее 2000Более 6000Более 4000Уставной капиталБолее 100Более 200Более 300Чистая прибыльБолее 0Более 50Более 100Показатель обязательствОперационныеБолее 1000Более 3000Более 5000расходыИсточник: составлена автором диссертации на основе данных сайта Банка России, базыданных агентства Мобиле, а также данных агентства СПАРКПороговые значения были выбраны статистически с учетом максимизации критериевкачества эконометрических оценок. Ожидается, что увеличение значений показателейкачества активов и показателей ликвидности повышает устойчивость оператора услугплатежной инфраструктуры.
Увеличение показателей обязательств оказывает негативноевоздействие на устойчивость операторов услуг платежной инфраструктуры.13103В отечественных статистических базах отсутствуют базы данных,которыебысобиралииндивидуальныестатистическиепоказателиподеятельности операторов услуг платежной инфраструктуры в платежнойсистеме.Применениенесколькихстатистическихбазпозволиломинимизировать количество пропущенных наблюдений, однако по некоторымоператорам услуг платежной инфраструктуры статистические данные не былисобраны.Дляоценкивлиянияфинансовыхпоказателейнаустойчивостьоператоров услуг платежной инфраструктуры были построены бинарнаяпанельная регрессия и бинарные логистические регрессии (таблица 19).
Припостроении бинарной панельной регрессии, тест Хаусмана демонстрируетнеобходимость применения регрессии со случайными эффектами. При этомтест на сравнение обычный бинарной регрессии и панельной регрессии сослучайными эффектами продемонстрировал целесообразность использованиябинарной логистической регрессии.Таблица 19 – Эконометрические результаты модели с финансовымипеременнымиНазвание переменныхПолная модель –логистическаярегрессияВалютные активы более 3000млн рублейВалютные активы более 6000млн рублейВалютные активы более 9000млн рублейДенежные средства более 1000млн рублейДенежные средства более 2000млн рублейДенежные средства более 3000млн рублейЧистые активы более 2000 млнрублейЧистые активы более 4000 млнрублей1,19991Логистическаярегрессия созначимымипеременными1,364053**Маржинальныеэффекты-1,045061**-0,1816333**0,2370748**-3,3100067,786359-4,824567-4,747453,907719-4,7841435,459388104Чистые активы более 6000 млнрублейУставной капитал более 100млн рублейУставной капитал более 200млн рублейУставной капитал более 300млн рублейНеотрицательная чистаяприбыльЧистая прибыль более 50 млнрублейЧистая прибыль более 100 млнрублейОперационный расходы более1000 млн рублейОперационные расходы более3000 млн рублейОперационные расходы более5000 млн рублейОстатки-1,484286-0,6035693*-0,1049014*-0,6004165*-0,1043534*-0,5872104*-0,1020582*10,05074-11,258541,238295-1,018283**0,13266960,26276940,0762038-5,5096395,0951150,463274-0,3067472Количество наблюдений144163163Prob>chi20,00910,0170-R-квадрат0,33600,1175-Источник: составлена автором диссертации, звезды отражают p-value: *** p<0.01, **p<0.05,*p<0.1Полученная бинарная логистическая регрессия является значимой.Классификационная таблица демонстрирует, что модель предсказывает 88,34 %случаев.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
