2.2 Стабильность банков (кредитные рейтинги, прогнозирование вероятности дефолта)
Основные факторы, влияющие на стабильность банков, условно можно разделить на 4 группы: местные экономические условия, общая экономическая ситуация, качество менеджмента и честность сотрудников (Meyer, Pifer 1970). Однако первые две категории будут незначимыми, так как для сравнения нужно выбрать банки, находящиеся в одинаковых экономических условиях (возможно, расположенные в одной географической местности), которые были бы сопоставимы по размеру, а также по ним должна быть информация в течение одинакового периода времени, а в таких условиях и в случае платежеспособных банков, и в случае закрывшихся финансовых посредников фигурируют одинаковые внешнеэкономические факторы. Среди операционных показателей автор выделяет такие индикаторы, как отношение денежных средств и ценных бумаг ко всем активам (как показатель для измерения ликвидности), коэффициент вариации процентной ставки по срочному вкладу, отношение срочных вкладов ко вкладам до востребования, отношение прибыли к операционным расходам, отношение прибыли к активам, отношение количества потребительских кредитов ко всем активам, отношение ипотечных кредитов ко всем активам, наконец, отношение основных средств ко всем активам. Все эти параметры на основе баланса и отчета о прибылях и убытках заложили основу для создания рейтинговой системы оценки банковской деятельности CAMEL (capital adequacy, asset and management quality, efficiency and liquidity), появившейся при помощи Федеральной резервной системе США в 1978 году.
В качестве примера моделирования кредитного рейтинга и вероятности дефолта можно рассмотреть работу Карминского (2007). В выборку включены 311 банков из 28 стран с наблюдениями за 2003-2005 годы с разделением на развитые и развивающиеся страны с помощью использования дамми-переменных. В качестве характеристик специфических рисков банковского сектора в работе был использован ряд финансовых показателей размера компании, рентабельности, качества активов, достаточности капитала и ликвидности, кроме того в модели использовались фиктивные переменные года для поиска временного тренда. Принадлежность к Евросоюзу и говорит о том, что при прочих равных, банк будет иметь более высокий рейтинг, количество активов также отрицательно связана с вероятностью дефолта. Рентабельность, будучи связанной с борьбой за дешевые ресурсы, влияет на рейтинг с отрицательным знаком, такая же зависимость наблюдается в случае переменных отношения капитала к активам (достаточность) и депозитов к активам (ликвидность). Выявив значимые показатели финансовой деятельности банков, стоит рассмотреть их применение по отношению к российской банковской системе.
На российских данных модель вероятности дефолта по системе CAMEL (Карминский, Костров 2013) использована в виде таким переменных, как отношение собственного капитала к активам (c - capital), логарифм чистых активов и отношение просроченных кредитов ко всем займам (a - assets), отношение оборотов по корреспондентским счетам к активам (m, management), отношение прибыли к активам (e - earnings), отношение объема негосударственных ценных бумаг к активам (l - liquidity). Кроме финансовых показателей в модель была включена институциональная переменная индекса Лернера, показывающая наличие рыночной силы. Согласно полученным результатам, с помощью модели, построенной на основе традиционного кредитного рейтинга, удалось предсказать 60% дефолтов, а также выявить квадратичную зависимость между вероятностью дефолта и рядом финансовых показателей, а именно капитализацией, прибыльностью, размером банка и долей негосударственных ценных бумаг. В то же время наличие монопольной власти способствует понижению вероятности дефолта, так как в условиях низкой конкуренции выше вероятность того, что банк будет функционировать, например, за счет государственной поддержки.
Качество традиционных моделей прогнозирования дефолта на основе системы CAMEL можно улучшить с помощью имплементации макроэкономических параметров, таких как обменный курс, индекс потребительских цен как аналог инфляции, уровень безработицы, условия торговли, прирост ВВП за последние 4 квартала (Пересецкий 2013). В следующей же работе (Карминский, Хромова 2016) показывается, что благодаря включению в модель такого рода индикаторов, можно достичь увеличения значения на 6-8%. Макроэкономические переменные значимы на уровне 1%, при этом увеличение ВВП на душу населения, который отражает степень экономического развития страны, положительно влияет на рейтинг банка, в то время, как рост инфляции связан с ним отрицательно, то есть повышает вероятность дефолта. Положительное сальдо торгового баланса оказывает неоднозначное влияние на рейтинг. С одной стороны, такая экономическая ситуация характеризует экспортоориентированность экономики, присущую, по большей степени, развивающимся странам с низким суверенным рейтингом. Однако устойчивый дефицит счета текущих операций приводит к высокой доле заимствований на международном рынке, при этом негативное влияние только укрепляется из-за низкого качества государственного управления, направленного на получение краткосрочной выгоды. Для России характерно преобладание положительного эффекта от увеличения торгового баланса.
Наконец, в последние годы наблюдалось большое количество отзывов лицензий у банков, что привело к гипотезе о том, что если банк предлагает слишком высокие проценты по депозитам на срок более полугода, то это может быть сигналом отзыва лицензии в ближайшие 3 квартала (Бондаренко, Семенова 2018). Наибольшим является эффект для тех банков, которые не только выходят за рамки среднерыночной ставки, но и превышают среднее завышение, так как они, понимая приближение дефолта, исходя из финансового положения, срочно стремятся привлечь денежные средства.
2.3 Моделирование последствий регулирования банковской системы
Предыдущий параграф относился к анализу кредитных рейтингов и прогнозированию вероятности дефолта, в связи с чем требуется описание некоторых мер, которые могут снизить такие риски и сделать банковскую систему более стабильной. В качестве соответствующего примера такой практики регулирования можно привести моделирование достаточности капитала всей российской банковской системы после внедрения подхода Базель II (Андриевская, Пеникас, 2012). В этом исследовании методология состояла из трех частей. В начале в связке был оценен структурный сдвиг для совместного распределения рисков российской банковской системы для анализа динамики зависимости отдельных рисков и анализа изменений в уровне устойчивости банковской системы. Затем были смоделированы объемы взвешенных по риску активов. Посчитанный объем рисков был использован для выявления коэффициента достаточности капитала для российской банковской системы. В данной работе делается вывод о том, что в период кризиса 2007-2009 годов общий объем рисков системы снизился из-за падения экономической активности, банки использовали более безопасную модель поведения за счет того, что выдавали меньшее количество кредитов, их торговые портфели были обесценены. Коэффициент достаточности капитала в этот период оценивался на уровне 4%, то есть данный показатель упал ниже минимального уровня, требуемого Центральным Банком, который, в свою очередь, держался на уровне 10%.
2.4 Моделирование конкуренции в Российском банковском секторе
В научной литературе существует несколько подходов к моделированию конкуренции в банковском секторе (Дробышевский, Пащенко 2006). В данном контексте стоит назвать модель, Бреснахана, где решается задача максимизации прибыли для конкретного банка, из условия первого порядка выводится параметр . Если этот показатель стремится к -?, то можно говорить о совершенной конкуренции, если он просто <0, то поведение в отрасли более конкурентное, чем олигополия Курно, если он равен 0, то банк не учитывает реакцию конкурентов на установление цены, наконец, если он равен 1, то можно говорить об абсолютной кооперации, сговоре. Вторым популярным подходом к моделированию конкуренции является подход Панзара-Росса, которые вывели собственную H-статистику, которая измеряет изменение цен на факторы производства по отношению к изменению выручки банка, то есть фактически показатель H можно интерпретировать как эластичность доходов по факторным ценам. При этом выявлена следующая зависимость значения H-статистики и структуры рынка банковских услуг:
(1)
Объяснить данную зависимость в контексте понятия эластичности можно следующим образом: увеличение цен на факторы производства ведет к увеличение средних и предельных издержек, при этом в случае монополии снижается выпуск, растут цены, но общая выручка падает (H<0), в ситуации с совершенной конкуренцией часть фирм, у которых прибыль не покрывает расходы, уходит с рынка, за счет этого восстанавливается равновесие, где цена равна предельным издержкам (H=1).
Анализ рыночной структуры банковского сектора на российских данных с помощью подхода Панзара-Росса рассматривается в работе Моисеева (2006). Автор рассматривает более 800 кредитных организаций и использует в качестве регрессоров такие показатели операционной деятельности банков, как совокупные активы, отношение капитала к активам (в качестве измерителя эффекта финансового рычага), отношение текущих и просроченных кредитов к активам, отношение обязательств банка по расчетных и текущим счетам к активам, а также отношение вкладов и депозитов к совокупным пассивам. Благодаря регрессии, в работе рассчитываются значения H-статистики для 15 крупнейших банков страны, а также вычисляется среднее значение, составляющее 0.62, из чего делается вывод о том, что российская банковская система находится в состоянии монополистической конкуренции. Значения статистики для России близки к показателям многих развивающихся стран (например, Македония).
В работе Мамонов (2010) используется похожий набор финансовых критериев для оценки уровня конкуренции, однако автор включает специальные фиктивные переменные для учета неоднородной структуры российского банковского сектора. Все финансовые организации разделены на 4 группы, учитывающие структуру собственности и территориальные особенности: государственные банки (Сбербанк, ВТБ, Газпромбанк), дочерние структуры иностранных банков (Райффайзен банк, Юникредит банк), частные московские банки (Банк Москвы, Альфа-банк), частные региональные банки (Ак Барс Банк). Эти дамми-переменные оказываются значимыми, значение H-статистики составляет 0.697, что достаточно похоже на результат предыдущего исследования, а также соответствует монополистической конкуренции. Построение динамики этого показателя в период с 2004 по 2009 годы говорит о постепенном усилении конкуренции между банками после мирового финансового кризиса. Более того, если провести расчет значений H-статистики в зависимости от размера банка (величины совокупных активов), то получится, что средние и крупные банки уже близки к совершенной конкуренции (H?0.1), в то время как маленькие банки находятся в условиях монополистической конкуренции.
2.5 Моделирование межбанковского кредитования в России
Межбанковское взаимодействие рассматривается как один из основных драйверов эффективности банковской системы, поскольку оно создает возможности для перераспределения рисков за счет переводов ликвидности. Надлежащее регулирование этого аспекта жизнедеятельности банковской системы может снизить вероятность нестабильности во время кризиса в экономике с тесными отношениями между участниками данного рынка.
В качестве меры, определяющей развитость межбанковского кредитования в определенной стране, во многих работах рассматривается показатель рыночной дисциплины. В работе Nier, Baumann (2006) рассмотрены основные критерии эффективного регулирования рыночной дисциплины: степень явных или неявных государственных гарантий (страхование), сумма незастрахованных обязательств в балансе банка, степень раскрытия информации (возможность оценивать риски).
В работе Андриевской, Семеновой (2015) рыночная дисциплина определяется как показатель роста межбанковских заимствований и отвечает за концентрацию банковской финансовой системы, причем отдельно при расчете данного показателя отдельно выделяются нерезиденты (Андриевская, Семенова 2015). В качестве объясняющих переменных в работе использованы фундаментальные показатели операционной деятельности банка, соответствующие системе CAMEL, индекс вовлеченности в межбанковское взаимодействие в виде отношения межбанковских займов ко всем обязательствам, дамми-переменная для кризисного периода, а также произведение первого и третьего факторов. Согласно результатам модели, в России наличие рыночной дисциплины можно наблюдать только в кризисный период, но даже в этом случае ее влияние на снижение бремени рисков было минимальным, что может быть связано с активным государственным вмешательством в банковский сектор.
2.6 Агрегированные модели банковской системы
Модели банковской системы в большинстве работ строятся для конкретных экономических ситуаций. Чаще всего речь идет о финансовых кризисах (Kiss, Rodriguez-Lara, Rosa-Garcia 2012). Стоит отметить, что даже если не рассматривать модели для конкретных временных периодов, то, в экономической литературе встречается не так много работ общего равновесия банки, где банки выделялись бы в качестве самостоятельных агентов. В работе Getler, Karadi (2011) рассматривается количественная монетарная DSGE-модель с 5 типами агентов: домашними хозяйствами, производителями, финансовыми посредниками, производителями капитала и торговыми сетями, существующие на рынке монополистической конкуренции. Для финансовых посредников в модели решается задача максимизации прибыли с использованием эндогенных балансовых ограничений, а сама она используется для оценки последствий расширения кредитного посредничества центрального банка для борьбы с моделируемым финансовым кризисом.