Материал: Статистический анализ динамики и структуры кредитного рынка в России

На графике видно, что объем выданных ипотечных кредитов в 2016 г. вырос приблизительно на 30% в сравнении с предыдущим годом - до 1,475 трлн. рублей. По оценкам АИЖК, около 860 тыс. семей улучшили жилищные условия. Стоит также отметить, что в 2015 г. заметен спад объема ипотечных кредитов, как и в случае динамики объема кредитов, предоставленных физическим лицам (рис. 1).

Одной из самых примечательных тенденций рынка ипотечного кредитования в 2016 году стало снижение ставок процента. Так, ставки по ипотечным кредитам вернулись к уровню 2014 года (рис. 4).

Рис. 4. Динамика средневзвешенной процентной ставки по выданным с начала года ипотечным жилищным кредитам, предоставленным физическим лицам-резидентам, %, январь 2009 г. - апрель 2017 г.

Ставки выдачи по ипотечным кредитам в конце 2016 года составили 12-12,5%, а в среднем за год - около 12,6% по сравнению с 13,35% в 2015 году. Таким образом, ставки по ипотечным кредитам достигли уровня 2014 года. Тенденция понижения процентных ставок по ипотечным жилищным кредитам продолжилась и в 2017 году. Так, в апреле 2017 г. средневзвешенная процентная ставка опустилась до уровня 11,8%, что является минимальным значением за весь рассматриваемый промежуток времени. Таким образом, ипотечные кредиты становятся более доступными для населения.

Задолженность по представленным ипотечным жилищным кредитам способна охарактеризовать качество размещенных средств, платежеспособность заемщиков, а также устойчивость ипотечной системы в целом. На графике ниже представлена динамика задолженности по ипотечным кредитам (рис. 5).

Рис. 5. Динамика задолженности по ипотечным жилищным кредитам, предоставленным физическим лицам-резидентам, млн. руб., январь 2009 г. - апрель 2017 г.

Как видно на графике, вместе с объемом ипотечных жилищных кредитов неизбежно растет и задолженность по ним. Эти факты свидетельствуют о растущей популярности кредита среди населения России, а также растущим числом некачественных кредитов, получатели которых с трудом могут их оплатить или не могут вовсе.

2.3 Установки населения относительно кредитов

Отношение населения к кредитной системе, ощущение экономической стабильности и безопасности, уверенность в своих будущих доходах, доверие к социальным институтам - все это во многом определяет развитие кредитного рынка и объем кредитования. Информационной базой об установках населения о кредитах может послужить Российский мониторинг экономики и здоровья НИУ ВШЭ, который на регулярной основе (ежегодно) проводит общенациональные социологические опросы, в т. ч. на тему кредитования, на базе вероятностной стратифицированной многоступенчатой территориальной выборки, разработанной совместно с значимыми мировыми экспертами в данной области. Итак, в 2015 г. в 24-ой волне респондентам предлагалось ответь на вопрос: «Вы собираетесь взять кредит в ближайшие 12 месяцев?». Результаты опроса представлены на графике ниже (рис. 6).

Рис. 6. Распределение ответов респондентов на вопрос: «Вы собираетесь взять кредит в ближайшие 12 месяцев?», %, 2015 г.

Как видно на графике, абсолютное большинство - более 95% опрошенных - не готово взять кредит в ближайший год. Далее, тем респондентам, которые ответили «Да», которые готовы в ближайшие 12 месяцев обратиться в банк за кредитом, задали следующий вопрос: «На какие цели Вы собираетесь взять кредит в ближайшие 12 месяцев?». Ответы респондентов представлены в виде круговой диаграммы на рис. 7.

Рис. 7. Распределение ответов респондентов на вопрос: «На какие цели Вы собираетесь взять кредит в ближайшие 12 месяцев?», %, 2015 г.

Источник: Российский мониторинг экономики и здоровья НИУ ВШЭ [https://www.hse.ru/rlms/spss]

По результатам опроса оказалось, что около 30% респондентов собираются воспользоваться кредитом с целью приобретения бытовой техники и мебели, более 20% - с целью приобретения автомобиля, около 32% - на покупку недвижимости и ремонт жилья. Такой распределение может говорить о том, что кредитом готовы пользоваться чаще всего относительно обеспеченные люди, со стабильным заработком, желающие улучшить свои условия проживания. Процент респондентов, планирующих взять кредит на текущие расходы крайне мал (2,7%), из чего следует, что малообеспеченные люди боятся брать кредиты, т. к. не уверены в будущих доходах или не доверяют кредитной системе в целом. Однако никто из опрашиваемых людей не ответил, что собирается потратить деньги, полученные в кредит, на оплату собственного образования или детей и на возврат долгов. Этот факт свидетельствует о том, что, как правило, россияне на таких целях экономят и не берут кредит вовсе. Другим не менее любопытным источник данных об отношении населения к кредитам, банковской системе в целом является ФОМнибус. Был проведен опрос граждан РФ от 18 лет и старше 25 сентября 2016 в 53 субъектах РФ, 104 населенных пункта, 1500 респондентов. Респондентам предлагалось ответить на несколько вопросов, в том числе «За последний год вы стали доверять российским банкам больше или меньше, или ваше отношение к ним за это время не изменилось?» Среди всего населения была выделена группа вкладчиков, имеющих опыт с банковской системой. Интересно будет проанализировать, как отличается мнение этой группы от населения в целом. Результаты опроса представлены на графике ниже (рис. 8).

Рис. 8. Распределение ответов респондентов (население в целом) на вопрос: «За последний год вы стали доверять российским банкам больше или меньше, или ваше отношение к ним за это время не изменилось?», % от группы, 2016 г.

Источник: Фомнибус [#"896138.files/image016.jpg">

Рис. 9. Распределение ответов респондентов (вкладчики) на вопрос: «За последний год вы стали доверять российским банкам больше или меньше, или ваше отношение к ним за это время не изменилось?», % от группы, 2016 г.

Примечателен факт о том, что вкладчики, сталкивающиеся и имеющие дело с банковской системой чаще остальных, более лояльно относятся к банкам, чем население в целом. Более половины респондентов из группы вкладчиков (58%) в сентябре 2016 г. по-прежнему доверяют банкам, процент таких людей увеличился по сравнению с первым опросом, проведенным в феврале 2016 г. Число недоверяющих вкладчиков, соответственно, уменьшилось.

В целом, можно сделать вывод о том, что пока еще кредиты не так популярны, как на Западе, немногие россияне готовы и планируют ими воспользоваться, но доверие к банкам растет, что дает надежду на более стремительное развитие кредитной и банковской системы в будущем.

         Глава 3. Эконометрическое моделирование структуры и динамики кредитного рынка

3.1 Классификация субъектов Российской Федерации по объему кредитования и задолженности по кредиту

Целью данного раздела является кластеризация регионов России в зависимости от их склонности к обращению за кредитом в кредитные организации. Классификация субъектов является мощным инструментом банков в планировании и реализации кредитных программ населению, так как позволяет учитывать особенности кредитного поведения в конкретном регионе и предлагать соответствующие условия клиенту. Классификация регионов будет произведена с помощью двух способов, а именно: иерархической классификации и метода к-средних.

Кластерный анализ - это способ группировки многомерных объектов, основанный на представлении результатов отдельных наблюдений точками подходящего геометрического пространства с последующим выделением групп как «сгустков» этих точек (кластеров). Данный метод исследования получил развитие в последние годы в связи с возможностью компьютерной обработки больших баз данных.

Кластерный анализ предполагает выделение компактных, удаленных друг от друга групп объектов, отыскивает «естественное» разбиение совокупности на области скопления объектов. Он используется, когда исходные данные представлены в виде матриц близости или расстояний между объектами либо в виде точек в многомерном пространстве. Наиболее распространены данные второго вида, для которых кластерный анализ ориентирован на выделение некоторых геометрически удаленных групп, внутри которых объекты близки. Выбор расстояния между объектами является узловым моментом исследования, от него во многом зависит окончательный вариант разбиения объектов на классы при данном алгоритме разбиения. Задача кластерного анализа заключается в том, чтобы на основании данных, содержащихся во множестве Х, разбить множество объектов I на m кластеров (подмножеств) π₁,π₂,…, π_m так, чтобы каждый объект I_j принадлежал одному и только одному подмножеству разбиения и чтобы объекты, принадлежащие разным кластерам, были разнородными (несходными). Решением задачи кластерного анализа является разбиение, удовлетворяющее некоторому условию оптимальности. Этот критерий может представлять собой некоторый функционал, выражающий уровни желательности различных разбиений и группировок. Этот функционал часто называют целевой функцией. Задачей кластерного анализа является задача оптимизации, т.е. нахождение минимума целевой функции при некотором заданном наборе ограничений. Примером целевой функции может служить, в частности, сумма квадратов внутригрупповых отклонений по всем кластерам.

Чтобы классификация дала хорошие результаты, необходимо сформировать систему показателей, всесторонне характеризующих склонность населения обращаться за получением кредита. Выбранные данные характеризуют кредитную мощность регионов. Итак, в данном исследовании будут использованы следующие показатели за 2015 г. (Росстат), являющимися факторами для разбиения регионов на однородные группы:

·        Х1 - среднедушевые денежные доходы населения в месяц, руб.;

·        Х2 - задолженность по кредитам в рублях, предоставленным кредитными организациями физическим лицам, на начало года, млн. руб.

·        Х3 - потребительские расходы в среднем на душу населения в месяц, руб.

·        Х4 - количество кредитных организаций в регионе;

·        Х5 - количество филиалов в регионе.

Предпосылками к кластерному анализу являются отсутствие мультиколлинеарности между факторами и нормальность распределения исследуемых показателей. В первую очередь, следует проанализировать дескриптивные статистики переменных. Из выборки были удалены автономные округа и область, результаты вычислений представлены в пр. 1, табл. П1. Исходя из представленной таблицы, можно сделать вывод о том, что распределение переменных не является нормальным: минимальные, максимальные и средние значения сильно разнятся, в некоторых случаях слишком высоки значения эксцесса и асимметрии. Чтобы данные были пригодны для дальнейшего анализа, требуется удалить аномальные наблюдения. Итак, из выборки были исключены такие регионы, как г. Москва, г. Санкт-Петербург, Московская область, Магаданская область, Сахалинская область, Тюменская область, Республика Татарстан, Ростовская область, Нижегородская область и Челябинская область. Таким образом, конечное число наблюдений в выборке равняется 70.

Все исследуемые показатели имеют разные единицы измерений, поэтому целесообразно провести z-стандартизацию по следующей формуле (Айвазян, 1998):

,

где:

·        x_i - значение показателя для i-го региона;

·        x - среднее значение показателя по всем регионам;

·        S - стандартное отклонение для показателя x.

После первичной обработки данных и выполнения требуемых предпосылок можно переходить к следующему этапу. Иерархический метод классификации предполагает построение дендрограмм и разбиение совокупности на группы в соответствии с максимальным расстоянием между образованными кластерами и выбором оптимального критического значения. Для разбиения совокупности на кластеры сравнивались такие методы иерархии, как метод средней связи, «дальнего», «ближнего соседа», метод Варда (пр. 2, рис. П1). Мера сходства рассчитывалась по формуле евклидового расстояния:

где:

·        k - количество признаков.

Итак, иерархическая кластеризация показала, что разумнее всего разделить совокупность на 4 кластера.

Конечная кластеризация будет произведена с помощью метода к-средних с выставленным количеством классов, равным 4. Итак, исследуемая совокупность разделена на 4 кластера (см. пр. 3, табл. П2): к первому кластеру принадлежат 23 наблюдения, ко второму - 21, к третьему - 21, к четвертому - 5. Конечные центры кластеров представлены в пр. 3, табл. П3.

Итак, в завершении, следует охарактеризовать каждый кластер, выявить основные тенденции кредитного поведения в регионах. В первом кластере оказались, в основном регионы из Центрального федерального округа (Белгородская область, Тверская область, Липецкая область и др.), а также Ленинградская и Калининградская области. Население этой группы регионов имеет высокие среднедушевые доходы, высокое потребление, но низкую задолженность по кредитам вследствие относительно редкого обращения за кредитами. Данный кластер можно назвать «высшим классом».

Во второй группе присутствуют регионы с минимальными среднедушевыми денежными доходами, низкой задолженностью по кредитам и относительно низким уровнем потребительских расходов. Население из этих регионов пользуется кредитными услугами реже остальных. Данный кластер можно охарактеризовать как «низший класс». Примеры субъектов из рассматриваемой группы: Республика Адыгея, Чувашская и Удмуртская республики (преимущественно Северо-кавказский федеральный округ).

В третьем кластере оказались регионы с населением, наиболее склонным пользоваться кредитными услугами, так как задолженность по кредитным выплатам в среднем выше, чем в других группах, а также в данном кластере наибольшее количество кредитных организаций и их филиалов. Что касается среднедушевых доходов и потребительских расходов, то они примерно соответствуют среднему уровню по стране. Таким образом, данный кластер можно наименовать как «средний класс», поскольку население активно пользуется кредитами и имеет средний доход. К данной группе относятся субъекты Приволжского федерального округа (Самарская область, Пензенская область, Оренбургская область и др.), а также субъекты Сибирского федерального округа (Иркутская область, Кемеровская область) и Уральского федерального округа (Курганская область, Свердловская область).

В последней самой малочисленной группе оказались регионы с наиболее нестандартными значениями показателей. Сюда вошли регионы Дальневосточного федерального округа (Хабаровский край, Приморский край и др.), где среднедушевой денежный доход выше среднего, а также Республика Крым и г. Севастополь с доходами ниже среднего.

Также на полуострове намного меньше кредитных организаций и потребительские расходы существенно ниже, чем в регионах Дальневосточного федерального округа.

Поэтому, этот кластер можно воспринимать как группу с аномальными значениями показателей, которую можно было исключить в начале анализа в качестве выбросов.

Таким образом, с помощью кластерного анализа удалось классифицировать регионы России в зависимости от их дохода и пользованием кредитными услугами. Удалось выделить три класса субъектов: низший, средний и высший.