Анализ факторов, влияющих на рост портфеля банковских кредитов

 

Правительство Российской Федерации

Федеральное государственное автономное образовательное учреждение

Высшего профессионального образования

"Национальный исследовательский университет

"Высшая школа экономики""

Санкт-Петербургский филиал

"Национальный исследовательский университет "Высшая школа экономики""

Факультет экономики

Кафедра финансовых рынков и финансового менеджмента

БАКАЛАВРСКАЯ РАБОТА

на тему: "Анализ факторов, влияющих на рост портфеля банковских кредитов"

Направление экономика

Студент группы № 142

Груздев Сергей Игоревич

Научный руководитель

Профессор кафедры финансовых рынков и финансового менеджмента, к. ф-м. н. Волкова Ольга Николаевна

Санкт-Петербург 2013

Содержание

Введение

Глава 1. Теоретические основы банковского кредитования

1.1 Отраслевые особенности

1.2 Информационная база исследования

Глава 2. Моделирование зависимости объема кредитного портфеля банков

2.1 Теоретическое обоснование выбора факторов в модели

2.1.1 Выбор "внутренних" факторов

2.1.2 Выбор "внешних" факторов

2.2 Построение регрессионной модели

2.2.1 Анализ влияния факторов на зависимую переменную

2.2.2 Оптимизация модели

Глава 3. Практическое использование модели

3.1 Интерпретация модели

3.2 Возможности применения модели

Заключение

Список литературы

Введение

Кредитование предстает в роли чрезвычайно важного механизма, поддерживающего функционирование целого ряда отраслей, будь то машиностроение, строительство, металлургия или множество других.

Попытка понять и описать мотивы действий банка как объекта, осуществляющего выдачу кредитов, является необходимой для понимания дальнейших перспектив развития отрасли в целом. Стоит отметить, что данная задача является в высшей степени прикладной ввиду выбора в качестве обоснования статистических данных, а также возможности применения выводов на практике путем прогнозирования дальнейших изменений в процессе выдачи кредитов банком.

Целью работы является выявление взаимосвязей между объемом выданных кредитов и различными факторами, выбор которых будет произведен по ходу работы. Однако наиболее простые по реализации приемы выявления связей могут быть недостаточным обоснованием для выводов, сделанных с их помощью. Напротив, степень детализации может быть крайне высокой, что позволит получить достоверные выводы, но сильно усложнит процесс генерации данных выводов, что исключит из него функцию универсальности. Именно поэтому построение регрессионной модели является наиболее оптимальным методом для достижения упомянутой цели. В перечень задач входит выбор банков для исследования, сбор статистических данных, построение регрессионной модели, ее оптимизация, а также интерпретация полученных данных.

К объекту исследования можно отнести финансовый институт кредитования бизнеса коммерческими банками РФ. В качестве предмета исследования выбираются факторы, от которых зависит объем кредитного портфеля российских банков.

банковский кредит модель портфель

Актуальность выбранной темы достаточно очевидна, так как банковская отрасль оказывает огромное влияние на всю экономику в целом посредством кредитования, как потребителей, так и производителей.

Построение моделей для достижения поставленных целей является одним из путей формирования собственного мнения исследователя о механизмах, функционирующих в индустрии. Однако нельзя сказать, что в основе достижения цели исследования лежит чисто академический интерес, так как существуют возможности применения таких моделей и на практике.

Одной из таких возможностей может стать использование выявленных закономерностей при принятии решений кредитным учреждением на рынке кредитования, так как модели с высокой степенью достоверности позволяют согласиться с наличием влияния тех или иных факторов на зависимую переменную, что может быть использовано для выявления трендов, понимания реакции банка на изменения среды и т.д. Однако нельзя однозначно утверждать, что построение модели, иллюстрирующей влияние различных факторов на зависимую переменную, является наилучшим способом решения проблемы разрешения неопределенности, с которой сталкивается топ-менеджмент. Модели зачастую имеют ряд ограничений, в частности, ограниченность и неоднородность выборки, неоднозначность в понимании истинности связей между факторами, а также сложность ее применения и адаптации к реальному процессу принятия решений. Однако можно утверждать, что модели представляют собой интерес не только в чисто научном смысле, но и в качестве инструмента, который может быть применен на практике, пусть и в совокупности с различного рода иными инструментами и принимая во внимание ряд ограничений.

Переходя к описанию структуры работы, можно добавить, что последняя состоит из 3 глав. Первая глава посвящена выделению некоторых особенностей функционирования банковской отрасли в стране, а также описанию информационной базы исследования. Вторая глава содержит в себе теоретическое обоснование включения тех или иных факторов в регрессионную модель, а также непосредственно построение регрессионной модели, и ее последующая оптимизация с использованием эконометрических методов. Наконец, третья глава посвящена обсуждению полученных результатов, обоснованию применимости модели для конкретных ситуаций, а также выделением различных ограничений по использованию, присущих модели.

Глава 1. Теоретические основы банковского кредитования

1.1 Отраслевые особенности

На настоящий момент в РФ зарегистрировано более 1000 кредитных организаций, имеющих право на осуществление кредитных операций, причем более половины из них зарегистрировано в Центральном федеральном округе. Последнее указывает на сильное смещение в распределении банков в сторону столицы, что обусловлено, в частности, более устойчивым и сильным спросом на данного рода услуги ввиду наличия в ЦФО большего количества контрагентов, нуждающихся, например, в банковском кредитовании. Также сложно не отметить тот факт, что столица во многом является центром притяжения всех основных факторов производства по различным историческим причинам.

Также стоит отметить, что на данный момент в РФ, в отличие от стран Европы или США, существует колоссальный сдвиг банковского сектора в пользу крупнейших в стране банков. В частности, первая пятерка банков по размеру активов обладает половиной активов всего банковского сектора в стране. В свою очередь, это порождает трудности для остальных игроков рынка. В частности, на рынке присутствует лишь несколько (сравнительно мало относительно развитых стран) действительно сильных брендов, известных населению, которое могло бы использовать данные банки в качестве аккумуляторов их денежных средств. Аккумуляция банками денежных средств чрезвычайно важна с точки зрения формирования источников для последующего кредитования. Таким образом, при наличии необходимой базы в виде определенного объема депозитов населения, банк сможет выдавать достаточный объем кредитов для соответствующей доли рынка. Возвращаясь к факту концентрации рыночной власти у нескольких наиболее больших по размеру активов банкам, стоит отметить, что данные банки получают возможность во многом определять правила игры, по которым приходится играть более мелким участникам рынка. Логичным выводом является то, что правила, установленные крупными игроками, играют на руку скорее последним, чем всем остальным. Также стоит заметить, что пятерка крупнейших по размеру активов банков целиком состоит из банков с государственным участием, то есть государство на 100% (как в случае с "Россельхозбанком") или частично (в остальных случаях) владеет данными банками. Данный факт открывает ситуацию в отрасли в новом свете, так как логичным является вывод о том, что непосредственно государство, в лице банков-контрагентов определяет ситуацию в банковском секторе. Становление или появление новых сильных игроков фактически может оказать влияние на состояние действующих лидеров отрасли, поэтому способствование государства развитию сектора через принятие различных мер на высшем уровне может являться однобоким, способствующим улучшению положения уже занявших лидерские позиции игроков.

Также важной деталью сложившейся системы в стране является то, что крупнейшим по активам банкам проще привлекать средства клиентов, которые, как уже упоминалось, используются в качестве источников при формировании клиентской базы должников. Сложившуюся ситуацию нелегко переломить в пользу остальных участников рынка, так как чтобы привлечь средства по депозитам населения, например, банкам вне первой десятки необходимо увеличивать ставку по депозитам, что, в свою очередь, приведет к увеличению ставки по кредитам, либо уменьшению прибыли банка. Находясь в подобной ситуации выбора, банк охотнее повысит ставки по кредитам, чем позволит себе ухудшить показатели деятельности на неопределенный срок. Повышение ставок по кредитам, в свою очередь, уменьшит поток клиентов, нуждающихся в кредитовании со стороны банка, что также ослабит позиции игрока. Таким образом, банки вне первой десятки оказываются в сложной ситуации, в которой сложно прилагать усилия по расширению своей доли на рынке и адекватно реагировать на скорые изменения в индустрии.

Нельзя не отметить влияния экономического кризиса на отрасль в целом [17]. В частности, банки в первую очередь страдают от подобных экономических явлений, так как в определенной степени являются игроками на рынке капитала для остальных контрагентов. В ходе экономических спадов в каждом отдельном банке резко возрастает объем просроченной задолженности по кредитам, замедляется процесс выдачи кредитов, а также может возникнуть ситуация оттока капитала, когда вкладчики под влиянием различных сопутствующих факторов принимают решение об изъятии средств, что крайне негативно влияет на текущее положение банка. Также нельзя не отметить, что восстановление докризисных объемов в индустрии становится возможным только на фоне общего подъема в экономике, так как банки являются поставщиком услуг для конкретных организаций и физических лиц. Таким образом, преодоление кризиса для отрасли становится нетривиальной задачей [2], требующей не только значительных ресурсов для поддержания деятельности на приемлемом уровне, но и улучшения состояния экономики в целом ввиду целого ряда задач, стоящей перед индустрией как критически важным сегментом экономики страны.

1.2 Информационная база исследования

В данном блоке будет подробно указано, какие именно банки составляли основу для данных в процессе построения модели. В частности, в качестве объектов для анализа были выбраны 30 банков, из которых 15 банков являются банками с государственным участием (государство в роли акционера или подконтрольные государству компании в роли акционера), 15 банков, конечными собственниками которых являются частные лица. Размер выборки обусловлен необходимостью делать набор выводов по полученной модели, что налагает соответствующие ограничения на ее размер, однако использованная в работе выборка позволит экстраполировать суждения относительно нее на генеральную совокупность. Банки для исследования выбирались по критерию размера активов, поэтому рассмотрены наиболее крупные по данному показателю кредитные учреждения. В выборку в качестве банков с государственным участием вошли следующие банки: "Ак Барс Банк", "Банк Москвы", "Всероссийский Банк Развития Регионов", "Банк ВТБ", "Газпромбанк", "Банк Глобэкс", "Кит Финанс", "Новиком", "Банк "Российский Капитал", "Россельхозбанк", "Сбербанк", "Татфондбанк", "Транскредитбанк", "Ханты-Мансийский банк". В качестве банков, принадлежащих частным лицам, в выборку были включены следующие банки: "Альфа-банк", "Банк "Авангард", "Бинбанк", "Внешпромбанк", "Возрождение", "Банк "Зенит", "Московский Кредитный Банк", "Нордеа Банк", "Банк "Петрокоммерц", "Промсвязьбанк", "Райффайзенбанк", "Банк Санкт-Петербург", "Транскапиталбанк", "Банк "Уралсиб", "Юникредит Банк". Данные банки являются известными игроками на рынке банковских услуг, имеют устойчивый бренд и относительно длительную историю работы. Кредитные учреждения обязаны предоставлять данные о ходе своей деятельности в Центральный Банк Российской Федерации, поэтому последние находятся в открытом доступе.

Данные о переменных, отнесенных в работе к внешним факторам, о чем будет упомянуто ниже, также находятся в открытом доступе - на сайте ЦБ РФ (www.cbr.ru), а также на сайте Федеральной Службы Государственной Статистики (www.gks.ru).

В качестве периода наблюдения за поведением зависимой переменной был выбран период 2010-2012 годов с целью избежать в исследовании острой фазы кризиса, проявление которой в данных могло бы, в конечном счете, привести к построению недостоверно отражающей реальность модели. Данные за 3 календарных года представляют собой помесячную статистику по взятым в качестве факторов переменным, во избежание построения модели на основе недостаточно большой для конечных выводов выборке.

Глава 2. Моделирование зависимости объема кредитного портфеля банков

2.1 Теоретическое обоснование выбора факторов в модели

Для целей работы наиболее оптимальным вариантом является построение регрессионной модели, в которой в качестве зависимого фактора будет принят объем кредитного портфеля юридическим лицам, а в качестве факторов набор различных переменных, способных оказывать влияние на портфель.

Выбор в качестве зависимой переменной именно кредитного портфеля юридическим лицам объясняется желанием включить в модель факторы, оказывающие узконаправленное влияние, а также необходимостью проверки наличия такого влияния.

В качестве факторов в модель включаются два типа переменных: внутренние и внешние по отношению к банку. Под внутренними понимаются те факторы, влиять на который может сам банк, и которые в наибольшей степени подвержены влиянию решений топ-менеджмента. Под внешними понимаются факторы, которые лежат в принципе вне влияния данного банка, и влияние которых должно быть учтено банком при принятии решений. Необходимость включения в модель факторов обоих типов продиктована несколькими причинами. Во-первых, при попытке объяснить поведение зависимой переменной наиболее оптимальным является включение всех возможных факторов, которые могут оказывать влияние на зависимую переменную с целью построение наиболее правдоподобной модели. Во-вторых, банк при принятии решений ориентируется не только на предыдущий опыт работы и внутренние процедуры и принятую политику в области принятия таких решений, но также и на сигналы конъюнктуры, к которой он, как один из множества игроков, должен приспосабливаться и принимать во внимание. Таким образом, учет в модели широкого ряда факторов позволит наиболее точно и полно понять поведение зависимой переменной.

2.1.1 Выбор "внутренних" факторов

В качестве факторов, ранее обозначенных как внутренние, для включения в модель рассматриваются такие переменные, как просроченная задолженность по портфелю кредитов юридических лиц, объем депозитов физических лиц, объем кредитов физических лиц, объем средств на счетах организаций, объем займов на межбанковском рынке, вложения банков в ценные бумаги, займы банка с помощью облигаций и векселей. Как можно заметить, данный набор факторов с достаточной полнотой описывает внутреннюю деятельность банка как источника кредитных средств, что является одной из предпосылок для утверждения о том, что получившаяся в итоге модель будет соответствовать критериям точности и достоверности.

В качестве факторов, называемых внешними, для включения в модель рассматриваются такие переменные, как ставка по депозитам населения, ставка по кредитам юридических лиц, объем инвестированных организациями средств в основные фонды, оборот организаций, инфляция, средняя ставка на межбанковском рынке займов. Как и рассмотренный набор внутренних факторов, данный ряд внешних факторов позволить достаточно полно описать существующий механизм функционирования процесса выдачи кредитов юридическим лицам.

Переходя к детальной характеристике факторов, на данном этапе стоит отметить, что между непосредственно факторами возможно наличие связей, что отрицательно сказывается на качестве регрессионной модели. Однако данное замечание будет более подробно пояснено и использовано в практической части работы.

Как уже указывалось, одним из факторов, который будет рассмотрен с точки зрения включения в модель, является просроченная задолженность по портфелю кредитов юридических лиц. Необходимость исследования данного фактора обусловлена его обратной связью с зависимой переменной, так как при росте просроченной задолженности по портфелю кредитов объем последнего должен сокращаться. Стоит отдельно упомянуть, что мониторинг данного фактора внутри банка является важной и нетривиальной задачей, в основе которой лежит определение уровня риска по займу, который, в свою очередь, имеет в качестве причины множество факторов. Логичным будет допустить, что банк прилагает усилия по поддержанию необходимого уровня риска по своим операциям [26], в частности, по выдаче кредитов, и при возникновении ситуации критического роста просроченной задолженности по портфелю кредитов можно сказать, что уровень риска вышел за допустимые пределы вследствие просчетов менеджмента банка. Наиболее уместным ответом на рост просроченной задолженности по кредитам является пересмотр условий по кредитованию клиентов, что может заключаться в наличии залога достаточной стоимости или повышения ставки по кредитам, что, в конечном счете, уменьшит количество желающих занять средства в данном банке. Таким образом, обратная связь фактора с зависимой переменной становится предельно прозрачной. Включение же фактора в модель также позволит сделать последнюю более достоверной и полно описывающей ситуацию на рынке.

Следующим фактором, который может быть включен в модель, является объем депозитов физических лиц. Связь между фактором и зависимой переменной является прямой [23], ввиду того, что объем депозитов является одним из источников кредитования клиентов, причем одним из наиболее доступных источников, так как у банка в распоряжении появляются свободные средства с заранее известным сроком, в течение которого вкладчик заберет средства с причитающейся последнему платой за пользование средствами банком. Однако здесь фактором, влияющим на объем привлеченных средств является положение банка на рынке, его доля на рынке, которую тяжело нарастить в связи с конъюнктурой рынка. Поэтому логично заключить, что объем вкладов конкретного банка растет с общим темпом роста рынка, что также налагает ограничения на планы по расширению базы клиентов, которые хотели бы предоставить банку средства во временное пользование.

Еще одним фактором, который оказывает влияние на зависимую переменную, является объем кредитов физических лиц. С одной стороны, кредитование юридических лиц и кредитование физических лиц являются альтернативными вложениями средств для банка. Данное утверждение проявляется в том, что ряд банков специализируется только на одном из данных видов вложений, сводя к минимуму другой. Примером могут послужить банки, уделяющие особое внимание потребительскому кредитованию, тем самым предельно увеличивая свой портфель кредитов физических лиц, и имеющие крайне слабые позиции по кредитованию юридических лиц. Однако в данной работе подобные банки не включены в выборку и рассмотрение для целей использования более однородных данных, и, соответственно, получения более достоверных выводов в целом. С другой стороны, логично предположить, что с ростом портфеля кредитов физических лиц растет и портфель кредитов, первоисточником чего может быть благоприятная конъюнктура на рынке или ряд иных факторов. Таким образом, выглядит целесообразным включение данного фактора в модель, чтобы сделать ее более полно описывающей действительность.

Еще одним фактором, который может быть включен в модель, является объем средств на счетах организаций. Данный фактор, как и упомянутый выше, является одним из источников, которые участвуют в формировании пула средств, которые используются для выдачи кредитов юридическим лицам. Однако стоит заметить, что в отличие от депозитов физических лиц, средства на счетах предприятий могут быть менее ликвидным источником кредитования [6] при неопределенности срока, в течение которого они могут быть изъяты клиентом, что налагает определенные ограничения на их использование банком в указанных целях. Тем не менее, данный фактор также оказывает влияние зависимую переменную ввиду особенностей изменения конъюнктуры - в частности, рост объема средств на корпоративных клиентов подразумевает под собой общее улучшение показателей деятельности организаций, что, в свою очередь, означает и увеличение объемов кредитования сектора. Таким образом, связь между данным фактором и зависимой переменной - прямая, что также может быть использовано при построении регрессионной модели.

Следующим фактором, который было бы целесообразно включить в модель, является объем займов на межбанковском рынке. Займы на межбанковском рынке являются еще одним источником пополнения пула средств для выдачи кредитов, и в целом, являются более легким способом получения средств для банка, нежели чем депозиты [20]. Последнее основывается на том, что объем привлекаемых банком депозитов не определяется пользователями банковских услуг и зависит целиком от банка и от ставки, по которой банк сможет привлечь средства - про влияние ставки будет пояснено в дальнейшем. Однако объем привлечения данного вида средств также ограничивается ценой, по которой могут быть привлечены ресурсы, что также налагает ограничения на использование данного инструмента. Стоит отметить, что между фактором и зависимой переменной существует прямая связь, однако нельзя утверждать, что займы на межбанковском рынке целиком используются для выдачи кредитов юридическим или физическим лицам.

Еще одним фактором, который может быть включен в модель, является объем вложений банков в ценные бумаги. Стоит отметить, что банки наиболее охотно вкладываются в государственные ценные бумаги, так как последние имеют зачастую (за исключением некоторых исключительных исторических событий) наиболее низкий уровень риска, с ними связанный. Вложения в ценные бумаги являются альтернативным способом для банка распределить имеющиеся в наличии денежные средства по категориям вложений, который приносят прибыль, поэтому логично заключить, что с ростом вложений в ценные бумаги должен сокращаться объем выданных банком кредитов. Однако и в данном случае наличествует оборотная сторона, при которой в экономике в определенные периоды может складываться благоприятная конъюнктура, которая способствует росту как вложений в ценные бумаги банком, так и росту кредитования юридических лиц. Тем не менее, данный фактор также должен быть включен в модель, так как влияние его на зависимую переменную неоспоримо.

Следующим фактором, который должен быть включен в модель, является объем займов банка с посредством облигаций и векселей. Как и в случае с упомянутым выше фактором, было бы неправильно полагать, что весь объем привлеченных данным образом средств будет направлен на выдачу кредитов, однако было бы неправильным утверждать, что данные средства в принципе не могут быть использованы для данной цели. Таким образом, логично предположить, что между фактором и зависимой переменной будет существовать прямая связь, которая и будет использована при построении модели.

Также в модель стоит включить фиктивную переменную, которая показывает наличие или отсутствие государственных структур в качестве акционеров банка. Важность наличия подобной переменной исходит из логического предположения о различии в поведении банков 2-ух указанных групп по ряду параметров. В частности подразумевается, что банки 1-ой группы имеют более свободный доступ к капиталу, большее количество обслуживаемых ими контрагентов, могут рассчитывать на поддержку государства при возникновении различных проблем в своей деятельности, а также являются в некоторой степени рычагами влияния непосредственно государства на банковский сектор. Таким образом, при включении в модель данного фактора представляется возможным проверить гипотезу о принципиальном отличии банков 2-ух групп.

Данные факторы относятся к называемым в работе внутренним факторам, то есть факторам, решение по которым принимается непосредственно банком, и банк, в свою очередь, может оказывать прямое влияние, на величины данных переменных исходя из своей внутренней политики и решениями, принимаемыми исходя из текущей конъюнктуры на рынке. Последняя определяется в работе факторами, которые будут упомянуты ниже.

2.1.2 Выбор "внешних" факторов

Ставка по вкладам физических лиц в данной работе понимается как средняя ставка по рынку, что позволяет учитывать текущую на момент принятия банком решений о выдаче кредитов конъюнктуру, поэтому ее использование позволяет проследить процесс реагирования банка на внешнюю среду. Повышение ставки по вкладам влечет за собой повышение ставки по кредитам, чтобы сохранить показатели банка на прежнем уровне. Повышение ставки по кредитам, в свою очередь, должно уменьшить объем выданных кредитов в конкретном банке, однако в целом в экономике возможна и обратная ситуация, в частности, в период экономического подъема, когда банкам требуется привлекать больше средств с целью увеличения объема выдаваемых кредитов, когда спрос на них стабильно растет. Таким образом, влияние фактора хоть и является неоднозначным в теории, но включение его в модель является необходимым, так как наличие связи между фактором и зависимой переменной сомнению не подлежит.

Ставка по кредитам юридическим лицам также является одним из факторов, включение которого в модель является целесообразным, так как между фактором и зависимой переменной на теоретическом уровне можно проследить определенную связь. В частности, при росте ставки по кредитам юридическим лицам объем средств, им выдаваемый, должен сокращаться, однако в данном случае, как и в случае с предыдущим фактором, при рассмотрении ситуации в более общем разрезе, рост ставки может сопровождаться ростом зависимой переменной при условиях общей благоприятной конъюнктуры, о которой было упомянуто выше. Неоднозначное влияние фактора, тем не менее, не является причиной для исключения фактора из ряда переменных, оказывающих влияние на зависимую переменную.

Объем инвестированных организациями средств в основные фонды подразумевает под собой затраты различных организаций, которые те несут в своей повседневной деятельности, в частности, ввод новых мощностей для расширения производства или замена вышедшего из строя оборудования. Стоит упомянуть, что данный фактор характеризует вложения организаций в основные фонды в целом в экономике, а не только организаций-клиентов банков, которые будут включены в исследование. Однако нельзя отрицать наличие связи между данным фактором и зависимой переменной, потому как данный показатель характеризует макросреду, в которой работает кредитное учреждение. Логично предположить между фактором и зависимой переменной наличие прямой связи, так как ввод каждой отдельной единицы оборудования представляет собой большой объем затрат в рамках одного предприятия, что подразумевает под собой необходимость использования банковского кредита, что зачастую и происходит на практике. Поэтому включение данного фактора в ряд переменных, которые будут использованы при построении модели, является целесообразным для получения в итоге более полно описывающей действительность модели.

Оборот организаций подразумевает под собой суммарную выручку компаний различных секторов экономики, полученную ими в результате осуществление основной деятельности за определенный период времени. Данный показатель также характеризует макросреду в целом, а не только конкретных клиентов банков, данные по которым были приняты в качестве базы для исследования. Также логично предположить наличие прямой связи между ростом выручки и ростом портфеля кредитов, так как рост выручки организаций может иметь в качестве причины ввод новых мощностей, которые непосредственно используются при производстве товаров. Расширение производства зачастую требует повышения закредитованности компании, что есть, по сути, увеличение кредитного портфеля организации при использовании в качестве кредитора банка. Однако нельзя отрицать, что в ряде секторов экономики для сравнительно крупных проектов у компаний есть возможность использовать и другие инструменты привлечения средств, в частности, займы на рынке облигаций. Принимая во внимание данное обстоятельство, можно заметить, что основным инструментом для привлечения средств при расширении производства, тем не менее, является получение кредита. Таким образом, включение данного фактора в модель является логичным шагом на пути к созданию достоверной модели.

Включение инфляции в ряд факторов, оказывающих влияние на зависимую переменную, является целесообразным ввиду того, что инфляция в некоторой степени отражает процессы, происходящие в экономике в целом. Компании, в частности, ориентируются на общие темпы роста цен и прогнозы по ним, чтобы показатели компании оставались на прежнем уровне. Также стоит отметить, что инфляция в той или иной степени является следствием принимаемых регуляторами на макроэкономическом уровне мер [8], поэтому в какой-то степени является важным индикатором изменений в макроэкономике. Логичным является предположение о прямой связи темпов роста цен и объемов кредитования, однако в основе данной связи лежат макроэкономические предпосылки - при общем росте экономики растут как и цены, так и объем выдаваемых компаниям кредитов. Таким образом, учет данного индикатора в модели является одним из условий построение достоверно отражающей конъюнктуру модели. Средняя ставка по кредитам на межбанковском рынке займов также должна быть включена в модель, основываясь на вышеизложенной связи объемов займов на данном рынке с объемами кредитования юридических лиц. Однако нельзя утверждать об однозначности связи между фактором и зависимой переменной, однако само наличие связи в теории оспаривать невозможно [32]. Поэтому использование данного фактора при построении модели является необходимым условием для создания полной и достоверной модели.

2.2 Построение регрессионной модели

2.2.1 Анализ влияния факторов на зависимую переменную

Как было сказано ранее, для достижения поставленных в работе целей наиболее оптимальным вариантом является построение регрессионной модели, где в качестве зависимой переменной используется объем выданных юридическим лицам кредитов, а в качестве факторов - набор внутренних и внешних переменных.

В работе уже упоминались как зависимая переменная, так и факторы, влияние которых на переменную будет исследоваться. Начальным этапом построения модели следует считать определение степени влияния каждого фактора на переменную путем нахождения соответствующих коэффициентов корреляции. Стоит упомянуть, что при недостаточно высоком коэффициенте корреляции включение в модель соответствующего фактора представляется нецелесообразным, так как позволит только ухудшить общее качество модели путем понижения ее объясняющей способности. Ниже представлена таблица коэффициентов корреляции зависимой переменной попарно с каждым фактором.

Таблица 2.1

Коэффициенты корреляции факторов и зависимой переменной

CR_ULCR_UL1Кредиты юр лицамSTAVKA_CR-0,036Ставка по кредиту юр лицамSTAVKA_DEP-0,008Ставка по депозиту физ лицамTR0,067Оборот юр лицINVEST_OS0,039Инвестиции в основные фондыINFL-0,016ИнфляцияMEZHB0,070Ставка на межбанковском рынкеMBK0,820Займы банка на межбанковском рынкеOBL0,513Облигации и векселя банкаDEP_UL0,916Средства на счетах юр лицDEP_FL0,939Объем депозитов физ лицPR_UL0,859Просроченная задолженность юр лицPR_FL0,876Просроченная задолженность физ лицCR_FL0,940Объем кредитов физ лицамCB0,954Вложения банка в ценные бумагиDUMMY0,252Фиктивная переменная, =0, для частного банка

Как можно заметить из указанной выше таблицы попарных коэффициентов корреляции факторов с зависимой переменной, далеко не все факторы могли бы быть включены в модель ввиду низкого абсолютного значения упомянутого коэффициента. В частности, все обозначенные в работе как внешние факторы имеют довольно низкий коэффициент корреляции с зависимой переменной, что позволяет утверждать о нецелесообразности их включения в модель как факторов. В качестве причины столь низкой взаимосвязи данных факторов с зависимой переменной можно указать низкую степень ориентации банков на новую внешнюю информацию, и большую ориентацию на уже сложившуюся ситуацию, как в экономике, так и в самом банке. Таким образом, уже на данном этапе представляется возможность сократить объем факторов, в конечном итоге включаемых в модель, сводя их ряд к исключительно факторам, обозначаемым в работе как внутренние.

Также можно условно разделить переменные из таблицы (2.1) на те, которые можно связать с активными операциями банка и те, которые можно связать с пассивными операциями банка. С активными операциями банка связаны, в первую очередь операции, которые суть есть размещение им полученных средств, в частности, выдача кредитов и вложения в ценные бумаги. К пассивным операциям относятся различного рода займы - как на межбанковском рынке, так и с помощью облигаций и векселей, а также депозитные операции клиентов. В данном исследовании сложно однозначно сказать, операции активного или пассивного типа оказывают большее влияние на зависимую переменную, что явно следует из таблицы попарных коэффициентов корреляции, так как и те, и другие операции оказывают достаточно сильное влияние на объем выданных кредитов юридическим лицам. Коэффициенты корреляции, за исключением одного - по займам с помощью облигаций и векселей, больше 0,8, что говорит о сильном влиянии факторов на зависимую переменную. Таким образом, можно заключить, что как активные, так и пассивные операции достаточно сильно влияют на объем выданных юридическим лицам кредитов.

2.2.2 Оптимизация модели

При построении модели по оставшимся факторам можно получить следующий результат:

Dependent Variable: CR_ULMethod: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. DEP_UL0.8362350.01800446.446970.0000DUMMY235151153621349. 6.4934690.0000DEP_FL1.0060880.02090048.137930.0000CR_FL-0.6921510.052665-13.142430.0000CB-0.7738300.037497-20.637300.0000MBK0.6287620.01798134.967990.0000OBL0.9729740.06232015.612610.0000PR_FL5.2734130.6115338.6232710.0000PR_UL0.4260270.0789245.3979040.0000C-155623832736929. -5.6860750.0000R-squared0.997077 Mean dependent var4.11E+08Adjusted R-squared0.997052 S. D. dependent var9.71E+08S. E. of regression52738079 Akaike info criterion38.40879Sum squared resid2.98E+18 Schwarz criterion38.45494Log likelihood-20730.75 Hannan-Quinn criter. 38.42627F-statistic40553.52 Durbin-Watson stat0.434508Prob (F-statistic) 0.000000

Из построенной модели можно заметить, что каждый включенный в нее показатель является значимым, то есть может быть включен в итоговое уравнение, описывающее зависимость объема выданных кредитов от различных факторов. Значимость показателей определяется как значением t-статистики, так и значением остаточной вероятности, которая должна быть меньше 0,05 для того, чтобы можно было отвергнуть гипотезу о равенстве коэффициента перед регрессором нулю. Значение коэффициента детерминации в модели, который обозначен как R-squared, равно 0,997, что говорит об отличной описательной способности модели. Значение скорректированного показателя также является высоким, что также говорит о том, что модель хорошо описывает реальное положение дел. Высокое значение F-статистики позволяет сказать, что модель является значимой в целом, а значит, ее можно использовать для дальнейшего изучения указанных в работе взаимосвязей между переменными и доверять результатам, которые были получены с использованием модели. Об этом же говорит и значение вероятности, которое обозначено как Prob (F-statistic), равное нулю. Одним важным показателем, который будет в дальнейшем использован для тестов, является критерий Durbin-Watson stat, как он обозначен в таблице выше. Данный показатель используется при тестировании модели на наличие автокорреляции остатков. при условии, что последняя обнаружена в модели, оценки коэффициентов будут смещены, что не позволит с высокой точностью утверждать о том, значим ли в действительности коэффициент, или же его значимость обусловлена автокорреляцией остатков, при устранении которой исследователь может получить совершенно иные значения стандартных ошибок. Данный коэффициент указывает на наличие автокорреляции остатков. соответственно, чтобы получить более правдоподобную модель в дальнейшем по ходу работы данный аспект будет рассмотрен более подробно. Также стоит отдельно упомянуть проблему наличия в модели мультиколлинеарности, которая будет рассмотрена ниже, которая также негативно сказывается на результатах, которые будут получены с помощью модели.

Отрицательная сторона мультиколлинеарности заключается в искажении стандартных ошибок при коэффициентах, что негативно сказывается на общем качестве модели и не позволяет с высокой степенью достоверности утверждать о значимости того или иного фактора. Поэтому оптимальным решением в таком случае является нахождение способа избавления от мультиколлинеарности в модели. Одним из способов является исключение сильнокоррелированных параметров из модели до тех пор, пока VIF (variance inflation factor, критерий, который показывает, насколько искажены значения стандартных ошибок при факторах в модели с наличием мультиколлинеарности, по сравнению с моделью, в которой последняя отсутствует) не примет значение, меньшее 5, что говорит об отсутствии межфакторной корреляции, которая могла бы сильно ухудшить качество модели.

В общем случае формула для расчета выглядит следующим образом:

VIF=1/ (1-R-squared), (2.1)

где:

VIF - variance inflation factor

R-squared - коэффициент детерминации.

Однако стоит осторожно подходить к данному процессу, чтобы сохранить в полученной после такого рода операций регрессионной модели экономический смысл. Поэтому наиболее оптимальным вариантом является оставить в модели факторы, которые описывают источники привлечения банком средств для выдачи кредитов (или влияют на последние) - в частности, депозиты населения, средства юридических лиц, займы на межбанковском рынке. Остальные факторы стоит исключать при наличии сильной корреляции между ними. Исключив на данном основании из модели 3 фактора, приходим к следующему:

Dependent Variable: LOG (CR_UL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (MBK) 0.2951740.00709941.578270.0000LOG (OBL) 0.0558720.0067528.2746610.0000LOG (PR_UL) 0.0307180.0082063.7431540.0002LOG (DEP_FL) 0.1782300.00829721.481170.0000LOG (DEP_UL) 0.4066530.01304631.169770.0000DUMMY-0.0145270.017107-0.8492130.3960C1.7042170.12955713.154190.0000R-squared0.960630 Mean dependent var18.73461Adjusted R-squared0.960410 S. D. dependent var1.336830S. E. of regression0.265992 Akaike info criterion0.195757Sum squared resid75.91644 Schwarz criterion0.228065Log likelihood-98.70875 Hannan-Quinn criter. 0.207990F-statistic4363.581 Durbin-Watson stat0.180809Prob (F-statistic) 0.000000

Как можно заметить, была выбрана спецификация с натуральными логарифмами, так как она, наравне с исключением сильно коррелирующих между собой факторов, смогла устранить в модели проблему мультиколлинеарности, о чем более подробно будет указано в дальнейшем.

Примечательно, все коэффициенты в модели, кроме фиктивной переменной, являются значимыми. Незначимость фиктивной переменной говорит о том, что можно с достаточной степенью уверенности утверждать, что форма собственности банка не оказывает влияния на решения, принимаемые банком относительно его кредитного портфеля в отношении кредитов юридических лиц.

Изначальной гипотезой относительно фиктивной переменной, заявленной до построения модели, была значимость данной переменной, что логично было бы объяснить рядом причин. В частности, банки с государственным участием должны иметь больше возможностей на рынке в части, например, привлечения капитала для своих операций. Также нельзя не упомянуть, что крупные государственные банки, в частности, "Сбербанк", "ВТБ" и иные имеют значительную часть активов относительно общего объема активов всех банков, что служит основанием для предположения о их возможном значительном влиянии на рынок, которое должно было проявиться при построении модели в значимости фиктивной переменной, то есть в их принципиальном отличии от банков, в капитале которых государство не участвует. Логично также предположить, что банки с государственным участием вправе рассчитывать на государственную поддержку в случае трудностей в первую очередь, по сравнению с другими банками при возникновении разного рода трудностей. Однако построение модели приводит исследователя к обратному выводу, отрицая наличие связи между объемом портфеля кредитов юридических лиц и формой собственности банка. Данное заключение позволяет утверждать, что банки с государственным участием не имеют принципиальных отличий от частных банков, в общем случае действуя на рынке банковских услуг так же, как и банки, обходящиеся без государственного вмешательства. Также можно утверждать, что банки с государственным участием в капитале не стремятся следовать каким-либо специфическим указаниям данного акционера (при их наличии), что определило бы их поведение на рынке как специфическое и отличное от остальных рыночных игроков. Таким образом, исключая фиктивную переменную из состава факторов, включаемых в модель, получаем следующую регрессионную модель:

Dependent Variable: LOG (CR_UL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (MBK) 0.2961920.00699642.334870.0000LOG (OBL) 0.0550140.0066758.2413850.0000LOG (PR_UL) 0.0294670.0080723.6504670.0003LOG (DEP_FL) 0.1798010.00808722.232800.0000LOG (DEP_UL) 0.4055150.01297631.251810.0000C1.7060440.12952213.171820.0000R-squared0.960604 Mean dependent var18.73461Adjusted R-squared0.960420 S. D. dependent var1.336830S. E. of regression0.265957 Akaike info criterion0.194577Sum squared resid75.96746 Schwarz criterion0.222270Log likelihood-99.07156 Hannan-Quinn criter. 0.205063F-statistic5237.512 Durbin-Watson stat0.181519Prob (F-statistic) 0.000000

Далее будут представлены модели, иллюстрирующие зависимость одного из факторов от оставшихся двух других, что необходимо при нахождении показателя VIF.

Dependent Variable: LOG (OBL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (CR_UL) 1.0811540.1311868.2413850.0000LOG (MBK) -0.1883430.050341-3.7413250.0002LOG (PR_UL) -0.2891330.034908-8.2827770.0000LOG (DEP_FL) 0.0752490.0432621.7393990.0823LOG (DEP_UL) 0.2697760.0790573.4124080.0007C-2.5544540.613896-4.1610520.0000R-squared0.500175 Mean dependent var16.33355Adjusted R-squared0.497848 S. D. dependent var1.663793S. E. of regression1.179009 Akaike info criterion3.172765Sum squared resid1492.926 Schwarz criterion3.200458Log likelihood-1707.293 Hannan-Quinn criter. 3.183251F-statistic214.9502 Durbin-Watson stat0.079178Prob (F-statistic) 0.000000

В данной модели в качестве зависимой переменной взят объем заимствований с помощью облигаций и векселей, а в качестве факторов - оставшиеся переменные. На данном этапе построения подобных моделей стоит уделять внимание лишь коэффициенту детерминации, который необходим для расчета показателя VIF, о котором говорилось ранее. Таким образом, VIF после соответствующих расчетов по формуле (2.1) равен 1,88, что говорит об отсутствии мультиколлинеарности при условии столь же низкого показателя в оставшихся четырех моделях.

Dependent Variable: LOG (DEP_UL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (OBL) 0.1992860.01446613.776610.0000LOG (MBK) 0.2274230.01491115.252250.0000LOG (PR_UL) 0.2717840.01706715.924550.0000LOG (DEP_FL) 0.0839050.0188364.4544860.0000C5.6012460.25199522.227610.0000R-squared0.769256 Mean dependent var18.38615Adjusted R-squared0.768398 S. D. dependent var1.298984S. E. of regression0.625137 Akaike info criterion1.902928Sum squared resid420.1063 Schwarz criterion1.926005Log likelihood-1022.581 Hannan-Quinn criter. 1.911666F-statistic895.9623 Durbin-Watson stat0.066121Prob (F-statistic) 0.000000

В модели была заменена зависимая переменная, взятая из того же набора факторов. Как и в случае с предыдущей моделью, необходимо найти значение VIF по формуле (2.1). После соответствующих расчетов VIF равен 4,33, что также говорит об отсутствии мультиколлинеарности, при условии, что данный показатель в моделях, которые упомянуты ниже, будет на столь же низком уровне.

Dependent Variable: LOG (MBK) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (DEP_UL) 0.7822540.05128815.252250.0000LOG (OBL) 0.1276540.0288394.4265030.0000LOG (PR_UL) 0.2962940.0340098.7123170.0000LOG (DEP_FL) -0.0531090.035217-1.5080390.1318C-3.0060110.557138-5.3954530.0000R-squared0.639846 Mean dependent var17.07287Adjusted R-squared0.638506 S. D. dependent var1.928329S. E. of regression1.159396 Akaike info criterion3.138294Sum squared resid1445.014 Schwarz criterion3.161372Log likelihood-1689.679 Hannan-Quinn criter. 3.147032F-statistic477.4584 Durbin-Watson stat0.113385Prob (F-statistic) 0.000000

Выше представлена еще одна модель зависимости одного из факторов от двух других.

Как и в двух предыдущих случаях, необходимо найти значение показателя VIF. После расчетов по формуле (2.1) значение показателя равно 2,77.

Dependent Variable: LOG (PR_UL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (MBK) 0.2225900.0255498.7123170.0000LOG (DEP_UL) 0.7022940.04410115.924550.0000LOG (OBL) -0.1870740.024569-7.6143350.0000LOG (DEP_FL) 0.3425260.02871611.928260.0000C-4.3435900.471119-9.2197340.0000R-squared0.672219 Mean dependent var15.34327Adjusted R-squared0.670999 S. D. dependent var1.751960S. E. of regression1.004900 Akaike info criterion2.852272Sum squared resid1085.561 Schwarz criterion2.875349Log likelihood-1535.227 Hannan-Quinn criter. 2.861010F-statistic551.1564 Durbin-Watson stat0.037471Prob (F-statistic) 0.000000

Выше представлена еще одна модель, в которой в качестве зависимой переменной взят объем просроченной задолженности.

Значение показателя VIF равно 3,05.

Dependent Variable: LOG (DEP_FL) Method: Panel Least SquaresSample: 1 36Periods included: 36Cross-sections included: 30Total panel (balanced) observations: 1080VariableCoefficientStd. Errort-StatisticProb. LOG (PR_UL) 0.3412470.02860811.928260.0000LOG (MBK) -0.0397490.026358-1.5080390.1318LOG (DEP_UL) 0.2160010.0484914.4544860.0000LOG (OBL) 0.1953340.0244607.9857660.0000C5.8845010.45431012.952620.0000R-squared0.491391 Mean dependent var17.60364Adjusted R-squared0.489499 S. D. dependent var1.403821S. E. of regression1.003021 Akaike info criterion2.848529Sum squared resid1081.506 Schwarz criterion2.871607Log likelihood-1533.206 Hannan-Quinn criter. 2.857268F-statistic259.6521 Durbin-Watson stat0.009147Prob (F-statistic) 0.000000

В модели в качестве зависимой переменной взят объем депозитов частных лиц, хранящийся в кредитном учреждении. Значение показателя VIF в соответствии с формулой (2.1) равно 1,96.

Как можно заметить, значение VIF в каждой из построенных моделей меньше 5, что говорит о том, что мультиколлинеарность в модели отсутствует. Соответственно, можно сказать, что оценки коэффициентов в модели являются эффективными.

Однако в модели не учтен фактор наличия автокорреляции, поскольку значение статистика Дарбина-Уотсона по-прежнему указывает на факт ее наличия. В качестве отрицательных последствий автокорреляции стоит отметить занижение стандартных ошибок при коэффициентах регрессии, что также искажает качество модели.

Для устранения автокорреляции стоит определить степень последней. Для этого необходимо построить коррелограмм по остаткам, который представлен ниже:

Sample: 1 36Included observations: 1080AutocorrelationPartial CorrelationAC PAC Q-Stat Prob |******| |******|10.8880.888853.980.000 |******| |* |20.8110.1081567.70.000 |***** | | |30.7480.0422174.00.000 |***** | | |40.6990.0582704.20.000 |***** | | |50.6590.0473176.90.000 |**** | | |60.619-0.0013593.40.000 |**** | | |70.5870.0363968.50.000 |**** | | |80.5640.0504315.30.000 |**** | | |90.5400.0094633.40.000 |**** | | |100.512-0.0144919.50.000 |*** | | |110.479-0.0285170.20.000

Как можно заметить, наличествует автокорреляция 1-ой степени, что устраняется внесением исправлений в модель, а именно добавлением фактора, учитывающего значение переменной в прошлом наблюдении. Таким образом, усовершенствованная модель выглядит следующим образом:

Dependent Variable: LOG (CR_UL) Method: Panel Least SquaresSample (adjusted): 2 36Periods included: 35Cross-sections included: 30Total panel (balanced) observations: 1050Convergence achieved after 8 iterationsVariableCoefficientStd. Errort-StatisticProb. LOG (DEP_FL) 0.2161510.0314126.8812200.0000LOG (PR_UL) 0.0249170.0088512.8150410.0050LOG (MBK) 0.0180010.0037414.8116560.0000LOG (DEP_UL) 0.0392380.0130403.0089490.0027LOG (OBL) 0.0111660.0041932.6633850.0079C17.746922.3046147.7006020.0000AR (1) 0.9972270.001339745.01720.0000R-squared0.998929 Mean dependent var18.74428Adjusted R-squared0.998923 S. D. dependent var1.333758S. E. of regression0.043766 Akaike info criterion-3.413255Sum squared resid1.997868 Schwarz criterion-3.380211Log likelihood1798.959 Hannan-Quinn criter. -3.400726F-statistic162192.6 Durbin-Watson stat1.967269Prob (F-statistic) 0.000000

Как можно заметить, все факторы оказываются значимыми. Модель в целом также оказывается значимой, а также лишенной последствий мультиколлинеарности и автокорреляции. Все знаки перед факторами оказались предсказуемыми, в частности, соответствующими данным таблицы (2.1), в которой соответствующие коэффициенты корреляции оказались положительными, то есть налицо наличие прямой связи между факторами и зависимой переменной.

Глава 3. Практическое использование модели

3.1 Интерпретация модели

Ранее были представлены результаты практической части исследования, то есть построение модели и некоторые тесты, которые направлены на улучшение ее описательной способности. В третьей главе будет дана некоторая интерпретация полученной модели и описание возможностей ее применения на практике.

Исходя из материалов второй главы, можно сказать, что уравнение зависимости объема выданных кредитов от факторов выглядит следующим образом:

ln (Cr_ul) = 0,01*ln (mbk) +0,02*ln (pr_ul) +0,21*ln (dep_fl) +0,03*ln (dep_ul) +0,01*ln (obl) +0,99*ln (cr_ul (t-1)) +17,7

где:

Cr_ul - объем выданных юридическим лицам кредитов

pr_ul - объем просроченной задолженности

dep_fl - объем вкладов физических лиц

obl - объем займов с помощью векселей и облигаций

mbk - объем займов на межбанковском рынке

dep_ul - средства юридических лиц.

Стоит отметить, что в спецификации использованы натуральные логарифмы при зависимой переменной, а также при факторах, что дает несколько иную интерпретацию модели, чем при линейной спецификации, о чем будет упомянуто в дальнейшем.

Как можно заметить, в уравнении в качестве факторов содержится сама зависимая переменная с лагом в 1 месяц, что обусловлено желанием избежать наличии автокорреляции в остатках, которая ведет к появлению неэффективных оценок коэффициентов. Таким образом, модель лишена автокорреляции, и можно утверждать, что оценки коэффициентов регрессии являются эффективными. Однако данный факт можно интерпретировать как преемственность действий банка во времени и его частичную ориентацию на достигнутые в прошлом показатели.

Чтобы более точно интерпретировать результаты построения модели, можно добавить, что при увеличении объема просроченной задолженности юридических лиц на 1%, объем выданных юридическим лицам кредитов увеличится на 0,02%. Прямая связь может быть интерпретирована следующим образом: при увеличении объема кредитного портфеля неизменно растет и просроченная задолженность в нем как следствие неизменности политики банка в одобрении кредитных заявок и постоянного наличия в портфеле некоторого объема просроченной задолженности.

При увеличении объема вкладов населения на 1%, объем выданных юридическим лицам кредитов растет на 0,21%, что следует из указанного уравнения. Прямая связь между фактором и зависимой переменной объясняется тем, что депозиты физических лиц являются основным источником для выдачи кредитов юридическим лицам, хотя и не единственным.

Интерпретация реакции объема выданных юридическим лицам кредитов на изменение объема заимствований кредитного учреждения с помощью облигаций и векселей выглядит следующим образом: при увеличении займов на 1%, объем кредитов увеличивается на 0,01%. Прямая связь может быть объяснена, как уже было упомянуто ранее, тем, что данный тип займов не является основным источником для формирования базы выдачи кредитов, и поэтому, рост объема займов данного типа может свидетельствовать о том, что предприятию в нормальном процессе функционирования требуется привлечь необходимый объем средств, которые будут израсходованы для поддержания текущей деятельности.

Еще одним фактором в модели является объем средств юридических лиц, хранящийся в кредитном учреждении. При увеличении данного фактора на 1%, наблюдается, согласно уравнению, рост объема портфеля кредитов на 0,03%. Прямая связь объясняется тем, что данный показатель является одним из средств финансирования процесса выдачи кредита, хотя и не основным, о чем было упомянуто выше.

Также одним из факторов, включенных в модель, является объем привлеченных межбанковских кредитов. При увеличении данного показателя на 1% наблюдается рост объема кредитного портфеля на 0,01%. Данная прямая связь также является очевидной, ввиду того, что данный тип заимствований является одним из наиболее простых способов для банка привлечь средства с целью их дальнейшего размещения.

Также в уравнении содержится еще одна лаговая переменная, а именно - непосредственно зависимая переменная, однако взятая с лагом в 1 месяц. Причина ее включения в уравнение кроется в желании исключить из модели автокорреляцию остатков. При наличии последней нельзя достоверно утверждать о значимости отдельных факторов, включенных в модель. Однако включение данной лаговой переменной является общепринятым эконометрическим методом избавления от проблемы автокорреляции остатков в модели, что, в конечном счете, делает модель более приближенной к реальности. Также нельзя не учитывать фактора наличия кредитной политики банка, которая в определенной степени может быть отражена путем добавления данной переменной в ряд факторов, что показывает исследователю, насколько банк придерживается и ориентируется на решения прошлых периодов.

Таким образом, уравнение зависимости объема выданных юридическим лицам кредитам описывает, насколько изменяется последний при условии изменения входящих в модель факторов. О возможностях его применения и соответствующих ограничениях будет упомянуто ниже.

3.2 Возможности применения модели

В предыдущем параграфе была дана интерпретация полученной регрессионной модели. Далее стоит упомянуть о том, насколько последняя может быть применена на практике.

Так как модель была построена на реальных данных за определенный промежуток времени, то можно сказать, что выявленные закономерности, в частности, уравнение, описывающее зависимость объема выданных кредитов от ряда факторов, является в определенной степени достоверным и пригодным к дальнейшему использованию.

В частности, полученную модель можно использовать для анализа сложившейся ситуации на рынке, так как модель с высокой степенью точности определяет степень изменения зависимой переменной в ответ на изменения факторов. Также преимуществом модели является то, что ряд факторов состоит из 5 переменных, что позволяет широко охватить поле предполагаемых величин, оказывающих влияние на зависимую переменную.

Модель может быть использована при анализе текущей ситуации на рынке банковского кредитования, так как она с довольно высокой степенью точности описывает связи между переменными, позволяя тем самым говорить о возможности ее использования при выявлении трендов на рынке кредитования. Данное использование подразумевает под собой интерпретацию фактов, происходящих на рынке через призму выведенного ранее уравнения, описывающего степень взаимосвязи между показателями. Также модель можно применить при формировании стратегии или отдельных ее элементов ввиду небольшого факторного набора. Говоря более детально и применительно к полученным результатам, можно с достаточной степенью точности говорить об изменении объема кредитов как реакции на изменение факторов, о чем более подробно было описано в блоке, касающемся интерпретации модели. Еще одной положительной стороной является возможность применения модели в ситуациях поиска оптимальной реакции на действия других игроков рынка, подразумевая под этим факт того, что модель описывает поведение кредитного учреждения в среднем, то есть может быть применена к любому игроку на рынке. Таким образом, модель может быть использована в качестве одного из инструментов для обоснования тех или иных решений менеджмента, а также при дальнейших исследованиях рынка, как отправная точка для более глубокого изучения тенденций и взаимосвязей.

Однако построенная модель, как и любая другая, имеет ряд ограничений, о которых следует помнить при попытке применения ее на практике. Стоит помнить о том, что модель является упрощенной интерпретацией реальной рыночной ситуации, что подразумевает под собой возможность исключения из рассмотрения ряда деталей, которые также в совокупности могут оказывать значительное влияние.

Ряд факторов, которые могли бы быть включены в модель, является ограниченным рамками работы. Определенные значимые факторы могли быть пропущены на этапе факторного отбора, что отрицательно сказалось бы на качестве модели в целом.

Некоторые факторы невозможно измерить количественно и включить в исследование, в частности, кредитную политику того или иного банка, его ориентированность на определенные сегменты рынка или действия топ-менеджмента. Последние могут под собой иметь различные цели - в частности, достижение максимальной прибыльности, рост клиентской базы или некоторые иные, что в моменте дает различное положение банка относительно рынка.

Также одной из неявных предпосылок модели является предположение о том, что кредитное учреждение реагирует на изменяющиеся рыночные условия, стараясь предпринять определенные меры, что, в частности, проявляется в изменении объема кредитного портфеля. Однако возможны случаи, когда банк может действовать в соответствии со своими долгосрочными планами, неактивно реагируя на изменяющийся рынок. Нельзя сказать, что это правило, однако вероятность подобного исхода не равна нулю.

Стоит отметить и ограниченность периода наблюдения за переменными. Для сглаживания отражения в модели острой фазы экономического кризиса, был взят промежуток времени 2010-2012 годов, однако увеличение периода могло бы улучшить качество модели в целом.

Также стоит отметить возможную неоднородность данных, которые были использованы в модели. Можно сказать, что на рынке функционирует гораздо больше частных банков, чем банков с государственным участием, поэтому попавшие в выборку кредитные учреждения могли бы в определенной степени исказить реальную картину.

Таким образом, можно сказать, что полученная в ходе исследования модель может быть применена при анализе рынка и в качестве одного из инструментов при принятии управленческих решений, однако стоит помнить о возможных ограничениях, которые могут оказать влияние на качество и степень достоверности полученных с помощью подобного анализа выводов.

Заключение

В ходе работы были поэтапно выполнены все поставленные задачи, а также достигнута цель, указанная во введении - нахождение и описание взаимосвязей между объемом выданных кредитов и различными факторами, которые влияют на данную переменную. Регрессионная модель, полученная как результат работы, была выбрана как наиболее оптимальный вариант описания взаимосвязей между переменными. Переход от линейной к логарифмической спецификации является оправданным и не ухудшающим общее качество модели. Нельзя не упомянуть, что была проведена работа по оптимизации модели с помощью различных эконометрических инструментов. Также была дана интерпретация полученных в ходе работы результатов, о чем более подробно изложено в третьей главе.

О качестве полученной модели также более подробно упомянуто в соответствующих разделах работы, однако вкратце можно охарактеризовать модель как достоверно описывающую реальную ситуацию в отрасли и пригодную для дальнейшего применения в исследованиях. Как и любая модель, полученное уравнение, описывающее зависимость между переменными, имеет ряд ограничений, которые, тем не менее, позволяют говорить о том, что была получена модель с высокой описательной способностью и возможностью применения на практике при решении широкого спектра задач. Области ее применения не ограничиваются только академическим интересом, а также содержат в себе прикладную составляющую, в частности, инструментарий для анализа рыночной ситуации банковского кредитования, выявления тенденций изменения переменных как реакции на определенные события, и, наконец, принятия управленческих решений на уровне топ-менеджмента банка.

Также важным результатом, достигнутым в ходе работы, является проверка гипотезы о влиянии государственного участия в капитале банка на объем кредитного портфеля с помощью включения в модель фиктивной переменной, принимающей различные значения в зависимости от собственника банка. Согласно полученным результатам, не имеет значения факт наличия или отсутствия государства в ряде акционеров кредитного учреждения, несмотря на очевидные предпосылки обратного утверждения, которые также подробно описываются в работе. Возможные причины такого положения дел также были подробно изложены в работе, а именно во второй главе.

Таким образом, полученные в ходе работы результаты являются достоверными, отражающими действительность, так как получены в ходе анализа реальных данных, и могут быть в дальнейшем использованы в дальнейшем сторонним исследователем.

Список литературы

1.Агафонова М.В. Формирование кредитного портфеля современного коммерческого банка // Современные наукоемкие технологии. 2005. №6. с.52-55

2.Бирюкова Е.А., Коваленко О.В. Российский рынок межбанковского кредитования: вопросы развития инфраструктуры // Банковское дело. 2011. №12. с.39-46.

.Бровкина Н.Е. Конкуренция на кредитном рынке и перспективы ее развития // Банковское дело. 2011. №7. с.31-38.

.Букирь М.Я. Кредитная работа в банке. Методология и учет - М.: Кнорус, 2012. - 240 с.

.Воронин Б.Б., Демчев И.А. Розничный банковский бизнес. Бизнес-энциклопедия - М.: Альпина Паблишер, 2010. - 526 с.

.Грюнинг Х., Брайович Б. Анализ банковских рисков. Система оценки корпоративного управления и управления финансовым риском - М.: Весь Мир, 2009. - 290 c

.Егоров А.В., Кармазина А.С. Кредитный рынок: тенденции и перспективы // Банковское дело. 2012. №3. с.18-24.

.Мазорук А.В. Принципы формирования стратегии банка // Банковское дело. 2012. №2. с.52-58.

.Мамонов М.Е. Перспективы кредитования банками реального сектора экономики // Банковское дело. 2010. №9. с.18-24.

.Мамонов М.Е., Пестова А.А. Банковская система России на выходе из кризиса // Банковское дело. 2011. №5. с.21-32.

.Масленченков Ю.С. Финансовый менеджмент в коммерческих банках. Фундаментальный анализ - М.: Перспектива, 1996. - 160 с.

.Меняйло Г.В. Сущность и классификация кредитного портфеля коммерческого банка // Вестник ВГУ, Серия: Экономика и управление. 2005. №2. с.129-136.

.Милюков А.И., Пенкин С.А. Денежно-кредитная политика как фактор роста российской экономики // Банковское дело. 2011. №1. с.49-54.

14.Морсман Э. Кредитный департамент банка - М.: Альпина Паблишер <http://ru.wikipedia.org/wiki/%D0%90%D0%BB%D1%8C%D0%BF%D0%B8%D0%BD%D0%B0_%D0%9F%D0%B0%D0%B1%D0%BB%D0%B8%D1%88%D0%B5%D1%80_(%D0%B8%D0%B7%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D1%81%D1%82%D0%B2%D0%BE)>, 2004. - 47 с.

.Панова Г.С. Кредитная политика коммерческого банка - М.: ИКЦ "ДИС", 1997. - 464 с.

.Пашков А.И. Оценка качества кредитного портфеля // Деньги и кредит. 1997. №5. с.29-30.

.Рассказов Е.А. Управление свободными ресурсами банка - М.: Финансы и статистика, 1996. - 96 с.

.Рид Э., Коттер Р., Гилл Э. Коммерческие банки / пер. с англ., под ред.В.М. Усоскина.2-е изд. - М.: СП "Космополис", 1991. - 480 с.

.Синки Дж., мл. Финансовый менеджмент в коммерческом банке и в индустрии финансовых услуг / Пер. с анг. - М.: Альпина Бизнес Букс, 2007. - 1018 с.

.Славянский А.В. Управление кредитным портфелем как один из элементов системы управления кредитным риском // Аудит и финансовый анализ. 2008. №6. с.1-10.

.Соколинская Н.Э. Влияние МБК на границы кредитования // Банковское дело. 2012. №1. с.26-33.

.Солнцев О.Г., Мамонов М.Е. Ситуация на кредитном рынке: промежуточные итоги кризиса и контуры среднесрочного прогноза // Банковское дело. 2010. №4. с. 19-23.

.Ужахов М.А. Влияние денежно-кредитной политики на инвестиционную активность // Банковское дело. 2012. №8. с.38-44.

.Шеремет А.Д., Щербакова Г.Н. Финансовый анализ в коммерческом банке - М.: Финансы и статистика, 2001. - 256 с.

25.Casu B. Introduction to Banking - Prentice Hall, 2006. - 560 с.

.Dilley D. Essentials of Banking - John Wiley & Sons, 2008. - 269 с.

.Fabozzi F. Bank Loans: Secondary Market and Portfolio Management - John Wiley & Sons, 1998. - 222 c.

.Gregoriou G. The Handbook of Credit Portfolio Management - McGraw-Hill, 2008. - 504 c.

.Hudson R. The Capital Markets and Financial Management in Banking - Global Professional Publishing, 2000. - 366 c.

.Morsman E.commercial Loan Portfolio Management - Risk Management Assoc, 1993. - 129 c.

.Pond K. Retail Banking - Global Professional Publishing, 2009. - 206с.

.Smithson <http://www.google.ru/search?hl=ru&tbo=p&tbm=bks&q=inauthor:%22Charles+Smithson%22&source=gbs_metadata_r&cad=11> C. Credit Portfolio Management - John Wiley & Sons, 2003. - 352 c.

Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение Высшего профессионального образования "Нацио

Больше работ по теме: