98020

ФОРМИРОВАНИЕ РЕЙТИНГОВ ДЛЯ РОССИЙСКИХ БАНКОВ

Диссертация

Банковское дело и рынок ценных бумаг

Сдерживающим фактором развития банковского бизнеса в целом и рынка межбанковского кредитования в частности является дефицит информации о качестве финансового состояния потенциальных контрагентов. На текущий момент в российской банковской системе международные рейтинги присвоены не более чем восьми процентам банков.

Русский

2015-10-27

6.14 MB

0 чел.

Государственный университет - Высшая школа экономики

На правах рукописи

КОШЕЛЮК ЮРИЙ МИРОСЛАВОВИЧ

         ФОРМИРОВАНИЕ РЕЙТИНГОВ ДЛЯ РОССИЙСКИХ БАНКОВ

Специальность: 08.00.10 – Финансы денежное обращение и кредит

ДИССЕРТАЦИЯ

на соискание степени кандидата

           экономических наук

Научный руководитель:

кандидат экономических наук,

Солодков В.М.

Москва – 2008


ОГЛАВЛЕНИЕ


ВВЕДЕНИЕ

Актуальность темы исследования. 

Сдерживающим фактором развития банковского бизнеса в целом и рынка межбанковского кредитования в частности является дефицит информации о качестве финансового состояния потенциальных контрагентов. На текущий момент в российской банковской системе международные рейтинги присвоены не более чем восьми процентам банков. Позволить себе услуги рейтинговых агентств (РА) могут лишь крупные, ориентированные на международные рынки капитала российские банки, остальным же для получения рейтинга нужно проводить кардинальную модернизацию деятельности, выстраивать управление организации с ориентацией на учет рисков, что связано с существенными, часто непосильными финансовыми затратами.

Из-за высокой скорости изменения ситуации на финансовых рынках, а также инертности «объективных» оценок со стороны РА1, банкам необходимо создавать собственные методики дистанционного мониторинга банков-контрагентов для качественной и своевременной оценки их кредитоспособности.2 Банк России также требует3, чтобы все кредитные организации ежемесячно, пользуясь собственными методиками, проводили мониторинг кредитоспособности своих контрагентов.

У большинства российских банков есть собственные методики оценки банков-контрагентов, состоящие преимущественно из двух составляющих – количественной и качественной оценок. Количественная оценка основывается на анализе финансовых показателей. Распространенным подходом к их оценке является выбор шкал и соответствующих градациям шкалы баллов, а итоговая оценка определяется как взвешенная сумма набранных баллов. Недостатком такого рода систем является тот факт, что градации шкалы, баллы и веса выбираются экспертно, что не способствует получению объективной оценки. Вторым компонентом методик является качественная оценка, которая основывается на анализе таких параметров как: структура собственности, качество управления рисками, территориальная принадлежность, кредитная история, деловая репутация и т.д. Подобного рода методика используется и на уровне Центрального банка РФ для анализа деятельности кредитных организаций, подавших заявку на вхождение в ССВ [].

Универсального алгоритма, который позволял бы объективно ранжировать банки в различных экономических условиях, не существует. Упорядочивание организаций на основе двух ведущих финансовых показателей (с отображением их значений на плоскости) –  наиболее простой и легко интерпретируемый способ ранжирования организаций. Однако полноценный анализ финансового состояния кредитных организаций должен осуществляться при помощи большого набора показателей, а ранжирование организаций при большом количестве анализируемых показателей – задача непростая, не имеющая однозначного решения.

Существенные коррективы в деятельность большинства банков внесет и планируемый переход на принципы Базеля-2 [,], который повлечет за собой изменения в порядке расчета кредитного риска4, уровня достаточности капитала банков и потребует создания комплексных систем управления и оценки рисков. Как и в соглашении 1988 года в Новом Базельском соглашении, активы банка взвешиваются по степени риска, что влияет на определение достаточности капитала кредитной организации. Весовые коэффициенты риска активов основываются главным образом на внешних кредитных рейтингах. Такие значимые рейтинги должны соответствовать следующим основным критериям: объективность, независимость, прозрачность, достоверность.

В методиках международных РА5 оценка организации сводится к одному интегральному показателю надежности,  а  анализ включает значительный набор как финансовой, так и нефинансовой информации. Субъективные оценки экспертов агентства и опросы сотрудников (что никак не отражается в отчетности организаций) составляют, по данным РА, значительную долю в комплексной оценке рейтинга. В этой связи возникает ключевой вопрос: в какой степени рейтинг банка, присваиваемый международными РА, зависит от его финансовых показателей, и допускает ли данная зависимость возможность формирования собственной системы рейтингов?

Предлагаемая методика позволяет совершенствовать систему риск-менеджмента в российских банках, но не призвана определить все нюансы финансового положения оцениваемых кредитных организаций. 

Предлагаемый нами инструмент, опираясь  именно на финансовые показатели, может служить основой для дистанционной оценки функционирования банков и ранжирования их по уровню надежности. Таким образом, инструмент позволяет получить «экспресс-рейтинг», для полновесной же оценки (в целях практического применения) необходимо корректировать полученный рейтинг с учетом всей доступной информации, в том числе и нефинансового характера: состав акционеров, масштабы региональной диверсификации бизнеса банка, сведения об основных клиентах, о видах предоставляемых услуг, о качестве корпоративного управления и о наличии «независимой» службы внутреннего контроля, о репутации банка на рынке, об участии в судебных разбирательствах и т.д.

Цель исследования. Разработать собственную методику формирования долгосрочных аналитических рейтингов6 для ранжирования российских кредитных организаций путем оценки их функционирования на основе набора финансовых показателей.

Для реализации цели исследования ставятся и решаются следующие основные задачи:

  •  провести обзор развития методов оценки функционирования кредитных организаций и подходов к определению их надежности;
  •  систематизировать существующие подходы к оценке надежности банков;
  •  разработать собственный подход к определению долгосрочного рейтинга надежности российских кредитных организаций:
  •  проанализировать зависимость рейтингов международных РА от финансовых показателей;
  •  выявить специализации, характерные для российских банков;
  •  выявить набор независимых финансовых показателей для построения интегрального показателя надежности банков;
  •  провести настройку моделей на основе рейтингов международных РА на выбранном наборе финансовых показателей и верификацию моделей на данных за пределами выборки (out-of-sample) и данных по банкам, лицензии у которых отозваны Банком России;
  •  изучить качественный состав анализируемой выборки банков в период с 2004 по 2008 гг;
  •  выработать рекомендации по повышению эффективности управления кредитными рисками на межбанковском рынке.

Объект исследования: банки – резиденты Российской Федерации.

Предмет исследования: подходы к формированию рейтингов кредитных организаций и эконометрические методы оценки функционирования банков.

Теоретическую базу исследования составляют труды ведущих ученых-экономистов (Э.Альтман, Г.Байстром, А.Бергер, Т.Бэк, А.Демиргук-Кунт, К.Зоупонидис, А.Рести, М.Хатчинсон, А.Эстрелла и др.), специалистов в области изучения функционирования и банкротств кредитных организаций, а также работы по моделированию и формированию рейтинговых оценок, представленные в ведущих научных журналах по экономике и финансам: «Journal of Banking & Finance», «International Economic Review», «Decision Sciences Journal», «Journal of Money, Credit and Banking», «European Journal of Operational Research», «Journal of International Money and Finance». Использовались также ресурсы сети Интернет, в частности, Интернет-страницы рейтинговых агентств и представительства Банка России в Интернете.

Вопрос ранжирования российских банков и формирования эффективного подхода к оценке риска на межбанковском рынке исследовался в работах А.Буздалина, С.Голованя, В.Иванова, А.Карминского, А.Пересецкого, А.Петрова, Б.Сазыкина, И.Фаррахова, и др.

При работе над диссертацией учитывались также исследования (П.Алам, Д.Бус, С.Головань, В.Иванов, А.Мавлютов и др.), посвященные кластерному анализу применительно к банковскому сектору. Особый интерес вызывают работы Т.Кохонена, в которых разработан метод самоорганизующихся карт – относительно новый подход к кластеризации данных.

Несмотря на раскрытие в указанных трудах целого ряда ключевых теоретических и методологических вопросов оценки функционирования банков, сохраняется необходимость в дальнейшей проработке аспектов,  связанных с разделением российских банков по уровню кредитного риска (надежности), с учетом особенностей национальной банковской системы.

Актуальность задачи ранжирования кредитных организаций по уровню надежности, а также большая заинтересованность банков в разработке эффективного инструмента дистанционного анализа контрагентов определили выбор темы нашего исследования.

Научные методы исследования – анализ и синтез, абстрагирование, сравнение, восхождение от абстрактного к конкретному, системный анализ, экономико-математическое моделирование.  В практической части работы применены также современные эконометрические методы анализа данных, кластерного анализа и компьютерного моделирования.

Информационной базой исследования являются регулярно публикуемые на сайте Банка России формы отчетности российских банков (Форма 101 «Оборотная ведомость по счетам бухгалтерского учета», Форма 102 «Отчет о прибылях и убытках»). Информационная база включает в себя данные по 401 российскому банку в период с января 2004 года по январь 2008 года. Для автоматизации процесса анализа нами был разработан ряд программных модулей, реализованных в среде MS Excel. Для статистической обработки данных использовался пакет SPSS. Кластеризация произведена с использованием программного пакета Viscovery SOMine7, в котором реализована методология самоорганизующихся карт Кохонена (Self Organizing Maps (SOM)).

Научная новизна исследования: теоретически и практически разработаны собственные авторские модели формирования (на основе общедоступных данных финансовой отчетности) рейтингов для российских банков, не представленных в рейтинг-листах международных РА. Теоретически и эмпирически  обоснована важность включения специализации в процесс анализа кредитных организаций, в целях повышения эффективности процесса дистанционной оценки функционирования банков.

Наиболее существенные научные результаты, полученные автором, и определившие научную новизну заключаются в следующем:

  •  разработана и протестирована авторская методика формирования долгосрочных рейтингов финансовой устойчивости российских банков на основе набора только финансовых показателей (без учета экспертного мнения);
  •  решена задача моделирования рейтингов трех ведущих международных РА на основе данных российской бухгалтерской отчетности8, что позволяет повысить эффективность дистанционного анализа финансового состояния кредитных организаций и получить актуальную оценку их надежности; моделируемые рейтинги демонстрируют высокий уровень сопоставимости с рейтингами ведущих международных РА (Standard&Poors, Moodys Investors Service, Fitch Ratings);
  •  выявлена высокая значимая зависимость рейтингов, присвоенных международными РА, от финансовых показателей функционирования и размера кредитных организаций;
  •  эмпирически обоснована целесообразность включения в анализ данных о специализации банка, как важной дополнительной информации, позволяющей применить индивидуальный подход для оценки надежности банков, а также представляющей самостоятельный интерес для изучения;
  •  определены возможности и условия применения полученных результатов для прогнозирования рейтингов российских банков.

Область исследования соответствует пункту 3.6. «Проблемы управления финансовыми рисками» раздела 3 «Финансы предприятий и организаций»; пункту 9.17. «Совершенствование системы управления рисками российских банков», пункту 9.18. «Проблемы оценки и обеспечения надежности банка» раздела 9 «Кредит и банковская деятельность» специальности 08.00.10 «Финансы денежное обращение и кредит» паспорта номенклатуры специальностей ВАК Минобрнауки России.

Теоретическая значимость работы состоит в обосновании методологических подходов построения (на основе общедоступной информации, а также информации о рейтингах, присвоенных международными РА) собственной системы долгосрочных рейтингов российских банков.

Практическое значение диссертации:

  •  результаты применения разработанных нами моделей для оценки функционирования банков, не имеющих рейтинга, позволили ранжировать по уровню надежности 339 российских кредитных организаций, а также исследовать качественный состав этой выборки в динамике;
  •  разработанный инструмент (являясь важным элементом системы поддержки принятия решений) позволяет усовершенствовать систему управления рисками при проведении всего спектра межбанковских операций и выделять целевые группы для непосредственного сравнения (peer groups);
  •  разработанные методические положения изложены в виде конкретных формул и рекомендаций, что делает возможным использование результатов исследования всеми заинтересованными специалистами;
  •  результаты исследования рассчитаны на практическое использование: банками – как элемент для построения методики анализа банков-контрагентов, и органами надзора – для своевременного мониторинга банковской системы.

Теоретические и практические результаты работы автор выносит на защиту.

Апробация результатов. Основные положения диссертации обсуждались на научном общемосковском семинаре «Экспертные оценки и анализ данных» (ИПУ РАН), 8-й международной научной конференции «Модернизация экономики и общественное развитие» (ГУ-ВШЭ), 2-й международной конференции «Математическое моделирования социальной и экономической динамики» (МГСУ). Результаты исследования широко обсуждались со специалистами департаментов анализа рисков ряда российских банков. Некоторые практические решения и подходы были применены в деятельности отделов контроля и регулирования рисков в коммерческих банках.

По результатам исследования автором опубликованы 4 научные работы общим объемом 2,2 печатных листа.

Структура диссертации. Диссертационное исследование изложено на 204 страницах текста, состоит из введения, трёх глав, заключения, библиографии из 105 наименований, семи приложений. Диссертация содержит 62 таблицы и 13 рисунков.


ГЛАВА 1. Современные подходы к оценке устойчивости кредитных организаций

  1.  Банковская система России в период 2004-2006 гг. Отечественная практика оценки устойчивости банков

Большинство исследований подтверждают тот факт, что банковская система России все еще далека от выполнения той роли, которую она должна играть в области преобразования сбережений в инвестиции. По уровню развитости национальной банковской системы, который оценивается по значению отношения ее совокупных активов к национальному ВВП, российский банковский сектор находится лишь на третьем месте среди стран СНГ9. Банки все еще неохотно работают друг с другом, межбанковский рынок по-прежнему мал и сегментирован.

С целью реформирования банковского сектора Банк России проводит меры по совершенствованию банковского надзора, способствующие не только улучшению надзорных функций, но и укреплению правового пространства, заставляя банки «вести игру по правилам». Об успешности проводимой реформы банковского сектора косвенно свидетельствует и увеличение доли иностранных банков, которая на конец 2006 года составляла 15,9%10 и продолжает расти. Как отмечают аналитики, приход крупнейших западных финансовых институтов способствует усилению конкуренции, а значит, повышению качества и доступности банковских продуктов. К тому же иностранные банки обладают доступом к источнику дешевых долгосрочных ресурсов, что дает им существенные преимущества по сравнению с российскими банками. В условиях, когда менее одного процента российских банков имеют международные рейтинги инвестиционного уровня, зарубежные заимствования остаются прерогативой банков с иностранным участием.

В последние годы одним из источников развития банковской системы стала фокусировка на наиболее быстро растущих и наиболее рисковых сегментах кредитования: реального сектора экономики и физических лиц. Некоторые банки активно занимались поиском рыночной ниши и старались выдавать как можно больше кредитов. В такой ситуации часто возникает риск накопления в портфеле «плохих ссуд» и, следовательно, для сохранения прежнего уровня устойчивости, необходим адекватный рост собственного капитала банков. Российские банки имеют ограниченные возможности увеличения капитала за счет притока средств миноритарных акционеров, что связано как со слабостью фондового рынка, так и с нежеланием основных собственников банков привлекать мелких инвесторов, делиться полномочиями и т.д. Это, в свою очередь, приводит к замедлению роста капитала банков и тем самым оказывает влияние не только на устойчивость банковской системы к возможным экономическим «шокам», но и ограничивает дальнейший рост банковских активов.

Одной из основных причин слабого развития банковской системы России является недостаток доверия: доверия населения к банкам, доверия банков к заемщикам, иностранных партнеров к российским банкам, банков друг к другу []. В качестве основных причин такого недоверия отмечают слабую информационную прозрачность, низкое качество корпоративного управления и низкий уровень капитализации большинства банков. Нет также уверенности в том, насколько успешно частные российские банки могут конкурировать с банками с государственным участием и, в первую очередь, со Сбербанком России, преимуществами которого являются его размеры и охват клиентов (филиальная сеть по количеству отделений эквивалентна числу российских банков). Сбербанк России имеет почти неограниченную монополию на выплату пенсий и других социальных выплат.

Российская банковская система характеризуется значительным разрывом между размерами крупнейших и мелких коммерческих банков: на одном полюсе банки с активами в несколько триллионов рублей, на другом – менее одного миллиарда. Динамизм макроэкономической обстановки, молодость банковской системы, а также либеральные правила открытия новых банков послужили факторами, усилившими естественную неравномерность развития банков. В условиях быстрого роста активов банковской системы небольшим банкам все труднее конкурировать с лидерами банковского сектора и удерживать своих клиентов.

В различных теоретических исследованиях и страновых сравнениях [,,,,] утверждается, что склонность банковской системы к кризисам определяется уровнем её концентрации. Во-первых, в концентрированных системах банки пользуются экономией от масштаба, что приводит к росту их прибыли. Во-вторых, проводить мониторинг меньшего числа банков существенно проще, а значит, надзор будет эффективнее. Таким образом, можно предположить, что у российской банковской системы «склонность к кризисам» весьма высока. С другой стороны, не стоит забывать, что на долю банков с государственным участием приходится до 40% активов всей банковской системы.

Существует распространенное мнение, что за каждым банкротством банка стоит провал в области банковского надзора. Несомненно, в некоторых случаях банкротств российских банков может быть отнесено на счет ошибок в области надзора, но это не единственная причина банкротства, так как первопричиной является все же какой-либо недостаток в работе банка, который и ускользнул от внимания контролирующих органов. Более того, если бы надзор был настолько жестким, что устранил бы любые шансы банкротства банков, то банковское дело было бы весьма подавленным и лишенным конкуренции видом предпринимательской деятельности и не выполняло бы своей основной функции – обеспечения эффективного финансового посредничества для остальных секторов экономики.

Одним из этапов проводимой Банком России реформы банковской системы стало введение системы страхования вкладов (ССВ)11, которая предполагает, что ни одно кредитно-финансовое учреждение не может принимать вклады физических лиц, не будучи членом ССВ. Для обеспечения функционирования системы и выплат вкладчикам было создано Агентство по страхованию вкладов, которое также выполняет функции корпоративного конкурсного управляющего несостоятельных банков12. Поскольку специфика банковской деятельности такова, что после отзыва лицензии в банке начинаются необратимые процессы, а результаты любого неоправданного промедления всегда не в пользу его кредиторов и вкладчиков, то, как свидетельствует мировой опыт, создание независимой, экономически незаинтересованной в извлечении прибыли организации позволяет достичь наибольшей эффективности функционирования ССВ. Для решения поставленных целей агентство на регулярной основе оценивает финансовое положение и правовую основу деятельности банков – членов системы страхования вкладов.

По состоянию на начало октября 2006 года в реестре банков, вошедших в ССВ, находилось 952 банка, из них 933 действующих, а 19 банков были реорганизованы в форме слияния или поглощения [].

Следует отметить, что в течение последних 20 лет системы страхования вкладов были введены в большинстве развитых и в некоторых развивающихся странах, в том числе в качестве реакции на банковские кризисы 80-х и 90-х годов. Поскольку вкладчики на основе открытой информации не могут отличить неблагополучные банки от благополучных, то членство в ССВ, являясь своего рода «знаком качества», что устраняет стимулы изымать вклады без разбора из всех банков.

Введение системы страхования вкладов, безусловно, сыграло положительную роль в развитии российского банковского сектора. Однако стоит упомянуть, что у ряда банков, ранее принятых в ССВ, впоследствии лицензия была отозвана, что и послужило поводом для критики подхода к определению «плохих» банков, а также критериев при отборе банков-кандидатов на вхождение в систему страхования вкладов.

Методика, применяемая для ранжирования российских кредитных организаций, подавших заявку на вхождение в ССВ, основывается на наборе финансовых показателей (количественные оценки) и на группе качественных показателей (качественные оценки), характеризующих деятельность кредитной организации. Для каждого финансового показателя выбрана шкала, а попадание показателя в определенный отрезок данной шкалы оценивается определенным количеством баллов (1 – наивысшая оценка, 4 – наихудшая оценка). Банк России устанавливает следующий набор групп показателей для анализа:

  •  оценка капитала: включает показатели оценки достаточности капитала и его качества (Н113, показатель общей достаточности капитала и показатель оценки качества капитала);
  •  оценка активов: включает показатели качества задолженности по ссудам и иным активам, оценку размера резервов на потери по ссудам и иным активам, а также оценку степени концентрации рисков по активам (показатель качества ссуд, показатель качества активов, показатель доли просроченных ссуд, показатель размера резервов на потери по ссудам и иным активам, а также нормативы Н7, Н9.1, Н10.114);
  •  оценка качества управления банком (операциями и рисками): включает показатели прозрачности структуры собственности, качества организации системы управления рисками и службы внутреннего контроля;
  •  оценка доходности: включает показатели рентабельности активов и капитала, структуры доходов и расходов, доходности отдельных видов операций и банка в целом;
  •  оценка ликвидности: включает показатели ликвидности активов, ликвидности и структуры обязательств, общей ликвидности банка, а также риска на крупных кредиторов и вкладчиков.

Обобщающий результат по группе показателей (РГ) представляет собой средневзвешенное значение балльных показателей (в зависимости от выбранной для них шкалы). Финансовая устойчивость по группе показателей признается «удовлетворительной» в случае, если значение РГ меньше либо равно 2,3 балла. В случае, если результаты по всем группам показателей оценены на «удовлетворительно», то финансовая устойчивость организации может быть признана достаточной для участия в системе страхования вкладов [].

Следующим шагом развития банковской системы, по мнению Центрального банка РФ, должен стать, по сути, рейтинговый подход к определению экономического положения банков []. 

Согласно опубликованному на сайте Банка России проекту «Об оценке экономического положения кредитных организаций» [] российские кредитные организации должны быть разделены на пять групп по степени надежности. В первую и вторую группы будут включены банки, к которым ЦБ РФ не имеет серьезных претензий. Оставшиеся три группы являются группами высокого риска.

Как отмечается в тексте проекта, основой для осуществления банковского надзора служит оценка экономического положения кредитных организаций, а в зависимости от полученной балльной оценки каждая из кредитных организаций относится к одной из пяти классификационных групп.

Для попадания в первую группу банкам необходимо полностью выполнять все обязательные нормативы ЦБ РФ, иметь стабильное финансовое положение (полученные результаты по группам показателей должны быть оценены не хуже, чем «удовлетворительно»), качественную систему управления и прозрачную структуру собственности. Важно также, чтобы у таких потенциально благонадежных банков не было опыта конфликтов с регулирующими органами.

В случае, если не соблюдается в совокупности за шесть и более операционных дней в течение тридцати последовательных операционных дней хотя бы один из обязательных нормативов (за исключением норматива «Достаточности собственных средств (капитала)» (Н1) или нормативов мгновенной (Н2) и текущей ликвидности (Н3)), кредитная организация относится ко второй группе («Кредитные организации с повышенными рисками»).

По оценке Центрального банка РФ, в первые две группы наиболее устойчивых организаций попадает большинство банков, входящих в ССВ.

Третью группу эксперты ЦБ РФ назвали «Кредитные организации, испытывающие текущие трудности». В эту группу попадают банки, имеющие недостатки в деятельности, которые могут привести к возникновению угрозы финансовой устойчивости кредитной организации и интересам ее кредиторов и вкладчиков в течение ближайших 12 месяцев. При этом структура собственности такой организации оценивается как непрозрачная, а качество управления признается сомнительным.

Если банк дошел до такого состояния, что для исправления ситуации требуются «срочные меры со стороны органов управления и владельцев кредитной организации», то это служит поводом для отнесения его к четвертой группе. Основанием для отнесения банка в «проблемную» группу может стать либо несоблюдение норматива достаточности капитала (но не более чем пять раз в течение тридцати последовательных операционных дней), либо неудовлетворительная оценка показателей финансового положения. Банки, страдающие от неэффективного управления, ЦБ РФ также относит к четвертой группе.

К пятой группе относят банки, финансовая устойчивость которых существенным образом подорвана и чье состояние при непринятии экстренных мер органами управления и владельцами кредитной организации несовместимо с продолжением деятельности на рынке банковских услуг. Эти банки являются кандидатами на отзыв лицензии.

Согласно пункту 9.1. проекта Указания [], сведения об отнесении кредитных организаций к соответствующим группам являются «сведениями ограниченного распространения и не подлежат разглашению третьим лицам». Такая «закрытая» классификация, возможно, и оправдана в условиях слабого развития банковского сектора, но не стоит забывать, что в случае утечки информации это может подорвать работу многих банков и способно дестабилизировать ситуацию в банковском секторе. Утечка информации приведет к возникновению очередных «черных списков», а банки-конкуренты могут использовать факт принадлежности к какой-либо группе в качестве «черного PR» в борьбе за клиента. Для укрепления рыночной дисциплины открытая классификация банков Банком России была бы более действенной мерой, т.к. это заставит банки тщательнее соблюдать критерии, при этом, чем яснее и четче они будут сформулированы и чем сложнее будет их «нарисовать», тем лучше это скажется на устойчивости всей банковской системы.

Что же касается критериев, заложенных в характеристике классификационных групп, то следует отметить ужесточение требований к кредитным организациям по сравнению с действующим Указанием № 1379-У Банка России [], на основе которого осуществлялся отбор «здоровых» банков в систему страхования вкладов. Так, пунктом 3.1. проекта увеличены по сравнению со значениями действующего Указания значения показателей рентабельности для отнесения кредитной организации к первой группе. По показателю рентабельности активов в 2,6 раза до уровня более 4%, по показателю рентабельности капитала – в 2 раза до уровня 16%. Исключена возможность принятия решения об определении финансового результата кредитной организации без учета расходов (убытков), обусловленных развитием бизнеса. Немаловажен и вопрос о том, насколько предложенные требования по уровню доходности соответствуют реальным экономическим условиям и уровню рыночных процентных ставок. Использование такого унифицированного подхода приводит к тому, что при анализе не учитываются различия банков по величине активов, размеру капитала, региональной принадлежности, источникам ресурсной базы и многим другим параметрам, влияющим на уровень доходов и маржи банка.

Вызывает вопросы и способ агрегирования показателей функционирования банков. Использование взвешенной суммы показателей и выбор весов для агрегации, а также выбор дискретной шкалы для значений показателей может существенно сказываться на результатах анализа. Такого рода искажения будут связаны как с «жесткостью» шкалы самой по себе, так и с искажениями, возникающими на граничных ее значениях. Выбор делений шкалы, а также ее «направленности», может существенно сказываться на получаемых результатах15. В любом случае такой подход будет носить субъективный характер.

Отсутствие единой методики финансового анализа банков в России привело к развитию субъективных подходов к решению проблемы финансового анализа банков. Некоторые исследователи (аналитики) ориентируются на размеры банка, другие – на уровень нормативных значений банка, третьи – изучают отдельные статьи баланса и их динамику. Приведем лишь несколько примеров таких авторских методик.

Одним из ранних примеров создания модели для ранжирования кредитных организаций служит методика оценки надежности банка, предложенная В.Кромоновым []. В основу расчета рейтинга положена «формула надежности» банка, представляющая собой взвешенную сумму шести критериев:

, где

– генеральный коэффициент надежности, равный отношению собственного капитала к сумме работающих (рискованных) активов;

– коэффициент мгновенной ликвидности, рассчитываемый, как соотношение ликвидных активов и обязательств «до востребования»;

– кросс-коэффициент, равный отношению совокупных обязательств банка к объему выданных кредитов;

– генеральный коэффициент ликвидности, равный отношению ликвидных активов и  защищенного капитала к суммарным обязательствам банка;

– коэффициент защищенности капитала, равный отношению защищенного (иммобилизированного) капитала банка к собственному капиталу;

– коэффициент фондовой капитализации прибыли, равный соотношению собственного капитала и размера уставного фонда.

Итоговое рейтинговое число N принимает значение от 0 до 100 и характеризует степень надежности банка. Наивысшей надежностью, согласно методике Кромонова, обладают банки со значением N равным 100. При таком подходе надежным («оптимальный») считается банк, у которого:

  •  объем выданных кредитов и других рискованных вложений не превышает величины собственного капитала банка;
  •  средства на счетах «до востребования» полностью обеспечены ликвидными активами;
  •  риску подвергаются не более трети суммарных обязательств;
  •  ликвидными активами и защищенным капиталом обеспечены все совокупные обязательства банка;
  •  собственный капитал полностью инвестирован в материальные ценности и недвижимость (иммобилизация капитала);
  •  собственный капитал банка более чем втрое превышает взносы учредителей.

Поскольку наибольший вес в данной методике придается генеральному коэффициенту надежности, то для получения высокой оценки надежности банка размер собственного капитала должен соответствовать размеру работающих активов. В такой ситуации крупные банки, для которых традиционно характерны более низкие показатели достаточности капитала, получают низкое значение рейтинга. Представляется спорным и выбор критериев оценки и обоснование весовых коэффициентов, в результате механизм формирования оценочной функции полностью основывается на авторском мнении.

Нельзя не упомянуть и о модели «распределения риска невозврата средств в зависимости от уровня ликвидности и платежеспособности банка», разработанной В.Ивановым []. В основе модели лежит следующее утверждение: кредитоспособность банка определяется его способностью отвечать по своим обязательствам, которая, в свою очередь, может быть достаточно полно определена через характеристики платежеспособности и ликвидности банка. Таким образом, для оценки кредитоспособности банка используется двухфакторная модель. В качестве первого фактора берется состояние платежей банка, характеризующее платежеспособность банка. Вторым фактором является способность банка восстанавливать нормальное проведение платежей, отражающая уровень ликвидности банка. Каждый из рассматриваемых факторов разделяется на различные категории.

В зависимости от текущего финансового положения банка с точки зрения полноты проведения платежей можно отметить:

  •  наличие зафиксированной в балансе и отчетности банка неисполненной задолженности перед клиентами;
  •  скрытая неисполненная задолженность банка перед клиентом, которая отражает суждение эксперта о наличии неисполненной задолженности перед клиентом или выявленных фактов непроведения платежей клиентов;
  •  ухудшение динамики и сбалансированности платежей банка, которое может свидетельствовать о росте потенциальных проблем с осуществлением платежей;
  •  отсутствие проблем с осуществлением платежей, отражающее положительную и стабильную динамику платежных потоков банка.

Способность банка восстанавливать собственную платежеспособность может быть оценена следующими четырьмя основными состояниями:

  •  полная сбалансированность операций банка по срокам и наличие достаточного для любой непредвиденной ситуации накопленной на балансе банка ликвидности, то есть возможность быстрого восстановления собственной платежеспособности своими силами за счет «внутренних» возможностей;
  •  сбалансированность операций на все сроки при отсутствии минимально необходимых резервов ликвидности на балансе банка для автономного решения проблем;
  •  сбалансированность баланса только на долгосрочную перспективу и положительное значение ликвидационной стоимости баланса, то есть способность банка расплатиться по всем своим обязательствам, но в долгосрочном горизонте;
  •  банк имеет полный дисбаланс проводимых операций по срокам, и у него отсутствуют иные возможности привлечения необходимых средств.

Каждый исследуемый фактор характеризуется набором показателей, которые сравниваются с выбранными для каждого из них приемлемыми уровнями. Для определения окончательной группировки банков производится разделение банков на кластеры: возможные результаты анализа по фактора представлены в виде матрицы, а итоговая группа («рейтинг») определяется значением в соответствующей ячейке матрицы.

Несколько иной подход к анализу финансового состояния российских банков был предложен М.Помориной []. Если методика В.Иванова предназначалась в первую очередь для разделения банков с целью установления лимитов, то методика М.Помориной предназначена для целей текущего и стратегического управления банком. Проводимый «внутренний анализ», включает в себя следующие пять компонентов:

  •  анализ объемов операций банка (динамика основных статей, зависимость о крупных клиентов и т.д.)
    •  анализ активов и пассивов банка (диверсификации банковских операций, зависимость банка от развития внешней ситуации на различных сегментах рынка банковских услуг и продуктов, от общеэкономических и региональных тенденций и т.д.);
    •  анализ банковских рисков (причем итоговое состояние банка зависит не только и не столько от отдельных видов проводимых им активных и пассивных операций банка, но и от их согласованности);
    •  анализ капитала банка и его достаточности;
    •  анализ эффективности деятельности (оптимизация прибыли и сокращение потерь).

На выводах такого внутреннего анализа затем базируются как текущие управленческие решения, так и процесс планирования деятельности банка, а результатом становится выбор вариантов развития (видов операций, их целевых объемов). Причем эффективность применения данного подхода для повышения надежности организации, зависит от согласованности деятельности менеджеров банка на всех этапах управления.

Стоит также выделить оригинальную методику, разработанную компанией «Амелин и партнеры». В ее основу заложено определение мгновенной и текущей нетто-платежеспособности банка, т.е. платежеспособность банка за вычетом выявленных рисков ликвидности. Под рисками ликвидности понимаются наиболее вероятные события, выраженные в денежном эквиваленте, которые могут повлечь снижение ликвидных активов на величину этого эквивалента. Риски ликвидности рассматриваются как в проекции на мгновенную ликвидность, так и с учетом проекции на текущую (30-дневную) ликвидность. Таким образом, в методике выявляется безрисковая часть мгновенных и текущих ликвидных активов банка – базовая характеристика, на основе которой рассчитывается рекомендуемый лимит кредитования банком банков-контрагентов. Для наглядности результатов анализа авторы разработали оригинальную модель их визуализации, для чего строится графическая модель устойчивости банка («кораблик»), где основные агрегированные и расчетные характеристики банка выполнены в масштабе по определенному принципу, что позволяет увидеть финансовое состояние банка в целом.

Следует подчеркнуть, что в России также есть несколько собственных рейтинговых агентств, присваивающих рейтинги кредитным организациям. Среди них можно выделить Мобиле, Рус-Рейтинг, Эксперт-РА и Национальное Рейтинговое Агентство.

Агентство Эксперт-РА [] присваивает кредитные рейтинги компаниям всех сфер экономики. Задача рейтинга – «предсказывать с большой достоверностью и объективностью вероятность дефолта» []. Однако рейтинги Эксперт РА присвоены не более чем 75 банкам16, действующим на территории РФ. В основном это крупные и публичные кредитные организации, в то время как рейтинги большей части действующих в России банков не установлены.

Рейтинг динамической финансовой стабильности (РДФС), присваиваемый российским банкам агентством Мобиле в целях оценки финансовой стабильности «в интересах вкладчиков, клиентов и партнеров» производится на основе данных оборотно-сальдовой ведомости ежемесячно. Согласно методике банки разделены на 12 классов по специальной шкале в соответствии с уровнем финансовой стабильности. Разработкой методологии присвоения рейтингов агентства Мобиле занималась группа специалистов агентства во главе с А.Карминским (подробно методика изложена в книге «Рейтинги в экономике. Методология и практика» []). Следует отметить, что эта методика анализа основана на использовании имеющихся международных рейтингов кредитных организаций, присвоенных агентством Moodys.

Национальное Рейтинговое Агентство [] присваивает банкам рейтинги начиная с октября 2003 года. Методика агентства построена на основе анализа финансовых показателей деятельности кредитных организаций и разработана в октябре 2003 года. Агентство публикует рейтинги 200 крупнейших банков ежеквартально, а, следовательно, для участия в рейтинге необходимо входить в число 200 крупнейших банков. Дочерние иностранные банки анализируются по отдельной методике, исходя из экономических особенностей деятельности этих банков. Анализ при выставлении рейтингов основан на изучении и оценке таких критериев как: достаточность капитала, ликвидность, операции на фондовом рынке, структура и качество активов, источники фондирования операций, рентабельность и доходность. В анализ включаются также такие критерии как: наличие отчетности по МСФО, размер капитала и активов, вид выданной лицензии, срок существования банка и доля рынка и т.д.

Рус-Рейтинг [] на основании собственной методики присваивает краткосрочный рейтинг, который характеризует совокупный кредитный риск банка и, соответственно, отражает текущее положение дел в исследуемой кредитной организации на перспективу в три месяца. Агентство Рус-Рейтинг присваивает рейтинги только российским банкам и ориентировано на работу с активными участниками рынка. При этом по требованию банка присвоенный агентством рейтинг может быть аннулирован. Максимальным значением рейтинга для банков является уровень «А», который может быть присвоен некоторым государственным или дочерним иностранным банкам. Нижним значением рейтинга является уровень «С-» (в случае дефолта «D»). По утверждению агентства, более высокие рейтинги пока невозможны «из-за высоких системных рисков, которые не зависят от банков, но могут негативно повлиять на финансовые рынки, банковский бизнес, взаимоотношения банков с клиентами и контрагентами» []. Расчет рейтинга происходит на основе выбранной статистической модели и дополняется экспертными оценками аналитика, мнение которого определяет 50% окончательной оценки. В процессе анализа рассматривается тот же набор позиций, что и в международной практике: капитал, активы, прибыль, ликвидность. Эксперты при этом обращают особое внимание на качество ресурсной базы банка и ее устойчивость. На последнем этапе анализа полученные оценки сравниваются с требованиями, закрепленными за условными «буквами рейтинга». Эксперты агентства производят ранжирование организаций по следующему правилу: «для того, чтобы банк получил какую-либо «букву рейтинга», оценка каждого из разделов должна быть не ниже, чем предполагают требования для этого уровня рейтинга» []. Рейтинг организации вычисляется исходя из полученных нижних оценок по всем разделам. В данном случае при ранжировании эксперты агентства отказались от суммирования и усреднения, как от «не очень корректного» способа агрегирования. Поскольку агентство присваивает рейтинги основным участникам рынка (рейтинг Рус-Рейтинга присвоен 45 банкам), то часто дополняет уже имеющиеся у банков рейтинги международных агентств.

Важно отметить, что значимость «российских» рейтингов для бизнеса вызывает определенные сомнения. К тому же во многих случаях российские рейтинги просто «подтверждают» уже имеющиеся международные рейтинги, поэтому часто служат лишь дополнительной информацией при анализе банков.

  1.  Международная практика присвоения рейтингов

Широко признанным в литературе является тот факт, что составить полное представление о финансовом положении банка на основании только его финансовой отчетности невозможно. Оценка финансового положения должна включать как мониторинг финансовых показателей деятельности банков, так и анализ всей доступной информации относительно его функционирования. Регулирующие органы и ведущие рейтинговые агентства, в целях формирования мнения об организации, периодически проводят проверки «на месте», в ходе которых оценивается финансовая устойчивость организации, соответствие ее деятельности закону и требованиям регулирующих органов, а также качество менеджмента и системы внутреннего контроля.

Наиболее известной системой, формализующей результаты такой комплексной оценки, является CAMEL. Рейтинг CAMEL присваивается банкам с 1979 г. органами банковского надзора США по результатам инспекции на месте (представители органов надзора посещают банк и проводят проверку).

В системе CAMEL каждой из 5 компонент (капитал, качество активов, качество менеджмента, прибыльность и ликвидность) присваивается оценка (балл) от 1 до 5:

  •  отлично (1);
  •  удовлетворительно (2);
  •  имеются определенные недостатки (3);
  •  значительно ниже среднего (4);
  •  неудовлетворительно, имеются серьезные проблемы, требуются немедленные корректирующие меры (5).

После оценки пяти основных компонент выводится суммарный рейтинг, который и используется в качестве основного индикатора финансового состояния. В зависимости от набранных баллов банк относится к одному из следующих пяти уровней рейтинга:

  •  организация устойчивая во всех отношениях;
  •  организация в основном устойчивая, но с некоторыми недостатками;
  •  организация с финансовыми или оперативными недостатками, либо с неполным соблюдением норм банковского регулирования, что дает наблюдательным органам основания для беспокойства;
  •  организация с серьезными проблемами, которые могут подорвать будущее функционирование;
  •  организация с критическими проблемами, что делает вероятность банкротства очень высокой в ближайшем будущем.

Таким образом, в методике CAMEL вероятность невозврата при значении суммарного рейтинга равного 5, близка к нулю, а при значении 25 –соответствует 100%-ому риску невозврата.

В интервалах между проверками банков проводится мониторинг их финансового состояния с использованием компьютерных систем. Системы, как правило, используют финансовую информацию, которую ежеквартально обязаны предоставлять банки. Целью мониторинга является выявление признаков ухудшения финансового положения в промежутке между инспекциями, а также определение наиболее слабых областей деятельности банков. Для этой цели в США применяется система мониторинга финансовых институтов (Financial Institutions Monitoring System – FIMS) с использованием информации по нескольким десяткам показателей. Набор показателей, характеризующих финансовое состояние банка, является относительно устойчивым и включает различные коэффициенты, отражающие достаточность капитала, качество активов, доходы и ликвидность. Для моделирования рейтинга CAMEL и прогнозирования неплатежеспособности банка разработчики FIMS выбрали около тридцати, наиболее адекватных показателей, большинство из которых рассчитывается как процентная доля некоего параметра в активах банка17.

Таким образом, органы банковского надзора США уже с середины 1970-х годов отслеживают финансовое положение банков по аналитическим коэффициентам. А поскольку в 80-е годы наблюдался резкий рост числа банкротств, то возникла необходимость внесения изменений в методы мониторинга. С середины 1980-х годов в США в целях улучшения работы по анализу положения банков была введена новая система мониторинга – UBSS (Uniform Bank Surveillance Screen), которую ФРС использовала с некоторыми изменениями до 1993 года. Эта система основывалась на анализе данных из официальной отчетности банков и служила для выявления организаций, показатели которых ухудшились по сравнению с группой банков со схожими размерами активов.

Система UBSS включает анализ 6 показателей (4 основных и 2 дополнительных), которые рассчитываются на основе данных квартальной отчетности. В качестве основных показателей для анализа служат: капитал первого уровня (1-tier), чистый доход, чистые ликвидные активы, просроченные кредиты, включая те, по которым прекращено начисление процентов. Дополнительно к основным показателям исследуется рост активов за последние 4 квартала (в процентах), а также процентные расходы по управляемой части обязательств. Банки с наивысшей оценкой подлежат дополнительному анализу, а при необходимости – корректирующим мерам.

При таком подходе показатели измеряются в процентах от активов и по ним вычисляется комплексный (интегральный) показатель, который служит индикатором состояния банка, в результате чего и определяется требует ли банк особого внимания во время инспекции «на месте». Финансовые показатели внутри каждой группы ранжируются от наилучшего до наихудшего, и так определяются ранги банка по каждому параметру. Набранные банками места (ранги) складываются, и вычисляется суммарный показатель. Банки, получившие наиболее высокие значения (т.е. худшие в своей группе), подлежат более детальному анализу на следующем этапе дистанционного мониторинга.

В середине 1980-х FDIC18 разработала свою систему надзора, известную как CAEL, методологически похожую на UBSS. Аббревиатура CAEL отражает тот факт, что при анализе оцениваются четыре группы показателей – капитал, качество активов, доходы и ликвидность, но не дается оценка менеджмента. Как и UBSS, CAEL использует данные квартальной отчетности, но если UBSS вычисляет итоговый ранг, то CAEL определяет рейтинг по методике, схожей с методикой CAMEL, но только на основе дистанционного мониторинга. CAEL, как и UBSS, делит банки на группы по размеру активов и вычисляет значения четырех составляющих рейтинга с использованием большого количества коэффициентов. Итоговый рейтинг рассчитывается как средневзвешенное  оценок соответствующих наборов финансовых показателей. Как набор показателей, так и веса утверждаются советом инспекторов (экспертов) корпорации.

Однако практика применения в кризисных условиях показала, что и UBSS, и CAEL обладают рядом недостатков. Во-первых, набор показателей, хотя и выбираемый из широкого круга индикаторов, характеризующих финансовое состояние банка, все же является субъективным; при этом переменные не проверяются на статистическую значимость и достаточность для получения точных оценок риска методами дистанционного мониторинга. Во-вторых, весовые коэффициенты в указанных методиках присваиваются без строгой статистической проверки, а некорректное взвешивание способно снизить точность оценок. Третьим недостатком методик является использование сравнения с группой банков с близким размером активов. С одной стороны, такая система справедливо учитывает, что различия в значениях показателей могут быть неправильно интерпретированы как различия в финансовом положении, в то время как на деле они связаны с размером кредитной организации. С другой стороны, размер организации не является единственным параметром для определения схожести банков.

Альтернативным можно назвать подход, при котором весовые коэффициенты подбираются статистическими методами, например, с помощью линейного дискриминантного анализа. Такой подход позволяет определить набор показателей, по которым заемщики лучше всего разделяются на две противоположные группы: «плательщиков» и потенциальных банкротов. Удачным примером такого подхода является Z-модель Альтмана []. Однако применение этого метода возможно лишь при наличии достаточно представительной базы эмпирических данных.

Среди оценок устойчивости кредитных организаций наиболее котируются рейтинги, присваиваемые международными рейтинговыми агентствами (Moodys Investors Service, Standard & Poors и Fitch Ratings), создающими «объективную» оценку риска, которая принята как на международном, так и на многих национальных уровнях.

В основе идеологии присвоения рейтингов лежит определение вероятности дефолта организации. Исследования (см. [,]) подтверждают, что существует значительная корреляция между рейтингами банков и вероятностью их банкротства. Кредитные рейтинги, рейтинги эмитента и рейтинги выпусков ценных бумаг способствуют взаимопониманию между заемщиками и кредиторами, а также позволяют принимать обоснованные финансовые решения относительно других участников рынка.

Кредитные рейтинги должны отвечать таким важным требованиям как оперативность и всесторонность оценки. Однако достичь одновременного выполнения этих требований весьма непросто: агентства достаточно редко пересматривают уровень рейтинга (в среднем, один раз в год), поскольку анализ затрагивает не только финансовые показатели, но и значительный объем нефинансовой информации, касающейся функционирования организации, а это требует значительных затрат времени.

Стоит также отметить, что рейтинги международных агентств ограничены планкой страновых рейтингов. Например, в России первые два года после кризиса 1998 года Сбербанк России имел рейтинг кредитоспособности на уровне «ССС», хотя его кредитоспособность была проверена самим кризисом.

Рейтинговые агентства предпочитают хранить в тайне как методы агрегирования показателей, так и полный набор исследуемой информации. Если же методология анализа рейтинговых агентств публикуется, то ее детализация и способ агрегирования информации в итоговый интегральный показатель являются сведениями закрытого характера, будучи «ноу-хау» агентства. В связи с тем, что между процессом анализа финансовых данных и моментом присвоения рейтинга существует определенный временной лаг, данные могут частично устареть, и это подчеркивает важность оперативного дистанционного анализа кредитных организаций и построения банками собственных моделей (методик) для оперативной оценки устойчивости банков-контрагентов.

Специфика банковской деятельности такова, что доля реальных активов19 в балансе ничтожно мала, а кризисные явления развиваются крайне быстро, что стало причиной выделения банковской отрасли в отдельное направление рейтингования. Каждое агентство присвоило порядка тысячи кредитных рейтингов банков [,,]. Однако, если учитывать количество финансовых институтов в США, в странах Евросоюза, в России, становится очевидным, что рейтинги присвоены меньшей части существующих банков [].

Процедура получения рейтинга предполагает соответствие банка ряду существенных требований, включающих наличие международной финансовой отчетности (МСФО), качественной системы риск-менеджмента, долгосрочной стратегии развития, высокой информационной прозрачности (в том числе информирования о существенных для бизнеса событиях и промежуточных результатах деятельности) и т.п., что требует значительных расходов от оцениваемой организации.

Важным является и вопрос полноты анализируемой информации: анализа балансов кредитных организаций часто недостаточно для определения устойчивости банка к внешним шокам, и необходима дополнительная информация о качестве активов, структуре доходов и расходов. В развитых странах кредитные учреждения, как правило, добровольно предоставляют подобную информацию рейтинговым агентствам, которые рассчитывают рейтинги банков и публикуют их в виде сводных таблиц. При этом каждый банк напрямую заинтересован в предоставлении таких сведений, поскольку в противном случае его рейтинг будет заведомо ниже, чем у более «открытых» кредитных учреждений.

Можно предположить, что сравнивать рейтинги разных рейтинговых агентств в виду различия моделей, используемых для агрегации информации, не совсем корректно, но, как показывает анализ, различия в их оценках, как правило, незначительны []. Параметры и подходы, используемые для оценки финансового положения кредитной организации у международных агентств, в целом весьма схожи и учитывают такие общие критерии как достаточность капитала, качество активов, прибыльность, менеджмент, степень диверсификации ресурсной базы и операций банка и т.д. Рассмотрим набор параметров на примере одной из методик – методики Fitch Ratings20. Как отмечается в этой методике, получение достоверного рейтинга кредитоспособности банка на основе модели «совершенного мирового банка» (которая базировалась бы на наборе универсальных показателей) – на практике невозможно. Рейтинговые модели имеют практическую ценность только в рамках одной, жестко регламентированной, единообразной банковской системы, и любые попытки их применения за пределами этой системы приводят к искажению получаемых результатов, вследствие несопоставимости и нерелевантности исходных данных [].

Применяемая агентством методика позволяет присваивать банку рейтинг не только на основе международного подхода, но и с учетом его индивидуальных особенностей (национальных, региональных или отраслевых). Это позволяет определить набор значимых критериев для оценки и избежать «поспешных выводов, основанных на критериях, которые в силу тех или иных причин не применимы к банку» [].

При этом, как отмечается в методике, объективно существует ряд универсальных атрибутов при оценке банков (например, качество активов, достаточность капитала, рентабельности), в отношении которых необходимо установить более или менее единообразные стандарты. Это, в свою очередь, требует определенного единообразия данных, предоставляемых банками, что особенно важно, т.к. в некоторых случаях агентство не поддерживает официальных отношений с оцениваемыми банками и анализ деятельности этих банков осуществляется, главным образом, на основе открытых данных21.

Как отмечается в тексте методики, одной из важных задач при объективной оценке деятельности банка является определение группы сопоставимых банков (розничные, инвестиционные, ипотечные, кооперативные, сберегательные, частные банки и т.п.). Общий подход к анализу во всех случаях остается одним и тем же, в то время как каждый тип банков обладает своими особенностями, к которым при выставлении рейтинга необходимо отнестись с должным вниманием. Оценка агентства основывается на изучении капитала, доходности, источников ресурсов и ликвидности, планирования и качества управления, а также стратегии развития и структуры собственности кредитной организации.

Исследование структуры активов банка включает долевое отношение различных категорий активов: «проблемных» займов, том числе «сомнительных» или «неблагополучных» (то есть займов, выплаты по которым все еще продолжаются), реструктурированных займов, а также объемов неработающих активов.

При анализе пассивов банка изучается структура и диверсификация ресурсной базы банка (по видам и срокам). Главный риск, связанный с источниками фондирования, – неспособность банка возобновить или заменить пассивы с истекающими сроками в тех же объемах и по разумной цене. Чтобы ограничить этот риск, необходимо иметь хорошо диверсифицированную и стабильную ресурсную базу, т.е. каждый вид ресурсов должен быть представлен несколькими поставщиками.

Ликвидность исследуется аналитиками агентства как с точки зрения внутренних источников ликвидности банка (прежде всего это кассовые активы, краткосрочные кредиты, займы с приближающимися сроками погашения и т.д.), так и с точки зрения внешних источников (напр., наличие доступа на рынки капитала, резервных кредитных линий и т.п.). В качестве своего рода «страхового полиса» на случай нехватки наличности многие банки имеют портфели ликвидных ценных бумаг, которые могут быть быстро реализованы на рынке.

Величина собственных средств банка (капитала), а также их достаточность в отношении рисков, принимаемых банком, являются фундаментальными показателями, используемыми в процессе анализа кредитоспособности банка. Агентство Fitch использует собственные количественные показатели капитализации, из которых основным является выраженное в процентах отношение собственного капитала к средней сумме активов за выбранный период. В ходе анализа надлежит также определить уровень «свободного» капитала, которым располагает банк. Например, если вся его капитальная база иммобилизована в долгосрочных вложениях в уставные капиталы других юридических лиц или в основных средствах, то у банка нет готового к немедленному использованию капитала, который можно было бы применить для покрытия непредвиденных убытков.

В контексте прибыльности изучается динамика следующих показателей:

• чистый процентный доход, в том числе динамика процентных спрэдов в каждом из подразделений банка, а также динамика объемов кредитования и издержек привлечения ресурсов;

• непроцентный доход, в том числе относительно более стабильный комиссионный доход и обладающий внутренней неустойчивостью доход от коммерческих операций;

• непроцентные расходы, с выделением издержек на оплату труда и других статей расходов и сопоставление уровня расходов не только с общим уровнем доходов, но и – по мере возможности – с такими показателями, как объем доходных активов, количество филиалов (в случае банков, специализирующихся на работе с физическими лицами) и число сотрудников;

• разовые доходы и расходы.

При выставлении рейтинга эксперты агентства изучают качество систем по выявлению и борьбе с операционными, правовыми, репутационными и прочими рисками, которые могут существенным образом сказаться на деятельности банков.

В дополнение к анализу финансовых показателей деятельности банка эксперты агентства Fitch анализируют степень диверсификации операций по географическому, страновому, международному и отраслевому признакам. Подлежит изучению и разнообразие продуктов и услуг, предлагаемых банком, а также его способность к разработке новых их видов.

Как отмечается в методике, эксперты агентства не преследуют цели оценить, насколько «хорош» или «плох» тот или иной банк; они просто отвечают на вопрос: «Если я одолжу деньги этому банку, насколько я могу быть уверен, что своевременно получу эти деньги обратно?»

Как уже отмечалось ранее, рейтинги кредитных организаций указывают на вероятность наступления дефолта. «Первоклассные» рейтинги контрагента («ААА» – «ВВВ») свидетельствуют об относительно низкой вероятности дефолта, в то время как «спекулятивные» или «непервоклассные» рейтинги («BB» – «D») указывают на повышенную вероятность дефолта, а в случае с рейтингом «D» на то, что дефолт уже произошел.

Таким образом, градации шкалы (классы) рейтинга разделяют организации по способности своевременно и в полном объеме выполнять свои обязательства. Чем ниже рейтинг кредитной организации, тем выше и вероятность невыполнения ею обязательств, и ее чувствительность к воздействию неблагоприятных коммерческих, финансовых и экономических условий.

Если в отношении организации «возбуждена процедура банкротства или предпринято аналогичное действие, но платежи или выполнение долговых обязательств продолжаются», то такой организации присваивается рейтинг «С». Если же организация находится в состоянии выборочного или полного дефолта по обязательствам, то организация получает рейтинг «D».

Наряду с изучением финансовой отчетности, агентство Fitch Ratings проводит анкетирование руководителей кредитной организации. Анкета содержит более 150 вопросов, затрагивающих различные аспекты деятельности банка и его организационной структуры, а ответы влияют на окончательную рейтинговую оценку.

Поскольку подходы рейтинговых агентств к анализу организаций весьма схожи, то схожи и их рейтинговые шкалы. Агентство Standard & Poor's, как и Fitch Ratings, присваивает рейтинги российским банкам по международной и по национальной (созданной и откалиброванной специально для России) шкалам.

Рейтинг организаций дополняется прогнозом агентства, который показывает возможное направление движения рейтинга в ближайшие два-три года. Возможны три варианта прогноза:

  •  «Позитивный» — рейтинг может повыситься.
  •  «Негативный» — рейтинг может понизиться.
  •  «Стабильный» — изменение маловероятно.

Агентство Standard & Poor's отдельно выделяет прогноз «Развивающийся». Направление изменения рейтинга организации с таким прогнозом менее предсказуемо, и он может измениться как в сторону повышения, так и в сторону понижения.

Все рейтинговые агентства отчетливо понимают, насколько противопоказано резкое изменение методики присвоения рейтингов. Пересмотр методики оценки кредитоспособности – процесс, как правило, очень инерционный и зачастую болезненный: как минимум нарушается сопоставимость данных по рейтингам во времени, а серьезные изменения в рейтинг-листе после внесения корректировок в методику могут нанести ущерб репутации агентства.

С такого рода проблемами столкнулось агентство Moody’s в связи с новой методикой присвоения рейтинга банкам, названной «Анализ Вероятности Совместного Дефолта» (АВСД). Согласно этой методике при оценке кредитоспособности рассматривается не только риск дефолта банка, но также и вероятность того, что в случае кризиса он получит внешнюю поддержку, например, со стороны государства. От нового подхода больше всего выиграли три исландских банка — Kaupthing Bank, Glitnir Banki и Landsbanki Islands, неожиданно получившие высший рейтинг («Aаа»). Дело в том, что новая методика Moody’s выделяет фактор внешней поддержки, как один из главных факторов при анализе, и, тем самым, может завышать рейтинги некоторых банков. Вследствие этого рейтинги становятся плохим индикатором на рынке капитала.

Рейтинг, присваиваемый агентством Moody’s, по национальной шкале, как и в случае других национальных шкал, указывают на место организации в ранжировании относительно других организаций и учитывают страновые, институциональные, структурные, правовые, банковские и политические риски, а также кредитный риск. Как глобальная, так и национальная шкалы ранжируют должников по вероятности дефолта, но при этом национальная шкала соотносит должников только в пределах одной страны.

Шкала рейтингов Moodys несколько отличается от шкалы других рейтинговых агентств. Так, кредитам самого высокого качества присваивается рейтинг  «Ааа», а самой низкой градацией шкалы является рейтинг «С». Каждая группа рейтингов дополнена цифрой от 1 до 3, которая отражает положение рейтинга в рейтинговой категории (рейтинг «Ва1» находится выше рейтинга «Ва2»)22. Рейтинг также может быть дополнен прогнозом, т.е. мнением агентства о возможном направлении движения рейтинга на период от одного года до двух лет. Речь может идти об одном из четырех вариантов прогноза: позитивный, негативный, стабильный и развивающийся.

Всего шкала рейтингов Moodys включает 21 градацию и, как отмечается в материалах агентства, только национальная шкала дает возможность активно использовать все 21 категорию рейтингов, позволяя более подробно дифференцировать организации. Такое деление шкалы позволяет учитывать изменения малого масштаба, поэтому даже при неизменности глобального рейтинга, рейтинг по национальной шкале может меняться.

Таким образом, проводимый международными рейтинговыми агентствами анализ учитывает широкий набор факторов как финансового, так и нефинансового характера. Многие исследования выявляют важную роль в оценке функционирования кредитной организации нефинансовых факторов. Такие характеристики как состав и опыт сотрудников, «текучесть» кадров, структура управления и принципы внутреннего контроля, структура поощрения сотрудников, качество ведения внутренней документации, а также отсутствие планов на случай чрезвычайных обстоятельств, которые бы позволили справляться с внешними или внутренними угрозами, – безусловно, оказывают крайне важное влияние на функционирование организации. И, хотя такие факторы не должны рассматриваться как основные причины возникновения затруднений в деятельности организации, они, тем не менее, усугубляют существующие проблемы и могут стать «последней каплей», приведшей к кризису и банкротству организации. К сожалению, такого рода информация является конфиденциальной, недоступной широкому кругу заинтересованных лиц, что не дает возможности использовать ее для дистанционного анализа кредитных организаций.

Кредитные рейтингов таких агентств как Moodys, S&P, Fitch играют важную роль в оценке кредитного риска, и их роль в будущем будет возрастать в виду применения нового Базельского соглашения, где определены предложения по совершенствованию внутренней оценки кредитных рисков, а также компонентной оценке достаточности собственного капитала банка.

Многие крупные банки разработали или находятся в процессе разработки внутренних рейтинговых методик, которые дадут им возможность применять внутренние рейтинги на основе подходов, предложенных в новом Базельском соглашении для расчета количественных показателей кредитного риска, и, таким образом, управлять нормативными потребностями в капитале.

При разработке собственной методики рейтинговой оценки банков, являющейся предметом данного исследования, ее настройка основывается на показателях банков, имеющих рейтинг международных рейтинговых агентств. Создание методики, позволяющей разделять банки на «здоровые» и «проблемные», является крайне актуальным вопросом. Проводимый нами анализ основывается на доступной финансовой информации, а полученная оценка (рейтинг) может применяться как при внутреннем, так и при внешнем мониторинге отдельного банка или банковской системы в целом.

  1.   Эмпирические исследования по оценке надежности банков

Научная литература по вопросам анализа банков и оценке их финансовой устойчивости представляет широкий спектр применяемых методов и моделей.

Первоочередной проблемой при построении системы оценки кредитного качества организации является определение того, какие характеристики следует включать в модель и какие «весовые» коэффициенты должны им соответствовать. Значимость (или «вес») финансовых показателей, влияющих на итоговый рейтинг (а следовательно, и на вероятность невозврата), приобретает здесь особую важность.

Из множества характеристик такого рода необходимо выбрать наиболее существенные, определить их количественное значение и проследить за изменениями в зависимости от общественных и экономических условий.

Среди множества работ, посвященных моделированию рейтингов, наиболее значимыми являются работы Альтмана и соавторов [,,,]. Как указывают исследователи, рейтинговые агентства измеряют риск дефолта в достаточно большом временном горизонте, поэтому его изменение происходит только в том случае, когда изменения в функционировании организации приобретают постоянный характер. Так методика агентства S&P отмечает, что рейтинг имеет большую цену в том случае, когда он устанавливает долгосрочные перспективы и не зависит от краткосрочных колебаний. Следовательно, можно говорить о замедленном отражении происходящих изменений на рейтинге организации.

В качестве наиболее часто используемых систем оценки кредитного риска выделяют так называемые «экспертные системы». При этом подходе оценивается множество различных факторов: репутация, капитал, волатильность доходов, ликвидность и др., на основе чего формируется «экспертное» мнение об организации. Составляющими экспертной системы являются: набор логических правил вывода, количественные и качественные данные об банке-контрагенте (анкета кредитной организации), а также параметры предполагаемых операций. Однако, как отмечают Сомервилл и Тафиер (R.Somerville, R.Taffier []), такого рода системы часто слишком пессимистичны в оценке кредитного риска, а поскольку системы многомерных количественных оценок (scoring-system) лучше справляются с этой задачей, то большинство ведущих финансовых институтов отошли от использования «экспертных систем». Применение многомерных оценок предполагает сравнение значений ключевого набора показателей с нормами для группы или отрасли, а результаты полученных оценок агрегируются и взвешиваются для получения единой оценки кредитного риска или вероятности дефолта.

Среди основных методологических подходов в построении систем многомерных количественных оценок можно выделить следующие четыре:

  •  линейная вероятностная модель; 
  •  логит-модель; 
  •  пробит-модель; 
  •  модели дискриминантного (факторного) анализа.

Самым распространенным подходом является применение различных вариантов дискриминантного анализа. Наиболее часто используется некая линейная функция связи финансовых и рыночных показателей, которая позволяет наилучшим образом разделять контрагентов на две группы: «плательщиков» и «неплательщиков» (банкротов). Настройка модели предполагает минимизацию внутригрупповой вариации при максимизации вариации между элементами разных групп.

Похожим образом устроены логит- и пробит-модели, в которых на основе некоего набора показателей (независимые переменные) модель предсказывает вероятность дефолта (зависимая переменная), которая в обоих случаях непрерывно распределена между 0 и 1. Различие в моделях состоит в том, что в логит-моделях предполагается лог-распределение вероятности дефолта, в то время как в пробит-моделях вероятность дефолта распределена по нормальному закону.

Cравнения предсказательной способности логит- и пробит-моделей и моделей дискриминантного анализа проводилось во многих исследованиях. Так, в работе Мартина (D.Martin []) изучаются предсказательные способности этих моделей для случая банкротств 23 американских банков в период 1975-1976гг. Вест (R.West []), на основе логит-модель, проводит оценку финансового состояния банков и исследовал вероятность попадания в группу «проблемных». А Х.Платт и М.Платт (H.Platt, M.Platt []), исследуя качество моделей, учитывающих исключительно финансовые показатели организации, и моделей с учетом отраслевых норм, доказывают преимущество последних в решении задачи разделения банков по вероятности дефолта. Среди трудов, посвященных использованию дискриминантного анализа, следует выделить работы Альтмана (Е.Altman [,]), впервые который в 1968 году применил дискриминантный анализ для предсказания банкротств нефинансовых фирм.

Исследования показывают, что все перечисленные модели, несмотря на высокую предсказательную способность, не лишены ряда недостатков. Прежде всего очевидно, что линейные модели справляются с поставленными задачами хуже, чем модели, использующие нелинейные связи между показателями, уже потому, что наш мир в своей основе нелинеен. Кроме того, к недостаткам некоторых моделей можно отнести трудность их обоснования, т.к. полученные результаты моделирования и оцененные зависимости между показателями часто слабо связаны с используемой теоретической моделью [].

Определенный тип моделей оценки риска банкротства основывается на рыночной стоимости активов организации и волатильности ее изменения во времени (классической является работа Блэка и Шоулза (F.Black, M.Sholes [])). Стоит отметить, что метод оценки функционирования кредитных организаций на основе рыночной стоимости акций, применяемый в западных исследованиях (напр., Байстром (Bystrom H.N.E. []), Холл и Майлс (S.Hall., D.Miles [])), неприменим в российских условиях, т.к. ликвидными и торгуемыми являются акции только ряда крупнейших банков.

В последнее время широкое распространение получили методики классификации кредитного риска, использующие теорию нейронных сетей. Такой подход сродни нелинейному дискриминантному анализу, т.к. в его основе также лежит отказ от предпосылки, согласно которой параметры, входящие в модель, связаны линейно и не зависят друг от друга. Нейронная модель находит потенциальные («скрытые») связи между параметрами, которые в дальнейшем входят в модель предсказания банкротства как дополнительные объясняющие переменные. В нейросетях используются те же входные данные, что и в эконометрических моделях, но модели оценки кредитного риска строятся с помощью определенных процедур обучения распознаванию образов (классов), при этом задействуются компьютерные алгоритмы, имитирующие работу человеческого мозга.

Отдельным классом моделей являются различные оптимизационные модели, основанные на методах математического прогнозирования, позволяющих минимизировать ошибки кредитора и максимизировать прибыль с учетом различных ограничений. Поскольку устойчивость организации напрямую связана с эффективностью ее функционирования, то исследование эффективности является крайне важным этапом для получения полноценной и всесторонней оценки организации. Так как на современном этапе банки действуют в условиях высокой конкуренции, то необходимым элементом менеджмента становится сравнение его с ближайшими конкурентами или целевым («идеальным») банком.

Если рассматривать вопрос эффективности функционирования банков, банк необходимо рассматривать в качестве производителя потока услуг (параметры «выходов») и потребителя ресурсов (параметры «входов»). Выбор переменных для «входов» и «выходов» определяется не только целями исследования, но также доступностью и достоверностью имеющейся информации [,].

Среди широко применяемых в последнее время моделей оценки эффективности, наибольший интерес вызывают модели граничного (оболочечного) анализа данных. Наиболее успешно применяемыми подходами к нахождению эффективного фронта23 являются:

  •  метод стохастического фронта (эконометрический метод)
  •  метод оболочечного анализа данных (метод линейного программирования).

Метод стохастического фронта основывается на предположении, что эмпирические данные не могут лежать выше оптимальной производственной функции или же, что эквивалентно, ниже функции издержек. Таким образом, в модели на основе статистических данных оценивается некоторая параметрическая функция (например, функцию издержек), а величина отклонения от нее отражает степень неэффективности организации [,].

Основа современных методов граничного оболочечного анализа эффективности заложена в работе Фарелла (M.Farrell []), в которой, на базе работ Дебрю и Купманс (G.Debreu, T.Koopmans [,]), была определена простая мера для оценки эффективности. Позже Афрат (S.Afriat []) предложил несколько методов математического программирования, позволяющих решить задачу отыскания кусочно-линейного эффективного фронта; особый же подъем интереса к методам оболочечного анализа был вызван работой Чанрса, Купера и Рода (A.Charnes, W.Cooper, E.Rhode []), которые и ввели в научный обиход сам термин Data Envelopment Analysis (DEA) или оболочечный анализ данных. DEA является одним из эффективных способов визуализации и анализа деятельности организации, позволяющего на основе эмпирических данных («входов» и «выходов») построить эффективную производственную функцию и определить положение отдельных организаций относительно этой функции.

Однако, в силу специфики деятельности банков, необходимо не только учитывать количественные показатели (прибыльность, объемы совершаемых операций и т.п.), но и соизмерять их со степенью принимаемого риска. Поэтому предварительно необходимо разделить организации на группы «близких» по таким параметрам, как капитализация, ликвидность, специализация, рейтинг и т.п. Таким образом, соотнося два понятия: «риск» и «эффективность», можно получить более полноценную оценку функционирования кредитных организаций.

В этой связи особый интерес вызывает еще один класс моделей оценки функционирования банков, а именно – рейтинговые модели. При рейтинговом подходе к оценке организаций каждому рейтингу ставится в соответствие свой уровень устойчивости: самому высокому уровню рейтинга соответствует минимальное количество банкротств, в то время как вероятность банкротства организаций с низким рейтингом существенно выше. Такой подход используется ведущими рейтинговыми агентствами, а тот факт, что рейтинг, присвоенный рейтинговым агентством, имеет высокую предсказательную способность в задаче оценки вероятности дефолта и степени надежности банка, подтверждается многими исследованиями (см. [,]).

Обзор методик международных рейтинговых агентств показывает, что они основаны на анализе широкого набора финансовых и нефинансовых параметров. Агентства исследуют качество управления, структуру собственности, полноту раскрытия информации и многие другие нефинансовые характеристики функционирования банка. Однако, поскольку нефинансовые характеристики часто являются трудно формализуемыми, то важно понимать, насколько рейтинги привязаны к финансовому состоянию банков. Работы по моделированию рейтингов выявляют основную и определяющую роль финансовых показателей в предсказании рейтингов кредитных организаций [].

В ходе решения задачи моделирования рейтингов международных рейтинговых агентств для кредитных организаций исследователи пытаются с той или иной степенью успешности построить «черный ящик», на входе которого были бы финансовые показатели, а на выходе – рейтинг организации.

Одной из фундаментальных работ в области исследования рейтингов международных агентств является статья Альтмана и Рийкена (Altman E., Rijken H. []), в которой результаты  модели предсказания дефолта (DP-score), модели рейтингов (AR-score) и реальных кредитных рейтингов агентства Standard&Poors сравниваются с эмпирическими данными о дефолтах кредитных организаций.

Рейтинговая модель (AR-score) имеет следующий вид:

,

где WK – работающий капитал,

RE – нераспределенная прибыль,

ТА – суммарные активы,

МЕ – рыночная стоимость акций,

EBIT – доходы до вычета процентов по заемным средствам и налогов,

BL – балансовая стоимость обязательств,

Size – суммарные обязательства,

Age – время, прошедшее с момента, когда впервые был присвоен рейтинг.

При этом точность различных модификаций логит-моделей не превышает 40% ( для одной модели равен 0,355, для другой – 0,374).

На основе полученных результатов моделирования авторы делают вывод о том, что размер банка имеет важное положительное влияние на рейтинг, а в некоторых случаях даже возможно утверждение: банк слишком большой, чтобы обанкротиться. При этом давность (Age) первого присвоения рейтинга понижает вероятность дефолта, доказывая тем самым, что организации заинтересованы в исправлении выявленных недостатков и стремятся к повышению уровня рейтинга.

Альтман и Рийкен (Altman E., Rijken H.) отмечают, что реальные кредитные рейтинги демонстрируют существенно большую стабильность, чем рейтинги, предсказанные с помощью моделей. Результаты моделирования позволяют подтвердить тот факт, что рейтинговые агентства ориентированы на оценку «накопленного» качества показателей (изменение рейтинга происходит, когда изменение показателей превосходит некий порог), а не текущих показателей функционирования.

При этом, как отмечает Пересецкий [], есть лишь ограниченное число подходов для статистического моделирования кредитоспособности банков на основе общедоступной публичной информации, а именно:

  •  модели на основе существующих рейтингов, присвоенных рейтинговыми агентствами. Такой подход применительно к российским банкам впервые применил ван Суст и др. [];
  •  модели на основе экспертного мнения (эксперты оценивают организации на основе числовой информации о параметрах баланса);
  •  модель на основе анализа исторических данных банковских дефолтов (бинарные модели логит или пробит). Этот подход для российских банков применил Головань и др. [,].

Среди отечественных работ, решающих задачу моделирования рейтингов международных агентств, стоит выделить труды А.Карминского и А.Пересецкого [,,,], в которых реализовано моделирование рейтингов агентства Moodys. Авторы изучали возможность построения рейтинговой модели в международном масштабе. В выборку вошли 311 банков из 28 стран, включая страны Евросоюза и развивающиеся страны различных регионов мира. В данных исследованиях решают задачу моделирование рейтингов долгосрочных депозитов банков в иностранной валюте, присваиваемых рейтинговым агентством Moodys. В анализе были использованы модели, основанные на финансовых показателях деятельности банка и на фиктивных переменных, отражающих географическую принадлежность банка (развивающиеся рынки, Евросоюз, французские банки), что позволило достичь точности попадания в рейтинг на уровне 70%. При этом точность модели с отклонением на один класс рейтинговой шкалы составляет чуть более 96%. А.Карминский и А.Пересецкий, как и многие зарубежные исследователи, подтверждают важность размера банка при определения его рейтинга. В качестве основных в их модели выделены такие показатели, как отношение сформированных резервов к активам, отношение капитала к активам, отношение величины депозитов к капиталу кредитной организации, а также стоимость обязательств банка (отношение процентных расходов к средним обязательствам, по которым выплачиваются проценты). Авторы доказали также значимость макроэкономических показателей для моделирования рейтингов организаций (введение макроэкономических показателей в модель позволяет значительно увеличить точность полученных результатов). Авторами продемонстрирована также необходимость введения фиктивных переменных, характеризующих поддержку государства или материнской компании (в случае если ее рейтинг выше). Среди рассмотренных А.Карминским и соавторами моделей, следует выделить также модели, использующую квантильную шкалу (вместо значения показателя в качестве регрессора в модели используется место банка относительно других банков по данному показателю), а также нормализованную шкалу24 для показателей. Однако авторы приходят к выводу, что переход к квантильным шкалам и использование нормализированной шкалы не позволяют существенно повысить статистические характеристики и предсказательную силу модели, однако такие модели более адекватно описывают зависимость рейтингов во времени, улучшая при этом интерпретируемость коэффициентов.

Таким образом, можно отметить значительный спектр подходов и моделей, применяемых для оценки функционирования кредитных организаций. Наиболее перспективным по нашему мнению являются рейтинговые модели оценки кредитоспособности банков, настройка которых основывается на существующих рейтингах, присвоенных ведущими рейтинговыми агентствами.

  1.  Основные показатели для анализа финансовой устойчивости российских банков

На основе ряда отечественных и зарубежных работ, посвященных оценке деятельности кредитных организаций, исследованию банкротств и моделированию рейтингов кредитных организаций, нами выбран набор показателей для определения кредитного качества российских банков. При выборе показателей учитывались также параметры, используемые рейтинговыми агентствами для анализа функционирования банков в ходе процедуры присвоения и пересмотра рейтингов. Отметим, что набор, используемый западными исследователями, не мог быть механически применен к российской банковской системе, и для оценки финансового состояния российских банков необходимо было выявить собственный набор адекватных показателей.

Выбор показателей для оценки финансового состояния банка – непростая и неоднозначная задача. Основными критериями нашего выбора показателей стали экономическое содержание, простота вычисления, а также устойчивость показателей во времени как необходимое условие построения долгосрочных кредитных рейтингов.

Для создания модели показатели разделены на группы, каждая из которых характеризует основные аспекты деятельности кредитной организации. Основные группы показателей характеризуют: качество капитала, качество активов, качество ресурсной базы, доходы (рентабельность) и ликвидность, что в совокупности позволяет комплексно оценивать финансовое состояние банка и определять качество его баланса. Как показатели внутри групп, так и показатели из разных групп могут оказывать прямое или косвенное влияние друг на друга (например, высокие показатели ликвидности часто сочетаются с низкими показателями доходности, а высокие показатели доходности и рентабельности могут сочетаться с низким показателем достаточности капитала). В то же время, возможность исследования большого набора финансовых соотношений в качестве характеристики того или иного аспекта деятельности кредитной организации позволяет находить группы некоррелируемых показателей и использовать их для построения эконометрических моделей.

В нашей работе для оценки капитала кредитной организации выбраны следующие показатели:

Таблица . Показатели достаточности капитала (ДК)25

1.

Показатель достаточности капитала

Собственные средства / Активы, взвешенные по риску

2.

Показатель достаточности капитала 1-го уровня

Основной капитал / Активы, взвешенные по риску

3.

Показатель общей достаточности капитала

Собственные средства / (Активы-нетто – Активы с нулевым риском)

4.

Показатель финансового рычага

(Собственные средства – Финансовый результат) / Активы-нетто

5.

Показатель качества капитала

Дополнительный капитал / Основной капитал

Как в Базельском соглашении 1988 года, так и в новом соглашении 2004 года содержатся положения о минимуме достаточности капитала для банков с учетом риска портфеля банка. Согласно положениям документа, организации, принимающие на себя бóльшие риски, должны иметь более высокий уровень капитала, что должно стимулировать банки улучшать качество портфеля. Капитал служит не только финансовой «подушкой» для банка, но также является одним из основных источников его развития. Однако, как отмечают зарубежные исследователи [], часто имеет место «отрицательный эффект масштаба», выражающийся в том, что большие банки имеют более низкий уровень капитала относительно их активов, чем малые банки. Существенное влияние на «средний» размер собственного капитала банков оказывает жесткость регулирования в банковской системе (в особенности нормативы достаточности капитала) []. Поскольку банки имеют ограниченные возможности для увеличения размера капитала в короткие сроки, то устойчиво развивающиеся кредитные организации стремятся иметь определенный буфер капитала, дополнительно к минимальному нормативному уровню, что позволяет извлекать выгоду из неожидаемых инвестиционных возможностей.

Показатель достаточности (ДК-1) получен делением собственных средств банка на активы, взвешенные с учетом риска. Активы, взвешенные по риску, равны сумме всех групп активов, каждая из которых умножена на весовой коэффициент, соответствующий кредитному риску, связанному с этой группой. Показатель достаточности капитала, известный как коэффициент Кука, разработан и рекомендован для анализа устойчивости банка в Соглашениях о капитале Базельского комитета по банковскому надзору от 1988 года [].

Показатель взвешенных по риску активов учитывает дифференциацию кредитных рисков в зависимости от участвующей стороны (юридические или физические лица и т. д.) и инструмента (срочные кредиты, ипотечные кредиты, лизинг и т.д.). Данный показатель отражает тот факт, что рисковые активы должны быть подкреплены бóльшими резервами, в целях препятствия чрезмерному риску, а за счет сокращения риска можно увеличить значение показателя без физического увеличения капитала.

В работе авторов Эстрелла, Парк, Перистани (A.Estrella, S.Park, S.Peristani []) оценивается роль в предсказании банкротств кредитных организаций двух простых показателей (показатель рычага, показатель валовой доходности соотнесенной с капиталом первого уровня) и более сложного показателя достаточности капитала, взвешенного с учетом риска. Суть исследования сводится к тому, что простые показатели могут дополнять вычислительно более сложные показатели, подавая своевременные сигналы о необходимости проведения надзорных действий. Предметом изучения в указанной статье стали показатели, каждый из которых выражен дробью: числитель обозначает меру суммарного капитала фирмы, а знаменатель – суммарный риск банка. Во всех показателях, рассмотренных в данной статье, числитель постоянен (это капитал 1-го уровня, состоящий из стоимостей обычных акции, эмиссионного дохода, нераспределённой прибыли и стоимости привилегированных акций), что позволяет исследователям сконцентрироваться на альтернативных знаменателях.

Среди недостатков показателя суммарных активов, взвешенных по риску, авторы отмечают неизбежную ошибку, возникающую вследствие уникальности каждого займа, а также тот факт, что заем зависит не только от кредитных, но и от других рисков: риск процентной ставки, операционный риск, репутационный. Кроме того, быстрое развитие финансового сектора приводит к быстрому устареванию схем присвоения весов. Необходимо заметить, что для выявления различий между активами требуется время, поэтому этот показатель может преувеличивать или недооценивать меру влияния каждой из групп активов на устойчивость кредитной организации.

Поскольку капитал первого уровня составляет наиболее устойчивую часть собственных средств, то он наилучшим образом характеризует качество капитала (ДК-2) [].

Показатель общей достаточности капитала (ДК-3) определяется отношением собственного капитала ко всем активам, за исключением активов с нулевым коэффициентом риска. Активы с нулевым коэффициентом риска определяются в соответствии с Инструкцией Банка России № 110-И []. К ним относятся денежные средства банка, природные драгоценные камни и драгоценные металлы, средства на счетах в ОРЦБ, средства и депозиты на счетах в Банке России, вложения в облигации Банка России, обязательные резервы, депонированные в Банке России, средства банков в кредитных организациях, внесенные для расчетов чеками.

Показатель финансового рычага (ДК-4) характеризует отношение чистых собственных средств к активам. ДК-4 определяет, во сколько раз активы превышают обеспечение в виде собственных средств. Поскольку собственный капитал должен служить покрытием на случай возможных убытков, то чем ниже значение показателя, тем выше степень риска банкротства банка. Идея, применяемая для построения данного показателя, послужила источником для дальнейшего совершенствования показателей устойчивости функционирования финансовых организаций путем разделения активов по уровню риска.

Показатель качества капитала (ДК-5) определяется как отношение дополнительного капитала к основному капиталу. Как уже отмечалось выше, основной капитал, т.е. капитал первого уровня, – наиболее стабильная часть капитала банка. Этот показатель рекомендован в материалах Базельского комитета в качестве критерия при оценке достаточности капитала.

Анализ качества активов позволяет охарактеризовать склонность банка к риску, а также определить диверсификацию активов банка.

Таблица . Показатели качества активов (КА)

1.

Показатель резервирования

Резервы / Коммерческие кредиты

2.

Показатель доли просроченных ссуд

Просроченные ссуды / Коммерческие кредиты

3.

Показатель доли прочих активов

Прочие активы / Активы нетто

4.

Показатель кредитования

Коммерческие кредиты / Активы нетто

5.

Показатель доли ценных бумаг в активах

Ценные бумаги / Активы нетто

6.

Показатель покрытия кредитного портфеля

(Собственные средства + срочные депозиты физических лиц + депозиты юридических лиц) / Коммерческие кредиты

7.

Показатель доли безнадежных ссуд

Безнадежные ссуды / Коммерческие кредиты

8.

Показатель доли работающих активов

Доходные активы нетто / Активы нетто

Показатель резервирования (КА-1) определяет сумму резервов, созданных банком под выданные клиентам кредиты. Процент резервирования дает двоякую оценку деятельности банка. С одной стороны, большой показатель созданных резервов говорит об обеспечении кредитов на случай «невозврата», но также может служить и показателем качества выданных кредитов. Выдача кредитов низкокачественным (высокорисковым) заемщикам свидетельствует о склонности организации к получению дополнительных доходов за счет дополнительных рисков.

Показатель доли просроченных (свыше 30 календарных дней) ссуд (КА-2) характеризует долю потенциально безвозвратных ссуд в общем портфеле выданных кредитов. Для розничных банков этот показатель зачастую выше, так как для сектора потребительского кредитования наряду с высокими процентами и комиссиями характерна и высокая доля «невозвратов» и «просрочек» платежей.

Важным показателем при оценке качества активов является доля прочих активов в балансе банка (КА-3). К прочим активам отнесены такие операции банка как лизинг и факторинг26, использование бюджетных средств, расчеты по покупке и продаже валюты и непосредственно прочие активы. Если доля подобных активов в портфеле банка велика, то можно говорить о более низком качестве портфеля, чем при традиционном (в котором превалирует портфель коммерческих кредитов) распределении статей в балансе организации.

Коммерческие ссуды для большинства банков являются основной частью доходных активов, что позволяет рассматривать показатель доли ссуд в портфеле активов банка (КА-4) как характеристику качества портфеля.

Показатель доли ценных бумаг в активах (КА-5) характеризует портфель работающих активов банка с точки зрения его зависимости от рыночного риска и помогает определить специализацию банка.

Показатель покрытия кредитного портфеля (КА-6) выявляет соотношение устойчивых пассивов и объемов выданных ссуд. Кредитная организация решает вопрос о привлечении по возможности устойчивых (длинных) пассивов для выдачи ссуд, по возможности с более коротким сроком возврата, но зачастую складывается обратная ситуация – длинный кредит приходится финансировать более короткими депозитами.

Показатель доли безнадежных ссуд (КА-7) характеризует долю ссуд, фактически признанных безвозвратными. Высокое значение данного показателя негативно характеризует деятельность банка в вопросах оценки заемщиков и контроля за выполнением условий кредитования. В российской банковской системе количество «невозвратов» растет в том же темпе, что и число выданных кредитов. Такова неизбежная плата за быстрый рост сектора потребительского кредитования, сопровождающийся высокой долей экспресс-кредитов и низким качеством процедур оценки заемщиков; кроме того – низкая финансовая грамотность заемщиков и высокая реальная стоимостью обслуживания кредитов часто не позволяют возвратить их в срок и в полном объеме.

Показатель доли работающих активов (КА-8) характеризует эффективность организации в использовании активов для извлечения прибыли. Для небольших организаций характерна высокая доля неработающих активов (основные средства и т.д.) в активах банка, а с ростом размера организации доля неработающих активов имеет тенденцию к сокращению.

При анализе структуры привлеченных средств главное внимание уделяется основным источникам финансирования организации, их устойчивости и динамике.

В качестве показателей для анализа эффективности банка в создании качественной базы привлеченных средств выбраны следующие отношения:

Таблица . Качество ресурсной базы (КР)

1.

Показатель зависимости от краткосрочных межбанковских заимствований

(Краткосрочные МБК выданные – Краткосрочные МБК полученные) / Всего обязательств

2.

Показатель доли неустойчивых обязательств

Обязательства до востребования /  Всего обязательств

3.

Показатель зависимости от расчетных счетов

Клиентские остатки /

Всего обязательств

4.

Показатель доли выпущенных ценных бумаг в обязательствах

Выпущенные ценные бумаги /

Всего обязательств

Показатель зависимости от краткосрочных межбанковских заимствований (КР-1) отражает долю относительно коротких (до 3 месяцев) межбанковских кредитов в обязательствах банка. Высокая зависимость от межбанковского заимствования может свидетельствовать о неустойчивости ресурсной базы, о политике финансирования активных операций за счет коротких займов на межбанковском рынке, что отрицательным образом влияет на устойчивость банка к внешним шокам, поскольку негативная информация о банке может привести к быстрому закрытию лимитов на данную организацию другими банками.

Показатель доли неустойчивых обязательств (КР-2), как и предыдущий показатель, характеризует долю обязательств до востребования в обязательствах банка. Счета до востребования являются одним из наиболее дешевых источников средств, но поскольку ставка процента по этим счетам ниже, чем по срочным вкладам, то в случае неблагоприятных условий для банка они будут изъяты клиентами в первую очередь, что ограничивает возможности планирования деятельности и повышает вероятность возникновения проблем с ликвидностью.

Еще одним показателем, характеризующим ресурсную базу, является показатель доли клиентских остатков в обязательствах банка (КР-3). Высокая доля счетов клиентов позволяет получать сравнительно устойчивую и недорогую ресурсную базу.

Одним из способов финансирования активных операций банка является выпуск собственных ценных бумаг. Такой способ финансирования требует наличия благоприятных условий для эмиссии (т.е. положительной информации о деятельности банка, высокого рейтинга, финансовых результатов, которые свидетельствовали бы об эффективности деятельности, и т.д.). Таким образом, показатель доли собственных выпущенных бумаг в обязательствах банка (КР-4) отражает склонность банка к заимствованиям на долговом рынке.

Одним из основных показателей эффективности функционирования организации является полученная прибыль. При прочих равных более прибыльные организации являются более устойчивыми к неблагоприятным внешним воздействиям. Для целей нашего анализа были выбраны следующие показатели доходности функционирования российских банков:

Таблица . Показатели доходности (ПД)

1.

Показатель доходности активов (ROA)

Финансовый результат (приведенный к году) / Активы нетто

2.

Показатель доходности капитала (ROE)

Финансовый результат (приведенный к году) / Собственные средства

3.

Показатель доходности операций с ценными бумагами

Доходы по ценным бумагам / Всего доходов

4.

Показатель маржи прибыли

Прибыль / Всего доходов

5.

Показатель процентной маржи

Процентные доходы (приведенные к году) / Доходные активы

Стоит отметить, что доходы и расходы отражаются в балансе российских банков (Форма 101) накопительным итогом и списываются на квартальную дату, что приводит к нулевым значениям статей в разбивке по их сущности (процентные доходы (расходы), результат от операций с ценными бумагами, валютой, штрафы и т.д.) на квартальные даты.

Для вычисления показателей доходности была применена следующая процедура:

  •  Для первого месяца квартала показатели доходов (расходов) берутся из баланса банка (Форма 101).
  •  Для второго месяца квартала доходы (расходы) равняются сумме на соответствующем счете за вычетом суммы на соответствующем счете предшествующего месяца.
  •  Для третьего месяца квартала доходы (расходы) равняются сумме, полученной из 102 формы по данному виду доходов (расходов) за вычетом накопленного за год дохода (за предыдущий квартал и прошедшие месяцы данного квартала).

Показатель доходности активов (ПД-1) описывает «ставку» доходов по активам банка и количественно оценивает эффективность их использования. П.Роуз [] определяет показатель доходности активов (ROA) как показатель эффективности работы менеджеров по извлечению чистой прибыли из активов банка. Подобным, по сути, является показатель доходности собственного капитала (ROE) (ПД-2), который количественно выражает эффективность от вложений в собственный капитал банка (рентабельность приобретения акций) и тем самым служит измерителем доходности для акционеров банка. Следует отметить, что организации стремятся к тому, чтобы показатели ROA и ROE были как можно выше, но здесь возможности банков ограничены конкуренцией.

Для получения дополнительной информации об эффективности экономической деятельности банка важно оценить диверсификацию доходов банка и вклад в финансовый результат отдельных составляющих портфеля активов банка. Необходимость исследования рентабельности операций с ценными бумагами (ПД-3) вызвана в первую очередь тем, что эта статья доходов или расходов банка является одной из наиболее зависимых от рыночного риска, а следовательно, характеризует неустойчивую часть финансового результата.

Важным показателем, характеризующим эффективность деятельности банка, является доля прибыли, оставшаяся в распоряжении банка после вычета из доходов всех расходов, в отношении к валовому доходу. Для получения такого рода оценки в научной литературе чаще всего применяют показатель маржи прибыли (ПД-4).

При оценке финансового состояния кредитной организации важно понимать, насколько эффективно банк использует свои активы для извлечения прибыли. Поскольку львиную долю доходов большинства банков составляют процентные доходы по предоставленным кредитам, то в качестве меры такой эффективности нами было выбрано отношение процентного дохода к доходным активам (ПД-5) («ставка доходности активов»).

Вопрос о ликвидности и платежеспособности банка является одним из основных при оценке кредитной организации. Показатели ликвидности служат для оценки возможностей банка своевременно удовлетворять требования вкладчиков, а использование при анализе нескольких показателей позволяет оценить ликвидность кредитной организации с разных сторон.

Для того чтобы исследовать текущее состояние ликвидности кредитной организации используются синтетические показатели, выражающие объемы активов банков, обладающих высокой и сравнительно высокой ликвидностью (Лам и Лат). К высоколиквидным активам (Лам) были отнесены – кассовые активы, а также корсчета в Центральном банке РФ и ОРЦБ, депозиты до востребования в ЦБ РФ. Для определения объема текущих ликвидных активов (Лат) банка использовались активы кредитной организации срочностью до одного месяца.

Таблица . Показатели ликвидности (ПЛ)

1.

Показатель мгновенной ликвидности

ЛАм / Обязательства до востребования

2.

Показатель доли ликвидных активов

ЛАт / Активы-нетто

3.

Показатель текущей ликвидности

ЛАт / Текущие обязательства

4.

Соотношение высоколиквидных активов и  привлеченных средств

ЛАм / Привлеченные средства (без прочих)

Показатель мгновенной ликвидности (ПЛ-1) отражает покрытие наиболее ликвидными активами наиболее неустойчивой части пассивов, что характеризует способность банка удовлетворить возникшие к нему требования со стороны вкладчиков и кредиторов. Поскольку регулирующие органы пристально следят за своевременностью исполнения этих требований банками, то финансово устойчивые банки стремятся иметь излишний запас ликвидных средств относительно минимально допустимого нормативного уровня.

Показатель доли ликвидных активов в активах (ПЛ-2) характеризует долю краткосрочных активов в балансе банка. Ликвидные активы являются наименее доходной частью активов, поэтому кредитные организации стремятся сократить их долю. В целях защиты интересов вкладчиков Центральный банк РФ устанавливает обязательные нормативы по доли ликвидных активов в балансе, устанавливая минимально допустимое процентное соотношение.

Поскольку кредитная организация должна своевременно и в полном объеме отвечать по своим обязательствам, то необходимо оценить значение показателя, характеризующего покрытие текущих обязательств текущими ликвидными активами (ПЛ-3).

В то же время соотношение высоколиквидных активов и привлеченных средств (ПЛ-4) позволяет определить наиболее «жесткую» (из используемых в данном исследовании) оценку ликвидности банка.

В заключение следует отметить, что расширение набора показателей для анализа позволит добиться более полного освещения деятельности организации, однако неизбежно приведет к проблеме агрегирования полученных данных в интегральный показатель (рейтинг кредитной организации). К тому же с ростом числа показателей снижается их «вклад» в итоговую оценку, что нивелирует преимущества, полученные от использавния дополнительных показателей. Как показывает дальнейший анализ, набор показателей, обозначенный выше, позволяет формировать рейтинги российских банков, обладающие высокой степенью согласованности с рейтингами международных рейтинговых агентств.

  1.  База эмпирических данных для исследования

Для решения проблемы «нетранспарентности» финансового сектора Центральный банк РФ провел ряд мер, стимулирующих банки к раскрытию информации о своей деятельности27. В настоящее время более 850 банков размещают финансовую информацию (данные оборотной ведомости по счетам бухгалтерского баланса кредитной организации по форме 0409101 (отдельные графы) и отчет о прибылях и убытках по форме 0409102) на странице Банка России в сети Интернет []. Это позволяет получить значительный объем данных, которые могут использоваться исследователями для формирования собственной системы оценки финансового состояния российских кредитных организаций.

В нашем исследовании для целей построения и настройки методики использовались данные финансовой отчетности российских банков за период с января 2004 года по сентябрь 2006 года (33 отчетных месяца). В базе, публикуемой на сайте Центрального банка РФ, представлена информация по 858 банкам (Форма 101), однако полная информация за все периоды имеется только для 625 банков.

Согласно поправкам к федеральному закону «О банках и банковской деятельности», принятым Государственной Думой 7 апреля 2006 года, «минимальный размер уставного капитала вновь регистрируемого банка на день подачи ходатайства о государственной регистрации и выдаче лицензии на осуществление банковских операций устанавливается в сумме рублевого эквивалента пяти миллионов евро (что примерно соответствует рублевому эквиваленту в 170 млн. рублей). В тексте документа указывается, что банк, имеющий на 1 января 2007 года собственные средства (капитал) в размере ниже суммы рублевого эквивалента в пять миллионов евро, вправе продолжать свою деятельность при условии, что размер его собственных средств не будет снижаться по сравнению с уровнем, достигнутым на 1 января 2007 года28.

С учетом указанных поправок для нашего исследования выбраны организации, собственный капитал которых на 1 октября 2006 года превышает 100 млн. рублей ( минимально необходимого уровня). Как показал анализ, этому критерию удовлетворяют 438 кредитных организаций. Валюта баланса банков, не вошедших в данную выборку, не превышает 1,2 млрд. рублей, что свидетельствует о крайне незначительных объемах бизнеса этих организаций.

Банки Бадр-Форте Банк (1567), Профбанк (235), Инбанкпродукт (3191) были лишены лицензии в декабре 2006 года. Для того, чтобы избежать влияния «нестандартных» значений показателей, характерных для данных банков, они удалены нами из исследуемой группы. Русский Ипотечный Банк (1968) был также удален из рассмотрения, т.к. в начале 2004 года он был небольшим банком с весьма специфическим балансом (активы банка составляли 102 млн. рублей, из которых 100 млн. рублей находились на корреспондентских счетах банков-резидентов).

Полная информация о прибылях и убытках 32 банков отсутствует в базе, публикуемой на сайте Центрального банка РФ (Форма 102), что не позволяет исследовать прибыльность этих организаций, потому они также удалены из рассмотрения.

В итоге основная группа банков для исследования включает в себя Сбербанк России и 401 действующий российский банк. Размер собственного капитала банков, вошедших в выборку, по состоянию на 01.10.2006 превышает 100 млн. рублей, по ним в полном объеме доступна информация по месячным балансам за период с 01.02.2004 по 01.10.2006 (33 отчетных периода) и квартальная отчетность о прибылях и убытках. 31 банк из исследуемой группы не входит в систему страхования вкладов.

Крупнейшими банками анализируемой группы являются банки с государственным участием (Сбербанк России, Газпромбанк, Внешторгбанк). Активы Сбербанка России, крупнейшего банка в банковской системе, по состоянию на 1.10.2006 составляют 6,5 трлн. рублей (191 млрд. евро), т.е. 42% суммарных активов исследуемой выборки. Средний же размер оставшихся 401 банка в исследуемой выборке составляет 22 млрд. рублей. Активы только 20 банков, включая Сбербанк, превышают 100 млрд. рублей (3 млрд. евро). Поскольку основная часть банков системы являются «небольшими», то, чтобы не вносить искажений в анализ, такую крупную организацию как Сбербанк России включать в исследуемую выборку представляется нецелесообразным.

Таким образом, наше исследование основывается на использовании информации о 401 кредитной организации, функционирующей на территории Российской Федерации.


Результаты первой главы

  1.  В первой главе комплексно систематизированы и проанализированы теоретические модели и эмпирические исследования по оценке эффективности функционирования и устойчивости кредитных организаций, выявлены их преимущества и недостатки.
  2.  На основе научных трудов, посвященных оценке деятельности кредитных организаций, исследованию банкротств и моделированию рейтингов кредитных организаций, а также методик, используемых рейтинговыми агентствами в ходе процедуры присвоения рейтингов, нами составлен набор показателей для определения кредитного качества российских банков.
  3.  Сформирована база эмпирических данных для исследования на основе регулярно публикуемых на сайте Банка России форм отчетности российских банков (Форма №101 «Оборотная ведомость по счетам бухгалтерского учета», Форма 102 «Отчет о прибылях и убытках»). База включает в себя данные по 401 российскому банку в период с января 2004 года по сентябрь 2006 года.


ГЛАВА 2. Модели для формирования рейтингов российских банков

  1.   Выявление характерных специализаций российских банков

Устойчивость кредитной организации в первую очередь зависит от умения и способности управлять рисками. Набор специфических рисков, которым подвержена деятельность банков, обусловлен набором предоставляемых услуг и проводимых операций, долевое соотношение которых и определяет (в нашем исследовании) специализацию кредитной организации.

При оценке кредитных организаций важно не только определить значение исследуемых показателей, но выявить их место относительно характерных значений показателей для группы схожих банков (peer groups). Выявление особенностей функционирования банка относительно банков того же типа, испытывающих схожее влияние факторов риска, позволяет снизить степень искажений при оценке устойчивости банка. Как отмечается в большинстве исследований, банки с диверсифицированной структурой активов более устойчивы к локальным шокам, в то время как банки с концентрированной структурой должны создавать дополнительный буфер либо в виде капитала, либо в виде резервов для компенсации потенциальных потерь. Таким образом, надзорным органам следует не допускать излишней концентрации рисков как в отдельных банках, так и в банковской системе в целом [].

Особую роль в банковской системе играют сберегательные банки, которые специализируются на обеспечении «надежного убежища» для сбережений вкладчиков. Важно подчеркнуть, что сберегательные и коммерческие банки часто по-разному реагируют на изменения в банковском секторе. Как было отмечено в работе Грифелл-Таж и Ловелл (E.Grifell-Tatje, C.Lovell []), банки различной специализации выбирают разные стратегии развития в равных рыночных условиях. Грифелл-Таж и Ловелл (E.Grifell-Tatje, C.Lovell []) выявили, что коммерческие банки стремятся соответствовать возросшей конкуренции путем совершенствования линейки услуг и эффективности функционирования, в то время как сберегательные банки сохраняют рыночную долю преимущественно за счет увеличения числа отделений. Было бы нерезонно выделять для анализа российской банковской системы группу сберегательных банков, поскольку в РФ только Сбербанк России в полной мере соответствует данной специализации.

Центральный банк РФ не разделяет банки по специализации и устанавливает единые нормативы деятельности кредитных организаций. Отметим, что разделение банков по типу и введение различных нормативов (достаточности капитала, ликвидности и т.п.) для банков различной специализации в нынешних условиях (при значительном числе кредитных организаций в банковской системе) создало бы дополнительные трудности для контроля и мониторинга и является скорее нежелательным.

Однако для целей данного исследования выделение специализации банка является фактором, позволяющим получить важную дополнительную информацию относительно деятельности конкретных российских банков. Для определения видов специализации, характерных для российских банков, нами был проведен кластерный анализ банковской системы на основе метода самоорганизующихся карт Кохонена.

В литературе принято разделять методы кластеризации на два основных типа: иерархические и агломеративные. Внутри каждого из типов существует множество способов и алгоритмов кластеризации, различающихся набором правил формирования групп, а также критериями оценки качества кластеризации.

Иерархическая кластеризация заключается либо в последовательном объединении объектов в кластеры, либо – в разделении кластеров на более мелкие группы. Конечным результатом алгоритма здесь является дендрограмма (дерево кластеров), определяющая взаимосвязи между объектами. «Обрезав» дендрограмму на нужном уровне, можно получить желаемую кластеризацию.

Неиерархическая кластеризация состоит в непосредственном разделении набора данных на множество кластеров (плотных областей в массиве данных). Другой возможный подход включает в себя минимизацию некоторой меры различия внутри каждого кластера при максимизации различия между элементами из разных кластеров. Одним из видов такой кластеризации является метод К-средних. Несмотря на широкое применение этого метода, он не лишен ряда недостатков. Поскольку число кластеров в массиве данных часто неизвестно, то экспертное задание их числа (К) может приводить к нахождению кластеров «там, где их нет». Другой недостаток метода К-средних, равно как и других методов кластеризации, выражается в проблеме интерпретации кластеров. В большинстве алгоритмов кластеризации предпочтение отдается определенной форме кластеров, причем алгоритмы стремятся привести данные в соответствие с кластерами именно этой формы, даже если в рассматриваемом массиве таких кластеров нет.

Традиционные статистические методы способны обнаруживать закономерности и структурные связи в массиве предварительно необработанных многомерных данных, но лишь немногие из них позволяют непосредственно визуализировать связи, существующие между элементами. Среди методов визуализации, стоит выделить метод самоорганизующихся карт Кохонена (СОК), нашедший широкое применение при изучении целевых групп в медицине, бизнесе и особенно в маркетинге []. Этот метод, разработанный Тейво Кохоненом (T. Kohonen [,]) в начале 1980-х годов, подходит для ситуации, когда нет изначального представления о структуре данных и количестве кластеров.

Для методики СОК, являющейся частным случаем использования теории нейронных сетей, применяется обучение «без учителя», что позволяет эндогенно определять число возникающих кластеров. Из-за применяемого алгоритма обучения такой процесс выглядит как «черный ящик»: на вход подается набор исходных данных, а на выходе исследователь получает набор карт признаков с выделенными на них границами обнаруженных кластеров.

Рассмотрим алгоритм обучения более подробно. Обучение сети осуществляется пошаговым перебором элементов и последующим проецированием их на карту (выходной слой). «Победителем» из числа нейронов выходного слоя становится тот выходной нейрон, веса связей которого оказываются ближайшими в смысле евклидового расстояния к входному образу. Веса связей нейрона-победителя затем корректируются.

Важно отметить, что, когда алгоритм СОК осуществляет топологическое отображение, происходит регулирование не только веса нейрона-победителя (центра кластера), но также и весов целой окрестности выходных нейронов, которые сдвигаются ближе к входному образу. Процесс начинается со случайных значений весов, а по мере обучения размер окрестности вокруг нейрона-победителя постепенно уменьшается. Таким образом, в начале обучения корректируются веса многих нейронов в окрестности победителя, но по затем все меньшее число нейронов реагирует на входные сигналы, и в конце корректируются только веса нейрона-победителя. В результате обучения определяются веса связей между входными векторами и выходными нейронами, каждому из которых соответствует входной образ, типичный для некоторого подмножества входных данных. Исходное пространство большой размерности сжимается в двумерную карту, которая представляет собой прямоугольный дисплей из нейронов выходного слоя.

Изложим данную схему более формально. Пусть множество данных состоит из n-мерных вещественных векторов:

.

Каждому узлу ставится в соответствие модельный вектор, который изменяется в результате отклика на данные  (), последовательно используемые в алгоритме:

.

Поскольку одной из целей анализа является представление пространства наблюдений на двумерной карте, то необходимо определить взаимосвязи между модельными векторами так, как если бы они были направлены вдоль некоторой гибкой двумерной сети. На каждом шаге в первую очередь всегда определяется индекс узла победителя:

, где  характеризует нейрон-победитель на карте (модельный вектор).

В ходе обучения изменение вектора  происходит по следующему правилу:

, где

  – скорость обучения (),

– функция соседства с центром в нейроне-победителе,

  – вход на -той итерации.

При этом вектор  выбирается случайно из обучающей выборки на итерации . Функция  представляет собой невозрастающую функцию от времени (итерации) и выражает расстояния между нейроном-победителем и соседними нейронами в сети. Эта величина, называемая также радиусом обучения, выбирается достаточно большой на начальном этапе обучения и постепенно сокращается таким образом, что в конечном итоге обучается один нейрон-победитель. Наиболее часто используется функция , линейно убывающая от времени.

Рассмотрим теперь функцию скорости обучения . Наиболее часто используются два варианта этой функции: линейная и обратно пропорциональная времени , где A и B — это константы, выбранные таким образом, чтобы выполнялось условие . Хотя, как отмечают  Дебок и Кохонен []: «…выбор закона, по которому  уменьшается до нуля, не является очень принципиальным…». Применение функции приводит к тому, что все вектора из обучающей выборки вносят примерно равный вклад в результат обучения. Как уже отмечалось ранее, процесс обучения состоит из двух основных фаз: на первоначальном этапе выбирается большое значение скорости обучения и радиуса обучения, что позволяет расположить вектора нейронов в соответствии с распределением данных в выборке, а затем производится точная подстройка весов, когда значения параметров скорости обучения много меньше начальных.

Для завершения процесса визуализации необходимо определить цвет ячеек на карте. Самый простой вариант – использование градаций серого, но в принципе можно использовать любую градиентную палитру. Цвет ячейки определяется в зависимости от значения компонент (близкие по значению компоненты имеют близкие по оттенку цвета). Карты в совокупности образуют атлас («слоеный пирог»), отображающий расположение компонент, связи между ними, а также относительное расположение различных значений компонент. Такой набор карт может использоваться для анализа закономерностей, имеющихся между компонентами набора данных.

По мнению зарубежных исследователей (см., например, Ли (Н.Li [])), программный пакет Viscovery SOMine, разработанный Eudaptics29, является одной из лучших реализаций методологии СОК (SOM30). Программа позволяет использовать три метода кластеризации: кластеризация по методу Уорда, модифицированная кластеризация Уордa и кластеризация методом одиночной связи. «SOM-Ward» кластеризация использует классический метод Уорда [], что позволяет получить кластеры с минимальной внутрикластерной вариацией. Метод одиночной связи (метод «ближайшего соседа») определяет расстояние между кластерами как расстояние между двумя ближайшими объектами (соседями) из разных кластеров. Согласно алгоритму Уорда («SOM-Ward») кластеризация начинается с того, что каждый объект формирует свой собственный кластер, а процесс объединения объектов ограничивается исключительно их топологической близостью. В результате обычно получается несколько больших и набор меньших кластеров.

Ли (H.Li) [], рассматривая вопрос сравнения качества различных методов кластеризации, применил классический подход, при котором исследуется задача, с уже известным составом кластеров. В итоге методы «SOM-Ward» и «SOM-modified Ward», реализованные в пакете Viscovery SOMine, позволили с точностью свыше 90% определить количество и состав кластеров, в то время как при использовании метода К-средних качество определения состава кластеров оказалось ниже, составив чуть более 80%. В то время как метод К-средних требует изначального задания числа кластеров, в методах, реализованных в Viscovery SOMine, программа определяет и число кластеров и качество кластеризации при данном числе кластеров. А поскольку исследователь заранее не знает числа кластеров в наборе данных, то метод СОК, позволяющий достаточно точно определять их число, является крайне востребованным на практике.

Именно этот метод применен нами на таком важном этапе нашей работы, как выявление специализаций, характерных для российских банков. Кластеризация по методу СОК была реализована с использованием программного пакета Viscovery SOMine.

Для определения специализаций нами исследована структура активов российских банков, для чего в активах-нетто выбраны процентные доли следующих показателей: «МБК выданные», «Кредиты, выданные физическим лицам», «Кредиты, выданные юридическим лицам и органам власти» и «Вложения в ценные бумаги». Таким образом, определение специализации банков для целей данного исследования основывается на изучении структуры их активных операций и не учитывает специализацию банка по структуре привлеченных средств31. Анализ корреляции свидетельствует о том, что эти показатели можно считать независимыми (уровень корреляции не превышает по модулю 0,3), и они могут использоваться для определения типа специализации банка.

Таблица . Корреляция показателей, используемых для определения специализации

 

МБК выданные

Кредиты физ. лицам

Кредиты юр. лицам

Вложения в ценные бумаги

МБК выданные

 

 

Pearson Correlation

1

0,118(**)

-0,257(**)

-0,190(**)

Sig. (2-tailed)

 

0,000

0,000

0,000

N

13233

13233

13233

13233

Кредиты физ. лицам

 

 

Pearson Correlation

0,118(**)

1

-0,286(**)

-0,192(**)

Sig. (2-tailed)

,000

 

,000

,000

N

13233

13233

13233

13233

Кредиты юр. лицам

 

 

Pearson Correlation

-0,257(**)

-0,286(**)

1

-0,301(**)

Sig. (2-tailed)

0,000

0,000

 

0,000

N

13233

13233

13233

13233

Вложения в ценные бумаги

 

 

Pearson Correlation

-0,190(**)

-0,192(**)

-0,301(**)

1

Sig. (2-tailed)

0,000

0,000

0,000

 

N

13233

13233

13233

13233

**  Корреляция значима на уровне 0,01 (2-tailed)

В ходе анализа исследуемой выборки, состоящей из 401 банка, было выявлено четыре группы банков, различающихся приоритетными направлениями деятельности. Эти группы можно условно обозначить как «корпоративные», «ссудные», «универсальные» и «банки для банков».  

В расчете процентной доли используются брутто-показатели по статьям активов. Следует заметить, что в случаях превышения «доли» уровня в 100% наблюдается значительный объем создаваемых резервов по выданным ссудам (до 40% от всех выданных ссуд), что, конечно же, является аномальным. Такие особенности отличают банк «Викинг» (лиц. 2), а также банк «Капитал» (лиц. 575) (см. Приложение 2).

Для «корпоративных» банков характерна более высокая доля в портфеле активов ссуд, выданных юридическим лицам и органам власти (57%). Эта группа банков – самая многочисленная.

Профиль деятельности «ссудных» банков характеризуется не только кредитованием коммерческих организаций (34%), но и значительной долей кредитов, выданных физическим лицам (23%). Поскольку многие российские кредитные организации часто не способны выдавать кредиты на значительные сроки и в больших объемах, как того требуют крупные коммерческие организации, то значительное место в банковской системе занимают банки, удовлетворяющие потребности небольших коммерческих фирм и населения.

Деятельность «универсальных» банков характеризуется высокой долей ценных бумаг (28%) и кредитов, выданных юридическим лицам (30%). Из-за высокой доли ценных бумаг в активах эти банки также можно охарактеризовать как спекулятивные. Структура активов этих банков в достаточной степени диверсифицирована, так как они также проводят активные операции на межбанковском рынке (7%) и кредитование физических лиц (7%), но доля этих операций в общем объеме незначительна.

«Банки для банков» отличаются высокой долей выданных межбанковских кредитов (24% активов), а также кредитов коммерческим организациям (34%). Вложения в ценные бумаги  составляют в среднем 10% активов этих банков. «Банки для банков» практически не занимаются кредитованием населения (4%).

Таблица . Специализации банков (центры кластеров)32

 

МБК выданные

Ценные бумаги

Кредиты юр. лицам

Кредиты физ. лицам

Корпоративные

4,3%

3,9%

56,7%

7,9%

Ссудные

3,5%

2,7%

34,2%

22,5%

Универсальные

7,2%

27,6%

29,5%

7,4%

Банки для банков

24,3%

10,2%

33,9%

3,5%

Рисунок . Специализации банков (центры кластеров)

Ниже приведены статистические характеристики распределения значений показателей по группам банков различных специализаций.

Таблица . Специализация 1 («Корпоративные»)

 

МБК

Ценные бумаги

Кредиты юр. лицам

Кредиты физ. лицам

Число наблюдений

6459

6459

6459

6459

Среднее

0,0392

0,0458

0,5908

0,0699

Медиана

0,0258

0,0231

0,5783

0,0613

Станд. отклонение

0,0425

0,0574

0,1275

0,0496

Таблица . Специализация 2 («Ссудные»)

 

МБК

Ценные бумаги

Кредиты юр. лицам

Кредиты физ. лицам

Число наблюдений

4288

4288

4288

4288

Среднее

0,0387

0,0262

0,3312

0,2377

Медиана

0,0210

0,0078

0,3395

0,2242

Станд. отклонение

0,0465

0,0386

0,1377

0,1713

Таблица . Специализация 3 («Универсальные»)

 

МБК

Ценные бумаги

Кредиты юр. лицам

Кредиты физ. лицам

Число наблюдений

1340

1340

1340

1340

Среднее

0,0516

0,2816

0,2847

0,0696

Медиана

0,0338

0,2656

0,2867

0,0359

Станд. отклонение

0,0571

0,1271

0,1273

0,0823

Таблица . Специализация 4 («Банки для банков»)

МБК

Ценные бумаги

Кредиты юр. лицам

Кредиты физ. лицам

Число наблюдений

1146

1146

1146

1146

Среднее

0,2457

0,0812

0,3263

0,0417

Медиана

0,2184

0,0547

0,3460

0,0250

Станд. отклонение

0,1003

0,0816

0,1445

0,0488

  1.  Определение набора независимых показателей для построения моделей 

На первом этапе исследования нами определен качественный состав исследуемых российских банков в зависимости от проводимых активных операций, что позволит в дальнейшем использовать дифференцированный подход в оценке их надежности. Поскольку ориентирами для построения рейтинговой модели служат долгосрочные рейтинги международных рейтинговых агентств, присвоенные российским банкам, то следующий этап нашей работы – исследование качественного состава этих банков, а также определение набора независимых показателей для построения математической модели формирования рейтингов.

Международные рейтинговые агентства работают в России с середины     90-х годов. При этом отмечают два пика роста рейтинговых услуг. Первый пик наблюдался в 1996 году и связан с развитием российских рейтинговых агентств. В то время были созданы представительства двух международных рейтинговых агентств: Thompson Bank Watch (которое в дальнейшем было поглощено Fitch Ratings) и Standard&Poors. В апреле 2003 года Fitch Ratings открыло московский филиал, отвечающий за работу агентства на территории России и СНГ – Fitch Ratings CIS. Агентство Moodys создало совместное предприятие с Интерфаксом, а в 2006 году открыло представительство в Москве.

Второй пик рейтингования отмечен в 2002 – 2003 годах в связи со стремительным ростом российского банковского сектора и стабилизацией экономической ситуации в стране. Потребность крупнейших российских банков в качественных и признанных мировым сообществом рейтинговых услугах возникла с выходом на международные рынки заемного капитала, включением банков в финансирование проектов крупнейших российских компаний, с проектным и корпоративным финансированием, а также подготовкой к проведению публичных размещений акций компаний (IPO).

В российской банковской системе насчитывается 1198 банков33, при этом лишь 87 банков34 имеют рейтинг хотя бы одного международного рейтингового агентства (Standard & Poors, Moodys Investors Service или Fitch Ratings), 62 банка из 87 вошли в исследуемую выборку (401 банк). Таким образом, рейтинг международных агентств присвоен не более, чем восьми процентам российских банков. Агентство Standard & Poors присвоило рейтинг 23 кредитным организациям, 18 из них вошли в выборку. Агентство Moodys определило наибольшее количество рейтингов: 56 банков имеют рейтинг агентства, из них 40 – в числе исследуемых. 40 российских банков получили рейтинг агентства Fitch, 29 из них вошли в выборку.

Только три банка имеют рейтинг всех трех рейтинговых агентств – это Внешторгбанк Розничные Услуги35 (лиц. 1623), МДМ-Банк (лиц. 2361), БИН-Банк (лиц. 2562). Рейтинг двух агентств получили 25 банков, что составляет 29% всех банков, имеющих рейтинг. Подавляющее большинство банков имеют рейтинг только одного агентства, что связано прежде всего со значительными финансовыми затратами при получении рейтинга.

Преимущества банка из рейтинг-листов международных рейтинговых агентств в большинстве случаев являются исключительно репутационными факторами, что не всегда создает желаемый экономический эффект. В условиях российской банковской системы получение рейтинга может иметь для банка и негативный эффект, так как получение низкой оценки от международных рейтинговых агентств может изменить отношение к нему со стороны контрагентов и вкладчиков и нанести ущерб его бизнесу. Поэтому затраты банка на получение рейтинга многими воспринимаются как нерациональные, а в некоторых случаях – даже как вредящие бизнесу.

По состоянию на 1 октября 2006 года только 55 из 100 крупнейших российских банков имеют международный рейтинг, что говорит о слабой заинтересованности в получении рейтинга даже у крупнейших банков.

В связи с рекомендациями Базель-2 («Нового соглашения о достаточности капитала») о наличии у банков развитой системы риск-менеджмента, позволяющей разделять активы по качеству и степени риска, задача моделирования рейтингов становится крайне актуальной. Полученные на основе моделирования рейтинги дают возможность разделения активов банка на группы схожего качества и, тем самым, позволяют оценить адекватность принимаемого риска. Применение разработанной нами методики определения потенциального риска при работе на межбанковском рынке позволяет разделить контрагентов на группы по уровню надежности (вероятности неисполнения своих обязательств).

В нашем исследовании в качестве базы для моделирования использованы наиболее применимые на практике долгосрочные рейтинги:

  1.   «Долгосрочный кредитный рейтинг в иностранной валюте» агентства Standard&Poors (международная шкала);
  2.   «Долгосрочный рейтинг дефолта эмитента в иностранной валюте» агентства Fitch Ratings (международная шкала);
  3.   «Долгосрочный рейтинг по необеспеченным обязательствам в иностранной валюте» агентства Moodys Investors Service (международная шкала).

Для дальнейшего анализа на основе рейтингов международных агентств нами определено пять групп банков (с рейтингами уровня от «ВВВ» до «СС»). Анализ показал, что в случае, когда банк имеет рейтинги S&P и Fitch, их значения преимущественно совпадают. Состав групп определяется по следующему правилу: в первую очередь учитывается рейтинг S&P, во вторую – рейтинг агентства Fitch, и в последнюю – Moodys36. Состав групп, рейтинги и специализация банков приведены в Приложении 3.

Отметим, что среди 62 банков, имеющих международный рейтинг, два банка (Конверсбанк (лиц. 122) и Международный Промышленный Банк (лиц. 2056)37) не входят в систему страхования вкладов.

В исследуемое число банков вошли: 6 банков с рейтингом «ВВВ», 6 банков с рейтингом «ВВ», 23 банка с рейтингом уровня «В», 25 банков с рейтингом «ССС» и 2 банка с рейтингом «СС».

Таблица . Состав групп и числовые значения, сопоставленные буквенным выражениям рейтингов (rating)

Числовые значения (rating)

Рейтинг

Число банков

5

BBB

6

4

BB

6

3

B

23

2

CCC

25

1

СС

2

 Всего:

62

Рассматриваемый временной интервал (январь 2004 – сентябрь 2006) был периодом существенного роста активов банковской системы в целом. У многих банков наблюдался рост активов в два и более раза. Так, в группе банков с рейтингом «ВВВ» активы «среднего» банка (без учета активов Сбербанка) на 2004 год составляли 161 млрд. рублей, в то время как в конце третьего квартала 2006 года уже превысили 348 млрд. рублей, демонстрируя рост в 3,3 раза.

Активы-нетто Сбербанка России (лиц. 1481) выросли в 2,1 раза и составили почти 3,18 трлн. рублей, а его доля в активах группы с рейтингом ВВВ сократилась с 82% до 72%. Особенности Сбербанка как единственного сберегательного банка отражаются на эффективности его деятельности, что приводит к более низким значениям роста его активов. Количество отделений Сбербанка соотносимо с числом всех остальных кредитных организаций российской банковской системы, что создает определенные трудности в управлении этой сетью и требует оптимизации издержек.

В группе с рейтингом «ВВ» также отмечено увеличение активов. На начало 2004 года «средний банк» в группе имел активы равные 130 млрд. руб., в то время как к октябрю 2006 года активы достигли уровня 230 млрд. руб., т.е. за исследуемый период суммарные активы по группе выросли в 2,3 раза.

Группа с рейтингом «В» представлена существенно бóльшим числом банков, что сказывается на значении разброса размера активов. В этой группе суммарные активы выросли в 2,83 раза, а активы «среднего» банка выросли с 38 млрд. до 88 млрд. рублей.

Группа с рейтингом «ССС»   наиболее многочисленная и состоит из 25 банков. Группа характеризуется как существенно меньшими размерами «среднего» банка (14,8 млрд. руб. на 1.10.2006 г.), так и более низкими темпами роста суммарных активов (в 2,3 раза).

Группа банков с рейтингом «СС» является самой малочисленной и состоит из двух банков. Размеры «среднего» банка группы по состоянию на 01.10.2006 года составили 6 млрд. руб. против 3,3 млрд. в 2004 году, т.е. суммарные объемы группы выросли в 1,98 раза, показав самые низкие темпы роста для банков, имеющих рейтинг.

Проведенный анализ подтверждает прямую зависимость рейтинга как от размера банка, так и от темпов его роста: при прочих равных, чем больше банк и чем динамичнее его развитие, тем вероятнее получение им высокой рейтинговой оценки.

В целях построения рейтинговой модели для российских банков на основе рейтингов международных агентств нами использован набор показателей функционирования банка, определенный в Главе 1. Корреляционный анализ на основе матрицы парных коэффициентов корреляции показателей позволяет выявить факторы, тесно связанные между собой. По выявлении таких связей ряд показателей должен быть исключен из анализа таким образом, чтобы получить набор независимых показателей.

Важно отметить, что на определение конечного набора независимых показателей существенное влияние оказывает полученная нами информация о специализации банков, т.к. в некоторых случаях зависимости между показателями, обнаруженные в полном наборе банков, не обнаруживаются в меньших наборах данных (учитывающих специализацию кредитных организаций). 

«Корпоративным» банкам свойственна высокая зависимость показателей, характеризующих капитал банка. Лишь показатель «качества капитала» (ДК-5) демонстрирует слабую, причем отрицательную, зависимость от остальных показателей группы.

Среди показателей, отражающих качество ресурсной базы, можно отметить корреляцию (отрицательную) доли клиентских счетов (КР-3) и доли выпущенных ценных бумаг в обязательствах (КР-4). Такая зависимость свидетельствует о том, что банки данной группы в основном выбирают один из этих двух способов привлечения ресурсов и реже используют их одновременно.

Показатели ликвидности для «корпоративных» банков также сильно коррелируемы. Единственным исключением стал показатель доли ликвидных активов (ПЛ-2), обнаруживший практически нулевую корреляцию с остальными показателями группы38.

Картина в группе «ссудных» банков существенно иная. Здесь наблюдается корреляция показателей просроченных ссуд (КА-2) и созданных резервов (КА-1), а также показателей покрытия (КА-6) и доли безнадежных ссуд (КА-7). Высокая доля просроченных ссуд вынуждает банки создавать дополнительные резервы, а значительная доля безнадежных ссуд – заботиться о соответствии объема выдаваемых кредитов объему устойчивых пассивов.

Показатель работающих активов (КА-8) «ссудных» банков выявил высокую отрицательную зависимость по отношению к доли ликвидных активов (ПЛ-2) (не характерная для банков других специализаций), т.к. значительная доля кредитов, выданных на длинные сроки, и отсутствие возможности потребовать их досрочного погашения, снижает общую ликвидность банка.

Зависимость показателей, отражающих ликвидность организаций, также имеет свои особенности. Наряду с долей ликвидных активов (ПЛ-2) слабой корреляцией с остальными показателями отмечен показатель высоколиквидных активов (ПЛ-4), что не было характерно для «корпоративных» банков.39

Показатели качества капитала «универсальных» банков обнаружили самую слабую – среди исследуемых групп банков – внутригрупповую зависимость. Только показатель финансового рычага (ДК-4) и показатель качества капитала (ДК-5) обнаружили некоторую зависимость с остальными показателями группы.

Показатели качества активов и качества ресурсной базы для банков данной специализации не выявили значительной внутригрупповой корреляции.

Среди показателей, характеризующих прибыльность кредитных организаций, существенной положительной корреляцией отмечены показатели доходности капитала (ПД-2) и доходности активов (ПД-1). Других зависимостей для данной группы показателей не наблюдается.

Показатели ликвидности «универсальных» банков также обнаруживают слабую зависимость мгновенной (ПЛ-1) и текущей ликвидности (ПЛ-3), нехарактерную для банков другой специализации.40

«Банки для банков» также отличаются рядом особенностей. У показателей капитализации наблюдается высокая внутригрупповая зависимость, свойственная и другим группам. Показатель доли просроченных ссуд (КА-2) положительно коррелирует с показателем доли безнадежных ссуд (КА-7), что не характерно для банков другой специализации. Отмечена также высокая отрицательная корреляция показателей работающих активов (КА-8) и высоколиквидных активов (ПЛ-4), что может объясняться тем, что высокая доля работающих активов может снижать долю высоколиквидных активов.

Среди показателей прибыльности, как и в группах других специализаций, высокая положительная внутригрупповая корреляция отмечена для показателей доходности активов (ПД-1) и собственного капитала (ПД-2) банков.

Как и в случае «универсальных» банков, показатели ликвидных (ПЛ-2) и текущих активов (ПЛ-3) обнаружили слабую корреляцию с остальными показателями, характеризующими качество управления ликвидностью.41

Таким образом, нами установлено, что банки различной специализации характеризуются и различной зависимостью показателей. На основе анализа корреляций определен единый набор показателей для построения моделей формирования рейтингов российских банков.

Среди показателей, характеризующих достаточность и качество капитала, с учетом информации о специализации банка, наилучшей объясняющей способностью в предсказании рейтинга обладает показатель общей достаточности капитала, который значимо коррелирует с рейтингом организации для трех из четырех анализируемых специализаций.

Таблица . Корреляция показателей капитала 

Адекватность капитала, взвешенного по степени риска

Достаточность капитала 1-го уровня

Общая достаточность капитала

Финансовый рычаг

Специализация1

Рейтинг

 

Pearson Correlation

-0,113(**)

-0,109(**)

-0,137(**)

-0,125(**)

Sig. (2-tailed)

0,000

0,000

0,000

0,000

Специализация2

Рейтинг

 

Pearson Correlation

-0,205(**)

-0,182(**)

-0,206(**)

-0,174(**)

Sig. (2-tailed)

0,000

0,002

0,000

0,003

Специализация3

Рейтинг

 

Pearson Correlation

-0,047

-0,120

-0,001

0,005

Sig. (2-tailed)

0,478

0,068

0,990

0,942

Специализация4

Рейтинг

 

Pearson Correlation

-0,453(**)

-0,505(**)

-0,481(**)

-0,456(**)

Sig. (2-tailed)

0,000

0,000

0,000

0,000

** Корреляция значима на уровне 0,01 (2-tailed)

Для сокращения числа показателей в группе, характеризующей качество активов кредитной организации, было решено исключить из анализа показатель покрытия кредитного портфеля (КА-6).

Среди показателей качества ресурсной базы значимой корреляции выявлено не было, поэтому в окончательный набор вошли все 4 показателя (КР-1 – КР-4).

У показателей прибыльности капитала и прибыльности активов наблюдается существенная корреляция вне зависимости от специализации банков. Для дальнейшего анализа из этой пары был выбран показатель «доходность капитала банка» (Д-2).

Таблица . Корреляция показателей доходности (Д-1, Д-2)

 

Доходность активов (Д-1)

Доходность капитала (Д-2)

Специализация 1

Рейтинг

 

Pearson Correlation

-0,059(*)

0,039

Sig. (2-tailed)

0,039

0,176

Специализация 2

Рейтинг

 

Pearson Correlation

-0,044

-0,023

Sig. (2-tailed)

0,447

0,689

Специализация 3

Рейтинг

 

Pearson Correlation

0,080

0,102

Sig. (2-tailed)

0,226

0,120

Специализация 4

Рейтинг

 

Pearson Correlation

0,119(*)

0,238(**)

Sig. (2-tailed)

0,049

0,000

**  Корреляция значима на уровне 0,01 (2-tailed)

*  Корреляция значима на уровне 0,05 (2-tailed)

Среди показателей, отражающих ликвидность организации, также выявлена высокая внутригрупповая зависимость. Как свидетельствует анализ, наилучшей объясняющей способностью обладают: показатель доли ликвидных активов в активах банка и показатель отношения высоколиквидных активов и привлеченных средств.

Таблица . Корреляция показателей ликвидности

 

Показатель мгновенной ликвидности

Доля ликвидных активов в активах

Показатель текущей ликвидности

Отношение высоколиквидных активов и привлеченных средств

Специализация1

Рейтинг

 

Pearson Correlation

-0,008

-0,116(**)

-0,204(**)

-0,073(*)

Sig. (2-tailed)

0,791

0,000

0,000

0,011

Специализация2

Рейтинг

 

Pearson Correlation

0,103

-0,242(**)

-0,052

-0,278(**)

Sig. (2-tailed)

0,076

0,000

0,371

0,000

Специализация3

Рейтинг

 

Pearson Correlation

0,112

-0,197(**)

0,128

-0,219(**)

Sig. (2-tailed)

0,089

0,003

0,052

0,001

Специализация4

Рейтинг

 

Pearson Correlation

-0,193(**)

-0,553(**)

-0,064

-0,375(**)

Sig. (2-tailed)

0,001

0,000

0,285

0,000

**  Корреляция значима на уровне 0,01 (2-tailed)

*  Корреляция значима на уровне 0,05 (2-tailed)

По итогам проведенного анализа, окончательный набор показателей для построения моделей формирования рейтингов состоит из 18 финансовых отношений, характеризующих различные стороны функционирования банков (см. Таблица 16).

Таблица . Окончательный набор показателей для построения модели

 

Показатели капитализации

1

Показатель общей достаточности капитала (ДК-3)

2

Показатель качества капитала (ДК-5)

 

Показатели качества активов

3

Показатель резервирования (КА -1)

4

Показатель доли просроченных ссуд (КА-2)

5

Показатель доли прочих активов (КА -3)

6

Показатель кредитования (КА -4)

7

Показатель доли ценных бумаг в активах (КА-5)

8

Показатель доли безнадежных ссуд (КА-7)

 

Показатели качества ресурсной базы

9

Показатель зависимости от краткосрочных межбанковских заимствований (КР-1)

10

Показатель доли неустойчивых обязательств (КР-2)

11

Показатель зависимости от расчетных счетов (КР-3)

12

Показатель доли выпущенных ценных бумаг в обязательствах (КР-4)

 

Показатели прибыльности

13

Показатель доходности капитала (Д-2)

14

Показатель доходности операций с ценными бумагами (Д-3)

15

Показатель маржи прибыли (Д-4)

16

Показатель процентной маржи прибыли(Д-5)

 

Показатели ликвидности

17

Доля ликвидных активов в активах (ПЛ-2)

18

Соотношение высоколиквидных активов и  привлеченных средств (ПЛ-4)

Согласно некоторым исследованиям (см. напр., []), именно размер банка (size) является той важной репутационной составляющей, которая позволяет кредитной организации получать лучшие условия для контрактов (уменьшая стоимость привлечения, увеличивая размер комиссий и тем самым увеличивая маржу прибыли). Отмечено (см. напр., []), что множество слияний и поглощений, произошедших в последние годы, имели целью увеличение размера банка, так как именно размер кредитной организации воспринимается рынком как безусловный сигнал его стабильности и надежности.

Дополнительно в модель были включены две фиктивные переменные, характеризующие устойчивость роста активов банка, а также фактический размер активов-нетто. Показатель устойчивости роста (growth) измеряется как отношение числа периодов роста к общему числу исследуемых периодов. Для удержания занимаемых позиций в условиях бурного роста активов банковской системы организации вынуждены постоянно наращивать объемы своего бизнеса.

Размеры банка, как уже отмечалось ранее, часто связаны с рейтингом: крупные организации имеют более диверсифицированную структуру (как активов, так и ресурсной базы), поэтому они существенно менее зависимы от крупного клиента или от определенного вида деятельности, а поскольку диверсификация положительно влияет на устойчивость кредитной организации, то это не может не сказываться на ее рейтинге.

В результате анализа групп банков в зависимости от их рейтинга были выбраны следующие интервалы для значений показателя размера активов-нетто (size) и соответствующие им значения фиктивной переменной.

Таблица . Значение фиктивной переменной, характеризующей размер банка

Активы-нетто

Значение фиктивной переменной в регрессии (size)

до 3 млрд. руб.

-2

от 3 до 10 млрд. руб.

-1

от 10 до 80 млрд. руб.

0

от 80 до 160 млрд. руб.

1

свыше 160 млрд. руб.

2

  1.  Построение математических моделей формирования рейтингов 

Обзор существующих подходов к оценке устойчивости кредитных организаций свидетельствует об отсутствии универсального алгоритма, который позволил бы свести оценку финансового состояния к единому интегральному показателю надежности. Основной проблемой при построении единого показателя является необходимость «взвесить» часто взаимосвязанные и противоречивые характеристики функционирования банка.

Часто «вес»42, хотя и учитывает предсказанное теорией влияние значений показателя на устойчивость организации, определяется на основании мнения эксперта, что приводит к существенным искажениям, т.к. такое влияние может быть как недооценено, так и переоценено.

Альтернативным подходом к определению весовых коэффициентов являются статистические методы (например, методы линейного дискриминантного анализа), что позволяет выявить набор коэффициентов, с помощью которых наилучшим образом выделяются две противоположные группы заемщиков: потенциальные банкроты и успешно функционирующие организации.

В нашем исследовании весовые коэффициенты определяются на основе регрессионных моделей (простая линейная регрессия), а ориентирами для интегральной оценки надежности кредитной организации служат числовые значения, сопоставленные буквенным выражениям рейтингов. В качестве базы для определения значений коэффициентов при независимых переменных нами использованы показатели деятельности 62 банков, вошедших в выборку и имеющих рейтинг международных агентств. Чтобы сгладить колебания показателей в рамках построения модели долгосрочного рейтинга, для анализа использовалось средневзвешенное значение показателя за 6 месяцев ():

  (А)

Взвешивание здесь производится по линейному закону, при этом наибольшим весом обладают значения показателя на последние три отчетные даты, что позволяет учитывать тенденцию поведения показателя в случае наличия таковой.

Для ограничения выбросов в регрессионной модели было применено неравенство Чебышева, согласно которому вероятность попадания вне интервала вокруг среднего значения случайной величины пропорциональна среднеквадратичному (стандартному) отклонению ():

   (В)

Таким образом, вероятность попадания случайной величинывне интервала длины  вокруг среднего значения () быстро убывает с увеличением коэффициента . Используя неравенство Чебышева при , получаем, что минимальная вероятность попадания в интервал  вокруг среднего составляет , независимо от вида распределения случайной величины.

Выбросы обуславливают сдвиг итоговой оценки (рейтинга) и искажают получаемые результаты, поэтому их влияние должно быть ограничено. Удаление выбросов происходит по следующему правилу: если значение показателя выходит за границы интервала, то оно заменяется значением на границе (т.е. если , то , где ). Аналогичным образом правило применяется для нижней границы интервала.

Осуществляемый нами анализ должен дать ответ на следующие вопросы:

  •  Можем ли мы на основе выбранного набора показателей построить модель, позволяющую с высокой точностью прогнозировать рейтинг банков?
  •  Как влияет использование информации о специализации банка на качество используемой модели?

Для решения поставленной задачи нами проведен анализ качества ряда регрессионных моделей на выбранном наборе показателей.

  •  Линейная регрессия

     (1)

  •  Линейная регрессия по показателям за вычетом среднего по выборке

    (2)

  •  Кубическая регрессия

    (3)

  •  Кубическая регрессия по показателям за вычетом среднего по выборке

    (4)

  •  Линейная регрессия по показателям за вычетом среднего по выборке с учетом специализации

   (5)

  •  Линейная регрессия по показателям для каждой специализации

    (6)

  •  Линейная регрессия по показателям для каждой специализации за вычетом среднего по выборке с учетом специализации

  (7)

где const – константа;

– финансовое отношение (значение показателя);

– среднее значение  по выборке43;

– среднее значение  для банков данной специализации44;

growth – фиктивная переменная (dummy), характеризующая устойчивость роста кредитной организации;

size – фиктивная переменная (dummy), характеризующая размер (активов) кредитной организации.

Рассматриваемые модели можно разделить на две группы – «учитывающие» (регрессии 5,6,7) и «не учитывающие» (регрессии 1,2,3,4) информацию о специализации кредитной организации.

Для оценки качества прогноза выбраны следующие критерии45:

1) совпадение с реальным рейтингом;

2) отклонение не более, чем на один класс;

3) завышение рейтинга;

4) завышение рейтинга более, чем на один класс.

Ошибки в моделировании рейтинговых оценок могут быть связаны с тем, что присвоение рейтингов любого уровня учитывает широкий набор финансовых и нефинансовых показателей, таких как: состав акционеров, качество управления, наличие четкой миссии и стратегии развития, «текучесть» кадров, устойчивость высшего руководства, развитость и устойчивость клиентской базы, срок работы банка на рынке, его потенциал и многие другие факторы, которые слабо поддаются количественному выражению и тем более не вытекают из финансовой отчетности.

Анализ показал, что наивысшей точностью в моделировании рейтинга кредитной организации обладают регрессии (4), (7). Стоит отметить, что и использование простой линейной регрессии (2) с данным набором показателей позволяет добиться высокой точности моделирования. Использование отклонения от среднего значения по группе (специализации) или по всей выборке банков позволяет сократить влияние масштаба показателя на интегральный показатель и, тем самым, использовать в регрессии величины одного порядка. Как показано в [,], оценка состояния банка зависит преимущественно не от абсолютных значений показателей, а от относительных величин, полученных в сравнении с другими банками «на том же рынке в то же время».

Результаты, полученные при использовании различных регрессий для формирования рейтинга, приведены в Таблице 18.

Таблица . Качество результатов моделирования

(по 62 банкам, которым присвоен рейтинг хотя бы одним международным РА (in-sample))

 

Совпадение с реальным рейтингом

Отклонение не более, чем на один класс

Завышение рейтинга

Завышение рейтинга более, чем на один класс

1

Линейная регрессия

60,66%

96,60%

23,13%

0,53%

2

Линейная регрессия (отклонение от среднего)

60,66%

96,60%

23,13%

0,53%

3

Кубическая регрессия

68,27%

99,65%

16,39%

0,00%

4

Кубическая регрессия (отклонение от среднего)

68,27%

99,65%

16,39%

0,00%

5

Линейная регрессия (отклонение от среднего по выборке с учетом специализации)

60,48%

97,13%

22,01%

0,29%

6

Линейная регрессия  для каждой специализации

68,97%

97,66%

16,57%

0,18%

7

Линейная регрессия для каждой специализации (отклонение от  среднего)

69,85%

98,42%

15,81%

0,06%

Необходимо уточнить, что далее под «положительным» влиянием показателя на рейтинг кредитной организации следует понимать положительное значение отклонения показателя от среднего (в зависимости от модели по группе или всей выборке), приводящее к увеличению интегральной рейтинговой оценки. Под «значимым» влиянием отклонения надлежит понимать пятипроцентный уровень значимости показателя, свидетельствующий о том, что, с вероятностью ошибки не более 5%, коэффициент при показателе отличен от нуля и имеет определенный знак. Только значимые связи позволяют говорить о влиянии показателя на итоговую интегральную рейтинговую оценку.

  1.  Модели, не учитывающие специализацию кредитной организации

Применение линейной регрессионной модели (2) позволяет получить высокую точность прогноза: количество случаев совпадения смоделированного рейтинга с реальным составило 60,66%, а точность прогноза с отклонением не более, чем на один класс – 96,6%. Этот результат дает основание утверждать, что выбранная система показателей имеет высокую предсказательную способность в задаче прогнозирования рейтингов. Отметим, что простота требуемых вычислений и высокая точность прогноза делают такой подход удобным в применении на практике (напр., для оценки банками контрагентов). В данной модели влияние значений показателей на итоговый рейтинг преимущественно соответствует традиционным представлениям теоретического анализа, что свидетельствует об адекватности полученных результатов.

Таблица . Параметры линейной модели

Показатели

B

Sig.

Константа

2,803

0,000

1

Показатель общей достаточности капитала (ДК-3)

0,528

0,056

2

Показатель качества капитала (ДК-5)

0,239

0,000

3

Показатель резервирования (КА -1)

-3,046

0,000

4

Показатель доли просроченных ссуд  (КА-2)

2,711

0,052

5

Показатель доли прочих активов (КА -3)

-3,575

0,000

6

Показатель кредитования (КА -4)

1,841

0,000

7

Показатель доли ценных бумаг в активах (КА-5)

0,306

0,338

8

Показатель доли безнадежных ссуд (КА-7)

-5,122

0,008

9

Показатель зависимости от краткосрочных межбанковских заимствований (КР-1)

3,502

0,000

10

Показатель доли неустойчивых обязательств (КР-2)

-0,241

0,158

11

Показатель зависимости от расчетных счетов (КР-3)

-2,589

0,000

12

Показатель доли выпущенных ценных бумаг в обязательствах (КР-4)

-2,640

0,000

13

Показатель доходности капитала (Д-2)

-0,423

0,018

14

Показатель доходности операций с ценными бумагами (Д-3)

1,874

0,000

15

Показатель маржи прибыли (Д-4)

-1,265

0,016

16

Показатель процентной маржи (Д-5)

-2,469

0,000

17

Доля ликвидных активов в активах (ПЛ-2)

-2,963

0,000

18

Соотношение высоколиквидных активов и  привлеченных средств (ПЛ-4)

4,878

0,000

19

Устойчивость роста

-0,044

0,570

20

Размер активов-нетто

0,565

0,000

F –статистика

129,207

Sig. F Change

0,000

0,601

Adjusted

0,596

Стандартная ошибка оценки (SEE)

0,631

Примечание: B – коэффициент в регрессии, Sig. – значимость связи

Рассмотрим подробнее влияние значимых показателей на рейтинг. Как показывает знак коэффициента при показателе качества капитала (ДК-5), превышение среднего значения положительно влияет на оценку организации. Такая ситуация согласуется с тем, что капитал выше среднего является дополнительным буфером («подушкой») на случай непредвиденных ситуаций.

Превышение среднерыночного уровня размеров резервов (КА-1) отрицательно влияет на рейтинг, что свидетельствует о низком качестве кредитного портфеля банка. Большая доля прочих активов в активах (КА-3) также негативно сказывается на рейтинге организации, в то время как значительная доля кредитов (КА-4) в активных операциях банка положительно влияет на рейтинг. Большая доля безнадежных ссуд (КА-7), в соответствие с теорией, отрицательно и значимо сказывается на интегральной оценке банка.

При анализе зависимости рейтинга от качества ресурсной базы было выявлено, что в данных экономических условиях активное привлечение средств на межбанковском рынке (КР-1), где в исследуемый период ставки были ниже, чем ставки по депозитам, положительно сказывается на рейтинговой оценке кредитной организации. В то же время большая доля расчетных счетов (КР-3) и выпущенных ценных бумаг (КР-4) в обязательствах банка отрицательно и значимо влияет на оценку организации.

Среди показателей прибыльности только показатель доходности операций с ценными бумагами (Д-3), превышающий среднерыночный уровень, положительно связан с оценкой организации. Для остальных показателей наблюдается отрицательная зависимость, отражающая тот факт, что получение доходности выше рыночной часто связано с дополнительным принимаемым риском, а это в свою очередь негативно влияет на оценку устойчивости кредитной организации.

Превышение среднерыночного уровня значения показателя доли ликвидных активов (ПЛ-2) отрицательно влияет на интегральную оценку и свидетельствует о том, что банк отвлекает слишком большой объем средств от участия в активных операциях, снижая тем самым эффективность своей деятельности. В то же время доля высоколиквидных активов в активах (ПЛ-4) отражает способность банка своевременно отвечать по своим обязательствам и положительно коррелирует с рейтингом организации.

Влияние фиктивной переменной, характеризующей устойчивость роста кредитной организации – незначимо, тогда как размер организации положительно и значимо связан с ее рейтингом.

 

Обыкновенно в научных исследованиях по оценке финансовой устойчивости кредитных организаций предпочтение отдается использованию простых линейных связей между показателями. В этом контексте интересным представляется вопрос: улучшится ли качество моделей за счет использования нелинейных связей?

Интересными представляются результаты применения кубической модели (4) зависимости показателей для предсказания рейтинга кредитной организации. Здесь коэффициенты при показателях нечетной степени характеризуют зависимость рейтинга от знака и величины отклонения от среднего значения. Коэффициент при показателе в квадрате определяет, как влияет на рейтинг модуль величины отклонения показателя от среднегруппового значения и является ли это значение оптимальным для данного показателя. Коэффициент при показателе в кубе является дополнительной «тонкой настройкой», позволяющей точнее отразить зависимость значения рейтинга от величины отклонения показателя от среднего рыночного значения. В случае, когда значение показателя для конкретного банка незначительно отклоняется от среднего значения, бóльшую роль в окончательном влиянии на рейтинг играет линейная компонента регрессии. В случае же значительного отклонения от среднего значения определяющим становится знак коэффициента при кубической компоненте. Знаки при компонентах в нечетной степени могут как совпадать, так и не совпадать. В последнем случае окончательное влияние на рейтинг будет оказывать величина отклонения от среднерыночного значения.

Точность «попадания в рейтинг» для кубической модели составляет 68,27%, что свидетельствует об увеличении точности по сравнению с линейной моделью дополнительно на 8%. Точность прогноза с «отклонением не более, чем на один класс» составляет 99,65%, что улучшает общее качество прогноза в сравнении с линейной моделью на 3,04%.

Таблица . Параметры кубической модели

 

Показатели

B

Sig.

 

Константа

2,639

0,000

1

 

 

Показатель общей достаточности капитала (ДК-3)

В первой степени

0,885

0,005

 В квадрате

8,957

0,001

 В кубе

-11,405

0,162

2

 

 

Показатель качества капитала (ДК-5)

 

 

В первой степени

-0,140

0,009

 В квадрате

0,502

0,000

 В кубе

-0,125

0,000

3

 

 

Показатель резервирования (КА -1)

 

 

В первой степени

1,447

0,051

 В квадрате

-125,794

0,000

 В кубе

541,048

0,000

4

 

 

Показатель доли просроченных ссуд  (КА-2)

 

 

В первой степени

10,211

0,000

 В квадрате

-520,464

0,001

 В кубе

5426,309

0,046

5

 

 

Показатель доли прочих активов (КА -3)

 

 

В первой степени

-10,445

0,000

 В квадрате

216,926

0,000

 В кубе

-1574,499

0,000

6

 

 

Показатель кредитования (КА -4)

 

 

В первой степени

1,572

0,000

 В квадрате

-3,958

0,000

 В кубе

3,473

0,167

7

 

 

Показатель доли ценных бумаг в активах (КА-5)

 

 

В первой степени

1,822

0,002

 В квадрате

40,857

0,000

 В кубе

-227,222

0,000

8

 

 

Показатель доли безнадежных ссуд (КА-7)

 

 

В первой степени

-6,437

0,017

 В квадрате

1262,148

0,000

 В кубе

-19247,003

0,000

9

 

 

Показатель зависимости от краткосрочных межбанковских заимствований (КР-1)

 

 

В первой степени

1,131

0,010

В квадрате

6,658

0,014

В кубе

7,635

0,567

10

 

 

Показатель доли неустойчивых обязательств (КР-2)

 

 

В первой степени

0,505

0,030

 В квадрате

4,246

0,000

 В кубе

-15,211

0,000

11

 

 

Показатель зависимости от расчетных счетов (КР-3)

 

 

В первой степени

-2,515

0,000

 В квадрате

-0,040

0,971

 В кубе

4,473

0,049

12

 

 

Показатель доли выпущенных ценных бумаг в обязательствах (КР-4)

 

 

В первой степени

-4,146

0,000

 В квадрате

11,508

0,000

 В кубе

2,081

0,821

13

 

 

Показатель доходности капитала (Д-2)

 

 

В первой степени

-0,597

0,052

 В квадрате

1,713

0,040

 В кубе

-4,647

0,006

14

 

 

Показатель доходности операций с ценными бумагами (Д-3)

  

В первой степени

0,895

0,149

 В квадрате

3,925

0,653

 В кубе

-7,389

0,792

15

 

 

Показатель маржи прибыли (Д-4)

 

 

В первой степени

-0,141

0,841

 В квадрате

-7,837

0,030

 В кубе

-16,836

0,294

16

 

 

Показатель процентной маржи

(Д-5)

 

 

В первой степени

0,251

0,745

 В квадрате

24,795

0,003

 В кубе

-383,041

0,002

17

 

 

Доля ликвидных активов в активах (ПЛ-2)

 

 

В первой степени

-1,931

0,000

 В квадрате

3,446

0,073

 В кубе

6,815

0,523

18

 

 

Соотношение высоколиквидных активов и  привлеченных средств (ПЛ-4)

  

В первой степени

1,464

0,012

 В квадрате

-19,338

0,000

 В кубе

64,683

0,000

19

Устойчивость роста

-0,110

0,104

20

Размер активов-нетто

0,633

0,000

F -статистика

85,296

Sig. F Change

0,000

0,740

Adjusted  

0,731

Стандартная ошибка оценки (SEE)

0,515

Примечание: B – коэффициент в регрессии, Sig. – значимость связи

Показатель обшей достаточности капитала (ДК-3), превышающий средний для выборки уровень, положительно влияет на рейтинг организации, причем, как показывает коэффициент при квадрате величины отклонения показателя, среднее значение показателя не является оптимальным, и отклонение оценивается положительно. Показатель качества капитала (ДК-5), существенно превышающий средний для выборки уровень, отрицательно и значимо влияет на рейтинг, позволяя утверждать, что высокий уровень капитала и низкая доля дополнительного капитала в собственном капитале банка повышают устойчивость организации и ее рейтинг. Этот вывод полностью согласуется с положением Базельского соглашения о достаточности капитала [,].

В кубической модели высокая доля резервов (КА-1) положительно влияет на рейтинг. Резервирование, хотя и отвлекает средства организации от их более эффективного использования, позволяет создать дополнительный буфер на случай неблагоприятного стечения обстоятельств, повышая тем самым устойчивость организации. Причем, как показывает коэффициент при квадрате данного показателя, средний уровень является оптимальным для организаций: превышение среднего уровня означает, что организация отвлекает слишком много средств в резервы, и может свидетельствовать о низком качестве активов и значительной склонности к риску; низкое же значение показателя говорит о том, что организация не создает дополнительного буфера на случай неблагоприятного стечения обстоятельств.

Доля просроченных ссуд (КА-2) также положительно влияет на рейтинг, но отклонение от среднего уровня здесь нежелательно, о чем свидетельствует отрицательный коэффициент при квадрате показателя. Значительное превышение среднерыночного уровня доли прочих активов в активах (КА-3) отрицательно влияет на рейтинг, в то время как доля кредитов в активах (КА-4) влияет на рейтинг положительно. При этом, как показывает коэффициент при квадрате отклонения показателя кредитования от среднего, именно среднерыночный уровень является оптимальным для увеличения рейтинга. Превышение среднерыночного уровня показателем доли ценных бумаг в активах (КА-5) является положительным фактором, свидетельствуя о диверсификации активов банка, что, согласно теории, должно способствовать устойчивости организации. Высокая доля безнадежных ссуд (КА-7), также согласно теории, отрицательно влияет на рейтинг организации.

Привлечение средств на межбанковском рынке позволяет диверсифицировать ресурсную базу банка и, согласно кубической модели, положительно влияет на рейтинг (КР-1), причем превышение среднерыночного уровня здесь также является положительным фактором. Следует отметить, что многие российские банки не привлекают деньги на межбанковском рынке, что связано со слабым развитием самого рынка, проблемой доверия, а также спецификой функционирования большинства российский банков46. Значительная доля расчетных счетов (КР-3) и высокая доля выпущенных ценных бумаг (КР-4) в обязательствах кредитной организации являются отрицательными факторами при оценке их устойчивости.

Значительное отклонение прибыльности банка от среднерыночного уровня, как показывает модель, отрицательно влияет на рейтинг организации: высокий уровень дохода достижим, в основном, при высоком уровне риска, а поскольку рейтинг организации отражает ее устойчивость, то значительный уровень риска является нежелательным.

Уровень ликвидных активов в активах банка (ПЛ-2), превышающий среднерыночный, отрицательно и значимо влияет на рейтинг, в то время как показатель доли высоколиквидных активов (ПЛ-4) положительно влияет на рейтинг, но его отклонение от среднерыночного уровня является нежелательным.

Как и в случае применения линейной модели, так и при оценке рейтинга на основе кубической модели размеры банка положительно влияют на уровень рейтинга.

Итак, как показал анализ моделей (линейной и кубической), влияние значений показателей на рейтинг согласуется с теоретическими положениями об экономическом содержании показателей, а это свидетельствует о правильном выборе и показателей, и основанного на вычислении интегрального показателя устойчивости подхода к оценке финансового состояния кредитной организации.

Очевидное преимущество кубической модели (в сравнении с линейной) состоит в более высокой точности предсказания рейтинга; существенный же ее недостаток – большие по модулю значения коэффициентов при показателях в регрессии. Последнее связано с тем, что большинство используемых в модели показателей отражают долю определенных статей в балансе банка, т.е. их значение меньше единицы. Возведение такого показателя в степень больше единицы уменьшает его величину, и, следовательно, может увеличивать значение коэффициента при этом показателе. Т.о. несущественное колебания значения показателя могут приводить к существенным изменениям итоговой интегральной оценки (рейтинга).

  1.  Модели, учитывающие специализацию кредитной организации

Содержанием следующего этапа нашей работы является вопрос: дает ли информация о специализации банков дополнительные преимущества при построении моделей оценки устойчивости кредитных организаций?

На основе кластерного анализа исследуемой выборки в Главе 2 нами выделены четыре типа специализации банков, условно обозначенные как: «корпоративные», «ссудные», «универсальные» и «банки для банков». Классификация банков по специализации позволяет применять индивидуальные модели, учитывающие специфику банков каждого типа, что, как показал анализ, дает возможность существенно улучшить совокупное качество прогноза, сократив при этом размерность используемых моделей.

Анализ результатов моделирования с использованием единого набора показателей и единого подхода к формированию рейтингов показал, что для банков различной специализации значимость и влияние показателей на интегральную оценку различны (Таблица 21). Это подтверждает тот факт, что применение стандартизированного подхода без учета характера деятельности организации может приводить к существенным искажениям результатов анализа.

Точность прогноза с использованием линейных моделей с учетом специализации (7), по сравнению с точностью прогноза линейной модели без учета специализации (2), возрастает на 8%, и составляет 68,87%, что несколько превышает и точность предсказания кубической модели (4). Совокупная точность прогноза «с отклонением не более, чем на один класс» при индивидуальном подходе (своя модель для каждого типа специализации, см. Табл. 21) составляет 98,42%, что несколько уступает результату, полученному с использованием кубической модели, но на 1,81% превышает результат применения простой линейной модели.

Таблица . Параметры модели вида (7) для банков различной специализации

Показатели

Спец.1

Спец. 2

Спец. 3

Спец. 4

B

Sig.

B

Sig.

B

Sig.

B

Sig.

 

Константа

2,678

0,000

2,648

0,000

5,656

0,000

2,627

0,000

1

Показатель общей достаточности капитала (ДК-3)

1,951

0,000

-1,024

0,345

-0,811

0,361

0,198

0,653

2

Показатель качества капитала (ДК-5)

0,365

0,000

0,124

0,004

-0,008

0,925

-0,751

0,000

3

Показатель резервирования (КА -1)

0,907

0,130

-0,018

0,990

0,315

0,825

-4,830

0,000

4

Показатель доли просроченных ссуд

(КА-2)

7,013

0,001

3,408

0,487

-7,899

0,091

-1,001

0,635

5

Показатель доли прочих активов (КА -3)

-5,417

0,000

3,168

0,057

-11,80

0,000

-10,55

0,000

6

Показатель кредитования (КА -4)

0,308

0,394

0,402

0,553

0,405

0,643

2,548

0,000

7

Показатель доли ценных бумаг в активах (КА-5)

0,205

0,672

3,809

0,009

-3,591

0,000

1,356

0,021

8

Показатель доли безнадежных ссуд (КА-7)

-2,520

0,285

-8,822

0,160

39,128

0,000

36,695

0,000

9

Показатель зависимости от краткосрочных межбанковских заимствований (КР-1)

1,009

0,073

1,315

0,081

1,923

0,020

3,227

0,000

10

Показатель доли неустойчивых обязательств (КР-2)

-0,612

0,010

2,764

0,000

-0,982

0,065

-1,303

0,000

11

Показатель зависимости от расчетных счетов (КР-3)

-1,526

0,000

-4,933

0,000

-1,612

0,001

-1,542

0,000

12

Показатель доли выпущенных ценных бумаг в обязательствах (КР-4)

-1,475

0,000

-4,412

0,000

-4,098

0,000

-1,713

0,000

13

Показатель доходности капитала (Д-2)

0,126

0,602

-0,910

0,049

-0,864

0,074

-0,243

0,417

14

Показатель доходности операций с ценными бумагами (Д-3)

2,159

0,000

-3,796

0,000

2,677

0,000

0,830

0,308

15

Показатель маржи прибыли (Д-4)

-1,960

0,008

0,816

0,525

 0,000

 

-0,768

0,392

16

Показатель процентной маржи (Д-5)

-1,292

0,096

3,483

0,003

-2,770

0,022

-2,735

0,041

17

Доля ликвидных активов в активах (ПЛ-2)

-3,469

0,000

-1,776

0,020

-6,236

0,000

-3,360

0,000

18

Соотношение высоколиквидных активов и  привлеченных средств (ПЛ-4)

5,146

0,000

0,959

0,289

5,635

0,000

7,082

0,000

19

Устойчивость роста

0,395

0,000

-0,259

0,032

0,004

0,985

-0,086

0,480

20

Размер активов-нетто

0,501

0,000

0,394

0,000

0,426

0,000

0,613

0,000

F -статистика

64,138

82,413

20,043

124,364

Sig. F Change

0,000

0,000

0,000

0,000

0,563

0,878

0,668

0,921

Adjusted

0,555

0,867

0,635

0,914

Стандартная ошибка оценки SEE

0,602

0,351

0,504

0,328

Примечание: B – коэффициент в регрессии, Sig. – значимость связи

Рассмотрим подробнее влияние значений показателей на рейтинг организации в зависимости от типа специализации. Напомним, что под «положительным» влиянием показателя на рейтинг кредитной организации следует понимать положительное значение отклонения показателя от среднего (по группе или всей выборке), приводящее к увеличению интегральной рейтинговой оценки.

Для «корпоративных» банков характерна положительная и значимая корреляция рейтинга с показателями общей достаточности капитала (ДК-1) и его качества (ДК-3).

Доля просроченных ссуд (КА-2) положительно влияет на рейтинг, что несколько расходится с классической теорией. На практике многие банки стараются не отражать появившуюся просроченную задолженность на балансе, используя либо реструктуризацию ссуд, либо некие «схемные» сделки, которые позволяют очистить баланс банка, вследствие чего показатель КА-2 у большинства кредитных организаций предположительно занижен, что может соответственно занижать и его среднегрупповой уровень.

Доля прочих активов в активах (КА-3) отрицательно и значимо влияет на оценку устойчивости организации. Влияние остальных показателей, характеризующих качество активов для банков данной специализации, незначимо.

В группе, характеризующей качество управления ресурсной базой банка, значимыми оказались отрицательные зависимости рейтинга от показателей доли средств до востребования (КР-2), доли клиентских средств (КР-3) и доли выпущенных ценных бумаг (КР-4).

Среди показателей, отражающих доходность организации, значимой связью с рейтингом отличаются показатель доходности по ценным бумагам   (Д-3) и показатель маржи прибыли (Д-4). Маржа прибыли отрицательно влияет на рейтинг, в то время как доходность по ценным бумагам влияет на оценку организации положительно. Рентабельность капитала банка (Д-2) и процентная маржа прибыли (Д-5) незначимо влияют на рейтинг банков данной группы.

Устойчивость роста и размер банка значимо и положительно влияют на его рейтинг.

Анализ модели для «ссудных» банков также выявил ряд особенностей. Так, показатель качества капитала (ДК-5) оказывает положительное влияние на интегральную оценку организации. Поскольку процедура увеличения уставного капитала требует длительного согласования документов, то наиболее динамично развивающиеся банки вынуждены компенсировать рост активов ростом дополнительного капитала для соответствия нормативам достаточности капитала.

Для банков этой специализации среди показателей, характеризующих качество активов организации, значимой связью с рейтингом обладает показатель доли ценных бумаг в активах банка (КА-5), причем превышение среднегруппового уровня положительно сказывается на рейтинге.

Для «ссудных» банков значение показателя доли средств до востребования (КР-2) оказывает положительное влияние на рейтинг. Остальные показатели, характеризующие управление ресурсной базой организации, отрицательно коррелирует с рейтингом.

Доходность капитала банка (Д-2) и доходность по ценным бумагам (Д-3) отрицательно влияют на рейтинг банков этой группы. В то же время показатель процентной маржи прибыли (Д-5) положительно влияет на интегральную оценку организации. Поскольку «ссудные» банки имеют более диверсифицированную структуру активов, чем «корпоративные», то на их интегральную рейтинговую оценку оказывает влияние большее количество показателей.

Показатель доли ликвидных активов в активах банка (ПЛ-2), значение которого превышает среднегрупповой уровень, отрицательно коррелирует с рейтингом организации.

Параметры модели для «ссудных» банков также подтверждают факт наличия положительной связи между рейтингом и размером организации.

«Универсальные» банки имеют самую диверсифицированную структуру активов, что отразилось в результатах анализа их функционирования. 

Показатели, характеризующие достаточность и качество капитала «универсальных» банков, не выявили значимого влияния на рейтинг.

В то же время показатели доли прочих активов (КА-3) и ценных бумаг в активах (КА-5) отрицательно влияют на рейтинг. Из этого следует, что для повышения устойчивости кредитной организации банкам необходимо сохранять «здоровый» баланс между кредитованием и операциями на рынке ценных бумаг.

Зависимость от краткосрочных межбанковских кредитов (КР-1) положительно влияет на рейтинг, подтверждая факт наличия выгоды от диверсификации ресурсной базы, т.к. межбанковские кредиты позволяют в короткие сроки привлекать необходимые средства. Показатели доли клиентских средств (КР-3) и доли выпущенных бумаг (КР-4) отрицательно влияют на оценку организации, в соответствии с представлением о том, что основным источником ресурсов должны быть срочные депозиты.

Для «универсальных» банков доходность операций с ценными бумагами (Д-3) положительно связана с высокой оценкой организации. В то же время отклонения от среднегруппового значения показателей маржи прибыли (Д-4) и процентной маржи прибыли (Д-5) отрицательно коррелируют с рейтингом. Превышение среднегруппового уровня для показателей доходности может свидетельствовать о высоких рисках, принимаемых на себя банком с целью увеличения прибыли.

Показатель доли ликвидных активов в активах (ПЛ-2) отрицательно влияет на рейтинг организации, а показатель доли высоколиквидных активов в активах (ПЛ-4) положительно связан с оценкой устойчивости организации.

Величина активов, как и в случаях других специализаций, положительно влияет на рейтинг организации.

Группа «банки для банков» – наиболее ориентирована на рынок межбанковского кредитования.

Показатель качества капитала (ДК-5) для этой специализации отрицательно влияет на окончательную оценку функционирования банка, в случае превышения среднегруппового уровня.

Высокое значение показателя резервирования (КА-1) также отрицательно влияет на оценку организации, подчеркивая тем самым, что созданные банком значительные резервы являются показателем низкого качества активов. Отклонение значения показателя доли прочих активов (КА-3) от среднегруппового уровня отрицательно влияет на рейтинг банка, а доля кредитов (КА-4) – положительно коррелирует с оценкой организации. Показатель доли ценных бумаг (КА-5) положительно влияет на рейтинг. Показатель доли безнадежных ссуд (КА-7) также значимо и положительно влияет на рейтинг. Как уже отмечалось, большинство банков предпочитают не показывать реальную величину безнадежных ссуд, занижая среднегрупповое значение, поэтому положительное влияние на рейтинг не может однозначно трактоваться как ошибочное, а в некоторых случаях даже свидетельствует об адекватности данных, предоставляемых организацией.

Показатель зависимости от краткосрочных межбанковских кредитов     (КР-1) значимо и положительно влияет на рейтинг. В то же время показатели доли счетов до востребования (КР-2), доли клиентских средств
(КР-3) и доли выпущенных ценных бумаг (КР-4) отрицательно влияют на рейтинг.

Показатель процентной маржи (Д-5) значимо и отрицательно влияет на рейтинг. Высокие показатели маржи прибыли (Д-4) являются положительным фактором, который может свидетельствовать об эффективном управлении доходами в банке.

Показатель доли ликвидных активов в активах (ПЛ-2) значимо и отрицательно влияет на рейтинг. Соотношение же высоколиквидных активов и привлеченных средств (ПЛ-4), превышающее среднегрупповой уровень, положительно сказывается на итоговом рейтинге.

Размер кредитной организации, как и во всех остальных рассмотренных моделях, значимо и положительно влияет на рейтинг, подтверждая тот факт, что размер банка является безусловным сигналом его надежности.

Использование индивидуальных моделей (в зависимости от специализации банка) позволяет учитывать особенности банков со схожим распределение операций и получать более высокую точность предсказания рейтинга; недостаток же такого подхода в условиях весьма ограниченного числа банков, обладающих международным рейтингом – сокращение и без того незначительного объема выборки для построения регрессий и, как следствие, потенциальная неустойчивость полученных параметров моделей.

  1.  Оценка устойчивости и качества моделей

Качество полученных нами моделей было проверено и на «продленных» данных (за пределами выборки), а именно по отчетности банков по состоянию на начало 2008 года (out-of-sample); а также на показателях банков, у которых лицензия была отозвана Банком России. Проверка подтвердила устойчивость моделей во времени и их высокую предсказательную способность в задаче определения «проблемных» банков.

  1.  Проверка результатов на данных out-of-sample

Проверка моделей на данных out-of-sample осуществлялась по финансовым отчетам банков за 2007 год47.

Из 401 исследуемой организации данные балансов (форма 101) и данные отчета о прибылях и убытках (форма 102) в полном объеме (за период с 01.05.07 по 01.01.08) доступны лишь по 260 кредитным организациям, из которых только 37 имеют международный рейтинг. Именно по этим 37 банкам и оценивалась устойчивость результатов применения полученных моделей с точки зрения критериев качества, определенных в Главе 2.

Общепризнано, что качество прогнозов неизбежно ухудшается с увеличением горизонта прогнозирования. Эту тенденцию подтверждает и наше исследование: результаты проверки моделей на данных по состоянию на 01.10.07 (т.е. «через год») свидетельствуют об ухудшении точности попадания в рейтинг (по 37 банкам). Однако ухудшение оказалось не столь значительным: точность прогноза с отклонением «не более, чем на один класс» опустилась до уровня в 86% лишь для моделей, учитывающих специализацию банков, в остальных же случаях точность превышает 94% (см. Табл. 22-24).

Таблица . Линейная модель (2)

1.02.04-1.10.06

1.10.07

1.11.07

1.12.07

1.01.08

Совпадение с реальным рейтингом

57,14%

51,35%

43,24%

40,54%

43,24%

Отклонение не более, чем на один класс

94,40%

94,59%

94,59%

94,59%

94,59%

Завышение рейтинга

24,32%

43,24%

50,00%

54,05%

51,35%

Завышение рейтинга более, чем на один класс

0,87%

2,70%

2,70%

2,70%

2,70%

Таблица . Кубическая модель (4)

 

1.02.04-1.10.06

1.10.07

1.11.07

1.12.07

1.01.08

Совпадение с реальным рейтингом

64,67%

48,65%

45,95%

35,14%

48,65%

Отклонение не более, чем на один класс

99,42%

97,30%

94,59%

94,59%

97,30%

Завышение рейтинга

18,53%

45,95%

48,65%

59,46%

45,95%

Завышение рейтинга более, чем на один класс

0,00%

0,00%

2,70%

2,70%

0,00%

Таблица . Линейная модель с учетом специализации (7)

 

1.02.04-1.10.06

1.10.07

1.11.07

1.12.07

1.01.08

Совпадение с реальным рейтингом

68,63%

51,35%

37,84%

32,43%

37,84%

Отклонение не более, чем на один класс

97,39%

86,49%

89,19%

86,49%

91,89%

Завышение рейтинга

15,35%

35,14%

51,35%

56,76%

51,35%

Завышение рейтинга более, чем на один класс

0,10%

5,41%

5,41%

8,11%

2,70%

  1.  Проверка моделей на данных по кредитным организациям, у которых лицензии были отозваны

Нам были доступны данные по 32 организациям, лицензия на осуществление банковских операций у которых была отозвана в период с августа 2004 года по март 2008 года. Причиной отзыва большинства лицензий явились нарушения законодательства, нормативных актов Банка России и Федерального закона «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма»48. Лишь у 5 из 32 банков49 лицензия была отозвана по причине ухудшения финансового состояния, а именно в связи с «неспособностью удовлетворить требования кредиторов по денежным обязательствам и исполнить обязанность по уплате обязательных платежей, снижением собственных средств (капитала) ниже минимального значения уставного капитала) и проведением высокорисковой деятельности» [].

Вычисленные с помощью наших моделей рейтинги (не превышающие «ССС») этих банков, указывают на высокий уровень риска и высокую вероятность невыполнения банками взятых обязательств.

Таблица . Расчетный рейтинг банков, лицензия у которых была отозвана  

Наименование

Ном. Лиц.

Дата

Линейная

Кубическая

Линейная с учетом специализа-ции

Дата отзыва лицензии50

ДИАЛОГ-ОПТИМ

3107

01.07.04

C

C

C

11.08.04

СОЮЗОБЩЕМАШ

БАНК

3162

01.11.04

C

CCC

CC

19.01.05

НАЦИОНАЛЬНЫЙ РАСЧЕТНЫЙ

2899

01.11.04

DDD

C

DDD

11.03.05

НАЦИОНАЛЬНЫЙ КАПИТАЛ

1758

01.11.05

C

C

C

05.12.05

РЫБХОЗБАНК

241

01.01.08

CC

CC

C

06.03.08

ДЕЛНА-БАНК

971

01.04.06

C

CC

C

27.02.06

МЕЖПРОМБАНК

3133

01.02.06

C

CC

C

21.04.06

НЕФТЯНОЙ

1423

01.06.05

CC

B

CC

04.05.06

ЕВРОПЕЙСКИЙ

РАСЧЕТНЫЙ

3148

01.03.06

DDD

C

DDD

07.06.06

ВИП

1421

01.06.06

C

C

DDD

16.06.06

ЭКСИТОН

3412

01.06.06

DD

C

DD

23.06.06

МОСОБЛИНВЕСТ

470

01.06.06

C

C

DDD

14.07.06

ИНВЕСТИЦИЙ И КРЕДИТОВАНИЯ

2102

01.06.05

CC

CCC

CCC

10.08.06

УНИВЕРБАНК

2525

01.07.06

C

CC

C

24.08.06

ДИСКОНТ

1234

01.06.06

DDD

DD

CC

01.09.06

ЕВРОПРОМИНВЕСТ

1952

01.08.06

C

C

C

03.11.06

ИНТЕРСВЯЗЬБАНК

2154

01.09.06

DDD

DDD

DD

03.11.06

ФОРПОСТ

2575

01.12.06

C

CCC

C

27.12.06

Наименование

Ном. Лиц.

Дата

Линейная

Кубическая

Линейная с учетом специализа-ции

Дата отзыва лицензии

СИБЭКОНОМБАНК

1824

01.12.06

C

C

DD

18.01.07

ГРАДОБАНК

2563

01.09.06

C

CC

C

25.01.07

ДИАМОНД

3225

01.04.07

C

CC

C

26.04.07

СПБРР

3150

01.09.05

CC

CC

CC

03.05.07

ОБЩИЙ

3218

01.05.07

C

C

C

06.06.07

КОМИНБАНК

3029

01.07.07

CC

C

CCC

30.08.07

ИБЕРУС

3259

01.05.07

C

CC

DDD

05.09.07

АЛЬЯНС БАНК

3182

01.03.07

CCC

CC

CC

27.09.07

ИМИДЖ

2392

01.07.07

C

CC

C

01.11.07

ОБЪЕДИНЕННЫЙ БАНК МАЛОГО БИЗНЕСА

3374

01.06.07

C

C

C

11.01.08

ПРОФБАНК

235

01.10.06

C

CC

CCC

05.12.06

БАДР-ФОРТЕ БАНК

1567

01.10.06

CC

CC

CC

05.12.06

РТБ-БАНК

3076

01.03.06

CCC

B

B

21.04.06

ФЕДЕРАЛЬНЫЙ ПРОМЫШЛЕННЫЙ БАНК

2489

01.08.06

C

C

C

24.08.06 


Результаты второй главы 

  1.  Во второй главе проведено эмпирическое исследование степени влияния каждого из показателей на оценку функционирования кредитных организаций.
  2.  На основе анализа нами выявлен набор независимых показателей и построены собственные модели количественной оценки функционирования банков.
  3.  Нами исследована и выявлена важность выделения специализации для определения уровня надежности банков.
  4.  Верификация моделей проведена на основе данных по кредитным организациям, которым присвоен рейтинг международных РА (in-sample). Исследована устойчивость результатов применения полученных моделей на данных out-of-sample, результаты моделирования также протестированы на кредитных организациях, лицензия на осуществление банковской деятельности у которых отозвана Банком России.


ГЛАВА 3. Формирование рейтингов российских банков

  1.   Анализ динамики распределения банков по специализации 

Исследование распределения банков по специализации не только дает важную дополнительную информацию для оценки качества банков, но и представляет самостоятельный интерес для изучения.

Как показал проведенный анализ, в исследуемой выборке преобладают «корпоративные» и «ссудные» банки, на долю которых приходится 81% записей (49% и 42% соответственно), в то время как доля «универсальных» и «банков для банков» составляет 10% и 9% записей соответственно. Такое распределение отражает слабую диверсификацию активов для большинства кредитных организаций.

Можно отметить, что существенного изменения структуры распределения банков по специализации за исследуемый период не произошло, хотя и определились некоторые тенденции. Так, в начале 2004 года 193 банка исследуемой группы были классифицированы как «корпоративные», 149 как «ссудные», 34 как «универсальные» и 25 как «банки для банков». На конец третьего квартала 2006 года исследуемая группа была представлена 164 «корпоративными», 147 «ссудными», 51 «универсальным» и 39 «банками для банков». Т.е. можно отметить устойчивый рост числа «универсальных» (с 34 до 54) и «банков для банков» (с 25 до 39). Таким образом, в то время, как одни банки пытаются диверсифицировать свои активные операции, другие стараются занять свою нишу посредством более узкой специализации.

Постепенное увеличение числа «корпоративных» банков наблюдалось до конца 2004 года; далее их число постепенно снижалось (по данным на 01.09.2004 – 216 банков, по данным на 01.10.2006 – 164 банка).

Группа «ссудных» банков характеризовалась обратной динамикой: в первой половине исследуемого периода происходило снижение их числа, а во второй половине – постепенное увеличение. Такую тенденцию можно объяснить ростом объемов потребительского кредитования, который переживала банковская система. Многие банки стали охотнее ориентироваться на кредитование физических лиц, компенсируя возникающие риски более высокими ставками по кредитам.

 

Рисунок . Динамика распределения банков по специализации

Можно также отметить, что 107 банков из исследуемой выборки не меняли профиль своей деятельности. Профиль деятельности 116 банков на разных этапах исследуемого периода соответствовал двум типам специализации, у 109 банков отмечалась принадлежность к трем типам, 19 банков – попали во все возможные кластеры. Перемена банком специализации свидетельствует либо о том, что значение показателей (см. Табл. 7 Глава 2), лежит на границе кластеров, либо о том, что банк в данных экономических условиях пытается занять наиболее привлекательную нишу. Можно сказать, что эти банки находятся в поиске своего «типа». «Лидер» среди них – ТрастКомБанк (лиц. 2499), сменивший принадлежность к кластеру 23 раза (из 32 возможных), следом идут Гранд Инвест (лиц. 3053), Экспобанк (лиц. 2998) и КонверсБанк (лиц. 122) (14, 13 и 12 переходов соответственно). Меньше всех остальных в этой группе менял профиль деятельности банк Держава (лиц. 2738), совершивший 5 переходов.

Таким образом, исследование специализации кредитных организаций необходимо учитывать при оценке устойчивости их функционирования, так как позволяет выявлять характерных тенденций смены банками профиля, и выделять банки, находящихся в поиске своего «типа» (нестабильных с точки зрение распределения операций).

Поскольку на практике изменение структуры баланса кредитной организации в короткие сроки не реализуемо и требует значительных затрат, связанных с переориентацией бизнеса (подбор персонала, разработка продуктов, методик, программного обеспечения), это не может не отразиться на эффективности их функционирования, и оценка таких организаций требует особо пристального подхода.

  1.  Оценка качества российских банков

Банковский сектор России развивается быстрыми темпами, и удерживать свои позиции на рынке способны только динамично растущие организации. Для того чтобы оценить возможности и перспективы банков, не представленных в рейтинг-листах международных рейтинговых агентств, а также определить качественный состав рассматриваемой выборки российских банков, использованы модели, представленные нами в Главе 2 настоящей работы.

Поскольку наличие международного рейтинга предполагает достаточно высокий уровень информационной открытости организации, а проводимый в ходе его присвоения анализ затрагивает широкий спектр как финансовой, так и нефинансовой информации, то представляется логичным дополнить модели двумя индикативными переменными:

  •  Принадлежность к ССВ (DIA) 51;
  •  Наличие международного рейтинга (IR) 52.

Банк, входящий в систему страхования вкладов, получает возможность привлекать депозиты физических лиц и тем самым диверсифицировать свою ресурсную базу. Поскольку целью Центрального банка РФ было отбирать в систему страхования вкладов только «здоровые» банки, то принадлежность к ССВ можно рассматривать, как своего рода «знак качества» (отметим, что в США именно принадлежность к системе страхования вкладов53 является одним из основных критериев для определения финансовой организации как банка []).

Наличие международного рейтинга, являясь объективной и признанной на международном уровне оценкой, позволяет облегчить процесс мониторинга кредитных организаций. Однако лишь незначительное число российских банков имеет рейтинг международных агентств. Полученный в ходе данного исследования инструмент финансового анализа, позволяющий формировать на основе финансовой отчетности банка рейтинг его кредитоспособности, является крайне востребованным для целей оперативного дистанционного анализа банков-контрагентов.

Полученный инструмент дает возможность оценить качественных состав исследуемой выборки из 339 банков, не имеющих рейтинга международных агентств.

В Главе 2 нами были представлены регрессионные модели формирования рейтинга, обнаружившие высокую степень сопоставимости рассчитанных рейтингов с рейтингами международных агентств. Полученные результаты свидетельствуют о том, что наилучшей сопоставимостью с существующими рейтингами отличаются две модели: линейная модель, учитывающая информацию о специализации, и кубическая модель. Эти две модели и будут использованы для определения качественного состава исследуемой выборки российских банков:

  1.  Кубическая модель с отклонением от среднего (регрессия вида (4) см. Главу 2):

  (4)

  1.  Линейная модель по показателям с учетом информации о специализации с отклонением от среднего (регрессия вида (7) см. Главу 2):

(7’)

Простая линейная модель вида (2) также дополнена индикативными переменными IR и DIA и будет использована для анализа состава российских банков:

   (2’)

Соответствие рассчитанного интегрального показателя буквенному выражению рейтинга приведено в Таблице 26.

 Таблица . Характеристика рейтинговых оценок уровня надежности банков

Рейтинг

Интегральная оценка

Характеристика

ВВВ

5

Низкий уровень риска: достаточная способность своевременно и полностью выполнять свои долговые обязательства.

ВВ

4

Уровень риска низкий: слабая чувствительность к воздействию неблагоприятных перемен в коммерческих, финансовых и экономических условиях.

В

3

Уровень риска приемлемый: уязвимость при наличии неблагоприятных коммерческих, финансовых и экономических условий.

ССС

2

Уровень риска повышенный: существует потенциальная возможность невыполнения банком своих долговых обязательств; значительная зависимость от коммерческих, финансовых и экономических условий.

СС

1

Уровень риска высокий: высокая вероятность невыполнения банком обязательств.

С

0

Уровень риска крайне высокий: существует вероятность банкротства.

DDD

-1

Уровень риска недопустимо высокий: существует высокая вероятность дефолта по обязательствам.

DD

-2

Уровень риска недопустимо высокий: прогнозируется дефолт по обязательствам.

Итак, применив наши модели к организациям, имеющим международный рейтинг, и убедившись в адекватности полученных результатов, имеем основания применить те же модели для определения уровня надежности российских кредитных организаций, не имеющих международного рейтинга, и оценить адекватность полученных результатов.

Кубическая модель с отклонением от среднего для исследуемых 339 банков, не имеющих рейтинга международного рейтингового агентства, позволяет ранжировать их по уровню риска. Анализ показал, что по состоянию на 01.10.2006 всего один банк из 339 имеет прогнозируемый рейтинг уровня «ВВ», 16 банков имеют рейтинг «В», 76 банков – рейтинг уровня «ССС», 167 банков – рейтинг уровня «СС». 69 банков исследуемой выборки имеют рейтинг уровня «С», 6 банков – рейтинг «DDD», еще 4 банка имеют рейтинг «DD».

Согласно полученным результатам моделирования, качественный состав исследуемой выборки в период с июля 2004г. по октябрь 2006г. изменился незначительно (Рис. 10). В группы с достаточно низким риском дефолта в долгосрочной перспективе, согласно модели, в среднем попадает немногим более 12% всех банков («ВВВ» – 4 банка, «ВВ» – 10 банков, «В» – 35 банков). В среднем 85% всех банков имеют прогнозируемый рейтинг уровня «ССС», «СС» или «С» (95, 164 и 80 банков соответственно). В группы банков с крайне высокой вероятностью неисполнения обязательств попадают в среднем 3% банков (с рейтингом «DDD» – 8 банков, с рейтингом «DD» – 4 банка).

Таблица . Кубическая модель с отклонением от среднего (4’)

 Рейтинг

Среднее количество

Минимальное количество

Максимальное количество

BBB

4

2

7

BB

10

7

14

B

35

27

42

CCC

95

77

106

CC

164

150

180

C

80

68

106

DDD

8

3

16

DD

4

1

6

Рисунок .  Качественный состав исследуемой выборки на основе

   результатов кубической модели без учета специализации

Использование линейных моделей с учетом выявленной специализации для исследуемых 339 банков, не имеющих рейтинга международного рейтингового агентства, показывает, что по состоянию на 01.10.2006 прогнозируемый рейтинг уровня «ВВ» имеют 2 банка, рейтинг уровня «В» – 11 банков, рейтинг уровня «ССС» – 72 банка, рейтинг уровня «СС» – 177 банков. 69 банков имеют рейтинг уровня «С», 5 банков – рейтинг «DDD», еще 3 банка имеют рейтинг «DD».

Качественный состав исследуемой выборки за период с июля 2004г. по октябрь 2006г изменился незначительно (Рис.11). В группы с достаточно низким риском дефолта в долгосрочной перспективе, согласно модели, в среднем попадает немногим более 11% всех банков («ВВВ» – 3 банка, «ВВ» – 10 банков, «В» – 35 банков). В среднем 85% всех банков имеют прогнозируемый рейтинг уровня «ССС», «СС» или «С» (86, 185 и 80 банков соответственно). В группу банков с высокой вероятностью неисполнения своих обязательств попадают в среднем 3% банков (с рейтингом «DDD» – 9 банков, «DD» – 3 банка).

Таблица  Линейная модель по показателям с учетом специализации (7’)

 Рейтинг

Среднее количество

Минимальное количество

Максимальное количество

BBB

3

0

5

BB

10

7

15

B

35

28

40

CCC

86

76

100

CC

175

157

189

C

80

67

97

DDD

9

5

20

DD

3

1

6

Рисунок .  Качественный состав исследуемой выборки на основе

   результатов линейных моделей, учитывающих специализацию

  1.  Оценка согласованности результатов

Полученные результаты позволяют говорить о сходстве обеих (линейной и кубической) моделей в определении качественного состава исследуемой выборки. Рейтинги, рассчитанные по этим двум моделям для 401 кредитной организации по состоянию на 01.10.2006 совпадают в 211 случаях (52,62%), отличие прогноза более, чем на один класс, наблюдается в 28 случаях (6,98%). В 103 случаях результаты прогноза с использованием кубической модели превышают результаты прогноза по линейной модели. В свою очередь в 87 случаях результаты оценки по линейной модели превышают результат, полученный с использованием кубической модели.

В Таблице 29 включены те банки, рейтинги которых на 01.10.2006, рассчитанные с помощью линейных (с учетом специализации) и кубической моделей, различаются наиболее существенным образом.

Таблица . Наиболее существенные отличия в прогнозируемых рейтингах на 1.10.06

Наименование

Ном. Лиц.

Кубическая модель (4)

Линейная модель (7’)

МЕЖБИЗНЕСБАНК

3280

-1

3

КАМЧАТПРОМБАНК

1194

2

-2

БАШПРОМБАНК

1006

-1

2

ДОРОЖНИК

269

3

0

МЕТАЛЛУРГИЧЕСКИЙ КОММЕРЧЕСКИЙ БАНК

901

3

0

ПРОМСЕРВИСБАНК

1659

2

-1

СЕВЕРО-ВОСТОЧНЫЙ АЛЬЯНС

2768

2

-1

МАСС МЕДИА БАНК

1859

1

-2

МОСКОМПРИВАТБАНК

2827

2

4

ВУЗ-БАНК

1557

1

3

СИТИБАНК

2557

4

2

АВТОМОБИЛЬНЫЙ БАНКИРСКИЙ ДОМ

2668

0

2

РОССИЙСКИЙ КРЕДИТ

324

0

2

ОРЛОВСКИЙ СОЦИАЛЬНЫЙ БАНК

2921

0

2

КРЕДИТ-МОСКВА

5

0

2

ЮГО-ВОСТОК

414

0

2

МОСКОВСКИЙ НЕФТЕХИМИЧЕСКИЙ БАНК

1411

0

2

СЕМБАНК

2606

0

2

ЭКОНОМИЧЕСКИЙ СОЮЗ

2798

0

2

НОВОСИБИРСКВНЕШТОРГБАНК

410

3

1

КАЛУГА

1151

3

1

НАЙТОВ

3385

3

1

АСПЕКТ

608

-1

1

ЕНИСЕЙ

474

2

0

РУССКИЙ РЕГИОНАЛЬНЫЙ БАНК

685

2

0

ИС БАНК

3175

2

0

Для того, чтобы очистить полученный результат от сезонных и других краткосрочных факторов, которые не должны влиять на долгосрочный рейтинг, дополнительно использована медиана значения рейтинга за январь – сентябрь 2006 года. Полученные результаты показывают, что для 227 банков (56,6%) прогнозируемый таким образом рейтинг по двум моделям совпал. В целом в 95% случаев (для 381 банка) прогнозируемые по двум моделям рейтинги различались не более, чем на один класс, что свидетельствует о высокой согласованности результатов примененных моделей.

Таблица . Наиболее существенные отличия в прогнозе рейтинга (медиана)

Наименование

Ном. Лиц.

Кубическая модель (4’)

Линейная модель (7’)

МОСКОМПРИВАТБАНК

2827

2

4

КРЕДИТ-МОСКВА

5

0

2

СИТИБАНК

2557

4

2

ОРЛОВСКИЙ СОЦИАЛЬНЫЙ БАНК

2921

0

2

КАЛУГА

1151

3

1

ДОРОЖНИК

269

2

0

МЕЧЕЛ-БАНК

419

2

0

ПЕРВОЕ ОБЩЕСТВО ВЗАИМНОГО КРЕДИТА

605

2

0

РУСФИНАНС БАНК

1792

2

0

НОВОКУЗНЕЦКИЙ МУНИЦИПАЛЬНЫЙ БАНК

2865

2

0

ПРОМТРАНСБАНК

2638

1

-1

РОССИЙСКИЙ КРЕДИТ

324

-1

2

СТАРООСКОЛЬСКИЙ АГРОПРОМБАНК

1050

3

0

ПРОМСЕРВИСБАНК

1659

3

0

МЕТАЛЛУРГИЧЕСКИЙ КОММЕРЧЕСКИЙ БАНК

901

2

-1

СЕВЕРО-ВОСТОЧНЫЙ АЛЬЯНС

2768

2

-1

МАСС МЕДИА БАНК

1859

1

-2

КАПИТАЛ

575

6

2

БАШПРОМБАНК

1006

-2

2

ПОВОЛЖСКОЕ ОВК

2870

-6

2

На основе медианных значений рейтинга были также определены группы банков, имеющих рейтинги «DDD» и ниже по линейной и кубической моделям (см. Табл. 31, Табл. 32). Отметим, что и в этом случае рейтинги по данным моделям в целом также весьма схожи.

Таблица . Минимальные значения рейтинга по кубической модели

          (медиана за 2006 год)

Наименование

Ном. Лиц.

Кубическая модель (4’)

Линейная модель (7’)

РОССИЙСКИЙ КРЕДИТ

324

-1

2

АСПЕКТ

608

-1

0

ДЗЕРЖИНСКИЙ

1113

-1

0

ЭКСПРЕСС

3084

-1

0

РУБЛЕВ

3098

-1

0

ОБИБАНК

3185

-1

0

СТРУКТУРА

3397

-1

-1

БАШПРОМБАНК

1006

-2

2

ИНТЕРКРЕДИТ

3047

-2

-1

РЕГИОНФИНАНСБАНК

3357

-2

-2

ПОВОЛЖСКОЕ ОВК

2870

-6

2

Таблица . Минимальные значения рейтинга по линейной модели

          (медиана за 2006 год)

Наименование

Ном.

лиц.

Кубическая модель (4’)

Линейная модель (7’)

МЕТАЛЛУРГИЧЕСКИЙ КОММЕРЧЕСКИЙ БАНК

901

2

-1

ПРОМТРАНСБАНК

2638

1

-1

СЕВЕРО-ВОСТОЧНЫЙ АЛЬЯНС

2768

2

-1

ИНТЕРКРЕДИТ

3047

-2

-1

ТРАНСПОРТНЫЙ

3174

0

-1

КИТЕЖ

3208

0

-1

ГОРОДСКОЙ КЛИЕНТСКИЙ

3392

0

-1

СТРУКТУРА

3397

-1

-1

МАСС МЕДИА БАНК

1859

1

-2

РЕГИОНФИНАНСБАНК

3357

-2

-2

В марте 2007 года международное рейтинговое агентство Standard & Poors (S&P) повысило долгосрочный кредитный рейтинг Уральского Банка Реконструкции и Развития (лиц. 429) до уровня «B-» (с предыдущего значения «CCC+»). Рейтинг уровня «В» для этого банка, предсказанный нами на основе линейной модели с учетом специализации, подтверждает, что «накопленное» качество баланса (финансовых показателей) может привести к повышению рейтинга.

В текущих условиях российские банки часто поглощают небольшие и слабые кредитные организации, тем самым увеличивая региональную диверсификацию бизнеса. Так, в 2007 году Масс Медиа Банк (лиц. 1859), получивший по нашим моделям крайне низкую оценку устойчивости (по линейной модели «DD», по кубической модели «CC»), присоединен вместе с ЭталонБанком (лиц. 2317) к ЖелдорБанку (лиц. 99), в результате чего все три банка вошли в группу УРСА-Банка (лиц. 323) под брендом Эталонбанк (лиц.99).

  1.  Рейтинги банков по состоянию на начало 2008 года

Проведенный нами анализ также показал, что на «продленных» данных (т.е. на начало 2008 года) модели сохраняют распределение банков по группам в зависимости от рассчитанного рейтинга. В результате качественный состав исследуемой выборки из 260 кредитных организаций (по которым были доступны данные на начало 2008 года) в зависимости от используемой модели выглядит следующим образом:

Таблица . Распределение банков в зависимости от рассчитанного рейтинга

Рейтинг

Линейная (2’)

Кубическая (4’)

Линейная с учетом специализации (7’)

1.10.06

1.01.08

1.10.06

1.01.08

1.10.06

1.01.08

A

0,0%

0,0%

0,0%

0,3%

0,0%

0,0%

BBB

0,6%

1,8%

1,1%

1,9%

0,9%

1,6%

BB

1,9%

2,5%

1,8%

1,5%

2,0%

3,1%

B

7,0%

7,0%

7,5%

10,1%

7,1%

9,4%

CCC

15,5%

19,7%

23,8%

25,0%

21,8%

22,0%

CC

49,8%

49,9%

41,5%

44,5%

44,6%

38,9%

C

23,4%

17,6%

21,8%

14,8%

20,9%

17,7%

DDD

1,7%

1,1%

2,2%

1,4%

2,2%

5,2%

DD

0,0%

0,4%

0,4%

0,2%

0,5%

1,5%

D

0,0%

0,0%

0,0%

0,2%

0,0%

0,5%

Поскольку результаты применения моделей для разделения банков весьма схожи, то можно говорить о согласованности полученных моделей, а сравнение результатов out-of-sample с результатами in-sample свидетельствует о приемлемой устойчивости (точности) моделей, по крайней мере, на горизонте свыше одного года (см. Рис. 5-7).

Отметим также, что по результатам применения кубической модели на данных 2007 года один банк был отнесен к группе с рейтингом «А» (чего не наблюдалось ранее) и этим банком оказался ВТБ (лиц. 1000).

Рисунок . Линейная модель (2’)

Рисунок . Кубическая модель (4’)

Рисунок . Линейная модель с учетом специализации (7’)

Как видно из рисунков (см. Рис. 5-7), устойчив во времени и полученный результат разделения банков по уровню рейтинга. Согласно результатам применения трех моделей, число банков с рейтингом выше уровня «ССС» в 2007 году увеличилось. Таким образом, можно отметить, что качество финансовых показателей банков постепенно улучшается, в том числе, возможно, и благодаря мерам, предпринимаемым Банком России по установлению четких «правил игры», наряду с применяющейся «крайней мерой» в виде отзыва лицензии. Тем не менее, основной массе исследованных банков присвоен рейтинг «СС» (и ниже), что свидетельствует о сохраняющихся высоких рисках в банковском секторе.

Результаты применения линейных моделей с учетом специализации свидетельствуют о возникших в 2007 году затруднениях у многих «небольших» банков (что предположительно связано с «ипотечным» кризисом августа 2007 года). Так, по состоянию на октябрь 2007 года отмечается резкий рост числа банков с рейтингом уровня «DDD», однако к началу 2008 года ситуация начинает исправляться и число «проблемных» банков сокращается фактически до уровня октября 2006 года.

Т.о. предлагаемый инструмент может служить основой для оценки функционирования банков (и ранжирования их) с точки зрения финансовых показателей их деятельности. Конечно, для установления «истинного» (полновесного) рейтинга банка недостаточно одного ограниченного инструмента, необходимо учитывать всю доступную информацию не только финансового характера, но и такие безусловно важные данные, как: состав акционеров, масштабы региональной диверсификации бизнеса банка, сведения об основных клиентах, о видах предоставляемых услуг, о качестве корпоративного управления и о наличии «независимой» службы внутреннего контроля, о репутации банка на рынке, об участии в судебных разбирательствах, а также другая информация нефинансового характера.

Сбор и формализация такой информации (в т.ч. об уголовных делах в отношении банка, менеджмента и клиентов, о репутации банка на рынке и пр.) представляют собой проблему, которая требует отдельного рассмотрения и не входит в задачи нашего исследования.

Кроме того, поскольку внешняя среда изменяется, меняются и показатели банков «в среднем», и «важность» показателей, и распределение основных статей баланса («специализация»). В такой ситуации важно определить, насколько гармонично конкретный банк реагирует на внешние изменения. В то же время параметры моделей необходимо пересматривать с определенной периодичностью, или же, другими словами, параметры модели должны также зависеть от времени.

В силу специфики опубликованных на сайте Банка России данных54 наша методика не учитывает показатели, характеризующие обороты по счетам (не включен в анализ, например, такой распространенные показатель как «обороты по кассовым счетам»). За рамками анализа остались также «схемные операции» (операции, содержание которых вызывает сомнения в их законности). Некоторые уже свершившиеся факты неплатежеспособности банков могут быть включены в анализ в качестве стоп-критериев (напр., «картотека»55). Такого рода показатели могут входить в модели как индикаторы, принимающие определенное дискретное значение в случае выполнения или невыполнения данного условия, или же составлять некую «систему отсечек» запрещающую проведение операций с банком в случае их невыполнения (минимальный размер капитала, активов, наличие «картотеки», судебные разбирательства и т.п.).

Т.е. полученная оценка (рейтинг) в каждом конкретном случае должна быть откорректирована с учетом всей имеющейся в распоряжении аналитика информации.

Еще раз подчеркнем, что получение внешнего рейтинга (присваиваемого рейтинговыми агентствами) часто является слишком дорогим «удовольствием», позволить себе которое могут лишь крупные кредитные организации. При работе на межбанковском рынке банки нуждаются в собственных методиках определения (внутренних) рейтингов для оперативного анализа контрагентов и установления лимита допустимого объема операций. Издержки процесса присвоения внутренних рейтингов и ранжирования контрагентов являются весьма существенными, т.к., по сути, процесс заключается в «эксклюзивной» работе эксперта, который собирает всю доступную информацию из Интернета, оценивает набор финансовых показателей, а затем пишет заключение, где отражает важные (с его точки зрения) аспекты функционирования банка в исследуемый период.

 

Итак, предлагаемый нами инструмент служит ориентиром для формирования рейтингов, хотя без учета нефинансовой информации и не дает полноценного представления о надежности банков; в сочетании же с другими инструментами анализа позволит дать комплексную оценку функционирования кредитных организаций.


Результаты третьей главы

  1.  Результаты моделирования рейтингов применены для определения рейтинга 339 российских банков, не имеющих международного рейтинга.
  2.  Исследован качественный состав российского банковского сектора в динамике с 2004 по 2008гг.
  3.  Рассмотрен вопрос о практической применимости разработанных моделей оценки финансового состояния банков (для оценки контрагентов, а также для мониторинга и быстрого скрининга56 банковской системы в целом), Обозначены границы применимости моделей и перспективы дальнейших исследований.


ЗАКЛЮЧЕНИЕ

Основной задачей нашей диссертационной работы являлось исследование возможности на базе общедоступной информации финансовой отчетности банков формирования рейтингов российских банков, не представленных в рейтинг-листах международных рейтинговых агентств. Поскольку основным сдерживающим фактором развития банковского бизнеса в целом и рынка межбанков