Оценка вероятности банкротства

Была проверена частота, с которой каждая из переменных проявляет статистическую значимость на 15% уровне. Наибольшую объясняющую способность продемонстрировали наличие у банка достаточной величины ликвидных активов и его вовлеченность в операции с государственными ценными бумагами (на 15% уровне факторы оказались значимы для каждой из подвыборок, на 1% уровне — в 99% и 90% случаев соответственно). В 113 из 150 случаев высокую значимость проявили доля кредитов нефинансовым организациям и показатель, характеризующий достаточность собственного капитала. Несколько худшие результаты продемонстрировал показатель, отвечающий за размер банка (значим в 40% случаев). Далее представлен средний уровень значимости каждого показателя:

• доля ликвидных активов 0,4%
• доля вложений в государственные ценные бумаги 4,4%
• доля собственного капитала 11,3%
• доля кредитов нефинансовым организациям 12,2%
• валюта баланса 24,6%.

Для большой доли подвыборок показатель, характеризующий размер банка, оказывает значимое влияние на вероятность банкротства. В связи с этим, несмотря на относительно невысокий средний уровень значимости, данный фактор включается в число объясняющих переменных. Кроме того, полученный уровень значимости несколько занижен относительно складывающегося в реальности из-за специфики составления выборки.

Значимость модели в целом подтвердилась тестом Вальда.

Для определения количественного влияния каждого фактора на вероятность банкротства рассчитаем соответствующие предельные эффекты. Значения показателей для среднего и медианного банков и их предельные эффекты представлены в Таблице 12.

 

Таблица 12

Значения показателей в разных точках

	Среднее	Медиана	Эффект (среднее)	Эффект (медиана)
Доля собственных средств	0,24	0,18	-0,1	-0,16
Доля инвестиций в ГКО	0	0	0,49	0,77
Доля ликвидных активов	0,25	0,2	-0,18	-0,27
Размер банка	13,87	13,8	-0,01	-0,01
Доля кредитов нефинансовым организациям	0,36	0,36	-0,09	-0,14

 

Полученные значения для медианного банка позволяют говорить о том, что при росте соответствующего показателя на 10% вероятность банкротства изменяется следующим образом:

• при росте доли собственных средств в валюте баланса вероятность банкротства банка снижается на 1,6% ; 
• при увеличении доли ликвидных активов в общей сумме активов  вероятность банкротства уменьшается на 2,7% ;
• результатом увеличения доли вложений в государственные ценные бумаги является рост вероятности банкротства на 7,7%, что подтверждает наибольшую степень влияния данного фактора среди других переменных;
• при росте доли кредитов нефинансовым организациям происходит сокращение вероятности  банкротства на 1,4% ;
• при росте величины активов вероятность банкротства снижается на 0,1%.

Степень влияния для банков с высокими и низкими значениями финансовых показателей может различаться. Для анализа зависимости между финансовым состоянием банка и величиной влияния значимых показателей предельные эффекты были рассчитаны в каждой точке распределения. На рисунке 5 представлено на сколько процентов изменится вероятность банкротства при росте значения показателя на 1%.

 

Рис. 5. Значения предельных эффектов, %

 

 

По оси абсцисс отложены уровни квантилей, в которых находятся значения переменных. Исключение составляет переменная, отражающая долю вложений в государственные ценные бумаги, для которой ось абсцисс представляет собой (1 - рассчитываемый уровень квантили). Так, например, для показателя доли вложений в государственные ценные бумаги точке 0,2 на оси абсцисс соответствует значение квантили уровня 0,8. Данное расположение оси было принято в виду того, что рассматриваемый показатель оказывает на вероятность банкротства влияние по направлению противоположное влиянию других факторов. Таким образом, при движении по оси абсцисс с лева на право финансовое положение банков улучшается, а вероятность банкротства снижается.

Наибольшие значения предельных эффектов соответствуют банкам со средним уровнем финансового состояния. Степень влияния остается постоянной для достаточно большого диапазона банков. Банку, находящемуся на грани перехода из категории финансово устойчивых в категорию банкротов и наоборот, достаточно небольшого изменения значений объясняющих факторов для значительного изменения характеристики его финансового положения. Обратная ситуация складывается для банков, определенно являющихся банкротами или небанкротами. Банку с неудовлетворительным финансовым состоянием требуется значительно улучшить свои показатели, чтобы хоть немного снизить вероятность банкротства. Банк с запасом финансовой устойчивости, напротив, может позволить себе значительное ухудшение рассматриваемых показателей без существенного роста вероятности стать банкротом. Резкое снижение величины предельных эффектов наблюдается для 7% наихудших и 10% наилучших банков.

Рассмотрим изменение степени влияния объясняющих факторов в зависимости от длины горизонта прогнозирования. В Приложении 7 представлены графики, на которых отражаются предельные эффекты от изменения того или иного показателя в каждой точке за различные периоды времени до банкротства. На графиках отображены результаты, полученные для периодов, предшествующих банкротству на 2, 5 и 8 месяцев. Результаты за остальные периоды по всем показателям соответствуют наблюдаемым тенденциям, поэтому не отображаются на графиках, чтобы излишне не перегружать их. Порядок факторов по степени влияния остается постоянным для разных временных горизонтов, то есть наибольший эффект присущ изменению доли вложений в государственные ценные бумаги, а наименьший — изменению размера банка. Высокое значение предельных эффектов от изменения доли вложения возникает из-за того, что она относительно низка для всех банков выборки.

Для каждого периода времени сохраняется наблюдаемая ранее зависимость: предельные эффекты значительно ниже для банков, определенно являющихся банкротами или небанкротами. При этом максимальная величина предельных эффектов сохраняется постоянной, меняется лишь уровень финансовой устойчивости, при котором она достигается. Наблюдается снижение  уровня процентили, в которой достигается максимальное значение предельных эффектов. При увеличении горизонта прогнозирования изменение финансовых показателей оказывает все большее влияние на наиболее устойчивые банки. В случае высокого уровня финансовой устойчивости эффект от изменения выявленных факторов носит более долгосрочный характер и отражается в основном на вероятности банкротства через длительный промежуток времени. Для банков, уже испытывающих трудности, улучшение показателей приводит к снижению риска банкротства только в коротком периоде и не гарантирует стабилизации положения впоследствии. Поддерживать хорошее состояние в долгосрочной перспективе проще, чем восстанавливать его. Использование модели, которая позволяет оценивать вероятность банкроства и следить за уровнем финансового состояния в любой момент времени, может быть крайне полезно.

Оценим качество модели по точности классификации банков, не входящих в исходную выборку. Как было отмечено ранее, в качестве тестирующей выборки используется 70 банков (10 банкротов и 60 небанкротов), не входивших в первоначальную выборку. Результаты, полученные с использованием модели, представлены в Таблице 13.

 

Таблица 13

Классификационная таблица для тестирующей выборки (за 5 месяцев)

	Факт
Модель	Небакрот	Банкрот
Небакрот	50	3
Банкрот	10	7
% Верно	83,33	70
% Всего верно	81,43
WE	46,03

 

Классификационная способность модели составила 81,43%, то есть она верно определила категорию 57 из 70 банков. При этом было допущено 13 ошибок: 10 ошибки первого рода и 3 ошибки второго рода, то есть модель неверно отнесла к банкротам 16,7% здоровых банков и признала финансово устойчивыми 30% обанкротившихся банков. Построенная модель демонстрирует несколько более высокий уровень специфичности (83,33%), чем чувствительности (70%). Полученные результаты говорят о том, что данная модель в большей степени предназначена для обнаружения здоровых банков, чем для выявления банкротств при их наличии. Признание большей значимости ошибок II-рода и построение модели на основе сбалансированной выборки позволило добиться достаточно высокой точности классификации банков-банкротов. Для анализируемой модели взвешенный показатель эффективности составил 46,03%.

 

Сохранение классификационных возможностей на высоком уровне и даже некоторое их увеличение говорят о высоком качестве полученной модели. Оценить вероятность банкротства российского банка в течение следующих пяти месяцев можно с использованием всего 5 бухгалтерских показателей: величины активов, долей в активах собственного капитала, ликвидных активов, кредитов нефинансовым организациям и вложений в ГКО.

 

 

 

 

  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Заключение

В ходе работы был проанализирован предшествующий опыт моделирования банкротства кредитных организаций, отобраны банки для исследования и собраны эмпирические данные, характеризующие их деятельность, что позволило построить модель, определяющую вероятность банкротства. Таким образом, все поставленные задачи были выполнены.

Результатом работы стала возможность оценки вероятности банкротства российских банков. Вероятность банкротства определялась с помощью модели, построенной на основе логистической регрессии. В модель вошли показатели ликвидности, вложений в государственные ценные бумаги, достаточности капитала и вовлеченности в операции с реальным сектором. Данные факторы оказались статистически значимыми и экономически интерпретируемыми. Основные результаты исследования состоят в том, что чем крупнее банк, выше в валюте баланса доли ликвидных активов, собственного капитала, кредитов нефинансовым организациям и ниже доля вложений в государственные ценные бумаги, тем более финансово устойчивым является банк и тем ниже вероятность его банкротства. Наибольшее влияние присуще показателям ликвидности, что соотносится с признанием ЦБ данного фактора ключевым в регулировании банковской деятельности.

Стоит отметить, что в ходе исследования были выявлены показатели, которые не оказывают значимого влияния на вероятность банкротства организации. К ним относятся: показатели прибыльности (представленные рентабельностью активов), доли в валюте баланса вкладов и депозитов физических лиц, вкладов нерезидентов, также показатели риска дефолта.

Выдвинутая гипотеза Н1 подтвердилась лишь частично. Снижению риска банкротства способствует увеличение доли кредитов нефинансовым организациям, в то время как доля вкладов нерезидентов и рентабельность активов не оказывают на него значимого влияния.

 

Предсказательная способность показателей риска дефолта, описанная в гипотезе Н2, не была обнаружена. Увеличение доли резервов в общей величине кредитов, а также доли общего кредитного портфеля в активах банка не приводит к росту вероятности банкротства. Можно предположить, что в послекризисный период банки менее склонны к риску и более пристальное внимание уделяют оценке качества заемщика, вследствие чего величина сформированных резервов одинаково мала для обеих категорий банков. Кроме того, за период кризиса отложенные сверх нормы резервы значительно истощились у всех банков.

В результате проведенного исследования была выявлена значимость влияния доли вложений в государственные ценные бумаги на риск банкротства, что соответствует гипотезе Н3. Данный вид вложений в большей степени увеличивает рискованность деятельности банка, нежели повышает его ликвидность, что выражается в прямом влиянии показателя на вероятность банкротства. Предположение о влиянии доли долгосрочных вложений в общем кредитном портфеле на финансовую устойчивость кредитных организаций не подтвердилось.

Обнаруженные взаимосвязи не противоречат результатам, полученным в исследованиях А.М. Карминского (9,10), А.А. Пересецкого (16), Г. Ланина и Р. Веннета (27), что подтверждает их стабильность и экономическую обоснованность.

В рамках данного исследования подвыборка с наиболее оптимальной структурой состояла из 30 банкротов и 60 небанкротов (33% банков-банкротов). Балансировка выборки стала хорошим инструментом повышения точности классификации банкротов. Итоговая модель позволяет в большей степени обнаруживать здоровые банки, а не случаи банкротства при их наличии, то есть модель демонстрирует высокий уровень специфичности. Сохранение классификационных возможностей на высоком уровне для тестирующей выборки говорит о возможности применения построенной модели для прогнозирования банкротства российских банков.

В исследовании была проанализирована дилемма, возникающая между длительностью горизонта прогнозирования и его качеством.  Подтвердилась гипотеза о том, что чем ближе дата наступления потенциального банкротства, тем более точные оценки вероятности могут быть получены. Ухудшение финансового состояния банка происходит крайне стремительно. Данный факт послужил основанием для использования максимально короткого шага при выборе оптимального срока прогнозирования. Проведенное исследование показало, что включенные в модель (на основе данных за 1 месяц до даты отзыва лицензии) факторы не теряют высокий уровень значимости при увеличении горизонта прогнозирования до 5-месяцев (а показатели ликвидности и вложений в государственные ценные бумаги и до 8 месяцев), а ее классификационная способность снижается не существенно. Балансировка выборки увеличивает период времени, в течение которого модель демонстрирует приемлемое качество классификации банкротов. Однако, при ориентации на общую точность модели прогнозирование следует осуществлять на горизонте, не превышающем 5 месяцев.