Консорциум экономических исследований и образования Серия "Научные доклады" ISSN 1561-2422
№ 06/01
Вероятность банковских провалов Российский пример Н.В. Констандина
Проект (№ 03-1171) реализован при поддержке Консорциума экономических исследований и образования Мнение автора может не совпадать с точкой зрения Консорциума Доклад публикуется в рамках направления Предприятия и рынки товаров
Классификация JEL: G21, G33, L25
Констандина Н.В. Вероятность банковских провалов: Российский пример. — Москва: EERC, 2006.
Вопрос объяснения провалов банков представляет, может быть, один из самых больших интересов для клиентов банков и регулирующих органов. Этот вопрос долгое время также занимал умы как теоретиков, так и практиков экономики. В этой статье мы исследуем факторы, обуславливающие устойчивость банков, принимая во внимание данные микроуровня и макроэкономическую составляющую. Мы также задействуем оценку эффективности, полученную Методом Оборачивания Данных, для учета качества менеджмента. Мы используем модель с бинарной зависимой переменной и модель пропорционального риска для оценки конечной модели. Мы нашли, что эффективность, а также размер и региональная принадлежность, являются значимыми во всех спецификациях, в то время как макро переменные не оказывают значительного воздействия на провалы.
Ключевые слова. Россия, Российские банки, провалы, эффективность
Благодарности. Я благодарю эксперта EERC Дэвида Брауна за полезные комментарии, которые помогли мне выполнить эту работу.
Наталья Владимировна Констандина Oregon State University Department of Economics 303 Ballard Extension Hall, Corvallis, OR 97330, USA Тел.: +1 (541) 752 01 82 Факс: +1 (541) 737 59 17 E-mail:
[email protected]
© Н.В. Констандина 2006
СОДЕРЖАНИЕ
ОСНОВНЫЕ ПРЕДПОСЫЛКИ И ВЫВОДЫ
4
1. ВВЕДЕНИЕ
5
2. ОБЗОР ЛИТЕРАТУРЫ
5
3. ОСОБЕННОСТИ БАНКОВСКОГО СЕКТОРА РОССИИ
7
3.1. Краткое описание российского банковского сектора 3.2. Выбор переменных 4. ОПИСАНИЕ ЭКОНОМЕТРИЧЕСКИХ МОДЕЛЕЙ 4.1. Вероятность провала 4.2. Модель пропорционального риска 4.3. Оценка эффективности
7 9 12 12 12 13
5. ДАННЫЕ И РЕЗУЛЬТАТЫ
14
5.1. Описание данных 5.2. Результаты 5.3. Предсказание
14 15 20
6. ЗАКЛЮЧЕНИЕ
20
7. СПИСОК ЛИТЕРАТУРЫ
22
Economics Education and Research Consortium: Russia and CIS
4
ОСНОВНЫЕ ПРЕДПОСЫЛКИ И ВЫВОДЫ В этой работе мы исследуем модель банковских провалов для Российского банковского сектора. Мы включаем в наши оценки набор переменных микро- и макроуровня. С помощью данной модели мы можем оценить параметры устойчивости банков и фактически не только объяснить провалы, но и, возможно, предсказать их путем применения оценок предыдущего периода к данным нового периода. Мы развиваем две модели для предсказаний банковских провалов в России. Первая — модель с бинарной зависимой переменной — позволяет оценить возможность банковских провалов и получить основные факторы, которые на них влияют. Вторая — модель пропорционального риска — необходима для определения факторов, влияющих на время провала. Обе модели пытаются проанализировать влияние тех макро- и микрофакторов, которые считаются важными показателями здоровья данного конкретного банка и банковского сектора в целом. Наши результаты показывают, что банковская эффективность, а также размер и региональная принадлежность банка, играют важную роль в объяснении провалов и устойчивости банков, в то время как макроэкономические переменные не оказывают значительного воздействия на провалы. В соответствии с нашими результатами менее эффективные банки имеют более высокую вероятность провала. Риск провала повышает также высокий процент невозратных кредитов. Критическим условием для использования данной модели является доступность надежных данных не только по банкам, остающимся в бизнесе, но, что более важно, по разорившимся. Информационное агентство Интерфакс обладает очень хорошей базой данных, так что в большинстве случаев у банковских руководителей нет оснований жаловаться на недостаток сбора данных в России.
Консорциум экономических исследований и образования, Россия и СНГ
5
1. ВВЕДЕНИЕ Вопрос объяснения провалов банков интересовал экономистов в течение долгого времени. В недавнем совместном заявлении Российского Правительства и Центрального Банка России (Апрель, 2005), делается акцент на том, что основной задачей банковского регулирования и надзора является функционирование системы раннего реагирования и осуществление многостороннего анализа банков, включая качество управления и внутреннего контроля. В отношении улучшения инфраструктуры банковского сектора особое внимание уделяется системе страхования вкладов и реестру кредитных историй. Система страхования вкладов начала работать согласно законодательству в декабре 2003 г. Эта система должна способствовать достижению стратегической цели увеличения вкладов населения, которая может быть достигнута только если банки станут более устойчивыми и надежными. Если сомнительные банки не смогут вступать в систему страхования, то это снизит риски и для самой системы. В настоящее время чтобы вступить в систему страхования вкладов, банки должны соответствовать определенным критериям финансовой устойчивости. Эти критерии основываются на оценке 5 групп финансовых показателей, очень сходных с системой CAMEL в США (С — достаточность капитала, А — качество активов, M — качество управления, E — прибыльность, L — ликвидность). Некоторые их этих индикаторов уже использовались ранее ЦБ РФ в рамках банковского надзора. И хотя подобная система включает серию показателей, каждый из них используется для оценки той или иной сферы функционирования банка в изоляции от других факторов. Поэтому многомерный анализ, использующий не только специфические для банка факторы, может служить альтернативой простого расчета показателей. Цель данного исследования это развитие формальной модели для предсказания провалов банков. Мы рассматриваем как микроэкономические, так и макроэкономические переменные, которые влияют на провалы и используем модель с бинарной зависимой переменной для оценки вероятности падения банков и модель пропорционального риска для определения времени провалов. Среди объясняющих переменных мы включаем оценку эффективности, которая, как было показано в сходных исследованиях, улучшает предсказательную силу модели и часто служит для аппроксимации качества управления . В завершение, мы предлагаем варианты использования результатов нашего исследования для предсказания провалов.
2. ОБЗОР ЛИТЕРАТУРЫ Литература по российским банкам быстро пополняется (см. Illarionov, 1999; Malleret, 1999; Salonen, 1996, которые описывают российскую банковскую систему, в основном в связи с финансовым кризисом 1998 г.). Несколько статей было выпущено Центром Банковского ана-
Консорциум экономических исследований и образования, Россия и СНГ
6
лиза (например, Матовников и др., 1999a; Maтовников и др., 1999b) и Институтом Переходной Экономики (см. Энтов, 1999; Mихайлов и др., 2002; Сычева и др., 2001). Журнал Эксперт также регулярно печатает обзоры банковской отрасли (www.expert.ru). Исследования о провалах банков часто встречаются в литературе1. Они могут быть подразделены на две группы согласно используемому подходу: "микро" и "макро". Экономисты "макро" группы используют или данные по ряду стран (65–45 стран, 1980–1994 гг. в DemirgucKunt, Detragiache, 1998; 50 стран, 1976–1997 гг. в Hardy, Pazarbasioglu, 1998) или макроэкономические временные ряды (США квартальные финансовые ряды, 1880–1914 гг., Canova, 1994) для приложения модели logit, чтобы определить факторы, имеющие наибольшее влияние на возникновение кризиса. В исследованиях "микро" группы изучаются кризисы в отдельных странах или даже регионах и используются данные по отдельным банкам. Wheelock, Wilson (1995) изучали банки штата Канзас (США) в период 1910–1928 гг. В своей работе они применили модель "пропорционального риска" (proportional hazard). Вместе с микропеременными, отражающими устойчивость банка, они также включили бинарную переменную, отражающую членство в страховой системе. Вывод исследования заключается в том, что застрахованные банки имели более высокий показатель провалов, подтверждая тем самым гипотезу "морального риска" (moral hazard). Также, это были менее капитализированные банки, которые имели меньше резервов и сильно полагались на заемные фонды. Это исследование также принимает во внимание техническую эффективность банков — она служит переменной, аппроксимирующей (proxy) качество менеджмента. Не удивительно, что более эффективные банки имели больше шансов выжить. Molina (2002) использовал подобную модель для изучения банковского кризиса в развивающейся стране — Венесуэле. Он пришел к выводу, что выжившие банки имели большую прибыльность и большее количество государственных долговых обязательств. Gonzalez, Pazarbasioglu, Billings (1997) делают значительный шаг вперед, предполагая что не только данные микро уровня, а также макроэкономические условия и потенциальный эффект цепной реакции (contagion) определяют устойчивость банка. Следуя Cole, Gunther (1995), они также отмечают, что вероятность провала и время провала зависят от разных факторов. Используя модель logit и анализ выживания, они установили, что в случае мексиканского кризиса 1994 г., "макроэкономические факторы сыграли основную роль" (стр. 307) в объяснении времени провала, вероятность же провала больше зависела от факторов микро уровня, а эффект цепной реакции важен в обоих случаях. Gonzales (1999) продолжила поиск "интегрированного подхода". Она смоделировала провал как зависимость от риска ликвидности, рыночного риска и кредитного риска, и предложила переменные, описывающие эти риски, наряду с некоторыми мерами эффективности. Она за-
1
Хорошее начальное представление об этом вопросе дает Heffernan (1996).
Консорциум экономических исследований и образования, Россия и СНГ
7
ключает, что "устойчивые и неустойчивые банки имеют различные характеристики, зависящие от различного уровня принятия рисков". Это подтверждается ее оценкой модели пропорционального риска для трех эпизодов кризиса в США, а также в Мексике и Колумбии. Как в "микро" так и в "макро" исследованиях были использованы модели с бинарной зависимой переменной (logit/probit), которые стали стандартной часть эконометрического анализа (Amemiya, 1981; Greene, 1998) или анализ выживания (Kiefer, 1988), а точнее модель пропорционального риска (МПР) Кокса (Cox, 1972). В этом исследовании мы следуем Gonzalez (1999), отмечая влияние как микро- так и макроэкономических факторов, а также важность определения дистресса, ведущего к проблемам в банковском секторе. Переменные, описывающие эффект цепной реакции, будут также включены. Как и у Wheelock, Wilson (1995), эффективность будет измерена посредством метода оборачивания данных (МОД). Существуют два конкурирующих исследования, изучающих провалы российских банков. Пересецкий и др. (2004) изучали как кластеризация банков влияет на предсказательную способность модели с бинарной зависимой переменной и также нашли, что макроэкономические переменные являются значимыми при объяснении провалов. Стырин (2005) рассматривал значимость икс-эффективности, измеренной с помощью Метода Стохастического Рубежа. Это исследование состоит их трех взаимосвязанных частей — 1) измерение эффективности, 2) оценка вероятности провала и продолжительности выживания отдельных банков, 3) рассмотрение путей предсказания провалов.
3. ОСОБЕННОСТИ БАНКОВСКОГО СЕКТОРА РОССИИ 3.1. Краткое описание российского банковского сектора За последние 20 лет банковская система России претерпела значительные изменения: из советского типа одноуровневой системы, состоящей всего их нескольких банков, она превратилась в достаточно эффективную систему финансового посредничества (Эксперт, №13, 2003). Как показано в табл. 1, классические функции банков по привлечению вкладов, выдаче кредитов и обслуживанию счетов вытесняют операции с государственными ценными бумагами и бюджетными средствами. Начиная с 1998 г., эта тенденция сопровождается стабильным ростом активов и собственного капитала. Волна отозванных лицензий в 1995 г. и финансовый кризис 1998 г. последовали за быстрым ростом банков в начале 90-х. В табл. 2 представлена динамика банковских провалов в России. После принятия закона "О банкротстве кредитных организаций" в 1999 г. и начала его применения в 2000 г., количество банков с лицензиями, отозванными на основании нарушения нормативов, установленных ЦБ РФ, увеличилось в 2000 г., а затем пошло на убыль.
Консорциум экономических исследований и образования, Россия и СНГ
8
Таблица 1. Основные показатели российской банковской системы (% ВВП). Конец года
1996
1997
1998
1999
2000
2001
2002
Активы
28.4
30.3
38.2
33.3
33.4
34.4
37.0
Кредиты нефинансовому сектору
8.2
9.6
12.2
10.8
12.0
14.7
16.2
Ликвидные активы (включая МБК)
5.0
4.7
8.0
9.2
8.6
7.9
6.1
Государственные ценные бумаги
6.0
6.7
6.6
4.5
4.4
3.7
3.8
Собственный капитал
6.4
5.7
4.7
4.8
4.6
5.6
5.7
Вклады юридических лиц
5.2
6.6
10.6
9.9
10.0
10.0
10.8
Вклады физических лиц
6.9
7.1
7.3
6.2
6.1
7.5
8.3
Источник: Центр Развития (2002) www.dcenter.ru.
Таблица 2. Количество банков, зарегистрированных ЦБР в России, 1991–2003 гг. Показатель
1997 г.
1998 г.
1999 г.
2000 г.
2001 г.
2002 г.
2003 г.
Зарегистрировано банков
2552
2481
2376
2124
2001
1826
1725
Действующих банков
1697
1476
1401
1344
1311
1319
1329
Банков с отозванными лицензиями
62
75
100
258
148
112
108
Источник: Веб-сайт ЦБР, 2005 www.cbr.ru.
Некоторые специфические особенности российской банковской системы должны также быть приняты во внимание. Одна из таких особенностей — дисбаланс регионального расположения банков. Около 50% всех банков располагается в Москве и Московской области (см. рис. 1). 700 600 500 400 300 200
Рис. 1. Банки по Регионам, 2003 г.
Дальневосточный регион
Сибирский регион
Уральский регион
Поволжский регион
Северо-западный регион
Центральный регион (без Москвы)
Москва и Московская обл.
0
Южный регион
100
Консорциум экономических исследований и образования, Россия и СНГ
9
Доминирование столичных банков по концентрации активов еще значительнее. Из 30 крупнейших банков 26 расположены в Москве, а оставшиеся четыре — в С-Петербурге. Другой особенностью, влияющей на деятельность банков, является структура собственности. Можно выделить четыре вида банков: 1) крупные банки, многие из которых находятся в государственной собственности; 2) банки с участием иностранного капитала; 3) банки, входящие в состав финансово-промышленных групп (ФПГ); 4) все остальные — "обычные" банки. Однако первые три группы банков составляют незначительную пропорцию от общего числа банков. Количество банков со 100% иностранным капиталом увеличилось с 4 в конце 1998 г. до 14 в начале 2005 г., а их совокупные активы составляют менее законодательно установленного максимума — 12% от активов всего банковского сектора. "Увеличение открытости российского банковского сектора для участия иностранцев обсуждалось в рамках переговоров по вступлению России в ВТО, однако местные банки продолжают составлять ожесточенную оппозицию," сообщает the Economist (2004) www.eiu.com. Принимая во внимание эти особенности российского банковского сектора мы теперь перейдем к определению факторов, приводящих к провалам, и моделированию этих процессов. 3.2. Выбор переменных Мы анализируем как микро- так и макроэкономические условия, которые вносят свою лепту в развитие кризиса. Наш анализ и выбор переменных в большей степени основывается на работах Gonzalez (1999), Gonzalez, Pazarbasioglu, Billings (1997), Wheelock, Wilson (1995), Malleret (1999) и Энтов (1999). Далее мы представляем переменные, включенные в эконометрическую модель, и предполагаемое направление их воздействия. Табл. 3 представляет перечень переменных и их предполагаемое воздействие на вероятность дефолта и выживания банка. Мы начнем с общих макроэкономических условий, которые часто ведут проблемам в банковской сфере. Рост реальной процентной ставки (INTR) может являться сигналом о повышении доли "плохих" активов и желании привлечь больше средств для покрытия ожидаемых потерь, поэтому мы ожидаем, что эта переменная будет иметь положительный коэффициент. Отношение общей суммы кредитов всего банковского сектора к ВВП (BGDP) используется как индикатор силы эффекта цепной реакции, вызывающей набеги на банки. Доля просроченных кредитов в общей сумме кредитов банковской системы (NPTL) выше в неустойчивой системе и тоже делает вклад в набеги на банки. Потому как регионы России существенно отличаются в отношении ресурсов, населения, валового регионального продукта, количества банков и обеспеченности банковскими услугами, переменные регионального уровня могут быть важными факторами, влияющими на устойчивость банков. Поэтому переменные BGDP и NPTL представлены в модели на региональном уровне. Предполагается, что обе эти переменные усиливают вероятность дефолта. Потому как информация по этим двум переменным только доступна на конец года, мы будем использовать другие макроэкономичские перемен-
Консорциум экономических исследований и образования, Россия и СНГ
10
ные вместе с данными, которые дополнительно включают и полугодовые показатели. Мы включаем GDP — валовой национальный продукт, CPI — индекс потребительских цен, EXRT — объем экспорта. Растущий ВНП сигнализиует о здоровой экономике и должен снижать вероятность провалов и увеличивать выживание. Увеличивающийся индекс потребительских цен обозначает присутствие инфляции, которая часто работает "в пользу банков — их активы переоцениваются быстрее, чем их обязательства; инфляцию уменьшает значение просроченных кредитов," — указывает the Economist (2004). Таким образом, мы ожидаем, что CPI будет негативно влиять на провалы и позитивно на выживание. Экспорт обычно уваличивается когда местная вылюта обесценивается, что влечет "усыхание" иностранных резервов, что отрицательно влияет на устойчивость банков. Taблица 3. Независимые переменные. Ожидаемый знак Переменная
Описание Logit
МПР
Микроэкономические факторы CAPT
Капитал/Активы
–
+
NPLN
Просроченные кредиты/Кредиты
+
–
GKOT
Государственные Ценные бумаги/Активы
+/–
–/+
INBL
Межбанковские кредиты/Активы
+/–
–/+
LNRD
Кредиты резидентам/Активы
+
–
LNNR
Кредиты нерезидентам/Активы
+
–
DEPP
Частные депозиты/Активы
–
+
DEPB
Другие вклады/Активы
–
+
LIQA
Ликвидные активы/Активы
–
+
PROF
Маржа
+/–
+
SIZE
Логарифм Активов
–
+
EFFD
Эффективность
–
+
MOSD
Московский/региональный банк
+/–
–/+
Макроэкономические факторы — данные на конец года INTR
Реальная процентная ставка
+
–
BGDP
Сумма кредитов банковской системы/ВВП
+
–
NPTL
Просроченные кредиты/Кредиты
+
–
Макроэкономические факторы — данные за каждые полгода GDP
Валовой Национальный Продукт
–
+
CPI
Индекс потребительских цен
–
+
EXRT
Экспорт
+
–
Консорциум экономических исследований и образования, Россия и СНГ
11
В то время как макроэкономические шоки влияют на все банки, факт того, что только часть из них теряет лицензии, свидетельствует о том, что существуют переменные, специфичные для банков, которые делают одних более устойчивыми, а других более продверженных шокам. Банки с большим весом капитала (CAPT) имеют больше шансов выжить, т.к. их "резерв" больше. Отношение просроченных кредитов к общему количеству кредитов (NPLN) служит индикатором качества активов. Кредитный риск, апроксимированный долей кредитов в активах банка (LNTA) выше для банков, где эта доля больше. Отношение кредитов резидентам и нерезидентам к активам (LNRD, LNNR) говорит об уровне рыночного риска. Риск ликвидности измеряется долей ликвидных активов в общих активах (LIQA), долей частных депозитов в активах (DEPP) и долей других вкдадов (DEPВ). Более низкий уровень риска обычно ассоциируется с меньшими шансами провала. Прибыльность (PROF) указывает на хорошо работающий банк. Однако некоторые агрессивные банки, выдающие рисковые кредиты, могут иметь очень высокие показатели прибыльности за несколько периодов перед провалом. Поэтому направление влияния этой переменной заблаговременно не ясно. Логарифм активов (SIZE) используется для контроля размера банка. Часто крупные банки считаются наиболее устойчивыми, однако это не всегда работает в случае России. Оценка эффективности (EFFD) используется как индикатор качества менеджмента (процедура ее получения описывается в разд. 3.4.). Мы ожидаем, что более эффективные банки являются более устойчивыми. Для того, чтобы принять во внимание специфические особенности российского банковского сектора, мы включаем бинарную переменную MOSD, чтобы различить московские и региональные банки. Мы ожидаем увидеть больше провалов среди московских банков, потому как рынок кредита в Москве более узкий из-за сильной конкуренции, поэтому менее надежные заемщики могут достаточно легко получить кредит. Эта переменная также может рассматриваться как аппроксимирующая уровень конкурентности. Информация о различных видах лицензий не представляет большого интереса. По оценкам ЦБР (ЦБР, 2003, www.cbr.ru), присутствует четкая тенденция универсализации банковских операций. По состоянию на 01.01.2003, 22% банков имели генеральную лицензию, позволяющую осуществлять широкий спектр операций, 63% банков имели лицензию как на рублевые, так и на валютные операции. Кроме того, около 90% банков имеют право на привлечение вкладов физических лиц. Мы используем описанные переменные в модели logit, где зависимая переменная принимает значение 1 в случае провала банка или 0 в случае выживания. В анализе выживания также используются переменные из табл. 3. Мы получим оценки параметров и увидим, какие факторы определяют устойчивость банков. Теперь перейдем к теоретическому описанию предложенных моделей.
Консорциум экономических исследований и образования, Россия и СНГ
12
4. ОПИСАНИЕ ЭКОНОМЕТРИЧЕСКИХ МОДЕЛЕЙ 4.1. Вероятность провала В модели logit используется бинарная зависимая переменная, указывающая на провал (1) или на выживание (0) отдельного банка (см. Greene, 1998; Амемия, 1981) как на функцию от х:
Pr(Y = 1) = F ( β ′x),
Pr(Y = 0) = 1 − F ( β ′x) .
Для данного множества регрессоров необходимо чтобы выполнялось lim Pr(Y = 1) = 1 .
β ′x →∞
В этой модели для F ( β ′x) используется логистическое распределение (logistic distribution) и Pr(Y = 1) =
e β ′x = Λ ( β ′x) . 1 + e β ′x
Теперь, регрессионная модель — условное математическое ожидание: E ( y | x) = 0[1 − F ( β ′x)] + 1[ F ( β ′x)] = F ( β ′x) , оценивается методом наибольшего правдоподобия. Оценки параметров не равняются маржинальным эффектам (marginal effects), которые находятся по формуле ∂E ( y | x) ⎛ ∂Λ ( β ′x) ⎞ e β ′x =⎜ β = β = Λ( β ′x) ⋅ [1 − Λ ( β ′x)]β . ⎟ ∂x (1 + e β ′x ) 2 ⎝ ∂x ⎠
Согласно этой формуле, маржинальный эффект будет различен для каждого наблюдения. Поэтому мы будем использовать среднее маржинальных эффектов всех наблюдений. 4.2. Модель пропорционального риска
В качестве модели для оценки времени до провала мы используем модель пропорционального риска, разработанную Коксом (Сох, 1972) и популяризированную Kiefer (1988). В этой модели предполагается зависимость риска
λ (t ) = λ0 (t )e zβ , где λ0 (t ) — средний уровень риска, идентичный для всех банков в выборке; z — вектор независимых переменных, влияющих на общий уровень риска для каждого банка; β — вектор параметров; t — время. Функциональная форма среднего уровня риска здесь не регламентируется. Оценка модели производится с помощью метода наибольшего правдоподобия. Условная вероятность провала банка 1 во время t1, зная что любой из n банков может провалиться в t1, это exp( z1β )
∑1 exp( zi β ) n
Консорциум экономических исследований и образования, Россия и СНГ
13
— вклад самого короткого случая выживания в пропорциональное правдоподобие. Функция правдоподобия формируется перемножением индивидуальных вкладов: n
L( β ) = ∏ i =1
exp( z1β )
∑1 exp( zi β ) n
.
Банки, которые не проваливаются в течение всего рассматриваемого периода считаются сенсорными (censored) и не включаются в функцию наибольшего правдоподобия. 4.3. Оценка эффективности
Следуя Wheelock, Wilson (1995), мы используем непараметрический метод линейного программирования — метод оборачивания данных — (МОД) для оценки индивидуальной эффективности каждого из банков чтобы включить эту оценку в предыдущие модели как индикатор качества менеджмента2. Предположим, что у нас К банковских фирм, каждая производит М продуктов у, y ∈ ℜ+M ,
и использует N факторов производства x, x ∈ℜ +N .
Дополнительно, R факторов производства e, e ∈ℜ+R ,
квазификсированы, в том смысле, что они не могут быть изменены в коротком интервале. (Это используется для уставного капитала чтобы отразить, что банки не могут его произвольного сокращать из-за нормативов ЦБР; уставной капитал также служит индикатором предпочтения риска). Факторо-сберегающая мера технической эффективности Фаррела (Farrell Input-Saving Measure of Technical Efficiency) определяется как Fi ( y, x) = min {λ ∈ [0,1] : (λ x, e) ∈ T } ,
где Т — гипотетическое множество технологических возможностей. В МОД конструируют технологию как "наиболее сжатый выпуклый конус" (tightest convex disposal cone), что апроксимируется из наблюдаемых данных с помощью модели анализа деятельности (activity analysis model) (детально см. Fare, Grosskopf, 1996): Tˆ = { ( x, e, y ) :
∑ k =1 K
∑ k =1 K
2
zk ykm ≥ ym , m = 1,… , M ; ∑ k =1 zk xkn ≤ xn , n = 1,… , N ; K
zk ekr ≤ er , r = 1,… , R; zk ≥ 0, k = 1,… , K
},
Параметрические методы, например, метод стохастического рубежа, также могут быть использованы. Некоторые исследования в этой области показали, что оба метода дают сходные результаты (см. Ferrier, Lovell, 1990; Resti, 1997).
Консорциум экономических исследований и образования, Россия и СНГ
14
где z это вектор (размерности K) переменных интенсивности. Табл. 4 описывает переменные, используемые для приложения этого метода3. Таблица 4. Описание переменных для МОД. Переменная
Название
Описание
y1
Кредиты
Всего кредитов, денежный объем
y2
Непроцентный доход
Чистый доход от торговли валютой и ценными бумагами
x1
Труд
Затраты на заработную плату
x2
Капитал
Здания и оборудование
x3
Вклады
Всего депозитов, денежный объем
x4
Прочие расходы
Накладные расходы, коммерческие расходы
x5
Прочие заемные средства
Кроме вкладов, включая межбанковские кредиты
e1
Уставной капитал
Оплаченный капитал, скорректированный на убытки
5. ДАННЫЕ И РЕЗУЛЬТАТЫ 5.1. Описание данных
Мы используем две панели российских банков, полученные от информационного агентства "Интерфакс". Первая панель состоит из балансовых отчетов и отчетов о финансовых результатах на конец года (четвертый квартал) за 1999—2002 гг. Вторая панель включает информацию за полугодия (второй квартал) со второго квартала 1999 по второй квартал 2003 г. Количество банков, по периодам представлено в табл. 5. Таблица 5. Количество банков в выборке. 1999, 2 кв.
1999, 4 кв.
2000, 2 кв.
2000, 4 кв.
2001, 2 кв.
2001, 4 кв.
2002, 2 кв.
2002, 4 кв.
2003, 2 кв.
Всего
Панель 1
–
1244
–
1239
–
1238
–
1269
–
4987
Панель 2
1241
1244
1220
1239
1225
1238
1257
1269
1254
11187
Провалы
8
17
20
25
18
13
11
10
10
132
Дата
Мы используем панель 1 для оценки влияния некоторых макроэкономических переменных на провалы. Потому как эта панель достаточно короткая (всего 4 периода), вариация пере-
3
Заметим, что при выборе переменных мы следуем подходу "посредничества", для которого депозиты — это ресурс. Для детального обзора этого и других подходов, см. Berger, Humphrey (1992).
Консорциум экономических исследований и образования, Россия и СНГ
15
менных, таких как совокупное значение кредитов в банковской системе, ВНП, совокупные просроченные кредиты, незначительна, несмотря на то, что мы использовали значения этих переменных по регионам. Эти данные взяты из Российского Статистического Ежегодника (2004) и доступны с лагом в 2 года. Мы используем панель 2 с полугодовой информацией для оценки модели с другим набором макроэкономических показателей. Становится также возможным использование более длинной панели (9 периодов), что должно позитивно сказаться на значимости оценок, полученных при применении этой модели. Макроэкономические показатели для этой формулировки доступны на вэб-сайте ЦБ РФ www.cbr.ru. Обе панели также содержат сведения по небанковским организациям, которые были удалены. Банки с отрицательным капиталом также были удалены, потому как это критично для МОД. Мы также удалили банки с неполной информацией. 5.2. Результаты
Сначала мы рассчитали показатели эффективности для каждого банка, применяя МОД. Мы оценили "рубежи" для каждого года отдельно. Затем эти показатели были добавлены к основной базе данных. В табл. 6 и 7 представлены результаты оценки модели logit — в табл. 6 для панели 1, и в табл. 7 для панели 2. Для каждой панели мы используем четыре модели, сначала добавляя значение эффективности к микроэкономическим переменным, затем бинарные переменные для времени и макроэкономические показатели. Согласно показателям адекватности моделей и количеству значимых переменных в табл. 6, Модель 3, которая включает показатель эффективности и временные бинарные переменные, является наиболее предпочтительной. Все временные бинарные переменные являются значимыми, указывая на то, что существует значительная разница между провалами по годам. Таблица 6. Результаты оценки модели logit, данные на конец года — панель 1 (1999, 2000, 2001, 2002 гг.). Модель 1
Модель 2
Модель 3
Модель 4
Микроэкономические факторы INTER
Константа
–2.29*
–2.42*
–1.47**
–1.49**
CAPT
Капитал/Активы
–1.21
–1.21
–1.67**
–1.67**
NPLN
Просроч. Кредиты/Кредиты
–0.03
–0.01
–0.01
–0.02
GKOT
Госуд. Ценные бумаги/Активы
1.09*
1.07*
0.94*
0.96*
INBL
Межбанк. Кредиты/Активы
–2.98
–3.37
–3.04
–3.12
LNRD
Кредиты резидентам/Активы
0.71
0.41
0.24
0.20
LNNR
Кредиты нерезидентам/Активы
0.87
0.43
2.09*
2.03*
DEPP
Частные депозиты/Активы
–0.44
–0.71
–1.28
–1.17***
Консорциум экономических исследований и образования, Россия и СНГ
16
Модель 1
Модель 2
Модель 3
Модель 4
DEPB
Другие вклады/активы
–0.61
–0.61
–1.31**
–1.28**
LIQA
Ликвидные активы/Активы
–0.23*
–0.02*
–0.02*
–0.02*
PROF
Маржа
–0.01
–0.01
–0.01
–0.01
SIZE
Логарифм Активов
–0.22*
–0.20*
–0.15**
–0.18**
MOSD
Московский/регион. Банк
1.13*
1.06*
1.03*
0.89*
EFFD
Эффективность
–
–0.01**
–0.01**
–0.01**
D 00
Бинарная переменная для 2000
–
–
–0.79**
–0.86
D 01
Бинарная переменная для 2001
–
–
–0.22**
–0.47
D 02
Бинарная переменная для 2002
–
–
–1.59*
–1.93**
Макроэкономические факторы INTR
Ставка процента
–
–
–
0.0001
BGDP
Совокупные кредиты/ВВП
–
–
–
0.02
NPTL
Совок. просроч. кредиты/Кредиты
–
–
–
0.001
Адекватность модели (только константа / константа и другие переменные) AIC
735 / 697
735 / 698
735 / 693
735 / 698
SC
781 / 742
796 / 742
804 / 742
828 / 742
– 2 log L
733 / 671
733 / 668
733 / 659
733 / 658
Глобальная нулевая гипотеза: β = 0 (значение вероятности в скобках) LR
62.5 (0.0001)
65.1 (0.0001)
73.7 (0.0001)
75.1 (0.0001)
Score
119 (0.0001)
156 (0.0001)
162 (0.0001)
165 (0.0001)
Wald
51.6 (0.0001)
56.5 (0.0001)
64.7 (0.0001)
66.3 (0.0001)
Примечание: Модель 1 — микро, без EFF; Модель 2 — микро и EFF; Модель 3 — микро, EFF, бин.-год; Модель 4 — микро, EFF, бин.-год. * — значимый при 1%; ** — значимый при 5%; *** — значимый при 10%.
Все переменные, за исключением САРТ, имеют ожидаемый знак. Отрицательный знак у оценки САРТ может означать, что банки с низким уровнем капитала могут это осознавать и вести себя очень осторожно, по сравнению с другими банками, которые несут более высокие риски. Эффективность играет важную роль в определении устойчивости банка, указывая на то, что хороший менеджмент — необходимая составляющая устойчивого банка. Чем выше уровень просроченных кредитов и остатков по государственным ценным бумагам, тем выше риск провала. Большая величина кредитов нерезидентам положительно влияет на банковские дефолты. Ликвидность, напротив, смягчает шоки и набеги на банки.
Консорциум экономических исследований и образования, Россия и СНГ
17
Таблица 7. Результаты оценки модели logit, полугодовые данные — панель 2 (1999 г. (2 кв., 4 кв.), 2000 г. (2 кв., 4 кв.), 2001 г. (2 кв., 4 кв.), 2002 г. (2 кв., 4 кв.), 2003 г. (2 кв.)). Модель 1
Модель 2
Модель 3
Модель 4
Микроэкономические факторы INTER
Константа
–3.15*
–3.41*
–3.83*
–4.51*
CAPT
Капитал/Активы
–0.28***
–0.19
–0.74***
–0.58
NPLN
Просроч. Кредиты/Кредиты
0.21
0.01
0.06
0.08
GKOT
Госуд. Ценные бумаги/Активы
1.20*
1.21*
1.05*
1.06*
INBL
Межбанк. Кредиты/Активы
–3.13**
–3.14**
–2.96***
–2.81***
LNRD
Кредиты резидентам/Активы
0.56***
0.65**
0.62
0.87**
LNNR
Кредиты нерезидентам/Активы
0.99*
0.96*
1.84*
1.25**
DEPP
Частные депозиты/Активы
–2.80*
–2.62*
–2.95*
–2.60*
DEPB
Другие вклады/активы
–0.005
–0.03
–0.68***
–0.51
LIQA
Ликвидные активы/Активы
–0.27*
–0.25*
–0.02*
–0.02*
PROF
Маржа
–0.001
–0.001
–0.001***
–0.001***
SIZE
Логарифм Активов
–0.003
–0.003
–0.003
0.006
MOSD
Московский/регион. Банк
–0.001
–0.001
–0.001
–0.001
EFFD
Эффективность
–
–0.0001*
–0.0001*
–0.0001*
D 99-4
Бин. Переменная для 4 кв. 1999
–
–
1.69*
–
D 00-2
Бин. Переменная для 2 кв. 2000
–
–
0.003
–
D 00-4
Бин. Переменная для 4 кв. 2000
–
–
0.87
–
D 01-2
Бин. Переменная для 2 кв. 2001
–
–
0.50
–
D 01-4
Бин. Переменная для 4 кв. 2001
–
–
1.30*
–
D 02-2
Бин. Переменная для 2 кв. 2002
–
–
0.54
–
D 02-4
Бин. Переменная для 4 кв. 2002
–
–
0.28
–
D 03-2
Бин. Переменная для 2 кв. 2003
–
–
0.32
–
Макроэкономические факторы GDP
ВВП
–
–
–
–0.001***
CPI
Индекс потребительских цен
–
–
–
0.07*
EXRT
Экспорт
–
–
–
–0.04
Адекватность модели (только константа / константа и другие переменные) AIC
1310/1265
1310/1259
1310/1260
1310/1246
SC
1318/1360
1318/1362
1318/1392
1318/1379
–2 log L
1308/1240
1309/1231
1308/1224
1308/1210
Глобальная нулевая гипотеза: β = 0 (значение вероятности в скобках) LR
69.1 (0.0001)
77.5 (0.0001)
83.9 (0.0001)
98.0 (0.0001)
Score
123 (0.0001)
208 (0.0001)
214 (0.0001)
232 (0.0001)
Wald
66.7 (0.0001)
77.9 (0.0001)
84.9 (0.0001)
101 (0.0001)
Примечание: Модель 1 — микро, без EFF; Модель 2 — микро и EFF; Модель 3 — микро, EFF, бин.-полгода; Модель 4 — микро, EFF, макро. * — значимый при 1%; ** — значимый при 5%; *** — значимый при 10%.
Консорциум экономических исследований и образования, Россия и СНГ
18
Мы видим, что добавление макроэкономических переменных не делает модель более привлекательной — ни одна их макро переменных не является статистически значимой в табл. 6. Глобальная нулевая гипотеза о том, что все коэффициенты равны нулю, отвергается всеми тестами для всех спецификаций модели logit. В этой модели мы можем использовать временные бинарные переменные вместе с макроэкономическими переменными, потому что макро переменные представлены на региональном уровне и варьируются для разных банков в одном и том же временном отрезке. По сравнению с панелью 1, панель 2 является более "длинной" — она включает 9 временных отрезков. Мы также применяем четыре спецификации для панели 2 (см. табл. 7), добавляя эффективность, макроэкономические переменные и временные бинарные переменные. Мы могли бы использовать временные бинарные переменные как для каждого года, так и для полугодовых отрезков, и, согласно результатам, модель с полугодовыми переменными немного лучше. Здесь мы можем использовать или только бинарные переменные, или только макро переменные, потому как иначе мы можем попасть в ловушку бинарных переменных. Результаты для панели 2 очень сходны с результатами для панели 1. Здесь также видно, что более высокие остатки по государственным ценным бумагам позитивно влияют на провалы, а ликвидность и эффективность имеют важное значение для снижения провалов. Как и ранее, все коэффициенты здесь имеют ожидаемые знаки, за исключением САРТ. Мы также ожидали увидеть разницу между банками различных размеров, а также Московскими и региональными банками. Но использование как данных панели 1, так и данных панели 2, показывает, что эти переменные не являются статистически значимыми. Принимая во внимание количество значимых переменных и показатели адекватности модели, выбрать наилучшую спецификацию в это случае затруднительно — Модель 3 и Модель 4 имеют примерно одинаковые показатели. Глобальная нулевая гипотеза также отвергается всеми тестами. Результаты оценки модели пропорционального риска представлены в табл. 8. Здесь мы только представляем результаты для панели 2, потому как использование данных панели 1 привело к сходным результатам, которые, однако, более уязвимые. Оценки параметров этой модели указывают на влияние на протяженность — время выживания — банка. Как и раньше, мы начали с простой модели, которая содержала только микроэкономические независимые переменные, а затем по очереди добавили эффективность, макроэкономические переменные, бинарные временные переменные. Согласно табл. 8, Модель 3, которая включает временные зависимые переменные, является наилучшей. Она содержит больше всего значимых переменных и имеет хорошие показатели адекватности.
Консорциум экономических исследований и образования, Россия и СНГ
19
Таблица 8. Результаты оценки модели пропорционального риска Кокса, полугодовые данные — панель 2 (1999 г. (2 кв., 4 кв.), 2000 г. (2 кв., 4 кв.) , 2001 г. (2 кв., 4 кв.), 2002 г. (2 кв., 4 кв.), 2003 г. (2 кв.)). Модель 1
Модель 2
Модель 3
Модель 4
Микроэкономические факторы CAPT
Капитал/Активы
–0.10
–0.01
–0.006
–0.29
NPLN
Просроч. Кредиты/Кредиты
–0.12
–0.08
–0.24
–0.47
GKOT
Госуд. Ценные бумаги/Активы
–0.96*
–0.95*
–0.77*
–0.69
INBL
Межбанк. Кредиты/Активы
–2.35
–2.40***
–1.95
–1.70
LNRD
Кредиты резидентам/Активы
0.69**
0.68**
0.88*
1.10
LNNR
Кредиты нерезидентам/Активы
0.94***
0.71
1.28*
1.43
DEPP
Частные депозиты/Активы
4.05*
3.96*
3.92*
3.84
DEPB
Другие вклады/активы
0.006
0.02
0.02
0.34
LIQA
Ликвидные активы/Активы
0.02*
0.02*
0.02*
0.01
PROF
Маржа
0.001***
0.001**
0.001**
0.001
SIZE
Логарифм Активов
0.09**
0.08
0.03
0.06
MOSD
Московский/регион. Банк
–0.001
–0.001
–0.0004
–0.0002
EFFD
Эффективность
–
0.0001*
0.0001*
0.0001*
D 00
Бинарная переменная для 2000
–
–
–1.08*
–
D 01
Бинарная переменная для 2001
–
–
–1.05*
–
D 02
Бинарная переменная для 2002
–
–
–1.67*
–
D 03
Бинарная переменная для 2003
–
–
–2.16*
–
Макроэкономические факторы GDP
ВВП
–
–
–
0.04
CPI
Индекс потребительских цен
–
–
–
0.09
EXRT
Экспорт
–
–
–
–0.09
Адекватность модели (без независимых переменных / с независимыми переменными) AIC
2025/1974
2025/1970
2025/1937
2025/1920
SC
2025/2007
2025/2007
2025/1984
2025/1967
–2 log L
2025/1950
2025/1945
2025/1903
2025/1886
Глобальная нулевая гипотеза: β = 0 (значение вероятности в скобках) LR
74.9 (0.0001)
80.7 (0.0001)
122 (0.0001)
139 (0.0001)
Score
95.7 (0.0001)
148 (0.0001)
200 (0.0001)
231 (0.0001)
Wald
86.1 (0.0001)
104 (0.0001)
142 (0.0001)
168 (0.0001)
Примечание: Модель 1 — микро, без EFF; Модель 2 — микро и EFF; Модель 3 — микро, EFF, бин.-год; Модель 4 — микро, EFF, макро. * — значимый при 1%; ** — значимый при 5%; *** — значимый при 10%.
Консорциум экономических исследований и образования, Россия и СНГ
20
Здесь также макроэкономические переменные не имеют значительного влияния на устойчивость банка. Этот результат также сохраняется при использовании панели 1. Согласно нашим результатам, длительность существования банка определяется в основном микроэкономическими переменными. Государственные ценные бумаги негативно влияют на выживание, в то время как эффективность и ликвидность представляются наиболее важными факторами, способствующими выживанию. Глобальная нулевая гипотеза о том, что все коэффициенты равны нулю, также отвергается. 5.3. Предсказание
Определив факторы, которые влияют на провалы и выживание, мы можем попытаться предсказать провалы. Одна возможность — использоват скоринг. Для этого оценки предыдущего периода применяются к данным настоящего периода, после чего предсказанные вероятности провалов могут быть сравнены с провалами, которые произошли на самом деле. Мы применяем наилучшие, по нашему мнению, модели их тех, что мы применяли. К сожалению, результаты не являются очень впечатляющими. К примеру, используя оценки второго квартала 1999 г. мы попробовали предсказать провалы в четвертом квартале 1999 г. Согласно нашему прогнозу, в четвертом квартале 14 банков имели вероятность провала выше 80%. Из них только 5 на самом деле провалились в четвертом квартале. Другие провалились в последующие периоды, а некоторые существуют до сих пор. Одим из объяснений такого результата может быть тот факт, что количество провалившихся банков в нашей выборке достаточно низкое по сравнению с генеральной совокупностью. Нам все же удалось получить достаточно неплохие результаты при оценке модели пропорционального риска и logit, но предсказание провалов страдает от этого. Другой вариант — использовать предложение Gonzalez (1997) и рассчитать индекс неустойчивости путем нахождения средней взвешенной вероятностей провалов для всех банков в периоде. Этот индекс может быть затем представлен в виде графика. В нашем случае этот вариант также не выглядит впечатляющим, поскольку выборка содержит нелоьшое количество провалов.
6. ЗАКЛЮЧЕНИЕ
В этом исследовании мы предлагаем разработать две модели для предсказания провалов банков в России. Первая модель — модель с бинарной зависимой переменной — для того, чтобы оценить вероятность провала банка и ключевые факторы, которые на это влияют. Вторая модель — модель пропорционального риска — служит для оценки ключевых переменных, обуславливающих время провала. Обе модели пытаются охватить влияние макроэкономических и микроэкономических факторов, которые считаются основными определяющими факторами здоровья как отдельного банка, так и банковского сектора в целом. В
Консорциум экономических исследований и образования, Россия и СНГ
21
дополнение, мы применяем вспомогательную модель для оценки эффективности банков, что является индикатором качества менеджмента. Согласно полученным нами результатам, факторы, специфичные для каждого банка в отдельности, играют важную роль в объяснении провалов и времени выживания банков, в то время как макроэкономические переменные не представляют большого значения. В частности, оценки эффективности являются значимыми, что говорит о том, что качество управления имеет весомое значение. Наши результаты не вполне соответствуют результатам, полученным Molina (2002) для банковской системы Венесуэлы. Он нашел, что более высокие остатки по государственным ценным бумагам и более высокие показатели маржи являются важными определяющими устойчивости банков. Этот факт не подтвердился в нашем исследовании. Однако наши результаты совпадают с Molina (2002) в том, что макроэкономические переменные не играют важной роли, а ликвидность и эффективность имеют весомое значение для стабильности банков. Стырин (2005) не нашел значимого подтверждения тому, что кросс-эффективность имеет весомое значение в предсказании провалов. В отличие от нашего исследования, он использовал метод стохастического рубежа для расчета показателя эффективности. Пересецкий и др. (2004) указывают, что макроэкономические переменные оказывают значительное воздействие на провалы, что не совсем соответствует результатам нашего исследования. В нашем случае использование временных бинарных переменных привело к лучшим результатам. Результаты нашей работы могут быть использованы регулирующими органами в таком ключе. Во-первых, при наличии хорошей выборки (что не должно быть препятствием для ЦБ РФ) представляется возможным использовать скорее для предсказания провалов и использовать эту информацию в качестве компонента системы раннего реагирования. Во-вторых, ЦБ РФ может использовать подобную модель для оценки устойчивости банков, подавших заявки на участие в недавно образованной системе страхования вкладов. Для этого нужно определить предельное значение для оценки вероятности провала и не принимать в систему страхования те банки, вероятность провала которых выше указанной предельной величины.
Консорциум экономических исследований и образования, Россия и СНГ
22
7. СПИСОК ЛИТЕРАТУРЫ Матовников М., Михайлов Л., Сычева Л., Тимофеев Е. (1999а) Политика финансовой стабилизации и банковский сектор (ЦБА, www.cemi.rssi.ru/rus/cba/strt-cba.htm). Матовников М., Михайлов Л., Сычева Л., Тимофеев Е. (1999b) Процессы концентрации в банковском секторе (ЦБА, www.cemi.rssi.ru/rus/cba/strt-cba.htm). Михайлов Л., Сычева, Л., Тимофеев, Е., Марушкина, Е. (2002) Банковская система в период посткризисной стабилизации (Москва, www.iet.ru). Сычева Л., Михайлов Л., Тимофеев Е., Марушкина Е., Сурков С. (2001) Кризис 1998 г. и восстановление банковской системы (Москва, www.iet.ru). Энтов Р.М (1999) Банковскии кризис: механизмы вызревания и развертывания кризисных процессов, (Москва, www.iet.ru). Amemiya T. (1981) Qualitative Response Models: A Survey, Journal of Economic Literature 19, 1483–1536. Barr R., Seiford L., Siems T.(1994) Forecasting Bank Failure: A Non-Parametric Frontier Estimation Approach, Recherches Economiques de Louvain 60, 417–429. Barr R.S., Siems T.F. (1998) Benchmarking the Productive Efficiency of US Banks, Financial Industry Studies, December, 11–24. Berg S., Forsund F., Hjalmarsson L., Suominen M. (1993) Banking Efficiency in Nordic countries, Journal of Banking and Finance 17, 317–349. Berger A., and D. Humphrey (1992) Measurement and Efficiency Issues in Commercial Banking, in: Zvi Griliches, ed., Output Measurement in Service Sector (Chicago: The University of Chicago Press). Berger A., Hannan T. (1991) Using Efficiency Measures to Distinguish among Alternative Explanations of StructurePerformance Relationship in Banking, Managerial Finance 10, 6–31. Berger A., Hannan T. (1998) The Efficiency Cost of Market Power in the Banking Industry: A Test of the 'Quiet Life' and Related Hypotheses, Review of Economics and Statistics 46, 454–465. Canova F. (1994) Were Financial Crises Predictable? Journal of Money, Credit and Banking 26 (1), 102–124. Cole R., Gunther J. (1995) Separating the likelihood and timing of bank failure, Journal of Banking and Finance 19, 1073–1089. Cox D. (1972) Regression Models and Life-Tables, Journal of the Royal Statistical Society 34, 187–220. Demirguc-Kunt A., Detragiache E. (1998) The Determinants of Banking Crises in Developing and Developed Countries, International Monetary Fund Staff Papers 40 (1), 81–109. English M., Grosskopf S., Hayes K., Yaisawarng S. (1993) Output Allocative and Technical Efficiency of Banks, Journal of Banking and Finance 17, 349–366. Evanoff D., Israilevich P. (1994) Productive Efficiency in Banking, Economic Perspectives (Chicago: Federal Reserve Bank of Chicago). Färe R., Grosskopf S. (1996) Intertemporal Production Frontiers: With Dynamic DEA (Boston: Kluwer Academic Publishers). Färe R., Grosskopf S., Weber W. (2000) The Effect of Risk-based Capital Requirements on Profit Efficiency in Banking, Working Paper of Oregon State University.
Консорциум экономических исследований и образования, Россия и СНГ
23
Ferrier G., Lovell C.K. (1990) Measuring Cost Efficiency in Banking: Econometric and Linear Programming Evidence, Journal of Econometrics 46, 229–245. Gonzalez-Hermosillo B. (1999) Determinants of Ex-Ante Banking System Distress: A Macro-Micro Empirical Exploration of Some Recent Episodes, Working Paper of International Monetary Fund WP/99/33. Gonzalez-Hermosillo B., Pazarbasioglu C., Billings R. (1997) Determinants of Banking System Fragility: A Case Study of Mexico, International Monetary Fund Staff Papers 44 (3), 295–314. Greene W. (1998) Econometric Analysis (New Jersey: Prentice Hall). Hardy D., Pazarbasioglu C. (1998) Leading Indicators of Banking Crises: Was Asia Different? Working Paper of International Monetary Fund WP/98/91. Heffernan S.A. (1996) Modern Banking in Theory and Practice (Chichester: John Wiley and Sons). Honohan P. (1997) Banking System Failures in Developing and Transition Countries: Diagnosis and Prediction, BIS Working Paper, January. Illarionov A. (1999) How the Russian Financial Crisis Was Organized, Problems of Economic Transition 41, 7–56. Kao C., Li S. (2004) Predicting bank performance with financial forecasts: A case of Taiwan commercial banks, Journal of Banking and Finance 28, 2353–2368. Kiefer N. (1988) Economic Duration Data and Hazard Functions, Journal of Economic Literature XXVI, 646–679. Kraft E., Tirtiroglu D. (1998) Bank Efficiency in Croatia: A Stochastic Frontier Analysis, Journal of Comparative Economics 26, 282–300. Malleret T., Orlova N., Romanov V. (1999) What Loaded and Triggered the Russian Crisis? Post-Soviet Affairs 15, 107–129. Meyer P., Pifer W. (1970) Prediction of Bank Failures, Journal of Finance 25, 853–868. Molina C. (2002) Predicting bank failures using a hazard model: the Venezuelan banking crisis, Emerging Markets Review 3, 31–50. Molina C. (2002) Predicting bank failures using a hazard model: the Venezuelan banking crisis, Emerging Markets Review 3, 31–50. Peresetsky A., Karminsky A., Golovan S. (2004) Probability of default models of Russian banks, BOFIT Discussion Paper 21/2004, www.bofit.fi. Pilloff S. (2005) Banking, in: W. Adams and J. Brock, eds., The Structure of American Industry (New Jersey: Prentice Hall). Resti A. (1997) Evaluating the cost-efficiency of the Italian banking system: what can be learned from the joint application of parametric and non-parametric techniques, Journal of Banking and Finance 21, 221–250. Salonen I. (1996) Russian Commercial Banks: A Banker's View, in: Russia's Financial Markets and the Banking Sector in Transition (Bank of Finland). Styrin K. (2005) X-inefficiency, Moral Hazard, and Bank Failures, EERC project No. 01-258. Sycheva L., Mikhailov L., Timofeev E., Marushkina E., Surkov S. (2001) Krisis 1998 goda i vosstanovlenie bankovskoi systemy (Moscow: www.iet.ru). Wheelock D., Wilson P. (1995) Explaining Bank Failures: Deposit Insurance, Regulation, and Efficiency, Review of Economics and Statistic 77, 689–700. Zaim, O. (1995) The Effect of Financial Liberalization on the Efficiency of Turkish Commercial Banks, Applied Financial Economics 5, 257–264.
