Моделирование вероятности дефолта корпоративных заемщиков банков тема диссертации по экономике, полный текст автореферата

Автореферат диссертации по теме "Моделирование вероятности дефолта корпоративных заемщиков банков"

На правах рукописи

Тотьмянина Ксения Михайловна

Моделирование вероятности дефолта корпоративных заемщиков

банков

Специальность 08.00.10 - Финансы, денежное обращение и кредит

Автореферат диссертации на соискание ученой степени кандидата экономических наук

7 АВГ 2014

Москва - 2014

005551643

Работа выполнена на кафедре банковского дела федерального государственного автономного образовательного учреждения высшего профессионального образования «Национальный исследовательский университет «Высшая школа экономики».

Научный руководитель: доктор экономических наук, доктор технических

Защита состоится 7 октября 2014 г. в 14:00 часов на заседании диссертационного совета Д 212.048.07 при Национальном исследовательском университете «Высшая школа экономики» по адресу: 101000, г. Москва, ул. Мясницкая, д. 20, ауд. 327-К. С диссертацией можно ознакомиться в библиотеке и на сайте ("http://www.hse.ru/) Национального исследовательского университета «Высшая школа экономики».

наук, профессор

Карминский Александр Маркович

Официальные оппоненты: Поморина Марина Александровна

доктор экономических наук, доцент, Финансовый университет при Правительстве Российской Федерации, профессор кафедры «Банки и банковский менеджмент». Замковой Сергей Валерьевич кандидат экономических наук, ОАО «Всероссийский банк развития регионов», начальник Департамента рисков.

Ведущая организация: Российский университет дружбы народов (РУДН)

Автореферат разослан

2014 г.

Ученый секретарь диссертационного совета,

доктор экономических наук, профессор Философова Татьяна Георгиевна

ОБЩАЯ ХАРАКТЕРИСТИКА ДИССЕРТАЦИОННОЙ РАБОТЫ

Актуальность темы исследования. Кредитование корпоративного сектора представляет собой значительную часть деятельности российского банковского бизнеса. По состоянию на начало 2014 г. объем кредитования нефинансовых организаций составил порядка 56% величины кредитного портфеля и 39% величины активов российских банков. Между тем уровень просроченной задолженности корпоративного кредитного портфеля имеет тенденцию к росту. Дальнейший рост доли дефолтов в корпоративных портфелях банков может явиться причиной нестабильности банковского сектора и финансовой системы в целом.

В то же время, в результате ограниченности исторических статистических данных, закрытости рынков и наличия институциональных и законодательных барьеров, снижающих предсказательную силу рыночных сигналов, число исследований и моделей оценки вероятности дефолта для российского сектора корпоративного кредитования весьма ограничено. Использование инструментов, построенных на основе зарубежных данных и рынков, не всегда дает адекватные результаты, так как в этом случае не принимаются во внимание особенности российской институциональной и финансовой среды.

Значительная доля кредитования на российском рынке представлена кредитованием компаний строительной отрасли. Кризис 2007-2009 гг. показал, что компании данной отрасли в значительной степени подвержены влиянию макроэкономических шоков, что обуславливает интерес к построению модели . оценки вероятности дефолта именно для предприятий строительной отрасли. В рамках данной диссертационной работы рассматривается один из подходов к моделированию вероятности дефолта компаний строительной отрасли -использование ^к-моделей бинарного выбора на основе данных финансовой отчетности, институциональных характеристик, а также макроэкономических показателей, как инструмента учета эффекта цикличности экономики.

Цель исследования. Цель данной работы - разработка модели оценки вероятности дефолта корпоративных заемщиков на примере компаний строительной отрасли с использованием данных финансовой отчетности предприятий, данных о динамике макроэкономических показателей, а также нефинансовых институциональных показателей.

Основные задачи исследования. Для достижения поставленной цели, необходимо решить следующие задачи:

• систематизировать критерии события «дефолт», существующие в отечественной и зарубежной практике;

• представить классификацию, оценить достоинства и недостатки существующих моделей оценки вероятности дефолта;

• систематизировать существующие подходы к определению эффекта процикличности, представить классификацию инструментов снижения данного эффекта при моделировании кредитного риска;

• собрать необходимую статистическую информацию и сформировать репрезентативную выборку для построения модели на основе данных по российской экономике;

• выделить риск-доминирующие показатели (финансовые, макроэкономические и институциональные), позволяющие наилучшим образом разделять анализируемые компании с точки зрения признака «дефолт»/«не дефолт»;

• на основе выделенных показателей построить совокупность многофакторных моделей оценки вероятности дефолта компаний строительной отрасли, провести анализ качества полученных моделей и представить их экономическую интерпретацию.

Объект и предмет исследования. Объектом исследования являются российские компании, потенциальные заемщики российских банков (на примере компаний строительной отрасли). Предметом исследования является оценка вероятности дефолта корпоративных заемщиков.

Теоретическая и информационная база исследования. Научные положения диссертационного исследования базировались на трудах зарубежных (Е. Altman, W. Beaver, R. Merton, и др.) и российских (A.M. Карминский, А.А. Пересецкий, М.В. Помазанов и др.) авторов. Обоснованность научных положений и рекомендаций, содержащихся в диссертации, подтверждается соответствием исследования основным , положениям теории вероятностного моделирования и финансового риск-менеджмента, а также сопоставимостью полученных результатов с уже существующими исследованиями.

Основой информационной базы исследования являются несколько источников: информационная аналитическая система FIRA PRO, данные, размещенные на сайтах Банка России, Федеральной службы государственной статистики, Высшего арбитражного суда РФ.

Научные методы исследования. В рамках диссертационного исследования использовались такие методы научного анализа, как: обзор, синтез, систематизация, сравнительный анализ и классификация. В практической части применялись методы статистического анализа и эконометрического моделирования. Для целей многофакторного : моделирования вероятности дефолта в работе использовалась модель бинарного выбора на основе logit-спецификации.

Научная новизна исследования. По итогам диссертационного исследования были предложены подходы к отбору риск-доминирующих показателей. На основе общедоступных данных о российских компаниях (на примере компаний строительной отрасли) был реализован отбор риск-доминирующих показателей (финансовых, макроэкономических и институциональных) и осуществлено многофакторное моделирование вероятности дефолта с учетом отобранных факторов.

Основные научные результаты работы. Наиболее существенными научными результатами, определившими научную новизну диссертационного исследования, являются:

1) На основе обзора основных критериев события «дефолт», используемых в мировой практике, выявлены отличительные черты различных подходов к определению дефолтного события.

2) По результатам сравнительного анализа различных подходов к моделированию вероятности дефолта и уровня кредитного риска предложена классификация существующих моделей оценки вероятности дефолта, проанализированы достоинства и недостатки каждого класса моделей, в том числе с точки зрения степени применимости для российской практики.

3) На основе сравнительного анализа существующих подходов к определению эффекта процикличности были систематизированы основные источники данного эффекта и предложена классификация инструментов снижения эффекта процикличности при моделировании кредитного риска.

4) Проведена комплексная оценка результатов применения различных подходов к определению риск-доминирующих показателей, использование которых позволяет получить статистически более значимые модели в рамках многофакторного анализа.

5) Разработаны многофакторные модели оценки вероятности дефолта на примере российских компаний строительной отрасли, представлена экономическая интерпретация выявленных при моделировании зависимостей.

Теоретическая и практическая значимость исследования. Теоретическую значимость имеет совокупность методов, предложенных для целей отбора риск-доминирующих показателей, и сравнительный анализ результатов применения данных методов. Дополнительно, теоретическую значимость также имеет предложенная классификация и систематизация основных существующих моделей оценки вероятности дефолта и инструментов снижения эффекта процикличности.

Практическая значимость результатов работы заключается в том, что предложенные подходы к формированию системы риск-доминирующих показателей позволяют получить статистически более значимые многофакторные модели оценки вероятности дефолта российских компаний. Предложенные подходы могут быть использованы в дальнейших работах, посвящённых оценке вероятности дефолта, в том числе для компаний различных отраслей и в условиях ограниченности статистической базы исследования, как в коммерческих банках, так и в системе пруденциального надзора.

Результаты диссертационного исследования использовались в рамках курса подготовки магистров направления «Банки и банковская деятельность» и при проведении научно-исследовательских семинаров в НИУ ВШЭ.

Теоретические и эмпирические результаты, указанные выше и представленные в диссертационной работе, автор выносит на защиту.

Апробация результатов. Основные положения диссертации обсуждались на научных конференциях и семинарах:

• на научно-исследовательском семинаре «Эмпирические исследования банковской деятельности» (сентябрь 2013г., НИУ ВШЭ, г. Москва);

• на международной научной конференции «Современные проблемы глобальной экономики: от торжества идей либерализма к новой "старой" экономической науке» (март 2014г., ФГОБУ ВПО «Финансовый университет при Правительстве РФ», г. Москва);

• на XV Апрельской международной научной конференции «Модернизация экономики и общества» (апрель 2014г., НИУ ВШЭ, г. Москва).

По результатам исследования автором опубликованы 4 научные статьи, в том числе 3 научные статьи в журналах из списка ВАК.

Структура работы. Диссертационная работа включает в себя введение, три главы, заключение, список библиографии и одно приложение.

Диссертационная работа состоит из 133 страниц текста, включает в себя библиографию из 108 наименований, 21 таблицу и 15 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Во введении представлено обоснование актуальности темы исследования, определены основная направленность и специализация диссертационной работы. Определены цель и основные задачи работы, предмет и объект исследования. Представлен сравнительный анализ вклада отечественных и зарубежных исследований, посвященных схожей тематике, и дано краткое описание основных методов, используемых в рамках данной работы. Представлено описание структуры и содержания работы, дана оценка полученных результатов и степени их апробации.

Согласно рекомендациям Базельского комитета по банковскому надзору (далее - БКБН) по внедрению подходов на основе внутренних рейтингов (далее - IRB-подход), вероятность дефолта заемщика является одним из основных компонентов, определяющих уровень кредитного риска. Именно поэтому высокую значимость имеют вопросы систематизации и структурирования основных методологических аспектов оценки вероятности дефолта. Решению данных задач посвящена первая глава диссертационного исследования. В данной главе рассмотрены основные критерии и определения события «дефолт», используемые в международной (соглашение Базель И, требования ISDA и др.) и российской (Закон о банкротстве, Стандарты эмиссии ценных бумаг, Письмо Банка России №192-Т и др.) практике.

В рамках международной банковской практики наиболее распространенный подход к определению дефолтного события представлен в соглашении Базель II, согласно которому дефолт заемщика считается произошедшим, в случае если имело место одно (или несколько одновременно) из следующих событий [Базель II, 2004]:

1. Банк считает, что заемщик не в состоянии полностью погасить свои кредитные обязательства без принятия банком решения о реализации обеспечения.

2. Заемщик имеет просрочку более чем на 90 дней по погашению любых существенных обязательств перед банком.

В части определения дефолта в российской банковской практике, термин «дефолт» определен в письме Банка России №192-Т. Критерии признания банкротства в данном документе аналогичны требованиям Базельского соглашения, при этом согласно письму Банка России №192-Т банк также может использовать более строгое определение дефолта, вводя дополнительные уточнения для различных классов кредитных требований [Письмо Банка России №192-Т, 2012].

Критерии дефолтного события определяются не только в банковской практике. Как правило, для рынка ценных бумаг выделяются свои критерии дефолтного события. Так в российском законодательстве термин «дефолт» также закреплен в ст. 7.2.16 «Стандартов эмиссии ценных бумаг и регистрации проспектов ценных бумаг» [Стандарты эмиссии, 2013]. Согласно данному документу одним из критериев дефолта, является неисполнение эмитентом обязательств по облигациям на срок более 10 рабочих дней.

Таким образом, на основе проведенного обзора существующих критериев дефолтного события можно заключить, что в зарубежной и отечественной практике существуют различные подходы к определению события «дефолт», но в общем случае вероятность дефолта характеризует риск неисполнения заемщиком обязательств по своему кредитному договору. Детальный анализ критериев и определений дефолтного события позволил сформировать более полное представление о природе и первопричинах данного события, результаты данного анализа использовались в рамках эмпирического исследования в последующих главах.

В первой главе также был проведен обзор, систематизация, классификация, анализ достоинств и недостатков существующих подходов к моделированию кредитного риска и вероятности дефолта, оценена возможность использования данных подходов в российской практике. Существует несколько основных методов оценки вероятности дефолта. В общем виде можно выделить следующие основополагающие классы моделей: структурные модели [Merton, 1974], модели сокращенных форм [Jarrow, Turnbull, 1995], скоринговые модели [Duran, 1941], модели дискриминантного анализа [Altman, 1968], модели на основе внешних рейтингов [Moses, Liao, 1987], модели на основе макроэкономических факторов [Wilson, 1997]. В зависимости от применяемого инструмента моделирования можно выделить модели бинарного выбора, методы нечеткой логики и нейронные сети.

Классификация основных моделей и подходов к оценке вероятности дефолта представлена на рис. 1.

Проведенный обзор и систематизация существующих моделей оценки вероятности дефолта позволили оценить достоинства и недостатки каждого метода и определить степень приемлемости того или иного метода для российской практики. Результаты данного анализа использовались при выборе методов моделирования вероятности дефолта в рамках эмпирического исследования в последующих главах.

При моделировании вероятности дефолта и оценке уровня кредитного риска, все большую актуальность принимает вопрос учета эффекта процикличности. В работе проведен обзор природы эффекта процикличности, ! представлен анализ источников данного эффекта, а также проведена систематизация и классификация существующих инструментов снижения его влияния в рамках процесса оценки кредитного риска.

Рис.

1. Классификация моделей оценки вероятности дефолта

Одно из первых определений эффекта процикличности дано в отчете Форума по финансовой стабильности, в котором эффект процикличности определяется как: «...динамические взаимодействия между финансовым и реальным секторами экономики, которые взаимно дополняют друг друга, вызывают усиления колебаний экономического цикла и ухудшение финансовый стабильности...» [Report of the Financial Stability Forum, 2009]. В общем случае к основным источникам эффекта процикличности можно отнести: пруденциальный контроль и характер регуляторных требований к достаточности капитала, поведение и ожидания экономических агентов, система вознаграждений и бонусов топ-менеджмента, ориентированная на краткосрочную перспективу, не учитывающая риски принимаемых решений. Существует несколько основных подходов к снижению эффекта процикличности, таких как: применение при моделировании оценок, усредненных за период экономического цикла, создание дополнительных буферов капитала, учет результатов стресс-тестирования или переход на динамическое резервирование. Один из возможных методов заключается в использовании макроэкономических факторов при оценке компонент кредитного риска в качестве меры циклического поведения экономики. Классификация основных инструментов снижения эффекта процикличности представлена на рис. 2.

Существенным этапом оценки вероятности дефолта, в значительной степени определяющим результаты моделирования, является этап формирования эмпирической выборки данных и отбора потенциально риск-значимых показателей. Решению данной задачи была посвящена вторая глава диссертационного исследования. На основе обзора существующих моделей оценки вероятности дефолта, были структурированы и систематизированы показатели (финансовые, макроэкономические и институциональные), потенциально значимые с точки зрения оценки вероятности дефолта корпоративных заемщиков.

Рис. 2. Классификация инструментов снижения эффекта процикличности

В общем виде потенциально риск-значимые финансовые показатели можно сгруппировать по следующим классам: показатели, характеризующие размер компании, показатели ликвидности, показатели рентабельности, показатели оборачиваемости, показатели финансовой устойчивости. Существенное значение при оценке вероятности дефолта имеет оценка заемщика с точки зрения его институциональных характеристик. Обзор работ, посвященных оценке вероятности дефолта компаний, в том числе с учетом институциональных показателей, показал, что список, классификация и признаки, используемые в рамках институционального анализа корпоративного заемщика, могут быть различными. Но в основной своей части данные признаки можно отнести к характеристикам одной из следующих категорий: географическая принадлежность, отраслевая принадлежность, форма собственности и структура капитала, уровень топ-менеджмента организации, репутация компании, конкурентное положение корпоративного заемщика, степень диверсификации бизнеса.

В первой главе мы показали, что формирование модели вероятности дефолта с учетом макроэкономических показателей, является одним из инструментов снижения уровня процикличности. Последние исследования, касающиеся оценки вероятности дефолта с учетом макроэкономических ' переменных, показали, что список значимых макроэкономических показателей может сильно отличаться в зависимости от рассматриваемой страны и периода наблюдений. На основе обзора последних работ в данной области был сформирован список макроэкономических показателей, которые сравнительно часто использовались для анализа дискриминантных возможностей при оценке уровня кредитного риска и цикличности экономики. В список потенциально значимых макроэкономических факторов, с точки зрения моделирования вероятности дефолта корпоративных заемщиков, вошло 15 макроэкономических показателей, которые в общем виде можно включить в одну из следующих категорий: показатели, которые характеризуют структуру

ВВП, показатели темпов роста экономики, показатели инфляции, стоимостные и процентные показатели, структурные показатели и другие группы показателей.

При формировании выборки важно учесть основные тенденции и свойства, характерные для российского сектора корпоративного кредитования в целом. Понимание данных свойств и тенденций необходимо для формирования наиболее репрезентативной выборки, которая поможет учесть институциональные и структурные особенности российского рынка. В результате в рамках второй главы был проведен обзор основных характеристик российского банковского сектора кредитования корпоративных заемщиков. В рамках данного обзора было показано, что кредитование корпоративных заемщиков составляет значительную часть российского банковского сектора (см. рис. 3.).

Дата

—•—Кредиты в рублях всего ----Кредиты в рублях физическимлицам

-Кредиты 8 ру&тях организациям ---Кредиты в рублях кредитным организациям

Рис. 3. Структура кредитного портфеля российских банков (в млрд. руб.)1.

По сравнению с началом 2010 года качество кредитного портфеля корпоративного кредитования улучшилось, но при этом доля просроченной задолженности остается достаточно высокой. Темпы снижения доли просроченной задолженности также сокращаются (см. рис. 4).

' Составлено по данным ЦБ РФ с доступом на сайте: http://www.cbr.ru/statistics/7Prtld-pdko

7,0% 6,0% 5,0% 4,0%

гй

3,0% 2,0% 1,0% 0,0%

01.01.2010 01.01.2011 01.01.2012 01.01.2013 01.01.2014

Дата

-Доля просроченной задолженности в рублях — ■ -доля просроченной задолженности в иностранной валюте

--Доля просроченной задолженности итого

Рис. 4. Динамика доли просроченной задолженности в общем объеме кредитов выданных нефинансовым организациям (в %)2 Одной из характеристик, которую необходимо учитывать при оценке кредитного риска корпоративных заемщиков, является отраслевая принадлежность. По данным экспертов, в наибольших объемах российские банки предоставляют кредиты компаниям строительной отрасли, оптовой торговли, металлургической промышленности, энергетики. Предпочтения российских банков в части отраслевой принадлежности корпоративного кредитования подтверждаются данными Банка России по российскому банковскому сектору. На основе отраслевой разбивки кредитного портфеля российских банков видно, что в тройку наиболее кредитуемых отраслей входят такие отрасли, как: оптовая и розничная торговля, обрабатывающие производства и строительство (см. рис. 5).

1,6% 1,7%

2 Составлено по данным ЦБ РФ с доступом на сайте: 1Шр://у™и'.сЬг.ги/51аН511сз/?Р111с1=рс1ко

80% 70% 60% 50% 40% 30%

И Операции с недвижимым имуществом ' ■ Оптовая и розничная торговля и пр. Дата

9 Транспорт и связь в Строительство

я Сельское хозяйство, охота и лесное хозяйство = Производство и распределение электроэнергии, газа и воды

м Обрабатывающие производства :: Добыча полезных ископаемых

Рис. 5. Отраслевая структура рублевого корпоративного портфеля российских

банков (в %)3.

Кризис 2007-2009 гг. показал высокую подверженность компаний строительной отрасли системным рискам. Данный факт подтверждается также публикуемой статистикой. Доля кредитов, просроченных более чем на 90 дней (ИРЬ 90+), для компаний из строительного сектора показывала стабильную тенденцию к росту в период с 2009-2010 гг. Данный показатель до сих пор остается достаточно высоким - порядка 7%. Более того, относительно других отраслей строительная отрасль является достаточно закредитованной и рискованной. Ранг по доле просроченной задолженности для компаний строительной отрасли возрастает. При этом доля просроченной задолженности компаний строительной отрасли к совокупной просроченной задолженности также остается стабильно высокой - порядка 10-12% (см. рис. 6).

3 Составлено по данным ЦБ РФ с доступом на сайте: 1шр://\уи'И'.сЬг.ги/51аи8ис5/?Рг11с1=р11ко

12

10

8

о.

6

4

0%

о

о о

ООО

ооооооооос оооооооооооооооооо

Дата

Доля просроченной задолженности в строительстве в совокупной величине просроченной задолженности по всем отраслям, %

• Доля просроченной задолженности в совокупной задолженности для компаний строительной отрасли, %

Ранг строительной отрасли подоле просрочки по сравнению с другами отраслями

Рис. 6. Динамика качества обслуживания ссудной задолженности компаниями

Данный факт обуславливает научный интерес к разработке подходов к оценке вероятности дефолта для компаний именно строительной отрасли. Для целей эмпирического исследования была сформирована выборка из 159 компаний строительной отрасли, которые допустили дефолт в период 20052013 гг. В качестве критерия дефолта использовалось объявление о банкротстве предприятия. В пару к каждой компании-дефолту были выбраны три аналога -компании, которые относятся также к строительной отрасли, между тем не объявляли дефолт и являлись действующими на аналогичный период. Таким образом, итоговая выборка состояла из 159 компаний дефолтов и 477 аналогичных компаний не дефолтов (всего 636 компаний). На основе данных финансовой отчетности по рассматриваемым компаниям, их институциональных характеристик и динамики макроэкономических показателей российской экономики за рассматриваемый период была

4 Сост. по данным ЦБ РФ с доступом на сайте: Ы1р://\у\у«<.сЬг.ги/51а&ис5/?Рг11с1=рс1ко

,4

из строительной отрасли

сформирована выборка для целей эмпирического моделирования вероятности дефолта в последующей главе.

В третьей главе данного исследования было осуществлено многофакторное моделирование вероятности дефолта корпоративных заемщиков на примере российских компаний строительной отрасли с использованием сформированной в предыдущей главе выборки, включающей финансовые, макроэкономические и институциональные показатели. В рамках многофакторного моделирования вероятности дефолта были предложены и реализованы следующие основные этапы моделирования:

1. Анализ выбросов и нормирование данных.

2. Анализ мультиколлинеарности и парных корреляций.

3. Отбор риск-доминирующих финансовых показателей при помощи следующих методов:

• Метод 1: проведение статистических тестов для выделения наиболее дескриптивных переменных.

• Метод 2: отбор оптимальной комбинации факторов с точки зрения качества модели на основе поэтапного включения показателей из каждого класса.

• Метод 3: отбор факторов на основе однофакторных коэффициентов Accuracy Ratio и ROC-кривых.

4. Проверка гипотезы о значимости макроэкономических факторов.

5. Проверка гипотезы о значимости институциональных факторов.

6. Проверка функциональной формы зависимости объясняющих факторов модели.

7. Проверка качества итоговых моделей и сравнительный анализ полученных результатов.

В результате многофакторного моделирования на основе logit-моделей бинарного выбора, было сделано заключение, что при выборе показателей на

основе статистических тестов, лучшие результаты показывает следующая модель (статистическая значимость на уровне И2 = 33%)5:

1

Р(У,= 1) =

2 41Уд.вес.запас.+0,ЩУд.вес.запас)'-\,00Коэфф.авт.-\,02Рен.затр.-0,42ИЦП-1,&3

где

[1, если заемщик признается дефолтом;

у,

(О, в противном случае. Уд. вес запас - значение коэффициента удельного веса запасов в оборотных активах для ¡-го заемщика;

Коэффавт - значение коэффициента автономии для ¡-го заемщика; Рекзатр - значение коэффициента рентабельности затрат для ¡-го заемщика;

ИЦП - динамика индекса цен производителей, % гг.

При отборе показателей на основе поэтапного включения показателей и анализа однофакторных ИОС-кривых, модель с наилучшими характеристиками имеет следующий вид (статистическая значимость на уровне И2 = 32%)6:

Р(У>= 1)= 1

где

[1, если заемщик признается дефолтом-,

У' 1п

(О, в противном случае. Чистприб - значение чистой прибыли для ¡-го заемщика; Реппрод. - значение коэффициента рентабельности продаж для ¡-го заемщика;

Срюб. деб задолж - значение коэффициента среднего срока оборота дебиторской задолженности для ¡-го заемщика;

Коэф. авт. - значение коэффициента автономии для ¡-го заемщика;

5 Все показатели значимы на 5% уровне значимости. Все показатели нормированы.

6 Все показатели значимы на 5% уровне значимости. Все показатели нормированы.

ИЦП - динамика индекса цен производителей, % гг.

Таким образом, на основе трех проанализированных методов отбора риск-доминирующих показателей и результатов многофакторного анализа лучшие результаты, по сравнению с другими моделями в каждом классе методов, демонстрируют две модели оценки вероятности дефолта корпоративных заемщиков. Анализ качества полученных моделей показал, что модель, построенная на основе статистического отбора факторов, показывает схожие результаты с точки зрения предсказания не дефолтных случаев, и худшие с точки зрения предсказания дефолтных случаев, по сравнению с моделью, построенной на основе поэтапного включения переменных и анализа ROC кривых. Более высокая предсказательная сила второй модели также подтверждается на основе анализа ROC кривых и коэффициентов Accuracy j Ratio. Коэффициенты Accuracy Ratio для первой и второй модели составляют 82% и 86% соответственно, что говорит о достаточно высоком качестве данных моделей.

С точки зрения экономического анализа наибольший интерес представляет финансовая интерпретация полученных моделей. По результатам многофакторного анализа, можно сделать вывод о том, что наиболее значимыми финансовыми показателями, с точки зрения оценки вероятности дефолта российских компаний строительной отрасли, являются показатели, характеризующие структуру оборотных активов (удельный вес запасов в оборотных активах), показатели рентабельности и прибыльности (величина чистой прибыли, рентабельность затрат, рентабельность продаж), показатели финансовой стабильности и оборачиваемости (коэффициент автономии, средний срок оборота дебиторской задолженности). Также по результатам моделирования, подтвердилась значимость динамики индекса цен производителей, значимость рассматриваемых институциональных признаков не подтвердилась.

Значимость данных показателей для компаний строительной отрасли, в том числе объясняется спецификой деятельности данных компаний. Так, основными элементами запасов для компаний строительной отрасли являются строительные материалы и сырье, незавершенное производство. Таким образом, значительное увеличение доли запасов в оборотных активах свидетельствует об изменении структуры оборотных активов в пользу менее ликвидных средств, что негативно отражается на кредитоспособности компании. Данный вывод подтверждается результатами параметризации -показатель удельного веса запасов в оборотных активах является значимым и увеличение данного показателя приводит к росту вероятности дефолта. Следует также отметить, что строительный бизнес является высокозатратным и ресурсоемким. С точки зрения финансовой стабильности компаний строительной отрасли, крайне важно, насколько компания следит за себестоимостью реализованных работ и услуг, и насколько фактическая себестоимость реализованной продукции, учитывалась при ценообразовании. Данный факт, подтверждается результатами параметризации - показатели рентабельности и прибыльности являются значимыми и имеют отрицательную зависимость с вероятностью дефолта. Кроме того, что строительный бизнес является высокозатратным, необходимо также отметить, что данный бизнес характеризуется длительным производственным циклом. Таким образом, для целей финансирования своей деятельности, компании строительной отрасли в значительной степени привлекают заемный капитал. Между тем, по итогам многофакторного анализа, видно, что увеличение коэффициента автономии, который показывает долю собственных средств в структуре совокупного капитала, уменьшает вероятность дефолта, что может говорить об уже достаточно высокой доле заемного капитала в структуре совокупного капитала российских компаний строительной отрасли. В части значимости макроэкономических показателей, для обеих моделей подтвердилась значимость динамики индекса цен производителей. На основе полученных

результатов видно, что данный показатель вошел в обе модели с отрицательным знаком, то есть с увеличением данного показателя, вероятность : дефолта компаний строительной отрасли снижается. Также необходимо отметить, что по результатам анализа корреляционной зависимости, данный показатель характеризуется высокой степенью взаимосвязи с другим показателем инфляции - дефлятором ВВП (коэффициент корреляции Спирмена равен 73%). Таким образом, можно предположить, что отрицательный знак зависимости с вероятностью дефолта связан с тем, что основная часть наблюдений приходилась на периоды роста экономики, которые, в ряде случаев характеризуются ростом деловой активности предприятий и ростом темпов инфляции.

В заключении работы сформулированы и представлены основные выводы по диссертационному исследованию в целом.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ ДИССЕРТАЦИОННОЙ

РАБОТЫ

Основные выводы и результаты диссертационного исследования, имеющие научную новизну, теоретическую и практическую значимость, можно сформулировать следующим образом:

1. Проведен сравнительный анализ подходов к моделированию вероятности дефолта и уровня кредитного риска, по результатам которого предложена классификация существующих моделей оценки вероятности дефолта.

2. Проведен сравнительный анализ подходов к определению эффекта процикличности и источников данного эффекта, по результатам которого предложена классификация инструментов снижения эффекта процикличности при моделировании кредитного риска.

3. На основе сформированной выборки по российским компаниям строительной отрасли проведена комплексная оценка результатов применения

различных подходов к отбору риск-доминирующих показателей. По результатам данного анализа показано, что модели, построенные на основе включения факторов с максимальным значением коэффициентов Accuracy Ratio и на основе поэтапного включения факторов из каждого класса, дают лучшие результаты с точки зрения предсказательной способности, по сравнению с моделью, построенной на основе отбора показателей, на базе статистических тестов на дескриптивную способность показателей.

4. На основе отобранных показателей разработаны статистически значимые многофакторные модели оценки вероятности дефолта. Проведен анализ качества полученных моделей, представлена их экономическая интерпретация. Наиболее высокую значимость с точки зрения оценки вероятности дефолта российских компаний строительной отрасли, из числа финансовых показателей, продемонстрировали показатели, характеризующие структуру оборотных активов (удельный вес запасов в оборотных активах), показатели рентабельности и прибыльности (величина чистой прибыли, рентабельность затрат, рентабельность продаж), показатели финансовой стабильности и оборачиваемости (коэффициент автономии, средний срок оборота дебиторской задолженности). Также, по результатам моделирования, из макроэкономических показателей подтвердилась значимость динамики индекса цен производителей. С точки зрения анализа качества полученных моделей, коэффициенты Accuracy Ratio для построенных моделей превысили 80%, что говорит о достаточно высоком качестве итоговых моделей.

Таким образом, можно сделать вывод о том, что основные задачи диссертационного исследования, как в части систематизации теоретических основ моделирования вероятности дефолта корпоративных заемщиков, так и в области эмпирического моделирования вероятности дефолта на примере российских компаний строительной отрасли и данных по российской экономике решены.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

Работы, опубликованные автором в журналах, рекомендованных ВАК Министерства образования и науки РФ:

1. Бондарчук П.К., Тотьмянина, K.M. От Базеля II к Базелю III // Лизинг. - 2012. - №5. - С. 3-17. (в соавт. с Бондарчуком П.К, авт. вклад 0,9 пл.).

2. Тотьмянина K.M. Моделирование вероятности дефолта корпоративных заемщиков с учетом макроэкономической конъектуры // Электронный журнал Корпоративные финансы. - 2014. - №1 (29). - С.5-19. (авт. вклад 0,9 пл.).

3. Тотьмянина K.M. Оценка вероятности дефолта промышленных компаний на основе финансовых показателей//Финансовая аналитика: проблемы и решения. - 2011- №11 (53). - С. 59-68. (авт. вклад 0,8 пл.).

Другие работы, опубликованные автором по теме диссертации:

1. Тотьмянина K.M. Обзор моделей вероятности дефолта // Управление финансовыми рисками. - 2011. - №01(25). - С.12-24. (авт. вклад 0,9 пл.).

Лицензия ЛР № 020832 от «15» октября 1993 г. Подписано в печать ШОЛЗ. 2РЩт. Формат 60x84/16 Бумага офсетная. Печать офсетная. Усл. печ. л.1.

Тираж 100 экз. Заказ Типография издательства НИУ ВШЭ,

125319, г. Москва, Кочновский пр-д., д.З.