WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

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 клиен тов банков и регулирующих органов. Этот вопрос долгое время также занимал умы как теоретиков, так и прак тиков экономики. В этой статье мы исследуем факторы, обуславливающие устойчивость банков, принимая во внимание данные микроуровня и макроэкономическую составляющую. Мы также задействуем оценку эффек тивности, полученную Методом Оборачивания Данных, для учета качества менеджмента. Мы используем мо дель 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 спе цификациях, 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 Факс: +1 (541) 737 59 E-mail: konstann@onid.orst.edu © Н.В. Констандина СОДЕРЖАНИЕ ОСНОВНЫЕ ПРЕДПОСЫЛКИ И ВЫВОДЫ 1. ВВЕДЕНИЕ 2. ОБЗОР ЛИТЕРАТУРЫ 3. ОСОБЕННОСТИ БАНКОВСКОГО СЕКТОРА РОССИИ 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 5. ДАННЫЕ И РЕЗУЛЬТАТЫ 5.1. Описание данных 5.2. Результаты 5.3. Предсказание 6. ЗАКЛЮЧЕНИЕ 7. СПИСОК ЛИТЕРАТУРЫ Economics Education and Research Consortium: Russia and CIS ОСНОВНЫЕ ПРЕДПОСЫЛКИ И ВЫВОДЫ В этой работе мы исследуем модель банковских провалов для Российского банковского сек тора. 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 — мо дель с бинарной зависимой переменной — позволяет оценить возможность банковских про валов и получить основные факторы, которые на них влияют. Вторая — модель пропорцио нального риска — необходима для определения факторов, влияющих на время провала. Обе модели пытаются проанализировать влияние тех макро- и микрофакторов, которые считают ся важными показателями здоровья данного конкретного банка и банковского сектора в це лом. Наши результаты показывают, что банковская эффективность, а также размер и регио нальная принадлежность банка, играют важную роль в объяснении провалов и устойчивости банков, в то время как макроэкономические переменные не оказывают значительного воз действия 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 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 много стороннего анализа банков, включая качество управления и внутреннего контроля. В отно шении 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 страхова ния вкладов, банки должны соответствовать определенным критериям финансовой устойчи вости. Эти критерии основываются на оценке 5 групп финансовых показателей, очень сход ных с системой CAMEL в США (С — достаточность капитала, А — качество активов, M — качество управления, E — прибыльность, L — ликвидность). Некоторые их этих индикато ров уже использовались ранее ЦБ РФ в рамках банковского надзора. И хотя подобная систе ма включает серию показателей, каждый из них используется для оценки той или иной сфе ры 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 бан ков. 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 вре мени провалов. Среди объясняющих переменных мы включаем оценку эффективности, кото рая, как было показано в сходных исследованиях, улучшает предсказательную силу модели и часто служит для аппроксимации качества управления. В завершение, мы предлагаем вариан ты 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 лиза (например, Матовников и др., 1999a;

Maтовников и др., 1999b) и Институтом Переход ной 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 подразде лены на две группы согласно используемому подходу: "микро" и "макро". Экономисты "мак ро" группы используют или данные по ряду стран (65–45 стран, 1980–1994 гг. в Demirguc Kunt, Detragiache, 1998;

50 стран, 1976–1997 гг. в Hardy, Pazarbasioglu, 1998) или макроэконо мические 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 регио нах 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 "про порционального 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 прини мает во внимание техническую эффективность банков — она служит переменной, аппрок симирующей (proxy) качество менеджмента. Не удивительно, что более эффективные бан ки имели больше шансов выжить.

Molina (2002) использовал подобную модель для изучения банковского кризиса в развиваю щейся стране — Венесуэле. Он пришел к выводу, что выжившие банки имели большую при быльность 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. Ис пользуя модель logit и анализ выживания, они установили, что в случае мексиканского кри зиса 1994 г., "макроэкономические факторы сыграли основную роль" (стр. 307) в объяснении времени провала, вероятность же провала больше зависела от факторов микро уровня, а эф фект 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 Хорошее начальное представление об этом вопросе дает Heffernan (1996).

Консорциум экономических исследований и образования, Россия и СНГ ключает, что "устойчивые и неустойчивые банки имеют различные характеристики, завися щие от различного уровня принятия рисков". Это подтверждается ее оценкой модели про порционального 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 зави симой переменной (logit/probit), которые стали стандартной часть эконометрического анали за (Amemiya, 1981;

Greene, 1998) или анализ выживания (Kiefer, 1988), а точнее модель про порционального риска (МПР) Кокса (Cox, 1972).

В этом исследовании мы следуем Gonzalez (1999), отмечая влияние как микро- так и макро экономических факторов, а также важность определения дистресса, ведущего к проблемам в банковском секторе. Переменные, описывающие эффект цепной реакции, будут также вклю чены. 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 спо собность 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) рас смотрение 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 со ветского типа одноуровневой системы, состоящей всего их нескольких банков, она превра тилась в достаточно эффективную систему финансового посредничества (Эксперт, №13, 2003). Как показано в табл. 1, классические функции банков по привлечению вкладов, выда че кредитов и обслуживанию счетов вытесняют операции с государственными ценными бу магами и бюджетными средствами. Начиная с 1998 г., эта тенденция сопровождается ста бильным ростом активов и собственного капитала.

Волна отозванных лицензий в 1995 г. и финансовый кризис 1998 г. последовали за быст рым 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 на рушения нормативов, установленных ЦБ РФ, увеличилось в 2000 г., а затем пошло на убыль.

Консорциум экономических исследований и образования, Россия и СНГ Таблица 1. Основные показатели российской банковской системы (% ВВП).

Конец года 1996 1997 1998 1999 2000 2001 Активы 28.4 30.3 38.2 33.3 33.4 34.4 37. Кредиты нефинансовому сектору 8.2 9.6 12.2 10.8 12.0 14.7 16. Ликвидные активы (включая МБК) 5.0 4.7 8.0 9.2 8.6 7.9 6. Государственные ценные бумаги 6.0 6.7 6.6 4.5 4.4 3.7 3. Собственный капитал 6.4 5.7 4.7 4.8 4.6 5.6 5. Вклады юридических лиц 5.2 6.6 10.6 9.9 10.0 10.0 10. Вклады физических лиц 6.9 7.1 7.3 6.2 6.1 7.5 8. 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 Действующих банков 1697 1476 1401 1344 1311 1319 Банков с отозванными лицензиями 62 75 100 258 148 112 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).

Рис. 1. Банки по Регионам, 2003 г.

регион регион регион Уральский Сибирский регион регион регион Поволжский Москва и (без Москвы) Центральный Южный регион Московская обл.

Северо-западный Дальневосточный Консорциум экономических исследований и образования, Россия и СНГ Доминирование столичных банков по концентрации активов еще значительнее. Из 30 круп нейших 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 го сударственной собственности;

2) банки с участием иностранного капитала;

3) банки, входя щие 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 установ ленного максимума — 12% от активов всего банковского сектора. "Увеличение открытости российского банковского сектора для участия иностранцев обсуждалось в рамках перегово ров по вступлению России в ВТО, однако местные банки продолжают составлять ожесто ченную 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 ра ботах Gonzalez (1999), Gonzalez, Pazarbasioglu, Billings (1997), Wheelock, Wilson (1995), Malleret (1999) и Энтов (1999).

Далее мы представляем переменные, включенные в эконометрическую модель, и предпола гаемое направление их воздействия. Табл. 3 представляет перечень переменных и их предпо лагаемое воздействие на вероятность дефолта и выживания банка.

Мы начнем с общих макроэкономических условий, которые часто ведут проблемам в бан ковской сфере. Рост реальной процентной ставки (INTR) может являться сигналом о повы шении 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 просро ченных 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 от личаются 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 пере менные 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 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 сни жать вероятность провалов и увеличивать выживание. Увеличивающийся индекс потреби тельских 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 ува личивается когда местная вылюта обесценивается, что влечет "усыхание" иностранных ре зервов, 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 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 шо кам. Банки с большим весом капитала (CAPT) имеют больше шансов выжить, т.к. их "ре зерв" больше. Отношение просроченных кредитов к общему количеству кредитов (NPLN) служит индикатором качества активов. Кредитный риск, апроксимированный долей креди тов в активах банка (LNTA) выше для банков, где эта доля больше.

Отношение кредитов резидентам и нерезидентам к активам (LNRD, LNNR) говорит об уров не рыночного риска. Риск ликвидности измеряется долей ликвидных активов в общих акти вах (LIQA), долей частных депозитов в активах (DEPP) и долей других вкдадов (DEPВ). Бо лее низкий уровень риска обычно ассоциируется с меньшими шансами провала. Прибыль ность (PROF) указывает на хорошо работающий банк. Однако некоторые агрессивные банки, выдающие рисковые кредиты, могут иметь очень высокие показатели прибыльности за не сколько периодов перед провалом. Поэтому направление влияния этой переменной заблаго временно 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 по лучения описывается в разд. 3.4.). Мы ожидаем, что более эффективные банки являются бо лее устойчивыми.

Для того, чтобы принять во внимание специфические особенности российского банковского сектора, мы включаем бинарную переменную MOSD, чтобы различить московские и регио нальные 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 рассматри ваться 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, позво ляющую осуществлять широкий спектр операций, 63% банков имели лицензию как на руб левые, так и на валютные операции. Кроме того, около 90% банков имеют право на привле чение 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 фак торы определяют устойчивость банков.

Теперь перейдем к теоретическому описанию предложенных моделей.

Консорциум экономических исследований и образования, Россия и СНГ 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( x), Pr(Y = 0) =1- F( x).

Для данного множества регрессоров необходимо чтобы выполнялось lim Pr(Y = 1) = 1.

x В этой модели для F( x) используется логистическое распределение (logistic distribution) и e x Pr(Y =1) = = ( x).

1+ e x Теперь, регрессионная модель — условное математическое ожидание:

E(y | x) = 0[1- F( x)]+1[F( x)] = F( x), оценивается методом наибольшего правдоподобия. Оценки параметров не равняются мар жинальным эффектам (marginal effects), которые находятся по формуле E(y | x) ( x) e x = = = ( x)[1- ( x)].

x x (1+ e 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 пропорционально го риска, разработанную Коксом (Сох, 1972) и популяризированную Kiefer (1988). В этой модели предполагается зависимость риска (t) = 0(t)ez, где 0 (t) — средний уровень риска, идентичный для всех банков в выборке;

z — вектор не зависимых переменных, влияющих на общий уровень риска для каждого банка;

— вектор параметров;

t — время.

Функциональная форма среднего уровня риска здесь не регламентируется. Оценка модели производится с помощью метода наибольшего правдоподобия. Условная вероятность прова ла банка 1 во время t1, зная что любой из n банков может провалиться в t1, это exp(z1 ) n exp(zi ) Консорциум экономических исследований и образования, Россия и СНГ — вклад самого короткого случая выживания в пропорциональное правдоподобие. Функция правдоподобия формируется перемножением индивидуальных вкладов:

n exp(z1 ) L( ) =.

n exp(zi ) i= Банки, которые не проваливаются в течение всего рассматриваемого периода считаются сен сорными (censored) и не включаются в функцию наибольшего правдоподобия.

4.3. Оценка эффективности Следуя Wheelock, Wilson (1995), мы используем непараметрический метод линейного про граммирования — метод оборачивания данных — (МОД) для оценки индивидуальной эф фективности каждого из банков чтобы включить эту оценку в предыдущие модели как инди катор качества менеджмента2. Предположим, что у нас К банковских фирм, каждая произво дит М продуктов у, M y +, и использует N факторов производства x, N x +.

Дополнительно, R факторов производства e, R e+, 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 произ вольного сокращать из-за нормативов ЦБР;

уставной капитал также служит индикатором предпочтения риска). Факторо-сберегающая мера технической эффективности Фаррела (Far rell Input-Saving Measure of Technical Efficiency) определяется как Fi ( y, x) = min [0,1]: (x,e)T, { } где Т — гипотетическое множество технологических возможностей. В МОД конструируют технологию как "наиболее сжатый выпуклый конус" (tightest convex disposal cone), что ап роксимируется из наблюдаемых данных с помощью модели анализа деятельности (activity analysis model) (детально см. Fare, Grosskopf, 1996):

KK T = (x,e, y) : zk ykm ym, m = 1,…, M ;

zk xkn xn, n = 1,…, N;

{ k =1 k = K zkekr er, r =1,…, R;

zk 0, k = 1,…, K, } k= Параметрические методы, например, метод стохастического рубежа, также могут быть использованы. Неко торые 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 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 резуль татах на конец года (четвертый квартал) за 1999—2002 гг. Вторая панель включает инфор мацию за полугодия (второй квартал) со второго квартала 1999 по второй квартал 2003 г. Ко личество банков, по периодам представлено в табл. 5.

Таблица 5. Количество банков в выборке.

1999, 1999, 2000, 2000, 2001, 2001, 2002, 2002, 2003, Дата Всего 2 кв. 4 кв. 2 кв. 4 кв. 2 кв. 4 кв. 2 кв. 4 кв. 2 кв.

Панель 1 – 1244 – 1239 – 1238 – 1269 – Панель 2 1241 1244 1220 1239 1225 1238 1257 1269 1254 Провалы 8 17 20 25 18 13 11 10 10 Мы используем панель 1 для оценки влияния некоторых макроэкономических переменных на провалы. Потому как эта панель достаточно короткая (всего 4 периода), вариация пере 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 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 длин ной панели (9 периодов), что должно позитивно сказаться на значимости оценок, получен ных 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 удале ны. 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 ос новной 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 эф фективности и временные бинарные переменные, является наиболее предпочтительной. Все временные бинарные переменные являются значимыми, указывая на то, что существует зна чительная 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 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. GKOT Госуд. Ценные бумаги/Активы 1.09* 1.07* 0.94* 0.96* INBL Межбанк. Кредиты/Активы –2.98 –3.37 –3.04 –3. LNRD Кредиты резидентам/Активы 0.71 0.41 0.24 0. 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 Модель 1 Модель 2 Модель 3 Модель 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. 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. D 01 Бинарная переменная для 2001 – – –0.22** –0. D 02 Бинарная переменная для 2002 – – –1.59* –1.93** Макроэкономические факторы INTR Ставка процента – – – 0. BGDP Совокупные кредиты/ВВП – – – 0. NPTL Совок. просроч.

кредиты/Кредиты – – – 0. Адекватность модели (только константа / константа и другие переменные) AIC 735 / 697 735 / 698 735 / 693 735 / SC 781 / 742 796 / 742 804 / 742 828 / – 2 log L 733 / 671 733 / 668 733 / 659 733 / Глобальная нулевая гипотеза: = 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 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 Микроэкономические факторы INTER Константа –3.15* –3.41* –3.83* –4.51* CAPT Капитал/Активы –0.28*** –0.19 –0.74*** –0. NPLN Просроч. Кредиты/Кредиты 0.21 0.01 0.06 0. 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. 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. MOSD Московский/регион. Банк –0.001 –0.001 –0.001 –0. 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. Адекватность модели (только константа / константа и другие переменные) AIC 1310/1265 1310/1259 1310/1260 1310/ SC 1318/1360 1318/1362 1318/1392 1318/ –2 log L 1308/1240 1309/1231 1308/1224 1308/ Глобальная нулевая гипотеза: = 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 Мы видим, что добавление макроэкономических переменных не делает модель более при влекательной — 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 макро экономическими переменными, потому что макро переменные представлены на региональ ном 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 времен ных отрезков. Мы также применяем четыре спецификации для панели 2 (см. табл. 7), до бавляя эффективность, макроэкономические переменные и временные бинарные пере менные. 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 пере менные, 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 моде ли, выбрать наилучшую спецификацию в это случае затруднительно — Модель 3 и Модель имеют примерно одинаковые показатели. Глобальная нулевая гипотеза также отвергается всеми тестами.

Результаты оценки модели пропорционального риска представлены в табл. 8. Здесь мы толь ко представляем результаты для панели 2, потому как использование данных панели 1 при вело к сходным результатам, которые, однако, более уязвимые. Оценки параметров этой мо дели 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 Таблица 8. Результаты оценки модели пропорционального риска Кокса, полугодовые данные — панель (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 Микроэкономические факторы CAPT Капитал/Активы –0.10 –0.01 –0.006 –0. NPLN Просроч. Кредиты/Кредиты –0.12 –0.08 –0.24 –0. GKOT Госуд. Ценные бумаги/Активы –0.96* –0.95* –0.77* –0. INBL Межбанк. Кредиты/Активы –2.35 –2.40*** –1.95 –1. LNRD Кредиты резидентам/Активы 0.69** 0.68** 0.88* 1. LNNR Кредиты нерезидентам/Активы 0.94*** 0.71 1.28* 1. DEPP Частные депозиты/Активы 4.05* 3.96* 3.92* 3. DEPB Другие вклады/активы 0.006 0.02 0.02 0. LIQA Ликвидные активы/Активы 0.02* 0.02* 0.02* 0. PROF Маржа 0.001*** 0.001** 0.001** 0. SIZE Логарифм Активов 0.09** 0.08 0.03 0. MOSD Московский/регион. Банк –0.001 –0.001 –0.0004 –0. 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. CPI Индекс потребительских цен – – – 0. EXRT Экспорт – – – –0. Адекватность модели (без независимых переменных / с независимыми переменными) AIC 2025/1974 2025/1970 2025/1937 2025/ SC 2025/2007 2025/2007 2025/1984 2025/ –2 log L 2025/1950 2025/1945 2025/1903 2025/ Глобальная нулевая гипотеза: = 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 Здесь также макроэкономические переменные не имеют значительного влияния на устойчи вость 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 ко эффициенты равны нулю, также отвергается.

5.3. Предсказание Определив факторы, которые влияют на провалы и выживание, мы можем попытаться пред сказать 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 приме няем наилучшие, по нашему мнению, модели их тех, что мы применяли. К сожалению, ре зультаты 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 последую щие 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 достаточ но неплохие результаты при оценке модели пропорционального риска и logit, но предсказа ние провалов страдает от этого.

Другой вариант — использовать предложение Gonzalez (1997) и рассчитать индекс неустой чивости 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 содер жит 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 пере менных, обуславливающих время провала. Обе модели пытаются охватить влияние макро экономических и микроэкономических факторов, которые считаются основными опреде ляющими факторами здоровья как отдельного банка, так и банковского сектора в целом. В Консорциум экономических исследований и образования, Россия и СНГ дополнение, мы применяем вспомогательную модель для оценки эффективности банков, что является индикатором качества менеджмента. Согласно полученным нами результатам, фак торы, 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 бан ковской системы Венесуэлы. Он нашел, что более высокие остатки по государственным цен ным бумагам и более высокие показатели маржи являются важными определяющими устой чивости 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 ве сомое 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 воздейст вие 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 клю че. Во-первых, при наличии хорошей выборки (что не должно быть препятствием для ЦБ РФ) представляется возможным использовать скорее для предсказания провалов и использо вать эту информацию в качестве компонента системы раннего реагирования. Во-вторых, ЦБ РФ может использовать подобную модель для оценки устойчивости банков, подавших заяв ки на участие в недавно образованной системе страхования вкладов. Для этого нужно опре делить предельное значение для оценки вероятности провала и не принимать в систему стра хования те банки, вероятность провала которых выше указанной предельной величины.

Консорциум экономических исследований и образования, Россия и СНГ 7. СПИСОК ЛИТЕРАТУРЫ Матовников М., Михайлов Л., Сычева Л., Тимофеев Е. (1999а) Политика финансовой стабилизации и банков ский 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 бан ковской 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, Re cherches Economiques de Louvain 60, 417–429.

Barr R.S., Siems T.F. (1998) Benchmarking the Productive Efficiency of US Banks, Financial Industry Studies, De cember, 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 Structure Performance 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 Coun tries, 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, Jour nal of Banking and Finance 17, 349–366.

Evanoff D., Israilevich P. (1994) Productive Efficiency in Banking, Economic Perspectives (Chicago: Federal Reserve Bank of Chicago).

Fre R., Grosskopf S. (1996) Intertemporal Production Frontiers: With Dynamic DEA (Boston: Kluwer Academic Pub lishers).

Fre R., Grosskopf S., Weber W. (2000) The Effect of Risk-based Capital Requirements on Profit Efficiency in Bank ing, Working Paper of Oregon State University.

Консорциум экономических исследований и образования, Россия и СНГ 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 Explora tion 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 Inter national 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, Jour nal 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 Eco nomics 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 Re view 3, 31–50.

Molina C. (2002) Predicting bank failures using a hazard model: the Venezuelan banking crisis, Emerging Markets Re view 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 applica tion 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 bank ovskoi 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 Finan cial Economics 5, 257–264.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.