WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 18 | 19 || 21 | 22 |   ...   | 25 |

В качестве объясняемой переменной, будем использовать прирост кредиторской просроченной задолженности, отнесенной к объему промышленной продукции (произведенной в соответствующем периоде). Данный показатель характеризует динамику общих неплатежей в промышленности35 (за исключением неплатежей банкам). Более подробно о причинах выбора данного показателя неплатежей см. Луговой, Семенов (2000).

Показатели доступности кредитов

Начнем проверку с гипотезы о существенности банковского кредитования в проблеме неплатежей. Как уже отмечалось, проверка данной гипотезы затруднена тем, что в течение всего исследуемого периода кредитование банками реального сектора осуществлялось на довольно низком уровне. Некоторое увеличение вариации данного показателя может дать переход на региональные данные.

Одним из факторов, отражающем доступность кредитов, может являться процентная ставка. Процент по выданным (юридическим лицам) банковским кредитам и их объемы – наиболее показательные характеристики работы банковского сектора (в области обслуживания реального сектора). Следует отметить, что в отличие от объемов предоставленных кредитов, процент не учитывает рационирование кредитов.

Проверим данную гипотезу, оценим следующую модель:

, (4.1)

где

– прирост кредиторской просроченной задолженности предприятий промышленности -того региона в периоде (), отнесенный к среднегодовому объему произведенной продукции (доля неплатежей предприятий данного региона в единице стоимости продукции; региональная переменная, квартальные данные);

– темп роста номинального процента по выданным кредитам (макроэкономическая переменная);

– реальная процентная ставка по выданным кредитам (макроэкономическая переменная);

– объем выданных кредитов, отнесенный к объему промышленной продукции (региональная переменная, годовые данные);

,, – стохастические составляющие;

– коэффициенты, параметры регрессионного уравнения.

Реальный процент в модели отражает реальную стоимость кредитных ресурсов. Чем он выше, тем меньше у предприятий возможности (и желания) в привлечении банковских кредитов, а значит больше вероятность неплатежа.

Резкий рост номинального процента отражает сжатие ликвидности, рост неопределенности иинфляционных ожиданий, что также, в соответствии с гипотезой, может способствовать росту неплатежей.

Объем выданных кредитов, в отличие от процента, региональная переменная, характеризующая банковскую активность в регионах. С содержательной точки зрения в рассматриваемой модели лучше использовать динамику этого показателя (приросты), характеризующие изменение банковской активности, т.к. объясняемая переменная также используется в приростах. Но существующая статистика не позволяет определить приросты объемов выданных кредитов, т.к. методика их расчета за рассматриваемый период менялась несколько раз, что делает данные плохо сопоставимыми во времени. Поэтому, в модели использовались фактические объемы выданных кредитов, что, тем не менее, позволяет сравнить регионы между собой на предмет банковской активности. В соответствии с гипотезой, коэффициент при данной переменной предполагается отрицательным – рост кредитования уменьшает потребность в торговых кредитах, снижает неплатежи.

Результаты оценки коэффициентов модели (4.1) приведены в таблице 2.

Таблица 2. Результаты оценки модели (4.1), OLS, I/1995-IV/2000.

Переменные в модели обладают высокой статистической значимостью, но не выполняется предпосылка о нормальности остатков модели. По результатам теста Jarque-Bera гипотеза о нормальности остатков отвергается (см. рис. 8, приложение 2). При удалении "выбросов" (outliers) ситуация значительным образом не изменяется (см. рис. 9, приложение 2). Хотя оценки при этом остаются несмещенными, распределение оценок не соответствует нормальному, что не позволяет делать выводы об их статистической значимости на основе t-статистики.

Ненормальность остатков может быть вызвана спецификой панельных регрессий (pooled regressions), а именно, возможной гетероскедастичностью исследуемой величины (как во времени, так и по регионам). Даже если выполняется предпосылка о нормальности остатков для каждого периода времени (квартала) и каждого региона, смесь выборок с различными дисперсиями даст в итоге ненормальное распределение (с эксцессом и "тяжелыми хвостами").

Исходя из графика остатков модели (рис. 10, приложение 2), можно предположить о наличии гетероскедастичности. Ее наличие также подтверждается результатами теста (White's Heteroskedasticity Test), в соответствии с которым гипотеза об отсутствии гетероскедастичности отвергается (см. табл. 18, приложение 2).

Поквартальная оценка стандартных отклонений моделируемой величины () подтверждает гипотезу о межвременной гетероскедастичности неплатежей. В разные периоды дисперсия приростов неплатежей по регионам была разной. Поскольку данную форму гетероскедастичности можно считать известной (ее можно оценить), оценим модель (4.1) взвешенным методом наименьших квадратов, где в качестве весов используем обратную величину оцененных поквартальных стандартных ошибок (табл. 19, приложение 2). Результаты оценки модели (4.1) методом WLS приведены в таблице 3.

Таблица 3. Результаты оценки модели (4.1), WLS, I/1995-IV/2000.

Как видно из таблицы, коэффициент при темпе роста номинального процента сменил знак и потерял статистическую значимость. Напротив, значимость реального процента заметно выросла. Однако гипотеза о нормальности остатков продолжает отвергаться (как на полной выборке, так и с удалением выбросов рис. 11 и 12, приложение 2). Но следует отметить, что распределение взвешенных остатков ближе к нормальному, чем не взвешенных. Об этом свидетельствует меньшее значение статистики Jarque-Bera (сравн. рис. 8 и 9 с рис. 11 и 12 приложения 2, соответственно).

Аналогичным образом проведем корректировку, предполагая различие дисперсии объясняемой величины по регионам (оставшейся после корректировки на временную гетероскедастичность). Результаты оценки модели с расширенной корректировкой и исключенными выбросами приведены в приложении 2, табл. 20. Распределение остатков модели (рис. 13, приложение 2) еще больше приблизилось к нормальному и данная гипотеза не отвергается на 99-процентном уровне значимости. Таким образом, можно сделать вывод, что использование взвешенного метода позволяет получить более точное представление о значимости оценок.

По результатам оценки, темп роста номинального процента стал статистически значим причем с отрицательным знаком, что противоречит гипотезе. Более глубокий анализ данной зависимости обнаруживает, что смена знака обусловлена взаимозависимостью номинального и реального процента, вызывая проблемы мультиколлинеарности. Сдвиг реального процента на один лаг назад (либо его исключение из модели) возвращает положительный знак коэффициенту при номинальном проценте (см. таб. 21, приложение 2). Таким образом, данные показатели лучше не использовать вместе с одинаковым лагом.

Полученные результаты свидетельствуют в пользу гипотезы, описанной в модели 2, о важности банковского кредитования в образовании неплатежей. Значимость процента может подтверждать как модель 2, так и модель 1. Как уже определялось выше, рост процента может способствовать и распространению неплатежей преднамеренного характера за счет роста привлекательности альтернативных вложений и роста неопределенности.

Как уже отмечалось в теоретической части работы, по всей видимости, наибольшей потребностью в кредитных ресурсах обладают предприятия с наиболее длинными производственными циклами. Таким образом, платежеспособность таких предприятий более зависима от доступности кредитных ресурсов; наличие прямой связи между неплатежами и длиной производственного цикла может свидетельствовать о наличии проблем, описываемых моделью 2 ("запаздывающие платежи").

Показатель средней длины производственного цикла предприятий в региональном разрезе не публикуется Госкомстатом РФ.. Его некоторой характеристикой может быть капиталоотдача (фондоотдача, капиталоемкость). Разумеется, это не чистая характеристика длины производственного цикла. Но можно предположить, что чем выше оборачиваемость капитала в отрасли (регионе), чем менее капиталоемким является производство, тем быстрее окупаемость инвестиций и, вероятно, короче производственный цикл.

Проверка данной гипотезы приводится в приложении 3. В соответствии с полученными результатами, гипотеза не отвергается, наиболее подвержены неплатежам являются регионы с наиболее капиталоемкими производствами.

Показатели рентабельности

В соответствии с предложенной ранее классификацией, если неплатежи могут являться средством финансирования убытков (модель 3), то на это может указать связь между показателями рентабельности и неплатежами.

Следует отметить, что взаимосвязь между задолженностью (дебиторской и кредиторской) и прибылью (убытками) может носить более сложный характер. Списание дебиторской просроченной задолженности (по истечении предельных сроков) может означать соответствующий рост убытков фирмы. Тогда как списание кредиторской задолженности будет сопровождаться соответствующим увеличением прибыли. В этой ситуации эндогенной уже оказываются прибыль и убытки фирмы, а экзогенной – просроченные обязательства. Но данные свидетельствуют о том, что указанный эффект по-видимому, не мог оказать серьезного влияния на рассматриваемый процесс (см. таб. 1).

Зависимость между неплатежами и убытками, прибылью, долей убыточных предприятий была показана на региональных данных в наших предыдущих исследованиях (см. Луговой, Семенов, 2000). Поэтому мы их не будем приводить в обособленном виде, а включим в обобщенную модель наряду с другими факторами (реальный обменный курс, структура цен). Влияние данных показателей (как и реального обменного курса) на рентабельность, не обязательно может отражаться напрямую в бухгалтерских показателях прибыльности (убыточности) предприятия, вследствие несовпадения экономических и бухгалтерских результатов хозяйственной деятельности, сокрытия истинного финансового положения, изменения объемов производства. Поэтому использование данных показателей наряду с бухгалтерскими результатами финансовой деятельности не является противоречием (показатели не коллинеарны).

В качестве характеристики структуры цен ранее мы использовали индекс "качественных изменений цен", разработанный и рассчитанный Бессоновым (2000). Индекс рассчитан для страны в целом и отражает опережающий рост цен на конечную продукцию (продукцию высокой степени переработки) по сравнению с сырьевой. По аналогии с данным индексом можно предложить показатель, характеризующий структуру цен на уровне регионов, рассчитываемый как отношение накопленных индексов цен предприятий-производителей региона к накопленному индексу потребительских цен региона.

Если цены на продукцию предприятий регионов растут, опережая инфляцию (по потребительским товарам), то это может свидетельствовать либо о повышенном спросе на продукцию предприятия, способствующему повышению цены, либо об отсутствии конкурентного давления извне.

Ясно, что если цены на продукцию предприятия высоки по сравнению с другими, то это положительно сказывается на его финансовом состоянии. Отсюда может возникнуть связь с задолженностью. Если успешные предприятия имеют меньше неплатежей, то рост этого показателя может означать их снижение.

По всей видимости, наибольшее отклонение динамики цен производителей от динамики потребительских цен будет у предприятий и регионов, продукция которых не входит в потребительскую корзину либо не имеет заменителей, является неторгуемой. Ясно, что цены сырьевого сектора в меньшей степени коррелированы с потребительскими (во всяком случае, в текущем периоде), тогда как цены сектора конечной продукции отчасти учитываются в инфляции.

Данную связь можно рассмотреть и с другой стороны – через издержки. Отстающий рост потребительских цен означает более низкие затраты на производство (затраты на труд). Низкая инфляция снижает потребность в индексации заработной платы, относительные расходы на труд сокращаются.

Оценим следующую модель:

, (4.2)

где

– темп роста реального курса рубля;

– опережающий рост цен на потребительскую продукцию рост цен на продукцию предприятий-производителей -того региона в периоде, накопленный с момента либерализации цен (январь 1992 г.);

– доля убыточных предприятий в -том регионе, в периоде.

Результаты оценки модели приведены в таблице (4). По аналогии с предыдущим случаем, оценка проводилась взвешенным методом наименьших квадратов (WLS) с использованием нормирующих весов.

Таблица 4. Результаты оценки модели (4.2), WLS, III/1995-IV/2000.

Коэффициенты модели статистически значимы и имеют предполагаемые знаки. Наибольшей статистической значимостью обладает переменная доли убыточных предприятий, входящая в модель с положительным знаком. Другими словами, в регионах с большей долей убыточных предприятий больше неплатежей, и рост этого показателя может означать рост неплатежей.

Рост реального курса рубля (снижение показателя в терминах руб./$) в предыдущем периоде (квартале) влечет за собой рост неплатежей. В текущем периоде (без лага) реальный курс статистически незначим.

Изменения в региональной структуре цен между производимыми и потребляемыми (населением) в регионе товарами также оказывает воздействие на неплатежи. Рост цен производителей, превышающий рост потребительских цен, в соответствии с гипотезой, может означать улучшение финансового положения и, при существовании связи "рентабельность-неплатежи", приводить к снижению задолженности.

Таким образом, полученные результаты полностью подтверждают наличие убыточной природы неплатежей (модель 3). И рост убыточных фирм, и динамика макроэкономических показателей, оказывающих влияние на рентабельность, влияют на неплатежи, свидетельствуя о наличии канала финансирования убытков за счет неисполнения обязательств перед кредиторами.

Исполнение государственного бюджета

Pages:     | 1 |   ...   | 18 | 19 || 21 | 22 |   ...   | 25 |



© 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.