75
банков, где чистый процентный доход является наиболее важной
составляющей при формировании прибыли. На 2-м месте — чистые
комиссионные доходы.
Таблица 23
Показатели рентабельности по группам банков
Группы кредитных
организаций,
ранжированных по
величине активов (по
убыванию)
Рентабельность активов, %
Рентабельность
капитала, %
2015 г.
2016 г.
2015 г.
2016 г.
1-5
1
2
7
18
6-20
0
1
1
8
21-50
-2
-2
-25
-23
51-200
1
1
4
5
201-500
1
1
4
3
501-733
1
0
4
0
Итого
0
1
2
10
Следом идет чистый доход по операциям с ценными бумагами (табл.
24).
Таблица 24
Структура финансового результата кредитных организаций, млрд
руб.
Фактор формирования прибыли
2015 г.
2016 г.
Чистый процентный доход
2108
2653
Чистые комиссионные доходы
772
893
Чистый доход по операциям с ценными бумагами
103
417
Чистый доход от операций с иностранной валютой
450
25
Чистые прочие доходы (убытки)
92
-664
Расходы, связанные с обеспечением деятельности
кредитной организации
-1617
-1731
Созданные резервы на возможные потери
-1717
-665
Прибыль до налогообложения
193
929
Однако произошло резкое сокращение дохода от операций с
иностранной валютой в связи с укреплением курса рубля и переоценкой
валютных средств. Чистые прочие расходы кредитных организаций также
76
существенно повлияли на формирование прибыли, составив в сумме 664
млрд руб., включая убытки от операций по предоставленным кредитам
физическим лицам и коммерческим компаниям. Дополнительно банки
понесли расходы по операциям с производными финансовыми
инструментами.
Подводя итоги анализа тенденций развития банковского рынка,
можно сделать следующий вывод. Несмотря на непростые внешние условия,
связанные с санкциями США и ЕС против России, а также последствиями
кризиса 2014-2015 гг., макроэкономические условия деятельности банков
остаются благоприятными. В целом российский банковский сектор сохранил
устойчивость, требуемую для удовлетворения спроса корпоративного
сектора и населения на банковские услуги, и готов поддержать
формирующиеся предпосылки к росту российской экономики. К тому же
политика Банка России, направленная на поддержание ценовой и финансовой
стабильности, обеспечивает надежное развитие финансового сектора. В свою
очередь ценовая и финансовая стабильность увеличивает прогнозируемость
экономических условий, что позволяет банкам грамотно планировать свою
будущую деятельность
30
.
Таким образом, относительно предсказуемые условия банковской
деятельности в российской экономике, связанные с последовательными
действиями Банка России по стабилизации этого сектора, вызвали рост
качественных характеристик банковского сектора и позволили
спрогнозировать финансовые показатели российских банков.
30
Основные направления единой государственной денежно-кредитной политики на 2018 год и период 2019
и 2020 годов. М.: Парадиз, 2017. 146 с.
77
Рисунок 18. Динамика прибыли до налогообложения шести
банков России, используемых для анализа, по кварталам за
2012-2017 гг.
Финансовые показатели, характеризующие деятельность банков,
определяются большим
числом совокупно действующих внутренних и внешних факторов.
Они должны правильно обрабатываться и анализироваться, чтобы в
дальнейшем можно было прогнозировать будущую деятельность компании.
Данная задача статистического анализа решается с помощью
множественного регрессионного анализа. Эмпирические исследования
обогащены возможностью анализа пространственных выборок объектов,
наблюдаемых в течение некоторого периода времени. Такие
пролонгированные пространственные выборки, где каждый объект
наблюдается многократно на протяжении отрезка времени, получили
78
название панельных данных
31
. На сегодняшний день такие данные
пользуются большой популярностью среди аналитиков. Применяя
пространственную выборку, аналитик может анализировать различия между
наблюдаемыми объектами, а исследуя временные ряды — изучать изменение
состояния отдельного объекта за определенный промежуток времени.
Использование панельных данных позволяет приступать к решению обеих
задач и строить модель, которая сможет объяснить динамику состояний
множества объектов
32
.
В целях исследования были взяты 11 системно значимых банков,
которые являются крупнейшими кредитными учреждениями и считаются
наиболее значимыми для экономики нашей страны
33
. Чтобы свести к
минимуму вероятность искажения данных в процессе анализа из выборки,
были исключены ФК Открытие, Альфа-Банк, Газпромбанк, Россельхозбанк,
поскольку у остальных банков прослеживается схожая тенденция роста
прибыли до налогообложения (рис. 19). По итогу для анализа выбраны
Сбербанк, ЮниКредит Банк, Банк ВТБ, Московский кредитный банк,
Росбанк, Промсвязьбанк, Райффайзенбанк на основе исследованной
тенденции роста прибыли до налогообложения в период с 2012 по 2017 г.
Критерием для отбора являлась прибыль до налогообложения ввиду того, что
данный показатель несет в себе больше информации при статистическом
анализе, нежели чистая прибыль, так как на чистую прибыль могут влиять,
помимо налога на прибыль, отложенные налоговые активы (обязательства),
что в дальнейшем может привести к искажению коррелированности данного
показателя с объясняющими переменными.
Данные, используемые для исследования, были взяты из регулярных
отчетов коммерческих банков, публикуемых на сайте Банка России, а также
31
Ратникова Т. А., Фурманов К. К. Анализ панельных данных и данных о длительности состояний: учеб.
пособие. М.: Издательский дом Высшей школы экономики, 2014. 373 с.
32
Балаш В. А., Балаш О. С. Модели линейной регрессии для панельных данных: учеб. пособие. М.:
Издательство Московского государственного университета экономики, статистики и информатики, 2012. 65
с.
33
Биткина И. К., Скородумова Н. С. Направления развития ресурсной базы системно значимых банков в
России // Финансы и кредит. 2017. № 29 (749). С. 1708-1722.
79
из системы СПАРК
34
. Данные по макроэкономическим факторам брались с
официального сайта Росстата. Были проанализированы квартальные
наблюдения в период с 2012 по 2017 г. В выборке представлены
сбалансированные панельные данные, так как информация присутствует
практически по всем объектам за все периоды времени, за исключением
ключевой ставки Банка России, которая была введена в сентябре 2013 г. В
итоге были проанализированы 23 периода, 2442 наблюдения в программе
Statistica
35
.
В качестве зависимой переменной выступает прибыль до
налогообложения. При исследовании объясняющих внутренних переменных,
являющихся наиболее информативными при построении регрессионной
модели, проведен анализ нормальности распределения наблюдений.
Нормальные вероятностные графики показали, что гипотезу о нормальности
распределения переменных необходимо принять. В результате для выявления
корректной зависимости между эндогенной и экзогенными переменными
проводится корреляционный анализ между годовыми показателями,
собранными из отчетов о финансовых результатах исследуемых банков в
период с 2012 по 2016 г., и выбраны те факторы, корреляция которых с
прибылью до налогообложения больше либо равна 0,85, а именно:
процентные доходы от ссуд, предоставленных клиентам (не кредитным
организациям), процентные доходы от вложений в ценные бумаги,
процентные расходы по привлеченным средствам клиентов (некредитных
организаций), комиссионные доходы, комиссионные расходы, прочие
операционные расходы (приложения 1, 2, с. 80-81).
Следует отметить, что между выбранными показателями также
имеется сильная корреляция, превышающая показатель 0,85. Комиссионные
34
СПАРК — это система проверки компаний, которая позволяет в режиме реального времени
получать все необходимые сведения о контрагенте: о его деятельности, актуальном составе руководства,
выписках из ЕГРЮЛ и ЕГРИП, возможных долгах и судебных процессах и многом другом. СПАРК
производит моментальный сбор информации и предоставляет пользователю полный набор источников с
наиболее качественными данными.
35
Программный пакет для статистического анализа Statistica. URL: statsoft.ru/products/overview.
80
доходы и расходы взаимосвязаны с процентными доходами и расходами
кредитной организации. Чем больше клиентов размещают свои денежные
средства в банке либо занимают их у банка, тем выше процентные доходы
(расходы) организации, с одной стороны, и тем выше спрос на
дополнительные услуги банка, с которых взимается комиссия, с другой
стороны. Прочие операционные расходы также напрямую связаны с
привлечением (вложением) денежных средств, куда входят расходы
прошлых лет, выявленные в прошлом периоде, в связи с привлечением
денежных средств, списание дебиторской задолженности. Таким образом, в
последующий анализ регрессионной модели прогнозирования вошли
следующие внутренние факторы, оказывающие влияние на прибыль до
налогообложения: кредиты физическим лицам, кредиты юридическим лицам,
вложения в ценные бумаги, депозиты частных лиц.
Таблица 25
Панельный регрессионный анализ
итоги регрессии для зависимой переменной: прибыль до
налогообложения за квартал
R =,63209195, R2 =,39954023 скоррект. R2 =,35950958
F(6,90) = 9,9809, p<,00000. стандартная ошибка оценки: 10 149 796,177
бета
стандартная
ошибка БЕтА
B
стандартна
я ошибка B
Т (90)
p-
знач.
Кредиты
юридическим
лицам, тыс. руб.
1,308
0,492
0,009
0,003
2,661
0,009
Вложения в ценные
бумаги
-0,806
0,464
-0,017
0,010
-1,738
0,086
Кредиты
физическим лицам,
тыс. руб.
0,463
0,179
0,039
0,015
2,581
0,011
Средневзвешенные
процентные ставки
по межбанковским
кредитам
-2,749
1,091
-3 015
008,448
1 196
934,299
-2,519
0,014
Средневзвешенные
процентные ставки
по кредитам,
предоставленным
кредитными
организациями
нефинансовым
организациям в
рублях (до 1 года)
2,532
1,149
2 527
313,970
1 147
219,843
2,203
0,030
81
Период
-0,201
0,179
-932
529,543
831
047,580
-1,122
0,265
Выбор внешних объясняющих переменных для анализа модели
основывался на их значимости для экономики страны в целом. В данный
список были включены следующие наблюдения: ВВП в постоянных ценах,
индекс потребительских цен на товары и услуги, курс доллара и евро,
фьючерс на нефть Brent, цена на золото, средневзвешенные процентные
ставки по кредитам, ключевая ставка Банка России, количество действующих
кредитных организаций.
Построение эмпирической модели прогнозирования финансовых
показателей банков было сделано в программе Statistica. Была применена
панельная регрессия со случайными эффектами.
Модель со случайными эффектами подразумевает, что
индивидуальные различия носят случайный характер. Регрессионное
уравнение имеет следующий вид:
(1)
где i = 1,
n — номера исследуемых объектов;
t = 1,
T — моменты времени;
р — константа;
х
й
— набор независимых переменных;
Р — коэффициент регрессии;
y
it
— зависимая переменная для исследуемого объекта i в момент
времени t;
г
и
— случайная ошибка;
u
t
— случайная ошибка, характерная для исследуемого объекта и
независящая от момента времени.
Также предполагается, что:
отсутствует корреляция между ошибками
82
(2)
2) отсутствует корреляция между ошибками
it ε и регрессорами js x при всех i, j, t, s;
3) отсутствует корреляция между ошибками
(3)
4) отсутствует корреляция между ошибками всегда имели сильную
зависимость друг от друга. Средневзвешенные процентные ставки по
кредитам напрямую зависят от ключевой ставки Банка России и от инфляции
в стране. Для исключения показателей с мультиколлинеарностью был
проведен метод пошаговой регрессии с включением переменных в
программе Statistica.
В табл. 26 представлены стандартизованные регрессионные
коэффициенты (БЕТА) и обычные регрессионные коэффициенты (B), на
основе которых была построена регрессионная модель, а также их
стандартные ошибки. В анализ вошли два фактора, уровень значимости (р-
знач.) которых превысил 0,05 при вероятности 0,95. Это означает, что они не
оказывают существенного влияния на зависимую переменную, их
коэффициенты незначимы. Однако после исключения факторов дисперсия
остатков увеличилась, точность предсказания модели несколько снизилась
(табл. 26), поэтому было решено оставить данные показатели.
Таблица 26
Дисперсионный анализ регрессии до и после исключения
факторов с уровнем значимости менее 0,5
до исключения независимых факторов
сумма квадр.
степени свободы
средн. квадр.
значения
F-критерия
p-знач.
Регресс.
6,169270E +
15
6
1,028212E + 15
9,980858
0,000000
Остатки
9,271653E +
15
90
1,030184E + 14
83
Итого
1.544092E +
16
После исключения независимых факторов
сумма квадр.
степени свободы
средн. квадр.
значения
F-критерия
p-знач.
Регресс.
5,742014E +
15
4
1.435503E + 15
13,61662
0,000000
Остатки
9,698909E +
15
92
1.054229E + 14
Итого
1,544092E +
16
Модели несколько снизилась (табл. 26), поэтому было решено
оставить данные показатели.
Для проверки адекватности полученной регрессии был проведен
анализ остатков. На рис. 18 изображена частотная гистограмма остатков.
Расположение остатков можно считать довольно симметричным, гипотеза о
нормальности распределения не отклоняется.
Рисунок 18. Частотная гистограмма остатков
84
На рис. 19 построен нормальный вероятностный график остатков, на
котором систематических отклонений фактических данных от теоретической
нормальной прямой не наблюдается.
В результате проведенного регрессионного анализа коэффициент
детерминации R
2
составил 0,3995, т. е. в 40% случаев изменения выбранных
независимых переменных приводят к изменению прибыли до
налогообложения.
Рисунок 19. Нормальный вероятностный график остатков
Таким образом, была построена панельная регрессия, имеющая
следующий вид:
где х
1
— кредиты юридическим лицам;
х
2
— вложения в ценные бумаги;
х
3
— кредиты физическим лицам;