Источники и структура данных

Обоснование применения собранных данных.

Теперь перейдем непосредственно к вопросу о данных, с помощью которых было проведено представленное исследование. Внимание уделяется исключительно российской банковской системе. Ранее, как можно видеть из обзора литературы, все исследования из изучаемой области основывались исключительно на иностранных данных, будь то Германия, Австрия или Бразилия. Следовательно, использование показателей РФ является своего рода уникальным и представляет научный интерес.

Рассматриваемым в работе периодом является промежуток между 2010;2014 годами. Причем, для индекса Херфиндаля-Хиршмана и контрольных переменных он сокращается на один год, ведь эти показатели, как было замечено, воздействуют на текущую ситуацию с лагом. Данный выбор является не случайным. По нашему мнению, именно это время сочетает в себе как понятие актуальности и насущности для конкретного рассматриваемого рынка, так и наиболее объективное отражение реальных закономерностей для исследовательского вопроса. Действительно, данные является практически самыми новыми, а также позволяют исключить из анализа негативное и слабо предсказуемое влияние кризисов на данную сферу российского банковского сектора. Речь, конечно, идет о текущей ситуации на рынке (2014г.-настоящее время) и об осложнениях, связанных с мировым финансовым кризисом 2008 года. Более того, период до 2010 года рассмотреть не представляется возможным совсем. Специфика отчетностей по российским стандартам, которая предоставляется банками в открытый доступ, такова, что подавляющее большинство из кредитных организаций начали публиковать на сайтах пояснительные записки, начиная с 2010 года. До этого стандартный набор состоял лишь из 4 остальных форм (Баланс, ОПиУ, Движение денежных средств и Капитал). Именно на основе данных из пояснительной записки был сконструирован такой уникальный показатель для исследуемого рынка, как диверсификация по отраслям экономики. Конечно, можно было воспользоваться отчетностью по международным стандартам. Но, ситуация здесь еще более неблагоприятная. Огромное число банков просто не составляли ее до 2012 года, что существенно бы снизило рассматриваемый период. Кроме того, структура отчета о концентрации кредитного портфеля из МСФО разительно отличается от аналогичной в РСБУ. Число и состав отраслей не стандартизированы, что вызвало бы дополнительные трудности с извлекаемой информацией.

В своей работе мы руководствовались определенной предпосылкой относительно используемых данных. Было решено, что, если основной исследуемой зависимостью является влияние диверсификации на риск и доходность кредитного портфеля банка, то целесообразно не брать во внимание всю банковскую систему России, а ограничится лишь теми банками, в суммарных активах которых содержится 80% и более от общего числа выданных кредитов. За все годы, входящие в период наблюдения это действительно так. Например, за 2013 год, было выдано займов на 37 017 657 млн руб., за 2012 год 30 670 558 млн руб., 2011 — 26 265 427 млн руб. и за 2010 — 20 468 387 млн руб. Таким образом, анализу подверглись 70 банков (см. Приложение 2) из 992 имеющихся (по состоянию на конец 2010 года), на долю которых приходится подавляющая часть всех кредитов в российском банковском секторе.

Источники информации.

Необходимым является выявление конкретных источников информации. Начнем с рассмотрения регрессора. Как уже было упомянуто, для построения индекса Херфиндаля-Хиршмана обязательным является наличие данных о выданных банками кредитах и их видах. Беря во внимание тот факт, что построены две главные переменные (для концентрации по отраслям экономики и по типу заемщика), довольно сложным было найти соответствующую информацию в надлежащем виде. Для построения первого индекса были использованы пояснительные записки к отчетности российских банков, составленной по российским стандартам (РСБУ). Все данные были скомпонованы самостоятельно, ввиду отсутствия подобного рода информации где-либо еще. Таким образом, этот факт является неоспоримым преимуществом работы, поскольку еще раз говорит о некоторой научной новизне. Нами были найдены данные о концентрации кредитного портфеля каждого банка по видам экономической деятельности, а именно о выданных займах на нужды того или иного сектора экономики. В подавляющем большинстве случаев на уровне отчетности уже были выделены 9 самых крупных отраслей промышленности для банка, прочее кредитование, а также ссуды физическим лицам.

Что касается второго регрессора, то данные относительно него были взяты с сайта финансовой аналитики Куап.ру. Здесь во внимания брались такие показатели, как количество кредитов в денежном выражении, выданных физическим лицам, юридическим лицам-резидентам, нерезидентам, индивидуальным предпринимателям, государственным компаниям, МБК.

Вся остальная информация, касающаяся контрольных и зависимых переменных, была взята с официального сайта Центрального банка Российской Федерации, базы данных mobile, а также отчетности рассматриваемых финансовых учреждений.

Суммируя все вышесказанное, можно говорить о таких преимуществах использованных данных, как:

• 1) Актуальность и обоснованность.
• 2) Научная новизна и уникальность основных показателей.
• 3) Соответствие единому стандарту (РСБУ).

Статистика по показателям.

Теперь рассмотрим статистику по собранным панельным данным за все периоды. Стоит отметить, что для показателей Cn1, Cn2, Size, Pers и Cap представлены наблюдения за 4 года с 2010 по 2013, а для LLP и ROE за 5 лет (с 2010 по 2014). Объясняется это тем, что в конечных моделях две последние переменные представлены с временным лагом, то есть для конечного рассмотрения данных нужны сведения за весь период наблюдений. Последняя колонка показывает, общее количество наблюдений (N), количество за один период (n) и число периодов (T).

Таблица 1. Статистическая информация о собранных данных по переменным.

В Таблице 1 представлены значения корреляции между различными переменными, включенными в модели. Особое внимание стоит уделить связи между индексами для измерения концентрации. Изначально, как можно предположить, из-за присутствия в Cn1 и Cn2 одинаковых составляющих, таких, как кредиты юридическим лицам, корреляция между ними могла быть чрезмерно высокой. Действительно, относительно многих других переменных, значение довольно большое (0,3409), тем не менее, оно находится на приемлемом уровне. Внушительная отрицательная связь (хотя также не сильно высокая) у переменной Size с показателями Cn1 и Cn2. Здесь объяснение, конечно, заключено в структуре банковской отчетности и тем фактом, что величина активов включает в себя все компоненты, необходимые для построения данного индекса Херфиндаля-Хиршмана.

Таблица 2. Корреляция основных величин.