Результаты и выводы

После построения эконометрических моделей и указания причин включения всех компонентов, входящих в их состав, перейдем непосредственно к анализу. В данной части планируется описать результаты, полученные в ходе исследования, а также привести экономическое обоснование выявленным закономерностям.

На первом этапе, чтобы не отвлекаться на технические особенности анализа в дальнейшем, сразу отметим, как происходила работа с каждой из моделей. Исследование велось с помощью программного обеспечения Stata и основывалось как на собственном опыте, так и с использованием пособия (Ратников, 2004) в качестве методологической рекомендации. Сначала было выявлено, какой метод наиболее предпочтителен. Во всех трех случаях на первом этапе производилась работа с уравнениями:

• 1) сквозной регрессии;
• 2) регрессии с фиксированным индивидуальным эффектом (fixed effect, модель within);
• 3) Регрессии со случайным индивидуальным эффектом (random effect).

Далее, результаты всех трех случаев сравнивались, и выбиралась наиболее подходящая из них. Первая и вторая регрессионные модели сопоставлялись с использованием теста Вальда, первая и третья по средствам теста Бройша-Пагана, а вторая и третья с помощью теста Хаусмана. В конечном итоге во всех случаях было решено применять модель within, то есть с фиксированным индивидуальным эффектом c учетом .

Стоит также отметить, что в ходе работы было замечено, что, скорее всего, целесообразным было бы включение регрессоров для выявления влияния отдельно взятого года. Для отражения воздействия временного эффекта во все модели были введены Dummy-переменные для каждого из периодов исследования.

Влияние уровня диверсификации на риск.

Для начала проанализируем результаты, полученные с помощью использования регрессионной модели (1). Основные итоги содержатся в Таблице 3, где напротив названия переменной можно найти значение коэффициента при ней, уровень значимости и стандартную ошибку. Гипотеза о равенстве нулю всех коэффициентов была отвергнута, многие из них также оказались значимы на различных уровнях.

Таблица 3. Результаты оценивания регрессии.

Standard errors in parentheses.

*** p<0.01, ** p<0.05, * p<0.1.

Обратим внимания на прокси-переменные для уровня концентрации кредитного портфеля. Коэффициенты для диверсификации будут иметь обратный знак, но останутся равными по модулю. Это можно понять путем преобразования следующего равенства:

;; , (5).

где Cn-уровень концентрации, а (1-Cn) — диверсификации.

Как видно из таблицы, предположение под названием «Classical diversification hypothesis» нельзя считать справедливым в случае с российскими банками для показателя по типу заемщика. В данной стране высокий уровень диверсификации положительно влияет на степень риска в кредитном портфеле. Следовательно, подтверждается обратная гипотеза, которой в предыдущих работах часто присваивается имя «Lack of expertise hypothesis». В соответствии с ней, как уже было сказано ранее, найденное положительное влияние диверсификации на отношение резервов на возможные потери по ссудной задолженности к общему число выданных займов, скорее всего, объясняется недостатком опыта работы российских банков в новых для них областях деятельности или чрезмерно конкурентной средой. Коэффициент при концентрации, как видно из таблицы, не являются большим, но, тем не менее, отрицателен. Обратная ситуация обнаружена для индекса Cn2, хотя его влияние также довольно слабое. Здесь можно утверждать, что основная для диверсификации гипотеза является справедливой, и она снижает уровень кредитного риска в портфеле.

Что касается контрольных переменных, то, в соответствии с полученными результатами, вряд ли можно говорить об ощутимом влиянии доходности на степень риска в банках России. Коэффициент при ней является незначимым. Размер банка положительно влияет на показатель llp. Это вполне согласуется с ожиданиями относительно данной переменной. В литературе в большинстве случаев обоснованием такого результата служит всем известный принцип «too big to fail», в соответствие с которым, банк склонен игнорировать риски в надежде на то, что из-за его системной значимости, размера ничего плохого с ним не случится. Переменная Cap также имеет положительный коэффициент перед собой. Объяснением этого может быть тот факт, что в банковской сфере регулятором устанавливаются нормы достаточности капитала, и, кредитная организация, вряд ли будет склонна к чрезмерному риску, имея низкий уровень собственных средств. Странным результатом после анализа модели (1) явился положительный знак перед переменной, обозначающей расходы на персонал. В теории, большее количество разноплановых работников, зона ответственности которых вкупе покрывает сравнительно более высокий объем работы с кредитным портфелем, должно привести к снижению уровня риска. Тем не менее, в случае российских банков это не так, а коэффициент перед показателем является значимым. Возможно, это стоит интерпретировать, сославшись на специфику ведения дел в РФ. Так, большой объем сотрудников иногда создает предпосылки к снижению ответственности у отдельно взятого рабочего. Соответственно, каждый не в полной мере выполняет свои обязанности, перекладывая их на другого банковского служащего. Как результат, низкая эффективность и игнорирование возможных рисков.