Теперь необходимо оценить модель со случайными эффектами:
Данная модель позволяет учесть неоднородность ковариационной матрицы ошибок.
Таблица 6 - Оценка модели со случайными эффектами.
При оценке данной модели стоит смотреть не на R-squared, а на Wald chi2 (9). R-squared в данном случае не означает долю объяснённой дисперсии, его можно интерпретировать как коэффициент корреляции. А вот Wald chi2 (9), или статистика теста Вальда, отражает адекватность модели. Судя по результатам, представленным в Таблице 6, данная статистика имеет высокое значение, равное 312.51, что свидетельствует об адекватности модели.
Оценив все три модели, мы пришли к выводу, что все они оказались адекватными и могли бы быть использованы. Сравним попарно все три модели. Если сравнивать сквозную регрессию и модель с фиксированными эффектами, то лучше окажется последняя, поскольку её коэффициент детерминации выше. А модели с фиксированными и случайными эффектами таким образом сравнить не получится, поэтому выберем одну, наиболее подходящую нам, с помощью теста Хаусмана.
Поскольку мы получили значение корреляции, не равное нулю, то нулевая гипотеза отвергается. Следовательно, для описания наших панельных данных больше подходит модель с фиксированными эффектами. Данная модель является состоятельной.
Из результатов модели с фиксированными эффектами (Таблица 5) следует, что наибольшим образом на долю межбанковских кредитов в обязательствах банка влияет рентабельность капитала. Данная переменная имеет отрицательное влияние: при её увеличении на единицу зависимая переменная уменьшается на 0,44 процентных пункта. То есть чем ниже рентабельность, тем ниже доля МБК в обязательствах. Кроме того, значимыми на 10% уровне значимости оказались чистая маржа прибыли и ключевая процентная ставка. При увеличении чистой маржи прибыли на единицу доля МБК снижается на 6,2 процентных пункта, а при увеличении на единицу ключевой процентной ставки - на 1,79 процентных пункта.
Проверим наличие отклонений от классической линейной регрессионной модели в выбранной модели, чтобы в дальнейшем их учесть. Среди таких отклонений может быть гетероскедастичность, мультиколлинеарность и автокорреляция. Все они приводят к нарушению стандартных свойств оценок.
Для начала проверим модель на гетероскедастичность, то есть на неодинаковую дисперсию случайной ошибки. Тест на гетероскедастичность (Таблица 7) показал, что гипотеза о том, что гетероскедастичность отсутствует, отвергается, так как p-value равно нулю.
Таблица 7 - Тест на гетероскедастичность
Наличие гетероскедастичности означает, что оценки по-прежнему состоятельны, но теперь неэффективны, что делает невозможным проверку гипотез.
Мультиколлинеарность можно выявить через показатель VIF. Как видно из Таблицы 8 значения VIF по всем переменным не превышают 10, следовательно, в данной модели отсутствует мультиколлинеарность. Это означает, что все значимые в модели с фиксированными эффектами переменные по-прежнему можно считать таковыми.
Таблица 8 - Тест на мультиколлинеарность
Далее проверим нашу модель на наличие серийной автокорреляции. Для этого необходимо провести тест Вулдриджа. В результате его реализации получаем результаты, представленные в Таблице 9. Гипотеза об отсутствии серийной автокорреляции не отвергается.
Таблица 9 - Тест Вулдриджа на наличие серийной автокорреляции.
Отметим, что в панельных данных возможно наличие не только серийной, но и пространственной автокорреляции. Поэтому проведём тест Песарана:
Согласно результатам данного теста гипотеза об отсутствии пространственной автокорреляции не отвергается.
С учётом выявленных отклонений, таких как гетероскедастичность и пространственная автокорреляция, необходимо произвести корректировку, а именно кластерные стандартные ошибки Роджера, а также исключить из модели незначимые переменные.
Сопоставим результаты, полученные в Таблице 5 с результатами после корректировки отклонений:
1) F-статистика выросла незначительно: с 34.29 до 34.31, при этом сама адекватность модели сохранилась;
2) показатель rho также незначительно увеличился: с 0.1548275 до 0.1549275;
3) corr (u_i, Xb) наоборот сократился с -0.1497 до -0.1494;
4) оценки коэффициентов не изменились.
3.5 Результаты
В результате анализа панельных данных была выбрала наиболее подходящая модель, а именно модель с фиксированными эффектами. Её коэффициент детерминации выше, чем коэффициент детерминации сквозной регрессии. Кроме того, данная модель лучше, чем модель с индивидуальными эффектами, что показал нам тест Хаусмана. Для реальных данных модель с фиксированными эффектами имеет хороший коэффициент детерминации (0,2889).
Оценив данную модель, мы получили следующие результаты:
IBLit= -104,34 - 0,4432669*ROEit -6,2038 ??5*NPMit - 1,788208* INTERESTt
Из модели были исключены незначимые переменные, такие как размер банка (логарифм совокупных активов банка), фиктивная переменная на государственное участие, ликвидность, ВВП, инфляция и безработица.
Как мы и предполагали, на долю полученных МБК в обязательствах банка могут влиять рентабельность капитала, чистая маржа прибыли и ключевая ставка процента. То есть гипотезы относительно данных факторов подтвердились.
Следует отметить, что доля межбанковских кредитов может зависеть не только от микроэкономических и макроэкономических факторов, но и от фактора распространения шоков через банковскую сеть. Хорошее финансовое положение отдельных банков не гарантирует финансовую устойчивость всей банковской системы. Банки могут оценить лишь свои риски и не могут оценить риски своих контрагентов, следовательно, они так же не могут оценить и риски всей банковской системы. Этой теме посвящена статья 2009 года Э. Хэлдейна [9]. В ней автор пишет, что скорость распространения шока связана со сложностью структуры межбанковских взаимодействий. Чем больше банки взаимодействуют между собой, тем больше диверсифицированы их риски и тем быстрее по банковской сети распространятся шок. В статье «Systemic risk in banking ecosystems» Э. Хэддейн и Р. Мэй через упрощённую модель банковской системы исследуют взаимосвязь между сложностью системы и её нестабильностью [10]. После глобального финансового кризиса, начавшегося в 2007 году, все шире признается необходимость решения проблемы рисков на системном уровне, а не на уровне конкретного банка. Авторы рассматриваю концепцию того, что слишком большая сложность системы подразумевает её нестабильность. Данный вопрос был изучен также А.В. Леонидовым, Е.Л. Румянцевым в статье «Оценка системных рисков межбанковского рынка России на основе сетевой типологии» [8]. Авторы оценивают системный риск на рынке МБК с помощью численного моделирования. Анализ был выполнен на основе реальных банковских обязательств рынка МБК. Они приходят к выводу, что данный метод является одним из лучших методов для оценки системных рисков.
Таким образом, в данной главе были выявлены факторы, которые повлияли на долю полученных МБК в обязательствах банка. Среди них есть как микроэкономические, так и макроэкономические факторы.
Заключение
Целью данной работы была оценка влияния макроэкономических и внутрибанковских факторов на объём межбанковских кредитов, полученных российскими банками. В качестве зависимой переменной была выбрана доля полученных межбанковских кредитов в обязательствах банка. В исследовании использованы данные о российских банках в период с 2014 по 2018 год. Выборка представлена в виде панельных данных и включает в себя данные о 192 банках. Кроме того, данная работа содержит гипотезы о направлении влияния факторов на зависимую переменную. В результате проверки всех гипотез были сделаны следующие выводы. Наиболее подходящей и адекватной нашим данным моделью оказалась модель с фиксированными эффектами; у данной модели достаточно высокий для реальных данных коэффициент детерминации. Среди исследуемых переменных наибольшим образом на долю МБК в обязательствах банка влияют рентабельность капитала, чистая маржа прибыли и ключевая процентная ставка. Соответственно, подтвердились следующие гипотезы:
Чем выше рентабельность собственного капитала, тем лучше финансовое положение банка, а значит доля МБК в обязательствах должна быть меньше.
Чем выше чистая маржа прибыли, тем выше доходность банка и тем ниже должна быть доля МБК в обязательствах банка.
Чем выше ключевая процентная ставка, тем дороже для банка получить МБК, следовательно, его доля в обязательствах будет ниже.
Незначимыми оказались переменные размер банка (логарифм совокупных активов банка), фиктивная переменная на государственное участие, ликвидность, ВВП, инфляция и безработица.
На состояние рынка МБК и, в частности, на долю полученных МБК в обязательствах банка влияют не только микро- и макроэкономические факторы, но и сложность структуры межбанковских взаимодействий: чем она сложнее, тем быстрее распространяются шоки по банковской системе и тем нестабильнее банковская система.
Список литературы
1. Банки и банковское дело: учебник для бакалавров / под ред. В. А. Боровковой. - 3-е изд., перераб. и доп. - М.: Издательство Юрайт, 2014. - 623 с. - Серия: Бакалавр. Базовый курс.
2. Банковские риски: учебное пособие / кол. Авторов; под ред. д-ра экон. наук, проф. О.И. Лаврушина и д-ра экон. наук, проф. Н.И. Валенцевой
3. Банковское дело: Учебник для вузов. 2-е изд. / Под ред. Г. Белоглазовой, Л. Кроливецкой. - Спб.: Питер, 2009. - 400с.: ил. - (Серия «Учебников для вузов»)
4. Банковское дело: учебник/ под ред. д-ра экон. наук проф. Г. Г. Коробовой. - 2-е изд., перераб. и доп. - М.: Магистр, 2009. - 590 с.
5. Горелая Н.В., Карминский А.М. Основы банковского дела: учебное пособие. - М.: ИД «ФОРУМ»: ИНФРА-М,2013. - 272 с. - (Высшее образование)
6. Жарковская Е.П. Банковское дело. - 2-е изд., испр. и доп. - М.: Омега-Л, 2004. - 440с.
7. Калтырин А.В. Деятельность коммерческих банков: Учеб. пособие/ под ред. Калтырина А.В. Изд. 2-е, перераб. и доп.- Ростов н/Д: Феникс, 2009
8. Леонидов А.В., Румянцев Е.Л. Оценка системных рисков межбанковского рынка Росси на основе сетевой топологии. -Москва. Журнал новой экономической ассоциации, №3 (19), с. 65-80.
9. Bulusu N., Guerin P. (2017). What drives interbank loans? Evidence from Canada. Ottawa: Staff Working Papers 18-5, Bank of Canada. Retrieved from https://www.eurofidai.org/sites/default/files/pdf/parismeeting/2017/bulusu_2017.pdf
10. Haldane A.G. Rethinking the financial network. Speech delivered at the financial student association. Amsterdam. April 2009. URL: https://www.bis.org/review/r090505e.pdf (дата обращения: 19.04.2019)
11.Haldane A.G. Why banks fail the stress test. 2009. URL: https://www.bis.org/review/r090219d.pdf (дата обращения: 23.04.2019)
12. Lucchetta, M. What Do Data Say about Monetary Policy, Bank Liquidity and Bank Risk Taking? Economic Notes, Vol. 36, No. 2, pp. 189-203, July 2007. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1082614 (дата обращения: 20.02.2019)
13. Vernikov A. A guide to Russian bank data: Breaking down the sample of
banks // SSRN Working Paper Series No. 2600738. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2600738 (дата обращения: 25.02.2019)
14. Vodova P. Commercial Banks from the Visegrad Countries and their Sensitivity to Crisis Confidence on the Interbank Market. Opava: Procedia Economics and Finance, № 14, рр. 650 - 659, 2014. URL: https://core.ac.uk/download/pdf/82496396.pdf (дата обращения: 25.02.2019)
15. Vodova P. To lend or to borrow on the interbank market: what matters for commercial banks in the Visegrad countries. Prague: Prague Economic Papers, University of Economics, pp. 662-677. URL: https://ideas.repec.org/a/prg/jnlpep/v2015y2015i6id529p662-677.html (дата обращения: 20.02.2019)
16. Staszkiewicz P., Staszkiewicz L. (2015) Introduction to Finance and Financial Markets. URL: https://www.sciencedirect.com/topics/economics-econometrics-and-finance/interbank-market (дата обращения: 20.02.2019)
17. Федеральный закон "О банках и банковской деятельности" от 02.12.1990 N 395-1 (ред. от 01.01.2019)
18. Федеральный закон от 10.07.2002 N 86-ФЗ "О Центральном банке Российской Федерации (Банке России)" (ред. от 27.12.2018)
19. Гражданский кодекс Российской Федерации от 26.01.1996 N 14-ФЗ (редакция от 1 января 2019 года)
20. Положение Банка России от 12 ноября 2007 г. N 312-П "О порядке предоставления Банком России кредитным организациям кредитов, обеспеченных активами или поручительствами" (ред. от 2 июля 2018 года)
21. Крупнейшие банки по объему кредитного портфеля на 1 января 2019 года. Риарейтинг. URL: http://www.riarating.ru/banks/20190221/630117819.html (дата обращения: 18.04.2019)
22. Объем межбанковских кредитов, привлеченных банками Московского региона, сократился. Рамблер:финансы. - Москва, 2018. URL: https://finance.rambler.ru/realty/41760955-obem-mezhbankovskih-kreditov-privlechennyh-bankami-moskovskogo-regiona-v-2018-g-sokratilsya-na-9-2/?updated (дата обращения: 15.04.2019)
23. Рейтинг банков по объёму полученных МБК на конец 2018 года. URL: https://www.banki.ru/banks/ratings/?SEARCH_NAME=&SEARCH_REGN=&search%5Btype%5D=name&sort_param=rating&sort_order=ASC&PROPERTY_ID=600®ION_ID=0&date1=2018-12-01&date2=2018-11-01&IS_SHOW_GROUP=0&IS_SHOW_LIABILITIES=0#search_label (дата обращения: 20.03.2019)
24. Третьяк А. Ставки межбанковских кредитов упали до минимума в 2019 году. Москва, 2019. URL: https://www.vedomosti.ru/finance/articles/2019/03/13/796352-stavki-mezhbankovskih-kreditov (дата обращения: 20.04.2019)
25. Центральный Банк Российской Федерации [Электронный ресурс]. URL: https://www.cbr.ru/