После отзыва банковской лицензии направляются документы в арбитражный суд для признания финансового института банкротом. Теоретический аспект термина "банкротство", определение которого так же не имеет однозначной точки зрения, требует дальнейшего тщательного изучения.
Прежде всего, возникает существенный вопрос в части отождествления терминов "несостоятельность" и "банкротство". Российское законодательство признает их равнозначными и находит похожие отклики во мнениях ученых, в то время как некоторые исследователи рассуждают о необходимости их разграничения, закладывая в основу деления судебное решение или фактор времени. Так, во время судебных разбирательств, должника именуют несостоятельным, а уже после вынесения решения судом - банкротом. Существует также мнение, что несостоятельность - это временная трудность, чего нельзя сказать про банкротство. Под данным понятием подразумевается окончательная, бесповоротная "участь" должника. В дальнейшем в нашем исследовании, следует придерживаться отождествления несостоятельности и банкротства, как это и делается в Федеральном законе от 26 октября 2002 г. №127-ФЗ "О несостоятельности (банкротстве)".
В российской науке рассмотрение терминологии ведется как с экономической стороны, так и с юридической. Экономической точки зрения придерживается А.Д. Шеремет, который определяет банкротство как неспособность финансировать текущую операционную деятельность и погасить срочные обязательства [24]. Однако полностью согласиться с этим нельзя, так как данная неспособность может быть временной и существует возможность решить эту проблему, например, путем привлечения инвестиций. В целом, необходимо подчеркнуть, что банкротство первостепенно свидетельствует о неэффективности использования ресурсов, плохом риск - менеджменте банка, что неизбежно приводит к полному или частичному невыполнению своих обязательств.
Юридическая точка зрения выражается посредством наиболее известного понятия, которое содержится в параграфе 4.1 "Банкротство кредитных организаций" Федерального закона от 22.12.2014 №432-ФЗ в статье 189.8 "Несостоятельность (банкротство) кредитной организации". В соответствии с ним, кредитная организация считается неспособной удовлетворить требования кредиторов по денежным обязательствам, о выплате выходных пособий и (или) об оплате труда лиц, работающих или работавших по трудовому договору, и (или) исполнить обязанность по уплате обязательных платежей, если соответствующие обязанности не исполнены ею в течение четырнадцати дней после наступления даты их исполнения и (или) стоимость имущества (активов) кредитной организации недостаточна для исполнения ее обязательств перед кредиторами и (или) обязанности по уплате обязательных платежей [3]. Исходя из определения действующего законодательства, следует отметить признаки банкротства:
· неисполнение требований кредиторов по денежным обязательствам и (или) неисполнение обязанности по уплате обязательных платежей;
· срок неисполнения обязанности с момента наступления даты их исполнения равен четырнадцати дням;
· факт отзыва у кредитной организации лицензии на осуществление банковских операций Банком России на основании заявления лиц, имеющих на это право;
· требования к кредитной организации в совокупности должны быть не менее тысячекратного размера оплаты труда [3].
Важно отметить, что для признания банка банкротом необходимо проявление всех признаков в совокупности.
Придерживаясь экономического и юридического подхода к определению, Ващенко Ю.С. сформулировал следующее понятие: несостоятельность (банкротство) - это урегулированная нормами права и признанная арбитражным судом степень неэффективности экономической деятельности, при которой должник не способен отвечать по своим денежным обязательствам [5].
В практической части данного исследования будет проведен анализ, в том числе и коммерческих банков, у которых Центробанк отозвал лицензию, поэтому понятие, раскрываемое законодательством РФ, является наиболее полным и подходящим, на которое следует ориентироваться.
На данный момент существует огромное количество исследований, преимущественно зарубежных авторов, посвященных предсказанию банкротства банка при помощи различных моделей. Современные исследования банкротств начались с работ Бивера (1966), который использовал финансовые показатели для того, чтобы предсказать банкротство фирм. В систему показателей автор включил: рентабельность активов, финансовый леверидж, коэффициент текущей ликвидности, коэффициент покрытия оборотных активов собственными оборотными средствами, а также коэффициент Бивера, который рассчитывается как отношение суммы чистой прибыли и амортизации к текущим обязательствам.
Спустя два года Альтман использовал линейный дискриминантный анализ для предсказания дефолта фирмы. Если работа, упомянутая ранее, не была направлена на вычисление вероятности банкротства, а значения показателей лишь сравнивались с нормативными значениями, расчет которых так же произвел Бивер, то Альтман своей целью ставил как раз расчет вероятности. В результате своей деятельности автор создал модель "Z-Альтмана" (Z-модель Score), в которой использовались 5 финансовых индикаторов деятельности фирм в период предшествовавший банкротству:
· соотношение оборотного капитала и активов предприятия;
· соотношение нераспределенной прибыли и активов компании (финансовый рычаг);
· показатель, характеризующий величину прибыли до налогообложения по отношении к стоимости активов;
· для акционерных обществ, выпускающих акции в свободное обращение - это стоимость собственного капитала компании в рыночной оценке по отношению к балансовой стоимости всей суммы обязательств; для компаний, акции которых не обращаются на фондовом рынке - это балансовая стоимость собственного капитала по отношению к заемному капиталу;
· коэффициент, характеризующий рентабельность активов (отношение объема продаж к общему количеству активов) [26].
М.Н. Кумар и В.С. Рао (M. N. Kumar, V. S. H. Rao, 2014) попытались улучшить модель Альтмана для увеличения точности прогноза. Ими была разработана новая, нелинейная (MDA - multivariatediscriminateanalysis), которая может предсказать банкротство с точностью 98,6% против 93,5% модели Альтмана [49].
Системы раннего предупреждения (СРП), разработанные непосредственно для банков впервые были изучены в работах таких авторов как Майер и Пайфер (1970). С тех пор различные исследователи рассматривают этот вопрос и разрабатывают техники, пытаясь объяснить, что послужило краху банков, и спрогнозировать банкротство еще существующих.
СРП широко используются в качестве методов антикризисного управления, а основой для их применения служат стандартные формы финансовой отчетности. Примером использования данных систем служит работа Demirguc-Kunt и Detragiache, которые рассматривают метод сигналов и многовариантную вероятностную модель. Это не единственная их работа, ведь они вели активную научную деятельность преимущественно в данной исследовательской области. Ранее авторы также работали с вероятностями, но высчитывали ее не для отдельных банков, а для банковских систем разных стран [37]. Так, для расчета вероятности банковского кризиса во всем мире в 1980-1994 годах ими была использована Logit модель. Следует отметить, что данную эконометрическую модель бинарного выбора впервые использовал Мартин в 1977 году для предсказания банкротства банков США в 1975-1976 годах. Исследования показали, что банковские кризисы наиболее вероятны в странах с низкими темпами роста ВВП, высокими процентными ставками, высоким уровнем инфляции, а также с наличием системы страхования вкладов (ССВ) (explicit deposit insurance system). В другой работе (2002 г.) авторы целенаправленно изучали связь между системой страхования вкладов и стабильностью банковского сектора в разных странах [38]. Было однозначно определено, что ССВ подрывает финансовую устойчивость банков. Это можно объяснить тем, что банки зная, что вклады застрахованы, финансируют высокодоходные, и, следовательно, высокорискованные проекты, которые могут привести к большим потерям. В особенности отрицательное влияние страхования депозитов на устойчивость кредитных организаций (КО) проявляется в странах, где величина покрытия, предлагаемая держателям вкладов в случае наступления страхового случая, больше.
Е. Дэвиси Д. Каримв своем исследовании также задействовали логистическую регрессию, сравнивая ее с методами сигнального подхода [36]. Было выяснено, что в качестве глобальной системы раннего предупреждения (EWS - early warning system) лучше использовать Logit модель, а применительно к конкретной стране следует воспользоваться методами сигнального подхода, которые заключаются в подаче сигнала при достижении параметром критического значения.
С методом сигналов работали также Камински, Лизондо и Рейнхарт [48]. Ими была предложена модель, которая в равной степени может быть применима как для выявления причин банковских, так и валютных кризисов. Целью их исследования было выявление показателей, которые могут свидетельствовать о наступлении кризиса в течение двух лет. Данный временной период авторы выбрали в качестве раннего оповещения. В случае превышения критического уровня объясняющей переменной посылается сигнал, который рассматривается как "хороший", если кризис происходит в течение двух лет после этого. Следует отметить, что основным направлением исследования данных авторов являлось определение ранних индикаторов валютных кризисов на основе уже произошедших в период с 1970 по 1995 в разных странах. Было выяснено, что перечень факторов валютного кризиса практически не отличается от перечня индикаторов банковского кризиса. Так, среди них были быстрый рост денежного предложения, высокие процентные ставки на международном рынке капитала, низкие золотовалютные резервы, низкие темпы роста экономики, слабое покрытие резервами краткосрочных обязательств, негативные колебания на фондовом рынке и другие.
Ключевыми результатами исследования являлось то, что увеличение вероятности наступления банковского кризиса происходит вследствие оттока капитала и роста реальных процентных ставок на национальном финансовом рынке. Под началом банковского кризиса Камински и Рейнхарт подразумевали ситуацию "бегства вкладчиков", которая вела либо к закрытию банков, либо к их слиянию или поглощению государственным сектором.
Систему раннего предупреждения широко использовал в своих исследованиях и А. Самад [52]. Однако его работа имеет существенное ограничение: он выясняет, является ли показатель непроцентных расходов сигналом к банкротству. Автор проводит анализ на наличие значительных отличий в размере непроцентных расходов в банках, прекративших свое существование и банках, функционирующих в системе. При использовании параметрических и непараметрических тестов (t-testи Kruskal-WalisK - test) было отмечено, что различия в средних значениях данного показателя значительны, в особенности за квартал до банкротства. Более того, результаты продемонстрировали существенное увеличение непроцентных расходов за девять месяцев или за год до банкротства.
Пользователями логистической модели бинарного выбора являлись также Д. Хван, Ч.Ф. Ли и К. Томас Лив. Авторы доказали, что чем больше размер собственного капитала и выше показатели рентабельности и ликвидности, тем ниже вероятность банкротства банка [47]. Важно отметить тот факт, что набор факторов или показателей, с помощью которых возможно предсказать банкротство, меняется с течением времени, в то время как отношение просроченных кредитов к общей сумме активов является самым стабильным и используется в эконометрическом анализе из года в год, говоря тем самым о полезности и важности его использования.
Д. Хуан, Б. Чанг и Ц. Лиупри помощи Logit-модели пытались спрогнозировать крах банка, как в развитых, так и в развивающихся странах [46]. Ими же был получен другой результат по сравнению с выводами авторов, указанных выше, а именно показатели рентабельности, как активов, так и капитала в построенной регрессии оказались незначимыми, то есть они не имеют никакого отношения к наступлению кризиса. Однако не следует делать поспешных выводов относительно данного противоречия, ведь причиной может быть как различная выборка данных, так и набор независимых переменных, которые исследовались в комплексе с показателями рентабельности. Кроме того, после проведения эконометрического анализа авторы пришли к выводу, что отношение собственного капитала к активам (ETA) и отношение процентных доходов к процентным расходам (NIN) имеют отрицательную зависимость с возникновением банковского кризиса. Так, они утверждают, что высокая пропорция NIN (или высокий показатель процентных доходов по сравнению с расходами) может предотвратить подрыв устойчивости банка.
Широко известны попытки улучшения точности прогноза при помощи использования интегрированной системы раннего предупреждения - IEWS - integrate dearly warning system, (Canbaset. al, 2005). Данная система комбинирует такие модели как DA (discriminant analysis), Probit, Logit, а также PCA, которая в дословном переводе с английского означает - анализ главных компонентов [34]. Все перечисленные модели являются методами прогнозирования банкротства банка. В первую очередь, авторы используют PCA для того, чтобы определить три финансовых компонента, которые в значительной степени объясняют изменения в экономических условиях функционирования банка, а затем применяют оставшиеся три модели. Исследователями были использованы данные сорока турецких частных коммерческих банков для того, чтобы протестировать IEWS с точки зрения ее предсказательной силы. В конечном счете, результаты показали, что данная модель намного эффективнее, чем другие, описанные в различных литературных источниках.
Большинство проанализированных нами исследований по прогнозированию банкротств были посвящены банкам и банковской системе Соединенных Штатов. Статья Уилока иУилсона не является исключением [57]. Повышенный интерес в тщательном изучении данной работы связан с приближенной к нашей тематике цели и предмета исследования. Авторами был проведен анализ факторов, которые могут указать на возможный крах банка. В качестве методологической основы использована модель логической схемы с учётом возможных рисков (hazardmodel) с нестационарными, то есть изменяющимися во времени, ковариатами. Результаты исследования показали, что банки с низкой капитализацией, более высокой долей кредитов в активах, низким качеством кредитного портфеля и низкой прибылью имеют более высокий риск к банкротству. Кроме того, авторы пришли к выводу, о том, что диверсификация, как инструмент роста коммерческого банка, а также создание сети филиалов снижает вероятность банкротства банка. Некоторые выводы кажутся очевидными, однако существует определенное противоречие по поводу создания филиальной сети. Нельзя определенно сказать, по крайней мере, в отношении России, что эта стратегия поможет избежать банкротства, ведь это существенные расходы кредитной организации и нет никаких гарантий, что капитальные вложения окупятся.
Помимо уже перечисленных методов, используемых для прогнозирования наступления банкротства, еще одним, достаточно новым является построение искусственных нейронных систем (artificial neural networks analysis, ANNA). Данный метод осуществляется на основе:
· анализа надежности коммерческого банка с точки зрения возможности его банкротства с помощью нейросетевой системы распознавания и выдачи результата в дискретном виде (да/нет);
· анализа величины вероятности банкротства коммерческого банка на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей [21].
Использование нейросистем широко распространено среди работ зарубежных ученых, и являются наиболее применимыми среди методов искусственного разума. Так, Ф. Эсер проводит сравнение данной системы с методом опорных векторов (support vector machines - SVM) [40]. Модели тестируются на основе данных турецких коммерческих банков. В ходе исследования было выявлено, что нейросетевое моделирование точнее в своих прогнозах. Бланко - Оливер и соавторы в своем исследовании также подтвердили превосходство нейронной модели, но над традиционной логистической регрессией [31]. Кроме того авторы включили в анализ нефинансовые показатели, например, судебные иски кредиторов вернуть невыплаченные долги, с введением которых усовершенствовалась ANN, а именно точность прогноза увеличилась на 2,6%. Однако Кара и Байкан (Boyacioglu MA., Kara Y., Baykan O.K., 2008) не согласились с превосходством данной модели. При сравнении ANN, SVM, LR (Logistic regression) и метода кластеризации к-средних (k-means cluster analysis) они определили, что LR значительно превосходит другие подходы.
Большинство моделей, которые строятся для прогнозирования дефолтов, основаны на финансовых показателях идентичных показателям рейтинговой системы CAMELS, где в качестве переменных берутся коэффициенты, характеризующие достаточность капитала, качество активов, качество управления, доходность, ликвидность и чувствительность к риску.