Анализ портфеля автокредитов российских банков

, где:

TotalAssets_nt^RUR - объем совокупных активов n-ого банка в год t в рублях;

TotalAssets_nt^USD-объем совокупных активов n-ого банка в год t в долларах США; ExchangeRate_t - средневзвешенный курс доллара к рублю в год t. Чтобы рассчитать размер n-ого банка, используемый как одна из объясняющих переменных в модели, брался натуральный логарифм его совокупных активов в соответствующий год:



Что касается макроданных, то их источником была Федеральная служба государственной статистики [29,30,31] Преобразования проводились только для темпа роста ВВП, рассчитанного как:

Отдельное внимание стоит обратить на формирование дамми переменной участия в программе льготного автокредитования. Если банк участвовал в ней, нами было решено проставлять значение, равной 1, для данной переменной по всем периодам, несмотря на то, что в 2012 году был перерыв в проведении программы. Это было сделано для того, чтобы можно было легко интерпретировать конечный эффект.

Данные по объемам проданных машин брались с сайта агентства «Автостат». (см. приложение 14 )[32]

2.3 Построение эконометрических моделей

Таким образом, первоначальные модели регрессии имеют вид:

Autoloan_????=??_????+??_1????*size_it+??_2????*ROA_it+??_3????*unempl_it+??_4????*USDRATE_it+??_5????*infl_it+??_6????*realrev_it+??_7????*GDPg_it +??_8????*type_it+??_9????*foreigndummy_it + ??_10????*govsub_it+е_it ; (1)

Doubloan_????=??_????+??_1????*size_it+??_2????*ROA_it+??_3????*unempl_it+??_4????*USDRATE_it+??_5????*infl_it+??_6????*realrev_it+??_7????*GDPg_it+??_8????*AUTORUS_it+ ??_9????*AUTOFOR_it + е_it , (2)

где: Autoloan_???? - количество выданных автокредитов i-ым банком в год t, шт.

Doubloan_???? -доля просроченной задолженности в портфеле автокредитов i-ого банка в год t, тыс.руб.

Size_???? - размер i-ого банка в год t

ROA_???? - коэффициент рентабельности активов i-ого банка в год t

Unempl_???? - уровень безработицы в год t, % к предыдущему периоду

USDRATE_???? - средневзвешенный курс доллара США к рублю в год t, руб.

Infl_???? - уровень инфляции в год t, % к предыдущему периоду

Realrev_???? - реальные располагаемые доходы населения в год t, % к предыдущему периоду

GDPg_???? - темп роста ВВП в год t, % к предыдущему периоду

AUTORUS_???? - количество проданных машин отечественного производства в год t, в шт.

AUTOFOR_????-количество проданных машин зарубежного производства в год t, шт.

2.4 Формулирование гипотез

1) Темп роста ВВП значим и положительно влияет на количество выдаваемых автокредитов.

2) Уровень реальных располагаемых доходов значим и положительно влияет на количество выдаваемых автокредитов.

3) Курс доллара к рублю значим и оказывает отрицательное влияние на количество выдаваемых автокредитов.

4) Уровень инфляции значим и отрицательно влияет на количество выдаваемых автокредитов.

5) Уровень безработицы значим и отрицательно влияет на количество выдаваемых автокредитов.

6) Кэптивные банки выдают автокредитов больше, чем розничные или универсальные.

7) Банки, участвующие в государственной программе льготного автокредитования, выдают автокредитов больше, чем банки, не участвующие в ней.

8) Банки с иностранным участием в капитале выдают автокредитов больше, чем российские кредитные учреждения.

9) Доля просроченной задолженности по автокредитам увеличивается с ростом инфляции.

10) Уровень безработицы значим и положительно влияет на долю просроченной задолженности в портфеле автокредитов.

11) Курса доллара к рублю значим и положительно влияет на долю просроченной задолженности в портфеле автокредитов.

12) Темп роста ВВП находится в обратной зависимости с долей просроченной задолженности по автокредитам.

13) Уровень реальных располагаемых доходов значим и отрицательно влияет на долю просроченной задолженности по автокредитам.

14) Просроченная задолженность более склонна возникать по автокредитам на автомобили зарубежных марок, чем на отечественные модели.

15) Переменная размера банка значима и положительно влияет на количество выдаваемых автокредитов.

16) Переменная размера банка значима и положительно влияет на долю просроченной задолженности по портфелю автокредитов.

17) Переменная рентабельности активов значима и положительно влияет на количество автокредитов.

18) Переменная рентабельности активов значима и положительно влияет на долю просроченной задолженности по портфелю автокредитов.



2.5 Поиск наилучшей спецификации и анализ полученных результатов

2.5.1 Модель оценки зависимости количества выданных автокредитов

Для спецификации первой модели зависимости количества выданных кредитов было решено прологарифмировать все переменные, кроме фиктивных и показателя размера банка, чтобы сгладить разницу между большими и маленькими значениями, а также упростить интерпретацию. Такой подход широко используется при эмпирическом анализе, например в вышеописанной работе [3]

Первым шагом было построение корреляционной матрицы объясняющих переменных, чтобы сразу понять, присутствует ли мультиколлинеарность в модели, и какие регрессоры ее порождают.

Рисунок 2. Корреляционная матрица независимых переменных модели (1)

Как видно из рис.2, значения корреляции, превышающие 0,7 (что говорит о наличии сильной корреляции) наблюдаются между переменными уровня инфляции и курса доллара к рублю, а значение близкое к -0,7 - реальные располагаемые доходы и курс доллара к рублю. Мультиколлинеарность действительно присутствует, однако самые коррелированные регрессоры будут убираться только в конечной спецификации модели, чтобы не исказить результаты.

Дальнейшим шагом стал выбор между тремя спецификациями моделями - Pooled Model (сквозная регрессия), Random Effect Model (модель со случайными эффектами) и Fixed Effect Model (модель с фиксированными эффектами). При проведении тестов Вальда, Бройш-Пагана и Хаусмана (см. приложение 1-3) было выявлено, что модель со случайными эффектами описывает собранные данные наилучшим образом.

Модель со случайными эффектами также подходит потому, что отобранные для выборки банки обладают своими характерными чертами, могут отличаться кредитной политикой и по-разному реагируют на внешние изменения. В то же время эти отличия носят случайный характер, у которых нет единых причин. К примеру, неожиданная смена руководства кредитного отдела может повлечь за собой ряд незапланированных изменений. Random Effect model позволит учесть все индивидуальные эффекты и получить единые результаты.

В таблице 5 представлены результаты первичной оценки модели с RE-эффектами. О значимости модели говорит статистика Вальда, определяемая значением Wald chi2(9) (Хи-квадрат с 9-ью степенями свободы)=94.6 [9, c 308], что говорит о высокой значимости модели. Незначимыми оказались показатели рентабельности активов, реальных располагаемых доходов и фиктивная переменная страновой принадлежности банка.

Таблица 5 Первичные результаты оценивая регрессии (1) Observations 280 Number of id 40 Dependent Variable: lAutoloan

Переменная	Значение коэффициента	P-value
size	0.456***	0.000178
lROA	0.0996	0.266
lUNEMPL	-2.697***	0.00337
lUSDRATE	-1.150	0.299
lINFL	-0.554	0.182
lREALREV	-2.791	0.549
lGDPg	0.0862	0.751
type	3.060**	0.0153
foreigndummy	0.567	0.306
GOVSUB	1.627***	0.00331
Constant	21.46	0.349

Источник: расчеты автора (***p<0.01, **p<0.05, *p<0.1)

Далее шла проверка на наличие гетероскедастичности и автокорреляции 1 порядка в модели. Для проверки на гетероскедастичность модель была оценена с помощью фиксированных эффектов, и был проведен модифицированный тест Вальда, показавший наличие гетероскедастичности. (см. приложение 4) Такой подход был применен ввиду того, что нет тестов на гетероскедастичность, специально применяющихся для модели со случайными эффектами. Чтобы хоть как-то проверить ее наличие, используется Fixed Effect model, при этом, это не будет серьезным нарушением, т.к. модель Random Effect - ее ограниченная версия с ограничениями на коррелированность индивидуального эффекта и регрессоры.[9, c 495] В данном случае, результаты для модели с фиксированными эффектами можно использовать и для нашей выбранной модели.

Чтобы обнаружить автокорреляцию 1-ого порядка, был проведен тест, включающий в себя целую категорию тестов, направленных на выявление серийной корреляции 1-ого порядка и случайных эффектов в модели. В итоге, обнаружилось наличие случайных эффектов, что говорит о целесообразности использования выбранной модели, а наличие автокорреляции не подтвердилось.

Таким образом, чтобы получить наилучшую спецификацию модели, необходимо оценить ее, учитывая наличие гетероскедастичности в распределении ошибок. Для того чтобы это сделать, к стандартным ошибкам были применены поправки Уайта. Также было принято решение последовательно убрать темп роста ВВП и уровень инфляции, т.к. во-первых, это привело к росту значимости всей модели в целом, а во-вторых, названные регрессоры имели высокую корреляцию с курсом доллара к рублю, то есть могли являться причиной мультиколлинеарности.

Новая значимость регрессии Wald chi (8)= 253.08.

Все коэффициенты стали значимы, а их значения приведены в таблице 6.

Таблица 6 Оценки коэффициентов конечной спецификации модели (1) Observations 280 Number of id 40 Dependent Variable: lAutoloan

Переменная	Значение коэффициента	P-value
size	0.576***	1.74e-09
lROA	0.154*	0.10
lUNEMPL	-4.389***	1.09e-06
lUSDRATE	-2.159***	0.000173
lREALREV	-2.319*	0.097
type	2.992***	3.56e-10
foreigndummy	0.783***	0.0376
GOVSUB	1.480***	0.00521
Constant	22.33**	0.0177

Источник: расчеты автора (***p<0.01, **p<0.05, *p<0.1)

Ln(Autoloan)_????=??_????+0.576*size_it+0.154*ln(ROA)_it-4.389*ln(unempl)_it-2.159*ln(USDRATE)_it-2.319*ln(realrev)_it +2.992*type_it+0.783*foreigndummy_it + 1.480*govsub_it

В целом, получившиеся зависимости соответствуют ожиданиям. Гипотезы №3 и 4 не отвергаются: безработица и курс доллара к рублю действительно влияют отрицательно на количество выдаваемых кредитов. При росте уровня безработицы на 1%, количество выданных автокредитов падает на 4.4%, причем безработица оказывает наибольшее негативное влияние на зависимую переменную. При подорожании доллара на 1% количество кредитов падает на 2%, причем таким же эффектом обладает и показатель реальных доходов населения. Интересно отметить, что гипотеза №2 отвергается: оказалось, что с ростом доходов индивид считает себя богаче и стремится осуществлять покупки за собственные средства, не прибегая к заемным.

Ожидания насчет влияния размера банка выражались в гипотезе №15. Результаты регрессионного анализа показали, что зависимость положительная, а значит, гипотеза не отверглась: при росте размера банка на 1 единицу, количество кредитов растет на 0,5. Рентабельность активов оказывает малое влияние: при росте на 1% количество кредитов растет на 0,15%, однако это подтвердило гипотезу № 17. В целом, положительная зависимость говорит о том, что чем лучше используются активы банка и чем продуктивнее работает его менеджмент, тем больше банк способен выдавать кредитов.

Отдельное внимание стоит уделить дамми-переменным. Гипотезы №6-8 не отвергаются, т.к. эти регрессоры оказались значимыми даже на 5%-ом уровне, при этом каждая из них положительно влияет на объясняемую переменную. Сравнительно большим эффектом обладает переменная типа банка: если банк кэптивный, то это приносит дополнительные 3% к количеству выдаваемых им автокредитов. Данный результат вполне ожидаем, т.к. кэптивные банки обладают рядом особенностей по сравнению с универсальными и розничными. Несмотря на то, что, как описывалось ранее, последние тоже налаживают сотрудничество с автодилерами и автосалонами, мы можем видеть численное преимущество у кэптивных банков.

Фиктивная переменная страновой принадлежности оказалась значима в конечной спецификации модели. Ее эффект очень мал: банки с иностранным участием в капитале больше 50% выдают на 0.78% автокредитов больше, чем остальные. Получается, что такие банки действительно имеют возможность предлагать более привлекательные условия по автокредитам. Обращаясь к современным предложениям на рынке по банкам, представленным в выборке, можно увидеть, что например стандартный автокредит в государственном банке ВТБ24 выдается по ставке 19,9% с первоначальным взносом 20% на сумму до 5 млн рублей [36], в то время как в ЮниКредитБанке (100% акций принадлежит австрийской группе) [35]аналогичный кредит предлагается по ставке 18% при первоначальном взносе 20% на сумму до 6,5 млн рублей.[37] На основе этого можно сделать вывод о том, что банки с иностранным участием действительно могут предлагать более выгодные условия, а главной причиной этого предполагается их возможности привлечения средств за рубежом по ставке ниже, чем в России.

Последним рассматриваемым регрессором является фиктивная переменная участия в государственной программе льготного автокредитования. Банки, для которых эта дамми равняется 1, выдают на 1,5% больше автокредитов, чем остальные. Хотелось бы отметить, что государственная программа была нацелена на стимулирование и оживление спроса на рынке автокредитования во время последнего кризиса конца 2014-2015 годов, а также в 2009 и 2013 годах. Полученный эффект оказался третьим по размеру после уровня безработицы, реальных доходов и курса валют (оба показателя имеют одинаковое влияние в -2%), вследствие чего можно утверждать, что государственная программа имела свое положительно влияние на рынке автокредитования.

2.5.2 Модель оценки зависимости доля просроченной задолженности в портфеле автокредитов

Ход рассуждений для построения данной модели ничем не отличался от предыдущей. Вначале была задана панель, затем построена корреляционная матрица.



Рисунок 3. Корреляционная матрица независимых переменных модели (2)

По ней видно, что высокая корреляция (0,7 и выше) образуется между уровнем инфляции и курсом доллара, уровнем инфляции и количеством проданных машин отечественного производства, реальными располагаемыми доходами и курсом валют, уровнем безработицы и объемом проданных машин зарубежного производства, курсом валют и количеством проданных отечественных машин.

В данной модели также было принято решение перейти к логарифмическим формам, заменив все показатели, кроме размера банка на их натуральные логарифмы. Это позволило сделать величины сопоставимыми, т.к., например, объемы проданных автомобилей выражаются в тысячах штук, в то время как зависимая переменная - в долях.

При определении наиболее подходящей модели первой была оценена сквозная регрессия, которая показала, что переменные уровня безработицы и реальных располагаемых доходов убираются ввиду высокой коллинеарности. Тот же результат показали модели RE и FE, вследствие чего они были сразу отброшены и далее все тесты проводились уже без них. Оказалось, что модель со случайными эффектами подходит больше. (см приложение 8) Так как для двух моделей выборка состоит из одинакового набора банков, то такой вывод был ожидаем.

При первичном оценивании значение Wald chi(7)= 29.65 оказалось мало, а из всех объясняющих переменных оказался значимым только размер банка.

Таблица 7 Результаты первичной оценки модели регрессии (2) Observations 280 Number of id 40Dependent Variable: ldoubloan

Переменная	Значение коэффициента	P-value
lUSDRATE	0.396	0.614
lINFL	0.176	0.704
lAUTORUS	-1.766	0.137
lAUTOFOR	0.118	0.721
size	0.237**	0.0381
lROA	-0.0221	0.801
lGDPg	0.360	0.155
Constant	17.86	0.329

Источник: расчеты автора (***p<0.01, **p<0.05, *p<0.1)

Чтобы перейти к конечной спецификации, необходимо было провести проверку на гетероскедастичность и автокорреляцию остатков, что было сделано так же, как и для предыдущей модели. Результаты тестов показали, что в модели присутствуют оба отклонения, а значит, нужно вводить поправки, учитывающие сразу две проблемы. (см. приложение 9-10) Для конечного оценивания были использованы кластерные стандартные ошибки Роджера [34], а также были исключены переменные РОА и курса доллара к рублю ввиду их незначимости. Конечная модель регрессии выглядела так.



Таблица 8 Оценки коэффициентов конечно спецификации модели (2)

	(1)
VARIABLES	ldoubloan
ldoubloan
lINFL	0.355*
	(0.0664)
lAUTORUS	-1.691**
	(0.0279)
lAUTOFOR	0.133
	(0.634)
size	0.312**
	(0.0118)
lGDPg	0.344**
	(0.0407)
Constant	16.22*
	(0.0778)
Observations	280
Number of id	40
Robust pval in parentheses
*** p<0.01, ** p<0.05, * p<0.1

Значение Хи-квадрата увеличилось (см. приложение 11), т.е. повысилась значимость регрессии, и все переменные кроме объема проданных автомобилей зарубежного производства оказались значимыми. Однако если удалить данный регрессор из уравнения, то значимость модели в целом понизится (см. приложение 12), поэтому было решено оставить его в конечном варианте.

Так, уравнение регрессии приняло вид:

ln(Doubloan)_????=??_????+0.312*size_it+0.355*ln(infl)_it+0.344*ln(GDP)g_it-1.691*ln(AUTORUS)_it+ 0.133*ln(AUTOFOR)_it .

Результаты модели оказались весьма интересными для интерпретации ввиду того, что многие ожидания не подтвердились. Неожиданным стало влияние темпа роста ВВП, описанное во многих исследованиях как отрицательное. Выдвинутая гипотеза №12 отвергается: в нашей модели, с увеличением темпа роста на 1 %, доля просроченной задолженности повышается на 0,34%. Такое поведение можно попробовать объяснить тем, что увеличение темпа роста ВВП говорит о «разогревании» экономики, выпуск начинает расти, в том числе занятость и доходы людей. Население начинает перепотреблять, с ростом доходов люди берут больше кредитов на те товары, в которых, возможно, долго себе отказывали, и как итог - неспособность отвечать по своим обязательствам вовремя.

Переменная размера банка тоже находится в прямой зависимости с долей просроченной задолженности в соответствии с гипотезой №16. Мы получили, что с ростом совокупных активов банка на 1 %, доля просроченной задолженности по автокредитам растет на 0,31%. Следовательно, банк не может избежать проблемы просроченной задолженности при увеличении доходов от автокредитов.

Влияние показателя инфляции соответствует гипотезе №9, однако идет в разрез с нашим вторым предположением об удешевлении долга. С ростом уровня инфляции на 1%, доля просроченной задолженности в портфеле автокредитов растет на 0,33%. С ростом инфляции растут цены на товары, ставки процента по кредитам, как следствие, реальные доходы населения сокращаются, и им сложнее расплачиваться по всем своим нуждам.

Что касается переменных объема продаж автомобилей отечественного и зарубежного производства, то были получены разнонаправленные эффекты, при этом вторая переменная оказалась незначима.

Но говоря об отечественных машинах, мы видим, что их предельный эффект отрицателен, т.е. с ростом продаж российских авто на 1%, доля просрочки падает 1,69%, что является относительно большим падением. Скорее всего, данное явление связано с проведением программы льготного автокредитования, т.к. она распространяется в первую очередь на российские транспортные средства. Сниженные ставки вполне приемлемы для заемщиков, и у них не возникает таких проблем с оплатой кредита. Конечно, программа распространяется и на зарубежные марки, собранные в России, но также по ней существует ограничение по стоимости авто в 700 тысяч рублей, а иномарок, входящих в этот ценовой промежуток гораздо меньше, чем отечественных машин. Гипотеза №14 не подтвердилась.

Таким образом, проведя регрессионный анализ, мы выявили, какие макро- и микрофакторы оказались значимыми и какое влияние они оказывают на рынок автокредитования. Кратко обобщив полученные результаты, мы получили, что часть сформулированных ранее гипотез не отвергается. Более наглядно это представлено в таблице 9.

Таблица 9

Номер гипотезы	Содержание	Вывод
1.	Темп роста ВВП «+» влияет на кол-во автокредитов	Отвергается (незначим)
2.	Реал. расп. дох. «+» влияют на кол-во автокредитов	Отвергается
3.	Курс валют «-» влияет на кол-во автокредитов	Не отвергается
4.	Инфляция «-» влияет на кол-во автокредитов	Отвергается (незначим)
5.	Безр-ца «-» влияет на кол-во автокредитов	Не отвергается
6.	Кэптивные банки больше выдают автокредитов	Не отвергается
7.	Банки с участием в гос. программе больше выдают автокредитов	Не отвергается
8.	Банки с ин. Участием больше выдают автокредитов	Не отвергается
9.	Инфляция «+» влияет на долю просроч. задолж.	Не отвергается
10.	Безр-ца «+» влияет на долю просроч. задолж.	Отвергается (незначим)
11.	Курс валют «+» влияет на долю просроч. задолж.	Отвергается (незначим)
12.	Темп роста ВВП «-» влияет на долю просроч. задолж.	Отвергается
13.	Реал. расп. дох. «-» влияют на долю просроч. задолж.	Отвергается (не значим)
14.	Проср. задолж. склонна возникать по автокредитам на иномарки	Отвергается
15.	Размер банка «+» влияет на кол-во автокредитов	Не отвергается
16.	Размер банка «+» влияет на долю просроч. задолж.	Не отвергается
17.	ROA влияет «+» на кол-во автокредитов	Не отвергается
18.	ROA влияет «+» на долю просроч. задолж.	Отвергается (незначим)

2.6 Предложения

2.6.1 Понятие автолизинга для физических лиц

Для того чтобы рассматривать лизинг как альтернативу автокредитованию, нужно подробно изучить его понятие и схему предоставления.

Прежде всего обозначим, что под автолизингом для физических лиц подразумевается лизинг на легковые автомобили, которым может воспользоваться обычный потребитель не для коммерческих целей, а для частного пользования.

В России потребительский автолизинг стал разрешен с 2012 года после внесения изменений в закон о лизинге. [26] В настоящее время он представлен некоторыми коммерческими фирмами, например «Major Leasing» и «КОНТРОЛ Лизинг», а также предложениями от автосалонов, как это делает Audi и ряд других производителей. [27]

Типичными предложениями потребительского лизинга для автомобилей является смесь финансового и оперативного лизинга. От последнего ему присущи короткий срок обычно до 5 лет и характер платежей: они покрывают только амортизацию авто. Иными словами, остаточная стоимость после использования автомобиля вычитается из тела долга, тем самым делая основную сумму выплаты меньше, а следовательно и ежемесячные платежи, которые могут быть в 1,5-3,5 раз меньше по сравнению с автокредитом.[26] От финансовго лизинга здесь присутствует то, что расходы на содержание лежат на арендополучателе. Говоря об автомобиле, это, в первую очередь, налоги, страховое покрытие, топливо и его обслуживание вроде шиномонтажа или замены масла. Что касается досрочного прекращения договора, то оно возможно, но влечет за собой наложение штрафа. Особой классификацией лизинга является его разделение на open-end lease и close-end lease. В первом случае потребитель может купить используемую вещь по истечении срока лизингового договора, часто для этого требуется внесение конечного платежа, которое расценивается арендодателем в качестве компенсации, если рыночная стоимость авто окажется меньше установленной договором в начале срока. При втором типе у клиента нет никаких обязательств перед арендодателем, если он возвращает актив без повреждений или сверхнормативного износа. Это означает, что арендодатель принимает весь риск снижения рыночной стоимости автомобиля на себя, и в таком случае самостоятельно понесет издержки.

Лизинг автомобиля возможен в обоих вариантах, однако close-end лизинг предпочтительнее для потребителя ввиду того, что он ему точно не придется совершать конечный платеж. [12, c 39]

Таким образом, можно вкратце сформулировать черты, присущие автомобильному лизингу для частных лиц.

Срок	Краткосрочный (до 5 лет)
Платежи	Основаны на амортизации
Издержки по содержанию базового актива	Лежат на арендополучателе
Досрочное расторжение договора	Возможно, но с наложением штрафа

Далее стоит уделить внимание потребительским предпочтениям относительно данного вида услуг. В обзоре литературы уже были указаны краткие выводы исследований относительно того, какие домохозяйства и почему более склонны к лизингу, чем к автокредитованию. Однако существует некий теоретический аспект, объясняющий такое поведение людей, на котором мы подробно остановимся в данной части работы.

Так, мнение потребителя относительно автолизинга определяются двумя составляющими: его предпочтениями и бюджетными ограничениями. Предпочтения - более субъективный фактор, который индивидуален для каждого человека. Например, как уже было отмечено в исследовании Mannering, Winston , Brown люди с более высокими предпочтениями роскоши захотят приобрести автомобиль категории «люкс», а лизинг делает такое желание возможным. Говоря о расходах на лизинг, мы перешли к предпочтениям ликвидности. Если у потребителя высокое предпочтение ликвидности, то для него важно, чтобы именно в настоящий момент его денежные расходы были относительно низки. Вследствие этого он выберет автолизинг, т.к. обычно не только его ежемесячные платежи, но и первоначальный взнос, количество платежей меньше, чем для автокредитования.[12, c 40]

С другой стороны, потребитель, наоборот, может отдавать свои предпочтения автокредитованию. Прежде всего, это обусловлено тем, что лизинг не образует собственности, а лишь дает право пользоваться активом. Также недостатком является то, что в начале срока договора лизинга арендодатель может потребовать от клиента залог. Даже при условии, что залог по истечении срока договора вернется потребителю, это все равно ограничивает его. Например, если залог выражается в денежном эквиваленте, клиенту придется выделить эту сумму из своего бюджета, что может представлять для него некие трудности.[12, c 40]

Еще одним негативным аспектом автолизинга могут послужить ограничения, накладываемые на автомобиль арендодателем. Например, в США в некоторых штатах действуют ограничения на вывоз транспорта за его пределы, что сильно сужает допустимую область, где потребитель имеет право пользоваться арендуемым транспортом. В исследовании Mannering (2002) говорилось о том, что чем больше автомобиль, тем больше он востребован для лизинга. Как известно из реальной жизни, большие машины удобны для дальних путешествий, в основном, это джипы либо кроссоверы. Поэтому, можно предположить, что если лизинговая фирма или банк, как в нашем случае, будут накладывать подобные ограничения, то лизинг не будет сильно востребован.

Что касается второго детерминирующего фактора потребительского отношения к автолизингу - бюджетных ограничений - то они, как описывалось выше, основываются на доходе индивида и относительных ценах автокредита и автолизинга. Здесь особый интерес представляет второй показатель, изучением которого занимались многие зарубежные ученые, в том числе Nunnaly and Plath. Сравнение этих цен происходит через эффективную ставку лизинга (effective lease hurdle rate), которая обсуждалась в методологической части данной работы. Там же представлены выводы о том, как те или иные параметры автомобиля - остаточная стоимость, пробег, износ и налоговые вычеты на платежи по кредиту - влияют на данную ставку и, как следствие, какая из двух рассматриваемых альтернатив становится дешевле.

В настоящей работе мы не будет приводить математический способ расчета данной ставки. Проанализировав суть лизинга и его основные черты, а также потребительское отношение к данному продукту, мы в целом определили его преимущества и недостатки. Следующим шагом будет произведено сравнение выявленных характеристик с аналогичными для автокредитования.

2.6.2 Сравнительные характеристики автокредитования и автолизинга

Чтобы выявить возможность развития автолизинга для физических лиц как альтернативы автокредитованию, необходимо учесть те влияния, которые были проанализированы в эмпирической части работы, чтобы показать действительно «слабые» места или недостатки автокредитования на сегодняшнем рынке, и попытаться выяснить, сможет ли их заполнить автолизинг.

При анализе количества выдаваемых автокредитов и доли просроченной задолженности было выявлено, что:

1. Рост безработицы и курса доллара к рублю приводит к негативным тенденциям: падению спроса на автокредиты и росту просроченной задолженности по ним. Такое влияние факторов внешней среды неизбежно, его сложно проконтролировать со стороны банка. Однако автолизинг смог бы решить проблему растущей просроченной задолженности: при потере работы клиент может расторгнуть договор раньше срока, как это было описано выше, заплатив при этом заранее оговоренный штраф. Таким образом, это предотвратило бы ситуацию, если бы заемщик банка, оказавшись без стабильного дохода, не мог долгое время вносить ежемесячные платежи, тем самым превращая первичную задолженность в «неработающую».

2. Увеличение реальных располагаемых доходов населения, как это показала первая модель, уменьшает количество выдаваемых кредитов, и соответственно, прибыль банка. Исследование Mannering (2002) показало, что более обеспеченные люди больше склонны к лизингу автомобилей, то есть, возможно, потребители, не желающие брать автокредит и скопившие достаточно средств на покупку машины, обратили бы внимание на лизинг, только уже на более дорогостоящую модель класса люкс. Как уже было отмечено ранее, лизинг для многих людей - способ пользоваться более дорогостоящим автомобилем, чем они могли бы себе позволить. Однако здесь важно сделать оговорку о том, что ссылаемые исследования проводились на зарубежных данных и не учитывают менталитета российского потребителя.

3. Размер банка положительно влияет на обе зависимые переменные. Другими словами, крупные банки проводят политику наращивания кредитного портфеля, но при этом их заемщики не всегда платят вовремя. Поэтому банк мог бы диверсифицировать риски путем добавления лизинга, как еще одного кредитного продукта, направленного на продажу автомобилей. Большой размер банка подразумевает под собой большой размер совокупных активов, а значит, у банка есть запас ликвидности для финансирования лизинга. По мнению специалистов одной крупной коммерческой лизинговой фирмы, лизинг требует больших затрат ввиду того, что при покупке автомобиля лизинговой компании необходимо оплатить 100% стоимости транспортного средства, в то время как клиент за весь срок аренды вернет только 40%, а остаточные 60% компании придется возвращать из собственных средств, и их удастся возместить только в конце срока договора с клиентом. [26] Вследствие этого, крупные банки, развивая лизинг, могут быть вполне конкурентоспособными в данной отрасли, что тоже немаловажно при таргетировании на новый продукт. Более того обычно такие лизинговые компании финансируется засчет возобновляемых кредитных линий, что еще раз подтверждает наличие у банков необходимых средств.

4. Оценка фиктивных переменных в первом уравнении регрессии показала, что все они являются значимыми, в том числе и дамми переменная, отвечающая за участие банка в программе льготного автокредитования. Получается, что государственная программа помогла простимулировать спрос, однако ее объектами являлись только те автомобили, чья стоимость не превышала 700 тысяч рублей. Чтобы в моменты кризиса, когда у потребителя преобладают негативные ожидания относительно будущего, повысить продажи более дорогих машин, можно также ввести автолизинг. Стоит уточнить, что для индивида, чей доход всегда был на уровне среднего, вряд ли будет приобретать дорогостоящую иномарку в период сложной макроэкономической ситуации в стране, однако машина, стоящая чуть дороже 700 тысяч или в этих пределах, но не подпадающая под другие условия льготной программы автокредитования, оказалась бы для него доступной при помощи автолизинга.

Таким образом, рассмотрев современные проблемы автокредитования через призму влияния факторов внешней среды и особенностей проводимой банком кредитной политики, мы увидели, что велика вероятность, что большинство из них можно решить или сгладить введением автолизинга для физических лиц.



Заключение

Выполнив постановленные задачи, была достигнута цель данной выпускной квалификационной работы: определить влияние факторов на количество выданных автокредитов и долю просроченной задолженности по ним, а также выявить возможность становления автолизинга как альтернативы автокредитованию.

Изучение теоретических аспектов рынка автокредитования и его динамики за период 2009-2015 годов помогло выявить его современные проблемы, заключающиеся в снижении спроса на данный вид кредитов и росту образования просроченной задолженности по ним. После проведения анализа предыдущих эмпирических исследований, затрагивающих данные вопросы как напрямую для автокредитования, так и для кредитного портфеля банка в целом были сформированы эконометрические модели для анализа зависимости указанных выше проблем от целого ряда макро- и микрофакторов.

Многие ожидания, сформулированные в виде гипотез, подтвердились. Так, на количество выдаваемых кредитов действительно влияет уровень безработицы, инфляции, реальных располагаемых доходов населения, размер банка, рентабельность использования его активов. Нетривиальным результатом оказалось, что при росте реальных располагаемых доходов количество выданных автокредитов падает, что говорит о том, что индивид ощущает себя богаче и желает осуществить покупку автомобиля без помощи заемных средств.

Также интересным оказалось то, что все введенные фиктивные переменные оказались значимы, что соответствует описанной теории и сформированным ожиданиям.

Модель по просроченной задолженности показала, что ее доля в портфеле автокредитов банков растет с увеличением инфляции, размера банка и темпом роста ВВП, что оказалось весьма неожиданным. Скорее всего, это связано с ростом перепотребления у индивидов, когда с «разогреванием» экономики и повышением заработных плат они начинают покупать то, что так долго откладывалось, возможно, даже в кредит, ввиду чего наступает момент, когда они не могут вовремя погасить обязательства.

Напротив, увеличение продаж автомобилей отечественных марок приводит к падению доли просроченной задолженности. В первую очередь, это связано с введением льготной программы автокредитования, снижающей ставки процента и распространяющейся только на машины до 700 тысяч рублей.

Сравнение автокредитования и автолизинга привело к выводу о том, что при некоторых обстоятельствах лизинг способен стать альтернативой автокредиту. Вводя автолизинг для физических лиц как новый продукт, банк сможет увеличить свою прибыль в те периоды, когда спрос на автокредитование падает (рост располагаемых доходов населения), снизить образование просроченной задолженности, когда человек становится безработным, и просто разнообразить свои активные операции, когда его размер достаточно велик, засчет имеющегося потенциала для финансирования лизинговых сделок.

Настоящая работа может стать отправной точкой для дальнейших исследований возможностей развития потребительского автолизинга, только уже использующих более сложный математический аппарат и основывающихся на более подробных данных.



Список используемой литературы

1. Айвазян С.А., Афанасьев М.Ю., Афанасьев А.М. Оценка экономической эффективности мероприятий банка по рекламированию кредитных продуктов // Прикладная эконометрика, № 4(16), 2009.-с. 46-49

2. Бондарь А.П., Байрам У.Р., Рак Т.С. Автокредитование физических лиц в Российской Федерации // Science Time, № 11(23), 2015. -с.81-84

3. Волкова О.Н. Анализ факторов, влияющих на формирование кредитного портфеля российских банков //Банковский сектор, №45 (183), 2013.- с. 33-40

4. Горелая Н.В. Организация кредитования в коммерческом банке: учебное пособие. - М.: ИД «ФОРУМ»: ИНФРА-М, 2012.- с.80

5. Казакова К.А. Многомерное регрессионное моделирование и прогноз просроченной задолженности по кредитам // Финансы. Бухгалтерский учет, №1, 2014. -с. 87-96

6. Кудрявцев А.С. Автокредитование и его виды // Финансы. Экономика. Стратегия, №7, 2010. -с. 25-29

7. Маслюкова Е.В., Зайцева Д.С. Современное состояние тенденции развития рынка автокредитования (на примере г. Ростова-на-Дону) // Международный научно-исследовательский журнал, №4-2, 2015. -с. 41-42

8. Полунин Л.В., Бибарова-Государева М.А. Перспектива рынка автокредитования в России в условиях рецессии экономики // Социально-экономические явления и процессы, №1, 2014. -с. 81-84

9. Ратникова Т.А. Лекционные и методические материалы // Экономический журнал ВШЭ, №2, 2006.-с.308, 494-500

10. Титова И.Н., Девкина А.С. Статистический анализ автокредитования в России. - Белгород. - с. 298

11. Шевчук Д. Автокредит: технология получения. - М.: Litres, 2015. -с. 5-20

12. Brown S. The leave Vs Buy Decision // The Park Place Economist, no. 5(1), 1997.-pp. 37-41

13. Gitonga K. W. Effects Of Macroeconomic Variables On Credit Risk In The Kenyan Banking System // International Journal of Business and Commerce, no. 9, 2014. -pp. 2-17

14. Mannering F., Winston C., Starkey W. An Exploratory Analysis Of Automobile Leasing By Households // Journal of Urban Economics, no.52, 2002. -pp. 154- 166

15. Mileris K. Macroeconomic Determinants of Loan Portfolio Credit Risk in Banks // Engineering Economics, no. 23, 2012. -pp. 496-498

16. Plath Anthony D., Nunnally B.H. Effective Credit Costs in Retail Financial Markets: Leasing versus Borrowing // Financial Services Review, no.1(2), 1991. -pp. 109 - 111, 126

17. Plath Anthony D., Nunnally B.H. Leasing Versus Borrowing: Evaluating Alternative Forms of Consumer Credit// Journal of Consumer Affairs, no.2, 1989. -pp. 383-385

18. Zsigraiova M. Probability of Default Modelling Using Macroeconomic Factors, 2014. Charles University in Prague. -pp. 16-20

19. Информационный портал Банки.ру. НБКИ: в 2015 году количество выданных автокредитов уменьшилось на 41% [электронный ресурс]. URL: http://www.banki.ru/news/lenta/?id=8617294 (дата обращения: 24.03.2016)

20. Информационный портал Bankir.ru [электронный ресурс]. URL: http://bankir.ru/novosti/20151009/obem-prosrochennoi-zadolzhennosti-v-segmente-avtokreditovaniya-vyros-s-nachala-goda-na-rekordnye-22-i-dostig-64-1-mlrd-rublei-10112746/ (дата обращения: 24.03.2016)

21. Информационный портал Банки.ру. Сетелем Банк [электронный ресурс]. URL: http://www.banki.ru/banks/bank/bnpparibaseast/

22. Информационный портал Abajour.ru Автокредитование: драйверы рынка [электронный ресурс]. URL: http://www.abajour.ru/files/Avtokredit.pdf (дата обращения: 3.04.2016)

23. Информационный портал Банки.ру. Автокредиты катятся под гору [электронный ресурс]. URL: http://www.banki.ru/news/daytheme/?id=7947969 (дата обращения: 3.04.2016)

24. Информационный портал За рулем. Автокредиты стали россиянам не по карману [электронный ресурс]. URL: http://www.zr.ru/content/articles/764664-avtokredity-stali-rossiyanam-ne-po-karmanu/ (дата обращения: 4.04.2016)

25. Информационный портал Банки.ру. Программа льготного автокредитования не будет продлена на 2012 год [электронный ресурс]. URL: http://www.banki.ru/news/lenta/?id=3293728 (дата обращения: 12.04.2016)

26. Информационный портал РБК. Автолизинг для физлиц: новая услуга делает автомобиль в три раза доступнее [электронный ресурс]. URL: http://www.rbc.ru/spb_sz/30/06/2014/5592ac909a794719538d2ed4 (дата обращения: 16.04.2016)

27. Информационный портал Audit.ru. Средневзвешенный курс валют: Доллар США [электронный ресурс]. URL: http://www.audit-it.ru/currency/sr_vz.php?currency=USD&period_month=12&period_year=2008&finyear_start=0&getcurrency=1 (дата обращения: 29.03.2016)

28. Информационный портал Федеральной службы государственной статистики. Реальные располагаемые доходы [электронный ресурс]. URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/population/level/ (дата обращения: 24.03.2016)

29. Информационный портал Федеральной службы государственной статистики. Национальные счета [электронный ресурс]. URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/accounts/# (дата обращения: 24.03.2016)

30. Информационный портал Федеральной службы государственной статистики. Уровень безработицы [электронный ресурс]. URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/wages/labour_force (дата обращения: 24.03.2016)

31. Информационный портал АВТОСТАТ. [электронный ресурс]. URL: https://www.autostat.ru/ (дата обращения: 26.04.2016)

32. Информационный портал За рулем. Ставки по автокредитам у ряда банков возросли до 50% годовых [электронный ресурс]. URL: http://www.zr.ru/content/news/755388-stavki-po-avtokreditam-u-ryada-bankov-vozrosli-50-godovyx// (дата обращения: 4.04.2016)

33. Электронные материалы по анализу панельных данных. Семинар 5. [электронный ресурс]. URL: https://drive.google.com/folderview?id=0B-F1b1jEVcetbmczZHE1OVkxakU&usp=drive_web&tid=0B-F1b1jEVceteGt5RjVpTXlqQlU// (дата обращения: 3.05.2016)

34. Информационный портал Банки.ру. ЮниКредитБанк [электронный ресурс]. URL: http://www.banki.ru/banks/bank/unicreditbank/ (дата обращения: 12.04.2016)

35. ВТБ24 - Автокредиты. [электронный ресурс] URL: http://www.vtb24.ru/personal/autocredit/Pages/default.aspx (дата обращения: 5.05.2016)

36. ЮниКредитБанк - Автокредиты. [электронный ресурс] URL: https://www.unicreditbank.ru/ru/personal/borrow/car-loans/car-new.html (дата обращения: 5.05.2016)

37. Информационный портал Банки.ру. Рейтинги банков по объемам автокредитов на 2015-2014г. [электронный ресурс]. URL: http://www.banki.ru/news/research/?id=7947976/ (дата обращения: 23.03.2016)

38. Информационный портал Банки.ру. Рейтинги банков по объемам автокредитов на 2013г. [электронный ресурс]. URL: http://www.banki.ru/news/research/?id=7303396/ (дата обращения: 23.03.2016)

39. Информационный портал РБК. Рейтинги банков по объемам автокредитов на 2011-2012г. [электронный ресурс]. URL: http://rating.rbc.ru/articles/2013/03/22/33910055_tbl.shtml?2013/03/22/33909923/



Приложения

Приложение 1

Тест Бройша-Пагана



Приложение 2

Тест Вальда



Приложение 3

Тест Хаусмана



Приложение 4

Модифицированный тест Вальда: проверка на гетероскедастичность



Приложение 5

Множественный тест на проверку наличия случайных эффектов и автокорреляции 1-ого порядка в модели



Приложение 6

Первоначальная модель (1): значение Wald chi



Приложение 7

Модель регрессии (1): значение Wald chi



Приложение 8

Модифицированный тест Вальда на проверку гетероскедастичности



Приложение 9

Множественный тест на наличие случайных эффектов и АК 1-ого порядка



Приложение 10

Значимость конечной спецификации модели (2)



Приложение 11

Значимость модели (2) после отбрасывания переменной количества продаж иностранных автомобилей



Приложение 12

Рейтинг самых продаваемый автомобилей, шт.

МОДЕЛЬ	БРЕНД	ЯНВАРЬ-ДЕКАБРЬ
		2015	2014	-
Granta	LADA	120,182	152,810	(32,628)
Solaris	Hyundai	115,868	114,644	1,224
New Rio	KIA	97,097	93,648	3,449
Polo	VW	45,390	58,953	(13,563)
Duster	Renault	43,923	76,138	(32,215)
Logan	Renault	41,311	60,434	(19,123)
Largus	Lada	38,982	65,156	(26,174)
Kalina	LADA	35,869	65,609	(29,740)
4x4	LADA	35,312	42,932	(7,620)
Niva	Chevrolet	31,367	43,441	(12,074)
Sandero	Renault	30,221	36,849	(6,628)
Camry	Toyota	30,136	34,117	(3,981)
Priora	LADA	28,507	47,818	(19,311)
RAV 4	Toyota	27,102	38,919	(11,817)
Almera	Nissan	25,977	46,225	(20,248)
Rapid	Skoda	24,547	19,975	4,572
on-DO	Datsun	23,643	11,414	12,229
Octavia A7	Skoda	21,373	35,292	(13,919)
Sportage	KIA	20,751	30,606	(9,855)
X-Trail	Nissan	20,502	23,573	(3,071)
Patriot	UAZ	19,950	21,056	(1,106)
New Cee'd	KIA	19,268	29,758	(10,490)
ix35	Hyundai	19,086	34,814	(15,728)
CX-5	Mazda	17,681	24,953	(7,272)
Outlander	Mitsubishi	16,294	28,969	(12,675)



Приложение 13

Объемы продаваемых автомобилей, шт.

	2009	2010	2011	2012	2013	2014	2015
Отечеств	578105	656387	732311	692 316	539 773	506687	369027
Германия	135486	160254	270936	362 087	360 265	327834	176426
США	173589	209119	296068	342 979	288 497	198842	91614
Япония	257643	296105	489046	509 676	509 121	545392	323786
Остальные	502697	590929	865047	1 031 731	1 079 791	912648	640363

Размещено на Allbest.ru

...