Главная Коллекция "Revolution" Банковское, биржевое дело и страхование Проблемы кредитования малого и среднего бизнеса: влияние программы льготного кредитования МСБ на кредитный риск банка

Проблемы кредитования малого и среднего бизнеса: влияние программы льготного кредитования МСБ на кредитный риск банка

Проблемы кредитования субъектов малого и среднего бизнеса. Анализ взаимосвязи роста просроченной задолженности малого и среднего предпринимательства и перехода уполномоченных банков на программу стимулирования кредитования малого и среднего бизнеса.

Рубрика Банковское, биржевое дело и страхование
Вид дипломная работа
Язык русский
Дата добавления 16.09.2020
Размер файла 492,4 K
рефераты на заказ со скидкой

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Таблица 2

R

|

Coef

Std.Err

z

P>|z|

[95% Conf, Interval]

program

|

0,024

0,006

4,15

0,000

0,013

0,036

GDPgr_lag

|

-0,01

0,023

-0,42

0,677

-0,055

0,036

intrate_lag

|

0,317

0,093

3,41

0,001

0,135

0,5

lnAsize

|

0,008

0,006

1,35

0,177

-0,003

0,019

ROA_lag

|

-1,752

0,385

-4,55

0,000

-2,507

-0,996

N10_lag

|

-0,001

0,001

-0,86

0,392

-0,002

0,001

liq_buf_lag

|

0,011

0,027

0,41

0,685

-0,041

0,063

const

|

-0,08

0,099

-0,8

0,422

-0,275

0,115

Заметим, что в ходе построения регрессии без выбросов результаты значимости (включая знаки влияния) не изменились: подтвердились гипотезы о значимости переменных «program», «intrate_lag», «ROA_lag»:

· Прибыльность банка в прошлом периоде, действительно, снижает его кредитный риск в текущем периоде ввиду того, что банк имеет меньше стимулов генерировать еще больший доход, повышая при этом рискованность операций (при росте ROA на 1единицу (на 100%), доля просроченной задолженность уменьшается на 1,77 ед.(на 177%) единицу).

· Рост процентной ставки на 1 ед. (100%) вызывает рост кредитного риска на 0,28 ед. (28%) ввиду удорожания ресурсов, доступных банку.

· Переход на программу стимулирования кредитования («program» = 1) увеличивает кредитный риск банков на 0,02 ед. (2%), что мы связываем с непрозрачностью данного сегмента и сложностями, с которыми сталкиваются данные предприятия, которые подробно описаны в первой главе работы.

Попытаемся объяснить незначимость переменных «GDPgr_lag», «LnAsize», «liq_buf_lag», «N10_lag»:

· Причина незначимости переменной «LnAsize» может быть в том, что большие по размеру банки не обязательно более избирательны. Есть исследования, которые подтверждают обратную взаимосвязь избирательности в заемщиках и размера банка. Так, например, согласно исследованию Berger et al., 2005, маленькие банки больше располагают качественной информацией о бизнесе своего клиента. Korolev O.G. Bank Lending to Small and Medium Sized Business: Evidence from Russia// Financial University under the Government of the Russian Federation.- Asian Social Science; Vol. 11, No. 14; 2015 Выделение кредитования МСП в отдельное направление кредитной политики банков позволяет им обслужить данный сегмент, максимально учитывая взаимные интересы сторон. При этом важно заметить, что региональные банки демонстрируют зачастую лучшие результаты относительно осведомленности о репутации клиентов-МСБ, что способствует использованию более гибких схем работы с такими заемщиками. Евдокимова С.С. Особенности и проблемы кредитования российскими коммерческими банками предприятий малого и среднего бизнеса//Финансы и кредит. - 2015

· Незначимость переменной liq_buf_lag, буфер ликвидности, на наш взгляд, может быть объяснена следующим: в банковском секторе профицит ликвидности https://www.cbr.ru/hd_base/bliquidity, в то время как значительного прироста кредитования мы не наблюдаем, а следовательно, в российской реальность взаимосвязь ликвидности и кредитного риска в последнее время не прослеживается. (Приложение 3)

· Мы выявили, что прирост ВВП «GDPgr_lag», действительно, не объясняет динамику кредитного риска, а именно, долю просроченной задолженность в выданных ссудах. Об этом свидетельствует корреляция ВВП и кредитов, выданных банками, в выборке. Около нулевая корреляция указывает на отсутствие связи. Такая корреляция, согласна проведенным расчетам, характерна для примерно 70% выборки. Мы предполагаем, что причина таких результатов заключается в замедлении ВВП в период с 2013 до 2019 (включительно), ввиду чего прирост ВВП именно на нашей выборке не объясняет динамику роста кредитов выданных и, как следствие, кредитный риск (см. Приложение 4).

· Незначимость «N10_lag» объясняется следующим доводом: у маленького банка может быть большая капитализация, так как активов у банка, в целом, меньше. В выборке есть как крупные системно-значимые банки, так и маленькие региональные банки. В дальнейшем данная гипотеза будет проверяться на подвыборках.

2.5 Проверка модели на устойчивость

Построим регрессию с таким же набором переменных, но заменим Y на переменную Reserves, где Reserves - это соотношение резервов по сомнительным долгам и кредитов, выданных банком в период t. Проверим, будет ли в этом случае значима переменная program, которая отвечает за введение программы льготного кредитования малого и среднего бизнеса.

xtreg Reserves program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag

Таблица 3

R-sq:

within

=

0,033

between

=

0,004

overall

=

0,009

Reserves

|

Coef,

Std.Err

z

P>|z|

[95% Conf. Interval]

program

|

0,061

0,011

5,31

0,000

0,038

0,083

GDPgr_lag

|

-0,013

0,046

-0,29

0,776

-0,104

0,077

intrate_lag

|

0,523

0,183

2,85

0,004

0,163

0,882

lnAsize

|

-0,027

0,009

-3,05

0,002

-0,044

-0,01

ROA_lag

|

-2,818

0,808

-3,49

0,000

-4,402

-1,235

N10_lag

|

-0,001

0,001

-0,65

0,516

-0,002

0,001

liq_buf_lag

|

-0,002

0,052

-0,04

0,97

-0,104

0,1

const

|

0,616

0,160

3,01

0,000

0,301

0,93

Заметим, что наша исследуемая переменная «program» осталась значимой. Ее влияние даже выросло, по сравнению с прошлой регрессией. Льготная программа не просто увеличила кредитный риск банков: за счет перехода на программу резервы банков выросли на 0,06 ед. (6%).

Также заметим, что при построении вспомогательной регрессии переменная LnA_lag стала значимой. Напомним, что за объясняемую переменную мы взяли соотношение резервов банка по сомнительным долгам к выданным банком кредитам. На наш взгляд, такое изменение значимости показателей связано со тем, что маленькие банки в основном перешли на базовую лицензию, и при создании резервов имеют возможность ориентироваться на минимальные нормы резервирования, установленные регулятором, а большие банки должны создавать резервы, используя модель ожидаемых убытков (Expected Losses), при использовании которой размер резервов не совпадает с РВПС, формируемым в рамках регуляторных требований. Таким образом, причина появления значимости переменной LnA_lag кроется в разном порядке формирования резервов.

2.6 Проверка модели на мультиколлинеарность

С помощью корреляционной матрицы проверим модель на мультиколлинеарность Мультиколлинеарность означает сильную корреляцию независимых переменных.

В соответствии с корреляционной таблицей, сильной корреляции между объясняющими факторами не было выявлено.

corr R program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag

Таблица 4

R

program

GDPgr_~g

intrat~g

lnAsize

ROA_lag

N10_lag

liq_bu~g

R

1

program

0,082

1

GDPgr_lag

-0,007

0

1

intrate_lag

0,065

-0,091

-0,001

1

lnAsize

0,03

0,227

0,001

0,041

1

ROA_lag

-0,161

-0,034

0,004

-0,079

-0,242

1

N10_lag

-0,071

-0,031

0,005

-0,001

-0,027

0,073

1

liq_buf_lag

0,049

0,018

0,007

-0,001

0,017

0,021

0,04

1

В Stata также с помощью команды «vif» «Vif» показывает вздутие дисперсии (используем сквозную регрессию для проверки) мультиколлинеарности выявлено не было. Mультиколлинеарность фактора присутствует, если vif>8, у нас программа не выдала подобных значений, следовательно, в нашей модели нет мультиколлинеарности.

Таблица 5

Variable

VIF

1/VIF

lnAsize

1,12

0,891

ROA_lag

1,07

0,931

program

1,07

0,937

intrate_lag

1,02

0,983

N10_lag

1,02

0,992

liq_buf_lag

1

0,997

GDPgr_lag

1

1

Mean

VIF

1,04

2.7 Построение модели на подвыборках

Тот факт, что в выборке банков содержатся как системно-значимые кредитные организации (СЗКО), так и банки, не входящие в эту группу, ранее не учитывался. В ходе исследования мы решили проверить, как будут выглядеть результаты на разных подвыборках (1-системно-значимые банки, 2 -банки, не относящиеся к СЗКО (см. Приложение 5).

Ниже представлен набор переменных, которые оказались значимы для каждой из подвыборок, а также коэффициенты перед данными переменными.

Таблица 6

значимые переменные

program

intrate_lag

ROA_lag

N10_lag

системно-не значимые

0.022

0.313

-1.633

не знач.

системно-значимые

0.014

не знач.

-3.938

0.002

Были выявлены следующие различия:

1) Для системно-значимых банков рост капитализации на 1 ед. (100%) увеличивает кредитный риск на 0,002 ед. (0,2%). Мы объясняем это тем, что капитализация системно-значимых банков находится изначально на высоком уровне (капитализация СЗКО - объект регулирования Банка России, ввиду чего банк может в следующем периоде взять на себя больше рискованных клиентов).

2) Для системно-значимых банков рост ключевой процентной ставки на 1 ед. не влияет на кредитный риск банков. Мы связываем это с тем, что ценообразование у кредитов СЗКО не жестко привязано к ключевой ставке, поэтому ее изменение не влияет на кредитный риск (системно-значимые банки не реагируют на изменение ставок так сильно, как банки, не входящие в группу СЗКО).

2.8 Выбор модели

Построим модели с фиксированными эффектами, со случайными эффектами, а также модель сквозной регрессии и выявим предпочтительную из них для описания исследуемой нами зависимости кредитного риска от перехода на программу стимулирования кредитования МСП.

Построим модель с фиксированными эффектами:

xtreg R program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag, fe

Таблица 7

R-sq:

within

=

0,051

between

=

0,008

overall

=

0,019

R

Coef.

Std.Err

t

P>|t|

[95% Conf. Interval]

program

0,02

0,005

4,12

0,000

0,01

0,029

GDPgr_lag

-0,005

0,018

-0,3

0,767

-0,042

0,031

intrate_lag

0,266

0,075

3,52

0,000

0,118

0,414

lnAsize

0,006

0,005

1,14

0,255

-0,005

0,017

ROA_lag

-1,712

0,326

-5,25

0,000

-2,352

-1,073

N10_lag

0

0

-0,11

0,915

-0,001

0,001

liq_buf_lag

0,007

0,021

0,34

0,735

-0,034

0,048

const

-0,067

0,098

-0,68

0,495

-0,259

0,125

Значимые переменные в данном случае не поменялись. Предполагается, что помимо используемых существуют другие факторы, не учтенные в модели (=ненаблюдаемые переменные). Такие переменные в модели с фиксированными эффектами должны коррелировать с теми, которые включены в построенную модель.

Построим модель со случайными эффектами:

xtreg R program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag, re

Таблица 8

R-sq:

within

=

0,051

between

=

0,018

overall

=

0,03

R

Coef.

Std.Err

z

P>|z|

[95% Conf. Interval]

program

0,021

0,005

4,61

0,000

0,012

0,03

GDPgr_lag

-0,005

0,018

-0,28

0,778

-0,041

0,031

intrate_lag

0,282

0,073

3,84

0,000

0,138

0,425

lnAsize

0,002

0,004

0,64

0,521

-0,005

0,01

ROA_lag

-1,773

0,322

-5,5

0,000

-2,405

-1,141

N10_lag

0

0

-0,19

0,850

-0,001

0,001

liq_buf_lag

0,008

0,021

0,4

0,692

-0,032

0,049

_cons

0,001

0,069

0,02

0,986

-0,135

0,137

О значимости построенной регрессии свидетельствует значение статистики Вальда - Wald chi2(6) = 76.46.

Предполагаемое равенство corr(u_i,X)= 0 (assumed) отражает гипотезу, которая лежит в основе модели и говорит о том, что регрессоры должны быть некоррелированными с ненаблюдаемыми случайными эффектами (в этом случае оценки состоятельны). Таким образом, согласно модели со случайными эффектами, существуют иные факторы, которые не коррелируют с включенными в регрессию.

Построим сквозную регрессию:

reg R program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag

Таблица 9

Source

SS

df

MS

Model

0,935

7

0,134

Residual

21,01

1,458

0,014

Total

21,95

1,465

0,015

Number of obs =1,475

F(7,1467)

=9,27

Prob >

F = 0

R-squared

=0,043

Adj

R-squared

=0,038

Root MSE

=0,12

R

Coef.

Std.Err

t

P>|t|

[95% Conf. Interval]

program

0,022

0,007

3,29

0,001

0,009

0,035

GDPgr_lag

-0,007

0,03

-0,25

0,805

-0,067

0,052

intrate_lag

0,279

0,117

2,37

0,018

0,048

0,509

lnAsize

-0,002

0,001

-1,23

0,218

-0,004

0,001

ROA_lag

-2,7

0,453

-5,96

0,000

-3,588

-1,811

N10_lag

-0,001

0

-2,32

0,020

-0,002

0

liq_buf_lag

0,052

0,025

2,12

0,035

0,004

0,1

const

0,083

0,027

3,09

0,002

0,030

0,135

Значение p-value близко к нулю, следовательно, построенная регрессия значима, объясняющая сила модели (R2 = 0.0426) мала. Однако сквозная регрессия вводит сильные ограничения относительно переменных, так как вводится предпосылка о том, что иных переменных, кроме выбранных для построения модели, не существует. Также данный тип модели не учитывает неоднородность данных по времени.

Далее сравним модели:

xtreg R program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag, fe

est store fe

xtreg R program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag, re

est store re

reg R program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag

est store pool

est tab pool fe re, b(%7.4b) stats (N r2) stars

Таблица 10

Variable

pool

fe

re

program

0,0222**

0,0198***

0,0212***

GDPgr_lag

-0,0074

-0,0055

-0,0052

intrate_lag

0,2787*

0,2657***

0,2816***

lnAsize

-0,0016

0,0063

0,0024

ROA_lag

-2,6995***

-1,7123***

-1,7730***

N10_lag

-0,0009*

0

-0,0001

liq_buf_lag

0,0521*

0,0071

0,0082

const

0,0826**

-0,0667

0,0012

N

1475

1475

1475

r2

0,0426

0,0514

legend:

*

p<0,05;

**

p<0,01;

***

p<0,001

В таблице указаны коэффициенты перед регрессорами и их значимости на разных уровнях для трех регрессионных моделей.

1) Сравним модели с фиксированными эффектами (FE) со сквозной регрессией (reg) (тест Вальда):

Тест Вальда позволяет проверить гипотезу о том, что все индивидуальные эффекты равны нулю.

Таблица 11

F

test

that

all

u_i=0:

F(58,

1409)

=

43.62

Prob

>

F

=

0.0000

В нашем случае p-уровень < 0.01. Таким образом, основная гипотеза отвергается. Регрессионная модель с фиксированными эффектами лучше подходит для описания исследуемой нами зависимости, чем модель простой регрессии.

2) Сравним модель со случайными эффектами (RE) со сквозной регрессией (reg) (тест Бройша-Пагана):

Тест Бройша-Пагана - это тест на наличие в модели случайного индивидуального эффекта. Данный тест позволяет проверить гипотезу

H0: Var (u) = 0

H1: Var (u) ? 0

xttest0

Таблица 12

Breusch

and

Pagan

Lagrangian

multiplier

test

for

random

effects

R[Bank,t]

=

Xb

+

u[Bank]

+

e[Bank,t]

Estimated

results:

Var

sd=sqrt(Var)

R

0,015

0,122

e

0,005

0,073

u

0,01

0,101

Test:

Var(u)=0

chibar2(01)

=

6860,9

Prob

>chibar2 =

0,000

p-уровень < 0,01, то есть, в нашем случае, основная гипотеза отвергается. Модель со случайными эффектами лучше описывает исследуемую нами зависимость, чем модель сквозной регрессии.

3) Проведем тест Хаусмана для сравнения модели со случайными эффектами (RE) с моделью с фиксированными эффектами (FE):

hausman fe re

Таблица 13

hausman

fe

re

----

Coefficients

----

(b)

(B)

(b-B)

sqrt(diag(V_b-V_B))

fe

re

Difference

S.E

program

0,02

0,021

-0,001

0,001

GDPgr_lag

-0,005

-0,005

0

0,001

intrate_lag

0,266

0,282

-0,016

0,018

lnAsize

0,006

0,002

0,004

0,004

ROA_lag

-1,712

-1,773

0,061

0,048

N10_lag

0

0

0

0

liq_buf_lag

0,007

0,008

-0,001

0,003

b=

consistent

under

Ho

and

Ha;

obtained

from

xtreg

B=

inconsistent

under

Ha,

efficient

under

Ho;

obtained

from

xtreg

Test:

Ho:

difference

in

Coefficients not systematic

chi2(7)

=

(b-B)'[(V_b-V_B)^(-1)](b-B)

=

2,39

Prob>chi2

=

0,935

Тест позволяет проверить гипотезу о корреляции случайных эффектов с регрессорами, где:

H0 : corr(x,u)=0

HА : corr(x,u)? 0

В нашем случае, поскольку p-уровень > 0,01, можно сказать, что основная гипотеза не отвергается. Таким образом, нам больше подходит модель со случайными эффектами. Этого и следовало ожидать, поскольку для исследования выбирались список уполномоченных банков, в который входили банки с разными характеристиками (и крупные системно-значимые, и региональные).

2.9 Проверка модели на гетероскедастичность, автокорреляцию и пространственную корреляцию

Ш Проверим модель на гетероскедастичность, проведем тест Бройша-Пагана:

Таблица 14

Breusch

and

Pagan

Lagrangian

R[Bank,t]

=

Xb

Estimated

results:

Var

sd=sqrt(Var)

R

0,015

0,122

e

0,005

0,073

u

0,01

0,101

Test:

Var(u)=0

chibar2(01)

=

6860,9

Prob

>chibar2 =

0,000

Тест Бройша-Пагана показал, что «H0: гомоскедастичность» отвергается, так как p-value<0,05 (=0,000), а chi2(1) - большое значение (=6860,9). Следовательно, в модели присутствует гетероскедастичность.

Ш Проверим модель на автокорреляцию, проведем тест Wooldridge:

Таблица 15

xtserial

R

program

GDPgr_lag

intrate_lag

lnAsize

ROA_lag

N10_lag

liq_buf_lag

Wooldridge test For first-order autocorrelation in panel data in panel data

H0: no autocorrelation

F(1,58)

= 3,196

Prob> F

= 0,08

Тест показал, что нулевая гипотеза об отсутствии автокорреляции в модели не отвергается на 10%-ом уровне.

Ш Проверим модель на пространственную корреляцию путем проведения теста Песарана:

xtcsd, pesaran abs

Таблица 16

Pesaran's test of cross sectional independence = 14.180,

Pr = 0.0000

Average absolute value of the off-diagonal elements = 0.3

p-value принимает значение < 0,05, таким образом, в модели присутствует пространственная корреляция, это значит, что финансовые результаты одних банков влияют на финансовые результаты других. Это вполне объяснимо, так как системно-значимые банки влияют на макроэкономическую среду и на направление развития банковского сектора в целом. Одним из способов преодоления проблемы пространственной корреляции является включение в модель общей переменной во времени в панельную регрессию: то есть включение общего фактора, который оказывает влияние на динамику переменных различных банков. В нашей модели мы включили прирост ВВП и ключевую процентную ставку.

Таким образом, мы выявили, что для нашей модели характерны такие проблемы, как гетероскедастичность, автокорреляция на 10%-ом уровне и пространственная корреляция. В модели нарушено условие Гаусса - Маркова, которое касается характера случайных остатков: гомоскедастичность (то есть постоянство дисперсии) случайных остатков. В таком случае применяется обобщенный метод наименьших квадратов (ОМНК).

Построим панельную регрессию, оцененную ОМНК, избавившись от проблем гетероскедастичности и пространственной корреляции:

xtgls R program GDPgr_lag intrate_lag lnAsize ROA_lag N10_lag liq_buf_lag, igls

Таблица 17

Iteration

1

tolerance

=0

Cross-sectional

time-series

FGLS

regression

Coefficients:

generalized

least

squares

Panels:

homoskedastic

Correlation:

No autocorrelation

Estimated

covariances

=1

Estimated

autocorrelations

=0

Estimated

coefficients

=8

Wald chi2(7) = 65, 25

Log likelihood = 1031,586

Prob > chi2 =0

R

Coef.

Std.Err

z

P>|z|

[95% Conf. Interval]

program

0,022

0,007

3,3

0,001

0,009

0,035

GDPgr_lag

-0,007

0,03

-0,25

0,804

-0,066

0,051

intrate_lag

0,279

0,117

2,38

0,017

0,049

0,508

lnAsize

-0,002

0,001

-1,23

0,217

-0,004

0,001

ROA_lag

-2,7

0,452

-5,98

0,000

-3,585

-1,814

N10_lag

-0,001

0

-2,33

0,020

-0,002

0

liq_buf_lag

0,052

0,025

2,12

0,034

0,004

0,1

const

0,083

0,027

3,09

0,002

0,03

0,135

Мы получили модель, избавленную от гетероскедастичности, автокорреляции и пространственной корреляции. Если сравнить модели xtgls и xtreg re:

1) Статистика Вальда для первой (=76) не сильно меньше, чем для второй (=65);

2) Значимость переменной program присутствует в обеих моделях, значение коэффициента различается на уровне тысячных (0,021 для xtreg re, 0,022 - xtgls).

3) В модели xtgls проявляется значимость еще двух объясняющих переменных N10_lag и lif_buf_lag (на 5%-ом уровне значимости).

4) Модель xtgls очищена от автокорреляции, гетероскедастичности и проблемы пространственной автокорреляции.

Таким образом, модель, оцененная ОМНК лучше описывает исследуемую нами зависимость кредитного риска как от перехода на программу, так и от макропоказателей и финансовых показателей банка.

Заключение

В ходе исследования было выявлено, что введение программы льготного кредитования малого и среднего бизнеса увеличило кредитный риск уполномоченных по данной программе банков.

С одной стороны, программа привлекает банки в качестве инструмента для расширения клиентской базы, так как процентные ставки по данным займам ниже, и такие кредитные продукты легче продать клиенту. Кроме того, уполномоченные банки получили возможность привлекать средства Центрального Банка по ставке 6,5% для обслуживания субъектов МСП по программе стимулирования их кредитования.

С другой стороны, после вступления в «Программу 6,5» доля просроченной задолженности, исходя из результатов исследования, в уполномоченных банках выросла. То есть рост клиентской базы произошел, в большей степени, за счет «некачественных» клиентов, в том числе, по причине увеличения доступности кредитных средств малым и средним предприятиям, в соответствии с условиями программы льготного кредитования.

На наш взгляд, увеличение доли просроченной задолженности в выданных ссудах, то есть рост уровня кредитного риска банка, происходит в связи с непрозрачностью данного сегмента, его подверженности налоговым, судебным рискам, рискам «вывода» денежных средств и потери ключевых покупателей/поставщиков.

В последнее время, начиная с 2019 года, мы также наблюдаем тенденцию снижения количества малых и средних предприятий ввиду их укрупнения или, чаще всего, ликвидации. Одной из причин является рост налогов, с которым предприятия данного сектора не справляются. Таким образом, можем сделать вывод о том, что одной программы стимулирования кредитования МСП недостаточно для поддержки развития субъектом малого и среднего бизнеса. Более того, банковский сектор, в частности, банки, которые специализируются на кредитовании малых и средних предприятий, становится более подверженным кредитному риску в данном сегменте бизнеса. С учетом появляющейся тенденции сокращения числа малых и средних предприятий преимущество в увеличении клиентской базы является спорным. В целом, встает вопрос об эффективности «Программы 6,5». На наш взгляд, внедрение одной программы неэффективно или недостаточно эффективно при отсутствии других мер поддержки МСП в условиях роста налогов и нестабильности российской экономики.

Возможными решениями выявленной проблемы роста просроченной задолженности по займам малого и среднего бизнеса могут быть усиление бизнес-дисциплины предпринимателей, стабилизация экономической ситуации в стране, а также усовершенствование моделей оценки кредитоспособности заемщиков.

В то же время для того, чтобы повысить уровень доступности финансовых услуг для малых и средних предприятий, Банк России считает также необходимым оптимизировать взаимодействие коммерческих банков с Бюро кредитных историй и Федеральной налоговой службой. Это, в свою очередь, должно позволить снизить операционные затраты банков. Борова З. Ф. Актуальные проблемы, перспективы развития и повышение доступности кредитования малого и среднего бизнеса в России на современном этапе // Молодой ученый. -- 2018. -- №50. -- С. 114-116

Список использованной литературы

1. Бельков М.А. Понятия «потенциальный кредитный риск кредитного продукта» и «управление потенциальным кредитным риском кредитного продукта» при работе с субъектами малого и среднего предпринимательства. - Ярославль: ВФЭИ ВУ. 2010. С. 193-194

2. Бичева Е.Е., Крутских А.Н. Кредитование малого и среднего бизнеса в России: состояние и перспективы развития// Новый университет. № 5-6(39-40). - 2014

3. Борова З. Ф. Актуальные проблемы, перспективы развития и повышение доступности кредитования малого и среднего бизнеса в России на современном этапе // Молодой ученый. 2018. №50. С. 114-116

4. Дербенева Е.Н. Особенности и проблемы банковского кредитования малого и среднего бизнеса в России//Вестник АГТУ. Сер.: Экономика. 2017. № 1

5. Евдокимова С.С. Особенности и проблемы кредитования российскими коммерческими банками предприятий малого и среднего бизнеса//Финансы и кредит. - 2015

6. Кетько Н.В, Зарафутдинов Р.Р. Проблемы и перспективы развития современного малого бизнеса в России, // Российское предпринимательство. - 2011.- № 9. - С. 23-28

7. Лондарь А.А. Кредитные риски, возникающие при финансировании предприятий малого и среднего бизнеса коммерческими банками//Научный журнал КубГАУ, №101(07). - 2014

8. Мацнев М. И. Особенности кредитования малого и среднего бизнеса в российских условиях. // Российское предпринимательство. -2011.- № 7. - С. 143-148

9. Мукосеев Д. В. Экономическая сущность и кри¬терии определения малого предпринимательства // Современные научные исследования и инновации.- 2012.- № 5

10. Передера Ж.С., Гриценко Т.С., Теряева А.С. Система кредитования малого и среднего бизнеса в России: понятие, инструменты, участники и их роли // Вестник Евразийской науки, 2019 №1

11. Порядок отбора банков для участия в реализации Программы стимулирования кредитования субъектов малого и среднего предпринимательства (ред. от 14.06.19)

12. Терновский Д.Н. Кредитный риск в кредитовании малого и среднего бизнеса//// Вестник ВУиТ. - 2010

13. Черебедова А.В. Особенности кредитования субъектов малого и среднего бизнеса//Вестник Омского университета. Серия «Экономика». - 2009. № 3

14. Berge T. O., Boye K.G. An analysis of banks' problem loans. - Norges Bank: Economic Bulletin 2/2007 (Vol.78), pp. 65 - 76

15. Bernhardsen E., Eklund T., Larsen K. Model for analysing credit risk in the enterprise sector. - Norges Bank: Economic Bulletin 3/2001, pp. 99-106

16. Buch K.M., Eickmeier S., Prieto E. Macroeconomic factors and micro-level bank risk: Discussion Paper, Series 1: Economic Studies 20/2010

17. Ghyasi A. Effect of Macroeconomic Factors on Credit Risk of Banks in Developed and Developing Countries: Dynamic Panel Method//Department of Financial Mathematic, Allameh Tabatae'I University, Iran. - 2016

18. Gutierrez E., Klepikova E., Levitanskaya K. Expanding access to financing for MSMes in Russia by leveraging innovative financial solutions/The World Bank/ - 2017

19. Jakubнk P. Macroeconomic Environment and Credit Risk// Czech National Bank, and the Institute of Economic Studies of Charles University, Prague. - 2007

20. Jouini F., Messai A.S. Micro and Macro Determinants of Non-performing Loans. - High Business School Tunis, Manouba, Tunisia: International Journal of Economics and Financial Issues Vol. 3, No. 4, 2013, pp.852-860

21. Korolev O.G. Bank Lending to Small and Medium Sized Business: Evidence from Russia// Financial University under the Government of the Russian Federation.- Asian Social Science; Vol. 11, No. 14; 2015

22. Kothari C.,Kumar A. Banks! It's time to change your game in SME lending why and how//Infosys. - 2018

23. Mairafi S.L., Mohamed-Arshad S.B., Hassan S. Systematic review of literature on effect of liquidity on bank// Academy of Accounting and Financial Studies Journal/Volume 22, Issue 4, 2018

24. Safonov S. Small and Medium Entrepreneurship in Russia// Roundtable discussion SME financing in ENCA. EY. - Luxembourg, 12 March 2014

25. https://corpmsp.ru/pres_slujba/news

26. https://corpmsp.ru/pres_slujba/news/korporatsiya_msp_pristupaet_k_dopolnitelnomu_otboru_bankov_dlya_uchastiya_v_programme_6_5

27. https://www.newsvl.ru/vlad/2017

28. https://corpmsp.ru/pres_slujba/news

29. https://corpmsp.ru/about

30. https://corpmsp.ru/upload/iblock

31. http://www.1sn.ru/236804.html

32. https://www.eg-online.ru/article/404971/

33. https://corpmsp.ru/bankam/programma_stimulir/

34. https://corpmsp.ru/upload/iblock

35. www.kommersant.ru

36. https://www.banki.ru/wikibank/programma_65

37. https://money.inguru.ru/navigator/stat_lgotnye_kredity_dlya_malogo_biznesa

38. https://corpmsp.ru/upload/iblock

39. https://www.stata.com

Источники данных:

Ш Bank Controls - Финансы информационного агентства Мобиле, www.cbr.ru;

Ш Macro Controls - www.cbr.ru, www.gks.ru;

Ш Program - corpmsp.ru

Приложение 1

Группа переменных

Переменная

Ожидаемое влияние (+/-)

Macro Controls

intrate_lag

+

GDPgr_lag

-

Bank Controls

ROA_lag

-

LnA_lag

-

N1.0_lag

-

liq_buf_lag

+

Binary variable

program

+

Приложение 2

В программе участвуют следующие уполномоченные банки https://corpmsp.ru/bankam/programma_stimulir/:

1. «Азиатско-Тихоокеанский Банк» (ПАО);

2. ПАО «АК БАРС» БАНК;

3. ООО КБ «Алтайкапиталбанк»;

4. АО «АЛЬФА-БАНК»;

5. АО «Банк Акцепт»;

6. ООО КБЭР «Банк Казани»;

7. Банк «Возрождение» (ПАО);

8. Банк ВТБ (ПАО);

9. АО «Банк Интеза»;

10. АО «БАНК ОРЕНБУРГ»;

11. АО «ГЕНБАНК»;

12. Банк ГПБ (АО);

13. ПАО «Дальневосточный банк»;

14. АО АИКБ «Енисейский объединенный банк»;

15. ПАО «Запсибкомбанк»;

16. ПАО Банк ЗЕНИТ;

17. АО Банк ЗЕНИТ Сочи;

18. ООО «Камкомбанк»;

19. КБ «Кубань Кредит»;

20. ПАО Банк «Кузнецкий»;

21. Банк «Левобережный» (ПАО);

22. ПАО АКБ «Металлинвестбанк»;

23. АО «МСП Банк»;

24. ПАО «НИКО-БАНК»;

25. ПАО «НБД-Банк»;

26. ПАО CКБ Приморья «Примсоцбанк»;

27. ПАО «Промсвязьбанк»;

28. АО «Райффайзенбанк»;

29. РНКБ Банк (ПАО);

30. ПАО РОСБАНК;

31. АО «Россельхозбанк»;

32. АО КБ «РУСНАРБАНК»;

33. ПАО «Банк «Санкт-Петербург»;

34. ПАО «САРОВБИЗНЕСБАНК»;

35. ПАО Сбербанк;

36. ПАО АКБ «Связь-Банк»;

37. ПАО «БАНК СГБ»;

38. «СДМ-Банк» (ПАО);

39. ПАО «Совкомбанк»;

40. «СИБСОЦБАНК» ООО;

41. ПАО «Спиритбанк»;

42. АО БАНК «СНГБ»;

43. ПАО «Томскпромстройбанк»;

44. АО «Углеметбанк»;

45. ООО «КБ «Уралфинанс»;

46. ПАО АКБ «Урал ФД»;

47. ПАО Банк «ФК Открытие»;

48. ПАО КБ «Центр-инвест»;

49. АКБ «ЭНЕРГОБАНК» (ПАО);

50. КБ «ЭНЕРГОТРАНСБАНК» (АО);

51. АО «ЮниКредит Банк»;

52. КБ «Долинск» (АО);

53. АКБ «Ижкомбанк» (ПАО);

54. АО АКБ «Новикомбанк»;

55. ПАО «БАНК УРАЛСИБ»;

56. АО «ВЛАДБИЗНЕСБАНК»;

57. ООО МИБ «ДАЛЕНА»;

58. ООО КБ «КОЛЬЦО УРАЛА»;

59. АО «ПЕРВОУРАЛЬСКБАНК»;

60. ООО «Банк РСИ»;

61. ПАО КБ «САММИТ БАНК»;

62. ПАО КБ «Сельмашбанк»;

63. АО «ТАТСОЦБАНК».

Банки, включенные в выборку

1. АЗИАТСКО-ТИХООКЕАНСКИЙ БАНК (с 14.02.2019 в программе) https://www.atb.su/news

2. АК БАРС (с 26.05.2017 в программе) https://www.akbars.ru/news

3. АКЦЕПТ (с января 2018 в программе) https://www.akcept.ru/about/common_information/history/

4. АЛТАЙКАПИТАЛБАНК (с 17.04.2017 в программе) http://capitalbank.ru/bank-akkreditovan

5. АЛЬФА-БАНК (с 1 квартала 2016 в программе) http://old.volgodonskgorod.ru/node

6. БАНК "САНКТ-ПЕТЕРБУРГ" (с 1 квартала 2016 в программе) https://www.bspb.ru/investors/annual-reports/2016

7. БАНК ЗЕНИТ (с 10.03.2017 в программе) https://www.zenit.ru/media/news

8. БАНК ЗЕНИТ СОЧИ (с 10.03.2017 в программе) https://www.zenit.ru/media/news

9. БАНК ИНТЕЗА (с 1 квартала 2017 в программе) https://www.bancaintesa.ru/ru/businesses/loans

10. БАНК КАЗАНИ (с 4 квартала 2015 в программе) https://realnoevremya.ru/articles

11. БАНК ОРЕНБУРГ (с 1 квартала 2016 в программе) http://orbank.ru/corporate

12. БАНК СГБ (с 4.03.2019 в программе) https://bankir.ru/novosti

13. ВЛАДБИЗНЕСБАНК (с 1 квартала 2017 в программе) https://www.vlbb.ru/uslugi

14. ВОЗРОЖДЕНИЕ (с 8.02.2017 в программе) https://mosregtoday.ru/econbiz/bank-vozrozhdenie

15. ВТБ (с 1 квартала 2016 в программе) https://www.banki.ru/news/lenta

16. ГАЗПРОМБАНК (с 1 квартала 2016 в программе) http://old.volgodonskgorod.ru/node

17. ГЕНБАНК (с 4 квартала 2018 в программе) https://www.genbank.ru/yur-litsam/lgotnoe-kreditovanie

18. ДАЛЬНЕВОСТОЧНЫЙ БАНК (с 1 квартала 2017 в программе) http://mert.tatarstan.ru/programma

19. ДОЛИНСК (с 17.04.2019 в программе) https://www.bankdolinsk.ru/presscenter/news/2019

20. ЕНИСЕЙСКИЙ ОБЪЕДИНЕННЫЙ БАНК (с 1 квартала 2018 в программе) https://www.united.ru/malomu-i-srednemu-biznesu

21. ЗАПСИБКОМБАНК (с 4 квартала 2018 в программе) https://72.ru/text/gorod

22. ИЖКОМБАНК (с 4 квартала 2015 в программе) https://www.kommersant.ru/doc/4135155

23. КАМСКИЙ КОММЕРЧЕСКИЙ БАНК (с декабря 2016 в программе) https://www.kamkombank.ru/news/242.html

24. КОЛЬЦО УРАЛА (с 4 квартала 2018 в программе) https://www.kubank.ru/ru/article/lgotnaya_programma_kred...

Страница:


Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены