Анализ факторов банковских дефолтов 2013-2019 годов

Исходя из анализа теоретических и эмпирических работ, можно сделать предположения относительно того, как скоррелированы показатели банковского баланса с вероятностью дефолта. Первое предположение касается размера банка: более крупные банки должны банкротиться реже. В литературе встречается выражение too-big-to-fail, подразумевающее, что крупные банки с большей вероятностью получат поддержку от государства, которое не допустит их дефолта. Однако в то же время эта уверенность может толкать крупные банки на следование более рискованной политике (риск недобросовестного поведения) [Дробышевский, 2000; Mishkin, 2005; O'Hara, Shaw, 1990].

Деятельность банка сопряжена со многими характерными для отрасли рисками, одним из которых является риск ликвидности. В качестве ликвидных активов можно рассматривать остатки на корреспондентских счетах в других банках. Естественно ожидать, что недостаток ликвидности, равно как и переизбыток, играет негативную роль, увеличивая вероятность дефолта. Низкая ликвидность повышает риски во время набега вкладчиков, в то время как высокая ликвидность может свидетельствовать о неэффективном менеджменте.

Также следует рассмотреть собственный капитал, который является финансовой подушкой безопасности для банков в случае нехватки ликвидности. Помимо этого, следует рассматривать переменные, характеризующие структуру кредитного портфеля банка. В качестве прокси-переменной для рискованности политики управления активами банка может выступать показатель создания резервов на возможные потери. Важной переменной также являются депозиты населения, так как это высоколиквидные обязательства, по которым банку приходится отвечать в случае набега.

Кроме того, следует обратить внимание на валютный риск. В случае ослабления национальной валюты иностранные обязательства становятся дороже, поэтому большая доля иностранных обязательств может увеличивать риск несостоятельности банка. Вместе с тем наличие иностранных активов должно сглаживать негативный эффект от роста стоимости иностранных обязательств.

В табл. 1 приведен список объясняющих переменных, которые были отобраны в соответствии с выдвигаемыми гипотезами, а в приложении 1 даны их описательные статистики.

Также в литературе говорится, что деятельность банка по созданию ликвидности неразрывно связана с повышенным риском [Fungacova et al., 2015]. Для проверки гипотезы о том, что излишнее создание ликвидности повышает риск банкротства, вводится показатель уровня создания ликвидности банком по сравнению со всей банковской системой.

Таблица 1. Используемые объясняющие переменные и их обозначения

. Для измерения уровня создания ликвидности используется формула (1), впервые предложенная в работе [Berger, Bouwman, 2009] для анализа динамики этого показателя применительно к банкам США и в дальнейшем используемая в работе [Fungacova et al., 2015] при моделировании дефолтов индивидуальных банков:

В табл. 2 приведена классификация статей баланса с точки зрения ликвидности. Также проверялась гипотеза о статистической значимости низких уровней ликвидности при моделировании вероятности дефолта банка. В регрессиях были использованы дамми-переменные попадания создания ликвидности в перцентили распределения 100-90, 90-80 и 20-10, 10-0.

В нашей работе использованы квартальные данные балансовой отчетности банков, предоставленные центром экономического анализа информационного агентства «Интерфакс». Информация об отзывах лицензий банков взята с информационного портала banki.ru. Также использовалась информация о банках, санированных Агентством по страхованию вкладов (АСВ).

В работе в качестве зависимой переменной выступает вероятность наступления у банка дефолта. Факт дефолта отмечается при достижении хотя бы одного из следующих условий:

Таблица 2. Классификация статей баланса с точки зрения ликвидности

1) отзыв лицензии у банка (за исключением случая ликвидации банка);

2) попадание банка под управление АСВ или поручение АСВ контроля над ходом оздоровления банка;

3) наличие отрицательного значения собственного капитала банка.

Такое расширенное определение дефолта позволяет говорить о дефолте не только де-юре, но и де-факто и распространено в литературе [Дробышевский, 2000; Зубарев, 2012; Карминский, Костров, 2013].

В настоящей работе, как и в [Пересецкий, 2007], из исходной несбалансированной панели формируется пул данных. Объясняющие переменные брались с лагом в четыре квартала. С одной стороны, это позволяет избежать проблемы с сезонностью, а с другой -- проверить предположение о том, что проблемы у банка можно выявить за год до дефолта. Алгоритм формирования итогового пула данных выглядит следующим образом.

1. Для банков, которые потерпели дефолт в момент t, брались данные за момент t- 4, и зависимая переменная полагалась равной 1.

2. Далее брались данные за периоды t- 8, t- 12 и т. д., не выходящие за границы наблюдений. В эти моменты предполагается, что никаких проблем у банка нет, и поэтому зависимая переменная приравнивается к 0.

3. Для банков, у которых за рассматриваемый промежуток не было дефолта, выбирался случайным образом квартал (из последних четырех кварталов выборки), и далее брались данные аналогичным образом -- на год ранее и т. д.

Таким образом, для каждого банка рассматривались данные лишь за один квартал из каждого года. Подобная процедура формирования выборки помогает избежать проблемы несбалансированности данных, поскольку есть явный дисбаланс классов значений зависимой переменной (368 случаев дефолта из 12 857 наблюдений -- явно меньше некоторого условного порога в 5%). В данном же случае мы исключаем из выборки примерно три четверти наблюдений необанкротившихся банков. Также, поскольку нам важно проверить гипотезы о значимости переменных, такая процедура позволяет избежать проблемы автокорреляции между соседними точками выборки для одного банка, тем самым несколько нивелируя проблему неэффективности оценок. Некоторым недостатком используемой процедуры является потеря информации. Однако показатели имеют существенную инерцию, поэтому включение соседних точек добавляет не так много информации по сравнению с точками, далеко отстоящими друг от друга. Тем не менее в конце работы мы проверяем наши результаты на устойчивость с помощью панельных регрессий.

Из рис. 1 видно, что волна дефолтов началась в III квартале 2013 года, что связано непосредственно со сменой председателя ЦБ РФ и активизацией политики по оздоровлению банковской системы и усилению надзора за банковским сектором. Такая резкая смена курса политики ЦБ РФ, как уже говорилось, может быть расценена как структурный сдвиг.

2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

Рис. 1. Распределение количества отозванных банковских лицензий по кварталам, I квартал 2009 - I квартал 2019 годов

Поэтому объединение в одну выборку предшествующего и последующего периодов становится не совсем корректным из-за возможной подверженности модели критике Лукаса. Похожему обоснованию следуют также авторы работы [Makinen, Solanko, 2018], к тому же более ранние периоды уже были исследованы в других работах. Поэтому для построения моделей брались данные с III квартала 2013 года по I квартал 2019-го. В соответствии с указанным формированием выборки объясняющие переменные брались с годовым лагом.

Стоит отметить, что крупнейшие банки -- Сбербанк, ВТБ, ВТБ24, Россельхозбанк, Газпромбанк, Банк Москвы, Связь-банк, Почта Банк, Всероссийский банк развития регионов и Ак Барс Банк -- были исключены из выборки, поскольку они в существенной степени аффилированы с государством и имеют вероятность дефолта, сопоставимую со страновым дефолтом.

Данные очищены от ошибок наблюдения и пропущенных значений. Итоговая выборка состоит из 3386 наблюдений по 844 банкам, причем 368 наблюдений относятся к дефолтам.

Построение моделей проведено с использованием логистической регрессии. Такой подход широко используется в литературе, так как позволяет описывать вероятность наступления бинарного исхода, что крайне удобно для рассмотрения банковского дефолта. Базовая модель имеет вид:

где x'i -- вектор параметров {log(assets), log(assets)2 , sk_a, hh_dep_liab, gov_sec_a, nongov_sec_a, cor_acc_a, cor_acc_a2 , nbs_credit_a, credit_ to_hh_a, mbk_a, res_nbs_credit, marketdebt_liab, foreign_assets_a, foreignliab_liab}, в -- вектор коэффициентов. Логистическая функция распределения имеет вид:

Результаты

В этом разделе приведены полученные результаты оценки моделей. В табл. 3 представлены модели, оцененные на всей выборке. Первая модель включает все переменные, вторая была получена из первой путем итеративной процедуры выбрасывания незначимых переменных. Третья модель также состоит лишь из значимых переменных, но в нее включены показатели, характеризующие темпы создания ликвидности банками.

По результатам оценки моделей отвергается гипотеза о статистической незначимости размера банка. Связь между размером банка и вероятностью дефолта имеет нелинейный характер. Полученный результат показывает, что большую вероятность дефолта имеют мелкие и крупные банки (здесь следует помнить, что самые надежные банки исключены из выборки). Аналогичный результат был получен в работе [Карминский, Костров, 2013], а в работе [Фомин, 2019] размер банка оказался статистически незначим.

Увеличивают вероятность дефолта следующие показатели: доля депозитов домохозяйств в обязательствах банка, отношение резервов на возможные потери к общему объему кредитов НБС и доля кредитов НБС в активах. Большое число депозитов домохозяйств увеличивает вероятность плохих последствий в случае набега на банк, поскольку в первую очередь банку придется расплачиваться именно по этим обязательствам.

Банк создает резервы на возможные потери, в случае если предчувствует риск несостоятельности должников, пытаясь тем самым избежать последствий от реализующихся в будущем рисков. В пользу этой гипотезы свидетельствует положительный значимый коэффициент при соответствующей переменной. Этот результат согласуется с рядом работ [Живайкина, Пересецкий, 2017; Зубарев, 2012; Peresetsky et al., 2011]. Доля кредитов НБС в активах увеличивает вероятность дефолта, поскольку кредиты -- это неликвидные активы банка.

Аналогичные результаты были получены в работах [Синель- никова-Мурылева и др., 2018; Фомин, 2019]. Как уже отмечалось, кредиты по сравнению с депозитами выдаются на более долгий срок, поэтому большой объем длинных кредитов может вызвать проблему разрыва между временной структурой активов и пассивов, а также нехватку ликвидности. В связи с этим банки должны грамотно оценивать кредитные риски и риски ликвидности.

Вероятность дефолта снижается при более высоком отношении собственного капитала к активам, а также при увеличении в составе активов доли государственных ценных бумаг, кредитов домохозяйствам и иностранных активов. Собственный капитал характеризует финансовую устойчивость банка и позволяет компенсировать убытки в случае их возникновения. В отличие от остальных переменных результат, касающийся собственного капитала, был получен во многих работах: [Синельникова-Мурылева и др., 2018; Фомин, 2019; Hwang et al., 1997; Martin, 1977; Peresetsky et al., 2011]. Наличие государственных ценных бумаг положительно сказывается на устойчивости банка: в случае возникновения проблем банк может взять ломбардный кредит у ЦБ под залог этих ценных бумаг. Также не все банки стремятся активно кредитовать население, обычно этим занимаются достаточно крупные и состоятельные банки с развитой сетью филиалов. Наличие иностранных активов позволяет банку хеджировать валютные риски.

Стоит отметить, что в работах [Дробышевский, 2000; Живайки- на, Пересецкий, 2017] доля государственных ценных бумаг в активах оказалась незначимой, а в [Зубарев, 2012] -- значимой только для крупных банков. В работе [Peresetsky et al., 2011] для кластера мелких банков был получен противоположный результат -- больший объем государственных ценных бумаг увеличивает вероятность дефолта, что автором объяснялось большим количеством «карманных» банков в расматриваемом кластере.

Есть явные свидетельства в пользу предположения о нелинейной взаимосвязи между вероятностью дефолта и долей остатков на корреспондентских счетах в активах банка: низкие и высокие уровни ликвидности снижают устойчивость банка. Низкая ликвидность повышает риски во время набега вкладчиков, в то время как высокая ликвидность может свидетельствовать о неэффективном менеджменте. Результаты работ [Дробышевский, 2000; Карминский, Костров, 2013] показали, что доля остатков на корреспондентских счетах в активах банка отрицательно коррелирует с вероятностью дефолта. Однако в настоящей работе мы смогли обнаружить нелинейный характер подобной зависимости.

Согласно результатам, полученным в модели 3 (в нее включались показатели уровня создания ликвидности банком по сравнению со всей банковской системой), банки со слишком высокими уровнями создания ликвидности имеют большую вероятность дефолта по сравнению с банками с более умеренными значениями этого показателя. Коэффициенты при переменных, характеризующих низкие уровни создания ликвидности, оказались незначимыми. Возможно, последний результат связан с тем, что такие банки меньше вовлечены в классическую банковскую деятельность и не подвержены соответствующим рискам. Стоит отметить, что в работе [Fungacova et al., 2015] получен результат, согласно которому показатели и высоких, и низких уровней создания ликвидности значимо коррелируют с вероятностью банковского дефолта.

Чтобы проверить прогностическую силу построенных моделей вне выборки, основная выборка была разбита на тренировочную (90%) и тестовую (10%), в которую точки попадали независимо от времени. Затем вычислялись значения AUC для in-sample и out- of-sample прогнозов. Процедура деления выборок проводилась сто раз, усредненные значения критериев приведены в табл. 4. В целом результаты AUC для тестовой и тренировочной выборок близки.

Таблица 3 Результат оценивания моделей по всей выборке, III квартал 2013 - I квартал 2019 годов

Можно сделать вывод, что модель 3, учитывающая темпы создания ликвидности, имеет лучшее качество вневыборочных (out- of-sample) прогнозов.

Таблица 4. Средние результаты значения AUC по ста выборкам, разделенным случайным образом на тренировочную и тестовую

Еще одно предположение заключалось в том, что на разных временных промежутках (в кризисный период и после него) с вероятностью дефолта банков могли коррелировать разные факторы. Наша выборка включает период кризиса 2014-2015 годов. В этом периоде наблюдались значительные негативные шоки нефтяных цен, оказавшие существенное влияние на российскую экономику, в том числе через каналы валютных рисков и снижения инвестиционной привлекательности. В связи с этим разбиение выборки на кризисный и посткризисный периоды кажется экономически целесообразным. С учетом того, что мы берем балансовые переменные с годичным лагом относительно фактического дефолта, было принято решение о следующей датировке периодов: с III квартала 2013 года по IV квартал 2016-го и с I квартала 2017 года по I квартал 2019-го. Сравнение результатов именно на этих двух периодах пока не проводилось в рассмотренных выше работах.

Результаты оценки моделей представлены в табл. 5. Первые три модели построены по выборке с III квартала 2013 года по IV квартал 2016-го, что предполагает возникновение проблем у банка именно в острый кризисный период. В первую модель включены все используемые показатели из модели для всей выборке. Вторая модель включает только значимые показатели для рассматриваемого периода. Третья модель также состоит только из значимых переменных, но в нее включены показатели, характеризующие темпы создания ликвидности банками. Модели четвертая и пятая аналогичны первым двум, только построены по выборке с I квартала 2017 года по I квартал 2019-го. Для этой выборки дамми- переменные уровня создания ликвидности оказались незначимыми, поэтому последняя модель для посткризисного периода не включена в таблицу.

По полученным результатам можно сделать вывод о коррели- рованности различных факторов с вероятностью дефолта до и после кризиса. Так, в кризисный период увеличивали вероятность дефолта доля депозитов домохозяйств в активах и доля кредитов НБС в активах, а снижали -- доля собственного капитала в акти-вах, доля кредитов домохозяйствам в активах и доля иностранных активов во всех активах. Не случайно последний показатель оказался значимым в период валютного кризиса 2014-2015 годов, когда наблюдалось сильное ослабление рубля, означавшее повышение валютных рисков. Наличие иностранных активов помогало банкам снизить негативные последствия валютных шоков.

Первым отличием двух периодов является потеря значимости переменной создания ликвидности после кризиса 2014-2015 годов, что явным образом расходится с результатами, полученными в работе [Fungacova et al., 2015]. Это можно объяснить тем, что именно в кризис брать на себя излишние риски было опасно, и большой ряд реализовавшихся рисков (в том числе валютных) снижал устойчивость банков.

В посткризисный период банки подвергались меньшему давлению, поэтому в этом периоде у них было больше шансов справиться с проблемами, которые могли быть вызваны излишним созданием ликвидности (излишне рискованным кредитным портфелем).

Также в модель в посткризисном периоде вошли несколько переменных, которые не были значимы в более раннем периоде: доля государственных ценных бумаг в активах, отношение остатков на корреспондентских счетах к активам, доля выданных межбанковских кредитов в активах и доля иностранных обязательств в обязательствах банков. Логика здесь не отличается от описанной ранее. Так, наличие у банка государственных ценных бумаг в активах позволяет ему в случае проблем брать ломбардные кредиты у ЦБ под залог этих ценных бумаг. Остатки на корреспондентских счетах в других банках -- это ликвидная часть активов. Выдают межбанковские кредиты и имеют иностранные обязательства в своих балансах в основном более крупные, состоятельные банки.

Стоит отметить, что доля выданных межбанковских кредитов не была значима при рассмотрении всей выборки. Также в работе [Зубарев, 2012] эта переменная оказалась незначимой, а в остальных рассмотренных эмпирических работах не включалась в модели.

Отличие моделей в двух рассмотренных периодах может объясняться следующей логикой. Во-первых, резко ужесточив контроль над банковским сектором с середины 2013 года, Банк России часто отзывал лицензии в связи с обвинениями в отмывании денег, что могло не отражаться на формальной эффективности банка. Во-вторых, в кризисный период реализовались существенные валютные риски, что моментально отразилось на жизнеспособности многих банков. При этом даже при достаточно эффективном менеджменте многие банки не смогли справиться с увеличившейся рублевой стоимостью валютных обязательств. В посткризисный период Банк России больше внимания уделял именно качеству менеджмента банков, и именно остатки на корреспондентских счетах могли являться индикаторами положения банка.

Стоит отметить, что отношение резервов на возможные потери к размеру кредита НБС оказалось значимым на обоих временных интервалах. Это свидетельствует об устойчивости результата, который был получен ранее при рассмотрении периода целиком. Резервы на возможные потери являются индикатором будущих проблем у банка, так как часто они аккумулируются в случае ожидания реализации некоторых рисков.

Помимо рассмотренных моделей, была построена отдельная модель для ста пятидесяти крупнейших банков в терминах величины активов, как в работе [Зубарев, 2012]. Они заслуживают особого внимания, потому что именно жизнеспособность крупных банков является определяющей для состояния всего банковского сектора. Для крупных банков нет смысла учитывать размер, поэтому переменная логарифма активов не включалась.

В табл. 6 представлены результаты оценивания вероятности дефолта ста пятидесяти крупнейших банков за период с III квартала 2013 года по I квартал 2019-го. Первая модель построена с включением всех рассматриваемых переменных, во второй оставлены лишь переменные, значимые в модели, построенной по всем банкам. В третью модель включены только значимые переменные для выборки из ста пятидесяти банков. Уровень создания ликвидности оказался незначимым, поэтому оценки модели с включением этого показателя не приведены. Объясняться это может тем, что относительно крупные банки даже при создании излишней ликвидности (излишних рисках) имеют более качественный менеджмент и ресурсы для решения проблем в случае реализовавшихся рисков.

Отличием моделей для этой выборки является то, что статистически незначимыми оказались следующие показатели: остатки на корреспондентских счетах в других банках, государственные ценные бумаги, переменные, связанные с иностранными активами и пассивами. Вероятно, высокие значения этих переменных зачастую отличают крупные банки от мелких, которые и имели большую вероятность дефолта.

Тем не менее высокие значения резервов на возможные потери являются индикатором вероятного банкротства для этой группы банков. Стоит отметить, что модели для крупных банков лучше классифицируют кредитные организации на здоровые и проблемные. Об этом свидетельствуют более высокие значения AUC по сравнению со значениями этого показателя для моделей, построенных по выборке всех банков.

Таблица 5

Это может объясняться большей Результат оценивания моделей на двух периодах однородностью выборки крупных банков, в том числе с точки зрения их контроля со стороны Банка России. Результат оценивания моделей для крупнейших банков

Таблица 6

Примечание. * -- p < 0,1, ** -- p < 0,05, ** -- p < 0,01. В скобках указаны стандартные ошибки.

Весь приведенный ранее анализ состоятельности банков с построением логистических регрессий был выполнен на выборке, которая формировалась с учетом факта несбалансированности классов зависимой переменной: среди 12 857 наблюдений, очищенных от ошибок, всего 368 случаев дефолта, что меньше некоторого условного общепринятого порога в 5%. Таким образом, была предпринята попытка избежать проблем, которые порождаются

несбалансированностью классов. Однако может быть полезным также получить оценки, используя логистические панельные регрессии со случайными эффектами. Это также можно рассматривать как проверку устойчивости полученных ранее результатов. Значения 1 также присваиваются банкам за год до фактического дефолта, однако теперь никакие предшествующие наблюдения не исключаются из выборки. В табл. 7 приведены полученные результаты: модель 1 включает переменные, которые оказались значимыми для панельных регрессий, а также переменные, которые были значимы ранее. Модель 2 также включает временные эффекты, модель 3 -- показатели уровней создания ликвидности, а модель 4 -- одновременно временные эффекты и показатели уровней создания ликвидности.

Таблица 7. Результат оценивания банковских дефолтов на панельных данных по всей выборке, III квартал 2013 - I квартал 2019 годов

Подобные документы

• Анализ финансового кризиса сентября 2008 г. в России

  Причины финансового кризиса 2008 г. в России: падение фондового рынка на рынке корпоративных облигаций, проблема с возвращениями банковских кредитов. Меры по поддержанию ликвидности в банковской системе. Особенности "кризиса доверия". Череда дефолтов.
  
  реферат [108,2 K], добавлен 02.07.2010
  

• Бюджетная политика Тюменской области

  Анализ законопроекта Тюменской области "Об областном бюджете на 2013 год и на плановый период 2014 и 2015 годов". Источники финансирования дефицита бюджета. Прогнозируемый объём доходов и расходов. Основные направления и задачи бюджетной политики.
  
  контрольная работа [12,3 K], добавлен 06.08.2013
  

• Налоговая политика России: направления и проблемы развития

  Основные направления налоговой политики Российской Федерации на 2013 год и на плановый период 2014 и 2015 годов. Совершенствование налогового администрирования. Механизмы противодействия уклонению от уплаты налогов. Налоговое стимулирование инвестиций.
  
  контрольная работа [23,1 K], добавлен 05.03.2014
  

• Налоговая система Российской Федерации

  Понятие налоговой системы, ее состав и структура. Принцип законности, всеобщности и равенства налогообложения. Анализ поступления налогов в бюджет. Основные направления российской налоговой политики на 2013 год и на плановый период 2014 и 2015 годов.
  
  курсовая работа [643,7 K], добавлен 24.12.2013
  

• Бюджетная политика на 2012-2014 годы

  Основные направления бюджетной политики на 2012 год и плановый период 2013 и 2014 годов. Основные параметры бюджетной системы. Источники финансирования дефицита федерального бюджета, подходы к формированию расходов. Особенности межбюджетных отношений.
  
  реферат [243,4 K], добавлен 25.05.2012
  

• Особенности бюджетной политики Российской Федерации

  Сущность бюджетной политики Российской Федерации, ее цели, задачи и принципы построения. Анализ доходов и расходов федерального бюджета на 2012 год и на плановый период 2013 и 2014 годов. Расчет макроэкономических показателей системы национальных счетов.
  
  курсовая работа [79,1 K], добавлен 02.02.2014
  

• Особенности использования программно-целевого подхода при составлении бюджета России

  Сущность программно-целевого метода планирования бюджета. Классификация целевых программ. Основные направления бюджетной политики на 2014 год и плановый период 2015 и 2016 годов. Развитие мелиорации сельскохозяйственных земель России на 2014–2020 гг.
  
  доклад [55,8 K], добавлен 22.04.2014
  

• Денежно-кредитная политика государства

  Изучение основных понятий денежно-кредитной политики, методы ее осуществления и количественные ориентиры. Цели и инструменты денежно-кредитной программы России в 2012 году и на период 2013 и 2014 годов. Политика валютного курса Центробанка России.
  
  курсовая работа [359,4 K], добавлен 22.05.2013
  

• Анализ основных направлений бюджетной политики на 2013 год и плановый период 2014-2015 гг.

  Анализ реализации федеральных направлений бюджетной политики. Привлечение дополнительных средств в районный бюджет. Повышение эффективности бюджетных расходов, деятельности бюджетной сети. Создание условий доступа ко всем информационным ресурсам.
  
  реферат [34,6 K], добавлен 03.05.2013
  

• Ставки та особливості податків в Швейцарії

  Рівні податкового навантаження по країнам світу у 2013-2014 рр. Особливості податкової системи в Швейцарії, характеристика її рівнів (федеральні, кантональні та місцеві комунальні податки). Ставки видів податку, сплачуваних в Швейцарії в 2013-2014 рр.
  
  реферат [247,9 K], добавлен 07.10.2014
  

• Современная система финансовой политики России

  Понятие и содержание финансовой политики государства. Рассмотрение функций институтов исполнительной и законодательной властей в сфере финансов Российской Федерации. Основные направления бюджетной политики на 2014 год и плановый период 2015 и 2016 годов.
  
  курсовая работа [44,1 K], добавлен 04.04.2014
  

• Денежный рынок России

  Состояние и тенденции развития денежного рынка как составная часть финансового рынка. Реализация денежно-кредитной политики Банка Российской Федерации и задача снижения темпов прироста потребительских цен в 2013 году до 5-6%, в 2014 и 2015 годах- до 4-5%.
  
  курсовая работа [296,5 K], добавлен 05.04.2015
  

• Финансовый бюджет России в условиях модернизации экономики

  Особенности федерального бюджета на 2011 г. и на плановый период 2012 и 2013 гг. Общие доходы бюджета и нефтегазовые доходы в 2011-2013 годах. Покрытие дефицита бюджета. Федеральные целевые программы. Финансирование субъектов Российской Федерации.
  
  доклад [7,4 M], добавлен 15.01.2013
  

• Финансовая политика России

  Особенности бюджетного устройства России, направления и основные ориентиры финансовой политики России в 2013-2015 гг. Социальная направленность финансовых механизмов экономического роста. Государственная поддержка важнейших отраслей народного хозяйства.
  
  реферат [58,2 K], добавлен 26.09.2013
  

• Бюджет РФ 2010 года и проектировки на 2011-2013 годы

  Понятие и социально-экономическое значение бюджета Российской Федерации. Доходная и расходная части бюджета, типы доходных поступлений. Приоритетные направления бюджетной политики России на 2011-2013 годы. Источники покрытия дефицита федерального бюджета.
  
  курсовая работа [1,2 M], добавлен 26.06.2011
  

• Вопросы совершенствования налоговой системы России

  Экономическое содержание налогов, их эволюция. Проблемы и перспективы развития налоговой политики России на 2013–2015 годы. Правила определения резидентства. Анализ формирования доходов федерального бюджета. Воздействие уклонения от уплаты налогов.
  
  реферат [344,0 K], добавлен 30.01.2014
  

• Бюджетный процесс как форма управления бюджетными отношениями

  Место государственного бюджета в финансовой системе страны. Экономическое содержание и значение бюджетного процесса. Анализ финансовых показателей Российской Федерации: доходы, расходы, дефицит, показатели ВВП, прогноз на плановый период 2013-2014 гг.
  
  курсовая работа [39,8 K], добавлен 30.05.2014
  

• Патентная система налогообложения в 2013 году

  Патентная система налогообложения индивидуальных предпринимателей, вступившая в силу с 1 января 2013 года: общая характеристика. Виды деятельности, по которым может выдаваться патент. Размер налога в режиме патентной системы и порядок его уплаты.
  
  реферат [19,4 K], добавлен 18.09.2013
  

• Эволюция налоговой системы, акцизы

  Функции налоговой системы Российской Федерации. Применение налогов как экономический метод управления. Принципы построения налоговой системы, проект ее совершенствования. Проблемы налоговой системы России. Прогноз ставок акцизов на период с 2013-2015 гг.
  
  курсовая работа [61,2 K], добавлен 02.11.2014
  

• Федеральный бюджет Российской Федерации на 2011 г. и на плановый период 2012-2013 гг.

  Понятие и социально-экономическое значение бюджета Российской Федерации. Государственный долг и источники финансирования дефицита федерального бюджета, анализ его доходов и расходов. Основные характеристики федерального бюджета на 2011-2013 годы.
  
  контрольная работа [924,7 K], добавлен 24.02.2013
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам