Неэргодическая экономика

Авторский аналитический Интернет-журнал

Изучение широкого спектра проблем экономики

Индикаторы раннего предупреждения кризисов: в поисках новых подходов

Значимая роль монетарной политики породила активную деятельность в области исследования методов оценки ее эффективности и упреждающей монетарной диагностики, позволяющей прогнозировать экономический рост. Поисковая деятельность в сфере упреждающей диагностики, в основе которой лежит теория кредитной цикличности, осуществляется по разным направлениям. В статье представлен дайджест существующих индикаторов раннего предупреждения кризисов, методов и подходов к их выявлению и построению, а также анализ их практического использования.

Актуальность

 

Анализ практики монетарного управления в России показывает, что за формирование монетарной среды в нашей стране отвечает Центральный банк Российской Федерации (ЦБ РФ), который в последнее время превратился из макрорегулятора в мегарегулятор посредством постепенного расширения своих функций и полномочий. Набор инструментов Банка России (БР) и сфер его регулирования растет и постоянно трансформируется. К настоящему моменту Банк России полностью контролирует монетарную ситуацию в стране и предоставляет обширную, достаточно качественную и достоверную статистику о своей деятельности. Значительная часть статистических данных БР дается в разрезе ежемесячной разбивки, что позволяет осуществлять глубокие аналитические исследования его деятельности, включая оценку эффективности осуществляемых им мер макроэкономического регулирования.

В мировой практике для таких целей, как правило, используется некий агрегированный индикатор, который позволяет не только диагностировать эффективность денежно–кредитной политики, но и в краткосрочной перспективе предсказывать экономический рост. Однако несмотря на огромный арсенал аналитических средств монетарной политики государства, используемый как в зарубежной, так и в отечественной практике, за все время развития кредитной сферы и экономической теории так и не обозначились общепризнанные методы и подходы в этой области.

В связи с этим возникает необходимость изучить и проанализировать существующую практику построения индикаторов раннего предупреждения с целью определения их достоинств и недостатков, а также поиска ответа на вопрос, почему до настоящего времени отсутствуют общепризнанные методики построения таких показателей.

 

Степень изученности и проработанности проблемы

 

Как показал мировой опыт, периодам экономических кризисов практически всегда предшествуют периоды финансовой нестабильности. В связи с этим поиск эффективных индикаторов финансовой системы, позволяющих проводить «предкризисную» диагностику состояния экономики в целом, является достаточно распространенной сферой как российских, так и зарубежных научных исследований.

Можно выделить несколько основных направлений проводимых исследований. Первое связано с практикой выявления предкризисных финансовых индикаторов, второе предполагает разработку комплекса сводных монетарных опережающих индикаторов. В рамках третьего направления проводятся исследования их практического использования.

Наличие большого объема работ в исследуемой области породило необходимость их обобщения с целью не только определенной систематизации существующей мировой практики, позволяющей сформулировать основные проблемы в сфере упреждающего диагностирования, но и определения перспективных направлений ее дальнейшего развития.

 

Методы выявления индикаторов раннего предупреждения кризисов

 

Сегодня проводится достаточно большая работа в направлении выявления и оперативного мониторинга опережающих «кризисных» индикаторов, в которой можно выделить два основных подхода к их определению: эконометрический подход и метод непараметрических оценок. Суть первого заключается в оценке регрессии, в которой в качестве независимых переменных выступают предполагаемые индикаторы кризисных явлений, а в качестве зависимой – непосредственно индикаторы кризиса (его вероятностные оценки). Второй подход основан на применении «сигнального» метода, который позволяет из определенного перечня индикаторов выбрать те, которые реально могут сигнализировать о наступлении финансового неблагополучия. В дальнейшем выявленные кризисные показатели анализируются на отклонение от их установленных критических значений. Данный подход основан на экспертных оценках, определяющих возможность наступления кризиса в каждом конкретном случае. Кроме того, в рамках сигнального подхода получила распространение практика составления сводных индикаторов финансовой стабильности.

Каждый из двух описанных подходов имеет свои преимущества и недостатки. В частности, при выявлении кризисных индикаторов «сигнальным» методом фактически применяется индивидуальный подход, когда анализируется каждая прогностическая переменная. Однако вопрос определения порогового уровня отобранных индикаторов, превышение которого может сигнализировать о наступающем кризисе, является весьма сложным и открытым. Преимуществами эконометрического подхода являются оценка совокупного влияния всех анализируемых индикаторов, а также возможность прогнозирования вероятности возникновения кризиса в будущем. На практике реализуется и тот, и другой подход. Тем не менее сигнальный подход более широко распространен в силу своей инструментальной простоты и более понятной интерпретации [1, 2].

 

Практика построения кризисных индикаторов: зарубежный опыт

 

Как было показано ранее, на сегодняшний день в практике построения индикаторов предкризисной диагностики выделяют два основных подхода: метод непараметрических оценок и эконометрический. «Первопроходцами» применения первого метода принято считать Г.Камински (Kaminsky), С.Лизондо (Lizondo) и К.Рейнхарта (Reinhart), которые доказали эффективность сигнального подхода при прогнозировании кризиса и предложили набор «кризисных» индикаторов, хорошо зарекомендовавших себя в ходе проведения исследования: золотовалютные резервы, обменный курс, экспорт, предложение денег, внутренний кредит [3]. При этом в работе была предпринята попытка построения сводных индексов финансовой стабильности, в частности, индекса давления на валютный рынок 1) (Exchange Market Pressure – EMP) [2].

Своё продолжение разработки указанных выше исследователей получили в работе Х.Эдисона (Edison), в которой автор расширил круг анализируемых индикаторов и показал, что наиболее эффективными с точки зрения прогнозирования финансового кризиса являются показатели динамики реального обменного курса, экспорта и отношение денежного агрегата М2 к ВВП [4].

В 2000 году Д.Хокинсом (Hawkins) и М.Клау (Klau) также была предпринята попытка построения опережающих индикаторов, для чего авторы использовали три сводных показателя: индекс давления на валютный рынок (EMP) (1); индекс внешней уязвимости (Index of External Vulnerability – IEV) (2); индекс уязвимости банковской системы (Index of Banking System Vulnerability – IBSV) (3) [5]. Формулы расчета показателей приведены из работы [2]:

 

                                            (1)

 

где w1, w2, w3 веса показателей, xrm – прирост обменного курса национальной валюты страны по отношению к доллару США за последние 3 месяца; xrа – прирост обменного курса национальной валюты страны по отношению к доллару США за последний год; r – реальная ставка процента; res – отношение изменения золотовалютных резервов страны за последние 3 месяца к скользящему среднему объему импорта за последние 12 месяцев.

 

                                                             (2)

 

 

 

где w1, w2, w3, w4, w5, w6 веса показателей, reer – реальный эффективный обменный курс (отклонение от среднего значения за 1990–1998 гг.); сgdp – дефицит текущего счета платежного баланса (% от ВВП); dr – темп прироста экспорта за последний год за вычетом среднего ежегодного прироста экспорта за 1990–1998 гг.; dept – отношение внешнего долга к ВВП, %; gdept – темп прироста показателя dept за последние 2 года; stdept – отношение краткосрочного внешнего долга к золотовалютным резервам.

 

                    (3)

 

где w1, w2, w3, w4, w5 веса показателей, dce – темп прироста отношения внутреннего кредита к ВВП за последние 4 месяца, %; bis – отношение прироста обязательств национальных банков за последние 8 лет к ВВП; bisdc – отношение обязательств национальных банков к внутреннему кредиту; r – реальная ставка процента; bkrat – средний кредитный рейтинг национальных банков (по данным Fitch IBCA).

В практике использования эконометрического подхода к определению кризисных индикаторов выделяют три основных подхода [6]:

– на основе классических регрессионных методов (с использованием метода наименьших квадратов) [7];

– система ранних индикаторов [3];

– вероятностный подход с использованием моделей бинарного выбора (пробит– и логит–модели) [8; 9].

 

Российский опыт определения индикаторов ранней диагностики кризисных ситуаций

 

В отечественной практике получили свое широкое распространение и первый («сигнальный»), и второй (эконометрический) подходы к определению показателей, обладающих диагностирующими свойствами. В частности, «сигнальный» подход использовался для разработки индикаторов, диагностирующих состояние финансовой системы в РФ [1, 2]. Авторами указанных исследований был проанализирован перечень индикаторов, которые потенциально могут быть предвестниками финансовой нестабильности и выход за пределы пороговых значений которых способен выступить в качестве «сигнала» наступающего кризиса. Если в течении определенного времени (в работе [2] рассматривался период в 3 месяца) кризис не наступал, то показатель считался «плохим» или непригодным для целей диагностики. В результате для России наиболее эффективными показателями – индикаторами финансовой нестабильности оказались:

– сальдо текущего счета платежного баланса;

– реальная ставка процента;

– отношение денежной массы к золотовалютным резервам;

– реальный эффективный курс рубля;

– «избыточное» предложение денег в реальном выражении.

На основе выявленных показателей был построен индекс финансовой стабильности, позволяющий проводить мониторинг финансовой системы и прогнозировать возможное наступление кризисных ситуаций.

Эффективность применения эконометрических подходов при определении кризисных показателей достаточно хорошо доказана такими российскими исследователями, как А.К. Мансуров, Е.А. Федорова, И.Я. Лукасевич, О.С. Глухова, П.К. Калашников, И.В. Самарин, А.Н. Фомин и др. [6, 10, 11, 12, 13]. Так, использование вероятностного подхода в работе [6] позволило выявить тесную связь между вероятностью возникновения кризисной ситуации и такими финансовыми показателями, как колебания реального обменного курса, межбанковская ставка по кредитам, доля притока прямых инвестиций в ВВП, а также установить вероятность наступления финансового кризиса во 2-ом квартале 2008 г. на уровне 31,6%.

 

Интегральные индикаторы упреждающей диагностики: определение и использование

 

Одной из наиболее актуальных задач исследований финансовых кризисов является построение интегрального показателя, позволяющего прогнозировать периоды финансовой нестабильности. Возникновению этой задачи активно способствовал мировой финансовый кризис 2008 года, спровоцировавший появление большого количества интегральных «кризисных» показателей. В частности, широкое распространение получили такие интегральные показатели, как индекс финансового стресса (Financial Stress Index – FSI) и индекс финансового состояния (Financial Conditions Index – FCI). Первый отражает общий уровень стресса в финансовой системе, в то время как второй показатель, как правило, используется в качестве опережающего индикатора рецессии. Данные индексы регулярно публикуются в разных странах мира. Так, в США еженедельно публикуется Chicago Red FCI – индекс, для расчета которого используется порядка 100 различных факторов, что гарантирует его высокую чувствительность к изменениям на фондовом, банковском и денежном рынках. К другим еженедельно публикуемым индексам относятся: St. Louis Fed FSI (США), ECB Composite Indicator of Systemic Stress (Европейский союз). Первый индекс рассчитывается на основе 11 исходных факторов и оценивает спреды доходностей, уровни процентных ставок, инфляционные и курсовые риски. При построении второго используется концепция системного риска, когда изначально исходные показатели агрегируются в субиндексы, а затем финансовое состояние системы оценивается на основе их совокупного влияния [14].

Помимо этого, ежемесячно рассчитываются Kansas City Fed FSI (США, 11 исходных факторов) и IMF Advanced Economies FSI (17 развитых стран). Показатель Kansas City Fed FSI определяет финансовый стресс на основе его пяти трудно формализуемых внешних проявлений:

– неопределенность в фундаментальных ценах финансовых активов или биржевых товаров;

– недостаток информации о текущем состоянии экономики и финансового рынка;

– асимметрия информации о качестве актива или заемщика;

– «бегство в качество»;

– «бегство в ликвидность».

Ежедневно для США, стран ЕС и Азии (кроме Японии) публикуется Blomberg FCI, рассчитанный на основе 10 финансовых показателей (в основном спредов на рынке денег, акций и облигаций), и глобальный BofA Merrill Lynch Global FSI, характеризующий состояние мировой экономики в целом и включающий 41 фактор, которые можно объединить в три смысловые подгруппы: кредитный риск и риск ликвидности; стоимость страховки от крупных потерь; склонность к риску [14].

Для стран США, Европы и Японии ежеквартально рассчитывается Goldman Sachs FSI, в котором с равными весами представлены 4 показателя: долгосрочная доходность корпоративных облигаций, краткосрочная доходность облигаций, обменный курс и цены акций [14].

Российская практика построения индексов финансового стресса или состояния также имеет богатую историю и представлена опытом различных аналитических центров. Рассмотрим их более подробно.

1. Центр макроэкономического анализа и краткосрочного прогнозирования (ЦМАКП), который ежемесячно составляет сводные опережающие индикаторы (СОИ) по следующим направлениям [1]:

– СОИ возникновения системного банковского кризиса;

– СОИ продолжения системного банковского кризиса;

– СОИ входа в рецессию;

– СОИ выхода из рецессии;

– СОИ системных кредитных рисков;

– СОИ системных рисков ликвидности;

– СОИ системных валютных рисков.

Отдельные СОИ рисков (кредитных, валютных и ликвидности) рассчитываются на основе сигнального подхода по макроэкономическим данным России, остальные – на основе эконометрического подхода с использованием logit–моделей на панельных данных по выборке стран (включая Россию) [15].

2. ЦБ РФ публикует с 2012 г. с периодичностью 2 раза в год «Обзор финансовой стабильности», в котором проводится анализ и оценка ключевых финансовых рисков не только российской финансовой системы и ее отдельных секторов (внешние риски, риски банковского сектора, риски некредитных финансовых организаций), но и глобальной экономики и мировых финансовых рынков.

3. Институт экономической политики имени Е.Т.Гайдара, который в период с 4–го квартала 2007 г. до 2–го квартала 2011 г. ежемесячно публиковал мониторинг финансовой стабильности, в основе которого лежали показатели, определенные по результатам рассмотренной выше работы П.Трунина [2].

4. Аналитическое кредитное рейтинговое агентство АКРА, разработавшее и ежедневно публикующее Индекс финансового стресса для Российской Федерации. Для измерения проявлений стресса, о которых мы говорили выше, давая характеристику Kansas City Fed FSI, анализируются 12 количественных показателей: спред ставок денежного рынка и бескупонных коротких облигаций федерального займа (ОФЗ); спред ставок по крупным выпускам ликвидных корпоративных облигаций и бескупонной ставки ОФЗ; волатильность фондового рынка; индекс стоимости акций финансовой отрасли; разброс доходностей по акциям финансовых институтов; спред ставки межбанковского кредита к ставке предоставления ликвидности ЦБ РФ на срок один день; разница между спотовой и форвардной ценой на нефть; волатильность цены нефти; волатильность обменного курса; рублевая инфляция; скорость одновременного падения цен акций финансовых институтов и госдолга; скорость расхождения в ценах акций финансовых институтов и облигаций качественного заемщика. По словам разработчиков, динамика индекса призвана давать количественную характеристику режиму функционирования финансового рынка и косвенно сигнализировать о возможных изменениях кредитоспособности экономических агентов в результате нарушения стабильности финансового рынка [2].

Кроме того, имеется целый ряд отдельных исследований, связанных с попытками построения комплексных диагностирующих показателей. В частности, Центром макроэкономических исследований Сбербанка России в 2012 году проведена работа по разработке еженедельного Индекса финансовой стабильность (ИФС) для России, целью построения которого является регулярное отслеживание состояния финансовой системы в России. ИФС аккумулирует в себе три интегральных субиндекса (фондовый и долговой рынки России; денежный и валютный рынки России; глобальный финансовый стресс), каждый из которого включает в себя целую серию количественных факторов. Для оценки критических значений индекса авторами методики предлагается использовать либо сравнение его значения со средним до кризиса, либо отклонения от предыдущего локального максимума [3].

Большая работа по построению комплексных кризисных индикаторов как для России, так и для стран СНГ проведена в Финансовом университете при Правительстве Российской Федерации [9, 16, 17]. В рамках построения комплексного прогностического кризисного индикатора для России был проанализирован период 2001–2010 гг. и отобран набор показателей для включения в искомый индикатор (4) [16]:

 

                                                     (4)

 

где  – комплексный индикатор, позволяющий прогнозировать вероятность наступления кризиса в России с лагом в 1 месяц;  – реальная ставка по депозитам в текущем месяце;  – темп роста импорта в текущем месяце относительно предыдущего;  – доходность фондового рынка (индекса РТС); β – коэффициенты при соответствующих показателях.

В качестве источников приведенных выше показателей использовались данные Международной финансовой статистики, Международного валютного фонда (МВФ), Мирового банка и аналитического агентства Bloomberg.

В работе показано, что вероятность возникновения кризиса возрастает при одновременном росте реальной ставки по депозитам, падением доходности фондового рынка и увеличением темпов роста импорта [16].

Аналогичный анализ, проведенный в отношении стран СНГ за период 2003–2012 гг., позволил определить наиболее значимые кризисные показатели и на их основе сконструировать комплексный индикатор, в который вошли такие показатели, как темп роста ВВП, темп роста денежного агрегата М2, отношение ставки по кредитам к ставке по депозитам, спред процентной ставки. Показано наличие лагов (от трех месяцев до года) при влиянии показателей на вероятность возникновения кризиса [17].

Для оценки финансовой стабильности России в период 2001–2011 гг. в работе [9] авторами была предложена система из четырех показателей FCI (FCI ценовой стабильности, FCI валютного кризиса, FCI банковского кризиса, FCI фондового кризиса), использование которых позволило построить модели, способные прогнозировать значения индексов финансовой стабильности на период полгода и год. Прогностическая способность построенных моделей варьирует от 45% до 79% [9].

 

Локальные индикаторы кризисной диагностики

 

Помимо рассмотренных выше комплексных показателей имеется целый ряд «менее масштабных» интегральных кризисных индикаторов, практика использования которых получила широкое распространение как в работах зарубежных и отечественных исследований, так и в деятельности монетарных органов власти для оценки и выявления возможных финансовых кризисов.

Одним из таких показателей является индекс давления на валютный рынок (EMP), который ранее уже упоминался. Данный индекс входит в состав многих укрупненных интегральных индикаторов, рассмотренных выше, и рекомендуется МВФ странам с развивающейся экономикой для оценки финансовой стабильности. Кроме того, он используется при составлении кредитных рейтингов.

Большинство исследований, проводимых в рамках использования индекса EMP, направлены, во-первых, на определение его пороговых значений, а во-вторых, на анализ его прогностических свойств. Так, в работах таких авторов, как Б.Эйхенгрин (Eichengreen), Г.Камински (Kaminsky) и Д.Френкель (Frankel) и их коллег в качестве граничного значения индекса предлагается использовать его среднее значение, увеличенное на некоторую величину стандартного отклонения: 1,5; 3; 1,2 соответственно [18, 19, 20]. В качестве методов нахождения критических границ предлагается использование теории экстремальных значений [21] и цепи Маркова [22, 23]. При этом в работе [24] было показано, что данные методы достаточно хорошо работают для прогнозирования как валютных, так и банковских кризисов, однако их прогностические свойства лучше всего проявились при использовании модели Маркова, с помощью которой было выявлено большее количество кризисных эпизодов в России в период с 1995 г. по 2008 г.

Использование индекса ЕМР в качестве кризисного индикатора для стран СНГ рассмотрено в работе отечественных авторов [25], в которой данный показатель был рассчитан для 49 развитых и развивающихся стран, исследованы особенности его применения для анализа интеграционных процессов в экономике и показаны его прогностические свойства. В частности, установлено, что постоянное повышение индекса ЕМР может свидетельствовать об ухудшении ситуации в экономике, тогда как его снижение может говорить о действенности стабилизационных мер [25]. В работе [26] индекс ЕМР используется также и при определении кризисных периодов в РФ.

Еще одним диагностическим индикатором является Индекс монетарной конъюнктуры (Monetary Condition Index, MCI) (5), выбор которого зачастую обуславливается проводимой монетарными властями политикой таргетирования инфляции.

 

               (5)

 

где  – реальная краткосрочная процентная ставка в момент времени t;  – логарифм реального валютного курса в момент времени t;  – значения показателей процентной ставки и валютного курса в базовом периоде.

Сопоставление индекса MCI за разные периоды времени (или с установленным значением) позволяет говорить о направлении ДКП – в сторону ужесточения или смягчения. Кроме того, MCI относится к серии опережающих индикаторов, поскольку его изменение (за счет изменения валютного курса и процентной ставки) влияет на изменение в реальном секторе экономики с определенным лагом [27].

На практике применяется несколько модификаций индекса MCI, которые различаются в основном методами расчета весовых коэффициентов переменных. Так, например, вес переменной процентной ставки 1) по разным методикам варьируется от 0,52 до 0,93, а вес переменной валютного курса – от 0,06 до 0,47 [27]. Это, в свою очередь, является одним из недостатков показателя, поскольку повышает его чувствительность в применяемых макроэкономических моделях. Кроме того, это приводит к рассогласованию при оценке лаговых значений воздействия изменений валютного курса и процентной ставки на реальную экономику. Несмотря на это MCI широко применяется исследовательскими структурами МВФ, ОЭСР и других финансовых институтов (Deutsche Bank, Goldman Sachs Group и др.), поскольку позволяет получать приемлемые диагностические оценки.

 

Взаимосвязь диагностических показателей с текущей фазой кредитного цикла

 

Целая группа диагностических показателей ДКП напрямую связана с правильным определением текущей фазы кредитного цикла, так как банковский кредит имеет прямое воздействие на экономику. В основе этой мысли лежит теория кредитной цикличности, согласно которой наблюдается симметрия между уровнем долгового бремени субъектов хозяйствования и фазой экономического цикла: увеличение долговой нагрузки вызывает экономический подъем, а ее сокращение происходит в период депрессий. Этот феномен был впервые описан в XIX веке британским экономистом Дж.Миллсом (Mills) в работе «О кредитных циклах и основах коммерческих паник» [28]. На заре зарождения теории кредитной цикличности в XIX веке ее исследованию были посвящены работы таких ученых, как Д.Лейдлер (Laidler), А.Галлатин (Gallatin), Дж.С.Милль (Mill), У.Бэверидж (Beveridge), А.Пигу (Pigou), И.Фишер (Fisher), Дж.М.Кейнс (Keynes) и др. Однако XX век ознаменовался «эрой забвения» теории кредитной цикличности, а ее возрождение началось лишь в конце 70-х – начале 80-х гг. прошлого века в работах Ч.Киндлбергера (Kindleberger), Дж.Стиглица (Stiglitz), А.Вайсса (Weiss), Х.Мински (Minsky), Р.Раджана (Rajan), Дж.Мура (Moore), Н.Киётаки (Kiyotake), Дж.Жанокоплоса (Geanokoplos) и др. [29]. Исследования МВФ показали, что рост ВВП в период с 2009 по 2014 гг. в странах с формирующейся экономикой во многом связан с кредитным бумом в сочетании со снижением цен на биржевые товары и заимствованием в иностранной валюте [30]. Результатом этого возрождения стало то, что сегодня монетарные регуляторы многих стран при реализации ДКП уделяют достаточно большое внимание определению текущей фазы кредитного цикла (оживление, экспансия, сжатие (депрессия), стагнация), а соответственно и индикаторам, которые позволяют ее диагностировать.

Одним из наиболее надежных индикаторов раннего предупреждения банковских кризисов считается показатель кредитного разрыва (credit gap). Несмотря на непрекращающиеся дискуссии в отношении этого показателя, он до сих пор является одним из наиболее популярных и часто используемых диагностических индикаторов.

Показатель рассчитывается как разница между отношением кредита к ВВП и средним значением этого соотношения за прошедшие годы. Считается, что если этот показатель превышает 10% (контрольный уровень), то банковская система страны находится в предкризисном состоянии. По результатам анализа «кредитных разрывов» в 42 странах, проведенного Банком международных расчетов (БМР) в 2016 году, в «опасной» зоне оказались Китай (30,1%) и Канада (12,0%). Относительно близко подошли к контрольному значению Турция (9,6%), Мексика (8,8%) и Швейцария (7,2%) [31].

Несмотря на существующую критику показателя, связанную с содержательными и измерительными моментами [32; 33], имеются доказательства того, что он позволяет предсказать до 80% кризисов в течение года [34]. Кроме того, методические рекомендации Базеля III нацеливают на использование показателя кредитного разрыва в качестве индикатора фазы кредитного цикла при установке антициклической надбавки к нормативам достаточности капитала [35]. Проводимые исследования доказывают повышение надежности индикатора кредитного разрыва при его использовании в комбинации с другими показателями. В частности, часть зарубежных авторов при анализе жилищного кредитования предлагает использовать дополнительные индикаторы, такие как разрыв в стоимости частного и коммерческого жилья, соотношение стоимости жилой недвижимости и дохода домохозяйств, годовой прирост банковского и потребительского кредитов, коэффициент обслуживания долга домохозяйств и др. [36, 37]. Кроме того, в качестве опережающих индикаторов оценки кредитного риска рассматриваются показатели спреда на рынке корпоративных облигаций и индекс волатильности VIX [37].

В отечественной практике Е.Дерюгина и А.Пономаренко произвели тестирование способности индикаторов раннего предупреждения предсказывать поворотные точки кредитного цикла для выборки стран с формирующимся рынком и показали, что устойчивость результатов может быть повышена за счет использования показателей темпа роста ВВП, банковских «небазовых» обязательств (NCL), доли добавленной стоимости финансового сектора в ВВП, а также изменения коэффициента обслуживания долга [38].

Другим опережающим индикатором для банковских кризисов является показатель долговой нагрузки, для измерения которого в БР используются коэффициент обслуживания долга и динамика отношения кредита к ВВП [39]. Эмпирические исследования показывают, что негативное влияние на экономику оказывает превышение отношения кредита к ВВП порогового значения в 90–100%. При принятии решения ЦБ РФ по обеспечению финансовой стабильности анализ показателя кредита к ВВП хорошо дополняется информацией об изменении коэффициента обслуживания долга. С его помощью можно видеть, как сроки кредитования и установленный уровень процентных ставок влияют на кредитную нагрузку и как они воздействуют на спрос на кредит и его предложение [39].

Рассматриваемые показатели являются хорошими индикаторами не только на макро–, но и на микроуровне. Так, доказано, что приемлемый уровень долговой нагрузки обеспечивают платежи, не превышающие 30–50% от текущих доходов заемщика [39], а накопление долговой нагрузки свыше 16,6% к выручке компаний существенно повышает риск их финансовой неустойчивости [40].

Показатели долговой нагрузки позволяют ЦБ РФ уточнить микро– и макроэкономическую картину и принять решение по ДКП. В частности, при высоком уровне долговой нагрузки у БР возможны три варианта действий [41]:

– снижение процентной ставки, что в краткосрочном периоде может привести к снижению долговой нагрузки, но в долгосрочной перспективе может способствовать повышению финансовых рисков из-за расхождения динамики кредитования и доходов предприятий;

– сокращение кредитования при сохранении высокого уровня процентных ставок – политика, рассчитанная на уменьшение кредитного перегрева и снижение финансовых рисков в среднесрочной перспективе;

– увеличение сроков предоставления кредитов – наиболее позитивный способ безрискового наращивания кредитной активности, но требующий значительного времени и институциональных изменений.

 

Недостатки существующих подходов

 

Проведенное аналитическое исследование существующих диагностирующих инструментов позволило выявить ряд проблем, связанных с практикой их построения и использования. Рассмотрим их более подробно.

Во-первых, практически во всех известных монетарных индикаторах отсутствует внятная идеология его построения. В данном случае речь идет о том, что такого рода индикаторы хаотично «собираются» из разных частных показателей, без наличия внутренней логики. Складывается впечатление, что набор частных объясняющих переменных формируется методом проб и ошибок. В лучшем случае все возможные варианты проверяются различными методами на работоспособность. Однако даже наличие таковых индикаторов не дает системного представления об ошибках и недочетах монетарного регулятора. Более того, остается под вопросом соотношение и эффективность разрешительных и запретительных мер центрального банка.

Во-вторых, большинство методов направлено на идентификацию неких кризисных точек, которые априори являются чрезвычайно опасными для национальной экономики. Однако нацеленность рассмотренных методов на прогнозирование неких масштабных проблем типа надвигающегося экономического кризиса автоматически ведет к тому, что все эти методы являются «грубыми» в том смысле, что они улавливают грядущие коллизии, но игнорируют мелкие изменения монетарного климата. Между тем в практике регулятора имеет значение любой прогноз экономической активности, в том числе лежащие в их основе мелкие ухудшения монетарных условий функционирования экономики, которые могут накапливаться в течение длительного времени и, в конечном счете, давать заметное снижение темпов экономического роста. Иными словами, методы упреждающей диагностики сегодня построены по дискретному принципу, улавливая «большие» проблемные события, тогда как в идеале они должны строиться по непрерывному принципу, направленному на обследование каждой точки временной оси и выявлении любых, в том числе не слишком значительных, изменений.

В-третьих, деятельность центральных монетарных институтов моделируется фактически в полном отрыве от имеющейся институциональной теории. Тем самым макроэкономические построения почти никак не согласуются с институциональными принципами, что превращает все индикаторы и модели в подобие эвристических конструкций – они могут работать на практике, но никаких новых системных знаний об экономике они не дают.

В-четвертых, многофакторность самого процесса экономического роста затрудняет отбор тех монетарных показателей, которые должны выступать в качестве реальных драйверов роста. Более того, на разных этапах экономического развития страны меняется и состав «активных» факторов, которые действительно предопределяют рост производства. В связи с этим в аналитических анналах накоплено огромное число возможных индикаторов и моделей при том, что все они не универсальны и не могут быть превращены в постоянные индикаторы монетарной среды наподобие индекса Доу–Джонса в отношении экономической конъюнктуры. Тем самым выбор наиболее приемлемого упреждающего монетарного индикатора сам по себе превращается в серьезную проблему.

В-пятых, сама практика применения различных упреждающих индикаторов так и не выявила не только общепризнанного «лидера», использование которого может тиражироваться максимально широко как во времени, так и в пространстве, но и не позволила даже очертить круг наиболее эффективных методов и моделей. Фактически сегодня монетарные ведомства разных стран действуют по своим собственным, уникальным методикам.

Указанные недостатки требуют преодоления; в противном случае методический плюрализм упреждающей диагностики будет порождать все большее число малоэффективных индикаторов и моделей. Для выхода из тупиковой ситуации необходимо опираться на некие базовые понятия современной макроэкономики и институциональной теории. Только в этом случае можно рассчитывать на разработку некоего унифицированного метода предсказания неблагоприятных ситуаций.

 

Заключение

 

Выполненный в данной статье дайджест индикаторов раннего предупреждения кризисов недвусмысленно подводит к мысли о существовании острой потребности в построении некоего обобщенного индикатора монетарного климата, который был бы способен, во-первых, всесторонне охватить его деятельность ЦБ РФ на основе имеющихся статистических данных о его деятельности, во-вторых, диагностировать текущую ДКП и ее эффективность, в-третьих, предсказывать экономический рост на несколько месяцев вперед – не менее полугода для того, чтобы органы управления имели время для принятия и реализации корректирующих решений. Поиск и конструирование подобного индикатора является одним из перспективных направлений развития как российской, так и зарубежной научной мысли. При этом сам интегральный индикатор целесообразно строить в соответствии с требованиями современной институциональной теории, т.е. он должен отражать как стабилизирующие, так и стимулирующие функции центральных монетарных ведомств. Наличие перекосов в данных регулирующих функциях позволит не только своевременно диагностировать надвигающиеся проблемы, но и разрабатывать меры по их недопущению.

 

Список использованных источников

 

1. Некоторые подходы к разработке системы индикаторов мониторинга финансовой стабильности / под ред. Дробышевского С.М. Москва: ИЭПП, 2006. 305 с.

2. Трунин П.В., Каменских М.В. Мониторинг финансовой стабильности в развивающихся экономиках (на примере России). Москва: ИЭПП, 2007. 106 с.

3. Kaminsky G., Lizondo S., Reinhart C. Leading Indicators of Currency Crises // IMF Staff Papers. 1998. Vol. 45 (March). Pp. 1−48.

4. Edison H. Do indicators of financial crises work? An evaluation of an early warning system // Journal of Finance and Economics. 2000. Vol. 8. Pp. 11–53.

5. Hawkins J., Klau M. Measuring Potential Vulnerabilities in Emerging Market Economies // BIS Working Papers. 2000. № 91. [Электронный ресурс]. URL: http://www.bis.org/publ/work91.pdf

6. Федорова Е.А., Назарова Ю.Н. Использование эконометрического моделирования для прогнозирования финансовых кризисов // Аудит и финансовый анализ. 2008. № 6. С. 441-446.

7. D. Sachs, A. Tornell, A. Velasco Financial Crises in Emerging Markets: The Lessons from 1195 // Brookings Papers on Economic Activity. 1996. Vol. 27, No. 1. Pp. 147-199.

8. Demirgüç–Kunt A., Detragiache E. The Determinants of Banking Crisis in Developing and Developed Countries // IMF Staff Paper. 1998. Vol. 45, No. 1. Pp. 81-109.

9. Gonzales–Hermosillo B. Determinants of Ex-Ante Banking System Distress: A Macro-Micro Empirical Exploration of Some Recent Episodes // IMF Working Paper. 1999. No. 99/33. Pp. 114.

10. Лукасевич И.Я., Федорова Е.А. Прогнозирование финансовых кризисов: методы, модели, индикаторы. Москва: ИНФРА-М, 2015. 126 с.

11. Мансуров А.К. Прогнозирование валютных кризисов с помощью методов фрактального анализа // Проблемы прогнозирования. 2008. №1. С.145–158.

12. Глухова О.С. Построение logit–модели для прогнозирования банковских кризисов в РФ // Экономика и предпринимательство. 2015. № 6-2. С. 76-78.

13. Калашников П.К., Самарин И.В., Фомин А.Н. Стратегическое антикризисное планирование: методы прогнозирования глобальных финансово–экономических кризисов // Инновации и инвестиции. 2015. №7. С. 36–42.

14. Куликов Д.М. Баранова В.М. Индекс финансового стресса для финансовой системы России // Деньги и кредит. 2017. №6. С. 39–48.

15. Мамонов М. О методологии построения опережающих индикаторов ЦМАКП. Москва: ЦМАКП, 2013. С. 9. [Электронный ресурс]. URL: http://www.forecast.ru/SOI/Metodologja/MetSOI_Mamonov.pdf

16. Федорова Е.А., Афанасьев Д.О. Комплексный кризисный индикатор для России // Журнал Новой экономической ассоциации. 2014. №3(23). С. 38–59.

17. Федорова Е.А. Разработка комплексных кризисных индикаторов для стран СНГ // Экономический анализ: теория и практика. 2014. № 42 (393). С. 11–21.

18. Eichengreen B., Rose A., Wyplosz C. Contagious Currency Crises: First Tests // Scandinavian Journal of Economics. 1996. Vol. 98. Pp. 463–484.

19. Kaminsky G. L., Reinhart C. M. On Crises, Contagion, and Confusion // Journal of International Economics. 2000. Vol. 51.  Pp. 145–168.

20. Frankel J. A., Rose A. K. Currency crashes in emerging markets: an empirical treatment // Journal of International Economics. 1996. Vol. 41. Pp. 351–366.

21. Pozo S., Amuedo–Dorantes C. Statistical distributions and the identification of currency crises // Journal of International Economics. 2003. Vol. 22. Pp. 591–609.

22. Chen S. –S. Revisiting the Interest Rate–Exchange Rate Nexus: A Markov – switching approach // Journal of Development Economics. 2006. Vol. 79. Pp. 208–224.

23. Krolzig H. –M., Marcellino M., Mizon G.E. A Markov-Switching Vector Equilibruim Correction Model of the UK Labour Market // Empirical Economics. 2002. Vol. 27. Pp. 233–254.

24. Федорова Е.А., Лыткина О.А. Прогнозирование кризисов на основе исследования индекса давления на валютный рынок: определение критического значения индекса с помощью теории экстремальных значений и модели Маркова // Финансы и кредит. 2013. № 18 (546). С. 2–10.

25. Федорова Е.А., Лукасевич И.Я. Индекс давления на валютный рынок (ЕМР): особенности развивающихся рынков // Журнал Новой экономической ассоциации. 2012. №2 (14). С. 51–66.

26. Федорова Е.А., Безрук О. Анализ и оценка каналов распространения финансовых кризисов на развивающихся рынках // Вопросы экономики. 2011. № 7. С.120–128.

27. Моисеев С.Р. Правила денежно–кредитной политики // Финансы и кредит. 2002. №16. С. 37–46.

28. Бураков Д.В. Цикличность движения кредита: теория и история. Москва: РУСАЙНС, 2017. 216 с.

29. Бураков Д.В. Эволюция представлений о кредитной цикличности // Транспортное дело России. 2011. № 12. С. 148–150.

30. Caparusso J., Chen Y., Papageorgiou Y., Tanna S. Bad Debt in Emerging Markets: Still Early Days. USA: International Monetary Fund, 2015. [Электронный ресурс]. URL: http://www.imf.org/external/russian/np/blog/2015/110915r.pdf

31. Перемитин Г. Риск банковского кризиса в Китае достиг рекордного уровня // РБК: Экономика. 2016. [Электронный ресурс]. URL: http://www.rbc.ru/economics/19/09/2016/57dfb9989a7947e16d1a962f

32. Drehmann M., Tsatsaronis K. The credit–to–GDP gap and countercyclical capital buffers: Questions and answers // BIS Quarterly Review. 2014. March. Pp. 55–73. [Электронный ресурс]. URL: http://www.bis.org/publ/qtrpdf/r_qt1403g.pdf

33. Repullo R., Saurina J. The Countercyclical Capital Buffer of Basel III: a Critical Assessment // Discussion Paper. 2011. №8304. [Электронный ресурс]. URL: https://www.researchgate.net/publication/228202053_The_Countercyclical_Capital_Buffer_of_Basel_III_A_Critical_Assessment

34. Borio C., Lowe P. Asset Prices, Financial and Monetary Stability: Exploring the Nexus // BIS Working Paper. 2002. №114. [Электронный ресурс]. URL: http://www.bis.org/publ/work114.pdf

35. Guidance for National Authorities Operating the Countercyclical Capital Buffer // Basel Committee on Banking Supervision. 2010. December. [Электронный ресурс]. URL: http://www.bis.org/publ/bcbs187.pdf

36. Operationalising the Countercyclical Capital Buffer: Indicator Selection, Threshold Identification and Calibration Options // ERSB Occasional Paper Series. 2014. №5. [Электронный ресурс]. URL: http://www.esrb.europa.eu/pub/pdf/occasional/20140630_occasional_paper_5.pdf

37. Kalatie S., Laakkonen H., Tölö E. Indicators Used in Setting the Countercyclical Capital Buffer // Bank of Finland Research Discussion Paper. 2015. № 8. [Электронный ресурс]. URL: https://helda.helsinki.fi/bof/bitstream/handle/123456789/13633/BoF_DP_1508.pdf;jsessionid=2E5008712B4C963EC6DBC2C96BA98CA8?sequence=1

38. Дерюгина Е., Пономаренко А. Определение фазы кредитного цикла в реальном времени в странах с формирующимися рынками // Серия докладов об экономических исследованиях. 2017. №17. С.20. [Электронный ресурс]. URL: http://www.cbr.ru/Content/Document/File/16722/wps_17.pdf

39. Донец С., Пономаренко А. Индикаторы долговой нагрузки // Серия докладов об экономических исследованиях. 2015. № 5. С.24. [Электронный ресурс]. URL: http://www.cbr.ru/analytics/wps/wps_5.pdf

40. Донец С.А., Могилат А.Н. Кредитование и финансовая устойчивость российских промышленных компаний: микроэкономические аспекты анализа // Деньги и кредит. 2017. №7. С. 41–51.

41. Могилат А.Н., Ачкасов Ю.К., Егоров А.В., Климовец А.В., Донец С.А. Дискуссии о денежно–кредитной политике и состоянии экономики: в поисках конструктивной критики // Экономический портал. 2016. [Электронный ресурс]. URL: http://institutiones.com/general/2893-diskussii-o-denezhno-kreditnoi-politike.html

 


1) Первоначально концепция индекса ЕМР была выдвинута в 1977 г. Л.Гиртоном (Girton) и Д.Ропером (Roper), предложившими рассматривать индекс как сумму изменений золотовалютного резерва и обменного курса. Введение третьего элемента – изменение процентной ставки – предложили в 1995 г. Б.Эйхенгрин (Eichengreen), Э.Роуз (Rose) и У.Уиплош (Wyplosz).

[1] Перечень исследуемых показателей приведен на официальном сайте Центра макроэкономического анализа и краткосрочного прогнозирования. URL: http://www.forecast.ru/default.aspx

[2] Методика расчета индекса финансового стресса для Российской Федерации приведена на официальном Аналитическое кредитное рейтинговое агентств АКРА. URL: https://www.acra-ratings.ru/

[3] Методика расчета индекса финансовой стабильности для России приведена на официальном сайте Сбербанка России. URL: http://www.sberbank.ru/ru/about/analytics/macroeconomics/article?newsID=11018935-1-1&blockID=11004089&regionID=77&lang=ru&type=NEWS

1) Показатели Аr и As в формуле (5)

 

 

 

Официальная ссылка на статью:

 

Екимова Н.А. Индикаторы раннего предупреждения кризисов: в поисках новых подходов// «Вестник УрФУ. Серия экономика и управление». 2017. Том 16. №6. С.985–1002.

503
7
Добавить комментарий:
Ваше имя:
Отправить комментарий
Публикации
Пьер Безухов, несомненно, является центральным персонажем романа Л.Н.Толстого «Война и мир». И не случайно именно этот образ прорисован автором особенно тщательно. Каковы же основные качества этого человека? Можно ли считать этого героя очередным неудачником русской литературы? В чем привлекательность главного героя Льва Толстого? Каков бы жизненный девиз Пьера Безухова?
В России идет борьба за достойную зарплату научным работникам вузов и исследовательских организаций. Однако в погоне за цифрами был упущен важный момент в организации науки – наличие разветвленной системы должностных окладов. В результате научные кадры страны надолго застревают на одной должности и теряют стимулы к дальнейшему наращиванию усилий для следующего рывка. Между тем в зарубежной практике есть подходы, устраняющие названный недостаток российской системы.
В статье раскрывается опыт проект а по консолидации рейтинговых продуктов в рамках единого портала с сопутствующими сервисами для пользователей. В частности, обозначена идеология созданной открытой Интернет–площадки, раскрыта ее структура и навигация, а также созданный специальный аналитический инструментарий. Особое значение уделяется разработанному и апробированному индексу доверия всем фигурирующим на сайте рейтингам, что позволяет подойти к одному из возможных решений проблемы верификации рейтингов. Отмечен факт уязвимости предложенного аналитического инструментария верификации к манипулированию, проявляющемуся в недружественных атаках пользователей на выборочные рейтинги с простановкой им заведомо заниженного балла доверия. Показана востребованность созданного портала, которая проявляется не только в посещаемости размещенного контента, но и в публичной реакции на различные рейтинги как частных лиц, так и организаций. Кроме того, раскрыт опыт использования академических рейтингов за ряд лет для установления нежелательных тенденций и возникающих угроз на рынке экономических исследований. Продемонстрирована попытка совмещения разных рейтингов для определения степени использования образовательного и научного потенциала регионов России. Проведенные видео–интервью позволили сформулировать десять принципов разработки и использования рейтингов: нейтральности (незаинтересованности разработчика в качестве участника); плюрализма (многообразия рейтингов); длительности периода составления; совершенствования методологии разработки; открытости объекта рейтингования и ранкера; селективности (необязательности) применения и т.д. Данные принципы позволяют поднять работу ранкеров на более высокий уровень. Намечены пути использования созданного портала для коммуникации ранкеров и экспертного сообщества, налаживания конструктивного диалога между ними и совершенствования рейтингового инструментария.
Яндекс.Метрика



Loading...