rusjelRussian Journal of Economics and LawRussian Journal of Economics and Law2782-2923"TCE "Taglimat"" Ltd.10.21202/2782-2923.2024.1.70-87rusjel-2514Research ArticleРЕГИОНАЛЬНАЯ И ОТРАСЛЕВАЯ ЭКОНОМИКАREGIONAL AND BRANCH ECONOMICSИсследование вопросов прогнозирования вероятности дефолта кредитных организаций в Российской ФедерацииOn predicting the probability of default of credit organizations in the Russian Federationhttps://orcid.org/0000-0002-7706-0074ЗакироваД. Ф.ZakirovaD. F.

Закирова Диляра Фариловна, кандидат экономических наук, доцент, доцент кафедры «Менеджмент»

Web of Science Researcher ID: http://www.researcherid.com/rid/B-2971-2018

г. Санкт-Петербург

Dilyara F. Zakirova, Cand. Sci. (Economics), Associate Professor, Associate Professor of the Department of Management

Web of Science Researcher ID: http://www.researcherid.com/rid/B-2971-2018

Saint Petersburg

ZakirovaDF@gtifem.ruСанкт-Петербургский государственный технологический институт (технический университет)РоссияSaint Petersburg State Institute of Technology (Technical University)Russian Federation2024180320241817087Copyright © Закирова Д.Ф., 20242024Закирова Д.Ф.Zakirova D.F.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rusjel.ru/jour/article/view/2514

Цель: формирование модели прогнозирования неисполнения кредитными организациями своих обязательств в современных условиях функционирования банковского сектора.Методы: одномерный дисперсионный анализ, регрессионный анализ моделей бинарного выбора.Результаты: устойчивость банковской системы в современной экономике во многом оказывает влияние не только на финансовый сектор, но и экономический, инвестиционный климат в стране. Понимание степени влияния банков на состояние экономики обусловливает необходимость формирования соответствующих эффективных систем прогнозирования, позволяющих выявлять проблемные банки до того момента, когда возникнет необходимость отзыва у них лицензии. Существующая методика Банка России характеризуется субъективизмом и неточностью оценки. Анализ исследований по тематике прогнозирования дефолта банков показал наличие разнообразных подходов к методике оценки вероятности банкротства кредитных организаций, вместе с тем имеющих ряд недостатков. На основе выбора ключевых факторов, влияющих на финансовую устойчивость банка, сформирована модель логистической регрессии по прогнозированию банкротства банков. Предложенная в настоящей статье методика включает в себя пять предикторов, выделенных на основе усовершенствованной методики отбора переменных для логит-регрессии, и дополняет существующие методики.Научная новизна: разработана методика для оценки вероятности банкротства коммерческих банков в Российской Федерации, которая включает в себя пять предикторов, являющихся ключевыми при оценке финансовой устойчивости банка: рентабельность активов, удельный вес ликвидных активов в валюте баланса, удельный вес кредитного портфеля в валюте баланса, доля кредитов реальному сектору в валюте баланса, доля долгосрочных размещений в кредитном портфеле. Логистическая регрессионная модель бинарного выбора, предложенная в работе, позволяет отграничивать финансово устойчивые кредитные организации от проблемных банков с горизонтом прогнозирования в пять месяцев и классификационной точностью 88,33 %.Практическая значимость: сравнительно высокая классификационная точность полученной модели допускает возможность ее использования как Банком России при контроле за функционированием кредитных организаций, так и непосредственно руководством кредитной организации для оценки финансовой устойчивости организации и прогнозирования вероятности ее дефолта, а также при формировании стратегии развития банка.

Objective: to form a model for predicting the default of credit organizations under the modern conditions of the banking sector functioning.Methods: unidimensional analysis of variance, regression analysis of binary choice models.Results: in the modern economy, the banking system stability largely affects not only the financial sector, but also the economic and investment climate in the country. Understanding of the banks’ influence on the economy necessitates the formation of appropriate effective forecasting systems that allow identifying problem banks before revoking their licenses is necessary. The existing methodology of the Bank of Russia is characterized by subjectivity and inaccuracy of assessment. The analysis of studies on predicting bank defaults showed various approaches to the methodology of assessing the probability of credit institutions’ bankruptcy, though they have a number of shortcomings. Based on the selection of key factors affecting the bank’s financial stability, the logistic regression model for predicting bankruptcy of banks was formed. The methodology proposed in this article includes five predictors, selected on the basis of the improved methodology for selecting logit regression variables, and complements the existing methodologies.Scientific novelty: a methodology for assessing the probability of commercial banks’ bankruptcy in the Russian Federation was developed, which includes five key predictors for assessing the bank’s financial stability: return on assets, unit weight of liquid assets in the balance sheet currency, unit weight of the loan portfolio in the balance sheet currency, share of loans to the real sector in the balance sheet currency, and share of long-term placements in the loan portfolio. The logistic regression model of binary choice proposed in the paper allows distinguishing financially stable credit organizations from problem banks with a forecasting horizon of five months and a classification accuracy of 88,33 %.Practical significance: the relatively high classification accuracy of the model allows its use by the Bank of Russia in controlling the credit organizations functioning, as well as directly by the credit organization’s management, in order to assess the organization’s financial stability and to predict the default probability, as well as to form the bank’s development strategy.

региональная и отраслевая экономикабанковская системалогистическая регрессионная модельбанкротствопоказатели финансовой устойчивости кредитной организациисистема прогнозирования вероятности дефолта банкаregional and branch economicsbanking systemlogistic regression modelbankruptcyindicators of financial stability of a credit organizationthe system of forecasting the probability of bank’s defaultReferencesАль-Саади, М. Р. (2021). Разработка моделей прогнозирования финансового состояния и оценки вероятности банкротства кредитных организаций. В сб. Инновационный потенциал развития науки в современном мире: технологии, инновации, достижения: сборник научных статей по материалам V Международной научно-практической конференции (с. 97–102). Уфа.Ahangar, R. G., & Ozturk, C. (Eds.). (2019). Accounting and Finance – New perspectives on banking, financial statements and reporting. IntechOpen. https://doi.org/10.5772/intechopen.79593Богданов, В. В., Замятина, А. А. (2020). Математическая модель оценки вероятности дефолта кредитных организаций России. Экономика: вчера, сегодня, завтра, 10(4А), 121–131.Al'-Saadi, M. R. (2021). Elaboration of models for predicting financial status and evaluating the bankruptcy probability of credit organizations. In Innovative potential of science development in the modern world: collection of scientific articles by the works of the 5th International scientific-practical conference (pp. 97–102). Ufa. (In Russ.).Бурова, И. В. (2021). Построение математической модели вероятности банкротства кредитных организаций на основе бинарной логистической регрессии. Региональные проблемы преобразования экономики, 3(125), 123–129. https://doi.org/10.26726/1812-7096-2021-3-123-129Bella, F., & Radianto, W. (2021). Bankruptcy prediction of the banking sector using bankometer: comparative study based on company size. In Proceedings of the 2nd International Conference on Business and Management of Technology (ICONBMT 2020). https://doi.org/10.2991/aebmr.k.210510.051Винокурова, Т. Г. (2019). Модели прогнозирования дефолтов в банковском секторе. В сб. Саяпинские чтения: сборник материалов II Всероссийской (национальной) научно-практической конференции (с. 45–50).Bogdanov, V. V., & Zamyatina, A. A. (2020). A mathematical model for assessing the probability of default of credit organizations in Russia. Economics: Yesterday, Today and Tomorrow, 10(4А), 121–131. (In Russ.).Головань, С. А., Евдокимов, А. М., Карминский, А. М., Пересецкий, А. А. (2003). Модели вероятности дефолта российских банков. Предварительное разбиение банков на кластеры. Москва: РЭШ.Burova, I. V. (2021). Building a mathematical model of probability bankruptcy of credit institutions on the basis of binary logistic regression. Regionalnye problemy preobrazovaniya ehkonomiki, 3(125), 123–129. (In Russ.). https://doi.org/10.26726/1812-7096-2021-3-123-129Головань, С. В., Евдокимов, М. А., Карминский, А. М., Пересецкий, А. А. (2004). Модели вероятности дефолта российских банков. II. Влияние макроэкономических факторов на устойчивость банков. Препринт # WP/2004/043 R. Москва: РЭШ.Calabrese, R., & Giudici, P. (2013). Estimating bank default with generalised extreme value models. DEM Working Paper Series, 35. http://economiaweb.unipv.it/wp-content/uploads/2017/06/DEMWP0035.pdfДавнис, В. В. (2005). Прогнозные модели экспертных предпочтений: монография. Воронеж: ВГУ.Chelyshev, D. S. (2019). Modelling of Russian banks’ probability of default. Business. Education. Law, 2(47), pp. 262–266. (In Russ.).Доронин, Б. А., Уруджова, Л. Б. (2019). Разработка новой методики прогнозирования финансовой несостоятельности банка. Академическая публицистика, 11, 97–99.Davnis, V. V. (2005). Prognostic models of expert preferences: monograph. Voronezh: Voronezh State University. (In Russ.).Емельянов, А. М., Брюхова, О. О. (2013). Оценка вероятности банкротства. Финансы и кредит, 27(555), 47–58.Doronin, B. A., & Urudzhova, L. B. (2019). Elaboration of a new methodology for predicting financial insolvency of a bank. Akademicheskaya publitsistika, 11, 97–99. (In Russ.).Еримизина, М. И., Еримизина, Е. Н. (2017). Методические основы оценки вероятности банкротства. Символ науки, 04-1, 94–100.Emelyanov, A. M., & Bryukhova, O. O. (2013). Estimating the probability of bankruptcy. Finance and Credit, 27(555), 47–58. (In Russ.).Закирова, Д. Ф., Вафин, И. А. (2018). Исследование факторов, влияющих на вероятность банкротства кредитных организаций. Казанский экономический вестник, 1(33), 59–63.Erimizina, M. I., & Erimizina, E. N. (2017). Methodological bases for estimating the probability of bankruptcy. Symbol of Science, 04-1, 94–100 (In Russ.).Зубарев, А., Бекирова, О. (2020). Анализ банковских дефолтов 2013–2019 годов. Экономическая политика, 15(3), 106–133. https://doi.org/10.18288/1994-5124-2020-3-106-133Garcia-Almanza, A. L., Alexandrova-Kabadjova, B., & Martinez-Jaramillo, S. (2022). Bankruptcy prediction for banks: an artificial to improve understandability. In Artificial Intelligence, Evolutionary Computing and Metaheuristics (Vol. 427, pp. 633–656).Иванов, В. В., Федорова, Ю. И. (2015). Проблемы подбора показателей для оценки дефолта кредитной организации. В сб. Теоретические и практические аспекты развития современной науки: материалы XV Международной научно-практической конференции (с. 83–89). Научно-информационный издательский центр «Институт стратегических исследований».Golovan, S. A., Evdokimov, A. M., Karminskii, A. M., & Peresetskii, A. A. (2003). Models of the probability of default of the Russian banks. Preliminary division of the banks into clusters. Moscow: New Economic School. (In Russ.).Калицкая, В. В., Рыкалина, О. А., Баландина, Я. А. (2022). Методики оценки вероятности банкротства и несостоятельности кредитных организаций и предприятий. StudNet, 6, 6609–6620.Golovan, S. V., Evdokimov, M. A., Karminskii, A. M., & Peresetskii, A. A. (2004). Models of the probability of default of the Russian banks. II. Influence of macroeconomic factors on the banks’ stability. Preprint# WP/2004/043 R. Moscow: New Economic School. (In Russ.).Каминский, А. М., Костров, А. В., Мурзенков, Т. Н. (2012). Моделирование вероятности дефолта российских банков с использованием эконометрических методов. Москва.Ishak, A. A., & Mongid, A. (2020). Determinants of bankruptcy banking after the global financial crisis (GFC): theoretical review. IPTEK Journal of Proceedings Series, 1, 243–248. http://dx.doi.org/10.12962/j23546026.y2020i1.7858Касьянова, М. А., Пекарская, О. А., Саитгареева, Л. Ф. (2020). К вопросу о прогнозировании банкротства кредитной организации. Успехи современной науки и образования, 4(5), 26–31.Ivanov, V. V., & Fedorova, Yu. I. (2015). Problems of selecting indicators for estimating a default of a credit organization. In Theoretical and practical aspects of modern science development: works of the 15th International scientific-practical conference (pp. 83–89). Nauchno-informatsionnyi izdatel'skii tsentr “Institut strategicheskikh issledovanii” (In Russ.).Клаас, Я. А., Клаас, Т. А. (2018). Идентификация факторов риска банкротства кредитных организаций и их моделирование. Финансы и кредит, 24(1), 19–32. https://doi.org/10.24891/fc.24.1.19Jo, K. Choi, G., Jeong, J., & Ahn, K. (2022). Forecasting bank default with the Merton Model: the case of US bank. In International Conference in Computational Science – ICCS 2022. 15 June 2022 (pp. 682–691). https://doi.org/10.1007/978-3-031-08751-6_49Косорукова, И. В., Братанов, А. А. (2021). Оценка финансовой устойчивости банка на основе риск ориентированного подхода. Проблемы теории и практики управления, 2, 117–137. https://doi.org/10.46486/0234-4505-2021-2-117-137Kahn, C., & Papanikolaou, N. (2013, April). What problem banks reveal about future financial distress: Evidence from the late 2000s financial crisis. SSRN Electronic Journal. https://www.researchgate.net/publication/228202404_What_Problem_Banks_Reveal_About_Future_Financial_Distress_Evidence_from_the_Late_2000s_Financial_CrisisМартыненко, Н. Н., Терещенко, Л. Г. (2019). Диагностика банкротства коммерческих банков: отработка механизмов расчетов. Финансовые рынки и банки, 1, 45–49.Kalitskaya, V. V., Rykalina, O. A., & Balandina, Ya. A. (2022). Methodologies for assessing the probability of bankruptcy and inconvention of credit organizations and enterprises. StudNet, 6, 6609–6620. (In Russ.).Мацулевич, Р. М. (2014). Методы прогнозирования вероятности банкротства кредитной организации. Международный научно-исследовательский журнал, 3-3(22), 48–50.Kaminskii, A. M., Kostrov, A. V., & Murzenkov, T. N. (2012). Modeling the probability of default of the Russian banks with econometric methods. Moscow. (In Russ.).Орешко, И. И., Савина, И. А. (2019). Оценка вероятности банкротства российских банков. Экономика и управление в XXI веке: тенденции и развитие, 26, 139–142.Kasyanova, M. A., Pekarskaya, O. A., & Saitgareeva, L. F. (2020). On predicting a bankruptcy of a credit organization. Uspekhi sovremennoi nauki i obrazovaniya, 4(5), 26–31. (In Russ.).Пересецкий, А. А. (2013). Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов. Прикладная эконометрика, 2(30), 49–64.Klaas, Ya. A., & Klaas, T. A. (2018). Identification of Risk Factors of Bankruptcy of Credit Institutions and Their Modelling. Finance and Credit, 24(1), 19–32. (In Russ.). https://doi.org/10.24891/fc.24.1.19Радионова, М. В., Приступина, Ю. В. (2019). Моделирование вероятности дефолта российских банков. Финансы и кредит, 25(6) (786), 1336–1352. https://doi.org/10.24891/fc.25.6.1336Kolari, J., Glennon, D., Shin, H. & Caputo, M. (2020, January). Predicting large U.S. Commercial Failures. OCC Economics Working Paper.Салахетдинова, Г. А. (2021). Теоретические исследования об инструментарии оценки банкротства кредитных организаций. Аудиторские ведомости, 3, 134–137.Kosorukova, I., & Bratanov, A. (2021). Assessment of the bank’s financial stability based on a risk-based approach. Theoretical and practical aspects of Management, 2, 117–137. (In Russ.). https://doi.org/10.46486/0234-4505-2021-2-117-137Синельникова-Мурылева, Е., Горшкова, Т., Макеева, Н. (2018). Прогнозирование дефолтов в российском банковском секторе. Экономическая политика, 13(2), 8–27. https://doi.org/10.18288/1994-5124-2018-2-01Lanine, G., & Vennet, R. (2006). Failurej8. https://doi.org/10.1016/j.eswa.2005.10.014Соловьева, Н. Н. (2020). Прогнозирование банкротства коммерческого банка в системе управления финансовыми рисками. В сб. Экономика в теории и практике: актуальные вопросы и современные подходы: сборник статей IV Международной научно-практической конференции (с. 213–215). Пенза.Macedo, S., & Jose, M. (2019). Bankruptcy prediction models for banks using camel factors. Tilburg University.Челышев, Д. С. (2019). Моделирование вероятности дефолта российских банков. Бизнес. Образование. Право, 2(47), 262–266.Martin, D. (1977). Early Warning of Bank Failure: A Logit Regression Approach. Journal of Banking & Finance, 1(3), 249–276.Шуба, Н. А. (2022). Вероятность дефолта кредитной организации: сигнальные показатели несостоятельности и их оценка. Научный альманах Центрального Черноземья, 1-2, 237–240.Martynenko, N. N., & Tereshchenko, L. G (2019). Bankruptcy diagnostics commercial banks: refinement of the settlement mechanism. Financial Markets and Banks, 1, 45–49. (In Russ.).Яшина, Н. И., Макарова, С. Д., Макаров, И. А., Отделкина, А. А. (2017). Прогнозирование дефолта коммерческих банков на основе вероятностной модели. Экономический анализ: теория и практика, 16(12), 2376–2391. https://doi.org/10.24891/ea.16.12.2376Matsulevich, R. M. (2014). Methods of predicting the probability of a bankruptcy of a credit organization. Mezhdunarodnyi nauchno-issledovatel'skii zhurnal, 3-3(22), 48–50. (In Russ.)Ahangar, R. G., & Ozturk, C. (Eds.). (2019). Accounting and Finance – New perspectives on banking, financial statements and reporting. IntechOpen. https://doi.org/10.5772/intechopen.79593Nagel, S., & Purnanandam, A. (2020). Banks’ risk dynamics and distance to default. The Review of Financial Studies, 33(6), 2421–2467. https://doi.org/10.1093/rfs/hhz125Bella, F., & Radianto, W. (2021). Bankruptcy prediction of the banking sector using bankometer: comparative study based on company size. In Proceedings of the 2nd International Conference on Business and Management of Technology (ICONBMT 2020). https://doi.org/10.2991/aebmr.k.210510.051Oreshko, I. I., & Savina, I. A. (2019). Estimating the probability of bankruptcy of the Russian banks. Economica i upravlenie v XXI veke: tendentsii i razvitie, 26, 139–142. (In Russ.).Calabrese, R., & Giudici, P. (2013). Estimating bank default with generalised extreme value models. DEM Working Paper Series, 35. http://economiaweb.unipv.it/wp-content/uploads/2017/06/DEMWP0035.pdfPeresetskii, A. A. (2013). Models of reasons for retrieving licenses of the Russian banks. Impact of unaccounted factors. Applied Econometrics, 2(30), 49–64. (In Russ.).Garcia-Almanza, A. L., Alexandrova-Kabadjova, B., & Martinez-Jaramillo, S. (2022). Bankruptcy prediction for banks: an artificial to improve understandability. In Artificial Intelligence, Evolutionary Computing and Metaheuristics (Vol. 427, pp. 633–656).Radionova, M. V., & Pristupina, Yu. V. (2019). Modeling the probability of default of Russian banks. Finance and Credit, 6(786), 1336–1352. (In Russ.). https://doi.org/10.24891/fc.25.6.1336Ishak, A. A., Mongid, A. (2020). Determinants of bankruptcy banking after the global financial crisis (GFC): theoretical review. IPTEK Journal of Proceedings Series, 1, 243–248. http://dx.doi.org/10.12962/j23546026.y2020i1.7858Salakhetdinova, G. A. (2021). Theoretical studies on the tools for assessing the bankruptcy of credit institutions. Audit Journal, 3, 134–137. (In Russ.).Jo, K. Choi, G., Jeong, J., & Ahn, K. (2022). Forecasting bank default with the Merton Model: the case of US bank. In International Conference in Computational Science – ICCS 2022. 15 June 2022 (pp. 682–691). https://doi.org/10.1007/978-3-031-08751-6_49Shuba, N. A. (2022). Probability of default of a credit institution: signal indicators of insolvency and their assessment. Nauchnyi al'manakh Tsentral'nogo Chernozem'ya, 1-2, 237–240. (In Russ.).Kahn, C., & Papanikolaou, N. (2013, April). What problem banks reveal about future financial distress: Evidence from the late 2000s financial crisis. SSRN Electronic Journal. https://www.researchgate.net/publication/228202404_What_Problem_Banks_Reveal_About_Future_Financial_Distress_Evidence_from_the_Late_2000s_Financial_CrisisShumway, T. (2001). Forecasting bankruptcy more accurately: a simple hazard model. The Journal of Business, 74(1), 101–124. https://doi.org/10.1086/209665Kolari, J., Glennon, D., Shin, H. & Caputo, M. (2020, January). Predicting large U.S. Commercial Failures. OCC Economics Working Paper.Sinelnikova-Muryleva, E. V., Gorshkova, T. G., & Makeeva, N. V. (2018). Default Forecasting in the Russian Banking Sector. Economic Policy, 13(2), 8–27. (In Russ.). https://doi.org/10.18288/1994-5124-2018-2-01Lanine, G., & Vennet, R. (2006). Failure prediction in the Russian bank sector with logit and trait recognition models. Expert Systems with Applications, 30(3), 463–478. https://doi.org/10.1016/j.eswa.2005.10.014Solovyeva, N. N. (2020). Predicting the bankruptcy of a commercial bank in the system of financial risks management. In: Economics in theory and practice: topical issues and modern approaches: collection of works of the 4th International scientific-practical conference (pp. 213–215). Penza. (In Russ.).Macedo, S., & Jose, M. (2019). Bankruptcy prediction models for banks using camel factors. Tilburg University.Vinokurova, T. G. (2019). Model of predicting defaults in the banking sector. In Sayapinskiye chteniya: collection of works of the 2nd All-Russia (national) scientific-practical conference (pp. 45–50). (In Russ.).Martin, D. (1977). Early Warning of Bank Failure: A Logit Regression Approach. Journal of Banking & Finance, 1(3), 249–276.Yashina, N. I., Makarova, S. D., Makarov, I. A., & Otdelkina, A. A. (2017). Forecasting the Commercial Bank Default Based on a Probabilistic Model. Economic Analysis: Theory and Practice, 16(12), 2376–2391. (In Russ.). https://doi.org/10.24891/ea.16.12.2376Nagel, S., & Purnanandam, A. (2020). Banks’ risk dynamics and distance to default. The Review of Financial Studies, 33(6), 2421–2467. https://doi.org/10.1093/rfs/hhz125Zakirova, D. F., & Vafin, I. A. (2018). Study of factors influencing bankruptcy probability of credit organizations. Kazanskii Ehkonomicheskii Vestnik, 1(33), 59–63. (In Russ.).Shumway, T. (2001). Forecasting bankruptcy more accurately: a simple hazard model. The Journal of Business, 74(1), 101–124. https://doi.org/10.1086/209665Zakirova, D. F., Panteleev, D. S., & Zakirova, E. F. (2018). Estimating bankruptcy probability of credit organizations. International Transaction Journal of Engineering Management & Applied Sciences & Technologies, 9(4), 307–315.Zakirova, D. F., Panteleev, D. S., & Zakirova, E. F. (2018). Estimating bankruptcy probability of credit organizations. International Transaction Journal of Engineering Management & Applied Sciences & Technologies, 9(4), 307–315.Zakirova, D. F., Zakirova, E. F., & Potapova, E. A. (2019). Formation of a method for determination of a commercial credit bank rating. International Journal of Emerging Technologies, 10(2a), 129–132.Zakirova, D. F., Zakirova, E. F., & Potapova, E. A. (2019). Formation of a method for determination of a commercial credit bank rating. International Journal of Emerging Technologies, 10(2a), 129–132.Zhao, H., Sinha, A., & Ge, W. (2009). Effects of feature construction on classification performance: An empirical study in bank failure prediction. Expert Systems with Applications, 36, 2633–2644. https://doi.org/10.1016/j.eswa.2008.01.053Zhao, H., Sinha, A., & Ge, W. (2009). Effects of feature construction on classification performance: An empirical study in bank failure prediction. Expert Systems with Applications, 36, 2633–2644. https://doi.org/10.1016/j.eswa.2008.01.053Zubarev, A., & Bekirova, O. (2020). Analysis of Bank Default Factors in 2013–2019. Economic Policy, 15(3), 106–133. https:// doi.org/10.18288/1994-5124-2020-3-106-133

The authors declare that there are no conflicts of interest present.