Экономико- академический математический университет институн ран гуманитарных наук




НазваниеЭкономико- академический математический университет институн ран гуманитарных наук
страница1/18
Дата09.10.2012
Размер2.69 Mb.
ТипИсследование
  1   2   3   4   5   6   7   8   9   ...   18





ЦЕНТРАЛЬНЫЙ ГОСУДАРСТВЕННЫЙ

ЭКОНОМИКО- АКАДЕМИЧЕСКИЙ МАТЕМАТИЧЕСКИЙ УНИВЕРСИТЕТ

ИНСТИТУН РАН ГУМАНИТАРНЫХ НАУК


СБОРНИК РАБОТ ВЫПУСКНИКОВ ЭКОНОМИЧЕСКОГО ФАКУЛЬТЕТА ГУГН


МОСКВА

2009


СОДЕРЖАНИЕ


СТАТЬИ……………………………………………………………………………………………...3


Буравлев С.В. Рейтинговая оценка банка и методика ее применения, основанная на модели множественного выбора………………………………….…………………………………………3

Гурова А.Д. Оценка эффективности влияния финансирования НИОКР на инновационное развитие…………………………………………………………………………………...………...11

Лактионов В.В. Исследование состояния и перспектив российского рынка автомобильных топлив……………………………………………………………………………………………….20

Тимофеева Н.Ю. Моделирование перераспределения рисков квотно-пропорционального перестрахования….……………………………………… ………………………………………32

Хрусталева Е.А. Анализ репутации фирмы в современных условиях…………………………41

АННОТАЦИИ ДИПЛОМНЫХ РАБОТ…………………………………………………


Баурина М.А. Теоретические подходы к управлению компанией на базе показателя стоимости………………………………………………………………………………………….49

Бубенина Е. Ю. Повышение результативности деятельности компаний с помощью слияния и поглощения на примере отечественных торговых фирм………………………………………52

Буравлев С.В.Анализ методик оценки банковских рейтингов…..…………………………….55

Гамбурцева Е. Г.Прямые иностранные инвестиции и аутсорсинг как варианты международного сотрудничества и их последствия для принимающих экономик………….59

Гурова А.Д. Оценка эффективности влияния финансирования НИОКР на инновационное развитие.…………………………………………………………………………………………...63

Камалетдинова Р.Р. Организация и управление банковским кредитным риском…………66

Касьян К.А. Анализ состояния и пути совершенствования нормирования труда работников предприятия.………………………………………………………………………………………70

Кузин Д. А.Анализ и моделирование экономических показателей сельскохозяйственного производства на примере России и США за период 1991-2006 гг.……………………………72

Лактионов В.В. Исследование состояния и перспектив российского рынка автомобильных топлив…………………………………………………………………………………………….76

Липовая Д.Ю. Банкротство (несостоятельность) предприятия. Проблемы прогнозирования………………………………………………………………………………….78

Лукьянова Н. Ф. Оценка эффективности внедрения гибридных форм организации в высокотехнологичных отраслях…………………………………………………………………81

Максимова В.В. Вступление в ВТО и догоняющее экономическое развитие……………….84

Нарушева Е.Е Оценка потенциальной стоимости компании при первичном публичном размещении акций компании на российских и зарубежных фондовых биржах……………...87

Ованесов С.А. Теоретические и практические аспекты развития франчайзинга в России...90

Оводкова Ю.Р. Оценка банковских рисков кредитования физических лиц на основе скорринговых моделей …………………………………………………………………………..92

Пшенников А.А. Имитационная модель оценки деятельности социально-производственного комплекса………………………………………………………………………………………...95

Сероугольников Д.Ю. Организационный кризис и его предотвращение……………99

Стёганцева В.А. Рынок ипотечного кредитования в России: структура и перспективы его развития…………………………………………………………………………………………..102

Тимофеева Н.Ю. Моделирование перераспределения рисков квотно-пропорционального перестрахования.………………………………………………………………………………...106

Трифонова Э.Р. Оценка эффективности инвестиционных проектов………………………108

Тришкина М.И. Возможности совершенствования развития экономики регионов на базе создания кластерных структур (на примере Республик Бурятия и Саха (Якутия))………...112

Шварцман М.Л. Стратегия оптимизации налоговой базы по операциям с финансовыми инструментами срочных сделок….…………………………………………………………….115

Хрусталева Е.А. Анализ репутации фирмы в современных условиях……………………..118

Якунина Н. В. Влияние стратегических альянсов в сфере авиаперевозок на пассажиропоток……………………………………………………………………………….....121

Ярмош О.А. Оценка влияние внедрения информационных технологий на развитие российской экономики ………………………………………………………………………….125


АННОТАЦИИ БАКАЛАВСКИХ РАБОТ……………………………………………………….128


Андреасян М.Г. Факторы, влияющие на выгодность инвестиций в человеческий капитал в России…………………………………………………………………………………………….128

Белокур А.С. Роль экономических кластеров в развитии региональной промышленной политики………………………………………………………………………………………….130

Ким А.Д. Анализ политики занятости в России и странах ЦВЕ…………………………….134

Кулешов В.Г. Структурный анализ развития регионов России……………………………..137

Мелина И.В. Анализ факторов, влияющих на неоднородность человеческого капитала на российском рынке труда………………………………………………………………………...138

Плахова И.М. Оценка и межстрановый анализ общей производительности факторов………………………………………………………………………………………….140


СТАТЬИ


Буравлев С.В.


РЕЙТИНГОВАЯ ОЦЕНКА БАНКА И МЕТОДИКА ЕЕ ПРИМЕНЕНИЯ, ОСНОВАННАЯ НА МОДЕЛИ МНОЖЕСТВЕННОГО ВЫБОРА


Необходимость повышения устойчивости банковских систем в крупнейших странах мира и мировой банковской системы в целом привела к созданию центральными банками развитых стран Базельского комитета, призванного выработать принципы регулирования надзорными органами основы управления банковским сообществом и механизмов снижения уровней риска самими банками.

Принятое летом 2004 года Новое Базельское соглашение (Базель II) ориентировано на повышенное внимание к внутрибанковским методологиям управления рисками, контроля за ними и повышение на этой основе рыночной дисциплины, гибкость при выборе подходов и методик, стимулирование совершенствования управления рисками, большую чувствительность к рискам используемых методик и подходов.

Принципиальным отличием Базель II от предыдущих подходов является признание возможности использования внутренних рейтинговых оценок банков (Internal Rating Based Approach, IRB-подход). Помимо этого как внешние, так и внутренние рейтинговые оценки приобретают дополнительное значение для целей надзорных органов в системах раннего предупреждения. Внешние рейтинги существуют не для всех хозяйствующих субъектов. Особенно это актуально для России. Поэтому важным является исследование факторов, характеризующих модели рейтингов банков, определяющих надежность и, косвенно, вероятность дефолта банков.

Рейтинговая оценка банка – это методика комплексного анализа финансового состояния банка и его возможностей отвечать по своим обязательствам. Результатом такой оценки является рейтинг. Система рейтингов в современной экономике используется для различных целей, в числе которых можно указать на:

  • создание объективной меры риска, принятой как на международном, так и на национальном уровне;

  • содействие большему взаимопониманию между заемщиками и кредиторами, что уменьшает асимметрию информации и снижает издержки мониторинга;

  • формирование связующего звена между внутренними кредитными моделями оценки риска и оценками независимых агентств;

  • создание базы для статистического оценивания вероятностей дефолта;

Имеющихся рейтингов международных и национальных рейтинговых агентств недостаточно для решения многих вопросов, таких как обеспечение раннего предупреждения негативных результатов деятельности банка, дистанционная оценка банка для принятия решения о возможностях и размерах совместного бизнеса, оценка рисков при выдаче кредитов.

Анализ используемых в настоящее время в России методик в сфере составления рейтингов демонстрирует некоторую ограниченность в методологическом плане: так при выставлении комплексной рейтинговой оценки методики порой не учитывают многие факторы, влияющие на функционирование объектов. Не совсем корректно и необоснованно используются те или иные методы анализа, которые зачастую дают спорные выводы относительно некоторых показателей при принятии стратегически важных решений.

Под термином «рейтинговая оценка» обычно понимается место организации в классификации либо упорядочении, проведенном на основе какого-либо признака. То есть рейтинговая оценка – это место предприятия в классификации, полученной в ходе осуществления рейтинговой процедуры, в зависимости от которой обычно проводится различие между двумя типами рейтингов: упорядоченным и классификационным [15].

Упорядоченным рейтингом, или рэнкингом, или рейтингом рангового типа, называют ранжирование участников по убыванию или возрастанию какого-либо конкретного показателя или группы показателей. При проведении такого рейтинга используются стандартные методы ранжирования совокупности объектов. Основной методологической сложностью в данном случае является отбор наиболее информативных данных и трансформация разнородных показателей в интегральный рейтинг, по которому и будет производиться ранжирование.

Среди банковских рэнкингов популярны списки нескольких показателей, ранжированные по одному из них [12]. К таким показателям часто относят характеристики масштаба субъекта – капитал, капитализацию, активы, обороты хозяйственной деятельности и т.д. Также популярны оценки прибыли, рентабельности, доходности (капитала, активов, вложений в соответствующий вид деятельности и т.д.). Это объясняется как большей доступностью и относительной прозрачностью отчетности кредитных учреждений, так и острым общественным интересом, проявляемым к банковским услугам. Имеются случаи, когда расчет показателя в таких рэнкингах проводится с методологическими ошибками, вызывая протесты банков, которые представлены в невыгодном свете. Списки (рэнкинги) составляются информационными агентствами, как правило, на основе балансовых показателей банков. Такие списки, обладающие определенной наглядностью, особенно популярны в средствах массовой информации.

Классификационным (неупорядоченным) рейтингом принято считать позицию участника на определенной рейтинговой шкале. Другими словами, при построении рейтинга классификационного типа исследователь должен определить, к какому из заранее заданных либо определяемых в ходе проведения рейтингования классов можно отнести объект рейтингования. При построении рейтинга данного типа обычно проводится глубокий качественный и количественный анализ деятельности предприятия, используются методы многомерной классификации.

Технология формирования рейтинга [12] обычно включает в себя создание модели состояния и поведения хозяйствующего субъекта, формирование на основе модели показателей финансовой устойчивости, определение источников информации, которые обеспечивают получение необходимых показателей с заданной периодичностью, определение уровня финансовой устойчивости и кредитоспособности субъекта, отображение оценки состояния хозяйствующего субъекта на рейтинговую шкалу, присвоение ему рейтинга и распространение его как информационного продукта.

Присвоение рейтинга экономическому субъекту дает ему ряд преимуществ перед другими субъектами. Кредитный и прочие рейтинги снижают стоимость заимствований, так как, с точки зрения инвесторов риск взаимодействия с контрагентом снижается с неопределенно высокого до зафиксированного на понятном для них уровне. Рейтинг расширяет круг потенциальных инвесторов за счет консервативных участников рынка капитала, имеющих ограничения на уровень риска по финансовым вложениям, способствует росту известности компании и ее долговых обязательств за счет распространения информации по каналам рейтингового агентства, демонстрирует намерения эмитента строить свои отношения с инвесторами на принципах информационной открытости в соответствии с международными стандартами [14].

С другой стороны, достоверность рейтинга во многом зависит от достоверности информации, которая используется агентствами в рамках методики его определения, важна также частота пересмотра рейтинга. Критерии оценки не всегда известны пользователю. Это обстоятельство не всегда позволяет обеспечить однозначную трактовку рейтинга. Также существует проблема сопоставимости рейтингов, выставленных одному и тому же банку несколькими рейтинговыми агентствами.

В методологическом плане выделяются два основных подхода к построению комплексных рейтинговых оценок: бухгалтерский (балансовый) подход и экспертный подход.

Экспертный подход основан на данных, полученных в ходе опроса экспертов, которым предлагается оценить исследуемый банк либо набор банков на основе опыта, квалификации и анализа количественной и качественной информации, имеющейся в их распоряжении. Использование экспертного подхода к построению рейтингов позволяет при определенных условиях выявить все нюансы и учесть неколичественную информацию, что, в конечном счете, дает возможность получить адекватную картину сложившейся ситуации. Однако использование данного метода сопряжено с рядом трудностей, таких, как недостаток информации, проблема компетентности экспертов, влияние субъективных факторов на оценку специалиста, сложность организации работы группы экспертов, недостаток адекватных оценочных систем, несовершенство технологий проведения экспертиз и методов обработки информации, а также относительная дороговизна подобных исследований. Используемые международными рейтинговыми агентствами процедуры [19, 20] достаточно схожи и включают экспертный (очный) этап, предусматривающий встречу экспертов с руководством оцениваемой компании (банка).

Типичным примером экспертного подхода для выставления рейтинга является надзорная банковская рейтинговая система CAMEL. Такого рода системы используются уже около двух десятилетий для экспертных проверок. Система CAMEL является инструментом для оценки деятельности финансовых учреждений при определения необходимости усиления надзора за этими финансовыми институтами. В качестве базовых факторов оценки в системе CAMEL приняты Capital (достаточность капитала), Assets quality (качество активов), Management (управление банком), Earnings (доходы), Liquidity (ликвидность).

Бухгалтерский подход предполагает, что при построении рейтинговой оценки банка исследователь использует доступные ему данные финансовой отчетности. На их основе он рассчитывает необходимые показатели, а затем, используя различные методы статистической обработки данных, вычисляет комплексный рейтинг исследуемой организации либо производит ранжирование объектов. Хотя оценка, полученная таким образом, является объективной, она может не совсем полно отражать реальную экономическую ситуацию, поскольку базируется только на данных финансовой отчетности и не учитывает многие качественные показатели деятельности предприятия. Бухгалтерский подход часто используется при дистанционной оценке рейтинга.

Рейтингом, основанным на дистанционном анализе бухгалтерской отчетности, является рейтинг динамической финансовой стабильности, предложенный в работах [2, 10].

Концептуальная задача рейтинга динамической финансовой стабильности (РДФС) состоит в том, чтобы объединить анализ состояния субъекта по внешним и внутренним показателям с апостериорными результатами его рыночной деятельности. В предложенном подходе обеспечены учет изменений конъюнктуры и историчность оценок за счет анализа результатов деятельности в течение года.

Концепция РДФС имеет следующие основные компоненты:

  1. Внутреннее состояние хозяйствующего субъекта определяется на основе анализа измеримых (объективных) показателей, построенных путем группировки и расчета по регулярной и доступной финансовой отчетности («внутренний» рейтинг).

  2. Положение данного субъекта по отношению к другим субъектам в соответствующем секторе экономики (профессиональном и региональном) определяется путем анализа доли основных показателей субъекта в системе данного сектора рынка («внешний» рейтинг).

  3. Совместная оценка внутреннего состояния субъекта и внешнего положения субъекта в экономической системе – рейтинг динамической финансовой стабильности.


Особенностями формирования РДФС являются определение динамики и тенденций изменения состояния субъекта путем расчета и анализа показателей за целый ряд отчетных дат, которые охватывают период времени, достаточный для анализа ситуации и принятия решений; учет снижения значимости более старых показателей при анализе динамики проводится за счет снижения их влияния на текущее состояние и положение субъекта, т.е. реализуется постепенное и частичное уменьшение влияния более старых значений; анализ динамики доли субъекта в системе предполагает полноту информации, т.е. формирование и использование баз данных, которые охватывают всех субъектов данного сектора экономики; акцент на взаимодействие банков с реальным сектором экономики при выборе показателей.

Наиболее известной в России дистанционной методикой в 90-е гг. была методика В.С. Кромонова, основанная на балансовом подходе и опубликованная впервые в 1993 году в журнале «Коммерсант» (№10, с.13, №12, с.10). В методике используется шесть коэффициентов, характеризующих различные аспекты деятельности коммерческого банка, которым впоследствии придаются веса. Общая формула надежности (сводный показатель надежности N) выглядит следующим образом:

(1.1)

При анализе данной методики возникает достаточно много вопросов. Выбор критериев надежности и определение значения весовых коэффициентов недостаточно обоснованны, неясен механизм формирования оценочной функции, используемый в настоящей методике.

Одним из направлений бухгалтерского подхода является моделирование рейтингов с помощью эконометрических моделей. Существует несколько подходов для моделирования рейтингов. Обзор зарубежных и отечест­венных подходов к построению моделей рейтингов дан в работах (Altman and Saunders, 1998), (Карминский и др., 2004), где систематизированы методы построения моделей рейтингов и вероятности дефолта, а также в работе (Карминский, Пересецкий и др., 2005), где построены эконометрические модели рейтингов для российских банков.

Поскольку рейтинг является качественной порядковой переменной, то естественным выбором для изучения рейтингов являются модели множественного выбора (ordered probit, logit) [1, 5, 11], которая позволяет моделировать зависимость между переменной, определяющей более двух возможных состояний характеризуемого объекта, и одной или более объясняющими переменными. Данный тип модели основывается на введении некоторой ненаблюдаемой (латентной) переменной , изменяющейся от - до со и порождающей наблюдаемую зависимую переменную у.

С помощью модели множественного выбора нами было проведено моделирование рейтингов надежности банков, присвоенных банкам Москвы Информационным центром «Рейтинг». В качестве объясняющих переменных были взяты различные финансовые показатели, рассчитанные на основе данных за 2002 и 2004 год. Данные были взяты из демо-версии Электронной информационно-аналитической системы «Банки и финансы» агентства «Мобиле». При оценке рейтингов использовались поквартальные данные за аналогичный период. Проверка устойчивости моделей производилась для данных за 2002 год и первый квартал 2004 года. Тестирование качества полученных моделей и выявление их прогностической силы производилось на данных за второй, третий и четвертый кварталы 2004 года.

В процессе работы было получено несколько моделей. Лучшая из класса моделей множественного выбора выбиралась по совокупности следующих критериев:

  • значимость большинства показателей на 15% уровне,

  • присутствие в модели показателей, соответствующих основным компонентам методики CAMEL

  • информационный критерий Акаике (Akaike info criterion, чем меньше значение данного критерия, тем лучше качество модели),

  • аналог коэффициента детерминации в модели множественного выбора – Pseudo R2. Считается, что ем выше значение Pseudo R2, тем лучше объяснена модель,

  • критерий качества прогноза (expectation-prediction).

Отвечающей в наибольшей степени всем вышеизложенным критериям оказалась следующая модель.

Таблица 1

Спецификация базовой модели

Зависимые переменные (Позиция методики CAMEL)

Базовая модель

Coefficient

Prob.

DKE_VB (Отношение долгосрочных кредитов экономике к валюте баланса)

A

1.36

0.01

LOG_SK (Логарифм величины собственного капитала)

C

-0.71

0.00

DOSTKAP (Достаточность капитала)

C

0.018

0.00

LA_VB (Отношение ликвидных активов к валюте баланса)

L

-1.71

0.00

TEKLIQ (Текущая ликвидность)

L

0.009

0.00

BP_SK (Отношение балансовой прибыли к собственному капиталу)

E

0.79

0.083

NCB_VB (Отношение негосударственных ценных бумаг к валюте баланса)

E/M

2.64

0.00

GDO_VB (Отношение государственных долговых обязательств к валюте баланса)

E/M

-4.74

0.00













Akaike info criterion




1.51




LR - статистика




565.07




Pseudo-R2




0.3














Прогноз для моделей, полученных с помощью модели множественного выбора, был сделан для второго, третьего и четвертого кварталов 2004 года. Для сравнение прогнозных и фактических значений рейтингов была использована следующая формула:

, (4.6)

где R – рейтинг ИЦ «Рейтинг».

– прогноз рейтинга с помощью полученных моделей.

Положительная разница говорит о том, что прогноз рейтинга завышен по отношению к рейтингу ИЦ «Рейтинг», а отрицательная – о том, что прогноз рейтинга занижен

Результаты сравнения прогнозных и реальных значений рейтингов было сведено в таблицу 2.

Таблица 2

Прогнозная сила модели и ее модификаций

ПРЕДСКАЗАТЕЛЬНАЯ СИЛА МОДЕЛИ

ОШИБКА

|Δ|≤1

ВСЕГО МОДЕЛИРУЕМЫХ СОБЫТИЙ

-3

-2

-1

0

1

2

Базовая модель

0

3

50

218

77

6

345

354

Модель, учитывающая влияние тренда

0

9

63

241

41

0

345

354

Модель, учитывающая обменный курс (рубль-доллар)

0

5

52

229

64

4

345

354

Модель, учитывающая индекс реального ВВП с поправкой на сезонность (GDP/SA)

0

8

58

244

44

0

346

354

Модель, учитывающая индекс РТС

0

7

54

242

49

2

345

354

Модель, учитывающая коэффициент покрытия экспорта импортом (EX/IM)

0

5

52

232

62

3

346

354

Model, учитывающая EX/IM и GDP/SA

0

28

89

227

8

0

324

354

Модель с порядковыми переменными

5

5

59

242

43

0

344

354

Модель в нормированных шкалах

0

9

59

243

43

0

345

354

ДОЛЯ ВЕРНЫХ ПРОГНОЗОВ И ПРОГНОЗОВ С ОШИБКОЙ




ОШИБКА

|Δ|≤1




-3

-2

-1

0

1

2

Модель, учитывающая влияние тренда

0

0,85

14,1

61,58

21,8

1,69

97,45

Модель, учитывающая обменный курс (рубль-доллар)

0

2,54

17,8

68,07

11,6

0

97,45

Модель, учитывающая индекс реального ВВП с поправкой на сезонность (GDP/SA)

0

1,41

14,7

64,68

18,1

1,13

97,45

Модель, учитывающая индекс РТС

0

2,26

16,4

68,92

12,4

0

97,74

Модель, учитывающая коэффициент покрытия экспорта импортом (EX/IM)

0

1,98

15,3

68,36

13,8

0,56

97,45

Model, учитывающая EX/IM и GDP/SA

0

1,41

14,7

65,53

17,5

0,85

97,74

Модель с порядковыми переменными

0

7,91

25,1

64,12

2,26

0

91,52

Модель в нормированных шкалах

1,41

1,41

16,7

68,36

12,1

0

97,17

100

Модель, учитывающая влияние тренда

0

2,54

16,7

68,64

12,1

0

97,45

100


Если говорить в целом обо всех моделях, то доля точных прогнозов колеблется от 61 до 68 процентов, а доля прогнозов с ошибкой на единицу от 91 до 97 процентов.

Самое низкое значение точного прогноза наблюдается в базовой модели, самое высокое – в модели, учитывающей влияние ВВП. Модель, в которой учитывается влияние тренда, дает достаточно хороший прогноз в краткосрочной и стационарной ситуации, но ее прогностические возможности в долгосрочной перспективе могут быть ограничены. Показатели ошибок в остальных моделях достаточно схожи между собой. Если говорить о наличии значимых ошибок, то есть о ситуации, когда |Δ|≥1, то предпочтительнее всего выглядит модель, учитывающая индекс реального ВВП с поправкой на сезонность, где вероятность такой ошибки составляет 2, 26%. После данной модели лучшей является модель в порядковых шкалах. Следует отметить, что эта модель сильно недооценивает Внешторгбанк и Сбербанк.

С точки зрения надзорных органов и инвесторов, не склонных к риску, дополнительным фактором оценки прогнозной силы моделей является низкая доля банков, прогнозы для которых оказались выше официального рейтинга ИЦ «Рейтинг». Переоцененными считаются банки с ошибкой прогноза на одну и на две категории. По значению этого фактора выигрывают модели в порядковых и нормированных шкалах, а также модели с использованием макроэкономических переменных.

В целом, для спрогнозированных значений характерно то, что недооценены в основном банки, имеющие рейтинг 1-4 по шкале ИЦ «Рейтинг». Для переоцененных банков наблюдается противоположная картина. В основном, прогноз оказался завышенным для банков, имеющих рейтинг 5 и 6 по шкале ИЦ «Рейтинг». Практически во всех моделях рейтинг Оргбанка, отнесенный ИЦ «Рейтинг» к достаточно высокой категории надежности, недооценен на 2 категории. В некоторых моделях прогнозное значение рейтинга Пробизнесбанка относится к категории удовлетворительно стабильных банков. Возможно, что ИЦ «Рейтинг» при выставлении рейтинга, учитывает политику расширения присутствия банка в регионах, фактор устойчивой корпоративной клиентской базы, положительной репутации на финансовых рынках. С другой стороны, данный банк имеет также рейтинг агентства RusRating, которое относит к факторам, сдерживающим рейтинг Пробизнесбанка, зависимость значительной части ресурсной базы от конъюнктуры мировых финансовых рынков, высокие операционные расходы и риски, связанные с быстрым ростом региональной сети банка и группы, низкий уровень капитала.

Завышенные прогнозные рейтинги имеют в разных моделях Банк Зенит, Никойл, Траст и Петрокоммерц. Информационный центр «Рейтинг» при оценке этих банков может принимать во внимание следующие сдерживающие факторы. Для Банка Зенит такими факторами могут быть зависимость от основного акционера и клиента банка - компании «Татнефть», зависимость корпоративной  клиентской базы от крупных клиентов и повышенный уровень кредитного риска. У банка Петрокоммерц наблюдается высокая концентрация кредитного портфеля по крупным заемщикам. Банк Никойл в прогнозируемом периоде готовился к реструктуризации и интеграции в Финансовую корпорацию Уралсиб, а у банка Траст наблюдались ограниченные финансовые возможности собственников и низкая капитализация, при невысоком уровне резервов.

В целом, полученные модели для прогноза являются удачными и с высокой долей вероятности предсказывают рейтинг банка. Следует заметить, что тема рейтинговой оценки деятельности предприятий, и в частности банков, является в России малоизученной и возможности исследований в этой области не ограничиваются полученными результатами. В частности, при построении эконометрических моделей возможен анализ временного лага при выставлении рейтинга рейтинговым агентством, а также анализ факторов, влияющих на изменение рейтинга банка, изучение экстраполяции методики оценки рейтинга с помощью модели множественного выбора для других субъектов рейтингования (промышленные, страховые, лизинговые, оценочные и другие компании). Целесообразно было бы рассмотреть различные методы трансформации переменных.

Подводя итог, можно сказать, что дистанционные модели рейтингов банков, основанные на модели множественного выбора, могут применяться банками при переходе к Международным стандартам финансовой отчетности и при окончательном внедрении Нового Базельского соглашения в качестве экспресс-анализа надежности банков-контрагентов и клиентов.

  1   2   3   4   5   6   7   8   9   ...   18

Похожие:

Экономико- академический математический университет институн ран гуманитарных наук iconЦентральный экономико-математический институт государственный академический университет
Хамидулина Д. Р. Анализ факторов, влияющих на среднюю ожидаемую продолжительность жизни в России…
Экономико- академический математический университет институн ран гуманитарных наук iconЦентральный экономико-математический институт государственный академический университет
Анализ и разработка приоритетов развития научно-технической и инновационной сферы (на примере опк)
Экономико- академический математический университет институн ран гуманитарных наук iconУниверситет гуманитарных наук
Дипломные работы, защищенные студентами Исторического факультета Государственного университета гуманитарных наук в 2006 г.: Аннотации...
Экономико- академический математический университет институн ран гуманитарных наук iconПрограмма 19 22 ноября 2012 года
Санкт-Петербургский Академический университет — научно-образовательный центр нанотехнологий ран (Академический университет)
Экономико- академический математический университет институн ран гуманитарных наук iconУниверситет гуманитарных наук
Дипломные работы, защищенные студентами Института истории Государственного университета гуманитарных наук в 2005 г.: Аннотации /...
Экономико- академический математический университет институн ран гуманитарных наук iconМодель психического детей-сирот
Работа выполнена на кафедре общей психологии Федерального государственного бюджетного образовательного учреждения высшего профессионального...
Экономико- академический математический университет институн ран гуманитарных наук iconРасписание мероприятий конференции 7 понедельник, 19 ноября 2012 г. 8 Открытие конференции 8 Пленарное заседание (П1) 8 Секционные доклады (дневное заседание) 8 Секция «Фундаментальные исследования физики, химии и биологии наносостояния»
Санкт-Петербургский Академический университет — научно-образовательный центр нанотехнологий ран (Академический университет)
Экономико- академический математический университет институн ран гуманитарных наук iconСанкт-петербургский академический университет научно-образовательный центр нанотехнологий ран
Восточно-казахстанский государственный технический университет имени д. Серикбаева
Экономико- академический математический университет институн ран гуманитарных наук iconТезисы докладов в электронном виде необходимо направить
Санкт-Петербургский Академический университет – научно-образовательный центр нанотехнологий ран
Экономико- академический математический университет институн ран гуманитарных наук iconИнституты взаимодействия экономической и политической власти: трансакционный подход
Работа выполнена в Учреждении Российской академии наук Центральном экономико-математическом институте ран
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница