Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.
Школа финансов ВШЭ
119049 Москва, Покровский бульвар, 11,
офис S629.
Телефоны:
+7 (495) 772-95-90*27447, *27190, *27947 (по общим вопросам Школы финансов)
+7 (495) 621-91-92 (по вопросам Бизнес-образования)
+7 (495) 916-88-08 (Магистерская программа "Корпоративные финансы")
E-mail:
df@hse.ru (по общим вопросам Школы финансов),
finance@hse.ru (по вопросам Бизнес-образования)
ординарный профессор НИУ ВШЭ, доктор экономических наук, заслуженный работник высшей школы РФ
+7 495 772 95 90 (доб.27446)
+7 968 418 78 86
Школа финансов ВШЭ — лидирующий в стране центр компетенций в области корпоративных финансов, оценки стоимости, банковского дела, фондового рынка, управления рисками и страхования, учета и аудита.
Наш университет - первый в России в глобальном рейтинге "QS – World University Rankings by subject" (2022) в предметной области Accounting and Finance, а так же первый среди российских университетов в области Business & Management Studies.
The Journal of the New Economic Association. 2024. Vol. 62. No. 1. P. 171-195.
Hanif W., Teplova T., Rodina V. et al.
Resources Policy. 2023. Vol. 85. No. B.
Dergunov I., Curatola G.
Journal of Economic Behavior and Organization. 2023. Vol. 212. P. 403-421.
Kopyrina O., Stepanova A. N.
Economic Systems. 2023. Vol. 47. No. 2.
Asian Academy of Management Journal of Accounting and Finance. 2023. Vol. 19. No. 2. P. 127-160.
Потапов А. И., Курбангалеев М. З.
Экономический журнал Высшей школы экономики. 2023. Т. 27. № 2. С. 196-219.
Sergei Grishunin, Alesya Bukreeva, Suloeva S. B. et al.
Risks. 2023. Vol. 11. No. 1.
Alyona Astakhova, Sergei Grishunin, Gennadii Pomortsev.
Journal of Corporate Finance Research. 2023. Vol. 17. No. 1. P. 5-16.
Kokoreva M. S., Stepanova A. N., Povkh K.
Foresight and STI Governance. 2023. Vol. 17. No. 1. P. 18-32.
Макушина Е. Ю., Малофеева Т. Н., Козиорова О. И. и др.
Вестник Московского университета. Серия 6: Экономика. 2023. № 1. С. 135-163.
Russian Journal of Money and Finance. 2023. Vol. 82. No. 2. P. 106-119.
Emerging Markets Finance and Trade. 2023. Vol. 59. No. 8. P. 2710-2726.
Управление финансовыми рисками. 2023. Т. 73. № 1. С. 18-29.
Fedorova E., Ledyaeva S., Kulikova O. et al.
Risk Analysis. 2023. Vol. 43. No. 10. P. 1975-2003.
Journal of Alternative Investments. 2023. Vol. 26. No. 1. P. 65-76.
Victoria Dobrynskaya, Dubrovskiy M.
International Finance Review. 2023. Vol. 22. P. 95-111.
Экономисты из ВШЭ показали, что сбор всей возможной информации о заемщиках не всегда позволяет снизить риски банковского сектора. Иногда больше не значит лучше: наращивание объема данных до определенной степени, наоборот, повышает риски невозврата кредитов. Исследование опубликовано в серии препринтов WP BRP HSE University, Series: Financial Economics.
Принимая решение о том, выдавать кредит или нет и на каких условиях, банки стараются собрать максимум информации о клиенте. Предполагается, что чем больше данных будет в распоряжении аналитиков или алгоритма, тем точнее они смогут оценить, способен клиент вернуть долг или нет. Источником такой информации для банка служит среди прочего кредитная история: сведения о ранее взятых кредитах, их суммах и своевременности внесения платежей, о характеристиках заемщика (например, о его финансовой отчетности) и т. п. Такие данные банки могут получить, обратившись в кредитное бюро или кредитный регистр.
Однако некоторые исследования показывают, что у стремления накопить как можно более полную информацию о заемщике могут быть и «побочные эффекты». Например, данные о невозврате кредита тонут в массе информации и уже не играют такой важной роли в стимулировании заемщика вести себя добросовестно. Таким образом, данные о неуплате перестают оказывать дисциплинирующее воздействие, и мотивация людей вносить платежи вовремя снижается.
Как же кредитные риски банков связаны с объемом собираемой информации? Ответ зависит от того, какой эффект преобладает: кредитные риски могут снижаться в силу увеличения точности прогнозов относительно невозвратов или расти из-за снижения кредитной дисциплины.
Авторы работы проанализировали данные об объеме собираемой банками информации и уровне кредитных рисков, чтобы понять, как выглядит зависимость между этими параметрами. Экономисты также оценили, как на эту связь влияет качество институциональной среды в стране и степень развития ее финансовых институтов. Для этого они использовали данные о 80 странах за 2004–2015 годы.
Чтобы ответить на поставленные вопросы, авторы статьи составили математическую модель, в которой зависимой переменной были кредитные риски (доля просроченных кредитов в общем объеме выданных) в конкретной стране и в определенном году, а независимыми — индекс глубины раскрытия кредитной информации, а также ряд контрольных переменных. Индекс глубины раскрытия кредитной информации рассчитывается Всемирным банком в рамках проекта Doing Business, его значение зависит от того, собирается ли информация и о физических, и о юридических лицах, входят ли в нее только данные о невыплатах или о своевременно погашенных кредитах тоже, сведения за какой срок хранятся в базах, имеет ли заемщик доступ к своей кредитной истории и так далее. Наиболее высокие значения этот индекс принимает в США, Канаде, Аргентине, Германии, минимальные — в Люксембурге, Афганистане, Ираке. В России он близок к максимальному.
Кроме того, экономисты разделили страны на группы в зависимости от степени эффективности госуправления (через соответствующий индекс Всемирного банка), защиты прав собственности (индекс Международного альянса прав собственности) и уровня развития финансовой системы (две метрики Международного валютного фонда).
Расчеты показали, что зависимость между уровнем раскрытия информации и кредитными рисками действительно нелинейна, график имеет форму перевернутой буквы U: с ростом объемов собираемой информации риски сначала возрастают, но с некоторого момента начинают снижаться, причем при максимальных значениях индекса кредитной информации риски значительно меньше, чем при минимальных. В странах с эффективным управлением риски начинают снижаться при меньших значениях индекса (в абсолютных значениях риски также оказываются ниже), то есть в условиях менее качественной институциональной среды регулятор может снизить кредитные риски, лишь вводя систему кредитных бюро и обширные требования по сбору информации о заемщике. Похожим образом на связь количества раскрываемой информации и рисков влияет уважение частной собственности и уровень развития финансовых институтов.
Мария Семенова
«Таким образом, результаты этого исследования говорят о том, что центральным банкам в развивающихся экономиках стоит с осторожностью внедрять новые требования к информационному обмену на кредитных рынках (например, расширять круг заемщиков или типов кредитов, информация о которых поступает в кредитные бюро). Если такие новшества единичны и не сопровождаются, например, увеличением срока хранения кредитной истории, обеспечением онлайн-доступа к кредитным файлам, расширением списка поставщиков данных о заемщиках, они могут не привести к желаемому снижению кредитных рисков», — рассказала один из авторов работы, старший научный сотрудник ИНИИ и доцент школы финансов факультета экономических наук ВШЭ Мария Семенова.
Исследование также позволило выявить страны, в которых уровень раскрытия информации наименее выгоден с точки зрения кредитных рисков. К ним относятся Мальта, Мавритания, Мозамбик, Восточный Тимор и другие. Результаты показывают, что, возможно, этим странам стоит изменить регулирование в области обмена кредитной информацией так, чтобы собирать значительно меньше либо намного больше данных, чем сейчас.