摘要：Kredito rizika – viena iš pagrindinių komercinių bankų veikloje patiriamų rizikos rūšių. Gebėjimas valdyti šią riziką didele dalimi lemia banko veiklos stabilumą. Ši rizika priklauso nuo tam tikrų priežasčių, dėl kurių skolininkas ateityje gali nesugebėti įvykdyti savo finansinių įsipareigojimų bankui. Todėl bankai, prieš suteikdami kreditą, vertina klientų finansinių įsipareigojimų neįvykdymo tikimybę įvairiais kredito rizikos vertinimo modeliais. Vienas svarbiausių banko tikslų, valdant kredito riziką, yra priimtino rizikos lygio paskolų portfelio suformavimas. Kredito rizikos vertinimo tikslas yra sumažinti galimus paskolų portfelio nuostolius, atmetant paraiškas klientų, kurių rizikos lygis viršija banko nustatytą priimtiną ribą. Todėl bankams svarbu nustatyti veiksnius, leidžiančius tiksliai įvertinti kliento finansinių įsipareigojimų neįvykdymo tikimybę. Dažniausiai statistiniuose įmonių kredito rizikos vertinimo modeliuose nepriklausomų kintamųjų rinkinys suformuojamas iš įmonių finansinių rodiklių ir tam tikrų kokybinių įmonių veiklos parametrų. Tačiau keičiant klientų finansavimo politiką ar bendrą paskolų kainos lygį, svarbu, kad bankai sugebėtų numatyti viso paskolų portfelio kokybę ateityje. Todėl esminę, su šiuo prognozavimu susijusią problemą galima apibrėžti kaip statistinių duomenų analizės metodų parinkimą, kurie nustatytų abejotinų ir neveiksnių paskolų dalies portfelyje priklausomybę nuo nepriklausomų kintamųjų rinkinio (šalies makroekonominių rodiklių) pokyčių. Šio tyrimo objektas – bankų paskolų portfelio kredito rizikos makroekonominiai veiksniai. Tyrimo tikslas – nustatyti makroekonominius veiksnius, turinčius didelę įtaką bankų paskolų portfelio kredito rizikos pokyčiams ir sudaryti statistinį modelį, skirtą abejotinų ir neveiksnių paskolų daliai šalies bankų paskolų portfelyje, prognozuoti. Tyrimo metodai: Mokslinių publikacijų analizė. Statistinių, abejotinų ir neveiksnių paskolų dalies, bankų paskolų portfelyje prognozavimo modelio formavimas, taikant klasterinę, faktorinę analizę, tiesinį tikimybių modelį, logistinę, daugialypę tiesinę ir polinominę regresiją. Mokslinės literatūros analizės rezultatai pagrindė šalies makroekonominių rodiklių pokyčių įtaką banko klientų kredito rizikai. Teigiama, jog paskolų portfelio kokybė bankuose priklauso nuo šalies bendrojo vidaus produkto, infliacijos, rinkos palūkanų normų, pinigų pasiūlos, pramonės produkcijos indeksų, šalies mokėjimų balanso ir kitų veiksnių. Makroekonominiai veiksniai lemia atskirų ūkio subjektų šalyje veiklos rezultatus. Bankų klientų individualių finansinių įsipareigojimų neįvykdymo tikimybių didėjimas ir bendras, įsipareigojimų nevykdančių klientų skaičiaus šalyje didėjimas, yra tarpusavyje glaudžiai susiję. Atliekant empirinį tyrimą, buvo analizuojami 22 Europos Sąjungos šalių duomenys apie bankų paskolų portfelį ir makroekonominius rodiklius. Remiantis Europos Centrinio Banko duomenimis, 2008 – 2010 m. laikotarpiu abejotinų ir neveiksnių paskolų dalis bendrai šiose šalyse padidėjo nuo 2,6 iki 6,31 proc. Šio rodiklio pokytis skirtingose šalyse buvo nevienodas, todėl atlikus klasterinę analizę k -vidurkių metodu, buvo suformuoti 3 valstybių klasteriai. 2008 m. reikšmė buvo laikoma atskaitos tašku, nes vidutiniškai abejotinų ir neveiksnių paskolų dalis visose šalyse sudarė 2,09 – 3,7 proc., tačiau 2009 ir 2010 m. išryškėjo rodiklio pokyčių skirtumai. Didžioji dalis valstybių (59,09 proc.) priklauso 1 klasteriui, kur bazinis abejotinų ir neveiksnių paskolų dalies pokyčio indeksas yra mažiausias (1,32 ir 1,42). Didesnė indekso reikšmė (2,18 ir 2,67) gauta 2 klasteryje, kurį sudaro 27,27 proc. analizuotų valstybių. Trys šalys (Bulgarija, Lietuva ir Latvija) sudaro 3 klasterį, kur abejotinų ir neveiksnių paskolų dalis vidutiniškai padidėjo 3,65 karto (2008 – 2009 m.) ir 4,45 karto (2008 – 2010 m.). Buvo analizuojami 22 ES šalių 9 makroekonominiai rodikliai: ilgalaikio nedarbo lygis, darbo užmokestis, namų ūkių vartojimo išlaidos, valstybės išlaidos, investicijų apimtys, bendrasis vidaus produktas, prekių ir paslaugų eksportas, importas ir infliacija. Kad būtų išvengta rodiklių nepalyginamumo dėl skirtingo valstybių dydžio, didžioji dalis rodiklių buvo perskaičiuota į rodiklių reikšmes, tenkančias vienam šalies gyventojui. Statistinės grafinės analizės metu nustatyta, kad šie rodikliai valstybių klasteriuose reikšmingai skiriasi. Todėl buvo iškelta hipotezė, jog statistiniais duomenų analizės metodais galima nustatyti priklausomybę tarp abejotinų ir neveiksnių paskolų dalies bankuose ir šalies makroekonominių rodiklių. Buvo sudarytas statistinis modelis, kuriuo galima prognozuoti abejotinų ir neveiksnių paskolų dalį šalies bankuose po 2 metų. Modeliui reikalingų nepriklausomų kintamųjų rinkinys, sudarytas iš bazinio laikotarpio (einamųjų metų), abejotinų ir neveiksnių paskolų dalies bankuose bei bazinio laikotarpio ir 2 vėlesnių metų makroekonominių rodiklių. Prognozavimas modeliu galimas, jei bazinio laikotarpio abejotinų ir neveiksnių paskolų dalis bankuose yra pusiausvyros būsenos (apie 2,09 – 3,7 proc.). Toliau iš makroekonominių rodiklių buvo sudarytas 20 nepriklausomų kintamųjų ( x i ) rinkinys, kurie įvertina rodiklių pokyčius (daugiausiai baziniai individualieji indeksai). Valstybėms klasifikuoti į klasterius, sudaryta logistinės regresijos lygtis, kuria gaunama lygties priklausomo kintamojo vertė Y . Atlikus priklausomo kintamojo logistinę transformaciją, gaunama priklausomo kintamojo reikšmė P(Y) intervale [0; 1], o nustatytas klasifikavimo slenkstis – 0,5. Jei P(Y) Î [0,5; 1], valstybė priskiriama grupei G 1 ir 1 klasteriui. Jei P(Y) Î [0; 0,5), valstybė priskiriama grupei G 0 , kur tolesnės analizės metu valstybės priskiriamos 2 arba 3 klasteriams. Į G 0 grupę patekusių valstybių nepriklausomiems kintamiesiems ( x i ) buvo atlikta faktorinė analizė ir išskirti 4 faktoriai (F 1 – F 4 ). Suskaičiuotus faktorių įverčių koeficientus padauginus iš pradinių kintamųjų ( x i ) gauti nauji nepriklausomi kintamieji (faktorių įverčiai). Analizuojant šiuos įverčius buvo sudarytas tiesinis tikimybų modelis, kurio priklausomas kintamasis Z leidžia atskirti valstybes į 2 ir 3 klasterius. Pasiektas klasifikavimo tikslumas yra 100 procentų. Kai valstybė klasifikuojama į vieną iš klasterių, toliau prognozuojama abejotinų ir neveiksnių paskolų dalis šalies bankuose po 2 metų. Tam tikslui, visų valstybių pradinių nepriklausomų kintamųjų duomenims buvo atlikta faktorinė analizė ir išskirti 5 faktoriai ( H 1 – H 5 ). Jie naudojami kaip nauji nepriklausomi kintamieji lygtims sudaryti. Norint atlikti prognozavimą reikia faktorių įverčių koeficientus padauginti iš pradinių kintamųjų. Kiekvienam klasteriui sudarytos daugialypės tiesinės regresijos arba polinominės lygtys. Vidutinė kvadratinė paklaida ( MSE ) parodė, kad 1 klasterio valstybių abejotinų ir neveiksnių paskolų bazinio indekso prognozavimui tikslesnė yra polinominė regresijos lygtis ( MSE = 0,002673), o 2 ir 3 klasterių valstybių indekso prognozavimui taikytinos daugialypės tiesinės regresijos lygtys, nes jų vidutinė kvadratinė prognozavimo paklaida atitinkamai yra tik 6,874 × 10 -26 ir 9,203 × 10 -30 . Vidutinė bazinio indekso prognozavimo paklaida visuose klasteriuose bendrai yra 1,94 proc. Lygtimis gavus prognozuojamą indeksą W i , jis dauginamas iš bazinių metų abejotinų ir neveiksnių paskolų rodiklio DL 0 . Gautas rezultatas parodo prognozuojamą abejotinų ir neveiksnių paskolų dalį šalies bankų paskolų portfelyje po 2 metų. Tyrimo rezultatai parodė, kad abejotinų ir neveiksnių paskolų pokyčiai komerciniuose bankuose 2 metų laikotarpiu, gali būti prognozuojami vidutiniškai 98,06 proc. tikslumu. Tai patvirtina sudaryto modelio praktinę reikšmę ir taikomumą. Taip pat tyrimas patvirtino, jog abejotinų ir neveiksnių paskolų apimtys bankuose, priklauso nuo makroekonominių rodiklių pokyčių, o bendrą paskolų portfelio kredito rizikos lygį galima gana tiksliai prognozuoti tyrime taikytais statistiniais duomenų analizės metodais. Todėl siekiant veiksmingai valdyti paskolų portfelio kredito riziką bankuose, būtina nuolat vertinti šalies makroekonominių rodiklių reikšmes ir jų pokyčius.
其他摘要：The credit risk is one of the main risks in commercial banks and the ability to manage it meaningly affect banks’ stability. This risk arises due to the particular reasons related with the possibility to lose loans if the debtors are not able to meet their financial obligations. When making the decisions of financing the loan applicants banks use the credit risk assessment models that allow to estimate the probability of the potential borrowers to default on their loan commitments. The main goal of managing the credit risk in banks is to compound the loan portfolio of the acceptable risk level. According to Derelioglu and Gurgen (2011) the credit risk analysis aims to decrease future losses by estimating the potential risk and eliminating the new credit proposal if the risk is higher than a defined tolerance value. In this respect, it is essential to identify the main factors causing this risk in order to manage it. When assessing the credit risk of every company banks usually analyze the financial data and some qualitative factors as the independent variables in the statistical credit risk assessment models. But changing the credit policy in banks and pricing the credits it is very important to predict the quality of loan portfolio in future. The problem can be summarized as finding the statistical methods that relates the proportion of doubtful and non-performing credits in the loan portfolio (dependent variable) with the set of explanatory variables (macroeconomic information of a country). The aim of this research is to find the macroeconomic determinants that significantly influence the changes of loan portfolio credit risk in banks and to develop the statistical model for prediction of the proportion of doubtful and non-performing loans. The scientific literature analysis results confirmed the influence of macroeconomic conditions on credit risk of debtors in banks and presented that the changes in quality of loan portfolio in banks depend on GDP, inflation, interest rates, money supply, industrial production index, current account balance and other. In empirical research 22 EU countries were grouped into 3 clusters according to their similarity in changes of the doubtful and non-performing loans percentage in banks. The set of 20 independent variables as factors determining the changes in amount of doubtful and non-performing loans was created. These variables were calculated from 9 macroeconomic indicators of 3 years. The model was developed to classify the countries into clusters applying the logistic regression, factor analysis and probit methods. The classification accuracy is 100%. The predictions of doubtful and non-performing loans indexes are based on the analysis of the scores of extracted 5 factors as new independent variables. The multiple regression and polynomial regression methods were applied for the index predictions in clusters. The developed model in this research enables to predict the percentage of doubtful and non-performing loans in banks with the average 98,06% accuracy. The research has confirmed that the amount of doubtful and non-performing loans in banks highly depends on macroeconomic changes in a country. The model can warn the banks in advance if the significant increase in the loan portfolio credit risk after 2 years is highly possible. DOI: http://dx.doi.org/10.5755/j01.ee.23.5.1890
