Борзых О.А. ЦБ РФ Канал банковского кредитования в России

Борзых О.А.
ЦБ РФ
Канал банковского кредитования в России: оценка с помощью FAVAR-модели
После перехода Банка России к режиму инфляционного таргетирования ответ на
вопрос об эффективности работы каналов денежной трансмиссии стал особенно
актуальным. Однако на данный момент в современной отечественной и зарубежной
экономической литературе существует достаточно мало работ, в которых проводится
анализ каналов денежной трансмиссии в экономике России. Среди них — работы Souza
(2006), Дробышевский и др. (2008), Deryugina, Ponomarenko (2011), Зюзина, Егоров (2015),
Ломиворотов (2015).
В большинстве указанных работ ставится вопрос о принципах работы канала
банковского кредитования, отражающего влияние монетарной политики на объём
кредитного портфеля российских коммерческих банков. Однако, несмотря на богатство
полученных выводов, используемые авторами для анализа VAR-модели и модели
панельных данных не позволяют учесть большое количество переменных, которые
потенциально могут оказывать влияние на зависимую переменную (объём банковских
кредитов). В связи с этим существует немалая вероятность наличия пропущенных
переменных, что может искажать результаты исследований.
В предлагаемом вниманию исследовании также проводится оценка работы канала
банковского кредитования в России. При этом, в целях минимизации риска наличия
пропущенных переменных оценивается векторная модель авторегрессии, дополненная
факторами (FAVAR). Насколько известно автору данной работы, такой подход к анализу
канала банковского кредитования в России ранее не применялся.
Основным достоинством моделей класса FAVAR является возможность учёта
большого объёма информации, содержащейся в различных переменных. Можно сказать,
что FAVAR-модель позволяет учесть информацию о состоянии экономики в целом,
включая даже ситуацию на внешних рынках. Благодаря этому проблема эндогенности,
вызванная отсутствием значимых переменных, становится менее выраженной.
Впервые данная модель была предложена в статье Bernanke et al. (2005). В общем
виде FAVAR-модель может быть записана с помощью следующей системы уравнений:
𝐹
𝐹
( 𝑡 ) = 𝜙(𝐿) ( 𝑡−1 ) + 𝑣𝑡 ,
𝑌𝑡
𝑌𝑡−1
(1)
𝑋𝑡 = 𝛬 𝑓 𝐹𝑡 + 𝛬 𝑦 𝑌𝑡 + 𝑒𝑡 ,
(2)
где
𝑌𝑡 — вектор ключевых (наблюдаемых) переменных,
1
𝐹𝑡 — вектор ненаблюдаемых факторов,
𝜙(𝐿) — лаговый полином порядка d,
𝑋𝑡 — вектор переменных, представляющих собой информационное множество,
Λ 𝑓 и Λ𝑦 — матрицы коэффициентов,
𝑣𝑡 и 𝑒𝑡 — векторы случайных ошибок с нулевым математическим ожиданием,
𝑡 — индекс времени.
В статье Bernanke и соавторов предложены два способа оценивания таких моделей:
классический и байесовский. В нашем исследовании оценка модели проводится методами
байесовской эконометрики. Такой выбор обусловлен тем, что временные ряды по
российской экономике имеют сравнительно небольшую длину, а количество параметров,
оцениваемых в рамках FAVAR-модели, достаточно велико. Поэтому в данном случае, при
наличии малой выборки, байесовский подход, в сравнении с классическим, позволит
получить более эффективные оценки.
Ключевыми переменными в модели являются инструмент Банка России, объём
кредитов фирмам, денежная масса, и выпуск. В качестве переменной денежно-кредитной
политики Банка России была выбрана однодневная ставка MIACR, представляющая собой
операционный ориентир Банка России. Объём кредитов фирмам представляет собой
сумму всех краткосрочных (до 1 года) и долгосрочных (свыше 1 года) кредитов
нефинансовым организациям в рублёвом выражении. Для исключения влияния изменений
валютного курса на рублёвую величину кредитов было проведено исключение валютной
переоценки с помощью индекса Маршалла-Эджворта. Денежная масса представляет
собой денежный агрегат M2. Переменной, отвечающей за изменение выпуска в модели,
является индекс выпуска товаров и услуг по базовым видам экономической деятельности
(далее — ИБО). Данный показатель наиболее близок к ВВП в месячном разрезе.
Информационное множество состоит из 51 переменной. Они характеризуют
реальный сектор (например, индексы выпуска продукции в различных отраслях
промышленности), банковский сектор (например, процентные ставки по депозитам
населению, объём задолженности российских коммерческих банков перед ЦБ РФ), а
также внешний сектор (например, цены на нефть, золото, личный располагаемый доход в
США).
В анализе используются месячные данные за период с января 2004 по август 2015 гг.
Частота месячных данных предполагает наличие возможной сезонной составляющей
временных рядов. Поэтому для рядов, имеющих выраженную сезонную составляющую,
была проведена сезонная корректировка методом X13-ARIMA. В первую очередь, это
временные ряды объёма кредитов фирмам, денежной массы и индекса ИБО.
2
В результате оценки описанной выше модели были построены различные функции
импульсного отклика на шоки ключевых переменных. В частности, реакция кредитов
фирмам на шок ставки денежной массы статистически значима на уровне значимости 5%
и отрицательна. Более того, качественно аналогичная реакция на шок ставки процента
получена и для индекса выпуска в базовых отраслях. Такие результаты свидетельствуют в
пользу эффективности работы канала банковского кредитования в России.
3