Improving Loan Loss Provisioning Framework as a Driver of Economic Growth

Обложка

Цитировать

Полный текст

Аннотация

Various aspects of credit risk have been studied by many researchers. Scientists and practitioners consider different credit risk assessment methods depending on its application, e.g. to determine capital adequacy, to make loss loan provisions, or to estimate its influence on the interest rate. At the same time, there are almost no studies that consider the relationship between loan loss provisioning framework and loan decisions. The study seeks to 1) understand how the practices and procedures of loan loss provisioning impact total gross loans of Russian banks, and 2) identify constraints for insufficient levels of lending and factors that can foster lending.
With the use of an econometric model we estimate a quantitative effect of credit portfolio on the growth of loan loss provisions. We base our model on data derived from financial statements of 400 Russian credit institutions between 2014 and 2019. In addition to our empirical model, we analyze statistical data on the development of the Russian banking system and compare the loan loss provisions in Russian and foreign financial organizations. The estimates are based on Russian official statistics and financial statements of banks within and outside Russia. The study reveals that the existing credit risk assessment method that rests on the regulations provided by the Bank of Russia is responsible for excessive loan loss provisions accumulated by Russian banks. This, in turn, affects the volumes of bank loans.
In our research we have arrived at the conclusion that the existing loan loss provisioning is excessive. Current loan loss provisions do not correspond to real lending losses. They negatively affect the financial results of credit institutions, resulting in ungrounded refusals to lend, which in turn limits economic growth. These results support the rationale for reinventing the existing framework of loan loss provisioning.

Об авторах

S. Stepanova

Новосибирский государственный технический унивеситет

Автор, ответственный за переписку.
Email: S.Stepanova@corp.nstu.ru

V. Karakchieva

Email: Karakchieva@corp.nstu.ru

Список литературы

  1. Federal State Statistics Service. URL: http://www.gks.ru/free_doc/new_site/finans/dinkz.htm (accessed 20.01.2020). (In Russ.).
  2. Bank of Russia. "Review of the Banking Sector of the Russian Federation" (Internet-version) (.pdf) (Unofficial translation). URL: https://cbr.ru/eng/statistics/bank_sector/review/ (accessed 20.01.2020).
  3. Bank of Russia. The banking sector structural liquidity deficit/surplus. URL: http://www.cbr.ru/eng/hd_base/bliquidity/ (accessed 20.01.2020).
  4. Andryushin S. Bank of Russia measures to ensure lending to national industry in 2015–2017. Analytical bulletin of the Federation Council of the Federal Assembly of the Russian Federation. 2015;(1):24-55. (In Russ.).
  5. Shtulberg B., Sharshavaya N. The analysis of influence of crediting for growth of economy. Ekonomika regiona = Economy of Region. 2007;(4):107-117. (In Russ.).
  6. Bank of Russia. Accelerated growth of consumer loans in the structure of bank lending: causes, risks and measures of the Bank of Russia. Report. URL: http://cbr.ru/Content/Document/File/72621/20190628_dfs.pdf (accessed 20.01.2020).
  7. Kapan T., Minoiu C. Balance sheet strength and bank lending: Evidence from the global financial crisis. Journal of Banking & Finance. 2018;92(7):35-50. doi: 10.1016/j.jbankfin.2018.04.011.
  8. Fidrmuc J., Lind R. Macroeconomic impact of Basel III: Evidence from a meta-analysis. Journal of Banking & Finance. 2020;112(3). doi: 10.1016/j.jbankfin.2018.05.017.
  9. Tikhomirova E. Role of bank credit products in ensuring Russian economic growth. Money and Finance. 2012;(10):34-38. (In Russ.).
  10. Osborne M., Fuertes A. M., Milne A. In good times and in bad: Bank capital ratios and lending rates. International Review of Financial Analysis. 2017;51:102-112. doi: 10.1016/j.irfa.2016.02.005.
  11. Berndt A., Douglas R., Duffie D., Ferguson M. Corporate Credit Risk Premia. Review of Finance. 2018;22(2):419-454. doi: 10.1093/rof/rfy002.
  12. Gorelaya N. Evaluation of the impact of factors on loan pricing. Journal of Corporate Finance Research. 2016;10(1):59-76. doi: 10.17323/j.jcfr.2073-0438.10.1.2016.59-76. (In Russ.).
  13. Edelberg W. Risk-based pricing of interest rates for consumer loans. Journal of Monetary Economics. 2006;53(8):2013-2028. doi: 10.1016/j.moneco.2005.09.001.
  14. Lim C. Y., Lee E., Kausar A., Walker M. Bank accounting conservatism and bank loan pricing. Journal of Accounting and Public Policy. 2014;33(3):260-278. doi: 10.1016/j.jaccpubpol.2014.02.005.
  15. Shamshur A., Weill L. Does bank efficiency influence the cost of credit? Journal of Banking & Finance. 2019;105(8):62-73. doi: 10.1016/j.jbankfin.2019.05.002.
  16. Belas J., Smrcka L., Gavurova B., Dvorsky J. The impact of social and economic factors in the credit risk management of SME. Technological and Economic Development of Economy. 2018;24(3):1215-1230. doi: 10.3846/tede.2018.1968.
  17. Mihova V., Pavlov V. Comparative analysis on the probability of being a good payer. 9th International Conference on Promoting the Application of Mathematics in Technical and Natural Sciences (AMiTaNS). 2017;1895:05006-1. doi: 10.1063/1.5007378.
  18. Weissova I., Kollar B., Siekelova A. Rating as a Useful Tool for Credit Risk Measurement. Procedia Economics and Finance. 2015;26:278-285.
  19. Yamanaka S. Quantitative credit risk monitoring using purchase order information. JSIAM Letters. 2017;9:49-52.
  20. Trujillo-Ponce A., Samaniego-Medina R., Cardone-Riportella C. Examining what best explains corporate credit risk: accounting-based versus market-based models. Journal of Business Economics and Management. 2014;15(2):253-276.
  21. Abdullah A. M. Comparing the Reliability of Accounting-Based and Market-based Prediction Models. Asian Journal of Accounting and Governance. 2016;7:41-55.
  22. Amat O., Manini R., Renart M. A. Credit Concession through credit scoring: Analysis and application proposal. Intangible Capital. 2017;13(1):51-70.
  23. Kossova T., Kossova E. Credit risk assessment for companies in Russian corporate sector based on loan default forecasting. Problemy analiza riska = Issues of Risk Analysis. 2011;8(2):68-78.
  24. Ju Y., Sohn S. Y. Technology Credit Scoring Based on a Quantification Method. Sustainability. 2017;9(6). doi: 10.3390/su9061057.
  25. Teplova T., Demidov P. The information effect of bank loan loss provisions. Journal of Corporate Finance Research. 2017;11(3):59-78. doi: 10.17323/j.jcfr.2073-0438.11.3.2017.59-78.
  26. Hung C.-H. D., Jiang Y., Liu F. H., Tu H. Competition or manipulation? An empirical evidence of determinants of the earnings persistence of the U.S. banks. Journal of Banking & Finance. 2018;88(3):442-454. doi: 10.1016/j.jbankfin.2018.01.010.
  27. Cornaggia J. N., Cornaggia K. J., Hund J. E. Credit Ratings Across Asset Classes: A Long-Term Perspective. Review of Finance. 2017;21(2):465-509. doi: 10.1093/rof/rfx002.
  28. Meshkova E. I. The Basel III International regulatory framework: How to combine the soundness of the banking sector and challenges of economic growth? Finance and Credit. 2016;40:17-32. (In Russ.).
  29. Usoskin V., Belousova V., Klintsova M. Basel III: Impact on Economic Growth (Review of Empirical Studies). Money and Finance. 2013;9:32-38. (In Russ.).
  30. International Financial Reporting Standard (IFRS) 9. Financial Instruments (entered into force on the territory of the Russian Federation by Order of the Ministry of Finance of Russia No. 98n of 27.06.2016) (subsequently amended and supplemented). ConsultantPlus. [Electronic resource]. (In Russ.).
  31. Bank of Russia Regulation "On the Procedure for Making Loss Provisions by Credit Institutions for Loans, Loan and Similar Debts" No. 590-P of 28.06.2017 (subsequently amended and supplemented). ConsultantPlus. [Electronic resource]. (In Russ.).
  32. Bank of Russia Instructions "On Banks' Required Ratios and Capital Adequacy Buffers for Banks with a Universal Licence" No. 199-I of 29.11.2019. ConsultantPlus. [Electronic resource]. (In Russ.).
  33. The Basel Committee on Banking Supervision. URL: https://www.bis.org/bcbs/index.htm (accessed 20.01.2020).
  34. Bank of Russia Regulation "On the Procedure for the Internal Ratings-based Assessment of Credit Risk" No. 483-P of 06.08.2015 (subsequently amended and supplemented). ConsultantPlus. [Electronic resource]. (In Russ.).
  35. Bank of Russia Ordinance "On the Procedure of Obtaining Authorisation to Use Bank's Own Methods to Manage Credit Risks and to Use Models of the Quantitative Assessment of Credit Risks for Calculating Capital Adequacy Ratios and Also on Their Quality Evaluation Procedure" No. 3752-U of 06.08.2015. ConsultantPlus. [Electronic resource]. (In Russ.).
  36. Bank Ratings. URL: https://www.banki.ru/banks/ratings/ (accessed 20.01.2020). (In Russ.).
  37. VTB Bank, 2017 Annual report [Electronic resource]. URL: https://www.vtb.ru/akcionery-i-investory/finansovaya-informaciya/raskrytie-finansovoi-otchetnosti-po-rsbu/ (accessed 30.11.2019). (In Russ.).
  38. Commerzbank, 2017 Annual report [Electronic resource]. URL: https://www.commerzbank.com/media/en/aktionaere/service/archive/konzern/2018_2/Geschaeftsbericht_2017_AGDE.pdf (accessed 30.11.2019).
  39. Citigroup Inc, 2017 Annual report [Electronic resource]. URL: https://www.citigroup.com/citi/investor/quarterly/2018/ar17_en.pdf (accessed 30.11.2019).
  40. Bank of Russia. On the development of the banking sector of the Russian Federation in January - July 2019. Information and analytical material. URL: http://www.cbr.ru/collection/collection/file/22609/razv_bs_19_07.pdf (accessed 20.01.2020). (In Russ.).
  41. Kostin: new requirements to capital adequacy ratio will cost VTB Bank as much as 140 mlrd. rubles, 30.05.2018 [Electronic resource]. URL: http://www.banki.ru/news/lenta/?id=10492451 (accessed 30.11.2019). (In Russ.).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Stepanova S., Karakchieva V., 2020

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».