Autori:
Mikus Āriņš, Latvijas Bankas Monetārās politikas pārvaldes Finanšu stabilitātes daļas vecākais ekonomists.
Dr.math. Nadežda Siņenko, Latvijas Bankas Monetārās politikas pārvaldes Finanšu stabilitātes daļas vecākā ekonomiste.
Laura Laube, Latvijas Bankas Monetārās politikas pārvaldes Finanšu stabilitātes daļas ekonomiste.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Mājsaimniecību-kredītņēmēju analīze: aptauja un finanšu ievainojamības novērtējums", Rīgā 2014. gada 21. maijā. http://www.makroekonomika.lv/majsaimniecibu-kreditnemeju-analize-aptauja-un-finansu-ievainojamibas-novertejums
Pētījuma "Mājsaimniecību-kredītņēmēju finanšu ievainojamības novērtējums" rec...Latvijas Banka
Autors: Pēteris Strautiņš, AS DNB Banka ekonomikas eksperts.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Mājsaimniecību-kredītņēmēju analīze: aptauja un finanšu ievainojamības novērtējums", Rīgā 2014. gada 21. maijā http://www.makroekonomika.lv/majsaimniecibu-kreditnemeju-analize-aptauja-un-finansu-ievainojamibas-novertejums
Kārlis Danēvičs: Kreditēšana: par daudz ir slikti, par maz - atkal sliktiLatvijas Banka
Autors: Kārlis Danēvičs, Latvijas Komercbanku asociācijas Tautsaimniecības kreditēšanas komitejas vadītājs, SEB bankas valdes loceklis un finanšu direktors.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Kreditēšana Latvijā - teorija un realitāte", Rīgā 2014. gada 25. septembrī. http://www.makroekonomika.lv/kreditesana-latvija-teorija-un-realitate
Autori:
Ludmila Fadejeva, Latvijas Bankas Monetārās politikas pārvaldes Monetārās izpētes un prognozēšanas daļas vecākā ekonometriste.
Andrejs Kurbatskis, Latvijas Bankas Finanšu stabilitātes pārvaldes vecākais ekonomists.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Kreditēšana Latvijā - teorija un realitāte", Rīgā 2014. gada 25. septembrī. http://www.makroekonomika.lv/kreditesana-latvija-teorija-un-realitate
Eiro Latvijā: finansiālie ieguvumi un izmaksasLatvijas Banka
Latvijas Bankas Monetārās politikas pārvaldes vadītāja vietnieka Ulda Rutkastes prezentācija Ekspertu sarunās Latvijas Bankā "Skats uz eiro" 2012. gada 5. septembrī.
Ekspertu sarunas prezentācija: Procentu likmju transmisija Latvijā ieguvēji u...Latvijas Banka
Latvijas Bankas Monetārās politikas pārvaldes vadītāja vietnieka Mārtiņa Bitāna prezentācija 12.12 2016 ekspertu sarunā "Zemo procentu likmju laikmets – vai esam izmantojuši iespējas?"
Izdevumā, izmantojot Latvijas Bankas, Latvijas Republikas Centrālās statistikas pārvaldes, Latvijas Republikas Finanšu ministrijas un Finanšu un kapitāla tirgus komisijas datus, vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
"Makroekonomisko Norišu Pārskats" 2015. gada decembrisLatvijas Banka
Izdevumā, izmantojot Latvijas Bankas, Latvijas Republikas Centrālās statistikas pārvaldes, Latvijas Republikas Finanšu ministrijas un Finanšu un kapitāla tirgus komisijas datus, vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
Prof. Ramona Rupeika-Apoga: Kreditēšana LatvijāLatvijas Banka
Autore: Dr., Asoc. prof. Ramona Rupeika-Apoga, Latvijas Universitāte.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Kreditēšana Latvijā - teorija un realitāte", Rīgā 2014. gada 25. septembrī. http://www.makroekonomika.lv/kreditesana-latvija-teorija-un-realitate
Pētījuma "Mājsaimniecību-kredītņēmēju finanšu ievainojamības novērtējums" rec...Latvijas Banka
Autors: Pēteris Strautiņš, AS DNB Banka ekonomikas eksperts.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Mājsaimniecību-kredītņēmēju analīze: aptauja un finanšu ievainojamības novērtējums", Rīgā 2014. gada 21. maijā http://www.makroekonomika.lv/majsaimniecibu-kreditnemeju-analize-aptauja-un-finansu-ievainojamibas-novertejums
Kārlis Danēvičs: Kreditēšana: par daudz ir slikti, par maz - atkal sliktiLatvijas Banka
Autors: Kārlis Danēvičs, Latvijas Komercbanku asociācijas Tautsaimniecības kreditēšanas komitejas vadītājs, SEB bankas valdes loceklis un finanšu direktors.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Kreditēšana Latvijā - teorija un realitāte", Rīgā 2014. gada 25. septembrī. http://www.makroekonomika.lv/kreditesana-latvija-teorija-un-realitate
Autori:
Ludmila Fadejeva, Latvijas Bankas Monetārās politikas pārvaldes Monetārās izpētes un prognozēšanas daļas vecākā ekonometriste.
Andrejs Kurbatskis, Latvijas Bankas Finanšu stabilitātes pārvaldes vecākais ekonomists.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Kreditēšana Latvijā - teorija un realitāte", Rīgā 2014. gada 25. septembrī. http://www.makroekonomika.lv/kreditesana-latvija-teorija-un-realitate
Eiro Latvijā: finansiālie ieguvumi un izmaksasLatvijas Banka
Latvijas Bankas Monetārās politikas pārvaldes vadītāja vietnieka Ulda Rutkastes prezentācija Ekspertu sarunās Latvijas Bankā "Skats uz eiro" 2012. gada 5. septembrī.
Ekspertu sarunas prezentācija: Procentu likmju transmisija Latvijā ieguvēji u...Latvijas Banka
Latvijas Bankas Monetārās politikas pārvaldes vadītāja vietnieka Mārtiņa Bitāna prezentācija 12.12 2016 ekspertu sarunā "Zemo procentu likmju laikmets – vai esam izmantojuši iespējas?"
Izdevumā, izmantojot Latvijas Bankas, Latvijas Republikas Centrālās statistikas pārvaldes, Latvijas Republikas Finanšu ministrijas un Finanšu un kapitāla tirgus komisijas datus, vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
"Makroekonomisko Norišu Pārskats" 2015. gada decembrisLatvijas Banka
Izdevumā, izmantojot Latvijas Bankas, Latvijas Republikas Centrālās statistikas pārvaldes, Latvijas Republikas Finanšu ministrijas un Finanšu un kapitāla tirgus komisijas datus, vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
Prof. Ramona Rupeika-Apoga: Kreditēšana LatvijāLatvijas Banka
Autore: Dr., Asoc. prof. Ramona Rupeika-Apoga, Latvijas Universitāte.
Prezentācija sniegta Latvijas Bankas Ekspertu sarunās "Kreditēšana Latvijā - teorija un realitāte", Rīgā 2014. gada 25. septembrī. http://www.makroekonomika.lv/kreditesana-latvija-teorija-un-realitate
Eiro ieviešanas ietekme uz tautsaimniecībuLatvijas Banka
Latvijas Bankas ekonomiste Daina Paula īsā prezentācijā ir apkopojusi svarīgākos rādītājus par Latvijas pirmo darbības gadu eiro zonā.
Prezentācijā apskatītas šādas tēmas:
• ietaupījumu veidi un apjomi
• bažas, kas nav piepildījušās
• algas un inflācijas attiecības
• pensija un tās pirktspēja
• Latvijas kredītreitings
• ietekme uz valsts budžetu
"Makroekonomisko Norišu Pārskats", 2016. gada decembrisLatvijas Banka
Izdevumā, izmantojot Latvijas Bankas, Latvijas Republikas Centrālās statistikas pārvaldes, Latvijas Republikas Finanšu ministrijas un Finanšu un kapitāla tirgus komisijas datus, vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
"Finanšu Stabilitātes Pārskata" mērķis ir veicināt sabiedrības izpratni par Latvijas finanšu sistēmas attīstību un pievērst uzmanību sistēmiskajiem riskiem, kas varētu apdraudēt Latvijas finanšu sistēmas stabilitāti.
"Makroekonomisko Norišu Pārskats", Decembris 2017Latvijas Banka
Izdevumā, izmantojot Latvijas Bankas, Latvijas Republikas Centrālās statistikas pārvaldes, Latvijas Republikas Finanšu ministrijas un Finanšu un kapitāla tirgus komisijas datus, vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
"Ieskats pasaules un Latvijas ekonomikā: vasara ir beigusies, bet tas nudien nenozīmē tūlītēju ziemu" – Latvijas Bankas padomes locekļa Mārtiņa Kazāka prezentācija Kurzemes biznesa forumā "Cilvēks – veiksmes faktors" 2019. gada 27. septembrī.
Prezentācija: Priekšlikumi obligātās veselības apdrošināšanas ieviešanai LatvijāLatvijas Banka
21.09.2016 notika konference "Veselības aprūpes sistēma Latvijā - strukturālās reformas un finansēšanas modeļi". Tajā Latvijas Bankas Monetārās politikas pārvaldes vadītājs Uldis Rutkaste uzstājās ar prezentāciju "Priekšlikumi obligātās veselības apdrošināšanas ieviešanai Latvijā".
Makroekonomisko norišu pārskats. 2019. gada decembrisLatvijas Banka
Izdevumā vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
Lekcija: Eirozonas ekonomika un monetārā politikaLatvijas Banka
Prezentācijā apskatītas šādas tēmas:
Eirozonas ekonomikas aktualitātes.
Eiro zonas monetārās politikas galvenais mērķis – cenu stabilitāte.
Cenu stabilitāte un inflācija.
Monetārās politikas transmisijas mehānisms un Eiropas Centrālās bankas ietekme uz makroekonomiskajiem rādītājiem.
Monetārās politikas praktiskā īstenošana eiro zonā: monetārās politikas īstenošanas pamatprincipi, instrumenti.
This document describes market forecasting algorithms provided by Quant Trade Technologies, including self-optimizing ARIMA, finite impulse response neural networks, finite state Markov automation, stepwise best regression, square root regression, logistic regression, and more. It explains the mathematical models behind various linear and nonlinear regression techniques for time series forecasting and analyzing financial market data.
Logistic Regression: Predicting The Chances Of Coronary Heart DiseaseMichael Lieberman
Logistic regression is used to predict the probability of an event occurring based on multiple predictor variables. This document discusses using logistic regression to predict the risk of coronary heart disease based on factors like smoking, cholesterol levels, body mass index, gender, age, and physical activity. It finds that smoking and high cholesterol levels are the highest risk factors for heart disease. The odds ratio is used to interpret the results, showing smokers have a 2.4 times higher risk than non-smokers. Examples estimate an inactive smoker's risk at 18% over 10 years, versus practically no risk for a healthy older man.
Eiro ieviešanas ietekme uz tautsaimniecībuLatvijas Banka
Latvijas Bankas ekonomiste Daina Paula īsā prezentācijā ir apkopojusi svarīgākos rādītājus par Latvijas pirmo darbības gadu eiro zonā.
Prezentācijā apskatītas šādas tēmas:
• ietaupījumu veidi un apjomi
• bažas, kas nav piepildījušās
• algas un inflācijas attiecības
• pensija un tās pirktspēja
• Latvijas kredītreitings
• ietekme uz valsts budžetu
"Makroekonomisko Norišu Pārskats", 2016. gada decembrisLatvijas Banka
Izdevumā, izmantojot Latvijas Bankas, Latvijas Republikas Centrālās statistikas pārvaldes, Latvijas Republikas Finanšu ministrijas un Finanšu un kapitāla tirgus komisijas datus, vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
"Finanšu Stabilitātes Pārskata" mērķis ir veicināt sabiedrības izpratni par Latvijas finanšu sistēmas attīstību un pievērst uzmanību sistēmiskajiem riskiem, kas varētu apdraudēt Latvijas finanšu sistēmas stabilitāti.
"Makroekonomisko Norišu Pārskats", Decembris 2017Latvijas Banka
Izdevumā, izmantojot Latvijas Bankas, Latvijas Republikas Centrālās statistikas pārvaldes, Latvijas Republikas Finanšu ministrijas un Finanšu un kapitāla tirgus komisijas datus, vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
"Ieskats pasaules un Latvijas ekonomikā: vasara ir beigusies, bet tas nudien nenozīmē tūlītēju ziemu" – Latvijas Bankas padomes locekļa Mārtiņa Kazāka prezentācija Kurzemes biznesa forumā "Cilvēks – veiksmes faktors" 2019. gada 27. septembrī.
Prezentācija: Priekšlikumi obligātās veselības apdrošināšanas ieviešanai LatvijāLatvijas Banka
21.09.2016 notika konference "Veselības aprūpes sistēma Latvijā - strukturālās reformas un finansēšanas modeļi". Tajā Latvijas Bankas Monetārās politikas pārvaldes vadītājs Uldis Rutkaste uzstājās ar prezentāciju "Priekšlikumi obligātās veselības apdrošināšanas ieviešanai Latvijā".
Makroekonomisko norišu pārskats. 2019. gada decembrisLatvijas Banka
Izdevumā vērtētas ārējā sektora un eksporta, finanšu tirgus, iekšzemes pieprasījuma un piedāvājuma, izmaksu un cenu, kā arī maksājumu bilances norises un sniegtas tautsaimniecības attīstības un inflācijas prognozes.
Lekcija: Eirozonas ekonomika un monetārā politikaLatvijas Banka
Prezentācijā apskatītas šādas tēmas:
Eirozonas ekonomikas aktualitātes.
Eiro zonas monetārās politikas galvenais mērķis – cenu stabilitāte.
Cenu stabilitāte un inflācija.
Monetārās politikas transmisijas mehānisms un Eiropas Centrālās bankas ietekme uz makroekonomiskajiem rādītājiem.
Monetārās politikas praktiskā īstenošana eiro zonā: monetārās politikas īstenošanas pamatprincipi, instrumenti.
This document describes market forecasting algorithms provided by Quant Trade Technologies, including self-optimizing ARIMA, finite impulse response neural networks, finite state Markov automation, stepwise best regression, square root regression, logistic regression, and more. It explains the mathematical models behind various linear and nonlinear regression techniques for time series forecasting and analyzing financial market data.
Logistic Regression: Predicting The Chances Of Coronary Heart DiseaseMichael Lieberman
Logistic regression is used to predict the probability of an event occurring based on multiple predictor variables. This document discusses using logistic regression to predict the risk of coronary heart disease based on factors like smoking, cholesterol levels, body mass index, gender, age, and physical activity. It finds that smoking and high cholesterol levels are the highest risk factors for heart disease. The odds ratio is used to interpret the results, showing smokers have a 2.4 times higher risk than non-smokers. Examples estimate an inactive smoker's risk at 18% over 10 years, versus practically no risk for a healthy older man.
Logistic regression is a statistical method used to predict a binary or categorical dependent variable from continuous or categorical independent variables. It generates coefficients to predict the log odds of an outcome being present or absent. The method assumes a linear relationship between the log odds and independent variables. Multinomial logistic regression extends this to dependent variables with more than two categories. An example analyzes high school student program choices using writing scores and socioeconomic status as predictors. The model fits significantly better than an intercept-only model. Increases in writing score decrease the log odds of general versus academic programs.
Logistic regression allows prediction of discrete outcomes from continuous and discrete variables. It addresses questions like discriminant analysis and multiple regression but without distributional assumptions. There are two main types: binary logistic regression for dichotomous dependent variables, and multinomial logistic regression for variables with more than two categories. Binary logistic regression expresses the log odds of the dependent variable as a function of the independent variables. Logistic regression assesses the effects of multiple explanatory variables on a binary outcome variable. It is useful when the dependent variable is non-parametric, there is no homoscedasticity, or normality and linearity are suspect.
Gunmen launched over 150 mortar shells and gas cylinders at Hanano Barracks in Aleppo, leaving dozens dead and wounded. Opposition fighters also failed to take the barracks despite explosions planting 100 tons of explosives in tunnels underneath. Meanwhile, ISIL offered $20 million for information about an opposition leader in Raqqa and executed a dissident soldier for refusing to join them. The UN Security Council expressed concern over civilians trapped in fighting in Homs as the Syrian government announced presidential elections would be held on April 21st and nominations would begin on April 12th.
Kyle Lee summarizes his learning preferences and experience in a multimedia learning class. He prefers visual and active learning styles. Screencasts were particularly helpful for understanding course content as they could be replayed until concepts were grasped. Podcasts and tablets also have potential for future learning by allowing customization of the learning pace and accessing educational materials on mobile devices. Kyle plans to apply what he learned about multimedia learning strategies to sharing work presentations and continuing to explore podcasts.
The document discusses the benefits of exercise for mental health. Regular physical activity can help reduce anxiety and depression and improve mood and cognitive function. Exercise causes chemical changes in the brain that may help protect against mental illness and improve symptoms.
The document provides pricing information for various activities at Penguin Island, including ferry rides, penguin feedings, cruises, and dolphin watch adventures. Ferry rides cost $12 per person, while penguin feedings add $4.50-$7 more depending on age. Penguin and sea lion cruises range from $27.50-$36.50 based on age. Dolphin watch cruises are the most expensive at $50-$85. The island has no shops or cafes since it is a nature reserve. Visitors can call or visit the website for more details.
Used CUPRAC (CUPric ion Reducing Andioxidant Capacity) assay to examine the antioxidant activity of plant extracts at different concentrations by placing them in wells. The protocol analyzed the extracts' ability to reduce copper, and results were displayed showing their antioxidant capacities.
MIP Platform is an Indonesian company that provides M2M and IoT solutions. It started providing M2M solutions in 2007 and obtained a telecommunications license in 2009. It has since expanded its customer base and services. It began with vessel monitoring and now monitors various land and sea assets including fuel consumption. It has over 25,000 subscribers and the largest AIS network in Indonesia. MIP Platform has evolved its middleware over three generations to improve flexibility, optimization, and monitoring for efficiently processing millions of data transactions daily on open source technology. It provides customized end-to-end M2M and IoT solutions including hardware, software, connectivity, compliance, consulting, and after-sales support.
Ugi 2015 q3 earnings call presentation v final finalUGI_Corporation
The document provides information for UGI Corporation's Q3 2015 earnings conference call, including:
- UGI reported adjusted EPS of $0.03 compared to $0.10 in Q3 2014, impacted by a $0.06 loss from its Totalgaz acquisition.
- Business segments like AmeriGas Propane, UGI International, and Midstream & Marketing saw lower earnings due to factors like warmer weather and currency impacts. The Gas Utility saw higher earnings from customer growth.
- UGI has available liquidity of $432.9 million and over $600 million in identified capital projects underway across its businesses to drive future growth.
Our cosmetic dermatology experts provide skin treatments to our clients seeking a healthier and youthful appearance with the advanced level laser technology. Visit for more info: http://goo.gl/m4q5Kd
This document provides information about purchasing a 3Com 3C13821 4-port router, including:
- Contact information for purchasing the router through phone, email, or by filling out a request form
- Details about same-day shipping and tracking for orders placed before 3PM, as well as packaging for safe delivery
- A warranty and return policy for the router purchase
- Additional services offered by Launch 3 Telecom such as repairs, maintenance contracts, and de-installation of equipment
The document discusses leveraging social media and provides tips for making social media a daily habit. It recommends checking social media sites like LinkedIn daily for new connections and job postings. It also suggests building an audience slowly over time by providing regular updates rather than focusing on going viral. The document provides dos and don'ts for using social media and recommends integrating social media sites like Twitter and LinkedIn by updating your LinkedIn status with noteworthy tweets.
Morphemes are the smallest units of meaning in a language and can be classified into two main categories: lexical morphemes and grammatical morphemes. Lexical morphemes convey meaning on their own like nouns and verbs, while grammatical morphemes indicate grammatical relationships and cannot stand alone, such as articles and prepositions. Morphemes can also be classified as free or bound depending on whether they can occur independently or must be attached to other morphemes.
Guatemala is described as a country located in Central America that has a warm climate and several notable tourist areas and attractions, including its national palace, beaches on the Izabal coast, and various patriotic symbols representing its national flower, flag, heroes, and musical instruments.
In the second quarter of 2014:
- The office market in Kiev saw an increase in vacancy rates to 22% due to new supply exceeding demand, while rental rates decreased for newer buildings.
- The hotel market continued to be negatively impacted by a reduction in tourist flows and business travel due to political tensions, lowering occupancy rates.
- Residential real estate demand increased after falling in the first quarter, but prices continued their downward trend as supply exceeded demand.
Human capital as the key to economic developmentLatvijas Banka
This document discusses human capital as the key driver of economic development in Latvia. It finds that while Latvia's population and workforce are projected to decrease in the coming decades, there are still substantial internal labor reserves that could be activated, such as among the young and upper-middle aged men. Improving health outcomes and reducing excess mortality is identified as the most promising way to stop depopulation trends. Additionally, public spending on education and healthcare in Latvia has been modest and outcomes could be improved by increasing efficiency. Attracting high-skilled immigration through improved quality of life is also discussed but perceived livability in Riga does not yet lead to mass immigration.
Latvijas tautsaimniecības makroekonomiskā attīstība | Septembris 2023Latvijas Banka
Latvijas Bankas prezidenta Mārtiņa Kazāka un Monetārās politikas pārvaldes vadītāja Ulda Rutkastes prezentācija 2023. gada 29. septembrī par jaunākajām ekonomikas prognozēm.
Latvijas Bankas Finanšu pratības daļas vadītājas Aijas Brikšes prezentācija Rīgas Izglītības un informatīvi metodiskā centra seminārā skolotājiem "Drošs internets un droša digitālā finanšu pratība" 2023. gada 29. augustā.
Latvijas Bankas Makroekonomikas analīzes daļas galvenās ekonomistes Baibas Brusbārdes prezentācija seminārā "Aktualitātes ekonomikā" 2023. gada 24. augustā.
Latvijas Bankas Monetārās politikas analīzes daļas galvenās ekonomistes Anetes Kravinskas prezentācija seminārā "Aktualitātes ekonomikā" 2023. gada 24. augustā.
Latvijas Bankas Makroekonomikas analīzes daļas galvenā ekonomistes Dainas Paulas prezentācija seminārā "Aktualitātes ekonomikā" 2023. gada 24. augustā.
Latvijas Banka has revised Latvia's macroeconomic forecasts for 2023-2025. Inflation is projected to decline to 10% in 2023 and further to 2.7% in 2024 and 2.6% in 2025. GDP growth is forecast to be 0.5% in 2023, then increase to 3.7% in 2024 and 3.3% in 2025. Unemployment is projected to remain stable around 7.3-7.4% through 2025. The general government deficit is expected to decline from 4% of GDP in 2023 to around 2.7-1.5% of GDP in 2024-2025.
Latvijas tautsaimniecības makroekonomiskā attīstība | Marts 2023Latvijas Banka
Latvijas Bankas prezidenta Mārtiņa Kazāka un Monetārās politikas pārvaldes vadītāja Ulda Rutkastes prezentācija 2023. gada 31. martā par jaunākajām ekonomikas prognozēm.
3. Mērķis:
novērtēt mājsaimniecību-kredītņēmēju finansiālo
ievainojamību
Motivācija:
finanšu krīzes laikā mājsaimniecības
saskārās ar nozīmīgu ienākumu un
nodarbinātības sarukumu, tajā pat laikā
saglabājot ievērojamu parāda slogu. Līdz
šim mājsaimniecību stāvokļa uzlabošanās
ir bijusi samērā lēna un trūka
informācijas tieši par kredītņēmēju
finansiālo stāvokli
Uzdevumi:
Ar aptaujas palīdzību iegūt datus par
mājsaimiecībām-kredītņēmējām, kas nav pieejami
no citiem avotiem:
- ienākumi un to avoti;
- izdevumi un to sadalījums;
- mājsaimniecības sastāvs.
Novērtēt kredītņēmēju finansiālo situāciju;
Modelēt kredītņēmēju jutīgumu pret nelabvēlīgām
makroekonomisko rādītāju pārmaiņām.
5. Latvijas mājsaimniecību parāds strauji pieauga, pietuvojoties attīstīto
ES valstu līmenim
Mājsaimniecību aizņēmumi pret rīcībā esošo ienākumu (%, šķirots dilstoši pēc 2008. gada datiem)
Avots: ECB Statistikas datubāze (ECB Statistical Data Warehouse)
6. Mērķis:
novērtēt mājsaimniecību-kredītņēmēju finansiālo
ievainojamību
Motivācija:
finanšu krīzes laikā mājsaimniecības
saskārās ar nozīmīgu ienākumu un
nodarbinātības sarukumu, tajā pat laikā
saglabājot ievērojamu parāda slogu. Līdz
šim mājsaimniecību stāvokļa uzlabošanās
ir bijusi samērā lēna un trūka
informācijas tieši par kredītņēmēju
finansiālo stāvokli
Uzdevumi:
Ar aptaujas palīdzību iegūt datus par
mājsaimiecībām-kredītņēmējām, kas nav pieejami
no citiem avotiem:
- ienākumi un to avoti;
- izdevumi un to sadalījums;
- mājsaimniecības sastāvs.
Novērtēt kredītņēmēju finansiālo situāciju;
Modelēt kredītņēmēju jutīgumu pret nelabvēlīgām
makroekonomisko rādītāju pārmaiņām.
8. 2013. gadā Latvijas Bankas uzdevumā tika veikta mājsaimniecību-
kredītņēmēju aptauja
Aptaujas veicējs – socioloģisko pētījumu firma TNS;
Kritērijs – mājsaimniecībai ir vismaz viens kredīts mājokļa
iegādei;
Izlases izmērs – 1002 mājsaimniecības;
Analīzē izmantoti dati par 974 mājsaimniecībām;
37% respondentu tika aptaujāti dzīves vietās, 63% – ar
interneta starpniecību.
Šī ir otrā šāda veida aptauja. Pirmā – izmēģinājuma aptauja
tika veikta 2011. gadā un tajā tika aptaujāta 801
mājsaimniecība.
Respondentu sadalījums pēc dzīvesvietas (% no izlases)
9. Visas mājsaimniecības tiek iedalītas 2 grupās: maksātspējīgās un
ievainojamās. Par ievainojamām tiek uzskatītas mājsaimniecības ar
negatīvu finansiālo maržu
Katrai mājsaimniecībai tika aprēķināta uz pilnu kalendāro gadu attiecināta finanšu marža
Finanšu
marža =
Mājsaimniecības 12
mēnešu ienākumi
Mājsaimniecības
uzkrājumi+ -
Mājsaimniecības
12 mēnešu sadzīves
izdevumi -
Mājsaimniecības
12 mēnešu saistību
dzēšanas
maksājumi
≥0
<0
Finanšu
marža
Maksātspējīga
mājsaimniecība
(MM)
Ievainojama
mājsaimniecība
(IM)
90% no izlases
mājsaimniecībām
10% no izlases
mājsaimniecībām
10. 0
5
10
15
20
25
30
35
Mazāk par
200
200.01 -
300
300.01 -
500
500.01 -
1000
1000.01 un
vairāk
Īpatsvarsnonodarbinātajiem(%)
Ienākumi no nodarbinātības mēnesī vidēji uz vienu nodarbināto (latos)
Ienākumu no nodarbinātības vidēji uz vienu
nodarbināto sadalījums
Valstī kopumā Izlase
Aptauja rāda, ka
kredītņēmējiem ir vidēji
augstāki ienākumi nekā
valstī:
aptaujā 62% no
nodarbinātajiem mēnesī
saņem nodarbinātības
ienākumus lielākus par
300 latiem, kamēr valstī
kopumā tie ir 39%
nodarbināto
11. 0
5
10
15
20
25
30
35
40
45
Mazāk par
200
200.01 -
300
300.01 -
500
500.01 -
1000
1000.01 un
vairāk
Īpatsvarsnonodarbinātajiem(%)
Mājsaimniecības kopējie mēneša ienākumi vidēji uz vienu nodarbināto
(latos)
Mājsaimniecības kopējo ienākumu vidēji uz
vienu nodarbināto sadalījums
Aptauja 2011 Aptauja 2013
Pēdējo 2 gadu laikā
mājsaimniecību ienākumi ir
palielinājušies:
mājsaimniecību
nodarbināto
koncentrācija augstāku
ienākumu intervālos
kopš 2011. gada
aptaujas ir
palielinājusies
12. 0
5
10
15
20
25
30
35
40
Mazāk par
200
200.01 -
300
300.01 -
500
500.01 -
750
750.01 -
1000
1000.01 -
1500
virs 1500
Īpatsvarsnomājsaimniecībuskaitaattiecīgajā
mājsaimniecībugrupā(%)
Mājsaimniecības kopējie mēneša ienākumi (latos)
Mājsaimniecību sadalījums pēc kopējiem
mājsaimniecības neto mēneša ienākumiem
Kopā MM IM
Ievainojamo mājsaimniecību
koncentrācija zemo
ienākumu grupās ir
ievērojami lielāka nekā
vidēji izlasē:
76% no ievainojamām
mājsaimniecībām
kopumā saņem mazāk kā
500 latus mēnesī, kamēr
tikai 23% no
maksātspējīgajām
mājsaimniecībām
14. 0
100
200
300
400
500
600
700
800
0
2
4
6
8
10
12
14
K J D M O H A F N Q C G L R P I
Netodarbasamaksa(latos)
Īpatsvarsnovisiemmājsaimniecībasnodarbinātajiem
attiecīgajāmājsaimniecībugrupā(%) Mājsaimniecību nodarbināto sadalījums pa nozarēm un
vidējā darba samaksa nozarē (%)
MM IM Vidējā darba samaksa nozarē (labā ass)
A – Lauksaimniecība
C – Apstrādes rūpniecība
D – Elektroenerģija
F – Būvniecība
G – Vairumtirdzniecība,
mazumtirdzniecība
H – Transports un uzglabāšana
I – Izmitināšana un ēdināšanas
pakalpojumi
J – Informācijas un komunikācijas
pakalpojumi
K – Finanšu un apdrošināšanas
darbības
L – Operācijas ar NĪ
M – Profesionālie, zinātniskie un
tehniskie pakalpojumi
N – Administratīvo un apkalpojošo
dienestu darbība
O – Valsts pārvalde, aizsardzība
P – Izglītība
Q – Veselība un sociālā aprūpe
R – Māksla, izklaide un atpūta
Nozares ranžētas pēc vidējās
darba samaksas nozarē
15. 0
10
20
30
40
50
60
70
80
0
5
10
15
20
25
30
35
40
45
1.kvartile
Mazāk par 450
2.kvartile
450-680
3.kvartile
700-950
4.kvartile
Vairāk par 950
Mājsaimniecībuskaitaīpatsvarskopējā
ievainojamomājsaimniecībuskaitā(%)
Atlikumaīpatsvarskopējāizlases
mājokļukredītportfelī(%)
Mājsaimniecības kopējie mēneša ienākumi kvartilē (latos)
Mājsaimniecību mājokļa kredītu atlikumu īpatsvars portfelī
(% no atlikuma) un ievainojamo mājsaimniecību skaits
sadalījumā pa ienākuma kvartilēm (%)
IM mājokļa kredītu atlikumu īpatsvars portfelī
MM mājokļa kredītu atlikumu īpatsvars portfelī
IM skaita īpatsvars kopējā IM mājsaimniecību skaitā (labā ass)
Lielākā mājokļa kredītu atlikuma
daļa (40%) izsniegta
mājsaimniecībām ar augstākajiem
ienākumiem. Taču ievainojamo
mājsaimniecību un to saistību
sadalījumam kvartilēs vērojama
pretēja tendence:
ievainojamo mājsaimniecību
lielākā saistību daļa ir
mājsaimniecībām ar zemākajiem
ienākumiem (1.kvartile)
73% no ievainojamām
mājsaimniecībām ir zemāko
ienākumu kvartilē
16. 0
10
20
30
40
50
60
70
80
90
100
0
5
10
15
20
25
Nekustamoīpašumucenuindeksavērtība
Mājokļakredītuatlikumuīpatsvarskopējāatlikumā(%)
Mājokļa kredīta ņemšanas gads
Mājokļa kredītu atlikuma sadalījums pēc kredīta
ņemšanas gada
IM MM Nekustamo īpašumu cenu indekss (2007=100) (labā ass)
Mājsaimniecības ir uzņēmušās ievērojamas
saistības 2006.-2008. gados jeb NĪ cenu
“pīķa” laikā:
šajos gados ir paņemti 60% no visa
izlases mājokļa kredītportfeļa atlikuma
un 48% no izlases mājokļu kredītu
skaita
tieši ievainojamās mājsaimniecības šajā
periodā ir uzņēmušās lielāko parāda
slogu:
– 69% no kopējā ievainojamo
mājsaimniecību mājokļa kredītu
atlikuma
– 57% no visiem ievainojamo
mājsaimniecību mājokļa kredītiem
17. Lai gan vērojama situācijas
uzlabošanās un ievainojamo
mājsaimniecību skaits un it īpaši
saistību īpatsvars kopējā kredītportfelī
sarūk, tas joprojām vērtējams kā
samērā augsts
ievainojamo mājsaimniecību
īpatsvars kopējā mājsaimniecību
skaitā kopš 2011.gada aptaujas
samazinājies par 1 procentpunktu
ievainojamo mājsaimniecību
saistību īpatsvars mājokļa
kredītportfeļi kopš 2011.gada
samazinājies par 8
procentpunktiem
11
21
10
13
0
5
10
15
20
25
Ievainojamo mājsaimniecību
īpatsvars
Ievainojamo mājsaimniecību saistību
īpatsvars mājokļa kredītportfelī
Īpatsvars(%)
Ievainojamo mājsaimniecību skaita un saistību īpatsvara
mājokļa kredītportfelī salīdzinājums starp 2011. gada un
2013. gada aptaujām (%)
Aptauja 2011 Aptauja 2013
18. 0
5
10
15
20
25
30
35
40
45
50
<20 20-40 40-59 60-79 80-100 >=100
Īpatsvarskopējāmājsaimniecībuskaitā(%)
Mājsaimniecības visu kredītu mēneša maksājumu attiecība pret
mēneša ienākumiem (%)
Mājsaimniecību visu kredītu maksājumu
attiecība pret ienākumiem salīdzinājumā starp
2011. gada un 2013. gada aptaujām
Aptauja 2011 Aptauja 2013
Kopumā visā izlasē vidējais parāda
slogs ir mazinājies, galvenokārt
maksātspējīgo mājsaimniecību
finansiālās situācijas uzlabošanās
dēļ
vidējā visu kredītu mēneša
maksājumu attiecība pret
ienākumiem 2011. gada aptaujā
bija 31%, kamēr 2013. gadā –
29%
40% maksājumu pret
ienākumiem slieksni 2011. gadā
pārsniedza 23% mājsaimniecību,
taču 2013. gadā 16%
19. 20
71
9
19
0
10
20
30
40
50
60
70
80
MM IM
Vidējākredītumēnešamaksājumuattiecībapret
mēnešaienākumiem(%)
Mājsaimniecību grupa
Vidējās kredītu mēneša maksājumu attiecības pret
mājsaimniecības mēneša ienākumiem mājsaimniecību grupās
Vidējā mājokļu kredītu maksājumu attiecība pret ienākumiem
Vidējā citu kredītu maksājumu attiecība pret ienākumiem
Mājokļu kredītu maksājumu attiecības pret ienākumiem mediāna
Ievainojamas
mājsaimniecības
ievērojami lielāks kredītu
maksājumu slogs
– vidējās ikmēneša
kredītmaksājumu attiecības pret
ienākumiem ir lielākas gan
mājokļa, gan citiem kredītiem
biežāk ņem citus kredītus
– 53% ievainojamo
mājsaimniecību ir vēl citi kredīti,
kamēr 33% maksātspējīgo
mājsaimniecību
20. Lielākajai daļai ievainojamo
mājsaimniecību visu kredītu
ikmēneša maksājumu slogs ir
pārmērīgs
68% ievainojamo
mājsaimniecību ikmēneša
kredītu maksājumu slogs
pārsniedz 40% attiecībā
pret ienākumiem, savukārt
maksātspējīgām tie ir 10%
mājsaimniecību
0
5
10
15
20
25
30
35
Īpatsvarskopējāmājsaimniecībuskaitāattiecīgajā
mājsaimniecībugrupā(%)
Mājsaimniecības visu kredītu mēneša maksājumu attiecība pret mēneša
ienākumiem (%)
Vidējais visu kredītu ikmēneša maksājumu slogs
MM IM
99.3
21. Maksātspējīgo un ievainojamo mājsaimniecību salīdzinājums
Rādītāji MM IM
Vidējie mēneša ienākumi uz mājsaimniecību (Ls) 863 386
Vidējais mājokļa kredītu atlikums (tūkst. Ls) 18.5 23.8
Vidējais citu kredītu atlikums (tūkst. Ls) 0.5 0.8
Vidējais kopējais kredītu atlikums (tūkst. Ls) 19.1 24.6
Vidējais mājokļa kredīta maksājums mēnesī (Ls) 158 212
Vidējais pārējo kredītu maksājums mēnesī (Ls) 26 39
Vidējais kredītu skaits 1.5 1.8
Vidējais nodarbināto skaits 1.8 1.4
Vidējais locekļu skaits 3.2 3.4
Vidējais nodarbināto vecums 39.5 40.0
Nodarbināto ar augstāko izglītību īpatsvars (%) 51 35
Kopējais mājokļa kredītu apjoms izlasē (milj. Ls) 16.2 (87.3%) 2.4 (12.7%)
Mājsaimniecību skaits izlasē 875 (89.8%) 99 (10.2%)
Ievainojamās
mājsaimniecības
raksturo:
Zemāki ienākumi
Lielāki kredītu atlikumi
Lielāki kredītu maksājumi (gan
nomināli, gan attiecībā pret
ienākumiem)
Vidēji vairāk kredītu uz vienu
mājsaimniecību
Ģimenē vidēji vairāk
bezdarbnieku
22. Loģistiskā regresija: Maksātnespējas novērtējums atkarībā no maksājuma pret
ienākumiem un ienākumu kvartiles
Maksātnespējas
novērtējums
Maksājums pret ienākumiem (%)
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
1. kvartile 2. kvartile 3. kvartile 4. kvartile
Pieļaujamais maksājuma
pret ienākumiem līmenis
ir atkarīgs no ienākuma
līmeņa:
1. kvartile 32%
2. kvartile 47%
23. Loģistiskā regresija: Maksātnespējas novērtējums atkarībā no apgādājamo skaita
un uzkrājumiem
Maksātnespējas
novērtējums
Uzkrājumu esamība
samazina maksātnespējas
varbūtību
2 reizes (par 50%)
Katrs apgādājamais palielina
maksātnespējas varbūtību
~ par 2pp
Jo vairāk apgādājamo, jo
svarīgāki uzkrājumiApgādājamo skaits
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0 1 2 3 4 5 6
Uzkrājumi ir Uzkrājumu nav
25. Stresa testu pieņēmumi
Analīzes laiks – viens gads (2014);
Šoki tiek piemēroti 2014. gada sākumā, pieņemot, ka pārējie mainīgie faktori saglabājas nemainīgi
(ceteris paribus princips);
Gada laikā mājsaimniecības ienākumi nemainās;
Mājsaimniecība var izmantot savus uzkrājumus izdevumu segšanai;
Novērtējot ienākumu samazinājuma šoka ietekmi, ienākumu līmenis tiek samazināts visām
mājsaimniecībām proporcionāli;
Procentu likmju šoks tiek piemērots tikai kredītiem mājokļa iegādei;
Bezdarba pieaugums tiek modelēts ar Montekarlo simulācijām;
Gada laikā nemainās kredītu līgumu nosacījumi.
26. Sagaidāmo zaudējumu aizdevējiem aprēķins
individuālas mājsaimniecības līmenī
Algas samazinājums
Finanšu
marža
Maksātspējīga
mājsaimniecība
(MM)
Ievainojama
mājsaimniecība
(IM)
≥0
<0
Procentu likmes
pieaugums
Bezdarba pieaugums
Makro šoki:
Zaudējumi nerodas
Sagaidāmie zaudējumi
= Saistības –
nodrošinājuma vērtība
Papildus
nepieciešamie
uzkrājumi
27. Mājsaimniecības ir ļoti
jutīgas pret ienākumu
samazinājuma šoku:
pat 5% ienākumu samazinājums
izraisītu ievainojamo
mājsaimniecību pieaugumu vairāk
kā 1.5 reizes (par 7.5pp);
14% ienākumu samazinājums
trīskāršotu IM īpatsvaru
(pieaugums par 24.1pp);
IM saistību īpatsvars
kredītportfeli pieaugtu par
23.4pp;
banku zaudējumi pieaugtu par
3.5 pp no kredītu atlikuma
0
5
10
15
20
25
30
35
0
10
20
30
40
50
60
70
0
5
10
15
20
Ienākumu samazinājums (%)
Sagaidāmo zaudējumu pieaugums (% no kredītu atlikuma, labā ass)
Papildu nepieciešamie kredītiestāžu uzkrājumi (% no kredītu atlikuma, labā ass)
Ievainojamās mājsaimniecības (% no kredītņēmējiem)
Ievainojamo mājsaimniecību kredītu īpatsvars (% no kopējā mājokļu kredītu atlikuma)
28. Procentu likmju
pieauguma šoks vairāk
ietekmē
mājsaimniecības ar
lieliem kredītiem
200 bps (2 pp) pieauguma
gadījumā:
IM īpatsvars pieaugtu vairāk kā
1,5 reizes (par 7.2pp)
IM saistību īpatsvars portfelī
gandrīz dubultotos (pieaugums par
11.4 pp).
Banku zaudējumi (pie
pašreizējām NĪ cenām) palielinātos
par 2.1 pp no mājokļa kredītu
portfeļa
0
5
10
15
20
25
30
35
0
10
20
30
40
50
60
70
-
50
100
150
200
250
300
Procentu likmes pieaugums (bps)
Sagaidāmo zaudējumu pieaugums (% no kredītu atlikuma, labā ass)
Papildu nepieciešamie kredītiestāžu uzkrājumi (% no kredītu atlikuma, labā ass)
Ievainojamās mājsaimniecības (% no kredītņēmējiem)
Ievainojamo mājsaimniecību kredītu īpatsvars (% no kopējā mājokļu kredītu atlikuma)
29. Bezdarba pieauguma
ietekme ir ierobežota, jo
nodarbinātības ienākumu
kritumu mazina
bezdarbnieku pabalstu
pieejamība:
pie 11pp pieauguma:
IM īpatsvars dubultotos
(pieaugums par 11.2 pp);
IM saistību īpatsvars portfelī
gandrīz dubultotos (pieaugums
par 10.8 pp)
Banku zaudējumi (pie
pašreizējām NĪ cenām)
palielinātos par 1.7 pp no
mājokļa kredītu portfeļa
0
5
10
15
20
25
30
35
0
10
20
30
40
50
60
70
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
5.5
6.0
6.5
7.0
7.5
8.0
8.5
9.0
9.5
10.0
10.5
11.0
11.5
12.0
12.5
13.0
13.5
14.0
14.5
15.0
Bezdarba līmeņa palielinājums (pp)
Sagaidāmo zaudējumu pieaugums (% no kredītu atlikuma, labā ass)
Papildu nepieciešamie kredītiestāžu uzkrājumi (% no kredītu atlikuma, labā ass)
Ievainojamās mājsaimniecības (% no kredītņēmējiem)
Ievainojamo mājsaimniecību kredītu īpatsvars (% no kopējā mājokļu kredītu atlikuma)
30. Apvienojumā ar ienākumu
samazinājumu*,
mājsaimniecību jutīgums
pret bezdarba pieaugumu
palielinās:
pie 11pp bezdarba pieauguma un
5.2% algas samazinājuma:
IM īpatsvars pieaugtu par 18.1 pp
IM saistību īpatsvars portfelī
pieaugtu par 17.1 pp
Banku zaudējumi (pie pašreizējām
NĪ cenām) palielinātos par 2.5 pp
no mājokļa kredītu portfeļa
* - Balstoties uz LB makroekonomiskā modeļa rezultātiem, pieaugums bezdarba līmenī par 1 pp rada darba samaksas samazinājumu par apmēram 0.47 pp.
0
5
10
15
20
25
30
35
0
10
20
30
40
50
60
70
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
5.5
6.0
6.5
7.0
7.5
8.0
8.5
9.0
9.5
10.0
10.5
11.0
11.5
12.0
12.5
13.0
13.5
14.0
14.5
15.0
Bezdarba līmeņa palielinājums (pp)
Sagaidāmo zaudējumu pieaugums (% no kredītu atlikuma, labā ass)
Papildu nepieciešamie kredītiestāžu uzkrājumi (% no kredītu atlikuma, labā ass)
Ievainojamās mājsaimniecības (% no kredītņēmējiem)
Ievainojamo mājsaimniecību kredītu īpatsvars (% no kopējā mājokļu kredītu atlikuma)
32. Galvenās atziņas
Mājsaimniecības-kredītņēmējas ir jutīgas pat pret nelieliem nelabvēlīgiem šokiem;
Visievainojamākās – mājsaimniecības, kuras saistības uzņēmās neilgi pirms krīzes
sākuma;
Lai gan tautsaimniecības izaugsme ir atjaunojusies, daļa mājsaimniecību-kredītņēmēju
nav spējušas atgūt zudušo maksātspēju un saskaras ar grūtībām sabalansēt savus
ienākumus un izdevumus;
Iespējamie papildu zaudējumi aizdevējiem, īstenojoties nelabvēlīgiem šokiem, ir kļuvuši
mērenāki;
Mājsaimniecību ienākumi, it īpaši maksātspējīgo, pēdējo gadu laikā ir palielinājušies,
tādējādi mazinot to ievainojamības risku.
34. Analīzes metodoloģija I
Bi = RIi + Ui - SIi – Ki
Bi –i-tās mājsaimniecības finansiālā marža (ienākumu-izdevumu bilance)
RIi – i-tās mājsaimniecības kopējie rīcībā esošie ienākumi
Ui – i-tās mājsaimniecības uzkrājumi
SIi – i-tās mājsaimniecības sadzīves izdevumi pārtikas un patēriņa preču iegādei un komunālo maksājumu
segšanai
Ki – i-tās mājsaimniecības kopējie maksājumi saistību izpildei
Bi≥0 – Maksātspējīga mājsaimniecība (MM)
Bi<0 – Ievainojama mājsaimniecība (IM)
Individuālās mājsaimniecības finanšu marža nākamajām kalendāram gadam
35. Analīzes metodoloģija II
Si –i-tās mājsaimniecības kopējais (summārais) mājokļa kredītu saistību atlikums
KNAi (LTV)– i-tās mājsaimniecības kopējā (summāra) mājokļa kredītu atlikuma intervālam atbilstoša kredīta un nodrošinājuma
attiecības vērtība
tika izmantotas no Kredītu reģistra datiem aprēķinātas vidējas KNA vērtības, kas atbilst aizņēmēju kopējām mājokļa kredītu atlikumam
Zaudējumi, kas var rasties saistību nepildīšanas gadījumā
Kredīta nodrošinājuma vērtība (Vi ):
Individuālās ievainojamās mājsaimniecības (Bi<0) sagaidāmie zaudējumi (SZi ):
𝑆𝑍𝑖 =
0, ja 𝑉𝑖 ≥ 𝑆𝑖
𝑆𝑖 − 𝑉𝑖 , ja 𝑉𝑖 < 𝑆𝑖
𝑉𝑖 = 𝑆𝑖/𝐾𝑁𝐴𝑖,
36. Analīzes metodoloģija III
Nepiemērojot nekādus šokus, aprēķinātie sagaidāmie zaudējumi vienkārši atspoguļo zaudējumus no
mājsaimniecībām, kuras jau gada sākumā nepildīja saistības. Uz šādiem zaudējumiem jau jābūt izveidotiem
uzkrājumiem. Reakcijas uz piemērotiem šokiem atspoguļošanai tika aprēķināti sagaidāmo zaudējumu pieaugumi
šoku gadījumā:
Sagaidāmie zaudējumi
𝐼 𝐵 𝑖<0 =
0, ja 𝐵𝑖 ≥ 0,
1, ja 𝐵𝑖 < 0.
𝑆𝑍 = 𝐼{𝐵 𝑖<0} ∙ 𝑆𝑍𝑖
𝑁
𝑖=1
,
kur i-tās mājsaimniecības negatīvas finansiālās maržas indikatorfunkcija, kas pieņem vērtību 1, ja mājsaimniecības finansiālā
marža ir negatīva:
∆𝑆𝑍𝑠ℎ𝑜𝑐𝑘 = 𝑆𝑍𝑠ℎ𝑜𝑐𝑘 − 𝑆𝑍 𝑛𝑜 𝑠ℎ𝑜𝑐𝑘 ,
37. Analīzes metodoloģija III
kalpo kā kavēto kredītu īpatsvara aizstājējmainīgais (proxy)
kavēto virs 90 dienām kredītu īpatsvars ir publiski pieejams un plaši analizēts rādītājs (FKTK)
Ievainojamo mājsaimniecību saistību īpatsvars kopējā atlikumā EAD%
𝐸𝐴𝐷% =
𝐼 𝐵𝑖<0 ∙ 𝑆𝑖
𝑁
𝑖=1
𝑆𝑖
𝑁
𝑖=1
∙ 100,
kur Si –i-tās mājsaimniecības kopējais (summārais) mājokļa kredītu saistību atlikums.
Papildus nepieciešamie uzkrājumi (PNU) tiek rēķināti kā 60% no kavētajiem kredītiem:
𝑃𝑁𝑈 = 0.6 ∗ (𝐸𝐴𝐷%𝑠ℎ𝑜𝑐𝑘 − 𝐸𝐴𝐷%𝑛𝑜 𝑠ℎ𝑜𝑐𝑘 )
38. Analīzes metodoloģija IV
Bezdarba pieaugums tika modelēts ar Montekarlo simulācijām (1000 atkārtojumi);
Katrā simulācijā bezdarbnieka statuss indivīdam tika piešķirts ar nejaušās atlases paņēmienu;
Katram Latvijā nodarbinātajam izlasē šāda statusa piešķiršana ir vienlīdziespējama;
Visas personas, kas kļuvušas par bezdarbniekiem bezdarba pieauguma simulācijas rezultātā,
saņem bezdarba pabalstus;
Iegūtie zaudējumi ir vidējie 1000 simulācijās.
Bezdarba pieauguma modelēšana
39. Loģistiskā regresija: maksātnespējas varbūtības ietekmējošo faktoru noteikšana
Modelēšanas atkarīgais mainīgais
mājsaimniecība pieder riska grupai, ja:
– uz jautājumu “Vai aizņēmuma atmaksa sagādā Jūsu ģimenei grūtības?” sniegta atbilde:
“Sagādā nozīmīgas grūtības, atmaksa jau tiek kavēta”;
– uz jautājumu “Kā Jūs vērtējat savas aizņēmuma atmaksāšanas spējas, ja Jūsu ikmēneša
maksājumi par aizņēmumu pieaugtu par 20-25%?” sniegta atbilde: “Es jau pašlaik nevaru
pilnībā veikt ikmēneša maksājumus.”
grupairiskapiederm/sja,1
grupairiskanepiederm/sja,0
Y
40. Loģistiskā regresija: koeficientu novērtējumi un diagnostika
2
RNagelkerke
Mainīgais
Marginālie efekti
koeficie
nts
p -
vērtība
ME at
means
Averaged
ME
C -3.36 0.000 0.035
APGĀDĀJAMO SKAITS 0.39 0.002 1.47 0.002 0.022
MAKSĀJUMS PRET
IENĀKUMIEM 4.31 0.000 75.15 0.181 0.242
UZKRĀJUMI (BINĀRS) -0.68 0.068 0.51 -0.029 -0.038
BEZDARBNIEKU SKAITS
& LAUKI 1.34 0.018 3.80 0.056 0.075
IENĀKUMI 2. KVARTILĒ -0.63 0.034 0.53 -0.027 -0.035
IENĀKUMI 3. KVARTILĒ -2.28 0.000 0.10 -0.096 -0.128
IENĀKUMI 4. KVARTILĒ -1.91 0.001 0.15 -0.081 -0.107
e
AUROC
0.876
McFadden
R-sq
Nagelkerke
R-sq
0.341 0.409
HL p - vērtība
4.58 0.801
41. Mājsaimniecību aptauja vairāk reprezentē vidējos un vidēji mazos mājokļa kredītus
Mājokļa kredītu atlikumu īpatsvara kopējā mājokļu kredītu
atlikumā salīdzinājums ar Kredītu reģistra datiem
0
2
4
6
8
10
12
14
16
18
20
≤ 10
tūkst.
20
tūkst.
30
tūkst.
40
tūkst.
50
tūkst.
60
tūkst.
70
tūkst.
80
tūkst.
90
tūkst.
100
tūkst.
150
tūkst.
>150
tūkst.
Atlikumuīpatsvarskopējāatlikumā(%)
Mājokļa kredītu atlikums (latos)
Izlases dati Kredītu reģistrs
Mājokļa kredītu skaita īpatsvara no kopējā mājokļu kredītu skaita
salīdzinājums ar Kredītu reģistra datiem
0
5
10
15
20
25
30
35
40
45
50
≤ 10
tūkst.
20
tūkst.
30
tūkst.
40
tūkst.
50
tūkst.
60
tūkst.
70
tūkst.
80
tūkst.
90
tūkst.
100
tūkst.
150
tūkst.
>150
tūkst.
Kredītuskaitaīpatsvarskopējāskaitā(%)
Mājokļa kredītu atlikums (latos)
Izlases dati Kredītu reģistrs