Препринт материала для статьи в "Вопросы экономики". Сама статья находится в печати, "Вопросы экономики", №5

1. 1
А. Могилат, Ю. Ачкасов, А. Егоров, А. Климовец, С. Донец1
Дискуссии о денежно-кредитной политике и состоянии
экономики: в поисках конструктивной критики*
Аннотация:
В статье обсуждаются подходы и инструменты, используемые в
публичных материалах Банка России для анализа макроэкономического фона
и формирования предпосылок для прогноза денежно-кредитных показателей.
Основной акцент делается на: индикаторах фазы экономического цикла;
показателях денежно-кредитных условий, а также логике формирования
суждений об экономической ситуации на основании наблюдаемой динамики
индикаторов. Авторы останавливаются на тех аспектах анализа, которые
вызывают наибольшие дискуссии в научной и экспертной литературе, в
частности на новых показателях и моделях, презентуемых Банком России, в
том числе в Докладах о денежно-кредитной политике в 2015 году.
Ключевые слова: денежно-кредитная политика, потенциальный выпуск,
ключевая ставка, экономический цикл.
JEL: E52, E58, E32
Современная экономика России развивается под воздействием целого
спектра рисковых факторов – как внешних (нестабильность на сырьевых
рынках, геополитическая ситуация), так и внутренних (структурные
диспропорции в экономике). В сложившихся условиях ключевой задачей
1
Могилат Анастасия Николаевна (mogilatan@cbr.ru), ведущий экономист, Департамент денежно-кредитной
политики Банка России (Москва); Ачкасов Юрий Константинович (achkasovyuk@cbr.ru), ведущий
экономист, Департамент денежно-кредитной политики Банка России (Москва), аспирант НИУ Высшая
школа экономики (Москва); Егоров Алексей Владимирович (EgorovAV@cbr.ru), начальник отдела,
Департамент денежно-кредитной политики Банка России (Москва); Климовец Александр Викторович
(KlimovetsAV@cbr.ru), консультант, Департамент денежно-кредитной политики Банка России (Москва);
Донец Софья Александровна (DonetsSA@cbr.ru), начальник отдела, Департамент денежно-кредитной
политики Банка России (Москва)
*
Авторы выражают глубокую признательность своим коллегам Бадасен П.В., Кузьминой З.А., Лозгачевой
Е.Н., Олениной Е.А., а также редакции журнала «Вопросы экономики» и рецензенту статьи за ценные
замечания и предложения.Точка зрения авторов может не совпадать с позицией Банка России.

2. 2
денежно-кредитной политики (ДКП) является сдерживание инфляционного
давления на экономику, с одной стороны, и недопущение её чрезмерного
охлаждения, с другой. Ситуация осложняется тем, что для выхода на
устойчиво низкие уровни инфляции России необходимо пройти путь
дезинфляции, который, как показывает опыт большинства центральных
банков, успешно таргетирующих инфляцию, является достаточно трудным и
даже болезненным.
Сложность адаптации к новой парадигме ДКП представляется одной из
причин появления в экспертном сообществе разных (а зачастую – полярных)
точек зрения на политику Банка России. Веруя в древнюю мудрость о том,
что «в споре рождается истина», мы полагаем, что и современная ДКП
России (как, впрочем, и любая ДКП в мире) нуждается в обсуждении,
независимом экспертном анализе и – что особенно важно – конструктивной
критике. Для придания дискуссии конструктивного характера мы полагаем
важным подробнее остановливаться на отдельных дискуссионных темах и
аспектах.
Широта спектра существующих в литературе индикаторов
экономической активности не всегда облегчает процесс формирования
суждения о текущем состоянии экономики, и даже напротив, часто
осложняет его, поскольку далеко не все индикаторы имеют однозначную
интерпретацию, лишенную элементов субъективности. По этой причине в
«неспокойные» для экономики времена оценка текущей ситуации требует
особого внимания к деталям. Не ставя цель охватить все актуальные темы и
показатели для анализа2
, в данной статье мы концентрируемся на двух
аспектах, относящихся, по нашему мнению, к наиболее диксуссионным и
активно обсуждаемым в научной и экспертной литературе – характеристика
фазы экономического цикла и показатели состояния денежно-кредитной
сферы.
2
Они отчасти затронуты в более ранних работах – см., например, (Бадасен и др., 2015)

3. 3
Об индикаторах загрузки производственных мощностей
Уровень загрузки производственных мощностей является важным
инструментом анализа экономической активности и помогает в решении
задачи идентификации фазы экономического цикла. Индикаторы загрузки
мощностей позволяют судить о наличии инфляционного (или
дезинфляционного) давления в экономике, а также о его силе. Изменения
уровня загрузки мощностей:
 во-первых, косвенно связаны с шоками совокупного спроса, которые
двигают равновесие в экономике вдоль наклонной кривой
совокупного предложения;
 во-вторых, косвенно характеризуют состояние рынка труда, не
отражаемое индикаторами занятости (снижение загрузки мощностей
может происходить в том числе и на фоне снижения спроса на труд).
Круг публичных опросных индикаторов, доступных экспертному
сообществу и участникам рынка, которые также использует Банк России3
,
включает: индикатор загрузки мощностей Российского экономического
барометра (далее – РЭБ), данные исследования «Деловая активность
организаций» Росстата, косвенную оценку динамики загрузки мощностей в
обработке, полученную из субиндексов PMI. Кроме того, Банк России
учитывает результаты регионального опросного исследования Банка России.
Несмотря на недостатки опросных индикаторов4
, для целей анализа
фазы экономического цикла они служат релевантным инструментом.
Преимущество опросных индикаторов перед другими методиками расчета
уровня загрузки мощностей5
заключается в том, что никто лучше
менеджеров предприятий не может охарактеризовать, как меняется
отклонение текущего выпуска от потенциала (в свою очередь меняющегося
под влиянием различных факторов). Микрообоснование связи между
3
см., например, (Банк России, 2015)
4
Некоторые из них отмечены, например, в работе (Апокин и др., 2015)
5
Например, путем оценки на основании форм БМ «Баланс производственной мощности» и 1-Натура БМ
«Сведения о производстве, отгрузке продукции и балансе производственных мощностей»

4. 4
загрузкой и инфляционным давлением для непрерывных производств и
производств конвейерного типа состоит в изменении предельных издержек
на труд с изменением выпуска как следствие роста загрузки. Производства
таких типов в российской промышленности доминируют по объему валовой
добавленной стоимости (далее – ВДС) над иными типами производств, для
которых загрузка мощностей менее релевантна как индикатор поведения
предельных издержек6
.
Конкретные числовые оценки на российских данных могут, на первый
взгляд, свидетельствовать о низком уровне загрузки мощностей и
существовании очень большого дезинфляционного потенциала (для
сравнения (Corrado, Mattey, 1997): инфляционно-нейтральным уровнем
загрузки в США считается 82%). Однако, это не совсем так в силу ряда
обстоятельств. Во-первых, использование индикаторов загрузки требует
сравнения фактического выпуска с некоторым релевантным «нормальным»
уровнем, при этом в силу методологических особенностей точечные оценки
различных индикаторов (а также их «нормальные» уровни) зачастую
существенно расходятся7
. Поэтому распространенной практикой
экономического анализа в развитых странах является рассмотрение текущего
уровня загрузки мощностей не относительно 100%, а относительно
долгосрочного среднего. Во-вторых, в России высока доля сильно
изношенных мощностей, неспособных выпускать продукцию,
конкурентоспособную на рынке. Опросные анкеты не дают представления о
масштабе этой проблемы, однако о ней свидетельствуют данные Росстата:
низкая доля потребления основного капитала к ВВП (порядка 5-6% в
6
У производств, построенных вокруг реплицирования одних из тех же процессов на несколько рабочих
мест, с повышением спроса добавляются новые рабочие места (примеры производств: швейные, некоторые
пищевые, производства пластмассовых и металических изделий, большинство производств,
классифицируемых как «прочие производства»). Доля таких производств в ВДС обработки – не более 20%
(оценка проведена с использованием данных формы П-3 и 5-З).
7
Стоит отметить, что индикаторы, рассчитанные как отношение фактического выпуска к потенциальному,
вовсе не являются полностью объективными, поскольку требуют оценки «потенциала», которая далеко не
однозначна. Например, вызывает вопросы значительная волатильность показателя Росстата «уровень
использования среднегодовой производственной мощности» по отдельным видам продукции, который
зачастую за 1-2 года меняется с очень высоких (70-100%) до чрезвычайно низких (1-5%) уровней..

5. 5
сравнении с 15-16% в США)8
, высокая степень износа основных фондов
(около 50%) и др. Таким образом, загрузка конкурентоспособных
производственных мощностей в целом по экономике не ниже, а, вероятно,
существенно выше значений по результатам опросов.
В настоящее время уровень9
загрузки мощностей в России не находится
на пике, однако всё ещё выше среднего за период с начала наблюдений
(тенденция в динамике загрузки10
отражена на рис. 1). Текущий уровень
загрузки заметно ниже среднего за 2011-2013 гг., однако далеко не достиг
уровня кризиса 2008-2009 годов.
Динамика уровня загрузки производственных мощностей, %
0.7
0.75
0.8
0.85
0.9
0.95
1
1.05
1.1
янв.95
сен.95
май.96
янв.97
сен.97
май.98
янв.99
сен.99
май.00
янв.01
сен.01
май.02
янв.03
сен.03
май.04
янв.05
сен.05
май.06
янв.07
сен.07
май.08
янв.09
сен.09
май.10
янв.11
сен.11
май.12
янв.13
сен.13
май.14
янв.15
сен.15
Агрегированный нормализованный показатель загрузки в промышленности, SA
Среднее с 1995 года
Источники: РЭБ, Росстат, Банк России, расчеты авторов
Рис. 1
8
Рассчитывается как отношение применяемой в СНС оценки снижения текущей стоимости основных
фондов к номинальному ВВП.
9
Текущий уровень составляет (в скобках – среднее за период): по данным РЭБ – 74,9% (70,1%), по данным
Банка России – 72,1% (69,7%); по данным Росстата –63,4% (64,0%).
10
Показатель рассчитан как нормализованное среднее имеющихся индексов загрузки на каждую дату. Он
позволяет охзарактеризовать не сам уровень загрузки, но тенденцию в его динамике относительно среднего
за весь период имеющихся наблюдений

6. 6
Динамика загрузки говорит о происходящем охлаждении экономической
активности, которое, с учетом долгосрочной динамики и разумном
предположении о высокой загрузке конкурентоспособных мощностей, не
является чрезмерным.
Об ожиданиях и настроениях в корпоративном секторе
Наряду с индикаторами загрузки мощностей важное значение для
идентификации разрыва выпуска и фазы экономическогог цикла имеют
ожидания корпоративного сектора относительно динамики спроса, занятости,
заработной платы, цен и других показателей. Они во многом отражают
настроения участников рынка, что, в свою очередь, оказывает влияние на
макроэкономический фон.
Опросные индикаторы используются для описания динамики разрыва
выпуска и в мировой практике. В организации Office for Budget
Responsibility (OBR, 2011) исследователи использовали ожидания и
настроения, равно как и другие циклические индикаторы, для оценивания
разрыва выпуска. При моделировании влияния финансового кризиса 2008 г.
на экономику США в модели GPM специалисты МВФ (Carabenciov et al,
2008) использовали данные опросов старших аналитиков коммерческих
банков об условиях банковского кредитования. Показатель, полученный
элементарным агрегированием ответов, послужил хорошим приближением
индикатора разрыва выпуска в период действия финансового шока и при
добавлении в модель существенно улучшил ее прогностические свойства.
Для учета динамики ожиданий и настроений в российском
корпоративном секторе был разработан индикатор, опирающиеся на
актуальные показатели РЭБ11
. Для этого в помесячном выражении оценена
динамическая факторная модель (ДФМ), основанная на фильтре Калмана и
методе главных компонент:
ttt AFX 
11
Всего 29 показателей: все показатели РЭБ, кроме диффузного индекса условий получения банковских
кредитов промышленности. Подробнее список индикаторов см. в Докладе о ДКП (Банк России, 2015), а
также в Приложении к работе (Ачкасов, 2016).

7. 7
ttt uBFF  1
    0 tt uEE 
     ''
, tttt uuEE 
tX представляет собой вектор опросных показателей, а tF – вектор
факторов, соответствующих данной группе переменных (опросных
показателей). Количество факторов в ДФМ ограничено сверху
исключительно размерностью tX , но для устранения «проклятия
размерности» количество факторов обычно выбирают существенно
меньшим, чем число изначальных показателей. Часто критерием,
определяющим количество факторов, служит доля объяснённой факторами
дисперсии (следа ковариационной матрицы) рассматриваемой группы
переменных.
Согласно результатам построения ДФМ, первый фактор объяснил 40%
дисперсии, при этом прирост дисперсии, объясненной вторым фактором,
существенно меньше (рис. 2), поэтому первый фактор можно
интерпретировать как сводный индикатор ожиданий экономических агентов.
Вклады факторов в объяснение разброса системы показателей
0
5
10
15
20
25
30
35
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Доляобъяснённогоразброса
системыпоказателей,%
Порядковый номер фактора
Источники: расчеты авторов
Рис. 2
Динамика полученного индикатора сходна с динамикой показателей
разрыва выпуска, рассчитываемых при помощи экономико-математических

8. 8
процедур, основанных на принципах фильтрации (рис. 3). Это позволяет
использовать его в качестве прокси для разрыва выпуска, что может, в том
числе, помочь решить проблему «последней точки». Согласно оценке на 2015
год, индикатор ожиданий находится в отрицательной области и снижается,
что указывает на отрицательный разрыв выпуска и его некоторое углубление,
при этом масштаб снижения далеко не достиг уровня кризиса 2009 года.
Таким образом, индикатор ожиданий, как и индикаторы загрузки
мощностей, свидетельствуют о высокой вероятности наличия
отрицательного разрыва выпуска, который, вместе с тем, не столь глубок, как
в кризис 2009 года, что, в свою очередь, конечно, говорит о наличии
потенциала безинфляционного роста, однако далеко менее существенного,
чем в кризис 2009 года. Учитывая данное обстоятельство, а также принимая
во внимание, что формирование небольшого отрицательного разрыва
выпуска является предпосылкой для последовательного и поступательного
снижения инфляции, проведение политики контрциклического монетарного
стимулирования в настоящее время не представляется обоснованным.
Оценки разрыва выпуска в различных методологиях, % от потенциального
уровня
-12
-8
-4
0
4
8
12
-12
-8
-4
0
4
8
12
I.2005
II.2005
III.2005
IV.2005
I.2006
II.2006
III.2006
IV.2006
I.2007
II.2007
III.2007
IV.2007
I.2008
II.2008
III.2008
IV.2008
I.2009
II.2009
III.2009
IV.2009
I.2010
II.2010
III.2010
IV.2010
I.2011
II.2011
III.2011
IV.2011
I.2012
II.2012
III.2012
IV.2012
I.2013
II.2013
III.2013
IV.2013
I.2014
II.2014
III.2014
IV.2014
I.2015
II.2015
III.2015
Одномерный фильтр Ходрика-Прескотта Модель ненаблюдаемых компонентов
Фильтр Калмана (КПМ) Многомерный фильтр Ходрика-Прескотта
Индикатор ожиданий
Источники: расчеты авторов, Банк России
Рис. 3

9. 9
Об индикаторах ситуации в корпоративном секторе
Важными для идентификации цикла и характеристики текущей
ситуации в экономике представляются также показатели сложившегося
делового климата в корпоративном секторе – «выживаемость» компаний под
воздействием меняющихся экономических условий (в том числе внешних
шоков), интенсивность их «ротации» (firms turnover).
«Выживаемость» компании, т.е. её способность продолжать
функционирование в условиях ухудшения экономической конъюнктуры,
является предметом широкого спектра исследований12
по анализу
финансовой устойчивости на микро- и отраслевом уровне, а также
представляет интерес в макро- исследованиях как индикатор напряженности
в корпоративном секторе. К настоящему времени в литературе сложилось
немало подходов к определению сегмента «проблемных» (в зарубежных
исследованиях – “corporate/business failure”, “financial distress”) компаний
(Karels, Prakash, 1987). В число наиболее распространенных входят (Bellovary
et al, 2007): объявление банкротом/участие в деле о банкротстве; наступление
дефолта по обязательствам; фактическая ликвидация;
реструктуризация/вынужденное изменение стратегии выплаты дивидендов и
др.; резкий спад/прекращение производства. Однако, как правило,
предпочтение отдается анализу динамики корпоративных банкротств (Platt,
Platt, 2008), по следующим причинам:
− участие в процедуре банкротства является объективным критерием
определения комапнии как «проблемной», поскольку происходит в
рамках процедуры, установленной законом;
− объявление компании банкротом имеет точную дату;
− дату начала процедуры банкротства скорее можно трактовать как
дату появления финансовых проблем, нежели, например, дату
фактической ликвидации компании;
12
Подробный обзор работ – см. (Bellovary et al, 2007), (Jardin, 2010), (Gepp, Kumar, 2012)

10. 10
− банкротом может стать любая компания, в том числе не являющаяся
эмитентом ценных бумаг.
Ключевые недостатки определения «проблемности» через банкротство:
Первый – участие в процедуре банкротства изначально может быть
вызвано неэкономическими факторами (например, преднамеренное или
фиктивное банкротство). Это свойство может искажать оценку влияния
макроэкономического фона на устойчивость корпоративного сектора.
Второй – по процедуре банкротства проходят только компании,
накопившие критический объем долгов, который невозможно покрыть или
отсрочить. Иными словами, в категорию «банкроты» попадают не все
компании, испытывающие серьезные финансовые затруднения, а лишь
«глубоко проблемные», что, в том числе, является причиной редкости
события «банкротство» (доля банкротств среди компаний промышленности и
сельского хозяйства (без учета самых мелких предприятий)13
– 1,3%).
Кроме того, при анализе динамики банкротств в российской экономике
необходимо учитывать ряд особенностей14
:
1. Возбуждение дела о банкротстве совсем не обязательно
подразумевает «гибель» компании, поскольку она ещё имеет шанс
восстановить свою платежеспособность – так построен
«стандартный» ход процедуры банкротства15
. Поэтому показатель
интенсивности возбуждения дел о банкротстве как индикатор
системных проблем в экономике не вполне корректно использовать
сам по себе, вне связи с характеристиками «эффективности»
процедуры банкротства.
Ключевые индикаторы «эффективности» банкротства – средняя
продолжительность процедуры банкротства, а также доля компаний,
13
Здесь и далее – оценки на основе выборки компаний промышленности и сельского хозяйства, объем
годовой выручки которых хотя бы раз за период 2002-2014 гг. превысил 80 млн.руб.
14
Подробнее – см. (Банк России, 2015), (Могилат, 2015)
15
В соответствии с ФЗ «О несостоятельности (банкротстве)» от 26.10.2002 № 127-ФЗ, ред. от 13.07.2015:
наблюдение → финансовое оздоровление → внешнее управление → конкурсное производство. При этом даже
на этапе конкурсного производства, в соответствии со статьей 146 ФЗ о банкротстве, по ходатайству
конкурсного управляющего возможно его досрочное прекращение и введение внешнего управления.

11. 11
которым удалось восстановить платежеспособность в ходе неё (далее по
тексту – «выжившие»). Согласно анализу российских данных16
, последние
пять лет средняя продолжительность процедуры банкротства17
устойчиво
сокращалась, при сохранении достаточно высокой (около 25% в год18
) доли
«выживших» компаний, во многом благодаря введению с 2009 года поправок
в закон о банкротстве, учитывающих опыт западных стран.
2. В отношении «безнадежных» компаний, не имеющих перспектив
восстановления платежеспособности и/или не заинтересованных в
дальнейшем продолжении деятельности, законом предусмотрено
введение упрощенной процедуры банкротства19
. С 2009 по 2014 гг.
доля «безнадежных» банкротств в промышленности и сельском
хозяйстве выросла с 16 до 24%, при этом с 2011 года в динамике
показателя заметен устойчивый рост.
3. Следствием относительной редкости банкротств является высокий
вклад идиосинкратической компоненты в их динамику (выше, и,
вероятно, существенно, по сравнению с событиями высокой
частотности). В связи с этим нам представляется, что следует крайне
тщательно и осторожно подходить к формированию суждений о том,
шок какого экономического показателя действительно вызвал шок
числа банкротств.
Здесь стоит отметить, что, к сожалению, ряд авторов склонны делать
весьма смелые выводы относительно влияния процентной политики на
устойчивость корпоративного сектора, основанные зачастую на косвенных
оценках, что в итоге может привести к искажению интерпретации
результатов анализа. Например, в работе (Апокин и др., 2015) связь между
повышением кредитных ставок (вызванным шоком ключевой ставки в
16
Источники данных – система БИР-Аналитик агентства Прайм; IT-Audit «Банкротство предприятия». Под
датой банкротства понимается дата первого упоминания об участии в процедуре банкротства в СМИ
(Российская газета, Коммерсант) или дата внесения соответствующей записи в ЕФРСБ
17
Число дней между датой введения «наблюдения» и датой введения «конкурсного производства»
18
Доля «выживших» в общем числе компаний, проходящих по «стандартной» процедуре банкротства
19
В рамках упрощенной процедуры в отношении должника сразу вводится конкурсное производство

12. 12
декабре 2014 года) и резким ростом числа банкротств объясняется с
использованием оценок модели вероятности банкротства, где долговую
нагрузку описывает переменная «отношение чистой кредиторской
задолженности к активам компании». Данный показатель, хоть и отражает
уровень нагрузки на компанию с точки зрения заимствований, однако
нагрузки иной природы, чем банковские кредиты (подробнее см. (Могилат,
2015)). Поэтому оценка влияния процентной политики в рамках данной
модели может быть построена лишь опосредованно20
, что, в свою очередь,
сопряжено с дополнительными допущениями и – как следствие –
дополнительным «шумом».
Таким образом, нам представляется, что для корректной оценки
влияния изменения условий банковского кредитования (в том числе – в
результате осуществления процентной политики) на риски корпоративного
сектора необходим прямой учет соответствующего показателя в модели, что
и было сделано в настоящей работе (см. раздел «О влиянии кредитования на
ситуацию в реальном секторе»).
Обобщая сказанное выше, при анализе макроэкономического фона мы:
1. строим выводы о ситуации в корпоративном секторе на основании
совокупности индикаторов: общее количество банкротств, доля
«безнадежных» банкротов, средняя и медианная продолжительность
процедуры и «эффективность» банкротства.
2. для ответа на вопрос «ухудшилась или улучшилась ситуация в
корпоративном секторе?» используем индикаторы динамики
банкротств, тогда как для ответа на вопрос «как повлиял тот или
иной шок на ситуацию в корпоративном секторе?» опираемся на
факторный анализ с учетом особенностей российских данных о
банкротстве (в частности, редкости события).
Помимо показателя «выживаемости» компаний важным индикатором
представляется интенсивность «ротации» в корпоративном секторе (firms
20
К сожалению, в тексте работы (Апокин и др., 2015) этот механизм не прояснен.

13. 13
turnover, entry-exit process). Идея использования данного показателя нашла
подтверждение как в эмпирических (Bartelsman, Doms, 2000), так и в
теоретических исследованиях (Foster et al, 2005) и основывается на том, что
повышение интенсивности чистой «рождаемости»21
предприятий, как
правило, связано с замещением низкоэффективных игроков
высокоэффективными, а также с ростом конкуренции на рынке. В докладе
Европейского центрального банка22
показатель чистого создания компаний23
(синоним – нетто-создания) также интерпретируется в качестве индикатора
динамики потенциального ВВП: периоды высокого роста потенциала
сопровождаются активизацией нетто-созданий, тогда как в периоды
снижения потенциала наблюдается затухание чистой «рождаемости»
предприятий, при этом чисто циклический кризис на эту динамику значимо
не влияет (2008-2009 годы).
Гипотеза о наличии связи между интенсивностью ротации предприятий
и потенциальным выпуском в экономике в целом находит подтверждение и
на российских данных (рис. 4), за исключением конца анализируемого
периода, когда имело место расхождение динамики указанных показателей.
В начале 2015 года ускоренный прирост числа компаний в экономике, скорее
всего, был связан с резким ухудшением условий ведения бизнеса в отраслях,
сильно зависящих от колебаний спроса и курса через цены запасов и валюту
долгов (в первую очередь – в торговле и сфере недвижимости). Следствием
этого стал рост «плохих долгов», подстегнувший вывод бизнеса в новые
юридические лица. Влияние данного фактора, а также высокий уровень
волатильности, присущей показателю чистого создания предприятий,
создают неопределенность интерпретации его текущей динамики. Тем не
менее, использование показателя количества нетто-созданий представляет
интерес при анализе экономической активности и может служить, наряду с
21
Идея показателей интенсивности ротации ассоциируется в литературе с демографическими индикаторами
естественного движения населения (рождаемость, смертность)
22
Подробнее  см.ECB Monthly bulletin, January 2011
23
Разница между количеством созданных (в том числе в результате реструктуризации) и лииквидированных
(в том числе в результате банкротства) компаний

14. 14
другими индикаторами, для идентификации фазы экономического цикла и
степени влияния рисковых факторов на ситуацию в корпоративном секторе.
Динамика прироста (чистого создания) предприятий в разбивке по видам
деятельности и темпа прироста потенциального выпуска
-4
-3
-2
-1
0
1
2
3
4
5
6
7
-40000
-20000
0
20000
40000
60000
80000
100000
120000
I.2005
II.2005
III.2005
IV.2005
I.2006
II.2006
III.2006
IV.2006
I.2007
II.2007
III.2007
IV.2007
I.2008
II.2008
III.2008
IV.2008
I.2009
II.2009
III.2009
IV.2009
I.2010
II.2010
III.2010
IV.2010
I.2011
II.2011
III.2011
IV.2011
I.2012
II.2012
III.2012
IV.2012
I.2013
II.2013
III.2013
IV.2013
I.2014
II.2014
III.2014
IV.2014
I.2015
II.2015
Сельское хозяйство Добыча полезных ископаемых
Обрабатывающие производства Строительство
Торговля Гостиницы и рестораны
Транспорт и связь Недвижимость, деловые услуги
Образование Здравоохранение, соц. обслуживание
Источники: Росстат, расчеты авторов
Рис. 4
Об индикаторах развития банковского сектора
Среди индикаторов экономической активности, вызывающих интерес
публицистов и экономистов, особое место занимают денежно-кредитные
показатели, по популярности уступающие разве что ВВП, инфляции и
валютному курсу. Многочисленность обращений к этим индикаторам связана
и с близостью темы широкому кругу читателей (что ни говори, а кредиты и
депозиты неэкономисту ближе, чем труднопредставимый «коэффициент
средней загрузки основных фондов»), и значительными средствами,
обращающимися в банковской отрасли. Не последнюю роль в этом играет и
многочисленность разнообразных показателей и методик их расчета,
позволяющих любому автору найти числа, подтверждающие его тезисы.
Порой многообразие показателей банковской статистики играет с
авторами дурную шутку. Значимые положения исследования зачастую

15. 15
основаны именно на отсылках к статистическим показателям, а их
некорректное использование ставит под вопрос авторские выводы. Так,
игнорирование переоценки валютных активов и обязательств превращает
сокращение показателя в рост (Глазьев, 2015), а некорректное сопоставление
оборотов и требований приводит к многократной недооценке доли
долгосрочного кредитования в портфеле кредитов (Туманянц, Утученкова,
2015). И если некоторые неточности видны невооруженным глазом, то более
сложные деформации не столь очевидны.
Одна из таких деформаций – использование пиковых показателей
выборки (Гиблова, 2015; Поляков, 2013), наглядных и выразительных, но не
отражающих всей полноты ситуации. Особенно серьезные искажения
возникают в тех случаях, когда максимальные по России показатели
сравниваются со средними показателями США или Китая (Поляков, 2013).
Зачастую на основе локальных колебаний показателей делаются
глобальные обобщения. Во многих публикациях первой половины 2015 г.
(Туманянц, Утученкова, 2015; Апокин и др., 2015) замедление темпов роста
кредитного портфеля банков и рост просроченной задолженности
описывались как предвестие краха российской банковской системы, а то и
экономики в целом. Однако, после короткого периода снижения кредитной
активности банки вновь стали наращивать кредитные портфели. В
июле-ноябре 2015 г. среднемесячный прирост портфеля корпоративных
кредитов составлял 0,7%, что меньше аналогичных значений 2013 г., но мало
похоже на обвал кредитования. При этом вызывавший столько опасений рост
просроченной задолженности во втором полугодии резко замедлился, а на
отдельных сегментах рынка сменился умеренным снижением. Да и на
розничном сегменте рынка темпы сокращения кредитного портфеля заметно
уменьшились по сравнению с пиковыми значениями первого полугодия.
Конечно, в сложившейся ситуации, когда мировые сырьевые цены штурмуют
исторические минимумы, нет оснований ожидать гладкого восстановления
кредитной активности, однако перечисленные выше тенденции

16. 16
свидетельствуют в пользу положительной динамики в банковском секторе и
не создают веских оснований тревожиться о приближении кризиса.
Таким образом, данные второй половины 2015 г. позволяют уверенно
говорить о том, что оценки рисков для устойчивости кредитного рынка в
целом, в том числе вследствие жесткой ДКП Банка России, несколько
преувеличены.
Другая, более локальная, проблема анализа денежно-кредитных
показателей, характерная для многих российских авторов, - концентрация на
кредитах как на единственном канале поступления средств банков в
экономику. Подобная точка зрения была в какой-то мере оправдана 7-8 лет
назад, когда облигации составляли около 5% банковских активов. Но к
настоящему времени доля облигаций в банковских активах более чем
удвоилась. В последнее время банки особенно активно наращивали
облигационные портфели. За январь-сентябрь 2015 г. портфель
корпоративных кредитов возрос на 1,5% (с исключением валютной
переоценки), портфель облигаций – более чем на 10%. Тем не менее, многие
исследователи, анализируя финансирование банками реального сектора,
исследуют исключительно кредитные операции (Алтунян, 2015; Поляков,
2013). Более того, в одном из исследований (Апокин и др., 2015) из
кредитного портфеля банков исключаются «квазикредитные сделки»,
связанные с кредитованием покупок облигаций аффилированными
организациями банков24
. Если речь идет об особенностях функционирования
банковской системы, разница действительно существенная – кредиты,
облигации, векселя различаются ликвидностью, возможностью
использования в качестве обеспечения и другими особенностями. Но в
указанных выше работах речь идет о финансировании реального сектора – а
какая разница для заемщика сколько и каких именно посредников прошли
деньги банка, прежде чем оказаться на счете получателя?
24
Авторы указанной работы анализируют именно кредитный портфель, а не портфель требований к
организациям, т.е. об устранении возможного двойного счета речь не идет

17. 17
Подобные редукции характерны для многих российских исследователей.
Авторы исключают из анализа ставок кредиты Сбербанка (Апокин и др.,
2015), отказываясь от почти трети всего кредитного рынка, или игнорируют
вклад бюджетных факторов в формирование банковской ликвидности
(Гиблова, 2015), в отдельные периоды игравшей не менее значимую роль,
чем операции Банка России. Подобные подходы упрощают изложение и
повышают его наглядность, но, порой, существенно искажают
функционирование экономических механизмов.
О влиянии кредитования на ситуацию в реальном секторе
Вопрос идентификации денежно-кредитных условий помимо первого,
обозначенного выше, пласта – отбора и мониторинга финансовых
показателей – имеет и второй: качественная оценка. Необходимо
характеризовать текущие денежно-кредитные условия как мягкие, жесткие
или нейтральные..
Стартовой точкой в данном вопросе является динамика процентных
ставок. Это связано как с тем, что ключевым инструментом воздействия
центрального банка на экономику являются именно ставки (денежного
рынка), так и с тем, что влияние изменения процентных ставок на поведение
экономических агентов хорошо представимо на микроуровне. Вместе с тем,
условия финансирования для реального сектора определяются не только
уровнем процентных ставок по кредитам, но и рядом других качественных и
количественных параметров, включая требования к залогу, срок
кредитования, отношение суммы кредита к доходам, валюту кредитования.
Причем часть этих показателей может изменяться вполне независимо от
ДКП, имея циклические и шоковые колебания, определяющиеся отношением
банков к риску (Jakab, Kumhof, 2015).
Соответственно, кредитные условия в целом можно идентифицировать
на основе всей совокупности указанных индикаторов, или пойти по другому
пути: оценивать динамику количественных кредитных показателей,
сложившихся под их влиянием. Однако в этом случае для получения

18. 18
качественного вывода необходимо соотносить количественные показатели
динамики кредитования с «нормальными», фундаментально обоснованными
уровнями (Донец, Пономаренко, 2015; Дерюгина и др., 2015). Картину также
может дополнить переход от простых количественных к относительным
показателям кредитной нагрузки (кредит к ВВП, коэффициент обслуживания
долга – Drehman, Juselius, 2015). Такие оценки позволяют выявлять периоды
кредитного бума или спада, что важно не только с точки зрения
идентификации и прогнозирования кредитных условий и принятия решений
по ДКП, но и управления рисками для финансовой стабильности (в
частности, Банком России применяются при установлении антициклической
надбавки к нормативу достаточности капитала – Банк России, 2015).
Потенциал исследований по данному направлению остается
значительным. В данной работе мы предприняли попытку расширить анализ
показателя долговой нагрузки, изложенный в (Донец, Пономаренко, 2015), с
привлечением микроуровневых данных компаний промышленности и
сельского хозяйства. На первом этапе нашей задачей была сверка оценки
потоков платежей по методологии коэффициента обслуживания долга (КОД)
на макро уровне с данными балансов компаний (источник данных – система
БИР-Аналитик)25
. Динамика оценок на макро и микро данных оказалась в
высокой степени согласованной (рис. 5), при этом покрытие выборки по
данным компаний промышленности и сельского хозяйства устойчиво
составляло около 50% от оценки по экономике в целом.
Вторым направлением анализа было определение критических уровней
долговой нагрузки, для качественной оценки ее динамики и выявления
финансовых рисков. Для этого, используя расширенную модель вероятности
25
В качестве показателя потока платежей на микро уровне использованы данные о заемных средствах
компаний со сроком погашения не более 12 месяцев после отчетной даты (строка 1510 Формы 1 РСБУ).
Согласно методологии бухгалтерского учета, по строке 1510 отражается сумма кредитового сальдо по счету
66 «Расчеты по краткосрочным кредитам и займам», а также кредитового сальдо по счету 67 «Расчеты по
долгосрочным кредитам и займам» (в части задолженностей, срок погашения которых на отчетную дату не
более 12 месяцев). Таким образом, данный показатель включает не только основную сумму кредита (займа),
но и процентные выплаты по нему в соответствии с условиями договора, что отвечает методологии
построения показателя КОД.

19. 19
банкротства компании с включением показателей долговой нагрузки, была
проверена гипотеза о том, что рост долговой нагрузки свыше определенных
уровней может быть нежелателен, так как ведет к повышению риска
реализации системного кризиса.
Соотношение годовых потоков платежей по долгу, оцененных на макроуровне и
по данным балансов компаний
y = 1,93x + 820
R² = 0,97
0
2 000
4 000
6 000
8 000
10 000
12 000
14 000
16 000
0 1 000 2 000 3 000 4 000 5 000 6 000 7 000 8 000
Оценкапотокаплатежейподолгуна
макроуровне
Поток платежей по долгу по данным балансов компаний
промышленности и сельского хозяйства
млрд руб.
Источники: Росстат, система БИР-Аналитик, расчеты авторов
Рис. 5
Методика оценки модели риска банкротства компаний нефинансового
сектора в целом опирается на изложенную в работе (Сальников и др., 2012),
однако несколько видоизменена по следующим ключевым направлениям:
 выборка дополнена фактическими данными о банкротствах за 2011 –
2014 годы, при этом уточнена методология идентификации события
«банкротство» (подробнее – Могилат, 2015);
 модифицирован метод оценки модели: для учета редкости события, в
исходной выборке использован подход (King, Zeng, 2001)26
;
 в число факторов вероятности банкротства в рамках «базовой»
спецификации модели входят27
: чистая рентабельность активов,
26
Проблема редкости события приводит к смещению оценок коэффициентов модели, в силу чего
распределение вероятностей риска оказывается сильно смещено к нулю. Это свойство приводит к
искажению результатов классификации на основе модельных оценок, и в первую очередь представляет
опасность при использовании неравных весов в функции ошибок классификации.

20. 20
оборачиваемость активов, чистая кредиторская задолженность
компании – все с лагом в 1 год; рентабельность активов отрасли в
текущем году28
.
В ходе анализа были рассмотрены различные варианты расчета
переменной, отвечающей за долговую нагрузку29
(в скобках –
предполагаемый знак в модели вероятности банкротства)30
:
 отношение прибыли до налогообложения к объему платежей за год по
долгу, включая проценты (-);
 отношение чистой прибыли к объему платежей за год по долгу,
включая проценты (-);
 отношение объема платежей за год по долгу, включая проценты, к
выручке компании (+).
Как показал анализ31
, все три показателя долговой нагрузки значимо
влияют на вероятность банкротства, при этом подтверждаются априорные
предположения о направлении этого влияния. По совокупности критериев
наиболее удачным оказался третий показатель32
. Согласно оценкам, долговая
нагрузка значимо влияет на вероятность банкротства начиная с «порогового»
уровня33
– 16,4% к выручке компании (подробнее – табл. 1).
По результатам анализа были также получены следующие значимые
выводы относительно развития подхода к моделированию вероятности
банкротства компаний нефинансового сектора:
27
На предварительном этапе оценки к исходным данным применена фильтрация выборки, аналогичная
описанной в работе (Сальников и др., 2012)
28
По сравнению с версией модели банкротства, изложенной в работе (Сальников и др., 2012), из
спецификации исключена фиктивная переменная на посткризисный период, а также индикатор
принадлежности активов компании к государственной собственности
29
Здесь и далее под «долговой нагрузкой» понимается показатель, в обязательном порядке учитывающий
задолженность компании перед кредитными организациями
30
Показатели для включения в модель сформулированы таким образом, чтобы представлять однородно
возрастающий/убывающий ряд, в том числе с учетом того, что прибыль компаний может принимать
отрицательное значение.
31
Показатель долговой нагрузки включался в модель: (1) в уровнях; (2) в виде фиктивной переменной (1 –
превышение долгом порогового уровня, 0 – иначе); (3) в виде «полуфиктивной» переменной (равна
величине долговой нагрузки при превышения долгом порогового уровня, и нулю в противном случае).
32
При отборе модели учитывались такие критерии, как: значимость и знак коэффициента при долговой
нагрузке; устойчивость значений коэффициентов при переменных, входящих в состав «базовой»
спецификации (без долговой нагрузки); объясняющая способность модели.
33
Пороговый уровень определялся на основании дискриминирующей способности переменной, отвечающей
за долговую нагрузку, при помощи алгоритма локальной оптимизации, реализованного авторами в Stata 12.

21. 21
1. Применение метода (King, Zeng, 2001), учитывающего коррекцию
результатов оценки моделей бинарного выбора, позволило:
− уточнить оценки коэффициентов, устранив смещение, вызванное
малой долей «событий» в выборке;
− снизить среднюю ошибку модели (с 0,28 до 0,26) и существенно
сократить разрыв между «фактическим» и «модельным» значением
доли банкротств, приходящихся на конец периода, что
свидетельствует в пользу прогностической способности модели.
2. Тестирование показателя долговой нагрузки в модели не привело к
значимому изменению оценок при других факторах, что говорит об
устойчивости спецификации в целом и релевантности включения в неё
показателя долговой нагрузки, в частности.
3. Превышение долговой нагрузкой «критического» уровня приводит к
резкому возрастанию вероятности банкротства (прирост порядка 12%).
Таблица 1
Прирост вероятности банкротства в результате изменения основных факторов
риска, для каждого фактора при прочих фиксированных на уровне средних, %*
Фактор и диапазон его изменения для расчета вклада в
вероятность банкротства
Метод оценки и спецификация
Логит-модель
(стандартная)
Логит-модель с коррекцией в
связи с редкостью события
базовая базовая с долговой нагрузкой
Микроуровневые показатели
Чистая рентабельность активов, п.п. (0.01 - 0.02) -3.5 -1.2 -1.1
Оборачиваемость активов, п.п. (2.04 - 2.05) -0.5 -0.1 -0.05
Чистая кредиторская задолженность к
активам, п.п.
(0.12 - 0.13) 0.5 0.1 0.1
Фиктивная переменная для долговой
нагрузки (отношение долга к выручке: 1 -
свыше 16,4%, 0 - иначе)**
- - - 12.4
Отраслевые показатели
Рентабельность активов отрасли, п.п. (0.04 - 0.05) -1.7 -1.2 -1.1
Число наблюдений - 107 637 107 637 107 637
Примечания: * если не указано иное, долговая нагрузка фиксируется на уровне ниже
порога (фиктивная переменная равна 0); ** приведенные в таблице значения отражают
прирост вероятности банкротства при превышении долговой нагрузкой порогового
значения 16,4%
Источник: расчеты авторов.
Учет динамики показателей долговой нагрузки может существенно
уточнять макроэкономическую картину, однако не делает принятие решений
по ДКП более простой задачей. Так, если долговая нагрузка в экономике

22. 22
находится на высоком уровне, то у центрального банка есть два варианта
действий. Первый вариант – снизить ставку – внесет прямой вклад в
снижение долговой нагрузки (через текущие процентные платежи), но может
закрепить тренд на «избыточное» принятие рисков и дальнейшее
расхождение динамики кредитования и доходов, обеспечивающих платежи
по долгу. Второй вариант – жесткая ДКП – при прочих равных временно
определит сохранение более высокого вклада уровня процентных ставок в
показатель долговой нагрузки, но в среднесрочном периоде, вероятно,
обеспечит необходимое охлаждение кредитного перегрева и устойчиво
снизит финансовые риски. Наконец, в обоих случаях не стоит забывать и о
курсовой переоценке, на которую изменение процентных ставок также может
оказать влияние через динамику валютного курса.
В отношении двух указанных вариантов мы предополагаем, что первый
предпочтителен в случае действия краткосрочных шоков, за которыми может
последовать быстрое восстановление доходов, а также в случае нахождения
долговой нагрузки без учета курсовой переоценки в области критических
уровней, второй же вариант – в случае устойчивых негативных шоков
(структурных сдвигов), а также шоков, сопряженных с курсовыми
колебаниями (ослаблением рубля).
Следует отметить, что, гипотетически, существует и третий путь.
Помимо сокращения кредитования и снижения процентной ставки
существует и еще один фактор, который может обеспечить коррекцию
долговой нагрузки, – увеличение сроков предоставления средств. Этот путь
может являться наиболее «позитивным» способом безрискового
наращивания кредитной активности. Однако удлиннение кредитных и
инвестиционных горизонтов в экономике, как правило, требуют
значительного времени и последовательных институциональных изменений.
Такими изменениями могут быть меры по развитию инструментария
финансовых рынков, увеличение доверия к финансовой системе за счет
повышения качества регулирования, а также укрепление макроэкономичесой

23. 23
стабильности и снижение неопределенности. Последнему, как показывает
мировой опыт, в значительной мере может способствовать, в частности,
реализация центральным банком режима таргетирования инфляции.
В 2014 году имел место заметный рост долговой нагрузки компаний
(отношение объема платежей по долгу за год к выручке) – как среднего, так и
медианного уровня. При этом, по средним оценкам, он даже превысил
критический порог, что, в свою очередь, привело к существенному
увеличению доли компаний «группы риска» в 2015 году. Таким образом, в
текущих условиях вопрос о предпочтительности кредита как инструмента
стимулирования экономической активности в реальном секторе
представляется крайне неоднозначным, поскольку есть все основания
полагать, что дальнейший рост долговой нагрузки может существенно
увеличить риски финансовой стабильности.
Проведенный анализ был сконцентрирован на рассмотрении
альтернативных индикаторов, которые могут внести вклад в характеристику
состояния экономического цикла, а также расширить понимание динамики
денежно-кредитных условий. Обобщая анализ первой группы показателей,
можно отметить, что совокупность имеющихся данных указывает на
сочетание в наблюдающемся экономическом спаде как циклических, так и
структурных элементов. При этом циклическая компонента, сопряженная с
коррекцией ожиданий и ценового давления, значима, хотя по масштабу
остается заметно ниже, чем в кризис 2008-2009 гг., несмотря на видимую
схожесть ситуации по отдельным признакам. Начавшийся 2016 год станет
важным периодом для уточнения понимания соотношения действия
краткосрочных и долгосрочных факторов в динамике экономического роста
России.
В отношении характеристики денежно-кредитных условий основные
вопросы концентрируются в определении степени их жесткости в
соотношении с текущими экономическими условиями. Приведенные

24. 24
соображения свидетельствуют о том, что текущие денежно-кредитные
условия являются умеренно жесткими. Они могут в определенной мере
восприниматься как фактор, сдерживающий экономическую активность,
однако, безусловно, не в такой степени, чтобы являться источником запуска
нелинейных процессов ухудшения экономической ситуации, то есть
реализации рисков для экономической и финансовой стабильности.
В текущей относительно непростой экономической ситуации анализ и
оценка ДКП остается сложной задачей. В этой связи приобретает особую
актуальность продолжение и повышение конструктивности дискуссии о
показателях и экономико-математических методах, которые могут
использоваться для характеристики экономических и финансовых условий
рализации ДКП. При этом достижение конструктивности предполагает
повышенные требования к точности и детальности обсуждения, со стороны
как Банка России, так и экспертного сообщества.
Список литературы
Алтунян А.Г. (2015). Приоритеты монетарной политики в контексте
национальных интересов // Вестник Санкт-Петербургского университета.
Серия 5. №1. С. 103-115. [Altunyan A.G. (2015). Priorities of monetary policy in
the context of national interests. Vestnik Sankt-Peterburgskogo Universiteta,
Series 5, No.1, pp.103-115. (in Russian)].
Апокин А., Галимов Д., Голощапова И., Сальников В., Солнцев О.
(2015). Денежно-кредитная политика: работа над ошибками // Вопросы
экономики. № 9. С. 136-151. [Apokin A., Galimov D., Goloshchapova I.,
Salnikov V., Solntsev O. (2015). Russian monetary policy: Work on the bugs.
Voprosy Ekonomiki, No. 9, pp. 136–151. (in Russian)].
Ачкасов Ю. (2016) Модель оценивания ВВП России на основе текущей
статистики: модификация подхода // Банк России. Серия докладов об
экономических исследованиях. №8. Январь. [Achkasov Y. (2016). Nowcasting

25. 25
of the Russian GDP Using the Current Statistics: Approach modification. Bank of
Russia. Working Paper Series, No.8. (In Russian)].
Бадасен П., Исаков А., Хазанов А. (2015). Современная денежно-кредитная
политика: обоснованная критика или типичные заблуждения экспертного
сообщества? // Вопросы экономики. № 6. С. 123–147. [Badasen P., Isakov A.,
KhazanovA. (2015). Modern monetary policy: Relevant criticism or
misunderstanding in the expert community? Voprosy Ekonomiki, No. 6, pp. 123–
147. (In Russian)].
Банк России (2015). Доклад о денежно-кредитной политике. № 3. Сентябрь.
[Bank of Russia (2015). Monetary Policy Report, No. 1, February. (In Russian)].
Гиблова Н.М. (2015). Денежно-кредитная политика Банка России: смена
курса? // Банковское кредитование. №3. С. 15-23. [Giblova N.M. (2015). Bank
of Russia: a shift in monetary policy? Bankovskoe kreditovanie, No. 3, pp. 15-23.
(in Russian)].
Глазьев С.Ю. (2015). Национальная валютно-финансовая система:
дестабилизирующие усилия Запада и меры по их нейтрализации //
Российский экономический журнал. № 4. С. 34-43. [Glazyev S.Y. (2015).
National monetary and financial system: destabilizing efforts of the West and ways
of counteraction thereof. Rossiyskiy ekonomicheskiy zhurnal, No.4, pp. 34-43. (in
Russian)].
Дерюгина Е., Коваленко О., Пантина Е., Пономаренко А. (2015).
Идентификация факторов спроса и предложения кредитов в России // Банк
России. Серия докладов об экономических исследованиях, №3. [Deryugina E.,
Kovalenko O., Pantina E., Ponomarenko A. (2015). Identifying factors of credit
supply and demand in Russia. Bank of Russia. Working Paper Series, No.3. (In
Russian)].
Донец С., Пономаренко А. (2015). Индикаторы долговой нагрузки // Банк
России. Серия докладов об экономических исследованиях, №5. [Donets S.,
Ponomarenko A. (2015). Debt level indicators. Bank of Russia. Working Paper
Series, No.5. (In Russian)].

26. 26
Могилат А.Н. (2015). Банкротство компаний реального сектора в России:
основные тенденции и финансовый «портрет» типичного банкрота //
Научные труды: Институт народнохозяйственного прогнозирования РАН /
Гл. ред. А.Г. Коровкин. М.: МАКС Пресс. С. 156-186. [Mogilat A.N. (2015).
Bankruptcy in Russian real sector: Basic tendencies and financial indicators of a
typical bankrupt. In: A.G. Korovkin (ed.). Scientific articles – Institute of
Economic Forecasting Russian Academy of Sciences. Moscow: MAKS Press, pp.
156-186. (in Russian)].
Поляков Е. (2013). Причины спада – внутренние. Эксперт. №46 (876).
Ноябрь. C. 38-44. [Polyakov E. (2013). Reasons for the crisis – internal. Expert,
No.46 (876), November. pp. 38-44. (in Russian)].
Сальников В.А., Могилат А.Н., Маслов И.Ю. (2012). Стресс-тестирование
компаний реального сектора для России: первый подход (методологические
аспекты) // Журнал Новой экономической ассоциации. №4 (16). С. 46-70.
[Salnikov V., Mogilat A., Maslov I. (2012). Stress testing for Russian real sector:
First approach. Zhurnal Novoy Ekonomicheskoy Assotsiatsii, No. 4, pp. 46-70. (In
Russian).].
Туманянц К.А., Утученкова М.В. (2015). Особенности функционирования
кредитного канала механизма денежной трансмиссии в России // Финансы и
кредит. №33. С. 31-39. [Tymanyants K.A., Utuchenkova M.V. (2015). Specifics
of credit channel functioning of the monetary transmission mechanism in Russia.
Finance and Credit, No. 33, pp. 31-39. (in Russian)].
Bartelsman E., Doms M. (2000). Understanding productivity: Lessons from
longitudinal microdata. Journal of Economic Literature, No.38, pp. 569-594.
Bellovary J., Giacomino D., Akers M. (2007). A review of bankruptcy prediction
studies: 1930 to present. Journal of Financial Education, Vol.33, pp. 1-42.
Carabenciov I., Ermolaev I., Freedman C., Juillard M., Kamenik O.,
Korshunov D., Laxton D. (2008). A small quarterly projection model of the US
economy. IMF Working Papers, No. 08/278.

27. 27
Corrado C., Mattey J. (1997). Capacity utilization. The Journal of Economic
Perspectives, Vol. 11, No. 1, pp. 151-167.
Drehmann M., Juselius M. (2012). Do debt service costs affect macroeconomic
and financial stability? BIS Quarterly Review, September, pp. 21-35.
ECB (2011). Monthly bulletin, No. 01/2011, January.
Foster L., Haltiwanger J., Krizan C.J. (2005). Reallocation, firm turnover, and
efficiency: Selection on productivity or profitability? NBER Working Paper Series,
No.11555.
Gepp A., Kumar K. (2012). Business failure prediction using statistical
techniques: A review. Faculty of Business Publications. Paper 675. URL
http://epublications.bond.edu.au/business_pubs/675.
Jakab Z., Kumhof M. (2015). Banks are not intermediaries of loanable funds –
and why this matters. Bank of England Working Papers, No. 529.
Jardin P. (2010). Predicting bankruptcy using neural networks and other
classification methods: The influence of variable selection techniques on model
accuracy. Neurocomputing, Vol. 73, Issue 10-12, pp. 2047–2060.
Karels G., Prakash A. (1987). Multivariate normality and forecasting of business
иankruptcy. Journal of Business Finance & Accounting, No.14(4), pp.573-593.
King G., Zeng L. (2001). Logistic кegression in rare events data. Political
Analysis, No.9, pp. 137-163.
Office for budget responsibility (2011). Estimating output gap. Briefing papers,
No. 2, April.
Platt H.D., Platt M.B. (2008). Financial distress comparison across three global
regions. Journal of Risk and Financial Management, No.1(1), pp.129-162.