Nye mikrodata for misligholdte foretakslån gir bedre anslag for bankenes utlånstap

Hjelseth, Ida Nervik; Liaudinskas, Karolis; Thuve, Sara Kirkeby Research Report Nye mikrodata for misligholdte foretakslån gir bedre anslag for bankenes utlånstap Staff Memo, No. 10/2024 Provided in Cooperation with: Norges Bank, Oslo Suggested Citation: Hjelseth, Ida Nervik; Liaudinskas, Karolis; Thuve, Sara Kirkeby (2024) : Nye mikrodata for misligholdte foretakslån gir bedre anslag for bankenes utlånstap, Staff Memo, No. 10/2024, ISBN 978-82-8379-345-1, Norges Bank, Oslo, https://hdl.handle.net/11250/3170064 This Version is available at: https://hdl.handle.net/10419/310416 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by-nc-nd/4.0/ Staff memo Nye mikrodata for misligholdte foretakslån gir bedre anslag for bankenes utlånstap 18.12.2024 Ida Nervik Hjelseth Karolis Liaudinskas Sara Kirkeby Thuve Norges Bank, Finansiell stabilitet Stikkord Kredittrisiko, utlånstap, misligholdssannsynlighet, konkurssannsynlighet 10 | 2024 Staff Memos present reports and documentation written by staff members and affiliates of Norges Bank, the central bank of Norway. Views and conclusions expressed in Staff Memos should not be taken to represent the views of Norges Bank. © 2024 Norges Bank The text may be quoted or referred to, provided that due acknowledgement is given to source. Staff Memo inneholder utredninger og dokumentasjon skrevet av Norges Banks ansatte og andre forfattere tilknyttet Norges Bank. Synspunkter og konklusjoner i arbeidene er ikke nødvendigvis representative for Norges Banks. © 2024 Norges Bank Det kan siteres fra eller henvises til dette arbeid, gitt at forfatter og Norges Bank oppgis som kilde. ISSN 1504-2596 (online) ISBN 978-82-8379-345-1 (online) Nye mikrodata for misligholdte foretaksl˚an gir bedre anslag for bankenes utl˚anstap Ida Nervik Hjelseth, Karolis Liaudinskas og Sara Kirkeby Thuve∗ Sammendrag L˚an til ikke-finansielle foretak er den største kilden til tap i bankene. For ˚a vurdere kredittrisikoen, har Norges Bank i lang tid benyttet modeller for foretakenes konkurssannsynligheter. Bankenes utl˚anstap er imidlertid tettere knyttet til foretak som misligholder l˚anene sine. L˚an til foretak som g˚ar konkurs, utgjør bare en del av misligholdte l˚an. Misligholdte l˚an er derfor sannsynligvis en bedre indikator for tap i bankene enn konkurser. Tilgangen til mikrodata for b˚ade utl˚anstap og mislighold har historisk sett vært begrenset, særlig sammenlignet med datatilgangen for konkurser. Forbedret tilgang til mikrodata for mislighold gjør det mulig for oss ˚a analysere forholdet mellom mislighold og konkurs p˚a mikroniv˚a. Vi finner at det er en sterk sammenheng mellom mislighold og konkurs, men at sammenhengen varierer p˚a tvers av næringer og over analyseperioden. Særlig markerer koronapandemien et skille i denne sammenhengen. Vi bruker innsikten fra analysene til˚a utvikle en modell som estimerer sannsynligheter for mislighold, og til ˚a ansl˚a nye misligholdte l˚an fremover. Vi viser til slutt hvordan vi kan bruke denne øvelsen til ˚a forbedre anslag for tap p˚a foretaksl˚an i bankene. Disse anslagene vil inng˚a som en del av Norges Banks vurdering av kredittrisikoen i det norske banksystemet. ∗Vi takker Nina Larsson Midthjell og Torbjørn Hægeland for nyttige kommentarer og innspill. Vi vil ogs˚a rette en stor takk til Arvid Raknerud for viktige diskusjoner og innspill i forkant av denne publikasjonen. 1 1 Innledning I vurderingen av risiko og s˚arbarhet i det finansielle systemet, er det viktig med gode analyser av tapsrisiko knyttet til bankenes foretaksl˚an. Om lag 40 prosent av bankenes utl˚an er til ikke-finansielle foretak, og det er disse l˚anene bankene har tapt mest p˚a historisk. I analyser av tapsrisiko p˚a foretaksl˚an, har det vært en lang tradisjon med konkurssannsynlighetsmodeller i Norges Bank. Bakgrunnen er god tilgang p˚a data for konkurser. Bankenes utl˚anstap er imidlertid ikke bare knyttet til foretak som g˚ar konkurs. De kan ogs˚a f˚a betydelige utl˚anstap ved mislighold av l˚an til foretak som ikke g˚ar konkurs. Selv om bankenes tapsvurderinger er relativt komplekse1, er misligholdte l˚an sannsynligvis en bedre indikator for tap enn det konkurser er. Utfordringen har vært at det tidligere var begrenset med mikrodata for b˚ade utl˚anstap og mislighold. Flere analyser2har derfor benyttet en “tommelfingerregel” som sier at konkursandelen er om lag halvparten s˚a stor som andelen mislighold.3 Forbedret tilgang til mikrodata for bankenes foretaksl˚an, inkludert informasjon om mislighold de siste seks˚arene, gjør det mulig˚a analysere forholdet mellom konkurs og mislighold p˚a mikroniv˚a. Vi benytter et utvalg av disse dataene til ˚a estimere en modell for sannsynligheten for mislighold, basert p˚a estimerte konkurssannsynligheter fra en av Norges Banks konkurssannsynlighetsmodeller. Vi argumenterer for at modellen følger faktisk mislighold bedre enn hva tommelfingerregelen beskrevet over gjør. Vi bruker modellen til ˚a ansl˚a nye mislighold i bankene fremover og viser hvordan denne øvelsen kan bidra til forbedrede anslag for utl˚anstap fra mikro i bankene. I kapittel 2beskriver vi nærmere data og utvalg som inng˚ar i analysen, og i kapittel 3 beskriver vi forholdet mellom konkurs og mislighold p˚a tvers av ˚ar og næring. Kapittel 4 beskriver hvordan vi g˚ar fra konkurssannsynligheter til misligholdssannsynligheter og presenterer en modell for misligholdssannsynlighet. Vi bruker deretter denne modellen til ˚a ansl˚a nye mislighold og tap p˚a bankenes foretaksl˚an i kapittel 5. Kapittel 6konkluderer. 1Se utdyping p˚a side 23 i “Finansiell stabilitet 1. halv˚ar 2024” for en grundig gjennomgang av hvordan bankene gjør tapsvurderinger under dagens rammeverk. 2Se Bernhardsen og Larsen (2007), Andersen og Hjelseth (2019) og Hjelseth m.fl. (2024). 3Relasjonen er basert p˚a en enkel statistisk modell for feilklassifisering dokumentert i Bernhardsen (2001) og Bernhardsen og Syversten (2009). 2 2 Data og utvalg Vi benytter data fra ulike kilder til˚a analysere forholdet mellom mislighold av l˚an og konkurs. Dette kapittelet gir en oversikt over de forskjellige datakildene og utvalget i analysen. 2.1 Data Vi bruker i hovedsak mikrodata for bankers utl˚an, misligholdte l˚an og avsetningsgrad ved mislighold fra Finanstilsynet sin “Engasjementsrapportering (KRT-1115)” (ENGA) og Finanstilsynet sin rapportering “Spesifikasjon av tap p˚a utl˚an (KRT-1131)” (STU). I tillegg bruker vi data for konkurser fra Løsøreregisteret og estimerte konkurssannsynligheter fra Hjelseth m.fl. (2022). 2.1.1 Mikrodata for bankers utl˚an, misligholdte l˚an og avsetningsgrad Bankene i norsk banksektor rapporterer data om sine næringsengasjementer (ENGA) til Finanstilsynet. Vi har ˚arlige data for perioden 2017 til 2023, og benytter informasjon om utl˚an per foretak per bank (trukne utl˚an), samt bankenes vurdering av sannsynlighet for mislighold, P(D) (“probability of default”).4Vi definerer et l˚an som misligholdt dersom rapportert P(D) er svært høy, det vil si at den overstiger 90 prosent. Dette synes ˚a være det beste m˚alet for ˚a fange opp faktisk mislighold. Finanstilsynet samler ogs˚a kvartalsvis inn et skjema hvor bankene skal spesifisere bokførte tap, mislighold og nedskrivinger p˚a utl˚an fordelt p˚a næring, se “Spesifikasjon av tap p˚a utl˚an (KRT-1131)”. Fra denne datakilden bruker vi data for misligholdte l˚an fra 2018 til 2023 til ˚a kryssjekke dataene fra ENGA, og informasjon om næringsvise nedskrivninger og misligholdte l˚an for første og andre kvartal 2024 til ˚a beregne en avsetningsgrad ved mislighold p˚a næringsniv˚a. Avsetningsgrad ved mislighold eller LGD (“loss-given-default”) er den andelen av l˚anene bankene setter av til tap ved mislighold. Vi bruker dette til ˚a ansl˚a tapsavsetninger p˚a misligholdte l˚an fremover i tid. 2.1.2 Data for konkurser Vi bruker konkursdata fra Løsøreregisteret for perioden januar 2016 til september 2024. Som i v˚are konkurssannsynlighetsmodeller, inng˚ar b˚ade ˚apning av tvangsoppløsning og ˚apning av konkurs i definisjonen av konkurs. Dataene er levert av Dun & Bradstreet. 4Bankene rapporterer ett engasjement per foretak per ˚ar. Vi omtaler dette som ett l˚an per foretak per ˚ar. Et engasjementet kan imidlertid best˚a av flere l˚an, men det er en nyanse vi har sett bort fra her. 3 2.1.3 Data for konkurssannsynligheter Vi bruker estimerte sannsynligheter for konkurs, P(B) (“probability of bankruptcy”), fra konkurssannsynlighetsmodellen dokumentert i Hjelseth m.fl. (2022). Vi refererer til denne modellen som KOSMO 2. Modellen ansl˚ar sannsynligheten for at foretak g˚ar konkurs i ˚ar tbasert p˚a regnskapsdata og betalingsanmerkninger for ˚ar t−1 og makroøkonomiske indikatorer for ˚ar t. I modellen blir konkurs˚aret definert som det ˚aret aktiviteten til foretaket opphører. Det vil si at foretak klassifiseres som konkurs i ˚ar tdersom ˚ar t−1 er det siste ˚aret foretaket er registrert som aktivt, og konkursen registreres i ˚ar teller ˚ar t+ 1. 2.2 Utvalg I analysen benytter vi to forskjellige datautvalg. I omtalen av konkurssannsynligheter i kapittel 4.1 og i beregningen av anslagene i kapittel 5er utvalget av foretak det samme som i KOSMO 2. Det vil si at utvalget er avgrenset til norskregistrerte, ikke-finansielle aksjeselskaper med bankgjeld i næringene fiske og oppdrett, industri, varehandel, bygg og anlegg, eiendomsutvikling, næringseiendom og tjenesteyting.5Oljerelaterte næringer, utenriks sjøfart, kraft og jordog skogbruk er ikke dekket av modellen og er dermed ogs˚a utelatt fra utvalget. Utvalget sto for omtrent 80 prosent av utl˚anene til norske ikke-finansielle foretak ved utgangen av 2023. Se Hjelseth m.fl. (2022) for en mer utdypende beskrivelse av datautvalget i KOSMO 2. I resten av analysen er datautvalget avgrenset ytterligere til l˚aneengasjementene til et utvalg av ni store banker som vi vurderer at har god kvalitet i innrapporteringen av P(D) over tid.6Dette utvalget dekker i underkant av 60 prosent av bankenes totale utl˚an til ikkefinansielle foretak ved utgangen av 2023. Figur 1viser fordelingen av utl˚an i det sistnevnte utvalget ved utgangen av 2023, fordelt p˚a bankene og næringene som inng˚ar i utvalget. DNB Bank er den største banken, med i overkant av 40 prosent av utl˚anene i utvalget. Den største næringen er næringseiendom, som st˚ar for litt over halvparten av utl˚anene i utvalget. Figur 2viser utviklingen i mislighold i det sistnevnte datautvalget fra de to datakildene “Engasjementsrapportering (KRT-1115)” og “Spesifikasjon av tap p˚a utl˚an (KRT-1131)”. 5KOSMO 2 estimerer seks modeller, mens vi i denne analysen deler opp i syv næringer. Forskjellen er at KOSMO 2 estimerer konkurssannsynligheter for næringseiendom og eiendomsutvikling i samme modell. 6De ni bankene er DNB Bank, SpareBank 1 SR, SpareBank 1 Nord-Norge, SpareBank 1 SMN, Sparebanken Vest, Nordea, Handelsbanken, SpareBank 1 Østlandet og Sparebanken Møre. Disse bankene sto for nesten 70 prosent av totale utl˚an til norske ikke-finansielle foretak ved utgangen av 2023. 4 Figur 1: Andel utl˚an per bank og næring i datautvalget ved utgangen av 2023 Kilder: Finanstilsynet og Norges Bank Figur 2: Misligholdte l˚an som andel av totale l˚an til norske ikke-finansielle foretak i ni store banker Kilder: Finanstilsynet og Norges Bank Figuren viser at utviklingen i misligholdte l˚an er ganske lik i de to datakildene, med kun mindre avvik i 2018 og 2019. I figuren skiller vi ogs˚a mellom nye og allerede eksisterende mislighold, der nye mislighold er identifisert ved det første ˚aret et l˚an blir misligholdt. Eksisterende mislighold er mislighold som har vært identifisert som mislighold i tidligere ˚ar. V˚ar analyse fokuserer p˚a nye mislighold ettersom disse er mest relevante for nye tap i bankenes utl˚ansporteføljer. Siden data fra 2017 brukes til ˚a oppdage mislighold som oppst˚ar i 2018, presenterer vi kun resultater fra og med 2018 i analysen. 5 3 Forholdet mellom konkurs og mislighold 3.1 Nesten alle foretak som g˚ar konkurs har misligholdte l˚an N˚ar et foretak misligholder et l˚an, skyldes det at foretaket har problemer med likviditeten. For at et foretak skal g˚a konkurs, m˚a foretaket regnes som insolvent, det vil si at verdien p˚a eiendelene er mindre enn summen av gjelden. Det er naturlig at mislighold forekommer oftere enn konkurser blant foretak med l˚an. Likviditetsproblemer kan være forbig˚aende. Det kan dessuten være tilfeller hvor det er mer lønnsomt for en bank ˚a inng˚a forhandlinger med et foretak med betalingsproblemer enn ˚a la det g˚a konkurs. P˚a samme m˚ate er det rimelig ˚a anta at foretak som har l˚an og g˚ar konkurs, ogs˚a har misligholdt l˚anene sine. Som forventet, bekrefter tabell 1at mislighold forekommer oftere enn konkurser blant foretak med l˚an.7Tabellen bekrefter ogs˚a at nesten alle konkursrammede foretak er ˚a finne blant foretak med misligholdte l˚an. Kun 3 prosent av l˚anene til foretak som er g˚att konkurs, er ˚a finne blant l˚an som ikke er misligholdt.8 Tabell 1: Kategorier av l˚an Kategori Antall Friske l˚an* 247 675 Misligholdte l˚an 8 110 Herav: Ikke konkurs 4 612 Herav: Konkurs 3 498 Konkurs, men ikke mislighold 121 Totalt antall l˚an 255 906 *Vi definerer friske l˚an som l˚an som verken er registrert som misligholdt eller konkurs i datasettet v˚art. 7I tabellen telles hvert l˚an ´en gang per ˚ar. B˚ade nye og eksisterende misligholdte l˚an er inkludert, slik at det samme misligholdet telles flere ganger hvis det eksisterer over flere ˚ar. P˚a samme m˚ate kan ogs˚a konkursene telles flere ganger. 8Noen av l˚anene til foretak som er g˚att konkurs, men ikke misligholdt etter v˚ar definisjon, har manglende P(D). Det kan derfor hende at en del av disse l˚anene likevel er misligholdt, men at vi ikke fanger dem opp. Heretter ser vi bare p˚a konkursene som er blant det vi har definert som misligholdte l˚an. 6 Figuren indikerer at konkurssannsynligheter er relevante for ˚a predikere mislighold ogs˚a for foretak som ikke g˚ar konkurs. Som forventet er estimerte konkurssannsynligheter høyest for foretak som faktisk g˚ar konkurs. Samtidig kan vi observere at det blant foretak som ikke g˚ar konkurs, er klart høyere konkurssannsynlighet for foretak med misligholdte l˚an enn for foretak med friske l˚an. Vi tolker resultatene som at den finansielle stillingen til foretak som misligholder l˚anet sitt uten ˚a g˚a konkurs, er svak, men at den er mindre svak enn for foretak som g˚ar konkurs. Forskjellen i estimerte konkurssannsynligheter mellom foretak som g˚ar konkurs og foretak som misligholder uten ˚a g˚a konkurs, indikerer at det er mer hensiktsmessig ˚a estimere sannsynligheten for mislighold gitt at foretaket ikke g˚ar konkurs, P(D|¯ B), enn sannsynligheten for samlet mislighold, P(D). Figur 8: Estimerte konkurssannsynligheter for foretak som misligholder uten at de g˚ar konkurs, er høyere enn for foretak med friske l˚an Kilder: Brønnøysundregistrene, Dun & Bradstreet, Finanstilsynet og Norges Bank 4.3 Modell for misligholdssannsynlighet uten konkurs Siden vi finner en betydelig forskjell i estimerte konkurssannsynligheter mellom foretak med friske l˚an, foretak med misligholdte l˚an uten konkurs og foretak som g˚ar konkurs, estimerer vi en modell for sannsynligheten for mislighold gitt at foretaket ikke g˚ar konkurs, P(D|¯ B), se ligning (1):13 13Vi bruker OLS fordi det gjør resultatene enkle ˚a tolke. Modellen predikerer dessuten svært sjelden sannsynligheter over 1. Vi har ogs˚a forsøkt andre modellalternativer, som for eksempel logistisk regresjon, uten at det har gitt bedre resultater sammenlignet med OLS. 13 P(D|¯ B)i,t =α+βP (B)i,t +δtP(B)i,tdt+γtdt+ϵi,t (1) hvor P(B)i,t er estimerte konkurssannsynligheter for foretak, i, i ˚ar t. Vi tar hensyn til at forholdet mellom konkurs og mislighold varierer over tid (se kapittel 3.2) ved ˚a inkludere tidsfaste effekter for hvert ˚ar, dt. Basis˚aret er 2018 i estimeringen, slik at dter lik 0 n˚ar t= 2018 og lik 1 n˚ar t > 2018. dtinng˚ar b˚ade som en egen ˚arsdummy, og som en interaksjon med P(B).14 Da forholdet mellom konkurs og mislighold er forskjellig mellom næringer, se kapittel 3.3, estimerer vi en modell for hver av de syv næringene i analysen. Siden konkurs er en engangshendelse, estimerer vi sannsynligheten for første gang i mislighold. M˚alet med modellen er ˚a ansl˚a andelen nye misligholdte l˚an, og ikke summen av misligholdte l˚an, som ogs˚a inkluderer l˚an som ligger i mislighold p˚a balansen over flere ˚ar. Koeffisientene fra estimeringen av ligning (1) for de syv næringene er vist i tabell 2. Sannsynligheten for mislighold gitt at foretaket ikke g˚ar konkurs øker for eksempel med 0,06 prosentenheter n˚ar konkurssannsynligheten øker med 1 prosentenhet for et foretak i bygg og anlegg i basis˚aret 2018. For eiendomsutvikling er tilsvarende økning 0,76 prosentenheter samme ˚ar.15 For 2023 øker misligholdssannsynlighetene betydelig mer med henholdsvis 0,64 og 1,62 prosentenheter.16 Vi ser videre at konkurssannsynligheten P(B) er sterkt signifikant i hver næring i nesten alle ˚ar. Unntaket er for industri i 2018 og i fiske og oppdrett i 2018, 2022 og 2023. Her vil P(D|¯ B) være lik konstantleddet for alle foretak. Resultatene er i stor grad konsistente med funnene i kapittel 3. Størrelsen p˚a koeffisientene til b˚ade P(B) og konstantleddet varierer mye mellom næringer og ˚ar. I ˚arene etter pandemien er sannsynligheten for mislighold uten konkurs stort sett høyere for en gitt konkurssannsynlighet for alle næringer. Videre tilsier resultatene at sannsynligheten for mislighold uten konkurs stort sett er relativt høyere innen fiske og oppdrett, næringseiendom og eiendomsutvikling enn i de andre næringene. 14Vi ønsker at effekten fra˚arsdummiene kun skal inkluderes dersom den er sterkt signifikant. Vi eliminerer derfor antall parametere i hver modell som ikke er signifikante p˚a 5%-niv˚a ved bruk av stegvis regresjon. 15I tillegg m˚a en legge til konstantleddet p˚a 0,3 prosentenheter i bygg og anlegg og 0,6 prosentenheter i eiendomsutvikling. 16I 2023 gir 1 prosentenhets økning i P(B) en økning i P(D|¯ B) p˚a 0,06+0,58=0,64 prosentenheter i bygg og anlegg og 0,75+0,87=1,62 prosentenheter i eiendomsutvikling. Konstantleddene er 0,3+0,6=0,9 prosentenheter i bygg og anlegg og 0,6+0,9=1,5 prosentenheter i eiendomsutvikling. 14 Tabell 2: Estimeringsresultater for P(D|¯ B) Fiske og Industri Bygg og Varehandel Næringseiendom Eiendomsutvikling Tjenesteyting oppdrett anlegg P(D|¯ B)P(D|¯ B)P(D|¯ B)P(D|¯ B)P(D|¯ B)P(D|¯ B)P(D|¯ B) Konstant 0.005* 0.003** 0.003*** 0.002** 0.002*** 0.006*** 0.006*** (0.002) (0.001) (0.001) (0.001) (0.000) (0.001) (0.001) P(B) 0.062** 0.087*** 1.543*** 0.756*** 0.098*** (0.022) (0.011) (0.098) (0.131) (0.024) P(B)×d2019 10.239*** 0.278*** -0.844*** -0.724*** (1.314) (0.076) (0.112) (0.181) P(B)×d2020 4.767*** 0.258*** -1.026*** -0.700*** (0.689) (0.050) (0.128) (0.208) P(B)×d2021 3.390*** 0.394*** 0.439*** 0.101*** 0.626** 0.445*** (0.317) (0.065) (0.047) (0.029) (0.191) (0.066) P(B)×d2022 0.269*** 0.309*** 0.106*** -0.395* 0.964*** (0.069) (0.044) (0.030) (0.200) (0.066) P(B)×d2023 0.121* 0.580*** 0.141*** -0.635*** 0.868** 0.649*** (0.048) (0.045) (0.025) (0.138) (0.273) (0.056) d2021 0.010* 0.015*** 0.015*** 0.006*** 0.003*** 0.012*** (0.004) (0.002) (0.002) (0.001) (0.001) (0.001) d2022 0.009*** 0.009*** 0.005*** 0.003*** 0.005*** (0.002) (0.002) (0.001) (0.001) (0.001) d2023 0.014*** 0.009*** 0.006** 0.008*** 0.004*** 0.009*** 0.010*** (0.004) (0.002) (0.002) (0.001) (0.001) (0.002) (0.001) N4 804 15 611 28 626 35 572 73 715 12 555 55 004 R20.047 0.010 0.023 0.009 0.011 0.008 0.014 Standardfeil i parentes. Asteriskene indikerer signifikansniv˚a ved: * p < 5%, ** p < 1% og *** p < 0,1%. Estimeringsperiode: 2018-2023. Basis˚aret er 2018. Samlet koeffisient for P(B) er βfor t= 2018 og β+δtfor t > 2018. Konstantleddet er α for t < 2021 og α+γtfor t > 2020. 4.4 Modell for samlet misligholdssannsynlighet, MISMO For ˚a kunne predikere den samlede sannsynligheten for mislighold, P(D), utleder vi i dette kapittelet en misligholdssannsynlighetsmodell ved ˚a legge sammen estimerte P(B) og estimerte P(D|¯ B) for hvert foretak ii˚ar t, se ligning (2).17 Vi kaller denne modellen for MISMO. 17Ligningen er utledet ved bruk av den generelle produktregelen, P(D) = P(D∩B) + P(D∩¯ B) = P(D|B)·P(B) + P(D|¯ B)·P(¯ B). Siden P(¯ B) = (1 −P(B)) og vi antar at P(D|B) = 1, f˚ar vi ligning (2). 15 P(D)i,t =P(B)i,t + (1 −P(B)i,t)·P(D|¯ B)i,t (2) Vi beregner gjennomsnittlig P(D) for hvert ˚ar for alle foretak samlet ved hjelp av ligning (2) og sammenligner dette b˚ade med den faktiske andelen nye mislighold og resultatene fra den mye brukte tommelfingerregelen beskrevet i kapittel 1og 3.3. Figur 9viser b˚ade uvektet og gjeldsvektet gjennomsnittlig misligholdssannsynlighet for de syv næringene samlet sett. De uvektede resultatene fra MISMO er mer lik den faktiske utviklingen i nye mislighold enn tommelfingerregelen, særlig etter pandemien, se venstre panel i figur 9. Dette reflekterer særlig at omfanget av konkurs i forhold til mislighold har variert i analyseperioden. N˚ar vi vekter med gjelden i foretakene, ligger modellestimatene fra MISMO en del høyere enn faktisk misligholdt gjeld, se høyre panel i figur 9.18 Forskjellen er særlig stor i 2021, men det skyldes at antallet mislighold var høyt, mens l˚anevolumet i mislighold ikke var særlig høyt. Det betyr at det var flere sm˚a foretak enn normalt som misligholdte gjelden dette ˚aret. Den nye modellen fanger imidlertid bedre opp oppgangen i misligholdt gjeld i 2023, noe tommelfingerregelen ikke gjør i særlig grad. Figur 9: Ny estimert modell for misligholdssannsynlighet, MISMO, fanger bedre opp utviklingen etter pandemien enn tommelfingerregelen Kilder: Brønnøysundregistrene, Dun & Bradstreet, Finanstilsynet og Norges Bank 18Vi har forsøkt ˚a legge inn ulike spesifikasjoner av l˚anestørrelse som forklaringsvariabel i regresjonen for P(D|¯ B). Disse variablene er imidlertid ikke alltid signifikante og det blir vanskeligere ˚a tolke resultatene. Inkluderingen av disse variablene gir heller ikke en vesentlig forskjell i gjennomsnittlig gjeldsvektet P(D) sammenlignet med v˚ar valgte modellspesifikasjon. 16 5 Anslag for ny misligholdt gjeld og utl˚anstap I dette kapittelet viser vi hvordan vi kan bruke MISMO til ˚a ansl˚a andelen ny misligholdt gjeld og utl˚anstap for inneværende og neste ˚ar. 5.1 Anslag for ny misligholdt gjeld Først bruker vi MISMO til˚a ansl˚a andelen ny misligholdt bankgjeld i˚ar og neste˚ar. Vi ansl˚ar misligholdssannsynligheter, P(D), for 2024 og 2025 basert p˚a anslag for P(B) i samme ˚ar.19 I kapittel 4.4 viste vi at MISMO overestimerer samlet misligholdssannsynlighet n˚ar vi vekter med gjelden. Vi legger derfor til grunn at modellen overestimerer niv˚aet av misligholdt gjeld ogs˚a i 2024 og 2025, og skalerer ned anslagene ved ˚a bruke forholdet mellom faktisk og estimert misligholdt gjeld i 2023 som skaleringsfaktor. Figur 10: Fremskriving av MISMO indikerer noe økning i ny misligholdt gjeld i 2024 og 2025 Ny misligholdt bankgjeld som andel av total bankgjeld i hver næring Kilder: Brønnøysundregistrene, Dun & Bradstreet, Finanstilsynet og Norges Bank 19I anslagene legger vi til grunn at ˚arsdummiene har samme effekt for 2024 og 2025 som de hadde i 2023. Denne forutsetningen er usikker, og resultatene m˚a tolkes med varsomhet. Det er vanskelig ˚a forutsi hvordan forholdet mellom konkurs og mislighold blir fremover, noe som gjør det vanskelig ˚a si hva effekten fra ˚arsdummiene for 2024 og 2025 bør være. Vi har enn˚a ikke komplette data for nye mislighold for 2024, men vi ser at den samlede beholdningen av misligholdte l˚an for næringene som inng˚ar i analysen har holdt seg oppe eller økt s˚a langt i ˚ar, se “Finansiell stabilitet 2. halv˚ar 2024”. Konkursene har økt litt s˚a langt i ˚ar, men det skal noe til før konkursene utgjør en vesentlig større andel av misligholdte l˚an igjen. Derfor tror vi at effekten fra ˚arsdummiene sannsynligvis vil være nærmere slik det var i 2023 enn i ˚arene før pandemien. Vil vi f˚a mer innsikt i dette etter hvert som vi f˚ar data for de neste ˚arene. 17 Figur 10 viser faktisk ny misligholdt gjeld som andel av samlet utl˚an til hver næring for perioden 2018 til 2023 og v˚are anslag for 2024 og 2025. Gitt v˚are forutsetninger, indikerer anslagene at ny misligholdt gjeld som andel av totale l˚an til de syv næringene i analysen øker noe, fra 0,7 prosent i 2023 til henholdsvis 0,9 og 1 prosent i 2024 og 2025. KOSMO 2 ansl˚ar til sammenligning en økning i konkursutsatt gjeld fra 0,2 prosent i 2023 til henholdsvis 0,3 og 0,4 prosent i 2024 og 2025. Videre ansl˚ar MISMO høyere misligholdt gjeld for bygg og anlegg relativt til varehandelen enn det KOSMO 2 ansl˚ar for konkursutsatt gjeld. Bygg og anlegg bidrar med 10 prosent av økningen i misligholdt gjeld fra 2023 til 2025, til tross for at næringen bare st˚ar for 3 prosent av bankgjelden. MISMO ansl˚ar ogs˚a relativt høyt mislighold i eiendomsutvikling. Næringen st˚ar for 10 prosent av bankgjelden, men bidrar med 20 prosent av økningen i misligholdt gjeld fra 2023 til 2025. I KOSMO 2 er bidraget p˚a kun 10 prosent. MISMO ansl˚ar kun svak økning i ny misligholdt gjeld til fiske og oppdrett, industri og næringseiendom. Siden næringseiendom st˚ar for om lag halvparten av bankgjelden i utvalget, bidrar næringen likevel med 20 prosent av økningen i misligholdt gjeld fra 2023 til 2025. 5.2 Anslag for utl˚anstap Vi kan videre bruke anslagene for ny misligholdt gjeld fra MISMO til˚a lage forenklede anslag for tap p˚a foretaksl˚an i bankene. Ved nye mislighold setter bankene av en andel av l˚anene til tap, ofte kalt avsetningsgrad ved mislighold eller ”loss-given-default”(LGD). Disse nye tapsavsetningene er som regel den underliggende driveren til utviklingen i utl˚anstap. Per i dag har ikke Norges Bank noen egen modell for˚a ansl˚a LGD. For˚a ansl˚a hva tapsavsetningene p˚a den nye misligholdte gjelden blir antar vi derfor en avsetningsgrad ved mislighold som er lik gjennomsnittet av avsetningsgraden i misligholdte l˚an for første og andre kvartal 2024 for hver næring. I anslagene øker dermed nye tapsavsetninger som andel av totale foretaksl˚an litt i ˚ar og neste ˚ar sammenlignet med i fjor, se figur 11. Økningen er størst innen bygg og anlegg og eiendomsutvikling, mens økningen i resterende næringer er begrenset. Det er betydelig usikkerhet rundt anslagene, og bankenes tapsvurderinger er naturligvis mer sammensatt enn det vi har tatt hensyn til i denne analysen. Modellanslagene er likevel godt i tr˚ad med foretaksanalysene i “Finansiell stabilitet 2. halv˚ar 2024”, og den overordnede vurderingen av tapsutsiktene i bankene, og gir oss et forbedret utgangspunkt for anslag av ˚arlige utl˚anstap fra mikrodata. 18 Figur 11: Modellanslagene indikerer noe økning i utl˚anstapene til foretak i 2024 og 2025 Tapsavsetninger i ny misligholdt gjeld som andel av total gjeld Kilder: Brønnøysundregistrene, Dun & Bradstreet, Finanstilsynet og Norges Bank 6 Konklusjoner I vurderingen av kredittrisikoen knyttet til bankenes foretaksl˚an, har Norges Bank i lang tid benyttet modeller som beregner sannsynligheten for konkurs. Konkurs er imidlertid ikke det samme som mislighold eller utl˚anstap, men tilgang p˚a slik mikrodata har vært svært begrenset historisk. Forbedret tilgang til mikrodata for mislighold har gjort det mulig for oss ˚a analysere forholdet mellom mislighold og konkurs p˚a mikroniv˚a. Vi har funnet at det er en sterk sammenheng, men at sammenhengen varierer p˚a tvers av næringer og tid. Særlig har koronapandemien markert et skille i forholdet mellom mislighold og konkurs. Basert p˚a denne innsikten har vi utviklet en modell for sannsynligheten for mislighold basert p˚a allerede estimerte konkurssannsynligheter. Vi argumenterer for at modellen gir bedre tilpasning til faktiske mislighold enn en tidligere brukt tommelfingerregel. Vi bruker modellen til ˚a ansl˚a ny misligholdt bankgjeld i ˚ar og neste ˚ar. Med forutsetninger om avsetningsgrad ved mislighold gir modellen et anslag for andelen nye tapsavsetninger, som er den underliggende driveren til utviklingen av utl˚anstap. Modellen er et viktig bidrag inn mot anslag for ˚arlige tap p˚a foretaksl˚an fra mikro og vil inng˚a som en del av Norges Banks vurdering av kredittrisikoen i det norske banksystemet. Etter hvert som datagrunnlaget for misligholdte l˚an øker og vi vinner ny innsikt, vil vi søke ˚a utvikle modellen for misligholdssannsynlighet videre. 19 Referanser Andersen, H., & Hjelseth, I. N. (2019). Hvordan p˚avirker IFRS 9 bankenes tapsføring i d˚arlige tider? Staff Memo 9/2019. Norges Bank. Bernhardsen, E. (2001). A model of bankruptcy prediction. Working Paper 10/2001. Norges Bank. Bernhardsen, E., & Larsen, K. (2007). Modellering av kredittrisiko i foretakssektoren - videreutvikling av SEBRA-modellen. Penger og kreditt 2/2007, 60–66. Bernhardsen, E., & Syversten, B. D. (2009). Stress testing the Enterprise Sector’s Bank Debt: a Micro Approach. International Journal of Central Banking,5(3), 111–136. Blanco, R., Mu˜noz, E. F., Garc´ıa-Posada, M., & Mayordomo, S. (2023). An Estimation of the Default Probabilities of Spanish Non-Financial Corporations and Their Application to Evaluate Public Policies. Banco de Espa˜na Occasional Paper, (2319). Finanstilsynet. (2022). Spesifikasjon av tap p˚a utl˚an (KRT-1131). https://www.finanstilsynet. no/rapportering/fellesrapporteringer/spesifikasjon-av-tap-pa-utlan/ Finanstilsynet. (2024). Engasjementsrapportering (KRT-1115). https://www.finanstilsynet. no/rapportering/fellesrapporteringer/sebra-rapportering/ Hjelseth, I. N., Johansen, R. M., & Solheim, H. (2024). Foretakenes omstilling til lavere klimagassutslipp og risikoen i norske banker. Staff Memo 3/2024. Norges Bank. Hjelseth, I. N., & Liaudinskas, K. (2024). Record Increase in Payment Remarks: A Red Flag for Norwegian Firms? Staff Memo 9/2024. Norges Bank. Hjelseth, I. N., & Raknerud, A. (2016). A model of credit risk in the corporate sector based on bankruptcy prediction. Staff Memo 20/2016. Norges Bank. Hjelseth, I. N., Raknerud, A., & Vatne, B. H. (2022). A bankruptcy probability model for assessing credit risk on corporate loans with automated variable selection. Working Paper 7/2022. Norges Bank. 20 Hjelseth, I. N., Solheim, H., & Vatne, B. H. (2021). Inndriving av utsatt merverdiavgift vil neppe utløse en konkursbølge. Innlegg publisert p˚a Bankplassen blogg 17. juni 2021. Norges Bank. Norges Bank. (2024a). Finansiell stabilitet 1. halv˚ar 2024. https://hdl.handle.net/11250/ 3130231 Norges Bank. (2024b). Finansiell stabilitet 2. halv˚ar 2024. https://www.norges-bank.no/ aktuelt/nyheter-og-hendelser/?tab=publication&newstype=66 Statistisk sentralbyr˚a. (2020). Daglig statistikk over konkurser. https : / / www . ssb . no / virksomheterforetakogregnskap/artiklerogpublikasjoner/ukentligstatistikkover-konkurser--418544 21