VII Международная студенческая научная конференция Студенческий научный форум - 2015

Введение

Банковская система России является довольно молодой по сравнению с банковскими системами западных стран. В настоящее время предпринимается множество мер, направленных на повышение её эффективности и снижение диспропорций. Необходимо отметить, что именно банковская система является ядром всей финансовой системы России.

Актуальность данной работы заключается в том, что посредством эконометрических моделей и методов, можно выявить, какие именно факторы в большей степени предопределяют эффективность работы банка. Анализ полученных результатов позволит разработать стратегию, направленную на улучшение функционирования отдельных банков, их групп и банковской системы в целом.

Основная цель работы - выявить влияние определенных факторов на результативный показатель - прибыль до налогообложения, ведь именно прибыль банка является одним из основных показателей эффективности его деятельности.

Методология

Источником информации послужила информационная система СПАРК¹, являющаяся одной из самых крупных баз данных российских компаний. Данные взяты за июль 2014 года.

В качестве объекта анализа было выбрано 100 кредитных организаций (преимущественно банковские), обладающих в совокупности более 90% активов всей банковской системы. Таким образом, можно полагать, что выявленные результаты проецируются на всю банковскую систему России.

Среди отобранных организаций присутствуют 16 крупных банков с государственным участием в капитале, таких как Сбербанк, ВТБ, Внешэкономбанк, Газпромбанк, Банк Москвы, Россельхозбанк и другие, а также НКО «Национальный расчетный депозитарий». Также в выборке присутствуют 59 крупных и средних частных банков таких, как Альфа-Банк, ФК Открытие, Промсвязьбанк, Московский Кредитный банк и другие. Третья группа кредитных организаций, представленных в выборке - банки с преимущественно иностранным участием в капитале, такие как ЮниКредит Банк, Райффайзенбанк, Росбанк, Ситибанк, составляющие в совокупности 24 банка.

С целью получения более показательных результатов, вся выборка была разделена на три подгруппы:

1. Кредитные организации, контролируемые государством

2. Частные российские банки

3. Банки с преимущественно иностранным участием в капитале.

Далее в рамках каждой подгруппы были построены корреляционно-регрессионные модели, показывающие, какие факторы наиболее сильно влияют на прибыль до налогообложения.

Изначально были выбраны следующие факторные показатели:

• Валюта баланса (X1). Данный показатель характеризует величину активов (оборотный капитал и основной капитал), равную величине пассивов (заемные средства банков и собственный капитал). Валюта баланса характеризует величину банка, хотя и довольно условно.

• Активы (X2). Главными статьями активов банковских организаций, как правило, являются, чистая ссудная задолженность, вложения в ценные бумаги, денежные средства, средства в Центральном банке и других кредитных организациях.

• Депозиты, размещенные частными лицами (X3). Характеризует общую сумму привлеченных банком вкладов и депозитов населения в рублях и иностранной валюте, включая средства для расчетов с помощью пластиковых карт.

• Вложения в государственные ценные бумаги (X4). Характеризует общий объем ценных бумаг Правительства РФ на балансе банка.

• Вложения в негосударственные ценные бумаги (X5). Характеризует объем ценных бумаг банков и предприятий на балансе банка.

• Средства в банках (брутто) (X6). Характеризует собственный капитал банка. Включает фонды (уставный, резервный, специальный и др.), собственные средства для финансирования инвестиций, прибыль, собственные средства в расчетах. Также включает иммобилизованные средства (капитализированные собственные средства, отвлеченные средства за счет прибыли; собственные средства, вложенные в ценные бумаги; собственные средства, отвлеченные в расчеты; дебиторская задолженность).

• Кредиты небанковскому сектору (X7). Характеризует объем текущей и просроченной задолженности по выданным банком кредитам, учтенным векселям предприятиям, физическим лицам и организациям, включая бюджеты и нерезидентов.

• Просроченные кредиты небанковскому сектору (X8). Характеризует объем просроченной задолженности заемщиков и эмитентов векселей из небанковского сектора перед банком.

• Кредиты физическим лицам (X9). Характеризует объем выданных кредитов населению.

• Обязательства перед другими банками (X10). Характеризует активность банка в привлечении средств на рынке межбанковского кредитования.

• Иностранные обязательства (X11). Характеризует объем обязательств банка перед нерезидентами, включая счета и депозиты нерезидентов, обязательства перед банками-нерезидентами.

Анализ всей выборки

Основная задача регрессионного анализа заключается в исследовании зависимости изучаемой переменной от различных факторов и отображении их взаимосвязи в форме регрессионной модели [7].

Чтобы определить эффективность банков и небанковских кредитных организаций, с точки зрения их прибыльности, мы использовали три метода отбора факторов:

1. Анализ коэффициентов парной корреляции

2. Тест Фаррара-Глоубера

3. Пошаговый метод.

Во всех методах в качестве результирующей (эндогенной) переменной был выбран фактор «Прибыль до налогообложения».

На первом этапе, регрессионная модель для всей совокупности анализируемых данных, строилась на основе визуального анализа. Построив матрицу коэффициентов парной корреляции (рис. 1), было выявлено, что практически все факторы (за исключением фактора «Средства в банках (брутто)») оказывают сильное влияние на прибыль банков. Однако в матрице также видна сильная зависимость факторов между собой, а одним из условий классической регрессионной модели является предположение о независимости объясняющих переменных. Таким образом, избавившись от коллинеарности объясняющих переменных, мы получили однофакторную модель, где фактор Х4 («Вложения в государственные ценные бумаги») имеет тесную связь с зависимой переменной Y.

Рисунок . Матрица коэффициентов парной корреляции по всей выборке

Более того, коэффициент детерминации показал, что около 96% вариации зависимой переменной учтено в модели и обусловлено влиянием включённого в неё фактора Х4. Таким образом, уравнение регрессии будет иметь вид:

Y = -6235,46 + 0,363352Х4.

Таким образом, модель показывает, что на прибыль влияет только один фактор – вложения в государственные ценные бумаги.

Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Расчетное значение F-критерия в нашем случае определяется по формуле:

, где n – количество наблюдений в выборке, k – количество факторов, - коэффициент детерминации.

Табличное значение F-критерия со степенями свободы k и (n-k-1) и уровне значимости α = 0,05 равно 3,94. Поскольку расчетное значение F-критерия Фишера больше табличного, то уравнение регрессии признается значимым с вероятностью 95%.

Находим среднюю относительную ошибку аппроксимации:

53,3%

Таким образом, модельные значения отклоняются от фактических значений y в среднем на 53,3%. Допустимым значением средней относительной ошибки аппроксимации является 10%. Соответственно, получена модель плохого качества (низкой точности).

На втором этапе, при построении регрессионной модели для всей совокупности анализируемых данных, использовался метод Фаррара-Глоубера. Для этого, нами, первоначально, была построена матрица межфакторных корреляций и вычислено наблюдаемое значение статистики Фаррара–Глоубера по следующей формуле:

FGнабл= -n-1-16*2k+5ln⁡(detR1), где n = 100 – количество наблюдений; k = 11 – количество факторов.

Сравнив фактическое значение критерия FGнабл с табличным значением χ2 при 55 степенях свободы и уровне значимости α = 0,05, получили, что FGнабл > FGкрит, и, следовательно, в массиве объясняющих переменных существует мультиколлинеарность.

Затем была выполнена проверка наличия мультиколлинеарности каждой переменной с другими переменными и проверка наличия мультиколлинеарности каждой пары переменных. В результате, получили, что некоторые фактические значения t-критериев больше табличного значения при степенях свободы (n – k – 1) = 88 и уровне значимости α = 0,05, что говорит о наличии мультиколлинеарности между этими независимыми переменными.

Для того чтобы избавиться от мультиколлинеарности, мы исключили переменные с наибольшим значением F-критерия (а именно: Х1, Х2, Х3, Х4, Х6, Х7, Х5, Х9, Х10), т.к. именно они больше влияет на общую мультиколлинеарность факторов.

Таким образом, мы получили двухфакторную модель, где определяющими факторами являются Х8 (просроченные кредиты небанковскому сектору) и Х11 (иностранные обязательства). Уравнение регрессии выглядит следующим образом:

Y = -3467717,835 + 0,253225164Х8 + 0,056565435Х11.

Коэффициент детерминации равен 0,56, что является невысоким значением. Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=61, Fтабл.=3,09, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 837,3%, что говорит о неудовлетворительном качестве модели.

На третьем этапе, для построения регрессионной модели для всей совокупности анализируемых данных мы применили пошаговый метод отбора факторов.

На первом шаге этого метода мы построили модель регрессии по всем одиннадцати факторам. Затем, после оценки значимости всех коэффициентов регрессии, мы «пошагово» исключали из модели те факторы, коэффициенты при которых незначимы и имеют наименьший по абсолютной величине коэффициент t. Таким образом, при первом преобразовании модели был исключён фактор Х3, со значением t = -0,0902, при том, что значение tтабл. равнялось 1,987. Затем, поэтапно по тому же принципу были исключены факторы: Х9 и Х5.

В результате, было получено уравнение регрессии, все коэффициенты которого значимы не только при 5%-ном уровне значимости, но и при 1%-ном уровне значимости:

Y = - 1,552032615 + 2,981120366Х1 - 4,943649692Х2 + 6,648262011Х4 + 3,626429386Х6 + 6, 1244428Х7 - 10,73997512Х8 + 8,003850676Х10 - 7,565389566Х11.

Коэффициент детерминации равен 0,99. Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=2164, Fтабл.=2,04, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 60,6%, что говорит о плохом качестве модели. Более того, знак коэффициента перед фактом Х2 противоречит и матрице коэффициентов парной корреляции, и логике.

Таким образом, несмотря на то, что все модели в рамках общей совокупности наблюдений являются значимыми, ни одну модель нельзя использовать для анализа из-за высокой средней относительной ошибки аппроксимации. Это объясняется тем, что банковский сектор России очень неравномерен и разница в показателях (особенно в активах) между самой крупной и самой мелкой организациями очень велика.

Для получения репрезентативных выводов разделим всю выборку на три группы и проанализируем, различаются ли факторы, влияющие на прибыль банков у групп банков с государственным участием в капитале, банков с иностранным участием в капитале и у частных российских банков.

1. Кредитные организации, контролируемые государством

Банки с государственным участием в капитале являются основой всей банковской системы России, поэтому анализ их эффективности особенно важен для экономики России. В данной подгруппе было выявлено 17 кредитных организаций, совокупный объем активов которых составил 70% активов всей выборки.

В группе банков с государственным участием (впрочем, как и в общей выборке) наблюдается значение, резко выделяющееся из общей совокупности организаций. Этим наблюдением является Сбербанк, владеющий около 30% всех активов всей совокупности кредитных организаций. Однако, если посмотреть на рисунок 2, можно заметить, что выделяющееся значение находится в рамках общего тренда (отклонение значения допустимо). Это позволяет не исключать Сбербанк из выборки.

Рисунок . Зависимость прибыли от активов банков с гос. участием в капитале

Построим регрессионную модель, с помощью трех методов отбора факторов: визуального метода, метода Фаррара-Глоубера и пошагового метода.

Для построения регрессионной модели необходимо построить матрицу коэффициентов парной корреляции, позволяющую измерить тесноту связи между результативным показателем и факторными показателями и отдельно между факторными показателями.

Рисунок . Матрица коэффициентов парной корреляции по банкам с гос. участием в капитале

Из матрицы видно, что все факторы, кроме Х6 (средства в банках брутто) значительно влияют на результативный показатель Y. Самое большое влияние на прибыль наблюдается у факторов Х1 (валюта баланса) и Х4 (вложения в государственные ценные бумаги). Вместе с тем, наблюдается большое число факторов, тесно связанных между собой (наблюдается сильная мультиколлинеарность). Устраняя мультиколлинеарность путем исключения факторов, сильно влияющих друг на друга, получаем следующую модель:

Y = -3002913 + 0,330237X4 + 0,020715X5

Данная модель показывает, что при увеличении вложений в государственные ценные бумаги на 1000 рублей, прибыль возрастает на 330 рублей, а при увеличении вложений в негосударственные ценные бумаги на 1000 рублей прибыль возрастает на 21 рубль. Свободный коэффициент показывает, что при отсутствии вложений в облигации, прибыль банка должна быть отрицательной. Коэффициент детерминации равен 0,97. Это значит, что результативный показатель определяется данными факторами на 97%.

Проверим адекватность модели с помощью разделения всей выборки на контрольную выборку (5-10% от всей выборки) и обучающую выборку. Первая предназначена для тестирования модели на адекватность, вторая – для оценивания модели. Необходимость выделения из общего объема контрольной выборки связано с тем, что необходимо обеспечить независимость значений оценок параметров от влияния элементов контрольной выборки. В противном случае тест становится некорректным, т.к. тестирование на адекватность модели проводится по тем же данным, по которым осуществляется идентификация модели. После выделения контрольной выборки и идентификации обучающей выдвигается статистическая гипотеза о равенстве реального и прогнозного значений эндогенной переменной в каждой точке контрольной выборки:

H0 : yjk=yjk

Для тестирования выдвинутой гипотезы используется критерий Стьюдента. Если выполняется условие tj=yjk-yjkσyj≤tкрит, то модель считается адекватной. В ходе расчетов модель оказались адекватной с доверительной вероятностью 95%.

Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=252,1, Fтабл.=3,74, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 15,4%. Данное значение выше допустимого, но не значительно, соответственно модель пригодна для анализа.

Следующим методом, с помощью которого предлагается выявить наиболее значимые факторы, является метод Фаррара-Глоубера.

Так же, как и в общей выборке с помощью критерия FGнабл и FGкрит в модели обнаружилась мультиколлинеарность. Исключая факторы с наибольшим значением F-критерия, наиболее сильно влияющие на мультиколлинеарность, получилась следующая модель:

Y = -2231092,05 + 0,26668938X4 - 0,00602222X5 - 0,12741103X8 + 0,01558225X9 + 0,03618922X10 - 0,01278901X11

Модель включает такие факторы, как вложения в государственные и негосударственные ценные бумаги, просроченные кредиты небанковскому сектору, кредиты физическим лицам, обязательства перед другими банками и иностранные обязательства.

Коэффициент детерминации данной модели равен 0,999. Это означает, что факторы, включенные в модель, определяют 99,9% результативного показателя, свидетельствующее о высокой степени адекватности модели.

Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=4742,2, Fтабл.=3,22, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 3,4%, значит получена модель высокой точности. Однако, знаки коэффициентов перед факторами Х5, Х8 и Х11 противоречат матрице коэффициентов парной корреляции, в который коэффициенты между данными факторами и результативным показателем являются значимыми.

С помощью пошагового метода получается следующая модель:

Y = 1229750 + 0,027X1 - 0,069X3 - 0,034X5 - 0,056X6 - 0,063X7 + 0,066X9 + 0,03X10 - 0,02X11.

Данная модель, как и предыдущая включает вложения в негосударственные ценные бумаги, кредиты физическим лицам, обязательства перед другими банками и иностранные обязательства. Однако, данная модель включает также валюту баланса, депозиты, размещенные физическими лицами, средства в банках (брутто) и кредиты небанковскому сектору.

Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=4364,8, Fтабл.=3,44, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 3,4%, значит получена модель высокой точности. Опять же в модели присутствует противоречие с матрицей коэффициентов парной корреляции.

Таким образом, следует взять модель, полученную визуальным анализом коэффициентов парной корреляции, в качестве модели, характеризующей зависимость прибыли кредитных организаций от факторов в группе банков, контролируемых государством. С помощью коэффициентов эластичности и бета-коэффициентов выявим фактор, имеющий наиболее сильное влияние на результативный показатель. Из рисунка 4 видно, что таким фактором является фактор Х4 (вложения в государственные ценные бумаги).

Рисунок . Оценка влияния факторов на прибыль банков, контролируемых государством

1. Частные российские банки

Большую часть банковской системы России составляют частные банки и не банковские кредитные организации. В этой связи, справедливо будет сказать, что эффективное функционирование частных банков – это залог «здоровой» банковской системы нашей страны. Анализ работы данной подгруппы имеет критическое значение для всего банковского сектора экономики.

В подгруппе «частные банки» было определено 59 кредитных организаций. Построение регрессионной модели, так же, как и в других подгруппах, осуществлялось на основе трёх методов, первым из которых был визуальный анализ коэффициентов парной корреляции.

Рисунок . Матрица коэффициентов парной корреляции по частным российским банкам

Согласно матрице коэффициентов парной корреляции (рисунок 4), 6 из 11 факторов оказывают сильное влияние на результативный показатель – прибыль организации. Такие не значимые или малозначимые факторы, как: Х3, Х5, Х6, Х8 и Х9 были исключены из модели уже при первоначальном рассмотрении зависимости факторов и результирующей переменной Y. При дальнейшем анализе корреляционной матрицы, были исключены факторы: Х1, Х2, Х10, Х11. Таким образом, уравнение регрессии приобрело вид:

Y = -1031084 + 0,1732542X4 + 0,012053X7

Коэффициент детерминации равен 0,66, что является невысоким, но достаточным значением. Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=56,2, Fтабл.=3,16, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 4,8%, значит получена модель высокой точности. Модель также прошла проверку на адекватность методом выделения обучающей выборки.

Далее, регрессионная модель частных банков строилась на основе теста Фаррара-Глоубера. При проверке наличия мультиколлинеарности всего массива переменных было обнаружено, что FGнабл > FGкрит (1210,4 > 73,3) и в массиве объясняющих переменных существует мультиколлинеарность. Выполнив проверку наличия мультиколлинеарности каждой переменной с другими переменными, выявили, что все FGнабл > FGкрит, следовательно, все факторы мультиколлинеарны между собой. Проверив наличие мультиколлинеарности каждой пары переменных, оказалось, что для преодоления мультиколлинеарности необходимо исключить такие факторы, как: Х10, Х1, Х2, Х6, Х7, Х3, X9, т.к. они обладают наибольшим значением F-критерия и, следовательно, больше других влияют на общую мультиколлинеарность факторов. Таким образом, мы получили четырёхфакторное уравнение регрессии:

Y = -808405 + 025X4 + 0,02X5 - 0,003X8 + 0,02X11

Коэффициент детерминации равен 0,6. Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=20,5, Fтабл.=2,54, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 4,1%, значит получена модель высокой точности.

На основе пошагового метода, мы были вынуждены исключить такие факторы, как: Х1, Х3, Х5, Х6, Х8, Х9, в связи с тем, что при каждом последующем «шаге» они, соответственно, имели наименьший по абсолютной величине коэффициент t. В результате, было получено такое уравнение регрессии, при котором полученные значения коэффициентов регрессии значимы не только при 5%-ном уровне значимости, но и при 1%-ном уровне значимости:

Y = -385131,22 - 0,055X2 + 0,107X4 + 0,0817X7 + 0,086X10 - 0,00529X11.

Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=54,5, Fтабл.=2,39, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 5%, значит получена модель высокой точности.

Несмотря на то, что у последней модели коэффициент детерминации самый большой (0,84), необходимо отметить, что пошаговый метод не справился с поставленной задачей, так как коэффициент перед фактором Х2 не может быть отрицательным (в связи с экономическим смыслом данного фактора). Соответственно, целесообразно взять первую модель, полученную визуальным методом, так как коэффициент детерминации у нее самый большой среди оставшихся моделей.

Оценим влияние факторов на результативный показатель с помощью коэффициентов эластичности, бета- и дельта-коэффициентов.

Рисунок . Оценка влияния факторов на прибыль частных российских банков

Из рисунка 5 видно, что на показатель Y большее влияние имеет показатель Х7 (кредиты небанковскому сектору).

1. Частные банки с иностранным участием в капитале

В российской банковской системе существенную долю занимают банки с иностранным участием в капитале. Эффективность функционирования иностранных банков сильно влияет на эффективность функционирования всей системы в целом, поэтому анализ этой группы кредитных организаций крайне важен для описания и оценки российской банковской системы. Данную подгруппу составили 24 иностранные кредитные организации.

Построение регрессионной модели также проводилось на основе трёх методов. Первоначально, была построена модель с помощью визуального анализа.

Матрица коэффициентов парной корреляции показала, что все факторы, за исключением Х4, Х8, Х9, Х11, обладают тесной связью с результативной переменной Y, и, следовательно, играют значимую роль в формировании прибыли организаций (рис.2).

Рисунок . Матрица коэффициентов парной корреляции по банкам с иностранным участием в капитале

Анализ зависимости определяющих факторов показал наличие мультиколлинеарности между некоторыми из них, что заставило нас исключить факторы с наименьшим показателем тесноты связи с результирующей переменной Y. Таким образом, были исключены факторы: Х1, Х2, Х5, а уравнение регрессии приняло следующий вид:

Y = -608215,54 + 0,01171338X3 + 0,02577692X6 + 0,00422047X7 + 0,00172461X10.

Как видно из модели, включаются такие факторы, как депозиты, размещенные частными лицами, средства в банках (брутто), кредиты небанковскому сектору и обязательства перед другими банками.

Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=46,1, Fтабл.=3,1, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 1,8%, значит получена модель высокой точности.

С помощью проверки модели на адекватность путем выделения контрольной выборки, было выявлено, что не все t-критерии < tтабл, соответственно, можно сделать вывод о том, что модель не прошла проверку на адекватность.

Далее, для построения регрессионной модели нами был использован тест Фаррара-Глоубера. Проведя проверку наличия мультиколлинеарности всего массива переменных, выявили, что все FGнабл>FGкрит, следовательно, все факторы мультиколлинеарны между собой.

Проверив наличие мультиколлинеарности каждой переменной с другими переменными и наличие мультиколлинеарности каждой пары переменных, получили, что многие фактические значения t-критериев больше табличного значения при степенях свободы (n – k – 1) = 12 и уровне значимости α = 0,05, что говорит о наличии мультиколлинеарности и необходимости отказаться от факторов с наибольшим значением F-критерия, а именно: Х2, Х4, Х3, Х6, Х7, Х10.

Согласно тесту Фаррара-Глоубера, мы получили уравнение регрессии из пяти факторов:

Y = -505288,1 + 0,0022623X1 + 0,0491385X5 - 0,175484X8 + 0,0125147X9 + 0,0183127X11

Данная модель включает абсолютно иные факторы по сравнению с предыдущей моделью, а именно: валюту баланса, вложения в негосударственные ценные бумаги, просроченные кредиты небанковскому сектору, кредиты физическим лицам и иностранные обязательства. Коэффициент детерминации в данной модели равен 0,62, что является допустимым значением.

Коэффициент детерминации равен 0,7. Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=8,4, Fтабл.=2,78, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 4,43%, значит получена модель высокой точности.

Затем, применив пошаговый метод при построении модели регрессии, получили следующие результаты. Во-первых, построив модель регрессии по всем факторам и оценив коэффициенты при 5%-ом уровне значимости, выявили, что все факторы модели не значимы. Во-вторых, «пошагово» исключая факторы с наименьшей по абсолютной величине коэффициента t, мы отказались от включения в модель факторов: Х9, Х10, Х8, Х2, Х5, Х11, Х3 и Х1. В результате, сравнив числовые значения окончательных критериев, получили, что все tрасч > tтабл, т.е. полученные значения коэффициентов регрессии значимы не только при 5%-ном уровне значимости, но и при 1%-ном уровне. В итоге, полученное уравнение регрессии включает три фактора и выглядит следующим образом:

Y = - 1,838270147 - 4,957364129X4 + 6,373244031X6 + 3,796485609X7

Коэффициент детерминации равен 0,87. Оценим значимость уравнения регрессии с помощью F-критерия Фишера. Fрасч=46,1, Fтабл.=3,1, следовательно, уравнение регрессии значимо с вероятностью 95%. Средняя относительная ошибка аппроксимации равна 1,8%, значит получена модель высокой точности. Знак перед фактором Х4 не противоречит матрице коэффициентов парной корреляции, т.к. влияние Х4 на Y не значимо.

Так как у последней модели коэффициент детерминации заметно выше, чем в модели, полученной с помощью метода Фаррара-Глоубера, будем считать её показательной для группы банков с иностранным участием в капитале.

Оценим влияние факторов на результативный показатель. Как видно на рисунке 8, наибольшее влияние на прибыль имеет фактор Х6 (средства в банках).

Рисунок 8. Оценка влияния факторов на прибыль банков с иностранным участием в капитале

Заключение

В ходе работы было проанализировано влияние отдельных факторов на результативный показатель – прибыль до налогообложения – в рамках как общей выборки, так и в разрезе отдельных групп кредитных организаций.

Вследствие того, что в целом выборка очень неравномерна, не удалось построить модель, выявляющую факторы, имеющие наибольшее влияние на прибыль банков.

Анализ различных групп кредитных организаций выявил следующие результаты:

• В группе банков с государственным участием в капитале фактором, имеющим наибольшее влияние на прибыль, является фактор «вложения в государственные ценные бумаги»

• В группе российских частных банков фактором, имеющим наибольшее влияние на прибыль, является фактор «кредиты небанковскому сектору»

• В группе банков с иностранным участием в капитале фактором, имеющим наибольшее влияние на прибыль, является фактор «средства в банках (брутто)».

Таким образом, полученные результаты могут быть полезны для лучшего понимания деятельности банка и его эффективности. Также данная работа будет полезна студентам и научным деятелям для лучшего понимания возможностей применения эконометрических методов для получения практических результатов.

Список использованных источников

1. Бабаев С. С. Эффективность деятельности банков с государственным участием // Автореферат диссертации на соискание ученой степени доктора экономических наук. М., 2011, С.34.

2. Бывшев В. А. Эконометрика: Учебное пособие. – М.: «Финансы и статистика», 2008

3. Головань C.B. Факторы, влияющие на эффективность российских банков//Прикладная эконометрика. 2006, №2. С.3-17.

4. Доугерти К. Введение в эконометрику: Учебник. Пер. с англ. – М.:ИНФРА-М., 2010

5. Концевой Д. С. Эмпирический анализ динамики роста российских коммерческих банков // Прикладная эконометрика, 2013, №1, с. 67-81

6. Кошман С.Н. Эффективность работы коммерческого банка и ее оценка в современных условиях: Дис. канд. эк. наук: 08.00.10 -М., 2002, 167 с.

7. Орлова И.В., Половников В.А. Экономико-математические методы и модели: компьютерное моделирование; учебное пособие, – Вузовский учебник, 2011

8. Пятаков А. Повышение эффективности бизнеса банка: основные принципы и направления// «Банковское обозрение», 2009, №2 (117), февраль, С.46-50.

9. Тарханова Е.А. Устойчивость коммерческих банков. - Тюмень: Издательство «Вектор Бук», 2004, 186 с.

10. Шакиров А. Факторы, влияющие на финансовую устойчивость коммерческого банка // Вестник Института экономики РАН, 2012. №4.

1^ http://www.spark-interfax.ru/Front/Index.aspx

Код для цитирования: Скопировать