CC BY
285
Использование модели множественной регрессии в определении эффективности
банковской деятельности
Using the multiple regression model in determining the effectiveness of banking
activities
Оголихина Светлана Дмитриевна
Магистрант
Уральский государственный экономический университет
Россия, г.Екатеринбург e-mail: ogolikhina. svetlana@mail. ru
Ogolikhina Svetlana Dmitrievna
Master
Ural State University of Economics Russia, Yekaterinburg e-mail: ogolikhina. svetlana@mail. ru
Научный руководитель Радковская Елена Владимировна
Кандидат экономических наук, доцент Уральский государственный экономический университет
Россия, г.Екатеринбург e-mail: [email protected]
Scientific adviser Radkovskaya Elena Vladimirovna
Candidate of Economic Sciences, Associate Professor Ural State University of Economics Russia, Yekaterinburg e-mail: [email protected]
Аннотация.
В статье рассматривается возможность формирования и практического применения эконометрической модели в расчетах и прогнозировании показателей эффективности банковской деятельности. Предложена авторская модель множественной регрессии, приведены основные этапы ее построения, исследования и оптимизации. Для подтверждения качества модели выполнен анализ выполнения предпосылок МНК. Сформулирован вывод об оценке построенной модели и возможности ее применения в реальной практической деятельности банков.
Annotation.
The article considers the possibility of forming and practical application of the econometric model in calculations and forecasting of indicators of the efficiency of banking activities. The author's model of multiple regression is proposed, the main stages of its construction, research and optimization are presented. To verify the quality of the model, an analysis of the fulfillment of the assumptions of the least squares is performed. The conclusion is drawn on the evaluation of the constructed model and the possibility of its application in real practical activities of banks.
Ключевые слова: эконометрическая модель, депозиты, кредиты, просроченная кредиторская задолженность, эффективность банковской деятельности, мультиколлинеарность, автокорреляция, гетероскедастичность.
Key words: econometric model, deposits, credits, overdue accounts payable, efficiency of banking activity, multicollinearity, autocorrelation, heteroscedasticity.
В современном мире банки являются основным звеном в системе рыночных отношений. Они выступают в роли посредников, эффективно мобилизующих и распределяющих денежные средства всех действующих субъектов экономики. Увеличение роли банковских структур все больше приводит к потребности развития эконометрических исследований в рамках упрощения расчета и прогнозирования различных статистических показателей кредитных учреждений. Особенность банковской деятельности заключается в том, что успешное осуществление кредитных и депозитных операций приводит к получению банками прибыли, способствующей повышению надежности и устойчивости не только самой кредитной организации, но и развитию экономики региона и страны в целом.
Цель данного исследования заключается в разработке и анализе качественной модели множественной регрессии для определения эффективности банковской деятельности и возможности ее применения на практике.
Разработка качественных математических, в частности, регрессионных, моделей является очень важной частью процесса кредитования в банковской сфере и требует постоянного совершенствования. Множественная регрессионная модель представляет собой модель, связывающую несколько независимых переменных с одной результирующей.
Для проведения исследования нами была составлена эконометрическая модель на основе данных о стоимости чистых активов 26 крупнейших банков России, где в качестве зависимой переменной выступила чистая прибыль. В качестве независимых переменных - основные показатели деятельности банка, в том числе: объем кредитов, предоставленных физическим лицам, объем депозитов физических лиц и величина просроченной кредиторской задолженности физических лиц. Все показатели приведены по состоянию на март 2017 года [3]. Данные показатели тесно взаимосвязаны, поскольку все они служат для оценки эффективности деятельности банковских учреждений, в частности первостепенным образом влияют на показатель чистой прибыли банка. На основе этих данных построим регрессионную модель и проведем ее анализ.
В таблице 1 (составлено по источнику [3]) представлены данные, необходимые для построения модели множественной регрессии.
Таблица 1
Показатели эффективности деятельности крупнейших банков России
№ и наименование банка Чистая прибыль, тыс. руб. Кредиты физ. лиц, тыс. руб. Просроченн ая кредиторская задолженность физ. лиц, тыс. руб. Депозиты физ. лиц, тыс. руб.
1.Ситибанк 2222485 47 072 606,00 318 703,00 112 206 717,00
2. Газпромбанк 9857346 306 029 093,00 7 262 477,00 633 021 186,00
3. ВТБ Банк Москвы 6790077 234 465 398,00 20 274 024,00 526 217 927,00
4. Московский Областной Банк 973649 5 154 539,00 2 295 607,00 104 305 496,00
5. ВТБ 24 8752180 1 598 629 546,00 101 662 979,00 2 069 899 390,00
6. Банк «Санкт-Петербург» 444 305 57 901 466,00 1 295 780,00 176 883 493,00
7. Россельхозбанк 1099497 319 823 009,00 13 709 880,00 626 031 762,00
8. ФК Открытие 1237571 119 378 530,00 31 365 563,00 520 977 641,00
9.Альфа-Банк -11145095 231 532 063,00 57 126 134,00 654 148 285,00
10. Совкомбанк 2037223 62 383 796,00 7 799 497,00 219 466 801,00
11. Ак Барс 113 325 46 330 541,00 5 987 426,00 106 770 450,00
12 .Промсвязьбанк 513230 140 591 050,00 14 538 662,00 391 834 141,00
13. Московский Кредитный Банк 3413807 101 661 722,00 8 512 596,00 250 995 622,00
14. Сбербанк России 104621238 4 339 394 888,00 165 779 901,00 11 230 253 541,00
15. ЮниКредит Банк 6686685 120 141 829,00 15 625 783,00 165 925 183,00
16. Бинбанк -1810410 49 491 785,00 14 415 509,00 531 548 982,00
17. Райффайзенбанк 4785278 185 272 397,00 8 572 483,00 337 317 361,00
18. Росбанк 1451260 138 429 229,00 22 008 712,00 202 063 427,00
19. Банк Уралсиб 2167224 81 346 910,00 17 420 553,00 153 020 410,00
20.Россия 738617 10 671 013,00 215 956,00 59 503 080,00
21.БМ-Банк (бывш. Банк Москвы) 2517900 19 344 094,00 0,00 81 360 520,00
22. Рост Банк 3643717 9 703 368,00 910 540,00 12 350 250,00
23. Русский Стандарт 2014597 140 591 050,00 63 434 278,00 171 175 306,00
24. Национальный Банк «Траст» -1 719 041 91 402 358,00 49 590 090,00 127 259 536,00
25. Югра -861429,00 443 939,00 147 255,00 179 207 708,00
26.Уральский Банк Реконструкции и Развития -46815 11 735 562,00 733 874,00 161 808 387,00
На уровень чистой прибыли банков влияет множество показателей, основными из которых являются объем предоставленных кредитов и займов, а также объем привлеченных депозитов. Кроме того, огромное значение в определении данного показателя играет и объем просроченной кредиторской задолженности физических лиц.
Для построения модели множественной линейной регрессии использовалась надстройка Анализа данных приложения Microsoft Excel ППП Microsoft Office. На рис. 1 приведены результаты первого шага выполнения регрессионного анализа.
ВЫ вод итогов 1 1
Peipetaioms аттыетио
Множественный il 0r9S
ft-кедр»
НСрМкрОИННЫЙ ft-нндрjr да
Стацдаринав ошибка 41 шуг
Мблидам ¿5.00
Дисперсионный анал Hi
àf SS Mi F ¿NOwJU Wlü f
Регрессия 3.00 lfll77iSM79102UO,OÛ 2Э92М2ЙН367«0.00 200,30 0,00
остаток 22,00 371675Î5Î2MW7,M
итого ÎJ.OO юмюбмщатм
xcïiîvwe* ты ÎrtipHÎiflrtOHpi ошибка f-cmamuffficiM Р- JrtflVfHiff Мл HueiSX Éep/щus 95% HtlKWt $5,0% fleplHnf 95,0X
¥-пер«ечение зЮГОШ шивди 0,53 С. 60 -1Й9Щ42 2700871,7« 2700371,78
кредиты фи!. Лиц, Tbitp^ «jOO 0,01 ass Ог55 -0,01 0,02 -aai 0,02
Просроченная ндсл:-:е няе -4Н 0,05 ■WS 0,01 ■0,25 ■0,M ■0,25 ■0,04
Депозиты физ.лицлыс.руб 0,01 OjDO 455 0,00 0,01 0,01 0,01 0,01
Рис.1. Регрессионная модель оценки эффективности деятельности банков - шаг 1
Для того чтобы записать уравнение данной модели необходимо проанализировать достоверность коэффициентов (параметров) построенной модели. Для этого следует проверить вероятность выполнения нуль-
гипотезы для каждого из коэффициентов регрессии. На основании выводимых в процессе расчетов величин Р-значений можно сделать вывод о том, что такие факторы, как просроченная кредиторская задолженность и депозиты физических лиц являются значимыми, поскольку их Р-значение менее 0,05. При этом фактор кредиты физических лиц не является достоверным (значимым) поскольку его Р-значение выше 5%, поэтому в целях улучшения качества модели исключим его из данных и выполним второй шаг моделирования. Его результаты приведены на рис. 2.
ВЫВОД ИТОГОВ
Регрессионной апштт
Множественный I* 0,98
(¡■квадрат __Щ
Нормированный ((-квадрат 0,96
Стандартная ошибка •4047489,36
наблюдения 26,СО
Дислерсиожый анализ
4 5$ № Г Зношюст&Р
Регрессия 2,00 10172271721992900,00 5086135860996110,00 310,47 0,00
Остаток 23,00 376789913323532,00 16382170141501,40
Итого 25,00 10549061635316400,00
Коэффициенты Стандарта« ошибка г-с/тотистико Р-Зноиение верхние Нижние Верхние Нижние 95% 95% 95,0% 95,0%
^-пересечение 410436,03 989614,35 0,41 0,68 -1636717,16 2457629,М -1636717,11 2457629,34
Просроченная задолженность г -0,12 0,04 •3,16 0,00 -0,21 -0,04 -0,21 -О.М
Депозит» физлиц ,тыс.руб 0,01 0,00 16,14 0,00 0,01 0,01 0,01 0,01
Рис.2. Регрессионная модель оценки эффективности деятельности банков - шаг 2
Анализ результатов, полученных на втором этапе моделирования, свидетельствует о незначимости константы модели: ее Р-значение выше 5%. Поэтому целесообразно исключить константу из модели и выполнить третий шаг регрессионного исследования. Его результаты представлены на рис. 3
вывод итогов | I
Регрессионная ствтиашна
Множественный и
р. каадз-дт ш
Парированный й-квадр 0Г53
Стандартная ошибка 39770Н,Н
Наблюдения »г«
Д исп врс н он ны н а нали1
* а
Регрессия 2гоо 11040 59В б96771000,00 5520239348335510,00 349,01 0,00
Остаток шо 37360Ш0218206 00 1541Т(0«09М1,«
Итоге Zj6.DC) и-С02(1бя 163 89200, га
Мы СдпснЛзр/ИЛОЯ □ |Х1и Ьй П Верхние 9535 Нижние 95,0« Вервие
Т-перегечечне ш Ж/Д ин/д ШАД вн/Д «И/Д ш/д нуд
Просроченной задаг тень -0,12 ■И1 0,00 -0,1В -0,05 -0,34 -а,®
Депозиты фи}.лнц,тъ«,р 0,01 0,00 16,39 0,00 0,01 0,01 0,01 0,01
ВЫВОД ОСТАТКА
Наблюдение_анное Чистая_Остатки_пандартные остатки
1,00 1190242,78 ДО32242.22 0,27
2,00 6082984,34 3774361,6« 0,99
3,00 3410493,49 3379583.51 0,88
4,00 875250,97 98398,03 0,03
5,00 10881424,03 - 2129244,03 -0,56
6,00 1784571,78 -1340266,78 -0,35
7,00 5261052,38 -4161555,38 -1,09
8,00 2070701,39 -833130,39 -0,22
9,00 548432,28 -11693527,28 -3,06
10,00 1498256,17 538966,83 0,14
11,00 475332,80 -362007,80 -0,09
12,ОО 2604035,56 -2090805,56 -0.55
13,00 1760601,92 1653205,08 0,43
14, ОО 103645464,94 975773,06 0,26
15, ОО 7792,59 6678892,41 1,75 16,00 4146198,00 -5956608,00 -1.56 17,00 2697692,57 2087585,43 0,55 18,00 -335039,90 1786299,90 0,47 19,00 - 340858,45 2508082,45 0,66 20,00 625755,75 112861,25 0,03 21,ОО 889759,29 1628140,71 0,43 22,ОО 29779,18 3613937,82 0,95 23,ОО -5462757,44 7477354,44 1,96 24, ОО -4342255,08 2623214,08 0,69 25,ОО 1942790,21 -2804219,21 -0,73 26.00 1684681.95 -1731496.95 -0.45
Рис.3. Регрессионная модель оценки эффективности деятельности банков - шаг 3
В результате мы получили более достоверную модель, где все факторы являются значимыми. Уравнение искомой зависимости будет выглядеть следующим образом:
Чистая прибыль = -0,12*просроченная кредиторская задолженность+0,01*депозиты физических лиц
Согласно построенной модели, увеличение просроченной кредиторской задолженности на 1% приводит к снижению чистой прибыли на 12%, то есть между этими показателями прослеживается обратная связь. В свою очередь, увеличение депозитов физических лиц на 1% приводит к росту чистой прибыли банка на 1%. Таким образом, между показателями чистой прибыли и депозитами физических лиц имеется прямая связь, а между показателем чистой прибыли и просроченной кредиторской задолженности - обратная.
Коэффициент корреляции (Множественный R) принимает значение 0,98. Следовательно, можно сделать вывод о сильной (тесной) связи между показателями.
Доля общей дисперсии, которая объясняется регрессией, оценивается с помощью коэффициента детерминации. В нашем случае он равен 0,97, что положительно характеризует модель. Величина уточненного коэффициента детерминации (Нормированный R-квадрат) равна 0,92, следовательно, 92% разброса данных объяснено включенными в модель факторами. Другими словами, 92% изменение чистой прибыли банков объясняется изменением объема просроченной кредиторской задолженности, депозитами и кредитами физических лиц.
Проверка достаточности наблюдений предполагает сравнение величины Значимость F с пороговым 5%-м значением. Как видно из рис. 3., Значимость F равна 0,00, что позволяет сделать вывод о достоверности коэффициентов корреляции и детерминации и достаточности количества наблюдений.
Проверим наличие статистических выбросов, сравнив значения стандартных остатков с показателем |2|. В данной модели имеется один статистический выброс в 9 наблюдении, поскольку его стандартный остаток по модулю больше 2. Данное наблюдение отражает показатели «Альфа-банка» (см. таблицу 1). Это означает, что предсказанное значение чистой прибыли для «Альфа-банка» оказалось значительно выше реальной величины. В действительности банк понес убытки, хотя прогнозировалась прибыль. Если удалить данный выброс, то модель окажется более качественной и даст более достоверные показатели. Осуществив проверку, мы выявили тот факт, что после удаления выброса Множественный R (коэффициент корреляции) стал выше, что говорит об увеличении тесноты связи между показателями. Наличие выброса может быть обусловлено тем, что данный банк допустил образование очень высокой просроченной кредиторской задолженности относительно запланированной, в результате чего образовались убытки. Сравнительно с остальными банками, в «Альфа-банке» наблюдается очень высокий показатель просроченной кредиторской задолженности по отношению к доле вкладов физических лиц, что, в конечном итоге, повлияло на возникновение убытков.
После удаления выявленного статистического выброса мы можем констатировать, что основные признаки качества для данной модели регрессии выполнены. В частности:
1. Множественный R больше 0,7, следовательно, связь между показателями тесная.
2. Значимость F меньше 5%, следовательно, наблюдений достаточно.
3. Все Р-значения ниже 5%, следовательно, все показатели значимы.
В лучшем (оптимистическом) случае просроченная кредиторская задолженность может быть снижена на 18%, а в худшем (пессимистическом) - только на 5%. Связь между показателем чистой прибыли и просроченной кредиторской задолженности обратная, и это означает, что при повышении данного фактора величина прибыли сокращается, а при его снижении, соответственно, увеличивается. В отношении депозитов физических лиц и чистой прибыли прослеживается прямая связь. Так, в лучшем случае увеличение депозитов приведет к росту чистой прибыли на 1%, а снижение депозитов, к спаду чистой прибыли на 1%. Наибольшее влияние на показатель чистой прибыли оказывает величина просроченной кредиторской задолженности. Именно данный показатель играет ключевую роль в оценке эффективности банковской деятельности. Данный показатель, действительно очень важен, поскольку несвоевременный возврат денежных средств заемщиками может стать причиной нехватки денежных средств на исполнение текущих обязательств банка и реализацию запланированной инвестиционной деятельности.
Для того чтобы регрессионный анализ, основанный на обычном методе наименьших квадратов, давал наилучшие из всех возможных результаты, должны выполняться условия Гаусса-Маркова, являющиеся предпосылками МНК. Поэтому следующим этапом проверки качества построенной модели является проверка выполнимости предпосылок МНК.
Статистическая значимость коэффициентов регрессии и близкое к 1 значение коэффициента детерминации не всегда гарантируют высокое качество уравнения регрессии. Для построения качественной регрессионной модели по МНК важной предпосылкой является независимость значений случайных отклонений еt от значений отклонений во всех других наблюдениях, т.е., отсутствие коррелированности между отклонениями.
Автокорреляция определяется как статистическая зависимость между ошибками различных наблюдений изучаемых показателей, упорядоченных во времени (временные ряды) или в пространстве (перекрестные данные) [1].
Упорядоченность наблюдений оказывается существенной в том случае, если прослеживается механизм влияния результатов предыдущих наблюдений на результаты последующих. Математически это выражается в том, что случайные величины ошибок в регрессионной модели не оказываются независимыми [1].
Проверим данную модель на наличие автокорреляции, рассчитав величину статистики Дарбина-Уотсона для данной задачи. Данные для расчета представлены на рис.4.
наблюдение ое Чистая прибыль Остатки Стондортные остатки е*2 (е1-еМ)А2
1,00 1190242,78 1032242.22 0,27 1065523990709,82
2,00 6082984,34 3774361,66 0,99 14245805967600,30 7519219069603,46
3.00 3410493,49 3379583,51 0,88 11421584697998,80 155849790912,33
4,00 875250,97 98398,03 0,03 9682172029,45 10766178160471,60
5,00 10881424,03 -2129244,03 -0,56 4533680142128,35 4962389144146,43
6,00 1784571,78 -1340266,78 -0,35 1796315034215,98 622485106399,08
7,00 5261052,38 •4161555,38 •1,09 17318543174833,10 7959669375923,73
8,00 2070701,39 -833130,39 -0,22 694106240717,30 11078412933346,00
9,00 548432.28 -11693527.28 -3.06 136738580338736,00 117948220771026,00
10,00 1498256,17 538966,83 0.14 290485239697,56 149633912151971,00
11,00 475332,80 -362007,80 •0.09 131049648662,74 811755280467,52
12,00 2604035.56 -2090805,56 -0,55 4371467882493,51 2988741682305,12
13,00 1760601,92 1653205.08 0,43 2733087026618.22 14017615637015,50
14,00 103645464,94 975773,06 0,26 952133055009,10 458914144330,15
15,00 7792,59 6678892,41 1.75 44607603829390.00 32525570380826,60
16,00 4146198,00 -5956608,00 -1,56 35481178908398,70 159655870711286,00
17,00 2697692,57 2087585,43 0,55 4358012926112,11 64709047991432,80
18,00 -335039,90 1786299,90 0,47 3190867327763,40 90772971219,49
19,00 -340858.45 2508082,45 0.66 6290477586019,63 520970054379,43
20,00 625755,75 112861,25 0.03 12737661724,52 5737084607073,94
21,00 889759,29 1628140, Л 0.43 2650842180696,74 2296071850764,95
22,00 29779,18 3613937,82 0,95 13060546542784,60 3943390137729,13
23,00 -5462757,44 7477354,44 1.96 55910829431864,90 14925988010807,10
24,00 •4342255,08 2623214,08 0,69 6881252123203,45 23562678616043,90
25,00 1942790,21 -2804219,21 •0,73 7863645393615,56 29457032176471,40
26,00 1684681.95 -1731496,95 -0.45 2998081695182.34 1150733048638,32 0«/
379608120218206,00 667498573804591,00 1.7583886
Рис.4. Данные для расчетов статистики Дарбина-Уотсона
В данном случае величина DW=1,76 и она находится в пределах 1,5 < DW < 2,5, следовательно, автокорреляция отсутствует, это означает, что полученное уравнение регрессии является удовлетворительным.
Помимо исследования автокорреляции необходимо исследовать модель на наличие мультиколлинеарности. Мультиколлинеарность означает сильную коррелированность двух или нескольких объясняющих переменных. В этом случае переменные меняются синхронно и оказывается сложным (а иногда и невозможным) разделить их влияние на зависимую переменную. При наличии мультиколлинеарности оценки, получаемые по МНК, формально существуют, но обладают неудовлетворительными свойствами [5].
Наиболее характерными признаки мультиколлинеарности является:
1) незначительное изменение исходных данных (например, добавление новых наблюдений или удаление статистических выбросов) приводит к существенному изменению коэффициентов регрессионной модели. Коэффициенты становятся чувствительными к выборочным наблюдениям.
2) коэффициенты имеют большие стандартные ошибки и малую статистическую значимость (Р-значения больше 5%), в то время, как регрессионная модель в целом является значимой: коэффициент детерминации стремится к единице и является статистически достоверным (значимость F меньше 5%);
3) коэффициенты регрессии имеют нелогичные, с точки зрения теории, знаки (например, связь между показателями однозначно является прямой, а коэффициент регрессии отрицателен) или неоправданно большие значения (в этом случае незначительное изменение значений независимых переменных, входящих в модель, приводит к значительному изменению величины зависимой переменной) [1].
Рассчитаем матрицу корреляций для экзогенных факторов данной задачи, чтобы проверить модель на наличие мультиколлинеарности. Матрица представлена на рис.5.
Просроченная задолженность по кредитом физ лиц, тыс. руб. Депозиты физ.лиц ,тыс.руб
Просроченная задолженность по кредитам Депозиты физ.лиц .тыс.руб X 0,837975731 1
Рис.5. Матрица попарных корреляций
Как видно из рис. 5, коэффициент коррелированности исследуемых факторов больше 0,7, следовательно, между экзогенными факторами имеется тесная связь. В данной модели присутствует мультиколлинеарность. Основное негативное последствие мультиколлинеарности заключается в том, что она не позволяет четко определить вклад каждой из объясняющих переменных.
Отрицательные последствия мультиколлинеарности:
1) усложняется процедура отбора факторов, оказывающих влияние на результирующий показатель;
2) искажается смысл коэффициента множественной корреляции, при расчете которого предполагается независимость регрессоров;
3) искажается экономический смысл коэффициентов регрессии: в случае мультиколлинеарности значения коэффициентов ненадежны, и их нельзя использовать для интерпретации меры воздействия фактора на зависимую переменную;
4) снижается точность оценки параметров регрессионной зависимости;
5) критерии статистической значимости становятся ненадежными.
Наиболее широкое применение получили следующие методы построения уравнения множественной регрессии:
1.Метод исключения - отсев факторов из полного его набора.
2.Метод включения - дополнительное введение фактора.
3. Шаговый регрессионный анализ - исключение ранее введенного фактора [1].
В данном случае устранение мультиколлинеарности не является обязательным условием, так как основная задача данной модели заключается в прогнозе будущих значений зависимых переменных.
Еще одно возможное следствие нарушения предпосылок МНК - гетероскедастичность. Она означает относительно высокую априорную вероятность получения сильно отклоненных величин. Одним из методов для проверки модели на гетероскедастичность является тест Уайта.
Исходные данные для проверки модели на гетероскедастичность по тесту Уайта приведены на рис.6
№ Ьамкя •лг 11росрочгеиая кредиторски мдолженносп фш лиц Депозиты фюи лиц ТЫС Р)Ф »1*7 ж2-7
1.00 1065523990709,82 318 703.00 112 206 717,00 101571 602 209.00 1.2590ЗЕ»16 3.57606Е+13
2.00 14245805967600,30 7 262477.00 633 021 186.00 52 743 572 175 529,00 4.00716€«17 4,5973€*15
3.00 11421584697998.80 20 274 024.00 526 217927.00 411036 049 152 576.00 2,76905£«17 1.06686£«16
4.00 9682172029,45 2 295607.00 104 305496.00 5 269 811498449.00 1.08796€*16 2.3Э444£«14
4.00 4533680142128.35 101 662 979.00 2 069 899 390.00 10 335 361 299 154 400.00 4.28448£«18 2.10432£*17
6,00 1796315034215,98 1 295 780.00 176 883 493.00 1 679 045 808 400,00 3,12878Е*16 2,29202Е*14
7,00 17318543174833,10 13 709 880.00 626031 762.00 187960 809 614 400.00 3.91916£«17 8.58282£»15
».00 694106240717.30 31 365 563.00 520 977641,00 983 798 542 306 969,00 2.71418£«17 1,63408£+16
9.00 136738580338736.00 57126 134.00 654 148 285,00 3 263 395 185 785 960.00 4.2791Е*17 3.7369Е-И6
10.00 290485239697.56 7 799 497.00 219466 801.00 60 832 153 453 009.00 4,81657Е«16 1,71173Е»15
11.00 131049648662,74 5 987426,00 106 770 450,00 35849 270105476.00 1,13999€*16 6,3928£ * 14
12.00 4371467882493,51 14 538 662.00 391 834 141,00 211 372 692 750 244.00 1.53534£»17 5,69674£*15
13.00 2733087026618.22 8512 596.00 250995 622.00 72464 290 659 216.00 6.29988С+16 2.13662Е+15
14.00 952133055009,10 165 779901.00 11 230 253 541.00 27 482 975 575 569 800,00 1.26119€»20 1.86175ЕМ8
15,00 44607603829390,00 15 625 783,00 165925183.00 244 165 094 363 089,00 2.75312£«16 2.59271£«15
16.00 35481178908398.70 14 415 509.00 531 548 982.00 207806 899 729 081.00 2.82544£»17 7.66255£*15
17.00 4358012926112.11 8572483.00 337 317 361.00 73487464 785 289.00 1.13783е*17 2.89165ЕМ5
18.00 3190867327763.40 22 008 712.00 202 063427,00 484 383 403 898 944.00 4,08296Е*16 4.44716Е*15
19.00 6290477586019,63 17420 553.00 153 020410.00 303475 666 825 809.00 2.34152Е«16 2.6657£«15
20.00 12737661724,52 215 956.00 59 503 080,00 46 636 993 936.00 3,54062£*15 1.285ЕПЗ
21.00 2650842180696.74 0,00 81 360 520.00 0.00 6.61953Е*15 с
22.00 13060546542784.60 910 540.00 12 350 250.00 829 083 091 600.00 1.52529€*14 1.12454Е«13
23,00 55910829431864,90 63 434 278,00 171 175 306,00 4 023 907 625 381 280.00 2,9301Е»16 1.08584£«16
24.00 6881252123203,45 49 590 090.00 127 259 536,00 2 459 177 026 206 100.00 1,6195€«16 6.31081£*15
21.00 7863645393615.56 147 255.00 179 207 708.00 21 684 035 025.00 3.21154£«16 2.63892Е+13
26,00 2998081695182.34 733 874,00 161 808 387.00 538 571 047 876.00 2.6182£*16 1.18747ЕМ4
Рис.6. Данные для проведения теста Уайта По подготовленным данным проводится регрессионный анализ, результаты которого представлены на
рис. 7.
еывчд итогов
_Рмлиишшттясли^пяна_
МиэкеткнирЗ H ftS
R-4JUWT О, Ii
Нйрмнроннчын H квадр (j, ]i-
CrdKnapTiUq-niii^Shj 191233-'.] IS. 50
HJftflitJËMHH_JfrM
win;
of ff WS f jHBtmiMWIT'bf
Регрк спя i.M 7,M174f*27 1,JMS5(H7 Ï.13 cunj
¡WC
Инею Û.M
ч'&^Мшщляч^» fifiuntoflffiHas iHL'uib'a (CJtMit4imiüL4i BtpjftHuf ЗЛ RiWiLtf SfiHh-iji SS.irfi
Т.пгргтениг <4HWHUt*№l нчагита«!» до Й.63 14И75СШ J.ötJÜitOi mi№D
Прочим
■редиторош
фщ.пиц,
тж.р^й. UOTHIftli »».H.JS 1,05 fl.31 ■ШОММ.Ы пищи KHUUS
Дгпс ïrilbJ фН1Н лиц.
THC,PV6. TWKJt КШ.Т1 да 5-7! 53.» ЦЖЗЧЛй -sra»,» 11ИЛ.«
HI'S 0,® Lt.M до ft« -l.M ■СцМ
ï2"3 DUO u.w 1.» 4,30 fcW чиоо tun tu»
ein an 4M (Un о..« 0JX a«
Рис.7. Результаты выполнения регрессионного анализа для проверки теста Уайта
На основе полученных результатов (рис. 7) запишем модель Уайта:
е2= -4955452615660,91+ 1017546,16*Х1+27408,38*Х2
Вывод о наличии или отсутствии гетероскедастичности можно сделать с помощью оценки величины Значимость F. В данном случае Значимость F >0,05, следовательно, гетероскедастичность в модели отсутствует.
Итак, в процессе исследования данной модели на предпосылки МНК выявили следующие результаты.
1. Автокорреляция в данной модели отсутствует, это означает, что полученное уравнение регрессии является удовлетворительным, это положительно характеризует качество нашей модели.
2. Гетероскедастичность также отсутствует, что означает слабое отклонение величин, что положительно характеризует модель.
3. При этом в модели имеется мультиколлинеарность, что означает сильную связь между показателями, которая мешает выявить влияние конкретного показателя на уровень чистой прибыли и приводит к снижению эффективности оценок показателей.
В целом, данную модель можно успешно применять на практике для прогнозирования и оценки влияния факторов на чистую прибыль банка. При этом стоит отметить, что модель требует доработки, так как был установлен факт наличия мультиколлинеарности показателей, и вероятно, в данную модель требуется внести дополнительные показатели, которые позволят сформировать более качественную модель, отвечающую всем предпосылкам МНК.
Подводя итог проделанному анализу, следует отметить, что применение математических методов и регрессионных моделей позволяет найти наилучшие варианты решений задач коммерческой деятельности и является перспективным направлением банковского планирования, в особенности планирования финансовых результатов. Использование математического моделирования в банковской сфере является эффективным по практическим результатам, поскольку они опираются на сильный аппарат математического моделирования и обеспечивают оптимальное управление процессом в каждой отдельно взятой ситуации.
Список используемой литературы:
1. Кочкина, Е. М. Радковская Е.В.. Эконометрика [Текст] : учебное пособие [для студентов экономических специальностей всех форм обучения...] / Е. М. Кочкина, Е. В. Радковская ; М-во образования и науки Рос. Федерации, Урал. гос. экон. ун-т. - Екатеринбург : [Издательство УрГЭУ], 2013. - 176 с.
2. Официальный сайт банковских данных //банки/статистика. [Электронный ресурс]. №1: http://www.banki.ru (дата обращения 21.03.2017)
3. Официальный сайт Центрального банка РФ/ Статистика. [Электронный ресурс]. Ur1:http://www.cbr.ru/statistics/ (дата обращения 19.03.2017)
4. Орлова И.В. Экономико-математическое моделирование: Практическое пособие по решению задач. - 2-е издание испр. и доп. - М.: Вузовский учебник: ИНФРА-М, 2012.
5. Сивцова Н. Ф. Эконометрическая модель оценки коммерческого риска как ресурса // Молодой ученый. - 2014. - №1. - С. 419-423.
