CC BY
20
Финансы, налоги и бухгалтерский учет
УДК 336.7
Розин Аворбе, И.М. Барабанова
ОЦЕНКА ПРИБЫЛЬНОСТИ ОСНОВНЫХ ВИДОВ ДЕЯТЕЛЬНОСТИ
КОММЕРЧЕСКИХ БАНКОВ МЕТОДАМИ КЛАСТЕРНОГО И ФАКТОРНОГО АНАЛИЗА
Rosine Aworbe, I.M. Barabanova
PROFITABILITY MAIN ACTIVITIES OF THE COMMERCIAL BANKS CLUSTER AND FACTOR ANALYSIS
Проведен анализ прибыльности основных видов деятельности банка. Предлагается использовать методы кластерного и факторного анализа для распределения видов деятельности по группам эффективности, а также указать наиболее эффективные виды деятельности для каждого банка, что позволит в дальнейшем принимать управленческие решения
БАНК. БАНКОВСКАЯ ДЕЯТЕЛЬНОСТЬ. КЛАСТЕРНЫЙ АНАЛИЗ. ФАКТОРНЫЙ АНАЛИЗ. РЕНТАБЕЛЬНОСТЬ.
The article covers the analysis of the profitability of the core activities of the bank. Suggests the use of methods of cluster and factor analysis for the distribution of activities by groups of efficiency as well as to indicate the most effective activities for each of the bank. which will continue to make management decisions Banks. Banking. cluster analysis. factor analysis. profitability.
BANKS. BANKING. CLUSTER ANALYSIS. FACTOR ANALYSIS. PROFITABILITY.
Коммерческие банки — основное звено банковской системы. Основной целью деятельности любого банка является поиск оптимальных управленческих решений, направленных на максимизацию прибыли, относительным выражением которой можно считать показатели рентабельности. Преимущество использования данных показателей при анализе заключается в возможности сравнения эффективности деятельности не только одного банка, но и нескольких банков за ряд лет. Кроме того, показатели рентабельности, как и любые относительные показатели, представляют собой важные характеристики факторной среды формирования прибыли и дохода банка.
Анализ основных показателей деятельности банка можно проводить с помощью разных методов. При анализе статистической информации, характеризующей развитие коммерческих банков, применяются методы описательных статистик кластерного анализа. Основной особенностью задач, решаемых на основе кластерного анализа, является группи-
-ровка статистических данных по каким-либо признакам и дальнейшее использование такой информации в процессах статистического моделирования, анализа и управления.
В контексте рассматриваемой задачи результатом кластерного анализа станет кластеризация видов деятельности банка, схожих по уровню рентабельности, а также распределение банков по группам в зависимости от эффективности видов деятельности. Каждый выделенный кластер получает качественную экономическую интерпретацию.
Информационная база для поставленной нами задачи — данные бухгалтерских балансов банков по счетам второго порядка, отчетов о прибылях и убытках. Анализ проводился в динамике за два отчетных периода 2009—2010 гг. [1].
Для решаемой задачи необходимо: 1) сформировать множество объектов исследования; 2) сформировать набор значений предварительно отобранных показателей; 3) обоснованно выбрать алгоритм кластеризации.
Таблица 1
Средние значения прибыли по видам деятельности за 2009—2010 гг. (тыс. руб.)
Банк Вид деятельности
OK OSB RKO OJURL OV OPK NVD
RossBank 56308695 3046547 6379191 242268,5 1482010 34503 —1,2E+07
BankSPb 29411455 2399951 3791034 11201,5 1576302 362813,5 —9605389
UnicredBank 42151756 9180992 5760588 32039,5 7826469 1144286 —2,5E+08
CitiBank 21956761 8023416 1109906 859715,5 4599204 1439958 — 1,7E+07
SberBank 1,16E+09 1, 16E+08 1,22E+08 796931 34364153 15096000 — 1,7E+07
MDMBank 46760681 2059232 4567707 13757 3576154 2127000 33473874
PromsvBank 43605347 2854547 617740 2015 3654180 885535 29147854
BankVTB 1,98E+08 —3107953 31323935 13819531 30395834 14300000 1,72E+08
GazpromBank 74138952 50959973 5117914 3780693 —5,4E+07 4325529 14313668
RaifesenBank 61692394 7271392 10091464 341329 13386954 2462703 31147136
На первом этапе в качестве объектов исследования рассматривались десять банков — Росбанк (Rossbank), Банк Санкт-Петербург (BankSpb), ЮниКредитБанк (UnicredBank), Сити банк (CitiBank), Сбербанк (SberBank), МДМ банк (MdmBank), Промсвязьбанк (PromsvBank), ВТБ банк (Bank VTB), Газпромбанк (GazpromBank) и Райффайзенбанк (RaifesenBank), работающих на территории России. В качестве показателей рентабельности банков были рассмотрены семь основных видов деятельности: операции кредитования (OK); операции с ценными бумагами ^SB); операции по расчетно-кассовому обслуживанию и приему вкладов населения (RKO); операции по обслуживанию юридических лиц и бюджетов (OJURL); операции с валютой ^V); операции с пластиковыми картами ^PK); операции неосновных видов деятельности (NVD).
На втором этапе проведена обработка первичной информации с использованием табличного процессора Microsoft Excel 2010 путем группировки и осреднения значений доходов и расходов банков по основным видам деятельности и получены средние значения прибыли (табл. 1).
Использование больших объемов информации при кластеризации приводит к тому, что выделенные кластеры могут и не иметь четкой структуры, что порождает необходи-
мость построения обобщенных критериев, каждый из которых содержит информацию о нескольких показателях. Кроме того, кластерный анализ предъявляет следующие требования к данным: во-первых, показатели не должны коррелировать между собой; во-вторых, показатели должны быть безразмерными; в-третьих, их распределение должно быть близко к нормальному. Для решения этих проблем целесообразно применять факторный анализ [2].
Факторный анализ дает возможность определить степень влияния отдельных факторов на изменение показателей финансового состояния банка. При всем своем разнообразии методы факторного анализа имеют общий алгоритм решения; он начинается с построения матрицы исходных данных и заканчивается интерпретацией аналитических результатов.
В качестве метода факторного анализа выбран традиционно используемый метод главных компонент, подробно описанный в [3]. Расчеты проведены с помощью программы SPSS 10.5 «Статистические методы обработки данных». Рассчитанные факторные нагрузки приведены в табл. 2. В ней исключены показатели, которые не удалось однозначно отнести к тому или иному фактору, а также показатели, факторные нагрузки которых меньше заданного числа. Полученные результаты позволили провести интерпретацию факторов F1, F2 и F3.
Фактор (вес 86,75 %) имеет наиболее высокие положительные нагрузки на такие операции, как ЯКО, ОК, ОББ, ОРК, ОУ, и высокую отрицательную нагрузку на операции КУБ, что позволяет предположить, что данный вид деятельности никак не влияет на рентабельность.
По значению фактора Б2 (вес 12,45 %) резко выделяются только операции О-ШЯЬ и относительно невысокие нагрузки на операции ОУ, ОРК и МУБ.
Фактор Б3 (вес 0,77 %) настолько невелик, что можно не учитывать его влияние при интерпретацию результатов.
Для усиления влияния одного из факторов и более точного перераспределения дисперсии проведено вращение осей главных компонент. Метод Варимакс с нормализацией Кайзера, выбранный в качестве метода вращения факторов, максимизирует разброс квадратов нагрузок для каждого фактора, что приводит к увеличению больших и уменьшению малых значений факторных нагрузок.
В результате вращения осей главных компонент получено более точное перераспределение дисперсии (табл. 2). Состав факторов не изменился, но наблюдается усиление влияния третьего компонента примерно в 10 раз. В таблице жирным шрифтом выделены нагрузки большие, чем 0,35, по абсолютной величине (табличное критическое
значение для 5 %-го уровня значимости равно 0,33) [4].
С целью наглядности построено пространственное распределение двух главных компонент в координатах выделенных факторов т™ и F2rot (рис. 1).
Анализ полученной диаграммы показывает, что явно выделяются три группы видов деятельности, определяющие рентабельность банков. Доминирующую роль играет первая группа (ОК, ОРК, ККО, ОББ), а вторая (О-ШЯЬ, ОУ, ОРК) является вспомогательной. Следует заметить, что операции МБУ (третья группа) резко выделяются на диаграмме по направлению функции, определяющей ее расположение, и могут послужить дополнительным показателем рентабельности.
Для каждого фактора ^1, F2, F3) рассчитаны значения в разрезе видов деятельности — исходных данных для кластеризации.
На третьем этапе необходимо выбрать метод кластеризации, в научной литературе описано достаточное их количество. Проводим кластеризацию видов деятельности с помощью Я-модификации кластерного анализа. Результаты кластерного анализа совпали с результатами факторного анализа.
Далее с помощью Р-модификации кластерного анализа распределим банки по группам в зависимости от эффективности видов деятельности. Результаты показаны на рис. 2.
Таблица 2
Результаты факторного анализа по видам деятельности
Вид деятельности Коэффициент факторных нагрузок до вращения осей Коэффициент факторных нагрузок после вращения осей
F1 F2 F3 F1rot F2rot F3rot
ОК 0,969692 0,243825 —0,015693776 0,959988 —0,01646 0,279556822
ОББ 0,884894 —0,04195 0,463171867 0,669467 —0,26862 0,692085642
ЯКО 0,994537 0,08387 —0,038204253 0,94967 —0,17746 0,253445233
ОШЯЬ —0,1677 0,971097 0,150961642 0,042875 0,981879 0,167378256
ОУ 0,403172 0,621614 0,634080458 0,340108 0,497914 0,766431857
ОРК 0,8066 0,571712 0,07528128 0,864457 0,342873 0,343915081
МУБ —0,86245 0,506014 0,010949768 —0,67275 0,712687 —0,198682606
Вес фактора, % 86,75431 12,45027 0,773752193 74,67717 17,46247 7,838692132
Рис. 1. Пространственное распределение факторных нагрузок
Рис. 2. Распределение банков по группам в зависимости от эффективности видов деятельности
Научно-технические ведомости СПбГПУ. Экономические науки № 3 (173) 2013
В итоге мы получили три кластера: первый включает группу из трех банков — Rossbank, BankSpb, CitiBank с относительно высокорентабельными видами деятельности — ОК, OSB, RKO, OPK;
второй кластер вошли банки Mdmbank, PromsvBank и RaifesenBank, имеющие большую рентабельность от видов деятельности OJURL, OV, OPK;
третий кластер входят банки UnicredBank, SberBank, GazpromBank и Bank VTB. Третий кластер больше тяготеет ко второму кластеру, но имеет дополнительную особенность, связанную с неосновными видами деятельности.
Кроме того, можно предполагать, что банки входящие в эту группу, имеют государственные капиталы или же являются крупными игроками в банковской сфере.
Актуальность использования кластерного и факторного анализа заключается в том, что их применение позволяет распределять виды деятельности по группам эффективности, а затем для каждого банка указывать наиболее прибыльные виды деятельности, что является перспективным направлением банковского развития и позволит в дальнейшем принимать обоснованные управленческие решения.
СПИСОК ЛИТЕРАТУРЫ
1. [Электронный ресурс]. Режим доступа: www.cbr.ru
2. Гордополов, Ю.В. Кластеризация регионов по уровню социально-экономического развития на основе самоорганизующихся карт Кохонена [Текст] / Ю.В. Гордополов, Н.С. Лукашевич // Научно-технические ведомости СПбГПУ. Экономические науки. 2010. № 3 (99). С. 27—33.
3. Читая, Г.О. Факторный анализ промышленного развития макрорегионов России [Текст] / Г.О. Читая // Вопросы статистики. 2006. № 2. С. 19—28. (Ежемес. науч.-информ. журнал / Федер. служба гос. статистики).
4. Дубров, А.М. Многомерные статистические методы [Текст] / А.М. Дубров, В. С. Мхитарян, Л. И. Трошин. М.: ФиС, 2000.
5. Бююль, А. SPSS: искусство обработки информации: Анализ статистических данных и восстановление скрытых закономерностей [Текст] :
[пер. с нем.] /А. Бююль, П. Цефель. СПб.: Диа-СофтЮП, 2005. 608 с.
6. Мхитарян, В.С. Эконометрика [Текст] : учебно-метод. комплекс / В.С. Мхитарян, М.Ю. Архипова, В.П. Сиротин. М.: Изд. центр ЕАОИ, 2008. 144 с.
7. Уокенбах, Джон. Excel 2010. PDF: библия пользователя [Текст] / Джон Уокенбах. Киев: Диалектика, 2011.
8. Идрисова, Н. Кластерный анализ как инструмент интегральной оценки коммерческих банков [Текст] / Н. Идрисова, А. Р. Саттарова // Вестник Челябинского государственного университета. 2010. Вып. 27, № 14 (195). (Экономика).
9. Лаврушина О.И. Банковское дело [Текст] / О.И. Лаврушина. М.: ФиС, 2007.
10. Пиотровский, А. Кластерный анализ как инструмент подготовки эффективных маркетинговых решений [Текст] / А. Пиотровский, А. Денисов // Практический маркетинг. 2001. № 5.
REFERENCES
1. Available at: www.cbr.ru (rus)
2. Gordopolov Yu.V., Lukashevich N.S. Klasterizatsiya regionov po urovnyu sotsialno-ekonomicheskogo razvitiya na osnove samoorganizuyushchikhsya kart Kokhonena [Regions clustering on social and economic development level on the basis of self-organizing kohonen maps]. St. Petersburg State Polytechnical University Journal. Economics. 2010. № 3 (99). S. 27— 33. (rus)
3. Chitaya G.O. Faktorny analiz promyshlennogo razvitiya makroregionov Rossii [Factor analysis of the industrial development of macro-regions of Russia]. Voprosy statistiki. 2006. № 2. S. 19—28. (Ezhemes. nauch.-inform. zhurnal. Feder. sluzhba gos. statistiki). (rus)
4. Dubrov A.M., Mkhitaryan V.S., Troshin L.I.
Mnogomernnye statisticheskiye metody [Multivariate statistical methods]. M.: FiS, 2000. (rus)
5. Byuyul, A., Tsefel P. SPSS: iskusstvo obrabotki informatsii: Analiz statisticheskikh dannykh i vosstanovleniye skrytykh zakonomernostey [SPSS: the art of information processing: An analysis of statistical data and restore the hidden patterns]: per. s nem. SPb.: DiaSoftYuP, 2005. 608 s. (rus)
6. Mkhitaryan V.S., Arkhipova M.Yu., Sirotin V.P. Ekonometrika [Econometrics] : uchebno-metod. kompleks. M.: Izd. tsentr YeAOI, 2008. 144 s. (rus)
7. Uokenbakh Dzhon. Excel 2010. PDF: bibliya polzovatelya [Excel 2010. PDF: bible member]. Kiyev: Dialektika, 2011. (rus)
8. Idrisova N., Sattarova A.R. Klastemy analiz kak instrument integralnoy otsenki kommercheskikh bankov [Cluster analysis as a tool for integrated assessment of commercial banks]. Vestnik Chelyabinskogo gosudarstvennogo universiteta. 2010. Vyp. 27, № 14 (195). (Ekonomika). (rus)
9. Lavrushina O.I. Bankovskoye delo [Banking]. M.: FiS, 2007. (rus)
10. Piotrovsky A., Denisov A. Klasterny analiz kak instrument podgotovki effektivnykh marketingovykh resheny [Cluster analysis as a tool to create effective marketing solutions]. Praktichesky marketing. 2001. № 5. (rus)
АВОРБЕ Розин — аспирант кафедры информационный системы в экономике и менеджменте Санкт-Петербургского государственного политехнического университета.
195251, ул. Политехническая, д. 29, Санкт-Петербург, Россия, тел. (812)534-73-89. E-mail: thierrette @yahoo.fr, rosine2008@mail.ru
ABORVE Rosin — Petersburg State Polytechnical University.
195251. Politekhnicheskaya str. 29. St. Petersburg. Russia. E-mail: thierrette@yahoo.fr, rosine2008@mail.ru
БАРАБАНОВА Ираида Михайловна — профессор кафедры информационный системы в экономике и менеджменте Санкт-Петербургского государственного политехнического университета, кандидат технических наук, профессор.
195251, ул. Политехническая, д. 29, Санкт-Петербург, Россия, тел. (812)534-73-89. E-mail: isemfem @gmail.com
BARABANOVA Iraida M. — Petersburg State Polytechnical University.
195251. Politekhnicheskaya str. 29. St. Petersburg. Russia. E-mail: isemfem@gmail.com
© Санкт-Петербургский государственный политехнический университет, 2013
