Влияние цены барреля нефти на прибыль банковского сектора в РФ Текст научной статьи по специальности «Экономика и бизнес»

УДК:

ВЛИЯНИЕ ЦЕНЫ БАРРЕЛЯ НЕФТИ НА ПРИБЫЛЬ БАНКОВСКОГО СЕКТОРА В РФ

Комаров А.Д., студент Зевакин А.В., студент Финансовый университет при Правительстве Российской Федерации», Москва

Аннотация. В работе рассмотрена зависимость между стоимостью нефти и прибыльности банковского сектора в РФ. На основании нескольких эконометрических тестов данная зависимость была подтверждена. Актуальность работы обусловлена высокой степенью зависимость экономического роста в РФ от цен на энергоносители, исключением не стала и банковская сфера. Ключевые слова: нефть, прибыль банковского сектора, прогнозирование, взаимосвязь, экономика РФ, экономический рост.

INFLUENCE OF THE PRICE A BARREL'S OIL FOR THE PROFIT OF THE BANKING SECTOR

IN RUSSIA

Komarov A.D, Zevakin A.V.

Financial University under the Government of the Russian Federation, Moscow

Abstract. The paper discusses the relationship between oil price and profitability of the banking sector in the Russian Federation. On the basis of several econometric tests of this dependence has been confirmed. The relevance of the work due to the high degree of dependence of the economic growth in Russia, energy prices, was no exception and the banking sector

Key words: oil, profit of the banking sector, forecasting, the relationship, the Russian economy, economic growth.

Экономика как развитых, так и развивающихся стран в большой степени зависит от энергоресурсов, особенно от нефти и газа. На первый взгляд, страны, у которых нефтегазовая отрасль развита достаточно хорошо, имеют преимущество перед другими странами-участницами международных

экономических отношений, ведь количество ресурсов в мире ограничено. Но однобокая ориентация только на добычу и продажу энергоресурсов может свести преимущество некоторых стран от владения нефтегазовыми ресурсами на нет.

Российская экономика в значительной степени зависит от цен на нефть. Исключением не стал и банковский сектор, чьи доходы показывают ощутимое снижение при падении цен на нефть.

В данной статье будет рассмотрено влияние стоимости барреля нефти на прибыль в банковском секторе. Для начала анализа составим сводную таблицу рассматриваемых показателей начиная с 2004 года, см. табл. 1.

Таблица 1 - Сводная таблица рассматриваемых показателей

2009 61,9 205110

2010 79,6 573380

2011 111 848217

2012 111,4 1011889

2013 108,8 993585

2014 98,9 589141

2015 51,23 191965

Дальнейший анализ будет осуществлен в целях проверки достоверности линейной эконометрической модели, объясняющей зависимость прибыли банковского сектора Российской Федерации от цены барреля нефти. Достоверность модели будем оценивать на тестов Фишера и Стьюдента. За Y принимается прибыль банков, за X - цена на нефть. Использована функция ЛИНЕЙН Excel.

Таблица 2 -Результаты применения функции ЛИНЕЙН

Год Цена на нефть Прибыль банков

2004 38,3 177943

2005 54,4 262097

2006 65,4 371548

2007 72,7 507975

2008 97,7 409186

Ь0 a0

10579,135 -326851,053

Sb ошибки коэффициентов 1632,367 135492,881

RA2 0,808 139056,348

F число Фишера 42,002 10

8,122E+11 1,934E+11

RSS ESS

1500000 1000000 500000 0

у = 10579х - 326851 R2 = 0,8077,, "

0

50

100

150

Рисунок 1. График рассматриваемой модели.

Как видно из последней таблицы и рисунка, то наблюдается достаточно высокий показатель Я2, что говорит о довольно сильной зависимости двух данных показателей. Проверим статистическую значимость модели с помощью теста Фишера. Число Фишера, вычисленное с помощью функции ЛИНЕЙН равно 42,001.

F =■

х (п - 2) ^кр = 4,96

Так, видно, что предсказанное У, как правило, не намного отличается от У фактического. На основе остатков определим вид распределения.

Таблица 4 - Определение вида распределения

(1-я2)

Таким образом, число Фишера гораздо больше, чем Б критическое, следовательно,тест Фишера пройден и модель статистически значима.

Затем проверим значимость коэффициентов уравнения регрессии. Для этого проведем тест Стьюдента. Для этого поделим значение коэффициентов на их ошибки и найдем 1 критическое с помощью функции СТЬЮДРАСПОБР. Таким образом:

Л> = 6,48085, Са = -2,4123116, Скр = 2,22

Так, значение Л и 1а больше, чем 1кр, следовательно, данные коэффициенты статистически значимы.

Далее проведем регрессионный анализ, а также определим вид данного распределения.

В результате данного анализа можно выделить таблицу, см. табл. 3.

Таблица 3 - Результат использования функции Регрессия пакета анализа данных

Среднее -1,26117Е-10

Стандартная ошибка 38274,00022

Медиана 9983,357906

Мода #Н/Д

Стандартное отклонение 132585,026

Дисперсия выборки 17578789117

Эксцесс 1,048691764

Асимметричность -0,93490522

Интервал 466970,5999

Минимум -297544,4505

Максимум 169426,1494

Сумма -1,5134Е-09

Счет 12

Уровень надежности(95,0%) 84240,50651

Из таблицы можно сделать вывод, что эксцесс и асимметричность гораздо меньше стандартного отклонения, а это значит, что данная модель имеет нормальное распределение.

Проведем тест на автокорреляцию остатков. Возьмём значения остатков и перенесём их на соседний столбец, вычислив разницу между ними: Таблица 5 - Расчет автокорреляции остатков

Наблюдение Предсказанное У Остатки

1 78329,823 99613,177

2 248653,8988 13443,10119

3 365024,3854 6523,614618

4 442252,0719 65722,92807

5 706730,4505 -297544,4505

6 327997,4124 -122887,4124

7 515248,1044 58131,89558

8 847432,9479 784,0520839

9 851664,602 160224,398

10 824158,8506 169426,1494

11 719425,4127 -130284,4127

12 215118,0404 -23153,0404

е е-1 е-е-1

99613,177 13443,10119 86170,07581

13443,10119 6523,614618 6919,486576

6523,614618 65722,92807 -59199,31345

65722,92807 -297544,4505 363267,3786

-297544,4505 -122887,4124 -174657,0381

-122887,4124 58131,89558 -181019,308

58131,89558 784,0520839 57347,8435

784,0520839 160224,398 -159440,3459

160224,398 169426,1494 -9201,751373

169426,1494 -130284,4127 299710,5621

-130284,4127 -23153,0404 -107131,3723

1,92831Е+11 1,83444Е+11 3,36312Е+11

Вычислим значение

3,36312Е+11

DW= :

1,744080933,

1,92831Е+11

подставив данное значение в указанные интервал, делаем вывод, что автокорелляция отсутствует, так как значение DW находится за верхней границей, что является благоприятным условием для нашей модели.

Ш аи 4-аи 4

1,08 1,36 2,64 4

2

Я

Так как модель имеет нормальное распределение, то последним тестом будет тест Голдфелда-Квандта. Для его проведения сгруппируем все X по возрастанию. X Y

38,3 177943

51,23 191965

54,4 262097

61,9 205110

65,4 371548

72,7 507975

79,6 573380

97,7 409186

98,9 589141

108,8 993585

111 848217

111,4 1011889

Таблица 6 - ЛИНЕИН для первого и последнего диапазона

1 диапазон Последний диапазон

1815,637 115850,626 29620,577 -2324244,601

2319,533 120985,2494 10777,395 1160130,559

0,235 39559,821 0,791 109435,682

0,613 2 7,554 2

958882268,5 3129958908 90464315499 23952336961

ESS1 ESS2

ESS 2 GQ = 7,652

ESS1

Далее следует поделить диапазон изменения X на 3 части и применяем Функцию ЛИНЕЙН для первого и последнего диапазона.

FKp = 18,5128

GQ < fkp, следовательно модель гомоскедастичная, коэффициенты достоверные.

Таким образом, подводя итог всему вышесказанному, можно сказать, что цены на нефть действительно влияют на прибыль в банковском секторе. Качество данной модели было доказано на примере различных тестов.

Список использованных источников:

1. Официальный сайт Федеральной службы государственной статистики. [Электронный ресурс] URL: http://www.gks.ru (Дата обращения: 20.12.2016)

2. Цена на нефть онлайн [Электронный ресурс] URL: http://kurs2015.ru/tsena-neiti-onlajn.html (Дата обращения: 20.12.2016)

3. Невежин, В.П. Практическая эконометрика в кейсах: учеб. пособие /В.П. Невежин, Ю.В. Невежин. - М.: ИД «ФОРУМ»: ИНФРА-М, 2017. -317 с.