Эффективное развитие филиальной сети коммерческого банка

Эффективное развитие филиальной сети коммерческого банка

Алескеров Ф. Т. (ГУ ВШЭ)

Белоусова В. Ю. (ГУ ВШЭ)

Представлен обзор литературы, посвященной вопросам оценки эффективности  существующих филиалов коммерческого  банка, а также вычислению оптимального количества отделений банка и определению их местоположения. Оба раздела взаимосвязаны, т. к. при нахождении  ответа по первой проблеме становится возможным  дать рекомендации в отношении второй. Также проведен анализ регионов РФ на основе оценки их привлекательности в целях открытия новых филиалов коммерческого банка.

Работа была поддержана грантами Института  Фундаментальных Исследований ГУ ВШЭ  и проекта МЭРТ, посвященного вопросам эффективности и устойчивости банковской системы, за что выражаем им благодарность. Хотим поблагодарить В. И. Якубу за  создание программного обеспечения.

1. Введение

В настоящее время в России наблюдается  широкомасштабное развитие сетей в  банковском секторе экономики, в  частности, проникновение филиалов крупных коммерческих банков на региональные рынки. Ввиду интенсивной экспансии банков число отделений растет достаточно быстро, что влечет за собой необходимость внедрения в банке системы оценки и мониторинга эффективности функционирования существующей сети. Более того, становится актуальным вопрос о нахождении потенциальных мест для создания новых филиалов сети коммерческого банка не только на основе своевременного реагирования на стратегию поведения основного конкурента относительно открытия новых филиалов, но и на базе анализа перспектив развития собственной сети филиалов.

В связи с этим в данной работе анализируется, как определить эффективность функционирования существующих банковских отделений  и как правильно выбрать место для создания нового филиала банка. Помимо этого, в статье рассматривается, какие регионы РФ перспективны с точки зрения развития филиальной сети банка.

2. Методы оценки и  мониторинга эффективности отдельного  филиала

Эффективность функционирования филиала  коммерческого банка является многоаспектным понятием. С одной стороны, это способность филиала достигать ранее поставленных целей, с другой стороны, это способность достигать оптимального соотношения затраченных ресурсов и полученных результатов. 

В литературе проводится различие между  параметрическими и непараметрическими методами оценки эффективности. К первой группе относят метод стохастической границы (Stochastic Frontier Approach (SFA)), метод без спецификации распределения (Distribution Free Approach (DFA)), метод широкой границы (Thick Frontier Approach (ТFA)). Во вторую группу входят метод оболочечного анализа данных (Data Envelopment Analysis (DEA))  и частный случай DEA -  метод свободной оболочки (Free Disposal Hull (FDH)) [19, 22]. Данные два направления основаны на граничном анализе: мера эффективности каждого филиала определяется, насколько близки филиалы к границе эффективности.

В основе параметрического подхода  лежит эконометрическая оценка (в  частности, методом максимального  правдоподобия (SFA) [12]) точной функциональной формы производственной функции (функции затрат или прибыли) в виде логарифмической форме [4, 12] или в форме функции Фурье [13]. В результате мерой неэффективности выступает часть композитной ошибки, вторая составляющая которой обычно представляет собой белый шум. В целях выделения неэффективности выдвигаются определенные предположения об ее распределении [13, 19]. Например,  неэффективность может иметь гамма – распределение или усеченное нормальное распределение и др. [22]. Так, по DFA в случае использования панельных данных за 5 лет при выполнении предположения о том, что эффективность постоянна во времени, случайная компонента в совокупной ошибке  усредняется до нуля [13]. В TFA отклонения от прогнозных значений внутри самой высокой и самой низкой квартилей - это случайная ошибка, а отклонения в прогнозных значениях между этими квартилями – это Х – неэффективность [22].

В свою очередь, непараметрические  методы не требуют спецификации точной функциональной зависимости и базируются на оценке кусочно-линейной границы  эффективности путем построения огибающих значений. DEA как в случае постоянной отдачи от масштаба – в CCR - модели (Charnes, Cooper, Rhodes (1978)) [17], так и переменной - в BCC – модели (Banker, Charnes, Cooper (1984)),  [11] позволяет вычислить [27]:

1. границу эффективности или оболочечную поверхность, состоящую из финансовых институтов, функционирующих как эталоны (best practice);
2. баллы эффективности для каждого филиала, отражающие его расстояние от границы эффективности (данная мера равна единице для эффективных отделений по выборке и меньше 1 для остальных);
3. эффективное опорное множество, на которое в дальнейшем ориентируются (efficient reference set), или однородную группу (peer group) (небольшое подмножество эффективных филиалов, близких к оцениваемым отделениям) для каждого неэффективного отделения коммерческого банка;
4. эффективные метки (efficient targets) для каждого неэффективного филиала (проекции на границу эффективности).

В отличие от DEA, FDH не допускает линейного замещения между комбинациями входных параметров на изокванте, что отражается на визуальном представлении границы эффективности, которая в данном случае будет не гладкой, а ступенчатой кривой [22]. Таким образом, FDH включает только  вершины границы эффективности по методу DEA и исключает проблему неэффективности вследствие наличия инертности ресурсов (slacks), характерную для DEA [19]. Для выделения наихудших отделений коммерческого банка иногда DEA и FDH используются как взаимодополняющие методы [26].

Для оценки эффективности существующей филиальной сети банка параметрические методы по сравнению с непараметрическими применяются реже, чем для оценки эффективности совокупности банков. Это диктуется, тем, что при использовании DEA относительно филиалов коммерческого банка не возникает проблем с ошибками измерения данных вследствие наличия в отделениях компьютеризированной системы отчетности, причем обычно данные снимают за период не более одного года. Таким образом, для отделений коммерческого банка наиболее распространенным подходом к оценке эффективности функционирования является  оболочечный анализ данных (DEA) [7, 9, 10, 21, 25, 27, 28, 32].

В последнее время классическая модель DEA для оценки относительной производительности филиалов модифицируется. В нее добавляются переменные, отражающие качество обслуживания [10, 30] или особенности внешней среды [9, 33], где функционируют филиалы, ценовой аспект  [16] и пр. В рамках классической модели DEA конструируются индексы, характеризующие достижение целевых значений ключевых показателей успеха филиалов, оцененных менеджерами по развитию сети [15, 24], индексы прибыльности  [20] и т. д. Более того, производится внедрение маркетинговых методов анализа получаемых по модели DEA баллов эффективности для составления рекомендаций по управлению эффективностью и прибыльностью филиалов, например, использование матрицы Бостонской консалтинговой группы [15, 30].

 Таким образом, наиболее значимым  преимуществом DEA по сравнению с традиционными эконометрическими подходами является то, что непараметрические подходы не требуют первоначального предположения об аналитической форме исследуемых функций; следовательно, вероятность неправильной спецификации формы производственной технологии равна нулю, не возникает проблем с мультиколлинеарностью, гомоскедастичностью и т. д. В свою очередь, недостатком считается то, что в DEA не существует случайных колебаний, все отклонения от границы свидетельствуют о наличии неэффективности.

В дополнение к  параметрическим и непараметрическим  методам исследователи в литературе, посвященной вопросам оценки эффективности филиальной сети коммерческого банка, приводят абсолютные и относительные традиционные показатели. Так, например, прибыль, чистый процентный доход, процентная маржа, резерв на покрытие убытков по ссудам и др. рассматриваются как абсолютные коэффициенты. Очевидно, что относительные показатели получаются, если в числителе стоит характеристика функционирования отделения, отражающая  результат одного из элементов деятельности, а в знаменателе – перебираются связанные с ним  другие характеристики, например, совокупный выпуск на одного сотрудника, текущие расходы на единицу выпуска, среднее число операций на одного работника [26].

Считается, что  агрегирование оценок с помощью  линейных сверток может привести к переоцениванию эффективности  вследствие того, что наивысшие оценки по одним показателям могут «перекрыть» наихудшие по другим. Помимо всего этого, различные коэффициенты в некоторых случаях могут неточно описывать деятельность отделения, связанную с большим ассортиментом предоставляемых банковских услуг за счет привлечения огромного количества различных источников ресурсов, что исключается при DEA.

Однако, показатели, представляющие собой  частные критерии эффективности по отдельным аспектам банковской деятельности, на основе разработки и внедрения ключевых показателей эффективности (KPI) можно согласовать между собой, как это предполагает система сбалансированных показателей (BSC) [1,2,3]. На сегодняшний день BSC успешно работает в Банке России, «Пробизнесбанке», «Газпромбанке» и др. [2].

Тем не менее, исследователи  отмечают, что и традиционные коэффициенты, и DEA корректно было бы использовать для сравнения одинаковых отделений, так как возникают проблемы в случае их применения  к существенно различным филиалам [9, 30].  В целях анализа эффективности филиалов внутри однородных групп может быть использована система оценки эффективности функционирования отделений банка, для реализации которой требуется описание микрорынков, где действуют отделения банков [5]. В данном подходе сбор информации о микрорынках производится на основе анкетных опросов менеджеров отделений банка. При обработке информации формируются группы однородных отделений по микрорынкам. Для оценки эффективности деятельности филиалов внутри отдельных групп вводятся различные критерии и внутри каждого действующего микрорынка производится ранжирование отделений банка.

Для решения проблемы ранжирования филиалов по различным  индикаторам функционирования филиалов коммерческого банка может быть выбран комплексный подход (метод  многокритериального ранжирования (Multicriterial Ranking Approach (MRA))) для учета любого количества предпочтительных  для менеджмента показателей эффективности, характеризующих разные стороны банковской деятельности [6]. На основе математических процедур может быть осуществлена оценка эффективности нескольких отделений банка путем  их упорядочивания. Ранжирование основывается на использовании методов турнирных матриц, оценок Борда, (s,q) – Паретовских процедур и др.

Итак, выявление  наиболее успешных филиалов по паретовскому критерию эффективности, благодаря использованию MRA, позволяет оценить потенциальные характеристики предполагаемых к открытию филиалов коммерческого банка. Более того, выделение самых высоких показателей предоставляет возможность определить наиболее привлекательные территории для дальнейшего развития филиальной сети.

Таким образом, при  использовании наиболее предпочтительного  для исследователя метода из ряда описанных выше подходов к  оценке эффективности функционирования существующей филиальной сети коммерческого банка важно:

1. выделить группу факторов, влияющих на функционирование филиальной сети банка на рынке, что в дальнейшем дает возможность определить эффективные и неэффективные филиалы в рамках действующей сети;
2. оценить успешность достижения поставленных стратегических целей (косвенно рассмотрев систему управления банком и процесса принятия управленческих решений) и выявить возможные рекомендации по повышению перспектив деятельности сети на конкурентном рынке;
3. на основе анализа показателей эффективности по существующим филиалам внутри однородных групп выявить потенциальные возможности для создания нового филиала банка.

2. Методы оценки потенциального  местоположения нового филиала  банка

В литературе, посвященной  эффективному размещению отделений коммерческого банка, выделяется необходимость осуществления моделирования поведения потребителей, определения торговой зоны и ее демографических характеристик, анализа особенностей местоположения [31].

Моделирование поведения  потребителей  производится с целью удовлетворения потребностей клиентов таким образом, чтобы последним было удобно получать предоставляемые отделением банка услуги. В результате этого клиент будет лоялен к филиалу, что приносит выгоду отделению коммерческого банка в виде прибыли. За основу анализа поведения потребителей исследователями берется модель пространственного взаимодействия (Spatial Interaction Model (SIM)) - модель гравитации  (Gravity Model (GM)). В этом случае производится спецификация функции полезности  потребительского выбора в мультипликативном виде, где в качестве исследуемых множителей выступает два фактора: степень привлекательности филиала для клиентов и переменная, отражающего воздействие расстояния на потребительский выбор [23].

В свою очередь, торговая зона представляет собой географическую территорию, на которой проживает большая часть (75 - 80%) обслуживаемого отделением банка населения [31].  Множество факторов влияет на ее форму и размер, например: характеристики филиала (размер, внешний вид здания); характеристики продуктов (ассортиментный ряд и ценовой диапазон банковских продуктов и услуг); характеристики региона, включая число клиентов на рассматриваемой территории, расположение конкурентов, географические границы в виде рек, магистралей и т.д. Для оценки торговой зоны для отделения используются подходы, разработанные для размещения магазинов розничной торговли.