Эффективное развитие филиальной сети коммерческого банка

В частности, метод аналогов (Analog Method (AM)) основывается на использовании, как минимум, одного аналогичного отделения банка с точки зрения похожих характеристик, паттернов совершения покупок потребителями, социо – экономической, демографической и конкурентной среды. На базе информации, полученной из вопросника  или интервью клиентов, производится определение местоположения клиентов, затем установление торговой зоны посредством нанесения на карту данных о постоянном проживании потребителей. Круговые области, включающие от 75 – 80% клиентов используются для разграничивания  торговых зон. Средняя способность привлечения клиентов вычисляется как отношение численности населения, отмеченного в каждой зоне, к совокупной численности населения. Далее найденная средняя способность привлечения клиентов аналогичных отделений умножается на средние продажи на человека. Точность такого рода методов зависит от доступности исторических данных о похожих для банка территориях, а также от субъективных суждений в выборе аналогов, но преимуществами метода является включение географических и геометрических особенностей региона, локальных рыночных условий и фактического расположения клиентов [29].

Согласно более модифицированной модели гравитации, называемой мультипликативной  моделью конкурентного взаимодействия (Multiplicative Competitive Interaction Model (MCIM)), при одновременном учете всех  потенциальных торговых зон производится оценка числа потребителей, являющихся постоянными клиентами данной торговой зоны, и вероятности того, что потребитель от места проживания прибудет в отделение банка. MCIM включает в анализ как социо – экономические характеристики, так и особенности конкурентной среды. MCIM рекомендуют использовать для анализа влияния нового отделения банка на сеть уже существующих путем изучения вероятностей, скорректированных на результирующие изменения.  Таким образом, MCIM оценивает вероятностную природу торговой зоны, нежели детерминированную, неявно включает конкурентную среду в оценку местоположения отделения. Но при использовании MCIM  необходимо провести предварительное исследование  в целях точного определения включаемых в модель факторов и ввести определенные предпосылки о параметрах функции полезности [23, 31].

Наконец, анализ особенностей местоположения заключается в изучении следующих факторов: наличия транспортных узлов, парковок, пробок и т. д.  На основе эмпирических исследований в 1969 г. было выявлено, что  основной критерий для выбора места для нового отделения – это удобство в терминах расположения. Проведенное исследование показало, что 89% респондентов предпочитают обслуживаться в том отделении, которое располагается наиболее близко от дома или места работы [29].

Как правило, любое количество объясняющих переменных может быть смоделировано регрессионным анализом, в рамках которого принято выделять метод аналоговых множественных регрессий (Analog Multiple Regression Studies (AMRS)) и мультипликативные конкурентные взаимодействующие модели (Multiplicative Competitive Interactive Studies (MCIS)) [8,14, 18]. Данные методы соответствуют моделям для оценки торговой зоны. В первом случае производится оценка влияния на чистую прибыль филиала (или на число счетов, или на депозиты по видам срочности и др.) нескольких независимых, объединенных в группы переменных таких, как характеристики месторасположения, торговой зоны, конкурентной среды и внутренние особенности филиала банка [18]. Во втором случае строится зависимость рыночной доли бессрочных и (или) сберегательных вкладов  только от внутренних характеристик филиала и конкурентной среды, обычно их называют гравитационными моделями доли рынка [14]. Данные подходы позволяют установить эффективные цели для любого филиала каждый год, опираясь на особенности его местоположения, отслеживать этот процесс периодически при изменениях в демографических характеристиках и условиях конкуренции на данной территории и др. Но несмотря на всю гибкость регрессионного анализа возникают трудности эконометрического оценивания, описанные ранее.

В дополнение к этим методам, можно выделить систему поддержки  принятия решений в области размещения нового филиала на базе географической информационной системы (Geographic Information System (GIS)), которая дает возможность визуально проанализировать отмеченные цветовые области, отражающие значения выбранного показателя  от наивысшего к наименьшему. В качестве индикаторов могут выступать характеристики местности, демографические, экономические данные. Например, естественные барьеры: реки, озера и т. д.; сооруженные барьеры: центральные улицы, магистрали и пр.; социо – экономические факторы: плотность проживания и доходы населения, интенсивность покупательских потоков, размещение магазинов, филиалов конкурентных банков, транспортных узлов. Совмещение всех карт на одной позволит получить районирование по спросу, т. е. выделить приоритетные альтернативы местоположения потенциального филиала [31].

3. Оценка привлекательности регионов РФ в целях развития филиальной сети коммерческого банка

При изучении литературы, посвященной  оценке эффективности функционирования филиалов коммерческого банка и размещению нового филиала,  возник вопрос, возможно ли оценить привлекательность регионов РФ с точки зрения развития филиальной сети российского розничного коммерческого банка. В целях получения ранжирования регионов РФ была предложена двухступенчатая модель на основе методов теории выбора.

За основу метода оценки привлекательности  регионов была взята модель многокритериального  ранжирования [6]. Для оценки привлекательности регионов было специфицировано два блока показателей. Первый из них отражал характеристики макросреды, второй -  клиентского потенциала. Затем для построения ранжирования было выбрано обобщение метода Симпсона, который был нами назван Двойным турнирным методом.

В результате оценки было получено итоговое ранжирование регионов. Совокупное число мест составило 30. Наиболее привлекательными регионами для развития филиальной сети розничного коммерческого банка являются г. Санкт – Петербург, Свердловская область и Хабаровский край. Калининградская область – на второй позиции. Челябинская область, республика Татарстан и г. Москва находятся на третьем месте по уровню привлекательности регионов РФ в целях создания новых филиалов розничного коммерческого банка на их территории. Наименее привлекательными являются республика Калмыкия и Кабардино – Балкарская республика.

Полученное ранжирование 79 субъектов РФ: двух городов федерального значения: г. Москва и г. Санкт – Петербург - и 77 регионов, не включая Чеченскую республику, может быть интересно топ – менеджменту, отвечающему за региональное развитие филиальной сети коммерческих банков. В дальнейшем полученные результаты (при наличии данных о филиальной сети коммерческого банка) могут быть использованы для того, чтобы уменьшить эффект неоднородности регионов по уровню экономического развития при оценке эффективности функционирования филиальной сети коммерческого банка.

4. Заключение

Таким образом, в работе были проанализированы основные методы оценки эффективности функционирования существующей филиальной сети, на основе которых могут быть даны рекомендации по анализу расположения существующих банковских отделений, вычислению оптимального  числа филиалов коммерческого банка и их потенциального расположения в рамках исследования однородных групп.

Более того, вопрос, связанный с  расположением нового отделения коммерческого банка, может быть исследован с точки зрения методов, основанных на аналоговых и гравитационных моделях, на регрессионном анализе.

Также был исследован вопрос о привлекательности регионов РФ на макроуровне с точки зрения развития филиальной сети розничного коммерческого банка на основе оценки факторов макросреды и клиентского потенциала.

Список литературы

1. Клепцов С. Внедрение BSC на предприятиях сферы услуг. Финансовый директор. – 2005 - № 11
2. Ламонов Д., Вишняков О. Как избежать ошибок внедрения BSC. Финансовый директор. – 2005 - № 4
3. Молвинский А. Как разработать систему ключевых показателей деятельности. Финансовый директор. – 2006 - № 10
4. Aigner,D.J., Lovell, C.A. and Schmidt, P. Formulation and estimation of stochastic frontier production function models. Journal of Econometrics. – 1997. -№ 6.-  21–37.
5. Aleskerov Fuad, Ersel Hasan, Gundet Cengiz, Minibat Ali, Yolalan Reha. Environmental Grouping of the Bank Branches and Their Performances. Discussion Paper Series, Yapi Kredi Bank, Research. –1997. -  N 97-03
6. Aleskerov Fuad, Ersel Hasan, Yolalan Reha. Multicriterial ranking approach for evaluating bank branch performance. International Journal of Information Technology & Decision Making. – 2004. - Vol. 3, No. 2 - 321–335
7. Al-Faraj Taqi N, Alidi Abdulaziz S, Bu – Bshait Khalid. Evaluation of Bank Branches by Means of Data Envelopment Analysis. International Journal of Operations & Production Management.  – 1993. – № 3. – 45-52
8. Alpert Mark I., Bibb Jon F. Fitting Branch Locations, Performance Standards, and Marketing Strategies: A Clarification. . Journal of Marketing. – 1974 – April. – 72-74
9. Anthanassopoulos Antreas D. Nonparametric Frontier Models for Assessing the Market and Cost Efficiency of Large – Scale Bank Branch Networks. Journal of Money, Credit and Banking. – 1998 – Vol. 30 - № 2. – 172- 192
10. Athanassopoulos Antreas D.  Service quality and operating efficiency synergies for management control in the provision of financial services: Evidence from Greek bank branches. European Journal of Operational Research. – 1997. - № 98. -  300-313
11. Banker, R.D., Charnes, A. and Cooper, W.W. Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science  - 1984. -  № 30 (9). -  1078– 1092
12. Bauer, P.W. Recent developments in the econometric estimation of frontiers. Journal of Econometrics. 1990 - № 46. - 39–56.
13. Berger, A., Leusner, J. and Mingo, J. 1994. The efficiency of bank branches.  Journal of Monetary Economics. 1997. - № 40. –1997. - 141-162
14. Boufounou Paraskevi V.  Evaluating bank branch location and performance: A case study.  European Journal of Operational Research. – 1995. -№ 87. -  389-402
15. Camahno A. S.,  Dyson R. G.  Efficiency, Size, Benchmarks and Targets for Bank Branches: An Application of Data Envelopment Analysis. The Journal of the Operational Research Society. – 1999. - Vol. 50 - № 9. – 903 - 915
16. Camanho A. S., Dyson R. G. Cost efficiency measurement with price uncertainty: a DEA application to bank branch assessment. European Journal of Operational Research. 2005. - № 161. - 432–446
17. Charnes, A., W.W. Cooper and E. Rhodes, Charnes, A. 1978, Measuring efficiency of decision making units. European Journal of Operational Research. – 1978. - № 2. – 429 - 444
18. Clawson C. Joseph. Fitting Branch Locations, Performance Standards, and Marketing Strategies to Local Conditions. Journal of Marketing. – 1974 – Vol 38. – 8 – 14
19. Coell Nimothy J., Rao D. S. Prasada., O’Donell Christopher J., Battese George E. An Introduction to Efficiency and Productivity Analysis. 2^nd edition. Springer Science + Business Media, Inc. 2005 – 327
20. Conceiçăo Maria, Portela A. Silva, Thanassoulis Emmanuel. Profitability of a sample of Portuguese bank branches and its decomposition into technical and allocative components. European Journal of Operational Research. – 2005. – № 162. -  850 –866
21. Giokas. D. Bank branch operating efficiency: a comparative application of DEA and the log-linear model. Omega. – 1991. - № 19(6). - 549-557.
22. Handbook of International Banking/ edited by Mullineux  Andrew W. and Murinde Victor. Edward Elgar. Cheltenham. UK. Nortampton, MA. USA. – 2003 – 827
23. Huff D. Defining and estimating a trading area. Journal of Marketing.  – 1964 - Vol 28. –34-38
24. Lovell C. A. Knox. Pastor Jesús T. Target setting: An application to a bank branch network. European Journal of Operational Research. – 1997. - № 98. – 290 - 299
25. Parkan. C. Measuring the efficiency of service operations: service operations: an application to bank branches. Engineering Costs and Production Economics. – 1987. - № 12. - 237-242.
26. Pastor Jesús T., Lovell C. A. Knox, Tulkens Henry. Evaluating the Financial Performance of Bank Branches. – Computer Science and Business and Economics. – 2006 – Vol. 145. - № 1. – 321 - 337
27. Schaffnit C., Rosen D., Paradi JC. Best practice analysis of bank branches: an application of DEA in a large Canadian bsnk. European Journal of Operational Research. – 1997. – № 98. - 269 – 289
28. Sherman H.D., Gold F. Bank branch operating efficiency: Evaluation with Data Envelopment Analysis. Journal of Banking and Finance. – 1985. - № 9. - 297-315
29. Soenen Luc. A. Locating Bank Branches. Industrial Marketing Management. – 1974. - № 3. – 211 – 228
30. Soteriou Andreas, Zenios Stavros A. Efficiency, Profitability, and Quality in the Provision of Banking Services. Working Paper. Department of Public and Business Administration, University of Cyprus, Nicosia, CYPRUS. – 1997. – Draft of May, 5. – 1 – 30
31. Vance Heather. Opportunity Index Development for  Bank Branch Networks. Graduate Department of Mechanical and Industrial Engineering. University of Toronto. Canada. – 2000 - 148
32. Vassiloglou M., Giokas D. A study of the relative efficiency of bank branches: an application of Data Envelopment Analysis. Journal of the Operational Research Society. – 1990. - № 41(7). - 591-597
33. Zenious Christiana V. Zenios Stavros A. Agathocleous Kostas. Soteriou Andreas C. Benchmarks of the Efficiency of Bank Branches. Interfaces. – 1999 – № 29. – 37 –51