Мониторинг изменений в банковском сообществе России с применением самоорганизующихся карт Кохонена

Рис. 3. Миграция Банка Москвы на картах признаков, характеризующих систему кредитных учреждений

Подводя итоги по данной части выполненного исследования, можно отметить, что за счет миграции в банковском сообществе произошла некоторая перегруппировка, однако изменения в стратегической позиции наблюдались только у нескольких крупных банков. В целом в банковской системе изменения за изученный период можно охарактеризовать как эволюционные, так как смещения, в основном, происходили в рамках одного кластера или в смежный кластер. Таким образом, обоснованным следует считать вывод, что после кризиса августа 1998 г. внутри популяции кредитных организаций России наблюдаются лишь локальные перемещения, которые принципиальным образом не могут отразиться на общей расстановке сил или существенным образом изменить структурную картину банковского сообщества в целом. Основной стратегической задачей банков в послекризисный период является укрепление и стабилизация своих стратегических позиций.

Задача 2. Исследование причин  изменений в банковском сообществе на основе сравнения атласов карт за 1999 г. и 2000 г. Целью исследований, выполненных в рамках данной задачи, являлось выявление причин так называемых структурных изменений, которые в терминах атласа карт означают изменения числа и (или) конфигурации кластеров на карте кластеров или изменения распределения значений признаков на картах признаков. Исследования были выполнены для полной популяции банков, включающей 200 кредитных учреждений. Методически исследования можно построить на сравнении двух атласов — за 1999 г. и 2000 г. Результаты обучения карт Кохонена для разных признаков иллюстрируют рис. 4—7. Например, после построения атласов можно получить следующую сравнительную картину кластеров и одного из признаков — объема собственного капитала . На рис. 4 слева показаны карты, характеризующие состояние исследуемых объектов в 1999 г., а справа — в 2000 г. В верхней части рис. 4 изображены карты кластеров, а в нижней части — карты собственного капитала. В целях достижения лучшей визуализации кластеры на карте помечены цифрами (1, 2, 3), окрашены в разные цвета и разделены кривыми, которые в технологии SOM называются сепараторами. Верхняя часть рисунка подтверждает сделанный ранее вывод о том, что структура банковской системы России за истекший год не претерпела существенных изменений. Число кластеров, их размеры и расположение принципиально в течение года не изменились. То же самое можно сказать и о собственных капиталах банков.

Рис. 4. Атлас карт, характеризующий динамику изменения популяции, включающей двести российских банков, в течение одного года

На рис. 5 показаны карты признаков, отражающие другие банковские показатели: ликвидные активы и сальдированные активы. Как видно из рис. 5, в течение исследованного периода имела место тенденция «расползания» светло-голубого пятна в сторону синей зоны, что можно интерпретировать как увеличение доли банков со средними активами за счет банков с низкими активами. Иными словами, в результате выполненного исследования выявлена некоторая тенденция к выравниванию уровня активов в категории мелких и средних банков (банков, расположенных между центральной частью и левым верхним углом карты).

Рис. 5. Сравнение карт балансовых и ликвидных активов

Проанализируем теперь динамику изменения вкладов населения и обязательств до востребования в банках России . Как видно из рис. 6, для вкладов населения и обязательств до востребования имеет место примерно та же тенденция, что и в предыдущем случае, а именно, увеличение доли банков, работающих на розничном рынке, в сегменте мелких и средних кредитных учреждений. Но выявленная динамика верна только для определенной части банков, расположенных между центром и верхним левым углом карты, т. е. для банков, имеющих средний уровень активов. Население по-прежнему склонно доверять свои сбережения прежде всего ведущим кредитным учреждениям страны.

Рис. 6. Визуализация вкладов населения и обязательства до востребования в банках России в 1999 г. и 2000 г.

И, наконец, рассмотрим динамику изменения последней пары банковских показателей, а именно, коэффициента ликвидности и объема бюджетных средств . Из рассмотрения и анализа рис. 7 видно, что коэффициент ликвидности в течение 1999—2000 гг. несколько изменил свою структуру: «пятна» с его высоким значением появились в сегментах средних и крупных банков. В то же время в зоне, принадлежащей средним и мелким банкам (в правом верхнем углу карты), пятна с высоким уровнем коэффициента ликвидности стали в 2000 г. в большей степени локализованными. Это говорит о том, что крупные российские банки при выработке тактики и стратегии своего поведения на рынке начинают уделять пристальное внимание вопросам устойчивости и надежности своего бизнеса. Довольно резкие структурные изменения выявлены также и для показателя бюджетных средств. Красное пятно, означающее высокие уровни данного показателя, в течение года переместилось из области, примыкающей к крупным банкам, в область средних банков (на большее удаление от сегмента крупных банков). Данный поведенческий паттерн косвенно подтверждает отмеченные выше изменения в стратегическом поведении крупных российских банков.

Рис. 7. Сравнение карт коэффициента ликвидности и бюджетных средств

Резюмируя выполненные исследования, можно констатировать, что динамика изменений в банковской системе России не носит резкий и спонтанный характер и что структура и распределение ключевых банковских показателей за год практически не изменилась.

Задача 3. Выявление поведенческих паттернов на основе применения самоорганизующихся карт. Проведем еще одно короткое исследование, цель которого — проанализировать динамику изменения во времени одного из базовых показателей — коэффициента ликвидности 32 крупнейших российских банков. Как известно (Фролов Ю. В. Указ. соч. С. 294), решение задачи получения графических изображений изменений параметров, которые определяют развитие исследуемой системы, является первым шагом на пути лучшего понимания бизнеса на основе операционного, а не факторного мышления. В нашем случае была сделана попытка  выявить поведенческие паттерны, отражающие различную динамику коэффициента ликвидности. На первом этапе необходимо было построить атлас карт, который бы позволил сгруппировать поведенческие паттерны банков. Средние значения векторов по каждому кластеру, являясь признаками классификации, могут дать представление о природе наблюдаемых изменений коэффициента ликвидности у ряда ведущих банков, осуществляющих деятельность на российском рынке. Использованная в исследовании база данных содержала сведения об изменениях ликвидности тридцати двух банков в течение шести кварталов (таблица 3). В результате обучения сети Кохонена была построена карта кластеров, показанная на рис. 8.

На рис. 8 сеть Кохонена выявила три кластера: один большой синего цвета (кластер 1) и два маленьких (кластер 2 и кластер 3). Банки, попавшие в один и тот же кластер, должны иметь примерно одинаковую динамику изменения ликвидности в течение шести кварталов. Иными словами, вид поведенческого паттерна, характеризующего изменение коэффициента ликвидности во времени, должен отличаться при переходе от кластера 1 к кластеру 2 и от кластера 2 к кластеру 3. Это нетрудно проверить, поскольку программные эмуляторы позволяют получать статистические данные для каждого кластера. На рис. 9 изображены три идентифицированных нейросетевой моделью поведенческих паттерна на обычном временном графике.

Рис. 8. Карта кластеров, полученная на основе различий банков в характере изменения их ликвидности

Как видно из рис. 9, сеть Кохонена обобщила все разнообразие поведенческих паттернов, характеризующих динамику изменения коэффициента ликвидности, в три основных типа поведения: «стабильное поведение» — для большинства из исследованных банков (кластер 1 — 72% банков); «небольшое падение и рост» — для банков из кластера 2 (13% банков); «бурный рост и стабилизация» — для банков из кластера 3 (13% банков). Таким образом, использованная методология позволила выявить ключевые типы поведения исследованных объектов. Приведенные на рис. 8 и 9 результаты подтверждают высказанную выше гипотезу о том, что за последний год доминирующей тенденцией для большинства российских банков является стабилизация по ключевым направлениям их деятельности и, в частности, по такому важному показателю, как ликвидность.

Рис. 9. Выявленные искусственной нейронной сетью справочные поведенческие паттерны

В заключение следует еще раз подчеркнуть несомненную полезность применения технологии самоорганизующихся карт Кохонена в задачах отраслевого и конкурентного анализа вообще и для поиска изменений в частности. Этот инструментарий позволяет исследователю предметной области не только видеть для множества объектов «все и сразу», но и обнаруживать нечто принципиально новое, что практически недоступно или сильно затруднено при использовании других аналитических средств.