Роль, значимость, проблемы и перспективы информационных технологий и интернет технологий в системе международных расчётов

Этот процессс может быть осуществлен с помощью тетса Хаусмана, нулевая гипотеза которой гласит, что индивидуальные эффекты могут быть случайными, то есть модель со случайными эффектами предпочтительнее. Таким образом, принимается нулевая гипотеза, в данном случае модель со случайными эффектами лучше (prob. = 0,6605). Вывод логичен, так как данные рандомизированные, то есть они выбирались случайным образом из большой генеральной совокупности элементов.
Так, в качестве лучшей на данном этапе была выбрана нелинейная модель с масштабированными переменными и случайными эффектами:

Наибольший интерес в данном исследовании представляет интерпретация дамми – переменной, отвечающей за использование технологии Интернет-технологии на основе блокчеин. Если высчитать производную (эффект) по переменной Block, то выходит, что в среднем, при прочих равных изменение расходов банков, применяющих технологию Интернет-технологии на основе блокчеин, равно величине:
.
Как и предполагалось ранее, эффект внедрения технологии Интернет-технологии на основе блокчеин может зависеть от величины собственного капитала. Другими словами, если значение собственного капитала достаточно велико, соответственно, банк признаётся крупным, то эффект от внедрения технологии Интернет-технологии на основе блокчеин сильнее повлияет на его финансовые затраты, тогда как более маленький банк может не ощутить существенной разницы от внедрения этой технологии. При подстановке значений логарифма собственного капитала по каждому наблюдению в полученную формулу можно сделать вывод, что эффект будет отрицательным. Следует учитывать, что значения издержек вошли в выборку с минусом, а значит интерпретация эффекта будет с обратным знаком. То есть, издержки у банков, которые применяют данную технологию, будут выше. Таким образом, гипотеза о сокращении издержек после внедрения технологии отвергается.
Однако в данных наблюдается сильная асимметрия между количеством 1 и 0 (банки с Интернет-технологии на основе блокчеин и без соответственно). На данный момент лишь 8 банков применяют рассматриваемую технологию в своей деятельности, а само внедрение произошло в конце 2016 года. Недостаточное количество единиц может привести к тому, что модель не будет их учитывать. То есть эффект будет одинаков как для фактических участников (банков с Интернет-технологии на основе блокчеин), так и для не участников. Следовательно, банки, применяющие Интернет-технологии на основе блокчеин, будут рассмотрены, как обычные, и нельзя будет корректно оценить эффект от применения технологии.
Таким образом, при анализе результатов исследований необходимо использовать такой способ включения наблюдений в анализ, который мог бы обеспечить максимальную сопоставимость основной и референтной групп по имеющимся переменным. Одним из таких способов признаётся метод «Propensity score matching» (PSM) – мэтчинг по индексу склонности/соответствия.
Характерной чертой метода PSM признаётся то, что он сводит широкий набор факторов каждого наблюдения к единому вариационному ряду значений PS. Алгоритм метода следующий:
Выбор переменных для дальнейшего анализа.
Расчёт PS для каждого наблюдения.
Проверка баланса распределения значений PS и переменных между группами сравнения.
Подсчёт мер эффекта воздействия.
Оценка эффективности устранения дисбаланса переменных после использования выбранного метода подбора пар либо «взвешивания» (Гржибовский А. М., Иванов С. В., Горбатова М. А., 2016).
Значения PS рассчитываются при помощи логистической регрессии. В качестве переменной, отвечающей за отклик, признаётся факт принадлежности к основной группе (находящейся под действием «лечения»). В литературе в качестве основной группы предлагают брать ту, в которую входит меньше наблюдений. Это способствует расширению возможности подбора пар из группы сравнения к объектам основной группы. В настоящей работе в основную группу будут входить банки, которые применяют технологию Интернет-технологии на основе блокчеин. Таким образом, в качестве зависимой переменной теперь будет выступать дамми на Интернет-технологии на основе блокчеин, а издержки банков будут представлять исход.
Существует несколько основных мер эффекта воздействия изучаемого фактора на исход:
ATT (average treatment effect for the treated) – средний эффект воздействия для тех, кто подвергся воздействию (объекты основной группы). Это эффект воздействия на те единицы, которые действительно получили выгоды от воздействия.
ATNT либо ATC (average treatment effect for the non-treated/control group) – средний эффект воздействия, не подвергшихся воздействию объектов. Показывает, каким был бы средний эффект от программы для не участников, если бы они участвовали в программе.
ATE (average treatment effect) – средний эффект воздействия для случайного индивида из выборки (Гржибовский А. М., Иванов С. В., 2015).
Исходя из цели исследования, наибольший интерес представляет индикатор ATT, поскольку необходимо понять, на сколько в среднем издержки банков с бокчейн отличаются от обычных банков.
Как и ранее, исследование будет проводится в статистическом программном пакете STATA. Для начала необходимо установить случайный порядок наблюдений, чтобы правильно рассчитать значения PS. Затем требуется произвести сам подсчёт значений PS. Опция comsup в коде фиксирует зону «перекреста» значений PS между основной группой и группой сравнения («common support»). В данном случае в зону «перекреста» попадает 99 значений из 147. Для оценки эффекта наиболее подходящими будут наблюдения, которые попадают в эту зону. Следовательно, чем больше таких объектов, тем лучше.
На рисунке 6 представлена двойная гистограмма распределения значений PS в основной и референтной группе. Видно, что различия в них существенны. Другими словами, существуют различия между группами по распределению переменных.


Рисунок 6. Распределение значений PS в группе банков без Интернет-технологии на основе блокчеин («Treated») и группе банков с Интернет-технологии на основе блокчеин («Untreated»)


Также необходимо, чтобы был достигнут баланс значений PS и выбранных переменных между группой сравнение и основной группой в пределах каждого блока. Балансировка PS проверяется при помощи сравнения средних значений PS в этих двух группах в пределах каждого блока: если статистических различий нет, то такой блок считается сбалансированным. В данном случае количество блоков сбалансировано и равно 4.
На следующем шаге требуется выбрать метод, который наиболее адекватно позволяет сбалансировать группы по переменным. В качестве переменных были выбраны масштабированные кредиты физическим лицам, финансовые затраты/доходы по операциям с ценными бумагами и собственный капитал. Были отобраны именно эти переменные ввиду высокой коррелированности как с Интернет-технологии на основе блокчеин, так и с исходом (издержками). Вдобавок, учитывая эти переменные, можно достичь баланса. Сначала рассмотрим метод стратификации (субклассификации), применяя блоки PS. Этот метод опирается на ранее сформированные блоки PS. Применение данного метода позволяет рассчитать только значение ATT, причем методом бутстрэппинга. Количество повторов бутстрэппинга можно задавать вручную (в нашем случае 100 повторов). Значение эффекта от внедрения технологии представлено в таблице 9 и имеет отрицательный знак, однако интерпретация будет противоположная. Таким образом, у банков с Интернет-технологии на основе блокчеином (основная группа) в среднем издержки выше на (0.340 ±0.260) тыс. руб., чем у обычных банков без Интернет-технологии на основе блокчеина.
Таблица 9
Результаты расчёта ATT с помощью метода стратификации (субклассификации)
Кол-во набл. в осн. группе Кол-во набл. в контр. группе АТТ Ст. Ошибка 15 84 -0.340 0.260 Также можно рассмотреть метод подбора пар 1:1 при помощи поиска «ближайшего соседа», соответствующего заданному отрезку PS. Идея метода заключается в том, чтобы подобрать каждому наблюдению из основной группы «пару» из группы контроля путем выбора наиболее близкого значения PS. Но прежде чем начать подбирать «пары» следует указать значение, которое будет обеспечивать адекватное соотнесение наблюдений из групп. Стандартное отклонение логита PS составляет 1,144 (Приложение 3). Установлено, что отрезок, равный 0,2 от стандартного отклонения логита PS, признаётся достаточным для обеспечения близкого соотнесения наблюдений основной группы и группы контроля. При перемножении этих двух чисел получается 0,229 (это число вписывается в команду).
Для удовлетворительного подбора пар, доля стандартизированного смещения должна быть менее 10 п.п.. В данном случае максимальное смещение составило минус 3,4 п.п., что признаётся удовлетворительным для проведения корректного анализа (Таблица 10, Рисунок 7).

Таблица 10
Результаты проверки смещения переменных в основной группе и группе контроля 1:1
 
Переменные Без пары (U)
Пара (M) Среднее
п.п.bias (смещение) п.п.уменьшение смещения
Осн. группа
Контр. группа lnCr_ind U 18.239 16.567 57.4   M 18.24 18.352 -3.0 94.9 lnEquity U 18.409 16.584 92.7   M 18.421 18.457 -3.4 96.3 Secur_E U -0.03382 0.02659 -32.4   M 0.02248 0.01851 -3.0 90.7
Рисунок 7. График проверки смещения переменных в основной группе и группе контроля 1:1
Однако можно рассмотреть соотношение 1:2, то есть «пара» будет состоять не из одного банка, а из двух (Таблица 11).
Таблица 11
Результаты проверки смещения переменных в основной группе и группе контроля 1:2
 
Переменные Без пары (U)
Пара (M) Среднее п.п.уменьшение смещения
Осн. группа Контр. группа п.п.bias (смещение) lnCr_ind U 18.239 16.567 57.4   M 18.24 18.352 -3.9 93.3 lnEquity U 18.409 16.584 92.7   M 18.421 18.457 -1.8 98.0 Secur_E U -0.03382 0.02659 -32.4   M 0.02248 0.01851 2.1 93.4
Результаты смещения уменьшились, что склоняет выбор в пользу подбора пар 1:2. Таким образом, в результате подбора пар в пропорции 1:2 установлено, что у банков с Интернет-технологии на основе блокчеином (основная группа) в среднем издержки выше на (0.418 ±0.298) тыс. руб., чем у обычных банков без Интернет-технологии на основе блокчеина (Таблица 12).
Таблца 12
Эффекты воздействия (1:2)
Переменные Выборка Осн. группа Контр. группа Разница Ст. Ошибка T-stat Costs_E Без пары -1.4412998 -1.13715026 -0.304149521 0.19113209 -1.59 ATT -1.2828241 -.864728188 -0.418095913 0.298457477 -1.40 ATU -1.0684166 -1.69170578 -0.623289173 ATE -0.591882041 И последний способ балансировки переменных – метод взвешивания Кернела (Гржибовский А. М., Иванов С. В., Горбатова М. А., 2016). Идея метода состоит в том, что каждому наблюдению из контрольной группы дается определенный «вес», исходя из того, насколько близко оно находится к наблюдению из основной группы по значению PS. Наблюдениям с более близними значениями PS присваивается больший вес и наоборот (Таблица 13).

Таблица 13
Результаты проверки смещения переменных в основной группе и группе контроля методом взвешивания Кернела
 
Переменные Без пары (U)
Пара (M) Среднее  
п.п.bias (смещение) п.п.уменьшение смещения
Осн. группа Контр. группа lnCr_ind U 18.239 16.567 57.4     M 18.24 18.038 6.9 87.9 lnEquity U 18.409 16.584 92.7     M 18.421 18.184 12.1 87.0 Secur_E U -0.0338 0.02659 -32.4     M 0.02248 0.01523 3.9 88.0
Результаты показали большее смещение для отобранных переменных, чем метод подбора пар путем поиска «ближайшего соседа». Таким образом, необходимо выбрать наиболее подходящий метод, сравнив стратификацию (субклассификацию) и поиск «ближайшего соседа». Метод стратификации служит самой первой вариацией PSM и может считаться довольно «грубым» способом балансировки переменных. Что касается метода поиска «ближайшего соседа», то он был разработан позже и признаются методологически более совершенным, что более предпочтительно.
Следовательно, результат таков, что издержки для банков, применяющих технологию Интернет-технологии на основе блокчеин в своей деятельности, выше, чем у банков, не имеющих эту технологию. И это различие составляет 418 руб, имея стандартную ошибку ± 298 руб. Так, гипотеза о сокращении издержек после внедрения Интернет-технологии на основе блокчеин отклоняется. В эмпирической части были представленные два метода проведения анализа: построение модели со случайными эффектами и мэтчинг по индексу склонности. Следовательно, ниже отдельно будут представленны результаты по каждому методу.
Итогом для первого метода будет служить нелинейная модель с масштабированными переменными и случайными эффектами:

Оценки параметров модели со случайными эффектами представлены в таблице 14. Логарифм кредитов, выданных физическим лицам, значим на пятипроцентном уровне, логарифм собственного капитала – на десятипроцентном. Норматив текущей ликвидности, дамми – переменная Интернет-технологии на основе блокчеин, совместный эффект и константа имеют однопроцентный уровень значимости.

Таблица 14
Результаты оценивания модели со случайными эффектами
Зависимая переменная - нормированные на соб. капитал издержки Переменная Модель со случайными эффектими (GLS) Лог. кредитов для физ. лиц -0,102** Лог. кредитов для юр. лиц 0,024 Лог. собственного капитала 0,134* Финансовые затраты/доходы по операциям с ц/б, нормированные на соб. кап. 0,51 Норматив текущей ликвидности 0,173*** Интернет-технологии на основе блокчеин -8,161*** Совместный эффект Интернет-технологии на основе блокчеин лог. соб. капитала 0,424*** Константа -2,4*** N 147 K 8 Примечание: в таблице представлены оценки параметров.
Уровни значимости: * p<0.1, ** p<0.05, *** p<0.01; N – число наблюдений; K – число параметров модели. Как было сказано ранее, наибольший интерес представляет интерпретация дамми – переменной, отвечающей за использование технологии Интернет-технологии на основе блокчеин. Интерпретация для нее гласит, , что в среднем, при прочих равных изменение расходов банков, применяющих технологию Интернет-технологии на основе блокчеин, равно величине:
.
Эффект внедрения технологии Интернет-технологии на основе блокчеин зависит от величины собственного капитала. То есть, если значение собственного капитала велико, и банк признаётся крупным, то эффект от внедрения технологии Интернет-технологии на основе блокчеин сильнее повлияет на его финансовые затраты, тогда как более маленький банк может не ощутить существенной разницы от внедрения этой технологии. Конечная интерпретация подтверждает, что издержки у банков, которые применяют данную технологию, будут выше на величину указвнную ранее. Таким образом, гипотеза о сокращении издержек после внедрения технологии отвергается. Как упоминалось ранее, стандартная регрессия предполагает, что воздействие распределяется случайным образом. Поэтому эффект будет одинаков как для фактических участников (банки с Интернет-технологии на основе блокчеином), так и для неучастников (которые точно также могли бы оказаться в числе участников). Метод мэтчинга решает эту проблему, и полученным результатам можно доверять.
В исследовании расматривалось 3 метода мэтчинга по индексу склонности: метод стратификации (субклассификации), подбора пар при помощи поиска «ближайшего соседа» и взвешивания Кернела. Было выяснено, что метод подбора пар в пропорции 1:2 дает наименьшее смешение, следовательно, может быть выбран в качестве лучшего способа.
Результат мэтчинга по индексу склонности идентичен результату модели со случайными эффектами. Однако мэтчинг дает конкретное значение того, на сколько издержки банков с Интернет-технологии на основе блокчеин превышают издержки обычных банков. Таким образом, издержки для банков, применяющих технологию Интернет-технологии на основе блокчеин в своей деятельности, выше, чем у банков, не имеющих эту технологию на 418 руб, имея стандартную ошибку ± 298 руб. Гипотеза о сокращении издержек после внедрения Интернет-технологии на основе блокчеин также отклоняется. Причиной отклонения гипотезы может служить недостаточный период анализа и небольшое количество банков, применяющих данную технологию. Внедрение Интернет-технологии на основе блокчеин произошло в конце 2016 года, а в выборку вошли 2015, 2016, 2017 года. Полноценно технология использоваась лишь в 2017 году. Промежуток в один год не даст желаемых результатов, для получения максимально полной и реалистичной картины требуется несколько лет. Тому подтверждение статья Куницыной Н.Н. и Дюдиковой Е.И., приведенная в обзоре литературы, которая гласит, что для начала технология должна окупиться. При наиболее вероятном варианте развития событий период окупаемости технологии составит 9 лет, в случае оптимистического – 6 лет (Дюдикова Е. И., Куницына Н. Н., 2016).
Ключевое допущение в мэтчинге делается то же, что и в МНК – это отбор по наблюдаемым характеристикам. Однако мэтчинг имеет ряд преимуществ. Во – первых, сравнисаются только похожие индивиды (зона «перекреста»). Во – вторых, не требуется делать допущений о функциональной форме зависимости зависимой переменной от независимых.
Различия в области значений переменных устранены за счёт проведения мэтчинга только по области пересечения (зона «перекреста»). Различия в распределении переменных внутри области пересечения также устранены, поскольку метод перевзвешивает данные для контрольной группы (банки без Интернет-технологии на основе блокчеин) с тем, чтобы добиться распределения сходного с распределением в основной группе (банки с Интернет-технологии на основе блокчеин). Несмотря на вышеперечисленные преимущества, Мэтчинг не способен устранить различия в ненаблюдаемых характеристиках. Этот метод предполагает, что отбор происходит по наблюдаемым характеритикам. Мэтчинг не лечит отбор и самоотбор, который возникает из – за отбора по ненаблюдаемым характеристикам, что приводит к проблеме эндогенности. Самоотбор предполагает, что индивиды выбирают себе определенное состояние, руководствуясь скрытыми причинами, которые не учитывались в модели. Вдобавок, эндогенность может возникать из – за пропуска существенных переменных. В данной работе не учитывались такие переменные, как проценты по депозитам физических и юридических лиц, кредиты, выданные банкам, проценты по кредитам, а также переменные, отвечающие за фактор риска, а именно: просроченная задолженность, прочие неработающие активы, доля резервов по ссудам.
Небольшое количество наблюдений не позволяет учесть абсолютно все переменные. Перспективой данного исследования может служить расширение вборки и подбор инструментальных переменных, которые позволят решить проблему эндогенности.


Заключение

Безусловно технология Интернет-технологии на основе блокчеин признаётся революционной для финансовой сферы. Она может быть использована в потребительском кредитовании, а также при совершении розничных и международных платежей и т. д. Более того, данная технология внедряется в банки для того, чтобы снизить издержки как на обработку,хранение информации, так и при денежных переводах. В работе была предпринята попытка доказать возможность сокращения расходов банка после внедрения Интернет-технологии на основе блокчеин. Для достижения результата были пройдены некоторые шаги.
Во – первых, была проанализирована теория, а именно описывались принципы функционирования технологии и ее применение в финансовой деятельности. Во – вторых, были рассмотрены методы и модели оценки эффективности Интернет-технологии на основе блокчеин. Также была собрана выборка по данным российских банков и проведен исследование данных, построено несколько моделей множественной регрессии с разной спецификацией, выбрана наилучшая модель зависимости расходов банка от финансовых показателей и наличия технологии Интернет-технологии на основе блокчеин. Были применены методы мэтчинга по индексу склонности, среди которых лучшим оказался метод подбора пар при помощи поиска «ближайшего соседа» в пропорции 1:2.
Ответ на исследовательский вопрос не однозначен. Технология Интернет-технологии на основе блокчеин действительно эффективна, поскольку ее внедрение сопровождается понижением зтрат на финанасовую отчетность, соблюдение нормативно – правового регулирования, централизованную деятельность и бизнес – операции.


Однако эти результаты распространяются на зарубежные банки, которые подверглись отдельному исследованию (Accenture Consulting, 2017). Что касается настоящей работы, то на данном этапе внедрение технологии сопровождается повышением издержек.
Полученные результаты не полностью соответствуют ожиданиям ввиду ранее указанного ограничения. Так, недавнее внедрение технологии пока не позволяет оценить эффективность Интернет-технологии на основе блокчеин для банков. Необходимо время для того, чтобы технология окупилась. Также в работе рассматривается первоначальный этап использования технологии, который сопровождается повышенными расходами. Поэтому результаты способствовали отклонению выдвинутой ранее гипотезы.




















Список использованных источников

Андреева О. В., Фатхутдинова Р. А. Интернет-технологии на основе блокчеин технологии в финансовой сфере // Х Международная научно – практическая конференция: МЦНС «Наука и просвещение».
Апатова Н.В., Королев О.Л., Круликовский А.П. исследование влияния Интернет-технологии на основе блокчеин технологии на финансовую систему // Научно-технические ведомости СПбГПУ. Экономические науки. 2017. Т. 10, №6. С. 31-39. DOI: 10.18721/JE.10603
Банкинг и Интернет-технологии на основе блокчеин: переход к полностью цифровой экономике (miningbitcoinguide.com). [Электронный ресурс] URL: https://miningbitcoinguide.com/technology/blockchain-i-banki (дата обращения 29.11.18).
Белоусова В.Ю. Эффективность издержек однородных российских коммерческих банков: обзор проблемы и новые результаты // Экономический журнал ВШЭ. №4. 2009. С. 489-519.
Богучарсков А.В. Обновление механизма секьюритизации с помощью Интернет-технологии на основе блокчеин-технологии. 2017. [Электронный ресурс] URL: http://e-notabene.ru/flc/article_24784.html (дата обращения 17.02.2019).
Власов А. И., Карпунин А. А., Новиков И. П. Системный исследование технологии обмена и хранения данных blockchain // Современные технологии. Системный анализ. Моделирование, №3(55), 2017. С. 75 – 83.
Головань С. В., Карминский А. М., Пересецкий А. А. Эффективность российских банков с точки зрения минимизации издержек, с учетом факторов риска // Munich Personal RePEc Archive. 2008. С. 5 – 15.
Гржибовский А. М., Иванов С. В., Горбатова М. А., Дюсупов А. А. Псевдорандомизация (propensity score matching) как современный статистический метод устранения систематических различий сравниваемых групп при анализе количественных исходов в обсервационных исследованиях // Экология человека. 2016. С. 51-60.
Гржибовский А. М., Иванов С. В. Когортные исследования в здравоохранении // Наука и Здравоохранение. 2015. № 3. С. 5–16.
Грязнова К.И., Преснова И.О., Старова О.В. перспективы внедрения технологии Интернет-технологии на основе блокчеин // «Научно-практический электронный журнал Аллея Науки». 2017.
Дюдикова Е. И., Куницына Н. Н. Перспективы внедрения криптовалюты в национальную платежную систему России // УДК 336.74. 2016. С. 215 – 220.
Дюдикова Е.И. Интернет-технологии на основе блокчеин в национальной платежной системе: сущность, понятие и варианты использования // Инновационное развитие экономики. 2016. № 4 (34). C. 139–149.
Журнал Forklog. [Электронный ресурс] URL: https://forklog.com/set-bitkoina-potrebyaet-bolshe-elektroenergii-chem-krupnejshie-elektrostantsii/ (дата обращения 12.10.19).
Исследование рынка Blockchain от PwC (Habr): потенциал применения и основные тенденции. [Электронный ресурс] URL: https://habr.com/company/wirex/blog/371957/ (дата обращения 23.09.2018)
Кузнецова М.М. Технология Интернет-технологии на основе блокчеин в финансовой сфере Российской Федерации // «Научно-практический электронный журнал Аллея Науки». №16. 2017.
Литвинова Д. А. Использование blockchain в финансовой системе [Текст] // Экономика, управление, финансы: материалы VII Междунар. науч. конф. (г. Краснодар, февраль 2017 г.). — Краснодар: Новация, 2017. — С. 40-44. — URL https://moluch.ru/conf/econ/archive/220/11860/ (дата обращения: 05.10.2018).


Приложение 1

Корреляционная матрица
A Year Costs Cr_ind Cr_org Equity Secur A 1.0000 Year 0.0192 1.0000 0.8171 Costs 0.4037 0.0183 1.0000 0.0000 0.8261 Cr_ind -0.3606 0.0293 -0.9259 1.0000 0.0000 0.7250 0.0000 Cr_org -0.3629 -0.0014 -0.9684 0.8893 1.0000 0.0000 0.9868 0.0000 0.0000 Equity -0.3515 0.0019 -0.8998 0.9271 0.8911 1.0000 0.0000 0.9819 0.0000 0.0000 0.0000 Secur 0.1239 -0.0724 0.1702 -0.2189 -0.1280 -0.2382 1.0000 0.1350 0.3834 0.0393 0.0077 0.1224 0.0037 H3 0.2381 0.0684 0.0974 -0.0875 -0.0802 -0.0789 0.0672 0.0037 0.4101 0.2408 0.2922 0.3344 0.3422 0.4187 Block -0.5023 0.2140 -0.2733 0.3120 0.2844 0.3001 -0.3559 0.0000 0.0092 0.0008 0.0001 0.0005 0.0002 0.0000










Приложение 2
Гистограммы переменных









Приложение 3
Описательные статистики индекса склонности для логит модели
Переменная Кол-во набл. Среднее Ст. Откл. Мин. Макс. logitpscore 147 -2.565 1.444 -4.876 1.023









59