Экономическая эффективность стратегии цифровой трансформации в кредитной организации с государственным участием

Панин Алексей Сергеевич

«Газпромбанк» (Акционерное общество)

эксперт по архитектуре, MBA (Информационный менеджмент, 2023 г., РАНХиГС)

e-mail: aspanin@outlook.com

ORCID 0009-0005-8650-5409

Ключевые слова: цифровая трансформация, DEA-моделирование, ключевые показатели эффективности.

Аннотация
Актуальность исследования. Цифровизация в современном мире является одним из главных факторов мирового экономического роста. Сфера деятельности кредитных организаций, особенно крупнейших игроков, теснейшим образом связана с возможностями, предоставляемыми цифровыми технологиями. Их применение в банковской деятельности кардинально меняет решения банка по усовершенствованию дальнейших работ и расширению продуктов и услуг, а также открывает новые пути развития. Эффективно примененные информационные технологии (ИТ) являются в современном банкинге серьезным конкурентным преимуществом.
Стратегия цифровой трансформации (ЦТ) должна отвечать текущим и перспективным запросам бизнеса, обеспечивать технологическую основу для долгосрочного устойчивого развития. В кредитных организациях оценка эффективности стратегии ЦТ приобретает институциональную значимость, поскольку банк, особенно — это не только бизнес, но и ключевой элемент экономической жизни государства. А если речь идет о крупнейших банках с государственным участием, то это влияние становится экономически системообразующим.
В статье предлагается методика оценки эффективности элементов стратегии цифровой трансформации при помощи DEA-моделирования. Критерии эффективности связаны с блоком экономических КПЭ из годовой отчетности «Методических рекомендаций по цифровой трансформации государственных корпораций и компаний с государственным участием» Минцифры РФ (редакция 2022 года).
Цель работы. Получение данных о соответствии инициатив ЦТ Банка ключевым показателям эффективности (КПЭ), описанным в Методических рекомендациях Минцифры по цифровой трансформации (МРЦТ).
Практическое применение. По итогам проведенной оценки выявлена неочевидная кластеризация Инициатив по эффективности, проведено ранжирование. Полученные данные позволяют скорректировать стратегию цифровой трансформации с целью повышения её эффективности, более рационально освоить инвестиции.

Методологическое обоснование

Стратегия цифровой трансформации в государственных компаниях и компаниях с государственным участием регулируются Министерством цифрового развития, связи и массовых коммуникаций РФ (Минцифры). В Минцифры разработали «Методические рекомендации по цифровой трансформации государственных корпораций и компаний с государственным участием» (МРЦТ) в целях методического обеспечения порядка разработки и актуализации стратегий (программ) цифровой трансформации, включая предложения по структуре, содержанию и перечню ключевых показателей эффективности для мониторинга реализации Стратегий государственных корпораций, компаний с государственным участием, государственных организаций, подведомственных федеральным органам исполнительной власти или органам исполнительной власти субъектов Российской Федерации (РФ), государственных компаний, перечень которых утвержден распоряжением Правительства РФ и от 23 января 2003 № 91-р, хозяйственных обществ, в уставном капитале которых доля участия РФ, субъекта РФ, муниципального образования в совокупности превышает 50 процентов, и других организаций, определенных директивами представителям интересов РФ для участия в заседаниях советов директоров (наблюдательных советов) организаций в рамках исполнения отдельных поручений Правительства РФ, а также порядок мониторинга реализации Стратегии.
В процессе разработки и корректировки стратегий цифровой трансформации необходимо обеспечить синхронизацию с отраслевыми документами стратегического планирования, включая стратегии цифровой трансформации отраслей экономики, социальной сферы и государственного управления в целях достижения их «цифровой зрелости», утвержденные на заседании президиума Правительственной комиссии по цифровому развитию, использованию информационных технологий для улучшения качества жизни и условий ведения предпринимательской деятельности (протокол № 20 от 25 июня 2021 г.), а также со стратегическими направлениями в области цифровой трансформации отраслей экономики, социальной сферы, государственного управления, утвержденными актами Правительства РФ.[15]
В соответствии с методическими рекомендациями Минцифры РФ КПЭ Стратегии цифровой трансформации включает следующий перечень показателей, связанных с экономическими эффектами от трансформации:
1. Оценка снижения операционных затрат за счет цифровой трансформации (для финансового сектора — «Оценка снижения операционных расходов за счет цифровой трансформации»);
2. Оценка увеличения EBITDA (прибыли) за счет цифровой трансформации компании (для финансового сектора — «Оценка увеличения прибыли до налогообложения за счет цифровой трансформации компании»);
3. Оценка снижения капитальных затрат (CAPEX) за счет цифровой трансформации компании (для финансового сектора не рассчитывается);
4. Оценка увеличения выручки, в результате продажи товаров или услуг за счет цифровой трансформации компании (для финансового сектора — «Оценка увеличения чистых операционные доходы (до вычета резервов) за счет цифровой трансформации компании»).
Госкомпания самостоятельно выбирает методику расчета эффективности инвестиций. Высокие показатели КПЭ — один из ключевых критериев успешности реализации Стратегии ЦТ.
Анализ оболочки данных (Data envelopment analysis, DEA) – относительно новый дата-ориентированный подход к измерению эффективности набора равноправных единиц, называемых единицы принятия решения (далее по тексту DMU), которые преобразуют несколько «входов» в «выходы». Определение DMU носит универсальный и гибкий характер, так как в качестве DMU может выступать как отдельный индивид или отдел компании, так и целая страна. Для обозначения объектов оценки в модели DEA используется термин «единицы принятия решений», или «decision-making units», или DMU. В виде DMU может быть любая бизнес-сущность: проект, предприятие, подразделение. В нашем исследовании DMU являются инициативы ЦТ.
Базовые модели DEA делятся на модель CCR (Charnes, Cooper, and Rhodes) и модель BCC (Banker, Charnes, and Cooper). Модель CCR учитывает постоянную отдачу от масштаба (CRS) для создания границы эффективности и определения общей технической эффективности (OTE) DMU, а BCC использует переменную отдача от масштаба (VRS).[5]
DEA является непараметрическим методом, основанным на решении оптимизационной задачи линейного программирования по максимизации реализации продуктов (выходов) DMU при заданном количестве ресурсов (входов) или минимизации используемых ресурсов (входов) при заданном уровне выпуска продуктов (выходов). Для решения задачи линейного программирования строится DEA-модель, математическое описание системы отношения взвешенных выходных переменных, соответствующих результатам деятельности DMU к взвешенным входным переменным, соответствующим используемым ресурсам DMU. С технического точки зрения, в DEA-методе необходимо попарно сопоставить каждый из DMU с позиции их отношения «выход-вход» для получения относительных оценок эффективности. Те DMU, которые получат наивысшие оценки, составляют границу производственных возможностей и становятся бенчмарками для других DMU в выборке. Более подробно практическая реализация DEA-моделирования описана во методической части аттестационной работы.

Метод DEA имеет ряд привлекательных свойств, а именно [3]:
– позволяет вычислить один агрегированный показатель для каждого объекта в терминах использования входных факторов (независимые переменные) для производства желаемых выходных продуктов (зависимые переменные);
– может одновременно обрабатывать много входов и много выходов,
каждый из которых при этом может измеряться в различных единицах измерения;
–позволяет учитывать внешние по отношению к рассматриваемой системе переменные – факторы окружающей среды;
–не требует априорного указания весовых коэффициентов для переменных, соответствующих входным и выходным параметрам при решении задачи оптимизации;
– не налагает никаких ограничений на функциональную форму зависимости между входами и выходами;
– позволяет при необходимости учесть предпочтения менеджеров, касающиеся важности тех или иных входных или выходных переменных;
– производит конкретные оценки желательных изменений во входах/выходах, которые позволили бы вывести неэффективные объекты на границу эффективности;
– формирует Парето-оптимальное множество точек, соответствующих
эффективным объектам;
– концентрируется на выявлении примеров так называемой лучшей практики (best practice), а не на каких-либо усредненных тенденциях, как, например, регрессионный анализ. [2]
Для оценки экономической эффективности стратегии ЦТ построена выходоориентированная модель типа CCR, с постоянной отдачей от масштаба (constant return to scale). Данный тип модели наиболее соответствует специфике исследуемой проблемы. DEA-модель с ориентацией на вход строится в пространстве затрат, что означает, что результаты моделирования, в нашем случае соответствия экономическим КПЭ, в частности оценки инициатив ЦТ ниже 1, можно улучшить посредством увеличения показателей. Поскольку нас интересует максимальное соответствие экономических эффектов инициатив ЦТ КПЭ МРЦТ Минцифры, то в расчет будет закладывать максимизацию значения эффективности. Построенная выходоориентированная СCR-модель включает 2 входных и 3 выходных переменных, представленных в [Таблица 1].

При выборе OUT переменных имело значение не только логическое соответствие КПЭ, но и возможность последующей оценки фактического результата посредством ОФР готовой публичной отчетности по форме ОКУД 0409807. Выбор IN параметров продиктован стремлением к универсализации (применимостью к абсолютной любой инициативе ЦТ) и минимизации их количества (в целях устранения потенциальных экстремумов показателей второстепенной важности, которые могут исказить искомые величины эффективности). Поэтому было решено сосредоточиться на двух важнейших показателях : NPV и IRR . NPV является суммой NPV по проектам, входящим в состав Инициативы, IRR является усредненным значением IRR всех проектов, входящих в состав Инициативы. Обращаем внимание, что NPV в данном случае строится на основе NCF (CFO+CFI+CFF), поскольку один из OUT-параметров пропорционален NCF.
Поскольку предметом исследования является ЦТ в банке, в модель заложено допущение об отсутствии кредитования инициатив ЦТ и, соответственно, выплат процентов по заемному капиталу, предшествующих EBT. В случае присутствия Interest (для других отраслей) модель нуждается в соответствующей доработке.
В результате проведенных расчетов получилась диаграмма с результатами, представленная на [Рисунок 1] (наименования инициатив ЦТ взяты из открытых источников, данные носят демонстративный характер; любые совпадения с реальными инициативами ЦТ любых банков являются случайными).

Результат работы
В результате проведенных расчетов получилась диаграмма с результатами, представленная на Рисунке 1 (наименования инициатив ЦТ взяты из открытых источников, данные носят демонстративный характер; любые совпадения с реальными инициативами ЦТ любых банков являются случайными). Сортировка: PTE по убыванию, (PTE-TE) по возрастанию.

Поясним физический смысл полученных соотношений эффективностей.
1) TE = PTE = 1 DMU является 100%-эффективным как при постоянной, так и при переменной отдаче масштаба, то есть действует на максимально возможном уровне продуктивности. Предсказуемо хорошо поддается масштабированию/имеет благоприятные внешние условия.
2) TE ≈ PTE ≈ 1, либо {PTE = 1, TE ≈ 1} DMU имеет крайне высокую чистую эффективность и незначительные потери в эффективности при масштабировании/от внешних условий. Поскольку в данном расчете нет проектов, ТЕ или PTE которых меньше 0,85 (очень высокий показатель), что справедливо сказать, что к данной категории относятся все остальные проекты кроме перечисленных в п.1.
3) TE >> PTE ≈ 1 несмотря на крайне высокую чистую эффективность, OUTPUTS DMU плохо поддается масштабированию/имеет неблагоприятные внешние условия. В данном расчете таких проектов нет.
4) PTE << TE << 1 DMU имеет плохую чистую эффективность и плохо поддается масштабированию/имеет неблагоприятные внешние условия. В данном расчете таких проектов нет.
Кроме того, выявилась выраженная дифференциация инициатив на 4 группы. На основании этой дифференциации мы можем запланировать меры повышения эффективности инициатив там, где это необходимо, а именно, купировать риски для низкоэффективных инициатив с помощью следующих мер:
1) Понижение приоритета
2) Более тщательное планирование
3) Дополнительные ресурсы
4) Страхование объектов

Заключение и выводы
Предложенная в работе методика оценки эффективности цифровой трансформации является универсальной для организаций финансового сектора с государственным участием. При необходимости методика может быть модифицирована для других организаций с учетом специфики КПЭ МРЦТ. Методика позволяет лидерам и командам цифровой трансформации более точно планировать реализацию инициатив ЦТ и прогнозировать соответствие тех или иных инициатив показателям эффективности Минцифры. Кроме того, указанные в статье численные методы открывают возможности более эффективной компоновки проектов в инициативы и моделирования их эффективности.

Список источников
1. Cooper, W.W. Data Envelopment Analysis: History, Models, and Interpretations [Электронный ресурс] / W.W. Cooper, L.M. Seiford, J. Zhu // ResearchGate. – 2007.
2. Data Envelopment Analysis and Regression Approaches to Efficiency Estimation and Evaluation / W. F. Bowlin, A. Charnes, W. W. Cooper, H. D. Sherman // Annals of Operations Research. – 1985.– Vol. 2. – P. 113–138.
3. Data Envelopment Analysis: Theory, Methodology, and Application / A. Charnes, W. W. Cooper, A. Y. Lewin, L. M. Seiford. – Boston : Kluwer Academ-ic Publishers, 1994. – 513 pp.
4. Fiorentino E. The cost efficiency of German banks: a comparison of SFA and DEA / E. Fiorentino, A. Karmann, M. Koetter // Frankfurt School of Finance&Management // 2006
5. Guillermo L. Taboada, Isabel Seruca and others, “Exploratory Data Analysis and Data Envelopment Analysis of Construction and Demolition Waste Management in the European Economic Area”, 2020, DOI:10.3390/su12124995
6. Hoque R. Data Envelopment Analysis of banking sector in Bangladesh / R. Hoque, I. Rayhan // Russian Journal of Agricultural and Socio-Economic Sciences
7. Liu J.S. A survey of DEA applications [Электронный ресурс] / J.S. Liu, L.Y.Y. Lu, W.-M. Lu, B.J.Y. Lin // ScienceDirect. – 2016. – Режим доступа: http://www.sciencedirect.com/science/article/pii/S0305048312002186
8. Repkova I. Efficiency of the Czech banking sector employing the DEA window analysis approach / I. Repkova // ScienceDirect. // 2014
9. Staub R.B. Evolution of Bank Efficiency in Brazil: A DEA Approach / R.B. Staub, G. Souza, B.M. Tabak // Banco Central Do Brasil // 2009
10. Tahir I.M. Evaluating Efficiency of Malaysian Banks Using Data Envelopment Analysis / I.M. Tahir, N.M.A. Bakar, S. Haron // International Journal of Business and Management. // 2009
11. Trang Doan Do, Ha An Thi Pham, Eleftherios I. Thalassinos, Hoang Anh Le, The Impact of Digital Transformation on Performance: Evidence from Vietnamese Commercial Banks // Journal of Risk and Financial Management // MDPI // 2021
12. Vuzhik B. Efficiency of banks in transition: a DEA approach [Электронный ресурс] / B. Vuzhik, I. Zhemrik // Hravatska Narodna Banka // 2001 - Режим доступа: http://www.hnb.hr/dub-konf/7-konferencija-radovi/vujcic-efficiency-of-ba...
13. Yu M.-M. Operational efficiency in Taiwan banks with consideration of nonperforming loans: A dynamic network DEA / M.-M. Yu, L.-H. Chen, K.-C. Chen, K. Tone // National Graduate Institute for Policy Studies. // 2013
14. Аналитическая статья «Информатизация в банковской сфере – 2021» — отчет консалтинговой компании ТМТ Consulting. http://tmt-consulting.ru/napravleniya/texnologii/informatizaciya-v-banko...
15. Методические рекомендации по цифровой трансформации государственных корпораций и компаний с государственным участием, Минцифры, 2022
16. Моргунов Е. П., Моргунова О. Н. «Краткое описание метода Data Envelopment Analysis» версия 0.1, статья. Режим доступа: http://morgunov.org/docs/DEA_intro.pdf
17. Презентация «МЕТОД ОБОЛОЧЕЧНОГО АНАЛИЗА ДАННЫХ», автор презентации: Соколова Т.В., к.ф.-м.н., аналитик ЛАФР, ВШЭ, 2018
18. Публикация «Basic Dea Models - Scale Efficiency Models», режим доступа на 30.06.2023: https://www.deaos.com/en-us/models/product/0104/basic-dea-models-scale-e...